[실내공기질(IAQ)] CO₂ , 센서 없이도 예측 가능할까? – 저비용 센서와 머신러닝의 결합

회의실에 들어간 지 10분도 안 됐는데, 벌써 하품이 나오고 집중이 안 되나요?
혹시 CO₂ 농도가 이미 1,000ppm을 넘은 건 아닐까요?

그런데, 정말 ‘센서 없이’도 그걸 알 수 있다면 어떨까요?

 

 

요즘은 실내환경 데이터를 기반으로 CO₂ 농도를 예측하는 AI 모델 연구가 활발히 진행 중입니다.

 

오늘은 실내 공기질을 센서 없이 예측하는 방법에 대해 이야기해보겠습니다.

그렇다면, 실제로 이런 기술이 어떻게 활용되고 있을까요? MIT의 한 실험 사례를 소개합니다.

 

 

실제 사례: MIT Senseable City Lab

 

MIT의 Senseable City Lab에서는 ‘Flatburn 프로젝트’라는 이름으로 흥미로운 실험을 진행했습니다.

이 프로젝트의 핵심은 값비싼 공기질 측정 장비 없이도, 저비용 센서와 머신러닝 보정 알고리즘을 결합해 신뢰도 높은 데이터를 얻는 것이었어요.

 

Flatburn 장치는 3D 프린터로 제작하거나 저렴한 부품을 조립해 만들 수 있고,
PM2.5(초미세먼지)와 NO₂(이산화질소)를 측정할 수 있도록 설계되었습니다.

 

이 장치의 모습은 아래 그림처럼 생겼습니다.

 

[그림 1] MIT Senseable City Lab에서 개발한 저비용 공기질 측정 장치 ‘Flatburn’
출처: MIT News, “Low-cost device can measure air pollution anywhere” (2023)

 

 

연구팀은 이 장치를 뉴욕과 보스턴 등지에서 실사용하며, 국가기관의 고성능 장비와 비교 테스트를 진행했죠.

 

그 결과는 꽤 고무적이었어요:

• 약 160만 개의 측정 데이터를 기반으로, 기존 장비와 높은 상관관계를 보였고
• 날씨와 주변 조건을 반영한 머신러닝 보정을 통해 정확도도 충분히 확보할 수 있었어요

 

MIT 팀은 이 장치를 오픈소스로 공개하며, 전 세계 시민들이 스스로 공기질을 모니터링할 수 있도록 돕고 있습니다.
AI는 단순한 예측을 넘어서, 센서의 성능까지 향상시키는 데도 큰 역할을 하고 있습니다.

 

 

 

센서 없이 CO₂ 농도를 예측한다?

 

기존에는 실내 CO₂ 농도를 파악하려면 반드시 전용 센서가 필요했습니다.
하지만 이제는 다양한 간접 요인만으로도 농도를 꽤 정확히 예측할 수 있습니다.

 

예측에 활용되는 주요 변수들:

• 시간대 (업무 시간, 점심 시간 등)
• 공간 크기
• 인원 수 또는 인원 변화 패턴
• 외기 온도 및 습도
• 환기 여부 및 환기 횟수
• 건물 유형 및 층고

이런 변수들을 바탕으로 머신러닝 모델을 학습시키면 센서 없이도 농도 추정이 가능합니다.

 

 

어떤 모델들이 사용될까?

 

각각의 모델은 특성에 따라 예측 정확도나 적용 방식이 달라요. 아래 표로 비교해볼게요.

알고리즘	특징
Random Forest	변수 간 상호작용을 잘 반영
XGBoost	예측 정확도가 높고 빠름
LSTM	시간 흐름을 반영하는 시계열 예측에 강함
ANN	복잡한 패턴 학습에 유리

 

 

특히 LSTM(Long Short-Term Memory)은 CO₂ 농도의 시간 흐름에 따른 변화를 잘 학습하는 데에 적합합니다.

 

 

미래에는 진짜 '센서리스 IAQ 관리' 가능할까?

 

센서 없이도 공기질 상태를 파악할 수 있다면 관리비용도 줄고, 유지관리도 쉬워지겠죠.
AI 모델이 건물 자동제어 시스템(BAS)과 결합되면 다음과 같은 기능이 가능해집니다.

• 인원 증가 시 자동 환기 시작
• 예측된 CO₂ 농도를 기준으로 환기 가이드 제시
• 데이터 기반 공기질 경고 시스템 구축

다만, 정확한 예측을 위해 초기 데이터 수집과 공간별 모델 튜닝이 중요합니다.

 

 

정리하며

 

머신러닝과 실내환경 데이터의 결합은 건축을 더 똑똑하게 만들고 있습니다.
센서 없이도 실내 공기질을 예측하는 기술은 이제 현실이 되고 있습니다.

 

 

“지금 이 공간, 숨쉬기 괜찮을까?”
이 질문에 앞으로는 AI가 대신 답해주는 시대가 올지도 모르겠네요.

 

 

다음 글에서는 직접 머신러닝 모델을 Python으로 구현하는 예제를 다뤄볼게요.

센서 없이도 IAQ를 예측하는 AI의 똑똑한 세계, 계속 함께해요! 씨유쑨 :)

 

 

 

출처: MIT News, “Low-cost device can measure air pollution anywhere”, 2023
https://news.mit.edu/2023/low-cost-device-can-measure-air-pollution-anywhere-0316