repository
설계단계 의사결정 지원을 위한 모듈러 건축물의 탄소배출량 예측모델 개발
- Alternative Title
- Development of a carbon emission prediction model for modular buildings to support decision making in the design stage
- Author(s)
- 이준호
- Alternative Author(s)
- Jun-ho Lee
- Advisor
- 김선숙
- Department
- 일반대학원 스마트융합건축학과
- Publisher
- The Graduate School, Ajou University
- Publication Year
- 2023-02
- Language
- kor
- Keyword
- LCCO2(Life Cycle CO2); 머신러닝(Machine Learning); 모듈러(Modular); 생활관(Dormitory); 의사결정지원(Decision Support)
- Abstract
- 본 연구는 모듈러 건축물의 탄소배출량 예측모델을 개발하고 이를 통해 설계단계에서 이해관계자들에게 의사결정에 도움을 주기 위한 지원 도구 개발을 목적으로 한다. <br> <br>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. <br> <br>(1) 전 생애주기 탄소배출량 산정방법에 대해 고찰하였으며, 연구대상을 모듈러 생활관으로 한정하였다. 전 생애주기 탄소배출량 예측모델 개발과 관련된 선행연구를 분석하여 본 연구의 개발 방향을 설정하였다. <br> <br>(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. <br> <br>(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. <br> <br>(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. <br> <br>(5) 생성된 데이터세트를 바탕으로 MLR, RF, GBRT, KNN, SVR의 알고리즘을 이용하여 예측모델을 생성하였으며, 4가지의 평가지표와 소요시간을 고려하였을 때 RF모델이 가장 적절한 것으로 도출되었다. <br> <br>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.
- Alternative Abstract
- The purpose of this study is to develop a carbon emission prediction model <br>for modular buildings and to develop a support tool to help <br>decision-making at the design stage. <br>In Korea, there is a lack of research on carbon emission prediction models, <br>and in foreign countries, research on predictive models as a <br>decision-making support tool for new construction or remodeling has been <br>conducted targeting RC groups. However, carbon emission prediction model <br>for modular buildings was insufficient. Therefore, in this study, a prediction <br>model was developed to help decision-making by enabling rapid carbon <br>emission assessment for each design alternative at the design stage, and to <br>make it easy to use with a small number of input variables The results of this study are summarized as follows. <br>(1) The carbon emission assessment method for the entire life cycle was <br>reviewed, and the research subject was limited to modular dormitories. The <br>development direction of this study was established by analyzing previous <br>studies related to the development of a life cycle carbon emission prediction <br>model. <br>(2) The carbon emissions of the production, construction, and disposal <br>stages were calculated through the bill of materials and domestic and <br>foreign literature data of modular building, and the carbon emissions in the <br>operation stage were calculated using a dynamic energy simulation <br>program. Based on this, initial data of carbon emissions for each stage <br>were created. <br>(3) In order to generate machine learning data based on the generated <br>initial data, a total of 10 input variables such as orientation, <br>window-to-wall ratio, thermal transmittance for each part, SHGC, and VTwere set, and the output variable was set as carbon emissions throughout <br>the life cycle. The input variables were sampled with 10,000 data through <br>the LHS method so that the output variable could change according to the <br>change of 10 variables, and machine learning data was generated using <br>JePlus. <br>(4) In order to reduce the input variables of the model and make it easier <br>to use in the design stage, correlation analysis was conducted between variables and 5 out of 10 input variables were removed. The five input <br>variables of orientation, window-to-wall ratio, SHGC, VT, and windowthermal transmittance were finally set as input variables for machine <br>learning. <br>(5) Based on the generated data set, a prediction model was created using <br>the algorithms of MLR, RF, GBRT, KNN, and SVR, and the RF model <br>was selected as the most appropriate when considering the four evaluation <br>indicators and the required time. <br>The main purpose of this study was to develop a carbon emission <br>prediction model for modular buildings. The developed prediction model is <br>in the initial stage of research, and the area is fixed to Seoul, and it is <br>limited to dormitory among modular buildings. Therefore, in the future, it <br>is necessary to develop a flexible and extensive prediction model by <br>expanding the area and use range, and to conduct research that can <br>provide integrated information in the early stage of building design in <br>conjunction with other programs.
- Fulltext
- Appears in Collections:
- Graduate School of Ajou University > Department of Smart Convergence Architecture > 3. Theses(Master)
- Files in This Item:
- There are no files associated with this item.
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
-
- License
- STATISTICS
- Total Visit :5,260,659
- Total Download :2,137
- Today View :28,493
