건설해체 폐기물 발생률 예측을 위한 데이터 기반 머신러닝 모델 연구

Data-driven Machine Learning Models for Predicting Demolition Waste Generation Rate

연구 내용

해체 및 재개발 구역의 건설폐기물 발생률을 데이터 기반으로 추정하는 연구로, PCA를 활용한 차원 축소와 SVM·Random Forest·kNN 등 예측 모델을 비교·최적화하여 신뢰도 관점을 포함한 예측 성능을 확보하는 연구입니다.

건설해체 과정에서 발생하는 Demolition waste의 발생률을 정량적으로 추정하기 위해, 재개발 지역의 입력 변수를 기반으로 예측 모델을 구성합니다. Principal component analysis로 변수 간 상관 구조를 반영해 특징 공간을 정리하고, SVM, Random forest, logistic regression, k-nearest neighbors 등 다양한 Machine learning 알고리즘을 조합·비교하여 최적 성능을 도출합니다. 또한 모델의 불확실성 관점까지 검토하여 현장 적용 가능성을 높이는 방법론을 보유하고 있습니다.

관련 프로젝트

3건

연구 흐름

초기에는 재개발 구역의 특성을 입력으로 하여 Demolition waste generation rate 예측을 수행하는 머신러닝 프레임을 구축했습니다. 2022년에는 SVM, Random forest, ANN 등 알고리즘별 성능 비교를 통해 예측 정확도와 신뢰도 평가 절차를 정립했습니다. 2023년에는 PCA를 결합한 k-nearest neighbors 기반 예측 모델로 변수 차원 축소의 효과를 반영하고, 모델 기반 예측 절차를 일관된 형태로 고도화하는 연구를 수행했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

해체 계획 산정 도구
재개발 구역 폐기물 인벤토리 추정
환경영향 평가 입력 데이터 생성
폐기물 관리 정책 의사결정 지원
PCA 기반 예측 변수 전처리 파이프라인
예측 불확실성 기반 운영계획 수립
순환건설 자원회수 시나리오 도출
사업장 반입·반출 물량 추정
인허가·보고 체계 데이터 자동화
GIS 연계 폐기물 공간분포 추정