I. 서 론
II. 바닥충격음 예측을 위한 이론적 배경
2.1 바닥충격음 영향요인 선행연구 조사
2.2 머신러닝기반 소음 예측 연구 동향
III. 연구 범위 및 방법
3.1 연구 목적 및 분석 절차
3.2 머신러닝 기반 예측모델
3.3 예측을 위한 변수 구성 및 정의
3.4 데이터 전처리 및 모델 학습 방법
IV. 분석 결과
4.1 예측 모델 성능 평가
4.2 바닥충격음 차단성능 예측 변수 중요도
V. 결 론
I. 서 론
최근 우리나라에서 공동주택은 전체 주택의 약 79 %를 차지할 정도로 주거 형태의 중심이 되고 있으며, 특히 아파트 거주 비율은 65 %에 이르고 있다.[1] 그러나 세대 간 구조체가 연속된 공동주택은 구조적 특성상 층간소음 문제가 빈번하게 발생하며, 사회적 갈등과 생활 불편의 주요 원인으로 지적되고 있다. 한국환경공단의 이웃사이센터에 따르면, 2024년 기준으로 접수된 층간소음 민원은 약 2만 8천여 건에 달하며, 이 중 약 72 %가 중량충격음(즉, 뛰거나 걷는 소리)과 관련된 것으로 나타났다. 민원 중 96 % 이상은 아랫집이 피해자이며, 이 중 71 %가 사람이 걷거나 뛰는 소리로 인해 발생하였고, 이들 대부분은 아파트에서 발생한다.[2,3]
층간소음은 음압레벨 외에도 소리의 시간적 패턴, 반복성, 예기치 않음 등이 민원 발생에 영향을 미친다. 또한, 공동주택은 단열 및 기밀 성능이 향상되며 외부소음 유입이 줄어든 반면, 상대적으로 실내에서 발생하는 층간소음에 대한 민감도는 더욱 높아졌다. 나아가 1인 가구의 증가, 재택근무의 확산 등 사회 구조의 변화도 실내 소음 수용력을 저하시켜 층간소음 문제가 더욱 부각되고 있다.[4,5]
이러한 배경에서 층간소음은 단순한 기술적 문제가 아닌, 주거환경의 질과 직결되는 주요 사회적 이슈로 인식되고 있으며, 정부는 이를 제도적으로 관리하고자 노력해왔다. 특히 2019년 감사원의 ‘아파트 층간소음 저감제도 운영 실태’ 감사 결과에 따르면, 사전에 인정받은 바닥충격음 차단구조가 실제 시공 현장에서 기대 성능을 만족하지 못하는 사례가 다수 확인되었으며, 이에 따라 실효성 있는 성능 검증의 필요성이 대두되었다.[6] 이에 2022년부터 공동주택 바닥충격음 사후확인제도가 도입되었고, 사용검사 전 일부 세대를 무작위로 선정하여 현장 성능을 측정하고, 기준 미달 시 보완 시공, 패널티 부과, 준공 지연 등의 실질적인 조치가 취해질 수 있도록 제도적 장치가 마련되었다.[7]
또한, 2024년 국토교통부는 주택법 일부개정법률안을 발의하였으며, 해당 개정안에는 공동주택의 바닥충격음 성능이 일정 기준을 초과할 경우 보완 시공을 의무화하고, 기준을 충족하지 못할 경우 사용검사 자체를 제한하는 조치가 포함되어 있다.[8]
한편, 최근에는 준공 직전 단계에서 바닥충격음 성능을 보완 시공하기 어려운 현실적인 문제가 제기되고 있으며, 실제 현장에서는 보완 공사 시기의 한계로 인해 제도 운영에 어려움을 겪고 있다. 이러한 한계를 보완하기 위한 방안으로, 공정 중 단계에서 성능을 확인할 수 있는 중간점검 제도의 도입이 제안되고 있다. 이러한 제도적 흐름에 부합하기 위해서는 설계 단계 또는 시공 중간 단계에서 바닥충격음 차단성능에 영향을 미치는 주요 요인을 사전에 파악하고 이를 예측적으로 평가할 수 있는 체계를 마련하는 것이 필요하다.
이에 본 연구는 설계단계와 시공단계에서 활용 가능한 정보를 구분하여 예측 접근의 방향성을 검토하고, 다양한 변수 중 차단성능에 결정적인 영향을 미치는 요소를 선별하여 단계별 예측모델 구성의 기초를 마련하는 것을 목적으로 한다. 이를 위해 머신러닝 회귀 기반의 예측모델을 구성하고, 여러 기법의 비교와 변수 중요도 분석을 통해 바닥충격음 차단성능에 대한 각 요인의 상대적 기여도를 통계적으로 평가하였다.
II. 바닥충격음 예측을 위한 이론적 배경
2.1 바닥충격음 영향요인 선행연구 조사
공동주택에서 발생하는 층간소음을 저감하기 위한 연구는 주로 바닥충격음 차단성능 향상에 초점을 맞춰왔다. 특히 국내 공동주택의 대부분은 완충재를 포함한 뜬바닥 구조를 적용하고 있으며, 이 구조의 성능은 자재의 물리적 특성과 구조적 구성 조건의 상호작용에 따라 결정된다. 기존 연구들은 이러한 성능에 영향을 미치는 요인을 자재, 구조, 시공 및 환경 조건 등으로 분류하고, 다양한 실험을 통해 그 영향을 실증적으로 분석해왔다.
완충재의 동탄성계수는 뜬바닥 구조 성능을 평가하는 핵심 변수로 제시된다. Kim et al.[9]은 중량충격음과 동탄성계수 간의 관계를 분석한 결과, 동탄성계수가 8 MN/m3 이하인 경우 공진 현상이 억제되어 차단성능이 향상된다고 보고하였다. Schiavi[10]은 완충재의 공진주파수와 손실계수를 활용하여 경량충격음 저감량을 예측할 수 있는 수식을 제안하며, 물성 기반 성능 예측의 가능성을 제시하였다.
그러나 실험실과 실제 현장 간에는 환경 조건 차이로 인한 성능 편차가 존재할 수 있다. Yeon et al.[11]은 온도 변화에 따라 완충재의 동탄성계수와 손실계수가 재질별로 상이하게 변화하는 특성을 실험적으로 검토하였다. Lee[12]은 마감재의 재질에 따라 바닥충격음 특성이 달라진다는 점을 현장 실험을 통해 확인하였으며, 경량충격음은 목재 마감재가, 중량충격음은 석재 마감재가 상대적으로 우수한 차단 효과를 보인다고 평가하였다.
또한 구조가 동일하더라도 세대의 평면 형태 및 면적 조건에 따라 차단성능에 차이가 나타날 수 있다. Cho[13]은 동일한 뜬바닥 구조를 적용한 공동주택에서 세대의 평면 형태에 따라 성능 차이가 발생하며, 이는 구조의 공진 현상이 충격음 피크에 영향을 미치기 때문이라고 분석하였다. Shin et al.[14]은 동일한 평면과 구조 조건을 갖는 다수 세대를 대상으로 중량충격음 성능을 비교한 결과, 같은 층에 위치한 세대 간 주파수 특성이 유사함을 발견하였고, 이는 동일 시기에 시공된 슬래브를 공유하기 때문으로 해석하였다.
바닥 구조의 슬래브 두께 및 모르타르 구성 방식 또한 바닥충격음 성능에 영향을 미치는 중요한 요소로 제시되고 있다. Yun et al.[15]은 슬래브 두께가 증가할수록 중량충격음의 단일수치 평가량이 전반적으로 낮아지는 경향이 있음을 실증하였으며, Hong et al.[16]은 바닥 모르타르의 구성과 두께가 충격음 차단성능에 영향을 미칠 수 있다는 점을 실험을 통해 확인하였다.
이와 같이 기존 연구들은 자재 특성, 마감재 재질, 세대 평면 형태, 슬래브 두께 등 다양한 구조적 및 환경적 요인이 바닥충격음 성능에 실질적인 영향을 미친다는 사실을 실증적으로 규명해왔다. 본 연구는 이러한 영향요인들을 바탕으로 머신러닝 기반 예측모델의 입력변수로 설정하고자 하며, 이는 바닥충격음 차단성능을 정량적으로 예측하고, 향후 설계·시공 단계에서의 실무 적용 가능성을 높이는 데 활용될 수 있을 것이다.
2.2 머신러닝기반 소음 예측 연구 동향
기존의 바닥충격음 차단성능 예측은 주로 시뮬레이션 기반의 기법에 의존해왔으며, 일부 연구에서는 실험실에서 측정된 데이터를 바탕으로 제한된 변수 조건 하에서 성능 경향을 추정하거나 단순 비교를 수행하기도 하였다. 그러나 다양한 설계 및 환경 변수를 동시에 고려하고, 이들 변수 간의 복잡한 상호작용을 반영할 수 있는 머신러닝 기법이 최근 주목받고 있다.
Bader Eddin et al.[17]은 인공신경망(Artificial Neural Network, ANN)을 활용하여 경량 목조건축 바닥의 공기전달음 및 충격음 차단성능을 예측하는 모델을 개발하였다. 총 252개의 실험 데이터를 기반으로 중고주파수 대역에서 높은 예측 정확도를 보였으며, 비정형 구조물에 대한 적용 가능성을 제시하였다.
이처럼 머신러닝을 활용한 건축 음향 성능 예측 연구는 점차 확대되고 있으나, 대부분 단일 부재나 단순 구조에 국한되며, 국내 공동주택의 복합적인 바닥 구조와 현장 측정 데이터를 반영한 정량적 예측 사례는 매우 제한적이다.
따라서 본 연구는 다양한 구조적·환경적 변수와 실측된 충격음 데이터를 통합하여 머신러닝 기반의 예측모델을 구축하고자 하며, 이를 통해 바닥충격음 성능을 보다 정밀하고 실용적으로 예측할 수 있는 기반을 마련하고자 한다.
III. 연구 범위 및 방법
3.1 연구 목적 및 분석 절차
「주택법」 제2조 및 제3조에 따라 정의된 공동주택을 대상으로, 바닥충격음 차단성능에 영향을 미치는 주요 결정변수를 도출하는 것을 본 연구의 목표로 설정하였다.
현행 기준에서 준공전 바닥충격음 차단성능을 평가하고 있으나, 설계 단계에서 이를 정량적으로 예측하거나 설계 요소로 활용하는 데에는 여전히 한계가 존재한다. 이러한 배경 아래, 다양한 실측 데이터를 활용한 머신러닝 기반 통계모델을 통해 영향력 있는 변수를 식별하고자 하였다.
전체 연구의 전개 흐름은 아래 Fig. 1과 같이 정리된다.
먼저, 층간소음 저감의 필요성과 기존 제도적 한계를 검토하여 연구의 방향성을 설정하였고, 선행연구 고찰을 통해 변수 후보군을 구성하였다. 이후 실측데이터 확보가 가능한 공동주택을 기준으로 데이터를 수집하고, 경량충격음과 중량충격음으로 구분하여 예측모델을 학습하였다.
여러 머신러닝 기법의 성능을 비교한 뒤, 예측력이 가장 우수한 모델을 기반으로 변수 중요도 분석을 수행하고, 이를 바탕으로 바닥충격음에 영향을 미치는 주요 결정변수를 도출하였다.
3.2 머신러닝 기반 예측모델
공동주택의 바닥충격음 차단성능을 정량적으로 예측하고 주요 결정변수를 도출하기 위해 머신러닝 기반 회귀모델을 구성하였다.
해당 분석은 R 언어 기반의 통계 분석 프로그램인 R Studio를 사용하여 수행하였으며, 예측모델은 선형회귀, 결정트리, 서포트 벡터 머신, 랜덤포레스트의 네 가지 머신러닝 회귀 기법을 적용하였다. 각 기법은 변수 간 관계 설정 방식과 모델의 일반화 능력, 해석 가능성 등에서 상이한 특성을 지닌다.
선형회귀는 입력 변수와 출력 변수 간 선형 관계를 가정하여 회귀 계수를 도출하는 방식으로, 변수 간의 전체적인 경향성과 영향을 파악하는 데 유리하다. 모델 구조가 단순하고 해석이 용이하다는 장점이 있으나, 비선형 특성이 강한 데이터에 대해서는 예측 성능이 제한될 수 있다.[18]
결정트리는 입력 변수의 분할 기준을 통해 데이터를 계층적으로 분기하여 예측값을 산출하는 방식으로, 변수 간 비선형 관계를 간결한 규칙 기반 구조로 설명할 수 있다. 직관적이고 해석이 쉬운 모델이지만, 단일 트리 기반일 경우 과적합의 가능성이 존재한다.[19]
서포트 벡터 머신은 고차원 공간에서 데이터 간 경계를 최적화하여 예측 모델을 구성하며, 커널 함수를 통해 비선형 문제에도 대응할 수 있는 유연성을 갖는다. 그러나 모델의 하이퍼파라미터 설정이 복잡하고, 해석이 상대적으로 어려운 단점이 있다.[20]
랜덤포레스트는 다수의 결정트리를 무작위로 생성하고 그 결과를 앙상블하여 최종 예측을 도출하는 방식으로, 과적합 위험을 줄이고 예측 안정성을 확보할 수 있다. 또한 변수 중요도 분석 기능이 내재되어 있어 주요 영향 요인을 정량적으로 도출하는 데 효과적이다.[21]
이와 함께, 각 기법의 성능을 비교함으로써 바닥충격음 예측에 가장 적합한 모델을 도출하고, 랜덤포레스트 기반의 변수 중요도 분석을 통해 결정 변수의 상대적 영향력을 분석하였다.
3.3 예측을 위한 변수 구성 및 정의
공동주택의 바닥충격음 차단성능을 예측하고 주요 결정변수를 분석하기 위해, 국토교통부 통계누리 자료를 바탕으로 최근 5년간 국내에 공급된 공동주택 약 200만 세대를 모집단으로 설정하였다. 최소 표본 수는 신뢰수준 95 %(Z = 1.96), 허용오차 5 %(E = 0.05), 최대 분산(p = 0.5)을 기준으로 Eq. (1)과 같이 산정하였다.
이후 유한 모집단 보정을 적용하여 최종 표본 수 n은 Eq. (2)에 따라 계산하였다.
모집단 대비 표본 비율의 타당성을 고려한 결과로 최종 표본 수는 약 384세대로 유지되었으며, 총 415세대의 실측 데이터를 확보하여 분석에 활용하였다. 수집된 데이터는 바닥충격음 차단성능을 정량적으로 예측하기 위한 모델의 변수 설정에 활용되었다.
한편, 현장 측정은 KS F 2810-1 및 KS F 2810-2 기준에 따라 표준충격원인 태핑머신과 뱅머신을 사용하여 1/3 옥타브밴드 31.5 Hz ~ 4000 Hz 대역을 측정하였으며, 해당 측정값은 예측 모델의 입력 변수로 활용되었다.[22,23]
반면, 출력 변수로 사용된 단일수치 평가는 KS F 2863-1 및 KS F 2863-2에 따라 1/1 옥타브밴드로 변환하여 산출되었다.[24,25] 이와 같이 동일한 측정 데이터를 바탕으로 입력 변수와 출력 변수의 주파수 대역 및 밴드 유형이 상이한 것은, 측정 및 평가 방법에 기인한 것이며, 예측 성능 향상을 고려하여 입력 변수는 전체 측정 주파수 대역 31.5 Hz ~ 4000 Hz를 포함하도록 설정하였다.
출력변수는 경량충격음은 1/1 옥타브밴드 125 Hz ~ 2000 Hz 주파수 대역의 역 A특성 가중 규준화 바닥충격음 레벨(L’n,AW)이며, 중량충격음은 1/1 옥타브밴드 63 Hz ~ 500 Hz 주파수 대역의 A특성 최대 바닥충격음 레벨(Li,Fmax,AW)로 정의되며, Table 1과 같다. 두 지표는 실내로 전달되는 충격음을 정량화한 수치로, 값이 낮을수록 차단성능이 우수함을 나타낸다.
Table 1.
Output variables for floor impact sound prediction.
| Category | Variable name | Unit |
| Floor impact sound | A-weighted standardized impact sound pressure level (L’n,AW) | dB |
| A-weighted maximum impact sound pressure level (Li,Fmax,AW) | dB |
입력 변수는 바닥충격음 차단성능을 측정하여 얻을 수 있는 정보와 선행연구를 통해 확인된 주요 영향요인들을 종합적으로 고려하였으며, Table 2와 같이 바닥 구조, 환경조건, 건축 제원, 바닥충격음의 네 가지 범주로 구분하였다.
Table 2.
Input variables for floor impact sound prediction.
먼저, 바닥구조 변수에는 콘크리트 슬래브 두께, 완충재의 재질·두께·형상, 경량기포콘크리트, 선모르타르 및 마감모르타르의 두께, 바닥마감재의 재질 및 두께가 포함되며, 이는 구조체의 감쇠 특성과 에너지 전달 경로를 결정하는 주요 인자로 작용한다.
다음으로, 환경조건 변수는 실내외 온도, 습도, 측정 시기와 같은 외부 요인으로 구성되며, 이는 재료의 물성 변화나 바닥구조의 동적 특성에 영향을 미칠 수 있는 간접적 요인들이다. 계절에 따른 기온 변화는 바닥 구조 내 습윤 상태나 경질재료의 강성에 변화를 초래할 수 있으며, 이를 예측모델의 입력 변수로 정량화하여 반영하였다.
건축 제원 변수는 실내 공간의 기하학적 특성과 구조 형식을 반영하는 항목으로서, 거실의 길이, 너비, 높이를 바탕으로 산정한 면적, 체적, 장단변비(거실 길이와 너비의 비율), 구조 형식(벽식, 기둥식), 층수 등을 포함한다. 이러한 변수들은 수직 및 수평 방향의 음압 전달 조건 및 실내 공진 특성에 영향을 미친다.
마지막으로, 바닥충격음 변수는 실제 측정된 주파수별 음압레벨 데이터를 포함하며, 입력 변수 구성에서 가장 직접적인 영향을 설명하는 항목이다. 이를 포함하거나 제외하는 두 가지 조건으로 모델을 각각 학습시켜 예측 성능의 차이를 비교하였다. 이를 통해 실측값 유무가 예측 정확도에 미치는 영향을 비교·분석하였다. 이와 같은 방식은 현장 측정이 어려운 상황에서도 예측모델의 적용 가능성을 확보하기 위한 목적으로 수행되었다.
3.4 데이터 전처리 및 모델 학습 방법
본 연구에서는 전체 데이터셋을 무작위로 분할하여 70 %를 학습용, 30 %를 검증용으로 사용하였으며, 모델의 일반화 성능을 확보하기 위해 5겹 교차검증을 적용하였다.[26]
수치형 변수는 평균 0, 표준편차 1로 정규화하는 z-score 방식을 적용하여 변수 간 스케일 차이를 보정하였다. 이는 선형회귀와 서포트벡터머신과 같이 입력값의 크기에 민감한 모델에서 성능 향상에 기여한다. 트리 기반 모델은 값의 상대적 순서를 기준으로 분할하므로 정규화의 필요성이 낮으나, 본 연구에서는 모델 간 공정한 비교를 위해 동일한 방식으로 전처리를 수행하였다.
범주형 및 문자형 변수는 one-hot encoding을 통해 이진 변수로 변환하였다. 또한 교차검증의 각 fold마다 전처리를 독립적으로 수행하여 검증 데이터의 정보가 학습 단계에 유입되는 데이터 누수를 방지하였다.
모든 모델은 동일한 전처리 과정을 거친 후 교차검증을 통해 성능을 비교하였으며, 예측 성능 평가는 결정계수(R2), 평균제곱근오차(Root Mean Squared Error, RMSE), 평균절대오차(Mean Absolute Error, MAE)를 기준으로 수행하였다. 결정계수는 실제값의 분산 중 예측값이 설명하는 비율을 나타내며 회귀 모델의 설명력을 평가하는 지표이다.[21] RMSE는 큰 오차에 민감하게 반응하고, MAE는 오차의 절대값 평균을 통해 직관적인 예측 정확도를 제공한다.[27]
변수 중요도 분석은 랜덤포레스트 기반의 평균제곱오차 증가율(%IncMSE)을 사용하였다. 이는 특정 변수를 제거하거나 무작위로 변형하였을 때 예측 정확도가 감소하는 정도를 기준으로 변수의 상대적 기여도를 평가하는 방식이다.[21] 또한 주파수별 측정 데이터 입력 변수를 포함한 경우와 제외한 경우를 각각 분석하였다. 분석 결과, 선형회귀와 서포트벡터머신은 주파수 정보가 포함될 때 예측 성능이 향상된 반면, 결정트리와 랜덤포레스트는 주파수 포함 여부와 관계없이 안정적인 성능을 보였다.
IV. 분석 결과
4.1 예측 모델 성능 평가
머신러닝 기반 회귀모델의 예측 성능 비교를 위해, 경량충격음과 중량충격음 단일 수치 평가량을 출력 변수로 설정하였다. 입력 변수는 현장 측정값의 포함 여부에 따라 두 가지 조건으로 구성하였으며, 각 모델의 성능은 결정계수, 평균제곱근오차, 평균절대오차를 기준으로 설명력과 예측 정확도를 종합적으로 평가하였다.
Table 3은 현장 측정 데이터를 제외하고, 바닥 구조, 환경 조건, 건축 제원 세 범주의 변수만을 입력값으로 사용한 경우의 예측 결과를 나타낸다. 경량충격음 예측에서 랜덤포레스트의 R2은 0.571로 가장 높은 설명력을 보였으며, 선형회귀는 0.520, 결정트리는 0.348, 서포트벡터머신은 0.332 순으로 나타났다. 중량충격음 예측에서도 랜덤포레스트의 R2은 0.715로 가장 우수하였고, 서포트벡터머신은 0.534, 선형회귀는 0.504, 결정트리는 0.500으로 분석되었다. 모든 모델에서 예측 정확도는 낮은 수준에 머물렀으며, 이는 측정값 없이 설계 변수만으로는 바닥충격음 차단성능을 정밀하게 예측하기에는 한계가 있음을 보여준다.
Table 3.
Comparison of model performance (without field data).
Table 4는 동일한 모델 구성에 측정 데이터를 포함하여 학습한 경우의 예측 결과이다. 경량충격음 예측에서는 랜덤포레스트가 R2은 0.933으로 가장 우수한 성능을 나타냈으며, 선형회귀는 0.854, 결정트리는 0.843, 서포트벡터머신은 0.759로 분석되었다. 중량충격음 예측에서도 랜덤포레스트의 R2은 0.939, RMSE는 0.961, MAE는 0.595로 가장 높은 정확도를 기록하였다. 그 외 모델들은 결정트리 0.887, 선형회귀 0.831, 서포트벡터머신 0.799 순이었다. 동일한 모델 구조 하에서도 실측 주파수 데이터를 포함한 경우 예측 성능이 현저히 향상되는 결과가 나타났으며, 이는 단일수치 평가량이 본래 측정 데이터를 기반으로 산출된다는 점에서 예측 정확도의 개선은 자연스러운 결과로 해석될 수 있다. 따라서 본 분석은 네 가지 회귀 기법 간의 상대적 예측 안정성과 성능 차이를 평가하는 데 중점을 두었으며, 각 모델이 입력 변수 구성에 따라 얼마나 일관된 설명력과 예측력을 유지하는지를 검토하였다. 이러한 비교 결과는 단순한 기법 간 성능 차이의 확인에 그치지 않고, 설계 단계와 시공 단계에서 수집할 수 있는 데이터의 범위 차이를 반영한 두 유형의 예측모델의 타당성 검증을 목적으로 한다. 즉, 현장 측정값을 제외한 모델은 설계 변수만으로 예측 가능한 한계를 정량화하고, 측정값을 포함한 모델은 시공 중 확보 가능한 주파수별 충격음 레벨을 추가하여 시공단계에서 성능 예측의 현실적 가능성을 검토하였다.
Table 4.
Comparison of model performance (with field data).
4.2 바닥충격음 차단성능 예측 변수 중요도
머신러닝 기반 예측모델을 활용하여 바닥충격음 차단성능에 영향을 미치는 주요 변수를 도출하고, 경량충격음과 중량충격음을 각각 대상으로 하여 현장 측정 데이터 포함 여부에 따른 변수 중요도 변화를 비교하였다. 변수 중요도 평가는 예측 성능이 가장 우수하게 나타난 랜덤포레스트 모델을 기반으로 수행되었으며, 평균제곱오차 증가율 지표를 활용하여 각 변수의 상대적 기여도를 산정하였다.
Fig. 2는 측정 데이터를 포함하지 않고 경량충격음을 예측한 경우의 변수 중요도 분석 결과를 나타낸다. 가장 큰 기여도를 보인 변수는 완충재 형상으로, 이를 제거하였을 때 평균제곱오차가 36.8 % 증가하였다. 다음으로 바닥마감재 종류는 16.1 %, 거실 높이는 15.1 %, 바닥마감재 두께는 13.1 %, 장단변비는 11.4 %, 실내 온도는 11.0 %로 나타났다. 이 외에도 상대습도, 측정층, 거실 폭, 전용면적이 주요 변수로 도출되었다. 이러한 결과는 바닥 구성 재료의 물성과 실내 공간의 특성과 환경적 요인이 경량충격음 예측에 유의미한 영향을 미친다는 점을 나타내며, 이는 경량충격음이 중고주파수 대역에 집중되어 나타나며, 공기전달음의 에너지 전달 특성이 이러한 요인들의 영향을 받아 모델의 예측 결과에 반영된 것으로 판단된다.
Fig. 3은 측정 데이터를 포함하지 않고 중량충격음을 예측한 경우의 변수 중요도를 보여준다. 완충재 형상, 바닥마감재 두께, 바닥마감재 종류가 각각 15.6 %, 15.5 %, 15.1 %로 가장 높은 중요도를 나타냈으며, 완충재 재질, 실내 온도, 거실 폭, 상대습도, 전용면적, 측정층, 장단변비 등이 뒤를 이었다. 중량충격음은 주로 50 Hz ~ 250 Hz의 저주파수 대역에 에너지가 집중되므로, 바닥 구조체의 두께 및 물성이 진동 감쇠에 핵심적인 역할을 한다는 점을 반영한 결과로 해석할 수 있다.
Fig. 4는 측정 데이터를 포함하여 경량충격음을 예측한 경우의 변수 중요도 결과이다. 상위 10개 변수는 모두 태핑머신으로 측정된 주파수별 충격음 레벨로 구성되었으며, 가장 높은 중요도를 보인 변수는 250 Hz 대역으로 33.4 %를 기록하였다. 다음으로 500 Hz, 1000 Hz, 800 Hz, 630 Hz, 125 Hz, 315 Hz, 80 Hz, 200 Hz, 160 Hz의 순으로 나타났다. 이는 단일수치 평가량이 주파수별 측정 데이터를 기반으로 산출된다는 점에서, 해당 입력값들이 예측 정확도에 높은 기여도를 보이는 것은 자연스러운 결과로 해석된다.
Fig. 5는 측정 데이터를 포함하여 중량충격음을 예측한 경우의 변수 중요도 분석 결과이다. 가장 높은 중요도를 보인 변수는 뱅머신을 통해 측정된 63 Hz 대역으로 39.5 %를 기록하였으며, 이어서 50 Hz가 21.4 %, 100 Hz가 8.2 %로 나타났다. 그 외에도 80 Hz, 125 Hz, 그리고 일부 태핑머신 측정값인 100 Hz, 80 Hz, 50 Hz, 125 Hz, 250 Hz 등의 주파수 대역이 상위 변수로 도출되었다. 중량충격음 예측에 있어 일부 경량충격음 주파수 대역의 측정값도 변수 중요도 분석에서 상위에 포함되었으나, 그 중요도는 상대적으로 낮은 수준에 그쳤다. 이는 동일한 바닥 구조체를 통해 두 종류의 충격음이 전달되는 과정에서, 일부 주파수 대역에서의 에너지 전달 특성이 중첩될 수 있음을 보여주는 결과로 해석된다. 일부 경량충격음 주파수 대역의 측정값이 중량충격음 예측 과정에서 부분적인 설명력을 보였으나, 그 영향은 중량충격음 측정값에 비해 상대적으로 미미한 수준에 그쳤다.
V. 결 론
본 연구는 공동주택의 바닥충격음 차단성능을 정량적으로 예측하기 위해 머신러닝 기반 회귀모델을 학습하고, 설계 단계와 시공 단계에서 수집할 수 있는 데이터의 범위 차이를 반영한 예측모델의 적용 가능성을 검토하였다. 이를 위해 현장 측정 데이터의 포함 여부에 따라 모델을 구분하여 비교·분석하였으며, 각 조건에서의 예측 성능과 변수 중요도를 통계적으로 평가하였다.
예측 결과, 측정 데이터가 포함되지 않은 모델에서는 모든 기법에서 R2이 0.332 ~ 0.715 수준으로 나타나, 건축적·구조적 변수만으로는 바닥충격음의 단일수치 평가량을 정밀하게 예측하기에 한계가 있음을 확인하였다. 그럼에도 랜덤포레스트는 다른 기법에 비해 상대적으로 높은 설명력을 유지하였으며, 이는 변수 간 비선형성과 상호작용을 효과적으로 반영하는 모델 구조의 특성에 기인한 것으로 판단된다. 반면, 측정 데이터를 포함한 모델에서는 모든 기법의 성능이 현저히 향상되었으며, 랜덤포레스트는 중량충격음 예측에서 R2이 0.939, RMSE가 0.961, MAE가 0.595로 가장 높은 예측 정확도를 보였다. 이와 같은 예측 성능의 향상은 이론적으로 타당한 결과로 볼 수 있으며, 이는 단일수치 평가량이 측정 데이터를 기반으로 정의된 지표이기 때문이다.
변수 중요도 분석 결과, 측정 데이터가 포함되지 않은 경우 완충재 형상, 바닥마감재 종류, 층상 및 두께 등의 설계 변수가 주요 요인으로 작용하였으며, 측정 데이터가 포함된 경우에는 표준충격원으로 측정된 주파수별 음압레벨이 절대적인 영향을 미쳤다. 특히 중량충격음 예측 과정에서 일부 경량충격음의 저주파 대역(50 Hz ~ 250 Hz) 측정값이 낮은 수준이지만 예측 변수로 포함되었으며, 이는 동일한 구조체 내에서 발생하는 저주파 에너지 전달 특성의 중첩 가능성을 시사한다. 다만 그 영향은 중량충격음 측정값에 비해 상대적으로 미미한 수준에 그쳤다.
이러한 결과는 설계단계에서는 건축적 제원과 재료 특성에 기반한 성능 예측의 한계와 주요 변수의 영향도를 파악하는 데 활용될 수 있으며, 시공단계에서는 실측 데이터를 추가 반영함으로써 준공 전 성능의 조기 예측과 품질관리의 효율화를 도모할 수 있음을 보여준다.
머신러닝 기반의 성능 예측 방법은 본 연구에서 설계 및 시공단계별 적용 가능성을 탐색한 초기적 연구로, 향후 보다 다양한 조건과 데이터셋을 통해 예측 성능을 체계적으로 검증할 필요가 있다. 또한, 건축적 제원을 확장한 데이터 확보와 모델 검증의 반복 수행, 결측값 보정 및 변수 상관성 제어를 통한 모델의 일반화와 신뢰성 향상, 그리고 딥러닝이나 시뮬레이션 기반 데이터 융합 학습을 통해 공동주택 바닥충격음의 설계·시공의 전 과정에 적용 가능한 예측체계로 발전시킬 필요가 있다.
