Predicting the size of factory fire damage using public data and machine learning|RISS 상세보기

다국어 초록 (Multilingual Abstract)

"Predicting the Size of Factory Fire Damage Using Public Data and Machine Learning” applies a novel approach to minimize severe human casualties and property damage caused by factory fires. Factory fires have a disastrous impact on property once they do occur despite their low frequency. This point highlights the need for effective preemptive strategies to mitigate potential damages. The study aims to overcome the limitations of traditional qualitative assessment methods by developing a quantitative and rapid method for assessing fire risk.
The methodology involves the use of simple building information and factors that affect fire to develop and validate a machine learning-based framework which predicts the scale of property damage caused by fires. To be specific, public datasets from Korea were collected, preprocessed, and then used to train and validate machine learning algorithms. The study also employed various machine learning models, including Artificial Neural Networks (ANN), Decision Trees (DT), k-Nearest Neighbors (KNN), and Random Forest (RF), with the RF model being identified as the most suitable for this research.
The research culminated in predicting the size of property damage caused by fire in 13,032 actual factory buildings across three selected sites. The use of GIS and predictive outcomes also suggests the applicability of the research findings for policy on fire protection.
This study introduces a new methodology that makes use of limited data on building information and factors that affect fire to predict the size of fire damage accurately and rapidly. It contributes to the field of Architecture research by offering a data-driven, precise, and flexible approach to machine learning models.

번역하기

국문 초록 (Abstract)

본 논문은 "공공 데이터와 기계 학습을 활용한 공장 화재 피해 규모 예측"이라는 주제로, 공장 화재로 인한 심각한 인명 및 재산 피해를 최소화하기 위한 새로운 방법론을 제시한다. 이 연구는 기존의 정성적 평가 방식의 한계를 넘어서, 정량적이고 신속한 화재 위험도 평가 방법을 개발하고자 하였다. 공장 화재는 발생빈도가 낮음에도 불구하고, 발생하는 경우에는 큰 피해를 가져온다는 점에서 연구대상으로 선정하였다. 이러한 문제점을 인식하고, 공장 화재로 인한 재산 피해를 선제적으로 예측하여 효과적인 대응 방안을 마련하는 것이 본 연구의 주된 목적이다.
연구의 방법은 간단한 건축 정보와 화재 영향 요인을 활용하여 기계 학습 모델을 통해 화재로 인한 재산 피해의 규모를 예측하는 프레임워크를 제안하고 이를 가시화하여 활용방안까지 제안 하는 것이다. 이를 위해 한국의 공공 데이터셋을 수집하여 데이터전처리 후 기계 학습 알고리즘으로 학습하고 정확도를 검증하는 과정을 진행하였다. 본 연구에서 사용된 기계 학습 모델은 인공 신경망(ANN), 의사결정나무(DT), k-최근접 이웃(KNN), 랜덤 포레스트(RF)를 포함하며, 학습결과. RF 모델이 본 연구의 목적에 가장 적합한 것으로 평가되었다.
마지막으로, 3개의 대상지를 선정하여 실존하는 공장 건축물 13,032건을 대상으로 화재로 인한 재산피해 크기를 예측하였다. 또한 GIS와 예측 결과를 활용하여 정책 제언이 가능하다는 점을 통해 연구결과의 활용성까지 제안하였다.
이 연구는 건축물 정보, 화재 영향 요인 등 제한된 데이터를 활용하여 화재의 크기를 예측할 수 있는 새로운 방법론을 제시하였다. 이는 데이터 기반의 신속하고 정확한 평가방법론을 제안하고, 기계 학습을 통한 연구 확장성을 확보했다는 점에서 건축연구 분야에 기여할 수 있다.

번역하기

본 논문은 "공공 데이터와 기계 학습을 활용한 공장 화재 피해 규모 예측"이라는 주제로, 공장 화재로 인한 심각한 인명 및 재산 피해를 최소화하기 위한 새로운 방법론을 제시한다. 이 연구...

목차 (Table of Contents)

List of Figure ⅳ
List of Table ⅵ
Abstract ⅸ
CHAPTER Ⅰ. INTRODUCTION

List of Figure ⅳ
List of Table ⅵ
Abstract ⅸ
CHAPTER Ⅰ. INTRODUCTION
1.1 Background and Purpose 01
1.1.1 Background 01
1.1.2 Purpose 04
1.2 Scope and Methodology 05
1.2.1 Scope 05
1.2.2 Methodology 06
CHAPTER Ⅱ. THEORETICAL LITERATURE REVIEW
2.1 Analysis of Fire-related Risk Factors 08
2.1.1 Definition of Fire Risk 08
2.1.2 Fire Risk Assessment System in Korea 09
2.1.3 Analysis of Previous Studies related to Fire Risk Factors 17
2.1.4 Comprehensive Fire Risk Factors 43
2.2 Analysis of Prior Research on Fire-related AI 48
2.2.1 Analysis of Korean and International Research 48
2.2.2 Analysis of Korean Dissertations 66
2.3 Data Preprocessing Methodology 74
2.4 Sub-conclusion 77
CHAPTER Ⅲ. DATA PREPROCESSING AND ANALYSIS
3.1 Data Preprocessing 79
3.1.1 Overview of Preprocessing 79
3.1.2 Data Construction 79
3.1.3 Exploratory Data Analysis 80
3.2 Statistical Analysis 93
3.2.1 Frequency Analysis 93
3.2.2 Regression Analysis 106
3.3 Sub-conclusion 107
Chapter Ⅳ. MACHINE LEARNING FOR CLASSIFYING FIRE DAMAGE
4.1 Methodology and Machine Learning Models 109
4.1.1 Methodology 109
4.1.2 Machine Learning Classifier Model Overview 110
4.2 Development of Machine Learning Models using Building Information112
4.3 Development of Machine Learning Models using Building Information
and Factors that Affect Fire 119
4.4 Selection of Optimal Model 123
4.5 Sub-conclusion 130
CHAPTERⅤ. PREDICTION AND VISUALIZATION OF FIRE PROPERTY DAMAGE
5.1 Application of Prediction Model and Data Collection 132
5.1.1 Application Method 132
5.1.2 Data Collection and Integration 132
5.1.3 Selection of Target Areas 136
5.2 Test Dataset 138
5.2.1 Characteristics of Test Data 138
5.2.2 Setting of Control Variables 147
5.3 Prediction of Property Damage Grades in Factory Fires 148
5.3.1 Prediction Results 148
5.3.2 Grade of Risk Area on GIS 153
5.4 Sub-conclusion 156
CHAPTER Ⅵ. CONCLUSION 158
Reference 161
Abstract(In Korean) 177

참고문헌 (Reference)

1. A physically-based model for urban fire spread, Himoto, K., Tanaka, T., 7th Int. Symposium on Fire Safety Science, , 2002

2. A heat conduction analog model of urban fire spread, Reitter, T. A, Lawrence Livermore National Laboratory, , 1983

3. A review of fire risk assessment methods in urban areas, Xiao-qian, F., (11), 1622, , 2021

4. Improving urban master plan by fire risk assessment—in, Huang, X., Liu, Y., He, Z., Zhai, G., of Shantou City, China, , 2015

5. Fire risk assessment in old urban areas: Coimbra old town, Correia, A., Meneses, S., Tavares, P., Correia, J., Santos, C., IFireSS 2017–2nd International Fire Safety Symposium, , 2017

6. Agent-Based Fire-Spreading Model in a Dense Urban Community, Bongolan, V., Asiddao, M., The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 46, 35-40, , 2021

7. Electrical fire prediction model study using machine learning, Moon, G. G., Hwang, D. H., Park, S. J., Ko, K. S., 11(6), 703-710, , 2018

8. FireCast: Leveraging deep learning to predict wildfire spread, Dan, E., David, R., Anna, H., Proceedings of the 28th International Joint Conference on Artificial Intelligence (IJCAI), Macao, China, 10–16, , 2019

9. Firecast: Leveraging Deep Learning to Predict Wildfire Spread, Radke, D., Ellsworth, D., Hessler, A., Paper presented at the IJCAI, , 2019

10. A novel kNN algorithm with data-driven k parameter computation, Deng, X., Zong, M., Deng, Z., Zhang, S., Cheng, D., 109, 44–54, , 2018