유전자 알고리즘을 활용한 녹색건축인증용 경제적 자재선정 모델 개발 :Development of Economic Model for the selection of material for G-SEED

전병주

추천

검색

자료유형: 학위논문

저자정보: 전병주 (경북대학교, 경북대학교 대학원)

지도교수: 김병수

발행연도: 2020

저작권: 경북대학교 논문은 저작권에 의해 보호받습니다.

이용수10

이 논문의 연구 히스토리 (2)

2020

자재관리 및 시공성을 고려한 녹색건축인증용 자재선정모델 개발

전병주 , 무리타라 아데바요 아이사 , 김병수 대한토목학회 학술대회 2020.10 학술대회자료

유전자 알고리즘을 활용한 녹색건축인증용 경제적 자재선정 모델 개발

전병주 건설환경에너지공학부 2020.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

한국 정부는 ‘2030 국가 온실가스 감축 목표 달성을 위한 기본 로드맵’에서 2030년까지 배출전망치 대비 37% 감축을 제시하였다. 또한, 환경부에서는 건물부문의 온실가스 배출량을 2030년까지 배출전망치 대비 32.7% 감축을 목표로 제시하였다. 이러한 목표를 달성하기 위해, 국토교통부는 녹색건축물 기본계획을 수립하여 녹색건축인증의 보급에 힘썼다. 이와 같은 노력에 힘입어 녹색건축인증실적은 매년 꾸준한 증가세를 보이며, 사회적 관심도 커지고 있다. 하지만 고무적인 성과에도 불구하고 녹색건축인증은 현재 대행사를 통해 인증평가를 대행하는 과정에서 보안 등을 이유로 자재안의 자재관리 및 시공성과 공사비에 대한 고려가 부족하며, 절차의 복잡성 때문에 인증과정에 소요되는 시간이 증가한다. 따라서, 본 연구에서는 이러한 문제들을 해결하기 위하여, 유전자 알고리즘을 활용하여, 점수와 공사비를 함께 고려할 수 있는 자재대안 도출을 위한 모델을 개발하고 검증 및 보완하였다. 모델의 개발에는 자재대안을 만들기 위한 데이터베이스와 만들어진 자재대안의 평가 자동화가 필요하다. 모델 자재대안을 구성하기 위한 데이터베이스는 기존 인증자재 목록 중 녹색건축에 관련된 자재목록을 선별하여 인증과 비용정보가 포함된 3,688개의 자재목록을 구성하였다. 자재대안의 평가 자동화에는 알고리즘화한 점수산정 및 비용산출 프로세스를 활용하였다. 이를 유전자 알고리즘과 연계하여 새로운 자재대안을 만들고, 세대를 거치며 개선할 수 있도록 하였다. 개발된 모델은 건축물의 연면적과 기본 자재수량, 요구점수 세가지 정보을 기반으로 최적의 자재대안을 도출하였다. 네가지 사례에 대해 모델의 검증결과 평균 44.75가지의 자재를 사용하여, 컨설팅 자료에 비해 평균 36.5%가량의 비용절감을 달성하여 시공성에 큰 영향을 미치지 않으면서도 공사비 절감을 달성하는 것으로 평가되었다. 본 연구에서 개발한 모델을 통해 경재적 자재대안을 도출하여 시공성과 경제성을 함께 고려한 자재대안 선정에 도움이 될것으로 기대된다.

The Korean government had proposed a 37% reduction over the BAU (business as usual) in the ''2030 Basic Road-map on National Greenhouse Gas Mitigation''. Ministry of Environment declared a 32.7% reduction in greenhouse gas emissions from construction by 2030. To achieve this goal, the Ministry of Land, Infrastructure, and Transport established a system called Green Standard for Energy and Environmental Design (G-SEED) to secure the environmental efficiency of buildings; which is a basic plan for the Green Building. Social interest in G-SEED is growing, but construction engineers often receive G-SEED certifications through consulting companies. In the process, data sharing and business linkage are not smoothly performed due to security reasons. So it is difficult to secure economic efficiency and constructability. In this study, an economic feasibility model was developed using the GA (Genetic Algorithm) methodology, which considers both the acquisition of the evaluation score on materials and resources. Also, the model was verified and supplemented. The development of the model requires a database to create a material alternative and automate the evaluation of the created material alternative. A database of 3,688 material was used to select a material list that related to green construction from the list of certified materials. Algorithmic scoring and cost calculation processes were used to automate the evaluation of material alternatives. By linking it with the genetic algorithm, new material alternatives were created and improved over generations. The developed model derives the optimal material alternative based on three information: the total building floor area, the material quantity, and the required score. The result of four case studies used to verify the model verification revealed an average cost reduction of 36.5% compared to consulting data using 44.75 types of materials. It is estimated that the reduction of the construction cost was achieved without significantly affecting constructability. It is expected that the model developed in this study will help to select a material alternative considering the construction and economic feasibility by deriving a better material alternative.

#녹색건축인증 #G-SEED #유전자알고리즘

제 1 장 서 론 1
1.1 배경 및 목적 1
1.2 연구 범위 및 방법 2
1.3 기존연구고찰 5
제 2 장 이론적 고찰 7
2.1 녹색건축인증제도(Green Standard for Energy &Environmental Design; G-SEED) 7
2.1.1 지속가능한 발전의 개념 7
2.1.2 국내 친환경 건축물 인증제도의 발전과정 8
2.1.3 녹색건축인증제도의 현황 11
2.1.4 녹색건축인증제도의 인증 및 평가과정 13
2.1.5 해외의 녹색건축인증제도 19
2.2 최적화 알고리즘(Optimization Algorithm) 27
2.2.1 최적화 기법의 종류 28
2.2.2 유전자 알고리즘(Genetic Algorithm; GA) 32
제 3 장 자재선정 모델 개발 35
3.1 인증기준 분석 및 자재정보 수집 35
3.2 자재DB 구축 39
3.3 인증점수 산출 프로세스 및 자재선정 44
제 4 장 모델 검증 및 보완 61
4.1 모델 적용 결과 61
4.2 모델 보완 71
4.2.1 인증항목 별 자재의 수 제한 73
4.2.2 자재군 별 자재 수 제한 78
4.2.3 전체 자재 수 제한 84
4.3 소결 90
제 5 장 결론 95
참 고 문 헌 98
ABSTRACT 100

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)