수변화된 물망을 위한 진화 기반 염소 제어 최적화

초록

본 논문은 EPANET 시뮬레이터를 대체하는 신경망 서러게이트 모델과 NEAT 기반 신경망 진화를 결합해, 물 배급망에서 염소 주입을 다목적 최적화하는 프레임워크를 제시한다. NSGA‑II로 총 투입량 최소화, 농도 균일성, 안전 상한 초과 방지, 시간적 평활성 네 가지 목표를 동시에 고려하며, 진화된 정책은 PPO 등 기존 강화학습 대비 우수한 파레토 전선을 만든다.

상세 분석

이 연구는 물 배급 시스템(WDS)의 복잡한 유체·화학 상호작용을 실시간 제어하기 위해, 두 단계의 학습 구조를 도입한다. 첫 번째 단계는 EPANET 기반 하이드롤릭·수질 시뮬레이터에서 생성된 대규모 데이터셋을 이용해, 입력(센서·플로우)과 출력(염소 농도·시스템 상태)을 매핑하는 다층 퍼셉트론 형태의 서러게이트 모델을 학습한다. 서러게이트는 물리적 제약을 명시적으로 포함하지 않지만, 충분한 시뮬레이션 데이터를 통해 비선형 흐름과 반응 메커니즘을 근사한다. 두 번째 단계는 Evolutionary Surrogate‑Assisted Prescription(ESP) 프레임워크 안에서 NEAT(Neuroevolution of Augmenting Topologies)를 활용해 제어 신경망(프리스크립터)을 진화시킨다. 여기서 각 개체는 센서·플로우 정보를 입력받아 5개의 부스터 노드에 대한 염소 주입량을 출력한다. 진화 과정은 NSGA‑II에 의해 다목적 적합도 함수를 평가받으며, 네 가지 목표는 (1) 총 염소 투입량 최소화, (2) 네트워크 전반의 농도 편차 최소화, (3) 최대 농도가 규제 한계 초과 방지, (4) 연속적인 시간 단계에서 주입량 변화 최소화(평활성)이다. 서러게이트 모델을 이용해 각 개체의 행동을 빠르게 시뮬레이션함으로써, 실제 EPANET 호출 비용을 크게 절감하고 진화 탐색 폭을 확대한다. 진화가 진행될수록 서러게이트는 베스트 개체들의 실제 시뮬레이션 결과를 추가 학습 데이터로 받아 재학습되며, 이는 ‘가상-실제’ 피드백 루프를 형성한다. 실험 결과는 파레토 전선이 PPO 기반 정책보다 전반적으로 우수함을 보여준다. 특히, 염소 사용량을 15 % 이상 절감하면서도 농도 균일성을 유지하고, 안전 상한 초과 사건을 현저히 감소시킨다. 또한, 진화된 정책은 다양한 시나리오(계절·수요 변동·오염 사건)에서 견고한 성능을 보이며, 다목적 최적화가 단일 목표 강화학습보다 현실적인 운영 요구를 더 잘 반영한다는 점을 강조한다.