[Paper] Surrogate-assisted Neuroevolution을 이용한 물 배급 시스템의 염소 처리 최적화

Source: arXiv - 2602.07299v1

Overview

광범위한 도시 네트워크에서 안전한 식수를 보장하는 것은 전형적인 “빅데이터와 제어” 문제입니다: 염소를 병원균을 죽일 만큼 정확히 투여해야 하지만, 사용자나 환경에 해를 끼치지 않을 정도로만 투여해야 합니다. 논문 Optimizing Chlorination in Water Distribution Systems via Surrogate‑assisted Neuroevolution은 신경진화, 다목적 최적화, 대리 모델링이라는 세 가지 AI 기법을 결합하여, 효과적이면서도 계산적으로 실행 가능한 투여 정책을 자동으로 생성함으로써 이 과제를 해결합니다.

주요 기여

• Neuroevolution‑based controller design – NEAT(NeuroEvolution of Augmenting Topologies)를 사용해 염소를 어디에 그리고 언제 주입할지를 결정하는 신경망을 진화시킵니다.
• Multi‑objective formulation – 네 가지 상충 목표를 동시에 최적화합니다: (1) 총 염소 사용 최소화, (2) 잔류 염소의 공간적 균일성, (3) 안전 한계 준수(과다 농도 방지), (4) 주입의 시간적 규칙성.
• Surrogate model for fast evaluation – 경량 신경망을 훈련시켜 업계 표준 수리 시뮬레이터인 EPANET을 모방함으로써 평가 시간을 분 단위에서 밀리초 단위로 단축합니다.
• Pareto‑optimal policy set – 다양한 투여 전략 포트폴리오를 생성하여 운영자가 “모두에게 맞는 하나의 해”가 아닌 여러 가지 트레이드‑오프 옵션 중에서 선택할 수 있게 합니다.
• Empirical superiority over RL baselines – 진화된 컨트롤러가 여러 현실적인 급수 네트워크 시나리오에서 모든 목표에 대해 Proximal Policy Optimization(PPO)보다 우수함을 입증합니다.

방법론

1. 문제 인코딩

   • 물 배급 시스템(WDS)은 노드(교차점, 탱크)와 파이프의 그래프로 추상화됩니다.
   • 각 의사결정 단계에서 컨트롤러는 “염소 처리 스테이션”의 일부에 대한 주입 속도 벡터를 출력합니다.

2. NEAT를 이용한 신경진화

   • 단순한 피드‑포워드 네트워크에서 시작하여 진화가 은닉 노드와 연결을 추가하도록 하여 적절한 네트워크 복잡성을 자동으로 발견합니다.
   • 적합도는 네 가지 목표를 통해 계산되며, 다양성을 유지하기 위해 NSGA‑II의 파레토 순위를 사용해 결합됩니다.

3. 대리 모델링

   • 별도의 신경망(대리 모델)은 수천 번의 EPANET 시뮬레이션 실행을 통해 학습되어, 주입 행동 → 네트워크 전체의 염소 농도 결과 매핑을 학습합니다.
   • 진화 과정에서 각 후보 컨트롤러는 대리 모델을 사용해 평가되며, 이를 통해 수백만 번의 저비용 적합도 평가가 가능해집니다.

4. 다중 목표 최적화 (NSGA‑II)

   • 개체군은 비지배 프런트로 정렬되며, 군집 거리(crowding distance)는 목표 공간 전반에 걸친 솔루션의 분포를 유지합니다.
   • 일정 세대 수가 지나면 최상의 파레토 프런트가 추출되어 전체 EPANET 시뮬레이터에서 추가 검증을 수행합니다.

5. 기준선 비교

   • PPO 에이전트가 동일한 대리 환경에서 학습된 후 EPANET에서 테스트됩니다.
   • 성능 지표(염소 사용량, 농도 변동, 안전 위반)는 각 방법 간에 비교됩니다.

결과 및 발견

• 대리 모델이 EPANET 대비 R² ≈ 0.96을 달성하여 진화 평가에 대한 신뢰성을 확인했습니다.
• 파레토 프론트는 명확한 트레이드‑오프를 보여주었습니다: 염소 사용을 적극적으로 최소화하는 정책은 공간 변동성을 증가시키는 경향이 있었으며, 균일성을 강조하는 정책은 약간 더 많은 염소를 사용했습니다.
• 소형, 중형, 대형의 세 가지 벤치마크 도시 규모 네트워크 전반에 걸쳐, 신경진화 접근법은 모두 네 가지 목표에서 PPO보다 일관되게 우수한 성과를 보였습니다.

실용적 함의

• 플러그‑앤‑플레이 투여 컨트롤러 – 유틸리티는 진화된 신경망을 SCADA 시스템에 직접 배포할 수 있으며, 추론 비용은 무시할 수준(결정당 서브밀리초)이다.
• 의사결정 지원 대시보드 – 파레토 프론트는 운영자가 현재 운영 우선순위에 맞는 전략을 선택할 수 있도록 “정책 선택기” UI를 제공한다(예: 비용 절감 vs. 엄격한 안전).
• 화학 물질 비용 및 환경 영향 감소 – 염소 사용량을 약 10 % 절감함으로써 지방자치단체는 구매 비용과 하류 염소 부산물을 줄일 수 있다.
• 다른 소독제에도 확장 가능 – 동일한 프레임워크는 대리 모델의 학습 데이터를 교체함으로써 염소아민, 오존, 또는 UV 투여에 맞게 재학습시킬 수 있다.
• 시뮬레이션‑인‑루프 설계 가속 – 대리 모델 기반 진화는 고성능 컴퓨팅 클러스터의 필요성을 없애며, 중형 수처리 시설에서도 워크플로우를 구현 가능하게 한다.

제한 사항 및 향후 작업

• 대리 모델 정확도 – 대리 모델은 테스트된 네트워크에서 좋은 성능을 보였지만, 파열과 같은 드문 수리학적 사건은 학습 분포를 벗어날 수 있어 제어기의 안전성이 저하될 수 있습니다.
• 정적 네트워크 토폴로지 – 연구는 고정된 파이프 레이아웃을 가정합니다; 실제 네트워크는 새로운 연결이나 유지보수 차단 등으로 변화하며, 정기적인 재학습이 필요합니다.
• 제한된 실세계 검증 – 실험은 시뮬레이션 환경에 국한되었으며, 센서 노이즈와 운영 제약에 대한 견고성을 평가하기 위해 현장 시험이 필요합니다.
• 다목적 공간의 확장성 – 목표를 추가(예: 펌프 에너지 소비)하면 파레토 프런트의 복잡성이 증가하여 보다 정교한 선택 메커니즘이 필요합니다.

향후 연구 방향

1. 실시간 센서 데이터로 대리 모델을 지속적으로 업데이트하는 온라인 학습 루프.
2. 안전성을 보장하기 위해 신경진화와 모델 기반 MPC를 결합한 하이브리드 접근법.
3. 다중 물질 수질 관리(예: 염소와 불소를 동시에 투입)로 방법론 확장.

핵심 요약: 고정밀 수리 시뮬레이터의 빠른 대리 모델 위에서 신경 제어기를 진화시킴으로써, 저자들은 보다 스마트하고 친환경적인 염소 투입을 위한 실용적인 데이터 기반 경로를 제시합니다—이 접근법은 다른 복잡한 인프라 제어 문제에도 적용될 수 있습니다.

저자

• Rivaaj Monsia
• Daniel Young
• Olivier Francon
• Risto Miikkulainen

논문 정보

• arXiv ID: 2602.07299v1
• 분류: cs.NE, eess.SY
• 출판일: 2026년 2월 7일
• PDF: PDF 다운로드