하수처리장(WWTP) 수질 예측에 머신러닝(ML) 모델이 다양하게 적용되고 있으나, 성능 평가 지표의 선택과 해석에는 상대적으로 관심이 적었습니다. 대부분의 연구는 RMSE, MAE, MAPE, R² 등 일반적인 회귀 지표에 의존하지만, 이들은 해석 가능성, 데이터 이상치 민감도, WWTP와 같은 동적이고 노이즈가 많은 환경에 대한 적합성에서 큰 차이를 보입니다.
본 연구는 27가지 성능 평가 지표에 대한 체계적인 문헌 분석을 바탕으로, 지도 학습 기반 WWTP 모델링 맥락에서 각 지표의 이론적 토대, 강점, 한계, 적용 가능성을 비판적으로 검토합니다. 통계적 지표 외에도 잔차 플롯이나 실패 예측 플롯과 같은 보완적인 그래픽 기법을 탐색하여, 순수 수치 지표가 간과할 수 있는 모델 동작에 대한 심층적인 통찰을 제공합니다.
주요 성과로는 데이터셋 특성, 모델링 목표, 프로젝트 제약 조건에 따라 적절한 평가 지표를 선택하도록 돕는 실용적인 의사결정 흐름도를 개발한 것입니다. 또한, 수치 지표를 넘어 모델 성능을 평가하는 데 사용된 그래픽 방법론의 참조 도구 키트를 요약했습니다.
이러한 자료는 연구에서 보다 정보에 입각하고 투명한 지표 선택을 촉진할 뿐만 아니라, 하수 처리 실무자들에게 모델 출력 해석, 예측 접근 방식 비교, 신뢰할 수 있는 공정 모니터링 및 운영 의사결정에 가장 적합한 모델 식별을 위한 실행 가능한 도구를 제공합니다.
하수처리장(WWTP) 공정은 복잡하고 비선형적인 특성으로 인해 분석, 모델링 및 제어가 어렵습니다. 본 연구는 머신러닝(ML), 특히 딥러닝(DL) 기술을 활용하여 하수처리 공정을 최적화하는 방안을 탐구합니다. 복잡한 물리화학적 공정 모델링, 핵심 수질 지표 실시간 모니터링 및 예측, 화학 반응물 소비량 및 에너지 소비량 절감, 방류수 품질 예측, 의사결정 지원을 위한 데이터 기반 모델 개발 등 산업 플랜트의 하수처리 공정 최적화에 ML 및 DL을 체계적으로 적용하는 사례를 중점적으로 다룹니다.
상세 분석을 위해 2010년 이후 발표된 논문 중 하수처리(wastewater)와 ML, DL, 인공지능(AI)을 결합한 87편의 논문을 선정했습니다. 초기 324편의 논문 중 Litmaps를 통해 5개 주요 과학 데이터베이스에서 얻은 300편의 논문을 검토하여 연구 목적에 부합하는 논문을 선별했습니다.
본 연구는 기존 연구의 한계를 파악하고, 하수처리 공정 최적화 맥락에서 ML 및 DL 알고리즘을 논의하며, 데이터 기반 방법을 통한 향후 공정 최적화 방향을 제시합니다. 기존 모델과 달리 AI 모델(ML, DL, 하이브리드 및 앙상블 모델, 디지털 트윈, IoT 등)은 수질 지표 예측 및 예보, 에너지 소비량 예측, 시계열 패턴 인식, 규제 준수를 위한 최적 해석 가능성 등에서 상당한 이점을 보였습니다.
이러한 첨단 ML 및 DL 기술을 하수처리 공정에 통합함으로써, 복잡한 시스템의 효율성을 극대화하고 운영 비용을 절감하며 환경 규제 준수 능력을 향상시킬 수 있음을 시사합니다. 이는 지속 가능한 하수처리 시스템 구축에 중요한 기여를 할 것입니다.
