검색 상세

머신러닝을 이용한 비상대피명령 예측

초록/요약

화학사고의 피해 경감은 예방, 대비, 대응, 복구의 과정을 거친다. 사고 발생 이전에는 예방과 대비가 실시되며, 사고 발생 이후에는 대응과 복구가 시행된다. 비상대피명령의 발령은 화학사고 영향범위 내의 주민들을 소개시키는 방법으로서, 대응에 해당한다. 이는 화학사고의 인명피해를 효과적으로 줄일 수 있는 방법이지만, 신속성과 정확성을 동시에 만족시켜야 하는 제한점이 있다. 이러한 배경으로 본 연구에서는 1996년부터 2014년까지 발생했던 화학사고를 정리한 데이터베이스를 분석하여 비상대피명령에 크게 영향을 미치는 속성을 파악하고 이를 분석에 용이하게 수정하였다. 특히 사고 물질명을 NFPA rating으로 환산함으로써 본 연구의 범용성을 증대시켰다. 이후 61,563 건의 화학사고 데이터를 추출하고, 머신러닝을 이용하여 신속성과 정확성을 동시에 만족시킬 수 있는 예측모델을 구축하였다. 61,563 건의 화학사고 데이터 중 60%인 36,938 건의 데이터를 이용하여 예측모델을 구축하고, 나머지 40%인 24,625 건의 데이터를 이용하여 예측모델의 정확도를 측정하였다. 머신러닝에 사용된 알고리즘은 통계 이론을 기반으로 하는 Naïve Bayes Classifier와 인공신경망을 기반으로 하는 Multi Layer Perceptron모델이며, Multi Layer Perceptron 모델은 Rectifier 함수를 활성화 함수로 하여 크기 17의 은닉층위를 2개 설정한 것을 최적화된 구조로 보았다. 두 종류의 데이터베이스, 즉 물질명 기반 데이터베이스와 NFPA rating 기반 데이터베이스 모두 Multi Layer Perceptron 모델의 AUC는 0.89이상, Naïve Bayes Classifier는 0.83 이상으로 평가되어, 유의미하게 사용할 수 있다고 판단된다. 본 연구는 실제 화학사고 데이터를 이용한 머신러닝이 화학사고의 대응에 유의미하게 사용될 수 있다는 것과, 더 나아가 머신러닝 기술이 화학공정의 안전성을 향상시키는데 기여할 수 있음을 보여주었다.

more

목차

제 1 장 서론 1
제 1 절 연구배경 1
제 2 절 연구의 필요성 및 내용 1
제 3 절 연구 방법 3
제 2 장 기술적 배경 4
제 1 절 머신러닝 개요 4
제 2 절 연구에 사용한 머신러닝 알고리즘 4
1. 통계이론 기반: Nave Bayes Classifier 4
2. 인공신경망 기반: Multi Layer Perceptron Model 6
제 3 절 모델의 성능 검증 9
1. 민감도, 특이도, 일치백분률 10
2. ROC, AUC 11
제 4 절 사용한 프로그램 12
제 3 장 데이터베이스 13
제 1 절 ATSDR 13
제 2 절 HSEES, NTSIP 14
제 4 장 비상대피명령에 영향 주는 속성 파악 18
제 1 절 세부 연구 진행 순서 18
제 2 절 분석 결과 21
제 3 절 소결 23
제 5 장 비상대피명령 예측 25
제 1 절 데이터베이스 수정 25
1. NFPA rating 27
2. NAICS Codes 29
제 2 절 데이터 분석 30
제 3 절 인공신경망 모델 최적화 32
제 6 장 연구 결과 34
제 1 절 결과 34
제 2 절 민감도, 특이도에 대한 고찰 36
제 3 절 Case study 37
1. 사고상황 37
2. 모델적용 38
제 7 장 결론 40
제 1 절 제한점 및 권고사항 41
제 2 절 결론 41
참고문헌 43
영문 요약 46

more