대한조선학회논문집 Journal of the Society of Naval Architects of Korea pissn:1225-1143, Vol. 55, No. 3, pp. 243-251, June 2018 eissn:2287-7355, https://doi.org/10.3744/snak.2018.55.3.243 빅데이터분석을이용한해양구조물배관자재의소요량예측 오민재 1 노명일 1,2, 박성우 3 김성훈 2 서울대학교해양시스템공학연구소 1 서울대학교조선해양공학과 2 서울대학교협동과정해양플랜트엔지니어링전공 3 Estimation of Material Requirement of Piping Materials in an Offshore Structure using Big Data Analysis Min-Jae Oh 1 Myung-Il Roh 1,2, Sung-Woo Park 3 Seong-Hoon Kim 2 Research Institute of Marine Systems Engineering, Seoul National University 1 Department of Naval Architecture and Ocean Engineering, Seoul National University 2 Interdisciplinary Program in Offshore Plant Engineering, Seoul National University 3 This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License(http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited. In the shipyard, a lot of data is generated, stored, and managed during design, construction, and operation phases to build ships and offshore structures. However, it is difficult to handle such big data efficiently using existing data-handling technologies. As the big data technology is developed, the ship and offshore industries start to focus on the existing big data to find valuable information from it. In this paper, the material requirement estimation method of offshore structure piping materials using big data analysis is proposed. A big data platform for the data analysis in the shipyard is introduced and it is applied to the analysis of material requirement estimation to solve the problems in piping design by a designer. The regression model is developed from the big data of piping materials and verified using the existing data. This analysis can help a piping designer to estimate the exact amount of material requirement and schedule the purchase time. Keywords : Big data( 빅데이터 ), Offshore structure( 해양구조물 ), Piping material( 배관자재 ), Requirement estimation( 소요량예측 ) 1. 서론 빅데이터는방대한양의정형, 비정형의데이터를의미하여, 빅데이터기술은다양한종류의대용량의데이터로부터저렴한비용으로가치를추출하고, 데이터의수집, 발굴, 분석을지원하도록고안된차세대기술및아키텍처를의미한다. 특히, 최근에정부주도로 ICT 융합 Industry 4.0 기술개발이진행되면서, 사물인터넷으로인한방대한양의데이터가저장되고있고, 그데이터를분석, 처리할기술에대한연구가활발히진행되고있다. 이러한 Industry 4.0 기술개발은조선분야에서도활발히이루어지고있다. 선박및해양구조물건조과정에서생성되는정보는그양이 방대하다. 개념설계 (concept design), 기본설계 (basic design), 상세설계 (detail design), 건조 (construction), 운용 (operation) 과정에서막대한데이터가발생, 저장된다. 현재조선소에서는 Fig. 1과같이과거에진행되었던프로젝트에대한수많은데이터가저장되어있으며, 근래에빅데이터기술의발전과더불어, 축적된데이터를분석하여그로부터의미있는결과를도출하기시작하였다. 또한사물인터넷 (internet of things) 기술의발달로, 조선소내에서발생하는모든정보를저장하고분석하려는움직임이있으며, 이에따라서빅데이터기술의필요성이증가하고있다. 본논문에서는조선소에적용할수있는빅데이터어플리케이션의하나로, 빅데이터분석을이용한해양구조물배관자재의소요량예측방법을제시한다. 우선빅데이터분석을위하여조 Received : 12 December 2017 Revised : 31 January 2017 Accepted : 9 April 2018 Corresponding author : Myung-Il Roh, miroh@snu.ac.kr
빅데이터분석을이용한해양구조물배관자재의소요량예측 선소에서사용할수있는기본적인빅데이터프레임워크를제시하였다. 그리고배관자재구매프로세스를분석하여현재조선소에서수행하고있는프로세스의문제점을파악하고, 그것을해결하기위하여빅데이터기반으로배관자재의소요량을예측함으로써, 설계자가정확한자재소요계획및구매를진행할수있는방법을제시한다. Fig. 1 Data storage of shipbuilding and offshore industry 2. 관련연구현황 Table 1은관련연구현황을정리한것이다. 먼저 Gandomi and Haider (2015) 는빅데이터의개념에대하여정의하고, 빅데이터의종류에따른해석방법에대하여소개하였다. 그외에제조업분야의빅데이터적용방안에대한연구 (Nedelcu, 2013) 와 PLM 과빅데이터의연관성및적용분야에대한연구 (Li et al., 2015) 가있고, Zhang et al. (2017) 의경우제품의청정생산을 위한 PLM 과연계된빅데이터분석아키텍처를제안하였다. 조선해양산업과연관된연구를살펴보면, 우선해양교통데이터, 또는운항데이터를이용하고자하는연구가있다. 해양교통데이터를이용한선박에작용하는외력평가에대한연구 (Kim et al., 2013), 선박운항빅데이터를처리하고적용하는방안에대한연구 (Kim 2014), 이외에도 Ando(2014) 에의해서운항데이터를이용한선박연비절감사례에대한연구가진행되었다. 조선소에빅데이터를적용하기위한연구로는선박설계자동화를위한빅데이터적용방안이있다 (Kim et al., 2013). 그밖에도 Wang et al. (2015) 는노르웨이조선해양산업의사물인터넷기술적용을분석하고, 그에따른빅데이터기술의필요성을강조하였다. Ham et al. (2016a, 2016b) 은조선소빅데이터활용을위한기계학습적용방법과조선소의장품조달관리를위한빅데이터기반시뮬레이션에대한연구을진행한바있으며, Lee et al. (2017) 는해양구조물배관재의조달리드타임을빅데이터기술을이용하여분석하였다. Perera (2017) 는선박성능및운항과관련된빅데이터기반시뮬레이션을시행한바있다. 또한, Kim et al. (2017) 은빅데이터기술을이용한적용예의하나로, FPSO(Floating, Production, Storage, and Offloading unit) 의중량추산방법을제시하였다. 마지막으로 Lee (2017) 는선박의건조단계에따른빅데이터기술을적용할수있는참조모델 (reference model) 에대하여연구하였다. 특히 Lee (2017) 는빅데이터기술을적용할수있는참조모델중에하나로자재량예측을제시하였는데, 본논문에서는이와관련하여, 실제해양구조물의배관자재데이터로부터정확한자재소요량분석을위한빅데이터기반의방법론을제시하고자한다. Table 1 Summary of related works Researches Year Detail Keywords Kim et al. 2013 Study of external force acting on ship using maritime traffic data AIS, external force Kim et al. 2013 Proposing big data application for ship design automation Ship design automation Nedulcu 2013 Methodology to apply big data technology into manufacturing Manufacturing Li et al. 2015 Relationship and application between big data and PLM PLM Ando 2014 A case study of ship fuel saving reduction using traffic data Ship operation, fuel saving Kim 2014 Processing maritime traffic data and application Ship operation Gandomi et al. 2015 Beyond the hype: Big data concepts, methods, and analytics Big data Wang et al. 2015 Big data and industrial internet of things for the maritime industry in Northwestern Norway Maritime industry, IoT Ham et al. 2016a Study on application of machine learning for big data of shipyard Shipyard, production Ham et al. 2016b Kim et al. 2017 Big data based simulation for procurement management of shipyard material Big data platform based on Hadoop and application to weight estimation of FPSO topside Shipyard, procurement Offshore, big data Lee 2017 A reference model for big data analysis in shipbuilding industry Shipbuilding, big data Perera 2017 Zhang et al. 2017 Framework for processing big data related to ship performance and operation Big data analysis architecture in conjunction with PLM for clean production of products Ship operation Clean production, PLM 244 대한조선학회논문집제 55 권제 3 호 2018 년 6 월
오민재 노명일 박성우 김성훈 3. 배관자재구매프로세스 해양구조물의배관자재구매프로세스중실제로발주를진행하고제작사와연락을취해입고시점을관리하는부분을제외한많은부분이배관설계에서이루어진다. 특히물량을산출하고물량이입고되어야하는적정시점을예측하는중요한부분이배관설계에서이루어진다. 본연구에서는빅데이터분석을이용한배관자재의소요량예측을위하여, 조선소에서일반적으로적용하고있는배관자재구매및사용과관련한프로세스를분석하였다. 3.1 배관자재구매프로세스정의 해양구조물건조과정에서배관자재구매프로세스는 Fig. 2 에나타낸바와같다. 해양구조물프로젝트는 1 FEED(Front-End Engineering and Design) 로부터시작한다. 초기 FEED 설계가끝나면조선소에서는 2 하나의해양구조물에대하여건조방법및기능에따라여러개의모듈로분할한다. 모듈은해양구조물의크기와기능에따라다르지만 100 여개이상이된다. Fig. 2에서는간략한설명을위하여 3개의모듈로가정 하였다. 3 다음으로분할한모듈에대하여건조일정을정의한다. 이때각모듈은동시에건조가진행될수있으며, 각일정은독립적일수도있고종속적일수도있다. 그리고, 4 각모듈에대하여필요한자재의종류와수량을결정한다. 다음단계로 5 각모듈의건조일정에따라서필요한자재의수량을정의한다. 6 각자재의리드타임 (lead time) 을파악하고그에따라서 7 각자재의구매시점을정의한다. 그리고마지막으로 8 동시에여러개의해양구조물건조가진행된다면, 전체프로젝트일정을고려하여구매시점을정의한다. 3.2 배관자재구매프로세스의문제점 현재조선소의구매프로세스의문제점은다음과같다. (1) 4번단계에서각모듈에필요한자재의수량을정의할때, 손 / 망실, 잉여재등의고려가되지않고, 캐드도면으로부터나온물량에설계자의적당한노하우에따라마진을부여함으로써정확하지않은수량이정의된다. 따라서작업이진행되는도중에손 / 망실등의이유로수량이부족해지는경우설계자는다시수량을추가로주문해야하는경우가발생한다. Fig.2 Process of material purchase for offshore structure JSNAK, Vol. 55, No. 3, June 2018 245
빅데이터분석을이용한해양구조물배관자재의소요량예측 (2) 5번단계에서각모듈에필요한자재소요량을정의할때작업진행률을고려하지않고전체수량만을고려하여전체물량을한번에주문한다. (1) 의문제점과마찬가지로잉여재등이명확히확인되기어려우며, 한모듈에사용될전체물량을초기건조시작시점에전체를한꺼번에주문하므로배관자재의적치공간부족및재고파악이어려운문제가발생한다. (3) 3.1 에서설명한배관자재구매프로세스를설계자가직접수작업으로진행함으로써, 많은시간이소요되며, 설계자의숙련도에따라서잘못된구매계획이나, 정확하지않은자재수량분석등의문제를야기할수있다. 따라서본연구에서는이러한문제점을해결하기위하여빅데이터기반의분석방법을통하여기존의배관자재소요를분석하고, 설계자가정확한자재소요계획및구매를진행할수있도록하는방법을제시한다. 조선소에서보유하고있는실적프로젝트의모든자재와, 각자재별구매계획을고려하면, 그데이터의양이방대하며, 종류가다양하다고할수있다. 따라서본연구에서는배관자재소요데이터를빅데이터로정의하였다. 이와관련하여관련연구현황에서언급한바와같이, Lee (2017) 는빅데이터기술을적용할수있는참조모델중에하나로자재량예측을제시하였다. 4. 빅데이터분석을이용한해양구조물배관자재의소요량예측 4.1 빅데이터프레임워크 본연구에서해양구조물배관자재의소요량예측을위하여구축한빅데이터프레임워크개념도를 Fig. 3에나타냈다. 빅데이터기반분석을실행하기위해서는빅데이터기술을기반으로한데이터베이스에데이터가저장되어있어야한다. 하지만, 이미사용중인조선소의데이터베이스를빅데이터기반데이터베이스로교체할수없어직접빅데이터기반분석을실행할수는없다. 따라서조선소에바로적용할수있도록기존데이터베이스에서필요한자료를추출하여별도로구축한빅데이터프레임워크상에저장한뒤에빅데이터기반분석을시행하는방법을사용하였다. 기존의데이터베이스에저장된여러가지데이터로부터 ETL(Extraction, Transformation, Loading) 기술을이용하여, 분석하고자하는데이터를추출하여빅데이터플랫폼의데이터베이스에저장한다. 본연구에서구축한빅데이터플랫폼은오픈소스인 Hadoop 을기반으로하였고, ETL 을이용하여가져온데이터는 Hadoop 의분산저장공간인 HDFS(Hadoop Distributed File System) 에자동으로분산저장된다. 이렇게저장된데이터로부터원하는결과를도출하기위하여마이닝기법을적용하여데이터를처리한다. 마이닝엔진은분산처리프레임워크인 Spark 를이용하였다. Spark 는모든데이터의운영을메모리내에서실행하며, 데이터셋을한번에처리하기때문에속도가매우빠르다는장점이있다. 본연구에서는조선소의관계형데이터베이스를모사하여 MySQL 에배관자재에대한정보를저장하고, ETL 기술을이용하여필요한데이터를추출하여 Hadoop 환경인 HDFS 상에저장하는과정을거쳤다. 그리고 Spark 에서제공하는데이터분석기법을이용하여각자재의소요량분석을수행하였다. 4.2 빅데이터분석을위한데이터처리 빅데이터분석을위하여빅데이터프레임워크에적용한데이터와그처리과정을정리하면 Fig. 4와같다. Fig. 3 Big data framework for shipbuilding and offshore industry Fig. 4 Estimation process of piping material requirement using Big Data analysis 246 대한조선학회논문집제 55 권제 3 호 2018 년 6 월
오민재 노명일 박성우 김성훈 입력데이터로총 10 척의해양구조물의배관자재목록을사용하였다. 배관자재는그양이많고, 소요시점이프로젝트건조기간초 / 중기에집중되는구조관련자재와는달리비교적프로젝트전체적으로골고루분포되어있어분석하기에적합하다고판단하였다. 더불어설계자또는사용자가자재를선정하여해당자재에대해서만소요량을분석한다고가정하고대표적인자재중일부인파이프, 가스켓 (gasket), 플랜지 (flange), 엘보우 (elbow) 를선정하여분석을시행하였다. Table 2는선정된자재와그사양을간략히정리한것이다. Table 2 Material and specification for analysis Material Pipe Type Bevel end Material specification Size (inch) Rating (lb) 2 150 Material A106, A333 Gasket Ring 2 150 S31600 Flange Flat face 2 150 A105 Elbow 90LR 2 150 A420 자재소요량예측을위한분석방법으로는회귀분석을선택하였다. 자재소요량을분석하고추정하기위해자재소요량에영향을주는변수들을선정해보면, 해양구조물탑사이드상부의넓이, LWT(lightweight), 제품의수명, 건조기간, Oil 생산량, 블록개수, 일정에따른해당공정의진행률, 그리고각자재의총사용량을들수있다. 각각의독립변수는제품사양과관련된변수, 조선소의건조에대한변수, 자재관련변수로묶을수있다. 이를정리하면 Table 3과같다. 각자재의사용량은진행공정률을기반으로 0%~100% 공정진행률에따른사용량에대하여분석하였으며, 각단계는 10% 로정의하였다. Table 3 Independent variables for regression analysis Items Independent variables Area of topside Area 자재소요량을변수들의선형결합을통해표현할수있다고가정하면식 (1) 과같은단순한선형회귀분석식을생성할수있다. _ 여기서 x i (i = 0,, 8) 는빅데이터분석을통해계산할계수값이다. Spark 는회귀분석이나기계학습알고리즘을비교적간단히수행할수있는라이브러리를제공하고있다. 위독립변수를해당라이브러리읽을수있도록전처리를하여 HDFS 에저장하여읽은후라이브러리에서제공하는회귀분석을시행할수있다. Spark 를통해회귀분석을실행하면각변수별로상관분석과선형결합을통한추정식생성을동시에진행하며그결과로상관계수가작아자재소요량에영향이없다고판단되는독립변수의계수는결과가 0으로나타나게된다. 4.3 배관자재소요량예측결과및고찰 4.3.1 회귀분석식 빅데이터분석을통하여계산한각자재의공정진행률에따른회귀분석의결과로각독립변수의계수를생성하였다. 공정률 0%~20% 단계와 90% 이후단계는배관자재의소요량이없기때문에결과가나타나지않아회귀분석에서제외하였다. 배관자재에대한독립변수의계수 Table 4를보면해양구조물상부넓이및무게와자재소요량이크게연관되지않은것으로나타났다. 나머지 3개자재즉, 가스켓 (Table 5), 플랜지 (Table 6), 엘보우 (Table 7) 의독립변수의계수를확인해보면해양구조물상부넓이및무게와자재소요량은전혀연관이없는것으로확인되었다. 총소요량이독립변수에포함되어있기때문에간접적으로총소요량을산출해낼수있게해주는상부넓이및무게는상관성이낮기때문에나타난결과로보인다. (1) Variable related to specification of offshore structure Light weight of topside Lifetime of offshore structure LWT Lifetime 4.3.2 회귀분석식을이용한자재소요량추정본연구에서선형회귀분석을통해얻어진자재소요량추정식에실적데이터를대입해비교해봄으로써얻어진추정식의정 Variable related to construction Variable related to material Oil production Time of building Number of blocks Process rate Total usage of each material Production Building_Tim e No_of_Block Process Total_Usage 확도를확인해보았다. Table 8은 3개의실적프로젝트에서얻은추정식의독립변수를정리한것이다. 배관자재에대하여계산된독립변수를각시점별로구해진회귀분석식에대입하여각프로젝트의자재소요량을추정할수있다. 각자재별로소요량이다르기때문에이를그래프로표현하기위해서시점별소요량을총소요량으로나누어비율을구해각프로젝트별로 Fig. 5~7 과같이그래프로표현하였다. 각자재의총소요량과각시점별소요량은 Table 9와같다. JSNAK, Vol. 55, No. 3, June 2018 247
빅데이터분석을이용한해양구조물배관자재의소요량예측 Table 4 Independent variables for pipe material Independent variables Schedule Area x 0 0.00 0.00-0.01-0.01-0.01 0.00 0.00 LWT x 1 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Lifetime x 2 0.00 4.61 2.46 0.50 1.65 2.33 1.44 Production x 3 0.00 3.03 816.82 1430.91 179.05-87.31 171.09 Building_Time x 4 0.04 0.46-29.12-28.01-19.47-1.78-6.84 No_of_Block x 5 0.00 1.77-2.74 2.48-0.75-3.65-0.22 Process x 6 0.00 2.87 32.80 43.36 18.12 23.90-21.70 Total_Usage x 7 0.01 0.07 0.21 0.27 0.22 0.12 0.02 Intercept x 8 0.31-389.17-2574.33-3937.27-1441.27-1821.05 2037.85 Table 5 Independent variables for gasket Independent variables Schedule Area x 0 0.00 0.00 0.00 0.00 0.00 0.00 0.00 LWT x 1 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Lifetime x 2 0.00 0.00 0.00-0.28-0.13-0.37-0.15 Production x 3 0.42 0.00-4.75 2.39-1.80 31.93 91.86 Building_Time x 4 0.00 0.00 0.00 2.85 0.63 4.43 4.69 No_of_Block x 5 0.00-0.01 0.11 0.04 0.12 0.21-0.25 Process x 6 0.00-1.07-0.24 0.62-1.65 0.00 0.71 Total_Usage x 7 0.01 0.03 0.03 0.06 0.14 0.21 0.14 Intercept x 8 1.88 105.73 21.97-49.36 158.73 31.62-18.39 Table 6 Independent variables for flange Independent variables Schedule Area x 0 0.00 0.00 0.00 0.00 0.00 0.00 0.00 LWT x 1 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Lifetime x 2 0.00-0.35 0.02 1.94 0.24 0.00 0.26 Production x 3-14.96 99.23-43.47-129.09-70.66 70.91 0.00 Building_Time x 4 1.83-2.33-5.88 4.82 12.38 0.00 0.00 No_of_Block x 5 0.00 0.30 0.06 0.40 0.38 0.09 0.00 Process x 6 0.05 0.09 0.30-0.02 0.00 0.08 0.03 Total_Usage x 7 0.00 0.08 0.11 0.15 0.11 0.05 0.01 Intercept x 8 4.40-14.35 45.31 38.52 66.34 22.03 1.31 Table 7 Independent variables for elbow Independent variables Schedule Area x 0 0.00 0.00 0.00 0.00 0.00 0.00 0.00 LWT x 1 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Lifetime x 2 0.00 0.00 0.00-0.43-0.34-0.21 0.04 Production x 3 0.00 16.05 37.41 92.18 25.98-1.66 0.00 Building_Time x 4 0.00 0.03 0.00 0.34-0.95 0.00 0.00 No_of_Block x 5 0.00 0.00 0.08 0.00 0.00 0.00 0.00 Process x 6 0.00 0.00 0.95 2.41 0.74 1.20-0.43 Total_Usage x 7 0.00 0.03 0.17 0.29 0.23 0.09 0.00 Intercept x 8 1.81 7.51-82.06-193.27-54.80-98.07 36.88 248 대한조선학회논문집제 55 권제 3 호 2018 년 6 월
오민재 노명일 박성우 김성훈 Table 8 Independent variables for example projects Independent variable Project 1 Project 2 Project 3 Area of topside Area 15,740.7 15,911.8 16,596.2 Light weight of topside LWT 16,234 16,398 17,710 Lifetime of offshore structure Lifetime 19 17 19 Oil production Production 0.13 0.12 0.14 Time of building Building_Time 2.8 2.8 2.4 Number of blocks No_of_Block 94 113 108 Fig. 5 Estimated requirement of the project 1 그래프를보면실제로배관자재의소요량과비슷한추세를보여준다는것을알수있다. 그래프에서는배관스풀 (spool) 을제작하는데사용하는배관, 플랜지, 엘보우자재들은그소요시점이중간에몰려있으나, 배관스풀을제작하는데는사용하지않으나, 제작된배관스풀을각위치에설치하고연결을해줄때필요한가스켓자재는소요시점이비교적뒤에형성되어있다는것을확인할수있다. 그래프를보면실제로배관자재의소요량과비슷한추세를보여준다는것을알수있다. 그래프에서는배관스풀을제작하는데사용하는배관, 플랜지, 엘보우자재들은그소요시점이중간에몰려있으나, 배관스풀을제작하는데는사용하지않으나, 제작된배관스풀을각위치에설치하고연결을해줄때필요한가스켓자재는소요시점이비교적뒤에형성되어있다는것을확인할수있다. 4.3.3 결과고찰 Fig. 6 Estimated requirement of the project 2 Fig. 7 Estimated requirement of the project 3 회귀분석을이용한소요량추정은실제소요실적과비슷한추세를보여주고있으나, 오차가존재한다. 대개의경우추정한소요량이실적소요량보다크게산출되었으며전체자재는실적소요량대비평균 10% 정도의오차를보여주고있다. 프로젝트 1에서산출된결과 Fig. 8을보면 60% 일정에서파이프자재의오차율이가장크게발생하였다. 프로젝트 2에서는엘보우자재의오차율이 60% 구간에서가장크게발생하였으며 Fig. 9, 프로젝트 3의결과 Fig. 10에서는가스켓에서의오차율이가장컸다. 이와같은오차는회귀분석을수행할때활용한데이터의종류및수와도관련이있다. 본연구에서는회귀분석을수행하기위해서 10 척의실적데이터를활용하였다. 그리고회귀분석을위해서는다양한독립변수에대한고찰이필요하다. 프로젝트에대한다양한데이터를갖고있으면여러종류의독립변수를설정하여상관분석을실행하고, 적절한독립변수를도출하여회귀분석을실행함으로써정확한회귀분석식을만들수있다. 또한, 조선소에누적된데이터중설계에서입력한자재소요데이터나현장에서등록한일별실적을모아분석을시행하면훨씬정확한결과를얻을것으로기대하며, 빅데이터로서의효용성도높아지리라예상한다. JSNAK, Vol. 55, No. 3, June 2018 249
빅데이터분석을이용한해양구조물배관자재의소요량예측 Table 9 Estimated requirement of material per schedule Project 1 Project 2 Project 3 Material Total usage Estimated requirement per schedule Pipe (m) 5594 55.92 463.68 1,422.61 1,843.81 1,373.72 731.43 133.35 Gasket (ea) 429 4 15 22 47 79 152 104 Flange (ea) 899 13 82 187 271 226 88 31 Elbow (ea) 343 3 18 71 131 84 40 10 Pipe (m) 4679 46.84 422.85 1,195.04 1,667.06 1,166.58 568.96 88.04 Gasket (ea) 457 4 15 25 51 84 162 103 Flange (ea) 934 13 90 193 282 237 91 31 Elbow (ea) 355 4 18 75 137 87 43 10 Pipe (m) 4577 45.82 405.66 1,151.83 1,573.29 1,124.24 527.32 142.58 Gasket (ea) 488 5 18 25 50 91 166 107 Flange (ea) 943 12 91 197 283 231 93 32 Elbow (ea) 333 3 18 69 126 81 38 11 Fig. 8 Comparison of record and estimation for the project 1 Fig. 9 Comparison of record and estimation for the project 2 5. 결론및향후계획 본연구에서는빅데이터기술을이용한조선해양산업에의응용어플리케이션으로해양구조물배관자재의소요량을예측하는방법을제안하였다. 각자재별로공정진행률에따른소요량 Fig. 10 Comparison of record and estimation for the project 3 을회귀분석식을이용하여나타냈으며, 이식을이용하여새로운해양구조물프로젝트에사용될배관자재의양과그시점을예측할수있다. 또한실제사용된기존프로젝트의데이터를기반으로하기때문에설계자의노하우에의한추정소요량보다정확하다고할수있다. 회귀분석의정확도는데이터의규모에따라서결정될수있으므로, 실제조선소에축적된많은양의데이터를이용한다면더욱정확한결과를나타낼것으로기대한다. 본연구의결과를이용한다면, 배관설계자는각시점별정확한물량을계산할수있고, 그에따른구매시점을정의할수있다. 특히본연구에서제안하는각시점별소요량과, 총소요량을바탕으로 Lee et al. (2017) 이제시하는리드타임을고려한다면배관자재물량의정확한주문시점을계산할수있다. 향후연구로, 소요량회귀분석을위해사용한선형회귀분석방법대신에비선형회귀분석방법을적용하여정확도를높이는연구를진행할예정이다 후기 본연구는 (1) 2017 년도정부 ( 과학기술정보통신부 ) 의재원으 250 대한조선학회논문집제 55 권제 3 호 2018 년 6 월
오민재 노명일 박성우 김성훈 로정보통신산업진흥원의지원 (S1106-16-1025, 빅데이터기반의조선산업용설계표준 PLM 플랫폼개발 ), (2) BK21+ 해양플랜트창의인재양성사업단, (3) 서울대학교해양시스템공학연구소, 그리고 (4) 서울대학교해양플랜트특성화대학사업단의지원으로이루어진연구결과의일부임을밝히며, 이에감사드립니다. References Ando, H., 2014. Big data in ship operation and its application - Case study for fuel saving in ship operation. Journal of the Marine Engineering Society in Japan, 49(5), pp.660-665. Gandomi, A. & Haider, M., 2015. Beyond the hype: Big data concepts, methods and analytics. International Journal of Information Management, 35(2), pp.137-144. Ham, D.K., Lee, P. & Woo, J.H., 2016a. A study of method for machine learning application for using shipyard big data. Proceedings of the Society of CAD/CAM Conference, Pyongchang, Republic of Korea, 27-28 January 2016. Ham, D.K., Lee, P. & Woo, J.H., 2016b. A big data-based simulation study for procurement management of shipyard equipment. Proceedings of Korean Society of Industrial Engineering, Jeju, Republic of Korea, 13-15 April 2016. Kim, G.I., Jung, J.S. & Park, G.G., 2013. A study on the evaluation of external impact on ship by big data. Korean Institute of Intelligent Systems, 23(5), pp.379-384. Kim, Y.J., Park, J.K., Lee, J.H., Yang, H.Y. & Jung, M.A., 2013. A study on the bigdata technology and analysis technique for vessel design automation. Proceedings of Symposium of the Korean Institute of Communications and Information Sciences, Jeju, Republic of Korea, 19-21 June 2013. Kim, S.H., Roh, M.I., Kim, K.S. & Oh, M.J., 2017. Big data platform based on Hadoop and application to weight estimation of FPSO topside. Journal of Advanced Research in Ocean Engineering, 3(1), pp.32-40. Kim, U.K., 2014. Ship operation big data as fusion model of shipbuilding industry and ICT. Journal of the Korean Society of Mechanical Engineers, 54(12), pp.49-52. Lee, Y., 2017. A reference model for big data analysis in shipbuilding industry. Master s Thesis. Ulsan: Graduate School of Ulsan National Institute of Science and Technology. Lee, Y., Kim, J.H. & Woo, J.H., 2017. A Study on procurement lead time using big data analysis method and DES simulation for supply chain analysis of offshore piping. Proceedings of the Korean Society of Mechanical Engineers, Ulsan, Republic of Korea, 11-12 May 2017. Li, J., Tao, F., Cheng, Y. & Zhao, L., 2015. Big data in product lifecycle management. The International Journal of Advanced Manufacturing Technology, 81(1-4), pp.667-684. Nedelcu, B., 2013. About big data and its challenges and benefits in manufacturing. Database System Journal, 5(3), pp.10-19. Perera, L.P., 2017. Handling big data in ship performance & navigation monitoring. Smart Ship Technology. London, UK, 24-25 January 2017. Wang, H. et al., 2015. Big data and industrial internet of things for the maritime industry in northwestern Norway. IEEE Region 10 Conference. Macau, Hong Kong, 1-4 November 2015. Zhang, Y., Ren, S., Liu, Y. & Si, S., 2017. A big data analytics architecture for cleaner manufacturing and maintenance processes of complex products. Journal of Cleaner Production, 142(2), pp.626-641. 오민재노명일박성우김성훈 JSNAK, Vol. 55, No. 3, June 2018 251