⚡ electrical engineering

Study Numerical Simulation of Smoke Movement and LSTM-Based Early Warning for metro Platform Fires

본 연구는 화재 역학 시뮬레이터(FDS) 수치 시뮬레이션, 실물 크기 연기 실험, 그리고 장단기 메모리(LSTM) 딥러닝 모델을 통합하여 지하철 승강장 화재 시의 연기 확산을 분석하고, 임계 가시거리 저하를 98% 이상의 정확도로 예측하는 매우 정밀한 조기 경보 시스템을 개발한다.

원저자: Hua Chen, Haotian Qiao, Ying Xia, Yong Zhang, Chenyang Zhang, Qing Liu, Wenjing Mao, Tianchang Meng, Gang Wang

게시일 2026-08-22

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Hua Chen, Haotian Qiao, Ying Xia, Yong Zhang, Chenyang Zhang, Qing Liu, Wenjing Mao, Tianchang Meng, Gang Wang

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

지하 도시는 현대 공학의 경이로움으로, 지표면 깊은 곳에 위치한 터널을 통해 매일 수백만 명의 사람들을 이동시킵니다. 그러나 이러한 편리함에는 숨겨진 취약점이 있습니다. 지하철역에서 화재가 발생할 경우, 화재가 만들어내는 연기가 생명을 위협하는 주요 요인이 된다는 점입니다. 열기와 가스가 위로 올라가 흩어질 수 있는 개활지의 화재와 달리, 지하철역은 폐쇄된 상자와 같습니다. 연기를 밀어낼 자연적인 바람이 없으면 연기는 공간을 빠르게 채우며 시야를 가리고 독성 가스로 공기를 가득 채웁니다. 연기가 퍼지는 속도는 승객이 안전한 곳을 찾을 수 있는지, 아니면 갇히게 될지를 결정합니다. 수십 년 동안 엔지니어들은 이 위험을 관리하기 위해 복잡한 환기 시스템에 의존해 왔지만, 이 좁고 붐비는 공간에서의 연기 물리 현상은 예측하기 어렵고, 안전하게 탈출할 수 있는 시간은 불과 몇 분 내외로 측정되곤 합니다.

이 과제를 해결하기 위해 중국과 캐나다의 연구진은 플랫폼 화재 시 연기가 정확히 어떻게 행동하는지 이해하고, 너무 늦기 전에 사람들에게 경고하는 방법을 연구하기 위해 최근 종합적인 연구를 수행했습니다. 그들은 세 가지 뚜� 다른 접근 방식을 결합했습니다. 즉, 지하철역의 상세한 디지털 트윈을 구축하고, 운영 중인 역에서 실제 화재 테스트를 수행하며, 컴퓨터가 위험 패턴을 인식하도록 훈련시키는 것이었습니다. 그들의 목표는 단순히 연기가 어떻게 움직이는지를 보는 것뿐만 아니라, 위험한 가시성 저하가 발생하기 몇 초 전에 이를 예측하여 응급 대응 요원과 승객에게 결정적인 선행 시간을 제공할 수 있는 시스템을 개발하는 것이었습니다.

연구진은 먼저 많은 중국 대도시에서 볼 수 있는 전형적인 복층 구조의 지하철역에 대한 정밀한 컴퓨터 모델을 만들었습니다. 그들은 대형 차량 화재 규모와 맞먹는 3메가와트의 열 출력을 가진 플랫폼 화재를 시뮬레이션하며, 다양한 조건 하에서 연기가 어떻게 확산되는지 관찰했습니다. 한 시나리오에서는 역의 표준 환기 시스템을 사용했습니다. 다른 시나리오에서는 공기를 더 빨리 정화할 수 있는지 확인하기 위해 이동식 배기 팬을 추가했습니다. 세 번째 시나리오에서는 뉴욕이나 런던 같은 도시의 오래된 시스템에서 흔히 볼 수 있는 설계인, 플랫폼과 선로를 분리하는 유리 장벽이 없는 상태를 모델링했습니다. 시뮬레이션 결과, 스크린도어로 알려진 이 유리문이 연기의 이동 방식을 근본적으로 변화시킨다는 사실이 밝혀졌습니다. 문이 닫혀 있을 때는 연기가 공기가 터널로 흐르도록 시스템이 문을 열 때까지 플랫폼에 갇혀 있습니다. 반면 유리문이 없는 경우에는 연기가 즉시 터널로 퍼져 지표면을 향해 올라가며, 더 혼란스러운 형태의 이동 패턴을 만들어냅니다.

컴퓨터 모델의 정확성을 보장하기 위해 연구팀은 이론에만 의존하지 않았습니다. 그들은 열차가 운행하지 않는 밤 시간대, 중국 남부의 실제 운영 중인 지하철역에서 전규모 화재 실험을 실시했습니다. 그들은 네 개의 알코올 트레이를 태워 1.5메가와트의 열 방출률을 생성하는 통제된 화재를 일으켰습니다. 화재가 커짐에 따라 연기가 상승하고 확산되는 과정을 지켜보며, 환기 시스템이 작동하는 정확한 순간을 기록했습니다. 실험 결과, 역의 안전 로직이 설계대로 작동함이 확인되었습니다. 연기 감지기가 배기 팬을 작동시켰고, 유리문이 열려 플랫폼과 터널을 연결했으며, 터널 자체의 환기 시스템이 연기를 끌어냈습니다. 연기는 성공적으로 플랫폼에서부터 열린 문을 통해 터널을 거쳐 역 밖으로 유도되었으며, 몇 분 내에 대피가 가능할 정도로 플랫폼을 깨끗하게 만들었습니다. 이 실전 테스트는 그들의 디지털 시뮬레이션이 추가 분석에 사용될 만큼 신뢰할 수 있음을 입증했습니다.

검증된 모델과 풍부한 데이터를 바탕으로, 연구진은 화재 안전의 미래인 인공지능으로 눈을 돌렸습니다. 그들은 시뮬레이션에서 얻은 수천 개의 데이터 포인트를 롱 쇼트 터름 메모리(Long Short-Term Memory, LSTM)라고 불리는 특수 유형의 컴퓨터 프로그램에 입력했습니다. 이 프로그램은 인간이 시간이 흐름에 따라 패턴을 인식하는 방식과 유사하게, 일련의 사건으로부터 학습하도록 설계되었습니다. 그들은 컴퓨터가 플랫폼의 여러 지점에서의 일산화탄소, 이산화탄소 및 가시성 수준을 관찰하도록 훈련시켰습니다. 목표는 컴퓨터가 향후 30초 이내에 가시성이 임계 안전 기준인 10미터 미만으로 떨어질지를 예측하는 것이었습니다.

결과는 놀라웠습니다. 한 번도 본 적 없는 새로운 데이터로 테스트했을 때, 컴퓨터 모델은 98% 이상의 정확도로 위험한 조건을 식별해 냈습니다. 더 중요한 것은, 모델이 실제 위험을 놓치는 경우가 거의 없었다는 점입니다. 가시성이 안전 수준 이하로 떨어진 118건의 시뮬레이션 화재 사건 중, 모델은 단 한 건도 빠짐없이 경보를 울렸습니다. 약 34%의 사례에서 시스템은 가시성이 실제로 임계점에 도달하기 전에 경고를 울렸으며, 평균적으로 약 26초의 선행 통지를 제공했습니다. 이 시간이 짧게 느껴질 수 있지만, 패닉이 빠르게 퍼질 수 있는 붐비는 지하철 플랫폼이라는 맥의 맥락에서 이 몇 초는 매우 중요합니다. 이 시간은 비상 방송을 활성화하고, 환기 모드를 전환하며, 공기가 앞을 볼 수 없을 정도로 탁해지기 전에 승객들을 안전한 곳으로 안내하기에 충분한 시간입니다.

또한 이 연구는 다양한 도구를 결 조합하는 것의 가치를 강조했습니다. 실제 화재 테스트는 컴퓨터 모델을 검증했고, 컴퓨터 모델은 인공지능을 훈련하는 데 필요한 방대한 데이터셋을 제공했습니다. 연구진은 현재의 모델이 속도를 위해 설계된 단일 계층 시스템이지만 매우 효과적이라고 언급했습니다. 향후 연구에는 다양한 유형의 화재로부터 얻은 더 많은 데이터를 추가하고, 이 시스템을 다른 고급 기술과 결려 더욱 견고하게 만드는 작업이 포함될 것입니다. 현재로서 이 연구는 명확한 방향을 제시합니다. 즉, 시뮬레이션과 테스트를 통해 연기의 물리학을 이해하고, 그 지식을 사용하여 지능형 경고 시스템을 훈련함으로써, 도시들이 매일 이용하는 지하 교통망을 훨씬 더 안전하게 만들 수 있다는 것입니다.

기술 요약: 지하철 승강장 화재에 대한 연기 이동의 수치 시뮬레이션 및 LSTM 기반 조기 경보

문제 제기
폐쇄된 지하 공간과 높은 유동 인구라는 특성을 가진 지하철 시스템은 화재 발생 시 심각한 안전 위험에 직면한다. 개방형 구조와 달리, 지하 역사는 자연 환기가 부족하여 연기가 급격히 축적되고 연결된 개구부를 통해 수직 및 수평으로 확산된다. 이러한 환경은 유독 가스 노출과 시야 확보 불능을 통해 인명 안전에 주요한 위협을 가한다. 연기 제어 전략은 중국과 싱가포르의 스크린도어(PSD)가 설치된 폐쇄형 승강장부터 뉴욕과 런던의 개방형 승로에 이르기까지 전 세계적으로 다양하지만, 화재 가압 및 연기 배출 로직의 부적절한 설정은 유독 가스의 확산을 악화시킬 수 있다. 또한, 기존 연구는 주로 수치 시뮬레이션이나 축소 모델에 의존하며, 실규모 실험을 통한 검증은 제한적이다. 따라서 연기 제어 전략을 최적화하고 승강장 화재에 대한 신뢰할 수 있는 조기 경보 시스템을 개발하기 위해, 실규모 실험 데이터와 첨단 수치 시뮬레이션 및 머신러닝을 통합해야 할 결정적인 필요성이 존재한다.

연구 방법론
본 연구는 실규모 실험, 전산유체역학(CFD) 수치 시뮬레이션, 그리고 딥러닝을 결합한 하이브리드 접근 방식을 채택하였다.

실규모 실험: 중국 남부의 운영 중인 지하철 역사를 대상으로 비운행 시간에 열연기 테스트를 실시하였다. 해당 역사는 PSD가 완전히 설치된 더블 아일랜드 플랫폼 구조를 갖추고 있다. 플랫폼 화재를 모사하기 위해 1.5 MW의 화재 하중(0.5 m² 알코올 트레이 4개)을 점화하였다. 실험은 호주 표준 프로토콜을 준수하였으며, 이미지 캡처 시스템(ICS)과 풍속계를 사용하여 연기 전파, 기류 속도 및 시스템 작동 시간을 모니터링하였다. 이 테스트를 통해 플랫폼 배기 시스템, PSD 개방, 터널 배기구가 순차적으로 작동하는 연기 제어 로직을 검증하였다.
수치 시뮬레이션: Fire Dynamics Simulator(FDS)를 사용하여 215m 길이의 더블 아일랜드 역사를 기준으로 세 가지 뚜렷한 화재 시나리오를 모델링하였다.
- 시나리오 I: PSD가 설치된 플랫폼에서 표준 기계식 연기 배출(플랫폼 + 터널)을 사용하는 경우.
- 시나리오 II: PSD가 설치된 플랫폼에서 구조 작업 중 환기를 보조하기 위해 이동식 연기 배출 팬을 통합한 경우.
- 시나리오 III: 자연 연기 배출에 의존하는 프로토타입 개방형 플랫폼(뉴욕/런던 시스템을 대표함).
  시뮬레이션은 3 MW의 열방출률(HRR)과 빠른 $t^2$ 화재 성장 곡선을 사용하였다. 모델은 서로 다른 환기 전략에 따른 연기 확산을 비교하기 위해 CO, CO₂, 및 시야(visibility)를 추적하였다.
LSTM 기반 조기 경보 모델: FDS 시뮬레이션 데이터를 사용하여 20개의 모니터링 지점으로부터 CO, CO₂, 시야의 동기화된 측정값을 포함하는 6개의 시나리오로 구성된 "지하철 내 화재(Fire in Metro, FIM)" 데이터베이스를 구축하였다. 조기 경보를 위한 이진 분류를 수행하기 위해 장단기 메모리(LSTM) 네트워크를 개발하였다. 이 모델은 60초의 과거 윈도우( $L=60s$ )를 바탕으로 30초의 예측 지평( $T=30s$ ) 내에 시야가 임계값(10 m) 미만으로 떨어질지 여부를 예측한다. 모델은 클래스 불균형 문제를 해결하고 미탐지 경보를 최소화하기 위해 재현율(recall)을 우선시하는 가중치 적용 이진 교차 엔트로피 손실 함수로 학습되었다.

주요 기여

하이브리드 연기 제어 전략: 본 연구는 소방관 구조 작업 중 고정식 시스템을 보조하기 위해 이동식 연기 배출 팬을 사용하는 하이브리드 전략을 제안하고 평가하며, 이를 기존의 고정식 시스템 및 개방형 플랫폼 설계와 비교한다.
FIM 데이터베이스 및 LSTM 모델: 종합적인 FIM 데이터베이스 구축과 지하철 승강장 화재 시 시야 저하를 예측하기 위해 특화된 딥러닝 모델 개발을 수행하였다.
실험적 검증: 수치 시뮬레이션 파라미터를 보정하고 검증하기 위해 실규모 실험 데이터를 통합함으로써, 시나리오 분석에 사용된 CFD 모델의 신뢰성을 확보하였다.

결과

연기 전파:
- 시나리오 I (표준): 연기가 PSD를 통해 터널로 배출되기 전 플랫폼에 축적되었다. 시야는 급격히 감소하여 몇 분 내에 여러 지점에서 위험 수준(10 m 미만)에 도달하였다.
- 시나리오 II (이동식 팬): 이동식 팬의 추가는 플랫폼 상의 수평 연기 확산을 크게 억제하였다. 이는 시나리오 I과 비교했을 때, 연기가 주요 대피 지점(계단 및 먼 벽면)에 도달하는 시간을 약 111~112초 지연시켜 시야 조건을 실질적으로 개선하였다.
- 시나리오 III (개방형 플랫폼): PSD가 없는 경우, 연기는 천장과 인접 터널로 빠르게 확산되었다. 그러나 부력에 의한 흐름 덕분에 초기에는 일부 연기가 상부 콘코스(concourse)로 상승하여, 초기 단계에서는 시나리오 I보다 플랫폼의 시야가 더 높게 나타났으나, 부력이 약해짐에 따라 연기가 결국 가라앉았다.
실험적 검증: 실규모 테스트는 시뮬레이션의 연기 수송 경로를 확인하였다. 연기는 PSD를 통해 플랫폼에서 터널로 효과적으로 유도되었으며, 터널 배출구가 방향성 흐름을 형성하였다. 플랫폼은 음압을 유지하였으며, 점화 후 289초 만에 시야가 초기 수준으로 회복되었다.
LSTM 모델 성능: 모델은 테스트 세트에서 정확도 98.06%, 정밀도 98.92%, 재현율 98.95%를 달로 높은 성능을 입증하였다. 시야가 임계값(10 m) 미만으로 떨어진 118건의 모든 화재 사건에 대해 성공적으로 경보를 발생시켰다.
조기 경보 능력: 모델은 33.9%의 조기 경보 커버리지율을 달성하여, 118건의 위험 이벤트 중 40건을 사전에 성공적으로 예측하였다. 이러한 조기 경보의 평균 리드 타임은 25.9초였으며, 최대 158초였다.

의의 및 주장
저자들은 본 연구가 지하철 승강장 화재 구조 의사결정, 연기 제어 시스템 최적화 및 조기 경보를 위한 이론적 근거와 기술적 참조를 제공한다고 밝히고 있다. 수치 시뮬레이션 방법의 신뢰성을 실규모 실험을 통해 검증함으로써, 본 연구는 특정 연기 제어 로직의 유효성을 확인하였다. LSTM 모델은 시야 저하의 미세한 시간적 특징을 성공적으로 포착하여, 상황이 임계점에 도달하기 전에 비상 방송을 시작하거나 연기 제어 모드를 전환할 수 있는 도구를 제공한다고 주장한다. 연구는 현재 모델이 추론 속도를 위해 단일 계층 LSTM을 사용하고 있다는 점과, 향-후 더 복잡한 구조를 통합하고 데이터베이스를 확장할 계획임을 언급하며 이동식 팬 전략(시나리오 II)이 운영상의 제약으로 인해 실험적으로 검증되지 않았다는 한계점을 겸허히 인정하였다.

유사한 논문