Earticle

초록

영어

The frequency and intensity of localized torrential rains caused by climate change are increasing, exacerbating flood damage in urban areas. Particularly in urban areas near rivers, they have limitations in effectively responding to short-duration heavy rainfall. Therefore, this study developed a Bi-LSTM-based inflow prediction model and a PPO reinforcement learning-based pump operation decision-making system for the drainage pump station in Samcheok City, Gangwon Province. The inflow prediction model was trained using Huff rainfall distributions and 898 SWMM simulation datasets to predict 8-hour inflows from 6-hour input data. It demonstrated an NSE of 0.98 for Huff 1st percentile rainfall and an NSE of 0.90 for Huff 4th percentile rainfall. The pump operation system was trained using the PPO algorithm, designed with five objective functions: flood prevention, safe water level maintenance, energy efficiency, and proactive response. Compared to rule-based operation, it reduced the maximum water level by an average of 0.61m (16.8%) and achieved a maximum reduction rate of 25.6% under 100% drainage capacity extreme conditions. The AI-based pump operation system developed in this study is expected to overcome the limitations of existing reactive responses, enable proactive responses, and contribute to reducing urban flood damage.

한국어

기후변화로 인한 국지성 집중호우의 빈도와 강도가 증가하면서 도시지역의 침수 피해가 심화되고 있다. 특히, 하천 주변 도시지역에서는 배수펌프장을 운영하여 침수 피해를 예방하고 있으나, 단시간 집중호우 에 효과적으로 대응하기 어려운 한계가 있다. 따라서 본 연구에서는 강원도 삼척시 배수펌프장을 대상으 로 Bi-LSTM 기반 유입량 예측모델과 PPO 강화학습 기반 펌프 운영 의사결정 시스템을 개발하였다. 유입량 예측모델은 Huff 강우분포와 SWMM 모의자료 898개를 학습하여 6시간 입력자료로 8시간 유입량 을 예측하며, Huff 1분위 강우에서 NSE 0.98, Huff 4분위에서 NSE 0.90의 성능을 보였다. 펌프 운영 시스템은 침수 방지, 안전 수위 유지, 에너지 효율, 선제적 대응 등 5가지 펌프 제어기준을 설계하여 PPO 알고리즘으로 학습하였다. 규칙기반 운영 대비 최대 수위를 평균 0.61m(16.8%) 저감하였으며, 배수 용량 100% 극한 조건에서 25.6%의 최대 저감률을 달성하였다. 본 연구에서 개발한 AI 기반 펌프 운영 시스템은 기존 반응적 대응의 한계를 극복하고 선제적 대응을 가능하게 하여 도시 침수 피해 저감에 기여할 수 있을 것으로 기대된다.

목차

Abstract
Ⅰ. 서론
1. 연구배경
Ⅱ. 이론적 배경
1. 배수펌프장
2. Huff 강우분포
3. SWMM 모델
4. LSTM(Long Short-Term Memory)
5. Bi-LSTM(Bidirectional-Long Short-Term Memory)
6. PPO(Proximal Policy Optimization, PPO)
Ⅲ. 연구방법
1. 연구 내용 및 범위
2. 대상지역
3. 분석자료
4. 펌프장 유입량 예측 AI모델 구축
5. 펌프 가동대수 의사결정 AI모델 구축
Ⅳ. 분석결과
1. 펌프장 유입량 예측 AI모델 평가지표
2. 펌프장 유입량 예측 결과
3. AI기반 펌프장 운영시스템
Ⅴ. 결론
감사의 글
References
국문초록

키워드

저자

• Sung Wook An [ Ph.D Student, Department of Graduate School of Disaster Prevention, Kangwon National University, Samcheok 25913, Korea ] The 1st author
• Sang Young Bae [ CEO, Taeksan, Room 423, Hyundai Knowledge Industrial Center Han River Misa 1st, 550 Misa-daero ]
• Se Jin Jeung [ Director of Research Institute, Taeksan, Room 423, Hyundai Knowledge Industrial Center Han River Misa 1st, 550 Misa-daero ]
• Byung Sik Kim [ Professor, Department of Department Electronic and AI System Engineering/Graduate School of Disaster Prevention, Kangwon National University, Samcheok 25913, Korea ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  한국위기관리논집 [Crisisonomy]

• 간기

  월간

• pISSN

  2466-1198

• eISSN

  2466-1201

• 수록기간

  2005~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 350 DDC 351