KR102207287B1 - 비산 석면 농도 예측 장치 및 그 방법 - Google Patents

비산 석면 농도 예측 장치 및 그 방법 Download PDF

Info

Publication number
KR102207287B1
KR102207287B1 KR1020190167828A KR20190167828A KR102207287B1 KR 102207287 B1 KR102207287 B1 KR 102207287B1 KR 1020190167828 A KR1020190167828 A KR 1020190167828A KR 20190167828 A KR20190167828 A KR 20190167828A KR 102207287 B1 KR102207287 B1 KR 102207287B1
Authority
KR
South Korea
Prior art keywords
asbestos
concentration
variable
scattered
data
Prior art date
Application number
KR1020190167828A
Other languages
English (en)
Inventor
한승우
김도형
조민도
최영준
Original Assignee
인하대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020190167828A priority Critical patent/KR102207287B1/ko
Application granted granted Critical
Publication of KR102207287B1 publication Critical patent/KR102207287B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Development Economics (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)

Abstract

본 발명은 비산 석면 농도 예측 장치 및 그 방법에 대한 것이다.
본 발명에 따른 비산 석면 농도 예측 장치는, 공공 데이터에 포함된 변수들의 정보를 수집하는 수집부; 수집된 복수의 변수를 연도별, 장소별로 분류하여 각 변수별 정보가 저장된 데이터베이스를 생성하는 데이터베이스 생성부; 각 변수별 데이터베이스를 이용하여 비산 석면 농도와 각 변수들 간 상관관계를 분석하여, 상관 정도가 높은 기 설정 개의 변수를 추출하는 변수 추출부; 상기 추출된 변수에 해당하는 풍속, 준공년도, 습도 및 석면 면적을 이용하여 다중 선형 회귀분석과 인공 신경망 분석을 통한 비산 석면 농도 예측 모형을 생성하는 예측 모형 생성부; 및 상기 생성된 예측 모형을 이용하여 예측하고자 하는 석면 해체 현장의 비산 석면 농도 예측값을 산출하는 예측값 산출부를 포함한다.
이와 같이 본 발명에 따르면, 건축물의 석면 해체 과정에서 발생되는 비산 석면 농도를 예측하기 위해 비산 석면 농도에 영향을 끼치는 변수를 선정하고, 선정된 변수를 이용하여 비산 석면 농도를 예측하기 위한 예측식을 도출함으로써 해체 공사 시작 이전에 인근의 사람들에게 비산 석면 농도값을 제공할 수 있다.

Description

비산 석면 농도 예측 장치 및 그 방법{APPARATUS FOR PREDICTING SCATTERED ASBESTOS CONCENTRATION AND METHOD THEREOF}
본 발명은 비산 석면 농도 예측 장치 및 그 방법에 관한 것으로서, 더욱 상세하게는 건축물의 석면 해체 과정에서 발생되는 비산 석면 농도를 예측하기 위한 비산 석면 농도 예측 장치 및 그 방법에 관한 것이다.
일반적으로 석면(Asbestos)은 섬유상의 규산염 광물로 불연성뿐만 아니라 흡음, 단열, 내열, 절연, 내부식성 등의 특성으로 건축자재의 원료로 많이 사용되었다. 하지만 호흡을 통하여 석면 가루를 마시면 미세한 크기의 석면이 폐로 들어가 폐암이나 폐증, 늑막이나 흉막에 악성종양을 유발할 수 있다고 밝혀져 세계보건기구(WHO) 산하의 국제암연구소(IARC)에서 1급 발암물질로 선정하여 발표하였고, 국내에서는 2009년 2월 산업안전보건법이 개정되면서 모든 석면의 수입과 사용 및 제조가 전면 금지되었다.
이에 따라 2011년부터 석면 함유 건축물의 해체 신고는 12,000건을 넘어가고 있으며, 환경부는 석면 농도 공기질 법적 기준을 0.01개/cc 이하로 지정하고 있다. 석면은 해체하는 순간 비산되므로 인근 주민 및 일반인들의 석면암을 유발시키게 되고, 이에 따라 석면의 비산 농도를 측정하고 보고서를 제출하도록 제정하였다.
또한, 석면 해체 작업시 안전보건교육을 이수한 근로자만 공사를 실시할 수 있고 작업계획서를 관할 지방노동관서의 장에게 제출하여 석면해체공사를 알려야 한다. 그리고 석면 해체 작업시에는 작업장을 밀폐하고 개인보호구를 착용한 뒤 석면 분진이 흩날리지 않도록 물 또는 습윤제를 사용하여 습식작업을 하게된다. 석면해체 및 제거작업장 주변에 인근 주민 및 통행자들이 석면 해체 및 제거 작업이 이루어지고 있는 장소임을 인지할 수 있도록 작업알림 표지 등을 게시하고 있다.
그러나 석면 해체 및 제거 작업은 비산 농도를 측정하여 측정된 농도가 위험 수준이 되어야만 작업 중지를 명령하기 때문에, 작업 중지 전에도 이미 위험 수준의 석면 농도가 비산되고 있었을 확률이 크다. 또한 독일에서는 우리나라의 석면 농도 공기질 법적 기준인 0.01개/cc의 절반 수준인 0.005개/cc로 규제하여 석면의 비산에 더욱 힘쓰고 있는 실정이다.
따라서, 석면 공사가 있을 때 비산되는 석면의 농도를 미리 예측하여 일반인들에게 위험 정도를 미리 공지하기 위한 기술의 개발이 필요하다.
본 발명의 배경이 되는 기술은 대한민국 공개특허공보 제10-2010-0028285호(2010. 03. 12. 공개)에 개시되어 있다.
본 발명이 이루고자 하는 기술적 과제는 건축물의 석면 해체 과정에서 발생되는 비산 석면 농도를 예측하기 위한 비산 석면 농도 예측 장치 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따른 비산 석면 농도 예측 장치는, 공공 데이터에 포함된 변수들의 정보를 수집하는 수집부; 수집된 복수의 변수를 연도별, 장소별로 분류하여 각 변수별 정보가 저장된 데이터베이스를 생성하는 데이터베이스 생성부; 각 변수별 데이터베이스를 이용하여 비산 석면 농도와 각 변수들 간 상관관계를 분석하여, 상관 정도가 높은 기 설정 개의 변수를 추출하는 변수 추출부; 상기 추출된 변수에 해당하는 풍속, 준공년도, 습도 및 석면 면적을 이용하여 다중 선형 회귀분석과 인공 신경망 분석을 통한 비산 석면 농도 예측 모형을 생성하는 예측 모형 생성부; 및 상기 생성된 예측 모형을 이용하여 예측하고자 하는 석면 해체 현장의 비산 석면 농도 예측값을 산출하는 예측값 산출부를 포함한다.
또한, 상기 공공 데이터는 각 공공 기관 서버로부터 수신한 비산 석면 농도 측정 결과 데이터, 건축물 데이터 및 기상 데이터를 포함하고, 상기 비산 석면 농도 측정 결과 데이터에 포함된 변수는 석면이 해체된 건축물의 석면 면적, 석면 종류, 측정 기간, 측정 시간, 석면 채취 장소, 장소별 측정된 비산 석면 농도 중 적어도 하나이고, 상기 건축물 데이터에 포함된 변수는 건축물의 연면적, 건축면적, 층수, 준공 일자, 주요 구조 중 적어도 하나이며, 상기 기상 데이터에 포함된 변수는 석면 해체 시기의 평균 기온, 평균 습도, 평균 풍속 중 적어도 하나일 수 있다.
또한, 상기 변수 추출부는 상기 비산 석면 농도와 각 변수간 데이터들의 관계 유무 정도에 대한 분포 상태를 표시하여 기 설정 범위 내에 포함되는 데이터들을 각 변수별로 추출하고, 상기 비산 석면 농도와 상기 추출된 각 변수별 데이터간의 상관관계를 분석하여 각 변수별 절대 상관계수를 도출하며, 도출된 절대 상관계수가 기 설정 수치 이상인 변수에 대응하는 풍속, 준공년도, 습도 및 석면 면적을 상기 상관 정도가 높은 변수로 추출할 수 있다.
또한, 상기 예측 모형 생성부는 기 설정된 위치에서 측정된 가장 최근 년도의 비산 석면 농도를 제곱함수 비선형 변환을 통해 상기 예측 모형의 비산 석면 농도 예측식을 도출할 수 있다.
또한, 상기 예측값 산출부는 다음의 수학식과 같이 도출된 상기 비산 석면 농도 예측식을 이용하여 비산 석면 농도 예측값을 산출할 수 있다.
Figure 112019129774037-pat00001
여기서, a, b, c, d는 회귀분석 알고리즘을 이용하여 각 변수가 석면량에 영향을 미치는 정도를 수치화한 계수로서, a, b는 음수(-)이고, c, d는 양수(+)이다.
또한, 본 발명의 다른 실시예에 따른 비산 석면 농도 예측 방법은, 공공 데이터에 포함된 변수들의 정보를 수집하는 단계; 수집된 복수의 변수를 연도별, 장소별로 분류하여 각 변수별 정보가 저장된 데이터베이스를 생성하는 단계; 각 변수별 데이터베이스를 이용하여 비산 석면 농도와 각 변수들 간 상관관계를 분석하여, 상관 정도가 높은 기 설정 개의 변수를 추출하는 단계; 상기 추출된 변수에 해당하는 풍속, 준공년도, 습도 및 석면 면적을 이용하여 다중 선형 회귀분석과 인공 신경망 분석을 통한 비산 석면 농도 예측 모형을 생성하는 단계; 및 상기 생성된 예측 모형을 이용하여 예측하고자 하는 석면 해체 현장의 비산 석면 농도 예측값을 산출하는 단계를 포함한다.
이와 같이 본 발명에 따르면, 건축물의 석면 해체 과정에서 발생되는 비산 석면 농도를 예측하기 위해 비산 석면 농도에 영향을 끼치는 변수를 선정하고, 선정된 변수를 이용하여 비산 석면 농도를 예측하기 위한 예측식을 도출함으로써 해체 공사 시작 이전에 인근의 사람들에게 비산 석면 농도값을 제공할 수 있다.
또한 본 발명에 따르면, 도출된 예측식을 이용하여 건축물의 석면 해체 공사 시작 이전에 비산 석면 농도를 미리 제공해줌으로써 이에 대한 대비책을 조기에 마련할 수 있도록 하여 석면 관련 질병의 발병률을 저감시키는데 기여할 수 있다.
도 1은 본 발명의 실시예에 따른 비산 석면 농도 예측 장치를 나타낸 블록구성도이다.
도 2는 본 발명의 실시예에 따른 비산 석면 농도 예측 방법의 동작 흐름을 도시한 순서도이다.
이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
먼저, 도 1을 통해 본 발명의 실시예에 따른 비산 석면 농도 예측 장치에 대하여 설명한다.
도 1은 본 발명의 실시예에 따른 비산 석면 농도 예측 장치를 나타낸 블록구성도이다.
도 1에서와 같이 본 발명의 실시예에 따른 비산 석면 농도 예측 장치(100)는, 수집부(110), 데이터베이스 생성부(120), 변수 추출부(130), 예측 모형 생성부(140) 및 예측값 산출부(150)를 포함한다.
먼저, 수집부(110)는 공공 데이터에 포함된 변수들의 정보를 수집한다.
이때, 수집되는 공공 데이터는 각 공공 기관 서버(미도시)로부터 수신한 비산 석면 농도 측정 결과 데이터, 건축물 데이터 및 기상 데이터를 포함할 수 있다.
따라서, 수집부(110)는 비산 석면 농도 측정 결과 데이터에 포함된 석면이 해체된 건축물의 석면 면적, 석면 종류, 측정 기간, 측정 시간, 석면 채취 장소, 장소별 측정된 비산 석면 농도 등과 같이 건물의 석면 해체 특성을 반영하기 위한 변수의 정보를 수집할 수 있다.
또한, 건축물 데이터에 포함된 건축물의 연면적, 건축면적, 층수, 준공 일자, 주요 구조 등과 같이 석면 해체 건축물의 특성을 반영하기 위한 변수의 정보를 수집할 수도 있다. 이때, 건축물 데이터는 스마트 국토정보 사이트를 통해 수집될 수도 있다.
또한, 기상 데이터에 포함된 석면 해체 시기의 평균 기온, 평균 습도, 평균 풍속 등 석면 해체 시 환경적 요인을 반영하기 위한 변수의 정보를 수집할 수도 있다.
그리고 데이터베이스 생성부(120)는 수집부(110)로부터 수집된 복수의 변수를 연도별, 장소별로 분류하여 각 변수별 정보가 저장된 데이터베이스를 생성한다.
그리고 변수 추출부(130)는 데이터베이스 생성부(120)에서 생성된 각 변수별 데이터베이스를 이용하여 비산 석면 농도와 각 변수들 간 상관관계를 분석하여, 상관 정도가 높은 기 설정 개의 변수를 추출한다.
이때, 변수 추출부(130)는 비산 석면 농도와 각 변수간 데이터들의 관계 유무 정도에 대한 분포 상태를 표시하여 기 설정 범위 내에 포함되는 데이터들을 각 변수별로 추출하고, 비산 석면 농도와 추출된 각 변수별 데이터간의 상관관계를 분석하여 각 변수별 절대 상관계수를 도출한다.
자세히는, 변수 추출부(130)는 추출되는 변수들이 비산 석면 농도에 어느 정도의 영향을 미치는지 판단하기 위해 비산 석면 농도와 각 변수 간 관계의 유무 및 정도를 직교 좌표의 평면에 관측점으로 표시하여 파악하되, 비산 석면 농도 전체 데이터 중 가장 큰 값과 가장 작은 값으로부터 10% 이내 범위에 있는 데이터를 이상치(노이즈)로 간주하고 제거하고 남은 데이터들만 추출한다.
즉, 비산 석면 농도 데이터의 특성상 극단값(예를 들면 0~10%에 해당하는 데이터들과 90%~100%에 해당하는 데이터들)에 위치하는 데이터의 수는 매우 적지만 추후 분석 과정에 있어서 영향을 줄 수 있기 때문에 이를 노이즈로 간주하여 제고하고 남은 데이터들을 이용하여 상관관계를 분석하는 것이 바람직하다.
그리고, 각 변수별 절대 상관계수는 다음의 수학식 1 내지 3에 의해 도출한다.
먼저 변수 추출부(130)는 다음의 수학식 1에 의해 두 변수의 관계를 나타내는 양, 즉 두 개의 변수가 함께 변하는 정도를 도출한다.
Figure 112019129774037-pat00002
여기서, COVxy는 두 개의 변수가 함께 변하는 정도, X는 변수, Y는 비산 석면 농도, i는 인덱스, n은 총 변량의 개수이다.
그리고, 변수 추출부(130)는 다음의 수학식 2에 의해 각 변수(X)의 표본 분산 및 표준편차를 도출한다.
Figure 112019129774037-pat00003
여기서, s2 x는 표본 분산, sx는 표준편차이다.
마지막으로 변수 추출부(130)는 다음의 수학식 3에 의해 각 변수별 절대 상관계수를 도출한다.
Figure 112019129774037-pat00004
여기서, r은 상관 계수, x,y는 각 변수에 속하는 변량, n은 총 변량의 개수이다.
이때, 변수 추출부(130)는 절대 상관계수가 클수록 상관 정도가 높은 것으로 해석하여, 수학식 1 내지 3에 의해 도출된 절대 상관계수가 기 설정 수치 이상(예를 들면 0.5)인 변수를 상관 정도가 높은 변수로 추출한다.
본 발명의 실시예에서는 실험 결과에 따라 풍속, 준공년도, 습도 및 석면 면적을 상관 정도가 높은 변수로 추출하였다.
그리고 예측 모형 생성부(140)는 변수 추출부(130)에서 추출된 변수에 해당하는 풍속, 준공년도, 습도 및 석면 면적을 이용하여 다중 선형 회귀분석과 인공 신경망 분석을 통한 비산 석면 농도 예측 모형을 생성한다.
이때, 예측 모형 생성부(140)는 기 설정된 위치에서 측정된 가장 최근 년도의 비산 석면 농도를 제곱함수 비선형 변환을 통해 예측 모형의 비산 석면 농도 예측식을 도출하는 것이 바람직하다.
자세히는 측정 위치별 분류, 측정년도별 상관성분석 및 선형예측을 위한 비산 석면 농도 데이터 변형의 단계를 통해 비산 석면 농도 예측식을 도출하는데, 먼저 법적규제에 따른 비산석면농도의 측정 위치는 다음과 같다.
해체 현장 내부를 음압으로 유지하기 위한 음압기 앞, 작업장 주변, 부지경계선, 그리고 해체현장과 가장 가까운 위생 설비 입구로 총 네 곳에서 비산 석면 농도를 측정하도록 기 정의되어 있다. 이에 따라 측정 위치 별로 데이터를 분류하고 각각의 측정 위치별로 예측식을 도출하게 되는데, 이 때 비산 석면의 발생 원점으로부터의 농도를 예측하기 위하여 해체 현장으로부터 가장 가까운 위생 설비 입구에서 측정된 데이터를 이용하여 예측식을 도출하는 것이 바람직하다.
그리고, 규제 및 기술의 변경으로 인해 비교적 신뢰성이 높은 최근의 데이터를 이용해야 하므로, 측정년도별로 비산석면농도 데이터를 분류하여 가장 최근에 측정된 데이터를 기준으로 최근 년도 순으로 조합하여 상관성 분석을 실시하는 것이 바람직하다.
그리고, 비산 석면 농도 데이터는 실제 비선형의 분포를 띄고 있기 때문에, 이를 선형으로 좀 더 자세히 예측하기 위해 비산 석면 농도 데이터의 비선형 변환을 실시한다. 이때, 비선형 변환으로 예상되는 그래프의 모형으로는 제곱, 로그, 루트, 지수함수가 있으며 이를 통해 비선형 변환을 하며, 실험 결과 제곱함수의 모형으로 변형했을 때 예측식의 설명력이 가장 크게 증가되었으므로, 본 발명의 실시예에서는 제곱함수 비선형 변환을 통한 비산 석면 농도 데이터를 예측식 산정에 적용하는 것이 가장 바람직하다.
이때, 비산 석면 농도 예측식은 다음의 수학식 4와 같이 도출된다.
Figure 112019129774037-pat00005
여기서, a, b, c, d는 회귀분석 알고리즘을 이용하여 각 변수가 석면량에 영향을 미치는 정도를 수치화한 계수로서, a, b는 음수(-)이고, c, d는 양수(+)이다.
마지막으로 예측값 산출부(150)는 예측 모형 생성부(140)에서 생성된 예측 모형을 이용하여 예측하고자 하는 석면 해체 현장의 비산 석면 농도 예측값을 산출한다.
이때, 산출된 비산 석면 농도 예측값은 다양한 방법으로 제공될 수도 있다.
예를 들면, 특정 사이트 또는 사용자 단말(미도시)에 설치되는 애플리케이션을 통해 석면 해체 공사가 진행 중인 지점 또는 진행 예정인 지점에 대한 비산 석면 농도 예측값이 제공될 수도 있다.
이하에서는 도 2를 통해 본 발명의 실시예에 따른 비산 석면 농도 예측 방법에 대하여 설명한다.
도 2는 본 발명의 실시예에 따른 비산 석면 농도 예측 방법의 동작 흐름을 도시한 순서도로서, 이를 참조하여 본 발명의 구체적인 동작을 설명한다.
본 발명의 실시예에 따른 따르면, 먼저 수집부(110)는 공공 데이터에 포함된 변수들의 정보를 수집한다(S210).
이때, 수집되는 공공 데이터는 각 공공 기관 서버(미도시)로부터 수신한 비산 석면 농도 측정 결과 데이터, 건축물 데이터 및 기상 데이터를 포함할 수 있다.
따라서, S210 단계에서는 비산 석면 농도 측정 결과 데이터에 포함된 석면이 해체된 건축물의 석면 면적, 석면 종류, 측정 기간, 측정 시간, 석면 채취 장소, 장소별 측정된 비산 석면 농도 등과 같이 건물의 석면 해체 특성을 반영하기 위한 변수의 정보를 수집할 수도 있다.
또한, 건축물 데이터에 포함된 건축물의 연면적, 건축면적, 층수, 준공 일자, 주요 구조 등과 같이 석면 해체 건축물의 특성을 반영하기 위한 변수의 정보를 수집할 수도 있다. 이때, 건축물 데이터는 스마트 국토정보 사이트를 통해 수집될 수도 있다.
또한, 기상 데이터에 포함된 석면 해체 시기의 평균 기온, 평균 습도, 평균 풍속 등 석면 해체 시 환경적 요인을 반영하기 위한 변수의 정보를 수집할 수도 있다.
그 다음 데이터베이스 생성부(120)는 S210 단계로부터 수집된 복수의 변수를 연도별, 장소별로 분류하여 각 변수별 정보가 저장된 데이터베이스를 생성한다(S220).
그 다음 변수 추출부(130)는 데이터베이스 생성부(120)에서 생성된 각 변수별 데이터베이스를 이용하여 비산 석면 농도와 각 변수들 간 상관관계를 분석하여, 상관 정도가 높은 기 설정 개의 변수를 추출한다(S230).
S230를 자세히 설명하자면, 변수 추출부(130)는 비산 석면 농도와 각 변수간 데이터들의 관계 유무 정도에 대한 분포 상태를 표시하여 기 설정 범위 내에 포함되는 데이터들을 각 변수별로 추출하고, 비산 석면 농도와 추출된 각 변수별 데이터간의 상관관계를 분석하여 각 변수별 절대 상관계수를 도출한다.
그리고, 각 변수별 절대 상관계수는 수학식 1 내지 3에 의해 앞서 설명한 내용과 동일한 방식으로 도출한다.
이때, 변수 추출부(130)는 절대 상관계수가 클수록 상관 정도가 높은 것으로 해석하여 수학식 1 내지 3에 의해 도출된 절대 상관계수가 기 설정 수치(예를 들면 0.5) 이상인 변수에 대응하는 변수를(풍속, 준공년도, 습도 및 석면 면적)을 상관 정도가 높은 변수로 추출한다.
그 다음 예측 모형 생성부(140)는 S230 단계에서 추출된 변수에 해당하는 풍속, 준공년도, 습도 및 석면 면적을 이용하여 다중 선형 회귀분석과 인공 신경망 분석을 통한 비산 석면 농도 예측 모형을 생성한다(S240).
이때, 예측 모형 생성부(140)는 기 설정된 위치에서 측정된 가장 최근 년도의 비산 석면 농도를 제곱함수 비선형 변환을 통해 예측 모형의 비산 석면 농도 예측식을 도출하는 것이 바람직하다.
마지막으로 예측값 산출부(150)는 S240 단계에서 생성된 예측 모형을 이용하여 예측하고자 하는 석면 해체 현장의 비산 석면 농도 예측값을 산출한다(S250).
즉, 예측값 산출부(150)는 S240 단계에서 생성된 예측 모형의 비산 석면 농도 예측식을 이용하여 예측하고자 하는 석면 해체 현장의 비산 석면 농도 예측값을 산출하고, 산출된 비산 석면 농도 예측값은 다양한 방법으로 제공될 수도 있다.
상술한 바와 같이, 본 발명의 실시예에 따른 비산 석면 농도 예측 장치 및 그 방법은 건축물의 석면 해체 과정에서 발생되는 비산 석면 농도를 예측하기 위해 비산 석면 농도에 영향을 끼치는 변수를 선정하고, 선정된 변수를 이용하여 비산 석면 농도를 예측하기 위한 예측식을 도출함으로써 해체 공사 시작 이전에 인근의 사람들에게 비산 석면 농도값을 제공할 수 있다.
또한 본 발명의 실시예에 따르면, 도출된 예측식을 이용하여 건축물의 석면 해체 공사 시작 이전에 비산 석면 농도를 미리 제공해줌으로써 이에 대한 대비책을 조기에 마련할 수 있도록 하여 석면 관련 질병의 발병률을 저감시키는데 기여할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100 : 비산 석면 농도 예측 장치 110 : 수집부
120 : 데이터베이스 생성부 130 : 변수 추출부
140 : 예측 모형 생성부 150 : 예측값 산출부

Claims (10)

  1. 공공 데이터에 포함된 변수들의 정보를 수집하는 수집부;
    수집된 복수의 변수를 연도별, 장소별로 분류하여 각 변수별 정보가 저장된 데이터베이스를 생성하는 데이터베이스 생성부;
    각 변수별 데이터베이스를 이용하여 비산 석면 농도와 각 변수들 간 상관관계를 분석하여, 상관 정도가 설정 수치 이상으로 높은 기 설정 개의 변수를 추출하는 변수 추출부;
    상기 추출된 변수에 해당하는 풍속, 준공년도, 습도 및 석면 면적을 이용하여 다중 선형 회귀분석과 인공 신경망 분석을 통한 비산 석면 농도 예측 모형을 생성하는 예측 모형 생성부; 및
    상기 생성된 예측 모형을 이용하여 예측하고자 하는 석면 해체 현장의 비산 석면 농도 예측값을 산출하는 예측값 산출부를 포함하며,
    상기 예측 모형 생성부는,
    기 설정된 위치에서 측정된 가장 최근 년도의 비산 석면 농도를 제곱함수 비선형 변환을 통해 상기 예측 모형의 비산 석면 농도 예측식을 도출하는 비산 석면 농도 예측 장치.
  2. 제1항에 있어서,
    상기 공공 데이터는,
    각 공공 기관 서버로부터 수신한 비산 석면 농도 측정 결과 데이터, 건축물 데이터 및 기상 데이터를 포함하고,
    상기 비산 석면 농도 측정 결과 데이터에 포함된 변수는 석면이 해체된 건축물의 석면 면적, 석면 종류, 측정 기간, 측정 시간, 석면 채취 장소, 장소별 측정된 비산 석면 농도 중 적어도 하나이고,
    상기 건축물 데이터에 포함된 변수는 건축물의 연면적, 건축면적, 층수, 준공 일자, 주요 구조 중 적어도 하나이며,
    상기 기상 데이터에 포함된 변수는 석면 해체 시기의 평균 기온, 평균 습도, 평균 풍속 중 적어도 하나인 비산 석면 농도 예측 장치.
  3. 제1항에 있어서,
    상기 변수 추출부는,
    상기 비산 석면 농도와 각 변수간 데이터들의 관계 유무 정도에 대한 분포 상태를 표시하여 기 설정 범위 내에 포함되는 데이터들을 각 변수별로 추출하고, 상기 비산 석면 농도와 상기 추출된 각 변수별 데이터간의 상관관계를 분석하여 각 변수별 절대 상관계수를 도출하며, 도출된 절대 상관계수가 기 설정 수치 이상인 변수에 대응하는 풍속, 준공년도, 습도 및 석면 면적을 상기 상관 정도가 높은 변수로 추출하는 비산 석면 농도 예측 장치.
  4. 삭제
  5. 제1항에 있어서,
    상기 예측값 산출부는,
    다음의 수학식과 같이 도출된 상기 비산 석면 농도 예측식을 이용하여 비산 석면 농도 예측값을 산출하는 비산 석면 농도 예측 장치:
    Figure 112020102269286-pat00006

    여기서, a, b, c, d는 회귀분석 알고리즘을 이용하여 각 변수가 석면량에 영향을 미치는 정도를 수치화한 계수로서, a, b는 음수(-)이고, c, d는 양수(+)이다.
  6. 비산 석면 농도 예측 장치를 이용한 비산 석면 농도 예측 방법에 있어서,
    공공 데이터에 포함된 변수들의 정보를 수집하는 단계;
    수집된 복수의 변수를 연도별, 장소별로 분류하여 각 변수별 정보가 저장된 데이터베이스를 생성하는 단계;
    각 변수별 데이터베이스를 이용하여 비산 석면 농도와 각 변수들 간 상관관계를 분석하여, 상관 정도가 설정 수치 이상으로 높은 기 설정 개의 변수를 추출하는 단계;
    상기 추출된 변수에 해당하는 풍속, 준공년도, 습도 및 석면 면적을 이용하여 다중 선형 회귀분석과 인공 신경망 분석을 통한 비산 석면 농도 예측 모형을 생성하는 단계; 및
    상기 생성된 예측 모형을 이용하여 예측하고자 하는 석면 해체 현장의 비산 석면 농도 예측값을 산출하는 단계를 포함하며,
    상기 예측 모형을 생성하는 단계는,
    기 설정된 위치에서 측정된 가장 최근 년도의 비산 석면 농도를 제곱함수 비선형 변환을 통해 상기 예측 모형의 비산 석면 농도 예측식을 도출하는 비산 석면 농도 예측 방법.
  7. 제6항에 있어서,
    상기 공공 데이터는,
    각 공공 기관 서버로부터 수신한 비산 석면 농도 측정 결과 데이터, 건축물 데이터 및 기상 데이터를 포함하고,
    상기 비산 석면 농도 측정 결과 데이터에 포함된 변수는 석면이 해체된 건축물의 석면 면적, 석면 종류, 측정 기간, 측정 시간, 석면 채취 장소, 장소별 측정된 비산 석면 농도 중 적어도 하나이고,
    상기 건축물 데이터에 포함된 변수는 건축물의 연면적, 건축면적, 층수, 준공 일자, 주요 구조 중 적어도 하나이며,
    상기 기상 데이터에 포함된 변수는 석면 해체 시기의 평균 기온, 평균 습도, 평균 풍속 중 적어도 하나인 비산 석면 농도 예측 방법.
  8. 제6항에 있어서,
    상기 변수를 추출하는 단계는,
    상기 비산 석면 농도와 각 변수간 데이터들의 관계 유무 정도에 대한 분포 상태를 표시하여 기 설정 범위 내에 포함되는 데이터들을 각 변수별로 추출하는 단계,
    상기 비산 석면 농도와 상기 추출된 각 변수별 데이터간의 상관관계를 분석하여 각 변수별 절대 상관계수를 도출하는 단계, 및
    도출된 절대 상관계수가 기 설정 수치 이상인 변수에 대응하는 풍속, 준공년도, 습도 및 석면 면적을 상기 상관 정도가 높은 변수로 추출하는 단계를 포함하는 비산 석면 농도 예측 방법.
  9. 삭제
  10. 제6항에 있어서,
    상기 예측값을 산출하는 단계는,
    다음의 수학식과 같이 도출된 상기 비산 석면 농도 예측식을 이용하여 비산 석면 농도 예측값을 산출하는 비산 석면 농도 예측 방법:
    Figure 112020102269286-pat00007

    여기서, a, b, c, d는 회귀분석 알고리즘을 이용하여 각 변수가 석면량에 영향을 미치는 정도를 수치화한 계수로서, a, b는 음수(-)이고, c, d는 양수(+)이다.
KR1020190167828A 2019-12-16 2019-12-16 비산 석면 농도 예측 장치 및 그 방법 KR102207287B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190167828A KR102207287B1 (ko) 2019-12-16 2019-12-16 비산 석면 농도 예측 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190167828A KR102207287B1 (ko) 2019-12-16 2019-12-16 비산 석면 농도 예측 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR102207287B1 true KR102207287B1 (ko) 2021-01-25

Family

ID=74237775

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190167828A KR102207287B1 (ko) 2019-12-16 2019-12-16 비산 석면 농도 예측 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102207287B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117977583A (zh) * 2024-04-01 2024-05-03 西安热工研究院有限公司 一种基于双阶误差补偿的储能辅助黑启动的风速预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
김영찬 외 2명, 주택재개발 지구 내 건축물 해체 시 석면함유자재의 발생패턴 및 발생량 분석에 관한 연구, 대한건축학회논문집, p314~324, (2013.07.)* *
오미혜, 토양과 대기 내 석면함량의 상관성 분석, 석사학위논문, 한양대학교 대학원 (2011.08.)* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117977583A (zh) * 2024-04-01 2024-05-03 西安热工研究院有限公司 一种基于双阶误差补偿的储能辅助黑启动的风速预测方法
CN117977583B (zh) * 2024-04-01 2024-07-12 西安热工研究院有限公司 一种基于双阶误差补偿的储能辅助黑启动的风速预测方法

Similar Documents

Publication Publication Date Title
CN115330957B (zh) 建筑物内部火灾烟气模拟扩散的方法及应急方案调用方法
Faqih et al. Defect-based building condition assessment
CN110555617A (zh) 一种基于物联网的建筑火灾风险实时动态定量评估方法
Al-Hajj et al. Modelling the running costs of buildings
CN106485418A (zh) 一种风险分析方法及系统
KR20180110940A (ko) 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템
KR102207287B1 (ko) 비산 석면 농도 예측 장치 및 그 방법
CN112508443B (zh) 一种电力行业现场作业风险管控系统
CN117114505B (zh) 一种建筑施工现场环境监测方法及系统
Park et al. The development of a web-based construction safety management information system to improve risk assessment
Taraglio et al. Decision Support System for smart urban management: resilience against natural phenomena and aerial environmental assessment
Moufti et al. Defect-based condition assessment of concrete bridges: fuzzy hierarchical evidential reasoning approach
JP4104135B2 (ja) 崖崩壊予測装置及び崖崩壊予測用コンピュータプログラム
An et al. Experimental study on wind characteristics and prediction of mean wind profile over complex heterogeneous terrain
CN117649207A (zh) 一种建筑施工管理系统
KR102200542B1 (ko) 선택 지역의 비산 석면 농도를 예측하기 위한 시스템 및 그 방법
JP7168995B2 (ja) アスベスト３次元マップ生成システム
Sari Estimating strength of rock masses using fuzzy inference system
Kim et al. Increasing reliability of participatory sensing for utility pole condition assessment using fuzzy inference
CN115081970B (zh) 精装地产装修数据分析与评测系统及评测方法
Wolniewicz et al. Verifying Traffic Noise Analysis Calculation Models.
Azmeri et al. Physical vulnerability to flood inundation: As the mitigation strategies design
Shilton et al. Error propagation analysis of XPS 31-133 and CRTN to help develop a noise mapping data standard
Cheung et al. A web‐based performance assessment system for environmental protection: W e Pass
Vasilescu et al. An efficient integrated method for occupational health and safety internal auditing, applicable to complex working systems in hydroelectric power generation sector

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant