[논문 리뷰] Digital Twin Based Disaster Management System Proposal: DT-DMS

Özgür Dogan, Oguzhan Sahin외 1명|arXiv (Cornell University)|2021. 03. 31.

Impact of AI and Big Data on Business and Society인용 수 8

한 줄 요약

이 논문은 디지털 트윈 기반 재난 관리 시스템인 DT-DMS를 제안한다. 이 시스템은 IoT 센서 데이터와 기계학습을 활용하여 가상 도시 모델에서 지진 발생 후 구조 작업을 시뮬레이션한다. 시스템은 비상 대응 인력이 실시간 시뮬레이션을 통해 훈련할 수 있도록 하며, BFS 및 UCS와 같은 알고리즘을 사용해 최적의 구조 경로와 팀 배치를 추천한다. 初기 테스트 결과는 의사결정 지원 및 NLP 기반 소셜 미디어 분석을 통한 재난 탐지에서 유망한 성과를 보였다.

ABSTRACT

The damage and the impact of natural disasters are becoming more destructive with the increase of urbanization. Today's metropolitan cities are not sufficiently prepared for the pre and post-disaster situations. Digital Twin technology can provide a solution. A virtual copy of the physical city could be created by collecting data from sensors of the Internet of Things (IoT) devices and stored on the cloud infrastructure. This virtual copy is kept current and up to date with the continuous flow of the data coming from the sensors. We propose a disaster management system utilizing machine learning called DT-DMS is used to support decision-making mechanisms. This study aims to show how to educate and prepare emergency center staff by simulating potential disaster situations on the virtual copy. The event of a disaster will be simulated allowing emergency center staff to make decisions and depicting the potential outcomes of these decisions. A rescue operation after an earthquake is simulated. Test results are promising and the simulation scope is planned to be extended.

연구 동기 및 목표

• 메트로폴리탄 시티가 사전 및 사후 재난 상황, 특히 지진에 대해 충분한 대비를 하지 못하고 있다는 문제를 해결하기 위해.
• 비상 대응 팀을 위한 시뮬레이션과 훈련을 가능하게 하는 디지털 트윈 기반 의사결정 지원 시스템을 개발하기 위해.
• 실시간 IoT 센서 데이터와 소셜 미디어(예: 트위터)를 통합하여 동적 재난 시뮬레이션과 상황 인식을 향상시키기 위해.
• 기계학습 모델, 특히 BERT의 성능과 타당성을 평가하기 위해. 이는 소셜 미디어에서 실제 재난 관련 트윗을 식별하는 데 중점을 둔다.

제안 방법

• 전력, 물, 가스, 통신 네트워크 등의 핵심 인프라에 배치된 실시간 IoT 센서 데이터를 활용해 도시의 디지털 트윈을 구축한다.
• 이스탄불 지진 데이터셋의 데이터를 활용해 건물 붕괴 및 인프라 손상과 같은 재난 시나리오를 시뮬레이션하기 위해 3차원 가상 환경을 구축한다.
• 최적의 구조 경로와 팀 배치 전략을 계산하기 위해 기계학습 알고리즘인 너비 우선 탐색(BFS) 및 균일 비용 탐색(UCS)을 사용한다.
• Kaggle에서 제공한 7,613개의 레이블이 부여된 트윗 데이터셋을 활용해 미세조정된 BERT 모델을 사용해 소셜 미디어의 재난 관련 트윗을 분류한다.
• IoT 센서, 소셜 미디어, 인프라 데이터베이스 등 다양한 데이터 소스를 통합해 중앙 집중식 의사결정 지원 인터페이스로 제공한다.
• 오픈소스 도구와 MQTT 및 RabbitMQ와 같은 통신 프로토콜을 사용해 확장성 있고 실시간 데이터 흐름을 보장하는 프로토타입을 구현한다.

실험 결과

연구 질문

• RQ1 디지털 트윈 시스템은 도시 재난 관리에서 대비 및 대응 효율성을 어떻게 향상시킬 수 있는가?
• RQ2 실시간 IoT 및 소셜 미디어 데이터는 사고 후 운영 중 상황 인식을 향상시키는 데 어떤 역할을 하는가?
• RQ3 BFS 및 UCS와 같은 기계학습 알고리즘이 시뮬레이션된 재난 상황에서 최적의 구조 경로를 추천하는 데 얼마나 효과적인가?
• RQ4 제한된 학습 데이터로도 사전 학습된 NLP 모델인 BERT가 소셜 미디어에서 실제 재난 관련 콘텐츠를 얼마나 잘 탐지할 수 있는가?
• RQ5 시뮬레이션된 디지털 트윈 환경은 복잡하고 시간이 급한 재난 상황에 대비한 비상 대응 팀의 훈련에 효과적으로 기여할 수 있는가?

주요 결과

• 소규모 도시 지역에 대한 시뮬레이션 결과는 디지털 트윈을 재난 대응 훈련 및 의사결정 지원에 활용할 수 있음을 보여주어 유망한 성과를 보였다.
• BERT 기반 NLP 모델은 1,522개의 트윗으로 구성된 작은 데이터셋에서 약 67%의 테스트 정확도를 달성했으며, 더 큰 데이터로의 확장 가능성은 여전히 개선 가능하다는 점을 시사했다.
• BFS 및 UCS 알고리즘을 활용해 시뮬레이션된 지진 상황에서 최적의 구조 경로와 팀 배치 전략을 성공적으로 추천했다.
• IoT 센서 데이터와 소셜 미디어 입력을 통합한 통합 가상 모델을 통해 인프라 상태와 손상 평가를 동적으로 시각화할 수 있었다.
• 프로토타입 인터페이스를 통해 사용자는 인프라 상태를 시각화하고 결과 예측과 함께 구조 작업을 시뮬레이션할 수 있었으며, 실시간 의사결정 지원이 가능했다.
• 향후 연구는 시스템을 도시 전체 규모로 확장하고, 센서 및 소셜 미디어에서의 실시간 데이터 스트림 통합을 통해 더 높은 현실감과 반응성 향상을 목표로 한다.