Preview
Research Article

Journal of the Korean Geosynthetics Society. 30 June 2026. 39-49
https://doi.org/10.12814/jkgss.2026.25.2.039

Applicability of an FDS-Based Deep Learning Hybrid Model for Predicting Hazardous Gas Dispersion in Tunnels

FDS 수치해석 데이터 기반 딥러닝 하이브리드 모델의 터널 유해가스 확산 예측 적용성 평가
Seungjoo Lee1
,
Hyun-Jun Choi2
,
YoungSeok Kim3*
이 승주1
,
최 현준2
,
김 영석3*
1Member, Researcher, Korean Peninsula Infrastructure Research Center, Department of Construction Policy Research, Korea Institute of Civil Engineering and Building Technology, Goyang 10223, Republic of Korea
2Member, Senior Researcher, Department of Geotechnical Engineering Research, Korea Institute of Civil Engineering and Building Technology, Goyang 10223, Republic of Korea
3Member, Senior Research Fellow, Korea Construction Standards Center, Korea Institute of Civil Engineering and Building Technology, Goyang 10223, Republic of Korea
*Corresponding Author

License (open-access, http://creativecommons.org/licenses/by-nc/4.0/):

This is identical to the Creative Commons Attribution Non-Commercial License(http://creativecommons.org/licenses/by-nc/4.0)

ABSTRACT

Confined spaces such as tunnels pose a high risk of asphyxiation accidents, as hazardous gases are generated during blasting and diesel-equipment operations; however, current monitoring relies on static thresholds and fixed sensors, making it difficult to respond to constantly changing construction environments. Effective response requires a technology that predicts future concentrations in advance from sensor measurements, yet acquiring large volumes of gas-leakage data at actual sites remains a significant constraint. Accordingly, this study used the Fire Dynamics Simulator (FDS) to generate 48 dispersion scenarios combining eight hazardous substances (CO₂, CO, H₂, CH₄, NO₂, C₇H₈, H₂S, and particulate Soot) with six wind-speed conditions (0~5m/s), and employed these as training data to construct a Conv1d–BiLSTM–Attention hybrid model that simultaneously predicts the concentration one minute ahead (+60s) at 16 cross-sectional heights from the time-series input of 256 sensors. The proposed model secures an early-warning lead time of up to 60 seconds depending on the gas type, quantitatively confirming its applicability as a proactive countermeasure for tunnel ventilation, disaster prevention, and underground-space environmental management.

Keywords
Tunnel
Hazardous gas
FDS
Time-Series prediction
Early warning

터널 등 밀폐공간은 발파·디젤 기계 운영 과정에서 유해가스가 발생하여 질식재해 위험이 높으나, 임계값과 고정 센서에 의존하는 현재의 모니터링으로는 수시로 변동하는 현장 환경에 대응하기 어렵다. 효과적 대응을 위해서는 센서 계측값으로부터 미래 농도를 사전에 예측하는 기술이 요구되나, 실제 현장에서 대량의 유해가스 누출 데이터를 확보하기 힘들다는 제약이 있다. 본 연구에서는 FDS(Fire Dynamics Simulator) 수치해석으로 8종 오염물질(CO2, CO, H2, CH4, NO2, C7H8, H2S 및 Soot)과 풍속 0~5m/s의 6개 조건을 조합한 48개 확산 시나리오를 생성하고, 이를 학습 데이터로 256개 센서의 시계열 입력으로부터 터널 단면 16개 높이의 60초 후 농도를 예측하는 Conv1d–BiLSTM–Attention 하이브리드 모델을 적용하였다. 본 모델은 가스 종류에 따라 60초의 조기경보 리드타임을 확보하여, 터널 환기·방재 및 지하공간 환경 관리의 선제적 대응 수단으로 활용될 수 있음을 정량적으로 확인하였다.

MAIN

  • 1. 서 론

  • 2. 연구 방법

  •   2.1 FDS 시뮬레이션 기반 학습 데이터 구축

  •   2.2 딥러닝 모델 선정

  • 3. 실험 결과 및 고찰

  •   3.1 FDS 확산 해석 결과

  •   3.2 가스 종류별 딥러닝 예측 성능

  •   3.3 비교 모델 성능 및 Ablation Study

  • 4. 조기경보 리드타임 적용성 분석

  • 5. 결 론

1. 서 론

터널 건설 현장은 발파 작업과 디젤 기계 운영 과정에서 일산화탄소(CO), 질소산화물, 미세먼지(PM2.5/PM10) 등 유해 오염물질이 발생하는 대표적인 밀폐 작업공간이다(Cavagnaro and Brulard, 1997; Wang et al., 2023). 특히 터널 막장부는 자연 환기가 제한되어 오염물질이 정체되기 쉬우며, CO와 미세먼지 농도는 세계보건기구(WHO) 안전 기준의 10배~20배에 달하는 것으로 보고되고 있다(Menéndez et al., 2022; Chen et al., 2024). 터널 내부에서는 환기 부족과 제한된 공간 특성으로 인해 산소결핍 및 유해가스 축적 위험이 상존한다. 터널 내 유해가스는 내벽 산화, 화학반응, 그리고 유기물 분해 및 미생물 활동 등 다양한 원인에 의해 발생할 수 있다(Kwon, 2016). 질식 재해는 재해자 2명 중 1명이 사망할 정도로 치명적이다. 국내에서는 2015년부터 2024년까지 10년간 발생한 질식재해자 289명 중 126명(43.6%)이 사망하였으며, 재해 유형은 계절에 따라 뚜렷한 차이를 나타낸다. 겨울철에는 콘크리트 양생 중 갈탄 연소에 의한 CO 중독, 여름철에는 미생물 번식과 오·폐수 분해에 따른 산소결핍 및 황화수소 중독이 집중적으로 발생한다(Lee et al., 2016). 또한, 최근 5년간(2020~2024) 굴착공사 중 발생한 가스사고 41건 가운데 하수도 공사가 26.8%를 차지한 것으로 보도되었다(Korea Gas Safety Corporation, 2025). 특히 터널과 같은 지하 밀폐공간에서는 환기 부족으로 인해 유해가스가 축적되기 쉬우며, 사고 발생 시 대규모 인명피해로 이어질 가능성이 높아 가스 누출 감지 및 확산 예측 기술의 중요성이 더욱 커지고 있다.

현재의 유해가스 모니터링 및 환기 제어 방식은 임계값과 고정 센서 배치에 의존하고 있어, 환기 조건과 유해가스 배출이 수시로 변동하는 실제 시공 환경에 대응하기 어렵다(Ying et al., 2024). 터널 내 유해가스 확산은 터널 구조, 내부 공기 유동, 가스 밀도 등 복합적 요인의 상호작용에 의해 결정되므로, 효과적인 대응을 위해서는 센서 계측값을 기반으로 미래 농도를 사전에 예측하는 기술이 요구된다.

실제 터널 현장에서 대량의 유해가스 누출 데이터를 확보하는 것은 현실적으로 어렵기 때문에 전산유체역학(Computational Fluid Dynamics, CFD) 수치해석 시뮬레이션과 데이터 기반 학습을 결합한 안전 분야(Wu et al., 2022; Sun et al., 2024; Fei et al., 2025) 및 유독가스 확산 예측 분야(Zhao et al., 2026) 접근이 대안으로 제시되고 있다. 이러한 흐름에서 CFD 해석과 머신러닝을 결합한 연구는 터널 화재)에서 활발히 진행되어 왔다. 또한 데이터 기반 예측은 터널 분야에 국한되지 않고 재난 조기경보 분야에서도 앙상블 기법과 상대지수 기반 모델 등 다양한 방법론으로 활발히 연구되고 있어, 물리 해석과 데이터 학습을 결합하는 본 연구의 방법론적 토대를 뒷받침한다(Kim et al., 2025).

CFD 수치해석 중 FDS(Fire Dynamics Simulator)는 미국 국립표준기술연구소(National Institute of Standards and Technology, NIST)에서 개발된 프로그램으로, 저마하수 Navier-Stokes 방정식을 대와류모사(Large Eddy Simulation, LES) 기반의 Smagorinsky 소격자 모델로 해석하며, 터널 화재 및 가스 확산 모사에 국제적으로 검증된 도구이다(McGrattan et al., 2013).

본 논문은 FDS를 활용하여 7종 유해가스와 입자상 물질 그을음(Soot)을 포함한 8종 오염물질에 6개 풍속 조건(0~5.0m/s)을 조합한 총 48개 확산 시나리오를 구성하고, 해당 수치해석 결과를 딥러닝 모델의 학습 데이터로 활용하였다. 예측 모델로는 Conv1d–BiLSTM–Attention 구조를 결합한 하이브리드 모델을 적용하였다. 제안 모델은 Conv1d를 통해 256개의 센서 채널로부터 수집된 다변량 입력의 공간적 패턴을 압축·추출하고, 양방향 LSTM (BiLSTM)을 통해 시간적 의존성을 양방향으로 학습하며, Bahdanau 어텐션 메커니즘을 통해 예측에 중요한 시점에 선택적 가중치를 부여한다. 이러한 하이브리드 구조는 CNN–LSTM 기반 시계열 예측 모델(Zhao et al., 2017; Kim and Cho, 2019; Livieris et al., 2020)과 어텐션 메커니즘을 결합한 시퀀스 학습 모델(Qin et al., 2017; Liang et al., 2018)의 설계 원리를 종합한 것으로, 공간·시간 특징의 동시 학습과 어텐션 기반 가중치 부여를 통해 예측 성능과 해석 가능성을 동시에 확보할 수 있다. 최종적으로 단일 아키텍처로 8종 유해가스를 대상으로 단면 16개 높이의 농도를 동시에 예측하면서, 작업자 대피·환기 가동에 실효적인 분 단위 선행 시간(Lead time)을 확보할 수 있는지 검증한다. 아울러 트리 기반 모델(XGBoost, Random Forest) 및 단순 베이스라인(Persistence)과 시드 고정·재현 조건에서 비교함으로써, FDS 수치해석 데이터 기반 하이브리드 딥러닝 모델의 터널 유해가스 확산 예측 적용성을 평가하였다.

2. 연구 방법

2.1 FDS 시뮬레이션 기반 학습 데이터 구축

2.1.1 FDS 시뮬레이션 구성 및 데이터 생성

터널 내 유해가스 및 입자상 오염물질의 확산 거동을 수치적으로 모사하기 위하여 8종 오염물질(CO2, CO, H2, CH4, NO2, C7H8, H2S 등 7종 가스 및 입자상 물질인 Soot(그을음))과 6개 풍속 조건(0~5.0m/s)을 조합한 총 48개의 확산 시나리오를 구성하였다. 터널은 직선형으로 설정하였으며, 형상은 150m × 1.5m × 1.5m, 격자 크기는 0.02m로 구성하였으며, 시뮬레이션 시간 900초, 출력 간격 1초로 설정하였다. 농도 계측을 위해 Fig. 1과 같이 터널 길이 방향 16지점과 높이 방향 16지점에 가상 센서를 배치하여 총 256개 측정점을 구성하였으며, 시뮬레이션 조건의 상세 내용은 Table 1에 정리하였다. 누출원은 터널 바닥면 중앙부(x=50m)에 약 1.0m2의 가상 누출 경계면으로 설정하였다. 누출 강도는 0.002kg/m2·s로 설정하였으며, 약 300초간 누출되고 이후 누출을 차단함으로써 일정 시간동안 누출 상황을 모사하였다. 이러한 누출 강도는 발파 후 잔류가스나 디젤 장비 배출과 같이 터널 시공 중 발생할 수 있는 소규모 연속 누출을 모사한 것으로, 누출원 인근에서 수천 ppm 수준의 농도가 형성되어 작업자 노출기준을 초과하는 위험 상황을 재현하도록 설정하였다. 다만 실제 현장의 누출은 형태와 원인에 따라 크게 달라질 수 있으므로 본 연구의 누출 조건은 이상화된 대표 조건임을 밝혀둔다. 한편 해석에 사용한 8종 오염물질의 화학식·분자량·공기 대비 밀도비 등 기초 물성은 Table 2에 정리하였다.

https://cdn.apub.kr/journalsite/sites/kgss/2026-025-02/N0150250204/images/kgss_2026_252_39_F1.jpg
Fig. 1

FDS modeling of a pipe-type tunnel and sensor arrangement

Table 1

Summary of FDS simulation conditions

Item Setting
Tunnel Straight, 150m; cross-section 1.5 × 1.5m; grid size 0.02m
Leakage source Floor vent at x = 50m (2.5 × 0.4m ≈ 1.0m²); prescribed mass flux 0.002kg/(m²·s), time-ramped (~300 s release); inlet: velocity inlet (wind), outlet: open boundary
Target gases CO₂, CO, H₂, CH₄, NO₂, C₇H₈, H₂S, Soot ((7 gases + Soot) × 6 wind speeds = 48 cases)
Wind speed conditions (m/s) 0, 1.0, 2.0, 3.0, 4.0, 5.0 (6 conditions)
Sensor X positions (m) 0, 10, 20, 30, 40, 50, 60, 70, 80, 90, 100, 110, 120, 130, 140, 150 (16 points)
Sensor Y positions (m) −0.74, −0.65, −0.55, −0.45, −0.35, −0.25, −0.15, −0.05, +0.05, +0.15, +0.25, +0.35, +0.45, +0.55, +0.65, +0.74 (16 points)
Table 2

Basic physical properties and classifications of the eight target pollutants used in the FDS simulations

Pollutant Molecular weight (g/mol) Density ratio (relative to air) Classification
CO₂ 44.01 1.52 Heavier-than-air gas
CO 28.01 0.97 Approximately air-density gas
H₂ 2.02 0.07 Lighter-than-air gas
CH₄ 16.04 0.55 Lighter-than-air gas
NO₂ 46.01 1.59 Heavier-than-air gas
C₇H₈ 92.14 3.18 Heavier-than-air gas
H₂S 34.08 1.19 Heavier-than-air gas
Soot N/A (particulate) N/A Particulate matter

Fig. 2는 8종 오염물질에 대해 누출원(x=50m) 주변 구간에서 풍속 조건별(0~5m/s) 농도 분포를 FDS로 모사한 결과를 나타낸다. 단일 시나리오(1종 유해물질×1풍속)는 900초 구간에서 256개 센서가 1초 간격으로 농도를 기록함으로써 약 230,400개의 시공간 농도 데이터를 생성하며, 이는 가스 확산의 물리적 거동을 정밀하게 반영한다.

https://cdn.apub.kr/journalsite/sites/kgss/2026-025-02/N0150250204/images/kgss_2026_252_39_F2.jpg
Fig. 2

FDS simulation results for the seven gases and soot

2.1.2 FDS-딥러닝 연계 기반 실시간 예측 체계

FDS와 같은 CFD 기반 수치 시뮬레이션은 가스의 확산 거동과 이동 법칙을 정밀하게 재현하지만, 실시간 대비 수십~수백 배의 연산 시간을 요구하고 사전에 설정된 경계 조건 범위 내에서만 결과를 산출한다는 한계를 가진다. 이 때문에 센서 계측값을 기반으로 가스 농도의 실시간 예측을 달성하기 어렵다(Lyu et al., 2020).

가스 농도의 실시간 예측을 실현하기 위해 연구자들은 센서 데이터를 이용한 가스 농도 예측 연구에 카오스 시계열(Chaotic time series), 얕은 신경망(Shallow neural networks), 서포트 벡터 머신(SVM), LS-SVM 등 다양한 방법을 활용하였으나(Gao and Yu, 2006; Karacan, 2008; Qiao et al., 2011), 정확도 측면에서 여전히 개선의 여지가 남아 있다.

최근에는 센서 데이터로부터 예측에 필요한 특징을 스스로 학습하는 딥러닝(Deep learning) 아키텍처가 가스 농도 예측에 도입되어, LSTM(Hochreiter and Schmidhuber, 1997)을 활용한 연구가 수행되었으나, 터널 유해가스 예측 문제는 일반 시계열 문제보다 더 복잡한 특성을 가지기 때문에 전통적인 LSTM은 구조적 한계로 인해 공간적 특징을 충분히 포착하기 어렵다(Fei et al., 2025). 또한, 딥러닝은 학습을 위해 대규모 데이터를 필요로 하나, 실제 터널의 유해가스 누출 데이터는 확보가 어렵다는 제약도 존재한다. 데이터 확보 제약과 연산 시간 한계를 보완하기 위해, FDS로 사전에 생성한 시공간 농도 데이터를 딥러닝 모델의 학습 데이터로 활용하였다. 이를 통해 FDS의 물리 기반 해석 특성과 딥러닝의 실시간 추론 성능을 결합한 예측 체계를 구성하였다. 딥러닝 모델은 고비용의 FDS 물리 해석을 대체하는 고속 대리모델(Surrogate model)로서, 미래 농도를 즉시 추론하여 실시간 조기경보를 가능하게 한다는 점이 본 연구의 핵심 예측 수단으로 채택되었다.

예측을 위해 256개 센서의 10초 구간(1초 간격) 농도 시계열 데이터와 3개의 시간 피처로 구성한 10시점x259차원의 시계열 텐서를 입력으로 설정하고, 단면 16개 높이에서의 60초 후 대표 농도를 출력으로 설정하였다. 이때 각 높이의 대푯값은 동일 높이의 축방향 센서 16개(0~150m, 10m 간격)의 농도 최댓값으로 정의하여, 최대농도를 예측하도록 하였다. 학습은 16개 높이 예측값과 실측값 간 평균제곱오차(MSE)를 손실 함수로 사용하였고, 평가지표는 16개 높이 전체를 통합한 결정계수(R2)와 평균절대오차(MAE)이며, 95% 신뢰구간은 시나리오 단위 비모수 부트스트랩(B = 10,000회 재표본)으로 산출하였다. 통합 R2는 일부 높이의 큰 잔차에 민감하여 보수적으로 산출되는 특성을 가지며, 부트스트랩은 48개 시나리오 R2를 모집단으로 재표본하므로 시나리오 간 변동성을 반영한다. 구성된 입력·출력 체계는 256개 센서의 농도 이력을 기반으로 터널 단면 16개 높이에서의 60초 후 농도를 동시에 추론하도록 설계되었다. 60초의 예측 시간은 작업자의 초기대응과 비상 환기설비를 가동하는 데 필요한 최소 시간을 고려하여 실용적 관점에서 설정한 값이다. 이에 60초의 선행 예측은 밀폐 터널 환경에서 실질적인 대응을 평가하기 위한 시나리오 기반 설정값으로 적용하였다.

2.2 딥러닝 모델 선정

예측 문제는 256개 센서의 고차원 입력, 시나리오당 약 850개 표본 수준의 소규모 데이터, 16개 높이에 대한 다중 출력이라는 복합적 조건을 가지므로, 모델 선정 기준을 다음과 같이 설정하였다. 첫째, 256개 센서의 고차원 입력을 효율적으로 압축하는 전처리 계층이 필요하다. 둘째, 60초 후 농도를 안정적으로 외삽하기 위해 시간 순서를 반영하는 시계열 학습 구조를 갖추어야 한다. 셋째, 소규모 데이터에서 안정적으로 학습 가능한 중규모 아키텍처여야 한다. 넷째, 16개 높이 동시 출력과 함께 모델의 해석 가능성을 확보할 수 있어야 한다.

이러한 기준에 따라 후보 모델을 비교하면, Random Forest와 XGBoost는 시계열의 순차 구조를 직접 학습하지 못하고, 단일 LSTM은 259차원 입력의 국소 패턴 추출에 한계가 있으며, Transformer는 소규모 데이터 조건에서 과적합 가능성이 높다. 따라서 입력 특징 추출을 담당하는 Conv1d, 양방향 시계열 의존성을 학습하는 BiLSTM, 예측에 중요한 시점에 가중치를 부여하는 Bahdanau Attention을 결합한 Conv1d–BiLSTM–Attention 하이브리드 모델을 최종 모델로 선정하였다. 한편 비교 기준으로 채택한 Random Forest(Breiman, 2001)와 XGBoost(Chen and Guestrin, 2016)는 각각 배깅(bagging)과 부스팅(boosting)을 대표하는 트리 기반 앙상블 모델로서 재난·환경 예측 분야에서 폭넓게 활용되고 있어, 시계열 학습 구조를 갖지 않는 대표적 기준 모델로 적합하다. LightGBM 또한 그래디언트 부스팅 계열의 우수한 모델이나(Kim and Kim, 2026), XGBoost와 동일한 부스팅 원리를 공유하고 리프 중심(leaf-wise) 트리 성장 방식 특성상 본 연구와 같은 소표본 조건에서는 과적합 위험이 크다는 점을 고려하여 비교 대상에서는 제외하였으며, LightGBM을 포함한 다양한 트리 기반 모델과의 정량적 비교는 향후 연구로 남겨둔다.

Fig. 3은 Conv1d–BiLSTM–Attention 하이브리드 모델의 전체 아키텍처를 나타낸다. 모델은 입력 X∈R10×259를 네 단계의 함수 합성으로 처리하여 출력 Y^∈R16을 산출하였다. 여기서 R은 실수 집합을 의미한다. 입력의 10은 1초 간격 과거 10초, 259는 256개 센서 계측값과 3개 시간 피처를 합한 차원이다.

https://cdn.apub.kr/journalsite/sites/kgss/2026-025-02/N0150250204/images/kgss_2026_252_39_F3.jpg
Fig. 3

Architecture of the Conv1d–BiLSTM–Attention hybrid model

먼저 Conv1d 블록은 커널 크기 3, 패딩 1로 시퀀스 길이 10을 보존하면서 259차원 입력을 128채널로 축약하여 인접 시점·센서의 공간적 특징을 추출하는 차원 축소를 수행하며, 배치정규화(BN)와 ReLU 활성화를 거쳐 합성곱 출력 Hconv∈R10×128을 얻는다. 이어 2층 양방향 BiLSTM이 각 시점의 정방향·역방향 은닉상태(각 256차원)를 결합하여 시점당 512차원 표현 ht로 장단기 시간 의존성을 양방향으로 학습한다.

이후 Bahdanau Attention이 식 (1)과 같이 각 시점에 가중치 αt를 부여하고 이를 시간 축으로 가중합하여 단일 문맥 벡터 c로 요약함으로써 예측에 중요한 시점을 강조한다.

(1)
αt=softmaxvTtanh(Wht),c=∑tαtht

여기서, W : 어텐션 점수 산출용 가중치 행렬(R256×512, 512차원 벡터를 256차원 벡터로 변환)

v : 어텐션 점수 산출용 가중치 벡터(R256, 256차원 벡터를 스칼라로 변환)

c : 문맥 벡터(R512, 시간축 가중합 결과)

αt : 시점 t의 어텐션 가중치(softmax 정규화, ∑tαt=1)

ht : 시점 t의 BiLSTM 은닉상태(R512, 정방향·역방향 결합 표현)

헤드(FC Head)는 512→256(ReLU·Dropout 0.3)→16개 높이로 사상하여 +60초 농도를 출력한다. 총 학습 파라미터는 2,742,576개 규모의 아키텍처에 해당한다. 각 레이어의 유형·출력 형상·파라미터 수를 정리하면 Table 3과 같다.

Table 3

Layer configuration and number of parameters of the Conv1d–BiLSTM–Attention hybrid model

Layer Type Output shape Params
Input 10 s × 259 features (B, 10, 259) 0
Conv1d + BN + ReLU + Drop Conv, k=3, pad 1, 259→128 (B, 10, 128) ≈99,840
BiLSTM 2-layer, h=256, bidirectional (B, 10, 512) ≈2,363,392
Bahdanau attention W∈R256×512
v∈R256		 (B, 512) ≈131,328
FC Head + Drop 512 → 256 → 16 (B, 16) ≈135,440
Others (BN·Drop statistics, etc.) — — ≈12,576
Total — — 2,742,576

학습은 +60초 후 농도를 예측하는 단일 호라이즌에 대해 평균제곱오차(MSE)를 손실함수로 사용하였다. 최적화는 AdamW(학습률 10-3, weight decay 10-4)를 적용하고, 그래디언트 클리핑·학습률 감쇠·조기종료를 함께 사용하여 과적합을 억제하였다. 비교 모델로는 Random Forest, XGBoost, 그리고 직전 값을 그대로 예측하는 Persistence를 설정하였다.

비교를 위해 모든 모델에 동일한 데이터 분할과 평가지표를 적용하였다. 시계열 데이터를 6개 블록으로 나누고 각 블록 내부를 Train 70%, Val 15%, Test 15%로 분할하여 시간 순서를 보존함으로써 시간 정보 누설(temporal leakage)을 방지하였으며, 농도 임계치 미만 구간을 제거하여 유효 표본만을 사용하였다.

3. 실험 결과 및 고찰

3.1 FDS 확산 해석 결과

FDS 시뮬레이션 결과, 가스의 공기 대비 밀도비(ρg/ρair)에 따라 확산 거동이 뚜렷하게 구분되었다. 공기보다 무거운 가스인 C7H8(3.18), NO2(1.59), CO2(1.52), H2S(1.19)는 밀도 차이에 의한 하부 침강 패턴이 지배적이어서 시간적으로 규칙적이고 공간적으로 예측 가능한 확산을 보였다. 반면 공기보다 가벼운 가스인 H2(0.07)와 CH4(0.55)는 부력에 의한 상승 확산이 지배적이며, 특히 저풍속 조건에서는 불규칙한 확산 패턴을 나타내었다. 풍속이 증가하면 대류가 부력 효과보다 크기 때문에 확산 패턴이 안정화되는 경향이 관찰되었으며, 이러한 밀도 기반 확산 거동의 차이는 하이브리드 모델의 예측 성능에 그대로 반영되었다.

이러한 터널 내 오염물질의 전파, 확산 거동은 세 가지 특성으로 요약된다. 공기보다 무거운 가스의 하부 침강과 공기보다 가벼운 가스의 천장부 상승으로 나타나는 밀도 기반 성층화가 발생하고, 풍속에 의한 축방향 강제 이송, 누출원 인근의 농도 집중 및 하류로의 점진적 확산이 동반된다. 무풍 또는 저풍속 조건에서는 밀도 차에 의한 부력·침강이 지배적이어서, 공기보다 가벼운 가스는 천장부를 따라 불규칙한 와류성 확산을, 공기보다 무거운 가스는 바닥을 따라 비교적 규칙적인 층상 확산을 형성한다. 반면 풍속이 2m/s 이상으로 증가하면 강제대류에 의한 축방향 이송이 부력 효과를 압도하여, 가스 종류에 관계없이 농도 분포가 누출원에서 하류 방향으로 안정적으로 이송·희석되는 양상을 보인다. 이러한 밀도비와 풍속의 상호작용은 Fig. 2의 농도 분포에서 확인되며, 오염물질의 물리적 거동을 결정하는 핵심 인자로 작용한다.

3.2 가스 종류별 딥러닝 예측 성능

Fig. 4는 가스·풍속별 R2 분포를 가스·풍속별 히트맵으로 나타낸다. 8개 가스와 6개 풍속(0~5m/s) 조합으로 학습된 48개 모델의 +60초 예측 R2를 16개 단면 높이를 통합하여 히트맵으로 나타낸 것이다. 색상이 녹색에서 적색으로 갈수록 정확도가 낮음을 의미하며, 적색·주황 셀이 저풍속 · 경량 가스 영역에 집중되는 양상이 뚜렷하다. 즉 FDS 해석에서 규칙적 확산을 보인 가스일수록 모델 정확도가 높고, 불규칙 확산을 보인 가스일수록 정확도가 낮아지는 관계가 확인되었다.

https://cdn.apub.kr/journalsite/sites/kgss/2026-025-02/N0150250204/images/kgss_2026_252_39_F4.jpg
Fig. 4

Heatmap of R² by gas and wind speed (+60 s)

Table 4는 8종 가스에 대한 가스별 정확도 지표(R2, MAE, RMSE, MAPE)를 정리한 것이다. 이 지표들은 본 모델이 단면을 16개 높이로 이산화하여 각 높이의 60초 후 대표 농도(동일 높이 축방향 16개 센서의 최댓값)를 동시에 산출하는 높이별 예측 구조에서, 16개 높이를 모두 통합하여 산정한 값이다. 여기서 농도 단위 ppm(parts per million)은 공기 부피 대비 가스의 부피 분율(100만분율)을 의미하며, MAE와 RMSE는 16개 높이의 예측 농도와 FDS 해석 농도 간 오차를 이 ppm 단위로 산정한 절대 오차 지표로서 값이 작을수록 예측이 정확함을 의미한다. 입자상 물질인 Soot의 경우에도 다른 가스와의 비교 편의를 위해 동일한 부피 기준 환산 농도(ppm)로 표기하였다.

Table 4

Prediction accuracy metrics by gas (R², MAE, RMSE, MAPE; averaged over six wind-speed levels, +60 s)

Gas R² MAE (ppm) RMSE (ppm) MAPE (%)
CO2 0.950 1,120 2,020 83.5
CO 0.914 1,320 2,250 496.0
H2 0.847 577 994 118.8
CH4 0.839 1,310 2,390 397.5
Soot 0.884 862 1,620 351.0
NO2 0.955 1,130 2,570 247.4
C7H8 0.973 987 1,990 314.0
H2S 0.957 1,150 2,490 238.5
Overall average 0.915 1,060 2,040 280.8

다만, 이러한 산정 방식은 해석에 주의를 요한다. 높이마다 농도 범위가 크게 다르기 때문에 무거운 가스는 하부에서 농도가 높고 천장부에서는 0에 가까운 반면 가벼운 가스는 그 반대 분포를 보인다. 이때 농도가 0에 가까운 높이에서는 작은 절대 오차도 매우 큰 백분율로 환산되어 MAPE가 수백 %까지 부풀려지므로(CO 496%, CH4 398% 등), MAPE는 절대 정확도 지표가 아니라 추세 참고용 보조 지표로만 해석하여야 한다. 같은 맥락에서 16개 높이를 통합한 R2 역시 농도가 낮은 전이 높이의 큰 상대 잔차에 민감하여 보수적으로 낮게 산출된다. 반면 절대 단위(ppm)의 MAE·RMSE는 높이 간 농도 불균질성의 영향을 상대적으로 덜 받으므로, 본 연구에서 가장 신뢰할 수 있는 절대 정확도 지표가 된다. 모델의 실용적 정확도는 ppm 단위의 MAE·RMSE를 1차 지표로, 가스별 R2를 보수적 지표로 함께 판단하는 것이 타당하다.

3.3 비교 모델 성능 및 Ablation Study

하이브리드 모델(Conv1d–BiLSTM–Attn)의 예측 성능을 세 가지 베이스라인과 비교하고, 구성 요소의 기여를 Ablation Study로 검증하였다. Table 5는 48개 시나리오(8종 오염물질 × 6개 풍속)에서 하이브리드 모델을 세 베이스라인(XGBoost, Random Forest, Persistence)과 비교한 벤치마크 및 안정성 결과로, 모델별 평균 R2와 표준편차(SD, 안정성 지표), R2 ≥ 0.90 달성 시나리오 수, 그리고 하이브리드 대비 차이를 함께 정리하였다.

평균 R2 순위는 하이브리드(0.915) > XGBoost(0.832) > Random Forest(0.776) > Persistence(0.587)이며, 쌍체 t-검정(48개 시나리오 쌍)에서 하이브리드 모델이 모든 베이스라인을 통계적으로 유의하게 상회하였다(vs XGBoost +0.083, p=0.002; vs Random Forest +0.139, p<0.0001; vs Persistence +0.328, p<0.0001).

또한, 60초 뒤를 예측하는 이번 과제에서 Persistence(현재 농도가 유지된다는 단순 가정)는 적합하지 않아 평균 R2가 0.587에 그쳤고, 트리 모델도 어려운 시나리오에서 성능 편차가 컸다(XGBoost SD 0.180). 반면 하이브리드 모델은 표준편차가 0.079로 가장 작아, 모든 시나리오에서 균일하게 높은 예측 정확도를 유지하였다.

Fig. 5는 8종 오염물질별 학습 곡선(Train Loss vs Validation Loss, 풍속 0m/s)을 나타낸다. 모든 가스에서 Train Loss와 Validation Loss가 유사하게 수렴하여 과적합 없이 학습이 진행되었음을 확인하였다. 무거운 가스(NO2, C7H8)는 빠른 수렴 속도를 보인 반면, 가벼운 가스(H2, CH4)는 상대적으로 느린 수렴과 높은 validation loss를 나타내었다.

Table 5

Model benchmark and stability (n = 48)

Model Mean R2 Standard
deviation 		R2≥0.90 Comparison with hybrid model
Hybrid (Conv1d–BiLSTM–Attention) 0.915 0.079 37/48 - (reference)
XGBoost 0.832 0.180 27/48 Hybrid superior (Δ+0.083, p=0.002)
Random Forest 0.776 0.113 6/48 Hybrid superior (Δ+0.139, p<0.0001)
Persistence 0.587 0.324 1/48 Hybrid superior (Δ+0.328, p<0.0001)

https://cdn.apub.kr/journalsite/sites/kgss/2026-025-02/N0150250204/images/kgss_2026_252_39_F5.jpg
Fig. 5

Training curves for the eight pollutants (Train Loss vs Validation Loss, wind speed 0m/s)

하이브리드 모델의 각 구성요소가 예측 성능에 기여하는지 검증하기 위해 Ablation Study를 수행하였다. 기여도는 ΔR2 = R2전체 - R2소거로 정의하였으며 양수는 해당 요소가 성능에 기여함을 의미한다. 이때 Conv1d와 Attention은 해당 모듈을 제거하고, 양방향성은 BiLSTM을 동일 은닉차원의 단방향 LSTM(Unidirectional LSTM)으로 대체하여 각각 평가하였다. 그 결과를 Table 6에 나타내었다. Conv1d의 기여도가 가장 크고 통계적으로 유의하였으나 양방향성과 Attention은 모두 유의하지 않았다. 즉 단일 +60초 예측에서 성능을 견인하는 핵심은 259차원 센서 입력의 합성곱 차원 축소이며, 양방향성과 Attention은 본 조건에서 성능 중립적 구조 옵션이다. 이는 과적합 위험이 큰 소표본·고차원 환경에서 입력 차원 축소가 후속 시계열 학습의 안정화에 결정적임을 정량적으로 확인하였다. 다만 Attention은 성능 향상보다 모델 해석 가능성, 즉 시점별 가중치 시각화 측면에서 가치가 있으므로 구조에 유지하였다.

Table 6

Results of the R2 ablation study (n = 48; baseline R2 = 0.915)

Removed component ΔR2 Change rate t p Significance (α = 0.05)
Conv1d +0.021 +2.3% 4.385 0.0001 Significant (key contribution)
Bidirectionality
(BiLSTM → Unidirectional LSTM) 		+0.003 +0.3% 1.219 0.229 Not significant
Attention −0.002 −0.2% −0.899 0.373 Not significant (neutral)

표본별 최대농도 시간변화율 상위 30%를 급변 구간, 나머지를 안정 구간으로 분리하여 하이브리드 모델과 Persistence를 비교하였다. 급변 구간에서 평균 ΔR2 = +0.191로 48개 시나리오 중 43개에서 하이브리드가 우월하였고 통계적으로 유의하였다. 안정 구간에서는 Persistence가 음의 R2로 붕괴하여 평균 ΔR2 = +1.171로 격차가 더욱 커졌다. 즉 60초 호라이즌에서는 안정 구간조차 단순 지속 가정이 성립하지 않으므로 시계열 모델의 우위가 전 구간에서 일관되며, 조기경보가 결정적인 급변 구간에서도 우위가 뚜렷하다. 이로써 분 단위 조기경보에서 시계열 모델의 실용적 가치가 정량적으로 확인된다.

4. 조기경보 리드타임 적용성 분석

본 하이브리드 모델은 현재 시점에서 정확히 60초 후의 농도를 직접 예측하므로, 예측값이 위험 임계치를 초과하는 시점을 기준으로 최대 60초의 조기경보 리드타임을 확보할 수 있다. 여기서 조기경보 리드타임이란 예측 기반 경보 발령 시점과 실제 임계치 도달 시점 사이의 시간 간격을 의미하며, 이 시간이 길수록 작업자 대피 및 환기 가동을 위한 대응 여유가 확보된다. 조기경보 리드타임의 신뢰성은 예측 정확도에 의해 직접 결정되므로, 가스 종류별 R2 성능을 기반으로 조기경보 리드타임의 적용 가능성을 분석하고 Table 7과 같이 차등 적용 권고 방안을 제시하고자 한다.

Table 7

Recommended early-warning lead time by gas based on R2 (+60 s)

Gas Mean R² Recommended lead time Operational strategy
NO2 0.955 60 s Immediate alarm from a single prediction at all wind speeds
C7H8 0.973
H2S 0.957
CO2 0.950
CO 0.914 Conservative threshold recommended in the critical transition zone
Soot 0.884 60 s at wind speed ≥ 2m/s;
conservative at no wind 		Alarm after confirming consistency over consecutive time steps at low wind speed
CH4 0.839
H2 0.847 Confirm consistency over consecutive
time steps 		Conservative threshold recommended due to buoyancy instability at low wind speed

무거운 가스(NO2, C7H8, H2S, CO2)는 평균 R2 > 0.95로 풍속 조건과 무관하게 60초 리드타임을 안정적으로 제공할 수 있다고 판단된다. CO(R2=0.914)는 60초 리드타임이 대체로 유효하지만 임계치 전이 구간에서 오경보 가능성이 존재하므로 보수적 임계치 설정이 권고된다. CH4·Soot는 풍속 2m/s 이상에서 60초가 유효하며, 무풍 조건에서는 연속 시점 일관성 확인 후 경보를 발령하는 방식이 권고된다. H2(평균 R2=0.847)는 저풍속에서 부력 불안정성이 크므로 연속 시점 일관성 확인 후 경보를 발령하거나 임계치를 보수적으로 설정하는 방식이 권고된다. 본 리드타임 권고는 R2 기반 간접 추론이므로, 향후 실제 임계치 초과 이벤트의 탐지 지연 및 오경보율을 직접 검증할 필요가 있다.

5. 결 론

본 연구에서는 FDS 수치해석으로 생성한 8종 오염물질(7종 가스 및 입자상 물질 Soot)과 6개 풍속 조건을 조합한 총 48개 확산 시나리오 데이터를 기반으로, 256개 센서의 시계열 입력으로부터 터널 단면 16개 높이의 60초 후 농도를 예측하는 Conv1d–BiLSTM–Attention 하이브리드 모델을 활용하고 예측 성능을 평가하였다.

FDS 수치해석 결과, 오염물질의 밀도비에 따라 터널 내 확산 거동이 뚜렷하게 구분되었다. 무거운 가스는 하부 침강 패턴이 지배적이어서 규칙적이고 예측 가능한 확산을 보인 반면, 가벼운 가스는 저풍속 조건에서 와류 형성으로 불규칙한 확산 패턴을 나타내었다. 다만 풍속이 증가하면 강제대류가 부력 효과보다 크게 작용하여 확산 패턴이 점차 안정화되는 경향이 확인되었다. 분석 결과는 오염물질의 밀도비와 풍속이 터널 내 확산 거동을 결정하는 핵심 인자로 작동함을 보여준다. 확산 거동의 차이는 모델의 예측 성능에도 반영되었다. 제안 모델은 전체 평균 R2 = 0.915를 달성하였다. 무거운 가스는 규칙적 확산 패턴으로 풍속 조건과 무관하게 R2 > 0.95의 높은 정확도를 안정적으로 유지하였다. 반면 가벼운 가스는 저풍속 조건에서 예측 정확도가 상대적으로 낮았으나, 풍속이 증가함에 따라 강제대류의 영향으로 성능이 크게 향상되었다. 이는 확산 거동의 물리적 규칙성이 높을수록 모델의 예측 신뢰도 또한 높아짐을 시사한다. 또한, Ablation study를 통해 모델 구성요소의 기여도를 정량적으로 분석한 결과, Conv1d를 제거하였을 때 예측 성능이 가장 크게 저하되었다. 고차원 센서 입력의 차원 축소가 후속 BiLSTM 학습에 결정적인 역할을 담당하기 때문으로 해석되며, 세 구성요소의 비교를 통해 Conv1d 기반 특징 추출이 하이브리드 모델의 성능을 좌우하는 핵심 구성 요소임을 확인하였다.

본 연구의 수치해석 및 모델평가는 직선형 단면 터널에서 단일 누출원 조건으로 설정된 FDS 시뮬레이션 데이터를 기반으로 하므로, 실제 터널 환경에서 발생하는 난류 확산, 열부력에 의한 복합 유동 등이 충분히 반영되지 못한 한계가 있다. 제안 모델은 각 높이의 축방향 최대 농도를 예측 대상으로 하므로, 농도장의 공간 분포보다 단순한 패턴을 학습한다는 점에서 예측 난도가 상대적으로 낮다는 한계가 있다. 또한, FDS 수치해석 데이터에 기반한 적용성 평가로서, 실제 터널 현장의 유해가스 확산 계측자료나 실험 데이터와의 직접적인 비교·검증은 수행하지 못하였다는 본질적 한계를 가지며, 따라서 본 연구의 결과는 이상화된 시뮬레이션 조건에서의 예측 가능성을 정량적으로 확인한 것으로 해석되어야 한다.

이러한 한계에도 불구하고 본 연구는 FDS 수치해석 데이터와 딥러닝 기반 시계열 예측 모델을 결합한 접근이 터널 내 유해가스 및 입자상 오염물질의 단기 농도 예측에 활용될 수 있음을 보여준다. 제안 모델은 제한된 시뮬레이션 조건에서 60초 선행 예측 성능을 나타냈으며, 터널 환기·방재 및 지하공간 환경 관리에서 조기경보와 의사결정을 지원하는 기술로 확장될 수 있다. 향후 연구에서는 (1) 다양한 터널 단면, 다중 누출원, 난류 및 열부력 조건을 포함한 FDS 시뮬레이션의 확장과 실제 현장 계측자료 기반 검증, (2) 60초로 고정된 예측 호라이즌을 다양한 선행 시간(lead time)으로 확대하여 리드타임별 예측 성능과 오경보율을 분석하는 연구, (3) FDS로부터 산정한 피난 허용시간(ASET)과 Pathfinder 등 대피 시뮬레이션으로 산정한 소요 피난시간(RSET)을 비교하여 피난 안전성 관점에서 조기경보의 유효성을 평가하는 연구가 필요하다. 이러한 후속 검증이 축적될 경우, 제안 방법은 터널 내 유해가스 사고에 대한 신속한 예측과 대응 체계 구축에 기여할 수 있을 것으로 판단된다.

Acknowledgements

This research was supported by a grant from the Korea Institute of Civil Engineering and Building Technology project “Development of a Digital Twin-Based management System for Environmental Risk Management in Underground Spaces(20260112-001).”

References

1

Breiman, L. (2001), “Random forests”, Machine learning, Vol.45, No.1, pp.5-32.

10.1023/A:1010933404324
2

Cavagnaro, M. and Brulard, J. (1997), “Aerodynamic and thermal investigations for the new Lyon/Turin Cross-Alpine rail link”, Tunnelling and Underground Space Technology, Vol.12, No.3, pp.377-384.

10.1016/S0886-7798(97)00028-X
3

Chen, J., Luo, Y., Fang, T., Zhang, X., Liu, W. and Wang, C. (2024), “In-tunnel pollutant concentration measurement and ventilation control indexes for highway tunnels in mountainous area: A case study of no. 1 Qinling tunnel, China”, Science of The Total Environment, Vol.955, 176992.

10.1016/j.scitotenv.2024.176992
4

Chen, T. and Guestrin, C. (2016), “Xgboost: A scalable tree boosting system”, In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, pp.785-794.

10.1145/2939672.2939785
5

Fei, Z., Lin, X., Wu, H., Duan, J., Hu, H. and Ji, J. (2025), “Real-time prediction of tunnel fire physical fields based on deep Learning: Integrating ceiling smoke extraction scenarios”, Fire Safety Journal, 104482.

10.1016/j.firesaf.2025.104482
6

Gao, L. and Yu, H. Z. (2006), “Prediction of gas emission based on information fusion and chaotic time series”, Journal of China University of Mining and Technology, Vol.16, No.1, pp.94-96.

7

Hochreiter, S. and Schmidhuber, J. (1997), “Long short-term memory”, Neural computation, Vol.9, No.8, pp.1735-1780.

10.1162/neco.1997.9.8.1735
8

Karacan, C. Ö. (2008), “Modeling and prediction of ventilation methane emissions of US longwall mines using supervised artificial neural networks”, International Journal of Coal Geology, Vol.73, No.3-4, pp.371-387.

10.1016/j.coal.2007.09.003
9

Kim, S. Y., Jun, C. and Na, W. (2025), “Ensemble-based forecasting of wildfire potentials using relative index in Gangwon Province”, Ecological Informatics, Vol.86, 103021.

10.1016/j.ecoinf.2025.103021
10

Kim, S. and Kim, S. Y. (2026), “Integrating Initial Fractal Dimension with LightGBM for Enhanced Wildfire Burned-Area Prediction”, International Journal of Disaster Risk Reduction, 106150.

10.1016/j.ijdrr.2026.106150
11

Kim, T. Y. and Cho, S. B. (2019), “Predicting residential energy consumption using CNN-LSTM neural networks”, Energy, Vol.182, pp.72-81.

10.1016/j.energy.2019.05.230
12

Korea Gas Safety Corporation (2025), 2024 Gas Accident Yearbook. Eumseong: Korea Gas Safety Corporation. (in Korean)

13

Kwon, B. H. (2016), “A Study on Asphyxiation Accidents occurred in the confined space and their Prevention”, Journal of the Korea Safety Management & Science, Vol.18, No.3, pp.47-54. (in Korean)

10.12812/ksms.2016.18.3.47
14

Lee, J. W., Kim, T. H., Ha, H. C., Piao, C. X. and Ahn, K. (2016), “Analysis of Suffocating Accidents in Confined Spaces in the Past 10 Years (2005-2015)”, Journal of Korean Society of Occupational and Environmental Hygiene, Vol.26, No.4, pp.436-444. (in Korean)

10.15269/JKSOEH.2016.26.4.436
15

Liang, Y., Ke, S., Zhang, J., Yi, X. and Zheng, Y. (2018), “Geoman: Multi-level attention networks for geo-sensory time series prediction”, In Ijcai, Vol.2018, pp.3428-3434.

10.24963/ijcai.2018/476
16

Livieris, I. E., Pintelas, E. and Pintelas, P. (2020), “A CNN–LSTM model for gold price time-series forecasting”, Neural Computing and Applications, Vol.32, No.23, pp.17351-17360.

10.1007/s00521-020-04867-x
17

Lyu, P., Chen, N., Mao, S. and Li, M. (2020), “LSTM based encoder-decoder for short-term predictions of gas concentration using multi-sensor fusion”, Process Safety and Environmental Protection, Vol.137, pp.93-105.

10.1016/j.psep.2020.02.021
18

McGrattan, K., Hostikka, S., McDermott, R., Floyd, J., Weinschenk, C. and Overholt, K. (2013), “Fire dynamics simulator user’s guide”, NIST special publication, Vol.1019, No.6, pp.1-339.

19

Menéndez, J., Merlé, N., Fernández-Oro, J. M., Galdo, M., de Prado, L. Á., Loredo, J. and Bernardo-Sánchez, A. (2022), “Concentration, propagation and dilution of toxic gases in underground excavations under different ventilation modes”, International Journal of Environmental Research and Public Health, Vol.19, No.12, 7092.

10.3390/ijerph1912709235742338PMC9222859
20

Qiao, M. Y., Ma, X. P., Lan, J. Y. and Wang, Y. (2011), “Time series short-Term gas prediction based on weighted LS-SVM”, Journal of Mining and Safety Engineering, Vol.28, No.2, pp.310-314.

21

Qin, Y., Song, D., Chen, H., Cheng, W., Jiang, G. and Cottrell, G. (2017), “A dual-stage attention-based recurrent neural network for time series prediction”, arXiv preprint arXiv, 1704.02971.

10.24963/ijcai.2017/366
22

Sun, B., Li, Y., Zhang, Y. and Guo, T. (2024), “Multi-source heterogeneous data fusion prediction technique for the utility tunnel fire detection”, Reliability Engineering & System Safety, Vol.248, 110154.

10.1016/j.ress.2024.110154
23

Wang, Y., Ma, W., Han, J., Wang, C., Cheng, A., Yang, X. and Gao, H. (2023), “Field test and numerical investigation of tunnel aerodynamic effect induced by high-speed trains running at higher speeds”, Applied Sciences, Vol.13, No.14, 8197.

10.3390/app13148197
24

Wu, X., Zhang, X., Huang, X., Xiao, F. and Usmani, A. (2022), “A real-time forecast of tunnel fire based on numerical database and artificial intelligence”, Building Simulation, Vol.15, No.4, pp.511-524.

10.1007/s12273-021-0775-x
25

Ying, H., Xu, Z., Zhao, W., Liu, Q., Tao, H. and Yan, L. (2024), “Full-scale experiment on the ventilation performance of vehicle-mounted mobile fans in a road tunnel”, Tunnelling and Underground Space Technology, Vol.148, 105737.

10.1016/j.tust.2024.105737
26

Zhao, B., Lu, H., Chen, S., Liu, J. and Wu, D. (2017), “Convolutional neural networks for time series classification”, Journal of Systems Engineering and Electronics, Vol.28, No.1, pp.162-169.

10.21629/JSEE.2017.01.18
27

Zhao, Y., Wang, J., Li, J., Wang, Y., Hussein, T., Zhang, G. and Zhao, T. (2026), “Study on rapid identification of key-pollutant diffusion model in high-pollution area of construction tunnel”, Building and Environment, 114551.

10.1016/j.buildenv.2026.114551
페이지 상단으로 이동하기