디지털 라이브러리[ 검색결과 ]
지하공동구 화재 시계열 데이터 생성을 위한 Convolutional Attention TimeGAN 모델 연구
http://doi.org/10.5626/JOK.2024.51.6.490
지하공동구는 도시 운영과 관리에 필수적인 국가 중요시설이다. 화재는 지하공동구에서 가장 많이 발생하는 재난이며, 인공지능을 이용한 화재 관리 시스템에 대한 요구가 높아지고 있다. 하지만 인공 지능 학습을 위한 화재 데이터 수집은 어렵기 때문에, 실제 화재의 주요 특성을 반영한 데이터 생성 모델 을 활용하는 것이 대안이 될 수 있다. 본 논문에서는 화재 데이터 생성 모델인 CA-TimeGAN을 기반으 로 인공지능 학습 데이터 생성 방안을 제안한다. 학습을 위한 화재 시뮬레이션 데이터 수집을 위해 FDS 가상환경 내에 충북 오창 지하공동구를 조성하였다. 실험에서는 TimeGAN과 CA-TimeGAN으로 각각 생 성한 데이터를 비교하고, 데이터 품질과 실효성을 검증하였다. 판별점수는 CA-TimeGAN과 TimeGAN 모두 0.5로 수렴하였다. 예측 점수는 시뮬레이션 데이터로만 학습한 모델 보다 66.1%, 시뮬레이션 데이터 와 TimeGAN 생성 데이터를 결합하여 반영한 모델 보다 22.9% 향상되었다. PCA 및 t-SNE 분석 결과, 생성 데이터와 시뮬레이션 데이터 분포가 유사한 것으로 분석되었다.
지하공동구 화재 이상 탐지를 위한 ConvLSTM Variational AutoEncoder 모델 연구
http://doi.org/10.5626/JOK.2024.51.4.333
지하공동구 화재를 탐지하지 못하면 재난 관리 비용이 증가하는 동시에 시민의 삶과 산업에 막대한 피해와 혼란을 초래하므로 정확한 화재 이상 징후 탐지가 매우 중요하다. 최근 AI, IoT 및 디지털 트윈 등 첨단기술 기반 지하공동구 화재·재난 관리 시스템에 관한 연구가 활발히 진행중이다. 그러나 IoT 센서는 통신 환경이나 상태에 따라 데이터의 손실 혹은 잡음이 포함된 저품질 데이터가 발생할 수 있고, 이로 인해 부정확한 화재 이상 탐지가 발생할 수 있다. 본 논문에서는 시계열 데이터의 시·공간적 특성을 동시에 반영하여 데이터 잡음이나 손실이 있더라도 정확하게 이상치를 탐지하는 ConvLSTM-VAE을 제안한다. 실험을 위해 화재 시뮬레이터 (FDS)를 이용해 충북 오창 지하공동구를 모사한 가상환경을 조성하여 화재 데이터를 수집하였다. 실험에서는 제안된 모델과 시계열 이상 탐지 모형들의 성능을 비교하고, 화재 상황 분류 성능을 확인하였다. ConvLSTM-VAE는 정밀도 0.881579, 재현율 0.99505, 정확도 0.930693, F1점수 0.934884로 이상 탐지 성능에서 비교모델 중 가장 우수한 것으로 분석되었다.
실시간 지하공동구 화재 온도 예측을 위한 Residual CNN-LSTM 모델 연구
http://doi.org/10.5626/JOK.2024.51.2.131
지하공동구는 전력, 통신, 수도, 난방과 같은 라이프 라인을 공동으로 수용하는 국가 중요 시설물이다. 화재는 지하공동구에서 가장 많이 발생하는 사고 유형이며, 신속한 확인과 적절한 조치를 통해 피해를 최소화할 수 있다. 본 논문에서는 잔차 학습 기법을 적용한 CNN을 통해 효율적으로 데이터의 공간적 특성을 추출하는 동시에, 시간 정보를 고려하는 LSTM를 결합한 지하공동구 화재 온도 예측 모델인 Residual CNN-LSTM을 제안한다. 실험에서는 지하공동구 화재 발생 시나리오를 도출하고, 화재 역학 시뮬레이션 소프트웨어를 이용하여 화재 온도 데이터를 수집하였다. 실험 결과에서는 제안된 모델의 잔차 학습의 적절한 깊이를 분석하고, 이를 바탕으로 제안된 모델과 예측 모델들의 성능을 비교하였다. Residual CNN-LSTM은 RMSE 0.061529, MAE 0.053851, MAPE 6.007076으로 비교 모델보다 예측성능이 우수한 것으로 확인되었다.
