KR20220149123A - 오염물질경로 예측 장치 - Google Patents
오염물질경로 예측 장치 Download PDFInfo
- Publication number
- KR20220149123A KR20220149123A KR1020210056348A KR20210056348A KR20220149123A KR 20220149123 A KR20220149123 A KR 20220149123A KR 1020210056348 A KR1020210056348 A KR 1020210056348A KR 20210056348 A KR20210056348 A KR 20210056348A KR 20220149123 A KR20220149123 A KR 20220149123A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- pollutant
- path
- simulator
- unit
- Prior art date
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 70
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 70
- 238000013136 deep learning model Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000013499 data model Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000013461 design Methods 0.000 claims description 9
- 239000000356 contaminant Substances 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 8
- 238000004378 air conditioning Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000009423 ventilation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000000428 dust Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- 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
- G06N3/045—Combinations of networks
-
- G06N3/0454—
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Economics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Air Conditioning Control Device (AREA)
Abstract
기류해석 시뮬레이터를 이용한 오염물질의 경로를 예측하는 장치에 있어서, 건물형상 정보, 실내공간 정보, 시스템 정보 및 센싱 정보 중 적어도 하나를 포함하는 사전 정보를 수집하는 사전 정보 수집부; 오염물질의 경로 예측을 위한 요청에 기초하여 의미적(semantic) 데이터 모델을 이용하여 상기 요청에 대응하는 조건 정보를 추출하는 조건 정보 추출부; 상기 사전 정보에 상기 조건 정보를 적용하여 상기 오염물질의 경로 예측을 위한 시뮬레이터를 모델링하고, 상기 시뮬레이터를 통해 기류해석을 수행하는 시뮬레이터부; 및 상기 기류해석에 의해 분석된 기류, 온도 및 압력 중 적어도 하나에 대한 이미지를 제 1 딥러닝 모델에 입력하여 상기 오염물질의 경로를 예측하는 경로 예측부를 포함한다.
Description
본 발명은 오염물질경로 예측 장치에 관한 것이다.
건물에 대한 자산 관리 시스템은 각 시설물들의 관리를 통해 자산 가치를 향상시키기 위한 것으로, 화재, 누수, 환경, 보완 및 미화 등 세부 항목으로 구분될 수 있다. 여기서, 환경 관리는 맞춤형 실내 환경 품질(IEQ: Indoor Environment Quality)을 제공하는 것으로, 실내 환경의 질은 온열 환경, 기류 환경, 시 환경 및 음 환경에 의해 좌우된다. 특히, 기류 환경, 공기의 질이 실내 환경의 질에 가장 많은 영향을 미쳐 이에 대한 관리가 중요하다.
공기의 질은 실내에 유입된 미세먼지 및 CO2 농도 확산 등 다양한 오염원들이 존재하며, 외부적 기류, 압력 및 발생원(사람 등)의 이동에 따라 지속적으로 변경될 수 있다. 이를 관리하기 위해서는 각 오염원에 대응하는 적절한 예방 관리가 이루어져야 한다.
그러나, 종래 기류 환경 시스템은 고정된 센서 장비에 의해 측정된 데이터에만 의존하고 있으며, 환기를 통해 외부 공기를 도입하거나, 필터를 통해 먼지를 제거할 뿐이었다.
따라서, 종래 기류 환경 시스템은 기류 환경에 대한 다양한 오염원들의 분석 및 경로 추적이 부재하였고, 이에 대응하는 사전 관리 예방 기능 또한 전무하여, 실내 환경의 기류 환경이 충분히 관리되고 있지 않았다.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 기류해석 시뮬레이터를 이용하여 실내 환경에 대한 다양한 오염원들을 검출하고, 검출된 오염원들의 발생 경로 추적 및 경로 예측을 통해 이에 대응하는 각각의 제어 방안을 도출할 수 있는 오염물질경로 예측 장치를 제공하고자 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명의 일 실시예는, 기류해석 시뮬레이터를 이용한 오염물질의 경로를 예측하는 장치에 있어서, 건물형상 정보, 실내공간 정보, 시스템 정보 및 센싱 정보 중 적어도 하나를 포함하는 사전 정보를 수집하는 사전 정보 수집부; 오염물질의 경로 예측을 위한 요청에 기초하여 의미적(semantic) 데이터 모델을 이용하여 상기 요청에 대응하는 조건 정보를 추출하는 조건 정보 추출부; 상기 사전 정보에 상기 조건 정보를 적용하여 상기 오염물질의 경로 예측을 위한 시뮬레이터를 모델링하고, 상기 시뮬레이터를 통해 기류해석을 수행하는 시뮬레이터부; 및 상기 기류해석에 의해 분석된 기류, 온도 및 압력 중 적어도 하나에 대한 이미지를 제 1 딥러닝 모델에 입력하여 상기 오염물질의 경로를 예측하는 경로 예측부를 포함하는, 오염물질경로 예측 장치를 제공 할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 기류해석 시뮬레이터를 이용하여 실내 환경에 대한 다양한 오염원들을 검출하고, 검출된 오염 물질의 경로를 추적할 수 있다.
또한, 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 검출된 오염원들과 추적된 오염 물질의 경로에 기초하여 오염 물질의 경로를 예측할 수 있고, 이에 대응하는 각각의 제어 방안을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 오염물질경로 예측 장치의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 오염물질경로 예측 장치의 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 조건 정보 추출부를 설명하기 위한 예시적인 도면이다.
도 4는 본 발명의 일 실시예에 따른 전이 학습을 설명하기 위한 예시적인 도면이다.
도 5는 본 발명의 일 실시예에 따른 오염물질경로 예측 방법의 순서도이다.
도 2는 본 발명의 일 실시예에 따른 오염물질경로 예측 장치의 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 조건 정보 추출부를 설명하기 위한 예시적인 도면이다.
도 4는 본 발명의 일 실시예에 따른 전이 학습을 설명하기 위한 예시적인 도면이다.
도 5는 본 발명의 일 실시예에 따른 오염물질경로 예측 방법의 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 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 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 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 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말 또는 디바이스에서 수행될 수도 있다.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 오염물질경로 예측 장치의 구성도이다. 도 1을 참조하면, 오염물질경로 예측 장치(100)는 사전 정보 수집부(110), 조건 정보 추출부(120), 시뮬레이터부(130), 경로 예측부(140) 및 오염물질 제거부(150)를 포함할 수 있다. 경로 예측부(140)는 학습부(141)를 더 포함할 수 있다. 다만 위 구성 요소들(110 내지 150)은 오염물질경로 예측 장치(100)에 의하여 제어될 수 있는 구성요소들을 예시적으로 도시한 것일 뿐이다.
도 1의 오염물질경로 예측 장치(100)의 각 구성요소들은 일반적으로 네트워크(network)를 통해 연결된다. 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.
도 2는 본 발명의 일 실시예에 따른 오염물질경로 예측 장치의 동작 흐름도이다. 본 발명에 따른 오염물질경로 예측 장치(100)는 의미적(semantic) 데이터 모델 및 기류해석 시뮬레이터를 이용하여 실내 환경에 대한 다양한 오염원들을 검출하고, 검출된 오염 물질의 경로를 추적할 수 있다. 오염물질경로 예측 장치(100)는 딥러닝 모델을 이용하여 오염 물질의 경로를 예측할 수 있고, 이에 대응하는 각각의 제어 방안을 제공할 수 있다. 이하, 각 구성에 대해 구체적으로 살펴본다.
본 발명의 일 실시예에 따른 사전 정보 수집부(110)는 건물형상 정보, 실내공간 정보, 시스템 정보 및 센싱 정보 중 적어도 하나를 포함하는 사전 정보를 수집할 수 있다. 예를 들어, 시스템 정보는 환기 시스템(예: 전열 교환기, 현열 교환기 및 공기 청정기 등), 중앙 공조 시스템(예: CAV (Constant Air Volume), VAV (Variable Air Volume) 및 FCU (Fan Coil Unit) 등) 및 개별 공조 시스템(예: 히트 펌프 및 패키지 에어컨 등) 등과 같이 오염물질을 제거하기 위해 사용 가능한 시스템을 포함할 수 있다. 또한, 센싱 정보는 오염 발생원(예: 재실자, 실내/외 오염 농도, 실내/외 온도 및 기류)에 대한 정보와, 오염 물질 제거 장치(전술한 환기, 중앙 공조 및 개별 공조 시스템)에서 입/출력된 정보를 포함할 수 있다.
사전 정보 수집부(110)는 이동형 로봇, 라이다(Lidar) 센서 및 온도, 습도, 압력 센서 등을 포함하는 장치(211, connector)를 통해 사전 정보를 수집할 수 있다. 예를 들어, 사전 정보 수집부(110)는 이동형 로봇 또는 라이다 센서를 이용하여 건물에 대한 실내공간 정보를 실시간으로 수집할 수 있다.
사전 정보 수집부(110)는 수집된 데이터를 전처리(212)할 수 있다. 예를 들어, 사전 정보 수집부(110)는 수집된 데이터에 이상 여부를 체크하거나 보간 처리할 수 있다. 또한, 사전 정보 수집부(110)는 수집된 데이터에 대한 필터링을 수행하고 정규화 처리할 수 있다. 사전 정보 수집부(110)는 전처리된 데이터를 조건 정보 추출부(120)에 전달할 수 있다.
본 발명의 일 실시예에 따른 조건 정보 추출부(120)는 오염물질의 경로 예측을 위한 요청에 기초하여 의미적 데이터 모델을 이용하여 요청에 대응하는 조건 정보를 추출할 수 있다. 예를 들어, 조건 정보 추출부(120)는 대상 공간 및 대상 서비스(예컨대 기류 해석)를 의미적 데이터 모델에 입력하여 조건 정보를 자동으로 추출할 수 있다. 여기서, 의미적 데이터 모델은 건물형상 정보, 실내공간 정보, 시스템 정보 및 센싱 정보 등과 같은 공간적, 물리적 정보를 포함할 수 있다. 의미적 데이터 모델은 관리자로부터 입력된 대상 공간 및 대상 서비스에 대한 의미를 분석하여, 분석 결과에 대응하는 조건 정보를 사전 정보로부터 추출할 수 있다.
도 3은 본 발명의 일 실시예에 따른 조건 정보 추출부를 설명하기 위한 예시적인 도면이다. 도 3을 참조하면, 조건 정보 추출부(120)는 의미적 데이터 모델을 이용하여 건물형상 정보를 시뮬레이터에 맵핑하는 설계 포맷 모듈(321), 건물에 대한 실내공간 정보를 시뮬레이터에 맵핑하는 실내공간 모듈(322), 건물로부터 수집된 시스템 정보를 시뮬레이터에 맵핑하는 시스템 모듈(323) 및 건물로부터 수집된 센싱 정보를 시뮬레이터에 맵핑하는 센싱 모듈(324)을 포함할 수 있다.
조건 정보 추출부(120)는 설계 포맷 모듈(321), 실내공간 모듈(322), 시스템 모듈(323) 및 센싱 모듈(324) 중 적어도 하나로부터 조건 정보를 추출하고, 추출된 조건 정보를 시뮬레이터에 자동 맵핑할 수 있다.
예를 들어, 설계 포맷 모듈(321)은 BIM(Building Information Modeling) 설계 표준 포맷(IFC, gbXML 등)의 서브 스키마 중 공간, 구역, 구조체(예컨대, 벽, 지붕, 바닥 등) 및 개구부(예컨대, 창문, 방문 등) 각각의 좌표 정보를 이용하여 시뮬레이터의 형상 좌표에 조건 정보를 맵핑할 수 있다. 또한, 설계 포맷 모듈(321)은 BIM 설계 표준 포맷에 제공 가능한 기하학 구조에 대한 서브 스키마 정보를 추출하여 시뮬레이터에 조건 정보로서 맵핑할 수 있다. 여기서, 형상 좌표는 건물 또는 시스템을 절대 또는 상대 좌표로 표현한 데이터 모델의 물리적 위치정보로서, 카르테시안포인트(CartesianPoint) 내의 정보에 X, Y, Z 좌표를 의미할 수 있다. 또한, 스키마 정보는 BIM 표준 포맷의 데이터 정보 모델로서, 오염물질의 경로 예측을 위한 요청에서 필요한 일부 영역의 정보일 수 있다.
예를 들어, 실내공간 모듈(322)은 이동형 로봇 또는 3D 라이다 센서를 통해 수집된 구조체에 대한 정보를 추출하여 이를 시뮬레이터에 맵핑할 수 있다. 실내공간 모듈(322)은 설계 포맷 모듈(321)에서 제공하지 못하는 건물에 대한 정보로서, 일 예로, 건물 설계 이후 변경된 물리적 공간(예컨대, 가벽, 책상, 의자 및 기타 기기 등)에 대한 정보를 제공할 수 있다.
예를 들어, 시스템 정보 중 고정형 시스템에 대한 정보는 BIM 설계 표준 포맷의 서브 스키마에 포함된 위치 정보를 통해 시뮬레이터에 맵핑될 수 있고, 이동형 시스템에 대한 정보는 이동형 로봇 또는 3D 라이다 센서를 통해 수집된 정보를 통해 시뮬레이터에 맵핑할 수 있다. 여기서, 고정형 시스템은 기계설비 시스템(예컨대, 냉난방 공조 시스템, 조명, 환기 시스템)과 같이 이동이 안 되는 시스템을 의미하며, 이동형 시스템은 이동 가능한 공기 청정기, 재실자(오염 발생원) 등을 의미할 수 있다.
예를 들어, 센싱 모듈(324)은 BAS(Building Automation System)에서 수집된 정보를 시뮬레이터에 맵핑하여, 시뮬레이터가 기류장, 온도장 및 압력장이 산출되도록 할 수 있다.
또한, 센싱 모듈(324)은 이동형 로봇 또는 3D 라이다 센서를 통해 재실자의 행동 패턴에 대한 정보를 수집하고, 이를 시뮬레이터에 맵핑할 수 있다.
다시 도 2를 참조하면, 본 발명의 일 실시예에 따른 시뮬레이터부(130)는 사전 정보에 조건 정보를 적용하여 오염물질의 경로 예측을 위한 시뮬레이터를 모델링할 수 있다. 예를 들어, 시뮬레이터부(130)는 설계 포맷 모듈, 실내공간 모듈, 시스템 모듈 및 센싱 모듈을 통해 추출된 정보가 맵핑된 시뮬레이터를 모델링할 수 있다.
시뮬레이터부(130)는 시뮬레이터를 통해 기류해석을 수행할 수 있다. 예를 들어, 시뮬레이터부(130)는 모델링된 시뮬레이터를 통해 대상 공간의 기류장, 온도장 및 압력장을 포함하는 기류를 해석할 수 있고, 오염물질의 발생 경로를 분석할 수 있다.
또한, 시뮬레이터부(130)는 센싱 정보로서 실시간 기류, 실시간 온도 및 실시간 압력에 기초하여 시뮬레이터를 실시간으로 보정할 수 있다. 예를 들어, 시뮬레이터부(130)는 실시간으로 수집된 기류, 온도 및 압력에 대한 센싱 정보를 이용하여 모델링된 시뮬레이터에 대한 실시간 보정 작업을 수행할 수 있다. 이 때, 시뮬레이터의 결과, 즉, 기류해석에 의해 분석된 기류, 온도 및 압력에 대한 이미지는 데이터베이스(213)에 저장될 수 있다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 경로 예측부(140)는 기류해석에 의해 분석된 기류, 온도 및 압력 중 적어도 하나에 대한 이미지를 제 1 딥러닝 모델에 입력하여 오염물질의 경로를 예측할 수 있다.
예를 들어, 경로 예측부(140)는 제 1 딥러닝 모델을 이용하여 수집된 과거 및 현재 시뮬레이터의 결과(기류장, 온도장 및 압력장)를 분석하여 미래 오염물질의 경로를 예측할 수 있다. 제 1 딥러닝 모델은 기류해석을 위한 시뮬레이터의 대리 모델로서, 시뮬레이터의 연산 시간 문제를 해결하고 미래에 대한 예측 정보를 제공할 수 있다. 예를 들어, 제 1 딥러닝 모델은 DCNN(Deep Convolutional Neural Network) 알고리즘을 활용할 수 있다.
경로 예측부(140)는 학습부(141)를 더 포함할 수 있다. 학습부(141)는 군집분석을 통해 대상건물과 유사한 유사건물을 도출하고, 유사건물에서 수집된 데이터에 기초하여 기학습된 제 2 딥러닝 모델을 이용하여 제 1 딥러닝 모델을 전이 학습시킬 수 있다. 예를 들어, 학습부(141)는 군집분석을 통해 유사건물에서 수집된 데이터를 이용하여 제 2 딥러닝 모델을 사전에 생성할 수 있다.
도 4는 본 발명의 일 실시예에 따른 전이 학습을 설명하기 위한 예시적인 도면이다. 전이 학습은 기존에 학습된 딥러닝 모델(410)을 재사용하는 것으로, 특정 도메인 영역에서 학습된 딥러닝 모델(410)을 특정 도메인과 일부의 특징을 공유하는 다른 도메인 영역으로 확장할 수 있다. 예를 들어, 야구와 골프는 배트 또는 골프채를 이용하여 공을 멀리 보내는 공통점을 공유하고 있다. 따라서, 야구 영역에서 학습된 딥러닝 모델(410)을 전이 학습하여 골프 영역에서 재사용(A)할 수 있다.
구체적으로, 야구 영역에서 학습된 딥러닝 모델(410)의 히든 레이어(Hidden Layer 1, 2, 3)를 재사용(A)하여, 골프 영역에서 사용될 딥러닝 모델(420)의 특정 레이어(Hidden Layer 1, 2)의 가중치를 고정(C)시키거나, 특정 레이어(Hidden Layer 3, 4)의 학습을 진행(B)하여 전이 학습할 수 있다.
다시 도 1 및 도 2를 참조하면, 본 발명의 일 실시예에 따른 오염물질 제거부(150)는 예측된 오염물질의 경로에 기초하여 오염물질을 제거하기 위한 제어 방안을 도출할 수 있다. 예를 들어, 오염물질 제거부(150)는 제 1 딥러닝 모델과 최적화 알고리즘을 연동하여 오염물질을 제거하기 위한 제어 방안을 실시간으로 도출할 수 있다.
여기서, 제어 방안은 개구부를 통한 환기, 환기 시스템 동작, 공조 시스템 동작 및 이동형 로봇의 최적 경로를 도출하여 로봇에 의한 오염물질의 제거 등이 포함될 수 있다.
오염물질 제거부(150)는 생성된 제어 방안을 실시간으로 관련 시스템에 전달하여, 오염물질의 제거를 실행할 수 있다. 예를 들어, 관리자는 대상 공간의 실내에 부착된 HMD(Head Mounted Display) 시스템이나 개인 웹 화면을 통해 기류해석에 대한 결과 및 제어 방안을 VR(Virtual Reality), AR(Augmented Reality) 또는 MR(Mixed Reality)을 통해 실시간으로 확인할 수 있다.
도 5는 본 발명의 일 실시예에 따른 오염물질경로 예측 방법의 순서도이다. 도 5에 도시된 오염물질경로 예측 방법은 도 1 내지 도 4에 도시된 실시예에 따라 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 1 내지 도 4에 도시된 실시예에 따른 오염물질경로 예측 장치에서 기류해석 시뮬레이터를 이용하여 오염물질의 경로를 예측하는 방법에도 적용된다.
단계 S510에서 오염물질경로 예측 장치(100)는 건물형상 정보, 실내공간 정보, 시스템 정보 및 센싱 정보 중 적어도 하나를 포함하는 사전 정보를 수집할 수 있다.
단계 S520에서 오염물질경로 예측 장치(100)는 오염물질의 경로 예측을 위한 요청에 기초하여 의미적(semantic) 데이터 모델을 이용하여 요청에 대응하는 조건 정보를 추출할 수 있다.
단계 S530에서 오염물질경로 예측 장치(100)는 사전 정보에 조건 정보를 적용하여 오염물질의 경로 예측을 위한 시뮬레이터를 모델링하고, 시뮬레이터를 통해 기류해석을 수행할 수 있다.
단계 S540에서 오염물질경로 예측 장치(100)는 기류해석에 의해 분석된 기류, 온도 및 압력 중 적어도 하나에 대한 이미지를 제 1 딥러닝 모델에 입력하여 오염물질의 경로를 예측할 수 있다.
상술한 설명에서, 단계 S510 내지 S540는 본 발명의 구현 예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 전환될 수도 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 오염물질경로 예측 장치
110: 사전 정보 수집부
120: 조건 정보 추출부
130: 시뮬레이터부
140: 경로 예측부
150: 오염물질 제거부
110: 사전 정보 수집부
120: 조건 정보 추출부
130: 시뮬레이터부
140: 경로 예측부
150: 오염물질 제거부
Claims (5)
- 기류해석 시뮬레이터를 이용한 오염물질의 경로를 예측하는 장치에 있어서,
건물형상 정보, 실내공간 정보, 시스템 정보 및 센싱 정보 중 적어도 하나를 포함하는 사전 정보를 수집하는 사전 정보 수집부;
오염물질의 경로 예측을 위한 요청에 기초하여 의미적(semantic) 데이터 모델을 이용하여 상기 요청에 대응하는 조건 정보를 추출하는 조건 정보 추출부;
상기 사전 정보에 상기 조건 정보를 적용하여 상기 오염물질의 경로 예측을 위한 시뮬레이터를 모델링하고, 상기 시뮬레이터를 통해 기류해석을 수행하는 시뮬레이터부; 및
상기 기류해석에 의해 분석된 기류, 온도 및 압력 중 적어도 하나에 대한 이미지를 제 1 딥러닝 모델에 입력하여 상기 오염물질의 경로를 예측하는 경로 예측부를 포함하는, 오염물질경로 예측 장치.
- 제 1 항에 있어서,
상기 시뮬레이터부는,
상기 센싱 정보로서 실시간 기류, 실시간 온도 및 실시간 압력에 기초하여 상기 시뮬레이터를 실시간으로 보정하는 것인, 오염물질경로 예측 장치.
- 제 1 항에 있어서,
상기 경로 예측부는,
군집분석을 통해 대상건물과 유사한 유사건물을 도출하고, 상기 유사건물에서 수집된 데이터에 기초하여 기학습된 제 2 딥러닝 모델을 이용하여 상기 제 1 딥러닝 모델에 전이 학습시키는 학습부
를 더 포함하는 것인, 오염물질경로 예측 장치.
- 제 1 항에 있어서,
상기 예측된 오염물질의 경로에 기초하여 상기 오염물질을 제거하기 위한 제어 방안을 도출하는 오염물질 제거부
를 더 포함하는 것인, 오염물질경로 예측 장치.
- 제 1 항에 있어서,
상기 조건 정보 추출부는,
상기 의미적 데이터 모델을 이용하여, 상기 건물형상 정보를 추출하는 설계 포맷 모델, 상기 건물에 대한 실내공간 정보를 추출하는 실내공간 모듈, 상기 건물로부터 수집된 시스템 정보를 추출하는 시스템 모듈 및 상기 건물로부터 수집된 센싱 정보를 추출하는 센싱 모듈 중 적어도 하나로부터 추출된 조건 정보를 상기 시뮬레이터에 맵핑하는 것인, 오염물질 경로 예측 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210056348A KR20220149123A (ko) | 2021-04-30 | 2021-04-30 | 오염물질경로 예측 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210056348A KR20220149123A (ko) | 2021-04-30 | 2021-04-30 | 오염물질경로 예측 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220149123A true KR20220149123A (ko) | 2022-11-08 |
Family
ID=84041462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210056348A KR20220149123A (ko) | 2021-04-30 | 2021-04-30 | 오염물질경로 예측 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220149123A (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101763495B1 (ko) | 2015-12-31 | 2017-08-03 | 한국국토정보공사 | 지하 공간 정보를 이용한 종합 관리 시스템 |
| KR102189254B1 (ko) | 2019-12-19 | 2020-12-09 | 서울대학교산학협력단 | Gis 기반 불규칙 하천 지형 특성 분석을 통한 오염물질 추적 및 역추적 정보제공 방법 |
-
2021
- 2021-04-30 KR KR1020210056348A patent/KR20220149123A/ko unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101763495B1 (ko) | 2015-12-31 | 2017-08-03 | 한국국토정보공사 | 지하 공간 정보를 이용한 종합 관리 시스템 |
| KR102189254B1 (ko) | 2019-12-19 | 2020-12-09 | 서울대학교산학협력단 | Gis 기반 불규칙 하천 지형 특성 분석을 통한 오염물질 추적 및 역추적 정보제공 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Salimi et al. | Critical review and research roadmap of office building energy management based on occupancy monitoring | |
| US20220197231A1 (en) | Computing system for virtual sensor implementation using digital twin and method for realtime data collection thereof | |
| Yang et al. | A systematic approach to occupancy modeling in ambient sensor-rich buildings | |
| Wang et al. | Data acquisition for urban building energy modeling: A review | |
| CN110737989A (zh) | 一种平行智能应急协同方法、系统及电子装备 | |
| Malkawi et al. | Predicting thermal and energy performance of mixed-mode ventilation using an integrated simulation approach | |
| Sidek et al. | A review of data fusion models and systems | |
| Altahir et al. | Optimizing visual surveillance sensor coverage using dynamic programming | |
| CN115775085B (zh) | 一种基于数字孪生的智慧城市管理方法及系统 | |
| Lu et al. | Dynamic hvac operations with real-time vision-based occupant recognition system | |
| Wei et al. | A coupled deep learning-based internal heat gains detection and prediction method for energy-efficient office building operation | |
| KR20230116105A (ko) | 에너지 다소비 건물의 에너지 관리 및 최적화를 지원하는 디지털 트윈 플랫폼 | |
| US10474768B2 (en) | Sensor-based facility energy modeling | |
| Alhamed et al. | Building construction based on video surveillance and deep reinforcement learning using smart grid power system | |
| US20240053220A1 (en) | Defect location estimation system, method of estimating defect location, and non-transitory storage medium | |
| Lin et al. | Hybrid approach for digital twins in the built environment | |
| Habib et al. | Automatic occupancy prediction using unsupervised learning in buildings data | |
| Maatoug et al. | A location-based fog computing optimization of energy management in smart buildings: DEVS modeling and design of connected objects | |
| KR20220149123A (ko) | 오염물질경로 예측 장치 | |
| Tse et al. | Modelling and visualizing people flow in smart buildings: A case study in a university campus | |
| CN115049216B (zh) | 一种噪声处理方法及系统 | |
| Giovanardi et al. | IoT in building process: a literature review | |
| KR102640497B1 (ko) | 경량화된 3차원 모델링 데이터의 공간정보 설정 및 영상 관제 장치 | |
| KR102495864B1 (ko) | 디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램 | |
| Sangogboye | Data-driven methods for occupant sensing and privacy protection:(with applications to enable smart and energy efficient buildings). |