1. 하수처리 기술의 발전 과정

초기의 하수처리 기술은 공공수역을 깨끗하게 보전하고 방류수의 오염물질을 관리하는 데 중점을 두었다. 당시에는 외국 기술력에 크게 의존하였기 때문에 하수처리 기술이나 하수도 재원 확보에 많은 어려움이 있었다. 1980년대 하수처리시설의 증설과 하수관로의 확장이 급속하게 진행되었지만, 수질오염 사고가 집중적으로 발생했다. 이러한 상황에서 나타난 물관리 정책은 하수도 기술 발전에 큰 영향을 끼쳤다. 2000년 이후 국내 하수도는 고도화·선진화의 길에 진입하였고, 2014년에는 하수도 보급률이 92%를 넘어섰다. 기존의 혐오시설로 인식되어 왔던 하수처리시설을 지하화하는 사업과 함께 시설의 상부 공간이 지역 주민을 위한 편의시설로 활용되면서 하수도에 대한 범국민적 인식이 전환되고 있다.

노후화된 기존 시설을 개선하기 위한 현대화 사업이 진행 중이며, 단순한 시설 개량을 넘어 시민 친화적인 환경 공간으로의 변화를 꾀하고 있다. 또 물의 재이용을 촉진하여 물자원의 효율적인 활용과 수질에 미치는 해로운 영향을 줄이면서 지속 가능한 물 자원의 이용을 도모하는 계획이 실행 중이다. 2020년 환경부는 스마트 하수도 선도 사업을 추진하고 있는데, 스마트 하수도란 하수처리 전 공정에 빅데이터, 지리정보시스템(GIS: Geographic information system), 인공지능 등 첨단 IT 기술을 도입하여 신뢰할 수 있는 자료를 기반으로 한 과학적인 하수도 운영 관리를 가능하게 하는 시스템을 말한다. 스마트 하수도 사업의 분야별 계획으로는 스마트 하수처리장, 스마트 하수관로 도시 침수 대응, 스마트 하수관로 하수 악취 관리, 하수도 자산관리 등이 포함된다.

2. 인공지능과 머신러닝, 딥러닝

일반적으로 인공지능(Artificial Intelligence)은 인간의 지능적인 행동(학습, 문제 해결, 의사 결정 등)을 모방하는 넓은 개념으로, 컴퓨터 시스템을 통해 이를 구현하는 포괄적인 분야를 의미한다. 머신러닝(Machine Learning)과 딥러닝(Deep Learning)은 인공지능을 구현하기 위한 접근 방식에 해당하는 개념으로, 머신러닝은 프로그래밍하지 않고도 데이터를 통한 학습이 가능한 컴퓨터 시스템을 의미한다. 딥러닝은 머신러닝의 한 종류라고 할 수 있는데, 인간의 뇌 구조를 모방한 인공신경망(Artificial Neural Network/ANN)을 이용해 더 복잡한 학습을 가능케 한다(그림 1). 인공신경망의 특징은 여러 층(Layer)이 존재한다는 것인데, 층이 많을수록(깊을수록: Deep이라는 명칭이 여기서 유래) 각 층에 해당하는 정보가 많아져 더 복잡하고 정교한 문제의 해결에 활용된다.
 

다양한 상황에서 생성된 대량의 데이터에서 패턴을 찾거나 예측하는 것이 머신러닝의 일반적인 목표라 할 수 있다. 또 머신러닝에 활용되는 정보에는 각각의 레이블(Label)이 지정되며, 방대한 양의 데이터 세트를 사용하여 학습하게 된다. 사물인터넷(IoT: Internet of Things)이라는 용어는 인터넷이나 다른 통신 네트워크와 연결할 수 있는 객체의 네트워크를 말하는 것으로, 이러한 객체에는 종종 환경 감지와 같은 프로세스를 용이하게 하는 소프트웨어 및 하드웨어 기술이 탑재된다. 수자원 응용 분야에서는 각종 수질 및 환경 특성을 감지하는 센서를 포함한 인터넷 지원 시스템이 활용되어 현장에서 측정된 정보를 수집할 수 있다. 머신러닝 방법이 적용된 인공지능 모델에 결합하는 스마트 센서 및 사물인터넷을 사용한 기술은 하수처리, 폐수처리, 수질 관리 및 수경 재배를 통한 농업 분야 등 다양한 분야에서 활용되고 있다.

3. 하수처리 분야에서의
인공지능 기술의 응용

하수처리 분야에서의 기술 개발은 활성슬러지법(Activated sludge process)을 바탕으로 한 생물학적 처리 공정의 발전으로 이어졌다. 활성슬러지법은 하수를 처리하는 과정에서 대기 중의 산소를 충분히 공급하여(호기성 세균의 산화작용을 촉진해) 물속의 유기물을 분해하고 정화하는 방법이다. 여기에 고도처리 공법을 적용하여 유기물뿐 아니라 물속의 질소 및 인을 제거하는 기술로 발전됐다. 운영 관리 중인 전국의 하수처리시설은 다양한 공법이 현장 상황에 맞게 선택 및 적용되고 있으며, 운영 관리상의 효율 및 처리 기술의 안정성이 특별히 강조되고 있다.

머신러닝은 하수처리시설의 운영 및 관리, 기술 최적화, 수질 모니터링 및 예측을 위한 목적으로 자주 활용된다. 하수에 포함된 오염물질은 처리되기 전에 수질 특성이 평가되어야 하는데, 다양한 수질 데이터를 모니터링하여 수집한 정보를 통해 분석에 시간이 많이 소모되는 대장균 농도를 실시간으로 예측하는 시스템이 제안되고, 수집된 정보 분석을 통해 암모니아 및 염소(Cl) 농도를 모니터링하는 시스템이 발표되기도 했다. 하수처리 과정에서 비교적 쉽게 측정이 가능한 항목들의 방대한 정보를 분석하여 항목별로 가중치를 다르게 적용하여 실제 원하는 결괏값과 상관성이 떨어지는 변수들을 억제함으로써 유의미한 상관관계를 도출해 낼 수 있다.

머신러닝 기술은 과거에 측정이 이루어진 방대한 데이터를 분석하여 하수처리 시스템을 최적화하는 데 사용되고 있다. 특히 막 여과, 역삼투, 오존 처리 및 흡착 등을 적용한 시스템에 적용되어 기술의 최적화에 기여하고 있다. 또한 혐기성 소화 공정에서의 변수들을 분석하여 처리 과정에서 발생하는 바이오가스의 생산을 예측하는 데 적용되기도 했다. 마찬가지로 머신러닝 기술을 통해 밝혀진 결과를 바탕으로 미량 오염물질(Micro-pollutants) 및 새로운 오염물질을 포함한 폐수처리를 위해 활용될 수 있을 것이다.

4. 하수처리시설 위기관리 시스템의 개발

하수처리시설 운영 관리의 중요성이 강조되는 현재, 하수처리시설로 유입되는 하수 및 수생태계로 배출되는 처리수의 수질 특성을 모니터링하여 시설 운영의 최적화 및 안정적인 수질 달성을 위한 머신러닝 기술의 적용이 필요하다. 특히 생물학적 하수처리 공정의 핵심이라 할 수 있는 호기성 미생물의 생화학적 반응이 처리 과정 동안 안정적으로 유지해야 한다.

모든 폐기물의 해양 투기가 완전 금지된 이후로, 공공하수처리시설로의 연계 처리를 통한 다양한 폐수 처리가 시행되면서 연계 처리에 대한 엄격한 관리 규정이 마련되어 있으나, 공공하수처리시설로 유입되는 불명확한 폐수로 인해 안정적인 처리가 위협받는 사례가 증가했다. 허용된 범위를 초과하여 하수관로를 통해 무단으로 유입되는 폐수로 인해 미생물의 활성이 저하되고, 심한 경우 사멸하는 경우가 발생할 수 있다. 이 경우 방류수 수질 기준을 초과하는 미처리된 물이 공공수역으로 배출되는 위험이 발생한다.

지금까지 하수처리시설의 운영 관리는 수질 사고가 발생한 이후에 이를 수습하는 방식으로 행해져 왔다. 따라서 하수처리 공정에서 발생할 수 있는 위기 상황을 예측하여 수질 사고를 예방하는 기술 개발이 필요하다. 하수처리시설 운영 시 오염물질 부하의 설계 범위를 초과하여 하수가 유입되거나, 미생물의 생존을 위협하는 다양한 유해물질의 유입이 발생할 경우, 변화를 감지하기 위한 다양한 센서 기술이 존재한다. 다양한 센서를 활용하여 하수처리 공정의 각 단계에서 모니터링이 가능하며, 이는 공정의 효율성과 공공 안전을 유지하는 데 활용될 수 있다. 그러나 센서를 활용한 기술은 센서를 추가할 때와 유지 관리에 비용이 많이 들며, 신뢰할 수 있는 데이터를 생산하기 위해 별도의 실험이 추가될 수 있다. 따라서 고비용의 센서 기술을 적용하는 대신 비교적 관리가 쉽고 측정이 간편한 항목의 측정으로 원하는 항목을 정확하게 추정할 방법의 개발이 요구되고 있으며, 이러한 기술을 소프트 센서 기술이라 한다.

위기관리 시스템은 하수처리 공정 내 미생물의 활성 및 생존을 추정하기 위한 소프트 센서 기술의 개발이라고 할 수 있다. 하수처리 과정에서 오염물질 처리에 관여하는 미생물의 활동을 추정하기 위해 용존산소(DO)의 실시간 모니터링을 실시하였으며, 처리 공정의 다양한 변수의 정보를 수집했다. 위기관리 시스템에 적용된 소프트 센서 기술은 하수처리시설의 본 처리 공정에서 이루어지는 것이 아니라 별도의 반응조에 적용된다. 하수처리 과정에서 호기성 미생물은 산소를 소모하여 오염물질을 제거하기 때문에 용존산소 농도를 모니터링함으로써 미생물의 활동을 추정할 수 있다(그림 2).

예를 들어 고농도 유기물을 함유한 폐수가 하수관로를 통해 혼합하여 유입되었을 경우, 처리 공정 내 미생물의 활성이 급증하여 용존산소 농도는 떨어지며, 미생물의 처리 능력을 넘어서는 고농도 유기물이 함유된 경우에는 방류수 수질 기준을 초과하는 미처리된 처리수가 수계로 배출될 수 있다. 또한 미생물의 활성을 저해하고 사멸시키는 유해물질이 포함된 폐수가 유입될 경우, 미생물의 활성이 저해되어 용존산소 농도가 증가할 수 있으며, 정상적인 하수처리가 이루어지지 않을 수 있다.

위기관리 시스템은 용존산소 농도를 모니터링하는 것 외에도 유입원수의 유량, 슬러지 체류 시간(SRT), pH 등과 같은 값이 실시간으로 수집되며 MLSS, TOC, T-N, T-P 등의 실험을 통한 분석값이 머신러닝에 활용된다. 머신러닝의 결과로 안전지대에 해당하는 용존산소 농도가 정해지며, 해당 허용 범위를 초과하거나 미달하는 용존산소 농도가 감지되었을 때 안전 경보가 발생하며, 관리자에게 해당 내용이 전파되는 방식이 적용된다. 따라서 불명확한 유입수로 인한 본 처리 시설의 처리 불능 상태를 사전에 파악하여 대처할 수 있으며, 안정적이고 효율적인 하수처리시설 운영 관리에 도움을 줄 수 있다. 현재 1차 모델(용량-1m3)을 실제 하수처리시설 현장에 적용하여 시운전을 완료하였고, 2차 모델(용량-100L)이 시범 운전 중이며, 향후 3차 모델을 통한 소형화 및 다른 현장으로의 확대 보급을 계획 중이다.

kwseo@isg.kr