혐기성 MBR 바이러스 예측 모델 일반화

유입수 및 유출수의 동적 변화와 막여과층을 통과하며 발생하는 유출수 품질 변화는 기계 학습(ML) 모델의 일반화를 저해하는 주요 요인이다. 특히 미지의 데이터에서 박테리아 및 바이러스 오염물질을 예측하는 모델 개발에 큰 어려움이 따른다. 본 연구는 이러한 문제를 해결하기 위해 두 가지 모델 일반화 패러다임을 제안한다. 사우디아라비아의 서로 다른 도시에 위치한 두 혐기성 막분리 생물반응조(AnMBR) 기반 폐수처리장에서 물리화학적 매개변수, 바이러스 측정법, PCR 기반 데이터를 활용하여 바이러스 입자를 예측하고 로그 제거 값(LRV)을 평가했다. 제안된 패러다임은 평생 학습(lifelong learning)과 제로샷 일반화(zero-shot generalization) 프레임워크에 기반한다. 평생 학습 접근법은 지식 기반 적응 모듈과 공유 사전, 그리고 지연된 출력 측정을 통해 바이러스 입자를 예측하는 로컬 ML 예측기를 통합한다. 제로샷 일반화 접근법은 듀얼 어텐션 트랜스포머 모델을 기반으로 하며, 시간 및 입력 어텐션 메커니즘을 통해 핵심 수질 입력 특성을 적응적으로 우선순위화하여 바이러스 병원체를 추정한다. 두 접근법 모두 미지의 AnMBR 기반 폐수 매트릭스 및 폐수처리장에서 일반화 및 견고성을 보장했다. 아데노바이러스, 대장균 파지, CrAssphage, 고추 순한 얼룩 바이러스 및 총 바이러스 농도를 예측하고 다양한 폐수 매트릭스 및 폐수처리장에서 LRV를 통해 오염물질 제거 성능을 추정함으로써 그 유효성을 검증했다. 본 연구 결과는 AnMBR 시스템에서 바이러스 오염물질 예측 및 제거 효율 평가의 신뢰성을 높여, 폐수 재이용 및 공중 보건 보호에 기여할 수 있는 고급 모니터링 및 제어 전략 개발에 중요한 기반을 제공한다.