설계단계 의사결정 지원을 위한 모듈러 건축물의 탄소배출량 예측모델 개발
Development of a carbon emission prediction model for modular buildings to support decision making in the design stage
- 주제(키워드) 모듈러(Modular) , 생활관(Dormitory) , 의사결정지원(Decision Support) , 머신러닝(Machine Learning) , LCCO2(Life Cycle CO2)
- 주제(DDC) 720
- 발행기관 아주대학교
- 지도교수 김선숙
- 발행년도 2023
- 학위수여년월 2023. 2
- 학위명 석사
- 학과 및 전공 일반대학원 스마트융합건축학과
- 실제URI http://www.dcollection.net/handler/ajou/000000032777
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 연구는 모듈러 건축물의 탄소배출량 예측모델을 개발하고 이를 통해 설계단계에서 이해관계자들에게 의사결정에 도움을 주기 위한 지원 도구 개발을 목적으로 한다. 국내의 경우 탄소배출량 예측모델에 대한 연구가 부족한 상태이며 국외의 경우 RC조를 대상으로 하여 신축 또는 리모델링시 의사결정 지원 도구로써 예측모델에 대한 연구가 진행되고 있다. 모듈러 건축물을 대상으로 한 탄소배출량 예측모델은 부족한 상황이므로, 이에 본 연구에서는 설계단계에서 설계 대안에 대한 신속한 탄소배출량 평가가 가능하여 의사결정을 지원할 수 있는 예측모델을 개발하였으며, 적은 개수의 입력변수로도 사용이 용이하도록 하였다. (1) 전 생애주기 탄소배출량 산정방법에 대해 고찰하였으며, 연구대상을 모듈러 생활관으로 한정하였다. 전 생애주기 탄소배출량 예측모델 개발과 관련된 선행연구를 분석하여 본 연구의 개발 방향을 설정하였다. (2) 모듈러 건축물의 자재내역서와 국내·외 문헌자료들을 통해 생산, 시공, 폐기단계의 탄소배출량을 산정하고 동적에너지시뮬레이션 프로그램을 활용하여 운영단계의 탄소배출량을 산정하였다. 이를 바탕으로 각 단계별 탄소배출량의 초기 데이터를 생성하였다. (3) 생성된 초기데이터를 바탕으로 기계학습 데이터를 생성하기 위해 향, 창면적비, 부위별 열관류율, SHGC, VT 등 총 10개의 입력변수를 설정하였으며, 출력변수는 전 생애주기 탄소배출량으로 설정하였다. 10개의 변수의 변화에 따라 출력변수가 달라질 수 있도록 입력변수를 LHS 방법을 통해 10,000개의 데이터로 샘플링을 하였으며, JePlus를 이용하여 머신러닝 데이터를 생성하였다. (4) 설계단계에서 사용이 용이하도록 모델의 입력변수를 줄이기 위해, 변수들간 상관관계 분석을 하여 10개의 입력변수 중 5개를 제거하였다. 향, 창면적비, SHGC, VT, 창호 열관류율의 5개의 입력변수를 최종적으로 기계학습의 입력변수로 설정하였다. (5) 생성된 데이터세트를 바탕으로 MLR, RF, GBRT, KNN, SVR의 알고리즘을 이용하여 예측모델을 생성하였으며, 4가지의 평가지표와 소요시간을 고려하였을 때 RF모델이 가장 적절한 것으로 도출되었다. 본 연구에서는 모듈러 건축물의 탄소배출량 예측모델을 개발하는 것을 주요 목적으로 하였다. 현재 개발된 예측모델은 연구의 초기 단계로 지역은 서울로 고정되어 있으며, 모듈러 건축물 중 생활관을 대상으로 한정하고 있다. 따라서 향후 연구에서는 지역 및 용도 범위의 확장으로 유연하고 광범위한 예측모델로 개발하는 것이 필요하며, 타 프로그램과 연동하여 건축물의 설계 초기단계에서 통합적인 정보제공을 할 수 있는 연구가 필요할 것으로 판단된다.
more초록/요약
The purpose of this study is to develop a carbon emission prediction model for modular buildings and to develop a support tool to help decision-making at the design stage. In Korea, there is a lack of research on carbon emission prediction models, and in foreign countries, research on predictive models as a decision-making support tool for new construction or remodeling has been conducted targeting RC groups. However, carbon emission prediction model for modular buildings was insufficient. Therefore, in this study, a prediction model was developed to help decision-making by enabling rapid carbon emission assessment for each design alternative at the design stage, and to make it easy to use with a small number of input variables The results of this study are summarized as follows. (1) The carbon emission assessment method for the entire life cycle was reviewed, and the research subject was limited to modular dormitories. The development direction of this study was established by analyzing previous studies related to the development of a life cycle carbon emission prediction model. (2) The carbon emissions of the production, construction, and disposal stages were calculated through the bill of materials and domestic and foreign literature data of modular building, and the carbon emissions in the operation stage were calculated using a dynamic energy simulation program. Based on this, initial data of carbon emissions for each stage were created. (3) In order to generate machine learning data based on the generated initial data, a total of 10 input variables such as orientation, window-to-wall ratio, thermal transmittance for each part, SHGC, and VTwere set, and the output variable was set as carbon emissions throughout the life cycle. The input variables were sampled with 10,000 data through the LHS method so that the output variable could change according to the change of 10 variables, and machine learning data was generated using JePlus. (4) In order to reduce the input variables of the model and make it easier to use in the design stage, correlation analysis was conducted between variables and 5 out of 10 input variables were removed. The five input variables of orientation, window-to-wall ratio, SHGC, VT, and windowthermal transmittance were finally set as input variables for machine learning. (5) Based on the generated data set, a prediction model was created using the algorithms of MLR, RF, GBRT, KNN, and SVR, and the RF model was selected as the most appropriate when considering the four evaluation indicators and the required time. The main purpose of this study was to develop a carbon emission prediction model for modular buildings. The developed prediction model is in the initial stage of research, and the area is fixed to Seoul, and it is limited to dormitory among modular buildings. Therefore, in the future, it is necessary to develop a flexible and extensive prediction model by expanding the area and use range, and to conduct research that can provide integrated information in the early stage of building design in conjunction with other programs.
more목차
제1장 서 론 1
1.1 연구의 배경 및 목적 1
1.2 연구대상 3
1.3 연구방법 및 절차 4
제2장 예비적 고찰 6
2.1 LCA(Life Cycle Assessment) 6
2.2 LCCO2 프로세스 분석 8
2.3 국내·외 연구 동향 10
2.4 소결 15
제3장 데이터 생성 18
3.1 초기 데이터 생성 18
3.1.1 탄소배출계수 18
3.1.2 각 단계별 초기 데이터 생성 22
3.2 기계학습 데이터 세트 생성 31
3.2.1 입·출력 변수설정 31
3.2.2 JePlus 시뮬레이션 33
3.3 소결 36
제4장 LCCO2 예측모델 개발 37
4.1 LCCO2 예측모델 변수 재설정 37
4.2 LCCO2 예측모델 알고리즘 선정 38
4.3 LCCO2 예측모델 모델 작성 42
4.4 LCCO2 예측모델 모델 결과 분석 47
제5장 결 론 50
참 고 문 헌 52
