KR20230095194A - 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법 - Google Patents

인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법 Download PDF

Info

Publication number
KR20230095194A
KR20230095194A KR1020210184416A KR20210184416A KR20230095194A KR 20230095194 A KR20230095194 A KR 20230095194A KR 1020210184416 A KR1020210184416 A KR 1020210184416A KR 20210184416 A KR20210184416 A KR 20210184416A KR 20230095194 A KR20230095194 A KR 20230095194A
Authority
KR
South Korea
Prior art keywords
fire
artificial neural
neural network
output
evacuation
Prior art date
Application number
KR1020210184416A
Other languages
English (en)
Inventor
김강수
할리오나 다르한바트
허인욱
Original Assignee
서울시립대학교 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 서울시립대학교 산학협력단 filed Critical 서울시립대학교 산학협력단
Priority to KR1020210184416A priority Critical patent/KR20230095194A/ko
Publication of KR20230095194A publication Critical patent/KR20230095194A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

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

Abstract

본 발명은 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법에 관한 것으로서, 더욱 상세하게는 일반적인 복합건축물에 대한 화재시뮬레이션 결과를 기반으로 데이터베이스를 구축하고 이를 인공신경망에 적용하여 피난허용시간을 추정하도록 하는 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법에 관한 것이다.
본 발명의 바람직한 일 실시예는 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법에 있어서, (a) 주요 변수는 연료(fuel)의 종류와 화원의 위치로 설정하여 복합 건축물의 화재시나리오에 대한 시뮬레이션을 수행하고 결과에 대한 데이터베이스를 구축하는 단계; (b) 온도(Temperature), 가시거리(Visibility), 산소(O2), 이산화탄소(CO2) 및 일산화탄소(CO)의 농도를 포함하여 인공신경망의 입력층의 입력변수로 설정하는 단계; (c) 인공신경망 입력층에 입력된 입력변수를 바탕으로 활성함수(f 1)를 사용하여 계산하여 입력층에서 인공신경망의 은닉층으로 전달하도록 하는 단계; (d) 인공신경망의 은닉층에서 출력층으로 활성함수(f 2)를 적용하여 계산하여 출력층에서 정규화된 출력값(t n)을 출력하도록 하는 단계;를 포함하여 이루어져, 주어진 데이터베이스를 바탕으로 인공신경망에서 학습시켜 출력값을 출력하도록 하여 이루어진다.

Description

인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법{Available Safe Egress Time Estimation Method for Multiplex Buildings using Artificial Neural Networks}
본 발명은 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법에 관한 것으로서, 더욱 상세하게는 일반적인 복합건축물에 대한 화재시뮬레이션 결과를 기반으로 데이터베이스를 구축하고 이를 인공신경망에 적용하여 피난허용시간을 추정하도록 하는 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법에 관한 것이다.
복합건축물에서 화재가 발생하는 경우에는 피난방향과 연기 및 화염의 진행방향이 일치하여 인명피해가 크게 발생하는 문제점이 있었다.
건축물에서 화재 시 생성되는 연기로 인하여 재실자의 가시거리는 급격히 감소되며, 이는 곧 재실자의 보행속도 감소 및 피난시간의 증가로 이어져 인명피해가 크게 발생하고 있기 때문에, 성능기반 피난설계를 위해서는 건축물 별로 복잡한 화재 및 피난 시뮬레이션을 수행해야만 하며 이는 수많은 인력과 시간이 소요된다는 단점이 있었다.
따라서, 대형 복합건축물의 성능기반 피난설계를 위하여 신속하며 합리적인 피난허용시간 추정방법이 요구되고 있다.
본 발명의 배경이 되는 기술로는 특허등록 제1471643호 "3차원 공간 기반의 화재 피난 시뮬레이션 시스템 및 시뮬레이션 방법"(특허문헌 1)이 있다. 상기 배경기술에서는 '가상 공간 내에 아바타를 배치시켜 화재 발생에 따른 피난 이동 및 피난 결과를 예측하기 위한 화재 피난 시뮬레이션 시스템에 있어서, 상기 아바타에 대한 데이터를 포함하는 아바타 모듈; 상기 가상 공간을 저작하여 공간 토폴로지를 형성하고, 상기 가상 공간에 대한 공간 데이터를 포함하는 공간 모듈; 상기 가상 공간에서 발생하는 화재에 의한 시뮬레이션 결과를 포함하는 화재 모듈; 상기 아바타가 공간에서 이동하는 방법에 대한 데이터를 포함하는 피난모듈;및 상기 모듈들과 연결되고, 상기 모듈들에 의한 결과에 기초하여 화재 피난 시뮬레이션을 실시하여 시뮬레이션 결과를 도출하는 플랫폼을 포함하는 3차원 공간 기반의 화재 피난 시뮬레이션 시스템'을 제안하여 화재 시뮬레이션 오픈 플랫폼을 제공하고, 국내 실정에 부합하는 피난 시뮬레이션의 구현이 가능하며, 3차원 공간정보를 통해 통합적이고 가시적인 피난 시뮬레이션 상태를 확인할 수 있도록 한다.
그러나 상기 배경기술은 시뮬레이션 방법이 복잡하고 실시간으로 피난허용시간을 추정할 수 없는 문제점이 있었다.
특허등록 제1471643호 "3차원 공간 기반의 화재 피난 시뮬레이션 시스템 및 시뮬레이션 방법"
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로, 복잡한 화재 및 피난 시뮬레이션을 생략할 수 있도록 할 수 있으며, 현장에서 계측된 데이터를 바탕으로 유독가스 및 온도 값을 입력만 하면 데이터베이스에 근거하여 실시간으로 피난허용시간을 추정할 수 있도록 하는 복합건축물의 화재 피난허용시간 추정 방법을 제공하는데 그 목적이 있다.
본 발명은 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법에 있어서, (a) 주요 변수는 연료(fuel)의 종류와 화원의 위치로 설정하여 복합 건축물의 화재시나리오에 대한 시뮬레이션을 수행하고 결과에 대한 데이터베이스를 구축하는 단계; (b) 온도(Temperature), 가시거리(Visibility), 산소(O2), 이산화탄소(CO2) 및 일산화탄소(CO)의 농도를 포함하여 인공신경망의 입력층의 입력변수로 설정하는 단계; (c) 인공신경망 입력층에 입력된 입력변수를 바탕으로 활성함수(f 1)를 사용하여 계산하여 입력층에서 인공신경망의 은닉층으로 전달하도록 하는 단계; (d) 인공신경망의 은닉층에서 출력층으로 활성함수(f 2)를 적용하여 계산하여 출력층에서 정규화된 출력값(t n)을 출력하도록 하는 단계;를 포함하여 이루어져, 주어진 데이터베이스를 바탕으로 인공신경망에서 학습시켜 출력값을 출력하도록 하며, 출력값(t n)은 다음과 같은 식
Figure pat00001
(여기서, x n : 정규화된 입력값, t n : 정규화된 출력값, W1 : 입력값과 은닉측 간의 가중치, W2 : 은닉층과 출력층의 가중치, b 1 : 입력값과 은닉측 간의 역치값, b 2 : 은닉층과 출력층의 역치값, f 1 : 은닉층의 활성함수, f 2 : 출력층의 할성함수)으로 출력되는 것을 특징으로 하는 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법을 제공하고자 한다.
또한, (a) 단계에서, 복합 건축물의 화재에 대한 변수 고려시 화재실과 비화재실로 따로 분류하고, 비화재실의 경우 화원으로부터의 거리의 범위에 따라 복수의 그룹으로 분류하도록 하는 것을 특징으로 하는 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법을 제공하고자 한다.
또한, (c) 단계에서, 피난허용시간(t)은 t = t min +t n(t max -t min ) (여기서, t max : 인공신경망 학습에 사용된 출력값의 최대값, t min : 인공신경망 학습에 사용된 출력값의 최소값) 인 것을 특징으로 하는 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법을 제공하고자 한다.
또한, 비화재실의 경우 화원으로부터의 거리의 범위를 그룹 1: 1 m - 15 m, 그룹 2: 16 m - 25 m, 그룹 3: 26 m - 50 m 로 분류하는 것을 특징으로 하는 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법을 제공하고자 한다.
또한, 은닉층의 활성함수
Figure pat00002
인 것을 특징으로 하는 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법을 제공하고자 한다.
본 발명의 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법은 일반적인 복합건축물을 대상으로 다양한 시나리오에 대한 화재 시뮬레이션을 수행하고 데이터베이스를 구축하였으며 데이터베이스와 인공신경망을 활용하여 화재 시 복합건축물의 피난허용시간을 추정할 수 있도록 하여, 기존의 피난허용시간 평가방법과 달리 복잡한 화재 및 피난 시뮬레이션을 생략할 수 있도록 할 수 있으며, 특히 본 발명은 현장에서 계측된 데이터를 바탕으로 유독가스 및 온도 값을 입력만 하면 데이터베이스에 근거하여 실시간으로 피난허용시간을 추정할 수 있도록 하는 매우 유용한 효과가 있다.
본 명세서에서 첨부되는 다음의 도면들은 본 발명의 바람직한 실시 예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 첨부한 도면에 기재된 사항에만 한정되어서 해석되어서는 아니 된다.
도 1은 본 발명의 복합건축물의 화재 피난허용시간 추정 방법에 대한 흐름도이다.
도 2는 복합건축물의 화재시뮬레이션 결과에 기반한 데이터베이스 구축 과정을 도시한 도이다.
도 3은 인공신경망 학습을 위한 데이터베이스의 정규화 및 분류 과정을 도시한 도이다.
도 4는 복합건축물의 대한 인공신경망 모델 구성을 도시한 도이다.
도 5는 인공신경망 모델의 입력층과 은닉층간의 계산 과정을 도시한 도이다.
도 6은 인공신경망 모델의 은닉층과 출략층간의 계산 과정을 도시한 도이다.
도 7은 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 알고리즘의 화재실에 대한 입력과정을 도시한 도이다.
도 8은 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 알고리즘의 화재실에 대한 평가결과를 도시한 도이다.
도 9는 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 알고리즘의 비화재실에 대한 입력과정을 도시한 도이다.
도 10은 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 알고리즘의 비화재실에 대한 평가결과를 도시한 도이다.
아래에서 본 발명은 첨부된 도면에 제시된 실시 예를 참조하여 상세하게 설명이 되지만 제시된 실시 예는 본 발명의 명확한 이해를 위한 예시적인 것으로 본 발명은 이에 제한되지 않는다.
이하 바람직한 실시예에 따라 본 발명의 기술적 구성을 상세히 설명하면 다음과 같다.
도 1은 본 발명의 복합건축물의 화재 피난허용시간 추정 방법에 대한 흐름도이다.
도 1에서와 같이, 본 발명의 복합건축물의 화재 피난허용시간 추정 방법은 먼저, 1 단계로 화재시뮬레이션 수행 및 피난가능시간 평가하고, 화재시뮬레이션 데이터베이스 구축한 뒤, 2 단계로 인공지능 기반 피난가능시간 예측 알고리즘 개발하여, 3단계로 개발된 인공지능 알고리즘의 검증을 하도록 한다.
도 2는 복합건축물의 화재시뮬레이션 결과에 기반한 데이터베이스 구축 과정을 도시한 도이다.
도 2 및 표 1에서와 같이, 데이터베이스의 구축을 위해 Fire Dynamics Simulator (FDS) 를 활용하여 전형적인 복합 건축물의 총 60개의 화재시나리오에 대한 시뮬레이션을 수행하였으며, 시뮬레이션의 주요 변수는 연료(fuel)의 종류와 화원의 위치로 설정하였다.
Figure pat00003
연료는 총 5가지(Ethanol, Kerosene, Polystyrene, Polyurethane foams, Wood (red oak))의 종류, 화원의 위치는 12개의 구획으로 계획하였으며, 각 시나리오별로 화재실 및 비화재실의 온도(Temperature), 가시거리(Visibility), 산소(O2), 이산화탄소(CO2) 및 일산화탄소(CO)의 농도를 측정하여 데이터베이스를 구축한다.
본 발명에서는 Fire Dynamics Simulator (FDS) 를 활용하여 전형적인 복합 건축물의 총 60개의 화재시나리오에 대한 복합건축물에 대한 화재 시뮬레이션을 수행하였다.
표 1에서와 같이 화재 시나리오의 주요 변수로는 연료(fuel)의 종류와 화원의 위치로 설정하였다.
연료는 상업용 건축물 내 가연물의 종류를 고려하여 Ethanol, Kerosene, Polystyrene, Polyurethane foams, Wood (red oak) 로 계획하였으며, 화원의 위치는 도 2에서와 같이, 12개의 구획으로 계획하였으며, 각 시나리오별로 화재실 및 비화재실의 온도(Temperature), 가시거리(Visibility), 산소(O2), 이산화탄소(CO2) 및 일산화탄소(CO)의 농도를 측정하여 데이터베이스를 구축하였다.
본 발명에서 수행한 화재 시뮬레이션에서는 화재성장을 중간(Medium)으로 설정하였으며, 환기조건은 자연환기 상태를 가정하고, 1m 의 간격으로 측정장치리 배치하며, 측정장치는 인명안전기준에 따라 바닥에서 1.8m의 높이에 설치하였으며, 화재실 및 비화재실의 온도(Temperature), 가시거리(Visibility), 산소(O2), 이산화탄소(CO2) 및 일산화탄소(CO)의 농도를 측정하였다.
화재 시뮬레이션 결과에 대한 데이터베이스 구축은 화재실과 비화재실로 나누어 수행하였다.
도 3은 인공신경망 학습을 위한 데이터베이스의 정규화 및 분류 과정을 도시한 도이고, 도 4는 복합건축물의 대한 인공신경망 모델 구성을 도시한 도이다.
도 3에서와 같이, 데이터베이스는 인공신경망 학습을 위해 화재실 및 비화재실로 그룹을 분류하였으며, NFPA(National Fire Protection Association)의 인명안전 기준에 따라 정규화하였고, 또한, 비화재실의 경우에는 화원으로부터의 거리에 따라 3가지 데이터베이스 그룹으로 분류하였다.(그룹 1: 1 m - 15 m, 그룹 2: 16 m - 25 m, 그룹 3: 26 m - 50 m).
인공신경망은 데이터베이스를 기반으로 입력변수와 출력변수 간의 복잡한 비선형 관계를 규명하는 데에 활용할 수 있다.
인공신경망 모델에는 뉴런이라는 정보처리 인자가 존재하며, 뉴런은 입력변수와 출력변수 간 관계의 강도를 나타내는 서로 다른 가중치(weight)로 연결되어 있다. 학습(training)은 가중치 값을 계속적으로 수정하여 오차를 최소화시키는 단계를 의미하며, 인공신경망에서 가중치 값을 계속적으로 수정하여 오차를 최소화시키도록 학습시켜 출력값을 출력하도록 한다.
인공신경망 모델은 입력층(input layer), 은닉층(hidden layer) 및 출력층(output layer)으로 구성되며, 가중치는 각 뉴런에 따라 다르게 적용되며, 역치(bias)는 은닉층과 출력층의 뉴런에만 적용된다.
본 발명에서는 입력층에서 은닉층으로의 전달을 위한 활성화 함수로써 Hyperbolic tangent sigmoid 활성함수를 사용하며, 출력층에서는 Pure Linear 활성함수를 적용하였다.
인공신경망 학습은 화재실과 비화재실로 나누어 수행하였으며, 입력변수로써 피난허용시간 평가에 필수적인 영향인자를 모두 고려하도록 한다.
화재실에 대한 인공신경망 모델의 경우에는 입력층은 온도(Temperature), 가시거리(Visibility), 산소(O2), 이산화탄소(CO2) 및 일산화탄소(CO)를 고려하여 총6개, 은닉층은 5개, 출력층은 피난허용시간으로 구성하였다.
비화재실에 대한 인공신경망 모델의 경우에는 추가적으로 화원으로부터의 거리를 고려하여 총 7개의 입력층으로 구성하였다.
상술한 단계에서 구축된 데이터베이스에서 인공신경망 모델의 학습(training), 검증(validation) 및 확인(test)에 각각 70%, 15% 및 15% 의 데이터가 사용되었으며, 이 과정에서 데이터는 무작위로 선택되었다.
출력값(t n)은 제안한 알고리즘에 기반하여 다음과 같은 함수로 표현할 수 있다.
Figure pat00004
---식(1)
(여기서, x n : 정규화된 입력값
t n : 정규화된 출력값
W1 : 입력값과 은닉측 간의 가중치
W2 : 은닉층과 출력층의 가중치
b 1 : 입력값과 은닉측 간의 역치값
b 2 : 은닉층과 출력층의 역치값
f 1 : 은닉층의 활성함수
f 2 : 출력층의 할성함수)
으로 출력된다.
도 5는 인공신경망 모델의 입력층과 은닉층간의 계산 과정을 도시한 도이다.
도 5에서와 같이, 인공신경망 모델의 학습(training), 검증(validation) 및 확인(test)에 각각 70%, 15% 및 15% 의 데이터가 사용되었으며, 이 과정에서 데이터는 무작위로 선택되었다. 계산 과정은 다음과 같다.
식(1)에서의 ①, ②, ③, ④의 순서로 계산을 하며,
① (1-(abs(2 x ([x n]-1))))
② [W1] x ①
③ ②+b 1
④
Figure pat00005
입력층에서 은닉층으로 전달을 위한 활성화 함수로써 ④에서와 같이, Hyperbolic tangent sigmoid 활성함수를 사용하였다.
활성화 함수는 일정 값을 넘어서면 1, 그 이하는 0 값을 출력하기 위해 시그모이드 함수를 사용하며, 모든 실수값을 0과 1사이의 값으로 변환시킨다.
입력값 x와 각각의 입력값에 대한 가중치(weight) 세타값(θ)으로 계산된 결과를 시그모이드 함수에 입력하여 0과 1사이의 값으로 바꾸며, 보통 0.5를 기준으로 0.5 미만은 0, 0.5이상은 1에 대응되도록 하여 활성화 함수(Activation Function)로 사용한다.
도 6은 인공신경망 모델의 은닉층과 출략층간의 계산 과정을 도시한 도이다.
도 6에서와 같이, 출력층에서는 Pure linear 활성함수를 적용하였으며 계산 과정은 다음과 같이 식(1)에서의 ⑤, ⑥, ⑦의 순서로 계산하도록 한다.
최종적으로 정규화된 출력값이 t n 으로써 나타나게 되며, 피난허용시간은 t로 나타나도록 하였다.
⑤ [W2] x ④ + [b 2]
⑥ t n = (1 + ⑤)/2
⑦ t = t min +t n(t max -t min )
(여기서, t max : 인공신경망 학습에 사용된 출력값의 최대값
t min : 인공신경망 학습에 사용된 출력값의 최소값)
도 7은 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 알고리즘의 화재실에 대한 입력과정을 도시한 도이며, 도 8은 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 알고리즘의 화재실에 대한 평가결과를 도시한 도이고, 도 9는 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 알고리즘의 비화재실에 대한 입력과정을 도시한 도이며, 도 10은 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 알고리즘의 비화재실에 대한 평가결과를 도시한 도이다.
도 4에 나타낸 피난허용시간 추정 알고리즘을 도 7에 나타낸 바와 같이 엑셀 프로그램을 활용하여 구동이 가능하도록 하였으며, 이 알고리즘은 복합건축물에서의 화재 시 화재실에 대한 온도, 일신화탄소, 이산화탄소, 화재 발생 후 시간, 산소 및 가시거리 수치를 입력하면(①) 앞서 제안된 인공신경망 모델을 기반으로 피난허용시간 추정결과(②)가 제시되도록 구성되어 있다.
화재실에 대한 피난허용시간 추정은 도 8에 나타낸바와 같이 도 7에 입력된 수치를 (①) 정규화시크며 (②), 이미 학습된 결과인 가중치 및 역치(③)를 활용하여 도 4에서 나타낸 출력값을 ⑤와 같이 추정하도록 구성되어 있다.
도 9에서와 같이, 비화재실인 경우에는 입력 변수로 화원으로 부터 거리를 추가하여 총 7개의 입력값을 기입하면(①) 앞서 제안된 인공신경망 모델을 기반으로 피난허용시간 추정결과(②)가 제시되도록 구성되어 있다.
비화재실에 대한 피난허용시간 추정은 도 10에 나타낸바와 같이 도 9에 입력된 수치를 (①) 정규화시키며 (②), 이미 학습된 결과인 가중치 및 역치(③)를 활용하여 도 4에서 나타낸 출력값을 ⑤와 같이 추정하도록 구성되어 있다.
본 발명의 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법은 일반적인 복합건축물을 대상으로 다양한 시나리오에 대한 화재 시뮬레이션을 수행하고 데이터베이스를 구축하였으며 데이터베이스와 인공신경망을 활용하여 화재 시 복합건축물의 피난허용시간을 추정할 수 있도록 하여, 기존의 피난허용시간 평가방법과 달리 복잡한 화재 및 피난 시뮬레이션을 생략할 수 있도록 할 수 있으며, 특히 본 발명은 현장에서 계측된 데이터를 바탕으로 유독가스 및 온도 값을 입력만 하면 데이터베이스에 근거하여 실시간으로 피난허용시간을 추정할 수 있도록 하는 매우 유용한 효과가 있다.
지금까지 본 발명은 제시된 실시 예를 참조하여 상세하게 설명이 되었지만 이 분야에서 통상의 지식을 가진 자는 제시된 실시 예를 참조하여 본 발명의 기술적 사상을 벗어나지 않는 범위에서 다양한 변형 및 수정 발명을 만들 수 있을 것이다. 본 발명은 이와 같은 변형 및 수정 발명에 의하여 제한되지 않으며 다만 아래에 첨부된 청구범위에 의하여 제한된다.

Claims (5)

  1. 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법에 있어서,
    (a) 주요 변수는 연료(fuel)의 종류와 화원의 위치로 설정하여 복합 건축물의 화재시나리오에 대한 시뮬레이션을 수행하고 결과에 대한 데이터베이스를 구축하는 단계;
    (b) 온도(Temperature), 가시거리(Visibility), 산소(O2), 이산화탄소(CO2) 및 일산화탄소(CO)의 농도를 포함하여 인공신경망의 입력층의 입력변수로 설정하는 단계;
    (c) 인공신경망 입력층에 입력된 입력변수를 바탕으로 활성함수(f 1)를 사용하여 계산하여 입력층에서 인공신경망의 은닉층으로 전달하도록 하는 단계;
    (d) 인공신경망의 은닉층에서 출력층으로 활성함수(f 2)를 적용하여 계산하여 출력층에서 정규화된 출력값(t n)을 출력하도록 하는 단계;를 포함하여 이루어져,
    주어진 데이터베이스를 바탕으로 인공신경망에서 학습시켜 출력값을 출력하도록 하며,
    출력값(t n)은 다음과 같은 식
    Figure pat00006

    (여기서, x n : 정규화된 입력값
    t n : 정규화된 출력값
    W1 : 입력값과 은닉측 간의 가중치
    W2 : 은닉층과 출력층의 가중치
    b 1 : 입력값과 은닉측 간의 역치값
    b 2 : 은닉층과 출력층의 역치값
    f 1 : 은닉층의 활성함수
    f 2 : 출력층의 할성함수)
    으로 출력되는 것을 특징으로 하는 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법.
  2. 청구항 1에 있어서,
    복합 건축물의 화재에 대한 변수 고려시 화재실과 비화재실로 따로 분류하고, 비화재실의 경우 화원으로부터의 거리의 범위에 따라 복수의 그룹으로 분류하여 데이터베이스를 구축하고,
    인공신경망 학습은 화재실과 비화재실로 나누어 수행하도록 하는 것을 특징으로 하는 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법.
  3. 청구항 1에 있어서,
    (c) 단계에서,
    피난허용시간(t)은
    t = t min +t n(t max -t min )
    (여기서, t max : 인공신경망 학습에 사용된 출력값의 최대값
    t min : 인공신경망 학습에 사용된 출력값의 최소값)
    인 것을 특징으로 하는 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법.
  4. 청구항 2에 있어서,
    비화재실의 경우 화원으로부터의 거리의 범위를 그룹 1: 1 m - 15 m, 그룹 2: 16 m - 25 m, 그룹 3: 26 m - 50 m 로 분류하는 것을 특징으로 하는 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법.
  5. 청구항 1에 있어서,
    은닉층의 활성함수
    Figure pat00007

    인 것을 특징으로 하는 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법.
KR1020210184416A 2021-12-22 2021-12-22 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법 KR20230095194A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210184416A KR20230095194A (ko) 2021-12-22 2021-12-22 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210184416A KR20230095194A (ko) 2021-12-22 2021-12-22 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법

Publications (1)

Publication Number Publication Date
KR20230095194A true KR20230095194A (ko) 2023-06-29

Family

ID=86946200

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210184416A KR20230095194A (ko) 2021-12-22 2021-12-22 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법

Country Status (1)

Country Link
KR (1) KR20230095194A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101471643B1 (ko) 2012-12-04 2014-12-11 한국건설기술연구원 3차원 공간 기반의 화재 피난 시뮬레이션 시스템 및 시뮬레이션 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101471643B1 (ko) 2012-12-04 2014-12-11 한국건설기술연구원 3차원 공간 기반의 화재 피난 시뮬레이션 시스템 및 시뮬레이션 방법

Similar Documents

Publication Publication Date Title
Su et al. Smart performance-based design for building fire safety: Prediction of smoke motion via AI
Tan et al. Systematic review of human and organizational risks for probabilistic risk analysis in high-rise buildings
CN107239908A (zh) 一种信息系统的体系成熟度评价方法
KR20220026804A (ko) 역강화학습 기반 배달 수단 탐지 장치 및 방법
CN114021501A (zh) 一种火灾温度场重构方法、系统、计算机设备、介质及终端
CN106485327A (zh) 一种灾害条件下人群踩踏行为演化的知识发现方法
CN1963878A (zh) 高层建筑火灾智能监测预警预报装置
Zhu et al. Behavioral, data-driven, agent-based evacuation simulation for building safety design using machine learning and discrete choice models
CN116542408B (zh) 毒气泄漏情况下地下交通设施内乘客疏散路径规划方法
Lu et al. Optimized guidance for building fires considering occupants’ route choices
CN110009738A (zh) 一种面向火灾应急疏散的室内三维表达模型
CN114282611A (zh) 基于深度学习模型的多传感器数据融合火源定位算法
Danial et al. A Generalized Stochastic Petri Net model of route learning for emergency egress situations
KR20230095194A (ko) 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 방법
Xi et al. Exploring the reuse of fire evacuation behaviour in virtual environments
KR102589525B1 (ko) 지진 취약 정보 제공 장치 및 방법, 지진 취약 정보 제공을 위한 학습 모델의 학습 방법
CN112199747A (zh) 基于排队网络的室内人员疏散方法和疏散系统
KR20240040237A (ko) 인공신경망을 사용한 복합건축물의 화재 피난허용시간 추정 프로그램을 기록한 컴퓨터 판독 가능 저장매체
CN115115167A (zh) 校园安全系统及其运行方法
CN113656771A (zh) 一种基于区块链技术的群组产品协同设计数据协同系统
Tang From agent to avatar
Yang [Retracted] Evaluation and Analysis of Multimedia Collaborative Building Design Relying on Particle Swarm Optimization Algorithm
CN111539093A (zh) 人员疏散模拟的高温烟气分布联动ca模型
CN111062545B (zh) 室外应急导向路径指示方法
Wu A SYSTEM ARCHITECTURE FOR THE INTEGRATION OF SMOKE PROPAGATION SIMULATION, EVACUATION SIMULATION, AND BUILDING INFORMATION MODELING