본 연구는 데이터를 기반으로 한 인공지능 기계학습 기법을 활용하여 온실 내부온도 예측 시뮬레이션 모델을 개발을 수행 하였다. 온실 시스템의 내부온도 예측을 위해서 다양한 방법 이 연구됐지만, 가외 변인으로 인하여 기존 시뮬레이션 분석 방법은 낮은 정밀도의 문제점을 지니고 있다. 이러한 한계점 을 극복하기 위하여 최근 개발되고 있는 데이터 기반의 기계 학습을 활용하여 온실 내부온도 예측 모델 개발을 수행하였 다. 기계학습모델은 데이터 수집, 특성 분석, 학습을 통하여 개 발되며 매개변수와 학습방법에 따라 모델의 정확도가 크게 변 화된다. 따라서 데이터 특성에 따른 최적의 모델 도출방법이 필요하다. 모델 개발 결과 숨은층 증가에 따라 모델 정확도가 상승하였으며 최종적으로 GRU 알고리즘과 숨은층 6에서 r2 0.9848과 RMSE 0.5857℃로 최적 모델이 도출되었다. 본 연 구를 통하여 온실 외부 데이터를 활용하여 온실 내부온도 예 측 모델 개발이 가능함을 검증하였으며, 추후 다양한 온실데이 터에 적용 및 비교분석이 수행되어야 한다. 이후 한 단계 더 나아 가 기계학습모델 예측(predicted) 결과를 예보(forecasting)단 계로 개선하기 위해서 데이터 시간 길이(sequence length)에 따른 특성 분석 및 계절별 기후변화와 작물에 따른 사례별로 개발 모델을 관리하는 등의 다양한 추가 연구가 수행되어야 한다.

지구온난화 완화를 위한 노력이 전 세계적으로 계속되고 있는 가운데 우리나라는 2030년 온실가스 배출량을 Business As Usual (BAU) 대비 37% 감축하는 목표를 설정하고 이산화탄소 순 배출 제로 달성을 목표로 하는 ‘2050탄소중립 시나리오’를 발표하였다. 이러한 상황에서 케나프 (Kenaf)는 높은 탄소흡수율과 빠른 성장으로 인해 대체 해결방안으로 제안된다. 시료선정에 대한 분석결과, 케나프 잎은 질소 함량이 높아 적합하지 않은 것으로 나타났고, 줄기와 잎-줄기 혼합 케나프는 Biomass-Solid Refuse Fuel (Bio-SRF) 등급을 충족했다. Bio-SRF 등급을 만족하였지만, Bio-SRF 등급으로 이용할 수 있는 활용처가 뚜렷하지 않다. 따라서 케나프의 연료품질을 반탄화 공정을 통해 개선하여 보다 효율적으로 활용하고자 한다. 반탄화 공정의 공시재료로 줄기만 사용하는 것보다 시료 이용률이 높은 잎-줄기 혼합 케나프를 선택하였다. 반탄화 공정은 여섯가지의 공정 온도 (200·210·220·230·240·250℃)와 다른 세 가지 공정 시간(20·30·40 min)에서 수행되었다. 반탄화 공정결과, 공정시간이 길수록 230℃, 240℃, 250℃ 온도에서 질량감소가 크기 때문에 에너지수율이 낮았다. 따라서 본 연구에서는 200℃·20 min, 200℃·30 min, 210℃·20 min, 220℃·20 min의 에너지 수율이 높고 질량감소가 작아 최적 반탄화 공정 조건으로 선정하였다.