본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

요약문

목차

제1장 서론 13

제1절 연구배경과 목적 13

제2절 연구범위와 방법 16

제2장 이론적 배경 22

제1절 기계학습 기반 소음 예측 22

제2절 인공신경망 구조 및 알고리즘 최적화 25

제3절 도로교통소음 예측 모델 34

제3장 연구자료와 방법 41

제1절 소음 자료 수집 41

제2절 시뮬레이션 기반 데이터 생성 47

제3절 학습 자료 구성 49

제4장 실외 소음도 예측 모델 54

제1절 신경망 모형 작성 및 모델 성능 비교 54

제2절 데이터 세트에 따른 성능 비교 67

제3절 소결 76

제5장 실내 소음도 예측 모델 79

제1절 소음 예측 모델 작성 및 성능 평가 81

제2절 변수별 예측 성능 영향도 평가 85

제3절 소결 90

제6장 결론 91

참고문헌 96

ABSTRACT 104

표목차

Table 2.1. Comparison between accuracy and time complexity of different Neural Networks having different number of hidden layers 33

Table 2.2. Comparative road traffic noise prediction models across countries 37

Table 2.3. Road surface correction factor, DStr₀ of RLS-90[이미지참조] 40

Table 3.1. Predictor variables for outdoor noise prediction 52

Table 3.2. Predictor variables for indoor noise prediction 53

Table 4.1. Data set composition for each scenario 60

Table 4.2. Results of baseline model performance 63

Table 4.3. Architecture summary of the prediction model 1 64

Table 4.4. Architecture summary of the prediction model 2 65

Table 4.5. Hyper-parameter specifications for model 1, 2 66

Table 4.6. Cross-validation MAE and MSE metrics by scenario 68

Table 4.7. Scenario-specific test performance summary 70

Table 4.8. Predicted values from simulation model 74

Table 5.1. Architecture summary of the indoor noise prediction model 81

Table 5.2. Hyperparameter specifications for indoor noise prediction models 82

Table 5.3. 5-fold validation outcomes measured by MAE 83

Table 5.4. Ranked importance of variables for the outdoor noise prediction model 86

Table 5.5. Ranked importance of variables for the indoor noise prediction model 88

그림목차

Figure 1.1. Flow diagram for outdoor noise prediction study 19

Figure 1.2. Overview of the research process for ANN model development 21

Figure 2.1. The graph of a single-layer perceptron 25

Figure 2.2. The graph of a multi-layer perceptron 26

Figure 2.3. Information processing of the neural network 28

Figure 2.4. Small learning rate : Stuck in Local Minimum 29

Figure 2.5. Large learning rate : Divergence 29

Figure 2.6. Comparison of activation functions (a) Sigmoid, (b) Hyperbolic Tangent and (c) ReLU 30

Figure 2.7. Workflow of GIS and noise mapping 36

Figure 3.1. Layout types of building and road arrangement (a) Horizontal, (b) Vertical, (c) Mixed 42

Figure 3.2. Measurement points : lower and upper floors 43

Figure 3.3. Sound attenuation for building stories 44

Figure 3.4. Measurement points : indoor and outdoor 45

Figure 3.5. (a) Outdoor and (b) indoor noise measurements 46

Figure 3.6. Flowchart of the data generation based on simulation 47

Figure 3.7. (a) Site boundary and (b) Traffic segmentation 49

Figure 4.1. Visualization of forward propagation 56

Figure 4.2. Five-fold cross validation method 61

Figure 4.3. Cross-Validation MSE by scenario and fold 69

Figure 4.4. Actual vs Predicted values scatter plot for (a) Scenario 1 and (b) Scenario 2 72

Figure 4.5. Actual vs Predicted values scatter plot for (a) Scenario 3 and (b) Scenario 4 73

Figure 5.1. Deep Neural Network Model Architecture for indoor noise prediction 80

Figure 5.2. Comparison of test results between (a) Scenario 1 and (b) Scenario 2 84

Figure 5.3. Box plot of variable importance for the outdoor noise prediction model 87

Figure 5.4. Box plot of variable importance for the indoor noise prediction model 89

초록보기

 일상생활에서 소음에 장기간 노출될 경우, 인체는 WHO에서 정의하는 것과 같이 신체적, 정신적 그리고 사회적 기능에 일시적 또는 장기적으로 여러 부정적 영향을 받게 되는데 교육환경 내에서는 건강 문제뿐만 아니라 학생들의 학습 능력, 교사의 강의 전달력 등 전반적인 학습 경험에도 소음이 많은 영향을 끼치게 된다. 특정 지역에서 소음 수준을 파악하기 위해 수행되는 소음 예측 시뮬레이션의 경우 방대한 양의 자료 수집이 필요하며 소음지도를 작성하기까지 많은 시간이 소요된다는 단점이 있다. 또한, 학교 신설 시에 소음도 평가가 진행되는 시점에서 시설 배치가 완전히 이루어지지 않은 경우, 실제 환경에 적합하지 않은 방음 시설이 설계될 우려가 있다. 따라서, 소음을 예측하는 데 편리성을 도모하고 소음을 관리하는 합리적인 방안을 제안하고자 소음도 예측을 위한 인공신경망 모델을 제안하였다. 연구에 사용된 자료는 2000년 이후 시공된 초등학교, 중학교 총 32개교를 대상으로 선정하여 30분간 수집한 교통량, 속도, 그에 따른 등가 소음도와 개별 학교의 구조, 배치 형태, GIS 데이터 등을 사용하였다. 실외 소음도를 예측하는 데에 사용하는 입력 변수는 대상 학교의 실제 환경을 충분히 설명할 수 있도록 구성하였으며, 실내 소음도 예측에 사용한 입력 변수 또한 소음이 외부로부터 내부로 유입되는 환경과 대상 건물에 대한 정보를 모두 포함하고 있다. 교육시설의 입지 환경을 조사한 결과, 학교 건물과 도로 간 배치 형태는 특정 기준에 의해 유형화할 수 있다는 점을 통해 배치 유형 또한 추가하여 입력데이터 구성을 마쳤다. 이에 따른 종속변수는 실외 소음도의 경우 건물 외벽에서 1m 떨어진 지점에서의 등가 소음도이며, 실내 소음도는 창 측으로부터 1m, 복도 측으로부터 1m 떨어진 지점에서의 평균 등가 소음도이다.

본 연구에서는 현장 측정으로 수집된 데이터와 소음 예측 프로그램인 Sound PLAN에서 검증된 모델을 통해 인위적으로 생성한 합성데이터를 사용하였다. 먼저, GIS 데이터를 활용하여 해당 지역을 3차원의 모델로 구현한 뒤, 영향인자를 입력하여 소음 예측식인 RLS-90을 통해 소음도를 계산한다. 계산된 소음도는 측정된 실제 소음도와의 비교를 통해 검증하는 과정을 거친다. 허용오차 범위 내에 들어온 모델들을 기반으로 임의의 교통량 및 속도를 입력하여 데이터를 생성하였으며, 그 개수는 실제 데이터와 같게 하였다. 최종 입력데이터를 기반으로 하이퍼 파라미터 튜닝 및 학습 검증을 거쳐 DNN 예측 모델을 확정하였다. 모델의 성능은 5겹 교차검증과 테스트 과정을 통해 확인하였으며 직관적인 성능 비교를 위해 dB(A) 단위로 환산이 가능한 평균 절대 오차(MAE)를 제시하였다. 데이터를 달리하여 총 4가지 시나리오를 두고 예측 성능을 비교해 본 결과, 실측 데이터를 학습시킨 모델의 경우 학습 검증 단계에서 합성 데이터보다 다소 높은 오차를 보였지만 테스트 과정에서는 모든 데이터에 대해 안정적인 예측 성능을 보였다. 시뮬레이션을 기반으로 생성된 데이터는 프로그램 내 계산식을 통해 특정한 패턴 내에서 예측된 소음도이므로 일반화 성능이 상당히 떨어지는 것을 확인할 수 있었고, 실측 데이터를 학습할 경우, 데이터 특성과 관계없이 복잡한 데이터에 대해 예측이 잘 이루어지는 것을 확인할 수 있었다. 그럼에도 불구하고, 시뮬레이션 데이터 또한 그 오차가 지나치게 크지 않고 일반적인 환경에 대해 예측 정확도가 높았다. 추가적인 연구를 통해 실측 데이터와 적절히 혼합하여 사용하거나 특정 환경에서 예측 정확도 향상을 위해 보조적인 역할로 활용될 수 있을 것으로 보인다.

실제 도로에서 발생한 소음은 음파의 이론적 특성에 따라 대기를 통해 직접 전파되거나 건물 외벽에 반사되는 등 다양한 전파 경로를 갖게 된다. 신경망 모델을 활용한 예측의 경우, 음향이론에 따라 계산이 이루어지는 것은 아니지만 순열 중요도 분석을 통해 어떤 변수가 소음 예측에 중요한 역할을 하는지 파악할 수 있다. 실외 소음의 경우, 배치 형태 및 소음원과 수음점 간의 거리의 중요도가 가장 높은 것을 확인하였다. 실내 소음은 유입되는 실외 소음도의 영향이 가장 컸으며 교실과 창문의 면적이 다음으로 큰 중요도를 나타내었다. 이를 통해 건물과 소음원의 배치 형태의 세 가지 유형이 중요한 독립변수로 작용하는 것을 확인하였다. 향후, 배치 형태 유형에 따라 예측되는 소음 수준을 참고하여 교사 배치를 결정하는 도구로 활용할 수 있을 것으로 기대된다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차