선박 공조 설계용 열부하 산정 자동화를 위한 그래프 신경망 기반 도면 인식 연구 = Graph Neural Network-Based Drawing Recognition for Automated Heat Load Calculation in Ship HVAC Design

국문 초록 (Abstract)

선박의 공조 설계(HVAC; Heating, Ventilation, and Air Conditioning)에서 열부하 산정(Heat Load Calculation)은 핵심 과정으로, 격실의 면적과 인접 격실 간 온도 차이 등을 종합적으로 고려해야 한다. 그러나 기존의 수동 계산 방식은 설계자에 따라 결과와 소요 시간이 달라지는 한계가 있다. 이에 본 연구는 설계 효율을 향상시키고 인적 오류를 최소화하기 위한 도면 인식 방법을 제안한다.
도면 내 객체를 자동으로 인식하고 분류하기 위해 Graph Attention Network (GAT)를 적용하였으며, 각 객체 정보를 그래프 형태로 변환하고 KNN(K-Nearest Neighbors) 알고리즘을 활용하여 Node 간 거리 및 방향 특성을 반영한 Edge를 생성하였다. 이후 계층적 구조(Hierarchical Classification)를 도입하여 상위 예측 결과를 기반으로 하위 후보를 제한함으로써 학습 효율과 분류 정확도를 향상시켰다. 단일, 2단계, 3단계 계층 모델을 각각 학습한 결과, 계층 모델이 안정적인 학습 곡선으로 수렴하였으며, 3단계 계층 모델에서 K=20일 때 평균 F1-score가 0.91로 가장 우수한 성능을 보였다. 해당 설정을 기반으로 수행한 도면 구역화 결과, 8개 구역의 면적 산정 정확도는 84~90% 범위로 나타났다. 또한 열부하 산정 수작업 결과와 자동화 결과의 평균 오차는 12.9m³/h, 오차율은 7.2%로 나타났다. 이를 통해 그래프 신경망 모델의 도면 인식이 선박 공조 시스템 설계에서 열부하 산정의 자동화를 구현할 수 있음을 확인하였다.

목차 (Table of Contents)

• 1. 서론 10
• 1.1. 연구 배경 및 필요성 10
• 1.2. 연구 목적 12
• 1.3. 관련 연구 14
• 2. 이론 및 연구 방법 18
• 2.1. 데이터 구성 및 분석 방법 18
• 2.1.1. 도면 데이터 형식 18
• 2.1.2. 데이터셋 23
• 2.1.3. 데이터 객체 정의 26
• 2.2. 그래프 신경망 28
• 2.2.1. GAT (Graph Attention Network) 29
• 2.2.2. Node Features Extraction 32
• 2.2.3. Edge Features Extraction 34
• 2.3. 계층적 구조(Hierarchical Structure) 39
• 2.3.1. 계층적 구조의 특징 39
• 2.3.2. 계층적 구조 적용 43
• 3. 열부하 산정 적용 45
• 3.1. 수작업 기반 열부하 산정 절차 45
• 3.2. 자동화 기반 열부하 산정 절차 50
• 4. 모델 설계 및 학습 전략 52
• 4.1. 학습 구조 및 흐름 52
• 4.2. 학습 데이터 구성 53
• 4.3. 그래프 신경망 모델 구조 54
• 4.4. 성능 평가 지표 및 방법 57
• 5. 실험 및 결과 분석 60
• 5.1. 계층적 구조 모델의 객체 인식 성능 평가 60
• 5.2. 계층적 구조 모델의 K값 변화에 따른 성능 분석 63
• 5.3. 공간 구역화 자동화 및 면적 산정 정확도 개선 67
• 5.4. 열부하 산정 자동화 결과 비교 및 정확도 검증 69
• 6. 결론 및 향후 연구 74
• 6.1. 결론 74
• 6.2. 향후 연구 75