Deep learning models are often used to interpret and predict patterns and relationships inherent in 
nature, but due to the nature of black box models, they do not consider the conservation of mass, 
momentum, and energy, which can lead to predictive results that do not satisfy physical laws. 
Recently, as an alternative to solving this problem of deep learning, the PGDL (Process-Guided 
Deep Learning) method, which trains a deep learning model by reflecting the laws of physics, is 
being used. This study was aimed to develop a PGDL model that combines a mechanical model 
and a deep learning model to predict water temperature by depth of Daecheong Reservoir 
(Republic of Korea) and evaluate its performance. The mechanical model CE-QUAL-W2 was 
used to simulate the water temperature and energy balance of the Daecheong Reservoir. The 
model was calibrated and validated using the field data collected in 2017 and 2018, respectively. 
The model appropriately simulated the temporal variations of the reservoir water level and 
vertical profile of water temperature over the simulation period. In addition, a recurrent neural 
network model, Long Short-Term Memory (LSTM) was developed in order to simulate the water 
temperature by depth during the same period. The dependent variable was high frequency water 
temperature data collected using thermometer chains, and independent variables include 
temperature, wind speed, relative humidity, precipitation, shortwave and longwave radiations that 
were used as meteorological boundary conditions of the mechanical model. Finally, the PGDL 
model was built using the same inputs as the LSTM model over the same period, and if it does 
not satisfy the energy balance obtained from the mechanical model, we trained it to satisfy the 
physical conservation law by adding penalty to the cost function. The PGDL prediction results 
were compared with those of CE-QUAL-W2 and LSTM.