도로터널 설계 공정 개선을 위한 화재 시뮬레이션 데이터 기반 환기설계 예측모델 개발 = Development of a Predictive Ventilation Design Model Based on Fire Simulation Data for Improvement of the Road Tunnel Design Procedure

다국어 초록 (Multilingual Abstract)

As urban populations continue to grow, traffic congestion has intensified, leading to the construction of 3,809 tunnels in South Korea by 2023. The semi-enclosed structure of tunnels poses serious risks during fire incidents, such as toxic gas accumulation, heat buildup, and limited accessibility for firefighting. From 2019 to 2023, a total of 106 tunnel fire incidents were reported in Korea, including a major fire in the Samae Tunnel that resulted in significant casualties. The tunnel design process involves route selection, cross-sectional planning, ventilation system design, and iterative simulations to ensure safety under fire conditions. However, this process is time-consuming, and if the feasibility of the route selected during the basic planning stage is later found problematic, it necessitates regression to the planning phase, causing delays in the overall tunnel design process. To address this issue, this study developed a predictive model for tunnel ventilation design based on national datasets and design guidelines. Fire simulations were conducted to evaluate the influence of structural variables, fire intensity, and ventilation performance. For longitudinal ventilation (binary classification), logistic/probit regression and machine learning models were used. For transverse ventilation (continuous prediction), Tobit regression and machine learning techniques were applied. The machine learning models outperformed traditional statistical regression, with Extreme Gradient Boosting and Extra Trees identified as the most effective. External validation was conducted using real-world tunnel data. The model for longitudinal ventilation (Extreme Gradient Boosting) achieved 0.9697 accuracy, while the model for transverse ventilation (Extra Trees) demonstrated an explanatory power (R²) of 0.9061. These results confirm the practical applicability of the proposed models. The optimized formulas and predictive models developed in this study facilitate early-stage ventilation planning, reduce iterative design steps, and improve design efficiency. Additionally, the methodology can be applied to upgrade ventilation systems in existing tunnels and serve as foundational research for integrating future smart ventilation systems and IoT technologies.

목차 (Table of Contents)

• I. 서 론 1
• 1.1 연구배경 및 필요성 1
• 1.2 연구목적 및 범위 9
• 1.3 국내·외 도로터널 환기시설 선행연구 동향 12
• 1.3.1 국내 연구 동향 13
• 1.3.2 국외 연구 동향 15
• 1.3.3 선행연구의 한계점 19
• Ⅱ. 이론적 고찰 23
• 2.1 도로터널 환기설계 기준 23
• 2.1.1 국내 도로터널 환기설계 기준 23
• 2.1.2 국외 도로터널 환기설계 기준 33
• 2.2 도로터널 내 환기시설 39
• 2.2.1 종류식 환기시설 41
• 2.2.2 횡류식 환기시설 등 44
• 2.3 전산유체역학(CFD) 기반의 화재 시뮬레이션 47
• 2.3.1 FDS 화재 시뮬레이션 49
• 2.3.2 Pyrosim 화재 시뮬레이션 53
• 2.4 도로터널 환기설계 예측모델 개발 방법론 54
• 2.4.1 Logistic 및 Probit 회귀모델 56
• 2.4.2 Tobit 회귀모델 62
• 2.4.3 기계학습 예측모델 65
• Ⅲ. 화재 시뮬레이션 수행을 위한 도로터널 모델링 69
• 3.1 도로터널 대표 유형 구축 및 선정 69
• 3.1.1 K-Means 군집화를 통한 도로터널 대표 유형 구축 및 선정 70
• 3.1.2 화재 시뮬레이션 적용 매개변수 선정 77
• 3.2 환기시설 대표 유형 구축 및 선정 81
• 3.2.1 종류식 환기시설 대표 유형 구축 및 선정 82
• 3.2.2 횡류식 환기시설 대표 유형 구축 및 선정 86
• 3.3 환기시설을 포함한 도로터널 모델링 89
• 3.3.1 종류식 환기시설 도로터널 모델링 93
• 3.3.2 횡류식 환기시설 도로터널 모델링 102
• Ⅳ. 도로터널 화재 시뮬레이션 결과 분석 110
• 4.1 종류식 환기시설 시뮬레이션 결과 110
• 4.1.1 도로터널 대표 유형별 시뮬레이션 결과 110
• 4.1.2 환기용량별 시뮬레이션 결과 113
• 4.2 횡류식 환기시설 시뮬레이션 결과 116
• 4.2.1 도로터널 대표 유형별 시뮬레이션 결과 116
• 4.2.2 환기용량별 시뮬레이션 결과 119
• 4.3 도로터널 화재 시뮬레이션 결과 분석 122
• 4.3.1 종류식 화재 시뮬레이션 매개변수별 상관관계 도출 125
• 4.3.2 횡류식 화재 시뮬레이션 매개변수별 상관관계 도출 126
• Ⅴ. 도로터널 환기설계 예측모델 도출 및 검증 129
• 5.1 종류식 환기설계 예측모델 도출 134
• 5.1.1 회귀모델 기반의 종류식 환기설계 예측모델 도출 134
• 5.1.2 기계학습 기반의 종류식 환기설계 예측모델 도출 145
• 5.2 횡류식 환기설계 예측모델 도출 156
• 5.2.1 회귀모델 기반의 횡류식 환기설계 예측모델 도출 156
• 5.2.2 기계학습 기반의 횡류식 환기설계 예측모델 도출 163
• 5.3 도로터널 환기설계 예측모델 검증 174
• 5.3.1 도로터널 환기설계 예측모델 성능 비교 174
• 5.3.2 종류식 환기설계 예측모델 검증 178
• 5.3.3 횡류식 환기설계 예측모델 검증 182
• 5.4 환기설계 예측모델을 이용한 도로터널 설계 공정 개선 185
• Ⅵ. 결 론 190
• Reference 194