인공신경망 모델 구축을 통한 건설장비별 이산화탄소 배출량 예측
- 16 -
인공신경망 모델 구축을 통한 건설장비별 이산화탄소 배출량 예측
Development of Artificial Neural Network Model for Predicting Carbon Dioxide Emissions by Construction Equipment
임 소 민** 노 상 우* 김 하 윤* 이 민 우** 한 승 우***
Im, Somin Ro, Sangwoo Kim, Hayoon Lee, Minwoo Han, Seungwoo
Abstract
In this paper, we intended to present a model for estimating carbon dioxide emissions by work of construction equipment using Artificial Neural Network(ANN) analysis. In this study, data of excavators and trucks are classified according to the work carried out, and carbon dioxide emissions are predicted through ANN based on equipment information and work information. As a result, the effect of each model was validated, and a carbon dioxide emission prediction model was derived for each work. This has the expected effect of establishig an eco-friendly process plan using this model from the construction planning stage.
키 워 드 : 건설장비, 이산화탄소 배출량, 예측모델, 인공신경망
Keywords : construction equipment, carbon-dioxide emissions, prediction model, artificial neural network
1. 연구의 배경 및 목적
대한민국은 온실가스 감축을 위해 2015년부터 ‘온실가스 배출권 할당 및 거래에 관한 법률’을 적용하여 온실가스 배출권 거래가 시행중에 있다.1) 한국에너지기술연구원에 따르면 건설기계의 이산화탄소(CO2) 배출량은 전체 수송 부분에서 22%를 차지하고 있다.2) 전체 자동차 수 대비 건설기계 등록 대수가 2%에 불과함을 고려하면, 건설장비에서 작업수행 중 다량의 CO2가 배출된다고 사료된다. 이에 따라 본 연구에서는 온실가스 배출권을 고려하여, 건설장비로부터 발생되는 CO2 배출량을 정확히 파악하기 위해 배출량 예측모델을 제시하여 이를 바탕으로 친환경 공정계획을 수립할 수 있게 하고자 한다.
2. 기존연구의 고찰
건설장비의 CO2 배출량 예측을 위한 기존연구로는 다중선형회귀분석을 이용한 굴착기 생산성 추정을 바탕으로 온실가스 배출 량을 예측하는 연구3)와 인공신경망(ANN: Artificial Neural Network)을 이용한 Revolution Per Minute(RPM)별 굴착기의 CO2 배출량을 예측하는 연구4)등이 있다. 기존 연구의 고찰 결과, 다중선형회귀분석을 이용한 연구는 Caterpillar Performance Handbook 데이터를 이용하여 온실가스 배출량을 예측하였으나, 실측 배출량이 없어 예측력 검증이 불가하였다. ANN을 이용한 연구는 건설장비의 RPM 측정값을 기준으로 하여 CO2 배출량을 예측한 것으로 현장작업의 특성상 공정계획 수립단계에서의 적용 에 있어서 한계성을 보일 것으로 판단된다. 따라서 본 연구는 굴착기와 트럭 실측데이터를 기반, 건설장비의 작업상태를 인자로 구성하여 RPM값의 측정단계를 생략하고도 CO2 배출량을 예측할 수 있는 ANN 모델을 제시하고 예측력을 검증하고자 한다.
3. 연구수행 방법
3.1 데이터 수집 및 정리
본 연구를 위해 굴착기 20대에 대한 4525개의 데이터와 12대의 트럭에 대한 1828개의 데이터를 수집하고, RPM값을 기준으 로 데이터를 작업상태별로 분류하였다. 굴착기는 Idle, Load, Excavate의 3가지 상태로 분류하고, 트럭은 Idle, Traveling의 2가 지 상태로 분류하였다. 분류 후 더 높은 예측력을 위해 Log-Transformation으로 배출량 값을 변환하였다.
* 인하대학교 건축학부 건축공학과
** 인하대학교 건축학부 건축공학과 석사과정
*** 인하대학교 건축학부 건축공학과 교수, 공학박사, 교신저자(shan@inha.ac.kr)
2020년 봄학술발표대회 논문집(제20권 1호, 통권 제38집)
- 17 -
표 1. ANN 모델 개요 및 예측성능평가 3.2 인공신경망 구성 및 분석
건설장비의 CO2 배출량 예측을 위해 ANN 모델을 구성하였다. 출력변수는 CO2 배출량으로 고정하였고, 수집한 데이터들에서 입력변수의 설정을 위해 상관관계 분석을 실시하여, 상관도 높은 입력변수를 선정하였다. 예측도가 높은 ANN 모델 개발을 위해 Zhang이 제시한 노드 수 결정법을 참고하여5)Mean Absolute Percentage Error(MAPE)로 비교한 시행착오법을 통해 입력인자 수가 n일 때 2개의 히든 층, 각 2n개의 노드수를 가지는 구조를 선정하였다.
4. 연구 결과
모델의 예측성능을 평가하기 위하여 수정된 결정계수(R2)와 MAPE 를 사용하였다. 상세 결과 값은 아래 표1과 같다. 굴착기 Wheel-Type 모델의 경우 수정된 R2이 0.59로 상대적으로 낮게 나타났는데, 이는 Wheel-Type 데이터 수가 Caterpillar-Type 에 비해 1/4 수준으로 낮아 함수 훈련과정에 있어 상대적으로 예측력이 낮게 나온 것으로 판단된다. 하지만 전체적으로 2%대의 MAPE 과 0.5 이상의 수정된 R2을 보이므로 각각의 모델이 유의미함을 확인하였다.
5. 결 론
본 연구는 실제 CO2 배출량 데이터로 ANN을 구축하여 건설장비의 작업상태별 CO2 배출량 예측모델을 제시하였다. 이는 공정 계획단계에서 작업상태별 소요시간 예측을 바탕으로 CO2 배출량을 예측하여 관리자가 친환경 공정계획을 수립하는 데 도움을 줄 수 있을 것이다. 향후 입력변수에 토질의 상태를 고려한 추가적인 현장 데이터 세트 확보를 통해 ANN을 훈련한다면 예측모델의 설명력 향상을 기대할 수 있다.
Acknowledgement
본 논문은 한국연구재단의 지원(과제번호: 2018R1A2B6004801)의 일환으로 수행된 연구임을 밝히며 이에 감사를 드립니다.
참 고 문 헌 1. 기획재정부, 환경부. 제3차 배출권거래제 기본계획, 2019
2. 신용일, et al. 건설기계의 Tier 2 와 Tier 3 방법론에 의한 온실가스 배출량 비교. 한국기후변화학회지, pp.13~20, 2010.1
3. HAJJI, Apif M.; LEWIS, Michael P. How to estimate green house gas (GHG) emissions from an excavator by using CAT’s performance chart. In: AIP Conference Proceedings. AIP Publishing LLC, pp.020047, 2017
4. 임소민, et al. 인공신경망 및 비선형 회귀분석을 이용한 건설장비의 CO2배출량 예측 모델 개발. 한국건축시공학회 학술발표대회 논문집, pp.16~17, 2019.19.2
5. ZHANG, Guoqiang; PATUWO, B. Eddy; HU, Michael Y. Forecasting with artificial neural networks:: The state of the art. International journal of forecasting, 1998, 제14권 제1호, pp.35~62.
