지하수 오염은 가시적으로 확인할 수 없어 그 정도 및 범위를 예측하기 어렵고, 오염된 토양과 지하수 복원은 다른 오염 정화복원에 비해 복잡하고 많은 시간이 소요된다. 예측이 어려운 반응이 발생하는 지하수와 같은 환경을 관리하기 위해서 모델링은 필수적으로 수행되어야한다. 따라서 수자원 분야 뿐만 아니라 다양한 환경 분야에서 모델링을 통해 관리하고 있다. 보편적으로 수치 모델을 이용하는데, 최근 수치모델의 복잡성으로 인해 경험적 모델인 인공지능 기법이 적용되는 추세이다. 지하수 정화기법 중 하나인 투수성 반응벽체는 전 세계적으로 오염된 토양 및 지하수 현장 복원 기술 중 효율적이고 유망한 기술 중 하나이다. 현재 200개 이상의 Full Scale PRB가 설치되어있고 많은 연구가 진행되었지만, 오염물질의 다양성, 지구화학적 조건, 수문학적 특성의 차이로 인해 여전히 현장 설계 시 어려움을 겪고 있다. 제대로 된 부지특성화를 진행하기 위해서는 장기간 모니터링 및 그에 따른 비용적인 문제가 있다. 하지만 내부에서 도출된 결과는 현장에서의 예측하기 어려운 지중환경 조건에서 따라 달라질 수 있기 때문에 필요한 과정이다. 이에 따라 적은 시행착오를 겪으면서 현장에서의 설계를 진행하기 위해서는 경험적인 지식뿐만 아니라 정량적으로 판단해서 의사결정에 도움을 주는 도구가 필요하다.
따라서 본 연구에서는 기존 투수성 반응벽체(PRB)의 설계를 돕고자 반응벽체 내 반응매체 선정시 지하수 영향인자(수리지질학적 특성 등)를 고려하는 기계학습 모델을 개발하고자 하였다. 이후 개발된 모델을 통해 실제 적용 지역과 동일한 반응물질이 예측되었는지 평가하였다. 연구에서 사용된 모델 학습에는 파일럿 스케일 규모 이상의 데이터를 이용하였으며 학습에 사용되지 않은 부지의 데이터를 통해 모델의 적용가능성을 판단하고자 하였다. 여러 기계학습 알고리즘 중 가장 보편적으로 사용되는 4가지를 이용해서 개발한 결과, 최적화된 모델별 정확도는 ANN 모델 0.8 > RF 모델 0.6 > XGB 0.5로 인공신경망 모델이 가장 높은 정확도로 나왔다. 또한, F1 -Score가 1에 가까운 값을 보여 불균형 데이터에도 적합하게 도출되어 선정 모델로 사용하기에 적합하다고 판단하였다. 이는 인공신경망 기반의 ANN 모델이 비선형적인 데이터에 대한 학습효과가 높아 이런 결과가 나온 것으로 판단된다. 향후 PRB의 반응 매질을 ANN과 같은 경험적 모델 사용 시, 실제 현장 적용 가능성의 지표가 될 수 있다고 판단하였다.