Various methods are used to make major decisions in the construction industry. Among them, life cycle assessment (LCA) method and life cycle cost (LCC) analysis are mainly used for environmental and economic evaluation of buildings, construction methods, and materials. To perform these methods properly, it is essential to estimate the realistic lifespan of the building. However, since it is practically impossible to estimate the lifespan by considering various factors affecting the lifespan of a building, most LCA and LCC studies have assumed the building lifespan uniformly according to the major structural types of buildings. However, the lifespan of buildings is in fact very variable, and a simple assumption that all buildings of the same structural type follow the same lifespan may lead to completely erroneous analysis of the results of LCA and LCC studies. In the first study, 1,812,700 records of buildings constructed and demolished in South Korea were collected, the actual lifespan of each building was analyzed, and a building lifespan prediction model using deep learning and traditional machine learning was developed. As a result, in the case of a reinforced concrete building, which is generally known to have a durability of about 50 years, the actual average building lifespan was only 22.8 years. In addition, the prediction model
investigated in this study showed root mean square error (RMSE) of 3.72~4.6 and coefficient of determination of 0.932~0.955. Among them, the deep learning-based prediction model was found to have the best performance. Therefore, these results mean that realistic LCA and LCC analysis results cannot be obtained by simply estimating the lifespan of a building in the existing method of determining the life cycle of a building with several specific factors. The second study empirically demonstrates the effect of the application of big data-based realistically predicted lifespan on LCA and LCC analysis via LCA and LCC analysis on waterproofing methods of building models and actual buildings. In the LCA and LCC analysis of the waterproofing method of the architectural model, the application of the building lifespan from 5 to 39 years decreased carbon emissions by a maximum of 78% to a minimum of 24% in all phases relative to the result when a building lifespan of 50 years was assumed. During the maintenance phase, the maximum and minimum reductions were 100% and 31 %, respectively. As a result of the LCA analysis of the waterproofing method of 17 real building cases, the accuracy of the LCA analysis results
revealed a tendency to be irregular as the predicted lifespan percent error increased. Moreover, the percent error of the LCA analysis results of the buildings with a predicted life percent error of 6% or less was 0%. Evidently, depending on the research purpose, a predictive building lifespan model that can guarantee a certain percent error or less is required for accurate LCA results.
Based on the above research results, it is evident that the building life prediction method that applies deep learning based on big data is the most realistic building life prediction method thus far, and it is necessary to apply an accurately predicted lifespan to secure the accuracy of building-related LCA and LCC analysis. Therefore, this study demonstrates that a big data-based building lifespan prediction method is an essential and promising direction for effectively guiding business planning and critical decision-making throughout the construction process.
건설산업에서 주요 의사 결정을 위해 다양한 방법들이 활용되고 있다. 그중 생애주기평가(LCA) 기법과 및 생애주기비용(LCC) 분석 이 두가지 방법이 건물, 공법, 자재의 환경성 및 경제성 평가를 위해 주로 사용되고 있다. 이 방법들을 제대로 수행하려면 건물의 사실적인 수명을 추정하는 것이 필수적이다. 그러나 건물 수명에 영향을 미치는 다양한 요인을 고려하여 수명을 추정하는 것이 실제적으로 불가능하기 때문에 그동안 대부분의 LCA, LCC 연구에서는 건물의 주요
구조 유형에 따라 건물 수명을 일률적으로 가정하였다. 하지만 건물의 수명은 사실 매우 다양하며, 동일한 구조 유형을 가진 모든 건물이 동일한 수명을 따른다고 단순하게 가정하는 것은 LCA, LCC 연구 결과의 전혀 잘못된 분석 결과를 초래할 수 있다. 첫번째 연구에서는 한국에서 건설되고 철거된 건물에 대한 1,812,700건의 기록을 수집하고, 각 건물의 실제 수명을 분석하고, 딥러닝과 기존 머신러닝을 활용한 건물 수명 예측 모델을 개발했다. 그 결과, 일반적으로 내구수명이 50년
정도로 알려진 철근콘크리트건물의 경우, 실제 건물 평균 수명은 22.8년에 불과하였다. 또한 이 연구에서 조사된 예측 모델은 3.72~4.6의 평균 제곱근 편차(RMSE)와 0.932~0.955의 결정 계수를 나타냈다. 그 중 딥러닝 기반 예측 모델이 가장 성능이 좋은 것으로 나타났다. 따라서 이러한 결과는 몇 가지 특정 요인으로 건축물의 수명을 결정하는 기존의 방법으로 해당 건축물의 수명을 단순히 가정하는 것으로는 현실적인 LCA, LCC 분석결과를 얻을 수 없음을 의미한다. 두번째
연구는 빅데이터 기반의 현실적인 예측수명의 적용이 LCA와 LCC분석에 미치는 영향을 건축모델과 실제건물들의 방수공법에 대한 LCA, LCC분석을 통해 실증적으로 보여준다. 건축모델의 방수공법에 대한 LCA, LCC 분석에 건물수명을 5년에서 39년으로 적용한 탄소배출량은 건물수명을 50년으로 가정한 결과에 비해 전과정에서는 최대78%에서 최소24%가 감소하였고, 유지보수단계에서는 최대100%에서 최소31%가 감소하였다. 17개의 실제 건물 사례들의 방수공법 LCA 분석 결과, 예측수명의 오차율이 증가할수록 LCA분석 결과들의 정확도는 불규칙적인 경향성을 보였고, 예측수명의 오차율이 6%이하인 건물들의 LCA분석 결과들의 예측오차율은 0%를 보였다. 정확한 LCA결과를 위해서는 연구 목적에 따라 일정 예측오차율을 보장할 수 있는 예측수명 모델이 필요하다는 것을 알 수 있다.
위 연구결과에 의해 빅데이터에 기반한 딥러닝을 적용한 건물 수명 예측 방법이 현재까지 가장 현실적인 건물 수명 예측 방법이라는 것과 건물 관련 LCA 및 LCC분석의 정확성을 확보하기 위해서 정확한 예측수명의 적용이 반드시 필요하다는 것을 알 수 있다. 그러므로 본 연구는 빅데이터에 기반한 건물 수명 예측 방법이 필수적이며 건설 프로세스 전반에 걸쳐, 사업 계획 및 중요한 의사 결정을 효과적으로 안내하는 유망한 방향임을 보여준다.
