지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2023.3
- 수록면
- 179 - 187 (9page)
이용수
초록· 키워드
오류제보하기
Management of demolition waste (DW), which accounts for a large portion of waste generation (WG), is a very important issue. Therefore, many researchers tried to apply various ML algorithms to predict WG, and tried to find the decisive factors affecting WG. This study conducted a study on the development of optimal ML model for predicting demolition waste generation (DWG). In this study, decision tree (DT), random forest (RF), and gradient boost machine (GBM) algorithms were applied to develop ML models to predictive DWG. For this, data preprocessing was performed and the optimal hyper parameter was searched for each algorithm to derive an optimal ML model. In consideration of dataset size, leave one out cross validation (LOOCV) was applied to the model validation and mean absolute error (MAE), root mean square error (RMSE), coefficient of determination (R squared), and mean square error (MSE) were used as the performance evaluation index of the models. As a result of this study, it was found that the predictive performance of the RF model (MAE 72.837, MSE 12198.236, RMSE 110.446, R² 0.880) was better than one of DT (MAE 87.081, MSE 17348.052, RMSE 131.712, R² 0.829) and GBM (MAE 87.883, MSE 18175.125, RMSE 134.815, R² 0.821) models. The error from the observed mean (987.1806 kg m<SUP>-2</SUP>) was 8.82%, 7.38%, and 8.90% for the DT, RF, and GBM models, respectively. Therefore, it can be seen that the ML model using the DT-based algorithms is very good at predicting DWG. Finally, this study presented a reliable and optimal ML model for predicting DWG for a domestic waste management strategy.
목차
Abstract
1. 서론
2. 문헌 고찰
3. 데이터 수집 및 데이터셋 구축
4. DT 기반 ML 예측모델 개발 및 평가 방법
5. 해체폐기물 발생량 예측모델 성능 평가
5. 결론
REFERENCES
참고문헌 (26)
참고문헌 신청
Abdallah, M., Talib, M. A., Feroz, S., Nasir, Q., Abdalla, H., & Mahfood, B. (2020). Artificial intelligence applications in solid waste management: A systematic research review. Waste Management, 109, 231-246.
Akanbi, L. A., Oyedele, A. O., Oyedele, L. O., & Salami, R. O. (2020). Deep learning model for Demolition Waste Prediction in a circular economy. Journal of Cleaner Production, 274, 122843.
Butera, S., Christensen, T. H., & Astrup, T. F. (2014). Composition and leaching of construction and demolition waste: inorganic elements and organic compounds. Journal of Hazardous Materials, 276, 302-311.
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
Cha, G. W., Kim, Y. C., Moon, H. J., & Hong, W. H. (2017). New approach for forecasting demolition waste generation using chi-squared automatic interaction detection (CHAID) method. Journal of Cleaner Production, 168, 375-385.
Akanbi, L. A., Oyedele, A. O., Oyedele, L. O., & Salami, R. O. (2020). Deep learning model for Demolition Waste Prediction in a circular economy. Journal of Cleaner Production, 274, 122843.
Butera, S., Christensen, T. H., & Astrup, T. F. (2014). Composition and leaching of construction and demolition waste: inorganic elements and organic compounds. Journal of Hazardous Materials, 276, 302-311.
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
Cha, G. W., Kim, Y. C., Moon, H. J., & Hong, W. H. (2017). New approach for forecasting demolition waste generation using chi-squared automatic interaction detection (CHAID) method. Journal of Cleaner Production, 168, 375-385.
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
해체폐기물 발생량 예측을 위한 머신러닝 모델 개발
대한건축학회논문집
2023 .02
-
의사 결정 트리와 랜덤 포레스트 모델 분석
Proceedings of KIIT Conference
2018 .06
-
기계학습 알고리즘을 이용한 흡연자 예측 연구
한국컴퓨터정보학회 학술발표논문집
2023 .07
-
Predicting Machine Processing Time using Decision Tree
대한산업공학회 춘계공동학술대회 논문집
2017 .04
-
Decision Tree의 인공지능 학습을 통한 최적 전략 도출 방법
한국에너지학회 학술발표회
2020 .11
-
단독주택 유형별 폐기단계 CO2 배출량 특성에 관한 연구
대한건축학회 논문집 - 구조계
2017 .03
-
Prediction of RC T‑Beams Shear Strength Based on Machine Learning
International Journal of Concrete Structures and Materials
2024 .09
-
랜덤포레스트와 유전알고리즘을 이용한 표적 분류 기법
대한전자공학회 학술대회
2016 .11
-
건축물 해체 시뮬레이션을 통한 단계별 안전성 검토의 필요성 연구
한국산학기술학회 논문지
2025 .01
-
건축물 분별해체 제도 도입으로 인한 사회적 편익 분석
한국건설순환자원학회논문집
2024 .06
-
Decision Tree 기반의 미세먼지 농도별 이진 분류 모델
한국정보통신학회 종합학술대회 논문집
2020 .10
-
대표적인 DT 알고리즘의 해석력 비교
대한산업공학회 추계학술대회 논문집
2020 .11
-
원전 해체폐기물 발생량 평가 시 주요 고려사항 고찰
한국방사성폐기물학회 학술대회
2015 .01
-
공공 구조물 해체를 위한 의사결정: 일본의 사례
콘크리트학회지
2022 .05
-
건축물 해체공사비 변동 영향요인 분석
한국건축시공학회지
2018 .01
-
Ensemble of Fuzzy Decision Tree for Efficient Indoor Space Recognition
한국컴퓨터정보학회논문지
2017 .04
-
대표적인 의사결정나무 알고리즘의 해석력 비교
산업경영시스템학회지
2021 .01
-
Object Classification Method Using Dynamic Random Forests and Genetic Optimization
한국컴퓨터정보학회논문지
2016 .05
-
건축물 해체계획서 작성 사례분석을 통한 해체허가 제도의 개선방향
대한건축학회 학술발표대회 논문집
2020 .10
-
Decision Tree 기법을 이용한 회전체 최적 센서 위치 결정
한국정밀공학회 학술발표대회 논문집
2016 .05
이 논문의 저자 정보
이 논문과 함께 이용한 논문
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2023-540-001346399