2.1 하수처리 공정과 데이터

그림 1은 일반적인 하수처리 공정과 수질 센서 측정 항목을 보여준다.

하수처리 공정은 유입된 하수로부터 오염 물질을 제거하고, 정화된 물을 방류하거나 재사용할 수 있도록 처리하는 일련의 과정을 의미한다. 이 과정은 물리적, 화학적, 생물학적 단계를 포함하며, 각각의 단계는 특정한 오염 물질을 제거하거나 물의 품질을 개선하는 역할을 한다. 하수처리 공정은 대체로 3단계로 구성된다.

1차 처리 단계에서는 하수 내에 포함된 큰 입자나 고형물질을 제거하는 과정을 포함한다. 스크린이나 침전조와 같은 장비를 사용하여 입자가 큰 오염 물질을 걸러내며, 하수의 유입량에 따라 다양한 처리 방식이 적용된다. 이 단계에서는 비교적 간단한 물리적 방법을 사용하여 하수의 부유 고형물(Suspended Solids, SS)을 제거한다. 2차 처리에서는 하수 내 유기물을 제거하기 위해 미생물을 활용한 생물학적 처리가 이루어진다. 대표적인 방법으로는 활성 슬러지 공정(Activated Sludge Process)이 있으며, 미생물이 유기물을 분해하여 처리한다. 이 과정에서는 산소 공급, 미생물 농도, 반응 시간 등이 중요한 변수로 작용하며, 처리 효율을 높이기 위해 공정 운영이 정교하게 조정된다. 3차 처리 단계에서는 1차 및 2차 처리에서 제거되지 않은 질소, 인 등의 영양 염류나 잔류 유기물질을 제거한다. 이 과정에서는 화학적 응집제의 투입이나 고도 처리 방법(예: 염소 소독, 오존 처리)이 사용되며, 최종적으로 하수를 방류 기준에 맞게 정화하는 역할을 한다^[4].

• 운전자가 이러한 공정을 효율적으로 운영하고 관리하기 위해 실시간으로 다양한 수질 데이터를 계측하고 모니터링하는 것이 필수적있다. 주요 수질 계측 데이터는 다음과 같으며, 각 데이터는 하수처리의 특정 과정을 최적화하는데 필요한 중요한 정보를 제공한다^[5].

• 생화학적 산소 요구량 (Biochemical Oxygen Demand, BOD) : BOD는 하수에 포함된 유기물질이 미생물에 의해 분해되는 과정에서 소비되는 산소의 양을 측정한 값있다. 이는 하수 내 유기물 오염도를 나타내는 중요한 지표로, 미생물들이 유기물을 분해할 때 필요한 산소량을 통해 유기물의 농도를 간접적으로 파악할 수 있다. BOD 값이 높을수록 하수에 유기물질이 많이 포함되어 있음을 의미하며, 처리해야 할 오염 물질의 양이 많다는 것을 나타낸다. 주로 2차 생물학적 처리 과정에서 BOD가 감소하며, 처리 전후의 BOD 감소율을 통해 공정의 성능을 평가할 수 있다.

• 화학적 산소 요구량 (Chemical Oxygen Demand, COD) : COD는 하수에 포함된 유기물을 화학적 산화제로 분해할 때 소비되는 산소의 양을 측정한 값으로, 하수 내 총 유기물 농도를 나타낸다. BOD와 유사하지만, COD는 생물학적으로 분해되지 않는 유기물까지 포함하여 측정하기 때문에 BOD보다 더 포괄적인 수치를 제공한다. COD는 공정 전반에서 빠르게 측정할 수 있어, 실시간으로 공정 상태를 파악하는 데 유리하다. COD는 주로 BOD와 함께 하수의 오염도를 평가하고, 생물학적 처리 외의 화학적 처리 단계에서 유기물 분해 효과를 분석하는 데 사용된다.

• 총 질소 (Total Nitrogen, TN) : 총 질소(TN)는 하수에 포함된 모든 형태의 질소 화합물(암모니아성 질소, 아질산염, 질산염, 유기질소)을 포함한 값을 나타낸다. 질소는 수계로 방류될 경우 부영양화를 일으켜 수질 오염을 유발할 수 있기 때문에, 하수 처리 과정에서 적절히 제거하는 것이 중요하다. TN은 생물학적 처리와 화학적 처리를 통해 제거되며, 처리 공정에서 질소 제거의 효율성을 모니터링하는 데 중요한 지표로 사용된다. 하수 처리 공정의 탈질화 과정에서 주로 감소하며, 질산염과 아질산염의 상태를 모니터링하여 공정 운영을 최적화 할 수 있다.

• 총 인 (Total Phosphorus, TP) : 총 인(TP)은 하수 내 존재하는 모든 형태의 인(유기 인, 무기 인, 인산염)을 포함한 값을 측정한 것이다. 인은 수계에서 부영양화 현상을 일으켜 조류 번식을 촉진하고 수질 악화를 초래할 수 있기 때문에, 이를 효과적으로 제거하는 것이 중요하다. TP는 주로 화학적 응집제를 사용한 침전 및 분리 과정에서 제거되며, 하수 처리의 3차 처리에서 중점적으로 관리된다. TP 수치를 모니터링하여 방류 기준을 만족시키고, 수질 오염 방지를 위한 필수 데이터를 제공한다.

• 부유 고형물 (Suspended Solids, SS) : 부유 고형물(SS)은 하수에 부유 상태로 포함된 입자성 물질을 측정한 값으로, 물리적으로 분리되지 않은 고체 오염 물질을 의미한다. 이는 하수 처리 초기 단계에서 침전 및 여과 과정을 통해 주로 제거된다. SS는 물리적 처리 공정에서 가장 먼저 제거되는 오염 물질로, 스크린, 침전조 등에서의 효율성을 평가하는 데 사용된다. SS 값이 높을 경우 처리 공정의 부하가 증가하며, 이로 인해 하수처리 시설의 운영 비용이 증가할 수 있다.

• 용존 산소 (Dissolved Oxygen, DO) : DO는 하수 내에 용해된 산소의 농도를 측정한 값으로, 하수처리 공정에서 미생물의 활성을 평가하는 데 중요한 역할을 한다. 특히 2차 생물학적 처리 과정에서 미생물이 유기물을 분해할 때 필요한 산소량을 조절하는데 DO 값이 사용된다. DO 값은 미생물 활동에 직접적인 영향을 미치기 때문에, 적절한 산소 농도를 유지하는 것이 생물학적 처리의 효율성을 결정짓는 핵심 요소있다. DO가 너무 낮으면 미생물의 활동이 저하되고, 너무 높으면 불필요한 에너지 소모가 발생할 수 있다.

• pH : pH는 하수의 산성도 또는 알칼리도를 나타내는 지표로, 공정 전반에서 중요한 물리화학적 변수를 제공한다. pH는 화학적 반응, 생물학적 처리, 미생물의 활성에 모두 영향을 미치며, 최적의 공정 성능을 유지하기 위해 관리되어야 한다. 하수 처리 과정에서 pH 값은 각 처리 단계에서의 최적 조건을 유지하기 위한 중요한 지표로 사용된다. 생물학적 처리 과정에서는 pH 범위가 미생물의 활성을 크게 좌우하며, 화학적 처리 과정에서는 응집 반응 효율에 영향을 준다.

• 전도도 (Conductivity) : 전도도(Conductivity)는 하수 내에 녹아 있는 이온 농도를 측정하는 지표로, 하수의 이온성 오염 물질 농도를 평가하는 데 사용된다. 이는 물 속에 녹아 있는 무기염류(예: 염화물, 황산염)의 양을 간접적으로 나타내며, 공정 상태를 평가하는 데 도움이 된다. 전도도 값은 하수 내에 존재하는 염류 및 이온성 물질의 농도를 나타내며, 하수의 오염 정도와 배출 기준 준수 여부를 평가하는 데 사용된다. 전도도는 주로 물리적 및 화학적 처리 과정에서 변화하며, 특정 이온성 오염 물질이 처리되지 않았는지 확인하는 데 유용하다.

2.2 하수처리 공정의 운전자 경험

하수처리 공정에서 운전자가 데이터 해석 능력을 바탕으로 문제를 감지하고 해결하는 과정은 공정의 안정성을 유지하고 최적의 성능을 달성하는데 필수적이다. 운전자의 경험에 따른 데이터 해석 능력은 단순한 수치 변화의 이해를 넘어, 공정의 복합적인 상호작용을 파악하고 적절한 대응책을 마련하는데 있다. 다음은 운전자의 데이터 해석 능력이 빛을 발하는 여러 가지 실제 사례들이 있다^[6].

• DO(용존 산소) 수치 변화와 미생물 활성 저하

DO 센서 데이터가 급격히 하락하거나 비정상적으로 낮은 값을 보일 경우, 미생물의 유기물 분해 효율이 저하될 수 있다. DO가 적절한 범위를 유지해야 미생물이 활성화되어 유기물을 분해할 수 있는데, 산소 부족이 발생하면 공정 전체가 영향을 받을 수 있다. 운전자는 DO 수치가 낮아지는 원인을 분석해야 한다. 예를 들어, 산소 공급 장비(블로어)의 오작동, 슬러지 농도가 너무 높아 산소 공급이 불균형적으로 이루어지는 상황 등을 의심할 수 있다. 운전자는 산소 공급을 증가시키거나, 블로어 장비를 점검 및 조정하여 산소 공급량을 조절하고, 미생물 활동이 적절히 이루어지도록 해야 한다.

• BOD/COD 비율 변화와 유기물 처리 효율 저하

BOD와 COD 값이 처리 전후에서 비정상적인 비율로 변화할 경우, 이는 유기물 처리 효율에 문제가 있다는 신호일 수 있다. 예를 들어, 처리 후에도 BOD 값이 높다면 미생물에 의한 유기물 분해가 제대로 이루어지지 않았다는 의미일 수 있다. 운전자는 이러한 상황에서 미생물 군집의 활성도에 문제가 있거나, 유기물 농도가 급격히 증가했음을 예측할 수 있다. 공정 내 미생물의 상태(슬러지 상태)나 유입된 하수의 오염도를 분석해야 한다. 미생물 활성에 문제가 있다면, 슬러지 농도를 조절하거나 미생물 배양을 강화해야 할 수 있다. 또한 유입 하수의 오염도가 높아진 것이 원인이라면, 처리 용량을 조정하거나 추가적인 산소 공급을 통해 공정을 강화해야 한다.

• pH 변화와 화학적 처리 효율 저하

pH 센서에서 하수의 산성도나 알칼리도가 정상 범위를 벗어날 경우, 이는 공정 효율성에 영향을 미칩니다. 특히 생물학적 처리 단계에서는 미생물이 활동할 수 있는 최적의 pH 범위가 존재하므로, pH가 이 범위를 벗어나면 처리 효율이 떨어질 수 있다. 운전자는 pH 변화가 발생한 원인을 파악해야 한다. 예를 들어, 유입되는 하수에 산업폐수가 포함되어 있거나, 공정 내에서 화학적 처리가 제대로 이루어지지 않은 경우일 수 있다. pH가 지나치게 산성화되거나 알칼리화된 경우, 중화제를 투입하거나 유입 하수의 성분을 분석해 오염 물질의 성분과 농도를 파악한 후 조치를 취해야 한다.

• SS(부유 고형물) 농도 급증과 침전지 효율 저하

SS의 농도가 처리 공정 전후에서 급격히 증가하거나, 침전지에서 침전 효율이 저하될 경우, 물리적 처리 과정에 문제가 발생했을 가능성이 있다. 운전자는 SS 농도의 변화를 통해 공정 내의 고형물 제거 과정에서 문제가 발생했음을 인식할 수 있다. 이는 침전조나 여과 장치에서의 문제 또는 유입 하수의 고형물 농도가 급격히 증가한 경우일 수 있다. 이 경우, 침전조의 운영을 점검하고, 부유 고형물을 효율적으로 제거하기 위한 슬러지 배출 주기나 침전조 내 유속을 조정해야 한다. 또한, 유입 하수의 상태를 확인하여 고형물의 증가 원인을 파악해야 한다.

• 온도 변화와 미생물 반응성 저하

하수 처리 공정에서 온도는 미생물의 활성도에 큰 영향을 미칩니다. 특히, 겨울철이나 온도가 급격히 변동할 경우 미생물의 반응 속도가 저하되어 유기물 처리 효율이 떨어질 수 있다. 운전자는 온도 데이터를 통해 미생물의 반응성을 예측할 수 있으며, 미생물의 최적 활동 온도가 유지되지 않을 경우 이를 조정해야 한다. 이 경우, 온도 조절 장치를 사용하거나, 필요할 경우 미생물 군집의 농도를 조절하여 처리 효율을 유지할 수 있다. 온도가 낮아지는 경우 미생물의 활동을 보완하기 위해 반응 시간을 늘리거나 산소 공급량을 증가시키는 방법을 적용할 수 있다.

• 유입 하수 유량 급증과 공정 과부하 갑작스러운 폭우나 기상 변화로 인해 유입되는 하수의 유량이 급증할 경우, 하수처리 공정이 과부하 상태에 이를 수 있다. 유입 유량이 증가하면 처리 용량을 초과하여 공정이 비효율적으로 운영될 수 있다. 운전자는 유량계 데이터를 모니터링하여 유입 하수의 변화를 감지하고, 이를 기반으로 과부하 가능성을 예측할 수 있다. 유입량이 급증할 경우, 기존 공정이 처리할 수 있는 용량을 초과할 가능성이 크다. 이러한 상황에서는 우수 처리 시설을 활용하거나, 공정 내 각 단계의 처리 용량을 조정해 과부하를 분산시켜야 한다. 필요한 경우 공정 내에서 일부 하수를 우선적으로 처리하고 나머지를 임시 저장 시설로 보내는 등의 조치가 필요할 수 있다.

• 암모니아성 질소 농도 증가와 질소 제거 과정 저하

암모니아성 질소(NH₃-N) 농도가 급격히 증가하면 질소 제거 공정에 문제가 있음을 나타낼 수 있다. 이는 질산화 공정에서 미생물의 활성도가 저하되었거나 산소 공급이 부족한 경우 발생할 수 있다. 운전자는 암모니아성 질소 농도 데이터를 바탕으로 질산화 미생물의 활동 상태를 파악해야 한다. 산소 공급 부족이나 미생물의 농도 저하로 인해 질산화 반응이 일어나지 않으면, 질소 제거 효율이 크게 저하될 수 있다. 이 경우, 운전자는 산소 공급량을 조절하거나, 질산화 미생물 농도를 조정해 질소 제거 공정의 효율을 회복해야 한다. 필요한 경우 반응 시간 조정이나, 추가적인 미생물 투입도 고려할 수 있다^[7].

이러한 운전자의 경험은 운전자별로 대응방안이 다르게 결정된다. 여러 개의 상황이 동시에 발생하는 경우, 운전자는 다양한 요인을 종합적으로 고려하여 최적의 결정을 내린다. 본 논문에서는 이러한 운전자의 최적 결정이 진정한 최적 결정인지를 검증하고자 한다.

3.1 데이터 수집 및 전처리

본 논문에서는 실제 하수처리 시설에서 수집한 시계열 데이터를 사용하여 RNN 모델을 학습시킨다. 수집된 데이터는 하수처리 공정의 여러 단계를 반영하며, 주요 변수는 다음과 같다.

• 유입 하수의 유량 : 하수처리 시설로 유입되는 하수의 양을 나타내며, 공정의 전반적인 처리 능력과 직결된다.

• 오염 물질 농도 : BOD, COD, SS, pH, DO, TN, TP 등의 수질 지표를 포함하며, 하수 내 오염 물질의 농도 변화가 공정의 처리 효율에 영향을 미친다.

기존 연구에서는 데이터 수집 후에 운전자의 경험 규칙에 무관하게 단지 결측치 처리, 이상치 제거, 데이터 정규화 등으로 전처리 작업을 수행한다. 이 경우, 운전자 경험이 데이터에 반영되는 비율이 데이터의 양에 따라 좌우된다. 따라서, 이러한 경우, 운전자 경험을 시뮬레이션을 통해 검증하는 프로세스가 해당 경험을 반영하지 못하는 경우가 발생할 수 있다. 따라서 본 연구에서는 운전자 경험을 반영할 수 있는 데이터만 수집한다. 예를 들어, DO 수치 변화와 미생물 활성 저하되는 경우, 운전자 경험은 산소 공급 장비(블로어)의 오작동, 슬러지 농도가 너무 높아 산소 공급이 불균형적으로 이루어지는 상황 등을 의심하여 운전자는 산소 공급을 증가시키거나, 블로어 장비를 점검 및 조정하여 산소 공급량을 조절하고, 미생물 활동이 적절히 이루어지도록 해야 한다. 따라서 이 경우에 대한 데이터는 전체 데이터 중에서 DO의 변화가 큰 데이터만을 선택 사용하여 RNN 모델 학습에 적합한 형식으로 준비한다.

3.2 RNN 모델 구축

RNN(Recurrent Neural Network) 모델은 시계열 데이터를 다루는 데 적합한 구조로, 과거 데이터의 정보를 기억하고 현재의 입력값에 반영하여 학습할 수 있다. 본 논문에서는 앞절에서 전처리된 하수처리 공정의 시계열 데이터를 기반으로 하여 RNN 모델을 구축한다.

입력 변수는 유입량, 오염 물질 농도, 장비 가동 상태 등 하수처리 공정의 다양한 변수를 포함한다. 이러한 변수들은 시간에 따른 변화가 중요하기 때문에 RNN 모델의 입력값으로 적합하다. 출력 변수는 전문가의 의사결정 과정에서 나타나는 주요 조정 사항들을 출력으로 설정한다. 예를 들어, 블로어의 산소 공급 조정, 슬러지 배출 주기 변경, 화학 물질 투입량 결정 등의 구체적인 조치가 모델의 출력으로 예측된다.

RNN 모델은 과거 데이터를 바탕으로 현재 공정 상태에서 적절한 결정을 내릴 수 있도록 설계되며, LSTM(Long Short-Term Memory)의 심화된 RNN 아키텍처를 적용하여 장기적인 데이터 종속성을 학습할 수 있도록 한다. LSTM은 순환 신경망(RNN)의 한 형태로, 특히 시계열 데이터와 같은 순차적인 정보 처리에 뛰어난 성능을 보인다. 기본 RNN은 시퀀스 데이터에서 장기 의존성(long-term dependencies)을 학습하는 데 어려움을 겪지만, LSTM은 이러한 문제를 해결하기 위해 설계된 구조를 가지고 있고, 하수처리 공정은 반응 측면에서 장기 의존성이 내포된 형태의 공정 특성이 있으므로 LSTM 적용이 가능하다. LSTM은 내부 상태(cell state)와 게이트(gate) 메커니즘을 활용하여 정보를 효율적으로 저장하고 조절한다. 본 논문에 사용되는 LSTM의 구조와 수식은 다음과 같다^[8,9]. LSTM의 기본 구조는 다음과 같은 주요 구성 요소로 이루어진다:

• 셀 상태 (Cell State) : LSTM의 내부 상태로, 정보를 장기적으로 저장하는 역할을 한다. 셀 상태는 이전 상태의 정보를 시간에 따라 전달하며, 필요한 정보는 유지하고 불필요한 정보는 버릴 수 있다.

• 입력 게이트 (Input Gate) : 현재 입력 정보를 얼마나 셀 상태에 추가할지를 결정한다. 입력 게이트는 sigmoid 활성화 함수를 사용하여 0과 1 사이의 값을 생성하며, 이 값은 새로운 정보의 비율을 조절한다.

• 포겟 게이트 (Forget Gate) : 이전 셀 상태에서 어떤 정보를 버릴지를 결정한다. 포겟 게이트 역시 sigmoid 함수를 사용하여 각 정보의 중요도를 평가한다.

• 출력 게이트 (Output Gate): 최종 출력으로 내보낼 정보의 비율을 결정한다. 출력 게이트는 현재 셀 상태와 입력 정보를 고려하여 최종 출력을 생성한다.

이러한 게이트 메커니즘 덕분에 LSTM은 유용한 정보를 선택적으로 기억하고 불필요한 정보를 잊을 수 있는 능력을 가지게 된다.

3.3 모델 학습 및 검증

3.1절의 전처리된 데이터는 학습 데이터와 검증 데이터로 나뉜다. 본 논문에서는 수도권 하수처리장의 3년치 시간 데이터를 사용한다. 이중에 2년치는 RNN의 학습을 위해 사용하고, 1년치는 평가용으로 사용한다. 총 데이터 셋은 3년☓365일☓24시간=26,280개이다. 학습 데이터는 RNN 모델을 훈련시키는 데 사용되며, 모델은 과거와 현재의 데이터를 통해 공정 운영에 대한 전문가의 의사결정 패턴을 학습하게 된다. 학습이 완료된 후에는 검증 데이터를 사용하여 모델이 실제 전문가의 의사결정과 얼마나 일치하는지를 평가한다.

검증 단계에서는 특히 모델이 일반화 능력을 가지고 있는지를 중점적으로 평가한다. 즉, 학습 데이터에 존재하지 않는 새로운 상황에서도 모델이 적절한 결정을 내릴 수 있는지 확인한다. 이를 위해서는 하수 유입량 급증, 기후 변화에 따른 공정 상태의 변동 등 예외적 상황에서도 모델이 올바른 의사결정을 내릴 수 있어야 한다.

3.4 성능검증 및 전문가 경험 검증

전문가 경험의 검증은 성능이 검증된 RNN 모델을(95% 이상 신뢰도) 통해 진행된다. 모델이 예측한 의사결정이 실제로 전문가의 의사결정과 일치하는지, 그리고 그로 인해 공정이 어떻게 최적화되었는지를 분석한다. 평가 지표로는 다음을 포함한다.

• 처리 효율 : 모델이 제안한 결정에 따라 공정의 오염 물질 제거율(BOD, COD 등)이 얼마나 개선되었는지를 평가한다.

• 에너지 소비량 : 산소 공급, 펌프 가동 등의 최적화로 인해 에너지 소비량이 줄어들었는지를 확인한다.

• 화학 물질 사용량 : 모델의 결정에 따라 화학 물질의 투입량이 줄어들면서도 처리 성능이 유지되는지를 분석한다.

이를 통해 RNN 모델이 숙련된 전문가의 경험을 얼마나 잘 모방하고, 공정의 효율성 및 안정성을 최적화할 수 있는지를 검증한다.