1 |
1
(a) 수리 지형인자 계산 모듈(11)이 대상하천의 과거 유량자료를 이용한 각 유량 시나리오를 입력자료로 하여 1차원 수리동역학 모형인 HEC-RAS 모의를 통해 수리 지형인자를 계산하는 단계(S10)와;(b) 매개변수 산정 모듈(12)이 상기 유량 시나리오 각각에 대해 계산된 상기 수리 지형인자를 입력자료로 하여 분포형 저장대 모형 매개변수 경험식을 통해 각 유량 시나리오에 대해 대상하천에서의 유해화학물질 예상 유출위치별로 분포형 저장대 모형의 매개변수를 산정하는 단계(S20)와;(c) 시간-농도 곡선 산출 모듈(13)이 상기 각 유량 시나리오에 대해 산정된 분포형 저장대 모형 매개변수를 입력자료로 하여 유해화학물질 예상 유출위치별로 유출 시나리오(유량 시나리오의 유량,유출위치,유해화학물질 주입 질량)에 대한 관측지점에서의 시간-농도 곡선을 분포형 저장대 모형 모의를 통해 산출하는 단계(S30)와;(d) 시간-농도 곡선 특징 추출 모듈(14)이 상기 관측지점에서의 모든 시간-농도 곡선에 대해 시간-농도 곡선 특징을 추출하는 단계(S40), 및(e) 최적 특징 조합 선택 모듈(15)이 추출된 시간-농도 곡선의 특징을 기계학습 모형의 학습 자료로 사용하여 유해화학물질의 유출 위치와 유출 질량을 각각 예측하기 위한 기계학습 모형별 최적 특징 조합을 재귀적 특징 제거법을 통해 산출하는 단계(S50)로 이루어져, 실제 화학사고 발생 시 관측지점에 설치된 관측센서를 이용해 실측치인 유해화학물질의 시간-농도 곡선이 추출되고 상기 실측치인 시간-농도 곡선으로부터 시간-농도 곡선 특징을 추출한 후, 상기 단계(e)에서의 각각의 최적 특징 조합에 대응하는 실측치의 시간-농도 곡선 특징을 이용하여 유출 위치와 유출 질량을 기계학습 모형을 통해 예측함으로써 유해화학물질의 발생원을 역추적할 수 있으며,상기 시간-농도 곡선 특징은 곡선 형태(왜도, 첨도), 농도(최대 농도, 평균 농도), 기울기(상승부 기울기, 하강부 기울기, 꼬리 기울기), 시간(표준 편차, 상승부 체류시간, 하강부 체류시간, 최대 농도 75%의 체류시간, 최대 농도 50%의 체류시간, 최대 농도 10%의 체류시간), 적분(전체 면적, 꼬리 부분 면적, 위험 면적, 하강부 면적), 미분(최대 미분값, 최소 미분값), 상(상승부 상 면적, 하강부 상 면적)인 것을 특징으로 하는, 하천 유해화학물질 유출 시나리오 기반 기계학습모형과 재귀적 특징 제거법을 결합한 화학사고 발생원 역추적 방법
|
2 |
2
제 1 항에 있어서,상기 단계(b)에서 분포형 저장대 모형 매개변수 경험식은,,,,(여기서, KF는 분산 계수, AF는 본류대 면적, AS는 저장대 영역 면적, α는 질량교환계수, W는 평균 하폭, h는 평균 수심, U 는 평균 유속, Sn는 사행도, g는 중력 가속도, U*는 전단유속(), S0는 하상경사)인 것을 특징으로 하는, 하천 유해화학물질 유출 시나리오 기반 기계학습모형과 재귀적 특징 제거법을 결합한 화학사고 발생원 역추적 방법
|
3 |
3
제 1 항에 있어서,상기 단계(c)에서 분포형 저장대 모형 모의는 다음의 수학식,,(여기서, t는 시간, x는 거리, CF는 본류대 농도, CS는 저장대 영역 농도, CL은 횡방향 유입 농도, Q는 유량, KF는 분산 계수, AF는 본류대 면적, AS는 저장대 영역 면적, α는 질량교환계수, qL은 횡방향 유입 유량)을 이용하는 것을 특징으로 하는, 하천 유해화학물질 유출 시나리오 기반 기계학습모형과 재귀적 특징 제거법을 결합한 화학사고 발생원 역추적 방법
|
4 |
4
삭제
|
5 |
5
제 1 항에 있어서,상기 단계(e)는,(f) 일정 개수의 시간-농도 곡선의 특징(시간-농도 곡선의 특징 데이터셋)의 중요도를 기계학습 모형 중 랜덤포레스트 분류 모형과 서포트 벡터 회귀 모형 각각의 특징 중요도 수학식을 통해 산출하는 단계와;(g) 기계학습 모형을 훈련시키기 위해 사용되는 훈련자료에서 입력인자로는 각 유출 시나리오에 대한 시간-농도 곡선의 특징 데이터셋으로 하고, 학습 목표값으로는 랜덤포레스트 분류 모형의 경우는 해당 각 유출 시나리오의 유해화학물질 예상 유출위치로 하고 서포트 벡터 회귀 모형의 경우는 해당 각 유출 시나리오의 초기 조건으로 설정된 유해화학물질의 주입 질량으로 하여 학습하여 랜덤포레스트 분류 모형과 서포트 벡터 회귀 모형을 구축하는 단계와;(h) 상기 훈련자료를 통해 구축된 랜덤포레스트 분류 모형과 검증자료를 이용하여 정확도(Accuracy)를 산출하고, 상기 훈련자료를 통해 구축된 서포트 벡터 회귀 모형과 검증자료를 이용하여 결정계수(R2)를 산출하는 단계와;(i) 상기 단계(f)에서 산출된 랜덤포레스트 분류 모형과 서포트 벡터 회귀 모형 각각의 특징 중요도 중에서 특징 중요도가 가장 낮은 시간-농도 곡선 특징을 제거한 후, 일정 개수의 특징 중요도 중에서 특징 중요도가 가장 낮은 시간-농도 곡선 특징이 제거된 시간-농도 곡선의 특징을 데이터셋으로 하는 재귀적 특징 제거법으로 상기 단계(f), (g), (h)를 순차적으로 반복하는 단계, 및(j) 랜덤포레스트 분류 모형의 경우에는 정확도(Accuracy)가, 서포트 벡터 회귀 모형의 경우에는 결정계수(R2)가 최대가 되는 최적 특징 조합이 각각 산출될 때까지 특징 중요도가 낮은 순으로 시간-농도 곡선 특징을 제거하는 단계로 이루어지는 것을 특징으로 하는, 하천 유해화학물질 유출 시나리오 기반 기계학습모형과 재귀적 특징 제거법을 결합한 화학사고 발생원 역추적 방법
|
6 |
6
제 5 항에 있어서,상기 단계(f)에서,유해화학물질의 유출 위치를 예측하기 위해 이용하는 랜덤포레스트 분류 모형의 특징 중요도 수학식은,(여기서, x는 시간-농도 곡선 특징, J는 랜덤포레스트의 의사결정나무 개수, (특징 중요도에서 데이터의 불순도를 나타내는 부분인 Gini index), c는 예상 유출위치, p는 예상 유출위치에 속하는 데이터의 비율)이고,유해화학물질의 유출 질량을 예측하기 위해 이용하는 서포트 벡터 회귀 모형의 특징 중요도는 시간-농도 곡선 특징의 가중치인 w를 특징 중요도로 사용하고 상기 w는 다음의 수학식,(여기서, L은 loss function, arg는 전달인자, λ는 제약 계수, w는 시간-농도 곡선 특징의 가중치, n은 시간-농도 특징 개수, yi는 초기 조건으로 설정된 유해화학물질의 주입 질량, f(xi)는 추정 유출 질량, ε는 무감도 손실함수)을 이용하여 산출하는 것을 특징으로 하는, 하천 유해화학물질 유출 시나리오 기반 기계학습모형과 재귀적 특징 제거법을 결합한 화학사고 발생원 역추적 방법
|
7 |
7
제 5 항에 있어서,상기 단계(g)에서,랜덤포레스트 분류 모형의 구축은 1단계로 무작위 중복을 허용한 샘플링 기법인 부트스트랩(bootstrap) 샘플링 기법을 이용하여 추출된 n개의 시간-농도 곡선 특징을 선택하고, 2단계로 추출된 시간-농도 곡선 특징 중 특징 변수 d개를 중복 없이 선택하여 의사결정나무 j개를 반복적으로 학습하는 방식으로 이루어지며,서포트 벡터 회귀 모형의 구축은 다음의 수학식, (여기서, f(x,w)는 질량 산출위한 모형함수, x는 시간-농도 곡선 특징, w는 시간-농도 곡선 특징의 가중치, m은 시간-농도 곡선 특징의 개수, b는 바이어스 항, gj(x)는 kernel함수)을 이용하는 것을 특징으로 하는, 하천 유해화학물질 유출 시나리오 기반 기계학습모형과 재귀적 특징 제거법을 결합한 화학사고 발생원 역추적 방법
|
8 |
8
제 5 항에 있어서,상기 단계(h)에서,상기 정확도(Accuracy)는 검증자료의 입력인자를 훈련자료를 통해 구축된 랜덤 포레스트 분류 모형에 입력했을 때의 출력값이 검증자료의 각 유출 시나리오의 유해화학물질 예상 유출위치와의 일치 횟수를 총 검증자료 수로 나눈 값이고,상기 결정계수(R2)는 다음의 수학식, (여기서, i는 총 검증자료 수, yi는 초기 조건으로 설정된 유해화학물질의 주입 질량, 는 yi의 평균, 는 서포트 벡터 회귀 모형을 통한 추정 유출질량)을 이용하여 산출하는 것을 특징으로 하는, 하천 유해화학물질 유출 시나리오 기반 기계학습모형과 재귀적 특징 제거법을 결합한 화학사고 발생원 역추적 방법
|