[논문 리뷰] Integrated BIM and Machine Learning System for Circularity Prediction of Construction Demolition Waste

Abdullahi B. Saka, Ridwan Taiwo외 4명|arXiv (Cornell University)|2024. 07. 20.

Recycled Aggregate Concrete Performance인용 수 4

한 줄 요약

이 연구는 프로젝트 수준에서 건설 철거 폐기물의 순환성(순환경제)을 예측하기 위해 통합된 빌딩정보모델링(BIM)과 기계학습(ML) 시스템을 제안한다. 2,280개의 철거 프로젝트 데이터셋을 기반으로 XGBoost를 적용한 결과, 결정계수(R²)는 0.9977, 평균절대오차(MAE)는 5.0910을 기록하여 재활용 가능 폐기물과 매립 폐기물의 정밀 예측이 가능해졌으며, SHAP 분석을 통해 순환성에 영향을 미치는 주요 재료 및 설계 요소가 규명되었다.

ABSTRACT

Effective management of construction and demolition waste (C&DW) is crucial for sustainable development, as the industry accounts for 40% of the waste generated globally. The effectiveness of the C&DW management relies on the proper quantification of C&DW to be generated. Despite demolition activities having larger contributions to C&DW generation, extant studies have focused on construction waste. The few extant studies on demolition are often from the regional level perspective and provide no circularity insights. Thus, this study advances demolition quantification via Variable Modelling (VM) with Machine Learning (ML). The demolition dataset of 2280 projects were leveraged for the ML modelling, with XGBoost model emerging as the best (based on the Copeland algorithm), achieving R2 of 0.9977 and a Mean Absolute Error of 5.0910 on the testing dataset. Through the integration of the ML model with Building Information Modelling (BIM), the study developed a system for predicting quantities of recyclable and landfill materials from building demolitions. This provides detailed insights into the circularity of demolition waste and facilitates better planning and management. The SHapley Additive exPlanations (SHAP) method highlighted the implications of the features for demolition waste circularity. The study contributes to empirical studies on pre-demolition auditing at the project level and provides practical tools for implementation. Its findings would benefit stakeholders in driving a circular economy in the industry.

연구 동기 및 목표

• 건설 및 철거 폐기물(C&DW)의 순환성에 대한 프로젝트 수준의 사전 철거 감사 도구 부족 문제를 해결하기 위해.
• 기존 연구들이 순환성 통찰 없이 건설 폐기물 또는 지역 수준의 데이터에 국한되어 있는 한계를 극복하기 위해.
• BIM과 ML을 활용해 건물 철거 시 발생하는 재활용 가능 폐기물 및 매립 폐기물의 양을 데이터 기반으로 예측하는 시스템을 개발하기 위해.
• 정량적 폐기물 예측을 통해 이해관계자가 순환경제를 촉진하기 위한 정보 기반 의사결정을 내릴 수 있도록 지원하기 위해.
• SHAP 기반의 기능 중요도와 모델 해석 가능성으로 근거 있는 실천 가능 도구를 제공하여 사전 철거 계획을 지원하기 위해.

제안 방법

• 건물 기하학, 재료, 구조 시스템과 관련된 특징을 추출하기 위해 2,280개의 철거 프로젝트 데이터셋을 수집 및 처리하였다.
• 모델의 일반화 능력과 예측 성능 향상을 위해 변수 모델링(Variation Modelling, VM)을 적용하여 가상의 특징을 생성하였다.
• 재활용 가능 폐기물 및 매립 폐기물의 양 예측을 위한 회귀 분석을 위해 XGBoost, 랜덤 포레스트, LightGBM 등 다양한 기계학습 모델을 훈련시켰다.
• R², MAE, RMSE 등 다양한 평가 지표를 기반으로 Copeland 알고리즘을 활용해 최적의 모델을 선정하였다.
• 훈련된 XGBoost 모델을 BIM 기반 시스템에 통합하여 설계 및 계획 단계에서 실시간으로 폐기물 순환성 예측이 가능하도록 하였다.
• SHapley Additive exPlanations(SHAP)를 활용해 특징 기여도를 해석하고 철거 폐기물의 순환성에 영향을 미치는 주요 요인을 규명하였다.

실험 결과

연구 질문

• RQ1 BIM 통합 데이터를 활용한 기계학습이 건물 철거 시 발생하는 재활용 가능 폐기물 및 매립 폐기물의 양을 얼마나 정확하게 예측할 수 있는가?
• RQ2 다양한 평가 지표에서 기계학습 모델 중 어느 것이 폐기물 순환성 예측에 가장 우수한 성능을 보이는가?
• RQ3 모델의 해석 가능성으로 드러난 바에 따르면, 설계 및 재료 특징 중 폐기물 순환성에 가장 큰 영향을 미치는 요소는 무엇인가?
• RQ4 BIM과 ML을 통합함으로써 프로젝트 수준의 사전 철거 폐기물 감사의 실현 가능성과 정밀도는 어느 정도 향상되는가?
• RQ5 제안된 시스템은 건설 철거 계획에서 순환경제 원칙의 실질적 구현을 뒷받침할 수 있는가?

주요 결과

• XGBoost 모델은 테스트 세트에서 R²가 0.9977, 평균절대오차(MAE)가 5.0910으로 가장 높은 예측 성능을 보였다.
• Copeland 알고리즘을 통한 평가에서 XGBoost는 R², MAE, RMSE 등 다수의 지표에서 다른 모델인 랜덤 포레스트 및 LightGBM를 압도적으로 뛰어넘어 최적의 모델로 확인되었다.
• SHAP 분석 결과, 재료 종류, 구조 시스템, 건물 부피가 폐기물 순환성에 가장 큰 영향을 미치는 주요 특징으로 규명되었다.
• BIM과 ML의 통합을 통해 재활용 가능 폐기물 및 비재활용 폐기물 구성 요소에 대한 실시간 프로젝트 수준의 예측이 가능해졌다.
• 이 시스템은 이해관계자가 자재 회수를 극대화하고 매립 폐기물을 줄이기 위한 설계 전략을 우선순위에 두는 데 실질적인 통찰을 제공한다.
• 본 연구는 지속 가능한 건설 분야의 순환경제 전환을 뒷받침하는 강력하고 경험적 근거에 기반한 사전 철거 감사 프레임워크를 구축하였다.