app.py

import streamlit as st
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image  # Image 모듈 임포트

# 사용자 입력 받기
st.title("잔류 염소 농도 예측 모델링기반 ML-based 이상예측 툴 (예시)")

# 이미지 불러오기
try:
    im = Image.open("AI_Lab_logo.jpg")
    st.sidebar.image(im, caption=" ")  # 사이드바에 이미지 표시
except FileNotFoundError:
    st.sidebar.write("Logo image not found.")  # 이미지가 없을 때의 처리

st.sidebar.header("모델 인풋 설정")

DOC = st.sidebar.slider("DOC (mg/L)", 0.0, 10.0, 5.0)
NH3 = st.sidebar.slider("surrogate var. (mg/L)", 0.0, 5.0, 0.5)
Cl0 = st.sidebar.slider("현재농도 Cl0 (mg/L)", 0.0, 5.0, 1.5)
Temp = st.sidebar.slider("Temperature (°C)", 0.0, 35.0, 20.0)
max_time = st.sidebar.slider("최대예측시간 (hrs)", 1, 24, 5)

# 추가적인 사이드바 입력 (k1, k2 범위)
st.sidebar.header("EPA 모델 k1, k2 범위 설정")
k1_low = st.sidebar.slider("AI High1 (k1최대 적정범위)", 0.01, 5.0, 3.5)
k1_high = st.sidebar.slider("AI Low1 (k1최소 적정범위)", 0.01, 5.0, 2.0)
k2_low = st.sidebar.slider("AI High2 (k2최대 적정범위)", 0.01, 5.0, 0.1)
k2_high = st.sidebar.slider("AI Low2 (k1최소 적정범위)", 0.01, 5.0, 0.5)

# EPA 모델에서 k1, k2 계산
k1_EPA = np.exp(-0.442 + 0.889 * np.log(DOC) + 0.345 * np.log(7.6 * NH3) - 1.082 * np.log(Cl0) + 0.192 * np.log(Cl0 / DOC))
k2_EPA = np.exp(-4.817 + 1.187 * np.log(DOC) + 0.102 * np.log(7.6 * NH3) - 0.821 * np.log(Cl0) - 0.271 * np.log(Cl0 / DOC))

# Two-phase 모델에서 A, k1, k2 계산
A_Two_phase = np.exp(0.168 - 0.148 * np.log(Cl0 / DOC) + 0.29 * np.log(1) - 0.41 * np.log(Cl0) + 0.038 * np.log(1) + 0.0554 * np.log(NH3) + 0.185 * np.log(Temp))
k1_Two_phase = np.exp(5.41 - 0.38 * np.log(Cl0 / DOC) + 0.274 * np.log(NH3) - 1.12 * np.log(Temp) + 0.05 * np.log(1) - 0.854 * np.log(7))
k2_Two_phase = np.exp(-7.13 + 0.864 * np.log(Cl0 / DOC) + 2.63 * np.log(DOC) - 2.55 * np.log(Cl0) + 0.62 * np.log(1) + 0.16 * np.log(1) + 0.48 * np.log(NH3) + 1.03 * np.log(Temp))

# 시간에 따른 농도 계산
time_range = np.linspace(0, max_time, 100)

# EPA 모델 (원래 입력값으로 계산)
C_EPA = np.where(time_range <= 5,
                 Cl0 * np.exp(-k1_EPA * time_range),
                 Cl0 * np.exp(5 * (k2_EPA - k1_EPA)) * np.exp(-k2_EPA * time_range))

# 시간에 비례한 랜덤 변동 추가 (최대 20%)
def apply_time_based_variation(array, max_time):
    variation_factors = 1 + (time_range / max_time * 2) * np.random.uniform(-0.2, 0.4, size=array.shape)
    varied_array = array * variation_factors
    return varied_array

C_EPA_varied = apply_time_based_variation(C_EPA, max_time)

# Two-phase 모델 (원래 입력값으로 계산)
C_Two_phase = Cl0 * (A_Two_phase * np.exp(-k1_Two_phase * time_range) + (1 - A_Two_phase) * np.exp(-k2_Two_phase * time_range))

# EPA 모델 (사용자가 설정한 k1, k2 범위로 High, Low 계산)
C_EPA_low = np.where(time_range <= 5,
                     Cl0 * np.exp(-k1_low * time_range),
                     Cl0 * np.exp(5 * (k2_low - k1_low)) * np.exp(-k2_low * time_range))

C_EPA_high = np.where(time_range <= 5,
                      Cl0 * np.exp(-k1_high * time_range),
                      Cl0 * np.exp(5 * (k2_high - k1_high)) * np.exp(-k2_high * time_range))

# 그래프 그리기
plt.figure(figsize=(10, 6))
plt.plot(time_range, C_EPA_varied, label='실측데이터(virtually generated)', color='blue', linewidth=3.5)
#plt.plot(time_range, C_Two_phase, label='Two-phase Model (Original Input)', color='green', linewidth=2.5)
plt.plot(time_range, C_EPA_low, label='EPA Model Low (User Input)', color='orange', linestyle='--', linewidth=2.5)
plt.plot(time_range, C_EPA_high, label='EPA Model High (User Input)', color='red', linestyle='--', linewidth=2.5)
plt.xlabel('Time (hrs)')
plt.ylabel('Residual Chlorine (mg/L)')
plt.title('EPA and Two-phase Models of Residual Chlorine')
plt.legend()
plt.grid(True)
st.pyplot(plt)

# 결과가 범위 내에 있는지 여부를 체크 (0.5시간 이후만)
is_normal = np.all((C_EPA_varied >= C_EPA_low) & (C_EPA_varied <= C_EPA_high))
is_initial_phase = time_range <= 0.5
if is_normal or np.all(is_initial_phase):
    st.subheader("결과: 정상")
    st.markdown("<h1 style='text-align: center; color: green;'>정상</h1>", unsafe_allow_html=True)
else:
    st.subheader("결과: 비정상")
    st.markdown("<h1 style='text-align: center; color: red;'>비정상</h1>", unsafe_allow_html=True)