건설 및 철거(Construction and Demolition, C&D) 폐기물의 스마트한 관리는 필수적이며, 연구자들은 폐기물 발생량을 추정하기 위해 머신러닝을 적용해 왔다. 한국에서는 노후 건축물이 많기 때문에 철거 폐기물(demolition waste, DW)의 관리가 중요하며, 이를 관리하기 위해 DW의 양을 예측할 필요가 있다. 따라서 본 연구는 도시 재개발 구역의 건물에 대한 철거 폐기물 발생률(Demolition Waste Generation Rate, DWGR)을 예측하기 위해, 데이터 특성(즉, 범주형 입력을 가진 소규모 데이터셋)에 기반한 의사결정나무(DT) 기반 앙상블 모델(즉, 랜덤 포레스트—RF, 극도로 랜덤화된 트리—ET, 그래디언트 부스팅 머신—GBM, 그리고 익스트림 그래디언트 부스트—XGboost)을 사용하였다. 연구 결과, RF 및 GBM 알고리즘이 ET 및 XGboost 알고리즘보다 더 우수한 예측 성능을 보였다. 특히 RF(6개 특성, 450개 추정기; 평균, 1169.94 kg·m−2)와 GBM(4개 특성, 300개 추정기; 평균, 1166.25 kg·m−2)이 가장 높은 예측 성능을 나타냈다. 또한 DWGR에 영향을 미치는 특성 중요도는 총 바닥면적(Gross Floor Area, GFA) > 위치 > 지붕 재료 > 벽 재료의 순서에 유의미한 영향을 미치는 것으로 확인되었다. 본 연구에서 사용한 특성의 수집이 비교(benchmarking)를 용이하게 하여, 산업 이해관계자와 정책 담당자를 위한 철거 폐기물 관리 계획의 의사결정 도구로 활용될 수 있다. 따라서 향후 추가 데이터를 업데이트하고 신뢰할 수 있는 데이터셋을 구축함으로써 모델의 예측 성능을 향상시킬 필요가 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.