With the current trend of the fourth industrial revolution, machine learning technique is increasingly adopted in various water industry fields. In this review paper, recent studies using machine learning to predict flood, water consumption, water quality, and water treatment processes are summarized. In the typical water purification processes such as flocculation, disinfection, and filtration, machine learning was able to present high-accuracy prediction results for complex non-linear mechanisms. Hybrid machine learning methods, combining multiple algorithms, generally outperformed machine learning results using only one algorithm. A more microscopic machine learning approach can provide valuable information to the operators in the water industry.

부영양화 및 적조현상의 발생 등에 따라 최근 영양염류에 대한 방류수 규제 기준이 점차 강화되고 있으며, 이에 따라 방류를 위해 영양염류 제거가 필요하다. 따라서 여러 가지 질소제거 방법들이 사용되고 있으며, 이중 하,폐수처리를 위해 사용되는 생물학적 질소제거 방법이 물리/화학적 처리공법에 비해 친환경적이고, 경제성을 갖춘 방법으로 평가되어 널리 사용되고 있다. 생물학적 질소제거는 두 가지 단계에 의하여 이루어진다. 이 중 첫 번째 단계(질산화)에서는 암모니아가 질산성질소로 산화되고 이 후 두 번째 단계(탈질소화)에서는 종속영양미생물(heterotrophic bacteria)들에 의해 질산성질소가 전자수용체로 사용되어 질소가스로 제거되어진다. 탈질 공정 이전에 질산화 과정에서 유기물이 대부분 소모되기 때문에 종속영양 탈질공정에서는 전자공여체로서의 유기탄소원이 부족하고, 이는 주로 메탄올, 에탄올 등을 사용하여 보충해 준다. 이 실험에서는 음폐수를 제철폐수의 탈질을 위한 대체탄소원으로 음폐수를 사용하여 탈질효율을 평가하였다. 음폐수는 탄수화물, 단백질, 지방 모두 포함된 복합 유기성 폐수이며,이를 탈질공정의 핵심 미생물인 탈질화 박테리아들의 생장에 필요한 탄소원으로 이용가능하기 때문에 적용되기에 용이한 대상물질이다. 다시 말해, 대체탄소원으로 사용 가능한 대상 물질이다. 실험은 duplicate로 수행하였고, 대체탄소원의 종류, 즉 RCS45와 음폐수가 독립변수이며, 탈질속도를 종속변수로 설정하였다. 결과적으로, RCS45와 음폐수를 대체 탄소원으로 사용했을 때, 탈질 속도는 각각 57.6과 36.4로 얻을 수 있었다.