서 론
재료 및 방법
대상 시설
기계학습
결과 및 고찰
데이터 전처리
기계학습 모델별 정확도 비교
적정 예측 모델 선정
적정 예측 모델을 통한 변수별 영향 정도 비교
적정 예측 모델을 이용한 팬 제어 시간에 따른 공동구 내부 환경 예측
결 론
서 론
지하 공동구는 전력, 통신, 수도, 난방 등의 시설을 지하의 일정 공간에 공동으로 수용하여 굴착 등의 도로 시설 훼손 없이 관리토록 한 도시기반시설이다. 국내에는 1978년 여의도 공동구를 시작으로 2021년 기준 전국 총 1,079,757 m2의 140개의 공동구가 설치되어 있다(KOSIS, 2022). 서울특별시, 한국전력공사 및 한국 통신공사에서 관리하는 공공용의 총연장 길이는 231.4 km, 전력구, 통신구, 난방구, 수도 등의 단독구의 경우는 총 50개소에 총연장 9.28 km이다(Seong et al., 2014).
지하 공동구는 일반 건축물과 달리, 일사가 없고 공기의 유동이 원활하지 못하기 때문에 시설물 내부 유해가스 발생 시 축적 위험이 있으며, 온습도와 같은 내부 공기 환경 조절이 어렵다. 전력구로부터 배출되는 열이 외부로 원활하게 배출되지 못하면 누적된 열로 인하여 전력구의 효율이 저하할 수 있으며, 극심한 경우 공동구 내 화재 등의 재해가 발생하여 도심지 내 통신 마비, 가스 폭발 등의 2차 피해가 발생할 수 있다. 또한, 지하수의 침투, 급·배기구, 출입구 등으로부터 유입된 빗물은 지하 공동구 내 결로를 발생시킴으로써 각종 시설물의 내구도를 감소시킬 수 있다. 따라서 지하 공동구의 공조시스템 운영 시 온도, 습도 및 유해가스 농도 등 내부 환경을 모니터링하고, 공조시스템 제어에 대한 데이터를 축적하여 공동구 관리 시 공조시스템 운영 일관성과 지속성을 확보해야 한다. 이를 위해서는 공동구 내부 환경에 영향을 주는 인자에 대해 분석하여 공동구 내부 공조 시스템 제어에 대한 계획을 설립해야 한다.
2010년 정립된 국토교통부 공동구 설치 기준에는 공조시스템에 대한 설계 항목으로 공동구 내 공기 유속, 지상 환기구 유속, 환기팬 설계 기준, 환기 소요 시간, 공동구 내 온도, 환기구 설치 기준 등을 포함하고 있다(MOLIT, 2021). 지하 공동구 내 공기 환경의 특성과 공조시스템의 평가 및 분석을 위해 국내에서는 배기팬 설계(Jin et al., 2014), 내부 온도 및 습도 환경 분석(Seong et al., 2014; Seong and Yoon, 2015; Seong et al., 2017; Yoo et al., 2017), 지하 공동구 내부 환기 및 습도 조절을 위한 설계와 규모의 최적화(Guoqing et al., 2019) 등의 연구가 수행되었다. 국외 연구로는 Guoqing et al. (2019)와 Shahrour et al. (2020)이 일반적으로 알려진 지하 공동구 내 문제점들을 모니터링하고 억제하기 위해 지하 터널 내부에 설치된 장비들을 항목별로 분류하여 내부 환경 조건을 모니터링하는 스마트 센서의 필요성을 제시하였다. Park et al.(2022)는 여름철 지하 공동구에 발생하는 결로를 분석하고 전산 유체 역학을 이용하여 공조시스템의 개선책을 연구하였다. 하지만 선행 연구의 경우 지하 공동구의 내부 환경에 대한 분석에 그친 경우가 많았으며, 내부 환경에 영향을 주는 구체적인 환경 인자와 지하 공동구에 설치된 공조시스템 모두와의 연관성 분석이 부족하였다.
본 연구에서는 지하 공동구에 설치된 공조시스템의 제어와 내부 환경에 영향을 주는 기상 인자에 따른 내부 공기 환경을 분석하였다. 지하 공동구는 국가 보안 시설로 출입이 자유롭지 않고 지하에 위치하고 있어 접근성이 낮아 센서 고장 및 노후화 시 내부 환경을 모니터링하기 위해서는 많은 제약이 발생한다. 따라서 지하 공동구 내부에 기설치된 온습도 자료와 지하 공동구 인근 기상대의 기상 자료, 지하 공동구의 공조시스템 제어 데이터를 다양한 기계학습 모델(Multi Linear Regression (MLR), k Nearest Neighbor regression (kNN), Support Vector machine Regression (SVR), Random Forest (RF))에 학습시켜 공동구 내부 환경을 예측하였다. 모델별 정확도를 비교 분석한 뒤 해당 공동구에 가장 적합한 모델을 선정하고, 모델의 변수 조정을 통해 모델을 적정 설계하였다. 최종적으로 선정된 모델을 이용하여 공조시스템 제어에 따른 공동구 내부 환경의 변화를 분석하였다.
재료 및 방법
대상 시설
Figure 1.
Schematic diagram of underground utility tunnel and ventilation hole by location (Park et al., 2022)
대상 공동구는 Park et al. (2022)에서 선정한 공동구와 동일한 시설로, 충청북도 청주시 청원구 소재로 2001년 12월에 시공되었다. 환기 설비로는 총 10개의 입기구와 9개의 배기구가 교대로 설치되어 있으며(Figure 1), 입기구는 자연급기, 배기구는 기계환기 시스템이 설치되어있다. 배기구의 배기팬을 가동하여 공동구 내부의 공기를 외부로 배출하며 입기구로부터 외부의 공기를 유입시키는 형태이다. 배기팬의 가동은 배기팬 인근에 설치된 RTU 온습도 센서에서 측정된 값을 기준으로 내부 온도 25도 이상 또는 상대습도 80%일 경우 해당 구간의 배기팬이 자동으로 가동되는 자동 제어 방식과 관리자의 경험에 의해 배기팬을 가동하는 수동 제어 방식으로 운영되고 있다. 해당 공동구에 설치된 각 배기팬의 설계 유량은 Table 1과 같다(Park et al., 2022). 본 연구에서는 배기팬에 설치된 RTU 온습도 센서 측정값과 배기팬 가동 시간을 2019년 11월부터 2020년 10월까지 수집하였다. 온습도 센서는 한 시간 단위로 측정되었으며, 배기팬 가동 시간은 한 시간 동안 배기팬을 가동한 시간을 기록하였다.
Table 1.
Flow rate of each outlet in the underground utility tunnel
| Outlet number | #2 | #4 | #6 | #8 | #10 | #12 | #14 | #16 |
| Flow rate (m3 min–1) | 57 | 57 | 27 | 72 | 340 | 340 | 372 | 372 |
입력자료로 활용할 시간 단위 기상 자료를 취득하기 위해 기상청 기상 자료개방포털에서 제공하는 기상 자료 중 대상 공동구와 가장 인근에 위치한 청주 기상대를 선정하였다. 해당 기상대는 공동구로부터 약 8 km의 거리에 위치하고 있으며, 기상 자료의 기간은 현장 실험 기간과 동일하게 2019년 11월부터 2020년 10월까지 데이터를 사용하였다.
기계학습
대상 공동구에서 취득한 공동구 내부 온습도를 외부 기상 자료와 공동구 내부 팬 가동 시간을 통해 예측하기 위하여 기계학습을 이용하였다. 학습 데이터의 경우 9:1의 비율로 각각 훈련, 시험 데이터로 무작위 분할하여 기계학습 모델의 정확도를 판별하였다. 기계학습 모델 적용 전, 데이터 전처리 과정을 거치고 다양한 기계학습 모델에 적용하여 공동구 내부 온습도의 실측값과 비교하여 가장 정확도가 높은 모델을 선정하였다. 선정된 모델을 바탕으로 내부 온습도에 영향을 미치는 인자를 판별하고, 공동구 내부 공조시스템 제어에 따른 공동구 내부 환경 변화를 분석하였다.
학습 데이터 전처리
취득한 데이터를 기계학습에 적용하기 전, 학습 데이터를 가공하기 위해 데이터 스케일링, 다중 공선성 분석 및 상관계수 분석을 거쳤다. 첫 번째로 데이터 스케일링을 통해 학습 변수 간 범위를 동일하게 설정하였고, 다중 공선성 분석을 통해 학습 인자 간 독립성을 판별하여 학습에 활용할 인자를 선정하였다. 최종적으로 상관계수 분석을 통해 기계학습 활용 전 데이터 간의 상관도를 시각화하였다.
기계학습에서 각 학습 인자의 범위가 상이하면 일반적으로 회귀분석 시 범위가 더 큰 값에 의해 영향을 받게 된다. 따라서 스케일링을 통해 학습 데이터의 범위가 동일하게 조절한다. 대표적인 스케일링 기법은 Min Max Scaler, Max Abs Scaler, Standard Scaler, Robust Scaler가 있는데, 원 데이터의 분포에 따라 적용할 수 있다(Amorim et al., 2023). 그 중 Min Max Scaler는 데이터의 범위가 제한되어있거나 분포가 가우시안 분포가 아닐 때 유용하다. 본 연구에서 활용된 기상 자료와 공동구 내부 환경 및 공조시스템 자료는 가우시안 분포를 갖는 데이터가 아니고 데이터의 범위가 제한적이므로 Min = 0, Max = 1로 설정하여 모든 데이터의 범위를 0에서 1로 설정하여 스케일링한 후 기계학습 모델에 입력하였다.
회귀분석은 각 변수가 서로 독립이라는 전제를 바탕으로 시행되어야 하므로 변수 간 독립성을 확인하기 위하여 다중 공선성을 활용하였다. 다중 공선성은 회귀분석에서 사용된 모형의 일부 예측 변수가 다른 예측 변수와 상관 정도가 높아, 데이터 분석 시 영향을 미치는 현상을 분석한다. 다중 공선성 평가에 가장 많이 활용되는 인자는 Variance Inflation Factor(분산 팽창 인수, VIF)로, 1과 유사할수록 모형을 신뢰할 수 있으며, 10 이상이면 변수 선택을 다시 고려해야 한다. VIF의 계산식은 식 (1)과 같다. R²은 실측치와 예측치 사이의 선형 관계를 정량적으로 나타내는 지표인 결정계수이다.
회귀분석 기계학습모델
기계학습모델
최근 컴퓨터 분야뿐만 아니라 모든 연구 분야에서 기계학습과 딥러닝을 이용한 분석이 다양하게 이루어지고 있다. 딥러닝의 경우 필요한 데이터의 양이 많이 학습 시간이 오래 걸리고, 변수 간 영향을 직관적으로 설명하기 어렵다. 따라서 본 연구에서는 기계학습 모델 중 회귀분석 모델을 이용하여 연산이 빠르고 설명 가능한 모델을 구축하고자 대표적인 지도학습 회귀 분석 모델을 선정하였다. 지도학습 회귀 분석 모델로는 선형 회귀 모델(선형, 로지스틱), k-최근접 이웃(kNN), 서포트 벡터 머신(SVM), 트리 모델(의사 결정 트리, RF, XGBoost, LightGBM) 등이 있다. 유형별 모델의 특성을 분석하기 위해 모델의 연산 시간과 모델의 설명 특성을 고려하여 유형별 모델을 하나씩 선정하였다. 최종적으로 외부 기상과 공동구 공조시스템 제어에 따른 공동구 내부 환경을 모의하기 위해 선정된 모델은 MLR, kNN, SVR, RF이다.
기계학습 변수 설정
기계학습 회귀분석에서는 각 변수를 선정하여 모델의 정확도를 높이는 것이 중요하다. 데이터의 형태에 따라 최적 변수가 다르므로, 시행착오를 거쳐 변수를 선정해야 한다. 따라서 본 연구에서는 모델 예측에 영향을 미치는 대표적인 변수를 선정하였다. 기타 변수는 python 패키지인 scikit-learn에서 제공하는 기본값을 이용하였다. kNN은 가까이 위치한 데이터의 개수를 의미하는 k를 3에서 12 범위로 조절하였고, SVR의 예측값을 근사하는 추정함수를 설정하는 네 가지 kernel인 linear, radial, sigmoid, poly를 선정하였다. RF는 의사결정 나무의 개수를 결정하는 n-estimators를 10개에서 200개 범위로 학습하였다(Table 2).
Table 2.
Variables for each machine learning regression model
| Model | Variable | Range |
| kNN | k | 3-12 |
| SVR | Kernel | linear, radial, sigmoid, poly |
| RF | n-estimators | 10-200 |
기계학습모델 성능평가
기계학습 회귀분석 예측 모델의 정확도를 평가하기 위해 대표적인 평가 지표인 determination coefficient (R²), Root Mean Square Error (RMSE) 및 Mean Absolute Error (MAE)를 선정하였다. R²은 결정계수로, 실측치와 예측치 사이의 선형 관계를 정량적으로 나타내는 지표로서 여러 분야에서 널리 이용된다. RMSE는 예측치의 단위를 포함하고 있는 평가 지표로서, 오차의 정량적 평가가 가능하다. MAE의 경우 오차의 절대적인 정도의 정량적 평가를 나타내는 지표로 이상치의 영향을 적게 받는다. 평가 지표에 관한 식은 Table 3에 나타내었다. 와 는 각각 측정 및 예측 데이터값, 는 측정 데이터 평균, n은 데이터 개수다.
SHAP (SHapley Additive exPlanation) 분석
SHAP value는 기계학습에서 여러 인자가 서로가 어떤 의사결정이나 행동을 하는지에 대한 인자이다. 하나의 변수에 대한 중요도를 알기 위하여 변수들의 조합을 구성하여 해당 변수의 유무에 따른 평균적인 변화를 산정한다. 식 (5)에서 는 모델의 출력 함수, 는 모델 내에 사용된 특성의 부분 집합 중 특성 가 포함된 부분 집합, 는 집합 에 포함된 특성의 개수, 은 모델 내 사용된 모든 특성의 개수, 는 특성 의 여분 기여도 가중 평균이다. Shapley value가 양수이면 긍정, 음수이면 부정적인 기여도를 의미한다(Han et al., 2023).
결과 및 고찰
데이터 전처리
학습 인자간 변수 범위로 인한 영향력 오차를 줄이기 위해 Min-max scaling을 진행하였다. 외부 기온의 경우, -10.0 ∼ 35.4도에서 분포하던 값이 0 ∼ 1로 변화하였고, Table 4와 같이 데이터의 분포를 10구간으로 나누었을 때 scaling 전후 비율이 거의 동일하였다. 다른 학습 인자들 모두 같은 비율의 범위로 스케일링하였다.
Table 4.
Rate of data in 10 ranges before and after Min-max Scaling
| (%) | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
| before scaling | 0.9 | 4.5 | 14.2 | 16.7 | 12.7 | 10.5 | 12.2 | 17.5 | 9.0 | 1.8 |
| min-max scaling | 0.9 | 4.4 | 14.1 | 16.7 | 12.7 | 10.4 | 12.1 | 17.5 | 9.3 | 2.0 |
다음으로 학습 데이터를 선정하기 위하여 종관 기상 자료에서 제공하는 34가지 기상 자료의 학습 변수 간 다중 공선성 분석을 진행하였다. 변수간 조합을 통해 다중 공선성의 지표인 VIF가 낮고 가장 많은 인자를 고려할 수 있는 학습 변수들을 선정하였다(Table 5). 이슬점온도와 지면 온도는 기온과 습도와의 연관성이 높아 다중 공선성의 평균 합이 가장 낮은 기온과 습도를 선정하였다. 또한, 증기압, 해면기압, 현지 기압 간의 연관성이 높게 나타나 다양한 인자를 학습하고자 연관성이 가장 높은 증기압을 제외하였다.
Table 5.
VIF value of train data
기계학습 모델별 정확도 비교
기계학습 회귀분석 모델의 학습은 100번 반복 시행하였고, 모델에서 변수가 변화할 때마다 모두 다시 수행하였다. 학습 결과, 모든 통계 지표에서 RF > SVR > kNN > MLR 순으로 정확도가 높게 산정되었다. Figure 2에 R2의 정확도 결과를 나타내었다. 특히, 모델의 정확도가 높을수록 반복 시행 시 정확도의 최댓값과 최솟값 간의 차이가 감소하는 것으로 나타났다.
MLR의 경우 학습, 시험 데이터 선정에 따른 반복 시행 시 정확도 분포가 매우 다양하게 나타났다. 따라서 해당 모델과 같이 학습 인자가 다양한 경우 단순 선형 회귀 분석을 통해 예측하기 어려운 이상점(outlier)들이 존재한다. 학습 변수간의 관계를 그래프상의 거리를 이용하여 가장 근접한 예측값을 찾는 kNN과 손실함수를 이용하여 회귀선의 오차를 최소화하는 SVR의 경우는 거의 유사한 정확도를 보였다. kNN의 경우 k가 증가할수록 정확도가 개선되었지만, 10에 가까울수록 그 증가량이 줄어들었다. SVR의 경우 네가지 kernel 중 radial를 선정하였을 때 가장 높은 정확도를 보였다. 두 모델 모두 그래프상의 기하학적 거리라는 개념을 가지고 있어, outlier가 발생하는 경우에 대한 해석이 떨어진 것으로 나타난다. RF의 경우 모델의 노이즈를 심화시키는 overfitting을 회피하는 알고리즘이 있어 모델의 정확도가 가장 높은 것으로 나타났다. 따라서 네 가지 기계학습 모델 중 RF를 선정하여 본 데이터에 가장 적합한 변수를 고찰하였다.
적정 예측 모델 선정
각 모델의 정확도를 비교한 뒤, 가장 높은 정확도를 보였던 RF의 변수인 n estimator를 선정하였다. RF에서 n estimator는 의사 결정 나무의 개수를 뜻하는 n estimator는 일정 수준에 도달하면 연산 속도가 느려지고 오히려 정확도가 감소하게 된다. 따라서 적정 값을 선정하여 모델의 정확도를 확보해야 한다. 해당 모델에서는 n estimator가 증가할수록 모델의 정확도가 높아지다, 140 이상의 n estimator를 입력하였을 때부터는 R2 가 0.8350(온도), 0.9490(습도) 이상으로 유지되어 유의미한 차이를 나타내지 못하였다.
N estimator를 141에서 160까지 변화하며 공동구 내부의 온도와 습도의 예측 정확도가 모두 높은 모델을 선정한 결과(Figure 3), n estimator가 157일 때 가장 높은 것을 확인할 수 있었다. 이는 습도의 정확도가 가장 높을 때의 값이자, 온도의 경우에서는 정확도가 3번째로 높을 때인데, 온도 예측 시 정확도가 가장 높은 n estimator가 149일 때와의 R2 차이는 약 0.0003으로, 정확도 약 0.8375의 0.03%의 유의미하지 않은 값으로 판단할 수 있었다. 특히 RMSE와 MAE의 경우 각각 온도의 경우 0.084°C, 0.057°C, 습도의 경우 0.054%, 0.037%의 오차를 보였다.
적정 예측 모델을 통한 변수별 영향 정도 비교
앞서 선정한 Random Forest의 n estimator을 157로 선정한 후 공동구 내부 온도 및 습도에 영향을 미치는 인자를 SHAP value를 이용하여 분석하였다. SHAP value의 절댓값이 클수록 각각 공동구 내부 온습도 예측에 큰 영향을 미치는 인자이다. 공동구 내부 온도의 경우 습도, 해면기압, 현지 기압, 풍속, 기온, 시정, 풍향, 전운량 순으로 영향을 미치는 인자로 판정되었고, 지하 공동구 내부 습도의 경우 습도, 해면기압, 현지 기압, 기온, 시정, 풍속이 영향을 미치는 인자로 나타났다(Table 6). 공동구 내부 온도의 경우 대부분 학습 변수의 SHAP value가 양수로, 해당 변수의 값이 높을수록 온도가 증가하는 경향을 보였다. 하지만 시정의 경우 SHAP value가 음수로 나타나 시정이 낮을수록 공동구 내부 온도가 증가하는 경향을 보였다.
Table 6.
SHAP value of the random forest model predicting the internal environment: (a) temperature (b) relative humidity
모델의 예측 결과를 분석하기 위해 공동구 내부 온습도에 가장 큰 영향을 미치는 것으로 나타난 외부 상대습도를 변수로 선정하여 상대습도가 0%일 때부터 100%일 때 내부 온습도를 예측하였다. 이때, 공동구 내부 및 외부 기상 조건을 인위적으로 조절할 수 없기 때문에 실측값들은 SHAP value를 통해 공동구 내부 온습도에 큰 영향을 미치는 Table 6의 인자들의 오차 범위 5% 내외인 데이터로 선정하였다. 예측값과 실측값을 비교한 결과, 모델 전체의 평균 정확도인 R2 0.8937와 유사한 0.8943으로, 개발된 모델을 외부 상대습도에 따른 공동구 내부 환경 예측에 적합한 것으로 판단되었다. Figure 4에 실험 기간 중 2020년 7월 17일 오전 10시에 배출팬 #2의 위치에서 실측한 결과를 바탕으로 상대습도를 1% 단위로 0%에서 100%로 바꾸어가며 예측한 결과를 나타내었다. 분석 결과, 외부 상대습도가 증가함에 따라 공동구 내부 온습도가 각각 42.4%, 24.2% 증가하는 것으로 나타났다. 이를 통해 SHAP value 분석 결과와 같이 외부 상대습도가 증가할수록 공동구 내부 온습도가 증가하고, SHAP value의 절댓값이 0.08인 온도 예측에서 0.05인 상대습도 예측보다 증가 폭이 큰 것을 확인할 수 있다.
적정 예측 모델을 이용한 팬 제어 시간에 따른 공동구 내부 환경 예측
앞서 개발된 모델을 이용하여 팬 제어 시간에 따른 공동구 내부 온습도를 예측하였다. 우선 공동구 내부 및 외부 기상 조건 중 앞서 적정 예측 모델에서 내부 온습도에 영향을 미치는 인자들의 오차범위 5% 안에 팬 제어 시간이 서로 다르게 나타난 실측값들을 정리하여 예측값과 비교하였다. Figure 5는 실험 기간 중 2020년 3월 27일 오후 8시에 배출팬 #2의 위치에서 실측한 결과를 바탕으로 팬 제어 시간을 1분 단위로 0분에서 60분으로 바꾸어가며 예측한 결과를 실측값과 비교하였다. 해당 예측값들은 실측값에 대해 모델 전체의 평균 정확도인 R2 0.8937와 거의 유사한 0.9039를 나타내었다고 판단되어 개발된 모델을 이용하여 팬 제어 시간에 따른 공동구 내부 환경 예측을 진행하였다.
팬 제어 시간에 따른 공동구 내부 온습도를 외부 기상에 따라 학습한 결과를 통해 공동구 내부 팬 제어 시 공동구 내부 공기 유동의 단계를 분석하고자 하였다. 입력 조건에 따라 내부 온습도의 증감과 정체 구간 등의 공기 유동의 흐름 양상은 조금씩 상이하지만, 모두 팬 제어 시간에 따라 단계별로 나타남을 확인할 수 있었다. 그중 가장 변화가 뚜렷한 2020년 3월 14일 오전 8시 배출팬 #2의 내부 온습도 예측값을 그래프로 나타내었다(Figure 6).
예측 결과는 팬 제어 시간에 따른 온습도 변화 경향을 크게 네 구간으로 나눌 수 있다. 해당 구간은 각각 0∼7분(1구간), 8∼11분(2구간), 12∼22분(3구간), 23∼60분(4구간)이다. 1구간에서 팬 제어 시간이 짧아 내부 온습도에 큰 영향을 주지 않는 경향을 보였다. 2구간부터 팬 제어 시간이 길어져 내부 온습도가 증가하였다. 3구간부터는 온습도가 증가한 상태에서 균일하게 유지되다가 4구간에 온도와 습도가 각각 약 0.2℃, 0.5%씩 감소한 상태에서 일정한 값을 나타내었다. 해당 경향성은 시각별 기상 자료, 팬의 위치에 따라 온습도 편차가 및 증감 여부는 다르지만, 팬 제어 시간의 초기에는 큰 변화가 나타나지 않다 증감을 보이고, 1시간에 가까워질수록 온습도가 일정한 값으로 안정되는 것을 확인할 수 있었다. 해당 결과를 바탕으로 공둥구 내부 온습도가 적정 범위에서 벗어나는 경우 팬 제어 시간에 따른 공동구 내부 온습도 변화를 사전에 예측하고, 그 결과를 바탕으로 팬을 제어하여 운영하고자 하는 공동구 내부 온습도 적정 설정값에 도달할 수 있다.
결 론
본 연구에서는 지하 공동구의 공조시스템과 외부 기상 자료를 이용한 공동구 내부 환경 예측을 위한 기계학습 회귀분석 모델을 설계하였다. 대상 공동구에 설치된 배기팬 인근에 설치된 1시간 단위 온습도, 배기팬 가동 시간 데이터, 인근 기상 자료를 수집하였다.
개발된 기계학습 회귀분석 모델을 이용하여 학습한 결과,
(1)선정한 네 가지 기계학습 회귀분석 모델(MLR, kNN, SVR, RF) 중 RF에 따라 가장 정확도가 높은 RF 모델을 적정 설계하였다.
(2)RF의 주요 변수인 n estimator를 적정 설계 시 공동구 온도 예측 정확도는 R2 0.837, 습도 예측 정확도는 0.950를 보였다.
(3)팬 제어 시뮬레이션 결과, 시간당 팬 가동 시간에 따라 크게 네 구간으로 나눌 수 있었다. 팬 제어 시간 1구간인 초반에는 내부 환경의 변화가 없다, 2구간에서는 내부 온습도에 큰 영향을 미쳤고, 3구간과 4구간으로 갈수록 내부 환경이 점층적으로 일정해지는 것을 확인하였다.
개발된 모델을 이용하여 적정 내부 습구온도 값에 도달하기 위한 팬 적정 가동 시간을 계산하여 내부 결로 발생 등을 방지할 수 있다. 또한, 팬 제어에 따른 내부 환경 측정, 유해 가스 농도 측정 등의 추가적인 데이터를 축적하여 공동구 내부의 추가 모니터링 없이 외부 기상 자료만으로 공동구 내부 환경 조절 시 적절한 팬 제어 시간을 설정할 수 있다.
