Spatiotemporal Prediction of Fire-Hazard Parameters in Commercial Buildings Considering Active Fire Protection Systems

대형 쇼핑몰이나 오피스 빌딩에서 화재가 발생했을 때, 위험은 단순히 불꽃 그 자체뿐만 아니라 그 뒤를 따르는 초고온의 가스와 짙은 연기의 보이지 않는 구름입니다. 탈출하려는 사람들에게 가장 중요한 정보는 지면에서 약 6피트 높이인 호흡기 수준의 공기가 어떻게 느껴지는가 하는 점입니다. 여기서 온도, 남은 산소량, 독성 가스의 농도, 그리고 시야 확보 거리는 생사가 걸린 문제가 됩니다. 현대의 건물들은 이러한 위험 요소와 싸우기 위해 설계된 능동형 안전 시스템을 갖추고 있습니다. 즉, 공기를 식히기 위해 물을 뿌리는 스프링클러와 실내의 연기를 뽑아내는 기계식 팬이 그것입니다. 그러나 이 시스템들은 단순히 불을 끄는 역할만 하는 것이 아니라, 열과 연기가 공간을 통과하는 방식을 근본적으로 변화시킵니다. 이들은 복잡하고 변화무쌍한 환경을 만들어내어, 표준 센서들이 사람들이 달려 나가려는 높이에서 실제로 어떤 일이 일어나고 있는지 정확히 파악하는 것을 어렵게 만듭니다.

연구자들은 이러한 화재를 모니터링하기 위해 분산형 광섬유 온도 감지라는 영리한 기술을 오랫동안 사용해 왔습니다. 천장을 따라 벽면까지 길고 가는 유리 실이 지나가며, 그 선을 따라 모든 지점의 온도를 측정할 수 있다고 상상해 보십시오. 이는 단지 몇 개의 흩어진 온도계만 있는 것보다 훨씬 뛰어난, 열의 연속적이고 상세한 지도를 만들어냅니다. 문제는 건물의 안전 시스템이 작동할 때 발생합니다. 스프링클러의 물과 배기 팬의 공기는 센서가 위치한 천장과 벽을 식히지만, 동시에 공기를 휘저어 호흡기 수준의 온도를 예측 불가능한 방식으로 변화시킵니다. 만약 컴퓨터가 천장의 온도 측정값만을 바탕으로 호흡기 수준의 위험한 조건을 추측하려 한다면, 안전 시스템에 의해 천장과 바닥 사이의 관계가 변질되었기 때문에 종종 틀린 결과를 내놓게 될 것입니다.

여러 중국 대학과 연구 기관의 연구팀은 바로 이 문제를 해결하기 위해 나섰습니다. 그들은 스프링클러와 팬이 작동하는 중에도 광섬유 센서의 온도 측정값을 사용하여 호흡기 수준의 위험한 조건을 정확하게 예측할 수 있는 방법을 만들고자 했습니다. 이를 위해 그들은 실제 화재에 의존하지 않았는데, 실제 화재는 통제된 방식으로 연구하기에는 너무 위험하고 예측 불가능하기 때문입니다. 대신, 그들은 고급 컴퓨터 시뮬레이션을 사용하여 방대한 디지털 화재 시나리오 라이브러리를 구축했습니다. 그들은 소규모 상점에서 대형 아트리움에 이르기까지 다양한 크기의 상업 공간을 모델링하고, 다양한 강도의 화재를 시뮬레이션했습니다. 그런 다음 각 시나리오에 대해 세 가지 경우로 시뮬레이션을 실행했습니다: 안전 시스템이 없는 경우, 스프링클러만 작동하는 경우, 연기 배출 팬만 작동하는 경우, 그리고 마지막으로 두 시스템이 함께 작동하는 경우입니다. 이를 통해 그들은 안전 시스템이 온도와 공기 성분을 정확히 얼마나 변화시키는지 확인할 수 있었습니다.

연구진은 안전 시스템이 심대하고 측정 가능한 영향을 미친다는 것을 발견했습니다. 스프링클러만 작동할 때는 제어되지 않은 화재에 비해 호흡기 수준의 평균 온도가 섭씨 30도 이상 낮아졌습니다. 연기 배출 팬만 사용했을 때는 온도가 약 10도 낮아졌습니다. 하지만 두 시스템이 함께 작동할 때, 호흡기 수준의 온도는 거의 60도 가까이 급락했습니다. 이러한 엄청난 냉각 효과는 기존의 규칙으로는 천장 온도를 통해 공기 질을 추측할 수 없음을 의미했습니다. 만약 시스템이 활성 화재 중에 기존의 규칙을 사용한다면, 위험을 과도하게 높게 측정하거나 실제 상태를 완전히 놓칠 수 있습니다. 데이터는 물과 기류에 의해 천장의 열과 호min기 수준의 공기 사이의 관계가 완전히 다시 쓰였다는 것을 보여주었습니다.

이를 해결하기 위해 연구팀은 데이터로부터 패턴을 학습하는 일종의 컴퓨터 지능인 머신 러닝을 활용했습니다. 그들은 서로 다른 종류의 컴퓨터 모델이 '번역가' 역할을 하도록 훈련시켰습니다. 목표는 천장과 벽에 있는 광섬유 센서의 원시 온도 데이터와 방의 크기, 화재 강도에 대한 정보를 입력받아, 교정된 정확한 호흡기 수준의 온도를 출력하는 것이었습니다. 그들은 네 가지 유형의 학습 알고리즘을 테스트했습니다. 그중 그래프 신경망(graph neural network)이 가장 효과적인 것으로 나타났습니다. 이 특정 모델은 센서의 공간적 배치를 이해하는 데 특히 뛰어났으며, 천장의 한 지점 온도가 다음 지점의 온도와 어떻게 연결되는지, 그리고 스프링클러의 물이 팬의 공기와 어떻게 다르게 특정 구역을 식히는지 인식하는 능력이 탁월했습니다.

온도를 교정하는 최적의 모델을 확보한 후, 연구진은 이를 이용해 다른 위험 요소들도 예측했습니다. 열, 연기, 가스는 모두 물리적으로 연결되어 있기 때문에, 실제 온도를 알면 이산화탄소량, 남은 산소량, 연기 밀도 및 시야를 추정할 수 있습니다. 결과는 놀라웠습니다. 교정 전에는 이산화탄소 수치에 대한 컴퓨터의 예측 오차가 거의 14%에 달했습니다. 새로운 온도 교정을 적용한 후, 이 오차는 5% 미만으로 떨어졌습니다. 출구 찾기에 결정적인 시야의 경우, 오차율은 거의 8%에서 3% 미만으로 감소했습니다. 모델은 혼란스러운 환경 속에서도 연기 밀도와 남은 산소량을 정확하게 예측할 수 있었습니다.

그 후 연구진은 이 새로운 방법이 한 번도 본 적 없는 건물에서도 작동하는지 테스트했습니다. 그들은 원래의 훈련 데이터에 포함되지 않은 소규모 소매점, 높은 아트리움, 대형 상업 홀의 디지털 시뮬레이션에 모델을 적용했습니다. 모델은 다양한 형태와 크기에 걸쳐 놀라울 정도로 잘 작동했습니다. 모델은 위험한 조건들을 예측하는 데 있어 높은 정확도를 유지하며, 이 방법이 특정 방 하나만을 위한 해결책이 아니라 다양한 현대 상업 건축물에 적응할 수 있는 강력한 도구임을 입증했습니다. 이는 실제 비상 상황에서 단 하나의 광섬유 케이블이 스프링클러가 물을 뿌리고 팬이 돌아가는 와중에도 호흡기 수준의 안전 상태에 대한 완전하고 실시간적인 그림을 제공할 수 있음을 시사합니다.

이 연구의 함의는 공공 공간을 얼마나 안전하게 지킬 것인가에 있어 매우 중요합니다. 현재 화재 안전 시스템은 화재를 감지하고 경보를 울리도록 설계되어 있지만, 사람들이 대피하는 높이의 위험한 조건에 대한 상세한 실시간 지도를 제공하지는 않습니다. 이 새로운 접근 방식은 온도 모니터링을 위해 이미 설치되고 있는 센서들을 활용하여 그러한 지도를 생성할 수 있는 길을 열어줍니다. 안전 시스템에 의한 변화를 고려하여 데이터를 교정함으로써, 건물 관리자와 소방관들은 공기가 어디서 독성으로 변하는지, 산소가 어디서 부족해지는지, 그리고 연기가 어디서 시야를 가리는지를 정확히 파악할 수 있게 될 것입니다. 이 정보는 사람들을 위험으로부터 멀리하여 안전한 출구로 안내하거나, 소방관들이 진입하는 환경을 이해하는 데 도움을 줄 수 있습니다. 비록 이 연구가 전적으로 컴퓨터 시뮬레이션을 통해 수행되었지만, 그 결과는 생명을 구하기 위해 설계된 시스템 자체를 이해할 수 있는 스마트한 차세대 화재 안전 모니터링 시스템을 개발하기 위한 강력한 토대를 제공합니다.