본 연구에서는 인명구조활동을 지원하기 위한 피난동선예측 알고리즘 개발의 첫 단계로 피난동선예측 알고리즘의 개념을 정립하고 그 타당성을 수치적으로 명확히 제시하였다. 제안하는 알고리즘은 평상시 선박내 모니터링 시스템으로부터 지속적으로 승객이동 데이터를 취득, 분석, 정형화하고, 재난발생시 이 데이터와 예측 툴을 활용해 도출한 승선자의 피난동선예측 정보를 구조자에게 제공하여 인명피해를 최소화시키는 프로세스로 요약할 수 있다. 피난훈련을 통해 피난특성 데이터를 취득하였고 이를 기존 인명피난예측 툴에 입력하여 피난특성을 예측한 결과, 예측 툴의 구조적 원인으로 인해 가시거리가 충분히 확보되고 피난경로를 충분히 숙지한 상황에서의 피난 시나리오(SN1)에서만 신뢰할 만한 예측결과가 도출되었다. 본 연구에서 제안하는 알고리즘의 타당성을 확인하기 위해 타 분야의 예측 툴을 사용하여 피난특성을 예측한 결과, 제안 알고리즘이 구현될 경우 평균피난시간예측값과 피난동선(지점경유)예측값이 각각 0.6 ~ 6.9 %, 0.6 ~ 3.6 % 범위의 오차에서 실측값과 매우 유사한 경향을 보였다. 향후 선내 모니터링 데이터를 분석하고 이를 활용한 예측성능이 우수한 피난동선예측 알고리즘을 개발할 계획이다.
본 연구에서는 인명구조활동을 지원하기 위한 피난동선예측 알고리즘 개발의 첫 단계로 피난동선예측 알고리즘의 개념을 정립하고 그 타당성을 수치적으로 명확히 제시하였다. 제안하는 알고리즘은 평상시 선박내 모니터링 시스템으로부터 지속적으로 승객이동 데이터를 취득, 분석, 정형화하고, 재난발생시 이 데이터와 예측 툴을 활용해 도출한 승선자의 피난동선예측 정보를 구조자에게 제공하여 인명피해를 최소화시키는 프로세스로 요약할 수 있다. 피난훈련을 통해 피난특성 데이터를 취득하였고 이를 기존 인명피난예측 툴에 입력하여 피난특성을 예측한 결과, 예측 툴의 구조적 원인으로 인해 가시거리가 충분히 확보되고 피난경로를 충분히 숙지한 상황에서의 피난 시나리오(SN1)에서만 신뢰할 만한 예측결과가 도출되었다. 본 연구에서 제안하는 알고리즘의 타당성을 확인하기 위해 타 분야의 예측 툴을 사용하여 피난특성을 예측한 결과, 제안 알고리즘이 구현될 경우 평균피난시간예측값과 피난동선(지점경유)예측값이 각각 0.6 ~ 6.9 %, 0.6 ~ 3.6 % 범위의 오차에서 실측값과 매우 유사한 경향을 보였다. 향후 선내 모니터링 데이터를 분석하고 이를 활용한 예측성능이 우수한 피난동선예측 알고리즘을 개발할 계획이다.
In this study, an algorithm to predict evacuation routes in support of shipboard lifesaving activities is presented. As the first step of algorithm development, the feasibility and necessity of an evacuation route prediction algorithm are shown numerically. The proposed algorithm can be explained in...
In this study, an algorithm to predict evacuation routes in support of shipboard lifesaving activities is presented. As the first step of algorithm development, the feasibility and necessity of an evacuation route prediction algorithm are shown numerically. The proposed algorithm can be explained in brief as follows. This system continuously obtains and analyzes passenger movement data from the ship's monitoring system during non-disaster conditions. In case of a disaster, evacuation route prediction information is derived using the previously acquired data and a prediction tool, with the results provided to rescuers to minimize casualties. In this study, evacuation-related data obtained through fire evacuation trials was filtered and analyzed using a statistical method. In a simulation using the conventional evacuation prediction tool, it was found that reliable prediction results were obtained only in the SN1 trial because of the conceptual and structural nature of the tool itself. In order to verify the validity of the algorithm proposed in this study, an industrial engineering tool was adapted for evacuation characteristics prediction. When the proposed algorithm was implemented, the predicted values for average evacuation time and route were very similar to the measured values with error ranges of 0.6-6.9 % and 0.6-3.6 %, respectively. In the future, development of a high-performance evacuation route prediction algorithm is planned based on shipboard data monitoring and analysis.
In this study, an algorithm to predict evacuation routes in support of shipboard lifesaving activities is presented. As the first step of algorithm development, the feasibility and necessity of an evacuation route prediction algorithm are shown numerically. The proposed algorithm can be explained in brief as follows. This system continuously obtains and analyzes passenger movement data from the ship's monitoring system during non-disaster conditions. In case of a disaster, evacuation route prediction information is derived using the previously acquired data and a prediction tool, with the results provided to rescuers to minimize casualties. In this study, evacuation-related data obtained through fire evacuation trials was filtered and analyzed using a statistical method. In a simulation using the conventional evacuation prediction tool, it was found that reliable prediction results were obtained only in the SN1 trial because of the conceptual and structural nature of the tool itself. In order to verify the validity of the algorithm proposed in this study, an industrial engineering tool was adapted for evacuation characteristics prediction. When the proposed algorithm was implemented, the predicted values for average evacuation time and route were very similar to the measured values with error ranges of 0.6-6.9 % and 0.6-3.6 %, respectively. In the future, development of a high-performance evacuation route prediction algorithm is planned based on shipboard data monitoring and analysis.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
인명피난예측 툴이 구조활동에 활용되기 위해서는 예측 알고리즘이 시간축에 따른 재난의 전개상황과 피난자의 행동특성을 종합적으로 고려해 피난동선을 예측할 수 있어야 한다. 본 연구는 이를 위한 기술 개발의 첫 단계로써 피난동선예측 알고리즘의 개념을 정립하고 그 타당성을 수치적으로 명확히 제시하는 것을 목적으로 한다.
본 연구는 인명구조활동을 지원하기 위한 피난동선예측 알고리즘 개발의 첫 단계로써 피난동선예측 알고리즘의 개념을 정립하고 그 타당성을 수치적으로 명확히 제시하는 것을 목적으로 하였다. 제안하는 알고리즘은 평상시 선박의 모니터링 시스템으로부터 지속적으로 승객이동 데이터를 취득, 분석, 정형화하고, 재난발생시 이 데이터와 예측 툴을활용해 도출한 승선자의 피난동선예측 정보를 구조자에게 제공하여 인명피해를 최소화시키는 프로세스로 요약할 수 있다.
본 연구에서 제안하는 알고리즘은 승선자의 이동상황을 모니터링하고 이 데이터를 통계적으로 가공한 정보를 활용함으로써 목적하는바 성과를 달성할 수 있다. 이에 가장 먼저, 제한된 실측공간을 설정하고 피관찰자(피난훈련 참가자)의 피난특성을 실측하였다.
본 연구에서는 다음과 같은 단계적 과정을 거쳐 본 연구에서 제안하는 알고리즘의 필요성과 타당성을 검증하였다.
본 연구에서는 승선자의 이동특성을 모니터링하여 데이터베이스를 구축하고 또한 예측 툴에 대입할 적확한 형태로 가공하기 위하여 취득된 데이터를 통계기법으로 정형화하였다.
제안 방법
4.1절에서와 같이 Table 6, Fig. 6, 식(2) ~ (6)의 조건과 Table 3 ~ 5의 각 분기점에서의 경로선택 비율을 Arena의 해당 모듈에 입력한 후 각 시나리오별로 60회씩 시뮬레이션을 수행하였다. Fig.
1/Circ.1533 Annex 3 pp.15)의 권고에 따라, 본 연구에서는 실측에서 얻은 Table 6, Fig. 6, 식(2) ~ (6)의 각 조건을 Evi에 입력하여 시나리오별로 60회씩 시뮬레이션을 수행하였다.
이상과 같은 결과로부터 본 연구가 제안하는 피난동선예측알고리즘의 구현이 기술적으로 가능하고 또한 수치적으로 타당함을 설명할 수 있다. 그러나 제안하는 알고리즘의 타당성을 검증하기 위하여 본 연구에서는 세 번째 단계에서 피난안전분야가 아닌 산업공학분야에서 주로 활용되는 툴로써 독립된 1인의 피난동선예측만이 가능한 툴을 사용하였다. 그러나 이 툴은 피난자 간에 충돌이 발생하고 상호간에 영향을 주고받는 다수 대중의 동시 다발적 피난해석에는 적용할 수 없는 한계가 있기 때문에, 향후 본 연구에서 제안하는 알고리즘을 구현하기 위해 피난안전분야에 특화된 피난동선예측 툴을 개발할 계획이다.
다음 단계에서는 기존의 인명피난예측 툴을 이용해 대상공간에서의 피난특성을 예측하고 이를 상기 실측값과 비교분석함으로써 상호간의 수치적 차이를 제시하고 기존방식을 활용한 피난동선예측의 어려움을 설명하였다.
둘째, 취득 데이터를 기존에 활용 중인 인명피난예측 툴에 입력하여 피난특성을 예측하였다. 피난경로를 충분히 숙지한 상황일 경우(SN1)에는 신뢰할 만한 예측결과가 도출되었지만 다른 시나리오의 피난시간과 도착지점 예측값은 실측값과 큰 차이가 있었다.
또한 Fig. 9에 보이는 바와 같이 본 연구에서는 Arena를 설계할 때 각 에이전트의 모든 이동경로를 기록하였다. 그 중 Fig.
3의 도면을 제공받아 이동경로를 충분히 숙지하였다. 또한 참가자의 안전모에 액션캠을 부착하여, P1을 출발하여 동일한 거리에 있는 목표지점인 EB 혹은 ES에 도착하는 동안의 구간별 가시거리와 경로선택, 이동시간 등 피난활동정보를 개인별로 모니터링 및 녹화하였고, 훈련 종료 후 녹화된 영상물을 하나하나 목측 확인하며 기록하였다.
본 연구에서는 기존에 활용된 다양한 예측 툴 중 신뢰도가 매우 높은 Evi ver.3.7.4를 활용하여 인명피난예측을 수행하였다. Safety at Sea Ltd.
셋째, 본 연구에서 제안하는 알고리즘의 타당성을 확인하기 위해 산업공학분야의 설계 툴을 사용하여 피난특성을 예측하였다. 평균피난시간예측값과 피난동선(지점경유)예측값이 각각 0.
우선 2017년 9월 6일~7일 이틀 동안 한국해양대학교 실습선 한바다호에서 다음과 같은 내용으로 피난훈련을 수행하였다. 승선자 이동특성을 모니터링한 대상 구역은 실습선의 Upper deck 중 Fig.
본 연구에서 제안하는 알고리즘은 승선자의 이동상황을 모니터링하고 이 데이터를 통계적으로 가공한 정보를 활용함으로써 목적하는바 성과를 달성할 수 있다. 이에 가장 먼저, 제한된 실측공간을 설정하고 피관찰자(피난훈련 참가자)의 피난특성을 실측하였다. 이 과정에서 각 참가자의 이동속도, 이동경로, 분기점에서의 경로선택, 도착지점 등의 정보를 취득하였고, 이를 Python ver.
첫째, 60명이 참여한 3가지 시나리오의 피난훈련을 통하여, 숙지한 경로에서의 피난특성(SN1), 경로가 차단된 상황에서의 피난특성(SN2), 연기가 충진된 상태에서의 피난특성(SN3)을 모니터링하였다. 모니터링으로부터 취득된 내용은 이동속도, 이동거리, 선택경로, 도착지점 등이며, 통계기법에 의해 분석된 내용은 각 항목별 빈도분포와 관련 수식들이다.
대상 데이터
3개의 시나리오를 수행하면서 중도에 피난을 포기한 7명(SN1, SN2에서 각 1명, SN3에서 5명)과 데이터가 무효한 인원(2명)을 제외하고 연인원 180명 중 95.0 %가 목적지에 도착하였다.
이에 본 연구에서는 취득된 데이터 중 시나리오별로 다음 기준에서 선정된 참가자의 이동특성 데이터만을 이후 피난연구단계에서 활용하였다. SN1에서는 목적지에 도착한 총 59명에 대해 이동시간 상위, 하위 각 10 %를 제외한 47명 중 모든 이동경로의 정보취득이 가능한 42명을 분석대상으로 하였고, SN2의 경우에는 동일한 방법에 의해 선정된 34명을 분석대상으로 하였다. SN3의 경우에는 이동경로 대부분의 목측가시거리가 1 m 이내인 24명에 대해서만 분석하였다.
SN1에서는 목적지에 도착한 총 59명에 대해 이동시간 상위, 하위 각 10 %를 제외한 47명 중 모든 이동경로의 정보취득이 가능한 42명을 분석대상으로 하였고, SN2의 경우에는 동일한 방법에 의해 선정된 34명을 분석대상으로 하였다. SN3의 경우에는 이동경로 대부분의 목측가시거리가 1 m 이내인 24명에 대해서만 분석하였다.
우선 2017년 9월 6일~7일 이틀 동안 한국해양대학교 실습선 한바다호에서 다음과 같은 내용으로 피난훈련을 수행하였다. 승선자 이동특성을 모니터링한 대상 구역은 실습선의 Upper deck 중 Fig. 2에 표시된 공간이며, 내부 구조는 Fig. 3, Fig. 4과 같다. 이 구조는 아래 SN1, SN2, SN3 3개의 시나리오를 구현하기 위해 고안된 것이다.
이에 본 연구에서는 취득된 데이터 중 시나리오별로 다음 기준에서 선정된 참가자의 이동특성 데이터만을 이후 피난연구단계에서 활용하였다. SN1에서는 목적지에 도착한 총 59명에 대해 이동시간 상위, 하위 각 10 %를 제외한 47명 중 모든 이동경로의 정보취득이 가능한 42명을 분석대상으로 하였고, SN2의 경우에는 동일한 방법에 의해 선정된 34명을 분석대상으로 하였다.
데이터처리
이에 가장 먼저, 제한된 실측공간을 설정하고 피관찰자(피난훈련 참가자)의 피난특성을 실측하였다. 이 과정에서 각 참가자의 이동속도, 이동경로, 분기점에서의 경로선택, 도착지점 등의 정보를 취득하였고, 이를 Python ver.3.6.5에 데이터 분석처리 라이브러리인 Pandas ver.0.23을 결합시켜 개발한 프로그램으로 분석하였다.
이론/모형
전술한 바와 같이 기존 인명피난예측 툴 중에는 정확한 의미에서 피난경로를 예측하는 기능을 갖춘 툴이 없기 때문에 본 연구에서 제안하는 알고리즘의 타당성을 검증하기 위하여 산업공학과 물류공학 분야에서 주로 활용되는 Arena ver 14.5를 사용하였다(Kelton et al., 2015). Rockwell Automation Inc.
성능/효과
9 %의 참가자만이 피난환경이 변하여도 숙지한 경로에 의지하여 이동한다는 의미이다. 또한, 연기충진 여부는 다르지만 공간구조가 동일한 SN2, SN3에서 도착지점이 동일한 참가자는 23.5 %로 나타났는데, 이는 SN2에서의 경로 학습효과가 SN3에 반영된 것으로 볼 수 있다.
10은 Arena에 의한 시나리오별 피난시간 빈도분포를 보여준다. 이 결과를 Fig. 5와 비교하면 SN3의 평균 피난시간은 시뮬레이션 결과값이 실측값 대비 12.5초(6.9%) 짧은 것으로 예측하였지만, SN2는 0.4초(0.6%), SN1은 2.0초(3.1%)의 차이만을 나타내었다. 이를 기존 예측 툴에 의해 도출된 4.
8는 Evi에 의한 시나리오별 피난시간 빈도분포를 보여준다. 이 결과를 Fig. 5와 비교하면 SN3의 평균 피난시간은 시뮬레이션 결과값이 실측값 대비 33초(18.2 %), SN2는 7.5초(12.1 %) 각각 짧은 것으로 예측하고 있지만, SN1의 경우에는 0.6초(0.9 %)의 차이만을 나타내었다. 피난경로를 충분히 숙지한 상황일 경우(SN1)에는 신뢰할 만한 예측결과가 도출되지만, 숙지한 것과 다른 경로(SN2) 혹은 연기 충진(SN3) 등 피난환경이 어려워질수록 시뮬레이션 결과와 실측값 사이에 차이가 커졌다.
이상과 같은 결과로부터 본 연구가 제안하는 피난동선예측알고리즘의 구현이 기술적으로 가능하고 또한 수치적으로 타당함을 설명할 수 있다. 그러나 제안하는 알고리즘의 타당성을 검증하기 위하여 본 연구에서는 세 번째 단계에서 피난안전분야가 아닌 산업공학분야에서 주로 활용되는 툴로써 독립된 1인의 피난동선예측만이 가능한 툴을 사용하였다.
본 연구는 인명구조활동을 지원하기 위한 피난동선예측 알고리즘 개발의 첫 단계로써 피난동선예측 알고리즘의 개념을 정립하고 그 타당성을 수치적으로 명확히 제시하는 것을 목적으로 하였다. 제안하는 알고리즘은 평상시 선박의 모니터링 시스템으로부터 지속적으로 승객이동 데이터를 취득, 분석, 정형화하고, 재난발생시 이 데이터와 예측 툴을활용해 도출한 승선자의 피난동선예측 정보를 구조자에게 제공하여 인명피해를 최소화시키는 프로세스로 요약할 수 있다. 연구성과를 요약하면 다음과 같다.
셋째, 본 연구에서 제안하는 알고리즘의 타당성을 확인하기 위해 산업공학분야의 설계 툴을 사용하여 피난특성을 예측하였다. 평균피난시간예측값과 피난동선(지점경유)예측값이 각각 0.6 ~ 6.9 %, 0.6 ~ 3.6 % 범위의 오차에서 실측값과 매우 유사한 경향을 보였다.
후속연구
그러나 제안하는 알고리즘의 타당성을 검증하기 위하여 본 연구에서는 세 번째 단계에서 피난안전분야가 아닌 산업공학분야에서 주로 활용되는 툴로써 독립된 1인의 피난동선예측만이 가능한 툴을 사용하였다. 그러나 이 툴은 피난자 간에 충돌이 발생하고 상호간에 영향을 주고받는 다수 대중의 동시 다발적 피난해석에는 적용할 수 없는 한계가 있기 때문에, 향후 본 연구에서 제안하는 알고리즘을 구현하기 위해 피난안전분야에 특화된 피난동선예측 툴을 개발할 계획이다.
첫째는 모니터링 기술이 발달하였음에도 불구하고 현재 선박에 설치, 운영되고 있는 CCTV 등의 모니터링 시스템은 엔지니어링 측면에서의 데이터 취득보다는 승선자의 이동사실을 관찰하는 것이 주요 목적이기 때문에 지금까지는 이러한 시스템을 활용해 승선자의 데이터를 취득하고 이를 분석할 필요성이 없었다. 둘째는 기존의 인명피난예측 툴은 신조선의 안전성을 평가하는 것을 주요 목적으로 하였기 때문에 기존선의 피난성능향상을 위한 효율적이고 현실적인 피난동선에 주목할 필요가 없었다.
질의응답
핵심어
질문
논문에서 추출한 답변
Arena란 무엇인가?
Rockwell Automation Inc.(2017)사가 개발한 Arena는 정해진 경로에서 객체의 흐름을 예측하는 용도로 활용되는 상용 툴로써, 툴의 특성 상 객체 간 충돌이 발생하고 상호간에 영향을 주고받는 다수 대중의 동시 다발적 피난해석에는 적용할 수 없지만, 충돌이 발생하지 않는 독립된 1인 피난예측에 활용한 사례는 찾을 수 있다.
본 연구의 인명안전 피난동선예측 알고리즘은 어떠한 방식으로 동작하는가?
1은 본 연구에서 제안하는 인명안전 피난동선예측 알고리즘의 전반적인 개념을 제시한다. 이 알고리즘은 평상시에는 선박 내에 설치된 CCTV 등과 국내에서 개발 중인 여러 종류의 선내 위치인식 시스템을 통해 승선자의 행동 관련 데이터를 자동적으로 모니터링 하고 이를 주기적으로 통계기법으로 정형화한 데이터를 활용하여 선박의 재난대응 안전성을 점검하고 그 결과를 피드백하여 모니터링과 예측 툴의 문제점과 성능을 개선한다. 재난 발생 시에는 이를 활용하여 승선자의 피난동선을 시간축에 따라 예측하고, 도출된 결과를 구조자에게 제공함으로써 인명피해 최소화가 가능해 진다.
선내 화재발생 시 피난하기 어려운 이유는 무엇인가?
국내에서만 최근 5년간 485건의 선박 화재와 폭발사고가 발생하였고 이로 인해 125명의 인명피해가 발생한 것으로 보고되었다(KMST, 2018). 선박은 통로의 폭이 좁고 높이가 낮으며 매우 길기 때문에 선내 화재발생 시 화재와 연기가 통로를 통해 매우 빠르게 확산되는 특징으로 인해 피난경로가 폐쇄되거나 많은 인원이 동일 경로 상에서 동시에 피난하기 어려운 상황이 발생한다. 또한 선박은 선박자체의 고유 운동과 분기점이 많은 복잡한 통로 구조로 이루어지기 때문에 피난이 쉽지 않은 구조이다.
참고문헌 (10)
Hwang, K. I.(2011), Comparative Studies of Evacuation Time According to the Distribution Characteristics of Training Ship's Personnels (in Korean), Journal of Navigation and Port Research, Vol. 35, No. 3, pp. 213-218.
Hwang, K. I.(2015), Simulation Analysis on Passengers' Normal Evacuation Scenarios Considering the Changes of Heeling Angle during MV Sewol's Sinking (in Korean), Journal of the Korean Society of Marine Environment & Safety, Vol. 21, No. 1, pp. 47-56.
Hwang, K. I., I. S. Cho and Y. S. Lee(2016), A Study on Walking Characteristics of Novices at Onboard Environments under Blackout Conditions in a Training Ship (in Korean), Journal of the Korea Society of Marine Environment & Safety, Vol. 22, No. 1, pp. 74-81.
Hwang, K. I., I. S. Cho, G. H. Yun and B. Kim(2018), A Comparison of the Trainees' Evacuation Characteristics according to the Indoor Smoke-fullfill during the Safety Training on Ship (in Korean), Journal of the Korean Society of Marine Environment & Safety, Vol. 24, No. 4, pp. 422-429.
IMO(2016), Revised Guidelines on Evacuation Analysis For New And Existing Passenger Ships, MSC.1/Circ.1533.
Kelton, W. D., R. P. Sadowski and N. B. Zupick(2015), Simulation with Arena, McGraw-hill, 6th ed.
KMST(2018), Korea Maritime Safety Tribunal, Statistics for the marine accidents (in Korean), https://www.kmst.go.kr/kmst/statistics/annualReport/selectAnnualReportList.do (accessed May 11, 2018).
Nicholls, I., Y. Hifi, B. S. Lee, E. R. Galea, S. Deere, D. Blackshields and G. Sharp(2012), The SAFEGUARD Heel Scenario Evacuation Benchmark And Recommendations To IMO To Update MSC CIRC 1238, SAFEGUARD Passenger Evacuation Seminar, Nov. 30, London, UK, The Royal Institution of Naval Architects.
Rockwell Automation Inc.(2017), Arena ver 14.5, https://www.arenasimulation.com (accessed June 11, 2018).
Safety at Sea Ltd.(2013), Evi - Guidance for validating/verifying Evi to IMO MSC Circ.1033 Annex 3.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.