인공신경망을 활용한 플라스틱 폐기물 발생량 예측 및 재활용 방법별 탄소 배출량 추정 = Prediction of Plastic Waste Generation Using Artificial Neural Networks and Estimation of Carbon Emissions by Recycling Methods

다국어 초록 (Multilingual Abstract)

The objective of this study is to predict the amount of plastic waste generated in South Korea by 2030 using artificial neural networks (ANN) and to analyze
carbon emission scenarios based on different recycling methods. The surge in plastic use in modern society has led to a significant increase in plastic waste,
with a high proportion of this waste leaking into the natural environment without proper treatment, causing environmental issues. Managing plastic waste in such a scenario has expanded beyond a mere environmental issue to a social and economic problem, necessitating effective management and treatment strategies. In this study, 23 types of data were collected, considering various socioeconomic and environmental factors, and 11 key factors were selected for
ANN analysis through Pearson correlation analysis. The key factors are the number of single-person households, scale of accommodation and food service
businesses, total plastic production, number of registered households, average population per household, GDP, construction market size, transportation and
storage market size, energy consumption, actual recycling rate of plastics, and export weight of waste plastics. Using Keras Tuner, the optimal hyperparameters were derived, and an ANN model was built to predict plastic waste generation by 2030. The ANN model predicted about 15% higher plastic waste generation with approximately 53% lower error rate compared to the linear regression model. The ANN methodology yielded estimation results that reflected various socioeconomic changes more accurately than traditional statistical methodologies such as regression analysis. Traditional statistical methodologies might have difficulty in rationally estimating waste generation in special situations like the recent COVID-19 pandemic. In contrast, the ANN methodology, by comprehensively considering various factors, provided more reliable results. Furthermore, the contribution of each factor to the model's prediction results was evaluated using SHAP (SHapley Additive exPlanations) analysis. The SHAP analysis revealed that factors with relatively low linear correlation according to the Pearson correlation analysis had a greater impact on the ANN model's prediction results. For instance, energy consumption, GDP, and total plastic production had high SHAP values, positively influencing the model output, whereas the average population per household negatively influenced the model output when its value was high. This indicates that the ANN model can effectively model the complex interactions among various factors. Finally, carbon emission scenarios based on different recycling methods were established, and the carbon emissions for each scenario were calculated. For
scenario setting, several policies and goals of the South Korean government aimed at achieving carbon neutrality by 2030 were investigated. Changes in the
proportion of plastic waste treatment methods were assumed depending on the application of each policy and goal. Based on this, scenarios such as existing
treatment ratios, 10% expansion of chemical recycling, 30% application of physical recycling, zero landfill scenario, and scenarios with high proportions of
physical and thermal recycling were set. The analysis showed that reducing landfill and incineration ratios while increasing the physical recycling ratio was
the most effective strategy for reducing carbon emissions. Specifically, a scenario expanding zero landfill, reducing incineration, and expanding thermal and physical recycling industries showed a reduction of approximately 10.29 million tCO2-eq. The results of this study provide crucial information to policymakers and industry stakeholders in developing recycling industries and waste management strategies. Quantitative comparisons of greenhouse gas emissions according to the development direction of each plastic waste treatment method will contribute to establishing balanced plastic management strategies that pursue both environmental protection and economic sustainability. Additionally, this analysis will play a significant role in determining investment directions for technology development and infrastructure construction in the future plastic recycling industry. This research is expected to make a significant contribution to the establishment of a sustainable resource-circulating economy and the reduction of carbon emissions in South Korea.

국문 초록 (Abstract)

본 연구는 인공신경망(ANN)을 활용하여 2030년 대한민국의 플라스틱 폐기물 발생량을 예측하고, 재활용 방법에 따른 탄소 배출 시나리오를 분석하는 것을 목표로 한다. 현대 사회에서 플라스틱 사용의 급증으로 플라스틱 폐기물의 양이 크게 증가하고 있으며, 플라스틱이 적절한 처리 없이 자연환경으로 유출되는 비율이 높아 환경 문제를 야기하고 있다. 이러한 상황에서 플라스틱 폐기물 관리는 단순한 환경적 문제를 넘어 사회적, 경제적 문제로도 확대되고 있어 이에 대한 효과적인 관리와 처리가 요구된다. 본 연구에서는 다양한 사회경제적 및 환경적 인자들을 고려하여 23가지 데이터를 수집하고, Pearson 상관관계 분석을 통해 11가지 주요 인자(1인가구 수, 숙박· 음식점 사업규모, 플라스틱 전체생산량, 주민등록세대수, 1세대당 평균인구, GDP, 건설 시장규모, 운수·보관 시장규모, 에너지사용량, 플라스틱 실질재활용률, 폐플 라스틱 수출중량)를 인공신경망 분석을 위한 인자로 선정하였다. 이후 Keras Tuner를 활용하여 최적의 하이퍼파라미터를 도출하고, 인공신경망 모델을 구축하여 2030년 플라스틱 폐기물 발생량을 예측하였다. 예측 결과, 인공신경망 모델은 선형 회귀 모델보다 약 15% 높은 플라스틱 폐기물 발생량과 약 53% 낮은 오차율을 보였다. 인공신경망 방법론을 활용하여 플라스틱 폐기물의 발생량을 추정할 경우, 기존 의 회귀분석 방법 등의 통계적 방법론에 비하여 다양한 사회·경제적 변화를 반영한 추정 결과를 얻을 수 있었다. 기존의 통계적 방법론으로는 최근 발생한 코로나 19와 같은 특수한 상황에 대한 합리적인 폐기물 발생량 추정이 어려운 문제가 발생할 수 있으나, 인공신경망 방법론은 다양한 인자들을 종합적으로 고려하여 예측하기 때문에 더욱 신뢰할 수 있는 결과를 제공할 수 있는 것으로 나타났다. 또한, SHAP(SHapley Additive exPlanations) 분석을 통해 모델의 예측 결과에 대한 각 인자의 기여도를 평가하였다. SHAP 분석 결과, 기존 Pearson 상관관계 분석과는 다르게 실제로 선형적인 상관성이 비교적 낮다고 여겨지는 인자들이 인공신경망 모델의 예측 결과에 더 큰 영향을 미치는 것으로 나타났다. 예를 들어, 에너지사용량, GDP, 플라스틱 전체생산량은 SHAP 값이 높아 모델 출력에 긍정적인 영향을 미치며, 반면 1세대당 평균 인구는 값이 높을수록 부정적인 영향을 미치는 것으로 분석되었다. 이는 인공신경망 모델이 다양한 인자들 간의 복잡한 상호작용을 효과적으로 모델링할 수 있음을 시사한다. 마지막으로, 다양한 재활용 방법에 따른 탄소 배출 시나리오를 설정하고 각 시나리오별 탄소 배출량을 산정하였다. 시나리오 설정을 위해 2030 탄소중립 목표 달성을 위한 대한민국 정부의 여러 정책 및 목표를 조사하였고, 각 정책 및 목표 의 적용 유무에 따라 폐플라스틱 처리방법 비율의 변화를 가정하였다. 이를 기반으로 기존 처리비율, 화학적 재활용 10% 확대와 물리적 재활용 30% 적용 시나리오, 매립 제로화 시나리오, 물리적 재활용과 열적 재활용 비율이 높은 시나리오 등을 설정하였다. 분석 결과, 매립 제로화와 소각처리 비율을 감소하고 물리적 재 활용 비율을 높이는 것이 가장 효과적인 탄소 배출 저감 전략임을 확인하였다. 특히, 매립 제로화가 확대되고, 소각처리 비율이 감소하며, 화학적 재활용 산업이 사장되는 대신 열적 재활용과 물리적 재활용이 확대되는 시나리오에서 약 1029만 tCO2-eq의 저감량을 보였다. 본 연구 결과는 정책 관리자와 산업 관계자에게 재활용 산업 육성 및 폐기물 관리 전략 수립에 중요한 정보를 제공할 수 있다. 각 플라스틱 폐기물 처리 방법 의 육성 방향에 따른 온실가스 배출량의 정량적 비교를 통해 환경 보호와 경제적 지속 가능성을 동시에 추구할 수 있는 균형 잡힌 플라스틱 관리 전략을 수립하는 데 기여할 것이다. 또한, 이러한 분석은 향후 플라스틱 재활용 산업의 기술 개발 및 인프라 구축에 대한 투자 방향을 결정하는 데도 중요한 역할을 할 것이다. 이러한 연구는 대한민국의 지속 가능한 자원순환 경제사회의 구현과 저탄소 사회 형성을 위한 계획의 수립 및 실행에 중요한 자료로서 활용될 것으로 기대한다.

목차 (Table of Contents)

• I. 서 론 1
• 1. 연구의 배경 및 필요성 1
• 2. 연구의 목적 3
• II. 이론적 고찰 4
• 1. 플라스틱 폐기물 관리 4
• 2. 플라스틱 재활용 기술 6
• 3. 기계학습과 인공신경망 10
• 4. 생애주기인벤토리 데이터베이스 18
• III. 연구방법 20
• 1. 연구 개요 20
• 2. 플라스틱 폐기물 발생량 추정 인자 선정 21
• 3. 플라스틱 폐기물 발생량과 추정 인자 분석 22
• 4. 인공신경망 활용 플라스틱 폐기물 발생량 추정 23
• 5. 탄소배출 시나리오 26
• IV. 연구 결과 및 고찰 29
• 1. 인공신경망 모형 활용 플라스틱 폐기물 발생량 예측 29
• 2. 재활용 방법별 탄소배출량 추정 37
• V. 결 론 40
• 참고문헌 43
• 영문초록(Abstract) 48