정수처리 공정에서 혼화⋅응집⋅침전 공정은 원수 탁도 제거와 처리수 수질 안정성을 결정하는 핵심 단위 공정이다. 그러나 최근 기후와 유역 환경 변화로 인해 원수 수질 변동성이 증가함에 따라 기존 운영자 경험에 의존한 응집제 주입농도 결정 방식에는 한계가 있다. 본 연구에서는 파일럿 규모의 혼화⋅응집⋅침전 공정을 대상으로 인공지능 기계학습 기반 응집제 주입농도 예측 모델의 적용 가능성을 평가하고자 하였다. 이를 위해 유입수의 수온, 탁도, pH, 전기전도도, 알칼리도, 유량 및 24시간 전 응집제 주입농도를 입력 변수로 활용하여 Ridge Regression, Lasso Regression, Decision Tree, Random Forest, ANN(Artificial Neural Network), DNN(Deep Neural Network), 그리고 RNN(Recurrent Neural Network) 등 총 7개의 기계학습 모델을 포함하는 Model Bank 형태의 예측 방안을 적용하였다. Model Bank에서의 모델 성능 평가는 RMSE(Root Mean Square Error)를 기준으로 수행하였으며, 각 시점에서 RMSE가 가장 낮은 모델을 선택하여 응집제 주입농도를 산정하였다. Model Bank 기반 분석 결과, Random Forest 모델이 평균 RMSE 0.866로 가장 우수한 예측 성능을 나타냈으며, 모델 선택 빈도에서도 가장 높은 비율을 보였다. 예측모델 기반 산정된 응집제 주입농도를 적용한 결과, 평균 응집제 주입농도는 기존 정수장 운영 조건의 10.67 mg/L에서 7.03 mg/L로 감소하여 약 34.1%의 응집제 사용량 절감 효과가 나타났다. 파일럿 공정에서 측정된 침전 처리수 탁도는 평균 0.33 NTU로 실제 정수장의 평균 0.26 NTU와 유사한 수준을 유지하였으며, 대부분 0.5 NTU 이하로 안정적으로 유지되는 것으로 확인되었다. 이러한 결과는 인공지능 기계학습 기반 예측 모델이 파일럿 규모 응집⋅침전 공정에서 응집제 주입농도 제어와 침전 공정의 처리수 탁도 관리에 효과적으로 적용될 수 있음을 보여준다. 또한 Model Bank 기반 접근은 공정 조건 변화에 따라 최적 모델을 선택함으로써 단일 모델 기반 예측 값에 비해 보다 안정적인 공정 운영을 가능하게 할 수 있음을 확인하였다.

In water treatment processes, the coagulation-flocculation-sedimentation process is a critical unit operation that determines raw water turbidity removal and the stability of treated water quality. However, increasing variability in raw water quality due to climate change and watershed environmental changes has reduced the effectiveness of conventional coagulant dosage determination methods that rely on operator experience. In this study, a machine learning-based prediction model for coagulant dosage was developed, and its applicability was evaluated using a pilot-scale coagulation-flocculation- sedimentation process. Water temperature, turbidity, pH, electrical conductivity, alkalinity, flow rate, and the coagulant dosage applied 24 hours prior were used as input variables. A Model Bank-based approach incorporating seven machine learning models: Ridge Regression, Lasso Regression, Decision Tree, Random Forest, ANN(Artificial Neural Network), DNN(Deep Neural Network), and RNN(Recurrent Neural Network) was applied. Model performance was evaluated using the RMSE(Root Mean Square Error), and comparative analysis was conducted to identify the most suitable model. The results showed that the Random Forest model exhibited the best overall prediction performance, with an average RMSE of 0.866 and the highest selection frequency. When applied to the pilot process, the predicted coagulant dosage reduced the average dosage from 10.67 mg/L under conventional operation to 7.03 mg/L, corresponding to a reduction of approximately 34.1%. In addition, the turbidity of the sedimentation effluent in the pilot system was maintained at an average of 0.33 NTU, comparable to 0.26 NTU observed in the full-scale plant, and remained below 0.5 NTU for most of the operational period. These results demonstrate that machine learning-based prediction models can be effectively applied to optimize coagulant dosing and maintain stable effluent turbidity in pilot-scale water treatment processes.

요약문
ABSTRACT
1. 서 론
2. 연구방법
    2.1 데이터 수집
    2.2 예측모델 구성
    2.3 데이터 전처리 및 모델 학습
    2.4 모델 구현
    2.5 성능 평가 지표
    2.6 파일럿 플랜트 공정 구성
3. 결 과
    3.1 기계학습 모델 성능 비교
    3.2 최적 모델 기반 응집제 주입농도 제어 적용 결과
    3.3 모델 적용 전후 처리수 탁도 비교 평가
4. 결 론
사 사
References

• 안주석(한국건설기술연구원 환경연구본부, 연세대학교 건설환경공학과) | Jusuk An (Korea Institute of Civil Engineering and Building Technology, Yonsei University, Department of Civil Environmental Engineering)
• 오창석(한국건설기술연구원 환경연구본부) | Changseog Oh (Korea Institute of Civil Engineering and Building Technology)
• 연승재(한국건설기술연구원 환경연구본부) | SeungJae Yeon (Korea Institute of Civil Engineering and Building Technology)
• 이복진(한국건설기술연구원 환경연구본부) | Bokjin Lee (Korea Institute of Civil Engineering and Building Technology)
• 오현제(한국건설기술연구원 환경연구본부, 과학기술연합대학원대학교) | Hyun Je Oh (Korea Institute of Civil Engineering and Building Technology, University of Science & Technology) Corresponding author