KR20210064629A

KR20210064629A - 인공 신경망을 기반으로 하는 환기 모드 예측 방법 및 시스템

Info

Publication number: KR20210064629A
Application number: KR1020190153055A
Authority: KR
Inventors: 강현욱; 김나경; 강동희
Original assignee: 전남대학교산학협력단
Priority date: 2019-11-26
Filing date: 2019-11-26
Publication date: 2021-06-03
Also published as: KR102264855B1

Abstract

인공 신경망을 기반으로 하는 환기 모드 예측 방법이 개시된다. 환기 모드 예측 방법은 기 설정된 복수의 환기 모드, 서로 다른 오염 물질의 분포 위치 및 농도를 참조로 한 수치 시뮬레이션을 이용하여 실내 환경 데이터를 수집하는 단계; 수집된 실내 환경 데이터를 이용하여 인공 신경망 모델을 학습시키는 단계; 및 학습된 인공 신경망 모델을 이용하여 오염 물질의 분포 위치 및 농도에 대응하는 최적의 환기 모드를 예측하여 제안하는 단계를 포함할 수 있다.

Description

인공 신경망을 기반으로 하는 환기 모드 예측 방법 및 시스템{METHOD AND SYSTEM FOR PREDICTING VENTILATION MODE BASED ON ARTIFICIAL NEURAL NETWORK}

본 발명은 인공 신경망을 기반으로 하는 환기 모드 예측 방법 및 시스템에 관한 것이다.

인공 신경망(artificial neural network)은 인간 또는 동물 두뇌의 신경망에 착안하여 구현된 컴퓨팅 시스템으로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공 신경망은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공 지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

한편, 인공 신경망을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.

최근 미세 먼지에 대한 관심이 높아지고 있으며, 이에 따라 공기 청정기나 공기 청정 시스템의 판매도 급속히 늘어나는 추세이다. 또한 최근에는 쾌적한 실내 환경을 위하여 외기를 내부로 순환시키는 환기 시스템(ERV) 시스템에 대한 관심도 증가하고 있다.

실내 공기 환경은 복합 변수(예를 들어, 에어 가전의 위치, 온도, 습도, 유해 물질 분포도, 거주자의 행동 등)에 영향을 받는다. 실내 환기 조건은 실내 공기 흐름 패턴에 직접적인 영향을 미쳐 오염 물질 제거에 영향을 준다. 이로 인해, 최적의 환기 조건은 오염 물질의 위치와 농도에 따라 다를 수 있다.

따라서 환기시스템의 성능을 효과적으로 향상시키려면 다양한 환기 모드를 통해 실시간으로 오염도에 따른 제어가 필요하다.

한국등록특허공보 제10-1591735호(2016.01.29.) 한국등록특허공보 제10-2019-0091231호(2019.08.05.)

본 발명이 해결하고자 하는 과제는, 수치 시뮬레이션 및 인공 신경망을 통해 실내 환경, 즉 기류 패턴, 오염 물질 농도 및 흐름 패턴을 빠르게 예측할 수 있는 최적의 환기 예측 방법을 제공하는 것이다.

상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.

본 발명의 일 실시예에 따른 환기 모드 제어 서버는, 기 설정된 복수의 환기 모드, 서로 다른 오염 물질의 분포 위치 및 농도를 참조로 한 수치 시뮬레이션을 이용하여 실내 환경 데이터를 수집하는 데이터 수집부; 및 상기 데이터 수집부에서 수집한 실내 환경 데이터를 이용하여 인공 신경망 모델을 학습시키고, 학습된 인공 신경망 모델을 이용하여 오염 물질의 분포 위치 및 농도에 대응하는 최적의 환기 모드를 예측하여 제안하는 환기 모드 예측부를 포함할 수 있다.

또한, 상기 수치 시뮬레이션을 이용하여 수집된 데이터는 고해상도 그리드 기반 데이터이고, 상기 데이터 수집부는, 이산화된 직육면체 내에 포함되는 그리드들 내 오염 물질 농도들의 평균 값을 산출할 수 있다.

또한, 상기 인공 신경망 모델은 입력층, 복수의 은닉층 및 출력층을 포함하고, 상기 입력층에 상기 이산화된 직육면체 내 오염 물질 농도가 입력될 수 있다.

또한, 상기 출력층에서 상기 최적의 환기 모드 및 상기 최적의 환기 모드에서의 작동 시간에 대한 데이터가 출력될 수 있다.

또한, 상기 작동 시간은 상기 복수의 환기 모드 중 어느 하나의 환기 모드 동작 후 상기 오염 물질의 농도가 기 설정된 값이 될 때까지 소요되는 시간일 수 있다.

또한, 상기 복수의 환기 모드 중 가장 짧은 작동 시간을 갖는 환기 모드가 상기 최적의 환기 모드인 것으로 설정될 수 있다.

또한, 상기 복수의 은닉층은, 선형(linear) 함수, 정류한 선형 유닛(rectified linear unit) 함수, 시그모이드(sigmoid) 함수 및 쌍곡탄젠트(hyperbolic tangent) 함수로 이루어진 그룹에서 선택된 함수로 구성될 수 있다.

또한, 실내 환경으로 외부 공기를 유입시키는 흡입구의 위치에 따라 환기 모드가 다르게 설정될 수 있다.

본 발명의 실시예에 따른 환기 모드 예측 방법은, 기 설정된 복수의 환기 모드, 서로 다른 오염 물질의 분포 위치 및 농도를 참조로 한 수치 시뮬레이션을 이용하여 실내 환경 데이터를 수집하는 단계; 수집된 실내 환경 데이터를 이용하여 인공 신경망 모델을 학습시키는 단계; 및 학습된 인공 신경망 모델을 이용하여 오염 물질의 분포 위치 및 농도에 대응하는 최적의 환기 모드를 예측하여 제안하는 단계를 포함할 수 있다.

또한, 상기 수치 시뮬레이션을 이용하여 수집된 데이터는 고해상도 그리드 기반 데이터이고, 상기 실내 환경 데이터를 수집하는 단계는, 이산화된 직육면체 내에 포함되는 그리드들 내 오염 물질 농도들의 평균 값을 산출하는 단계를 포함할 수 있다.

또한, 최적의 환기 모드를 예측하여 제안하는 단계에서, 상기 복수의 환기 모드 중 가장 짧은 작동 시간을 갖는 환기 모드가 상기 최적의 환기 모드인 것으로 설정될 수 있다.

또한, 실내 환경으로 외부 공기를 유입시키는 흡입구의 위치에 따라 환기 모드가 다르게 설정될 수 있다. 이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공된다.

본 발명의 실시예에 따르면, 오염 물질 농도와 흐름 패턴을 빠르게 예측하여 최적의 환기 시스템을 제공할 수 있다.

본 발명의 실시예에 따르면, 미세먼지의 위치 및 농도가 자주 변경되더라도 최적의 환기를 신속하게 시뮬레이션하고 예측할 수 있다.

본 발명의 실시예에 따르면, 실내 공기 내 유해물질 및 에너지 소비를 줄이기 위한 효과적인 환기 전략을 제공하고 미세먼지 조건에 따라 최적의 환기 시스템을 자동으로 제어할 수 있다.

본 발명의 실시예에 따르면, 실내환경 빅데이터를 기반으로 한 시나리오 별 유해환경인자의 확산 경로 및 농도 분포를 분석할 수 있다.

도 1은 인공 신경망을 기반으로 하여 최적화된 환기 모드를 제어하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 환기 모드 제어 서버의 내부 구성을 상세하게 도시하는 도면이다.
도 3은 실내 환경 및 실내 환기 시스템에 대한 정보와 복수의 환기 모드를 예시적으로 나타낸 도면이다.
도 4는 본 발명의 실시예에 따라 고해상도 그리드 기반의 미세먼지 농도 데이터가 처리되는 것을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 인공 신경망 모델의 구조를 예시적으로 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 환기 모드 제어 서버를 이용한 최적의 환기 모드 예측 방법 및 효과를 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 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.

본 명세서에서, 동일한 구성요소에 대해서 중복된 설명은 생략한다.

또한 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

또한, 본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로써, 본 발명을 한정하려는 의도로 사용되는 것이 아니다.

또한 본 명세서에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.

또한 본 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품, 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐, 하나 또는 그 이상의 다른 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 할 것이다.

또한 본 명세서에서, '및/또는' 이라는 용어는 복수의 기재된 항목들의 조합 또는 복수의 기재된 항목들 중의 어느 항목을 포함한다. 본 명세서에서, 'A 또는 B'는, 'A', 'B', 또는 'A와 B 모두'를 포함할 수 있다.

또한 본 명세서에서, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략될 것이다.

도 1은 인공 신경망을 기반으로 하여 최적화된 환기 모드를 제어하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.

도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 전체 시스템은 통신망(100), 환기 모드 제어 서버(200) 및 단말 장치(300)를 포함하여 구성될 수 있다. 한편, 본 명세서에서 서버(200)는 '장치' 또는 '컴퓨팅 장치'로 지칭될 수도 있다.

먼저, 본 발명의 일 실시예에 따른 통신망(100)은 데이터 송수신 서비스가 가능한 대형 통신망의 고속 기간 망일 수 있으며, 인터넷(Internet) 또는 고속의 멀티미디어 서비스를 제공하기 위한 와이파이(Wi-Fi), 와이기그(WiGig), 와이브로(Wireless Broadband Internet, Wibro), 와이맥스(World Interoperability for Microwave Access, Wimax) 등을 포함하는 차세대 무선망일 수 있다.

상기 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(Hyper Text Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service) 등을 제공하는 전 세계적인 개방형 컴퓨터 네트워크 구조를 의미할 수 있으며, 사용자 단말 장치(300)가 서버(200)에 접속될 수 있게 하는 환경을 제공할 수 있다.

한편, 상기 인터넷은 유선 또는 무선 인터넷일 수도 있고, 이외에도 유선 공중망, 무선 이동 통신망, 또는 휴대 인터넷 등과 통합된 코어망 일 수도 있다.

만약, 통신망(100)이 이동 통신망일 경우 동기식 이동 통신망일 수도 있고, 비동기식 이동 통신망일 수도 있다. 상기 비동기식 이동 통신망의 실시 예로서, WCDMA(Wideband Code Division Multiple Access) 방식의 통신망을 들 수 있다. 이 경우 도면에 도시되진 않았지만, 상기 이동 통신망은 예컨대, RNC(Radio Network Controller) 등을 포함할 수 있다. 한편, 상기 WCDMA망을 일 예로 들었지만, 3G LTE망, 4G망, 5G망 등 차세대 통신망, 그 밖의 IP를 기반으로 한 IP 망일 수 있다.

다음으로, 본 발명의 일 실시예에 따른 서버(200)는 통신망(100)을 통하여 사용자의 단말 장치(300)로부터 정보(예를 들어, 소셜 미디어의 게시글, 서버(200)에서 제공한 설문에 대한 답변 등)를 획득하고, 획득한 정보를 소정 기준에 따라 기계학습을 통해 분석 및 분류하는 기능을 수행할 수 있다. 또한, 서버(200)는 기계학습을 위한 학습 데이터를 생성하는 기능을 수행할 수도 있다.

본 발명에 따른 환기 모드 제어 서버(200)의 구성과 기능에 관하여는 아래의 상세한 설명을 통하여 자세하게 알아보기로 한다.

한편, 본 발명의 일 실시예에 따른 단말 장치(300)는 환기 모드 제어 서버(200)에 접속한 후 통신할 수 있는 기능을 포함하는 디지털 기기로서, 데스크탑 컴퓨터, 노트북 컴퓨터, 워크스테이션, PDA, 웹 패드, 이동 전화기 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기라면 얼마든지 본 발명에 따른 단말 장치(300)로서 채택될 수 있다.

특히, 사용자 단말 장치(300)에는 환기 모드 제어 서버(200)가 제공하는 사용자 인터페이스를 제공받을 수 있도록 하는 브라우저(browser) 관련 프로그램이 포함되어 있을 수 있다.

이하에서는, 본 발명에 따른 환기 모드 제어 서버(200)의 내부 구성과 각 구성요소의 기능에 대하여 살펴보기로 한다.

도 2는 본 발명의 일 실시예에 따른 환기 모드 제어 서버의 내부 구성을 상세하게 도시하는 도면이다.

도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 서버(200)는, 데이터 수집부(210), 환기 모드 예측부(220), 데이터베이스(250), 통신부(260) 및 제어부(270)를 포함하여 구성될 수 있다. 본 발명의 일 실시예에 따르면, 데이터 수집부(210), 환기 모드 예측부(220), 데이터베이스(250), 통신부(260) 및 제어부(270)는 그 중 적어도 일부가 사용자 단말 장치(300)와 통신하는 프로그램 모듈일 수 있다. 이러한 프로그램 모듈은 운영 시스템, 응용 프로그램 모듈 또는 기타 프로그램 모듈의 형태로 서버(200)에 포함될 수 있고, 물리적으로는 여러 가지 공지의 기억 장치에 저장될 수 있다.　 또한, 이러한 프로그램 모듈은 서버(200)와 통신 가능한 원격 기억 장치에 저장될 수도 있다.　 한편, 이러한 프로그램 모듈은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.

먼저, 데이터 수집부(210)는 학습을 위한 훈련 데이터, 컴퓨터 유체 역학(Computational Fluid Dynamics, CFD)을 위한 데이터를 수집할 수 있으며, 데이터는 실내 환경에 대한 정보, 실내 환기 시스템에 대한 정보 및 환기 모드에 대한 정보를 포함할 수 있다. 본 발명의 실시예에 따른 데이터 수집부(210)에서 수집하는 데이터에 대한 설명은 아래에서 도 3을 참조하여 보다 구체적으로 설명하도록 한다.

도 3은 실내 환경 및 실내 환기 시스템에 대한 정보와 복수의 환기 모드를 예시적으로 나타낸 도면이다.

도 3의 (a)에 도시된 바와 같이, 실내 환경은 X축 방향으로의 길이가 4m, Y축 방향으로의 길이가 5m, Z축 방향으로의 길이가 2.7m인 직육면체의 공간으로 설정될 수 있으며, 실내 환기 시스템은 상면에 위치하는 9개의 흡입구(310)와 측면에 위치하는 6개의 배출구(320)를 포함할 수 있다.

한편, 본 발명의 환기 모드 제어 서버(200)를 이용하여 환기할 실내 환경이 도 3의 (a)에 도시된 것에 제한되는 것은 아니며, 실내 환경은 다양하게 변경될 수 있다.

본 발명의 실시에에 따르면, 환기 모드는 미리 복수 개로 설정될 수 있으며, 예를 들어, 동작하는 흡입구(310)의 수나 동작하는 흡입구(310)의 위치에 따라 환기 모드가 설정될 수 있다.

예를 들어, 환기 모드는 제1 내지 제4 환기 모드를 포함하도록 설정될 수 있으며, 도 3의 (b)는 제1 환기 모드, (c)는 제2 환기 모드, (d)는 제3 환기 모드 및 (e)는 제4 환기 모드를 나타내는 것일 수 있다.

즉, 제1 환기 모드는 9개의 흡입구(310) 및 6개의 배출구(320)가 모두 작동되는 것이고, 제2 내지 제4 환기 모드는 3개의 흡입구(310) 및 6개의 배출구(320)가 작동되는 것일 수 있다. 또한, 제1 열에 위치한 3개의 흡입구(310)가 작동될 때는 제2 환기 모드, 제2 열에 위치한 3개의 흡입구(310)가 작동될 때는 제3 환기 모드, 제3 열에 위치한 3개의 흡입구(310)가 작동될 때는 제4 환기 모드인 것으로 설정될 수 있다.

한편, 도 3에서는 9개의 흡입구(310)가 상면에 위치하고 6개의 배출구(320)가 측면에 위치하는 것으로 도시되었으나 본 발명이 이에 제한되는 것은 아니며, 흡입구(310) 및 배출구(320)의 개수, 위치는 다양하게 변경될 수 있다. 또한, 환기 모드의 종류도 다양하게 변경될 수 있다.

데이터 수집부(210)는 수치 시뮬레이션을 사용하여 고해상도 그리드 기반의 미세먼지(오염 물질) 농도 데이터를 획득할 수 있으며, 획득한 미세먼지 데이터가 인공 신경망 훈련에 적합하도록 이산 볼륨 환기 모델(Discretization volume ventilation model)을 이용하여 처리할 수 있다.

도 4는 본 발명의 실시예에 따라 고해상도 그리드 기반의 미세먼지 농도 데이터가 처리되는 것을 설명하기 위한 도면이다.

도 4를 참조하면, 데이터 수집부(210)는 실내 환경을 동일한 길이 및 부피를 갖는 복수의 단위 직육면체로 분할하고, 상기 복수의 단위 직육면체 각각에 포함된 그리드들에 대응하는 미세먼지 농도 데이터에 대한 평균 값을 계산할 수 있다.

다음으로, 환기 모드 예측부(220)는 데이터 수집부(210)에서 수집한 데이터를 이용하여 인공 신경망 모델을 학습시키고, 이를 이용하여 해당 실내 환경에 최적화된 환기 모드를 예측하여 제안할 수 있다.

도 5는 본 발명의 실시예에 따른 인공 신경망 모델의 구조를 예시적으로 나타낸 도면이다.

도 5에 도시된 바와 같이, 인공 신경망 모델은 입력층, 복수의 은닉층 및 출력층을 포함할 수 있으며, 복수의 은닉층은 제1 은닉층과 제2 은닉층을 포함할 수 있다.

입력층에는 데이터 수집부(210)에서 생성한 단위 직육면체 내 평균 미세먼지 농도 데이터가 입력될 수 있으며, 출력층에서 최적의 환기 모드(Optimization mode), 최적의 환기 모드에서의 작동 시간에 대한 데이터가 출력될 수 있다.

환기 모드 동작 후 미세먼지의 농도가 5%가 될 때까지 소요되는 시간이 작동 시간이 될 수 있으며, 기 설정된 네 개의 환기 모드인 제1 내지 제4 환기 모드 중 가장 짧은 작동 시간을 나타내는 환기 모드가 최적의 환기 모드인 것으로 설정할 수 있다.

각 은닉층은 복수의 함수로 구성될 수 있으며, 입력층과 출력층 사이에 위치하며 입력층으로부터 데이터를 받아 특성을 추출하여 출력층으로 전달할 수 있다. 은닉층을 구성하는 상기 복수의 함수는 선형(linear) 함수, 정류한 선형 유닛(rectified linear unit) 함수, 시그모이드(sigmoid) 함수 및 쌍곡탄젠트(hyperbolic tangent) 함수로 이루어진 그룹에서 선택된 어느 하나일 수 있다.

이하에서는 도 6을 참조로 하여 본 발명의 효과를 설명하도록 한다.

도 6은 본 발명의 일 실시예에 따른 환기 모드 제어 서버를 이용한 최적의 환기 모드 예측 방법 및 효과를 설명하기 위한 도면이다. 제1 실내 환경(Case 1), 제2 실내 환경(Case 2), 제3 실내 환경(Case 3) 및 제4 실내 환경(Case 4)에서의 작동 시간(환기 모드 작동 후 미세먼지의 농도가 5%가 될 때까지 소요되는 시간)을 나타낸 것이며, 제1 내지 제4 실내 환경 각각은 미세먼지의 분포 위치 및 농도 중 적어도 하나가 다르도록 설정되었다. 도 6의 (a)에서 직육면체로 표현된 실내 환경 내 파랗게 표시된 부분은 초기 미세먼지의 분포 위치 및 농도를 나타내는 것이다. 또한, 도 6의 (a)에는 제1 환기 모드(Mode 1)에서의 작동 시간과 해당 실내 환경에 대한 최적의 환기 모드에서의 작동 시간을 함께 표시하였다.

본 발명의 실시예에 따른 환기 모드 예측부(220)는 서로 다른 실내 환경(초기 미세먼지의 분포 위치 및 농도)에 대응하는 최적의 환기 모드와 작동 시간을 예측할 수 있으며, 도 6의 (a)에 도시된 바와 같이, 초기 미세먼지의 분포 위치 및 농도에 따라 최적의 환기 모드가 다르게 설정될 수 있으며, 특히 제3 실내 환경(Case 3)과 제4 실내 환경(Case 4)의 경우를 비교하면 미세먼지의 농도가 동일하더라도 분포 위치가 상이하면 최적의 환기 모드가 다르게 설정됨을 확인할 수 있다. 또한, 본 발명의 실시예에 따라 예측된 최적의 환기 모드를 이용할 경우 작동 시간이 단축됨을 확인할 수 있다.

다음으로, 도 6의 (b)을 참조하면, 미세먼지의 분포 위치 및 농도에 관계 없이 특정 환기 모드(예를 들어, 제1 환기 모드(mode 1))를 사용하는 것 대비 미세먼지의 분포 위치 및 농도에 대응하는 최적의 환기 모드를 사용할 때 에너지 소비 효율이 높아짐을 확인할 수 있다.

다음으로, 본 발명의 일 실시예에 따른 데이터베이스(250)에는, 데이터 수집부(210)에서 수집한 데이터, 예를 들어 환기 시스템이 작동될 실내 환경에 대한 정보, 인공 신경망 모델 학습을 위한 훈련 데이터(고해상도 그리드 기반 미세먼지 농도 데이터) 또는 전처리된 입력 데이터 등이 저장될 수 있다. 비록 도 2에서 데이터베이스(250)가 서버(200)에 포함되어 구성되는 것으로 도시되어 있지만, 본 발명을 구현하는 당업자의 필요에 따라, 데이터베이스(250)는 서버(200)와 별개로 구성될 수도 있다. 또한, 도 2에는 하나의 데이터베이스(250)만이 도시되어 있지만 본 발명이 이에 제한되는 것은 아니며, 본 발명을 구현하는 당업자의 필요에 따라 데이터베이스(250)는 복수 개 구비될 수 있다. 한편, 본 발명에서의 데이터베이스(250)는, 컴퓨터 판독 가능한 기록 매체를 포함하는 개념으로서, 협의의 데이터베이스뿐만 아니라 파일 시스템에 기반을 둔 데이터 기록 등을 포함하는 광의의 데이터베이스일 수도 있으며, 단순한 로그의 집합이라도 이를 검색하여 데이터를 추출할 수 있다면 본 발명에서의 데이터베이스(250)가 될 수 있다.

다음으로, 본 발명의 일 실시예에 따른 통신부(260)는 데이터 수집부(210), 환기 모드 예측부(220) 및 데이터베이스(250) 로부터의/로의 데이터 송수신이 가능하도록 하는 기능을 수행할 수 있다. 또한, 통신부(260)는 서버(200) 내 구성과 단말 장치(300) 간 데이터 송수신이 가능하도록 하는 기능을 수행할 수도 있다.

마지막으로, 본 발명의 일 실시예에 따른 제어부(270)는 데이터 수집부(210), 환기 모드 예측부(220), 데이터베이스(250) 및 통신부(260) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명에 따른 제어부(270)는 서버(200)의 외부로부터의/로의 데이터 흐름 또는 서버의 각 구성요소 간의 데이터 흐름을 제어함으로써, 데이터 수집부(210), 환기 모드 예측부(220), 데이터베이스(250) 및 통신부(260)에서 각각 고유 기능을 수행하도록 제어할 수 있다.

도 7은 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다. 도 7의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치(예, 환기 모드 제어 서버(200), 단말 장치(300) 등) 일 수 있다.

도 7의 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, 본 발명의 실시예는 지금까지 설명한 장치 및/또는 방법을 통해서만 구현되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 상술한 실시예의 기재로부터 본 발명이 속하는 기술 분야의 통상의 기술자라면 쉽게 구현할 수 있는 것이다.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 통상의 기술자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims

기 설정된 복수의 환기 모드, 서로 다른 오염 물질의 분포 위치 및 농도를 참조로 한 수치 시뮬레이션을 이용하여 실내 환경 데이터를 수집하는 데이터 수집부; 및
상기 데이터 수집부에서 수집한 실내 환경 데이터를 이용하여 인공 신경망 모델을 학습시키고, 학습된 인공 신경망 모델을 이용하여 오염 물질의 분포 위치 및 농도에 대응하는 최적의 환기 모드를 예측하여 제안하는 환기 모드 예측부를 포함하는 환기 모드 제어 서버.
제1항에 있어서,
상기 수치 시뮬레이션을 이용하여 수집된 데이터는 고해상도 그리드 기반 데이터이고, 상기 데이터 수집부는,
이산화된 직육면체 내에 포함되는 그리드들 내 오염 물질 농도들의 평균 값을 산출하는 것을 특징으로 하는 환기 모드 제어 서버.
제2항에 있어서,
상기 인공 신경망 모델은 입력층, 복수의 은닉층 및 출력층을 포함하고,
상기 입력층에 상기 이산화된 직육면체 내 오염 물질 농도가 입력되는 것을 특징으로 하는 환기 모드 제어 서버.
제3항에 있어서,
상기 출력층에서 상기 최적의 환기 모드 및 상기 최적의 환기 모드에서의 작동 시간에 대한 데이터가 출력되는 것을 특징으로 하는 환기 모드 제어 서버.
제4항에 있어서,
상기 작동 시간은 상기 복수의 환기 모드 중 어느 하나의 환기 모드 동작 후 상기 오염 물질의 농도가 기 설정된 값이 될 때까지 소요되는 시간인 것을 특징으로 하는 환기 모드 제어 서버.
제5항에 있어서,
상기 복수의 환기 모드 중 가장 짧은 작동 시간을 갖는 환기 모드가 상기 최적의 환기 모드인 것으로 설정되는 것을 특징으로 하는 환기 모드 제어 서버.
제3항에 있어서,
상기 복수의 은닉층은, 선형(linear) 함수, 정류한 선형 유닛(rectified linear unit) 함수, 시그모이드(sigmoid) 함수 및 쌍곡탄젠트(hyperbolic tangent) 함수로 이루어진 그룹에서 선택된 함수로 구성되는 것을 특징으로 하는 환기 모드 제어 서버.
제1항에 있어서,
실내 환경으로 외부 공기를 유입시키는 흡입구의 위치에 따라 환기 모드가 다르게 설정되는 것을 특징으로 하는 환기 모드 제어 서버.
기 설정된 복수의 환기 모드, 서로 다른 오염 물질의 분포 위치 및 농도를 참조로 한 수치 시뮬레이션을 이용하여 실내 환경 데이터를 수집하는 단계;
수집된 실내 환경 데이터를 이용하여 인공 신경망 모델을 학습시키는 단계; 및
학습된 인공 신경망 모델을 이용하여 오염 물질의 분포 위치 및 농도에 대응하는 최적의 환기 모드를 예측하여 제안하는 단계를 포함하는 환기 모드 예측 방법.
제9항에 있어서,
상기 수치 시뮬레이션을 이용하여 수집된 데이터는 고해상도 그리드 기반 데이터이고, 상기 실내 환경 데이터를 수집하는 단계는,
이산화된 직육면체 내에 포함되는 그리드들 내 오염 물질 농도들의 평균 값을 산출하는 단계를 포함하는 것을 특징으로 하는 환기 모드 예측 방법.
제10항에 있어서,
상기 인공 신경망 모델은 입력층, 복수의 은닉층 및 출력층을 포함하고,
상기 입력층에 상기 이산화된 직육면체 내 오염 물질 농도가 입력되는 것을 특징으로 하는 환기 모드 예측 방법.
제11항에 있어서,
상기 출력층에서 상기 최적의 환기 모드 및 상기 최적의 환기 모드에서의 작동 시간에 대한 데이터가 출력되는 것을 특징으로 하는 환기 모드 예측 방법.
제12항에 있어서,
상기 작동 시간은 상기 복수의 환기 모드 중 어느 하나의 환기 모드 동작 후 상기 오염 물질의 농도가 기 설정된 값이 될 때까지 소요되는 시간인 것을 특징으로 하는 환기 모드 예측 방법.
제13항에 있어서,
최적의 환기 모드를 예측하여 제안하는 단계에서,
상기 복수의 환기 모드 중 가장 짧은 작동 시간을 갖는 환기 모드가 상기 최적의 환기 모드인 것으로 설정되는 것을 특징으로 하는 환기 모드 예측 방법.
제11항에 있어서,
상기 복수의 은닉층은, 선형(linear) 함수, 정류한 선형 유닛(rectified linear unit) 함수, 시그모이드(sigmoid) 함수 및 쌍곡탄젠트(hyperbolic tangent) 함수로 이루어진 그룹에서 선택된 함수로 구성되는 것을 특징으로 하는 환기 모드 예측 방법.
제9항에 있어서,
실내 환경으로 외부 공기를 유입시키는 흡입구의 위치에 따라 환기 모드가 다르게 설정되는 것을 특징으로 하는 환기 모드 예측 방법.