[영국] 머신 러닝을 통한 주요 오염 증가 방지

공해 제로를 달성하기 위해 유틸리티 기업에 가해지는 압력으로 인해 하수에 대한 투자와 실행 계획이 가속화되고 있다. 그러나 간선 하수거의 증가로 고유한 문제를 제기되고 있다. 기술 전문가인 Ovarro의 분석 혁신 담당자인 조지 헤이우드(George Heywood)는 기존 데이터를 보다 효율적으로 분석하면 리스크를 완화할 수 있다고 말한다.

영국의 수도 회사들은 환경청과 Ofwat의 더 많은 조치에 대한 기대에 부응하여 긴급한 마음으로 오염 저감 전략을 수립하고 있다.

펌프장에서 처리 시설으로 폐수를 펌핑하는 가압 파이프인 상승하는 간선 하수거에 특히 초점을 맞춰야 한다. 이러한 자산은 고위험성 중요 자산이지만, 영국의 많은 지역에서 노후화가 진행되고 파열에 더욱 취약해지고 있기 때문에, 사전 예방적 유지관리 및 투자 프로그램을 통해서는 더 이상 악화 속도를 따라잡기 어려울 수 있다.

종종 강, 철도 및 도로 아래를 비롯한 접근하기 어려운 외딴 장소와 환경적으로 민감한 지역에 위치한 폭발적 주 상승은 고객, 규제 기관 및 이해관계자들이 용납할 수 없는 결과를 초래할 수 있는 재앙적 영향을 미칠 수 있다.

증가하는 간선하수거 모니터링의 기술적 및 물류적 한계로 인해 유틸리티는 사건 발생 후 몇 시간 또는 며칠 이내에 경보를 받을 수 있다. 오염을 막을 조치를 취하기에는 너무 늦다. 따라서 비용이 많이 드는 정화 작업, 벌금, 기소 그리고 장기적인 평판 훼손이 그 결과일 가능성이 높다.

머신 러닝(Machine Learning)을 포함한 데이터 과학 및 인공지능의 발전은 이 부문이 예를 들어 높은 유량에 대한 경보 임계값을 설정하는 기본을 넘어설 수 있다는 것을 의미한다. 즉시 사용 가능한 데이터를 거의 실시간으로 정밀하게 분석하는 것은 이제 증가하는 주요 활동에 대한 훨씬 더 신뢰할 수 있는 모니터링이 가능함을 의미한다.

Ovarro의 클라우드 기반 조기 경고 시스템인 BurstDetect는 다양한 모니터링 주파수 범위에서 데이터를 수신하여 '정상' 펌프소 동작을 이해하고 특성을 분석한다. 잠재적 파열이 감지되는 경우, 종종 사고 발생 후 30분 이내에 제어실로 경보가 전송되어 과거 반응 시간이 크게 향상된다.

머신 러닝에 대한 이러한 '교육 및 테스트' 접근 방식은 물 회사들에게 점점 더 중요해지고 있으며, 물 회사들에게 그 어느 때보다 실행 가능한 통찰력을 제공하고 있으며, 그렇지 않으면 활용되지 않았을 수도 있는 데이터를 활용하고 있다. 이용 가능한 데이터가 너무 많기 때문에, 인간 스스로 정보를 처리하고 분석하는 것은 불가능하다. 올바른 기술과 프로세스를 갖추면 유틸리티 기업이 실시간 및 예측 기능을 신속하게 늘릴 수 있는 단계가 마련된다.

BurstDetect를 위해 생성된 알고리즘과 같은 자동화된 알고리즘은 언제든지 개선할 수 있으며, 물 회사가 이 기술을 구현하기 시작하면 Ovarro의 데이터 과학자들과 협력하여 경고의 정확도를 평가할 것이다. BurstDetect의 알고리즘은 지속적인 피드백을 통해 이 데이터 세트를 늘림으로써 기술을 지속적으로 개선할 수 있습니다.

유틸리티 업체는 모니터링할 수 있는 수천 개의 펌핑장을 보유하고 있지만, 규제 당국은 주 오염의 증가를 용납할 수 없는 것으로 간주하고 있으며, 따라서 더 넓은 지역사회가 환경에 영향을 미치는 사고에 점점 더 민감해지고 있다. 최신 디지털 기술에 액세스할 수 있게 되면 운영자의 손에 오염 방지가 주어지며 유틸리티 기업이 환경 보호에 대한 노력을 입증하고 이를 이행하기 위한 중요한 역할을 하게 된다.

[출처 =Wateronline(https://www.wateronline.com/doc/preventing-rising-main-pollutions-through-machine-learning-0001) / 2021년 7월 8일]