176-176 2023 [춘계학술대회]
| 제목 | 이론적 계산과 딥러닝 모델을 통한 연료별 소형자동차에서의 실제도로 주행 CO2 배출량 예측 비교 분석 |
|---|---|
| 분야 | 에너지 및 배기 |
| 언어 | Korean |
| 저자 | 전영재( 한국교통대학교), 이찬빈( 한국교통대학교), 차준표( 한국교통대학교) |
| Key Words | Theoretical Calculation(이론적 계산), Deep Learning(딥러닝), CO2(이산화탄소), Real Driving(실제도로 주행), Light-Duty Vehicle(소형자동차) |
| 초록 |
유럽환경청(EEA, European Environment Agency)의 보고서에 따르면, 유럽의 Greenhouse Gas(GHG) 배출량은 1990년부터 2020년까지 주요 부문에서 감소하였지만 운송 부문에서는 증가하였다. 그 중에서 도로이동원의 CO2 배출량이 높은 비중을 차지하였다. 국내 국가통계포털 및 환경부 온실가스종합정보센터의 통계자료에 따르면, 도로수송 부문의 CO2 배출량이 전체 GHG 배출량 중 두 번째로 높은 비중을 차지하였다. 이러한 이유로 도로수송 부문에서의 CO2 배출량을 모니터링할 필요가 있다고 판단하였다. 현실적으로 모든 차량의 CO2 배출량을 일일이 측정할 수 없다. 따라서 본 연구진은 실제도로 주행 중에 발생하는 CO2 배출량 예측을 목표로 연구를 진행하였다. 이에 대한 기초 연구로 이론적 계산과 딥러닝 모델을 통해 연료별 소형자동차에서의 CO2 배출량 예측 비교 분석을 진행하였다. 실험차량은 동일한 차종으로 분류된 경유, 휘발유, 하이브리드 자동차 총 3대를 선정하였다. 시험 경로는 Euro-6d의 RDE-LDV 요건을 만족하는 경로로 선정하였다. 본 연구에서 사용된 실시간 CO2 배출량 데이터는 Sensors사의 PEMS 장비로부터 취득하였고, 그 외의 데이터는 CAN 통신 프로토콜을 이용해 차량의 OBD를 통하여 취득하였다. 실제도로 주행 CO2 배출량 예측 방법으로 이론적 계산과 딥러닝 모델 두 가지 방법을 사용했다. 이론적 계산은 흡입 공기량, 이론 공연비, 람다 값과 연소 반응식을 이용하여 결과를 도출하였다. 딥러닝 모델은 CNN과 RNN 층으로 구성하였고, 학습은 경유, 휘발유, 하이브리드 자동차 데이터를 한 번에 학습시키는 방법으로 진행하였다. 학습 변수는 차량 속도, 엔진 회전수, 고도 데이터를 이용하였다. 학습이 진행된 모델에 각 차량의 데이터를 대입하여 딥러닝 모델 예측 결과를 도출하였다. 이후 이론적 계산 결과와 딥러닝 모델 결과를 실제도로 주행 CO2 배출량과 비교 분석하여 딥러닝 모델을 통해 실제도로 주행 CO2 배출량 예측이 가능하다는 것을 확인하였다. 이를 통해, 실제도로 주행 CO2 배출량 예측 연구에 대한 기반을 마련하였다. |
| 원문(PDF) | 다운로드 |