배후지 지하수위를 고려한 인공신경망 기반의 수평정별 취수량 결정 기법 = Determination of the Groundwater Yield of horizontal wells using an artificial neural network model incorporating riverside groundwater level data

국문 초록 (Abstract)

최근들어 방사형 집수정 방식의 대용량 강변여과수 개발에 따른 배후지의 지하수위 강하에 대한 우려가 존재하고 있다. 본 연구에서는 안성천의 방사형 집수정을 대상으로 Modflow를 활용하여 수평정의 취수량에 따른 배후지의 수위 강하를 예측하였으며, 이 데이터를 기반으로 배후지 수위 강하가 최소가 되는 수평정별 취수량을 결정하는 다층퍼셉트론 기반의 인공신경망 모델을 개발하였다. 하천 방향으로 굴착된 수평정 HW-6의 취수량을 높이는 것이 OW-7 및 OB-11 관측정의 지하수위를 높게 유지하는데 필요한 것으로 평가되었다. 또한, 모델 입력 자료의 수 및 훈련과 검증 자료의 분류는 인공신경망 모델 결과에 영향을 미치므로 유의하여야 한다. 향후 현장의 실제 운영 자료와 수치모델의 비교를 통하여 인공신경망 모델을 보완한다면 배후지의 지하수 관리에 기여할 것으로 본다.

다국어 초록 (Multilingual Abstract)

Recently, concern has arisen regarding the lowering of groundwater levels in the hinterland caused by the development of high-capacity radial collector wells in riverbank filtration areas. In this study, groundwater levels are estimated using Modflow software in relation to the water volume pumped by the radial collector well in Anseongcheon Stream. Using the water volume data, an artificial neural network (ANN) model is developed to determine the amount of water that can be withdrawn while minimizing the reduction of groundwater level. We estimate that increasing the pumping rate of the horizontal well HW-6, which is drilled parallel to the stream direction, is necessary to minimize the reduction of groundwater levels in wells OW-7 and OB-11. We also note that the number of input data and the classification of training and test data affect the results of the ANN model. This type of approach, which supplements ANN modeling with observed data, should contribute to the future groundwater management of hinterland areas.

참고문헌 (Reference)

1 김태형, "충적층 토질 특성을 고려한 강변여과수 수평집수관의 산출량 추정" 대한지질학회 52 (52): 291-301, 2016

2 Sahoo, G. B., "Use of artificial neural networks to evaluate the effectiveness of riverbank filtration" 39 (39): 39-12, 2005

3 MOCT, "National Master Plan of Groundwater Management" 2007

4 Kisi, O., "Modeling groundwater fluctuaitons by three different evolutionaly neural nework techniques using hydroclimatic data" 87 (87): 367-381, 2017

5 Daliakopoulos, I. N., "Groundwater level forecasting using artificial neural networks" 309 (309): 229-240, 2005

6 Shamsuddin, M. K. N., "Forecasting of groundwater level using artificial neural network by incorporating river recharge and river bank infiltration" 103 : 2017

7 Zakaria, M., "Artificial neural network: a brief review" 4 (4): 7-12, 2014

8 Devarajan, K., "Application of numerical and empirical models for groundwater level forecasting" 4 (4): 127-133, 2015

9 Adamowski, J., "A wavelet neural network conjunction model for groundwater level forecasting" 407 (407): 28-40, 2011