"Plus-tic"의 두 판 사이의 차이

2019년 11월 29일 (금) 01:03 판

프로젝트 개요

기술개발 과제

국문 : 플라스틱 압축기 'PLUSTIC' 및 플라스틱 발생량 예측 AI 'ALFO-GO' 설계

영문 : Design plastic compressor 'PLUSTIC' and AI 'ALFO-GO' for predicting production of plastic

과제 팀명

PLUSTIC조

지도교수

장서일 교수님

개발기간

2019년 9월 ~ 2019년 12월 (총 4개월)

구성원 소개

서울시립대학교 환경공학부 20158900** 성*진(팀장)

서울시립대학교 환경공학부 20168900** 장*정

서울시립대학교 환경공학부 20168900** 정*경

서울시립대학교 환경공학부 20168900** 최*나

서론

개발 과제의 개요

개발 과제 요약

21세기는 플라스틱의 시대라고 불릴 정도로 많은 플라스틱이 생산되고, 사용되고, 버려지고 있다. 하지만 플라스틱은 재활용이 쉽지 않고 효율도 높지 않아, 단순 소각이나 매립으로 대부분 처리되는데, 그 과정에서 유해물질을 배출하여 새로운 환경오염의 원인이 되고 있다.

이러한 환경문제를 해결하기 위해 국가적, 세계적으로 변화의 움직임이 생기고 있다. 우리나라 환경부는 자원순환사회를 만들기 위해 2018년 1월 1일부터 자원순환기본법을 시행했다. 이는 생산부터 폐기에 이르는 전 과정에서 발생하는 플라스틱 총량을 억제하고, 재활용을 촉진하기 위한 내용들이며, 또한 2030년까지 플라스틱 폐기물 발생량을 절반으로 줄이기 위해 순환단계별 종합개선대책을 마련하였다.

계속해서 플라스틱을 대체할 수 있는 물질과 플라스틱 처리효율, 재활용률을 높일 수 있는 방안들이 개발되고 있지만 우리는 좀 더 확실하게 폐플라스틱 발생량 자체를 줄일 수 있는 시스템 도입을 계획했다. 우선 플라스틱 압착기를 크기와 소음을 줄여 설계함으로써 플라스틱을 쉽게 가정에서 압축하여 보관할 수 있도록 한다. 또한 압착기로 압축되는 플라스틱의 무게를 측정해 모은 데이터를 가공하고, 개인별 플라스틱 발생량을 예측하는 AI ALFO-GO 설계를 목표로 한다.

웹 서버를 통해 개인이 쉽게 자신이 사용한 플라스틱 양을 수치화, 시각화하여 볼 수 있기 때문에 관리가 용이하고, 국가에서도 거시적인 통계자료가 아닌 구체적인 자료들을 사용해 폐플라스틱 발생량을 확실하게 관리 할 수 있을 것이라 기대한다.

개발 과제의 배경 및 효과

1. 환경적 측면

- 한국해양수산개발원에 따르면 현재까지 전 세계에서 생산된 플라스틱의 총량은 83억 톤에 육박하며 이중 75%인 약 63억 톤이 쓰레기로 배출됐다. 그러나 폐기된 쓰레기 중 9%만 재활용 되었으며, 12%는 소각되고 나머지 79%는 매립되거나 자연에 버려져있다. 소각이나 매립을 하려해도 여의치 않은 것이 현 실태이다. 소각의 경우, 다이옥신배출기준 적용에 따라 소각장의 수가 2016년도 419개소에서 2017년 395개소로 해마다 줄어들고 있다. 또한 매립의 경우, 현재와 같은 상황이 지속되면 국내 매립지 잔존수명이 30년도 채 남지 않은 상황이다.
- 유럽 플라스틱 및 고무 기계 협회(European Plastics and Rubber Machinery Association)는 2015년 기준으로 우리나라 1인당 플라스틱 소비량이 일본 65.8kg/인, 유럽 67.4kg/인, 미국 93.8kg/인 보다 많은 132.7kg/인이며, 2020년에는 145.9kg/인으로 증가할 것이라 추정하고 있다.
- 폐플라스틱은 적게는 6개월부터 길게는 500년 이상의 분해기간을 필요로 한다. 이렇게 분해되는 동안 플라스틱은 각종 유해물질을 배출하기도 하고, 생물들이 먹이로 오인해 섭취해 질식사를 일으키고, 폐어망이나 봉지에 걸려 이동이 방해되면서 죽음에도 이르는 생태계 문제를 초래한다.

2. 정책적 측면

- 우리나라의 경우, 2017년 재활용 쓰레기 최대 수입국인 중국이 수입을 중단하면서 그에 따른 대책을 수립하지 못하여 2018년 4월 재활용 수거 대란이 일어났다. 우리나라의 2018년 1~8월 폐플라스틱 수입량이 전년 동기 대비 211% 증가한 반면, 수출액은 57%가 줄었다. 전 세계적인 환경규제로 폐플라스틱 수출이 어려워지는 것이 확실해진 만큼, 정부 차원의 대책도 마련되어야 한다.
- 환경부는 자원순환사회를 만들기 위해 2018년 1월 1일부터 자원순환기본법을 시행했다. 이는 생산부터 폐기에 이르는 전 과정에서 발생하는 억제하고, 재활용을 촉진하기 위한 내용들이며, 또한 2030년까지는 플라스틱 폐기물 발생량을 절반으로 줄이기 위해 각 순환단계별 종합 개선대책을 마련하였다.

3. 인식적 측면

- 일반적으로 국민소득이 증가할수록 재활용품은 질적 변화를 수반한다. 우리나라는 경제성장에 따른 국민 생활수준의 향상으로 대량생산과 대량소비 활동이 이루어짐으로써 각종 재활용품이 급증하고 있는 상황이다. 더구나 공업화, 산업화에 따른 도시의 인구집중 현상을 도시폐기물의 배출량을 급증시키는 주요 원인이다.
- 2018년 발생한 폐플라스틱 수거 대란 이후 재활용 쓰레기에 대한 사람들의 경각심이 증가한 것을 알 수 있다. 그럼에도 올바른 분리수거를 준수하지 않은 쓰레기는 여전히 많은 편이며, 올바른 분리배출 방법을 모르는 사람들이 많다.

개발 과제의 목표와 내용

1. 플라스틱 압축기 'PLUSTIC'

플라스틱 압축기 'PLUSTIC'을 이용하여 집 안에서 공간을 많이 차지하는 페트병과 캔 등의 부피를 최소화하여 공간 활용을 도모하며, 쾌적하게 보관할 수 있다. 또한 최소화된 부피로 재활용품을 편리하게 분리수거 할 수 있으며, 재활용품 배출횟수 감소도 기대할 수 있다. 궁극적으로는 생활 속 플라스틱의 재활용률을 높여 자원순환에 동참한다.

2. 빅데이터 구축

플라스틱 압축기 'PLUSTIC'은 기존의 압축기에 무게 측정기를 설치함으로서 플라스틱 압축과 함께 무게 데이터를 얻을 수 있다. 이 데이터를 가공하여 빅데이터를 구축함으로서 미래 배출량 예측 AI인 'ALFO-GO'의 기반 데이터로 활용되고 머신러닝의 오차가 줄어들게 한다.

3. 인공지능 알고리즘 'ALFO-GO'

현재의 단순히 배출된 폐플라스틱의 양을 통계 내 공지하는 형식의 데이터 처리방식에서 벗어나 유효한 데이터를 구축하고 이를 사용자들에게 제공하여 데이터를 기반으로 하는 플라스틱 발생량 줄이기 목표를 달성하고자 한다. 본 과제에서 설계하려는 'ALFO-GO'는 주기적으로 현재 플라스틱 발생량을 입력하고 그 값을 기준으로 미래 플라스틱 배출량을 예측하는 것을 목표한다.

4. 웹페이지 구축

웹페이지는 크게 'PLUSTIC' 기기 소개와 'ALFO-GO' 기능 구현이라는 두 가지 항목을 구성된다. PLUSTIC 기기 소개란에서는 PLUSTIC 기기를 사용했을 때 얻을 수 있는 장점과 기기 활용법을 소개함에 따라 이용자를 늘린다. 설계한 AI ALFO-GO를 통해 개개인별 플라스틱 배출량을 예측하고 과거부터 미래까지 플라스틱 사용량 그래프를 이용자에게 전달한다. 개개인은 자신의 플라스틱 배출량을 확인함에 따라 소비량을 얼마나 줄여하는지 스스로 관리할 수 있는 시스템을 만드는 것을 목표로 한다.

관련 기술의 현황

State of art

∎ 빅데이터
빅데이터는 기존 데이터베이스로 처리할 수 있는 역량을 넘어서는 초대용량의 정형, 비정형 데이터를 생성, 수집, 저장 관리 및 분석하여 가치를 추출하고 지능화 서비스의 기반을 지원하는 기술이다. 특히 그 범위가 확대되어 도구, 플랫폼, 분석 기법 등도 포함한다. 미래 산업에서 경쟁 우위를 좌우하는 중요한 자원으로 활용될 수 있으며 빅데이터의 분석의 목적을 적절히 설정하여 유연한 의사결정을 하기도 한다. 또한 이를 분석해 의미 있는 정보를 찾아내기 위해 한 방법으로 머신러닝을 이용하기도 한다.

∎ 머신러닝
인공지능의 한 분야인 머신러닝은 컴퓨터에게 데이터를 학습시킴으로서 컴퓨터 스스로 판단하고 새로운 분석을 얻어내는 분야이다. IoT가 활성화하면서 발생하는 빅데이터들을 최적화하여 머신러닝의 효율을 극대화시킬 수 있다. 이러한 머신러닝을 이용해 데이터 기반으로 예측하고, 분석모델 빌딩 프로세스를 효과적으로 자동화하고 시스템이 독립적으로 새로운 시나리오에 적응할 수 있도록 하여 인공지능을 구현할 수 있다. 구현한 인공지능으로는 미래예측, 이미지 인식, 음성인식, 번역 등 여러 가지에 활용할 수 있다. 실례로 데이터 불균형 환경에서 머신러닝을 접목해 원인을 도출하고 시각화가 필요한 여러 분야에서 이용하고 있다.

기술 로드맵

빅데이터

출처 : ICT R&D 기술로드맵 2023_SW·AI·차세대보안

인공지능 기술

인공지능 기술은 두 번의 AI 암흑기에도 불구하고, 데이터 축적·컴퓨팅 파워 진전과 알고리즘(딥러닝)의 진화 등으로 최근 부흥기에 진입하였다.

- 1차(‘70년대) : 메모리·처리속도 등의 미구축, 실패로 AI에 대한 지원 중단

- 2차(‘00년대) : 전문가시스템의 고유지비용·업데이트 한계·오류 등으로 AI회의로 확산

특허조사

1. PLUSTIC 관련 특허

1) 대한민국특허청-출원번호(10-2015-0133046)
   발명의 명칭: 압축기
2) 대한민국특허청-출원번호(10-2017992)
   발명의 명칭: 스텝퍼 방식의 운동기구를 이용한 무동력 폐기물 분리 압축기

2. ALFO-GO 관련 특허

1) 대한민국특허청-출원번호(10-2017-0168014)
   발명의 명칭: 빅데이터와 머신러닝을 이용한 수리부속수요 예측 시스템 및 방법
2) 대한민국특허청-출원번호(10-2017-0041440)
   발명의 명칭: 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템

특허전략

∎ 플라스틱 압축기 PLUSTIC의 경우 기존 특허들과 달리 무게 측정기를 설치함으로서 개개인 또는 각 가정의 플라스틱 배출량을 알 수 있다는 점을 강조하여 특허진행을 준비한다.

∎ AI ALFO-GO의 경우 기존 특허들을 확인할 결과 머신러닝을 다양하게 사용하는 기술이 있음을 알 수 있다. 하지만 설계를 진행할 1인의 폐플라스틱 미래 발생량 예측 서비스와 같이 미래 발생량을 예측하는 알고리즘에 관한 특허는 존재하지 않아 기존의 특허들과 다른 방향으로 특허진행을 준비해야 할 것이다.

개발과제의 기대효과

기술적 기대효과

∎ 개인별 플라스틱 사용량 계측 가능
∎ 폐기물 관련 현황 위주였던 기존의 데이터 분석 방식에서 예측 위주의 새로운 데이터 분석 패러다임 제시
∎ 폐기물 발생량 예측 데이터 구축의 시발점
∎ 4차 산업혁명 시대에 맞추어 나가는 인공지능 기술과 폐기물 처리기술의 결합
∎ 딥러닝 기술을 적용하기 때문에 데이터가 구축될수록 점점 높아지는 예측 정확도
∎ 플라스틱뿐만 아니라 모든 종류의 폐기물에 동일하게 적용하여 활용 가능

경제적 및 사회적 파급효과

∎ '폐플라스틱 대란'과 같은 폐플라스틱 수거에서 오는 사회적 문제의 해결책
∎ 향후 어플리케이션을 개발하여 지속적인 수입 보장
∎ 매립지를 보다 효율적으로 사용 가능
∎ 눈에 보이는 데이터를 제시함으로서 폐기물 발생량에 대한 국민들의 경각심 고취
∎ 쓰레기 섬 등 쓰레기 처리 문제에 대한 사람들의 불안감 해소
∎ 대상 지역구를 무궁무진하게 넓힐 수 있어 세계적 폐기물 데이터 수집 및 분석이 가능

구성원 및 추진체계

내용

설계

설계사양

내용

개념설계안

내용

이론적 계산 및 시뮬레이션

내용

조립도

내용

조립순서

1. 몸체에 저울용 강화유리를 부착한다.
2. 압착용 강화유리를 몸체의 틈에 끼운다.
3. 몸체에 발판을 끼운다.

부품도

내용

제어부 및 회로설계

내용

소프트웨어 설계

내용

자재소요서

내용

결과 및 평가

완료작품 소개

프로토타입 사진

내용

포스터

내용

특허출원번호 통지서

내용

개발사업비 내역서

내용

완료 작품의 평가

내용

향후평가

내용

부록

참고문헌 및 참고사이트

내용

소프트웨어 프로그램 소스

내용

@@ 65번째 줄: / 65번째 줄: @@
 ===관련 기술의 현황===
 ====State of art====
-*빅데이터
+ ∎ '''빅데이터'''
   빅데이터는 기존 데이터베이스로 처리할 수 있는 역량을 넘어서는 초대용량의 정형, 비정형 데이터를 생성, 수집, 저장 관리 및 분석하여 가치를 추출하고 지능화 서비스의 기반을 지원하는 기술이다. 특히 그 범위가 확대되어 도구, 플랫폼, 분석 기법 등도 포함한다. 미래 산업에서 경쟁 우위를 좌우하는 중요한 자원으로 활용될 수 있으며 빅데이터의 분석의 목적을 적절히 설정하여 유연한 의사결정을 하기도 한다. 또한 이를 분석해 의미 있는 정보를 찾아내기 위해 한 방법으로 머신러닝을 이용하기도 한다.
-*머신러닝
+ ∎ '''머신러닝'''
   인공지능의 한 분야인 머신러닝은 컴퓨터에게 데이터를 학습시킴으로서 컴퓨터 스스로 판단하고 새로운 분석을 얻어내는 분야이다. IoT가 활성화하면서 발생하는 빅데이터들을 최적화하여 머신러닝의 효율을 극대화시킬 수 있다. 이러한 머신러닝을 이용해 데이터 기반으로 예측하고, 분석모델 빌딩 프로세스를 효과적으로 자동화하고 시스템이 독립적으로 새로운 시나리오에 적응할 수 있도록 하여 인공지능을 구현할 수 있다. 구현한 인공지능으로는 미래예측, 이미지 인식, 음성인식, 번역 등 여러 가지에 활용할 수 있다. 실례로 데이터 불균형 환경에서 머신러닝을 접목해 원인을 도출하고 시각화가 필요한 여러 분야에서 이용하고 있다.