⚡ electrical engineering

Explainable Artificial Intelligence Framework for Predicting Construction Waste and Embodied Carbon in Building Projects Using Literature Calibrated Simulation

본 연구는 1,200개의 건축 유형에 대한 문헌 보정 시뮬레이션을 활용하여 고급 회귀 알고리즘과 SHAP 기반의 특성 분석을 통해 건설 폐기물 및 내재 탄소 집약도를 정확하게 예측하는 설명 가능한 인공지능 프레임워크를 제시하며, 이는 재료 데이터의 통합이 초기 단계의 의사결정 지원을 위해 예측 정확도를 어떻게 향상시키는지 입증한다.

원저자: Amitkumar D. Raval¹, Jagruti Shah, Arti N. Pamnani

게시일 2026-09-09

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Amitkumar D. Raval¹, Jagruti Shah, Arti N. Pamnani

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

건물이 지면에서 솟아오를 때마다, 그것은 서로 구별되면서도 깊게 연결된 두 가지의 발자국을 남깁니다. 하나는 매립지로 향하는 남겨진 벽돌 더미, 잘려 나간 파이프, 그리고 포장재와 같은 폐기물의 더미입니다. 다른 하나는 벽을 형성하는 강철, 콘크리트, 유리를 만드는 과정에서 배출되는 눈에 보이지 않는 온실가스의 구름입니다. 수십 년 동안 엔지니어와 건축가들은 이 두 가지 결과를 별개의 문제로 취급해 왔습니다. 그들은 프로젝트가 얼마나 많은 폐기물을 발생시킬지 계산하면서도, 구조물에 갇히게 될 탄소 배출량을 추정하기 위해 완전히 다른 도구 세트를 사용하곤 했습니다. 하지만 과도한 자재 주문, 잘못된 절단, 혹은 설계의 늦은 변경과 같이 폐기물을 만드는 바로 그 선택들이, 구조물에 고착될 오염의 양을 결정하는 결정적인 요인이기도 합니다. 미래를 위해 진정으로 건축하기 위해서는, 첫 삽을 뜨기 전, 즉 초기 스케치 단계에서부터 이 두 가지 발자국을 동시에 볼 수 있는 방법이 필요합니다.

인도의 한 연구팀이 정확히 그 일을 수행할 수 있는 새로운 방법을 개발했습니다. 그들은 인공지능을 사용하여 건축 폐기물과 건축 자재의 탄소 배출량을 동시에 예측하는 디지털 프레임워크를 구축했습니다. 그들이 직면했던 과제는 실제 데이터의 부족이었습니다. 건설 현장의 무질서한 현실 속에서는, 정확히 얼마만큼의 폐기물이 발생했는지, 그리고 모든 개별 자재의 정밀한 탄소 비용이 얼마인지에 대한 기록이 쉽게 비교할 수 있는 방식으로 거의 남겨지지 않습니다. 이 특정하고 정렬된 정보를 담은 공공 데이터베이스가 존재하지 않았기에, 연구진은 데이터를 추측하거나 조작하려 하지 않았습니다. 대신, 그들은 투명한 컴퓨터 생성 시뮬레이션을 구축했습니다. 그들은 소규모 사무실부터 대형 병원에 이르기까지 1,200개의 가상 건축 프로젝트를 만들고, 구조 시스템, 기후대, 건설 방식와 같은 현실적인 특성들을 부여했습니다. 각 가상 프로젝트에 대해, 연구진은 확립된 과학적 공식을 사용하여 정확히 얼마만큼의 폐기물과 탄소가 발생할지를 계산함으로써, 자신들의 예측을 검증할 수 있는 완벽한 '지면 진실(ground truth)'을 만들어냈습니다.

연구진은 여섯 가지 유형의 머신러닝 알고리즘을 학습시켜 프로젝트의 기본 세부 사항(규모, 층수, 구조 유형, 지역 기후 등)을 바탕으로 폐기물과 탄소 결과를 추측하도록 했습니다. 그들은 두 가지 서로 다른 시나리오에서 이 알고리즘들을 테스트했습니다. 첫 번째 시나리오에서 컴퓨터는 클라이언트가 건축가를 처음 고용할 때 알고 있는 것과 유사한 초기 단계의 설계 세부 사항만을 알고 있었습니다. 두 번째 시나리오에서 컴퓨터는 강철이나 콘크리트의 정확한 무게와 같은 구체적인 자재 양에 대한 추가적인 이점을 제공받았습니다. 결과는 초기 설계 세부 사항만으로도 인공지능이 놀라울 정도로 정확한 예측을 할 수 있음을 보여주었습니다. 건설 폐기물의 경우, 가장 우수한 모델은 오차 범위 12% 미만으로 쓰레기 양을 예측할 수 있었습니다. 그러나 자재의 구체적인 양을 모르는 상태에서 탄소 배피량을 예측하는 것은 더 어려웠습니다. 컴퓨터에 자재량에 대한 추가 정보가 주어졌을 때, 탄소 배출량을 예측하는 능력은 극적으로 향가되어 오차율이 절반으로 줄어들었습니다.

이 연구가 특히 가치 있는 이유는 연구진이 단순히 숫자만을 내뱉는 '블랙박스'를 만든 것이 아니기 때문입니다. 그들은 시스템에 특정 예측을 내린 '이유'를 설명하는 기능을 갖추었습니다. 데이터를 분석함으로써, 시스템은 폐기물과 탄소 수치 뒤에 있는 가장 중요한 동인을 식ло했습니다. 시스템은 구조 시스템의 유형(건물이 철근 콘크리트, 강철, 또는 나무로 만들어졌는지 여부)이 단일 요소 중 가장 큰 요인임을 찾아냈습니다. 층수, 재활드 자재의 사용량, 창문과 벽면의 비율 또한 주요한 역할을 했습니다. 예를 들어, 시뮬레이션은 통제된 공장에서 제작되는 조립식 부품을 더 많이 사용하는 것이 일반적으로 건설 현장의 폐기물을 줄인다는 점을 확인해주었습니다. 이러한 설명은 건축가와 엔지니어가 어떤 '레버'를 당길 수 있는지 이해할 수 있게 해줍니다. 그들은 다른 구조 시스템을 선택하거나 재활용 콘텐츠의 사용을 늘리는 것이 예측된 결과에 직접적으로 변화를 준다는 것을 알 수 있습니다.

또한 이 연구는 이러한 도구들이 어떻게 사용되어야 하는지에 대한 중요한 뉘앙스를 밝혀냈습니다. 연구진은 가장 복잡하고 강력한 알고리즘이 항상 최선의 선택은 아니라는 점을 발견했습니다. 탄소 배출량을 예측하는 데 있어, 자재량이 알려진 후에는 더 단순하고 직관적인 수학적 모델이 복잡한 모델만큼이나 성능이 좋았습니다. 이는 현실 세계에서 최선의 도구는 가용한 정보에 따라 달라진다는 것을 시사합니다. 만약 팀이 설계의 아주 초기 단계에 있다면, 일반적인 프로젝트 세부 사항에서 숨겨된 패턴을 찾아낼 수 있는 정교한 모델이 유용합니다. 하지만 자재량이 파악된 이후라면, 더 단순하고 투명한 모델이 똑같이 정확하면서도 신뢰하기 더 쉬울 수 있습니다. 연구진은 자신들의 결과가 특정 도시나 시장에 국한된 것이 아닌 통제된 시뮬레이션에 기반한 것이므로, 정확한 수치를 미래의 모든 건물에 대한 보증으로 받아들여서는 안 된다고 강조합니다. 그러나 이 프레임워크 자체는 폐기물과 탄소 예측을 하나의 설명 가능한 시스템으로 결합하는 것이 가능하다는 것을 입증합니다. 이 접근 방식은 건설 산업이 프로세스 초기 단계에서부터 더 스마트하고 지속 가능한 결정을 내릴 수 있도록 하여, 내일의 건축물이 첫 번째 청사진의 선 하나를 긋는 순간부터 효율적일 뿐만 아니라 더 깨끗하고 낭비가 적도록 보장하는 길을 제시합니다.

기술 요약: 건설 폐기물 및 내재 탄소 예측을 위한 설명 가능한 AI 프레임워크

문제 정의
건설 폐기물과 내재 탄소는 건축 분야의 핵심적인 지속가능성 지표이지만, 설계 및 조달 결정에서 비롯되는 상호 의존성에도 불구하고 일반적으로 별개의 워크플로우를 통해 추정됩니다. 현재의 연구는 네 가지 주요 격차에 직면해 있습니다: (1) 폐기물과 탄소가 함께 모델링되는 경우가 드물어 공유된 동인(drivers)에 대한 통찰이 제한됨; (2) 고성능 알고리즘이 종종 "블랙박스"로 기능하여 설계 팀에게 필요한 설명 가능성이 부족함; (3) 데이터 성숙도(개념적 기술자부터 상세 재료 물량까지)가 일관되지 않아 성능 비교가 어려움; (4) 폐기물과 전 생애주기(A1–A5 모듈) 탄소 관측치를 모두 포함하는 정렬된 개방형 프로젝트 수준 데이터셋의 부족. 이러한 실증적 데이터의 부재는 기록을 조작하거나 불투명하고 작은 데이터셋으로부터 결과를 과장하려는 유혹으로 이어지곤 합니다.

방법론
데이터 격차 문제를 해결하기 위해 저자들은 실증 기록을 조작하는 대신, **문헌 보정 시뮬레이션(literature-calibrated simulation)**을 수행한 통제된 실험을 진행했습니다.

데이터 생성: 고정된 랜덤 시드를 사용하여 1,200개의 건축 프로젝트 아키타입(archetype) 데이터셋을 생성했습니다. 이 데이터셋은 5가지 건물 용도, 3가지 구조 시스템, 3가지 조달 경로, 4가지 기후대를 포괄합니다.
대상 생성:
- 건설 폐기물: 관리 요인(프리패브리케이션, BIM 성숙도, 폐기물 계획)과 확률적 불확실성에 의해 수정된 명시적 재료 흐름 방정식을 사용하여 계산되었습니다.
- 내재 탄소 (A1–A5): 재료, 운송 및 건설에 대한 일반적인 배출 계수를 사용하였으며, 재활용 함량 및 물류 요인을 조정하였습니다.
시나리오: 정보 누출(information leakage)을 방지하기 위해 두 가지 정보 시나리오를 테스트했습니다.
- 시나리오 S1 (개념 단계): 설계 초기 단계에서 사용 가능한 프로젝트 기술자(예: 용도, 구조, 층수, 기후, BIM 성숙도)를 사용합니다.
- 시나리오 S2 (재료 인지 단계): 개념 설계 단계 또는 BIM을 통해 확보 가능한 7가지 특정 재료 집약도(kg/m²)를 추가합니다.
모델링: 선형 회귀(Linear Regression), 엘라스틱 넷(Elastic Net), 랜덤 포레스트(Random Forest), 익스트림리 랜덤 트리(Extremely Randomized Trees), XGBoost, LightGBM 등 6가지 회귀 알고리즘을 평가했습니다. 모델은 80/20 홀드아웃 분할과 3회 교차 검증을 통해 학습되었습니다.
설명 가능성: SHAP(SHapley Additive exPlanations)을 사용하여 전역적 특성 중요도와 지역적 예측 동인을 식별했습니다.

주요 결과

폐기물 예측: 개념 단계 시나리오에서 XGBoost가 가장 높은 성능( $R^2 = 0.870$ , MAPE = 11.89%)을 달랐습니다. 재료 집약도를 추가(S2)했을 때 $R^2$ 가 0.888로 소폭 상승했는데, 이는 개념 단계의 기술자(구조 시스템, 층수, 프리패브리케이션 등)가 이미 폐기물 발생 변동성의 대부분을 포착하고 있음을 시사합니다.
내재 탄소 예측: 개념 단계 예측은 더 까다로웠으며, 선형 회귀가 가장 높은 $R^2$ (0.694)를 기록했고 LightGBM이 가장 낮은 MAE(21.73 kgCO₂e/m²)를 기록했습니다. 그러나 재료 집약도를 추가(S2)하자 정확도가 크게 향상되어, 엘라스틱 넷이 $R^2$ 0.906에 도달하고 MAPE가 **4.27%**로 떨어졌습니다. 이는 내재 탄소가 특정 재료 물량에 크게 의존하며, 이러한 데이터는 설계 초기 단계에는 대개 가용하지 않음을 나타냅니다.
설명 가능성: SHAP 분석 결과 구조 시스템, 층수, 재활용 함량, 외피-바닥 면적비(facade-to-floor ratio), 프리패브리케이션이 지배적인 예측 변수로 식별되었습니다. 재료 인지 시나리오에서는 특정 재료 집약도(철강, 콘크리트, 유리)가 탄소 예측의 주요 동인이 되었습니다. 본 연구는 구조 시스템이 강력한 대리 변수(proxy)이긴 하지만, 추가적인 맥락 없이 특정 시스템에 대한 인과적 선호를 의미하는 것은 아니라고 언급합니다.

주요 기여
본 논문은 네 가지 구체적인 방법론적 기여를 합니다:

통합 스키마: 공동 예측을 위해 건설 폐기물과 내재 탄소를 정렬한 데이터 스키마.
투명한 시뮬레이션: 실증적 증거로서 조작된 관측치를 제시하는 대신, 데이터를 합성 데이터(synthetic data)로 명시적으로 라벨링한 재현 가능한 문헌 보정 시뮬레이션 프레임워크.
벤치마킹: 서로 다른 정보 성숙도(개념 vs. 재료 인지)에 따른 선형, 정규화 및 트리 앙상블 모델의 비교 분석.
설명 가능성 레이어: 예측적 연관성과 인과적 개입을 구분하여 모델 예측을 의사결정에 유용한 동인으로 변환하기 위한 SHAP의 통합.

의의 및 주장
저자들은 이 연구를 실제 프로젝트를 위한 배치 가능한 추정기가 아닌, 하나의 방법론적 템플릿으로 규정합니다. 의의는 예측 정확도, 정보 성숙도, 그리고 투명한 설명이 어떻게 통합된 의사결정 지원 아키텍처로 결합될 수 있는지를 입증하는 데 있습니다.

단계별 정보: 초기 단계의 예측은 가능하지만 본질적으로 재료 데이터의 부재로 인해 제한적이며, 설계가 성숙함에 따라 정확도가 크게 향상된다는 점을 검증했습니다.
알고리즘 선택: 결과는 복잡한 비선형 모델이 항상 우월하다는 가설에 도전합니다. 알려진 재료 물량이 있는 내재 탄소의 경우, 가법적 선형 모델(Elastic Net)이 경쟁력 있는 성능을 보였으며, 이는 알고리즘 선택이 참신함보다는 데이터 가용성과 의사결정 요구사항에 의해 주도되어야 함을 시사합니다.
거버넌스: 본 프레임워크는 모델의 동작을 노출함으로써 타당성 검토를 가능하게 하고 데이터 격차를 식별함으로써 거버넌스를 지원합니다. 또한 설명은 전문적 판단을 대체하는 것이 아니라 지원해야 함을 강조합니다.

저자들은 보고된 오차 값이 합성 데이터의 특성, 제품별 환경성적표지(EPD)의 제외, 지역적 보정의 부재로 인해 실제 프로젝트의 기대 성능으로 인용되어서는 안 된다고 명시적으로 밝힙니다. 식별된 다음 단계는 측정된 폐기물 기록과 여러 지역에 걸쳐 조화된 탄소 평가를 사용한 검증입니다.

유사한 논문