J. Korean Soc. Hazard Mitig Search

CLOSE


J. Korean Soc. Hazard Mitig. > Volume 18(1); 2018 > Article
인간 특성에 기초한 실시간 능동 경로 선택모델과 전산유체역학 데이터를 적용한 군중 대피 시뮬레이션

Abstract

Contrary to the past, modern buildings have become larger in scale and function. In case of an emergency situation, difficulty of evacuation and rescue increases. Therefore, effective evacuation methods and risks should be predicted and applited to building design, safety training and education. In this research, computational fluid dynamics data was interlocked for realistic evacuation simulation and a real-time active route choice model that agents detect hazardous factors based on human sense and make their own decisions about bottleneck areas and choose evacuation routes was developed. In this paper, we suggest a new methodology for crowd evacuation simulation by introducing the active route choice model, analyzing the implementation process, performance and realism. It is expected that it will be possible to perform evacuation simulations with more realistic and validity by applying the active route choice model.

요지

과거와 달리 현대 건축물은 규모와 기능적 측면에서 고층화 및 대형화 되었다. 비상 상황 발생 시 탈출과 구출에 대한 어려움이 증대 되어 재실자의 효율적인 대피방안과 위험성을 사전에 예측하여 건축물 설계와 안전 훈련 및 교육에 적용할 필요가 있다. 본 연구에서는 현실적인 군중 대피 시뮬레이션을 위해 전산유체역학 데이터를 대피 환경과 연동하였고 재실자가 인간의 감각을 기반으로 위험요소를 감지하고 병목지점에 대하여 스스로 판단하여 탈출 경로를 선택하는 실시간 능동 경로 선택 모델을 개발하였다. 본 논문에서는 능동 경로 선택 모델을 소개하고 구현과정, 성능 및 현실성을 분석하여 군중 대피 시뮬레이션의 새로운 방법론을 제시한다. 능동 경로 선택모델을 적용하면 더욱 현실성과 타당성이 있는 대피 시뮬레이션을 수행 할 수 있을 것으로 기대한다.

1. 서론

현재 국외⋅국내의 건축물과 구조물은 산업화, 정보화, 집중화, 전문화 및 기능의 다양화로 인해 과거에 비하여 대형화, 고층화, 복잡화 되었다. Fig. 1 (EIA, 2015)은 건축물 크기의 증가 양상을 나타내며 한국의 경우 좁은 국토면적으로 인하여 이러한 양상이 더욱 가속될 것으로 예상된다.
Fig. 1
Average Commercial Building Size
KOSHAM_18_01_079_fig_1.gif
이러한 건축물의 변화와 더불어 예상치 못한 대형 화재나 재난에 대한 위험성과 피해가 증가하였고 탈출 경로가 복잡해짐에 따라 대피 시간이 지연되었다. 특히 다수의 인원을 수용하는 여객선, 지하철, 학교, 병원 등의 대형 건축물의 경우 재실자의 대피 안전성을 확보하기 더욱 어려운 실정이며 재난 상황 발생 시 대규모의 인명피해가 우려되고 있다. 이러한 문제점과 최근 안전에 대한 관심의 증가로 인하여 인명안전성 확보방안이 중요한 요소로 대두되었고 지침과 기준에 대한 규제로만 시행되었던 법규위주설계(Prescriptive design)에서 공학적 도구와 연구를 바탕으로 안전성능과 목적 달성을 위한 성능 위주 설계(Performance Based Fire Design)가 시행되고 있다. 성능 위주 설계의 방안으로는 건축물의 계획 및 설계 시 또는 이미 지어진 건축물에 대하여 위험요소를 제거하고 최소화 하기 위하여 피난 시뮬레이션을 이용하여 재실자의 피난성과 안전성을 분석하는 방법이 있다. 시뮬레이션 방법은 개발 시간이 오래 걸리고 사람의 특성을 반영하기 어려운 단점이 있지만 다양한 비상 상황을 묘사할 수 있고 정확도에 대한 개선의 여지가 큰 잠재성이 있는 방법으로 많은 연구가 진행되고 있다. 본 연구에서는 더욱 정확하고 사실적인 탈출 시뮬레이션 개발을 위하여 인간의 특성과 감각이 반영 된 능동 경로 선택 모델(Active Route Choice Model)을 개발하였다. 실시간으로 이루어지는 능동 경로 선택 모델은 컴퓨터 그래픽스 기법을 이용하여 묘사된 인간의 감각 기관과 인간 행동 알고리즘을 이용하여 각각의 재실자가 스스로 경로를 판단하고 정하여 탈출을 하는 Agent- based 알고리즘이다. 또한 이를 PyroSim (Fire Dynamics and Smoke Control) (Thunderhead Engineering, 2011)과 FDS (Fire Dynamics Simulator) (McGrattan et al., 2004) 결과와 연동하였고 독성가스에 대한 유효복용분량(FED: Fractional Effective Dose), 연기로 인한 가시성 그리고 거주한계온도를 적용하여 가상의 환경에서 화재 탈출 시뮬레이션을 수행하였다. 탈출 시뮬레이션의 대표적인 연구 분야와 본 연구의 주안점을 Fig. 2에 나타내었다. 시뮬레이션의 결과 검증을 위해서 국제해사기구에서 발표한 IMO MSC.1/Circ. 1238 (IMO, 2007)과 IMO MSC.1/Circ. 1533 (IMO, 2016)에서 제시하는 12가지 항목을 바탕으로 시뮬레이션의 여러 요소들이 의도한 대로 실행되는 지를 점검하는 구성요소 시험 (Component testing)과 인간 행동 특성이 나타나는지 시험하는 정성적 검증 (Qualitative verification)을 수행하였다. 향후 본 연구의 구현과정 및 결과를 다른 건축물에 적용하면 탈출성을 확인하고 병목현상 지점을 수정 및 보완하여 안전에 대한 신뢰도가 높은 건축물을 설계 할 수 있고 사고 발생 시나리오에 대한 최적의 조치를 사전에 파악하여 실제 비상상황 발생 시 인명피해를 최소화 할 수 있을 것으로 기대한다.
Fig. 2
Research Fields of Evacuation Simulation
KOSHAM_18_01_079_fig_2.gif

2. 관련 연구

1970년대를 기점으로 시작된 대다수의 비상 상황 발생 시 인명 탈출 분석에 관한 연구는 빌딩이나 건물의 화재 발생 상황을 대상으로 진행되었고 1980 년대 컴퓨터 그래픽스 분야에서 시작된 군중 시뮬레이션 기술을 응용하고 결합하는 형태로 발전이 되었다(Thalmann, 2007). 사람의 이동 가능한 영역과 특성을 표현하는 방법에 따라 Flow-based, Cellular automata, Agent-based 그리고 Activity-based로 나눌 수 있다(Santos, 2004). Flow-based 방법은 중요한 지점을 노드로 정의하고 연결하여 그 사이를 이동하는데 걸리는 시간을 분석하는 방법으로 유체역학의 연속방정식과 매우 흡사하다. 매우 빠르고 단순한 계산이 가능하지만 모든 재실자가 동일한 특성을 갖는 것으로 가정하므로 재실자의 위치와 개개인의 특성을 반영하는 것에 한계가 있다. Cellular automata 방법은 격자 구조의 Cell들로 이동 가능한 영역을 표현하는 방식이다. 비교적 빠른 계산이 가능하고 Flow-based 방법과 비교하여 더욱 정확한 결과를 얻을 수 있다. Agent- based 방식은 이동 가능한 영역을 좌표계로 나타내는 방식으로 재실자 개개인의 특성 반영이 가능하고 위치를 정확히 나타낼 수 있다. 하지만 계산량이 많고 계산시간이 오래 걸리는 단점이 있다. 최근에는 기존의 방법들에 특정 상황에서의 행동을 표현하는 Activity-based 방법을 추가하여 시뮬레이션을 수행 하고 있다. 각 방법의 특징들을 Table 1에 나타내었다.
Table 1
Comparison Table of Simulation Models
Evaluation items Basic model Activity based
Flow based Cellular automata Agent based
Accuracy × Δ
Computation efficiency Δ × ×
Category Simplified Advanced
Characteristic of human × Δ ◯◯
Situation description × Δ ◯◯
Human behavior × Δ ◯◯
Commercial tool EVACNET4 EESCAPE EXODUS EGRESS FDS+Evac Pathfinder -
Approach Continuity equation Eulerian Lagrangian -
기본적으로 탈출 시뮬레이션은 비상 상황에서의 사람의 행동을 분석 및 정의하고 이를 수식화시켜 컴퓨터 알고리즘으로 변환하는 것이다. 이를 위하여 기존 탈출 시뮬레이션 연구들은 사람의 보행속도와 충돌회피 및 군중 행동 묘사를 위한 Flock behavior 기반의 응집(Cohesion), 분리(Separation), 정렬(Alignment)을 반영하는 것과 탈출 경로 검색의 경우 최단 거리 경로에 대한 연구에 초점이 맞춰져 있었으나 최근에는 인간의 특징을 더욱 자세히 반영하여 좀 더 현실적이고 타당하며 물리적 모순이 적은 시뮬레이션 결과를 얻기 위해 최단시간 경로와 최적 경로 및 안전 경로 등을 검색하는 연구가 등장하고 있는 추세이다. 실시간 경로 탐색의 예로는 Kemloh et al.(2012)은 특정 출구를 중심으로 현재 경로보다 다른 경로를 선택하는 것이 목표지점에 도달하는데 걸리는 시간이 빠를 경우에만 선택된 재실자가 다른 경로를 선택하게 하였다. Pereira et al.(2017)은 재실자의 이동속도가 0인 경우를 병목현상으로 간주하여 확률적으로 결정된 재실자가 다른 경로를 선택하게 하였다. Liu et al.(2017)은 Dynamic obstalce method를 이용하여 위험물질이 있는 경로자체를 제거하여 해당 경로를 이용하는 재실자가 다른 경로를 선택하게 하였다. 비 실시간 경로탐색의 예로는 Han et al.(2017)은 시뮬레이션이 시작되기 전 모든 경로에 대하여 경로의 거리와 길이, 재실자로 인하여 발생되는 병목현상의 정도 그리고 출구의 크기를 변수로 반복계산을 통해 최적의 경로를 각 재실자에게 부여하였다. 이처럼 경로 탐색에 있어서 최적의 경로를 구하고 인간특성을 반영하려는 연구들이 진행이 되고 있지만 계산과정과 알고리즘에 사람의 특징을 반영하는 것에는 아직 많은 한계점과 물리적인 모순이 있다. 기존 연구에서의 한계점으로는 시뮬레이션이 시작되기 전에 위험요소와 위험 경로를 재실자가 인지하고 있다고 가정하여 최적의 경로를 부여하거나 위험요소가 존재하는 경로 자체를 제거하여 시뮬레이션 상에 존재하는 모든 재실자가 위험요소를 강제로 감지하게 하였다. 또한 병목현상을 감지하고 다른 경로를 선택하게 하는 과정에 있어서 재실자가 스스로 판단하게 하는 것이 아닌 공간적인 입장에서 확률적으로 재실자를 선택하여 강제로 이동하게 하거나 현재 경로를 유지하는 경우와 경로를 변경하는 경우의 도착지점 도달시간을 각각 계산하여 경로 변경 시 도달시간이 단축되는 경우에만 경로를 변경하는 방법 등이 대표적인 물리적 모순이 있는 한계점의 예이다. 전산유체역학을 적용한 탈출 연구에 있어서도 실제 대피 환경처럼 재실자가 독성 가스나 화재 연기를 감지하여 다른 경로를 택하게 하는 과정에서 인명피해를 계산하는 것이 아닌 재실자의 감지 없이 재실자의 이동과 위험물질의 유동과는 별개로 시뮬레이션을 수행하는 한계점이 있다. 본 연구에서는 사람의 인체 감각기관을 기반으로 인간 특성들을 반영하여 물리적 모순을 최소화한 군중 대피 시뮬레이션을 위해 실시간 능동 경로 선택 모델을 UNITY platform (Unity Technologies, 2008)에서 개발하였다. UNITY는 게임 개발 플랫폼으로서 높은 가시화 품질과 자유도를 갖고 있기 때문에 다양한 물리적 특성과 비상 상황을 표현 할 수 있다. 능동 경로 선택 모델이 적용된 대피 시뮬레이션을 통해서 더욱 현실적이고 타당성이 있는 결과를 얻을 수 있을 것으로 기대한다.

3. 실시간 능동 경로 선택 모델

정확도가 높은 탈출 시뮬레이션을 위해서는 인간의 특성을 현실적으로 반영하는 것이 중요하다. 본 연구에서 개발 된 실시간 능동 경로 선택 모델은 인간의 감각이 적용된 방법으로 위험요소를 스스로 감지하거나 특정 영역 내 존재하는 다른 재실자와 위험지역 정보를 공유하여 위험 경로가 아닌 안전한 경로를 선택 할 수 있다. 병목현상 발생 지점에서는 재실자 개개인이 스스로 판단하여 다른 경로를 선택하거나 현재 경로를 유지하며 탈출을 진행 할 수 있다. 전산유체역학 데이터와 연동이 되는 경우에는 화재로 인한 열기나 유독가스 및 연기를 재실자가 실시간으로 스스로 감지하여 안전한 경로를 다시 선택 하므로 동일한 공간 조건에서도 다양한 화재 상황에 따라 다른 탈출 양상을 얻을 수 있고 이를 통해 현실적인 분석이 가능하다. 사람의 실제 신체기관과 이를 반영하기 위해서 시뮬레이션에서 사용한 방법들을 Table 2에 나타내었다.
Table 2
Simulation Methods for Human Characteristic
Function Human Computer simulation
Hazard detection Vision Ray-casting
 Information sharing of hazardous route  Vision
Speaking
Hearing
Ray-casting
Certain radius
Sharing algorithm
Bottleneck detection Vision Ray-casting
Certain radius
Bottleneck algorithm
Path finding Memory Bit mask
A* Algorithm
Collision avoidance Instinct RVO Algorithm
Ray-casting은 특정 물체와의 교차 검사를 하기 위해 광선 투사를 이용하는 방법으로 모델의 렌더링을 위해 컴퓨터 그래픽스에 처음 등장한 기법이다(Roth, 1982). 능동 경로 선택 모델에서는 사람의 시야를 묘사하기 위해 Ray-casting 기법을 이용하여 각각의 재실자의 눈의 위치에서부터 광선을 투사하여 시뮬레이션상의 특정 위치에 위험 요소가 있으면 이를 실시간으로 감지하여 인식하게 하였다. Ray-casting을 이용하여 위험 요소를 감지하는 과정을 Fig. 3에 도식화 하였다. 위험 요소를 감지한 재실자는 우선적으로 위험 경로로 판단된 경로를 제외 시킨 후 경로 재 탐색 과정에서 다른 이용 가능한 경로 여부 확인을 하는 과정이 필요하다. 또한 한번 위험 경로로 판단된 경로는 시뮬레이션 중에 이용 할 수 없게 하는 것이 현실적이다. 위험 경로와 안전한 경로 또는 확인되지 않은 경로를 각각의 재실자에게 인지시키기 위하여 능동 경로 선택 모델에서는 비트 마스크 연산을 이용하여 이를 구현하였다. 비트 마스크란 어떤 수의 비트에 0 또는 1과 같은 마스크를 씌움으로서 2진수의 비트 열을 이용하여 특정 비트의 값을 바꾸기 위해 비트 추가, 제거, 토글 같은 연산 처리가 가능하며 빠른 연산과 적은 메모리 사용량이 가장 큰 장점이다. 1바이트는 8비트로 이루어져 있으므로 4바이트의 자료형의 경우 32비트로 구성된다. 능동 경로 선택 모델에서는 경로마다 2n으로 증가하는 고유값을 부여하여 이를 각각의 비트에 저장을 시키게 된다. Table 3에 경로에 따른 특성값과 비트를 나타내었다.
Fig. 3
Concept of Hazard Detection Using Ray-casting
KOSHAM_18_01_079_fig_3.gif
Table 3
Eigen Value According to Corridor Number
Bit 1 2 3 4 5 6 7 8 9 10 11
 Corridor number   1   2   3   4   5   6   7   8   9   10 
Eigen value 2 4 8 16 32 64 128 256 512 1024
경로에 따라 부여된 특성값과 Eq. (1)에 나타낸 경로 판별식을 이용하여 얻은 10진수 값을 2진수로 변환하면 전체 경로 상태를 각각의 재실자가 인지 할 수 있게 된다.
(1)
Route discriminant = Path state + Eigen value
몇 가지 경우에 대한 예를 Table 4에 나타내었다. 만약 2, 4 그리고 6번 경로가 위험 경로로 감지가 되었다면 이는 경로 판별식에 의해서 85라는 십진수를 얻게 되고 이를 2진수로 변환하면 1010101이 된다. 역으로 읽으면 첫 번째 비트는 경로자체의 유무를 나타내며 두 번째 비트부터는 통로 번호를 순서대로 나타낸다. 해당 통로에서 값이 1을 나타내면 위험경로를 0을 나타내면 안전하거나 확인되지 않은 경로를 나타낸다. 각각의 재실자는 위험 경로를 감지한 시점으로부터 경로를 재 탐색하여 다른 경로를 이용하여 탈출을 진행하여야 하는데 이러한 비트 마스크 연산을 통해 인지된 위험 통로를 제외한 경로 재탐색이 가능하다.
Table 4
Example of Hazardous Route Discrimination
 Hazardous corridor   Route discriminant   Binary number 
1 1+2=3 11
5 1+32=33 100001
1, 3, 5 1+2+8+32=43 101011
2, 4, 6 1+4+16+64=85 1010101
능동 경로 선택 모델에서는 A* 알고리즘을 이용하여 경로 재탐색을 수행하였다. A* 알고리즘은 주어진 출발지에서부터 최종 목적지까지의 최단경로를 찾아내는 그래프/트리 탐색 알고리즘으로 휴리스틱 추정값을 평가하는 방법으로 비용을 산정하여 경로를 추정한다(Hart, 1968). Eq. (2)는 A* 알고리즘의 비용 추정법을 나타낸다.
(2)
 f(n)=g(n)+h(n)
f는 총 비용으로 gh의 합을 n은 이동할 지점을 나타낸다. g는 시작점으로부터 이동지점까지의 이동 비용으로 g값은 계산이 진행 될 수록 값이 증가한다. h는 Heuristic function으로 이동지점으로부터 최종 목적지까지의 이동 비용으로 장애물과 대각선 방향을 무시하고 오직 가로세로 방향만 고려하여 계산하는 맨하탄 방식 (Manhattan method)이 사용되었다. A* 알고리즘을 이용하여 위험 경로를 피해 출발지에서부터 최종 목적지까지 비용을 계산하여 도달하는 과정을 Fig. 4에 나타내었다. 재실자가 경로를 찾아 이동 할 때 다른 재실자들간의 충돌회피가 적용되어야 한다. 충돌회피를 위해서는 기존에 개발 된 Reciprocal Velocity Obstacles (RVO) 모델이 사용되었다. RVO 모델은 Velocity Obstacle (VO)모델의 단점인 Agent 진동현상을 극복하고 더욱 현실적인 행동을 Agent에게 부여하기 위하여 개발된 모델이다. VO 모델에서는 다른 사람을 장애물로 가정하고 전적으로 계산이 진행되는 Agent가 모든 충돌 회피를 시도하지만 RVO 모델에서는 VO 모델과는 다르게 다른 사람을 장애물이 아닌 사람으로 가정하고 계산이 진행되는 Agent를 중심으로 한 특정 계산반경 내에 있는 모든 Agent가 충돌 회피를 같이 시도하게 된다. 따라서 RVO 모델은 VO 모델보다 매끄러운 이동이 가능하고 군중 이동시 발생하는 현상을 표현 할 수 있다고 알려져 있다(Snape, 2012). 재실자들은 이러한 이동과정에서 이미 위험경로를 감지하고 되돌아오는 다른 재실자들과 마주치거나 주변에 다른 재실자들과 함께 이동하게 된다. 이러한 상황이 발생하면 주변 다른 재실자들과 위험 지역에 대한 정보 공유를 한다고 가정하였다. Fig. 5에 재실자들간 위험지역에 대한 정보 공유 과정을 도식화하였다.
Fig. 4
Process of A* Algorithm for Path Finding
KOSHAM_18_01_079_fig_4.gif
Fig. 5
Concept of Hazardous Information Sharing
KOSHAM_18_01_079_fig_5.gif
위험경로 정보 공유는 각각의 재실자들에게 저장된 경로정보 자료형 구성에 비트연산을 적용하여 이루어진다. Fig. 5의 (b)에서의 두 재실자가 이용하는 경로를 경로 6번이라 가정 할 때 경로 앞쪽에서 위험 요소를 감지하여 현재 경로를 위험 경로로 인지한 재실자 2 의 경로 정보와 뒤쪽에 위치하여 현재 경로를 위험 경로로 아직 인지하지 못한 재실자 1의 정보 공유 과정에 대한 비트 연산을 Table 5에 나타내었다.
Table 5
Bitwise Operation for Information Sharing
 Logical operation  Binary  Decimal 
Bit  1   2   3   4   5   6   7 
 Corridor  1 2 3 4 5 6
Agent 1 | Agent 2 OR |) 1 0 0 0 0 0 0 64
1 0 0 0 0 0 1 65
= 1 0 0 0 0 0 1 65
현실적인 대피 시뮬레이션을 위해서는 위험요소 감지와 다른 재실자간의 위험 경로 정보 교환 뿐만 아니라 병목현상 발생 지점에서의 인간의 특성을 반영하는 것 또한 필요하다. 능동 경로 선택 모델에서는 병목지점에 대한 사람의 생각 패턴을 분석하고 정의하여 최대한 현실적으로 인간 특성을 알고리즘에 반영하였다. Fig. 6은 병목현상에 대한 실제 인간의 생각 패턴을 나타낸다.
Fig. 6
Logic of Human Mechanism in Bottleneck
KOSHAM_18_01_079_fig_6.gif
우선적으로 병목현상을 인지하는 단계가 필요하며 사람의 성격과 성향에 따라서 동일한 상황이 주어져도 병목지점이라고 판단하는 것은 개개인마다 차이가 있을 것이다. 병목지점이라고 일단 인지가 되면 다른 이용가능한 길이 있는지를 생각하거나 확인 할 것이며 만약 다른 이용가능한 길이 확인이 되어도 실제로 경로를 변경할 것인지 현재 경로를 유지 할 것인지에 대해서 다시 고민을 할 것으로 가정하였다. 이러한 인간의 특성을 대피 시뮬레이션의 알고리즘에 적용하기 위해서 사람의 성향을 표현하는 4개의 변수인 CA, CT, CD 그리고 CW를 적용하였다. Fig. 7은 능동 경로 선택모델에 적용된 병목지점에서의 알고리즘을 나타낸다. CA (Congestion agent number)는 재실자를 중심으로 전방 특정 범위 내에 존재하는 사람의 수를 나타내고 CT (Congestion thinking number)는 현 지점을 병목현상으로 느끼는 정도로서 동일조건이라 할지라도 사람의 성향에 따라서 병목지점이라 느끼고 판단하는 정도가 다르기 때문에 각각의 재실자에게 다른 값을 부여하였다. CA > CT 인 경우에만 재실자는 현재 상황이 병목현상임을 인지한다. CD (Congestion decision number)와 CW (Congestion waiting number)는 마지막 단계인 실제 경로 변경에 관련된 수로 CDA > CW 인 경우에만 재실자는 실제로 경로를 변경하여 대피를 진행하게 된다.
Fig. 7
Logic of Bottleneck Algorithm in Simulation
KOSHAM_18_01_079_fig_7.gif

4. 시뮬레이션의 검증

본 연구에서 개발 된 능동 경로 선택 모델에 대한 검증 수행을 위하여 국제적으로 널리 사용되는 탈출 시뮬레이션 검증 방법을 이용하였다. 국제해사기구 해양안전위원회 (MSC: Maritime Safety Committee)는 IMO MSC.1/Circ. 1238: Guideline on evacuation analysis for new and existing passenger ships (Ref, 2007)를 제정하여 컴퓨터 시뮬레이션에서 도출된 피난시간을 인정하고 또한 탈출 시뮬레이션의 검증을 위한 지침을 ANNEX 3에 발표하여 합당한 탈출 시뮬레이션을 수행 할 수 있는지에 대한 검증을 위한 테스트를 제시하였다. Test 1~7은 구성요소시험이며, Test 8~12는 정성적 검증이다. 각 테스트의 구체적인 내용을 Table 6 에 나타내었다.
Table 6
Tests for Validation/Verification
   Component testing
1 Maintaining the set walking speed in corridor
2 Maintain set walking speed up staircase
3 Maintain set walking speed down staircase
4 Exit flow rate
5 Response time
6 Rounding corners
7 Assignment of population demographic parameters
   Qualitative verification
8 Counterflow
9 Crowd dissipation from a large public room
10 Exit route allocation
11 Staircase
12 Flow density relation
본 연구에서 구현된 탈출 시뮬레이션은 12가지 테스트의 요구조건을 모두 만족하는 것을 확인하였다. 테스트 요구조건을 만족하는 것을 보이기 위해 비교적 간단한 구성요소 시험 보다 더욱 복잡한 정성적 검증 시험 중 8번과 12번 시험에 대한 내용을 소개한다.
Test 8은 폭 2m 길이 10m의 통로가 두 개의 가로세로 10m방을 연결하고 있는 공간에서 첫 번째 방에 100명의 재실자가 통로를 지나 두 번째 방으로 이동하는데 반대편에서 오는 재실자가 없을 때와 10, 50, 100명의 재실자가 반대편에서 올 때의 시간을 각각 측정하여 반대편에서 오는 재실자의 수가 증가 할수록 첫 번째 방의 재실자가 두 번째 방에 도달하는 시간이 증가함을 확인하는 것이다. Fig. 8에 Counterflow가 없을 때와 10, 50, 100으로 Counterflow가 증가 할 때에 시뮬레이션 결과를 나타내었다. Counterflow가 증가함에 따라 첫 번째 방에서 두 번째 방으로 이동하는데 소요되는 시간이 증가함을 확인 할 수 있었고 추가적인 검증을 위하여 Table 7에 다른 연구와의 비교 결과를 나타내었다.
Fig. 8
Simulation Result of Test 8
KOSHAM_18_01_079_fig_8.gif
Table 7
Comparison of Simulation Results
 No. of counterflow  Cho et al. (2011)  Evi   This research 
(sec)
0 84.6 88.9 82.3
10 93.2 125.6 108.1
50 137.1 229.1 224.3
100 216.1 327.9 277.7
Test 12는 2016년도에 새롭게 추가된 시험으로 재실자 밀도가 높을수록 그보다 낮은 보통의 밀도 일 때와 비교하여 Flow of persons이 낮아지는 것을 확인하는 테스트로 동일 출발점에서부터 20, 50 그리고 70 명의 재실자를 배치하여 테스트를 수행하였고 시뮬레이션 결과를 Fig. 9에 나타내었다. 가장 뒤쪽의 마지막 사람이 30m의 통로를 통과 할 때까지 걸리는 시간을 측정하여 Flow of persons을 구하였다. Table 8은 사람의 수에 따른 각각의 결과를 나타낸다. 사람의 수가 증가 할수록 Flow of persons은 감소하는 것을 확인 하였다. 이러한 현상은 사람과 사람 간의 최소 거리를 유지하려는 군중 이동 현상 중 분리 영향으로 인하여 발생한 것으로 볼 수 있다.
Fig. 9
Simulation Result of Test 12
KOSHAM_18_01_079_fig_9.gif
Table 8
Comparison of Flow of Persons
No. of people  Density (P/m2)   Time (sec)  Flow of persons (m/s)
20 0.95 57.78 0.63
50 2.38 94.48 0.38
70 3.33 112.28 0.33

5. 구현 및 실험

5.1 시스템 아키텍쳐

시뮬레이션은 전처리 단계와 대피 시뮬레이션 실행 단계로 나누어진다. Fig. 10은 능동 경로 선택 모델이 적용된 본 연구의 시뮬레이션 전체 과정을 나타낸다. 전처리 단계에서는 전산유체역학을 이용한 화재 해석과 시뮬레이션의 정의가 이루어진다. 능동 경로 선택 모델은 재실자가 스스로 위험요소를 감지하며 안전한 경로를 택하여 탈출을 진행하는 방법으로 화재와 연기 및 유독 가스 등의 위험요소는 시간에 따라 변화하므로 현실적인 위험요소의 유동정보를 얻기 위해 사전에 Pyrosim (Fire Dynamics and Smoke Control)과 FDS (Fire Dynamics Simulator)를 이용하여 화재 해석을 수행하였다. 화재 해석 결과는 시뮬레이션 실행 단계의 능동 경로 선택 단계와 위험 분석 단계와 연동이 되고 대피 시뮬레이션과 화재 해석 결과의 시간을 일치시켜 대피를 시도하는 재실자들에게 시간에 따라 변화하는 위험정보를 제공하고 위험 요소로 인한 피해를 계산한다. 시뮬레이션 정의 단계에서는 전반적인 모든 사항들을 관장하는 단계로 재실자들에게 세부적인 특징(성별, 나이, 체형, 운동 능력, 성격)들을 부여하고 초기위치와 목적지점을 배정한다. 또한 재실자들이 이동할 수 있는 공간을 제공하며 Path Finding 알고리즘 적용을 위한 Navigation field를 생성한다. 각각의 재실자들에게 위험 경로를 인지시키기 위하여 통로에 비트에 따른 특성값을 부여하는 단계도 시뮬레이션 정의 단계에서 이루어진다. 전처리 단계가 완료되면 대피 시뮬레이션이 실행된다. Global Navigation 단계에서는 이전 단계에서의 정보들을 바탕으로 A* 알고리즘을 이용하여 지정된 초기위치에서 목적지까지 경로를 계산한다. 모든 재실자의 경로 계산이 완료가 되면 실시간 처리가 수행된다. 실시간 처리 단계에서는 목적지로 이동하는 재실자들간의 충돌회피가 이루어지며 능동 경로 선택 단계에서 는 경로를 변경해야 하는지를 판단하고 위험 분석단계에서는 재실자의 현재 피해정도를 분석하며 시뮬레이션이 진행된다. 피해정도와 사람 밀도에 따른 속도 감소 계수를 적용하여 현재 이동속도를 계산하고 위험요소로 인한 재실자의 사망여부와 목적지 도착여부를 확인하여 특정 재실자의 시뮬레이션이 종료 될 때까지 이산화 된 시간을 더하여 실시간 처리 단계를 반복 진행하며 탈출 시뮬레이션이 수행된다.
Fig. 10
Process of Evacuation Simulation
KOSHAM_18_01_079_fig_10.gif

5.2 탈출 환경 시나리오

능동 경로 선택 모델이 적용된 시뮬레이션은 Fig. 11의 가상의 환경에서 수행되었다. 5개의 가로 8m, 세로 3m의 공간을 재실자의 초기위치로 지정하였고 각각의 공간에는 20명씩 배정하여 총 100명의 재실자를 대상으로 대피 시뮬레이션을 수행하였다. 도착 지점은 우측 끝의 초록색으로 표시된 곳으로 안전지역으로 가정하였다. 재실자들은 탈출이 진행 될 공간에 대해서는 인지를 하고 있으나 위험요소의 위치는 모른다는 가정 하에 시뮬레이션을 진행하였고 재실자의 최고 이동 속도는 IMO MSC.1 / Circ.1238 Tables 3, 4 (Ref, 2007)에서 제시하는 30세에서 50세 사이 남성의 속도분포 이용하여 각 재실자에게 다른 이동속도를 부여하였다. Fig. 12는 시뮬레이션에 적용된 100명의 재실자에 대한 속도 분포를 나타낸다.
Fig. 11
Geometry Environment of Evacuation Simulation
KOSHAM_18_01_079_fig_11.gif
Fig. 12
Distribution Result of Walking Speed
KOSHAM_18_01_079_fig_12.gif
화재 시뮬레이션 결과가 연동되어 시간에 따라 위험 요소의 유동이 존재하는 상황과 연동되지 않고 동적인 위험 요소의 유동 없이 정적인 위험요소만 존재하는 상황에 대하여 시뮬레이션이 수행되었다.

5.3 탈출 시뮬레이션

탈출 상황 1: 정적 위험요소

대피 상황 1은 정적인 위험요소만 존재하는 상황으로 1, 2, 3, 4 그리고 6 번 위치에 시간에 따라 변화하지 않는 위험요소가 있다는 가정 하에 탈출 시뮬레이션이 수행되었다. 탈출 상황 1에 대한 시간대별 시뮬레이션 결과를 Fig. 13에 나타내었다. 각각의 재실자들은 출발지점 앞에 위치한 출구를 이용하여 탈출을 시도 한다. 통로 E를 선택한 재실자들은 위험요소 감지없이 목적지까지 도달 할 수 있지만 다른 경로를 택한 재실자들은 위험 요소를 감지하게 된다.
Fig. 13
Evacuation Simulation Results Without CFD Data
KOSHAM_18_01_079_fig_13.gif
시뮬레이션이 20초 경과한 시점에서는 각 위험 요소를 가장 먼저 감지한 재실자들이 감지된 위험요소 정보를 근처의 다른 재실자들과 공유하여 경로를 변경하였다. 시뮬레이션이 40초 경과한 시점에서는 통로 E에서 병목 현상이 발생하였으므로 통로 F를 이용하여 탈출을 시도하는 재실자가 발생하였다. 시뮬레이션이 80초 경과한 시점에서는 통로 E와 통로 F를 이용한 재실자들이 모두 통로 G에서 마주치게 되므로 병목현상이 발생하게 되고 통로 H를 이용하여 탈출을 진행하는 재실자가 발생하였다. 시뮬레이션이 90초 경과한 시점에서는 통로 H 로 경로를 변경한 재실자는 6번위치의 위험요소를 감지하게 되고 다른 경로가 없으므로 병목현상이 발생하는 통로 G를 이용하여 최종적으로 탈출을 시도하게 된다. 탈출 상황 1의 경우 100명의 재실자가 안전 지역에 도달하는데 까지 총 204초 정도가 소요되었다. 시뮬레이션 동영상은 Appendix A-1에서 확인할 수 있다.

탈출 상황 2: 동적 위험요소

탈출 상황 2는 동적 위험요소가 존재하는 상황으로 위험 요소의 실제 거동에 대한 정보를 얻기 위하여 사전에 PyroSim을 이용하여 FDS를 수행하였고 이를 통해 얻어진 결과를 능동 경로 선택 모델이 적용 된 탈출 시뮬레이션과 연동하였다. 능동 경로 선택 모델은 실시간으로 위험을 감지하여 안전한 경로를 택하여 탈출을 진행하는 것이 가능하므로 시간에 따라 변화하고 유동이 존재하는 위험요소를 탈출 시뮬레이션과 연동하면 실제 재난 환경 묘사가 가능하고 재실자들이 위험요소의 유동을 감지하며 탈출을 진행하므로 현실성 높은 시뮬레이션을 수행할 수 있다. 화재 시뮬레이션은 New Zealand Verification Method (MBIE, 2014)의 반응식을 이용하였고 이를 Eq. (3)에 나타내었다.
연기와 CO 수율은 각각 0.07과 0.04로 가정하였다.
(3)
CXHYOZNV+vO2O2yieldvCO2CO2+vH2OH2O vCOCO+vSSoot+vN2N2
화재 성장속도는 t-squared heat release rate (HRR) (Schifiliti, 2016)의 Fire growth coefficient가 0.0469인 Fast 화재 성장 속도를 적용하였다. 시뮬레이션에는 총 1,382,400개의 격자를 사용하였고 이는 화재 특성 지름식을 이용하여 계산된 Moderate 격자 조건이다(McGrattan, 2007). Fig. 11의 5번 위험 요소 위치에서 화재가 시작 되었다고 가정하여 화재 시뮬레이션을 수행하였다. FDS의 시간대별 결과를 Fig. 14에 나타내었다. 더욱 정확한 시뮬레이션을 수행하기 위해서는 재실자들이 위험요소를 감지하여 능동적으로 경로를 선택하는 것 외에도 위험요소가 재실자들에게 미치는 영향을 분석하여야 한다. 본 연구에서는 화재의 고온 열기로 인한 화상과 연기 유동으로 인한 가시성 저하 그리고 유독성 가스로 인한 질식을 탈출 유해요소로 적용하였다. 고온 열기로 인한 영향은 기도화상이 발생 할 수 있다고 알려진 거주 한계 온도인 60˚C (Kim et al., 2013)를 적용하였다. 연기 유동으로 인한 가시성의 저하는 재실자의 이동속도를 감소시켜 탈출 시간을 증가시키게 된다. Fridolf et al.(2014)의 연구를 바탕으로 속도 감소 계수를 이동속도에 적용하여 가시성 저하로 인한 속도 감소를 구현하였다. Eq. (3)은 본 연구에 적용된 속도 감소 계수식으로 y와 x는 각각 속도 감소 계수와 연기로 인한 가시거리를 나타낸다. 유독성 가스가 재실자에게 미치는 영향은 독성 농도 측정법을 사용하였다. 독성 농도 측정법에는 유효복용분량(Fractional Effective Dose) (Hartzell, 1988)과 부분자극농도(Fractional Irritant Concentration)가 있다. 유효 복용 분량은 시간에 따른 질식성 가스 복용량의 총합을 이용하여 재실자에게 미치는 영향을 분석하며 부분 자극 농도는 노출 즉시 영향을 주는 가스에 대한 피해를 해석할 때 사용되는 개념이다. 일반적인 화재에서 발생하는 연소 가스는 질식성 가스가 대부분으로 알려져 있으므로 본 연구에서는 유효복용분량을 적용하여 유독성 가스로 인한 재실자의 사망 또는 무능력 상태를 판단하였다. 5번 위치에서 화재가 난 상황인 탈출 상황 2에 대한 시간대별 시뮬레이션 결과를 Fig. 15에 나타내었다. 재실자들은 우선적으로 각 출발지점 앞에 위치한 출구를 이용하여 탈출을 시도 한다.
Fig. 14
FDS Results for Interlocking with Evacuation Simulation
KOSHAM_18_01_079_fig_14.gif
Fig. 15
Evacuation Simulation Results with CFD Data
KOSHAM_18_01_079_fig_15.gif
시뮬레이션 초반에는 위험요소들이 재실자의 경로 선택에 끼치는 영향이 미미하므로 재실자들은 경로 변경 없이 초기 경로를 유지하며 탈출을 진행한다. 시뮬레이션이 30초가 경과한 시점에서는 연기로 인하여 가시성 확보가 어려운 지점이 최초로 발생하게 되고 시간이 지날수록 연기의 확산으로 가시성 확보가 불가능한 지역은 증가한다. 이를 시뮬레이션의 검은 영역으로 가시화하였다. 재실자들은 이러한 위험요소를 감지하고 위험 경로를 회피하여 안전한 경로를 이용하여 탈출을 시도한다. 통로 E에 도달한 재실자들은 다른 경로가 없으므로 연기로 인해 가시성 확보가 되지 않은 통로 E를 이용하여 탈출을 진행한다. 시뮬레이션이 90초 경과한 시점에서는 화재의 고온 열기로 인해 거주 한계 온도를 초과하는 지역이 발생하며 이를 시뮬레이션의 붉은 영역으로 가시화하였다. 시간이 지날수록 연기와 열기는 더욱 확산이 되어 병목현상이 발생하고 있는 G 영역에 더욱 근접하게 된다. 병목현상의 발생과 연기로 인한 가시성 저하로 이동속도가 감소된 통로 G 부근의 재실자들은 느린 속도로 탈출을 진행하게 된다.
통로 G 부근에 남아있는 20명 정도의 재실자들은 연기와 열기의 확산으로 시뮬레이션이 160초 경과한 시점에서는 거주 한계온도를 넘는 온도에 노출되고 질식이 발생하여 사망 또는 이동 불능 상태가 된다. 시뮬레이션 동영상은 Appendix A-2에서 확인할 수 있다.

6. 결론

본 연구에서는 재실자의 효율적인 대피방안과 위험성 및 병목현상 발생 지점 등을 사전에 예측하여 건축물 설계와 안전 훈련 및 교육에 반영하고자 인간의 감각을 기반으로 스스로 위험요소를 감지하고 병목지점에 대하여 판단하여 탈출 경로를 선택하는 실시간 능동 경로 선택 모델을 개발하였고 성능 분석 및 실험을 위하여 FDS를 통해 얻어진 화재 전산유체역학 데이터가 연동된 가상의 재난 환경에서 시뮬레이션을 수행하였다. 향후 본 연구에서 제안하는 구현과정, 전산유체역학과의 연동 및 능동 경로 선택 모델을 이용하면 탈출과정에서의 위험 요소와 병목현상에 따른 인간 특성을 반영한 타당성 있는 시뮬레이션을 수행할 수 있다. 이를 통해서 비상 상황을 미리 예측하여 실제 비상 상황 발생 시 인명피해를 최소화 하고 건축 및 구조물의 안전성에 대한 평가 시 더욱 현실적인 결과를 제공할 수 있을 것으로 기대한다.

References

Cho, Y.O (2011) Advanced Evacuation Analysis Considering Passenger Behavior in an Emergency. Master's thesis, Seoul National University.
crossref
Fridolf, K, Andrée, K, Nilsson, D, and Frantzich, H (2014) The Impact of Smoke on Walking Speed. Fire and Materials, Vol. 38, No. 7, pp. 744-759. 10.1002/fam.2217.
crossref
Han, Y, Liu, H, and Moore, P (2017) Extended Route Choice Model based on Available Evacuation Route Set and its Application in Crowd Evacuation Simulation. Simulation Modelling Practice and Theory, Vol. 75, pp. 1-16. 10.1016/j.simpat.2017.03.010.
crossref
Hart, P.E, Nilsson, N.J, and Raphael, B (1968) A Formal Basis for the Heuristic Determination of Minimum Cost Paths. IEEE Transactions on Systems Science and Cybernetics, Vol. 4, No. 2, pp. 100-107. 10.1109/TSSC.1968.300136.
crossref
Hartzell, G.E, and Emmons, H.W (1988) The Fractional Effective Dose Model for Assessment of Toxic Hazards in Fires. Journal of Fire Sciences, Vol. 6, No. 5, pp. 356-362. 10.1177/073490418800600504.
crossref
International Maritime Organization (IMO) (2007) Guidelines for Evacuation Analysis for New and Existing Passenger Ships. Ref. T4/4.01, MSC. 1/Circ. 1238.
crossref
International Maritime Organization (IMO) (2016) Revised Guidelines for Evacuation Analysis for New and Existing Passenger Ships. Ref. T4/4.01, MSC. 1/Circ. 1533.
crossref
Kemloh Wagoum, A.U, Seyfried, A, and Holl, S (2012) Modeling the Dynamic Route Choice of Pedestrians to Assess the Criticality of Building Evacuation. Advances in Complex Systems, Vol. 15, No. 7, Article ID 1250029. 10.1142/S0219525912500294.
crossref
Kim, H, Bae, H, Choi, Y, Hong, K, and Ryou, H (2013) Numerical Analysis on the Effect of Improved Fractional Effective Dose (FED) for Evacuation by FDS_EVAC. Journal of the Korean Society of Safety, Vol. 28, No. 1, pp. 125-131. 10.14346/JKOSOS.2013.28.1.125.
crossref
Liu, T.T, Liu, Z, Ma, M, Xuan, R, Chen, T, Lu, T, and Yu, L (2017) An Information Perception-Based Emotion Contagion Model for Fire Evacuation. 3D Research, Vol. 8, No. 1, Article No. 10. 10.1007/s13319-017-0120-4.
crossref pdf
McGrattan, K (2007) Verification and Validation of Selected Fire Models for Nuclear Power Plant Applications, Volume 7:Fire Dynamics Simulator (FDS). Final Report, NUREG-1824, EPRI, 1011999.
crossref
McGrattan, K, Hostikka, S, Floyd, J, Baum, H, Rehm, R, Mell, W, and McDermott, R (2004) Fire Dynamics Simulator (version 5), Technical Reference Guide. NIST Special Publication 1018-5.
crossref
Ministry of Business, Innovation, Employment (MBIE) (2014) C/VM2 Verification Method:Framework for Frie Safety Design for New Zealand Building Code Clauses C1-C6 Protection from Fire. Errata 2 ed, pp. 1-65 ISBN 9780478381641.
crossref
Pereira, L.A, Burgarelli, D, Duczmal, L.H, and Cruz, F.R.B (2017) Emergency Evacuation Models based on Cellular Automata with Route Changes and Group Fields. Physica A:Statistical Mechanics and its Applications, Vol. 473, pp. 97-110. 10.1016/j.physa.2017.01.048.
crossref
Roth, S.D (1982) Ray Casting for Modeling Solids. Computer Graphics and Image Processing, Vol. 18, No. 2, pp. 109-144. 10.1016/0146-664X(82)90169-1.
crossref
Santos, G, and Aguirre, B.E (2004) A Critical Review of Emergency Evacuation Simulation Models. Proceedings of NIST Workshop on Building Occupant Movement during Fire Emergencies.
crossref
Schifiliti, R.P, Custer, R.L, and Meacham, B.J (In: Hurley M.J, ed. 2016). Design of Detection Systems. SFPE Handbook of Fire Protection Engineering. Springer, New York: p 1314-1377. 10.1007/978-1-4939-2565-0_40.
crossref
Snape, J, Guy, S.J, Vembar, D, Lake, A, Lin, M.C, and Manocha, D (2012). Reciprocal Collision Avoidance and Navigation for Video Games. In Game Developers Conf, San Francisco.
crossref
Thalmann, D (2007). Crowd Simulation. John Wiley & Sons, Inc, 10.1002/9780470050118.ecse676.
crossref
Thunderhead Engineering (2011). PyroSim User Manual. The RJA Group Inc, Chicago, USA.
crossref
U.S. Energt Information Administration (EIA) (2015) Commercial Buildings Energy Consumption Survey (CBECS).
crossref
Unity Technologies. U. G. Unity game engine-official site. Retrieved October 9, 2008. from http://unity3d.com. pp. 1534-4320.
crossref

APPENDICES

Appendix A. Supplementary Video

1. Active Route Choice Model without CFD data https://www.youtube.com/watch?v=yMx-0zZ06-E
2. Active Route Choice Model interlocking CFD data https://www.youtube.com/watch?v=1z-_RcO1Mqg
TOOLS
Share :
Facebook Twitter Linked In Google+ Line it
METRICS Graph View
  • 0 Crossref
  •    
  • 2,431 View
  • 97 Download


ABOUT
ARTICLE CATEGORY

Browse all articles >

BROWSE ARTICLES
AUTHOR INFORMATION
Editorial Office
1010 New Bldg., The Korea Science Technology Center, 22 Teheran-ro 7-gil(635-4 Yeoksam-dong), Gangnam-gu, Seoul 06130, Korea
Tel: +82-2-567-6311    Fax: +82-2-567-6313    E-mail: master@kosham.or.kr                

Copyright © 2024 by The Korean Society of Hazard Mitigation.

Developed in M2PI

Close layer
prev next