지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 박진철
- 발행연도
- 2019
- 저작권
- 중앙대학교 논문은 저작권에 의해 보호받습니다.
이용수44
이 논문의 연구 히스토리 (4)
2019
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
실내 미세먼지는 발암물질로써, 제거 및 관리가 필요하며 이는 일반적으로 환기 및 여과를 통해 감소 및 제거를 한다. 하지만 최근 대기의 고농도 미세먼지 및 황사 발생 등으로 인해 단순 외기 유입을 통한 실내 공기의 정화를 기대하기 어려운 어려우며, 특히 주거건물은 자연환기의 의존도가 높지만 외기 오염물질의 실내 유입에 대한 우려가 높아져 자연환기 부족 현상은 더욱 높아지고 있는 실정이다. 또한 일반적인 환기시스템은 덕트(duct)의 오염으로 이해 오염된 공기가 실내로 유입되고 있는 실정이다.
따라서 실내·외 미세먼지 농도를 모두 고려한 환기 계획을 통해 실내 공기질을 쾌적하게 조성할 수 있는 방안이 필요하지만, 실내·외 공기 상태에 따라 적절한 환기를 실시해주어 실내공기의 오염을 줄일 수 있는 환기 대책이 필요하지만 현재의 설정 값 제어(set point control) 기술 수준으로는 한계가 있다.
따라서, 본 연구는 일반적인 환기 시스템의 유지·관리 문제점을 개선하기 위해 덕트(duct)를 필요로 하지 않는 창호 환기시스템을 설계 및 제작하였고, 이에 대한 성능 평가를 통해 실내 미세먼지 농도 변화 데이터를 구축하였다.
(1) 창호 환기시스템 성능 평가
창호 환기시스템을 설계 및 제작하고, Mock-up test를 활용하여 창호 환기시스템의 각 모드(mode)별 풍량 및 실내 미세먼지 저감 성능 평가를 실시하였다. 이를 통해 실내 미세먼지 예측 모델의 학습 및 검증용 데이터를 수집하였다. 실내 미세먼지 농도 예측 모델 개발을 위한 데이터 수집을 위해, 창호의 개폐율과 창호 환기시스템의 작동 유무 및 모드변경 등 창호 환기시스템의 작동 모드에 대한 특징의 대표성이 나타나는 198,992개의 데이터를 수집하였다.
(2) 실내 미세먼지 농도 및 온도 예측 모델
실내·외 환경 요소에 의해 변화되는 실내 미세먼지 농도 예측 모델을 개발하였다. 예측 모델의 학습을 위한 우수한 데이터 선별을 위해 198,992개의 데이터 중에서 잡음, 에러, 이상치가 없는 12,000개의 데이터를 선별하였다. 실내 미세먼지 농도 예측에 적합한 학습 모델은 순환 신경망중 하나인 LSTM(Long-Short term Memory) 모델로 나타났으며, 예측 모델의 최적화를 위해 학습횟수, 학습률, L2-정규화 매개변수를 변경해가며 훈련을 반복하여 모델의 최적화를 실시하였다.
실내 미세먼지 농도 예측 모델의 성능 검증 결과, 예측 값과 실측 값의 Cv(RMSE) 평균값은 22.29% 로 나타나, 우수한 예측 정확도를 확인하였다.
(3) 예측 모델의 적용 방안
예측 모델을 효과적으로 활용하기 위하여 공동주택의 환기시스템 적용 시 고려해야 할 사항들을 정리하였다. 공동주택의 창호 환기시스템 제어 알고리즘에 예측모델을 적용하기 위해서는 서버 및 플랫폼 구축이 필수적으로 필요하며, 예측 모델의 실시간 데이터 수집을 위한 방안으로는 센서 및 Open API를 활용하는 방법이 있다. 예측 모델이 적용 된 창호 환기시스템의 제어알고리즘의 동작 순서는 다음과 같이 ‘데이터 수집’-‘실내·외 공기질 쾌적 판단’?‘LSTM 모델을 활용한 데이터 예측’?‘실내·외 열쾌적 판단’?‘창호 환기시스템 최적 동작’?‘데이터 수집’ 순서이다.
따라서 실내·외 미세먼지 농도를 모두 고려한 환기 계획을 통해 실내 공기질을 쾌적하게 조성할 수 있는 방안이 필요하지만, 실내·외 공기 상태에 따라 적절한 환기를 실시해주어 실내공기의 오염을 줄일 수 있는 환기 대책이 필요하지만 현재의 설정 값 제어(set point control) 기술 수준으로는 한계가 있다.
따라서, 본 연구는 일반적인 환기 시스템의 유지·관리 문제점을 개선하기 위해 덕트(duct)를 필요로 하지 않는 창호 환기시스템을 설계 및 제작하였고, 이에 대한 성능 평가를 통해 실내 미세먼지 농도 변화 데이터를 구축하였다.
(1) 창호 환기시스템 성능 평가
창호 환기시스템을 설계 및 제작하고, Mock-up test를 활용하여 창호 환기시스템의 각 모드(mode)별 풍량 및 실내 미세먼지 저감 성능 평가를 실시하였다. 이를 통해 실내 미세먼지 예측 모델의 학습 및 검증용 데이터를 수집하였다. 실내 미세먼지 농도 예측 모델 개발을 위한 데이터 수집을 위해, 창호의 개폐율과 창호 환기시스템의 작동 유무 및 모드변경 등 창호 환기시스템의 작동 모드에 대한 특징의 대표성이 나타나는 198,992개의 데이터를 수집하였다.
(2) 실내 미세먼지 농도 및 온도 예측 모델
실내·외 환경 요소에 의해 변화되는 실내 미세먼지 농도 예측 모델을 개발하였다. 예측 모델의 학습을 위한 우수한 데이터 선별을 위해 198,992개의 데이터 중에서 잡음, 에러, 이상치가 없는 12,000개의 데이터를 선별하였다. 실내 미세먼지 농도 예측에 적합한 학습 모델은 순환 신경망중 하나인 LSTM(Long-Short term Memory) 모델로 나타났으며, 예측 모델의 최적화를 위해 학습횟수, 학습률, L2-정규화 매개변수를 변경해가며 훈련을 반복하여 모델의 최적화를 실시하였다.
실내 미세먼지 농도 예측 모델의 성능 검증 결과, 예측 값과 실측 값의 Cv(RMSE) 평균값은 22.29% 로 나타나, 우수한 예측 정확도를 확인하였다.
(3) 예측 모델의 적용 방안
예측 모델을 효과적으로 활용하기 위하여 공동주택의 환기시스템 적용 시 고려해야 할 사항들을 정리하였다. 공동주택의 창호 환기시스템 제어 알고리즘에 예측모델을 적용하기 위해서는 서버 및 플랫폼 구축이 필수적으로 필요하며, 예측 모델의 실시간 데이터 수집을 위한 방안으로는 센서 및 Open API를 활용하는 방법이 있다. 예측 모델이 적용 된 창호 환기시스템의 제어알고리즘의 동작 순서는 다음과 같이 ‘데이터 수집’-‘실내·외 공기질 쾌적 판단’?‘LSTM 모델을 활용한 데이터 예측’?‘실내·외 열쾌적 판단’?‘창호 환기시스템 최적 동작’?‘데이터 수집’ 순서이다.
목차
제 1 장 서 론 11.1 연구의 배경 및 목적 11.2 연구의 범위 및 방법 3제 2 장 이론 고찰 72.1 개요 72.2 창호 환기시스템 72.2.1 창호 환기시스템 개요 72.2.2 창호 환기시스템 사례 및 기술동향 82.3 건물 환기의 인공지능 적용 112.3.1 인공지능 개요 112.3.2 환기시스템 제어를 위한 인공지능 다층퍼셉트론 132.3.3 실내 미세먼지 예측을 위한 학습 모델 고찰 172.3.4 건물 환기의 인공지능 적용 사례 20제 3 장 창호 환기시스템 성능 평가 및 데이터 구축 233.1 개요 233.2 창호 환기시스템 설계 및 제작 253.2.1 창호 환기시스템 설계 253.2.2 창호 환기시스템 제작 293.3 창호 환기시스템 성능평가 323.3.1 창호 환기시스템 성능 평가 방법 323.3.2 Mock-up 구축 및 환경 분석 343.3.3 창호 환기시스템 성능 평가 결과 373.4 예측모델 개발을 위한 데이터구축 423.5 소결 44제 4 장 실내 미세먼지 농도 예측 모델개발 464.1 개요 464.2 예측 모델 개발 474.2.1 데이터 선별 474.2.2 실내 미세먼지 농도 예측 모델 개발 504.3 예측 모델 검증 604.3.1 실내 미세먼지 농도 예측 모델 검증 방법 604.3.2 실내 미세먼지 농도 예측 모델 검증 결과 624.4 소결 66제 5 장 예측 모델의 적용 방안 685.1 개요 685.2 예측 모델 적용을 위한 시스템 구축 685.3 예측 모델을 고려한 창호 환기시스템 제어 알고리즘 705.4 소결 73제 6 장 결 론 74참고문헌 78부 록 85국문초록 91ABSTRACT 93
최근 본 자료
댓글(0)
0