http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
일반 창호 및 특수 디자인 창호의 결로 방지 성능 분석
이형아(Lee, Hyungah),장지훈(Jang, Jihoon),김혜원(Kim, Hyewon),이승복(Leigh, Seung-Bok) 대한건축학회 2018 대한건축학회 학술발표대회 논문집 Vol.38 No.1
The energy loss in a building occurs mainly through the building envelope factors, such as roofs, walls, and windows. In particular, the window accounts for 30 ~ 40% of total building heat loss and has high possibility of occurrence of condensation. Condensation on the window may cause negative effects on indoor environment, such as damage of the paint finish, wood spoilage, mold, and also a bad odor resulting in a detrimental effect on the aesthetics and causing discomfort to the occupants. However, if condensation occurs after the the completion of the window, dispute between users and manufacturers may occur and the manufacturers have to go back to the design stage, which causes additional costs of time and resources. Therefore, consideration for condensation prevention of the window from the design stage is essential, which is directly related to the reduction of cooling and heating energy consumption of the building and the additional cost prevention. The purpose of this study is to analyze the condensation prevention performance of the window which is in initial design stage and to confirm the feasibility of the special design window characterized with circular openings by comparing the condensation prevention performance of the conventional windows.
이형아(Hyungah Lee),김동주(Dongju Kim),구재회(Jaehoi Gu) 한국환경에너지공학회 2022 한국열환경공학회 학술대회지 Vol.2022 No.1
최근 데이터 분석 및 예측에 대한 다양한 연구가 진행되고 있다. 또한 에너지 다소비 건물의 에너지 효율화에 대한 당위성이 확산되면서 건물 에너지 데이터를 활용한 에너지 소비 분석과 수요 예측에 대한 관심이 증대되고 있다. 이러한 배경 하에 본 연구에서는 식품공장의 에너지 사용량 예측을 위해 에너지 및 환경 예측의 차원에서 가장 보편적으로 사용되고 있는 기계학습 알고리즘 중 하나인 ANN(Artificial Neural Network)을 이용하였다. Python의 머신러닝 라이브러리 중 하나인 Scikit-leam을 활용했으며, 다중 레이어 퍼셉트론(MLP, Multi Layer Perceptron) Regressor를 적용하였다. 전력사용량 예측에 있어서는 2017년 1월 1일부터 2020년 12월 31 일까지의 데이터가 활용되었으며, LNG사용량 예측에 있어서는 2021년 12 월 6 일부터 2022년 3월 19일까지의 데이터가 활용되었다. 사용된 데이터에는 품목별 생산량, 전력 사용량, 운영스케쥴, 외기온 및 습도 데이터 둥이 포함된다. 대상 식품공장의 에너지 수요 예측 검증은 ASHRAE Guideline 14 에 서 제 시 하는 CvRMSE(Coefficient of Variation of Root Mean Square Error) 및 결정계수 R갑을 기준으로 예측 정확도를 확인하였다. 현재의 에너지 예측 모델은 현 시점에서 확보 가능한 제한된 데이터만을 사용했다는 점에 한계가 있다. 추후 보다 다양한 범주의 데이터를 확보해 적용하고 파라미터 값의 조정을 통해 모델의 예측 정확도를 더욱 확보하고자 한다. 또한 ANN과 마찬가지로 에너지 및 환경 예측에 활용되고 있는 알고리즘인 SVR(Support Vector Regression)을 적용했을 때와 예측 정확도를 비교하고자 하며, 이는 식품공장을 포함한 건물의 에너지 소비 예측을 위한 다양한 연구에 기초자료로 활용될 것이다. 나아가 실제 식품공장에 적용함으로써 효율적인 에너지 절감 방안 마련이 가능할 것으로 기대한다.
스팀 누출 예지보전 기술 개발을 위한 CNN 예측분류 모델
이형아(Hyungah Lee),김동주(Dongju Kim),조우진(Woojin Cho),박종혁(Jong-hyeok Park),구재회(Jae-Hoi Gu) 한국환경에너지공학회 2023 한국열환경공학회 학술대회지 Vol.2023 No.2
산업 현장에서 스팀 및 가스 누출 사고가 적지 않게 발생하고 있다. 고온 고압의 스팀 또는 위험 가스 분출은 화재와 폭발을 일으켜 큰 인명피해까지 이어질 수 있으며 재산적 피해 또한 유발하므로 배관 둥 관련 설비의 상태를 실시간으로 파악하는 것이 중요하다. 더욱이 옥외에 설치된 배관이 나 중 저압 배관에서의 누출은 상황을 바로 인지하는 것에 한계가 있고, 다양한 설비가 설치되어 있고 배관이 복잡하게 연결되어 있는 현장에서는 누출 지점을 빠르게 확인하는 것 또한 어려움이 있으므로 누출 유무 및 발생 지점을 빠르게 파악하는 기 술이 요구된다. 이에 산업 현장의 다양한 기계와 장비의 데이터를 실시간으로 분석함으로써 사전에 이상 징후를 파악하여 조치를 취하는 예지보전(PclM; Predictive Maintenance) 기술이 지속적으로 관심받고 있다. 국제표준인 ISO 13374에서 예지보전의 절차를 크게 Data Acquisition(DA), Data Manipulation(DM), State Detection(SE), Health Assessment(HA), Prognostics Assessment(PA), Advisiory Generation(AG) 의 6단계로 제 시 하고 있으며, 그 중 과거 데이터를 기반으로 현 상태를 분석하는 진단(Diagnostics) 과 기 존 데이터 기반의 경향 분석을 통해 고장 및 잔여 수명/성능을 예측하는 예지 (Prognostics) 에 초점을 맞추어 다양한 연구가 진행되고 있다. 본 연구는 AI 기반의 식품공장 내 스팀 누출 예지보전 기술 개발을 위 한 선행 연구로, 스팀 누출 상황을 판별하기 위한 CNN 예측분류 모델을 생성하였다. 스팀 누출 상황과 관련된 이 미 지 데이터의 라벨링 과정을 거친 후 70 %는 모델 학습, 30 %는 모델 평가에 사용하였으며, 추가적 인 예측 데이터로 모델을 평가하였다. 모델 평 가에는 혼동 행렬 (Confusion matrix) 기반의 평가방법인 정확률, 특이도, 민감도/재현율, 정밀도를 활용하였으며 , Fl Score와 ROC Curve 및 AUC(Area Under the ROC Curve)를 통해 정밀도-재현율의 균형과 이진분류 성능을 평가하였다.
데이터셋 분할 비율에 따른 머신러닝 기반의 전력 사용량 예측 성능 비교
이형아(Hyungah Lee),김동주(Dongju Kim),임채영,여채온,구재희(Jae-Hoi Gu) 한국환경에너지공학회 2022 한국열환경공학회 학술대회지 Vol.2022 No.2
최근 인공지능을 활용한 빅데이터 분석 및 머신 러닝 기반의 예측 연구가 활발히 진행되고 있다. 특히 에 너지 소비 현황 분석 및 수요 예측을 통해 건 물 에너지와 시스템 제어의 효율화 기 술로서 활용되고 있다. 이 는 확보 가능한 데이터를 활용해 모델을 훈련 시 킬 수 있다는 강점을 가지며 , 기존의 방식보다 진보된 방식으로 건물의 최적 운영 에 효율적이다. 머신러닝 모델을 학습시키기 전, 데이터 전처리 단계에서 데이터셋을 훈련 데이터셋(train dataset)과 테스트 데이터셋 (test dataset)으로 분리하여 야 한다. 훈련 데이터셋은 모델을 학습시키 기 위해 사용되는 반면, 홀드아웃 데이터셋 (holdout dataset) 이라고도 불리는 테스트 데이터셋은 신경망을 훈련 시 키는 데에는 사용되지 않고 모델 성능의 평가에만 사용되게 된다. 이와 같은 데이터셋의 분할을 통해 과대 적합을 방지하고 편향되지 않은 데이터로 모델 성능을 평가할 수 있다. 데이터셋의 분할 비율에 대한 기준은 없으며, 기존 수행된 연구를 확인해보면 일반적으로 훈련 데이터셋을 70-90%, 테스트 데이터셋울 l0~30%로 구성하는 것을 알 수 있다. 본 연구에서는 머신러닝 알고리즘 중 ANN의 MLP Regressor을 활용하여 한 식품공장의 전력 사용량을 예측하고자 한다. 해당 예 측 모델에 적합한 데이터셋 분할 비율을 도출하기 위 해 학습 데이터 의 비율을 10%부터 90%까지 10% 간격으로 조정하여 9가지 케이스에 대해 전력 사용량 예측 성능을 확인 하였다. 예측 성능은 CvRMSE(Coefficient of Variation of Root Mean Square Error)와 한로 확인하였다