KCI등재
통계기반 정삼투 모듈 모델의 적용성 검토 = Applicability of Statistics-based forward Osmosis Module Models
저자
전종민(Jongmin Jeon) ; 김누리(Noori Kim) ; 최준영(Joon Young Choi) ; 김수한(Suhan Kim) 연구자관계분석
발행기관
학술지명
대한환경공학회지(Journal of Korean Society of Environmental Engineers)
권호사항
발행연도
2019
작성언어
Korean
주제어
등재정보
KCI등재
자료형태
학술저널
발행기관 URL
수록면
611-618(8쪽)
KCI 피인용횟수
0
DOI식별코드
제공처
목적 : 실규모 정삼투(FO) 공정 설계는 막모듈의 배열을 통해 이루어지므로, 막모듈의 성능을 예측할 수 있는 FO 모듈 모델의 역할은 필수적이다. 기존 연구를 통해 정확도가 90%가 넘는 FO 모듈 모델을 이론적 배경 및 모듈형상을 반영하는 fitting process를 거쳐 만들었지만 계산 속도가 최대 수백초까지 걸리는 단점이 있어서, 이를 개선하기 위한 통계 기반 FO 모듈 모델을 개발하고 적용성을 평가하였다.
방법 : FO 공정 관련 이론적 배경을 전혀 고려하지 않고 모델 개발에 사용된 데이터(train data)의 예측력을 최대로 하도록 하는 통계 기반 모델의 단점은 외부 데이터(test data)에 대한 예측력이 떨어지는 과적합이므로, 본 연구에서는 이론적 배경을 무시하고 만들어진 4개의 회귀 모델에 대해 예측정확도를 분석한 후, FO 공정의 유입수와 유출수의 유량, 압력, 농도값으로 각각 구성된 116개의 데이터셋에서 train data의 수를 10개, 30개, 50개, 70개로 하였을 때 train data와 test data의 오차를 비교하는 방법으로 과적합도를 분석하였다.
결과 및 토의 : 회귀 모델의 예측력이 증가함에 따라 test data의 오차는 10.16%에서 8.43%로 감소했는데(train data 의 수가 70인 경우), 이론적 모델의 경우(10.13%)와 비슷하거나 낮은 값을 보였다. 예측력이 가장 좋은 모델을 사용한 경우, train data 수가 10에서 70까지 증가하는 동안 test data의 오차가 12.99%에서 8.43%로 줄어들었고, train data의 오차(6.38-7.72%)와 비슷해지는 경향을 보였다.
결론 : 통계 기반 FO 모듈 모델의 적용성을 평가했을 때, train data의 수가 많고 모델의 예측력이 높을수록 과적합도가 낮다는 결론을 얻었다. 특히, 기존 연구에서 도출된 이론 기반 모델과 비교했을 때도 test data의 오차율이 낮았기 때문에, 과적합도로 인한 적용성 문제는 전혀 없다고 볼 수 있다.
Objectives : Since full-scale forward osmosis (FO) process designs are based on the arrangement of membrane FO modules, the FO module model to predict the performance of the modules is necessary. Through a previous study, a FO module model based on the fundamentals of FO process accompanied by a fitting process to reflect the module geometry was developed, but it has a drawback of long calculation time. Thus, a statistics-based model was developed to shorten the calculation time.
Methods : The drawback of statistical-based models is a ‘overfitting problem’, which means the accuracy of the model becomes poor if it is applied to the data not used to train the model. In this study, four regression models without considering the fundamentals of FO process were developed and trained with the datasets of 10, 30, 50, and 70 randomly selected from the total 116 datasets which consisted of the flow, pressure, and concentration of influent and effluent from the FO module. The model prediction errors with the datasets used and not used to develop the model (train data and test data, respectively) were compared to estimate overfitting tendency.
Results and Discussion : When 70 data were selected as test data, the model prediction error with test data decreases from 10.16 to 8.43% as the model accuracy increases. These errors are similar to or less than the error (10.13%) of the theoretical model. When the most accurate model is tested, the prediction error with test data decreases from 12.99 to 8.43% as the number of train data increases from 10 to 70. These errors become close to the error range with train data (6.38 to 7.72%).
Conclusions : The regression analyses revealed that the overfitting problem decreased as the number of train data and the accuracy of the model was increased. Especially, the accuracy of the statistics-based regression model is higher than that of the theoretical model and the overfitting problem was negligible. Thus, the statistics-based FO module model can be applied to the design of full-scale FO processes.
분석정보
연월일 | 이력구분 | 이력상세 | 등재구분 |
---|---|---|---|
2027 | 평가예정 | 재인증평가 신청대상 (재인증) | |
2021-01-01 | 평가 | 등재학술지 유지 (재인증) | KCI등재 |
2018-01-01 | 평가 | 등재학술지 선정 (계속평가) | KCI등재 |
2017-12-01 | 평가 | 등재후보로 하락 (계속평가) | KCI후보 |
2013-01-01 | 평가 | 등재 1차 FAIL (등재유지) | KCI등재 |
2010-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2008-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2006-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2004-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2001-01-01 | 평가 | 등재학술지 선정 (등재후보2차) | KCI등재 |
1998-07-01 | 평가 | 등재후보학술지 선정 (신규평가) | KCI후보 |
기준연도 | WOS-KCI 통합IF(2년) | KCIF(2년) | KCIF(3년) |
---|---|---|---|
2016 | 0.52 | 0.52 | 0.45 |
KCIF(4년) | KCIF(5년) | 중심성지수(3년) | 즉시성지수 |
0.43 | 0.42 | 0.604 | 0.13 |
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)