인공신경망을 이용한 제조시설 화재위험 예측모델 개발 연구

A Study on Development of Fire Risk Prediction Model in Manufacturing Facilities Using Artificial Neural Network

Article information

J. Korean Soc. Hazard Mitig. 2017;17(01):161-167
Publication date (electronic) : 2017 February 28
doi : https://doi.org/10.9798/KOSHAM.2017.17.1.161
** Member, Research Engineer, Research & Development Center, LIG System
*** Senior Research Engineer, Research & Development Center, LIG System
**** Member, Post Doctor, Department of Hydro Science and Engineering, Korea Institute of Civil Engineering and Building Technology
***** Director, Enterprise Resilience Service Division, LIG System
*Corresponding Author, Member, Senior Research Engineer, Research & Development Center, LIG System (Tel: +82-2-6900-6806, Fax: +82-2-6900-6860, E-mail: wooil.choi@ligcorp.com)
Received 2016 December 13; Revised 2016 December 14; Accepted 2016 December 26.

Abstract

보험사들이 제조시설의 화재를 담보하는 보험상품을 활성화하고 고도화하기 위해서는 화재위험 평가기법의 개발이 선행되어야 한다. 본 연구는 다양한 예측모형에서 사용된 인공신경망을 이용하여 제조시설을 대상으로 화재발생 위험도를 평가하기 위한 모형을 개발하고자 하였다. 학습과 검증을 위한 자료는 OO보험사에서 의뢰를 받아 OOO사에서 수행한 제조시설 위험 실사자료 및 보험사고 DB이며, 위험 실사자료의 9개 평가항목에 대한 결과 값을 입력값으로, 사업장의 화재발생여부를 출력값으로 사용하였다. 구축된 인공신경망 모형의 예측성능을 검증한 결과, 73%의 적중률을 보였다. 그러나 실무적으로 화재보험의 위험성평가에 활용될 수 있도록 높은 적중률을 가지는 모형을 개발하기 위해서는 보다 많은 학습데이터가 필요할 것으로 판단된다.

Trans Abstract

In order to expand or grow a fire insurance business for manufacturing facilities, insurance companies need to build fire risk assessment model. This paper is focused on building the model for fire risk assessment using Artificial Neural Network(ANN) suggested for predicting of fire accident in the manufacturing facilities. Input layer variables in ANN are composed of 9 assessment factors from risk survey reports ordered by OO Insurance and performed by OOO Company. Verification result for trained ANN show that the hit ratio is 0.7 considered to be relatively significant value. But it need many more training data to improve forecasts of fire accident in manufacturing facilities, which can be applied to risk assessment for fire insurance.

1. 서론

제조시설을 비롯한 산업시설이 점차 고도화되고 복잡해지면서 대형화재와 같은 재난안전사고의 위험이 증대되고 있다. 재난안전의 사후적 관리도구 중 하나인 손해보험산업은 그동안 꾸준한 성장을 지속하여, 2014년 말 기준으로 국내 보험사 자산규모는 200조 원을 넘었으며 원수보험료는 76.6조 원에 달하고 있다(KIRI, 2015). 그러나 공장 등 제조시설의 위험을 담보하는 기업성 보험의 시장규모는 해외 보험선진국에 비해 매우 미미한 수준에 머물러 있다. 이처럼 기업성보험이 국내에서 활성화되지 못한 것은 대부분의 보험사들이 판매중심의 사업전략을 취하여 언더라이팅 업무를 자체의 위험평가역량에 기초하지 않고, 해외 재보험사에 의존하는 자립성 부족 때문이라는 것이 일반적인 견해이다. 보험산업에서 언더라이팅이란 보험계약의 모집과정부터 계약인수 및 처리, 손해사정 및 보험금 지급까지의 모든과정에서 위험선택업무를 뜻하며, 이때 기본이 되는 전제는 동질성의 원칙과 대수의 법칙이다. 그러나 제조시설은 동일 혹은 유사한 업종이라 할지라도 공정특성, 시설물 안전취약성, 안전관리상태 등이 상이하기 때문에 업종별 대수의 법칙이 성립하지 않는 경우가 많다. 따라서 국내 보험사들이 기업성보험을 현재보다 고도화 하고 활성화하기 위해서는 통계자료를 근거로 한 전통적인 위험분류 외에 개별시설에 대한 정량적인 위험평가기법을 언더라이팅의 전 과정에 활용하는 것이 반드시 필요하다.

보험산업에서 활용되는 화재위험평가기법 중 가장 대표적인 모형은 그리테너 기법(Gretener method)이다(Kaiser, 1979; Kim, 2010). 그리테너 기법은 Eq. (1)과 같이 화재위험도를 잠복화재위험, 방호대책, 건물의 내화도 그리고 활성화 위험요소로 구분하고, 세부항목에 가중치를 부여하여 위험도가 산정된다.

(1)R=B×A= PM ×A= PN×S×F ×A

Eq. (1)에서 R은 화재위험도, B는 잠재화재위험, A는 활성화 위험요소, P는 잠복화재위험요소, M은 방호대책, N은 일반대책, S는 특별대책, F는 건물의 내화도를 나타낸다.

국내에서도 1998년 한국화재보험협회가 화재위험도지수(FRI; Fire Risk Index)를 개발한 바 있는데, FRI는 잠재위험지수, 화재감지 및 초기소화신뢰도, 연소확대방지신뢰도 및 자체소화신뢰도를 Eq. (2)에 대입하여 화재위험도를 산정한다(Kim, 1998).

(2)기본FRI=잠재위험지수×(1화재감지및초기소화신뢰도)0.333×(1연소확대방지신뢰도)0.333×(1자체소화신뢰도)0.333

한국화재보험협회에서 개발한 FRI는 업종에 상관없이 0.7에서 1.3까지 범위를 가지며, 결과값이 작을수록 화재위험이 낮다는 것을 의미한다.

그리테너 기법이나 FRI 등 기존의 화재위험도 평가방식은 대부분 시설의 소방공학적 특성과 과거 화재사고 데이터를 기반으로 한 전통적인 통계기법으로 개발되었다. 그러나 이러한 접근방법은 샘플자료의 독립성, 정규분포성 등 엄격한 가정이 요구되어 실제 화재위험을 평가하는데 한계가 있기 때문에 숙련된 Risk Surveyor의 경험적 판단에 의해 평가결과를 수정하거나 보정하는 경우가 많다.

화재발생은 시설특성 및 대책 뿐 만 아니라 위험인자들의 복잡한 비선형 관계에 의해 발생하기 때문에 화재발생과 영향인자 간의 비선형 인과과정이 고려되어야 한다. 이에 본 연구에서는 화재위험 예측모형을 개발하는 데, 다양한 재난위험도 예측에 사용된 바 있으며 비선형 통계기법인 인공신경망을 이용하였다. 인공신경망은 뇌의 뉴런들이 상호작용과 경험을 통해서 배우는 생물학적인 활동을 모형화한 것으로 인간의 학습특성과 유사하기 때문에 충분한 경험데이터가 확보된다면 기존의 전통적인 위험평가방법을 보완하거나 대체할 수 있다. 국내에서 제조시설의 화재를 보상하는 보험은 재산종합보험과 공장화재보험이 대표적이다. 이들 보험은 기본적으로 화재가 발생한다면 실제 손해액을 보상하기 때문에 보험사들은 보험가입 전 위험실사 뿐만 아니라 사업장의 자산평가를 수행하는 것이 일반적이다. 본 연구에서는 OO손해보험에서 의뢰를 받아 OOO사에서 수행한 제조시설의 위험실사결과와 화재사고 DB를 기반으로 제조시설의 화재위험성평가에 인공신경망 기법의 활용 가능성을 검토하고자 하였다.

2. 기본이론 및 기초자료 수집

2.1 인공신경망

인공신경망(ANN; Artificial Neural Network)이란 두뇌의 신경세포를 모방한 비선형 알고리즘으로, 수집된 자료로부터 반복적인 학습과정을 거쳐 데이터에 내재되어 있는 특정패턴을 도출한다. 인공신경망의 구조는 Fig. 1과 같이 외부입력을 받아들이는 입력층(Input layer), 처리결과가 출력되는 출력층(Output layer), 그리고 입력층과 출력층 사이에 위치한 은닉층(Hidden layer)으로 구성된다. 각 층에는 자료를 처리하는 여러개의 노드(Node)가 존재하며 한 층의 노드에서 다른 층의 노드로 자료가 전달되는 과정에서 연결가중치(Connection Weight)가 곱하여져 출력값이 도출된다. 결국, 인공신경망에서 학습이란 출력값이 목적한 값의 근사값에 도달할 수 있도록 연결가중치를 최적화시키는 과정이라 할 수 있다.

Fig. 1

ANN Architecture

인공신경망에서 입력변수를 x1, x2, ······, xn으로 표기하고 연결강도를 w1, w2, ······, wn로 표기할 경우 출력 뉴런 y의 총 NET값은 Eq. (3)와 같이 산정된다.

(3)ΝΕΤ=i=1nxnwn

여기서, 편차(bias) b를 합산한 뒤 활성화 함수(Activation Function)에 인가시켜 얻은 출력값 y는 활성화함수를 φ(⋅)로 표기할 경우 다음의 Eq. (4)와 같이 표현될 수 있다.

(4)y=Φ(ΝΕΤ+b)

활성화함수는 선형함수(Linear function), 계단 함수(Step function), 선형계단함수(Linear threshold function), 시그모이드 함수(Sigmoid function), 가우시안 함수(Gaussian function) 등이 있으나 본 연구에서는 활성화 함수로 가장 많이 쓰이는 시그모이드 함수를 적용하였다(Eq. 5). 여기서 σ는 기울기값으로 이 값이 클수록 수렴하는 속도가 빨라지는 것을 의미한다. 시그모이드 함수는 연속함수로서 역치와는 관계가 없지만 입력값이 무한으로 발산하더라도 출력값은 일정한 값으로 수렴하도록 하여 가중치를 산출할 때 다른 입력변수들의 영향력을 무시하는 경향을 예방할 수 있다.

(5)Φ(z)= 11+eσz 

본 연구에서는 인공신경망에서의 다양한 학습방법 중 은닉층의 학습을 위해 출력층에서 발생한 오류를 이용하여 은닉층의 오차를 계산하고 다시 이 값을 입력층으로 역전파시켜 출력층의 오차를 최소화 하는 역전파알고리즘(Back Propagation Algorism)을 채택하였다.

2.2 학습자료 구축

본 연구에서는 인공신경망 학습자료를 구축하기 위하여, 2010년부터 OO손해보험에서 의뢰를 받아 OOO사에서 방재 및 공학관련 전공자이며 위험관리업무 평균경력이 10.2년인 서베이어들로부터 조사된 제조시설 위험실사자료 3,448건을 수집하였다. 위험실사자료 가운데 금속기계 및 기구공업, 화학공업, 전기업 등 중화학공업시설은 2,672건, 식료품공업, 방직공업 등 경공업시설은 776건이며, 화재사고가 발생한 총 282개소 사업장은 중화학공업시설이 199개소, 경공업시설이 83개소로 나타났다. 실사자료에서 화재위험성평가와 연관된 평가항목은 Table 1과 같이 총 15개이며, “시설규모(자산가치)”를 제외한 나머지 조사항목은 국내외 화재안전기준을 근거로 만들어진 OOO사의 내부기준 (LIG System, 특허 제 10-1630171호)으로, 각 평가항목의 여러 판단요소를 근거로 1점(매우불량)에서 5점(매우양호)의 형태로 결정된다.

Variables of Assessment Factors

여기서 “시설규모(C1)”는 위험실사 당시 자산평가금액으로 조사되었으며, 실사사업장 중 화재가 발생한 사업장은 화재로 인한 피해금액을 추가적으로 조사하여 기록하였다. 자산평가금액은 타 조사항목과 서로 다른 측정단위와 분산을 나타내기 때문에 Table 2의 기준으로부터 표준화(Normalization)된 값을 사용하였다.

Normalized Value of Facilities

282건의 화재사고 중 1억 원 이상의 피해금액이 발생한 사업장은 126개소, 천만 원에서 일억 원 사이의 피해사업장은 190개소, 백만 원에서 천만 원사이의 피해사업장은 87개소, 백만원 미만의 소액피해가 발생한 사업장은 2개소로 집계되었다.

3. 화재위험성 평가 결과

3.1 화재사업장 위험성 평가 결과

위험실사 사업장 중 무사고 사업장과 화재사고 사업장의 15개 평가항목별 평균배점을 분석하면 Fig. 2와 같다. 평가항목 중 원자재, 생산공정의 위험성, 화재하중, 방화구획상태, 설비배치 등으로부터 평가되는 공정지역위험(C2)의 경우 무사고 사업장은 평균 3.20점, 화재사업장은 평균 2.77점으로 15개 평가항목 가운데 가장 많은 차이를 보였고, 다음 화기작업관리(C13), 건물배치(C5) 순으로 무사고사업장과 화재사고 사업장 간에 큰 배점 차이를 보였다.

Fig. 2

Non Accident vs Fire Accident Facilities Assessment Factor Average

1억원 이상의 고액사고 사업장를 별도로 분석한 결과, 무사고 사업장과 화재사고 사업장 간의 배점차이가 공정지역위험(C2), 화기작업관리(C13), 소화용수설비(C9), 흡연관리(C14), 저장지역위험(C3) 평가항목에서 0.1 이상의 차이가 나타났다(Fig. 3). 또한, 1억 이상의 고액사고 사업장의 자산가치는 평균 2,290억원으로 전체 화재사고 사업장의 평균자산가치 1,350억원(1억 원 미만 화재사고 사업장 평균 자산가치, 410억원) 보다 1.7배 큰 것으로 나타나 자산가치가 큰 사업장일수록 고액의 화재사고 가능성이 높게 나타났다.

Fig. 3

Non Accident vs Fire Accident (more than 100 million won) Facilities Assessment Factor Average

3.2 다중회귀분석을 통한 유의수준 분석

앞서 언급한바와 같이 위험실사보고서에서 추출할 수 있는 화재위험관련 평가항목은 총 15개이다. 그러나 인공신경망 구축 시 입력층의 후보 독립변수가 너무 많으면 은닉층과 은닉층의 노드에 따라 가중치(Weights)의 개수가 급격히 증가하기 때문에 모든 변수를 한번에 넣고 신경망을 최적화시키는 것은 매우 어렵다. 따라서 15개의 평가항목 중 중요도를 고려하여 중요도가 낮은 평가항목을 후보독립변수에서 제거하는 것이 필요하다. 이번 연구에서는 다중회귀분석을 통하여 다른 평가항목의 영향력을 통제한 상태에서 각각의 평가항목과 위험평가결과(화재발생이력)와의 유의확률을 분석하고, 이를 통해 인공신경망의 입력층의 독립변수를 조절하고자 하였다.

종속변수y를 설명하는데n개의 독립변수 x1,…,xn 을 도입할 때 다중회귀모형은 Eq. (6)과 같이 정의된다. 여기서y는 종속변수, β 는 회귀계수, x는 독립변수, n은 독립변수 개수, ε 은 오차를 의미한다.

(6)y=β0+β1x1+β2x2++βnxn+ε

Table 3은 위험실사 자료로부터 다중회귀분석을 실시한 결과이며, 이 중 종속변수에 대한 유의한 독립변수를 추출하기 위하여 P-값이 0.05보다 낮은 것을 선택한 결과, 시설규모(C1), 공정지역위험(C2), 화기작업관리(C13), 흡연관리(C14)와 같은 4개의 평가항목이 화재발생에 유의한 영향을 미치는 것으로 분석되었고, 나머지 항목은 P-값이 0.05보다 높아 통계적으로 유의하지 않은 것으로 나타났다.

The Results of Multiple Regression Analysis

그러나 P-값이 0.05보다 높은 평가항목이 통계적으로 유의하지 않더라도 중요하지 않다고는 할 수는 없다. 따라서 다중회귀분석을 통해 통계적으로 유의한 것으로 판단되는 4개 평가항목(C1, C2, C13, C14) 외에 상대적으로 P-값이 낮은 건물배치(C5), 전기설비(C6), 화재감시설비(C8), 소화용수설비(C9), 위험물관리(C12) 평가항목 포함한 총 9개의 평가항목을 입력층의 독립변수로 결정하였다.

3.3 인공신경망을 이용한 화재위험성 평가

3.3.1 입력데이터 구축

수집된 위험실사자료 3,448건 중 실제 화재사고가 발생한 곳은 282건으로 전체자료의 약 8%에 불과하다. 이와 같이 편중되어 있는 데이터 집합을 반복적으로 학습할 경우 과적합(Overfitting)의 문제가 쉽게 나타날 수 있다. 또한, 현재까지 무사고 사업장이라고 할지라도 향후 화재가 발생하지 않는다는 것을 담보하는 것은 아니기 때문에 학습데이터의 불완전성이 내포되어 있다. 본 연구에서는 이러한 데이터의 불균형 문제를 해결하고 정보의 불완전성을 최소화하기 위해서 화재사고가 발생하지 않은 3,166개의 사업 장 중 9개의 평가항목에 가중치를 주지 않을 경우 합계점수가 가장 높은 상위 300개의 사업장을 추출하여 총 582건을 학습데이터로 활용하였다. 출력층은 화재발생 유무(화재사고 사업장의 경우 1, 무사고 사업장의 경우 0)에 대한 값을 사용하였다.

인공신경망 모의의 최적화에 있어 은닉층의 노드수는 입력층의 노드가 d개일 때 2d 또는 2d+1개로 구성하는 것이 일반적이다. 그 밖에 학습률(α), 모멘텀(β), 최대학습횟수, 은닉층 수 등의 결정이 필요하나 어떠한 값이 학습에 적합한지 규정할 수 없으며 일반적인 범위 내에서 값을 변경해 가면서 최적값을 찾아야 한다(Oh, 1996; Kim et al., 2014). 본 연구에서는 일반적으로 제시되는 범위 값들을 변경하여 신경망을 학습한 다음 결과의 비교를 통하여 최적의 값을 도출하였다(Table 4).

Configurations of the ANN

3.3.2 예측정확성 평가

추출한 자료 중 약 90%(화재사고사업장 252개소, 무사고사업장 270개소, 총 522개소)는 학습과정에 사용하고, 나머지 10%(화재사고사업장 30개소, 무사고사업장 30개소, 총 60개소)를 대상으로 검증하여 인공신경망 모형의 신뢰도를 측정하였다. 예측정확성을 평가하기 위하여 우선 Table 5와 같이 2×2 분할표를 작성하여 스칼라 점수를 도출하고, 인공신경망의 예측값을 화재발생과 무사고 2가지 형태의 범주데이터로 전환하기 위하여 출력값이 0.5 이상이면 화재발생(Yes)으로, 0.5미만이면 무사고(No)로 판단하였다.

2×2 Contingency Table for Evaluating Predictability of ANN

Table 5에서 도출된 점수로부터 적중률(Hit rate), 위험점수(Threat score), 탐지확률(Probability of Detection), 그리고 KSS(Kuipers Skill Score)를 사용하여 예측결과의 정확도를 평가하였는데, 언급한 예측정확성 평가방법 모두 결과값이 0에서 1사이로 평가되며, 1에 가까울수록 예측의 정확도가 높다는 것을 의미한다(Wilks, 1995; Kang & Lee, 2008). 여기서, Eq. (7)의 적중률(H)는 예측정확도를 평가하는 데 가장 일반적인 방법으로서, 총 위험평가결과 중 화재발생사업장과 무사고 사업장의 예측이 정확한 경우의 비율을 의미한다.

(7)H= (a+d)n 

그러나 학습데이터가 화재사고 사업장 보다 무사고 사업장이 월등히 많고, 화재사고에 대한 예측이 중요한 경우에는 관측된 화재사고와 예측된 화재사고의 합에 대한 예측적중률을 표현하는 Eq. (8)의 위험점수(TS)를 사용하는 것이 보다 합리적일 수 있다.

(8)TS= a(a+b+c) 

Eq. (9)인 탐지율(POD)은 관측된 총 화재사고에 대해 예측이 적중된 비율을 의미하며, Eq. (10)의 Kuipers Skill Score(KSS)는 완벽한 예측과 기준예측 사이에 상대적 예측정확도에 대한 것을 평가하는 방법이다(Hanssen & Kuipers, 1965).

(9)POD= a(a+c)
(10)KSS= (adbc)(a+c)(b+d) 

인공신경망 학습과정을 완료 후 60개 검증자료를 통해 도출된 2×2 분할표는 Table 6과 같다. 60개소의 제조시설 중 실제 화재가 발생한 사업장을 정확히 예측한 것이 15건, 실제 화재가 발생하였으나 예측하지 못한 것이 15건이었다. 그리고 화재가 발생하지 않았으나 발생한 것으로 예측한 것은 1건, 실제 화재가 발생하지 않은 사업장을 정확히 예측한 것은 29건으로 나타났다.

2×2 Contingency Table in ANN Verification

이로부터 평가된 적중률(H)은 0.73으로 비교적 높은 예측정확도를 보였으나, 화재가 발생한 사업장의 예측적중률을 나타내는 위험점수(TS)는 0.48, 완벽한 예측과 기준예측의 상대적 예측정확도를 나타내는 KSS는 0.47, 탐지율은 0.50로 평가되어 충분치 않은 예측결과를 보였다(Table 7).

Evaluation Score (H, TS, POD, KSS)

4. 결론

제조시설의 화재보험 활성화를 위해서는 보험사의 화재위험성 평가시스템이 필요하며, 이를 위해서 화재발생에 영향을 미치는 요소들 간의 비선형적 관계에 대한 검토가 이루어져야 한다. 그러나 그 동안 대부분의 화재위험도 평가에서는 전통적인 통계학적 기법에 의존한 선형적 관계 또는 경험적 판단이 대부분이었기 때문에 실제 화재위험을 평가하는데 한계가 있었다. 이에 본 연구는 제조시설의 화재위험성 평가에서 인공신경망의 활용성을 검토하고자 과거 위험실사자료와 화재사고 DB로부터 인공신경망 모형을 구축하고, 그 결과를 검증하였다. 본 연구로부터 주요 결론을 정리하면 다음과 같다.

  • (1) 본 연구에서 수집한 과거 위험실사자료는 총 3,448건으로, 이 중 여기서 화재사고가 발생한 사업장은 282개소이다. 전체자료에서 데이터의 불균형성과 불완전성을 최소화하기 위해 인공신경망에 사용할 자료를 추출하였고, 역전파 알고리즘에 의한 학습과정에 사용한 자료는 522개, 예측결과의 검증에 60개 자료를 활용하였다.

  • (2) 위험실사자료에서 무사고사업장과 화재발생 사업장간의 가장 많은 차이를 보인 평가항목은 공정지역위험(C2)이었으며, 전체 15개 평가항목에서 다중회귀분석 결과 및 중요도를 고려하여 9개 평가항목을 모형구축에 최종 활용하였다.

  • (3) 사업장의 화재발생 가능성에 대한 적중률(H)은 0.73으로 비교적 높은 것으로 나타났다. 이는 향후 보험사에서 화재위험성 평가과정에서 보완자료로서 활용이 가능할 것으로 보이며, 위험점수(TS), 탐지율(POD), KSS에서는 충분치 않은 예측결과를 보였다. 이는 화재를 유발하는 다양한 요소에 비해 학습데이터가 상대적으로 부족했기 때문인 것으로 판단된다. 향후 보다 많은 제조시설에 대한 사고데이터가 수집, 보완된다면 예측적중률을 개선할 수 있을 것이다.

보험산업에서 인공신경망을 통한 위험평가기법을 활용하기 위해서는 우선적으로 보험계약자료, 위험실사자료 및 사고자료가 체계적으로 구축되어야 한다. 이러한 보험데이터는 양적 외 질적인 측면에서 관리가 함께 이루어져야 하는데, 자료가 충분치 않거나 불안전한 경우 예측품질에 영향을 미칠 수 있기 때문이다. 이처럼 향후 보험사에서 생산되는 다양한 자료는 화재와 같은 사회재난 뿐만 아니라 자연재난에 따른 위험도평가 과정에서 활용도가 높을 것으로 판단된다.

감사의 글

본 연구는 정부(국민안전처)의 재원으로 재난안전기술개발사업단의 지원을 받아 수행된 연구임[MPSS-자연-2015-79].

References

Hanssen A. W, Kuipers W. J. A. On the Relationshipship Between the Frequency of Rain and various Meteorological Parameters. Koninklijk Nederlands Meteorologisch Institut 1965. 81Meded. Verhand. p. 2–15.
Kaiser J. Experiences of the Gretener method. Fire Safety Journal 1979;2:213–222. 10.1016/0379-7112(79)90021-3.
Kang B. S, Lee B. K. Improving Probability of Precipitation of Meso-scale NWP Using Precipitable Water and Artificial Neural Network. Journal of The Korean Society of Civil Engineers 2008;28(5-B):485–493.
Kim W. C. A Study on Development and Application for Fire Risk Index Assessmenent. Risk Management Seminar on the 25th Anniversary of Korea Fire Protection Association 1998;:24–29.
Kim Y. D. A Study on Developing Building Fire Risk Assessment Model and Its Application: Focused on Nonlife Insurer’s Risk Management and Underwriting Functions. Ph.D’s Thesis 2010. University of Seoul;
Kim Y. S, Kim S. J, Kang N. R, Kim T. G, Kim H. S. Estimation of Frequency Based Snowfall Depth Considering Climate Change Using Neural Network. J. Korean Soc. Hazard Mitig 2014;14(1):93–107. (Feb. 2014). 10.9798/KOSHAM.2014.14.1.93.
KIRI. A Study of Improving on General Insurance Rating System 2015. Korea Insurance Reseach Institute.
LIG System. Fire Risk Assessment, Method & Computer Recording System using Fire Risk Index, Korea Patent, 10-1630171 2014;
Oh C. S. Neuro Computer 1996. Naeha Publisher.
Wilks D. S. Statistical methods in the Atmospheric Sciences 1995. Academic Press. p. 220–250.

Article information Continued

Fig. 1

ANN Architecture

Table 1

Variables of Assessment Factors

Variables Number of Factors Description
C1 Facility Scale 1 Tangible Assets Value
C2 Process Area 9 Process Hazard, Etc.
C3 Storage Area 7 Fire Load, Etc.
C4 Building Structure 3 Structure Level, Etc.
C5 Building Arrangement 3 Distance between Buildings, Etc.
C6 Electrical Utilities 4 Management Condition, Etc.
C7 Sprinkler System 4 Installation Criteria, Etc.
C8 Fire Detection System 3 Installation Criteria, Etc.
C9 Water Supply System 4 Emergency Power, Etc.
C10 Other Fire Suppression System 2 Installation Criteria, Etc.
C11 Prevention Activities 6 Training, Etc.
C12 Hazardous Materials Management 7 Monitoring System, Etc.
C13 Hot Work Management 4 Permit, Etc.
C14 Smoke Controls 4 Restriction Rules, Etc.
C15 Safety Management 3 Safety & Security team, Etc.

Table 2

Normalized Value of Facilities

Grade Value (100 Million Won)
1 ~ 1
2 1 ~ 10
3 10 ~ 100
4 100 ~ 1,000
5 1,000 ~

Fig. 2

Non Accident vs Fire Accident Facilities Assessment Factor Average

Fig. 3

Non Accident vs Fire Accident (more than 100 million won) Facilities Assessment Factor Average

Table 3

The Results of Multiple Regression Analysis

Variable Unstd. Coef. Std. Coef. T-Value P-Value
C1 0.02788 0.00753 3.70477 0.00022
C2 -0.02369 0.00614 -3.85550 0.00012
C3 -0.00275 0.00635 -0.43325 0.66486
C4 0.00214 0.00470 0.45572 0.64862
C5 -0.00781 0.00325 -2.40522 0.01622
C6 -0.01219 0.00916 -1.33189 0.18299
C7 -0.00433 0.00679 -0.63719 0.52405
C8 0.00776 0.00673 1.15421 0.24849
C9 -0.00629 0.00890 -0.70635 0.48002
C10 -0.01173 0.00740 -1.58569 0.11290
C11 0.00391 0.00516 0.75895 0.44793
C12 -0.00870 0.00577 -1.50963 0.13123
C13 -0.01066 0.00511 -2.08620 0.03703
C14 -0.01471 0.00714 -2.05895 0.03957
C15 0.00380 0.00569 0.66750 0.50450

Table 4

Configurations of the ANN

Index Neural Networks Model
Input Node 9
Hidden Layer 1
Hidden Node 19
Output Node 1
Learning rate (α) 0.05
Momentum (β) 0.1
Epoch 5,000

Table 5

2×2 Contingency Table for Evaluating Predictability of ANN

Classification Observation
Yes No
Forecast Yes Hits (a) False alarms (b)
No Misses (c) Correct negative (d)

Table 6

2×2 Contingency Table in ANN Verification

Classification Observation
Yes No
Forecast Yes 15 1
No 15 29

Table 7

Evaluation Score (H, TS, POD, KSS)

Results
Hit Rate 0.73
Threat Score 0.48
Detection Probability 0.50
KSS 0.47