CTGAN을 활용한 인공신경망 기반의 제로에너지건축물 공사비 예측에 관한 연구

Abstract

우리나라를 포함한 여러 국가가 탄소중립 목표를 발표함에 따라 기후 변화는 경제, 사회 정책과 투자 의사결정에 중요한 요인이 되었고, 탄소중립 목표 달성을 위한 온실가스 감축 측면에서 건설 부문의 비중은 크다. 정부는 2020년 제로에너지건축 의무화 등의 내용을 담은 ‘제로에너지건축 활성화 방안’을 발표하며 신축 건축물에 대한 에너지성능확보 기반을 구축했다. 정부는 2020년부터 공공건축물을 대상으로 제로에너지건축물 인증을 우선 의무적으로 시행한 후, 2025년부터는 민간건축물로 대상의 범위를 확장할 예정이다. 한정된 국가 예산을 효율적으로 배분하여 건축물의 성능을 향상시키기 위해 발주자의 의사결정이 중요하다. 건설 프로젝트의 초기 단계일수록 활용할 수 있는 정보는 한정되어 있다. 일반적으로 건설 프로젝트의 기획단계에서 견적(공사비 산출), 예산수립, 공사비 계획, 공사비 분석, LCC 분석 등의 공사비 관련 업무가 수행된다. 따라서 공공기관에서 발주하는 건설공사의 경우, 기획단계에 있어 정확한 공사비 산정은 정부재정의 측면과 사회경제적 측면에서 예산을 효율적이고 합리적으로 활용하기 위한 중요한 요소이다. 또한 일반적으로 기획단계에서 공사 계획에 맞춘 적정한 공사비를 예측하는 것이 시공을 고려한 대안 선정에 유리하기 때문에 설계 전 단계나 대안을 분석할 때 공사비를 산출하는 것이 매우 중요하다고 할 수 있다. 건축물 기획단계에서의 공사비 예측이 중요함에도 불구하고, 발주자는 전문가가 참여하지 않은 상태로 중요한 의사결정을 내려야하기 때문에 이 과정에서 발주자를 지원할 수 있는 도구가 필요하다. 제로에너지건축물의 경우 축적된 공사비 데이터의 수가 적고, 특히 비전문가인 발주자가 기존 건축물 건설 프로젝트와 제로에너지건축물 건설 프로젝트 간의 공종, 자재 등의 차이로 인해 발생하는 공사비 차이를 예견하기 어려워 에너지 성능을 고려하지 않은 기존 건축물의 공사비를 통해 제로에너지건축물의 공사비를 예측하기에 한계가 있다. 또한 제로에너지건축물은 인증등급별로 투입되는 공사비에 차이가 존재하여 발주자 입장에서의 공사비 예측은 거의 불가능한 수준이다. 이에 우선 공공발주자를 대상으로 개략공사비 기준을 제시하여 예산수립을 지원함으로써 인증제도의 정착 시기를 앞당기고 활성화할 필요가 있다. 본 연구에서는 현재까지 축적된 신축 제로에너지건축물 공사비 데이터를 기반으로, 머신러닝을 활용하여 발주자가 원하는 특성에 따라 제로에너지건축물의 개략공사비를 예측하는 모델을 제시하고자 한다. 본 연구에서 수집한 제로에너지건축물 공사비 데이터는 총 53개로 머신러닝을 수행하기에는 데이터의 양이 적고 그 분포가 불균형하다는 특성이 있어, 이를 극복하기 위해 데이터 증강(data augmentation) 기법 중 하나인 CTGAN(Conditional Tabular Generative Adversarial Nets)을 활용하여 생성한 데이터에 대해 머신러닝을 수행한다. 머신러닝의 성능을 확보하기 위해서는 대량의, 그리고 양질의 데이터가 필요하나 실제 세계를 반영하는 양질의 데이터를 대량으로 확보하기에는 분명한 한계가 있다. 본 연구에서는 소량의 데이터를 증강시켜 이를 기반으로 머신러닝을 수행하고 공사비를 예측함으로써, 시행 초기 단계의 정책 활성화 및 안정화를 도모하고 향후 축적될 데이터의 활용을 위한 기반을 마련하고자 한다. 결론적으로 본 연구는 제로에너지건축물 기획단계에서 발주자가 소량의 정보를 활용하여 의사결정을 할 수 있도록 지원하고, 더 나아가 공공발주자가 제로에너지건축물 건설을 위해 예산을 수립하고 집행하는 데에 활용됨으로써 공공 및 민간 신축 건축물의 제로에너지 인증제도 안정화와 우리나라의 탄소중립 실현에 기여할 것으로 사료된다.;As many countries, including Korea, have announced carbon-neutrality goals, climate change has become essential in economic and social policy and investment decision-making. The government has established the basis for securing energy performance for new buildings by announcing the 'Zero Energy Building Revitalization Plan,' which includes the mandatory zero-energy construction in 2020. The government will first implement mandatory zero-energy building certification for public buildings from 2020 and then expand the scope of the target to private buildings from 2025. In order to efficiently allocate the limited national budget and improve the performance of the building, the owner's decision is important. The available information is limited in the early stages of a construction project. In general, at the early(or feasibility) stage of a construction project, construction cost-related tasks such as estimate (as cost calculation), budget establishment, cost planning, cost analysis, and LCC analysis are performed. Therefore, in the case of construction work ordered by public institutions, accurate estimation of construction cost in the early stage is an essential factor for efficient and rational use of the budget in terms of government finances and socio-economic aspects. Also, it is crucial to estimate the cost before designing or analyzing alternatives because it is advantageous to select an alternative considering construction to predict an appropriate construction cost according to the construction plan in the early stage. Despite the importance of predicting construction costs in the early stage of construction work, a tool is needed to support the client in this process because the client has to make crucial decisions without the participation of experts. In the case of zero-energy buildings, the accumulated construction cost data is small, and in particular, it is difficult for non-specialists to predict the difference in construction cost. Because of differences in construction types and materials between existing building construction projects, energy performance is not considered and zero-energy building construction projects. There is a limit to predicting the construction cost of a zero-energy building through the construction cost of an existing building that has not. In addition, there is a difference in the construction cost for each certification grade for zero-energy buildings, so it is almost impossible to predict the construction cost from the owner's point of view. First of all, it is necessary to accelerate the establishment of the certification system and promote the establishment of the certification system by supporting budget establishment by presenting outline construction cost standards for public owners. In this study, based on the data on the construction cost of new zero-energy buildings accumulated so far, using machine learning, we propose a model for predicting the rough construction cost of zero-energy buildings according to the characteristics desired by the client. There are a total of 53 zero-energy building construction cost data collected in this study, and there is a characteristic that the amount of data is too small to perform machine learning, and the distribution is unbalanced. Machine learning is performed on the generated data using CTGAN(Conditional Tabular Generative Adversarial Networks), one of the data augmentation techniques. In order to secure the performance of machine learning, a large amount of high-quality data is required, but there is a clear limit to securing a large amount of high-quality data that reflects the real world. In this study, by augmenting a small amount of data and performing machine learning based on it, and predicting the construction cost, we intend to promote policy activation and stabilization in the early stage of implementation and lay the foundation for the utilization of data to be accumulated in the future. In conclusion, this study supports the client in deciding to use a small amount of information in the planning stage of a zero-energy building, and the public owners use it to establish and execute a budget for the construction of a zero-energy building. This study can contribute to stabilizing the zero-energy certification system for new private buildings and realizing carbon neutrality in Korea and realization of carbon-neutrality in the building sector globally.