콘텐츠로 건너뛰기 메뉴로 건너뛰기 푸터로 건너뛰기
데이터를 불러오고 있습니다
데이터를 저장하고 있습니다
#환경 #안전

NEW 빌딩풍 재해위험도 분석 데이터

빌딩풍 재해위험도 분석 데이터 아이콘 이미지
  • 분야재난안전환경
  • 유형 이미지
구축년도 : 2022 갱신년월 : 2024-01 조회수 : 8,312 다운로드 : 53 용량 :
샘플 데이터 ?

샘플데이터는 데이터의 이해를 돕기 위해 별도로 가공하여 제공하는 정보로써 원본 데이터와 차이가 있을 수 있으며,
데이터에 따라서 민감한 정보는 일부 마스킹(*) 처리가 되어 있을 수 있습니다.

※ 내국인만 데이터 신청이 가능합니다.

  • 데이터 변경이력

    데이터 변경이력
    버전 일자 변경내용 비고
    1.1 2024-01-17 데이터 최종 개방
    1.0 2023-04-30 데이터 개방(Beta Version)

    데이터 히스토리

    데이터 히스토리
    일자 변경내용 비고
    2024-03-15 최종산출물 수정 AI모델
    2024-02-27 산출물 전체 공개

    소개

    센서 데이터를 기반으로 CFD 해석을 진행하여 결과 이미지와 가공된 데이터 셋을 통해 빌딩풍 위험 분석 데이터를 구축함.

    구축목적

    본 과제의 목적은 지역의 빌딩풍 위험을 분석할 수 있는 학습용 데이터를 구축하는데 목적을 둠.
  • 그림3 데이터 구축 구성

    <그림3, 데이터 구축 구성>


    □ CFD 데이터 353,200개, 라벨링 데이터 353,200개 총 706,400개 구축 (8.82GB)

  • 저작도구 설명서 및 저작도구 다운로드

    저작도구 설명서 다운로드 저작도구 다운로드
  • AI 모델 상세 설명서 다운로드

    AI 모델 상세 설명서 다운로드 AI 모델 다운로드

    □ 모델 개발 요약표

     
    데이터명 AI모델 모델 성능 지표 응용서비스(예시)
    빌딩풍 재해위험도 분석 데이터 ConvLSTM  RMSE 풍향 및 풍속을 예측하여 침수, 화재 등 재난 탐지 서비스에 활용

     

    □ 학습 알고리즘 : ConvLSTM

    ● 입력-상태 및 상태-상태 전환 모두에서 컨볼루션구조를 갖는 FC-LSTM의 확장 버전
    ● 다중 ConvLSTM 레이어를 쌓고 인코딩 예측 구조를 형성함으로써 현재 강수 문제 뿐만 아니라 보다 일반적인 시공간 시퀀스 예측 문제에 대한 네트워크 모델을 구축 가능
    ● 시공간 시퀀스 예측 문제를 위해 인코딩 네트워크와 예측 네트워크 두개의 네트워크를 사용
    ● 예측 타겟은 입력과 같은 차원을 가지므로 예측 네트워크의 모든 상태를 연결하고 1×1 컨볼루션 레이어에 공급하여 최종 예측을 생성\그림4 ConvLSTM 내부구조

    <그림4, ConvLSTM 내부구조>

     

    □ 학습 모델 개발 및 학습 결과

    ● 모델 명칭 : Convolutional LSTM for wind
    ● 모델 버전 : 1.0
    ● 모델 task : PyTorch 기반 Jupyter notebook + C++
    ● 모델 특징 : 빌딩풍 시계열 데이터로부터 특정 시점의 바람의 풍향과 풍속을 예측하고 높이와 지역적 정보를 활용하여 일정 시간 이후의 예측된 이미지를 표출함 
    ● 학습 과정 : 흑백 모델인 ConvLSTM을 사용하기 위해, 이미지 데이터들을 흑백 이미지로 변환하는 작업을 거침
    ● 결과 표출 방법 : 전체 데이터에서 랜덤하게 10~20%를 선택하여 목록을 생성하고, 일정 시간 이후의 예측값을 이미지로 표출

    그림5 결과값 확인

    <그림5, 결과값 확인>

     

    □ 서비스 활용 시나리오
    - 빌딩풍에 대한 시민 알림 서비스 및 피해 대응을 위한 대책수립 기초 자료로 활용
    - 대상 지역의 위험 요소를 분석하거나 관련 기상 재해에 관련한 연구 및 사업에 기초 사례로 활용
    - 대상에 대한 현장관리, 안전관리, 구조물의 유지관리 등 손상 탐지, 방재 성능 평가 등에 활용
    - 모듈화하여 다양한 경우에 반복적 사용이 가능하도록 개발
    - 구글딥마인드의 나우캐스팅을 통한 날씨 예측 부분 등의 사례와 유사한 빌딩풍의 예측 자료로 활용

  • 데이터 성능 점수

    측정값 (%)
    기준값 (%)

    데이터 성능 지표

    데이터 성능 지표
    번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수
    1 빌딩풍 예측 정확성 Prediction ConvLSTM RMSE 1.42 단위없음 0.19 단위없음

    ※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.

    ※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)

  • 설명서 및 활용가이드 다운로드

    데이터 설명서 다운로드 구축활용가이드 다운로드

    □ 데이터 설계

    ● 데이터 클래스별 데이터셋 생성 설계
    ● 측정값과 기상청 데이터 정보 매칭
    ● AI 학습용 데이터셋 생성을 위해 CFD 가공데이터 및 데이터 정의 (json) 파일로 구성된 데이터셋

    □ 원시데이터 수집

    ● 지역별 데이터 수집을 위해 기상청에서 제공하는 ‘자동 기상 관측 장비 표준 규격’에 따라 고정형 기상 관측계 모니터링 시스템 구축 (LCT 5지점, 마린시티 5지점, 센텀시티 2지점, 2022년 01월 01일~ 2022년 10월 31일)
       - 현장 상황을 고려하여 가로등. 전신주에 4~8m 높이로 설치
    ●    - 고정형 기상 관측계를 통해 0.25초 간격으로 풍향, 풍속, 기온, 기압, 습도 데이터 관측
    ●  각 지점의 데이터는 자동 기상 관측장비 표준 규격에 따른 고정형 기상 관측계를 통해 수집되며 일정 기간을 주기로 배터리와 데이터 저장공간 (SD 카드)를 교체함.
    ● 1초당 4번의 데이터 취득 (0.25초 간격)을 통해 하루 (86,400초)동안 345,600 열의 데이터 획득

    □ 원시데이터 정제

    ● 지역풍향, 풍속, 기온, 기압, 습도에 대하여 1초당 4번 측정되고, 수집된 원시데이터는 10분 간격으로 10분 평균값 및 10분 최대값 산출
    ● 수집된 원시데이터를 필요에 따라 선별하고 중복파일 제거, 센서 데이터 취합 등과 같이 정제 작업을 수행
    ● 정제 작업이 완료된 데이터를 정제 기준에 따라 적합 여부를 판별하고 부적합 데이터 폐기
    ● 각 데이터 수집 위치에서 누락된 데이터가 발생하지 않았는지 또는 센서 오류로 인해 측정값에 문제가 없는지 확인
    ● 1초당 4개의 데이터를 10분 평균으로 변환 시 하루에 144행의 데이터 취득
    ● 구축계획서를 통해 자체적으로 정의한 센서 데이터 카테고리 별 목표 수량 균일성 준수 여부 확인
     

    □ 원천데이터 가공

    ● 가공 프로세스는 크게 Geometry, Meshing, Setup&Solve, Post-processing 총 4단계로 나뉘며 가공 도구는 CFD 해석 소프트웨어인 ‘Ansys Fluent’ 소프트 웨어를 사용함.
    ● CFD 시뮬레이션을 통해 빌딩풍 연구대상지인 엘시티, 마린시티, 센텀시티의 전범위 풍속 분포를 이미지 파일로 도출함.
    ● Geometry 단계에서 풍향을 8방위(N, NE, E, SE, S, SW, W, NW)로 나누어 해석을 진행함
    ● Post-processing 과정에서 0°부터 359°까지 15° 간격으로 이미지 파일을 도출하여 다양한 풍향 CASE에서의 가공데이터를 확보함.
    ● 하부는 15°각도에 걸쳐 총 24개, Top에서는 1개로 총 25개의 데이터가 구축
    ● 기상청 보퍼트 풍력 계급표 기준 수치가 포함된 라벨값과 다양한 각도의 속성값으로 가공
    ● 가공된 이미지 파일은 보퍼트 풍력 계급에 따라 색상이 나눠짐

    그림1 CFD를 통한 25방향 이미지 데이터 구축

     <그림1, CFD를 통한 25방향 이미지 데이터 구축>

    그림2 Json 형식

    <그림2, Json 형식>

  • 데이터셋 구축 담당자

    수행기관(주관) : 부산대학교 산학협력단
    수행기관(주관)
    책임자명 전화번호 대표이메일 담당업무
    권순철 051-510-7629 sckwon@pusan.ac.kr 총괄, 수집, 가공
    수행기관(참여)
    수행기관(참여)
    기관명 담당업무
    비자림 데이터 가공
    꿈꾸는세상 정제 및 가공
    ㈜이시스비젼 품질관리, AI모델 개발
보건의료 데이터 개방 안내

보건의료 데이터는 온라인 및 오프라인 안심존을 통해 개방됩니다.

안심존이란 안심존 이용메뉴얼 안심존 이용신청
  • 인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
    * 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
    * 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석

    1. AI 허브 접속
      신청자
    2. 안심존
      사용신청
      신청자신청서류 제출*
    3. 심사구축기관
    4. 승인구축기관
    5. 데이터 분석 활용신청자
    6. 분석모델반출신청자
  • 1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
    2. 기관생명윤리위원회(IRB) 승인된 연구계획서
    3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
    4. 안심존 이용 신청서 [다운로드]
    5. 보안서약서 [다운로드]
    ※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다.

  • 신청 및 이용관련 문의는 safezone1@aihub.kr 또는 02-525-7708, 7709로 문의

데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.

API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.

리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.

※ 파일 병합 리눅스 명령어

find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"

- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.

- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.

※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.