AI기반 상수도시설 개량 의사결정 모델 분석
Model Analysis of AI-Based Water Pipeline Improved Decision
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
상수도분야 인공지능 기술개발 관심도가 증가함에 따라 상수도 관로에 대해서 노후관 상태평가 데이터 결과를활용하여 반복적인 학습으로 개량 의사결정 등급을 예측할 수 있는 인공신경망 알고리즘을 개발하고 검증과정을 통하여가장 신뢰성 있는 예측 모델을 제시하고자 한다. 2020년 한강유역의 노후관로 정비 기본계획에 의한 간접평가 데이터12개 항목을 기반으로 데이터 전처리 하고 인공신경망 알고리즘을 적용하여 반복학습과 검증을 통해 계산된 결과값과직접평가 결과값의 일치율이 90% 이상이 되도록 역전파 과정을 통해 가중치를 업데이트 하면서 최적화하여 관로 등급을 예측하는 알고리즘을 개발하였다. 알고리즘 정확도 검증결과 모든 관종 데이터가 고르게 분포되어 있고 학습 데이터가 많아야 예측평가 정확도가 높아지는 것을 확인할 수 있었다. 향후 전국의 다양한 데이터가 확보되면 인공신경망을이용한 관로등급 예측의 신뢰도가 좀 더 향상되어 객관화된 노후관 상태평가 의사결정 지원 역할을 수행할 수 있을것으로 기대된다.
Abstract
As an interest in the development of artificial intelligence(AI) technology in the water supply sector increases, we have developed an AI algorithm that can predict improvement decision-making ratings through repetitive learning using the data of pipe condition evaluation results, and present the most reliable prediction model through a verification process. We have developed the algorithm that can predict pipe ratings by pre-processing 12 indirect evaluation items based on the 2020 Han River Basin's basic plan and applying the AI algorithm to update weighting factors through backpropagation. This method ensured that the concordance rate between the direct evaluation result value and the calculated result value through repetitive learning and verification was more than 90%. As a result of the algorithm accuracy verification process, it was confirmed that all water pipe type data were evenly distributed, and the more learning data, the higher prediction accuracy. If data from all across the country is collected, the reliability of the prediction technique for pipe ratings using AI algorithm will be improved, and therefore, it is expected that the AI algorithm will play a role in supporting decision-making in the objective evaluation of the condition of aging pipes.
참고문헌 (15)
- "Waterworks Standards", Korea Water and Wastewater Association, 2~ (2010)
- 이슬민, "ANN-Clustering 기법을 이용한 상수관로 노후도 평가 및 분류", 한국수자원학회 논문집, 51(11), pp.959~969 (2018), 한국수자원학회[DOI]
- Y R Choi, "Artificial Intelligence Overview and Application Cases", ie Magazine, 23~ (2016)
- S B Cho, "Computational Complexity of Artificial Neural Networks", Korean Institute of Information Scientists and Engineers, pp.315~318 (1989)
- 조영인, "딥러닝을 이용한 선형 설계 초기 단계에서의 저항 추정", 한국CDE학회 논문집, 24(2), pp.203~210 (2019), 한국CDE학회[DOI]
- Cybenko, George, "Approximation by Superpositions of a Sigmoidal Function", Mathematics of Control, Signals, and Systems, pp.303~314 (1989)
- 조성래, "SVM과 인공 신경망을 이용한 침입탐지 효과 비교 연구", 한국산학기술학회논문지, 17(2), pp.703~711 (2016), 한국산학기술학회[DOI]
- C W Lee, "Assessment of Water Supply Pipes Deterioration Based on Deep Learning", Journal of the Korean Society of Civil Engineers, pp.62~63 (2020)
- "Water Pipeline Precision Investigation Manual(Draft)", Ministry of Environment, 10~24 (2020)
- 한광희, "상호정보량 기법을 적용한 인공신경망 입력자료의 선정", 한국수자원학회 논문집, 43(1), pp.81~94 (2010), 한국수자원학회
- 박혜경, "특허 이상치 제거를 이용한 기술예측", 한국지능시스템학회 논문지, 28(2), pp.177~184 (2018), 한국지능시스템학회
- 고영민, "파라메트릭 활성함수를 이용한 기울기 소실 문제의 완화", 정보처리학회논문지. 소프트웨어 및 데이터 공학, 10(10), pp.407~420 (2021), 한국정보처리학회
- A Report on the Schematic Plan for the Improvement of the Aged Water Pipeline, , Korea Water Resources Corporation, ~ (2021)
- J Y Seo, "Deep Learning TensorFlow Textbook", pp.25~ (2021), Gilbut
- 안성만, "딥러닝의 모형과 응용사례", 지능정보연구, 22(2), pp.127~142 (2016), 한국지능정보시스템학회