AI 데이터 분석기술을 이용한 층간소음예측 모델 개발 Ⅱ(부제 : 회귀분석 방법에 따른 바닥충격음 예측 신뢰도 분석 연구)

키워드

확장요약문

회귀분석법은 여러가지 변수들 간의 관계성을 수학적으로 추정하고 설명하는 통계분석 방법으로 이를 통해 미래의 값을 예측할 수 있다. 최근 AI 를 통한 빅데이터 분석 기법이 발전함에 따라 여러 분야에 다양한 회귀분석 방법이 활용되고 있으며 본 연구에서도 ’24 년도부터 이를 도입하여 바닥충격음 예측을 위해 적극적으로 활용하고 있다. 지난 연구에서 ’14 년도에서 ’23 년까지 준공 직전의 현장에서 측정한 752 개 실측데이터를 기반으로 예측모델을 개발하였으며, 여기서 활용된 회귀분석 모델은 XGBoosting 을 활용하였다. 지난 연구는 AI 분석기술을 이용한 바닥충격음 예측 모델을 개발한 것이고, 본 연구는 개발된 모델에 사용한 회귀분석 방법의 적정성을 분석하기 위해 추가적으로 다양한 회귀분석 모델을 사용하여 각각의 예측신뢰도를 구하고 상호 비교함으로써, 바닥충격음 예측에 가장 최적의 회귀분석 모델을 구하고자 하였다. 회귀분석 모델은 Linear, Random Forest, Decision Tree, AdaBoost, MLP 등 5 개를 추가로 활용하여 분석하였으며 신뢰도는 결정계수(R2)로 비교하였다. 데이터도 752 개에서 1516 개로 약 2 배 정도 증가시켜 예측모델의 신뢰도가 어느정도 향상되는지도 분석하였다. 또한 지난 연구에서 사용한 변수에 천장깊이, 마루재료, 흡음재 두께 등을 추가하여 총 18 개의 변수로 재정립하고 각각의 상관관계 및 바닥충격음에 미치는 영향도를 분석하였다. 연구결과, Linear regression 의 R2 는 경량 0.49, 중량 0.48 이고, Random Forest 는 경량 0.78, 중량 0.74, Decision Tree 는 경량 0.69, 중량 0.51, AdaBoost 는 경량 0.60, 중량 0.50, MLP 는 경량 0.30, 중량 0.45, XGBoosting 은 경량 0.79, 중량 0.69 로 분석되었으며 근소한 차이지만 경량충격음은 XGBoosting 모델이, 중량충격음은 Ransom Forest 모델이 우수한 것으로 분석되었다. 데이터 양을 2 배로 증가시키고 ML 한 결과, XGBoosting 모델 기준, 신뢰도가 경량이 0.77 에서 0.79, 중량이 0.66 에서 0.69 로 다소 상승되었는데 향후 지속적인 연구가 필요할 것으로 판단된다.