관측 강우와 심층신경망의 적용을 통한 도시홍수 분석

• 영문명: Applying Observed Rainfall and Deep Neural Network for Urban Flood Analysis
• 발행기관: 한국방재학회
• 저자명: 김현일(Kim, Hyun Il) 이재영(Lee, Jae Young) 한건연(Han, Kun Yeun) 조재웅(Cho, Jae Woong)
• 간행물 정보: 『2. 한국방재학회 논문집』 20권1호, 339~350쪽, 전체 12쪽
• 주제분류: 공학 > 기타공학
• 파일형태: PDF
• 발행일자: 2020.02.28

국문 초록

도시유역의 홍수 발생은 주로 저지대의 유수 집중과 배수관거의 만관에 의해 발생하는데, 이는 높은 강우강도와 집중적인양상을 가지는 강우 사상과 함께 나타난다. 도시유역에 대한 유출량 사전 분석을 위해서는 SWMM이 이용될 수 있지만, 대상 유역이 넓고 배수시스템이 복잡한 경우 1차원 도시유출해석에 적지않은 시간이 발생할 수 있다. 또한, 특정 도시 유역에대하여 많지 않은 침수 사례와 침수 유발 관측강우의 부족은 홍수 대비에 대한 기초자료를 제공하는데 어려움이 있다. 홍수를일으킬 위험 강우 발생 시 긴급하게 도시 유출량을 예측하기 위해서, 본 연구에서는 6시간 지속시간을 가지는 전국단위관측 강우사상을 반영하여 심층신경망 모형을 구축하였다. 하나의 강우사상에서 10개의 통계적 특성을 입력 자료로서 고려하였으며, 예측하고자 하는 목표값은 SWMM을 통한 10분 단위 총 누가 월류량으로 하였다. SWMM모의 결과의 적절성을 검증하기위해 2차원 수리해석 모형과 침수흔적도를 연계한 검증을 실시하였다. 대상지역에 대한 SWMM의 모의 시간은 14분이 소요되었으며, 본 연구에서 제시된 심층신경망과 관측 강우 자료 기반 모형은 2~3초 내외에서 수행되었다. 예측은 강남(400) AWS에서2011년 7월 27일에 관측된 강우사상에 대한 총 누가 월류량을 대상으로 하여 모형의 실용성을 검증하였다.

영문 초록

Urban flooding primarily occurs due to flash floods in low-lying regions or insufficient capacity of drainage systems. Urban inundation has become more dangerous to residents because of an increase in impermeable areas, uncertainties in urban sewage planning, and the accumulation of sedimentation in drainage pipes. As an urban watershed with a drainage system and an urbanized river is complicated, a specific time interval is required for the preparation and processing of urban runoff analysis. To allow for rapid simulations of urban runoff estimation during heavy rainfall, a deep neural network model that imitates the conditions of a 6-h duration rainfall was developed in this study. Ten different statistical aspects for each rainfall event were considered as input data, and the total accumulated overflow from a manhole was calculated at intervals of 10 min using storm water management model (SWMM). To verify the accuracy of the results from SWMM, the results obtained from a two-dimensional hydraulic model and an inundation trace map were compared. The computational times for the deep neural network and rainfall data-based models proposed in this study were estimated to be within 1 s, whereas the simulation using SWMM required 14 min. The proposed deep learning model was tested using the total accumulated overflow for the rainfall event observed at Gangnam (400) automatic weather station on July 27, 2011. The simulated results agreed with the observed results in terms of the total accumulated discharge.

목차

1. 서 론

2. 연구 방법

3. 모형의 적용

4. 결 론

감사의 글

References

키워드

도시홍수 실측 강우사상 심층신경망 홍수예측 Urban Flood Observed Rainfall Deep Neural Network Flood Prediction