[논문]일산화탄소 농도 예측 기능을 사용한 터널 환기 제어 알고리즘

한도영; 윤진원

문제 정의

차량의 증가와 도로터널의 장대화에 따라 도로 터널의 환기가 중요시되고 있다. 터널 환기의 목적은 자동차에서 배출되는 일산화탄소(CO), SOX, NOX, 매연 등의 오염물질을 터널 외부로 배출함으로써 운전자의 안전을 보장하는 데 있다. 이러한 오염물질 중 생리적인 영향을 미치는 일산화탄소와 가시거리를 저해하는 매연을 주로 측정하여 이를 허용기준 이하로 유지하고 신선한 공기를 공급하도록 터널 환기 제어가 수행되고 있다.

가설 설정

1과 같은 터널내 일산화탄소 동적 모델을 사용하였다. 6분 후의 일산화탄소 농도 C_L(t+6)을 예측하기 위하여 신경망의 입력으로 교통량 추정 알고리즘으로부터 추정된 ETr(t+3),ETr(t+4),ETr(t+6)와 V_r(t+3), V_r(t+4), Vr(t+5), Vr(t+6) 대신 풍속 변화가 적다고 가정하여 현재의 풍속 V_r(t)를 사용하였다. 예측된 6분 후의 터널내 일산화탄소 농도와 일산화탄소 농도 설정 값 간의 오차와 현재의 일산화탄소 농도와 일산화탄소 농도 설정값 간의 오차를 직렬 제어 알고리즘에서 사용되고 있는 풍속 설정 알고리즘의 입력으로 사용하여 터널내 풍속 제어를 수행하였다.
4ppm으로 재설정하였다. 시뮬레이션 입력값으로 Table 5와 Table 6과 같은 평균 교통량과 평균 차량속도를 선택하였으며 정상상태에서의 제어 안정성 분석을 위해 계산된 통합 교통량에 최대 7%, 일산화탄소 농도에 대해 최대 0.5ppm, 터널내 풍속에 최대 0.2m/s 의 임의의 외란을 가정하였다. Fig.

제안 방법

직렬 제어 알고리즘은 터널내 풍속을 설정하는 풍속 설정 알고리즘과 설정된 풍속으로 제트팬 제어를 수행하는 제트팬 제어 알고리즘으로 구성되어 있고, 피드포워드 예측 알고리즘은 교통량 예측 알고리즘과 일산화탄소 농도 예측 알고리즘으로 구성되어 있다. 교통량 예측 알고리즘으로부터 예측된 통합차량정보와 현재 측정된 터널내 풍속을 사용하여 일산화탄소 농도 예측 알고리즘으로부터 일산화탄소 농도를 예측한 후, 예측값과 터널내 센서를 통해 측정된 일산화탄소 농도 측정값, 그리고 일산화탄소 농도 설정값을 사용하여 풍속 설정 알고리즘으로부터 터널내 풍속 설정값을 설정하고, 설정값으로 터 널내 풍속을 유지하기 위하여 제트팬 제어 알고리즘을 사용하여 제트팬을 제어하였다.
본 논문에서는 제트팬 제어 알고리즘과 풍속 설정 알고리즘으로 구성된 직렬 제어 알고리즘 (Cascade control algorithm)과 교통량 추정 알고리즘과 일산화탄소 농도 예측 알고리즘으로 구성된 피드포워드 제어 알고리즘(Feedforward control algorithm)을 개발한 후 이를 통합하여 실측 데이터를 사용한 동적 모델에 적용하여 터널의 환기 제어 성능을 확인함으로써 폐루프 구조의 터널 환기 제어 알고리즘을 제시하였다.
6분 후의 일산화탄소 농도 C_L(t+6)을 예측하기 위하여 신경망의 입력으로 교통량 추정 알고리즘으로부터 추정된 ETr(t+3),ETr(t+4),ETr(t+6)와 V_r(t+3), V_r(t+4), Vr(t+5), Vr(t+6) 대신 풍속 변화가 적다고 가정하여 현재의 풍속 V_r(t)를 사용하였다. 예측된 6분 후의 터널내 일산화탄소 농도와 일산화탄소 농도 설정 값 간의 오차와 현재의 일산화탄소 농도와 일산화탄소 농도 설정값 간의 오차를 직렬 제어 알고리즘에서 사용되고 있는 풍속 설정 알고리즘의 입력으로 사용하여 터널내 풍속 제어를 수행하였다.
l과 같이 입력층, 출력층 2개의 은닉층으로 구성되어 있다. 출력인 일산화탄소 현재 농도 C_L(t)을 계산하기 위하여 현재 10분 평균 풍속 EV_r(t)와 과거 3개의 10분 평균 풍속 EV_r(t-l), EV_r(t-2), EV_r(t-3), 과거 3개의 10분 평균 통합차량정보 ETr(t-1), ETr(t-2), ETr(t-3) 등 총 7개의 입력항을 사용하였다. 10분 평균 통 합차량정보는 통합차량정보 Tr(t)를 식(1)과 같이 정의한 후 계산하였으며^⑶
3과 같이 입력층, 출력층, 2개의 은닉층으로 구성되어 있다. 출력항인 6분 후의 평균 통합차량정 보 ETr(t+6)을 추정하기 위하여 현재 10분 평균 통합차량정보 ETr(t)와 과거 6개의 10분 평균 통합차량정보 ETr(t— 1), ETr(t—2),… , ETr(t—6) 등 총 7개를 신경망의 입력항으로 사용하였고, 수렴 정도와 학습 시간을 고려하여 첫번째 은닉 층의 뉴런 개수는 7개, 두번째 은닉층의 뉴런 개 수는 3개로 선정하였다. 신경망의 가중치 W_ijk와 바이어스 b_ti를 학습하기 위하여 대관령 5터널의 실측 데이터를 사용하였으며 학습된 가중치 W_ijk와 바이어스 b_ti는 Table 3과 Table 4와 같다.
터널 일산화탄소 농도 제어 알고리즘의 동적 제어 성능을 검증하기 위해 대관령 5터널에서 실측된 Fig, 8과 같은 일산화탄소 농도, 터널 내 풍속, 교통량을 사용하여 직렬 제어 알고리즘만을 사용한 경우를 기준으로 한 터널 일산화탄소 농도 제 어 알고리즘의 상대적인 성능 시험을 수행하였다. Fig.
터널 일산화탄소 농도 제어 알고리즘의 성능을 검증하기 위하여 계단변화시험을 수행하였다. 초기 250분 동안 일산화탄소 농도를 2.
터널 일산화탄소 농도 제어 알고리즘의 성능을 분석하기 위하여 먼저 피드포워드 예측 알고리즘의 예측 성능을 분석한 후 직렬제어 알고리즘만을 사용한 경우를 기준으로 하여 터널 일산화탄소 농도 제어 알고리즘의 상대적인 성능을 비교 분석 하였다.
터널 환기 설비인 제트팬의 잦은 기동/정지를 방지하면서 효과적으로 오염물질을 제거하기 위하여 12분 주기로 제어를 수행하는 풍속 설정 알고리즘을 사용하였다. 측정된 일산화탄소 농도와 설정값과의 오차의 절대값이 0.
터널 환기를 위한 제어 알고리즘의 개발과 성능분석을 위하여 터널내 일산화탄소 동적 모델과 터널내 풍속 동적 모델을 개발하여 사용하였다.^⑵ 터널내 일산화탄소 동적 모델로 사용된 신경망은 Fig.
터널내 일산화탄소 농도를 제트팬을 사용하여 적절히 제어하기 위하여, 제트팬 제어 알고리즘과 풍속 설정 알고리즘으로 구성된 직렬 제어 알고 리즘과 교통량 추정 알고리즘과 일산화탄소 농도 예측 알고리즘으로 구성된 피드포워드 예측 알고리즘을 개발하였다. 터널내 풍속 설정값을 설정하는 풍속 설정 알고리즘과 잦은 기동/정지를 방지하면서 설정된 풍속으로 터널내 풍속을 제어하는 제트팬 제어 알고리즘은 비례 적분 제어 알고 리즘을 수정하여 구성하였으며 피드포워드 예측 알고리즘을 7X3X1 구조의 신경망으로 구성된 교통량 추정 알고리즘과 9x3x1 구조의 신경망으로 구성된 일산화탄소 농도 예측 알고리즘으로 구성하여 6분 후의 일산화탄소 농도를 예측하였다.
터널내 일산화탄소 농도를 제트팬을 사용하여 적절히 제어하기 위하여, 제트팬 제어 알고리즘과 풍속 설정 알고리즘으로 구성된 직렬 제어 알고 리즘과 교통량 추정 알고리즘과 일산화탄소 농도 예측 알고리즘으로 구성된 피드포워드 예측 알고리즘을 개발하였다. 터널내 풍속 설정값을 설정하는 풍속 설정 알고리즘과 잦은 기동/정지를 방지하면서 설정된 풍속으로 터널내 풍속을 제어하는 제트팬 제어 알고리즘은 비례 적분 제어 알고 리즘을 수정하여 구성하였으며 피드포워드 예측 알고리즘을 7X3X1 구조의 신경망으로 구성된 교통량 추정 알고리즘과 9x3x1 구조의 신경망으로 구성된 일산화탄소 농도 예측 알고리즘으로 구성하여 6분 후의 일산화탄소 농도를 예측하였다.

대상 데이터

출력항인 6분 후의 평균 통합차량정 보 ETr(t+6)을 추정하기 위하여 현재 10분 평균 통합차량정보 ETr(t)와 과거 6개의 10분 평균 통합차량정보 ETr(t— 1), ETr(t—2),… , ETr(t—6) 등 총 7개를 신경망의 입력항으로 사용하였고, 수렴 정도와 학습 시간을 고려하여 첫번째 은닉 층의 뉴런 개수는 7개, 두번째 은닉층의 뉴런 개 수는 3개로 선정하였다. 신경망의 가중치 W_ijk와 바이어스 b_ti를 학습하기 위하여 대관령 5터널의 실측 데이터를 사용하였으며 학습된 가중치 W_ijk와 바이어스 b_ti는 Table 3과 Table 4와 같다.
는 시정수를 의미한다. 육십령 터널에서 실측 데이 터를 사용하여 K는 3.9, T_d는 30, #는 96으로 선정하였다.

이론/모형

(t)는 각각 소형, 중소형, 중형, 대형, 초대형 차종의 대수와 평균 속도를 의미한다. 수렴 정도와 학습 시간을 고려하여 신경망의 첫번째 은닉층의 뉴런 개수는 9개, 두번째 은닉층의 뉴런 개수는 3개로 사용하였고 첫번째 은닉층의 전달 함수는 Tangent-sigmoid 함수, 두번째 은닉층의 전달 함수는 Log-sigmoid 함수, 출력층의 전달 함수는 Pure-Hnear 함수를 사용하였으며,^(4,5) 신경망의 학습 방법으로는 역전파 알고리즘으로서 Levenberg-Marquardt 방법을 적용하였다.^⑹ Table 1과 Table 2는 대관령 제 5 터널의 실측 데이터를 사용하여 학습된 신경망의 가중치 W_ijk와 바이어스 b_ti를 보여준다.
일산화탄소 농도 예측 알고리즘으로 Fig. 1과 같은 터널내 일산화탄소 동적 모델을 사용하였다. 6분 후의 일산화탄소 농도 C_L(t+6)을 예측하기 위하여 신경망의 입력으로 교통량 추정 알고리즘으로부터 추정된 ETr(t+3),ETr(t+4),ETr(t+6)와 V_r(t+3), V_r(t+4), Vr(t+5), Vr(t+6) 대신 풍속 변화가 적다고 가정하여 현재의 풍속 V_r(t)를 사용하였다.
터널 환기 시스템을 사용하여 터널내 일산화탄 소 농도를 제어하기 위하여 Fig. 2와 같은 직렬 제어 알고리즘과 피드포워드 예측 알고리즘으로 구성된 터널 일산화탄소 농도 제어 알고리즘을 사용하였다. 직렬 제어 알고리즘은 터널내 풍속을 설정하는 풍속 설정 알고리즘과 설정된 풍속으로 제트팬 제어를 수행하는 제트팬 제어 알고리즘으로 구성되어 있고, 피드포워드 예측 알고리즘은 교통량 예측 알고리즘과 일산화탄소 농도 예측 알고리즘으로 구성되어 있다.
터널내 일산화탄소 농도를 추정하기 위하여 7개의 입력에 대해 9X3X1 구조의 신경망 동적 모델을 사용하였고 터널내 풍속 동적 모델로 시간지연을 갖는 1차 시스템을 사용하였다.
터널내 풍속을 풍속 설정 알고리즘에 의해 설정된 풍속으로 제어하기 위하여 3분 주기로 제트팬 제어 알고리즘을 사용하였다. 제트팬 제어 알고리즘은 터널내 풍속 설정값과 측정값과의 오차를 변수로 한 비례 게인 0.

성능/효과

개발된 각종 제어 알고리즘의 성능을 동적 모델을 사용하여 분석한 결과 피드포워드 예측 알고리즘의 경우 예측된 6분 후의 일산화탄소 농도를 절대오차의 평균이 0.5ppm 이내로 잘 예측하였고, 일산화탄소 농도 제어 알고리즘의 경우 농도 계단 변화 시험에서 절대오차의 평균이 0.11 ppm 이내로 잘 제어되면서 제트팬 가동 대수 변화가 매우 안정적임을 확인할 수 있었다. 또한 실측 데이터로부터 주어진 외란에 대해서도 직렬 제어 알고리즘만을 적용한 경우에 비해 평균 오차는 비슷하였고 제트팬 가동 대수 변화는 증가하였으나 제트팬 총 가동 대수가 22% 감소하여 터널 환기 시스템의 에너지 비용과 유지보수 비용이 절감될 수 있음을 확인하였다.
12는 터널 일산화탄소 제어 알고리즘을 사용한 경우에 대한 제어 결과를 보여준다. 그림에서 보듯이 일산화탄소 농도는 설정값을 기준으로 절대오차의 평균이 0.43ppm으로 비교적 잘 제어되었으며 500분 동안의 제트팬 평균 가동 대수는 9.8대/min으로서 직렬 제어 알고리즘만을 사용한 경우에 비해 변화 회수는 증가하였으나 가동 대수는 약 22% 감소됨을 확인할 수 있었다. 이는 직렬 제어 알고리즘만을 사용한 경우 주기 12분 동안 제어 주기 중간에 제트팬 가동과 교통량 변화에 의해 일산화탄소 농도가 감소하는 것을 감지하지 못하나 터널 일산화탄소 농도 제어 알고리즘을 사용할 경우 피드포워드 예측 알고리즘에 의해 그 중간 시간인 6분 후의 일산화탄소 농도를 예측하여 일산화탄소 농도 변화를 터널내 풍속 설정값에 미리 반영하였기 때문이다.
7은 터널 일산화탄소 농도 제어 알고리즘에 의한 제어 결과를 보여준다. 그림에서와 같이 일산화탄소 농도는 설정값을 중심으로 절대오차의 평균이 0.11 ppm으로 제어되었으며 제트팬 가동대수도 불안정한 기동/정지 없이 잘 제어되었음을 알 수 있었다.
피드포워드 예측 알고리즘은 터널내 교통량을 추정할 수 있는 교통량 추정 알고리즘과 추정된 교통량을 사용하여 터널내 일산화탄소의 농도를 예측할 수 있는 일산화탄소 농도 예측 알고리즘으로 구성되어 있다. 대관령 제5터널에서 측정된 교통량 데이터를 이용하여 교통량 추정 알고리즘을 통해 추정된 6분 후의 통합 차량정보와 실측된 통합 차량정보를 비교한 결과가 Fig. 4에 나타내어져 있으며, 그림에서 보듯이 절대오차의 평균이 0.14car-m/h 이내로 잘 예측되고 있는 것을 확인할 수 있었다. 또한, 예측된 통합차량정보를 사용하여 일산화탄소 농도 예측 알고리즘으로부터 예측된 6분 후의 일산화탄소 농도와 실측된 일산화탄소 농도를 비교한 결과가 Fig.
11 ppm 이내로 잘 제어되면서 제트팬 가동 대수 변화가 매우 안정적임을 확인할 수 있었다. 또한 실측 데이터로부터 주어진 외란에 대해서도 직렬 제어 알고리즘만을 적용한 경우에 비해 평균 오차는 비슷하였고 제트팬 가동 대수 변화는 증가하였으나 제트팬 총 가동 대수가 22% 감소하여 터널 환기 시스템의 에너지 비용과 유지보수 비용이 절감될 수 있음을 확인하였다.
14car-m/h 이내로 잘 예측되고 있는 것을 확인할 수 있었다. 또한, 예측된 통합차량정보를 사용하여 일산화탄소 농도 예측 알고리즘으로부터 예측된 6분 후의 일산화탄소 농도와 실측된 일산화탄소 농도를 비교한 결과가 Fig. 5에 나타내어져 있으며 그림에서 보듯이 절대오차의 평균이 약 0.5 ppm 이내로 비교적 잘 예측되고 있어 피드포워드 예측 알고리즘으로 적절히 사용할 수 있음을 확인하였다.
터널내 풍속을 풍속 설정 알고리즘에 의해 설정된 풍속으로 제어하기 위하여 3분 주기로 제트팬 제어 알고리즘을 사용하였다. 제트팬 제어 알고리즘은 터널내 풍속 설정값과 측정값과의 오차를 변수로 한 비례 게인 0.05, 적분상수 0.7인 비례 적분 제어 알고리즘을 사용하여 제어 출력을 계산한 후 오차의 절대값이 0.5m/s보다 클 경우에는 계산된 제어 출력을 정수화하여 제트팬 가동 대수를 결정하였고 0.5 m/s보다 작을 경우에는 제트팬의 잦은 기동/정지를 방지하기 위하여 현재의 제어 출력이 과거의 제어 출력에 비해 1.2 이상 증가시에는 제트팬 가동 대수를 1대씩 증가시켰고 1.2 이상 감소시에는 제트팬 가동 대 수를 1대씩 감소시켰다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

일산화탄소 농도 예측 기능을 사용한 터널 환기 제어 알고리즘
A Tunnel Ventilation Control Algorithm by Using CO Density Prediction Algorithm 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

일산화탄소 농도 예측 기능을 사용한 터널 환기 제어 알고리즘 A Tunnel Ventilation Control Algorithm by Using CO Density Prediction Algorithm 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

한도영 (35) 윤진원 (2)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

일산화탄소 농도 예측 기능을 사용한 터널 환기 제어 알고리즘
A Tunnel Ventilation Control Algorithm by Using CO Density Prediction Algorithm 원문보기

AI 본문요약
AI-Helper