해석 가능한 속성 에너지 성능 예측 및 리모델링 시나리오 분석을 위한 게이트 다중 모달 학습
요약
본 연구는 에너지 성능 인증서(EPC)의 한계를 극복하고 도시 규모의 신속한 건물 평가를 위해 게이트 다중 모달 학습 모델을 제안합니다. 이 모델은 EPC 표본 변수, 평가자 텍스트, 그리고 GIS에서 파생된 공간 기능(기하학, 높이 등)이라는 세 가지 이질적인 데이터 모달리티를 통합하여 표준 에너지 효율 및 환경 영향 점수를 예측합니다. 런던 웨스트민스터 사례 연구에서 높은 성능을 입증한 이 프레임워크는 리모델링 시나리오 분석에 적용 가능하며, 건물 개선의 우선순위 설정과 탄소 중립 주택 전환 계획 수립에 실질적인 근거를 제공합니다.
핵심 포인트
- 게이트 다중 모달 학습 모델을 사용하여 EPC 점수 예측의 정확도를 높임.
- 표준 평가 절차(SAP) 에너지 효율 및 환경 영향(EI) 점수를 예측하기 위해 표본 변수, 텍스트, 공간 기능을 통합함.
- 모델은 해석 가능성 분석(SHAP 등)을 통해 어떤 데이터 모달리티가 점수 결정에 가장 큰 영향을 미치는지 설명할 수 있음.
- 제안된 프레임워크는 벽/지붕 단열재 업그레이드와 같은 구체적인 리모델링 시나리오의 에너지 및 CO2 배출량 개선 효과를 예측하는 데 사용될 수 있음.
- 이 접근 방식은 도시 규모의 신속하고 확장 가능한 건물 평가 및 탈탄소화 계획 수립을 지원함.
탄소 중립적이고 지속 가능한 도시 구현은 영국 주택의 온실가스 배출량 약 20%와 유럽 연합 에너지 관련 배출량의 25%를 차지하는 주거용 건물의 탈탄소화에 대한 확장 가능한 접근법을 필요로 합니다. 에너지 성능 인증서 (EPC) 는 규제 및 리모델링 계획 지원을 제공하지만, 현장 점검에 대한 의존성은 도시 규모의 신속한 평가의 제한을 초래합니다. 본 연구는 EPC 표본 변수, 평가자 작성 자유 텍스트, 그리고 발자국 기하학, 높이, 면적, 방향을 기술하는 지리 정보 시스템 (GIS) 에서 유도된 공간 기능을 통합하여 표준 평가 절차 (SAP) 에너지 효율 및 환경 영향 (EI) 점수를 예측하기 위한 게이트 다중 모달 모델을 소개합니다. 샘플 기반 게이트는 속성별 모달 가중치를 학습하고, 보조 밴드 분류 헤드는 훈련을 안정화합니다. 런던 웨스트민스터 사례 연구에서, 모델은 MAE 4.03 및 4.76 점과 각각 R2 값 0.757 및 0.748 을 달성하여 평균 MAE 4.39 를 달성했습니다. 아벨레이션 결과는 다중 모달 융합이 점수 예측 및 밴드 수준 분류 모두에서 단일 모달 및 이모달 베이스라인을 능가함을 보여줍니다. 해석 가능성 분석은 결정 관련 증거를 제공합니다: 게이트 가중치는 평가자 텍스트에 대한 강한 의존성을 나타냅니다; SHAP 은 주요 연료, 건축 형태, 건축 연령 밴드를 강조합니다; 텍스트 불투명성은 지붕 및 벽 필드를 우선시하며; 공간 귀속은 높이 및 발자국 면적에 의해 지배되며 발자국 모양에 민감합니다. 검증된 프레임워크는 벽 단열재, 지붕 단열재, 창호 강화 업그레이드 리모델링 시나리오에 추가 적용되어 SAP, EI, 연간 에너지 비용, 그리고 동등 CO2 배출량 개선이 예상됨을 나타냅니다. 전체적으로, 이 프레임워크는 리모델링 스크리닝, 개입 우선순위 설정, 그리고 넷 제로 주택 전환에 대한 확장 가능한 속성 수준 증거를 제공합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기