기술 요약: 습도에 민감한 실험을 위한 실험실 기후 예측

문제 정의

미세 및 나노 섬유 재료를 생산하는 공정인 전기방사(electrospinning)의 재현성은 주변 상대 습도(RH)에 매우 민감합니다. 상대 습도는 용매 증발, 제트 안정성, 섬유 응고와 같은 핵심 공정 변수에 영향을 미치며, 궁극적으로 섬 fiber의 형태, 기계적 거동 및 결정 구조를 결정합니다. 냉난방 공조(HVAC) 시스템은 실외 날씨로부터 실내 환경을 완충하도록 설계되었으나, 실험실 환경의 실내 습도는 시간 단위에서 계절 단위에 걸쳐 외부 조건에 대한 측정 가능한 의존성을 유지하는 경우가 많습니다.

현재 연구자들은 일반적으로 환경 변수를 사후적으로 기록합니다. 이러한 반응적인 접근 방식은 기상 변화에 따른 실험실 조건의 변화를 예측하는 능력을 제한하며, 이로 인해 운영자가 현재 센서 판독값만으로는 위험을 인지하기 전에 실험이 형태 변화에 민감한 운전 범위를 벗어날 가능성이 있습니다. 이는 선제적인 실험실 의사결정을 지원하기 위해 실내 기후 예측 가능성과 전기방사 요구 사항을 결합하는 프레임워크가 부족함을 시사합니다.

방법론

본 연구는 지역 기상 측정값, 예보 및 내부 기후 데이터를 사용하여 실내 실험실의 상대 습도를 예측하도록 설계된 머신러닝 기반 의사결정 지원 시스템(DSS)을 제안합니다.

데이터 수집 및 전처리

• 설정: 독일 라이프니츠 하노버 대학교 내의 단일 중앙 제어 건물에 위치한 4개의 실험실(A–D)을 선정하였습니다. 각 실은 방향(북향/동향), 크기 및 사용 패턴이 달랐습니다.
• 센서: Bosch BME280 센서를 사용하여 1분 해상도로 실내 기후 데이터(온도, 상대 습도, 압력)를 수집했습니다.
• 기상 입력 데이터: 훈련을 위해 Deutscher Wetterdienst(DWD)의 데이터(10분 해상도)를 사용하였고, 운영 예보를 위해 Open-Meteo의 데이터(시간 단위 해상도)를 사용하였습니다.
• 전처리: 데이터를 정제, 동기화 및 1분 해상도로 재샘플링했습니다. 20분 이상의 데이터 공백은 식별하여 제외했습니다.

특징 공학 (Feature Engineering)

모델은 (제한된 모니터링 인프라를 가진 실험실로의 이식성을 보장하기 위해 지연된 실내 습도 항에 의존하지 않고) 일련의 외생적 예측 변수를 활용했습니다:

• 수분 상태 변수: Magnus-Tetens 근사법을 통해 계산된 이슬점 온도.
• 시간적 기술자: 일중 시간(hour of day) 및 요일(day of week)의 순환 인코딩을 사용하여 주기적 패턴을 포착.
• 태양 노출 변수: 태양 천정각, 방위각 및 창문 방향(수직)을 기반으로 계산된 유효 태양 영향($I_{eff}$).
• 기상 메모리: 최근 이력과 변화율을 포착하기 위한 실외 온도 및 상대 습도의 6시간 이동 평균 및 1시간 차분(first-difference) 특징.
• 점유 프록시: 인간 활동 패턴을 근사하기 위해 달력 기반의 근무일, 공휴일 및 대학 휴교 지표 활용.

모델 개발 및 검증

• 알고리즘: 다중 선형 회귀(LR), 랜덤 포레스트(RF), XGBoost를 비교하였습니다.
• 검증 전략: **블록 기반 시계열 검증(blocked temporal validation)**을 채택했습니다. 각 달(month)마다 모든 샘플을 외부 테스트 블록으로 격리하고, 나머지 달을 사용하여 모델을 훈련시켰습니다. 이는 데이터 누수를 방지하고 모델이 계절적 변화에 걸쳐 일반화되는 능력을 테스트하기 위함입니다.
• 불확실성 정량화: 과거 예보 데이터에서 추출한 표본 외(out-of-sample) 예측 오차를 사용하여 경험적으로 예측 구간(50%, 90%, 95%, 99%)을 구축하였으며, 이는 각 예보 리드 데이(0–7일)에 대해 별도로 보정되었습니다.
• 점유 분석: 온도 분포를 근무일과 비근무일 사이에 분석하기 위해 Wasserstein 거리 히트맵을 사용하였으며, 이는 인간에 의한 기후 변동성의 프록시 역할을 했습니다.

주요 결과

습도 드리프트 및 변동성

• 계절적 변동: 주간 상대 습도 변화(08:00부터 18:00 사이의 최대 및 최소 RH 차이)는 계절과 실별로 크게 달랐습니다. 겨울철 변동폭은 가장 작았으나(중앙값 약 2–5%), 여름철 변동폭은 가장 컸습니다(실험실 A의 경우 중앙값이 14–15%에 달했으며, 개별 일의 변동폭은 30%를 초과함).
• 실별 특이성: 실험실 간에 유의미한 차이가 존재했습니다. 북향의 표준 사용 실험실인 Lab A는 여름철 변동폭이 가장 컸던 반면, 동향인 Lab D는 겨울철 중앙값이 더 높았습니다.
• 점유 영향: 온도 분석 결과, 근무일은 비근무일 베이스라인에 비해 더 넓은 분포와 체계적인 편차를 보였습니다. 이는 특히 핵심 주간 시간대에 나타났습니다. 이를 통해 인간의 활동이 실내 기후에 학습 가능한 신호를 도입한다는 점이 확인되었습니다.

모델 성능

• 정확도: Lab C 데이터로 훈련된 XGBoost 모델은 $R^2$ 값 0.9179 ~ 0.9927, 평균 절대 오차(MAE) 0.532 ~ 2.154 상대 습도 퍼센트 포인트 사이의 높은 정확도를 달しまいました.
• 계절별 성능: 성능은 겨울과 늦가을에 가장 강력했으며(MAE < 0.8), 늦봄과 여름에는 상대적으로 약했습니다(9월의 경우 MAE 최대 2.154).
• 예측 지평(Forecast Horizons):
  • 단기 (Day 0–2): 랜덤 포레스트가 XGBoost보다 우수하여 가장 낮은 MAE(0.17)와 좁은 예측 구간을 달성했습니다.
  • 장기 (Day 3–7): 예측 지평이 길어짐에 따라 XGBoost가 일반적으로 RF보다 우수한 성능을 보이며 더 높은 견고성을 나타냈습니다.
  • 베이스라인: 다중 선형 회귀는 긴 지평에서 $R^2$ 값이 음수 값으로 떨어졌으며, 이는 실내 습도 역학이 비선형적임을 나타냅니다.
• 특징 중요도: 실외 이슬점 변수(특히 1시간, 2시간, 3시간 이동 평균)가 가장 영향력 있는 예측 변수였으며, 그 뒤를 실외 온도와 태양 기하학이 이었습니다.

의사결정 지원 출력

시스템은 운영자를 위해 7일간의 예측 시각화를 생성합니다. 이는 예측된 실내 상대 습도 궤적을 실외 상대 습도 신호 및 리드 데이별로 중첩된 예측 구간과 함께 표시합니다. 이를 통해 연구자는 잠재적인 상대 습도 이탈을 식별하고, 이러한 변화의 시점과 신뢰도를 평가하여 실험을 계획할 수 있습니다.

의의 및 주장

본 논문은 자신의 기여를 보편적으로 전이 가능한 모델이 아니라, 이식 가능한 예측 및 의사결정 지원 워크플로우로 규정합니다.

1. 사이트 특정적 모델링: 본 연구는 실내-실외 전이 함수가 건물 내에서 균일하지 않음을 입증합니다. 방향, 환기, 열적 완충 작용과 같은 국부적 경계 조건을 고려하기 위해 각 실에 대한 별도의 모델이 필요합니다.
2. 선제적 계획: DSS는 사후적 모니터링에서 선제적 계획으로 패러다임을 전환합니다. 리드 타임별 예측과 불확실성 범위를 제공함으로써, 연구자들이 전기방사 품질을 저해할 수 있는 기상 유래 상대 습도 변화를 발생 전에 예측할 수 있도록 합니다.
3. 외생 변수 의존성: 본 프레임워크는 지연된 실내 이력 없이 오직 외생적 특징(실외 날씨, 달력, 태양 기하학)만을 사용하여 실내 상대 습도를 성공적으로 재구성합니다. 이러한 설계 선택은 복잡한 과거 데이터나 지속적인 실내 모니터링 인프라가 부족한 실험실의 도입 장벽을 낮춥니다.
4. 운영적 유용성: 시스템은 자율 제어가 아닌 인간의 의사결정을 지원하도록 설계되었습니다. 이는 연구자가 예측된 환경적 스트레스에 따라 공정 변수(예: 고분자 농도, 용매 조성)를 조정하거나 실험 일정을 조정할 수 있는 필요한 맥락을 제공합니다.

저자들은 단일 연도 데이터셋, 점유율의 프록시로서의 달력 사용, 그리고 고분자 특정 임계값 통합의 부재를 포함한 한계를 인정합니다. 결론적으로, 훈련된 모델은 사이트 특정적이지만, 데이터 수집, 특징 공학, 불확실성 보정 및 시각화로 구성된 본 연구의 기본 워크플로우는 현지 데이터를 사용하여 다른 실험실 환경에 적응될 수 있습니다.