몬테카를로 시뮬레이션과 머신러닝을 이용한 초고층 커튼월 공사기간 예측에 관한 연구

Abstract

최근 도시의 랜드마크적인 사회적 요구에 의해 초고층 건물이 주류를 이루고 있으며, 초고층 건물의 외장공사로써 균일한 품질 확보 및 건물의 경량화 등 우수한 시공성과 경제성에 유리한 커튼월(Curtain Wall) 공사가 보편화되고 있다. 그러나 커튼월 공사는 전체 공기에 직접적인 영향을 미치는 주공정(Critical Path)으로 많은 자원이 동시에 투입되고, 작업 간의 연계가 복잡한 만큼 철저한 공정 계획과 시공 계획이 필요하다. 또한 골조 공사와 마감 공사의 간섭으로 인한 의사결정이 복잡하고, 이로 인한 시공 지연시 마감 공사에 미치는 영향이 매우 크기 때문에 공정 지연에 많은 리스크를 안고 있다. 이러한 지연 요인은 프로젝트가 대형화되고 복잡해짐에 따라 불확실성의 정도는 더욱더 커지고, 결과적으로 프로젝트 의 공기 연장과 공사비 상승으로 이어지기 때문에, 시공 전 철저하고 체계 적인 리스크 관리가 필요하다.

본 연구에서는 50층 이상의 초고층 커튼월 공사 10개 프로젝트의 15개동에 대한 층수, 목업 시험, 생산 및 제작, 기준층 시공, 옥상 및 리프트 후시공 각 단계별 공정관리 데이터를 수집하여, 공정기간을 분석하고 예측 모형을 제시하였다.

먼저 몬테카를로 시뮬레이션(Monte Carlo Simulation : MCS)을 통해 프로젝트 기간 중에 발생할 수 있는 불확실성을 확률 분포로 예측하고, 검증을 위해 완공된 프로젝트에 적용하여 예상한 기간 안에 지어질 수 있는 가능성, 초과될 수 있는 확률이 몇 %인지를 검증하였다.

또한 최근 활발한 연구가 이루어지고 있는 머신러닝(Machine Learning)기반 서포트 벡터 회귀분석(Support Vector Regression : SVR)과 딥러닝(Deep Neural Netwok-Multi Layer Perceptron : DNN-MLP)을 이용하여 회귀를 수행하였으 며, 여기에서 3가지 몬테카를로 방법과 SMOTE에서 생성된 데이터가 사용되었다. 추출된 회귀모형은 평균제곱오차(Mean Squared Error : MSE)와 결정계수(R2)의 2가지 통계 평가 지표를 이용하여 분석하였다.

분석 결과 SVR-Linear, Polynomial, RBF, DNN-MLP 중 SMOTE 샘플링을 이용한 SVR-Linear의 MSE와 R2값이 각각 0.013, 0.991로 가장 신뢰도 가 높은 것으로 나타났다. 또한 DNN-MLP에 Monte Carlo 샘플링 방법 을 적용하여 생성된 데이터는 과대적합과 과소적합이 발생하여 무의미한 결과를 나타냈음을 알 수 있었다. 마지막으로 실제 데이터를 기반으로 층수에 대한 총공사기간을 검증한 결과, SVR-RBF가 공사기간이 815일인 59층 프로젝트에 대해 816일을 예측하여 가장 정확한 예측값을 나타냈다.

본 연구에서는 초고층 커튼월 공사의 적정 공사기간을 예측하기 위한 방법론을 제안하였으며, 이를 통해 향후 기획 및 프리콘(Pre-construction) 단계에서 프로젝트 초기의 불확실성을 고려한 리스크를 평가할 수 있고, 적정 공사기간에 대한 의사결정에 활용할 수 있을 것이라 기대된다.

| In recent times, there has been a surge in the popularity of high-rise buildings attributed to societal requirements, as they serve as prominent landmarks within urban environments. Notably, when it comes to the exterior construction of high-rise buildings, curtain wall construction presents several advantages in terms of superior workability and economic viability, including the reduction of construction timelines, ensuring consistent quality, and facilitating weight reduction. curtain wall construction assumes a pivotal role as a critical path, exerting direct influence on the overall duration of construction. The magnitude of the risk, which contributes to construction delays, is notably substantial when confronted with the challenging decision-making between framework and finishing work due to the occurrence of interferences. Additionally, as projects grow in scale and complexity, delay factors escalate, intensifying the degree of uncertainty and leading to project delays and augmented construction costs. Consequently, a comprehensive and methodical approach to risk management becomes imperative prior to commencing construction.

In this study, data that are: floor, mock-up, production, construction per floor and roof+lift post construction was collected from large scale projects where 15 buildings from 10 high-rise curtain wall projects with more than 50 floors and a prediction model was presentes. First, for performing risk assessment, Monte Carlo Simulation is performed that is an industry standard for risk assessment where uncertainty that may occur during the project period is predicted with a probability distribution and applied to the completed project for verification to examine the possibility of stage completion within the expected period; and the probability of exceeding percentage was verified.

Moreover, recently researched method was explored that are machine learning-based support vector regression (SVR) and deep learning-based deep neural network - multiple layer perceptron regression (DNN-MLP) were used to perform regression where data generated from 3 Monte Carlo methods and SMOTE was used. The resulting regression models were analyzed where statistical analysis methods that are R2 value and mean squared error was used to investigate the regression models against the collected data.

It was found that out of SVR linear, SVR polynomial, SVR radial basis function and DNN-MLP, SVR linear with the unworkable applied data generated using SMOTE were found to be most reliable with mean squared error and R2 value of 0.013 and 0.991, respectively. It was also found that data generated using Monte Carlo method applied to DNN-MLP resulted in overfitting and underfitting, and therefore, generated meaningless results. Finally, prediction for total construction period was verified for a certain amount of floor based from real data. From this particular study, SVR radial basis function had the most accurate prediction where it predicted 816 days for a 59 floor project with a construction period of 815 days.

This study proposed a methodology for predicting the appropriate construction period of high-rise curtain wall construction. Through this, it is expected that it will be possible to evaluate risks in consideration of the uncertainty at the beginning of the project in the planning and pre-construction stages in the future, and to use it for decision-making on the appropriate construction period.