빅데이터 기반 건축물 실제 수명주기 분석

건축물의 수명(또는 수명주기)는 건축물 또는 자재, 공법에 대한 전과정평가(LCA)및 전과정비용분석(LCCA)에서 유지보수과정의 환경부하 및 비용을 산출하기 위해 반드시 고려해야 하는 중요한 부분이다. 

 

수선주기와 건물수명은 수선횟수를 좌우하고, 건물수명은 건물의 서비스주기 동안 사용되는 연료 에너지와 건물수선의 총비용과 총 에너지량, 총 환경부하에 절대적인 영향을 끼치기 때문이다. 그러나 일반적으로 건축물의 수명은 일정년수로 가정해왔다. 

Ex) 철근콘크리트 건물의 수명: 30-50년 정도로 가정

 

실제로 건축물의 기대수명은 건축물의 주요 구조뿐만 아니라 용도, 사회-경제적 고려사항, 대지 및 주변 환경, 유지보수 정도, 새로운 건축규정 및 지침, 재개발 및 재건축 요구 등 다양한 요소들의 영향을 받는다. 

 

본 연구에서는 실제 데이터를 통해 건축물의 수명을 구별할 수 있게 하는 특정 요소가 있는지 살펴보고, 현재까지 수행되어 온 일부 내재적 주요 요인에 따라 표준화하여 가정해온 건축물 수명산정 방법이 적절한지 확인한다. 

또한, 수많은 요인에 의해 결정되는 건축물의 수명을 산출할 수 있는 가장 최신의 방법을 제시하여 건설 기획 또는 설계 시, 건축주와 시공자, 설계자 등 건축 관계자들의 더 정확한 의사결정이 가능하게 하고자 한다. 

 

지역별 수명주기 분석

전체 평균 건축물 수명 28년. 전라북도가 약 35년으로 가장 길었고 건수나 누적 연면적이 가장 큰 서울과 경기는 각각 31년, 22년이었다. 평균수명주기가 17년으로 가장 짧은 곳은 세종시-> 행정복합도시 건설을 위해 일률적으로 건축물 철거가 이루어진 결과로 보인다. 

바다에 인접하여 건축물 부식이 빨라 짧은 건축물 수명을 예상할 수도 있는 부산과 인천, 제주도는 각각 32년, 28년, 27년으로 전체 평균 수준이거나 약간 웃도는 정도. 

분석의 결과: 실제 건축물의 수명은 그동안 알려져있던 일반적 수명과는 상당한 차이가 있다. 

-> 몇가지 특정 요인들에 의해 수명을 어떤 표준화된 방법으로 간단하게 가정하여 건축물 생애주기 총비용이나 전과정평가를 수행하는 것이 적절치 않다는 것을 보여준다. 

 

각 요인에 잠재된 물질적, 사회적, 정책적 이슈의 생성과 변화가 불규칙적이기 때문에 주성분 분석을 활용한 회귀 모형으로 건물 수명을 정확히 예측하거나 일반화된 모형을 구축하기 어렵다. -> 기계학습을 적용하여 기존 건물 수명주기 데이터를 학습하여 미래 수명 주기를 예측하는 방법론을 제안한다. 

 

기계학습, 특히 심층신경망 학습의 경우 미리 분류하여 입력되는 주요인(또는 특징)에 대한 의존도가 낮으면서도 다른 예측 방법보다 뛰어난 정확도를 자랑한다. 특히 각 특징을 세분화하기 어려운 다량의 데이터에서 패턴을 찾아내기 때문에 건물의 수명주기 예측과 같이 복잡도가 높은 문제 해결에 매우 적합하다.