앙상블 기법을 활용한 대형복합건축물의 화재 피난가능시간 예측에 관한 해석적 연구
Analytical Study on the Prediction of Fire Evacuation Time in Large Complex Buildings Using the Ensemble Learning Technique
Article information
Abstract
최근 건축물의 화재위험도가 높아짐에 따라 화재발생 시 많은 인명피해가 발생하고 있으며, 성능위주설계의 중요성이 강조되고 있나. 그러나 성능위주 소방설계를 위한 시뮬레이션의 경우, 많은 인력 및 시간이 소요되며 경미한 변경에도 다시 수행해야 하는 어려움이 있다. 따라서 본 연구에서는 앙상블기법을 적용하여 화재거리 별 허용피난시간을 화재인자 및 공간인자로 쉽게 예측할 수 있는 예측모델을 개발하고자 하였다. FDS 데이터에 기반하여 기계학습을 통해 개발한 예측모델은 결정계수가 0.91에 달하는 높은 예측률을 보였으며, 이러한 예측모델을 적용하여 실시간으로 거리별 ASET을 도출할 수 있을 것으로 판단된다.
Trans Abstract
With the recent increase in the risk of fire in buildings, the number of casualties that occur in the event of a fire have increased. This emphasizes the importance of performance-based design. However, simulating a performance-based design requires a lot of manpower and time, and re-simulation with minor changes is a difficult task. Therefore, in this study, we attempt to develop a prediction model that can easily predict the ASET for each fire distance as a fire factor and spatial factor by applying ensemble learning. The prediction model developed using machine learning based on FDS data showed a high coefficient of determination of 0.91, and we believe that ASET for each distance can be derived in real time by applying this prediction model.
1. 서 론
근대 이후, 도시는 수평적으로 확장되었으나 최근 건축기술의 발달과 토지이용률 극대화 및 효율적인 이용요구가 맞물려 대형건축물의 수가 증가하고 있다. 또한, 1990년대 이후 주상 복합 건축물등에 대한 많은 규제가 완화되었고, 주택공급 확대정책이 이어짐에 따라 공급이 활발해지며 결과적으로 건축물이 대형⋅복합화되는 결과를 가져오게 되었다. 다만, 이런 대형건축물에서는 재실자의 공간 친밀성이 낮은 경우 화재발생 시 피난능력이 크게 저하될 수 있다(Han, 2022). 또한, 화재상황을 고려하지 않은 획일적인 대피가 이루어진 경우에는, 오히려 재실자의 객관적인 판단력을 저해하여 병목현상 등으로 인해 2차적인 피해를 유발할 수 있다. 실례로, 화성 동탄 메트로폴리스 화재(2017)에서는 연소면적이 적음에도 불구하고 대피 안내방송의 부재, 미로같은 구조로 인해 많은 사상자를 내었으며 런던 그랜펠타워 화재(2017)에서도 미비한 대피지침으로 인해 재실자가 원활한 피난을 수행하지 못해 최악의 참사를 나타내었다. 군산 클럽화재(2018)에서는 비상구에 일시에 사람이 몰리면서 피해가 커져 수십명의 사상자가 발생하였다. 따라서, 대형 건축물에서 화재 시 재실자의 원활한 피난을 위해 건축물의 화재특성을 반영한 성능위주 소방설계의 중요성이 강조된다.
다만, 성능위주 소방설계의 경우, 경미한 설계변경에도 화재 및 피난시뮬레이션을 다시 수행해야 하는 어려움이 있으며, 이 과정에서 많은 인력 및 시간이 소요된다. Choi (2017)은 국내 대형화제 사고사례 조사를 통해 대형화재 시 사상자를 발생시키는 가장 큰 건축적 요인은 단일피난로라는 연구조사 결과를 나타내었으며, Kim et al. (2022)은 공동주택을 대상으로 소방시설법에 따라 설치된 화재방호시스템의 작동유무에 따른 피난안전성평가를 수행하였으며, 다양한 요소들을 고려한 피난안전성 향상에 도움이 될 수 있는 수치해석 DB구축의 필요성을 제시하였다.
이러한 화재 시 허용피난시간과 같이 입력 및 출력 변수의 불확실성이 크고, 복잡한 상호 매커니즘으로 인해 수치해석이 어려운 문제를 해결하는 데 다양한 머신러닝 기법을 적용한 다양한 연구가 수행되고 있다(Ko et al., 2018; Darkhanbat, Heo, Choi et al., 2021).
따라서 이 연구에서는 대형 복합건축물을 대상으로 전산유체역학(Computational Fluid Dynamics, CFD) 기반 화재 시뮬레이션(Fire Dynamics Simulation, FDS)을 수행하여 대형 복합건축물의 화재 시뮬레이션 데이터베이스를 구축한 뒤, 화재특성과 공간특성을 입력변수로 하여 여러개의 머신러닝 모델을 경합하여 정확한 예측을 수행할 수 있는 앙상블 기법을 통해 FDS를 수행과정을 거치지 않고 대형복합건축물의 허용피난시간(Available Safe Egress Time, ASET)을 신속하게 예측할 수 있는 예측모델을 제안하고자 한다.
2. 화재 시뮬레이션 데이터베이스 구축
2.1 화재시뮬레이션 개요
2.1.1 FDS 개요
이 연구에서는 미국표준 기술연구소(National Institute of Standards and Technology, NIST)에서 개발한 FDS (Fire Dynamics Simulator)를 활용하여 화재 시뮬레이션을 수행하였다.
2.1.2 FDS6 연소모델 개요
FDS 6에서는 Large-Eddy Simulation (LES) 방정식을 적용하여 난류수송 시 큰 유동은 직접 계산을 통해 산정하며, 작은 스케일의 유동 및 화염 내부의 연소반응은 Subgrid모델로 처리한다(Han et al., 2018). low-pass filter 폭 Δ를 매개변수로 하여 질량, 운동량 및 에너지에 대한 전달방정식에 적용하여 도출되며, 1차원상에서 폭 Δ에 대한 low-pass filter density는 Eq. (1)에 나타낸 바와 같다(NIST, 2022).
이 때,
FDS에서 폭 Δ는 Subgrid 모델에서 난류점성과 반응시간 척도에 대한 핵심 파라미터이다. 즉, 3차원 연속영역에서 정육면체의 한 변의 길이로 간주할 수 있으며, filteded filed는 Eq. (1)을 3차원으로 확장하여, Eq. (2)와 같이 정의할 수 있다.
2.1.3 Mesh grid 생성
FDS user guide에서는 Eq. (3)에 나타낸 바와 같이 열 방출율에 따른 화재직경을 산정하여 NUREG-1824 (Verification and Validation of Selected Fire Models for Nuclear Power Plant Applications)에 제시된 민감도 범위기준을 만족시킬 수 있는 격자크기를 사용하도록 제시하고 있다. 화재직경 D* 는 Eq. (3)에 나타낸 바와 같이 산정한다.
이때,
격자 민감도는 화재직경과 격자크기의 비 (D*/δ (x,y,z)로 산정하며, NUREG-1824에서는 민감도의 적정범위를 4~16의 범위로 제시하고 있다.
2.2 화재 시나리오
2.2.1 대형복합 건축물 정의 및 대상건축물 선정
선행연구 중 대형복합 건축물의 명확한 정의를 언급하고 있는 연구는 미비한 상황이다. 따라서 대상 건축물에 대해 명확한 정의를 내리고 화재 시뮬레이션 대상을 선정하고자 하였다.
규모 측면의 기준에 관해 ‘건축법 시행규칙 제7조 [별표3] 대형건축물의 사전승인신청 및 건축물 안전영향평가 의뢰 시 제출도서의 종류’에서 대형건축물에 해당하는 건축물은 ‘21층 이상의 건축물 등 대통령령으로 정하는 용도 및 규모의 건축물’을 의미한다고 언급하고 있으며, ‘건축법 시행령 제8조’에서는 ‘법 제11조제1항 단서에 따라 특별시장 또는 광역시장의 허가를 받아야 하는 건축물은 층수가 21층 이상이거나 연면적 합계가 10만 m2 이상인 건축물을 대상으로 한다’는 규모의 범위를 명시하고 있다. 그 외에 경기도 건축조례에서는 30층 이상을 대상건축물로 제시하고 있으며, 강원도 및 전라도 건축조례에서는 16층 이상을 대상으로 제시하고 있다. 국내 대형건축물 관련 연구에서는 대형시설의 기준을 ‘유통산업발전법’, ‘교통영향평가’, ‘서울특별시 건축조례’ 건축심의 기준인 연면적 10만 m2 이상을 대형시설의 기준으로 언급하고 있으며(The Seoul Institute, 2017), 1급 소방안전관리대상물 이상의 규모를 가진 건축물을 대형건축물로 제시하였다(Kim, 2017; Kang, 2020). 즉, 규모측면에서는 고층을 기준으로 하는 수직적인 대형건축물과 면적을 기준으로 하는 수평적인 대형건축물 두가지로 정의할 수 있다고 판단하였다.
복합건축물의 용도 측면의 기준에 관해서는 ‘화재예방, 소방시설 설치유지 및 안전관리에 관한 법률 시행령 [별표2] 특정소방대상물’에서는 복합건축물에 대해 ‘하나의 건축물이 제1호부터 제27호까지의 것 중 둘 이상의 용도로 사용되는 것’이라고 정의하였으며, 국내 복합건축물 관련 연구에서는 용도가 복합적인 근린생활시설, 오피스텔이 포함된 업무시설을 복합건축물로 정의하였다.
KFPA (2012)에서 발행한 ‘대형⋅복합건축물의 효과적인 방화⋅방재 안전대책 확보’에서는 조사대상물을 ‘지상으로부터 높이 60 m 초과 대형 건축물, 역사건물과 같이 다수의 건물 각 부분이 통로 등으로 밀접하게 연결되어 언뜻 하나의 건물로 보이는 대형 건축물, 연면적 8만 m2 초과 대형 건축물’이라 정의하였다.
앞선 근거에 따라 층수가 21층 이상(수직 대형), 또는 연면적 10만 m2 이상(수평 대형)으로 둘 이상의 용도로 사용되고 있는 건축물을 대형복합 건축물이라 정의하였다. Fig. 1에는 화재시뮬레이션을 수행할 대형복합 건축물 및 뒤이어 화재시뮬레이션에서의 화원위치를 나타내었다. 수직형 대형복합 건축물, 수평형 대형복합 건축물을 각각 2개평면씩 선정하여 화재시뮬레이션을 수행하였다. 수직형 대형복합 건축물은 가로 55.0 m, 세로 47.9 m의 오피스(Business and Assembly Facilities, Office), 가로 81.9 m, 세로 21.0 m의 구내식당(Business and Assembly Facilities, Cafeteria)을 대상으로 선정하였으며, 수평형 대형복합건축물은 가로 428.8 m, 세로 182.5 m의 대형상업시설(Sales and Assembly Facilities, Commercial)과 가로 299.7 m, 세로 191.5 m의 영화관(Sales and Assembly Facilities, Theater)을 대상으로 선정하였다.
FDS Target Building and Fire Location
2.2.2 화재 시나리오 선정
Fig. 1 및 Table 1에 나타낸 바와 같이 오피스, 대형상업시설, 영화관의 경우 20개의 화재위치를 선정하였으며, 구내식당은 10개의 화원위치를 선정하였다. 각 화원위치별 총 발열량은 Table 2에 나타낸 NCFS (National Center for Forensic Science)에서 제시하는 값을 참조하여 화재실 용도별 가연물을 가정하여 가연물의 발열량을 합산하여 최대 발열량을 산정하였다.
Maximum Heat Release Rate by Compartment
Max HRR of Combustible Material
화재 시뮬레이션 데이터베이스 구축을 위한 반응물은 다양한 반응물에서의 화재를 예측하기 위하여 Wood, Polyurethane GM23, Polystyrene GM47의 3종으로 선정하였으며(Darkhanbat, Heo, Han et al., 2021), 반응물의 물성치는 Table 3에 나타낸 바와 같이 SFPE (Society of Fire Protection Engineers handbook)에 제시된 값을 사용하였다. 화원 위치별로 각각의 반응물을 적용하여 총 210개의 화재시뮬레이션을 수행하였다.
Characteristics of Fuel
시간에 따른 열 방출율은 Eq. (4)에 나타낸 바와 같이 화재성장속도를 적용하여 시간에 따른 발열량을 산정하는 t-squared fire curve를 이용하였다.
이때, Q는 열 방출율(kJ/sec)을 의미하며, α는 화재성장속도 계수, t(sec)는 시간을 의미한다.
화재성장속도는 열 방출율이 1 MW에 도달하는 시간을 기준으로 분류하여 Table 4에 나타낸 바와 같이 4단계로 구분할 수 있으며, 해당 시뮬레이션에서는 ‘Structural Design for Fire Safety’를 참조하여 화재성장속도를 Medium으로 설정하였다.
Fire Growth Rate
환기조건은 건축물 개구부가 모두 개방된 자연환기를 가정하였으며 배연설비에 의한 강제환기는 고려하지 않았다. Table 5에 나타낸 바와 같이 ‘소방시설 등의 성능위주설계 방법 및 기준(MPSS, 2016)’에서 제시한 인명안전기준을 참고하여 허용피난시간을 도출하였다.
Performance Criteria for Life Safety
2.2.3 계측위치 선정
Fig. 1에 나타낸 바와 같이 화원 위치에서 피난구까지 경로에서의 재실자 인명안전기준값을 측정할 수 있도록 지상 1.8 m 지점에서 피난경로를 따라 2 m 간격으로 가시거리, 온도, O2, CO, CO2농도 측정장치를 배치하였다.
2.3 화재시뮬레이션 결과
2.3.1 ASET 측정결과
시나리오별로 화원에서 피난구까지 총 2489개의 측정장치에서 ASET값을 도출하였으며, 계측점에서 인명안전기준에 도달하지 않아 ASET을 산정할 수 없는 계측점 484개를 제외하고 총 2005개의 측정장치에서 ASET값을 도출하여 최종 데이터셋을 구축하였다. 가시거리가 인명안전기준(5 m)에 도달하여 ASET을 산정한 경우가 1,824가지(90.97%), 온도가 인명안전기준(60 ℃)에 도달하여 ASET을 산정한 경우가 181가지(9.03%)로 나타났으며, CO, CO2, O2가 인명안전기준에 도달하여 ASET이 산정된 경우는 이번 연구에서 수행한 시뮬레이션에서는 나타나지 않았다.
2.3.2 ASET 변수도출 및 결과분석
앞선 FDS 결과에서 ASET은 가시거리와 온도에 의해 도출되는 결과를 나타내었으며, 이에따라 앙상블 학습을 위한 입력변수를 FDS에서 가시거리 도출에 영향을 미치는 입력값인 그을음 수율(soot yield, g/g)와 온도상승량에 영향을 미치는 최대 열 방출율(Max HRR, kW) 화재인자로 선정하였다. 실의 특성을 나타내는 공간인자는 보행거리(Walk distance, m), 직선거리(Straight distance, m), 화재실 면적(Room area, m2), 화재실 높이(Room height, m), 격실벽 개수(Wall)를 입력변수로 선정하였다.
Fig. 2에는 화재 시뮬레이션 결과를 반응물별 입력변수에따른 ASET을 분류하였으며, Fig. 2에는 독립변수 별 반응물의 ASET을 나타내었다. 대체로 반응물이 Wood인 경우에 높은 ASET값을 나타내며 다른 반응물에 비해 화재 시 피난가능시간이 큰 것으로 나타났다. Polyurethane GM23과 Polystyrene은 대체로 유사한 경향을 보이며 비교적 낮은 ASET값을 나타내며 화재 시 피난가능시간이 짧아 인명피해가 큰 반응물인 것으로 판단하였다.
ASET according to Variation
Fig. 2(a)에는 보행거리에 따른 반응물 별 ASET을 나타내었으며, 보행거리가 멀어질수록 ASET이 증가하는 양의 상관관계를 다른 입력변수에 비해 비교적 잘 확인할 수 있었다. Fig. 2(b)에는 Max HRR에 따른 반응물 별 ASET을 나타내었다. 동일한 Max HRR일 경우, ASET이 일정 군집을 나타내는 결과를 확인하였으며, Max HRR 단일변수로는 경향을 확인할 수 없었다. Fig. 2(c)에는 Room Area에 따른 반응물별 ASET을 나타내었으며, Room Area가 좁은 경우, 높은 ASET을 나타내는 경우가 포진한 결과를 나타내었다. Fig. 2(d)에는 Room height가 높은 경우 비교적 큰 ASET을 많이 나타나는 결과를 나타내었다.
3. 앙상블기법을 활용한 ASET 예측
3.1 앙상블 학습
앙상블 학습은 여러개의 머신러닝 모델을 결합하여 보다 정확한 예측을 할 수 있게 해주는 방법이다. 강력한 하나의 모델을 활용하는 대신, 보다 약한 모델 여러개를 조합해 더 정확한 예측을 수행할 수 있다. 다만 앙상블 모형의 성능을 향상시키기 위해서는 분류기 간의 다양성을 가지고 있어야 하며, 이러한 다양성이 학습의 강력함보다 더 최종성과에 많은 영향을 미친다. 따라서 이러한 학습기법을 다양화하기 위해 배깅(Bagging)과 부스팅(Boosting) 기법으로 학습데이터에 변화를 줌으로써 기저분류기를 다양화시키는 앙상블 기법이 매우 강한 성과를 보이고 있다(Min, 2014; Lee and Kim, 2018).
배깅이란 복원추출을 통해 매번 다른 데이터로 Weak learning을 학습시켜 다양한 Weak learning을 aggregating하여 결과를 도출한다. 이번 연구에서는 총 2,004개의 데이터로 구성된 원 학습 데이터로부터 복원추출 방식으로 임의의 학습데이터로 구성된 새로운 학습데이터를 발생시키게 되며, 이를 통해 다양성이 존재하는 서로 다른 분류기를 생성하게 된다. 이들을 특정 전략에 의해 결합하게 되며, 비교적 단순한 모형에 좋은 성과를 냄으로 인해 다양한 분야에서 성공적으로 적용되고 있다(Min, 2016).
부스팅은 복원추출을 통해 데이터를 샘플링 하는 것은 배깅과 동일하나, 원 학습 데이터 전체중 특정 데이터에 가중치를 주어 특정 데이터가 추출될 확률을 높인다. 이는 학습이 어려운 사례를 강조하기 위해 잘못 분류한 데이터에 가중치를 주어 학습률을 높이기 위함이다. 또한, 각각의 트리가 의존적인 관계를 형성하고 있어서 n번째 학습결과가 n + 1번째 학습에 영향을 미치는 경우에 잘못된 학습데이터를 보정하여 이후의 학습결과를 향상시킬 수 있다.
앙상블 학습은 Domingos의 모형을 따라 줄일 수 없는 잡음을 제외한 모델의 기대예측과 예측해야 할 실제값의 차이인 편향과 평균으로부터 예측값이 멀어진 정도인 분산을 줄이는 방법으로 정확성을 높힌다. 배깅 알고리즘을 활용하여 분산값을 최소화 하며, 부스팅 알고리즘을 활용하여 편향을 최소화 할 수 있음을 확인하고 성능을 비교 분석한다(Park, 2022).
본 연구에서는 다중선형회귀(Multi Linear Regression)을 Default로 하여 대표적인 배깅모델인 랜덤포레스트, 부스팅모델인 XGBoost, LightGBM 기법을 적용하여 앙상블 학습을 수행하였다. FDS를 통해 구축된 데이터베이스를 활용하여 기계학습을 수행하였으며, 이를 기반으로 화재특성 및 공간특성에 따라 화원거리별 ASET을 도출할 수 있는 앙상블 모델을 개발하였다.
랜덤포레스트 모델은 계층구조로 이루어진 node와 edge의 집합으로 이루어지며, node는 internal node 및 terminal node (leaf node)로 나뉜다. Fig. 3에 나타낸 바와 같이 데이터 포인트를 벡터v라 정의하였을 때, 훈련단계에서 임의 노드를 최적화하기 위해 노드 분할함수의 매개변수 θ를 구하게 되며, 이 때 각 트리의 노드 분할함수를 Eq. (5)와 같이 나타낼 수 있다.
Randomforest Tree Structure
h(v,θj) 는 노드 분할함수를 의미하며, 0은 거짓, 1은 참을 가리킨다. 포레스트의 모든 트리들은 독립적으로 훈련단계를 거쳐 데이터 포인트 벡터v는 모든 트리에 동시에 입력되어 종단노드에 도달하게 되며, 포레스트의 예측결과는 모든 결정트리의 예측결과들의 평균으로 도출하며 분류는 Eq. (6)와 같이 나타낼 수 있다.
XGBoost는 여러개의 분류⋅회귀나무를 묶어 에러를 낮추는 부스팅기법을 활용한 의사결정나무 계열의 알고리즘이며, 학습손실을 최소화 하면서도 과적합을 방지하기 위해 나무의 복잡도를 통제하여 최적화모델을 생성한다. XGBoost의 목적함수는 Eq. (7)에 나타낸 바와 같이 학습다.
이때,
Fig. 4에는 XGBoost 알고리즘을 통해 도출한 입력변수의 변수중요도를 나타냈다. XGBoost 알고리즘에서는 주요 예측변수로 Room Area, Max HRR, soot yield 순서로 중요도를 나타내었다.
Feature Importance
LightGBM 알고리즘은 Eq. (8)과 같이 나타낼 수 있다.
이때, F(x)는 x변수를 기반으로 반응변수 y의 근사함수를 나타낸다. hm (x;am) 는 am 의 파라미터를 갖는 m개의 의사결정 나무를 의미하며, βm 은 Eq. (9)와 같이 정의할 수 있는 손실함수의 최소화에 따라 결정되는 값을 의미한다.
이 때, 경사하강방식으로 특정 손실함수의 예상 값을 최소화하여 모형을 업데이트 할 수 있다(Lee et al., 2020).
앙상블 예측모델은 FDS 데이터셋 중 85%에 대해 배깅 및 부스팅모델을 적용하여 ASET 예측모델을 개발하였다.
3.2 학습모델 검증
예측모델을 검증하기 위해 15%의 테스트데이터를 활용하여 Fig. 5에 나타낸 절차를 따라 예측모델을 검증하였다.
Algorithm Validation Flow
Table 6 및 Fig. 6에 나타낸 바와 같이 각 알고리즘의 평균절대오차(Mean Absolute Error, MAE), 평균제곱오차(Mean Squared Error, RMSE), 결정계수(R2) 및 수정결정계수(Adjusted R2)를 통하여 학습모델의 정확성을 검증하였다.
Ensemble Training Result
Ensemble Model Performance
MLR의 경우, 87.82의 절대평균오차를 나타내었으며, 결정계수의 경우 0.5892라는 비교적 큰 오차율을 나타내었다. 앙상블기법을 활용한 기계학습의 경우, MLR과 다르게 매우 높은 예측률을 나타내었다. 랜덤포레스트의 경우, 32.56의 절대평균오차와 0.9158의 결정계수를 나타내어 가장 높은 예측률을 보였으며, XGBoost의 경우 51.33이 절대평균오차와 0.8325의 결정계수값을 나타내었다. LightGBM의 경우 34.84의 절대평균오차와 0.9156의 결정계수를 나타내어 랜덤포레스트에 근접한 예측률을 나타내어 상당한 신뢰성을 확보한 것으로 나타났다.
4. 결 론
본 연구에서는 대형복합건축물을 대상으로 ASET을 예측할 수 있는 앙상블기법 기반 기계학습모델을 개발하였다. FDS를 수행하여 수직⋅수평 대형복합건축물에 대해 화재 시 화원거리별 ASET에 대한 데이터베이스를 구축하였으며, 이에 기반하여 대형복합 건축물에 대해 화재특성 및 공간특성을 입력값으로 한 기계학습 모델을 제안하였다. 이 연구로부터 도출한 결론은 다음과 같다.
FDS 결과, ASET의 91%가 가시거리에 의해 도출되는 결과를 나타내었으며, 9%의 경우에서 온도에 의해 도출되는 결과를 보였다. 일산화탄소, 이산화탄소 및 산소농도는 ASET 도출에 큰 영향을 미치지 않는 결과를 나타내었다. 따라서 ASET을 도출하는 가장 큰
앙상블학습을 위한 학습변수의 경우, Room area가 가장 영향도가 큰 것으로 나타났으며, Max HRR, Soot yield 등 화재인자 또한 높은 영향을 미치는 것으로 나타났다. 기계학습을 통한 ASET예측의 경우, 결정계수가 0.5892로 나타난 다중선형회귀분석에 비해 최대 0.9158의 결정계수를 나타내는 등 매우 높은 정확도를 나타내는 결과를 보였다.
추후 연구에서는 본 연구에서 수행하였던 반응물 외의 물질에 대한 화재 시뮬레이션을 수행하여 다양한 화재에 대한 데이터베이스를 구축하여 앙상블 학습을 적용하여, 다양한 반응물에서 발생하는 화재에 대한 피난가능시간 예측을 수행할 수 있을 것으로 판단된다. 또한, 다양한 학습기법을 적용한다면, 예측모델의 정확성을 보완할 수 있을 것으로 판단된다.
감사의 글
본 연구는 국토교통부 국토교통기술촉진연구사업의 연구비지원(22CTAP-C163892-02)에 의해 수행되었습니다.