폐수처리 공정에서의 기계학습 및 심층학습 알고리즘의 성능 비교

Abstract

요약 : 본 연구는 폐수처리 공정에서의 기계학습 및 심층학습 기반의 단일 및 변형 알고리즘의 성능을 평가하였다. 보다 구체적으로, 본 연구에서는 기계학습 알고리즘으로 서포트 벡터 머신(Support vector machine, SVM), 랜덤 포레스트(Random forest, RF) 및 인공 신경망(Artificial neural network, ANN), 그리고 심층학습 알고리즘으로는 장단기 메모리(Long short-term memory, LSTM)를 채택하였다. 이러한 단일 알고리즘의 성능은 초매개변수 조정, 앙상블 학습(기계 학습만 적용), 및 다중 레이어 스태킹(2층의 LSTM 레이어 구조)을 거친 변형된 모델의 성능과 비교되었다. 평가에 사용된 모든 알고리즘은 2017년부터 2022년까지 청주 국가산업단지 폐수처리 공정의 일별 유출수를 입력 자료로 사용하였으며, 모델의 성능은 평균제곱오차(Mean squared error, MSE)를 기준으로 평가되었다. 모델 성능 평가를 위해 9개의 관측 항목 중 유량과 생물화학적 산소요구량은 독립 변수로 선택되었다. 평가 결과, 모든 기계학습 알고리즘의 성능은 경쟁 알고리즘인 LSTM에 비해 보다 우수한 것으로 조사되었다. LSTM에 제공된 작은 입력 데이터 양과 불안정한 방류수 폐수 특성에 기인한 것으로 판단된다. 한편, 초매개변수 조정은 평가에 사용된 모든 알고리즘의 성능을 향상하였다. 그러나, 기계학습에 적용된 앙상블 학습과 2층 구조의 LSTM은 독립 변수에 관계없이 단일 알고리즘들의 성능과 비교하여 성능의 저하를 야기하였다. 따라서, 이러한 결과들은 변형 알고리즘(특히 모델의 구조 및 성능 향상 과정들)의 주의 깊은 설계와 평가를 요구하는 것으로 판단된다.