KR102374469B1

KR102374469B1 - 수소충전소 사고의 위험도 산출을 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체

Info

Publication number: KR102374469B1
Application number: KR1020200131884A
Authority: KR
Inventors: 이광원; 김태훈; 서두현; 강승규; 서재민
Original assignee: 호서대학교 산학협력단
Priority date: 2020-10-13
Filing date: 2020-10-13
Publication date: 2022-03-14

Abstract

수소충전소 사고의 위험도 산출을 위한 장치가 제공된다. 상기 장치는 수소충전소의 위치 및 상기 수소충전소의 규모를 포함하는 입력 데이터가 입력되면, 입력 데이터를 기초로 사고특징지도, 지형지물특징지도 및 인구분포특징지도를 포함하는 특징지도를 생성하는 특징지도생성부와, 상기 특징지도를 예측모델에 입력하여 상기 예측모델이 상기 특징지도에 대해 복수의 계층 간 학습된 가중치가 적용되는 복수의 연산을 수행하여 사고로 인한 개인적 위험도를 나타내는 개인위험지도 및 사고로 인한 사회적 위험도를 나타내는 사회위험지도를 생성하도록 하는 위험예측부를 포함한다.

Description

수소충전소 사고의 위험도 산출을 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체{An apparatus for calculating the risk of an accident at a hydrogen charging station, a method therefor and a computer recordable medium storing program to perform the method}

본 발명은 위험도 산출 기술에 관한 것으로, 보다 상세하게는, 수소충전소 사고의 위험도 산출을 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체에 관한 것이다.

수소충전소는 휘발유나 경유를 주유하는 주유소(gas station) 대신 미래 청정에너지로 불리는 수소를 충전할 수 있는 곳을 말한다. 수소 연료 자동차의 활성화를 위해서는 수소충전소의 건설이 필수적이다.

한국공개특허 제2013-0061268호 2013년 06월 11일 공개 (명칭: 연료전지 자동차의 실시간 탱크 변형 정보를 이용하는 수소 안전 충전 시스템 및 충전 방법)

본 발명은 수소충전소 사고의 위험도 산출을 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체를 제공하기 위한 것이다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 수소충전소 사고의 위험도 산출을 위한 장치는 수소충전소의 위치 및 상기 수소충전소의 규모를 포함하는 입력 데이터가 입력되면, 입력 데이터를 기초로 사고특징지도, 지형지물특징지도 및 인구분포특징지도를 포함하는 특징지도를 생성하는 특징지도생성부와, 상기 특징지도를 예측모델에 입력하여 상기 예측모델이 상기 특징지도에 대해 복수의 계층 간 학습된 가중치가 적용되는 복수의 연산을 수행하여 사고로 인한 개인적 위험도를 나타내는 개인위험지도 및 사고로 인한 사회적 위험도를 나타내는 사회위험지도를 생성하도록 하는 위험예측부와, 상기 개인위험지도 및 상기 사회위험지도를 기초로 상기 수소충전소의 위험도를 평가하는 평가부를 포함한다.

상기 장치는 대상 지역 전체의 지형지물을 나타낸 기초지도 및 상기 대상 지역 내에 포함된 건물에 상주하는 인구에 대한 정보인 인구분포 정보를 저장하는 저장부를 더 포함한다. 여기서, 상기 특징지도생성부는 상기 저장부에 저장된 상기 기초지도로부터 상기 수소충전소 위치를 기준으로 상기 수소충전소 규격에 비례하는 영역을 추출하고, 상기 수소충전소의 위치 및 상기 수소충전소의 규모를 기록하여 수소충전소지도를 생성하고, 상기 저장부에 저장된 상기 기초지도로부터 상기 수소충전소지도와 동일한 영역을 추출하여 사고 지역의 지형지물지도를 생성하고, 상기 저장부에 저장된 상기 인구분포 정보를 기초로 상기 수소충전소지도와 동일한 영역에 포함된 건물에 상주하는 인구분포를 나타내는 인구분포지도를 생성하는 것을 특징으로 한다.

상기 특징지도생성부는 기 설정된 수의 행과 열을 가지는 행렬을 마련하고, 상기 행렬의 행과 열의 수에 따라 상기 수소충전소지도를 수평 및 수직으로 분할한 후, 상기 수평 및 수직으로 분할된 수소충전소지도의 수소충전소의 위치에 대응하는 상기 행렬의 원소에 상기 수소충전소 규모를 나타내는 등급을 입력하고, 상기 행렬의 나머지 원소를 모두 0으로 설정하여 사고특징지도를 생성하는 것을 특징으로 한다.

상기 특징지도생성부는 기 설정된 수의 행과 열을 가지는 행렬을 마련하고, 상기 행렬의 행과 열의 수에 따라 상기 지형지물 지도를 수평 및 수직으로 분할한 후, 상기 수평 및 수직으로 분할된 지형지물 지도의 복수의 분할된 부분 각각의 복수의 픽셀값을 소정의 벡터공간에 임베딩하여 특징 벡터를 도출하고, 복수의 분할된 부분 각각의 도출된 특징 벡터를 상기 행렬의 대응하는 원소에 입력하여 지형지물특징지도를 생성하는 것을 특징으로 한다.

상기 특징지도생성부는 기 설정된 수의 행과 열을 가지는 행렬을 마련하고, 상기 행렬의 행과 열의 수에 따라 상기 인구분포 지도를 수평 및 수직으로 분할한 후, 상기 수평 및 수직으로 분할된 인구분포 지도에 포함된 건물의 상주 인원을 상기 건물의 위치에 대응하는 상기 행렬의 원소에 분배하여 입력하고, 나머지 원소를 모두 0으로 설정하여 인구분포특징지도를 생성하는 것을 특징으로 한다.

상기 개인위험지도는 개인적 위험이 동일한 지점을 연결하는 위험 윤곽선으로 표현되며, 상기 개인적 위험은 기 설정된 주기 동안의 사망 확률인 것을 특징으로 한다.

상기 사회위험지도는 F-N 곡선을 통해 표현되며, 상기 FN 곡선은 기 설정된 주기 내에 소정의 사망자 수를 유발하는 사고의 발생 가능성 또는 빈도를 나타내는 것을 특징으로 한다.

상기 장치는 과거에 사고가 발생한 수소충전소의 위치 및 상기 사고가 발생한 수소충전소의 규모와, 상기 사고가 발생한 수소충전소에 대응하는 원본 개인위험지도 및 원본 사회위험지도를 저장하는 저장부와, 상기 과거에 사고가 발생한 수소충전소의 위치 및 상기 사고가 발생한 수소충전소의 규모와, 상기 사고가 발생한 수소충전소에 대응하는 원본 개인위험지도 및 원본 사회위험지도를 학습 데이터로 추출하고, 추출된 학습 데이터를 이용하여 예측모델이 모사 개인위험지도 및 모사 사회위험지도를 생성하도록 학습시키는 모델생성부를 더 포함한다.

상기 예측모델은 특징지도가 입력되면 특징지도에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 모사 개인위험지도를 생성하는 개인지도생성망과 모사 개인위험지도 또는 원본 개인위험지도 중 어느 하나의 개인위험지도가 입력되면 입력된 개인위험지도에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 모사 사회위험지도를 생성하는 사회지도생성망을 포함하는 생성망과, 모사 개인위험지도 또는 원본 개인위험지도 중 어느 하나의 개인위험지도가 입력되면 입력된 개인위험지도가 진짜인지 혹은 가짜인지 여부를 확률로 출력하는 개인지도판별망과 모사 사회위험지도 및 원본 사회위험지도 중 어느 하나의 사회위험지도가 입력되면 입력된 사회위험지도가 진짜인지 혹은 가짜인지 여부를 확률로 출력하는 사회지도판별망을 포함하는 판별망을 포함한다.

상기 모델생성부는 상기 예측모델의 원형을 상기 개인지도생성망 및 개인지도판별망을 포함하는 개인 그룹과 상기 사회지도생성망 및 사회지도판별망을 포함하는 사회 그룹으로 구분하여 각 그룹 별로 구분 학습을 수행하고, 상기 개인 그룹에 대한 학습이 평가 지표를 통해 기 설정된 정확도를 만족하면, 상기 개인 그룹의 가중치를 고정한 상태에서 개인지도생성망이 생성한 모사 개인위험지도를 이용하여 상기 사회지도생성망 및 사회지도판별망을 포함하는 사회 그룹만을 학습시키는 집중 학습을 수행하는 것을 특징으로 한다.

상기 모델생성부는 상기 개인지도판별망이 원본 개인위험지도를 진짜로 판별하고, 모사 개인위험지도를 가짜로 판별하도록 상기 개인지도생성망의 가중치를 고정한 상태에서 상기 개인지도판별망의 가중치를 수정하는 개인지도판별망 가중치 최적화와, 상기 개인지도판별망이 모사 개인위험지도를 진짜로 판별하도록 상기 개인지도판별망의 가중치를 고정한 상태에서 상기 개인지도생성망의 가중치를 수정하는 개인지도생성망 가중치 최적화를 교번으로 수행하면서, 동시에, 상기 사회지도판별망이 원본 사회위험지도를 진짜로 판별하고, 모사 사회위험지도를 가짜로 판별하도록 상기 사회지도생성망의 가중치를 고정한 상태에서 상기 사회지도판별망의 가중치를 수정하는 사회지도판별망 가중치 최적화와, 상기 사회지도판별망이 모사 사회위험지도를 진짜로 판별하도록 상기 사회지도판별망의 가중치를 고정한 상태에서 상기 사회지도생성망의 가중치를 수정하는 사회지도생성망 가중치 최적화를 교번으로 수행하되, 소정의 평가 지표를 통해 상기 개인지도생성망 및 상기 개인지도판별망의 정확도가 기 설정된 정확도를 만족할 때까지 상기 개인지도판별망 가중치 최적화, 상기 개인지도생성망 가중치 최적화, 상기 사회지도판별망 가중치 최적화 및 상기 사회지도생성망 가중치 최적화를 반복하는 구분 학습을 수행하는 것을 특징으로 한다.

상기 모델생성부는 상기 개인지도생성망을 통해 모사 개인위험지도를 생성하고, 상기 개인지도판별망을 통해 상기 개인지도생성망에 의해 생성된 모사 개인위험지도가 진짜 혹은 가짜로 판별되었는지 여부를 나타내는 플래그를 도출하고, 상기 개인지도생성망에 의해 생성된 모사 개인위험지도 및 상기 플래그를 이용하여 상기 사회지도판별망이 원본 사회위험지도를 진짜로 판별하고, 모사 사회위험지도를 가짜로 판별하도록 상기 사회지도생성망의 가중치를 고정한 상태에서 상기 사회지도판별망의 가중치를 수정하는 사회지도판별망 가중치 최적화와, 상기 사회지도판별망이 모사 사회위험지도를 진짜로 판별하도록 상기 사회지도판별망의 가중치를 고정한 상태에서 상기 사회지도생성망의 가중치를 수정하는 사회지도생성망 가중치 최적화를 교번으로 수행하되, 소정의 평가 지표를 통해 상기 사회지도생성망 및 상기 사회지도판별망의 정확도가 기 설정된 정확도를 만족할 때까지 상기 사회지도판별망 가중치 최적화, 상기 사회지도생성망 가중치 최적화를 반복하는 집중 학습을 수행하는 것을 특징으로 한다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 수소충전소 사고의 위험도 산출을 위한 방법은 특징지도생성부가 수소충전소의 위치 및 상기 수소충전소의 규모를 포함하는 입력 데이터가 입력되면, 입력 데이터를 기초로 사고특징지도, 지형지물특징지도 및 인구분포특징지도를 포함하는 특징지도를 생성하는 단계와, 위험예측부가 상기 특징지도를 예측모델에 입력하는 단계와, 상기 예측모델이 상기 특징지도에 대해 복수의 계층 간 학습된 가중치가 적용되는 복수의 연산을 수행하여 사고로 인한 개인적 위험도를 나타내는 개인위험지도 및 사고로 인한 사회적 위험도를 나타내는 사회위험지도를 생성하는 단계와, 평가부가 상기 개인위험지도 및 상기 사회위험지도를 기초로 상기 수소충전소의 위험도를 평가하는 단계를 포함한다.

상기 특징지도를 생성하는 단계는 상기 특징지도생성부가 대상 지역 전체의 지형지물을 나타낸 기초지도로부터 상기 수소충전소 위치를 기준으로 상기 수소충전소 규격에 비례하는 영역을 추출하고, 상기 수소충전소의 위치 및 상기 수소충전소의 규모를 기록하여 수소충전소지도를 생성하는 단계와, 상기 특징지도생성부가 상기 기초지도로부터 상기 수소충전소지도와 동일한 영역을 추출하여 사고 지역의 지형지물지도를 생성하는 단계와, 상기 특징지도생성부가 상기 대상 지역 내에 포함된 건물에 상주하는 인구에 대한 정보인 인구분포 정보를 기초로 상기 수소충전소지도와 동일한 영역에 포함된 건물에 상주하는 인구분포를 나타내는 인구분포지도를 생성하는 단계를 포함한다.

상기 방법은 상기 수소충전소지도를 생성하는 단계 후, 상기 특징지도생성부가 기 설정된 수의 행과 열을 가지는 행렬을 마련하고, 상기 행렬의 행과 열의 수에 따라 상기 수소충전소지도를 수평 및 수직으로 분할한 후, 상기 수평 및 수직으로 분할된 수소충전소지도의 수소충전소의 위치에 대응하는 상기 행렬의 원소에 상기 수소충전소 규모를 나타내는 등급을 입력하고, 상기 행렬의 나머지 원소를 모두 0으로 설정하여 사고특징지도를 생성하는 단계를 더 포함한다.

상기 방법은 상기 지형지물지도를 생성하는 단계 후, 상기 특징지도생성부가 기 설정된 수의 행과 열을 가지는 행렬을 마련하고, 상기 행렬의 행과 열의 수에 따라 상기 지형지물 지도를 수평 및 수직으로 분할한 후, 상기 수평 및 수직으로 분할된 지형지물 지도의 복수의 분할된 부분 각각의 복수의 픽셀값을 소정의 벡터공간에 임베딩하여 특징 벡터를 도출하고, 복수의 분할된 부분 각각의 도출된 특징 벡터를 상기 행렬의 대응하는 원소에 입력하여 지형지물특징지도를 생성하는 단계를 더 포함한다.

상기 방법은 상기 인구분포지도를 생성하는 단계 후, 상기 특징지도생성부가 기 설정된 수의 행과 열을 가지는 행렬을 마련하고, 상기 행렬의 행과 열의 수에 따라 상기 인구분포 지도를 수평 및 수직으로 분할한 후, 상기 수평 및 수직으로 분할된 인구분포 지도에 포함된 건물의 상주 인원을 상기 건물의 위치에 대응하는 상기 행렬의 원소에 분배하여 입력하고, 나머지 원소를 모두 0으로 설정하여 인구분포특징지도를 생성하는 단계를 더 포함한다.

상기 사회위험지도는 F-N 곡선을 통해 표현되며, 상기 F-N 곡선은 기 설정된 주기 내에 소정의 사망자 수를 유발하는 사고의 발생 가능성 또는 빈도를 나타내는 것을 특징으로 한다.

상기 특징지도를 생성하는 단계 전, 상기 모델생성부가 상기 예측모델의 원형을 상기 개인지도생성망 및 개인지도판별망을 포함하는 개인 그룹과 상기 사회지도생성망 및 사회지도판별망을 포함하는 사회 그룹으로 구분하여 각 그룹 별로 구분 학습을 수행하는 단계와, 상기 모델생성부가 상기 개인 그룹에 대한 학습이 평가 지표를 통해 기 설정된 정확도를 만족하면, 상기 개인 그룹의 가중치를 고정한 상태에서 개인지도생성망이 생성한 모사 개인위험지도를 이용하여 상기 사회지도생성망 및 사회지도판별망을 포함하는 사회 그룹만을 학습시키는 집중 학습을 수행하는 단계를 포함한다.

상기 구분 학습을 수행하는 단계는 상기 모델생성부가 상기 개인지도판별망이 원본 개인위험지도를 진짜로 판별하고, 모사 개인위험지도를 가짜로 판별하도록 상기 개인지도생성망의 가중치를 고정한 상태에서 상기 개인지도판별망의 가중치를 수정하는 개인지도판별망 가중치 최적화와, 상기 개인지도판별망이 모사 개인위험지도를 진짜로 판별하도록 상기 개인지도판별망의 가중치를 고정한 상태에서 상기 개인지도생성망의 가중치를 수정하는 개인지도생성망 가중치 최적화를 교번으로 수행하면서, 동시에, 상기 사회지도판별망이 원본 사회위험지도를 진짜로 판별하고, 모사 사회위험지도를 가짜로 판별하도록 상기 사회지도생성망의 가중치를 고정한 상태에서 상기 사회지도판별망의 가중치를 수정하는 사회지도판별망 가중치 최적화와, 상기 사회지도판별망이 모사 사회위험지도를 진짜로 판별하도록 상기 사회지도판별망의 가중치를 고정한 상태에서 상기 사회지도생성망의 가중치를 수정하는 사회지도생성망 가중치 최적화를 교번으로 수행하는 단계와, 상기 모델생성부가 소정의 평가 지표를 통해 상기 개인지도생성망 및 상기 개인지도판별망의 정확도가 기 설정된 정확도를 만족하는지 여부를 판별하는 단계와, 상기 모델생성부가 상기 판별 결과, 상기 정확도를 만족하지 않으면, 상기 개인지도판별망 가중치 최적화, 상기 개인지도생성망 가중치 최적화, 상기 사회지도판별망 가중치 최적화 및 상기 사회지도생성망 가중치 최적화를 반복하는 단계를 포함한다.

상기 집중 학습을 수행하는 단계는 상기 모델생성부가 상기 개인지도생성망을 통해 모사 개인위험지도를 생성하는 단계와, 상기 모델생성부가 상기 개인지도판별망을 통해 상기 개인지도생성망에 의해 생성된 모사 개인위험지도가 진짜 혹은 가짜로 판별되었는지 여부를 나타내는 플래그를 도출하는 단계와, 상기 모델생성부가 상기 개인지도생성망에 의해 생성된 모사 개인위험지도 및 상기 플래그를 이용하여 상기 사회지도판별망이 원본 사회위험지도를 진짜로 판별하고, 모사 사회위험지도를 가짜로 판별하도록 상기 사회지도생성망의 가중치를 고정한 상태에서 상기 사회지도판별망의 가중치를 수정하는 사회지도판별망 가중치 최적화와, 상기 사회지도판별망이 모사 사회위험지도를 진짜로 판별하도록 상기 사회지도판별망의 가중치를 고정한 상태에서 상기 사회지도생성망의 가중치를 수정하는 사회지도생성망 가중치 최적화를 교번으로 수행하는 단계와, 상기 모델생성부가 소정의 평가 지표를 통해 상기 사회지도생성망 및 상기 사회지도판별망의 정확도가 기 설정된 정확도를 만족하는지 여부를 판별하는 단계와, 상기 모델생성부가 상기 판별 결과, 상기 정확도를 만족하지 않으면, 상기 정확도를 만족할 때까지 상기 사회지도판별망 가중치 최적화, 상기 사회지도생성망 가중치 최적화를 반복하는 단계를 포함한다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 수소충전소 사고의 위험도 산출을 위한 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체는 특징지도생성부가 수소충전소의 위치 및 상기 수소충전소의 규모를 포함하는 입력 데이터가 입력되면, 입력 데이터를 기초로 사고특징지도, 지형지물특징지도 및 인구분포특징지도를 포함하는 특징지도를 생성하는 단계와, 위험예측부가 상기 특징지도를 예측모델에 입력하는 단계와, 상기 예측모델이 상기 특징지도에 대해 복수의 계층 간 학습된 가중치가 적용되는 복수의 연산을 수행하여 사고로 인한 개인적 위험도를 나타내는 개인위험지도 및 사고로 인한 사회적 위험도를 나타내는 사회위험지도를 생성하는 단계와, 평가부가 상기 개인위험지도 및 상기 사회위험지도를 기초로 상기 수소충전소의 위험도를 평가하는 단계를 포함하는 수소충전소 사고의 위험도 산출을 위한 방법을 수행하기 위한 프로그램이 기록된다.

본 발명에 따르면, 과거의 데이터를 기준으로 수소충전소의 건립 예정지에 대한 위험도를 정밀하게 도출할 수 있다. 이에 따라, 인명 피해를 최소화할 수 있는 수소충전소의 입지를 정할 수 있다.

도 1은 본 발명의 실시예에 따른 수소충전소 사고의 위험도 산출을 위한 장치의 구성을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 개인적 위험을 나타내는 개인위험지도의 일례를 도시한 도면이다.
도 3은 본 발명의 실시예에 따른 사회적 위험을 나타내는 사회적 위험지도의 일례를 도시한 도면이다.
도 4는 본 발명의 실시예에 따른 수소충전소지도로부터 사고특징지도를 도출하는 방법을 설명하기 위한 화면 예이다.
도 5는 본 발명의 실시예에 따른 지형지물지도로부터 지형지물특징지도를 도출하는 방법을 설명하기 위한 화면 예이다.
도 6은 본 발명의 실시예에 따른 인구분포지도로부터 인구분포특징지도를 도출하는 방법을 설명하기 위한 화면 예이다.
도 7은 본 발명의 실시예에 따른 예측모델(PM)의 전체적인 구성을 설명하기 위한 도면이다.
도 8은 본 발명의 실시예에 따른 예측모델(PM)의 서브망 중 생성망의 세부구성을 설명하기 위한 도면이다.
도 9는 본 발명의 실시예에 따른 예측모델(PM)의 서브망 중 판별망의 세부구성을 설명하기 위한 도면이다.
도 10은 본 발명의 실시예에 따른 학습을 통해 예측모델을 생성하는 방법을 설명하기 위한 흐름도이다.
도 11은 본 발명의 실시예에 따른 개인 그룹과 사회 그룹으로 구분하여 학습을 수행하는 방법을 설명하기 위한 흐름도이다.
도 12는 본 발명의 실시예에 따른 사회 그룹에 대한 학습만 집중하여 수행하는 방법을 설명하기 위한 흐름도이다.
도 13은 본 발명의 실시예에 따른 수소충전소 사고의 위험도 산출을 위한 방법을 설명하기 위한 흐름도이다.
도 14는 본 발명의 실시예에 따른 컴퓨팅 장치의 구성을 설명하기 위한 도면이다.

본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.

먼저, 본 발명의 실시예에 따른 수소충전소 사고의 위험도 산출을 위한 장치에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 수소충전소 사고의 위험도 산출을 위한 장치의 구성을 설명하기 위한 도면이다. 도 2는 본 발명의 실시예에 따른 개인적 위험을 나타내는 개인위험지도의 일례를 도시한 도면이다. 도 3은 본 발명의 실시예에 따른 사회적 위험을 나타내는 사회적 위험지도의 일례를 도시한 도면이다. 도 4는 본 발명의 실시예에 따른 수소충전소지도로부터 사고특징지도를 도출하는 방법을 설명하기 위한 화면 예이다. 도 5는 본 발명의 실시예에 따른 지형지물지도로부터 지형지물특징지도를 도출하는 방법을 설명하기 위한 화면 예이다. 도 6은 본 발명의 실시예에 따른 인구분포지도로부터 인구분포특징지도를 도출하는 방법을 설명하기 위한 화면 예이다. 도 7은 본 발명의 실시예에 따른 예측모델(PM)의 전체적인 구성을 설명하기 위한 도면이다. 도 8은 본 발명의 실시예에 따른 예측모델(PM)의 서브망 중 생성망의 세부구성을 설명하기 위한 도면이다. 도 9는 본 발명의 실시예에 따른 예측모델(PM)의 서브망 중 판별망의 세부구성을 설명하기 위한 도면이다.

도 1을 참조하면, 본 발명의 실시예에 따른 수소충전소 사고의 위험도 산출을 위한 장치(RAA: Risk Assessment Apparatus, 이하, '위험산출장치'로 축약함)는 특징지도생성부(100), 모델생성부(200), 위험예측부(300), 저장부(400) 및 평가부(500)를 포함한다.

저장부(400)는 대상 지역 전체의 지형지물을 나타낸 기초지도 및 그 대상 지역 내에 포함된 건물에 상주하는 인구에 대한 정보인 인구분포 정보를 저장하는 것이 바람직하다. 하지만, 저장부(400)는 적어도 복수의 수소충전소 후보지를 모두 포함하면서 소정 범위 이상의 영역을 모두 포함하는 기초지도와, 해당 기초지도 내의 건물에 상주하는 사람들의 인구분포 정보를 저장할 수 있다.

또한, 저장부(400)는 사고 기록 데이터를 저장하며, 사고 기록 데이터를 저장하기 위한 데이터베이스를 포함한다. 사고 기록 데이터는 과거에 발생한 복수의 사고 각각에 대한 정보를 기록한 데이터를 포함한다. 또한, 사고 기록 데이터는 실증 실험을 통해 피해 영향을 분석한 데이터를 포함한다. 특히, 이러한 실증 실험은 900 bar 이상의 초고압 수소에 대한 피해 영향 실험을 포함한다. 또한, 사고 기록 데이터는 설비를 설치하고 가동하고 관찰한 이력을 나타내는 설비 운영 이력 데이터와, 해당 설비를 정비한 이력을 나타내는 정비 이력 데이터를 더 포함한다. 저장부(400)는 신뢰도 데이터 북을 저장하며, 신뢰도 데이터 북은 PREDA, OGP 데이터를 전사 데이터베이스에 저장하고, 데이터 합성기술을 활용하여 기존 사고 기록 데이터와 결합할 수 있다. 예컨대, 수소 충전소에 적용되는 부품의 누출 빈도 데이터와 같은 수소 관련 신뢰도 데이터를 활용하여 누출 빈도 분석 가능하도록 구성된다. 이에 따라, 초기에는 예컨대, 데이터베이스에 기 저장된 데이터를 적용하도록 되어 있으나, 지속적인 빈도데이터를 누적하여 현실 데이터를 추가할 수 있다. 이에 따라, 실증 실험 데이터 및 실제 데이터를 합성하여 사용할 수 있다. 사고 기록 데이터는 적어도 사고가 발생한 수소충전소의 위치, 수소충전소의 규모, 사고 유형, 사상자의 수 및 사상자가 발생한 위치 등을 포함한다. 그리고 저장부(400)는 저장된 사고 기록 데이터를 기초로 작성된 복수의 사고 각각에 대한 개인위험지도(IRM: Individual Risk Map) 및 사회위험지도(SRM: Societal Risk Map)를 포함하는 위험지도(RM: Risk Map)를 저장한다.

개인위험지도(IRM)는 사고로 인한 개인적 위험도를 나타내는 지도이며, 도 2에 개인적 위험을 나타내는 개인위험지도(IRM)의 일례가 도시되었다. 개인적 위험은 특정 위치에 상주하는 사람에 대한 위험을 의미한다. 이러한 개인적 위험은 설정 주기(예컨대, 1년) 동안의 사망 확률로 산출된다. 개인위험지도(IRM)는 위험 요소(수소충전소) 주변의 개인적 위험이 동일한 지점을 연결하는 위험 윤곽선으로 표현된다. 예컨대, 도 2에서 수소충전소(HC)에 가장 가까이 있는 제1 위험 윤곽선(RC1)의 위험도가

/yr이면, 1년 동안 제1 위험 윤곽선(RC1)에서 상주하는 사람은 수소충전소(HC)에서 발생하는 위험으로 인해 사망할 확률이 10 만분의 1임을 나타낸다. 다만, 저장된 개인위험지도(IRM)의 경우, 사망 확률 대신 실제 기록된 사망 통계로 대체된다. 즉, 저장된 개인위험지도(IRM)의 경우, 개인적 위험은 설정 주기(예컨대, 1년) 동안의 사망 확률이 아니라 사망 통계가 사용된다.

사회위험지도(SRM)는 사고로 인한 사회적 위험도를 나타내는 지도이다. 도 3에 사회위험지도(SRM)의 일례가 도시되었다. 이러한 사회위험지도(SRM)는 F-N(빈도: Frequency - 수: Number) 곡선을 통해 표현할 수 있다. 사회위험지도(SRM)는 설정 주기(예컨대, 1년) 내에 소정의 사망자 수(N)를 유발하는 사고의 발생 가능성 또는 빈도(F)를 나타낸다. 다만, 저장된 사회위험지도(SRM)는 발생 가능성 또는 빈도(F) 대신 실제 발생 이력 및 빈도를 이용하여 작성된다.

특징지도생성부(100)는 입력 데이터를 기초로 특징지도를 도출하기 위한 것이다. 도 4에 도시된 바와 같이, 특징지도생성부(100)는 수소충전소의 위치 및 규격을 포함하는 입력 데이터가 입력되면, 저장부(400)에 저장된 기초지도로부터 수소충전소 위치를 기준으로 수소충전소 규격에 비례하는 영역을 추출한 후, 수소충전소의 위치(박스 형상의 테두리 표시) 및 수소충전소의 규모(예컨대, 8등급)를 기록하여 수소충전소지도(am)를 생성한다. 또한, 도 5에 도시된 바와 같이, 특징지도생성부(100)는 저장부(400)에 저장된 기초지도로부터 수소충전소지도(am)와 동일한 영역을 추출하여 사고 지역의 지형지물지도(gm)를 생성한다. 그리고 도 6에 도시된 바와 같이, 특징지도생성부(100)는 저장부(400)에 저장된 대상 지역 내에 포함된 건물에 상주하는 인구에 대한 정보인 인구분포 정보를 기초로 수소충전소지도(am)와 동일한 영역에 포함된 건물에 상주하는 인구분포를 나타내는 인구분포지도(pm)를 생성한다.

또한, 특징지도생성부(100)는 수소충전소지도(am)로부터 사고특징지도(AFM: Accident Feature Map)를 도출하고, 지형지물지도(gm)로부터 지형지물특징지도(GFM: Geographical Feature Map)를 도출하고, 인구분포지도(pm)로부터 인구분포특징지도(PFM: Population distributed Feature Map)를 도출할 수 있다. 각각의 생성방법에 대해 설명하면 다음과 같다.

도 4를 참조하면, 특징지도생성부(100)는 기 설정된 수의 행과 열을 가지는 행렬을 마련하고, 행렬의 행과 열의 수에 따라 수소충전소지도(am)를 수평 및 수직으로 분할한다. 이러한 분할에 따라 도시된 바와 같이, 수소충전소지도(am)에 행과 열로 구분되는 복수의 영역이 도출된다. 이러한 복수의 영역은 행렬의 행과 열로 구분되는 복수의 원소에 대응한다. 이에 따라, 특징지도생성부(100)는 수평 및 수직으로 분할된 수소충전소지도(am)의 수소충전소의 위치에 대응하는 행렬의 원소에 상기 수소충전소의 규모를 나타내는 등급(예컨대, 8)을 입력하고, 행렬의 나머지 원소를 모두 0으로 설정하여 사고특징지도(AFM)를 생성한다. 이에 따라, 사고특징지도(AFM)는 사고 발생 위치 및 규모를 행렬로 표현할 수 있다.

도 5를 참조하면, 특징지도생성부(100)는 기 설정된 수의 행과 열을 가지는 행렬을 마련한다. 여기서, 행과 열의 수는 사고특징지도(AFM)의 기초가 되는 행렬의 행과 열의 수와 동일하다. 또한, 특징지도생성부(100)는 행렬의 행과 열의 수에 따라 지형지물지도(gm)를 수평 및 수직으로 분할한다. 이러한 분할에 따라 도시된 바와 같이, 지형지물지도(gm)에 행과 열로 구분되는 복수의 영역이 도출된다. 이러한 복수의 영역은 행렬의 행과 열로 구분되는 복수의 원소에 대응한다. 이에 따라, 특징지도생성부(100)는 수평 및 수직으로 분할된 지형지물지도(gm)의 복수의 분할된 부분 각각의 복수의 픽셀값을 소정의 벡터공간에 임베딩하여 특징 벡터를 도출한다. 그런 다음, 특징지도생성부(100)는 복수의 분할된 부분 각각의 도출된 특징 벡터를 행렬의 대응하는 원소에 입력하여 지형지물특징지도(GFM)를 생성한다. 이에 따라, 지형지물특징지도(GFM)는 사고 발생 지역 주변의 지형지물의 특징을 행렬로 표현할 수 있다.

도 6을 참조하면, 특징지도생성부(100)는 기 설정된 수의 행과 열을 가지는 행렬을 마련한다. 여기서, 행과 열의 수는 사고특징지도(AFM) 또는 지형지물특징지도(GFM)의 기초가 되는 행렬의 행과 열의 수와 동일하다. 또한, 특징지도생성부(100)는 행렬의 행과 열의 수에 따라 인구분포지도(pm)를 수평 및 수직으로 분할한다. 이러한 분할에 따라 도시된 바와 같이, 인구분포지도(pm)에 행과 열로 구분되는 복수의 영역이 도출된다. 이러한 복수의 영역은 행렬의 행과 열로 구분되는 복수의 원소에 대응한다. 이에 따라, 특징지도생성부(100)는 수평 및 수직으로 분할된 인구분포지도(pm)에 포함된 건물의 상주 인원을 건물의 위치에 대응하는 행렬의 원소에 분배하여 입력하고, 나머지 원소를 모두 0으로 설정하여 인구분포지도(PFM)를 생성한다. 도시된 바와 같이, 예컨대, 90명이 상주하는 건물이 존재할 때, 해당 건물이 차지하는 영역에 대응하는 행렬의 원소 각각에 상주하는 인원수를 7 및 8 명으로 분배하였다. 이때, 건물의 일부가 하나의 영역을 온전히 점유하지 못할 때, 점유 비율에 따라 인원수를 조절하여 분배할 수 있다. 이에 따라, 인구분포지도(PFM)는 사고 발생 지역 주변의 건물의 인구분포를 행렬로 표현할 수 있다.

모델생성부(200)는 학습(machine learning/deep learning)을 통해 예측모델(PM)을 생성한다. 다른 말로, 모델생성부(200)는 학습 데이터를 이용하여 예측모델(PM)이 특징지도(AFM, GFM, PFM)로부터 사고로 인한 개인적 위험도를 나타내는 개인위험지도(IRM: Individual Risk Map) 및 사고로 인한 사회적 위험도를 나타내는 사회위험지도(SRM: Societal Risk Map)를 생성하도록 예측모델(PM)을 학습(machine learning/deep learning)시킨다. 생성된, 즉, 학습이 완료된 예측모델(PM)은 위험예측부(300)에 제공된다.

도 7을 참조하면, 예측모델(PM)은 생성망(GN: generative Network) 및 판별망(DN: discriminative Network)을 포함한다.

도 8을 참조하면, 생성망(GN)은 사고특징지도(AFM), 지형지물특징지도(GFM) 및 인구분포특징지도(PFM)를 포함하는 특징지도가 입력되면, 입력된 특징지도를 기초로 개인위험지도(IRM) 및 사회위험지도(SRM)를 포함하는 위험지도(RM)를 생성한다. 생성망(GN)이 생성한 위험지도(RM)는 저장부(400)에 저장되며, 학습 데이터로 사용되는 개인위험지도(IRM) 및 사회위험지도(SRM)의 원본을 모사하여 생성된 것이다. 저장부(400)에 저장된 원본인 위험지도(RM)와 생성망(GN)이 생성한 위험지도(RM)를 구분하여 설명할 필요가 있는 경우, 원본인 위험지도를 원본 개인위험지도(rIRM) 및 원본 사회위험지도(rSRM)라고 칭하며, 생성망(GN)이 생성한 위험지도(RM)를 모사 개인위험지도(fIRM) 및 모사 사회위험지도(fSRM)라고 칭하기로 한다.

생성망(GN)은 개인지도생성망(GN1) 및 사회지도생성망(GN2)을 포함한다. 개인지도생성망(GN1) 및 사회지도생성망(GN2) 각각은 가중치가 적용되는 복수의 연산을 수행하는 복수의 계층을 포함한다. 여기서, 복수의 계층은 컨볼루션(Convolution) 연산을 수행하는 컨볼루션계층(CL: Convolution Layer), 다운샘플링(Down Sampling) 연산을 수행하는 풀링계층(PL: Pooling Layer) 및 업샘플링(Up Sampling) 연산을 수행하는 언풀링(UL: Unpooling Layer) 계층 및 디컨불루션 연산을 수행하는 디컨불루션 계층(DL: Deconvolution Layer) 각각을 하나 이상 포함한다. 컨볼루션, 다운샘플링, 업샘플링 및 디컨불루션 연산 각각은 소정의 행렬로 이루어진 필터(커널)를 이용하며, 이러한 행렬의 원소의 값들이 가중치가 된다.

생성망(GN)은 특징지도(AFM, GFM, PFM)를 입력받고, 특징지도(AFM, GFM, PFM)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 원본 개인위험지도(rIRM)를 모사하는 모사 개인위험지도(fIRM) 및 원본 사회위험지도(rSRM)를 모사하는 모사 사회위험지도(fSRM)를 생성한다.

개인지도생성망(GN1)에는 특징지도(AFM, GFM, PFM)가 입력된다. 학습이 완료된 개인지도생성망(GN1)은 입력된 특징지도(AFM, GFM, PFM)에 대해 복수의 계층 간 학습된 가중치가 적용되는 복수의 연산을 수행하여 원본 개인위험지도(rIRM)를 모사하는 모사 개인위험지도(fIRM)를 생성한다.

사회지도생성망(GN2)에는 개인지도생성망(GN1)이 생성한 모사 개인위험지도(fIRM)가 입력된다. 학습이 완료된 사회지도생성망(GN2)은 입력된 모사 개인위험지도(fIRM)에 대해 복수의 계층 간 학습된 가중치가 적용되는 복수의 연산을 수행하여 원본 사회위험지도(rSRM)를 모사하는 모사 사회위험지도(fSRM)를 생성한다.

도 9를 참조하면, 판별망(DN)은 개인지도판별망(DN1) 및 사회지도판별망(DN2)을 포함한다. 개인지도판별망(DN1) 및 사회지도판별망(DN2) 각각은 가중치가 적용되는 복수의 연산을 수행하는 복수의 계층을 포함한다. 여기서, 복수의 계층은 입력층(IL: Input Layer), 컨벌루션(convolution) 연산 및 활성화함수에 의한 연산을 수행하는 컨벌루션층(CL: Convolution Layer), 풀링(pooling 또는 sub-sampling) 연산을 수행하는 풀링층(PL: Pooling Layer), 활성화함수에 의한 연산을 수행하는 완전연결층(FL: Fully-connected Layer) 및 활성화함수에 의한 연산을 수행하는 출력층(OL: Output Layer)을 포함한다. 여기서, 컨볼루션층(CL), 풀링층(PL) 및 완전연결층(FL) 각각은 2 이상이 될 수도 있다. 컨볼루션층(CL) 및 풀링층(PL)은 적어도 하나의 특징맵(FM: Feature Map)으로 구성된다. 특징맵(FM)은 이전 계층의 연산 결과에 대해 가중치(W)를 적용한 값을 입력받고, 입력받은 값에 대한 연산을 수행한 결과로 도출된다. 이러한 가중치(W)는 소정 크기의 가중치 행렬인 필터 혹은 커널(W)을 통해 적용된다.

전술한 컨벌루션층(CL), 완결연결층(FL) 및 출력층(OL)에서 사용되는 활성화함수는 시그모이드(Sigmoid), 하이퍼볼릭탄젠트(tanh: Hyperbolic tangent), ELU(Exponential Linear Unit), ReLU(Rectified Linear Unit), Leakly ReLU, Maxout, Minout, Softmax 등을 예시할 수 있다. 컨벌루션층(CL), 완결연결층(FL) 및 출력층(OL)에 이러한 활성화함수 중 어느 하나를 선택하여 적용할 수 있다.

판별망(DN)은 원본 개인위험지도(rIRM), 원본 사회위험지도(rSRM), 모사 개인위험지도(fIRM) 및 모사 사회위험지도(fSRM)를 포함 중 어느 하나의 위험지도가 입력되면, 입력된 위험지도(RM)에 대해 복수의 계층간 가중치가 적용되는 복수의 연산을 수행하여 입력된 위험지도(RM)가 진짜(real)인지 혹은 가짜(fake)인지 여부를 확률로 출력한다. 여기서, 진짜(real)는 모사의 대상이 되는 원본 개인위험지도(rIRM), 원본 사회위험지도(rSRM)를 의미하며, 가짜(fake)는 생성망(GN)이 생성한 모사 개인위험지도(fIRM) 및 모사 사회위험지도(fSRM)를 의미한다. 판별망(DN)의 출력이 진짜를 나타내면, 판별망(DN)이 입력된 위험지도(RM)를 원본 개인위험지도(rIRM) 혹은 원본 사회위험지도(rSRM)인 것으로 판별했다는 것을 의미한다. 반면, 판별망(DN)의 출력이 가짜를 나타내면, 판별망(DN)이 입력된 위험지도(RM)를 모사 개인위험지도(fIRM) 혹은 모사 사회위험지도(fSRM)로 판별했다는 것을 의미한다.

개인지도판별망(DN1)은 원본 개인위험지도(rIRM) 및 모사 개인위험지도(fIRM) 중 어느 하나의 개인위험지도(IRM)가 입력되면, 입력된 개인위험지도(IRM)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 입력된 개인위험지도(IRM)가 진짜(real)인지 혹은 가짜(fake)인지 여부를 확률로 출력한다.

사회지도판별망(DN2)은 개인위험지도(IRM)가 진짜(real)인지 혹은 가짜(fake)인지 여부를 나타내는 플래그[1(real) 혹은 0(fake)]와, 원본 사회위험지도(rSRM) 및 모사 사회위험지도(fSRM) 중 어느 하나의 사회위험지도(SRM)가 입력되면, 입력된 사회위험지도(SRM)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 입력된 사회위험지도(SRM)가 진짜(real)인지 혹은 가짜(fake)인지 여부를 확률로 출력한다.

다시, 도 1을 참조하면, 위험예측부(300)는 예측모델(PM)을 이용하여 사고로 인한 개인적 위험도를 나타내는 개인위험지도(IRM) 및 사고로 인한 사회적 위험도를 나타내는 사회위험지도(SRM)를 도출한다. 즉, 위험예측부(300)는 특징지도생성부(100)로부터 사고특징지도(AFM), 지형지물특징지도(GFM) 및 인구분포특징지도(PFM)를 포함하는 복수의 특징지도가 입력되면, 입력된 특징지도(AFM, GFM, PFM)를 예측모델(PM)에 입력한다. 그러면, 예측모델(PM)은 특징지도(AFM, GFM, PFM)에 대해 복수의 계층 간 학습된 가중치가 적용되는 복수의 연산을 수행하여 개인위험지도(IRM) 및 사회위험지도(SRM), 즉, 모사 개인위험지도(fIRM) 및 모사 사회위험지도(fSRM)를 생성한다. 위험예측부(300)는 생성된 개인위험지도(IRM) 및 사회위험지도(SRM)를 평가부(500)에 제공한다.

평가부(500)는 개인위험지도(IRM) 및 사회위험지도(SRM)가 입력되면, 입력된 개인위험지도(IRM) 및 사회위험지도(SRM)를 기초로 입력 데이터로 입력된 수소충전소의 위험도를 평가하고, 그 평가 결과를 출력할 수 있다.

이와 같이, 본 발명에 따르면, 위험산출장치(RAA)는 수소충전소에 대한 위험도를 평가하여 그 평가 결과를 제공한다. 사용자는 위험산출장치(RAA)를 이용하여 복수의 후보 장소에 수소충전소를 건설하는 경우의 위험도를 미리 예측하고, 복수의 후보 장소에 대한 평가 결과를 비교하여 어떤 장소에 수소충전소를 건설하는 것이 타당한지를 결정할 수 있다.

다음으로, 본 발명의 실시예에 따른 학습을 통해 예측모델을 생성하는 방법에 대해서 설명하기로 한다. 도 10은 본 발명의 실시예에 따른 학습을 통해 예측모델을 생성하는 방법을 설명하기 위한 흐름도이다.

도 10을 참조하면, 모델생성부(200)는 S110 단계에서 개인지도생성망(GN1) 및 사회지도생성망(GN2)을 포함하는 생성망(GN)과 개인지도판별망(DN1) 및 사회지도판별망(DN2)을 포함하는 판별망(DN)으로 이루어진 예측모델의 원형을 개인지도생성망(GN1) 및 개인지도판별망(DN1)을 포함하는 개인 그룹과 사회지도생성망(GN2) 및 사회지도판별망(DN2)을 포함하는 사회 그룹으로 구분하여 각 그룹 별로 구분 학습을 수행한다. 이때, 사회지도생성망(GN2)에 대한 입력은 모사 개인위험지도(fIRM) 대신 원본 개인위험지도(rIRM)를 이용한다.

개인 그룹에 대한 학습이 평가 지표를 통해 기 설정된 정확도를 만족하면, 모델생성부(200)는 S120 단계에서 개인 그룹의 가중치를 고정한 상태에서 개인지도생성망(GN1)이 생성한 모사 개인위험지도(fIRM)를 이용하여 사회지도생성망(GN2) 및 사회지도판별망(DN2)을 포함하는 사회 그룹만을 학습시키는 집중 학습을 수행한다.

이와 같이, 개인 그룹을 학습시키는 동안 사회 그룹에 대한 학습에 원본 개인위험지도(rIRM)를 이용하고, 개인 그룹의 학습이 종료된 후, 개인지도생성망(GN1)이 생성한 모사 개인위험지도(fIRM)를 이용하여 사회 그룹을 학습시킴으로써 학습에 소요되는 시간을 획기적으로 줄일 수 있다.

그러면, 전술한 S110 단계에 대해 보다 상세하게 설명하기로 한다. 도 11은 본 발명의 실시예에 따른 개인 그룹과 사회 그룹으로 구분하여 학습을 수행하는 방법을 설명하기 위한 흐름도이다. 강조하면, 도 11은 S110 단계를 보다 상세하게 설명하기 위한 도면이다.

모델생성부(200)는 S210 단계에서 학습 데이터를 준비한다. 우선, 모델생성부(200)는 저장부(400)에서 사고 기록 데이터로부터 과거에 사고가 발생한 수소충전소의 위치 및 그 규모를 포함하는 학습용 입력 데이터와 그 학습용 입력 데이터에 대응하는 원본 개인위험지도(rIRM) 및 원본 사회위험지도(rSRM)를 검출한다. 그런 다음, 모델생성부(200)가 사고가 발생한 수소충전소의 위치 및 규모를 포함하는 학습용 입력 데이터를 특징지도생성부(100)에 입력하면, 특징지도생성부(100)는 학습용 입력 데이터에 대응하여 학습용 특징지도(AFM, GFM, PFM)를 생성하여 모델생성부(200)에 제공한다.

전술한 바와 같이, 학습용 특징지도(AFM, GFM, PFM), 원본 개인위험지도(rIRM) 및 원본 사회위험지도(rSRM)가 준비되면, 모델생성부(200)는 S220 단계에서 개인지도판별망(DN1)의 가중치를 최적화한다. 이러한 개인지도판별망 가중치 최적화는 개인지도판별망(DN1)이 원본 개인위험지도(rIRM)를 진짜로 판별하고, 모사 개인위험지도(fIRM)를 가짜로 판별하도록 개인지도생성망(GN1)의 가중치를 고정한 상태에서 개인지도판별망(DN1)의 가중치를 수정하는 것이다. S220 단계에 대해 보다 상세하게 설명하면 다음과 같다. 우선, 모델생성부(200)는 원본 개인위험지도(rIRM)에 대한 레이블을 진짜(real [d ≥ 0.5])로 설정하고, 모사 개인위험지도(fIRM)에 대한 레이블을 가짜(fake [d < 0.5])로 설정한다. 그리고 모델생성부(200)는 학습용 특징지도(AFM, GFM, PFM)를 개인지도생성망(GN1)에 입력하여 개인지도생성망(GN1)이 모사 개인위험지도(fIRM)를 생성하도록 한다. 그런 다음, 모사 개인위험지도(fIRM) 및 원본 개인위험지도(rIRM) 중 어느 하나의 개인위험지도(IRM)을 개인지도판별망(DN1)에 입력한다. 그러면, 개인지도판별망(DN1)은 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 입력된 개인위험지도(IRM)가 진짜(real)인지 혹은 가짜(fake)인지 여부에 대한 확률을 나타내는 판별값을 산출한다. 판별값이 산출되면, 모델생성부(200)는 손실함수를 이용하여 판별값과 앞서 설정된 레이블과의 차이인 손실을 산출하고, 개인지도생성망(GN1)의 가중치를 고정한 상태에서 산출된 손실이 최소가 되도록 개인지도판별망(DN1)의 가중치를 최적화한다.

또한, 모델생성부(200)는 S230 단계에서 개인지도생성망(GN1)의 가중치를 최적화한다. 이러한 개인지도생성망 가중치 최적화는 개인지도판별망(DN1)이 모사 개인위험지도(fIRM)를 진짜로 판별하도록 개인지도판별망(DN1)의 가중치를 고정한 상태에서 개인지도생성망(GN1)의 가중치를 수정하는 것이다. 이러한 S230 단계에 대해 보다 상세하게 설명하면 다음과 같다. 우선, 모델생성부(200)는 모사 개인위험지도(fIRM)에 대한 레이블을 진짜(real [d ≥ 0.5])로 설정한다. 그리고 모델생성부(200)는 학습용 특징지도(AFM, GFM, PFM)를 개인지도생성망(GN1)에 입력하여 개인지도생성망(GN1)이 모사 개인위험지도(fIRM)를 생성하도록 한다. 그런 다음, 모델생성부(200)는 모사 개인위험지도(fIRM)를 개인지도판별망(DN1)에 입력한다. 그러면, 개인지도판별망(DN1)은 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 입력된 개인위험지도(IRM)가 진짜(real)인지 혹은 가짜(fake)인지 여부에 대한 확률을 나타내는 판별값을 산출한다. 판별값이 산출되면, 모델생성부(200)는 손실함수를 이용하여 판별값과 앞서 설정된 모사 개인위험지도(fIRM)에 대한 레이블, 즉, 진짜(real [d ≥ 0.5])와의 차이인 손실을 산출하고, 개인지도판별망(DN1)의 가중치는 고정한 상태에서 산출된 손실이 최소가 되도록 인지도생성망(GN1)의 가중치를 수정하는 최적화를 수행한다.

전술한 S220 단계 및 S230 수행과 동시에 다음과 같이 S240 단계 및 S250 단계가 수행된다.

모델생성부(200)는 S240 단계에서 사회지도판별망(DN2)의 가중치를 최적화한다. 이러한 사회지도판별망 가중치 최적화는 사회지도판별망(DN2)이 원본 사회위험지도(rSRM)를 진짜로 판별하고, 모사 사회위험지도(fSRM)를 가짜로 판별하도록 사회지도생성망(GN2)의 가중치를 고정한 상태에서 사회지도판별망(DN2)의 가중치를 수정하는 것이다. 이러한 S240 단계에 대해 보다 상세하게 설명하면 다음과 같다. 우선, 모델생성부(200)는 원본 사회위험지도(rSRM)에 대한 레이블을 진짜(real [d ≥ 0.5])로 설정하고, 모사 사회위험지도(fSRM)에 대한 레이블을 가짜(fake [d < 0.5])로 설정한다. 그리고 모델생성부(200)는 원본 개인위험지도(rIRM)를 사회지도생성망(GN2)에 입력하여 사회지도생성망(GN2)이 모사 사회위험지도(fSRM)를 생성하도록 한다. 그런 다음, 모사 사회위험지도(fSRM) 및 원본 사회위험지도(rSRM) 중 어느 하나의 사회위험지도(SRM)를 사회지도판별망(DN2)에 입력한다. 그러면, 사회지도판별망(DN2)은 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 입력된 사회위험지도(SRM)가 진짜(real)인지 혹은 가짜(fake)인지 여부에 대한 확률을 나타내는 판별값을 산출한다. 판별값이 산출되면, 모델생성부(200)는 손실함수를 이용하여 판별값과 앞서 설정된 레이블과의 차이인 손실을 산출하고, 사회지도생성망(GN2)의 가중치는 고정한 상태에서 산출된 손실이 최소가 되도록 사회지도판별망(DN2)의 가중치를 수정하는 최적화를 수행한다.

또한, 모델생성부(200)는 S250 단계에서 사회지도생성망(GN2)의 가중치를 최적화한다. 이러한 사회지도생성망 가중치 최적화는 사회지도판별망(DN2)이 모사 사회위험지도(fSRM)를 진짜로 판별하도록 사회지도판별망(DN2)의 가중치를 고정한 상태에서 사회지도생성망(GN2)의 가중치를 수정하는 것이다. 이러한 S250 단계에 대해 보다 상세하게 설명하면 다음과 같다. 우선, 모델생성부(200)는 모사 사회위험지도(fSRM)에 대한 레이블을 진짜(real [d ≥ 0.5])로 설정한다. 그리고 모델생성부(200)는 원본 개인위험지도(rIRM)를 사회지도생성망(GN2)에 입력하여 사회지도생성망(GN2)이 모사 사회위험지도(fSRM)를 생성하도록 한다. 그런 다음, 모델생성부(200)는 모사 사회위험지도(fSRM)를 사회지도판별망(DN2)에 입력한다. 그러면, 사회지도판별망(DN2)은 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 입력된 모사 사회위험지도(fSRM)가 진짜(real)인지 혹은 가짜(fake)인지 여부에 대한 확률을 나타내는 판별값을 산출한다. 판별값이 산출되면, 모델생성부(200)는 손실함수를 이용하여 판별값과 앞서 설정된 모사 사회위험지도(fSRM)에 대한 레이블, 즉, 진짜(real [d ≥ 0.5])와의 차이인 손실을 산출하고, 사회지도판별망(DN2)의 가중치는 고정한 상태에서 산출된 손실이 최소가 되도록 사회지도생성망(GN2)의 가중치를 수정하는 최적화를 수행한다.

한편, 모델생성부(200)는 S260 단계에서 학습 결과가 학습 종료 조건을 만족하는지 여부를 판단한다. 모델생성부(200)는 소정의 평가 지표를 통해 개인지도생성망(GN1) 및 개인지도판별망(DN1)의 정확도가 기 설정된 정확도를 만족하는 경우, 학습 종료 조건을 만족하는 것으로 판단할 수 있다. 이러한 S260 단계의 판단 결과, 학습 종료 조건을 만족하지 못하면, 전술한 210 단계 내지 S260 단계를 반복한다. 반면, 이러한 S260 단계의 판단 결과, 학습 종료 조건을 만족하면, 모델생성부(200)는 S270 단계에서 구분 학습을 종료한다.

다음으로, 전술한 S120 단계에 대해 보다 상세하게 설명하기로 한다. 도 12는 본 발명의 실시예에 따른 사회 그룹에 대한 학습만 집중하여 수행하는 방법을 설명하기 위한 흐름도이다. 강조하면, 도 12는 S120 단계를 보다 상세하게 설명하기 위한 도면이다.

도 12를 참조하면, 모델생성부(200)는 S310 단계에서 학습 데이터를 준비한다. 우선, 모델생성부(200)는 저장부(400)에서 사고가 발생한 수소충전소의 위치 및 그 규모를 포함하는 학습용 입력 데이터와 그 학습용 입력 데이터에 대응하는 원본 개인위험지도(rIRM) 및 원본 사회위험지도(rSRM)를 검출한다. 그런 다음, 모델생성부(200)가 사고가 발생한 수소충전소의 위치 및 규모를 포함하는 학습용 입력 데이터를 특징지도생성부(100)에 입력하면, 특징지도생성부(100)는 학습용 입력 데이터에 대응하여 학습용 특징지도(AFM, GFM, PFM)를 생성하여 모델생성부(200)에 제공한다.

이와 같이, 학습용 특징지도(AFM, GFM, PFM), 원본 개인위험지도(rIRM) 및 원본 사회위험지도(rSRM)가 준비되면, 모델생성부(200)는 S320 단계에서 개인지도생성망(GN1)에 학습용 특징지도(AFM, GFM, PFM)를 입력하여 개인지도생성망(GN1)이 모사 개인위험지도(fIRM)를 생성하도록 한다.

그런 다음, 모델생성부(200)는 S330 단계에서 모사 개인위험지도(fIRM)에 대한 개인지도판별망(DN1)의 판별값을 기초로 모사 개인위험지도(fIRM)가 진짜 혹은 가짜로 판별되었는지 여부를 나타내는 플래그를 도출한다. 즉, S330 단계에서 모델생성부(200)는 모사 개인위험지도(fIRM)를 개인지도판별망(DN1)에 입력하여 개인지도판별망(DN1)이 모사 개인위험지도(fIRM)를 진짜인지 혹은 가짜인지 여부에 대한 확률을 나타내는 판별값을 산출하도록 한다. 그런 다음, 모델생성부(200)는 개인지도판별망(DN1)이 산출한 판별값을 소정의 기준값에 따라 플래그[1/0]로 변환한다. 여기서, 기준값은 0.5가 될 수 있다. 이러한 플래그[1/0]는 사회지도판별망(DN2)에 입력될 것이다.

이어서, 모델생성부(200)는 S340 단계에서 사회지도판별망(DN2)의 가중치를 최적화한다. 이러한 사회지도판별망 가중치 최적화는 모사 개인위험지도(fIRM) 및 플래그[1/0]를 이용하여 사회지도판별망(DN2)이 원본 사회위험지도(rSRM)를 진짜로 판별하고, 모사 사회위험지도(fSRM)를 가짜로 판별하도록 사회지도생성망(GN2)의 가중치를 고정한 상태에서 사회지도판별망(DN2)의 가중치를 수정하는 것이다. 이러한 S350 단계에 대해 보다 상세하게 설명하면 다음과 같다. 우선, 모델생성부(200)는 원본 사회위험지도(rSRM)에 대한 레이블을 진짜(real [d ≥ 0.5])로 설정하고, 모사 사회위험지도(fSRM)에 대한 레이블을 가짜(fake [d < 0.5])로 설정한다. 그리고 모델생성부(200)는 모사 개인위험지도(fIRM)를 사회지도생성망(GN2)에 입력하여 사회지도생성망(GN2)이 모사 사회위험지도(fSRM)를 생성하도록 한다. 그런 다음, 모사 사회위험지도(fSRM) 및 원본 사회위험지도(rSRM) 중 어느 하나의 사회위험지도(SRM)와 플래그[0/1]를 사회지도판별망(DN2)에 입력한다. 그러면, 사회지도판별망(DN2)은 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 입력된 사회위험지도(SRM)가 진짜(real)인지 혹은 가짜(fake)인지 여부에 대한 확률을 나타내는 판별값을 산출한다. 판별값이 산출되면, 모델생성부(200)는 손실함수를 이용하여 판별값과 앞서 설정된 레이블과의 차이인 손실을 산출하고, 사회지도생성망(GN2)의 가중치는 고정한 상태에서 산출된 손실이 최소가 되도록 사회지도판별망(DN2)의 가중치를 수정하는 최적화를 수행한다.

또한, 모델생성부(200)는 S350 단계에서 사회지도생성망(GN2)의 가중치를 최적화한다. 이러한 사회지도생성망 가중치 최적화는 모사 개인위험지도(fIRM) 및 플래그[1/0]를 이용하여 사회지도판별망(DN2)이 모사 사회위험지도(fSRM)를 진짜로 판별하도록 사회지도판별망(DN2)의 가중치를 고정한 상태에서 사회지도생성망(GN2)의 가중치를 수정하는 것이다. 이러한 S350 단계에 대해 보다 상세하게 설명하면 다음과 같다. 우선, 모델생성부(200)는 모사 사회위험지도(fSRM)에 대한 레이블을 진짜(real [d ≥ 0.5])로 설정한다. 그리고 모델생성부(200)는 앞서(S320) 도출된 모사 개인위험지도(fIRM)를 사회지도생성망(GN2)에 입력하여 사회지도생성망(GN2)이 모사 사회위험지도(fSRM)를 생성하도록 한다. 그런 다음, 모델생성부(200)는 모사 사회위험지도(fSRM)를 사회지도판별망(DN2)에 입력한다. 그러면, 사회지도판별망(DN2)은 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 입력된 모사 사회위험지도(fSRM)가 진짜(real)인지 혹은 가짜(fake)인지 여부에 대한 확률을 나타내는 판별값을 산출한다. 판별값이 산출되면, 모델생성부(200)는 손실함수를 이용하여 판별값과 앞서 설정된 모사 사회위험지도(fSRM)에 대한 레이블, 즉, 진짜(real [d ≥ 0.5])와의 차이인 손실을 산출하고, 사회지도판별망(DN2)의 가중치는 고정한 상태에서 산출된 손실이 최소가 되도록 사회지도생성망(GN2)의 가중치를 수정하는 최적화를 수행한다.

한편, 모델생성부(200)는 S350 단계에서 학습 결과가 학습 종료 조건을 만족하는지 여부를 판단한다. 모델생성부(200)는 소정의 평가 지표를 통해 사회지도생성망(GN2) 및 사회지도판별망(DN2)의 정확도가 기 설정된 정확도를 만족하면, 학습 종료 조건을 만족하는 것으로 판단할 수 있다. 이러한 S350 단계의 판단 결과, 학습 종료 조건을 만족하지 못하면, 전술한 310 단계 내지 S350 단계를 반복한다. 반면, 이러한 S350 단계의 판단 결과, 학습 종료 조건을 만족하면, 모델생성부(200)는 360 단계에서 집중 학습을 종료한다.

전술한 바와 같이, 본 발명의 실시예에 따른 학습 절차, 즉, 최적화 절차에서 개인지도판별망(DN1)에 대한 최적화와 개인지도생성망(GN1)에 대한 최적화를 교번으로 반복하여 수행하며, 사회지도판별망(DN2)에 대한 최적화와 사회지도생성망(GN2)에 대한 최적화를 교번으로 반복하여 수행한다. 이때, 모델생성부(200)는 그래디언트에 따라 판별망(DN1, DN2)의 최적화에 사용되는 학습 데이터의 수와 생성망(GN1, GN2)의 최적화에 사용되는 학습 데이터의 수를 달리 적용할 수 있다. 즉, 모델생성부(200)의 최종적인 목표는 판별망(DN)이 생성망(GN)에 의해 생성된 모사 개인위험지도(fIRM) 및 모사 사회위험지도(fSRM)가 가짜인지 혹은 진짜인지 여부에 대한 확률을 0.5(50%)로 산출하는 것이다. 그래디언트가 낮다면 요구되는 학습 데이터의 수가 너무 많아져서 학습 속도가 느려지기 때문에 그래디언트를 증가시키는 것이 바람직하다. 따라서 모델생성부(200)은 판별망(DN1, DN2)에 대한 최적화 및 생성망(GN1, GN2)에 대한 최적화를 포함하는 하나의 에포크(epoch)가 종료될 때마다 그래디언트를 산출하고, 최적화 절차를 반복할 때 그래디언트에 반비례하는 학습 데이터의 수를 사용할 수 있다. 이에 따라, 예컨대, 한 번의 에포크에서 판별망(DN1, DN2)에 대한 최적화 횟수 1번과, 생성망(GN1, GN2)에 대한 최적화 횟수 2번가 실행되도록 변경할 수 있다.

다음으로, 전술한 바와 같이 학습이 완료된 예측모델(PM)을 이용하여 수소충전소 사고의 위험도 산출을 위한 방법에 대해서 설명하기로 한다. 도 13은 본 발명의 실시예에 따른 수소충전소 사고의 위험도 산출을 위한 방법을 설명하기 위한 흐름도이다.

도 13을 참조하면, S410 단계에서 수소충전소 위치 및 규격을 포함하는 입력 데이터가 입력되면, 특징지도생성부(100)는 S420 단계에서 입력 데이터를 기초로 사고특징지도(AFM), 지형지물특징지도(GFM) 및 인구분포특징지도(PFM)를 포함하는 특징지도(AFM, GFM, PFM)를 생성한다.

그런 다음, 위험예측부(300)는 S430 단계에서 특징지도(AFM, GFM, PFM)를 기초로 예측모델(PM)을 이용하여 개인위험지도(IRM) 및 사회위험지도(SRM), 즉, 모사 개인위험지도(fIRM) 및 모사 사회위험지도(fSRM)를 생성한다. 이때, 위험예측부(300)가 특징지도(AFM, GFM, PFM)를 예측모델(PM)에 입력하면, 예측모델(PM)은 특징지도(AFM, GFM, PFM)에 대해 복수의 계층 간 학습된 가중치가 적용되는 복수의 연산을 수행하여 개인위험지도(IRM) 및 사회위험지도(SRM)를 생성할 수 있다.

다음으로, 평가부(500)는 S440 단계에서 개인위험지도(IRM) 및 사회위험지도(SRM)를 수소충전소 위치의 위험도를 평가한다.

이상에서 설명된 바와 같이, 본 발명은 사고 기록 데이터를 기초로 학습 모델을 생성하고, 이를 통해 위험도를 평가한다. 전술한 바와 같이, 본 발명의 사고 기록 데이터는 실증 실험을 통해 피해 영향을 분석한 데이터를 포함한다. 특히, 이러한 실증 실험은 900 bar 이상의 초고압 수소에 대한 피해 영향 실험을 포함한다. 이와 같이, 본 발명은 900 bar 이상의 초고압 수소에 대한 피해 영향을 실증 실험한 데이터를 활용하여 위험도를 분석하기 때문에 900 bar 이상의 초고압 수소에 대한 피해 영향에 대한 분석이 가능하다.

다음으로, 본 발명의 실시예에 따른 컴퓨팅 장치의 구성에 대해서 설명하기로 한다. 도 14는 본 발명의 실시예에 따른 컴퓨팅 장치의 구성을 설명하기 위한 도면이다. 도 14의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치(예컨대, 위험산출장치(RAA) 등)일 수 있다.

도 14의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.

프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.

메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.

송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.

한편, 전술한 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 와이어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 와이어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.

100: 특징지도생성부
200: 모델생성부
300: 위험예측부
400: 저장부
500: 평가부

Claims

수소충전소 사고의 위험도 산출을 위한 장치에 있어서,
수소충전소의 위치 및 상기 수소충전소의 규모를 포함하는 입력 데이터가 입력되면, 입력 데이터를 기초로 사고특징지도, 지형지물특징지도 및 인구분포특징지도를 포함하는 특징지도를 생성하는 특징지도생성부;
상기 특징지도를 예측모델에 입력하여 상기 예측모델이 상기 특징지도에 대해 복수의 계층 간 학습된 가중치가 적용되는 복수의 연산을 수행하여 사고로 인한 개인적 위험도를 나타내는 개인위험지도 및 사고로 인한 사회적 위험도를 나타내는 사회위험지도를 생성하도록 하는 위험예측부; 및
상기 개인위험지도 및 상기 사회위험지도를 기초로 상기 수소충전소의 위험도를 평가하는 평가부;
를 포함하며,
상기 장치는
과거에 사고가 발생한 수소충전소의 위치 및 상기 사고가 발생한 수소충전소의 규모와, 상기 사고가 발생한 수소충전소에 대응하는 원본 개인위험지도 및 원본 사회위험지도를 저장하는 저장부; 및
상기 과거에 사고가 발생한 수소충전소의 위치 및 상기 사고가 발생한 수소충전소의 규모와, 상기 사고가 발생한 수소충전소에 대응하는 원본 개인위험지도 및 원본 사회위험지도를 학습 데이터로 추출하고,
추출된 학습 데이터를 이용하여 예측모델이 모사 개인위험지도 및 모사 사회위험지도를 생성하도록 학습시키는 모델생성부;
를 더 포함하며,
상기 예측모델은
특징지도가 입력되면 특징지도에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 모사 개인위험지도를 생성하는 개인지도생성망과,
모사 개인위험지도 또는 원본 개인위험지도 중 어느 하나의 개인위험지도가 입력되면 입력된 개인위험지도에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 모사 사회위험지도를 생성하는 사회지도생성망
을 포함하는 생성망; 및
모사 개인위험지도 또는 원본 개인위험지도 중 어느 하나의 개인위험지도가 입력되면 입력된 개인위험지도가 진짜인지 혹은 가짜인지 여부를 확률로 출력하는 개인지도판별망과,
모사 사회위험지도 및 원본 사회위험지도 중 어느 하나의 사회위험지도가 입력되면, 입력된 사회위험지도가 진짜인지 혹은 가짜인지 여부를 확률로 출력하는 사회지도판별망
을 포함하는 판별망;을 포함하며,
상기 모델생성부는
상기 예측모델의 원형을 상기 개인지도생성망 및 개인지도판별망을 포함하는 개인 그룹과 상기 사회지도생성망 및 사회지도판별망을 포함하는 사회 그룹으로 구분하여 각 그룹 별로 구분 학습을 수행하고,
상기 개인 그룹에 대한 학습이 평가 지표를 통해 기 설정된 정확도를 만족하면, 상기 개인 그룹의 가중치를 고정한 상태에서 개인지도생성망이 생성한 모사 개인위험지도를 이용하여 상기 사회지도생성망 및 사회지도판별망을 포함하는 사회 그룹만을 학습시키는 집중 학습을 수행하는 것을 특징으로 하는
위험도 산출을 위한 장치.
제1항에 있어서,
상기 장치는
대상 지역 전체의 지형지물을 나타낸 기초지도 및 상기 대상 지역 내에 포함된 건물에 상주하는 인구에 대한 정보인 인구분포 정보를 저장하는 저장부;
를 더 포함하며,
상기 특징지도생성부는
상기 저장부에 저장된 상기 기초지도로부터 상기 수소충전소의 위치를 기준으로 수소충전소 규격에 비례하는 영역을 추출하고, 상기 수소충전소의 위치 및 상기 수소충전소의 규모를 기록하여 수소충전소지도를 생성하고,
상기 저장부에 저장된 상기 기초지도로부터 상기 수소충전소지도와 동일한 영역을 추출하여 사고 지역의 지형지물지도를 생성하고,
상기 저장부에 저장된 상기 인구분포 정보를 기초로 상기 수소충전소지도와 동일한 영역에 포함된 건물에 상주하는 인구분포를 나타내는 인구분포지도를 생성하는 것을 특징으로 하는
위험도 산출을 위한 장치.
제2항에 있어서,
상기 특징지도생성부는
기 설정된 수의 행과 열을 가지는 행렬을 마련하고,
상기 행렬의 행과 열의 수에 따라 상기 수소충전소지도를 수평 및 수직으로 분할한 후,
상기 수평 및 수직으로 분할된 수소충전소지도의 수소충전소의 위치에 대응하는 상기 행렬의 원소에 상기 수소충전소의 규모를 나타내는 등급을 입력하고, 상기 행렬의 나머지 원소를 모두 0으로 설정하여 사고특징지도를 생성하는 것을 특징으로 하는
위험도 산출을 위한 장치.
제2항에 있어서,
상기 특징지도생성부는
기 설정된 수의 행과 열을 가지는 행렬을 마련하고,
상기 행렬의 행과 열의 수에 따라 상기 지형지물 지도를 수평 및 수직으로 분할한 후,
상기 수평 및 수직으로 분할된 지형지물 지도의 복수의 분할된 부분 각각의 복수의 픽셀값을 소정의 벡터공간에 임베딩하여 특징 벡터를 도출하고,
복수의 분할된 부분 각각의 도출된 특징 벡터를 상기 행렬의 대응하는 원소에 입력하여 지형지물특징지도를 생성하는 것을 특징으로 하는
위험도 산출을 위한 장치.
제2항에 있어서,
상기 특징지도생성부는
기 설정된 수의 행과 열을 가지는 행렬을 마련하고,
상기 행렬의 행과 열의 수에 따라 상기 인구분포 지도를 수평 및 수직으로 분할한 후,
상기 수평 및 수직으로 분할된 인구분포 지도에 포함된 건물의 상주 인원을 상기 건물의 위치에 대응하는 상기 행렬의 원소에 분배하여 입력하고, 나머지 원소를 모두 0으로 설정하여 인구분포특징지도를 생성하는 것을 특징으로 하는
위험도 산출을 위한 장치.
제1항에 있어서,
상기 개인위험지도는
개인적 위험이 동일한 지점을 연결하는 위험 윤곽선으로 표현되며, 상기 개인적 위험은 기 설정된 주기 동안의 사망 확률인 것을 특징으로 하는
위험도 산출을 위한 장치.
제1항에 있어서,
상기 사회위험지도는
F-N 곡선을 통해 표현되며,
상기 F-N 곡선은 기 설정된 주기 내에 소정의 사망자 수를 유발하는 사고의 발생 가능성 또는 빈도를 나타내는 것을 특징으로 하는
위험도 산출을 위한 장치.
삭제
삭제
삭제
제1항에 있어서,
상기 모델생성부는
상기 개인지도판별망이 원본 개인위험지도를 진짜로 판별하고, 모사 개인위험지도를 가짜로 판별하도록 상기 개인지도생성망의 가중치를 고정한 상태에서 상기 개인지도판별망의 가중치를 수정하는 개인지도판별망 가중치 최적화와,
상기 개인지도판별망이 모사 개인위험지도를 진짜로 판별하도록 상기 개인지도판별망의 가중치를 고정한 상태에서 상기 개인지도생성망의 가중치를 수정하는 개인지도생성망 가중치 최적화를 교번으로 수행하면서,
동시에,
상기 사회지도판별망이 원본 사회위험지도를 진짜로 판별하고, 모사 사회위험지도를 가짜로 판별하도록 상기 사회지도생성망의 가중치를 고정한 상태에서 상기 사회지도판별망의 가중치를 수정하는 사회지도판별망 가중치 최적화와,
상기 사회지도판별망이 모사 사회위험지도를 진짜로 판별하도록 상기 사회지도판별망의 가중치를 고정한 상태에서 상기 사회지도생성망의 가중치를 수정하는 사회지도생성망 가중치 최적화를 교번으로 수행하되,
소정의 평가 지표를 통해 상기 개인지도생성망 및 상기 개인지도판별망의 정확도가 기 설정된 정확도를 만족할 때까지 상기 개인지도판별망 가중치 최적화, 상기 개인지도생성망 가중치 최적화, 상기 사회지도판별망 가중치 최적화 및 상기 사회지도생성망 가중치 최적화를 반복하는
구분 학습을 수행하는 것을 특징으로 하는
위험도 산출을 위한 장치.
제11항에 있어서,
상기 모델생성부는
상기 개인지도생성망을 통해 모사 개인위험지도를 생성하고,
상기 개인지도판별망을 통해 상기 개인지도생성망에 의해 생성된 모사 개인위험지도가 진짜 혹은 가짜로 판별되었는지 여부를 나타내는 플래그를 도출하고,
상기 개인지도생성망에 의해 생성된 모사 개인위험지도 및 상기 플래그를 이용하여 상기 사회지도판별망이 원본 사회위험지도를 진짜로 판별하고, 모사 사회위험지도를 가짜로 판별하도록 상기 사회지도생성망의 가중치를 고정한 상태에서 상기 사회지도판별망의 가중치를 수정하는 사회지도판별망 가중치 최적화와,
상기 사회지도판별망이 모사 사회위험지도를 진짜로 판별하도록 상기 사회지도판별망의 가중치를 고정한 상태에서 상기 사회지도생성망의 가중치를 수정하는 사회지도생성망 가중치 최적화를 교번으로 수행하되,
소정의 평가 지표를 통해 상기 사회지도생성망 및 상기 사회지도판별망의 정확도가 기 설정된 정확도를 만족할 때까지 상기 사회지도판별망 가중치 최적화, 상기 사회지도생성망 가중치 최적화를 반복하는
집중 학습을 수행하는 것을 특징으로 하는
위험도 산출을 위한 장치.
수소충전소 사고의 위험도 산출을 위한 방법에 있어서,
특징지도생성부가 수소충전소의 위치 및 상기 수소충전소의 규모를 포함하는 입력 데이터가 입력되면, 입력 데이터를 기초로 사고특징지도, 지형지물특징지도 및 인구분포특징지도를 포함하는 특징지도를 생성하는 단계;
위험예측부가 상기 특징지도를 예측모델에 입력하는 단계;
상기 예측모델이 상기 특징지도에 대해 복수의 계층 간 학습된 가중치가 적용되는 복수의 연산을 수행하여 사고로 인한 개인적 위험도를 나타내는 개인위험지도 및 사고로 인한 사회적 위험도를 나타내는 사회위험지도를 생성하는 단계; 및
평가부가 상기 개인위험지도 및 상기 사회위험지도를 기초로 상기 수소충전소의 위험도를 평가하는 단계;
를 포함하며,
상기 특징지도를 생성하는 단계는
상기 특징지도생성부가 대상 지역 전체의 지형지물을 나타낸 기초지도로부터 상기 수소충전소의 위치를 기준으로 수소충전소 규격에 비례하는 영역을 추출하고, 상기 수소충전소의 위치 및 상기 수소충전소의 규모를 기록하여 수소충전소지도를 생성하는 단계;
상기 특징지도생성부가 상기 기초지도로부터 상기 수소충전소지도와 동일한 영역을 추출하여 사고 지역의 지형지물지도를 생성하는 단계; 및
상기 특징지도생성부가 상기 대상 지역 내에 포함된 건물에 상주하는 인구에 대한 정보인 인구분포 정보를 기초로 상기 수소충전소지도와 동일한 영역에 포함된 건물에 상주하는 인구분포를 나타내는 인구분포지도를 생성하는 단계;
를 포함하며,
상기 예측모델은
특징지도가 입력되면 특징지도에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 모사 개인위험지도를 생성하는 개인지도생성망과,
모사 개인위험지도 또는 원본 개인위험지도 중 어느 하나의 개인위험지도가 입력되면 입력된 개인위험지도에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 모사 사회위험지도를 생성하는 사회지도생성망
을 포함하는 생성망; 및
모사 개인위험지도 또는 원본 개인위험지도 중 어느 하나의 개인위험지도가 입력되면 입력된 개인위험지도가 진짜인지 혹은 가짜인지 여부를 확률로 출력하는 개인지도판별망과,
모사 사회위험지도 및 원본 사회위험지도 중 어느 하나의 사회위험지도가 입력되면, 입력된 사회위험지도가 진짜인지 혹은 가짜인지 여부를 확률로 출력하는 사회지도판별망
을 포함하는 판별망;을 포함하며,
상기 특징지도를 생성하는 단계 전,
모델생성부가 상기 예측모델의 원형을 상기 개인지도생성망 및 상기 개인지도판별망을 포함하는 개인 그룹과 상기 사회지도생성망 및 상기 사회지도판별망을 포함하는 사회 그룹으로 구분하여 각 그룹 별로 구분 학습을 수행하는 단계;
상기 모델생성부가 상기 개인 그룹에 대한 학습이 평가 지표를 통해 기 설정된 정확도를 만족하면, 상기 개인 그룹의 가중치를 고정한 상태에서 상기 개인지도생성망이 생성한 모사 개인위험지도를 이용하여 상기 사회지도생성망 및 상기 사회지도판별망을 포함하는 사회 그룹만을 학습시키는 집중 학습을 수행하는 단계;
를 포함하는 것을 특징으로 하는
위험도 산출을 위한 방법.
삭제
제13항에 있어서,
상기 수소충전소지도를 생성하는 단계 후
상기 특징지도생성부가 기 설정된 수의 행과 열을 가지는 행렬을 마련하고, 상기 행렬의 행과 열의 수에 따라 상기 수소충전소지도를 수평 및 수직으로 분할한 후, 상기 수평 및 수직으로 분할된 수소충전소지도의 수소충전소의 위치에 대응하는 상기 행렬의 원소에 상기 수소충전소의 규모를 나타내는 등급을 입력하고, 상기 행렬의 나머지 원소를 모두 0으로 설정하여 사고특징지도를 생성하는 단계;
를 더 포함하는 것을 특징으로 하는
위험도 산출을 위한 방법.
제13항에 있어서,
상기 지형지물지도를 생성하는 단계 후,
상기 특징지도생성부가
기 설정된 수의 행과 열을 가지는 행렬을 마련하고,
상기 행렬의 행과 열의 수에 따라 상기 지형지물 지도를 수평 및 수직으로 분할한 후,
상기 수평 및 수직으로 분할된 지형지물 지도의 복수의 분할된 부분 각각의 복수의 픽셀값을 소정의 벡터공간에 임베딩하여 특징 벡터를 도출하고,
복수의 분할된 부분 각각의 도출된 특징 벡터를 상기 행렬의 대응하는 원소에 입력하여 지형지물특징지도를 생성하는 단계;
를 더 포함하는 것을 특징으로 하는
위험도 산출을 위한 방법.
제13항에 있어서,
상기 인구분포지도를 생성하는 단계 후,
상기 특징지도생성부가
기 설정된 수의 행과 열을 가지는 행렬을 마련하고,
상기 행렬의 행과 열의 수에 따라 상기 인구분포 지도를 수평 및 수직으로 분할한 후,
상기 수평 및 수직으로 분할된 인구분포 지도에 포함된 건물의 상주 인원을 상기 건물의 위치에 대응하는 상기 행렬의 원소에 분배하여 입력하고, 나머지 원소를 모두 0으로 설정하여 인구분포특징지도를 생성하는 단계;
를 더 포함하는 것을 특징으로 하는
위험도 산출을 위한 방법.
제13항에 있어서,
상기 개인위험지도는
개인적 위험이 동일한 지점을 연결하는 위험 윤곽선으로 표현되며, 상기 개인적 위험은 기 설정된 주기 동안의 사망 확률인 것을 특징으로 하는
위험도 산출을 위한 방법.
제13항에 있어서,
상기 사회위험지도는
F-N 곡선을 통해 표현되며,
상기 F-N 곡선은 기 설정된 주기 내에 소정의 사망자 수를 유발하는 사고의 발생 가능성 또는 빈도를 나타내는 것을 특징으로 하는
위험도 산출을 위한 방법.
삭제
제13항에 있어서,
상기 구분 학습을 수행하는 단계는
상기 모델생성부가
상기 개인지도판별망이 원본 개인위험지도를 진짜로 판별하고, 모사 개인위험지도를 가짜로 판별하도록 상기 개인지도생성망의 가중치를 고정한 상태에서 상기 개인지도판별망의 가중치를 수정하는 개인지도판별망 가중치 최적화와,
상기 개인지도판별망이 모사 개인위험지도를 진짜로 판별하도록 상기 개인지도판별망의 가중치를 고정한 상태에서 상기 개인지도생성망의 가중치를 수정하는 개인지도생성망 가중치 최적화를 교번으로 수행하면서,
동시에,
상기 사회지도판별망이 원본 사회위험지도를 진짜로 판별하고, 모사 사회위험지도를 가짜로 판별하도록 상기 사회지도생성망의 가중치를 고정한 상태에서 상기 사회지도판별망의 가중치를 수정하는 사회지도판별망 가중치 최적화와,
상기 사회지도판별망이 모사 사회위험지도를 진짜로 판별하도록 상기 사회지도판별망의 가중치를 고정한 상태에서 상기 사회지도생성망의 가중치를 수정하는 사회지도생성망 가중치 최적화를 교번으로 수행하는 단계;
상기 모델생성부가 소정의 평가 지표를 통해 상기 개인지도생성망 및 상기 개인지도판별망의 정확도가 기 설정된 정확도를 만족하는지 여부를 판별하는 단계; 및
상기 모델생성부가 상기 판별 결과, 상기 정확도를 만족하지 않으면, 상기 개인지도판별망 가중치 최적화, 상기 개인지도생성망 가중치 최적화, 상기 사회지도판별망 가중치 최적화 및 상기 사회지도생성망 가중치 최적화를 반복하는 단계;
를 포함하는 것을 특징으로 하는
위험도 산출을 위한 방법.
제13항에 있어서,
상기 집중 학습을 수행하는 단계는
상기 모델생성부가 상기 개인지도생성망을 통해 모사 개인위험지도를 생성하는 단계;
상기 모델생성부가 상기 개인지도판별망을 통해 상기 개인지도생성망에 의해 생성된 모사 개인위험지도가 진짜 혹은 가짜로 판별되었는지 여부를 나타내는 플래그를 도출하는 단계;
상기 모델생성부가
상기 개인지도생성망에 의해 생성된 모사 개인위험지도 및 상기 플래그를 이용하여 상기 사회지도판별망이 원본 사회위험지도를 진짜로 판별하고, 모사 사회위험지도를 가짜로 판별하도록 상기 사회지도생성망의 가중치를 고정한 상태에서 상기 사회지도판별망의 가중치를 수정하는 사회지도판별망 가중치 최적화와,
상기 사회지도판별망이 모사 사회위험지도를 진짜로 판별하도록 상기 사회지도판별망의 가중치를 고정한 상태에서 상기 사회지도생성망의 가중치를 수정하는 사회지도생성망 가중치 최적화를 교번으로 수행하는 단계;
상기 모델생성부가 소정의 평가 지표를 통해 상기 사회지도생성망 및 상기 사회지도판별망의 정확도가 기 설정된 정확도를 만족하는지 여부를 판별하는 단계; 및
상기 모델생성부가 상기 판별 결과, 상기 정확도를 만족하지 않으면, 상기 정확도를 만족할 때까지 상기 사회지도판별망 가중치 최적화, 상기 사회지도생성망 가중치 최적화를 반복하는 단계;
를 포함하는 것을 특징으로 하는
위험도 산출을 위한 방법.
삭제