건축공학과 인공신경망
건축공학에서 쓰일 수 있는 여러 알고리즘에 대한 고찰 - 2
인공신경망
이번 글에서는 건축공학에서 활용되고 인공신경망 사례를 들어볼까 합니다. 아시다시피 요즈음 인공지능이라는 단어가 여기저기서 많이 활용되고 있습니다. 4차 산업이라는 패러다임이 들어서면서 더욱 부각되는 단어이기도 합니다. 전 세계의 공룡 IT기업들도 인공지능 연구에 막대한 투자를 하고 있습니다. 더 나아가 인공지능 인재들을 키우기 위한 대학원 연구 및 연구실들도 최근 들어 늘어나고 있습니다. 사실, 현재 활용되고 있는 인공지능의 개념이 나오기 시작한 지는 1940년대였습니다. 개념만큼이나 하드웨어 기술이 따라가지 못했기 때문에 기술이 비약적으로 발달한 오늘날에서야 큰 주목을 받고 있습니다. 그래픽 처리 유닛(GPU)이 발전함에 따라서 복잡한 계산을 병렬적으로 처리하게 되었고 이에 따라 빠르게 결과를 추출할 수 있게 되었습니다.
그럼 인공지능, 즉 인공신경망은 무엇을 말하는 것일까요??
인간이 뇌와 신경을 통해 학습하는 과정을 모티브로 하여 컴퓨터에 알맞게 재탄생한 개념이라 볼 수 있겠습니다. 이런 일련의 과정은 전통적인 통계기법을 활용해 컴퓨터 입맛에 맞게 데이터의 특징을 가공한 후(feature transform), 그를 분류(classification)하는 문제라 할 수 있습니다.
건축공학에서의 인경신경망 응용연구 사례
저는 대학원에서 IT에 기반한 건축공학을 전공한 사람이기 때문에 인공신경망 성능 향상에 대한 논문을 작성하지는 않았습니다. 하지만 건축분야에서 인공신경망을 응용하여 유의미한 결과를 만들어내는 연구는 진행하였기에 최근 논문을 인용해 트렌드를 보여드리도록 하겠습니다. 아래 사례는 2014년에 게재된 Comparison of the Robustness of RNN, MPC and ANN controller for residential Heating System에 있는 연구내용을 인용했습니다.
집안의 편안함?
일반적인 사람들은 평생의 대부분을 실내에서 보내게 됩니다. 그만큼 실내에서의 편의를 향상하기 위한 노력과 연구들이 행해져 왔습니다. 그중 하나가 재실자(실내에서 활동하는 사람)의 온열쾌적감(Thermal Comfort)을 향상시키기 위한 분야입니다. 온열쾌적감은 실내에서 활동하는 재실자가 느끼는 편안함의 정도라고 정의할 수 있습니다. 여기서 제가 소개하는 논문은 인공신경망을 응용하여 최고의 온열쾌적감을 재실자에게 부여하는 동시에 실내 난방비를 줄이기 위한 목적을 가지고 있습니다.
온열쾌적감은 실내 환경조건과 인간의 특성을 고려해 나타낸 인덱스이다.우선, 상세한 내용을 들여다보기 전에 온열쾌적감에 대해서 조금 더 알아봐야 할거 같습니다. 온열쾌적감은 재실자의 신체 특성이나 실내의 온도, 습도, 풍속 등 여러 요소에 따라 바뀌는 특성이 있기 때문에 이를 모두 고려해야 합니다. 이런 문제를 해결하기 위해서 1970년대 덴마크의 Povl Ole Fanger 박사는 PMV (Predicted Mean Vote)라는 인덱스를 개발합니다. PMV는 -3에서 3까지의 단계로 구성되어 있고 -3으로 갈수록 추위를 느끼며, 반대로 갈수록 더위를 느끼는 수치라고 이해하시면 되겠습니다. 아래 식은 PMV를 구하기 위해 필요한 요소 6가지입니다.
PMV 7단계저자는 인공신경망에 기반하여 실내환경을 개선시키기 위한 PMV기반 컨트롤러를 제작합니다. 이 컨트롤러는 난방시스템과 연결되어 재실자의 난방시스템 조작 패턴을 학습하고 추측하는 기능을 하게 됩니다. 하지만 논문에서는 이를 실제 하드웨어가 아닌 Matlab과 Simulink라는 시뮬레이터를 활용하여 시뮬레이션을 진행했습니다. 이 컨트롤러 핵심은 RNN(Random / Recurrent Neural Network)이라 볼 수 있는데 RNN, CNN 등 다양한 인공신경망 개념은 이미 웹상에서 쉽게 알 수 있기 때문에 상세 설명은 생략하도록 하겠습니다. 참고로 오차역전파법을 활용한 신경망구조는 여기서 말하는 인공신경망의 범주에는 들어가지 않는다고 합니다. 인공신경망은 아시다시피 여러 계층으로 구성되어 있습니다. 크게는 입력층, 은닉층, 출력층으로 나눌 수 있으며, 제일 하위층인 입력 요소는 외부온도, 실내온도, 설정온도와 실제 온도의 차이 그리고 일사량으로 구성하였습니다. 또한, 경사하강 알고리즘과 30일치의 과거 재실자 데이터를 이용하여 학습을 진행했습니다.
논문에서 제시하고 있는 인공신경망의 형태저자는 추출된 결과를 사용하여 건물에서의 에너지 소비량을 예측했으며, 기존의 ANN 모델과 MPC(Model Predictive Control)의 퍼포먼스 비교를 진행했습니다. 여기서 MPC는 건물의 난방시스템을 자동으로 제어해주는 시스템입니다. 새롭게 제시하고 있는 모델은 ANN모델과 MPC에 비하여 최대 18.67%의 에너지 절감 효과를 볼 수 있었다고 서술하고 있습니다. 또한, 예측 정확도 측면에서도 MPC와 비교하여 1.41% 상승하였다고 합니다. 학술 성향이 강한 논문이기 때문에 실제 컨트롤러를 제작하지 않고, 시뮬레이션으로 결과를 추출한 부분에 있어서는 아쉬운 점이 남습니다.
맺음말
인공신경망은 많은 분야에서 활용되고 있습니다. 특히 요즘 IT기업에서는 사기 탐지, 추천 시스템, 개인화 등을 위하여 활발하게 사용되기도 합니다. 앞으로도 인공지능의 발전은 인공신경망을 필두로 나날이 더해져 갈 것이며, 모든 산업이 합쳐지는 과정에서도 핵심기술로 자리매김할 것이라 예상됩니다. 다음 글에서는 건축공학에서 딥러닝을 이용한 이미지 & 영상 처리기술이 어떻게 활용되는지 알아보도록 하겠습니다.
참고 - 아래는 제가 오늘 리뷰한 논문의 성격과 비슷한 논문들입니다.
Javed, A., Larijani, H., Ahmadinia, A., & Gibson, D. (2017). Smart Random Neural Network Controller for HVAC Using Cloud Computing Technology. IEEE Trans. Industrial Informatics, 13(1), 351-360.
Ferreira, P. M., Silva, S. M., Ruano, A. E., Negrier, A. T., & Conceicao, E. Z. (2012, June). Neural network PMV estimation for model-based predictive control of HVAC systems. In Neural Networks (IJCNN), The 2012 International Joint Conference on(pp. 1-8). IEEE.
Liang, J., & Du, R. (2005, August). Thermal comfort control based on neural network for HVAC application. In Control Applications, 2005. CCA 2005. Proceedings of 2005 IEEE Conference on(pp. 819-824). IEEE.
Padhy, R. P., Patra, M. R., & Satapathy, S. C. (2012). Design and implementation of a cloud based rural healthcare information system model. Univers J Appl Comput Sci Technol, 2(1), 149-157.
