유입 하수의 성상은 하수처리장의 효율을 결정하는 중요한 요인이다. 따라서 하수의 성상을 이해하고 실시간으로 측정하는 기술은 유입 하수 성상에 상응하는 적절한 운전 전략을 결정하는데 중요한 역할을 할 수 있을 것이다. 본 연구에서는 2005년 10월 1일부터 11월 21일까지 대도시 하수종말처리장 유입 수문에서 두 시간 간격으로 하수를 채취하여 성상을 분석하였다. 그 결과 하수의 유량 및 구성성분의 농도가 1일 단위로 일정한 형태를 갖는 것으로 밝혀졌는데, 오전 11시와 1시 사이에 가장 높은 값을 보였고, 새벽 5시에서 7시 사이에 가장 낮은 값을 갖는 것으로 나타났다. 상관관계 평가에서 300 nm에서 측정한 하수의 흡광도는 하수 구성성분의 농도와 매우 밀접한 것으로 밝혀졌다. 실시간 측정이 가능한 흡광도와 유량, 그리고 반복되는 하수 성상을 이용하여 구성성분의 농도를 추정하는 기법을 개발하고자 하였다. 첫 번째로 흡광도와 구성성분의 농도와의 1차 회귀분석을 수행하였고, 두 번째로 흡광도와 하수 유량, 유입시간을 이용하여 훈련시킨 인공신경망을 이용하였다. 그 결과 두 방법 모두 하수 구성성분의 농도를 예측하는데 높은 정확성을 보였는데, 인공 신경망을 사용한 경우 예측값과 실측값의 RMSE(root mean square error) 값이 TSS의 경우 19.3에서 14.4, TCOD의 경우 26.7에서 25.1로, TN의 경우 5.4에서 4.1로, TP의 경우 0.45에서 0.39로 각각 향상되는 것으로 나타났다.
Since sewage characteristics are the most important factors that can affect the biological reactions in wastewater treatment plants, a detailed understanding on the characteristics and on-line measurement techniques of the influent sewage would play an important role in determining the appropriate control strategies. In this study, samples were taken at two hour intervals during 51 days from $1^{st}$ October to $21^{st}$ November 2005 from the influent gate of sewage treatment plant. Then the characteristics of sewage were investigated. It was found that the daily values of flow rate and concentrations of sewage components showed a defined profile. The highest and lowest peak values were observed during $11:00{sim}13:00$ hours and $05:00{sim}07:00$ hours, respectively. Also, it was shown that the concentrations of sewage components were strongly correlated with the absorbance measured at 300 nm of UV. Therefore, the objective of the paper is to develop on-line estimation technique of the concentration of each component in the sewage using accumulated profiles of sewage, absorbance, and flow rate which can be measured in real time. As a first step, regression analysis was performed using the absorbance and component concentration data. Then a neural network trained with the input of influent flow rate, absorbance, and inflow duration was used. Both methods showed remarkable accuracy in predicting the resulting concentrations of the individual components of the sewage. In case of using the neural network, the predicted value md of the measurement were 19.3 and 14.4 for TSS, 26.7 and 25.1 for TCOD, 5.4 and 4.1 for TN, and for TP, 0.45 to 0.39, respectively.
