화재시나리오 선정을 위한 머신러닝 기반 인명피해 예측모델에 관한 연구 = A Prediction Model of Casualties Based on Machine Learning for Selection of Fire Scenario

국문 초록 (Abstract)

본 연구는 건축물의 화재위험평가에서 중요하게 다루고 있는 화재시나리오 선정방법에 대하여 인명안전에 기인한 선정방법을 제안하기 위해 인명피해(사망자 및 사상자) 예측모델을 10년간 화재통계자료를 기반으로 Classification And Regression Tree (CART)방법을 이용하여 구축하였다. 이 예측모델은 정오행렬에 의해 검증한 결과 정확도, 민감도 및 특이도에서 높은 예측성능을 가지는 것으로 검증되었다. 또한 예측모델을 이용하여 설계화원, 화재성장률 및 피난안전에 관계되는 5개 변수를 선정하여 48개 화재시나리오를 검토한 결과, 변수에 따른 발생확률의 차이를 확인하였고 향후 정량적 화재위험평가에서 활용될 수 있다면 설계의 수준을 높일 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

This study has developed a model that predicts casualties (dead and injured people) using the Classification And Regression Tree (CART). Based on the fire statistics collected over a decade, this model aims to select the appropriate risk-assessment scenarios and fire prevention and safety methods applicable on individual buildings. Our evaluation indicates that this CART model can accurately predict 48 scenarios based on 5 variables related to the types of fire, fire growth rates, and evacuation situations, and calculate the corresponding probabilities for each occurrence. This model is expected to improve future quantitative fire risk assessments.

목차 (Table of Contents)

• 1. 서론 2. 화재시나리오 및 머신러닝 관련 선행연구 고찰 3. 인명피해 기반 예측모델 분석도구 및 전처리 4. 인명피해 예측모델 구축 및 검증 5. 결론 및 향후 연구방향

참고문헌 (Reference)

1 김혜진, "화재 및 피난 시나리오의 요소별 중요도 분석을 통한 평가 지수화에 관한 연구 - 초고층 주상복합 아파트를 중심으로 -" 대한건축학회 28 (28): 371-378, 2012

2 정혜민, "전문가 설문조사를 통한 국내 성능위주설계 개선 방향설정에 관한 연구" 대한건축학회 34 (34): 23-31, 2018

3 오혁진, "업무용 빌딩의 피난 성능 검토에 관한 연구" 한국화재소방학회 17 (17): 2003

4 장근호, "성능위주 화재와 피난시뮬레이션 입력데이터의 표준화 필요성에 대한 제안" 한국화재소방학회 30 (30): 18-25, 2016

5 안성호, "국내 성능위주설계의 시행현황 분석 - 화재시나리오 및 시뮬레이션을 중심으로" 한국안전학회 32 (32): 32-40, 2017

6 Di Marco, L., "Trigger factors that influence bankruptcy: A comparative and exploratory study" 68 (68): 191-198, 2014

7 Osisanwo, F. Y., "Supervised machine learning algorithms: Classification and comparison" 48 (48): 128-138, 2017

8 Kotsiantis, S. B., "Supervised machine learning : A review of classification techniques" 31 (31): 249-268, 2007

9 Karas, M., "Predicting the bankruptcy of construction companies : A CART-based model" 28 (28): 145-154, 2017

10 Bzdok, D., "Points of significance : Statistics versus machine learning" 15 (15): 233-234, 2018

11 El N aqa, I., "Machine Learning in Radiation Oncology" Springer 3-11, 2015

12 Hadjisophocleous, G. V., "Literature review of fire risk assessment methodologies" 6 (6): 28-45, 2004

13 Shobha, G., "Handbook of Statistics, Chapter 8, Vol. 38" 197-228, 2018

14 National Fire Agency, "Fire Statistical Yearbook"

15 Chan, J. C. W., "Detecting the nature of change in an urban environment : A comparison of machine learning algorithms" 67 (67): 213-226, 2001

16 Nie, Y., "Deep melanoma classification with K-fold cross-validation for process optimization" 2020

17 Aguiar, F. S., "Classification and regression tree(CART)model to predict pulmonary tuberculosis in hospitalized patients" 12 (12): 1-8, 2012

18 Brezingar-Masten, A., "CART-based selection of bankruptcy predictors for the logit model" 39 (39): 10153-10159, 2012

19 서민지, "B도시지역 고층 주상복합건축물 성능위주설계도서 분석을 통한 화재 시뮬레이션 분야 개선방안에 관한 연구" 한국화재소방학회 31 (31): 80-85, 2017

20 Park, J. K., "A study on the risk assessment system of the undergroung space" 16 (16): 70-74, 2002

21 Batista, E. G., "A study on the behavior of several methods for balancing machine learning training data" 6 (6): 20-29, 2004