Table 1에는 본연구에 활용된 데이터 정보를 나타냈다. 건설현장 화재 데이터는 소방청 화재대응조사과에서 제공하는 공공데이터를 활용하였다. 국내 기상 데이터는 기상청 주관 기상자료개방포털에 등록되어있는 자료를 활용하였다.

본 연구에서는 인공신경망(Artificial Neural Network, ANN)을 기반으로 건설현장 화재 위험성을 예측하기 위한 회귀 모델을 구축하였다. 종속변수는 실제 화재 발생 건수를 직접 활용하지 않고, 기상조건별 누적 화재 건수를 바탕으로 도출된 위험성 지표(risk index)를 활용하였다. 해당 지표는 주요 기상 변수에 대한 가중치 기반 비율 산정을 통해 정량화되었다.

독립변수는 다양한 기상 요소 중 종속변수와의 상관관계 분석 결과를 바탕으로 선별하였으며, 선정된 변수에 대해 표준화(StandardScaler)를 수행하여 모델 입력값으로 사용하였다.

ANN 모델의 구조를 Table 2에 정리하여 나타냈다. 신경망 모델은 Keras Sequential API를 기반으로 구성하였으며, 출력층은 단일 뉴런으로 구성되어 있고 활성화 함수 없이 연속형 값을 출력한다(Darkhanbat et al., 2021).

ANN 모델의 예측 성능 평가는 학습 및 테스트 데이터셋을 기준으로 평균제곱근오차(Root Mean Squared Error, RMSE), 결정계수(Coefficient of Determination, R² Score)를 활용하였다.

Fig. 1에는 2010년부터 2023년 07월까지의 건설현장 화재 누적 발생 건수 시계열로 나타냈다. 월별로 화재 발생 건수는 약 30건에서 최대 190건까지 큰 폭으로 변동하며, 특정 시기에는 단기간 급증하거나 급감하는 현상이 반복적으로 나타난다. 2018년 1월에는 190건의 화재가 발생하여 가장 높은 수치를 기록하였고, 2019년 1월에도 133건으로 급증하였다. 반면 2020년 4월, 2021년 5월, 2023년 6월 등에서는 30건 이하로 급감하는 양상이 나타난다. 이러한 계절적⋅시계열적 패턴은 기상 조건의 영향 가능성이 높을 것으로 판단된다. 특히 화재 건수가 급증하는 시기는 겨울에서 초봄(1~3월), 급감하는 시기는 여름에서 초가을(7~9월)에 집중되어 있으며, 이는 국내 계절별 기상 변화, 즉 건조한 대기 상태, 낮은 습도, 강한 바람 등이 화재 위험성에 영향을 미칠 수 있음을 의미한다.

이러한 분석 결과는 건설현장의 화재 발생이 외부 환경 요소인 기상조건과 유의미한 관계가 있을 수 있다는 가설을 지지하며, 이에 따라 높은 신뢰성을 갖는 기상 데이터를 기반으로 한 건설현장 화재 위험성 예측 개발이 가능할 것으로 판단된다.

Table 3에는 2010년부터 2023년 7월까지의 월별 건설현장 화재 발생 건수 데이터를 기반으로 기상 조건과의 피어슨 상관계수(Pearson correlation coefficient)를 분석 결과를 나타냈다. 기압은 화재 건수와 0.66의 양의 상관관계를 보였으나, 기온 관련 변수(평균기온, 최고기온, 최저기온) 및 이슬점과는 모두 -0.70 이상 수준의 강한 음의 상관관계를 보였다. 특히, 이슬점과의 상관계수는 -0.75로 가장 강한 음의 관계를 나타냈으며, 이는 공기 중 수증기 포화 상태가 낮을수록 화재 발생 위험이 증가함을 의미한다. 또한, 습도, 유효습도, 체감온도 등도 모두 -0.70 내외의 상관계수를 보였으며, 습도가 낮을수록 건조한 환경에서 화재 발생 가능성이 높다는 전형적인 패턴이 관측되었다. 강수량 역시 화재 건수와 -0.62의 상관관계를 보였으며, 비가 적을수록 화재가 더 많이 발생하는 경향을 나타냈다. 반면, 풍속 계열 변수들은 모두 약한 상관관계를 보였으며, 유의미한 연관성이 없는 것으로 해석된다. 이러한 결과를 기반으로, 인공신경망(ANN) 모델의 입력 변수 구성은 화재 건수와의 상관관계가 절댓값 기준으로 0.6 이상인 항목들로 설정하였다. 이는 ANN 모델이 화재 발생을 예측하는 데 있어, 건조하고 기온이 낮은 환경, 즉 수분이 적고 차가운 조건에서 화재 위험성이 높다는 패턴을 학습하게 된다는 의미이며, 이러한 변수들의 방향성(양/음)이 모델의 판단 기준에 중요한 요소로 작용할 것이다.

본 연구에서는 건설현장 화재 발생 건수 데이터를 활용하여 국내 기상 조건에 따른 위험성을 ‘0~1’ 사이의 정량적 지표로 구축하기 위해서 Fig. 2와 같이 각 기상조건별 누적 건설현장 화재 건수를 가중치로 구축하여 아래의 식으로 계산하였다.x_i는 기상 조건별 건설현장 화재 발생 비율이다.

본 연구에서 ANN 모델이 예측하는 최종 출력값, 즉 ‘화재 위험성(Fire Risk)’은 단순 발생 건수가 아닌, 특정 기상 조건 하에서의 상대적인 화재 발생 빈도를 나타내는 정규화된 지표(Index)이다. 학습 데이터의 라벨(Label)을 생성하기 위해, 먼저 소방청 화재대응조사과에서 제공하는 ‘일별 전국 건설현장 화재 발생 데이터’를 기상청의 ‘일별 기상 데이터’와 결합하였다. 그 후, 본 연구에서는 각 기상 조건에서 발생한 실제 화재 건수를 집계하였다. 이렇게 특정 기상 조건과 연계된 화재 발생 건수를 일종의 가중치(Weight)로 삼아, 전체 데이터 분포를 고려한 최소-최대 정규화(Min-Max Scaling)를 통해 0과 1 사이의 ‘화재 위험성 지표’로 변환하였다.

따라서, 본 모델이 학습하는 라벨 값은 ‘화재가 0건 발생했다’ 또는 ‘30건 발생했다’는 식의 절대적 수치가 아니라, ‘평균기온 20 ℃, 습도 40%와 같은 기상 조건은 화재 발생 위험이 0.85 수준이다’와 같이 해당 기상 조건이 내포하는 상대적 위험 수준을 의미한다.

이러한 접근은 모델이 각기 다른 기상 요소들의 복합적인 관계 속에서 화재 발생 가능성을 보다 정밀하게 학습하게 한다.

Fig. 3에는 ANN 모델의 구조를 나타냈으며, 국내 기상 데이터를 활용하여 건설현장 화재 위험성을 예측하기 위해 설계되었다. 해당 모델은 다층 퍼셉트론(Multilayer Perceptron, MLP) 구조를 기반으로 구성되었으며, 모델의 예측 성능에 미치는 은닉층 깊이의 영향을 분석하기 위해 은닉층을 1층에서 4층까지 변화시키며 실험을 진행하였다. 강수량 데이터는 전체 관측치 중 70% 이상이 ‘0 mm’로 심각한 편향(Skewed distribution)을 보였으며, 회귀 모델의 안정성과 예측 성능에 부정적 영향을 줄 수 있는 것으로 판단되어 독립변수에서 제외하였다.

Fig. 4에는 은닉층의 수를 1층부터 4층까지 변화시키며 ANN 모델을 학습시킨 결과를 나타냈다. 은닉층이 1층일 때 R²값은 0.88, RMSE는 0.06로 가장 우수한 예측 성능을 보였다. 그러나, 은닉층 수가 증가함에 따라 성능이 일정 수준 하락하였으며, 4층 모델의 경우 R²값은 0.69, RMSE는 0.10으로 가장 낮은 성능을 기록하였다. 이는 은닉층이 과도하게 많을 경우 오히려 과적합(overfitting)의 위험이 커지며, 단순한 모델이 더 나은 일반화 성능을 가질 수 있음을 시사한다. 따라서 기상 조건을 활용하여 건설현장 화재의 위험성을 예측하기 위한 ANN 모델은 은닉층 1개를 구성하는 것이 가장 적합한 것으로 판단된다.

Fig. 5에는 ANN 모델의 예측 성능을 시각적으로 비교하기 위해 실제값과 예측값 간의 산점도를 도식화하여 나타냈다. 은닉층이 1개인 모델의 경우, 예측값이 실제값과 매우 근접하게 분포하며 전반적인 선형성이 잘 유지되었다. 특히 고위험 구간에서도 예측값이 과소하거나 포화되지 않고, 실제값과 유사한 수준으로 정확하게 반응하였다. 반면, 은닉층이 2개와 3개로 증가할수록 예측 분포는 점차 퍼지는 경향을 보였으며, 실제값이 증가함에 따라 예측값이 다소 보수적으로 수렴하거나 과소추정되는 양상이 나타났다. 특히 3층 모델의 경우, 고위험 영역에서 예측값이 일정 수준 이상으로 상승하지 못하고 정체되는 경향이 뚜렷하였다. 은닉층이 4개인 모델에서는 이러한 포화 현상이 더욱 두드러졌으며, 대부분의 예측값이 중간값 부근에 밀집되어 실제 고위험 상황을 적절히 반영하지 못하는 한계를 보였다. 이는 과도한 네트워크 복잡도로 인해 학습이 포화되거나, 일반화 성능이 저하된 것으로 해석할 수 있다.

Fig. 6에는 은닉층 1개로 구성된 ANN 모델에 대해 입력 변수들의 상대적 중요도를 분석하였다. 분석 결과, 최저기온이 가장 높은 중요도 값을 보였으며, 모델 예측에 가장 큰 영향을 미치는 핵심 요인으로 나타났다. 이는 건설현장 화재 위험성이 기온이 낮은 환경에서 더욱 민감하게 반응한다는 기존 통계적 경향과도 일치한다. 두 번째로 중요한 변수는 체감온도로서, 외부 기온뿐만 아니라 습도, 풍속 등의 체감 요소가 복합적으로 작용하여 실제 위험 인식에 영향을 줄 수 있음을 시사한다. 그 외에는 이슬점이 상대적으로 높은 중요도를 보였으며, 평균기온), 최대기온, 유효습도 등은 중간 이하 수준의 기여도를 나타냈다. 반면, 습도와 기압 변수는 상대적으로 낮은 중요도를 보여, 해당 ANN 모델에서는 예측에 미치는 영향이 미미한 것으로 분석되었다. 이러한 결과는 인공신경망이 학습한 입력 변수 간의 비선형 관계를 바탕으로 기온 관련 요소가 주요 예측 변수로 작용하고 있음을 보여주며, 향후 예측 모델 최적화 및 변수 선택 과정에서의 참고 기준으로 활용될 수 있다.

Fig. 7에는 ANN 모델의 학습 과정을 분석하기 위해, 에포크(epoch)에 따른 학습 손실(loss)과 검증 손실(val_loss)을 비교한 결과를 나타냈다. 1개 은닉층 모델이 가장 낮은 검증 손실(Validation Loss)을 보였으며 가장 안정적이고 정확한 학습 성능을 보였으며, 3개 및 4개 은닉층 모델은 검증 손실이 증가하는 과적합 경향을 나타냈다. 이는 은닉층 수가 증가함에 따라 모델의 복잡도는 높아졌지만, 오히려 일반화 성능은 저하되었음을 의미한다.

전체 100 에포크 동안 손실 함수는 빠르게 수렴하는 양상을 보였으며, 초기에는 loss = 0.1308, val_loss = 0.0486으로 시작하였으며, 학습이 진행될수록 양쪽 모두 급격히 감소하였다. 특히 20 epoch 이후부터는 학습 손실과 검증 손실 모두 0.01 이하로 안정적으로 수렴하였으며, 최종 에포크에서는 loss = 0.0057, val_loss = 0.0032 수준으로 매우 낮은 값을 기록하였다. 이는 모델이 과적합 없이 안정적으로 학습되었음을 의미하며, 학습 데이터와 검증 데이터 모두에 대해 높은 예측 일관성을 보인 것으로 판단된다. 또한 두 곡선 사이의 간격이 에포크가 증가함에 따라 점차 줄어들다가 거의 평행을 이루고 있어, 모델의 일반화 성능이 우수함을 간접적으로 보여준다. 따라서, 본 모델은 비교적 단순한 구조임에도 불구하고, 기상 데이터를 기반으로 한 건설현장 화재 위험 예측에 있어 높은 학습 안정성과 예측 정확도를 동시에 확보한 것으로 판단된다.

본 연구 결과는 기술적 성능 평가를 넘어, 건설현장 안전관리 실무에 적용될 수 있는 구체적인 시사점을 제공한다. 고가의 컴퓨팅 자원 없이도 단순한 1개 은닉층 모델이 가장 높은 예측 정확도를 보였다는 점은, 중소 규모 현장에서도 최소한의 비용으로 데이터 기반 화재 위험 예측 시스템을 도입할 수 있는 가능성을 보여준다. 안전 관리자는 일일 기상 예보 데이터를 모델에 입력하여 ‘오늘의 화재 위험 지수’를 정량적으로 예측하고, 이를 근거로 화기 작업 감시 인력 추가 배치나 현장 순찰 강화와 같은 제한된 안전관리 자원을 고위험 시기에 집중할 수 있습니다. 궁극적으로 본 모델은 기존의 경험적, 사후적 대응에서 벗어나, 데이터를 근거로 한 과학적이고 예방적인 안전관리 체계로 전환하는 실질적인 도구로서 높은 활용 가치를 지닌다.