[논문 분석] 설계단계 의사결정 지원을 위한 모듈러 건축물의 탄소배출량 예측모델 개발 - 이준호

[출처]

dCollection 디지털 학술정보 유통시스템 (ajou.ac.kr)

dCollection 디지털 학술정보 유통시스템

 

1. 선택 배경

LCA와 머신러닝을 합친 연구는 환경을 보호하고 예측하는 데 아주 중요한 분야입니다. 제가 선택한 논문은 이 두 가지를 잘 결합한 연구로, 데이터가 어디서 왔고 어떻게 만들어졌는지 자세히 설명하고 있어 배우기 좋습니다. 이런 논문을 통해 실제로 쓸 수 있는 방법을 배우고, 데이터 처리와 분석 능력을 키울 수 있습니다. 앞으로도 이런 연구를 계속 공부해서 환경 분야에서 머신러닝을 더 잘 활용할 수 있기를 바랍니다.

여러분도 관심 있는 분야의 논문을 고를 때, 연구 배경뿐만 아니라 데이터의 출처와 생성 방법이 자세히 설명된 논문을 선택해 보세요. 이것이 여러분의 학습과 연구에 큰 도움이 될 것입니다.

 

2. 연구 배경

연구의 목적

이 연구의 목적은 설계 단계에서 신속하고 정확하게 탄소배출량을 평가할 수 있는 모델을 개발하는 것입니다. 최소한의 입력변수로도 쉽게 사용할 수 있는 예측 모델을 제시합니다. 이를 통해 모듈러 건축물의 탄소배출량을 효과적으로 관리할 수 있습니다. 이는 지속 가능한 건축을 지원하는 중요한 도구가 될 것입니다. 간단하고 빠른 평가 모델로 건축의 환경 영향을 줄이는 데 기여하고자 합니다.

연구의 필요성

탄소 중립 목표를 달성하기 위해 건축물의 탄소배출량 관리는 필수적입니다. 기존 RC조 건축물과 비교해 모듈러 건축물에 대한 탄소배출량 연구는 아직 부족합니다. 효율적인 설계 결정을 통해 건축물의 생애주기 환경 영향을 최소화할 필요가 있습니다. 따라서 모듈러 건축물의 탄소배출량을 체계적으로 연구하는 것은 매우 중요합니다. 이 연구는 이러한 필요성을 충족시키기 위해 진행되었습니다.

 

LCA란?

LCA(Life Cycle Assessment)란 제품이나 서비스가 환경에 미치는 영향을 전체 생애 주기 동안 평가하는 방법입니다. 이는 원자재 채굴부터 제조, 유통, 사용, 폐기까지 모든 단계를 포함합니다. 각 단계에서 발생하는 에너지 소비와 오염물 배출 등을 종합적으로 분석하여 환경 영향을 평가합니다. 이러한 전과정 평가는 지속 가능한 개발을 위해 필수적인 도구로 사용됩니다. 기업과 정책 입안자들이 더 나은 의사 결정을 내릴 수 있도록 도와주며, 제품의 환경 성능을 개선하는 데 기여합니다.

 

3. 논문 분석

 

한 줄 설명

• 모듈러 건축물의 탄소배출량을 예측하기 위한 기계 학습 기반 모델을 개발하여 설계 단계에서 의사결정을 지원하는 방법을 제안

 

  이 연구는 전 생애주기 탄소배출량을 산정하고 초기 데이터를 생성하는 것으로 시작합니다. 기계 학습에 필요한 데이터를 만들기 위해 10개의 입력변수를 설정하고 JePlus 소프트웨어를 사용하여 시뮬레이션을 수행합니다. 입력변수를 줄이기 위해 상관관계 분석을 통해 5개의 주요 변수를 선택합니다. 그런 다음 MLR, RF, GBRT, KNN, SVR 알고리즘을 사용하여 예측 모델을 생성합니다. 이를 통해 신속하고 정확한 탄소배출량 예측 모델을 개발하는 것을 목표로 합니다.

 

 자세한 데이터 생성 방법은 다음과 같습니다.

 

 이 연구에서는 LCA 방법을 이용해 y값인 탄소 배출량을 계산합니다. 이를 통해 각 단계에서 발생하는 탄소 배출량을 종합적으로 평가할 수 있습니다. 또한, 기계 학습에 필요한 데이터를 얻기 위해 10개의 입력변수를 설정하여 10,000개의 데이터를 샘플링합니다. 

  x값인 입력변수 선정 기준은 선행연구, 특히 Mao와 Tsay의 논문에서 많은 영향을 받았습니다. 추가적으로, 연구의 특성에 맞는 변수를 더하여 최적의 예측 모델을 개발하려고 합니다. 

 

 추가적으로, 연구의 특성에 맞는 변수를 선택하여 최적의 예측 모델을 개발하려고 합니다. 변수 재설정(선택) 방법으로는 상관관계 분석을 사용하여 5개의 주요 변수를 최종적으로 선택합니다.

 

 

y값인 LCCO2 변수와 상관관계가 매우 작은 변수들은 제거하고, 최종적으로 5개의 주요 변수를 선택합니다.

 연구 결과, RF(Random Forest) 모델이 가장 높은 예측 정확도를 보였습니다. GBRT도 높은 정확도를 보였으나 시간이 많이 소요되어, 시간과 정확도를 함께 고려했을 때 RF가 더 합리적이라는 결론에 도달했습니다. 최종적으로 향, 창면적비, SHGC, VT, 창호 열관류율을 주요 입력변수로 설정하여 예측 모델을 개발했습니다. 이 모델은 신속하고 정확한 탄소 배출량 예측을 가능하게 하여 지속 가능한 건축을 지원합니다. 이를 통해 효율적인 설계 결정을 내릴 수 있게 되었습니다.

4. 마무리

  각 알고리즘의 차이점을 이해하고, 왜 정확도에서 차이가 났는지, 특히 RF와 GBRT의 정확도가 높았던 이유를 공부하는 것이 중요합니다. 이는 두 알고리즘이 모두 트리 기반 모델이라는 점과 관련이 있을 것으로 보입니다. 

 

5. 추가 내용

(1) 결정 트리

[파이썬 머신러닝 완벽 가이드] 04 분류 (1) 결정 트리 (tistory.com)

[파이썬 머신러닝 완벽 가이드] 04 분류 (1) 결정 트리

 

 

(2) Random Forest

[파이썬 완벽 가이드] 04 분류 (6) 랜덤 포레스트 (tistory.com)

[파이썬 완벽 가이드] 04 분류 (6) 랜덤 포레스트