한국자원공학회지 J. Korean Soc. Miner. Energy Resour. Eng. Vol. 55, No. 6 (2018) pp. 649-659, https://doi.org/10.32390/ksmer.2018.55.6.649 ISSN 2288-0291(print) ISSN 2288-2790(online) 기술보고 딥러닝기법을활용한매립가스발전소포집공의메탄가스농도예측 원승현 1) 서대호 2) 박대원 3) * Forecasting Methane Gas Concentration of LFG Power Plant Using Deep Learning Seung-hyun Won, Dae-ho Seo and Dae-won Park* (Received 12 October 2018; Final version Received 19 December 2018; Accepted 20 December 2018) Abstract : In this study, after operational data for a landfill gas power plant were collected, the methane gas concentration was predicted using a deep learning method. Concentrations of methane gas, carbon dioxide, hydrogen sulfide, oxygen concentration, as well as data related to the valve opening degree, air temperature and humidity were collected from 23 pipeline bases for 88 matches from January to November 2017. After the deep learning model learned the collected data, methane gas concentration was estimated by applying other data. Our study yielded extremely accurate estimation results for all of the 23 pipeline bases. Key words : Landfill gas, Power plant, Deep learning, Landfill 요약 : 본연구는매립장매립가스발전소를대상으로발전소운영데이터들을수집후, 딥러닝 (Deep Learning) 기법을적용하여향후메탄가스농도를예측하였다. 2017년 1월부터 11월까지 88일치에대해서 23개포집공에서메탄가스농도, 이산화탄소농도, 황화수소농도, 산소농도, 밸브개방정도, 기온, 습도데이터를수집하였다. 수집데이터로딥러닝모델을학습한후실제데이터와비교하였다. 추정결과 23개포집공모두에서매우정확한추정결과를보였다. 주요어 : 매립가스, 발전소, 딥러닝, 매립장 서 화석연료고갈에대비한대체에너지를개발하고지구온난화를유발하는메탄가스등온실가스를저감할필요성이전세계적으로제기되고있으며, 우리나라는기후변화협약당사국으로국가온실가스배출량을산정하고국가보고서의형태로보고하여야할의무를부여받고있다 (Ministry of Environment, 2006). 한국은 2030 년온실가스배출전망치대비 (BAU) 37% 감축목표를제출했으며, 유럽연합은 2030 년까지절대량 40% 감축을목표로제출했으며, 중국은 2030 년까지국내총생산 (GDP) 대비배출량기준 60~65% 감축을목표로하고있다 (Korea Energy Economics Institute, 2016). 론 1) 하나티이씨 2) 연세대학교정보대학원 3) 서울과학기술대학교에너지환경대학원에너지환경공학과 *Corresponding Author( 박대원 ) E-mail; daewon@seoultech.ac.kr Address; Graduate School of Energy and Environment, Seoul National University of Technology, Seoul, Korea 우리나라는전세계가주목하고있는 OECD 회원국으로파리협정이후온실가스저감대비가긴요한상황이므로, 온실가스를제거할수있는방안을찾아야한다. 기후변화협약은세계각국이지속가능한성장을위해공동의노력을기울여대기중의온실가스농도를안정화시킴으로써지구의환경변화를최소화하는목표를가지고있다. 이러한온실가스감축목표를달성하기위해서는국내각부문별전략이필요한상황이다. 지구온난화를유발하는메탄가스등온실가스를저감할필요성이제기되고있는가운데태양광, 풍력, 폐기물등을이용한신재생에너지원은현실적으로무한한개발잠재력을갖고있고실질적인부가가치를창출하는자원으로각광받고있다. 특히매립가스자원화는이미선진국에서오래전부터진행해왔던사업이며국내에서도매립가스를이용한발전시설이운영되고있다. 2016 년전세계의이목을집중시킨구글딥마인드의인공지능바둑프로그램인알파고 (AlphaGo) 의등장은인공지능과이를구현하는기계학습, 딥러닝기법에대한관심을급속도로확산시킨계기가되었다. 인공지능 (Artificial 649
650 원승현 서대호 박대원 Intelligence, AI) 이란사고나학습등인간이가진지적능력을컴퓨터를통해구현하는기술이며 (Won et al., 2016) 인간처럼생각하고행동하며이성적으로생각하며행동하는시스템으로정의하였다 (Russell et al., 2003). 인공지능을구현하기위해서는데이터가필요하며, 양질의많은데이터를보유할수록인공지능은우수해질수있다 (LeCun et al., 2015). 신재생에너지분야도이러한변화의물결속에데이터및인공지능을활용한매립가스발전소서비스개발요구가증대되고있다. 그러나 W 시매립장매립가스발전소에서기록되고있는메탄가스농도, 이산화탄소농도, 황화수소농도, 전력생산량, 가스소모량, 온도, 강우량데이터를이용하여기계학습또는딥러닝분석을한연구는거의없는실정이다. 본연구에서는매립가스발전소운영에필요한빅데이터 인공지능모델개발의일환으로매립장매립가스발전소를대상으로발전소운영데이터들을검토하여데이터들간의관계를알아보고, 딥러닝기법을적용하여이러한관계를학습 추정하는인공지능모델을구축하는것을목표로한다. 현재, IPCC(Intergovernmental Panel on Climate Change) 에서는매립장에서발생하는메탄발생량산정방법의일관성을유지하기위해전매립지에대해동일한방법을적용하도록권고하고있으며 (IPCC, 1997), 매립장에서발생되는매립가스를포집하기위해서는포집공을통하여포집하게된다. 포집공은발전기시설에설치된루츠브로워 (Roots Blower) 를통해매립가스를강제포집하게되며, 폐기물층에서발생하는매립가스뿐만아니라대기중의공기도복토층을통해유입된다. 포집공에전달되는흡입압력, 복토층의투과성, 폐기물층의수평및수직투가속도등여러요소들은포집공별로각각다르게작용한다 (Fabbricino, M, 2007). 아직국내에서는포집공별로온도, 강수량, 포집량변동에따른포집공농도변화분석이거의없는상황이며, 매립가스농도가포집공별로상이하기때문에이러한자료에대한분석이매우중요하다. 포집공조절을잘못할경우저농도의메탄가스유입과고농도의산소가유입하게되면매립가스발전기출력이일정하지못하고부하변동이크게움직이게되는헌팅증상 (Hunting) 이발생하여가동을중단하게된다. 또한, 이렇게충격을받은포집공은폐쇄하여정적한메탄가스농도를유지할수있는시점까지사용을못하게된다. 특히포집공의메탄가스농도는계절및시간, 대기조건및환경에따라변동이심하기때문에메탄가스농도변화추정이시급하다. 따라서본연구는 W 시매립장의 2017 년 1 월부터 11 월중 88 일간의매립가스데이터를이용하여, 딥러닝기법을적용하였다. 그리고포집공별매립가스 11 개월간데이터를이용하여메탄가스농도를추정하고그 결과를비교하였다. 본연구결과를바탕으로인공지능융합기술로발전시켜나간다면향후발전소운영에많은부분이예측될수있을것으로예상한다. 연구내용및방법 본논문은딥러닝이론, W 시매립장특징, 수직포집공의매립가스성분분석순으로진행된다. 각단계별연구내용을정리하면딥러닝이론에서는딥러닝의개요및이론과적용방법에대해검토하며, 실험대상매립장의특징에서는매립장구성과특징을조사한다. 딥러닝기반추정모형에서는모델링한딥러닝모형및파라미터, 데이터셋설명, 정확도측정방법에대해살펴본다. 그후, 포집공별매립가스변화추정실험결과및고찰에서실험결과에대해종합한다. 본연구는 2017 년 1 월 ~11 월중 88 일에대한 23 개의수직포집공을통해입수된데이터를이용하여실험하였다. 딥러닝 DNN(Deep Neural Network) 구조를구현하여매립가스의실제측정값과딥러닝기법을통해산출된메탄가스농도를비교하였다. 딥러닝프레임워크는구글의오픈소스라이브러리인텐서플로우 (Tensorflow) 를사용했다. 텐서플로우는기계학습과딥러닝을위해구글에서만든오픈소스소프트웨어라이브러리로서, 데이터플로우그래프 (Data Flow Graph) 를사용하여수치연산을하게된다 (Kim, 2015). 텐서플로우는딥러닝뿐만아니라강화학습의각종알고리즘도동시지원하며, 텐서보드 (TensorBoard) 라는시각화도구를제공하여사용자가딥러닝모델의구성및텐서의흐름을볼수있게하였다. 텐서플로우외의딥러닝프레임워크로는시아노 (Theano), 카페 (Caffe), 토치 (Torch), 딥러닝포제이 (DeepLearning4J) 등이있다 (Abadi et al., 2016). 딥러닝이론 인공지능 (Artificial Intelligence, AI) 이란사고나학습등인간이가진능력을컴퓨터를통해구현하는기술이다 (Won et al., 2016). Russel and Norvig(2003) 은인공지능을 인간처럼생각하는시스템, 인간처럼행동하는시스템, 이성적으로생각하는시스템, 이성적으로행동하는시스템 으로정의하였다 (Russell et al., 2003). 인공지능은 1956 년다트머스대학에서열린컨퍼런스에서처음불리었으며, 이후로인공신경망이론의발전과궤를같이하다가기계학습 (Machine Learning) 으로의파생, 최근의딥러닝으로이어져오고있다. 딥러닝은기계학습의하나인인공신경망이발전된형태 한국자원공학회지
딥러닝기법을활용한매립가스발전소포집공의메탄가스농도예측 651 Fig. 1. McCulloch-Pitts Neuron (modified from McCulloch et al., 1943). Fig. 2. Multilayer ANN (modified from Minsky et al., 1969). 의인공지능이다. 인경신망이란인간의뇌를모델로하여신경세포를뉴런 (Neuron) 이라하며, 뉴런은신경세포체, 수상돌기, 축색돌기, 축색종말로구성되어있으며, 이러한원리로동작하는뇌세포를 McCulloch-Pitt 뉴런 (McCulloch et al., 1943) 이라부르며, Fig. 1 과같다. Rosenblatt 은 MCP 뉴런모델과가중치개념을바탕으로퍼셉트론모델을제시하였고, 하나의뉴런이입력값에가중치를자동으로학습하는알고리즘이라고소개하였다 (Rosenblatt, 1958). 입력층 (Input Layer) 과출력층 (Output Layer) 만으로구성돼있는것을단층퍼셉트론 (Single-Layer Perceptron, SLP) 라한다. 단층퍼셉트론은선형적인분리는가능하지만비선형적으로분리되는데이터는적용할수없다는단점이있었다. 이를극복하기위한방안으로입력층과출력층사이에하나이상의은닉층을두어비선형적으로분리되는데이터에대해서학습이가능한다층퍼셉트론 (Multy-Layer Preceptron, MLP) 모델 (Minsky et al., 1969) 이제시되었으며 Fig. 2 와같다. 실험대상매립장의특징 W 시매립장은 1995 년 ~2014 년까지약 20 년간생활폐기물이매립되었고, 매립면적 163,780 m 2, 매립용량 3,410 천 m 3 ( 약 250 만톤 ) 으로 1 일쓰레기매립량은 388 톤으로 cell 방식에의한준호기성위생매립장이다 (Ministry of Environment, 2014). 매립된쓰레기는분해되면서메탄 (CH 4 ), 이산화탄소 (CO 2 ), 암모니아 (NH 3 ), 수소 (H 2 ), 황화수소 (H 2 S) 와산소 (O 2 ) 등이있고, 매립가스중에가장많이발생하는메탄과이산화탄소는도시고형폐기물의생분해성유기물질의혐기성분해과정에서발생되는주요가스이다 (Christensen et al., 1989). 실험대상매립장은깊이 30 m 의계곡매립지형태로바닥차수및침출수차집관거가매립지전체에설치되어있다. W 시매립장은제 1 매립장과제 2 매립장으로구분되어있으며, 제 1 매립장은 2014 년매립이종료되어 W 시로들어오는쓰레기는가연성쓰레기를제외하고는제 2 매립장에매립된다. 제 1 매립장에포집공 128 개를설치하여매립장에서발생하는매립가스를포집하고있다. 이중에서지속적으로사용하고있는 23 개포집공의메탄 (CH 4 ) 농도, 이산화탄소 (CO 2 ) 농도, 황화수소농도등을 2017 년도 1 월부터 11 월까지중에서 88 일치측정하였다. 측정장비및측정장소는 Fig. 3 과같다. 메탄 (CH 4 ) 농도변화는최대 64.7%, 최소 15%, 평균 49.6% 로측정되었으며 23 개포집공별메탄 (CH 4 ) 농도변화는 Fig. 4 와같다. 조사기간동안 W 시매립장의기온은최대 28.3 C, 최소 -3.4 C, 평균 15.4 C 로 Fig. 5 와같으며, 습도는최대 92.0%, 최소 21.1%, 평균 58.1% 로 Fig. 6 과같다. 제 55 권제 6 호
원승현 서대호 박대원 652 (a) Well head (b) Pipe line valve Fig. 3. Analysis equipment of landfill gas. Fig. 4. CH4 Concentration condition (2017.1 ~ 11). 한국자원공학회지 (c) Portable LFG analyzer
딥러닝기법을활용한매립가스발전소포집공의메탄가스농도예측 653 Fig. 4. CH 4 Concentration condition (2017.1 ~ 11) (Continued). Fig. 5. Temperature (2017.1 ~ 11). Fig. 6. Humidity (2017.1 ~ 11). 제 55 권제 6 호
654 원승현 서대호 박대원 Table 1. Input variable Item Link Input variable CO 2 (1), O 2 (2), H 2 S(3), Valve gage level(4), Temperature(5), Humidity(6) Table 2. Training and Test Data (Unit : 1 data) Training data (80%) Test data (20%) Total 1,620 404 2,024 딥러닝기반추정모형 W 시매립장에설치된 128 개의포집공중에서 2017 년 1 월 ~11 월중 88 일간조사된 23 개의포집공의데이터를이용하여딥러닝메탄가스농도추정모형을제시하였다. 딥러닝기반추정모형개발은공통적으로 4 단계로구성되며, Fig. 7 과같이입력변수설정, 모델링, 학습및평가, 최적모형선정순으로수행된다. 입력변수는매립장에서측정하고있는온도, 습도, 이산화탄소, 산소, 황화수소, 밸브개폐정도 6 개이며 Table 1 과같다. 학습전변수들의영향력을일정하게맞추기위해서 0~1 범위의최대 - 최소정규화를실시하였다. 은닉층은 2 개이며각각 12 개, 5 개의노드로구성하였다. 또한은닉층활성화함수로는 relu 함수를썼으며출력층에는 sigmoid 함수를사용하였다. 손실함수로는 MSE 를사용해서 MSE 를최소화하는방향으로학습을진행하였다. 학습최적화를위해서는 adam 함수를사용하였다. 학습은총 150 회반복수행하였다. Table 2 와같이딥러닝분석에이용된총자료는 2,024 개로추정모형개발을위한학습자료에 80% (1,620 개 ) 가사용되고, 나머지 20%(404 개 ) 는추정모형검증을위한자료로사용되었다. 예측의정도를평가하는척도는 MAE(Mean Absolute Error), MAPE(Mean Absolute Percentage Error) 를예로들수있다. 각척도는모델이예측한값과실제환경에서관찰되는값의차이를다룰때흔히사용되는척도들이다. MAE 는예측한값과실제값과의차이의절대값합을산술평균한값이며식 (1) 과같다. MAPE 는실제값과의차이를 실제값으로나눈절대값합을산술평균한값이다. 절대적퍼센트로나오기때문에서로다른단위로학습된모델들을비교할때용이하며식 (2) 와같다. MAE n i 여기서, MAE = 평균절대오차 = 예측값 n = 실제값 n = 횟수 y i y i (1) MAPE n y n i i y i yi (2) 여기서, RMSE = 제곱근평균오차 = 예측값 = 실제값 n = 횟수 딥러닝의신경망학습을하기위해서는 23 개의포집공별에서수집한 2,024 개의데이터중에서훈련 (Train) 에필요한 80% 의데이터를이용하여최적모형을개발하고, 나머지 20% 의데이터를이용하여시험 (Test) 을수행하였다. 딥러닝모델의실제치와예측치의오차의크기를평가하였다. 오차값은 0 에가까울수록실제값과차이가없다는뜻이며 23 개의수집가스포집공별훈련과시험의값은 Table 3 과같다. Fig. 7. Deep learning process (2017.1 ~ 11). 한국자원공학회지
딥러닝기법을활용한매립가스발전소포집공의메탄가스농도예측 655 Table 3. Error in estimation model by pipe line No. Train Test MAE MAPE (%) MAE MAPE (%) A1-1 0.75 1.44 1.82 3.59 A3-2 0.82 1.56 2.77 5.75 A3-5 0.66 1.25 1.38 2.58 A3-G1 0.63 1.23 1.80 3.39 A4-2 1.20 2.40 2.79 5.82 A5-7 1.18 2.38 2.90 5.99 A5-12 1.01 2.06 2.43 4.99 A6-5 0.79 1.61 1.54 3.26 A7-1 1.16 2.61 2.56 5.17 A7-2 1.78 4.06 2.37 4.82 A7-7 0.82 1.74 1.61 3.49 A8-10 1.35 2.85 3.66 8.08 A9-2 1.08 2.18 2.19 4.55 A9-4 1.05 2.16 3.59 7.40 A9-9 1.61 2.91 2.47 4.62 A10-7 1.61 3.64 1.82 4.32 A11-5 1.10 2.13 1.99 4.23 A11-6 0.88 1.73 1.43 2.94 A12-G1 1.02 1.88 2.09 3.93 B1-3 0.91 1.88 1.74 3.52 B4-2 1.60 3.48 2.75 5.76 B4-5 0.72 1.52 1.63 3.40 B5-3 1.11 2.27 2.17 4.43 Avg 1.08 2.22 2.24 4.61 포집공별매립가스변화추정실험결과및고찰 본연구에서는매립장에설치된 23 개의포집공의 2017 년 1 월부터 ~11 월까지데이터중에서 88 일간메탄가스, 황화수소, 산소, 이산화탄소, 날씨, 기온등의데이터를수집하였다. 본연구에서는실제수집된데이터를이용해서딥러닝기반의포집공별매립가스변화추정모형을제시하였고, 이추정모형을이용하여실증데이터를입력하고추정결과데이터의정확성을검토하였다. 23 개포집공의실제최대메탄농도는 59.1% 이며딥러닝추정최대메탄농도는 57.0% 로 2.1% 의차이가있었으며, 실제최저메탄농도는 39.8% 이며딥러닝추정최저메탄농도는 41.3% 로 1.5% 의차이가있었으며, 실제평균메탄농도는 49.6% 이며딥러닝추정평균메탄농도는 49.7% 로 0.1% 가차이가있었 다. 실제값과그에대한딥러닝모델추정값간의오차율을 MAE 와 MAPE 를통해산출하였다. 산출된모든 MAE 와 MAPE 값을평균적으로알아보기위해산술평균으로계산하니전체평균 MAE 는 2.24% 였으며, 전체평균 MAPE 는 4.61% 로산출되었다. 평균메탄농도는오차율이 0.1% 로실제측정한메탄가스농도와유사하게추정되었다. 포집공별메탄가스농도및그추정결과전체데이터셋은 Fig. 8 과같으며, 메탄가스최대, 최소, 평균농도및평균 MAE, MAPE 는 Table 4 와같다. 결 본연구는포집공별매립가스농도의변화를예측하고자 2017 년 1 월부터 ~11 월중 88 일데이터를이용하여실험하 론 제 55 권제 6 호
656 원승현 서대호 박대원 Fig. 8. Comparison of actual CH4 concentration and DNN CH 4 concentration. 한국자원공학회지
딥러닝기법을활용한매립가스발전소포집공의메탄가스농도예측 657 Fig. 8. Comparison of actual CH4 concentration and DNN CH 4 concentration (Continued). Table 4. Comparison of CH 4 concentration between two models Pipe line Actual CH 4 Concentration (%) DNN CH 4 Concentration (%) Max Min Avg Max Min Avg MAE (%) MAPE (%) A1-1 62.3 44.8 52.3 61.1 45.5 52.4 1.82 3.59 A3-2 60.7 41.5 52.4 60.1 42.9 52.3 2.77 5.75 A3-6 60.3 46.2 53.0 59.5 47.2 53.3 1.38 2.58 A3-G1 60.0 46.4 52.0 58.1 46.9 52.2 1.80 3.39 A4-2 61.3 43.5 50.5 60.1 44.4 50.8 2.79 5.82 A5-7 58.9 42.9 49.1 58.1 43.2 49.3 2.90 5.99 A5-12 55.0 41.6 48.7 53.6 43.0 48.8 2.43 4.99 A6-5 57.4 41.4 49.0 56.2 41.8 49.1 1.54 3.26 A7-1 58.0 32.1 49.2 56.5 40.7 49.2 2.56 5.17 A7-2 55.0 17.0 46.4 51.8 20.2 46.3 2.37 4.82 A7-7 57.3 41.7 47.0 54.2 42.5 46.9 1.61 3.49 A8-10 59.3 38.7 47.8 57.8 41.2 48.7 3.66 8.08 A9-2 56.4 42.3 48.4 55.1 43.0 48.2 2.19 4.55 A9-4 57.4 39.6 49.2 56.1 40.5 49.6 3.59 7.40 A9-9 62.7 49.2 55.2 62.1 49.9 55.3 2.47 4.62 A10-7 60.1 15.0 48.2 58.7 17.5 48.4 1.82 4.32 A11-5 61.3 43.3 50.5 60.2 44.0 50.3 1.99 4.23 A11-6 60.9 44.7 50.5 59.2 44.9 50.5 1.43 2.94 A12-G1 64.7 47.1 54.1 62.0 48.1 54.1 2.09 3.93 B1-3 58.8 42.0 46.7 52.7 43.1 46.5 1.74 3.52 B4-2 57.2 35.5 46.2 51.9 38.1 46.0 2.75 5.76 B4-5 57.5 37.0 46.4 50.5 38.3 46.3 1.63 3.40 B5-3 57.3 42.5 48.0 54.8 43.8 48.1 2.17 4.43 Avg 59.1 39.8 49.6 57.0 41.3 49.7 2.24 4.61 제 55 권제 6 호
658 원승현 서대호 박대원 였다. 128 개포집공중에서가장많이사용한 23 개의포집공의메탄가스농도, 이산화탄소농도, 황화수소농도, 산소농도, 밸브개방정도, 기온, 습도자료를이용하여실제값을추정할수있는딥러닝모형을제시하였다. 매립장에설치된포집공은발전소를운영하는매우중요한항목으로, 실제로측정된자료를이용하여매립가스농도가어떻게변화될지에대한추정이매우중요하다. 매립가스발전소운영중에포집공의농도를분석하지못해가동이정지될수있고포집공의운영도중단될수있다. 딥러닝기법을이용하여포집공을분석한결과실제평균메탄가스농도 49.6%, 딥러닝을이용한추정평균메탄가스농도 49.7% 로 0.1% 차이로실제값과매우유사한것으로확인되었다. 본연구결과를활용하면향후매립가스포집공관리에큰도움이될것으로예상한다. 다양한상황에따른매립가스농도를실시간으로추정하며위험상황을미리인지하고이에대응할수있다. 또한실제인력이투입되었던많은부분들이자동화프로세스로변경될수있어업무의효율성도증가할것이며, 현재자료에의한추정모델의한계를극복하고미래예측및분석을위해서는 LSTM(Long Short Term Memory) 의순환신경망 (RNN) 모델이용시예측능력을더향상시킬수있을것으로예상된다. 사 본연구는환경부 Non-CO 2 온실가스저감기술개발사업단연구과제인저발열량매립가스를이용한희박연소가스엔진발전시스템개발연구과정의지원으로수행되었으며, 이에감사드립니다. 사 Reference Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., and Isard, M., 2016. Tensorflow: a system for large-scale machine learning. OSDI, 16, 216-283. Ministry of Environment., 2006. Investigation of landfill greenhouse gas emissions and construction of statistics, 5530010, Sejong, Korea, p.1-418. Ministry of Environment., 2014. Status of waste generation and disposal nationwide, 11-B552584-000005-10, Sejong, Korea, p.1-1365. Fabbricino, M., 2007. Evaluating operational vacuum for landfill biogas extraction. Waste Management, 27(10), 1393-1399. IPCC, 1997. Revised 1996 IPCC Guidelines for National GHG Inventories, Kyoto, Japan, p.1-88. Kim, J.Y., 2015. About Google Tensorflow. Korea Computer Information Association, 23(2), 9-15. Korea Energy Economics Institute, 2016. A comparative analysis of post 2020 GHG reduction targets in major countirist, 16-07, Ulsan, Korea, p.1-28. LeCun, Y., Bengio, Y., and Hinton, G., 2015. Deep learning. Nature, 521(7553), 436. Marvin, M. and Seymour, A. P., 1969. Perceptrons. MIT Press, Cambridge, USA, p.1-37. McCulloch, W.S. and Pitts, W., 1943. A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5(4), 115-133. Christensen, T.H. and Kjeldsen, P., 1989. Basic biochemical processes in landfills. Technology and Environmental Impact, Academic Press, New York, p.29-49. Rosenblatt, F., 1958. The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386. Russell, S. J and Peter, N., 2003. Artificial intelligence: a modern approach (2nd Ed.), Prentice Hall, New Jersey, USA, p.1-1152. Won, D.K. and Lee., S.P., 2016. Artificial intelligence and implications of the fourth industrial revolution. Ie Magazine, 23(2), 13-22. 한국자원공학회지
딥러닝기법을활용한매립가스발전소포집공의메탄가스농도예측 659 원승현 2002 년단국대학교공과대학토목환경학과공학사 2004 년단국대학교공과대학원토목환경학과공학석사 2004 년선진엔지니어링상하수도사업부 2008 년한솔이엠이해외영업팀 2009 년웅진그룹 ( 웅진코웨이, 극동건설 ) 물환경사업팀 2013 년한국환경산업기술원해외사업실 2015 년뉴젠일렉트릭신재생에너지본부 2018 년서울과학기술대학교대학원에너지환경학과공학박사 2018 년하나티이씨신재생에너지본부기술연구소현재 하나티이씨기술연구소부장 (E-mail; wonsh2@daum.net) 서대호 2014 년한양대학교공과대학정보시스템학과공학사 2016 년한양대학교대학원산업공학과공학석사 2016 년한국과학기술원산업경영연구소연구원 2017 년모비젠데이터분석팀연구원 2018 년전자부품연구원스마트미디어센터연구원현재연세대학교정보대학원박사과정 ( 박사 ) (E-mail; seodaeho91@naver.com) 박대원 1980 년홍익대학교공과대학화학과공학사 1985 년 New Jersey Institute of Technology 대학교대학원 Chemical Engineering 공학석사 1988 년 New Jersey Institute of Technology 대학교대학원 Chemical Engineering 공학박사 1989 년 University of Tulsa, Research Associate 1991 년 Michigan State University, Visiting Assistant Professor 2005 년한국과학기술연구원책임연구원및수질환경복원연구센터장현재서울과학기술대학교에너지환경공학과교수 (E-mail; daewon@seoultech.ac.kr) 제 55 권제 6 호