[논문]신경망을 이용한 유조선 기름 유출사고에 따른 환경비용 추정에 관한 연구

신성철; 배정훈; 김현수; 김성훈; 김수영; 이종갑

doi:10.5574/ksoe.2012.26.1.060

Abstract ▼ AI-Helper

The accident risks in the marine environment are increasing because of the tendency to build faster and larger ships. To secure ship safety, risk-based ship design (RBSD) was recently suggested based on a formal safety assessment (FSA). In the process of RBSD, a ship designer decides which risk redu...

The accident risks in the marine environment are increasing because of the tendency to build faster and larger ships. To secure ship safety, risk-based ship design (RBSD) was recently suggested based on a formal safety assessment (FSA). In the process of RBSD, a ship designer decides which risk reduction option is most cost-effective in the design stage using a cost-benefit analysis (CBA). There are three dimensions of risk in this CBA: fatality, environment, and asset. In this paper, we present an approach to estimate the environmental costs based on the size of an oil tanker involved in an accident using a neural network. An appropriate neural network model is suggested for the estimation,and the neural network is trained using IOPCF data. Finally,the learned neural network is compared with the cost regression equation by IMO MEPC 62/WP.13 (2011).

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 IMO추정식의 오차를 개선하기 위해, IOPCF 자료를 바탕으로 기름 유출량에 따른 총 처리 비용을 신경망으로 모델링하여 추정하였으며, 위험도 기반 선박설계를 위한 비용편익 분석 모델에서 환경차원의 편익을 정량화하기 위해 환경 비용을 추정하는 방법을 제시하였다.

가설 설정

앞서 학습된 신경망을 이용한 환경비용의 추정 방법으로 위험도 기반 선박설계 시 비용-편익 분석을 적용하면 위험도제어 방안에 대한 의사결정을 지원할 수 있다. 본 연구에서는 기름 유출량은 IOPCF데이터의 평균 유출량인 4,800톤, 선박의 총톤수는 450,000톤으로 가정하였다. 각 위험도제어방안의 기름유출에 대한 위험저감량 값은 MEPC57/17/2(IMO, 2008)을 참고하여 나타내었으며, 위험도제어방안 설치 전, 후의 SC(Societal oil spill costs)의 차이를 IMO추청식에 의한 값을 ∆SC, 신경망에 의한 값을 ∆SCNN로 Table 6과 같이 계산하여 나타내었다.

제안 방법

Table 2와같이 IOPCF데이터로부터 임의로 추출한 8개 데이터와 학습된 신경망으로 추론한 결과의 값을 비교하였으며, Table 3과 같이 은닉층의 개수 별로 신경망의 추정결과가 실제 사고데이터와의 차이가 작은 값을 가지는 은닉층 및 뉴런의 조합을 각각 선정하였다. 추정의 정확도를 개선시키기 위해 선정된 신경망의 학습률을 달리하여 학습을 추가로 수행하였다.
학습규칙은 실제의 출력과 목표 출력간의 평균제곱오차(Mean squared error)를 최소화 하기위해서 연결가중치에 대한 오차의 미분계수가 감소하는 방향으로 연결 가중치를 계속 변경시키는 반복적인 경사하강(Iterative descent)알고리즘이다. 본 연구에서는 비선형성이 강한 IOPCF자료의 특성을 고려하여 역전파 알고리즘으로 다층 신경망을 학습시킴으로써 환경비용을 추정하였다.
신경망의 학습률은 0.1, 에러율은 0.05, 반복횟수는 1000번으로 설정하였으며, 정확성과 효율성을 위해 Table 2와 같이 은닉층은 1개, 2개, 3개, 뉴런 수는 각 1개, 3개, 6개, 9개로 은닉층의 개수와 뉴런의 수를 달리하여 총 89개의 경우에 대하여 100여개의 자료를 바탕으로 신경망의 학습을 수행하였다.
Table 2와같이 IOPCF데이터로부터 임의로 추출한 8개 데이터와 학습된 신경망으로 추론한 결과의 값을 비교하였으며, Table 3과 같이 은닉층의 개수 별로 신경망의 추정결과가 실제 사고데이터와의 차이가 작은 값을 가지는 은닉층 및 뉴런의 조합을 각각 선정하였다. 추정의 정확도를 개선시키기 위해 선정된 신경망의 학습률을 달리하여 학습을 추가로 수행하였다. 실제 사고데이터와의 오차가 가장 적게 나타난 신경망은 Table 3에서 3.

대상 데이터

Table 1과 같이 입력으로는 선박의 총톤수와 기름유출량, 출력으로는 사고유출량에 따른 총 처리비용 데이터를 사용하였다. 54개의 데이터를 학습데이터로 사용하였으며, 나머지 5개 데이터는 신경망 학습 후 결과를 검증하기 위한 용도로 사용하였다.
실제 기름 유출량에 따른 환경의 처리비용을 추정하기 위해, 사고 데이터는 IOPCF자료를 바탕으로 총 99개의 데이터로부터 100톤 미만사고 데이터를 제외한 59개의 데이터를 대상으로 하였다. 선종은 모두 원유운반선(Oil tanker)이며 선박의 크기는 총톤수 기준으로 최소 19 GT, 최대 146,000 GT였다. 사고와 관련해서는 최소 100톤 최대 144,000톤의 규모이다.
실제 기름 유출량에 따른 환경의 처리비용을 추정하기 위해, 사고 데이터는 IOPCF자료를 바탕으로 총 99개의 데이터로부터 100톤 미만사고 데이터를 제외한 59개의 데이터를 대상으로 하였다. 선종은 모두 원유운반선(Oil tanker)이며 선박의 크기는 총톤수 기준으로 최소 19 GT, 최대 146,000 GT였다.
이상의 연구 내용을 요약하면 위험도기반 선박설계를 위한 비용-편익 분석에서 환경비용 추정을 위해 신경망을 사용하였으며 이로써 54척의 사고데이터를 학습데이터로 사용하였다. 학습된 신경망으로 따로 마련한 5척의 사고데이터를 통해 유조선 기름 유출사고에 따른 환경비용의 추정을 시도한 결과, 정확도를 IMO추정방법 대비 평균 19%정도 향상시켰다.

이론/모형

본 연구에서는 기름 유출량은 IOPCF데이터의 평균 유출량인 4,800톤, 선박의 총톤수는 450,000톤으로 가정하였다. 각 위험도제어방안의 기름유출에 대한 위험저감량 값은 MEPC57/17/2(IMO, 2008)을 참고하여 나타내었으며, 위험도제어방안 설치 전, 후의 SC(Societal oil spill costs)의 차이를 IMO추청식에 의한 값을 ∆SC, 신경망에 의한 값을 ∆SCNN로 Table 6과 같이 계산하여 나타내었다. 여기서 RCO1, RCO2, RCO3, RCO4는 각각 전자해도 표시정보시스템(Electronic chart display and information system), 부두 근접도 및 속도센서(Terminal proximity and speed sensor), 고온 작업 절차 개선(Better implementation of hot work procedures), 선각 응력 및 피로 모니터링 시스템(Hull stress and fatigue monitoring system)이다.

성능/효과

IMO(2011a)에서 제시한 추정식과 IOPCF(International oil pollution compensation funds)의 실제 사고 자료(IOPCF, 2008)를 바탕으로 처리비용을 추정한 결과, 사고 자료의 결과와 추정식의 결과 값 차가 Fig. 1과 같이 최고 300%정도 차이를 보였으며, 이는 추정식의 회귀에 사용된 데이터의 산포도가 큼으로써 나타난 것으로 판단되었다.
∆SC 값과, ∆SCNN 값을 비교 보았을 때, 위험도제어방안 1의 저감효과가 두 값 모두 가장 크게 나타나며, 기름유출량에 따른 환경비용 측면에서만 보면 대안 1이 가장 이상적인 대안이라 할 수 있다. 해당 예에서는 두 가지 방법인 IMO추정식과 신경망을 이용한 추정방법 모두 동일한 대안 1의 선택을 하게 되지만 그 정량적 값의 크기는 다르므로 사고규모의 조건이 변경된다면 의사결정이 달라질 수 있어서 설계자 및 선주 등이 그 결과를 참고하여 결정해야 할 사항이다.
학습된 신경망으로 따로 마련한 5척의 사고데이터를 통해 유조선 기름 유출사고에 따른 환경비용의 추정을 시도한 결과, 정확도를 IMO추정방법 대비 평균 19%정도 향상시켰다. 또한 450,000톤 유조선에 그 결과를 적용하여 설계단계에서 위험도제어방안의 위험저감 효과를 정량적 혹은 경제적인 화폐가치로 나타냄으로써 가장 비용효과적인 위험도제어방안을 결정할 때 기준으로 사용 가능하였다.
신경망에 의한 추정방법의 정확도는 IMO추정식 대비 평균 19%정도 개선되었다. 그러나 신경망으로 추정 시 실제 처리비용과 여전히 무시할 수 없는 오차를 보이고 있다.
이상의 연구 내용을 요약하면 위험도기반 선박설계를 위한 비용-편익 분석에서 환경비용 추정을 위해 신경망을 사용하였으며 이로써 54척의 사고데이터를 학습데이터로 사용하였다. 학습된 신경망으로 따로 마련한 5척의 사고데이터를 통해 유조선 기름 유출사고에 따른 환경비용의 추정을 시도한 결과, 정확도를 IMO추정방법 대비 평균 19%정도 향상시켰다. 또한 450,000톤 유조선에 그 결과를 적용하여 설계단계에서 위험도제어방안의 위험저감 효과를 정량적 혹은 경제적인 화폐가치로 나타냄으로써 가장 비용효과적인 위험도제어방안을 결정할 때 기준으로 사용 가능하였다.

후속연구

그러나 본 연구에서 제안한 학습된 신경망은 IMO추정식보다는 향상되었지만 여전히 상당량의 오차를 보이고 있으므로 이에 대한 추가적인 연구가 필요하다. 보다 많은 사고데이터를 확보하고, 선박 총톤수와 기름유출량 이외의 입력변수를 다양화하며, 신경망 학습조건에 대한 보다 체계적인 결정방법 등이 향후 연구의 방향이 될 것이다.
해당 예에서는 두 가지 방법인 IMO추정식과 신경망을 이용한 추정방법 모두 동일한 대안 1의 선택을 하게 되지만 그 정량적 값의 크기는 다르므로 사고규모의 조건이 변경된다면 의사결정이 달라질 수 있어서 설계자 및 선주 등이 그 결과를 참고하여 결정해야 할 사항이다. 다시 말해서, 신경망과 IMO추 정식 모두 사고규모를 바탕으로 한 예측모델이기는 하지만 데이터에 비선형성이 강하므로 보다 다양하고 많은 위험도제어방안을 고려한다면 예측되는 위험저감량이 다양할 것이고 이에 따라 환경비용에 대한 우선순위가 바뀔 가능성이 있음에 유의해야 한다.
그러나 본 연구에서 제안한 학습된 신경망은 IMO추정식보다는 향상되었지만 여전히 상당량의 오차를 보이고 있으므로 이에 대한 추가적인 연구가 필요하다. 보다 많은 사고데이터를 확보하고, 선박 총톤수와 기름유출량 이외의 입력변수를 다양화하며, 신경망 학습조건에 대한 보다 체계적인 결정방법 등이 향후 연구의 방향이 될 것이다.
∆SC 값과, ∆SCNN 값을 비교 보았을 때, 위험도제어방안 1의 저감효과가 두 값 모두 가장 크게 나타나며, 기름유출량에 따른 환경비용 측면에서만 보면 대안 1이 가장 이상적인 대안이라 할 수 있다. 해당 예에서는 두 가지 방법인 IMO추정식과 신경망을 이용한 추정방법 모두 동일한 대안 1의 선택을 하게 되지만 그 정량적 값의 크기는 다르므로 사고규모의 조건이 변경된다면 의사결정이 달라질 수 있어서 설계자 및 선주 등이 그 결과를 참고하여 결정해야 할 사항이다. 다시 말해서, 신경망과 IMO추 정식 모두 사고규모를 바탕으로 한 예측모델이기는 하지만 데이터에 비선형성이 강하므로 보다 다양하고 많은 위험도제어방안을 고려한다면 예측되는 위험저감량이 다양할 것이고 이에 따라 환경비용에 대한 우선순위가 바뀔 가능성이 있음에 유의해야 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	비용-편익 분석은 어떤 과정인가?	비용-편익 분석은 위험도기반 선박설계 시 위험도제어방안(Risk control option)에 대한 각각의 비용과 편익을 계산하는 과정이며 최종 설계안 결정을 위한 기준이 된다(IMO, 2007a). 비용-편익 분석 시, 편익은 인명, 환경, 자산의 차원으로 분류되며(IMO, 2007b), 그 중 환경차원에서 유조선의 기름유출과 그것에 의한 처리비용에 대한 연구가 활발히 진행되고 있다.
	신경망을 구성하는 세 개 층은 무엇인가?	Fig. 2와 같이 입력층(Input layer), 은닉층(Hidden layer), 출력층(Output layer)의 세 계층으로 이루어져 있으며, 입력층과 출력층 사이에는 여러 개의 계층이 존재하도록 할 수도 있다(이상원, 1995).
	국내에서 수행한 위험도기반 선박설계 방법론에 대한 연구의 예로는 어떤 것이 있는가?	이에 따라 IMO(International maritime organization)에서는 위험도 분석과 비용-편익 분석을 바탕으로 한 공식 안전성 평가(FSA, formal safety assessment)절차를 기초로 기존의 규칙 기반 설계(Rule based design)가 아닌, 확률을 기초로 하는 위험도기반 선박설계(Risk-based ship design)로 선박의 안전성을 확보하는 방안을 제안하였다(IMO, 2002). 국내에서는 위험도기반 선박설계 방법론에 대한 연구가 활발하게 진행되고 있으며 FSA와 시스템 기능 위험성 평가 기반으로 위그선의 안전성을 평가한 예가 있다(이순섭 등, 2010).

참고문헌 (11)

이상원 (1995), "학습하는 기계 신경망". Ohm사.
이순섭, 박범진, 이종갑 (2010). 위그선 설계단계에서의 안전성 평가, 한국해양공학회지, 제24권, 제6호, pp 103-108.

원문보기 상세보기
IMO (2002). Guidelines for Formal Safety Assessment (FSA) for use in the IMO rule-making process, MSC/Circ.1023, MEPC/Circ.392.
IMO (2007a). Consolidated text of the Guidelines for Formal Safety Assessment(FSA) for use in the IMO rule-making process (MSC/Circ.1023-MEPC/Circ.392), MSC 83/INF.2.
IMO (2007b). FSA - container vessels Details of the Formal Safety Assessment, MSC 83/INF.8.
IMO (2008). FSA for Crude Oil Tankers by Denmark, MEPC 58/17/2.
IMO (2010). Information on the costs of oil spills in Norwegian territorial waters and proposal for an environmental risk criteria, MEPC 60/17/1.
IMO (2011a). Consideration on the Cost of Averting a Tonne of Oil Spilled (CATS) threshold function, MEPC 62/18/4.
IMO (2011b). Report of the Working Group on Environmental Risk Evaluation Criteria within the context of Formal Safety Assessment, MEPC 62/WP.13.
IOPCF (2008). Annual report 2007. International Oil Pollution Compensation Funds, London.
Vanem, E., Endresen, O. and Skjong, R. (2008). Costeffectiveness criteria for marine oil spill preventive measures, Reliability Engineering and System Safety, 93, 1354-1368.

상세보기

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

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

신경망을 이용한 유조선 기름 유출사고에 따른 환경비용 추정에 관한 연구
Estimation of Environmental Costs Based on Size of Oil Tanker Involved in Accident using Neural Network 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

신경망을 이용한 유조선 기름 유출사고에 따른 환경비용 추정에 관한 연구 Estimation of Environmental Costs Based on Size of Oil Tanker Involved in Accident using Neural Network 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

신성철 (45) 배정훈 (4) 김성훈 (3) 김수영 (75) 이종갑 (23)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

신경망을 이용한 유조선 기름 유출사고에 따른 환경비용 추정에 관한 연구
Estimation of Environmental Costs Based on Size of Oil Tanker Involved in Accident using Neural Network 원문보기

AI 본문요약
AI-Helper