본 연구의 목적은 한국 현대 목판화의 동향을 살펴보고, 동시대 목판화 작가들의 작품성과 그 실험성을 고찰해 보는데 있다. 1990년대는 컴퓨터, 영상, 사진, 등 미디어매체의 본격적인 활성화가 시작되며, 미술계에 전반적으로 많은 영향이 일어났던 시기이다. 특히 판화의 정체성과 개념에 다양한 변화가 일어나기 시작한 것에 따라 1990년대 이후부터 2020년대를 앞두고 있는 현재까지의 발표된 목판화 작품들을 살펴보고, 한국현대목판화의 전반적인 현상을 읽어보고자 하였다. 연구 대상은 한국현대판화가협회, 한국현대목판화협회, 울산국제목판화페스티벌과 국립현대미술관과 경기도미술관에서 주최한 대규모판화 기획전인 , , , , 그리고 목판화를 중심으로 한 전시와 세미나, 학술발표들을 중심으로 발표된 작품을 토대로 연구하였다. 한국현대목판화의 특징과 매체적 변화는 다음과 같다. 첫째, 전통적인 작업 방식의 계승에 현대성을 가미하여 그 전통성을 이어나가는 것이다. 둘째, 과거의 인쇄의 기능적인 측면에서의 기능과 순수예술로서의 목판화, 이 두 가지로만 보여지던 판화의 특징이 여러 가지로 확장되어지고 있다는 것이다. 디자인이나 공예적인 특성 등 다양한 조형언어로 표현된 방식들의 결합이 풍부하고 다채로운 미감을 느낄 수 있게 해준다. 셋째, 목판화 자체의 개념적인 특징을 이용한 작품들이다. 나무자체에서 느낄 수 있는 인문적 요소의 강조, 판화의 개념적 특성과 새로운 매체의 융합을 보여주는 작품 등 보다 실험적인 작품들을 볼 수 있다. 본 연구를 통하여 한국의 목판화만이 가지고 있는 고유한 방식의 고찰 뿐 아니라 전통성의 계승과 발전에 주목하고자 한다.
본 연구는 마이크로 그리드의 기술 개발을 위한 기초 연구로 기상청에서 제공하는 기상 데이터만으로 건물 전력 소비량을 예측하기 위한 방안으로 다양한 건물에 적용할 수 있는 입력 데이터 요소 방안에 목적이 있다. 수집된 기상 데이터와 계산된 일사 데이터를 통해 건물 전력 소비량을 예측하여 정확도를 비교하였고, 이에 대한 결과는 다음 아래와 같다.
(1) 실측된 온도와 습도 그리고 국내 평균 풍속과 운량을 활용하여 일사 계산 이론식을 통해 시간별 일사량을 도출하였을 때 CVRMSE 27.61%, MBE-10.62%, RMSE 53.41W/㎡를 도출하였다.
(2) 기상청에서 제공하는 예보 데이터와 이를 통해 계산한 일사 데이터를 입력 데이터로서 기계 학습에 사용하여 건물 전력 소비량을 예측하였을 때, 한 시간에서 네 시간까지의 건물 전력 소비량을 예측할 수 있는 것으로 사료된다.
(3) 건물 전력 소비량 예측 시 어린이집, 고등학교, 도서관, 보건소에 적용하여 예측 정확도 기준에 적합한 결과를 도출한 것으로 다양한 건물에 적용하여 사용할 수 있을 것으로 판단된다.
본 연구는 ASHRAE에서 제시한 예측 기준에서 건물 시뮬레이션과 실측에 대한 정확도 기준을 나타낼 뿐 일사 데이터의 예측 기준은 제시되어있지 않으며 대부분의 일사 데이터 연구에서는 RMSE로 나타내고 있기 때문에 기준에 대한 한계와 비오는 날 오차가 발생할 수 있는 한계를 가지고 있다. 또한 일사량이 건물에 미치는 영향이 건물마다 다르게 나타나기 때문에 이에 대한 추가적인 고찰이 필요하다.
추후 건물에 적용하여 실시간 예측으로 진행될 수 있도록 프로그램 개발을 진행할 것이며, 더 나아가 실제 건물에 설치하여 의사 결정 판단을 제공함으로써 정확도 보장과 에너지 절감을 유도할 수 있도록 진행할 것이다.
에너지 경제 연구원에 따르면 1인당 전력소비량은 매년 증가하고 있으며, 현재 우리나라는 상당부분을 해외 에너지 수입에 의존하고 있다. 이에 따라 효율이 높은 열병합발전시스템이 개발 또는 실용화되고 있다. 본 논문에서는 이와 같은 열병합발전시스템의 설치 유무에 따라 전기 누진세를 적용하여 연료 비용을 분석해 경제성 분석을 시도하였다. 변경된 단가를 고려하여 분석한 결과 413kWh 이상 사용하는 건물에서는 열병합발전시스템 도입 가치가 있는 것을 알 수 있다.
본 연구는 기계 학습 및 매개 변수를 자동으로 설정하여 공조기 급기 온도를 예측할 수 있는 방안을 제시 하고자 하였다. 병원건물을 대상으로, 방위별 부하를 담당하는 4대의 공조기의 7개월간의 실측 데이터를 사용하였다. 최적화 예측모델을 발견하기 위해, 자동화 데이터 분석 알고리즘 AutoML인 Auto-sklearn을 활용하였다. 비교를 위해 건물 에너지 분야에서 가장 많이 쓰이고 인공지능 개념인 ANN 모델과 선행 연구에서 반복적인 튜닝을 통해 도출된 매개 변수를 사용하였으며 결론은 다음과 같다.
(1) 공조기 데이터별로 각각 다른 모델이 최적화 모델로 선정되었다. 남측공조기의 경우 추천된 기계 학습 모델은 Gradient Boosting, 남서측은 SVR, 남동측은 Adaboosting, 북측은 RandomForest이다.
(2) 각각의 모델로 ANN과 비교한 결과 약 0.03%~1.16% 더 높은 정확도로 예측되는 것으로 분석되었다.
(3) 추천된 모델과 ANN을 비교해 보았을 때, 추천된 모델의 정확도가 CvRMSE 평균 0.53%, MBE 0.54% 더 높게 나타났다. 뿐만 아니라, 자동화 데이터 분석 알고리즘을 통한 모델과 매개 변수를 적용하는 것이 시간 효율적인 것을 알 수 있다.
(4) 건물 내 같은 공간 속에서 방위에 따라 공조기 운전 예측에 필요한 알고리즘과 매개 변수는 각각 다르게 나타남을 알 수 있다.
본 연구를 통해 설비시스템의 운전 예측 분야에 자동화 데이터 분석 알고리즘 모델이 적극 활용될 수 있을 것으로 판단된다. 또한 예측된 데이터를 실제 건물에 적용함으로써 에너지 절감의 정량적인 분석의 연구가 기대된다.
'%3e%3cg id='b'%3e%3cpath id='a' stroke='%23000' stroke-width='2' d='M-6-25H6m-12 3H6m-12 3H6'/%3e%3cuse xlink:href='%23a' y='44'/%3e%3c/g%3e%3cpath stroke='%23fff' d='M0 17v10'/%3e%3ccircle r='12' fill='%23cd2e3a'/%3e%3cpath fill='%230047a0' d='M0-12A6 6 0 0 0 0 0a6 6 0 0 1 0 12 12 12 0 0 1 0-24z'/%3e%3c/g%3e%3cg transform='rotate(-123.69)'%3e%3cuse xlink:href='%23b'/%3e%3cpath stroke='%23fff' d='M0-23.5v3M0 17v3.5m0 3v3'/%3e%3c/g%3e%3c/svg%3e)
