KR102400093B1 - 인공신경망분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템 및 그 방법 - Google Patents

인공신경망분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템 및 그 방법 Download PDF

Info

Publication number
KR102400093B1
KR102400093B1 KR1020200112859A KR20200112859A KR102400093B1 KR 102400093 B1 KR102400093 B1 KR 102400093B1 KR 1020200112859 A KR1020200112859 A KR 1020200112859A KR 20200112859 A KR20200112859 A KR 20200112859A KR 102400093 B1 KR102400093 B1 KR 102400093B1
Authority
KR
South Korea
Prior art keywords
carbon dioxide
construction equipment
dioxide emission
calculating
rpm
Prior art date
Application number
KR1020200112859A
Other languages
English (en)
Other versions
KR20220031204A (ko
Inventor
한승우
이민우
임소민
노상우
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 KR1020200112859A priority Critical patent/KR102400093B1/ko
Publication of KR20220031204A publication Critical patent/KR20220031204A/ko
Application granted granted Critical
Publication of KR102400093B1 publication Critical patent/KR102400093B1/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 인공신경망분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템 및 그 방법에 관한 것이다.
본 발명에 따르면, 인공신경망분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템을 이용한 이산화탄소 배출량 예측 방법에 있어서, 무한궤도(CATERPILLAR) 형태의 건설장비의 구동 RPM 및 복수의 현장 변수에 따른 이산화탄소 배출량을 각각의 케이스 별로 획득하는 단계, 각각의 케이스별로 획득한 이산화탄소 배출량을 이용하여 데이터베이스를 구축하는 단계, 그리고 상기 데이터베이스를 인공신경망분석에 적용하여 상기 건설장비의 구동 RPM에 따른 이산화탄소 배출량을 예측하기 위한 알고리즘을 생성하는 단계, 상기 측정 대상이 되는 무한궤도 형태의 건설장비의 무게(X1), 상기 건설장비의 버켓 용량(X2), 상기 건설장비의 연식(X3), 상기 건설장비의 DPF의 유무(X4), 상기 건설장비가 작업중인 공간의 온도(X5), 습도(X6), 상기 건설장비를 동작시키는 작업자의 숙련도(X7) 상기 건설장비의 상태(X8) 및 RPM(X9) 중에서 적어도 하나의 정보를 입력받는 단계, 상기 입력된 정보를 상기 예측 알고리즘에 적용하여 이산화탄소 배출량을 예측하고, 상기 예측된 이산화탄소 배출량을 이용하여 총 이산화탄소 배출량을 연산하는 단계를 포함한다.

Description

인공신경망분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템 및 그 방법{SYSTEM FOR PREDICTING CARBON DIOXIDE EMISSION FROM CONSTRUCTION EQUIPMENT USING ARTIFICIAL NEURAL NETWORK ANALYSIS AND METHOD THEREOF}
본 발명은 인공신경망분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템 및 그 방법에 관한 것으로, 인공신경망분석을 이용하여 건설장비의 종류에 따른 이산화탄소의 배출량을 정확하게 예측하기 위한 건설장비의 이산화탄소 배출량 예측 시스템 및 그 방법에 관한 것이다.
범국가적 탄소 배출권 거래가 시행된 이후 세계적으로 탄소배출에 대한 관심이 높아지고 있다. 우리나라는 2015년부터 탄소 배출권 거래제도가 시행되었고, 이에 발맞추어 각 산업분야에 탄소 배출권을 할당하였다. 그러나 현재 건설업에서 고려되는 탄소 배출권 거래 품목은 완공 이후 건물에서 배출되는 탄소에 한정되어 있으며, 시공 이전 단계의 탄소배출은 그 범위와 규모조차 파악되고 있지 못하다.
건설기계는 공사기간의 30% 이상을 차지하는 토목공사에서 주로 사용되는 만큼 건설 시공단계의 탄소배출에 큰 비중을 차지하고 있다. 따라서 시공단계로 확대 될 탄소 배출권 시장에 대비하여 시공단계의 탄소배출 규모와 구체적인 배출량을 파악하는 것이 우선되어야 한다.
현재 건설기계에서 발생하는 탄소배출은 화학식으로 계산한 단순 비례에 기인하고 있어 현장에서 운용되는 실제 건설기계의 배출량을 반영하지 못하고 있다. 2012년 국토해양부에서 발간한 '건설분야 탄소배출량 산정 및 관리방안 연구'에서는 IPCC 보고서에서 제안한 산식을 사용하여 건설장비의 이산화탄소배출량을 산정하고 있으나 이 역시 보정 값을 더한 화학식에 지나지 않다. 그러므로 현장에서 운용되는 실제 건설장비의 배출량을 파악하고 친환경 공정계획에 고려될 수 있는 DB가 구축되어야 한다.
특히 몇몇의 논문들을 살펴보면 IPCC 보고서에서 제안한 산식을 이용한 결과값이 실측된 데이터보다 50%높은 배출량을 나타내고 있어서 정확하다고 볼 수 없는 실정이다.
본 발명의 배경이 되는 기술은 대한민국 공개특허 제10-2016-0145893호(2016.12.21. 공개)에 개시되어 있다.
본 발명이 이루고자 하는 기술적 과제는 인공신경망분석을 이용하여 건설장비의 종류에 따른 이산화탄소의 배출량을 정확하게 예측하기 위한 건설장비의 이산화탄소 배출량 예측 시스템 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시 예에 따르면, 인공신경망분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템을 이용한 이산화탄소 배출량 예측 방법에 있어서, 무한궤도(CATERPILLAR) 형태의 건설장비의 구동 RPM 및 복수의 현장 변수에 따른 이산화탄소 배출량을 각각의 케이스 별로 획득하는 단계, 각각의 케이스별로 획득한 이산화탄소 배출량을 이용하여 데이터베이스를 구축하는 단계, 상기 데이터베이스를 인공신경망분석에 적용하여 상기 건설장비의 구동 RPM에 따른 이산화탄소 배출량을 예측하기 위한 알고리즘을 생성하는 단계, 상기 측정 대상이 되는 무한궤도 형태의 건설장비의 무게(X1), 상기 건설장비의 버켓 용량(X2), 상기 건설장비의 연식(X3), 상기 건설장비의 DPF의 유무(X4), 상기 건설장비가 작업중인 공간의 온도(X5), 습도(X6), 상기 건설장비를 동작시키는 작업자의 숙련도(X7) 상기 건설장비의 상태(X8) 및 RPM(X9) 중에서 적어도 하나의 정보를 입력받는 단계, 그리고 상기 입력된 정보를 상기 예측 알고리즘에 적용하여 이산화탄소 배출량을 예측하고, 상기 예측된 이산화탄소 배출량을 이용하여 총 이산화탄소 배출량을 연산하는 단계를 포함한다.
상기 데이터베이스를 구축하는 단계는, 상기 이산화탄소 배출량의 크기에 따라 상기 각각의 케이스에 대하여 순위를 선정하는 단계, 전체 순위 중에서 상위 3/4 번째 순위에 해당하는 케이스의 이산화탄소 배출량과 상위 1/4 번째 순위에 해당되는 케이스의 이산화탄소 배출량의 차(IQR)를 연산하는 단계, 상기 상위 3/4 번째 순위에 해당하는 케이스의 이산화탄소 배출량에 1.5IQR 값을 더한 값에 가장 근접한 이산화탄소 배출량을 가지는 제1 케이스의 순위와, 상기 상위 1/4 번째 순위에 해당하는 케이스의 이산화탄소 배출량에 1.5IQR을 뺀 값에 가장 근접한 이산화탄소 배출량을 가지는 제2 케이스의 순위를 각각 선택하는 단계, 그리고 상기 제1 케이스의 순위보다 하위 순위를 가지는 케이스를 제거하고, 상기 제2 케이스의 순위보다 상위 순위를 가지는 케이스를 제거하여 케이스별 이산화탄소 배출량에 대한 데이터베이스를 구축하는 단계를 포함할 수 있다.
상기 총 이산화탄소 배출량을 연산하는 단계는, 상기 입력된 정보 중에 RPM(X9)이 포함된 경우, 아래의 수학식에 적용하여 시간당 이산화탄소 배출량을 연산할 수 있다.
Figure 112020093764713-pat00001
상기 총 이산화탄소 배출량을 연산하는 단계는, 아래의 수학식에 RPM에 따른 시간당 이산화탄소 배출량을 적용하여 상기 총 이산화탄소 배출량을 연산할 수 있다.
Figure 112020093764713-pat00002
여기서, A는 해당 RPM의 동작시간(hour)이고, B는 상기 시간당 이산화탄소 배출량이다.
상기 총 이산화탄소 배출량을 연산하는 단계는, 상기 입력된 정보 중에 RPM(X9)이 포함되지 않은 경우, 상기 건설장비의 동작 상태가 대기(Idle) 상태이면, 아래의 수학식에 적용하여 대기 상태에서의 이산화탄소 배출량(C)을 연산할 수 있다.
Figure 112020093764713-pat00003
상기 총 이산화탄소 배출량을 연산하는 단계는, 상기 입력된 정보 중에 RPM(X9)이 포함되지 않은 경우, 상기 건설장비의 동작 상태가 로드(Load) 상태이면, 아래의 수학식에 적용하여 로드 상태에서의 이산화탄소 배출량(D)을 연산할 수 있다.
Figure 112020093764713-pat00004
상기 총 이산화탄소 배출량을 연산하는 단계는, 상기 입력된 정보 중에 RPM(X9)이 포함되지 않은 경우, 상기 건설장비의 동작 상태가 작업(Excavate) 상태이면, 아래의 수학식에 적용하여 작업 상태에서의 이산화탄소 배출량(E)을 연산할 수 있다.
Figure 112020093764713-pat00005
상기 총 이산화탄소 배출량을 연산하는 단계는, 상기 입력된 정보 중에 RPM(X9)이 포함되지 않은 경우, 대기 상태, 로드 상태 및 작업 상태에서의 이산화탄소 배출량을 아래의 수학식에 적용하여 상기 총 이산화탄소 배출량을 연산할 수 있다.
Figure 112020093764713-pat00006
여기서, h는 시간 단위를 나타낸다.
본 발명의 다른 실시예에 따르면, 인공신경망분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템을 이용한 이산화탄소 배출량 예측 방법에 있어서, 차륜(WHEEL) 형태의 건설장비의 구동 RPM 및 복수의 현장 변수에 따른 이산화탄소 배출량을 각각의 케이스 별로 획득하는 단계, 각각의 케이스별로 획득한 이산화탄소 배출량을 이용하여 데이터베이스를 구축하는 단계, 그리고 상기 데이터베이스를 인공신경망분석에 적용하여 상기 건설장비의 구동 RPM에 따른 이산화탄소 배출량을 예측하기 위한 알고리즘을 생성하는 단계, 상기 측정 대상이 되는 차륜 형태의 건설장비의 무게(X1), 상기 건설장비의 버켓 용량(X2), 상기 건설장비의 연식(X3), 상기 건설장비의 DPF의 유무(X4), 상기 건설장비가 작업중인 공간의 온도(X5), 습도(X6), 상기 건설장비를 동작시키는 작업자의 숙련도(X7) 상기 건설장비의 상태(X8) 및 RPM(X9) 중에서 적어도 하나의 정보를 입력받는 단계, 상기 입력된 정보를 상기 예측 알고리즘에 적용하여 이산화탄소 배출량을 예측하고, 상기 예측된 이산화탄소 배출량을 이용하여 총 이산화탄소 배출량을 연산하는 단계를 포함한다.
이와 같이 본 발명에 따르면, 인공신경망분석을 이용하여 건설장비의 형태에 따라 생성되는 시간당 이산화탄소의 배출량을 예측할 수 있으므로, 계획 또는 공사 단계에서 이산화탄소의 배출량을 최소화 할 수 있다.
도 1은 본 발명의 제1 실시예에 따른 무한궤도(CATERPILLAR) 형태의 건설장비의 이산화탄소 배출량 예측 시스템의 구성을 설명하기 위한 구성도이다.
도 2는 본 발명의 제1 실시예에 따른 무한궤도(CATERPILLAR) 형태의 건설장비의 이산화탄소 배출량을 예측하는 방법을 설명하기 위한 순서도이다.
도 3은 도 2의 S220 단계를 상세히 설명하기 위한 순서도이다.
도 4는 도 3를 설명하기 위한 예시도이다.
도 5는 본 발명의 제2 실시예에 따른 차륜(WHEEL) 형태의 건설장비의 이산화탄소 배출량 예측 시스템의 구성을 설명하기 위한 구성도이다.
도 6는 본 발명의 제2 실시예에 따른 차륜(WHEEL) 형태의 건설장비의 이산화탄소 배출량을 예측하는 방법을 설명하기 위한 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
이하에서는 도 1 내지 도 4를 이용하여 무한궤도(CATERPILLAR) 형태의 건설장비의 이산화탄소 배출량을 예측하기 위한 본 발명의 제1 실시예와, 도 5 및 도 6을 이용하여 차륜(WHEEL) 형태의 건설장비의 이산화탄소 배출량을 예측하기 위한 본 발명의 제2 실시예로 나누어 설명한다.
먼저, 도 1을 이용하여 본 발명의 제1 실시예에 따른 무한궤도(CATERPILLAR) 형태의 건설장비의 이산화탄소 배출량 예측 시스템의 구성을 설명한다.
여기서, 무한궤도(CATERPILLAR, 캐터필러) 형태의 건설장비는 차량의 바퀴의 둘레에 강판으로 제작된 벨트를 이용하여 비탈길 또는 험로 주행이 가능한 건설장비를 의미하며, 탱크나 장갑차 형태로 구현되며, 불도저, 스트레이트도저, 틸트도저, 앵글도저, 버킷 도저 등이 포함된다.
도 1은 본 발명의 제1 실시예에 따른 무한궤도(CATERPILLAR) 형태의 건설장비의 이산화탄소 배출량 예측 시스템의 구성을 설명하기 위한 구성도이다.
도 1에서 나타낸 것처럼, 무한궤도 형태의 건설장비 이산화탄소 배출량 예측 시스템(100)은 데이터베이스부(110), 알고리즘 생성부(120), 입력부(130) 및 제어부(140)를 포함한다.
먼저, 데이터베이스부(110)는 무한궤도 형태의 건설장비의 구동 RPM 및 복수의 현장 변수에 따른 이산화탄소 배출량을 각각의 케이스 별로 획득하고, 각각의 케이스별로 획득한 이산화탄소 배출량을 이용하여 데이터베이스를 구축한다.
다음으로, 알고리즘 생성부(120)는 데이터베이스를 인공신경망분석에 적용하여 건설장비의 구동 RPM에 따른 이산화탄소 배출량을 예측하기 위한 알고리즘을 생성한다.
다음으로, 입력부(130)는 측정 대상이 되는 무한궤도 형태의 건설장비의 무게(X1), 건설장비의 버켓 용량(X2), 건설장비의 연식(X3), 건설장비의 DPF의 유무(X4), 건설장비가 작업중인 공간의 온도(X5), 습도(X6), 건설장비를 동작시키는 작업자의 숙련도(X7) 건설장비의 상태(X8) 및 RPM(X9) 중에서 적어도 하나의 정보를 입력 받는다.
다음으로, 제어부(140)는 입력된 정보를 예측 알고리즘에 적용하여 이산화탄소 배출량을 예측하고, 예측된 이산화탄소 배출량을 이용하여 총 이산화탄소 배출량을 연산한다.
이하에서는 도 2 내지 도 4를 이용하여 본 발명의 제1 실시예에 따른 무한궤도 형태의 건설장비의 이산화탄소 배출량 예측방법을 설명한다.
도 2는 본 발명의 제1 실시예에 따른 무한궤도 형태의 건설장비의 이산화탄소 배출량을 예측하는 방법을 설명하기 위한 순서도이다.
도 2에서 나타낸 것처럼, 본 발명의 제1 실시예에 따른 이산화탄소 배출량 예측 시스템(100)은 무한궤도(CATERPILLAR) 형태의 건설장비의 구동 RPM 및 복수의 현장 변수에 따른 이산화탄소 배출량을 각각의 케이스 별로 획득한다(S210).
여기서, 복수의 현장 변수는 무한궤도 형태의 건설장비의 무게(X1), 건설장비의 버켓 용량(X2), 건설장비의 연식(X3), 건설장비의 DPF의 유무(X4), 건설장비가 작업중인 공간의 온도(X5), 습도(X6), 건설장비를 동작시키는 작업자의 숙련도(X7) 및 건설장비의 상태(X8)에 대한 변수이다.
다음으로, 데이터베이스부(110)는 각각의 케이스별로 획득한 이산화탄소 배출량을 이용하여 데이터베이스를 구축한다(S220).
도 3은 도 2의 S220 단계를 상세히 설명하기 위한 순서도이고, 도 4는 도 3를 설명하기 위한 예시도이다.
먼저, 도 3에서 나타낸 것처럼, 제어부(140)는 이산화탄소 배출량의 크기가 작은 순서대로 각각의 케이스에 대하여 순위를 선정한다(S221).
즉, 측정된 이산화탄소 배출량의 케이스가 총 100개라고 가정할 때, 이산화탄소 배출량의 크기가 가장 작은 케이스를 1순위로 설정하고, 이산화탄소 배출량의 크기가 가장 큰 케이스를 100순위로 설정한다.
그러면, 제어부(140)는 이산화탄소 배출량의 크기가 작은 순서로 상위 3/4 번째 순위에 해당하는 케이스의 이산화탄소 배출량과 상위 1/4 번째 순위에 해당되는 케이스의 이산화탄소 배출량의 차(IQR)를 연산한다(S222).
도 4에서 나타낸 것과 같이 제어부(140)는 전체 100개의 케이스 중에서 75 번째로 이산화탄소 배출량이 적은 케이스의 이산화탄소 배출량을 1.2로, 전체 100개의 25번째로 이산화탄소 배출량이 적은 케이스의 이산화탄소 배출량을 0.8로 각각 가정한다.
그러면, 이산화탄소 배출량의 차(IQR)는 1.2와 0.8의 차이에 해당하는 0.4로 결정된다.
다음으로, 제어부(140)는 상위 3/4 번째 순위에 해당하는 케이스의 이산화탄소 배출량에 1.5IQR 값을 더한 값에 가장 근접한 이산화탄소 배출량을 가지는 제1 케이스의 순위를 선택한다(S223).
여기서, 제1 케이스 순위는 75번째 순위의 케이스에 해당하는 이산화탄소 배출량에 1.5IQR 값을 더한 값에 가장 근접한 이산화탄소 배출량을 가지는 케이스의 순위를 의미하며, 설명의 편의상 85번째 순위로 가정한다.
다음으로, 제어부(140)는 상위 1/4 번째 순위에 해당하는 케이스의 이산화탄소 배출량에 1.5IQR을 뺀 값에 가장 근접한 이산화탄소 배출량을 가지는 제2 케이스의 순위를 선택한다(S224).
즉, 제2 케이스 순위는 25번째 순위의 케이스에 해당하는 이산화탄소 배출량에 1.5IQR 값을 뺀 값에 가장 근접한 이산화탄소 배출량을 가지는 케이스의 순위를 의미하며, 설명의 편의상 10번째 순위로 가정한다.
즉, 도 4에서 나타낸 것과 같이, 제어부(140)는 각각의 제1 케이스 순위와 제2 케이스 순위를 선택한다.
다음으로, 제어부(140)는 제1 케이스의 순위보다 하위 순위를 가지는 케이스를 제거하고, 제2 케이스의 순위보다 상위 순위를 가지는 케이스를 제거하여 케이스별 이산화탄소 배출량에 대한 데이터베이스를 구축한다(S225).
즉, 제어부(140)는 제1 케이스의 순위인 85번째 순위보다 하위 순위를 가지는 86번째 내지 100번째 순위에 해당하는 이산화탄소 배출량의 데이터와 제2 케이스의 순위인 10번째 순위보다 상위 순위를 가지는 1번째 내지 9번째 순위에 해당하는 이산화탄소 배출량의 데이터를 삭제한다.
즉, 일반적인 범위를 벗어나는 케이스를 제외시켜 이산화탄소 배출량의 데이터의 정확성을 높이기 위하여 10번째 내지 85번째 순위에 해당하는 이산화탄소 배출량의 데이터만을 데이터베이스부(110)에 저장한다.
다음으로, 알고리즘 생성부(120)는 구축된 데이터베이스를 인공신경망분석에 적용하여 건설장비의 구동 RPM에 따른 이산화탄소 배출량을 예측하기 위한 알고리즘을 생성한다(S230).
즉, 알고리즘 생성부(120)는 S221 단계 내지 S225 단계를 통해 구축된 데이터베이스를 인공신경망분석에 적용하여 이산화탄소 배출량을 예측하기 위한 알고리즘을 생성한다.
여기서, 인공신경망분석은 사람의 생물학적 뇌의 동작원리를 모방하여 데이터 내에 존재하는 독특한 패턴이나 구조를 인지하기 위한 방법으로 본 발명의 제1 실시예에 따르면, 이산화탄소 배출량을 예측하기 위한 알고리즘을 생성하기 위해 이용된다.
다음으로, 입력부(130)는 측정 대상이 되는 무한궤도 형태의 건설장비의 구동 RPM 및 복수의 현장 변수 중에서 적어도 하나의 정보를 입력 받는다(S240).
이때, 입력부(130)는 무한궤도 형태의 건설장비의 무게(X1), 건설장비의 버켓 용량(X2), 건설장비의 연식(X3), 건설장비의 DPF의 유무(X4), 건설장비가 작업중인 공간의 온도(X5), 습도(X6), 건설장비를 동작시키는 작업자의 숙련도(X7) 건설장비의 상태(X8) 및 RPM(X9) 중에서 어느 하나를 입력 받는다.
다음으로, 제어부(140)는 입력된 정보를 예측 알고리즘에 적용하여 이산화탄소 배출량을 예측하고, 예측된 이산화탄소 배출량을 이용하여 총 이산화탄소 배출량을 연산한다(S250).
이때, 입력된 정보 중에 RPM(X9)이 포함된 경우, 제어부(140)는 아래의 수학식 1에 입력된 정보를 적용하여 시간당 이산화탄소 배출량을 연산한다.
Figure 112020093764713-pat00007
그러면, 제어부(140)는 아래의 수학식 2에 RPM에 따른 시간당 이산화탄소 배출량을 적용하여 총 이산화탄소 배출량을 연산한다.
Figure 112020093764713-pat00008
여기서, A는 해당 RPM의 동작시간(hour)이고, B는 수학식 1을 통해 연산된 시간당 이산화탄소 배출량이다.
반면에 입력된 정보 중에 RPM(X9)이 포함되지 않은 경우, 제어부(140)는 건설장비의 동작 상태에 따른 각각의 이산화탄소 배출량을 이용하여 총 이산화탄소 배출량을 연산한다.
이때, 건설장비의 동작 상태는 현재 건설장비의 동작에 따라 대기(Idle)상태, 로드(Load)상태 및 작업(Excavate)상태로 분류된다.
즉, 건설장비의 동작 상태가 대기(Idle) 상태이면, 제어부(140)는 입력된 정보를 아래의 수학식 3에 적용하여 대기 상태에서의 이산화탄소 배출량(C)을 연산한다.
Figure 112020093764713-pat00009
또한, 건설장비의 동작 상태가 로드(Load) 상태이면, 제어부(140)는 입력된 정보를 아래의 수학식 4에 적용하여 로드 상태에서의 이산화탄소 배출량(D)을 연산한다.
Figure 112020093764713-pat00010
다음으로, 건설장비의 동작 상태가 작업(Excavate) 상태이면, 제어부(140)는 입력된 정보를 아래의 수학식 5에 적용하여 작업 상태에서의 이산화탄소 배출량(E)을 연산한다.
Figure 112020093764713-pat00011
그러면, 제어부(140)는 수학식 3 내지 수학식 5를 통해 연산된 대기 상태, 로드 상태 및 작업 상태에서의 이산화탄소 배출량을 아래의 수학식 6에 적용하여 총 이산화탄소 배출량을 연산한다.
Figure 112020093764713-pat00012
여기서, h는 시간 단위를 나타낸다.
즉, 제어부(140)는 입력된 정보 중에 RPM(X9)의 존재 여부에 따라 서로 다른 수학식을 이용하여 무한궤도(CATERPILLAR) 형태의 건설장비의 이산화탄소 배출량을 연산한다.
이하에서는 도 5 및 도 6을 이용하여 본 발명의 제2 실시예에 따른 차륜(WHEEL) 형태의 건설장비의 이산화탄소 배출량 예측시스템 및 예측 방법을 설명한다.
여기서, 차륜(WHEEL) 형태의 건설장비는 바퀴를 이용하여 움직임이 가능한 중장비를 의미하며, 각종 자동차, 트럭, 트레일러, 굴삭기, 츄레라, 트랙터 등을 포함한다.
도 5는 본 발명의 제2 실시예에 따른 차륜 형태의 건설장비의 이산화탄소 배출량 예측 시스템의 구성을 설명하기 위한 구성도이다.
본 발명의 제2 실시예에 따른 차륜 형태의 건설장비의 이산화탄소 배출량 예측 시스템(500)은 데이터베이스부(510), 알고리즘 생성부(520), 입력부(530) 및 제어부(540)를 포함하며, 본 발명의 제1 실시예와 동일한 명칭의 구성요소는 실질적으로 제1 실시예와 동일한 기능을 수행하므로 중복되는 설명은 생략한다.
이하에서는 도 6을 이용하여 본 발명의 제2 실시예에 따른 차륜 형태의 건설장비의 이산화탄소 배출량 예측 방법을 설명한다.
도 6은 본 발명의 제2 실시예에 따른 차륜 형태의 건설장비의 이산화탄소 배출량을 예측하는 방법을 설명하기 위한 순서도이다.
본 발명의 제2 실시예에 따르면, 차륜 형태의 건설장비 이산화탄소 배출량 예측 시스템(500)은 차륜 형태의 건설장비의 구동 RPM 및 복수의 현장 변수에 따른 이산화탄소 배출량을 각각의 케이스 별로 획득한다(S610).
다음으로, 데이터베이스부(510)는 각각의 케이스별로 획득한 이산화탄소 배출량에 대한 데이터베이스를 구축한다(S620).
S620 단계에서 데이터베이스를 구축하는 방법은 본 발명의 제1 실시예에 따른 S220 단계와 동일하며, 도 3을 통하여 상세하게 설명하였는바, 중복되는 설명은 생략한다.
다음으로, 알고리즘 생성부(520)는 구축된 데이터베이스를 인공신경망분석에 적용하여 건설장비의 구동 RPM에 따른 이산화탄소 배출량을 예측하기 위한 알고리즘을 생성한다(S630).
다음으로, 입력부(1530)는 측정 대상이 되는 무한궤도 형태의 건설장비의 구동 RPM 및 복수의 현장 변수 중에서 적어도 하나의 정보를 입력 받는다(S640).
S610 단계 내지 S640 단계는 도 2에 나타낸 S210 단계 내지 S240 단계와 실질적으로 동일한 바, 중복되는 설명은 생략한다.
다음으로, 제어부(540)는 입력된 정보를 예측 알고리즘에 적용하여 이산화탄소 배출량을 예측하고, 예측된 이산화탄소 배출량을 이용하여 총 이산화탄소 배출량을 연산한다(S650).
이때, 입력된 정보 중에 RPM(X9)이 포함된 경우, 제어부(540)는 아래의 수학식 7에 입력된 정보를 적용하여 시간당 이산화탄소 배출량을 연산한다.
Figure 112020093764713-pat00013
그러면, 제어부(140)는 RPM에 따른 시간당 이산화탄소 배출량을 아래의 수학식 8에 적용하여 총 이산화탄소 배출량을 연산한다.
Figure 112020093764713-pat00014
여기서, F는 해당 RPM의 동작시간이고, G는 수학식 7을 통해 연산된 시간당 이산화탄소 배출량이다.
반면에 입력된 정보 중에 RPM(X9)이 포함되지 않은 경우, 제어부(540)는 건설장비의 동작 상태에 따른 각각의 이산화탄소 배출량을 이용하여 총 이산화탄소 배출량을 연산한다.
이때, 건설장비의 동작 상태는 현재 건설장비의 동작에 따라 대기(Idle)상태, 로드(Load)상태 및 작업(Excavate)상태로 분류된다.
즉, 건설장비의 동작 상태가 대기(Idle) 상태이면, 제어부(540)는 입력된 정보를 아래의 수학식 9에 적용하여 대기 상태에서의 이산화탄소 배출량(H)을 연산한다.
Figure 112020093764713-pat00015
또한, 건설장비의 동작 상태가 로드(Load) 상태이면, 제어부(540)는 입력된 정보를 아래의 수학식 10에 적용하여 로드 상태에서의 이산화탄소 배출량(I)을 연산한다.
Figure 112020093764713-pat00016
다음으로, 건설장비의 동작 상태가 작업(Excavate) 상태이면, 제어부(140)는 입력된 정보를 아래의 수학식 11에 적용하여 작업 상태에서의 이산화탄소 배출량(J)을 연산한다.
Figure 112020093764713-pat00017
그러면, 제어부(540)는 수학식 9 내지 수학식 10를 통해 연산된 대기 상태, 로드 상태 및 작업 상태에서의 이산화탄소 배출량을 아래의 수학식 12에 적용하여 총 이산화탄소 배출량을 연산한다.
Figure 112020093764713-pat00018
여기서, h는 시간 단위를 나타낸다.
즉, 제어부(540)는 입력된 정보 중에 RPM(X9)의 존재 여부에 따라 서로 다른 수학식을 이용하여 차륜 형태의 건설장비의 이산화탄소 배출량을 연산한다.
이와 같이 본 발명의 제1 실시예 및 제2실시예에 따르면, 인공신경망분석을 이용하여 건설장비의 종류에 따라 생성되는 시간당 이산화탄소의 배출량을 예측할 수 있어, 계획 또는 공사 단계에서 이산화탄소의 배출량을 최소화 할 수 있다.
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것이 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 무한궤도 형태의 건설장비 이산화탄소 배출량 예측 시스템,
110: 데이터베이스부, 120: 알고리즘 생성부,
130: 입력부, 140: 제어부,
500: 차륜 형태의 건설장비 이산화탄소 배출량 예측 시스템,
510: 데이터베이스부, 520: 알고리즘 생성부,
530: 입력부, 540: 제어부

Claims (16)

  1. 인공신경망분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템을 이용한 이산화탄소 배출량 예측 방법에 있어서,
    무한궤도(CATERPILLAR) 형태의 건설장비의 구동 RPM 및 복수의 현장 변수에 따른 이산화탄소 배출량을 각각의 케이스 별로 획득하는 단계,
    각각의 케이스별로 획득한 이산화탄소 배출량을 이용하여 데이터베이스를 구축하는 단계,
    상기 데이터베이스를 인공신경망분석에 적용하여 상기 건설장비의 구동 RPM에 따른 이산화탄소 배출량을 예측하기 위한 알고리즘을 생성하는 단계,
    측정 대상이 되는 무한궤도 형태의 건설장비의 무게(X1), 상기 건설장비의 버켓 용량(X2), 상기 건설장비의 연식(X3), 상기 건설장비의 DPF의 유무(X4), 상기 건설장비가 작업중인 공간의 온도(X5), 습도(X6), 상기 건설장비를 동작시키는 작업자의 숙련도(X7) 상기 건설장비의 상태(X8) 및 RPM(X9) 중에서 적어도 하나의 정보를 입력받는 단계, 그리고
    상기 입력된 정보를 상기 예측 알고리즘에 적용하여 이산화탄소 배출량을 예측하고, 상기 예측된 이산화탄소 배출량을 이용하여 총 이산화탄소 배출량을 연산하는 단계를 포함하며,
    상기 데이터베이스를 구축하는 단계는,
    상기 이산화탄소 배출량의 크기에 따라 상기 각각의 케이스에 대하여 순위를 선정하는 단계,
    전체 순위 중에서 상위 3/4 번째 순위에 해당하는 케이스의 이산화탄소 배출량과 상위 1/4 번째 순위에 해당되는 케이스의 이산화탄소 배출량의 차(IQR)를 연산하는 단계,
    상기 상위 3/4 번째 순위에 해당하는 케이스의 이산화탄소 배출량에 1.5IQR 값을 더한 값에 가장 근접한 이산화탄소 배출량을 가지는 제1 케이스의 순위와, 상기 상위 1/4 번째 순위에 해당하는 케이스의 이산화탄소 배출량에 1.5IQR을 뺀 값에 가장 근접한 이산화탄소 배출량을 가지는 제2 케이스의 순위를 각각 선택하는 단계, 그리고
    상기 제1 케이스의 순위보다 하위 순위를 가지는 케이스를 제거하고, 상기 제2 케이스의 순위보다 상위 순위를 가지는 케이스를 제거하여 케이스별 이산화탄소 배출량에 대한 데이터베이스를 구축하는 단계를 포함하는 이산화탄소 배출량 예측 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 총 이산화탄소 배출량을 연산하는 단계는,
    상기 입력된 정보 중에 RPM(X9)이 포함된 경우, 아래의 수학식에 적용하여 시간당 이산화탄소 배출량을 연산하는 이산화탄소 배출량 예측 방법.
    Figure 112020093764713-pat00019
  4. 제3항에 있어서,
    상기 총 이산화탄소 배출량을 연산하는 단계는,
    아래의 수학식에 RPM에 따른 시간당 이산화탄소 배출량을 적용하여 상기 총 이산화탄소 배출량을 연산하는 이산화탄소 배출량 예측 방법:
    Figure 112020093764713-pat00020

    여기서, A는 해당 RPM의 동작시간(hour)이고, B는 상기 시간당 이산화탄소 배출량이다.
  5. 제1항에 있어서,
    상기 총 이산화탄소 배출량을 연산하는 단계는,
    상기 입력된 정보 중에 RPM(X9)이 포함되지 않은 경우, 상기 건설장비의 동작 상태가 대기(Idle) 상태이면, 아래의 수학식에 적용하여 대기 상태에서의 이산화탄소 배출량(C)을 연산하는 이산화탄소 배출량 예측 방법.
    Figure 112020093764713-pat00021
  6. 제5항에 있어서,
    상기 총 이산화탄소 배출량을 연산하는 단계는,
    상기 입력된 정보 중에 RPM(X9)이 포함되지 않은 경우, 상기 건설장비의 동작 상태가 로드(Load) 상태이면, 아래의 수학식에 적용하여 로드 상태에서의 이산화탄소 배출량(D)을 연산하는 이산화탄소 배출량 예측 방법.
    Figure 112020093764713-pat00022
  7. 제6항에 있어서,
    상기 총 이산화탄소 배출량을 연산하는 단계는,
    상기 입력된 정보 중에 RPM(X9)이 포함되지 않은 경우, 상기 건설장비의 동작 상태가 작업(Excavate) 상태이면, 아래의 수학식에 적용하여 작업 상태에서의 이산화탄소 배출량(E)을 연산하는 이산화탄소 배출량 예측 방법.
    Figure 112020093764713-pat00023
  8. 제7항에 있어서,
    상기 총 이산화탄소 배출량을 연산하는 단계는,
    상기 입력된 정보 중에 RPM(X9)이 포함되지 않은 경우, 대기 상태, 로드 상태 및 작업 상태에서의 이산화탄소 배출량을 아래의 수학식에 적용하여 상기 총 이산화탄소 배출량을 연산하는 이산화탄소 배출량 예측 방법:
    Figure 112020093764713-pat00024

    여기서, h는 시간 단위를 나타낸다.
  9. 인공신경망분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템을 이용한 이산화탄소 배출량 예측 방법에 있어서,
    차륜(WHEEL) 형태의 건설장비의 구동 RPM 및 복수의 현장 변수에 따른 이산화탄소 배출량을 각각의 케이스 별로 획득하는 단계,
    각각의 케이스별로 획득한 이산화탄소 배출량을 이용하여 데이터베이스를 구축하는 단계,
    상기 데이터베이스를 인공신경망분석에 적용하여 상기 건설장비의 구동 RPM에 따른 이산화탄소 배출량을 예측하기 위한 알고리즘을 생성하는 단계,
    측정 대상이 되는 차륜 형태의 건설장비의 무게(X1), 상기 건설장비의 버켓 용량(X2), 상기 건설장비의 연식(X3), 상기 건설장비의 DPF의 유무(X4), 상기 건설장비가 작업중인 공간의 온도(X5), 습도(X6), 상기 건설장비를 동작시키는 작업자의 숙련도(X7) 상기 건설장비의 상태(X8) 및 RPM(X9) 중에서 적어도 하나의 정보를 입력받는 단계, 그리고
    상기 입력된 정보를 상기 예측 알고리즘에 적용하여 이산화탄소 배출량을 예측하고, 상기 예측된 이산화탄소 배출량을 이용하여 총 이산화탄소 배출량을 연산하는 단계를 포함하며,
    상기 데이터베이스를 구축하는 단계는,
    상기 이산화탄소 배출량의 크기에 따라 상기 각각의 케이스에 대하여 순위를 선정하는 단계,
    전체 순위 중에서 상위 3/4 번째 순위에 해당하는 케이스의 이산화탄소 배출량과 상위 1/4 번째 순위에 해당되는 케이스의 이산화탄소 배출량의 차(IQR)를 연산하는 단계,
    상기 상위 3/4 번째 순위에 해당하는 케이스의 이산화탄소 배출량에 1.5IQR 값을 더한 값에 가장 근접한 이산화탄소 배출량을 가지는 제1 케이스의 순위와, 상기 상위 1/4 번째 순위에 해당하는 케이스의 이산화탄소 배출량에 1.5IQR을 뺀 값에 가장 근접한 이산화탄소 배출량을 가지는 제2 케이스의 순위를 각각 선택하는 단계, 그리고
    상기 제1 케이스의 순위보다 하위 순위를 가지는 케이스를 제거하고, 상기 제2 케이스의 순위보다 상위 순위를 가지는 케이스를 제거하여 케이스별 이산화탄소 배출량에 대한 데이터베이스를 구축하는 단계를 포함하는 이산화탄소 배출량 예측 방법.
  10. 삭제
  11. 제9항에 있어서,
    상기 총 이산화탄소 배출량을 연산하는 단계는,
    상기 입력된 정보 중에 RPM이 포함된 경우, 아래의 수학식에 적용하여 RPM에 따른 시간당 이산화탄소 배출량을 연산하는 이산화탄소 배출량 예측 방법.
    Figure 112022007789379-pat00025
  12. 제11항에 있어서,
    상기 총 이산화탄소 배출량을 연산하는 단계는,
    아래의 수학식에 RPM에 따른 시간당 이산화탄소 배출량을 적용하여 상기 총 이산화탄소 배출량을 연산하는 이산화탄소 배출량 예측 방법:
    Figure 112022007789379-pat00026

    여기서, F는 해당 RPM의 동작시간이고, G는 상기 시간당 이산화탄소 배출량이다.
  13. 제9항에 있어서,
    상기 총 이산화탄소 배출량을 연산하는 단계는,
    상기 입력된 정보 중에 RPM(X9)이 포함되지 않은 경우, 상기 건설장비의 동작 상태가 대기(Idle) 동작상태이면, 아래의 수학식에 적용하여 대기 상태에서의 이산화탄소 배출량(H)을 연산하는 이산화탄소 배출량 예측 방법.
    Figure 112020093764713-pat00027
  14. 제13항에 있어서,
    상기 총 이산화탄소 배출량을 연산하는 단계는,
    상기 입력된 정보 중에 RPM(X9)이 포함되지 않은 경우, 상기 건설장비의 동작 상태가 로드(Load) 동작상태이면, 아래의 수학식에 적용하여 로드 상태에서의 이산화탄소 배출량(I)을 연산하는 이산화탄소 배출량 예측 방법.
    Figure 112020093764713-pat00028
  15. 제14항에 있어서,
    상기 총 이산화탄소 배출량을 연산하는 단계는,
    상기 입력된 정보 중에 RPM(X9)이 포함되지 않은 경우, 상기 건설장비의 동작 상태가 작업(Excavate) 상태이면, 아래의 수학식에 적용하여 작업 상태에서의 이산화탄소 배출량(J)을 연산하는 이산화탄소 배출량 예측 방법.
    Figure 112020093764713-pat00029
  16. 제15항에 있어서,
    상기 총 이산화탄소 배출량을 연산하는 단계는,
    상기 입력된 정보 중에 RPM(X9)이 포함되지 않은 경우, 대기 상태, 로드 상태 및 작업 상태에서의 이산화탄소 배출량을 아래의 수학식에 적용하여 상기 총 이산화탄소 배출량을 연산하는 이산화탄소 배출량 예측 방법:
    Figure 112020093764713-pat00030

    여기서, h는 시간 단위를 나타낸다.
KR1020200112859A 2020-09-04 2020-09-04 인공신경망분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템 및 그 방법 KR102400093B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200112859A KR102400093B1 (ko) 2020-09-04 2020-09-04 인공신경망분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200112859A KR102400093B1 (ko) 2020-09-04 2020-09-04 인공신경망분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20220031204A KR20220031204A (ko) 2022-03-11
KR102400093B1 true KR102400093B1 (ko) 2022-05-18

Family

ID=80814249

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200112859A KR102400093B1 (ko) 2020-09-04 2020-09-04 인공신경망분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102400093B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496286B (zh) * 2022-09-26 2023-05-05 重庆德宜高大数据科技有限公司 基于大数据环境下神经网络碳排放预测方法及应用
CN116151692B (zh) * 2023-04-17 2023-06-30 南京赛宝工业技术研究院有限公司 多源固废再生建筑砌体寿命周期的碳排放评估系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102168564B1 (ko) * 2018-12-26 2020-10-21 인하대학교 산학협력단 건설장비의 이산화탄소 배출량에 따른 탄소 배출 처리 비용 산정 장치 및 그 방법

Also Published As

Publication number Publication date
KR20220031204A (ko) 2022-03-11

Similar Documents

Publication Publication Date Title
Zhang et al. An autonomous excavator system for material loading tasks
US9822509B1 (en) Method of controlling machines at a worksite
US6076030A (en) Learning system and method for optimizing control of autonomous earthmoving machinery
KR102400093B1 (ko) 인공신경망분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템 및 그 방법
US9663033B2 (en) Systems and methods for collision avoidance using a scored-based collision region of interest
US20180374168A1 (en) Simulation system and simulation method
US9182760B2 (en) Method of managing a worksite
US20150153736A1 (en) Method of modifying a worksite
AU2019377545A1 (en) Performing tasks using autonomous machines
US20130311153A1 (en) Virtual environment and method for sorting among potential route plans for operating autonomous machine at work site
CN101751615A (zh) 用于管理建筑工地上的原料的方法和系统
Naskoudakis et al. A thematic review of main researches on construction equipment over the recent years
US10891566B2 (en) Managing material delivery productivity
Kang et al. GIS method for haul road layout planning in large earthmoving projects: Framework and analysis
Fu et al. Identification of workstations in earthwork operations from vehicle GPS data
KR102376476B1 (ko) 선형 회귀 분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템 및 그 방법
KR102355486B1 (ko) 비선형 회귀 분석을 이용한 건설장비의 이산화탄소 배출량 예측 시스템 및 그 방법
Dersten et al. An analysis of a layered system architecture for autonomous construction vehicles
US11952746B1 (en) Autonomous control of on-site movement of powered earth-moving construction or mining vehicles
KR102584614B1 (ko) 토공사 공정계획 및 관리를 위한 건설성능지표 산출 장치 및 그 방법
Douglas Mining haul road defect detection: advancement in automated road extent and response calibration for improved maintenance
Liu Optimization of Temporary Haul Road Design and Earthmoving Job Planning based on Site Rough-grading Design
US11746498B2 (en) Systems and methods for electronically assessing operator performance when operating a machine based on machine-related data associated with the machine
Ince Simulation-based modelling of the unpaved road deterioration and maintenance program in heavy construction and mining sectors
US11906981B2 (en) System and method for updating virtual worksite

Legal Events

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