유광태
(Kwangtae You)
김종락
(Jongrack Kim)
윤주환
(Zuhwan Yun)
*
박기정
(Gijung Pak)
†
-
(주)유앤유
(UnU Inc., Seoul, Korea)
-
고려대학교 환경시스템공학과
(Department of Environmental System Engineering, Korea University)
© Korean Society on Water Environment. All rights reserved.
Key words
Activated Sludge Process, ASM Model, Monte Carlo simulation, Probability Density Function, Wastewater Influent
1. Introduction
하수처리시설은 유기물질 및 질소, 인과 같은 영양염류를 방류수 수질기준 이하로 연중 준수하여야 한다. 국내 하수 처리시설 방류수 수질기준은 지속적으로
강화되어 왔고, 2012년부터 환경부는 시설용량 700 m3/일 이상 규모의 하 수처리시설 방류수 수질을 실시간으로 측정하는 TMS (Tele- Monitoring System)를 설치하여 감시하고 있다.
특히, 일부 하수처리시설의 경우 낮은 수온과 선행강우기간이 길어 유 입부하가 증가하는 2월에서 4월까지 처리수질이 방류수 수 질기준을 초과하는 경우가
빈번히 발생하고 있어 이에 따 른 하수처리시설의 효율적인 설계와 고도화된 운영에 대한 연구가 필요하다(Lee et al., 2010).
공공하수처리시설의 설계와 처리효율을 결정하는 가장 중요한 요소 중 하나는 하수의 유입하수량 및 수질이다. 유입 하수 성상에 대한 정확한 정보는 하수처리시설의
설 계에서부터 공정 선정 및 반응조 최적 용량 결정 등에 기 초 자료로 사용되며, 공정 제어, 진단 및 운전을 위한 필수 인자이다(Pak et al., 2012). 유입 하수는 유기물질인 COD, BOD, TSS 뿐만 아니라, TN, NH4-N, NO3-N, TP, PO4-P 등의 다양한 영양염류가 포함되어 있으며, 지역별 강우량, 하수유입량, 유입수질 항목 간 상호 반응 등에 의하여 유 입수 변화가 실시간으로 발생하기
때문에 신뢰도 높은 유 입자료를 수집하여 하수처리시설 설계에 이용하는 것이 매 우 중요하다(Lee et al., 2009).
현재 많은 설계 엔지니어와 현장 운영자들은 여러 해 동 안 축적된 경험과 운영자료를 바탕으로 하수처리 공정을 설계 및 운영하고 있다. 하수처리 공정
설계 및 진단을 위 하여 전통적으로 수행되고 있는 간단한 물질수지 계산 방 법과 실험에 의한 유입수질, 공정 설계 및 공정 거동 예측 은 많은 비용과
시간이 소요되며, 정확도가 낮고, 많은 시 간이 소요되는 단점이 있어(Jeppson, 1996), 현재는 수학적 모델을 이용한 공정 거동 재현 및 해석 방법이 널리 이용 되고 있다. 특히 1983년 이후 IWA (International Water
Association) 산하 태스크 그룹에서 활성슬러지 공정에 대한 수 학적 모델식을 정리한 활성슬러지 모델(Activated sludge models,
ASMs)이 개발되어 하수처리시설의 설계 및 공정 최적화에 널리 사용되고 있다(Henze, 2000; Henze et al., 1987; Rieger et al., 2013). 활성슬러지 모델의 성공적인 적 용을 위해서는 유입하수량 및 수질에 대한 정보가 매우 중 요하다.
하수처리시설 유입하수량 및 수질 예측을 위하여 푸리에 급수(Fourier Series), 베이지안(Bayesian) 방법(NIER, 2012), DIPDSG(dynamic influent pollutant disturbance scenario generator)와 같은 결정론적 모델이나,
인공신경망 모델 및 몬테카를로 방법과 같은 확률론적 모델 등이 활용되고 있 다(Shioya et al.,1999; Gernaey et al., 2004).
확률론적 모델 기반의 이론적 확률분포형은 자연현상을 정확하게 표시할 수 없으나, 어떤 현상의 관측자료를 적절 한 이론적인 분포형에 맞춤으로 그 현상의
관측자료를 유 추하기 위해 사용되며, 분석에 필요한 정보가 관측되는 자 료에 포함되어 있을 경우 이들 자료를 확률 통계적으로 분 석하여 관측된 현상의
특성을 규명하고 앞으로의 발생양상 에 대한 예측하는 데 이용된다. 특히 적정 확률분포형의 적용은 방법이 편리하고 간단하기 때문에 해당 처리시설에 서의
유입수 예측에 있어 널리 활용될 가능성이 있다(Moon et al., 2008; Pak et al., 2012).
특히, 하수처리시설의 유입하수량 및 수질 재현을 위한 미분 방정식의 형태로 표현하는 결정론적 모형들은 적용에 있어 유입수 특성에 영향을 주는 다양한
인자들을 반영하 지 못하거나, 보정(Calibration)에 있어 어려움, 비정상 패턴 (Nonstationary pattern) 구간에서의 재현성
감소, 대규모 입 력자료 요구 등 엔지니어들이 활용하기에 한계가 있었다. 이를 개선하기 위해 확률론적 모형을 이용하여 확률밀도함 수 기반 유입하수량
및 수질 예측연구가 다양하게 진행되 었고 몇몇 연구에서 비교적 높은 적용성을 가지는 것으로 나타났으나(Carrasco et al., 2005; Cosenza et al., 2009; William et al., 2008). 이를 통해 국내 공공하수처리시설 유입수질을 생성하여 하수처리공정 설계 및 반응조 용량 결정에 활용한 예는 없었다.
이를 위해 본 연구에서는 국내 B시 G하수처리시설의 유 입하수량 및 수질(BOD, TSS, T-N) 재현을 위해 유입하수 자료의 적정 확률분포형을
도출하였으며, 확률론적 모델 (Monte Carlo Simulation Analysis)을 이용하여 하수처리시 설 유입자료를 생성하였다. 이와 더불어
예측된 유입하수량 및 수질자료와 활성슬러지 모델을 이용하여 G하수처리시설 의 생물반응조 운전 개선을 위한 다양한 대안을 평가하고, TMS 방류수 수질기준으로
가장 효과적으로 운전이 가능한 조건을 제시하였으며, 선정된 최적 운전조건에 대한 유입하 수 발생특성 변화에 따른 성능 평가를 통해 제안한 설계기 법의
적용성을 검토하였다.
2. Materials and Methods
2.1. 연구 대상 시설 및 자료
본 연구에 이용된 B시 G하수처리시설은 일일 시설용량 450,000 m3의 규모(Table 1)로 1990년 건설되어 2009년 고 도처리 시설로 개량하였다. 수처리 계통은 중력침전+A2O+섬유여과 공법, 슬러치 처리계통은 농축+소화+탈수공정으
로 개량하여 운영되고 있으며, 하수 이외에 산업폐수, 매립 장 침출수, 분뇨 처리수 및 음식물폐수가 유입되고 있다.
Table 1. Facility information of G wastewater treatment plant in Korea
|
Design
|
Flow rate, CMD (daily max)
|
Water quality, mg/L
|
|
BOD
|
TSS
|
Total nitrogen
|
Total phosphorus
|
|
Influent
|
450,000
|
190
|
188
|
49.7
|
6.0
|
|
effluent
|
450,000
|
8
|
8
|
20
|
1.0
|
본 연구에 이용된 G하수처리시설의 유입하수 자료는 2014년 2월부터 4월까지 반류수(Return flow)와 연계처리수 가 포함된 일일 운영자료이다.
Table 1은 대상 하수처리시 설 유입수 및 처리수 설계기준을 나타내며, Table 2는 해당 기간동안의 유입수 및 유출수의 평균 유입하수량 및 수질 을 나타낸다. 이 기간 중 G하수처리시설의 처리수 질소농 도는 방류수 수질기준 20
mg/L를 총 89일 중 33회 초과하 고 있었다(Fig. 1). 이 시기의 유입수 평균 질소 농도의 경 우 51 mg/L로 계획수질과 비슷한 수준으로 유입되고 있었 고 수온 또한 평균 18.6도로 비교적 높은
편이었다. 반면, BOD는 173 mg/L로 설계수질의 91% 수준으로 유입되어 탈 질에 필요한 탄소원이 다소 부족한 상태로 운영 중이었다. 방류수
질소가 빈번히 방류수 수질기준을 초과하는 반면, BOD, TSS 및 T-P는 양호한 수준으로 처리되고 있었다. G 하수처리시설은 봄철 빈번히 발생하는
질소 방류수 수질기 준 초과문제를 해결하기 위하여 생물반응조 용량 증설 및 운전개선 방안을 검토하게 되었다.
Table 2. G-WWTP influent and effluent characteristics from February to April 2014
|
Design
|
Flow rate, CMD (daily max)
|
Water quality, mg/L
|
Reactor temp.
|
|
BOD
|
TSS
|
T-N
|
T-P
|
|
Influent1) |
355,501
|
173
|
200
|
51.0
|
4.4
|
18.6°C
|
|
Effluent
|
339,520
|
4.7
|
3.8
|
18.4
|
0.4
|
Fig. 1. G-WWTP’s total nitrogen influent and effluent from February to April 2014.
2.2. 하수처리시설 유입하수량 및 유입수질 적정 확 률분포형 도출
본 연구에서는 G하수처리시설 유입하수량 및 수질자료 (BOD, TSS, T-N) 재현을 위하여 확률론적 기법을 적용하 였다. 적정 분포형 도출은 2014년
2월에서 4월까지 일별 운영자료를 활용하였다. 이를 통해 유입 자료의 적정 확률 분포형을 도출하고 선정된 적정 확률분포형을 활용하여 몬 테카를로(Monte
Carlo) 방법을 통해 난수의 발생에 의한 장기간의 유입하수 자료를 발생시켰다.
본 연구에서는 유입하수량 및 수질 자료의 적정 확률분 포형을 추정하기 위해 Mathwave에서 제공하는 EasyFit 5.6 Professional을
이용하였다. 본 모델은 통계분석 프로그램으로 위험 분석, 과학, 경제, 신뢰성 조사, 수문학, 의학, 이미지 처리 등 다양한 종류의 무작위 자료에
적용이 가능하도록 개발되었으며, 55개 이상의 다양한 확률 분포에 맞는 최적 분포형을 찾아주며, PDF(Probability Density Function),
CDF (Cumulative Distribution Function), Hazard Function, Cumulative Hazard Function,
P-P plot, Q-Q plot, Probability Difference 등 분석 결과를 다양한 그래프 형태로 표시하여 사용자가 자료를 포괄적으로
분석하는데 용이하다.
모형에서의 적합도 검정(Goodness of Fit Tests)은 각 확 률분포형의 확률밀도함수의 이론값과 자료군의 계급구간별 빈도를 계산하여 작성한
상대 도수분포도를 정량적으로 비 교하여 이루어졌다. 일반적으로 적합도를 검정하는 방법으 로는 Chi-Square 방법, Kolmogorov-Smirnov
방법, Anderson- Darling 방법의 3가지가 사용되며, 결과를 통계적으로 제공 하여 선택한 신뢰도 수준에 따라 분포의 적절성을 검증할 수
있다. 본 연구에서는 Chi-Square 방법을 이용해 적합도 검정을 실시하였으며, 유의수준은 5%로 설정하였다. 이를 통해 해당 하수처리시설에서의
유입자료 특성을 가장 잘 반영하는 적정 확률분포형을 선정하였다.
다음으로 선정된 확률분포형을 활용하여 Monte Carlo 방 법을 통해 해당 자료의 장기 유입 자료를 발생시켰다. Monte Carlo 방법은 복잡한
상황 또는 문제를 분석하거나 예측하 기 위해 반도체/유체/역학 등 다양한 분야에서 사용되는 유 용한 시뮬레이션 기법의 일종으로, 입력변수를 확률함수로
보고 난수를 발생시켜서 적합한 값만을 취하며 나머지 값 을 버림으로써, 가장 근사한 결과 값을 얻는 방법이다. 모 형에서 가정한 확률분포에 따라 무작위표본추출(Random)에
의해서 우연결과를 발생시켜 주는 데 이용된다.
2.3. 활성슬러지 모델 및 시뮬레이터
하수처리 공정 시뮬레이션을 위한 활성슬러지 모델은 IWA ASM No.1 모델(Henze et al., 2000; Henze et al., 1987)을 이용하였으며, 침전 모델은 Simple-1d (Takács et al., 1991), 혐기성 소화모델은 경험식(Metcalf and Eddy, 2014)을 적용 하였다. ASM Model No.1은 유기물 산화와 질산화 및 탈 질 반응을 고려한 모델로 13개의 상태변수(State Variable)
와 8가지 프로세스를 통해 활성슬러지공정의 생물학적 기 작을 표현한다.
본 연구에서는 G하수처리시설의 주처리계통 뿐 아니라 슬러지 처리계통을 포함하는 전체 공정을 대상으로 시뮬레 이션을 수행하였다. 이는 슬러지 처리계통에서
발생하는 반 류수 부하를 고려하기 위함이었다. 동적시뮬레이션을 위한 정상상태 시뮬레이션은 2월에서 4월까지 하수처리시설 평 균 운영자료를 이용하였다.
ASM No.1의 동역학계수는 기 본 값만을 사용하였고, 이차침전지 침전효율 보정을 위하여 Simple-1d 모델의 침전속도를 보정하였다.
생성된 유입수질자료를 이용하여 활성슬러지 모델 및 시 뮬레이터를 통해 하수처리시설 시설개선을 위한 대안을 평 가하였다. 이를 위해 현재의 공정 상태에서
개선 가능한 4 개의 시나리오를 구성한 후 정상상태 조건에서 89일의 모 의기간을 유입하수량 및 수질에 따라 시뮬레이션 하여 각 각의 처리효율을 비교하고
국내 TMS 수질기준을 적용하여 최적 개선 대안을 선정하였다.
Table 3의 시나리오0 (S-0)은 설계자료를 참조한 현재 운 전조건이며, S-1은 S-0에서 총 내부반송율(NRCY)을 290% 에서 설치된 펌프의 최대
반송량을 고려한 반송율을 550% 로 증가하고, 외부탄소원인 메탄올 주입량을 자동제어 하는 시나리오다. 메탄올 주입량의 경우 S-0는 항상 일정량을
주 입하고 있으나, S-1의 경우 활성슬러지 모델을 이용한 비례 제어를 수행함으로써 유입부하에 따른 변동을 고려 할 수 있어 처리효율을 향상시킬 수
있는 시나리오다. S-2는 S-1 에 추가로 메탄올 주입량을 설치된 메탄올 주입펌프 최대 용량을 감안하여 90% 증가한 시나리오이며, S-3는 호기조
후단 용존산소를 3.0 mg/L에서 4.0 mg/L로 증가시키고, 계 열-1 호기조 용량을 30% 증가 및 현재 처리시설 여유공간 에 추가로 설치할
수 있는 반송펌프의 용량을 감안하여 총 내부반송율을 650% 로 설정한 시나리오다. S-4는 S-2에 계 열-1 무산소 용량을 20%, 호기조 용량을
60% 및 계열-2 호기조 용량을 30% 증가한 시나리오이다. 시나리오 S-3 및 S-4의 무산소 및 호기조 증가용량은 하수처리시설에서 사 용가능한
여유 부지를 고려한 용량이다.
Table 3. Scenarios to optimize the G-WWTP’s effluence from February to April
|
No.
|
Scenarios
|
|
S-0
|
Current operational condition (Only Methanol added without automation)
Total NRCY is 290% (design and operational value)
|
|
S-1
|
PI controller for Methanol (external carbon source)
The NRCY was increased to 550% of influent flow rate
|
|
S-2
|
S-1 and, Methanol dosage was increased to 90% than scenario S-0
|
|
S-3
|
DO set-point was increase from 3.0 to 4.0 mg/L at end of aeration zone
Aeration HRT of Train-1 was increased to 30% than scenario S-1
The NRCY was increased to 650% of influent flow rate
|
|
S-4
|
S-2 and, Anoxic HRT of Train-1 was increased to 20% than scenario S-1
Aeration HRT of Train-1 was increased to 60% than scenario S-1
Aeration HRT of Train-2 was increased to 30% than scenario S-1
|
시나리오 별 모의에 사용된 활성슬러지 모델 시뮬레이터는 국내에서 개발된 상업용 시뮬레이터인 MassFlow™ ((주)유 앤유, version 2.8.8,
http://www.massflow.kr)를 이용하였다. MassFlow는 ASM No.1 및 생물학적 인 모의를 위한 bio-P 모델, 침전모델 등 20여 가지 이상이 하수처리 공정을
지원 한다. 본 연구에서는 도출된 확률밀도함수에 대한 InversePDF 를 이용하여 유입하수 재현 기능을 MassFlow™의 추가 기 능(Add-on
feature)으로 개발하여 연구에 활용하였다.
3. Results and Discussion
3.1. 확률밀도함수를 이용한 하수처리시설 유입하수량 및 수질 재현
B시 G하수처리시설의 2014년 2월부터 4월 동안 유입하 수량, BOD, TN, TSS에 대하여 확률밀도 함수를 도출하였 다. Fig. 2 및 Table 4는 대상 항목별로 EasyFit을 이용하여 도출한 확률밀도함수를 나타낸다. 수온의 경우 유입하수량 및 수질과는 달리 2월에서 4월까지 시간에 따라
지속적으 로 상승하는 추세였기 때문에 확률밀도 함수를 도출하지 않고 운영자료를 그대로 사용하였다.
Fig. 2. Probability density functions and QQ plots of the G wastewater treatment plant influent.
Table 4. Log Normal probability density function for the influent flowrate and water quality
|
Probability Density Function (Two-Parameter Lognormal Distribution)
|
Flow
|
BOD
|
TSS
|
TN
|
|
μ |
σ |
μ |
σ |
μ |
σ |
μ |
σ |
|
f
x
;
Μ
;
Σ
=
exp
−
1
2
ln
x
−
Μ
Σ
2
x
Σ
2
Π
|
0.1420
|
12.771
|
0.0462
|
5.1512
|
0.1232
|
1.4734
|
0.1501
|
3.921
|
|
x > 0, –∞ < μ < ∞, σ > 0
|
도출한 확률밀도 함수는 LogNormal 함수로 EasyFit에서 제공하는 다양한 함수 중 적합도가 가장 높았다. 하수의 경우 유입하수량과 유입수질과
상관관계가 있는 것으로 알 려져 있으나(Metcalf and Eddy, 2014), G하수처리시설의 경 우 유입하수량과 유기물질 및 질소와의 R2 (Correlation Coefficient)가 최대 0.15로 매우 낮은 편이었다. 따라서, 유 입하수량 및 수질 재현 시 각 항목들 간의 상관관계를
고 려하지 않고 독립적으로 유입하수량 및 수질을 재현하였다.
선정된 LogNormal 확률밀도 함수와 몬테카를로 방법을 이용하여 G하수처리시설의 유입하수량과 유입수질(BOD, TSS, TN)을 2월에서 4월
총 89일 동안에 대하여 재현한 결과를 Fig. 3에 나타냈다. ASM No.1 모델의 적용을 위한 유입하 수 CODcr의 입력 값은 국내 하수처리시설에서 측정하지 않으므로 IWA(Henryk, 2004)에서 도시지역 유입하수의 BOD 와 COD/BOD 비율로 제안한 2.0 값을 이용하여 계산하였다.
Fig. 3. Generated influent flowrate, BOD, TSS, and TN of the G-WWTP during the spring season.
확률밀도함수를 이용하여 재현한 결과, 실제 운영자료 대 비 유입하수량, BOD, TN의 경우 97%에서 98.6%로 비슷 한 수준이나, TSS의 경우에는
약 109%로 다소 높게 나타 났다. 변동계수(CV)의 경우 확률밀도 함수를 이용하여 재 현한 값이 운영자료에 비하여 TSS를 제외하고 다소 높게
모의되었다. 이는 실제 운영자료와 재현 결과와의 차이는 도출한 확률밀도 함수인 LogNormal 함수와 실제 운영자료 의 적합도 차이에서 발생한 결과이다.
운영자료와 생성된 자료의 R2 및 피어슨 상관계수 값은 최소 0.931에서 최대 0.986으로 비교적 높은 것으로 나타 났다. 이는 유입하수량 및 수질 재현 결과가 운영자료를
비교적 잘 반영하고 있음을 의미한다. Table 5는 대상 항목 들에 대한 실제 운영자료와 확률밀도함수 기반 생성 자료 를 비교한 통계값을 나타낸 것이다.
Table 5. Comparison operation and generated using PDF of G-WWTP during spring season
|
Items
|
Flow rate, CMD
|
BOD
|
TSS
|
TN
|
|
Oper.
|
by PDF
|
Oper.
|
by PDF
|
Oper.
|
by PDF
|
Oper.
|
by PDF
|
|
Average
|
355,501
|
345,293
|
172.70
|
168.37
|
200.00
|
219.38
|
51.06
|
50.35
|
|
Oper/by PDF
|
0.971
|
0.975
|
1.097
|
0.986
|
|
STDEV
|
54,958
|
78,297
|
8.23
|
29.13
|
45.48
|
37.95
|
8.21
|
11.01
|
|
R2 |
0.967
|
0.931
|
0.943
|
0.972
|
|
Peason coef.
|
0.983
|
0.957
|
0.970
|
0.986
|
|
CV
|
0.15
|
0.23
|
0.048
|
0.173
|
0.227
|
0.173
|
0.161
|
0.219
|
3.2. 하수처리시설 시설개선을 위한 대안 평가
운영자료 분석 결과, G 하수처리시설은 초겨울에서 봄철 까지 방류수질을 빈빈히 초과하고 있으므로 시설개선이 필 요한 상황으로 나타났다. 이를 효과적으로
개선하기 위하여 현실적으로 가능한 4개의 시설개선 시나리오를 구성한 후 시뮬레이션 결과를 이용하여 대안을 비교 하였다. 선정한 4 개의 시나리오는
펌프 여유용량, 펌프 및 추가 반응조 설 치 여유공간을 고려한 시나리오이다.
Table 6은 각 시나리오별 시뮬레이션 결과를 질소 방류 수질 초과 여부로 평가 한 것이며, Fig. 4는 모의 결과를 그림으로 나타낸 것이다. Table 2의 운영자료에서와 같이 시뮬레이션 결과 BOD, COD 및 TSS는 모든 시나리오에서 방류수 수질기준을 만족하였다. 반면, 질소의 경우 시나리 오
1(S-1)과 2(S-2)에서 방류수 수질 기준을 초과하는 경우 가 발생하였다. Table 6과 Fig. 4에서 볼 수 있듯이 시나리 오 3(S-3)과 4(S-4)가 총 시뮬레이션 기간 89일 동안 법정 방류수수질기준을 만족하는 것으로 분석되었다. 시나리오
-2(S-2)는 질소의 경우 TMS 기준인 3시간 평균 초과횟수 가 주 10회 미만 기준을 만족하고 있으나 3시간 평균 5시 간 미만 기준을 달성하지
못할 것으로 분석되었다. BOD, TSS 및 총인의 경우 모든 시나리오에서 방류수 수질기준 을 만족하고 있었다. S-3와 S-4의 경우 방류수 수질기준을
모두 만족하고 있으나, 시설 개선 시나리오 중 S-3는 S-4에 비해 증설 용량이 약 1/3수준으로 건설비가 경제적인 장점 을 가진다. 이는 봄철
빈번히 발생하고 있는 방류수 수질 기준 초과에 대비하기 위하여, 생물반응조 용량 증설을 최 소화하고, 운전조건 개선을 통하여 처리효율 향상이 가능하
다는 점을 시사하고 있다.
Table 6. Summary of simulations for each G-WWTP scenario
|
Guideline
|
Unit
|
S-0
|
S-1
|
S-2
|
S-3
|
S-4
|
Guideline
|
|
Exceed the continuous 5 h
|
h
|
246
|
46
|
13
|
4
|
4
|
< 5
|
|
Exceed the 10 times per week
|
times
|
11
|
3
|
0
|
0
|
0
|
< 10
|
Fig. 4. Simulation result of the effluent’s nitrogen concentrations for each scenario.
시뮬레이션 결과를 신뢰도(Reliability Index)로 산출하여 비교하면 Table 7과 같다. 하수처리시설의 신뢰도는 특정 운전조건에서 일정기간 동안 성능을 달성할 수 있는 확률 로 정의 할 수 있다. 하수처리시설의 성능 관점에서
신뢰 도는 방류수 수질기준을 준수하는 시간 백분율로도 정의 할 수 있으므로, 법적 기준에서 요구하는 신뢰도 기준은 5 시간 연속 기준 준수 및 3시간
평균수질 초과횟수 주 10회 미만이 각각 99.77% (89일 기준) 및 94.05%가 된다.
Table 7. Reliability index1)of G wastewater treatment plant for each scenarios
|
Guideline
|
Unit
|
S-0
|
S-1
|
S-2
|
S-3
|
S-4
|
Guideline
|
|
Exceed the continuous 5 h
|
%
|
88.48
|
97.85
|
99.39
|
99.81
|
99.81
|
>99.77
|
|
Exceed the 10 times per week
|
%
|
74.70
|
91.37
|
97.32
|
100.0
|
100.0
|
>94.05
|
신뢰도 관점에서 판단할 때 TMS 운영을 위한 2가지 하 수처리시설 방류수 수질기준은 동등한 수준이라 할 수 없 으며, 3시간 평균수질 초과횟수 주
10회 미만 기준은 상대 적으로 달성하기 용이한 기준이라 할 수 있다. 이는 생물 학적 처리공정으로 운전하고 있는 하수처리시설의 경우 생 물반응조
및 침전지 체류시간이 10~12시간 이상이므로 수 리학적 완충효과에 의하여 1시간 간격으로 발생하는(연속 적이지 않은) 방류수질 초과 가능성이 매우
낮기 때문이다. 따라서, TMS 방류수 수질기준 적용 시 3시간 평균수질 연 속 3회 초과 기준만으로도 충분할 것으로 판단된다.
3.3. 선정대안에 대한 성능 평가
시설개선 시나리오 중 가장 경제적인 대안으로 선정된 S-3 시나리오에 대해 실제 운영상에 있어서 유입부하 변동에 얼마나 탄력적으로 대응할 수 있을지
평가하기 위해 유입 하수 발생특성을 변화시켜 시설의 적용성을 평가하였다. 시 나리오 S-3A와 S-3B는 유입하수량 조건을 각각 25% 및 30%
증가한 조건이며, S-3C와 S-3D는 질소부하를 각각 10% 및 15% 증가한 조건이다. 시뮬레이션을 위한 운전조 건은 메탄올 주입량을 제외한 반송율
및 반응조 용량은 S-3와 동일한 조건으로 설정하였다. 메탄올 주입량은 시나 리오별로 반응조 MLSS가 침전지 한계 플럭스를 초과하지 않는 농도인
MLSS 4,000 mg/L를 한계기준으로 설정하고 메탄올을 최대한 투입하는 것으로 시뮬레이션 하였다.
시뮬레이션 결과 시나리오 S-3에서 유입하수량이 25% 증가한 경우와 질소 부하가 10% 증가한 경우에는 방류수 수질기준을 달성하였지만, 유입하수량이
30% 증가한 경우 와 질소부하가 15% 증가한 경우에는 시뮬레이션 기간 동 안 3시간 평균수질 연속 3회를 각각 7회 및 10회로 방류수 수질기준을
초과하였다(Table 8). 시뮬레이션 결과를 통하 여 S-3 시나리오 적용 시 허용 가능한 유입하수량 및 질소 부하는 각각 추가로 약 25% 및 10%인 것으로 판단된다.
하지만, 3시간 평균수질 초과횟수 주 10회 미만 기준의 경 우에는 모든 유입조건에서 방류수수질 기준을 달성하였다. 이러한 결과는 앞의 결과에서와
마찬가지로 3시간 평균수 질 초과횟수 주 10회 기준은 실시간으로 측정하는 TMS 방류수 수질기준으로 적용으로 사용 시 적합하지 않을 것 으로 판단된다.
Table 8. Performance estimation for scenario-3 of G-WWTP
|
Guideline
|
Unit
|
S-3
|
S-3A
|
S-3B
|
S-3C
|
S-3D
|
Guideline
|
|
Exceed the continuous 5 h
|
h
|
4
|
5
|
7
|
2
|
10
|
< 5
|
|
Exceed the 10 times per week
|
times
|
0
|
0
|
0
|
0
|
0
|
< 10
|
Table 9는 각 대안별 89일 동안 소요되는 메탄올 사용량 을 산정한 결과를 나타낸 것이다. G하수처리시설의 메탄올 사용량은 유입하수량에 비하여 유입질소 부하
증가 시 더 많은 메탄올이 소요되는 것으로 분석되었다. 이는 G하수처 리시설의 경우 고농도 질소를 포함하고 있는 산업폐수, 음 식물폐수 및 분뇨 처리수를
유입하여 처리하고 있기 때문 에, 이들 유입하수량 대비 질소부하가 높은 연계처리수의 반입량이 증가하는 경우 하수처리시설 처리수질에 영향을 줄 수 있음을
의미한다. 향후 연계처리수의 질소 부하가 지속적으로 증가하거나 현재 수준을 유지하는 경우 질소부 하가 높은 연계처리수는 별도 처리하여 하수처리시설로
유 입하는 것이 보다 경제적인 처리대안이 될 수 있을 것으로 판단된다.
Table 9. Methanol dosage for each scenarios of G-WWTP
|
Guideline
|
Unit
|
S-3
|
S-3A
|
S-3B
|
S-3C
|
S-3D
|
note
|
|
Methanol dosage during 89 days
|
ton
|
1,628
|
2,156
|
2,241
|
2,498
|
2,647
|
Purity of methanol is about 50%
|
|
percent
|
100%
|
132%
|
138%
|
153%
|
163%
|
3.4. 컴퓨터 프로그램 개발
본 연구를 통해 도출한 확률밀도 함수를 이용하여 G하수 처리시설의 봄철(2월에서 4월) 유입하수량 및 유입수질 재현 기능을 상용 시뮬레이터인 MassFlow™
추가기능(Add-on component) 으로 개발하였다. 유입하수량 및 수질 재현을 위한 컴퓨터 소프트웨어는 Microsoft Visual Studio.NET
C#을 이 용하였다.
난수를 이용하는 몬테카를로 시뮬레이션 특성을 고려하 여 시드값(Seed value) 설정, 유입하수량 및 수질에 대한 재현 값 가중치 및 피크일(Peak
day) 설정에 대한 옵션을 추가하여 엔지니어들이 유입하수 발생 특성 재현을 용이하 게 할 수 있도록 구현하였다. 또한, 타 지역 하수처리시설 에
대한 PDF를 추가하여 확장 가능한 구조로 개발하였다.
4. Conclusion
본 연구에서는 G하수처리시설 유입하수량 및 유입수질을 확률밀도함수와 몬테카를로 시뮬레이션을 이용하여 재현하 고, 재현된 자료를 IWA ASM No.1기반
활성슬러지 모델 의 입력자료로 활용하여 시뮬레이션 결과를 통해 생물반응 조 운전조건 개선을 위한 대안을 평가하였다. 추가적으로, 선정된 대안의 실제
운영상의 탄력성을 평가하고 현재 TMS 방류수 수질기준의 적정성을 검토 하였다.
하수처리공정 시뮬레이션을 위한 89일 동안의 유입하수 량 및 수질 입력자료 재현을 위하여 확률밀도함수와 몬테 카를로 시뮬레이션을 이용하여 재현한 결과와
실제 운영자 료와 비교할 때, 재현한 결과는 운영자료 대비 평균적으로 97.1% ~ 109.8% 범위를 나타냈으며, 상관관계는 0.931에서 최대
0.986으로 재현 결과가 실제 운영자료와 양호한 상관 관계를 나타내어 적용성이 높은 것으로 나타났다.
하절기에 비하여 상대적으로 수온이 저하하고 유입부하 가 증가하는 G하수처리시설의 2월에서 4월의 활성슬러지 공정 처리효율 개선을 위한 4가지 시나리오
검토 결과를 통해, 현재 운영 중인 시설의 용량 증설을 최소화하고, 내 부반송율 증가, 외부탄소원 주입 및 공기량 제어 등을 통 한 운전조건 개선이
TMS 방류수 수질기준을 효과적으로 만족시키는 것으로 나타났다.
선정된 시설개선 시나리오(S-3)의 성능 평과 결과를 통해 현재 G하수처리시설의 경우 유입하수량 보다는 질소부하가 한계에 도달한 상황이며, 이를 해결하기
위해서는 다양한 연계처리수의 질소 부하를 감소하기 위한 전처리가 필요한 것으로 분석되었다.
시뮬레이션 결과를 통해 현재 환경부에서 적용하고 있는 TMS 적용 하수처리시설 방류수 수질기준 중 신뢰도 지수 가 상대적으로 낮고 하수처리공정의 특성을
반영하기 어려 운 3시간 평균수질 초과횟수 주 10회 미만 기준은 재검토 할 필요가 있는 것으로 나타났다.
본 연구의 결과는 G하수처리시설의 하수발생 특성을 반 영하는 모델로 G하수처리시설과 유사한 특성의 도시하수 처리시설 유입하수 및 수질 재현에 적용할
수 있을 것으로 판단된다. 특히, 지역별, 시기별 및 규모별 하수처리시설 유입하수량 및 수질 특성을 고려한 확률밀도 함수를 위와 같은 방법으로 도출하여
설계에 반영하는 경우 보다 현실 적인 조건에서 설계 대안을 평가하고, 향후 효과적인 운영 방안 수립에 있어 유용하게 활용될 수 있을 것으로 판단된다.
금회 개발된 프로그램은 국내 B시 G 하수처리시설의 2 월~4월을 대상으로 하여 하수발생 특성을 재현한 결과이므 로 향후 타 지역 하수처리시설 운영자료를
활용하여 모델 을 확장할 필요가 있다.
Acknowledgement
본 연구는 2016년도 산업통상자원부의 재원으로 한국에 너지기술평가원(KETEP)의 지원을 받아 수행한 연구과제입 니다. (No.20153010091980)
References
Carrasco I.J, Chang S.Y, 2005, Random Monte Carlo Simulation Analysis and Risk Assessment
for Ammonia Concentrations in Wastewater Effluent Disposal, Stochastic Environmental
Research and Risk Assessment, Stochastic Environmental Research and Risk Assessment,
Vol. 19, No. 2, pp. 134-145
Cosenza G, Mannina G, Viviani G, 2009, Parameter Estimation and Sensitivity Analysis
of a Nitrogen and Phosphorus Biological Removal Model, Modelling and Simulation Society
of Australia and New Zealand Inc, pp. 3151-3157
Gernaey K.V, Loosdrecht M.C.M, Henze M, Lind M, Jørgensen B, 2004, Activated Sludge
Wastewater Treatment Plant Modelling and Simulation: State of the Art, Environmental
Modelling & Software, Vol. 19, No. 9, pp. 763-783
Henze M, Gujer W, Mino T, van Loosdrecht M, 2000, Activated sludge models ASM1, ASM2,
ASM2D and ASM3, IWA Scientific and Technical Report No.9, IWA Publishing, pp. 54
Henze M, Grady C.P.L, Gujer W, Marais G.V.R, Matsuo T.A, 1987, General Model for Single-Sludge
Wastewater Treatment Systems, Water Research, Vol. 21, No. 5, pp. 505-515
Henryk M, 2014, Methods for Wastewater Characterization in Activated Sludge Modelling,
WERF Research Report Series, IWA Publishing
Jeppson U, 1996, Modeling Aspects of Wastewater Treatment Process, Ph.D Thesis, Dept.
of Industrial Electrical Engineering and Automation, Lund Institute of Technology
Lee J.Y, Park C.H, Oh H.M, Shin D.C, Lee M.H, Eom S.W, 2010, Studyon the Characteristics
of the Effluent from Municipal Wastewater Treatment Plants in Seoul, [Korean Literature],
Report of Research Institute on Public Health and Environment, Vol. 46, pp. 117-124
Lee T.H, Park M.H, Lee B, Hur J, Yang H.J, 2009, Effects of the Characteristics of
Influent Wastewater on Removal Efficiencies for Organic Matters in Wastewater Treatment
Plants, [Korean Literature], Journal of Korean Society on Water Environment, Vol.
25, No. 5, pp. 674-681
Metcalf and Eddy, 2014, Wastewater Engineering: Treatment and Resource Recovery, McGraw-Hill
Moon T.S, Choi J.H, Kim S.H, Cha J.H, Yoom H.S, Kim C.W, 2008, Prediction of Influent
Flow Rate and Influent Components using Artificial Neural Network (ANN), [Korean Literature],
Journal of Korean Society on Water Environment, Vol. 24, No. 1, pp. 91-98
National Institute of Environmental Research (NIER), 2012, [Korean Literature], Water
Quality Prediction and Assessment Using Bayesian Linear Regression, 11-1480523-001308-01,
National Institute of Environmental Research: Water Quality Control Center, pp. 3-10
Pak G.J, Jung M.J, Lee H.S, Kim D.W, Yoon J.Y, Paik K.R, 2012, Statistical Characteristics
and Stochastic Modeling of Water Quality Data at the Influent of Daejeon Wastewater
Treatment Plant, [Korean Literature], Journal of Korean Society on Water Environment,
Vol. 28, No. 1, pp. 39-49
Rieger L, Gillot S, Langergraber G, Ohtsuki T, Shaw A, Takacs I, Winkler S, 2013,
Guidelines for Using Activated Sludge Models, IWA Publishing
Shioya S, Shimizu K, Yoshida T, 1999, Knowledgebased Design and Operation of Bioprocess
systems, Journal of Bioscience and Bioengineering, Vol. 87, No. 3, pp. 261-266
Takács I, Patry G.G, Nolasco D, 1991, A Dynamic Model of the Clarification, Water
Research, Vol. 25, No. 10, pp. 1263-1271
William S, Gonwa P.E, Harris L, Byers Brandon, Koltz Symbiont, 2008, Using Full Factorial
Analysis to Enhance Water Quality Monitoring Programs, pp. 181-197