Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 2288-0992(Print)
ISSN : 2288-100X(Online)
Protected Horticulture and Plant Factory Vol.23 No.3 pp.181-191
DOI : https://doi.org/10.12791/KSBEC.2014.23.3.181

Predictive Model of Micro-Environment in a Naturally Ventilated Greenhouse for a Model-Based Control Approach

Se-Woon Hong1, In-Bok Lee2*
1Division of M3-BIORES (Measure, Model & Manage Bioresponses), Department of Biosystems, KU Leuven, Leuven 3000, Belgium
2Department of Rural Systems Engineering, Seoul National University, Seoul 151-921, Korea
Corresponding Author : iblee@snu.ac.kr
August 12, 2014 August 14, 2014 August 20, 2014

Abstract


자연 환기식 온실의 모델 기반 환기 제어를 위한 미기상 환경 예측 모형

홍 세운1, 이 인복2*
1루벤대학교 바이오시스템학부 M3-BIORES
2서울대학교 지역시스템공학과

초록

Modern commercial greenhouse requires the use of advanced climate control system to improve crop production and to reduce energy consumption. As an alternative to classical sensor-based control method, this paper introduces a model-based control method that consists of two models: the predictive model and the evaluation model. As a first step, this paper presents straightforward models to predict the effect of natural ventilation in a greenhouse according to meteorological factors, such as outdoor air temperature, soil temperature, solar radiation and mean wind speed, and structural factor, opening rate of roof ventilators. A multiple regression analysis was conducted to develop the predictive models on the basis of data obtained by computational fluid dynamics (CFD) simulations. The output of the models are air temperature drops due to ventilation at 9 sub-volumes in the greenhouse and individual volumetric ventilation rate through 6 roof ventilators, and showed a good agreement with the CFD-computed results. The resulting predictive models have an advantage of ensuring quick and reasonable predictions and thereby can be used as a part of a real-time model-based control system for a naturally ventilated greenhouse to predict the implications of alternative control operation.


    Electronics and Telecommunications Research Institute

    서 론

    온실과 같은 농업 시설의 내부 환경 조절은 효과적인 생산을 위한 필수적인 요소이다. 농업 시설의 내부 환경 조절을 위한 방법으로 이전부터 센서 기반의 제어 방식 이 사용되어 왔다. 센서 기반 제어 방법은 시설 내부에 서 온도와 같은 특정 인자를 실측한 후, 이를 목표로 하 는 값과 비교하여 제어 시스템을 작동시키는 방법이다. 여기서 제어 시스템의 작동은 가장 단순한 On-Off 제어 부터 PID 제어와 퍼지 제어 등 효과제인 제어를 위한 방법들이 개발되어 보편적으로 사용되어 왔다 (Chung 등, 2001).

    시설 내부가 완벽하게 혼합되어 균일하다면 시설 내부 의 한 지점의 측정을 통하여 시설 내부를 대표하는 내 부 기온 및 특정 인자를 파악할 수 있다 (Fiak과 De Almeida, 1998). 그러나 환기가 이루어지는 농업 시설에 서의 내부 균일성 확보는 거의 불가능한 일이며, 따라서 센서가 설치된 지점에서의 측정값이 가지는 대표성은 센 서 기반의 제어 방식에서 중요한 문제이다. 또한 센서를 통해 수집된 정보를 바탕으로 시설의 환기를 조절하는 장치가 작동하고, 다수의 피드백 과정을 거쳐 목표로 하 는 환경에 도달하기 까지 시간적인 지연이 발생하게 되 며, 이로 인하여 시설 내부의 환경 조절도 지연되고 거 시적으로 볼 때 환경 조절에 소비되는 에너지를 효과적 으로 활용하지 못하는 문제점이 발생될 수도 있다 (Vranken 등, 2005).

    센서 기반의 환경 제어 방식과는 다르게 모델 기반의 환경 조절 방식은 시설 내부 환경 예측 모델을 이용하 여 가상의 환기 작동 시나리오에 대한 환경 변화를 예 측해보고, 가장 좋은 방안을 선택하여 가동하는 방법이 다 (Mahdavi와 Pröglhöf, 2008). 이러한 방식은 두 가지 중요한 모델을 필요로 하는데, 먼저 실제 온실을 대신하 는 가상의 온실 모델 또는 환기 모델은 기상 인자 또는 기타 필요한 인자들로부터 환기 성능과 온실 내의 환경 변화를 예측하는 역할을 한다. 또 다른 모델은 평가 모 델로서 다양한 환기 시스템 작동 시나리오를 가상 온실 모델로 모의한 후, 그 중에서 가장 좋은 대안을 결정하 는 최적화 과정을 수행한다. 예측 모델은 흔히 현장 실 측에서 얻어진 데이터들을 통계적인 방법으로 분석하여 얻을 수 있으며, 수치해석적인 방법으로 대신할 수도 있 다 (Mahdavi와 Pröglhöf, 2005). Ntoula 등 (2011)Youssef 등 (2011)은 현장에서 실측된 데이터를 기반으 로 하여 전달함수(transfer function)법을 사용하여 온실 의 미기상을 예측하는 모델을 구성하기도 하였다. 자연 환기식 시설의 경우에는 급변하는 기상 조건에 의해 양 질의 현장 실험 데이터를 확보하기 힘든데, 이러한 경우 전산유체역학 시뮬레이션을 통해 다양한 환경 조건에 따 른 온실 환기 성능에 대한 데이터를 확보하고 이들을 Response surface model을 사용하여 예측 모델을 개발하 는 경우도 있다 (Shen 등, 2013). 다양한 환경조건 뿐만 아니라 냉난방 장치 등과 연계하여 온실의 미기상을 예 측하는 모델을 개발하는 경우에는 매우 복잡한 비선형 방정식으로 표현되는 경우가 대부분이다. 이에 Blasco 등 (2007)은 유전 알고리즘을 사용하여 복잡한 비선형 예측 모델을 완성하였으며, 또한 유전 알고리즘을 제어 시나리오을 결정하는 평가 과정에 사용하여 에너지 효율 성을 높이고자 시도하였다. 이러한 모델 기반의 제어 방 식은 피드백 과정을 생략하여 보다 능동적으로 시설 내 부 환경을 조절할 수 있으며 (Vranken 등, 2005), 가상 온실 모델의 정교함에 따라 내부 균일성 문제를 해결할 수도 있을 것으로 기대된다.

    온실의 환기 성능을 예측하기 위한 가상 온실 모델은 간단한 박스 모델부터 복잡한 수치해석 기법으로 다양하 게 구현될 수 있으나 중요한 점은 실시간 제어의 관점 에서 충분히 짧은 시간 내에 예측 결과가 산출되어야 하는 점이다. 이러한 관점에서 본 연구에서는 다양한 환 경 조건에서 얻어진 온실 미기상 데이터에 기반을 두어 회귀 분석에 의한 가상 온실 환기 예측 모형을 제시하 고자 하였으며, 이에 필요한 데이터는 전산유체역학 시 뮬레이션으로 확보하였다. 본 연구에서 개발된 예측 모 형은 추후에 평가 모델과 함께 모델 기반의 온실 환경 조절 시스템을 개발하는데 활용될 것이다.

    재료 및 방법

    1대상 온실과 기상 환경 조건

    대상 온실은 한국전자통신연구원에서 제공한 실험용 온실로서 부산원예시험장 (농촌진흥청) 내에 설치되어 있으며, Fig. 1과 같이 3동으로 구성되어 있다. 그 중 하 나의 동을 연구의 대상으로 정하였으며, 건물의 체적은 1,437m3, 바닥 면적은 342.24m2 이다. 대상 온실은 길이 방향으로 3개의 구역 (폭 9.2m, 길이 12.4m, 측고 2.9m, 동고 5.5m)으로 구분되어 있으며, 3개 동의 연결부에 가 까운 순으로 1구역, 2구역, 3구역으로 번호를 부여하였 다. 각 구역의 사이에는 폭 2.8m 높이 2.23m의 출입문 이 개방되어 있다. 지붕 환기창의 크기는 폭 1.0m, 길이 10.5m 이며, 랙-피니언 방식으로 개폐되고, 천창이 지면 에 수평하게 열린 경우가 100% 열린 상태이다.

    대상 온실이 부산원예시험장 내에 시공되어 있으므로, 부산 지역의 2011년도 기상 측정 정보로부터 시뮬레이 션에 활용될 기상 환경을 Table 1과 같이 선정하였다. Table 1에서 선정된 날들은 각각 극서기와 혹한기 및 가 을철의 기상을 대표하고 있으며 또한 일사량과 운량 정 보로부터 맑은 날과 흐린 날을 각각 선정하여 총 6가지 기상 환경을 나타내고 있다. 측정값들은 기온과 일사량 정보가 동시에 제공되는 15시를 기준으로 구성되었다.

    온실 내의 미기상 예측을 위해서는 지면과의 에너지 교환을 고려하는 것이 매우 중요하며, 이는 온실이 외부 기온보다 높은 기온을 유지하는 원동력이기도 하다. 지 면으로 부터의 에너지 플럭스는 기상 측정 정보로 얻을 수 없으므로 이를 추정하기 위하여 추가적인 전산유체역 학 시뮬레이션을 수행하였다. 2차원의 100m × 100m 공 간에 Table 1의 기온, 지면 온도, 평균 풍속 값을 경계 조건으로 설정하고 정상상태로 연산하여 지면 바닥면에 서 공기 중으로 전달되는 발열량을 계산하였다. 단, 온 실 내부의 지면에서의 발열량은 외부 지면 발열량의 60%로 가정하였는데, 이는 태양 복사가 지면에 도달하 는 과정에서 온실 내부에서의 온실 피복재, 작물 등에 의한 손실을 반영하기 위함이다. 계산된 발열량은 Table 1에 제시되어 있다.

    시뮬레이션에서 모의할 외부 풍속은 0.5, 1.0, 2.0m·s−1 로 정하였다. 자연 환기식 온실에서 문제가 되는 상황은 외부의 풍속이 약하여 충분한 환기 작용을 유도할 수 없는 경우이므로, 낮은 풍속에 집중하여 시뮬레이션 연 구를 진행하고자 하였다. 풍향은 온실의 길이방향에 평 행하고 3구역에서 1구역으로 부는 풍향에 한정하여 연 구를 진행하였다.

    2전산유체역학 시뮬레이션 모델링

    전산유체역학 시뮬레이션 기법은 온실 내 작물의 영향 과 복잡한 환기 작용에 의한 미기상 변화를 예측하기 위한 많은 연구들에서 이미 널리 사용되어 왔으며, 타당 한 결과를 보여 왔다 (Lee 등, 2006; Norton 등, 2007; Bournet과 Boulard, 2010).

    본 연구는 1개의 동을 해석 대상으로 하였지만, 서로 인접한 동들이 대상 동 주위의 바람 유동에 영향을 줄 수 있으므로 모든 건물 형상이 모델링과정에 포함되었다. 단, Fig. 2와 같이 대상 동을 제외한 나머지 동들은 외 형만을 설계하였으며, 대상 동은 내부 환기 작용을 모의 할 수 있도록 내부 형상 및 천창의 형상을 실제 형상과 동일하게 설계하였다. 천창은 완전히 닫힌 경우, 50%만 개방된 경우, 100%가 개방된 경우로 구분하여 세 가지 형태로 각각 설계하였다.

    전체 계산 영역은 폭 470m, 길이 410m, 높이 33m 의 직육면체 형상이며, 온실은 영역의 가운데에 위치시 켰다. 모든 격자는 육면체의 셀로 설계하였으며, 수치해 의 안정성을 높이기 위하여 온실 내부와 온실 주위에 조밀한 정렬 격자를 설계하였고 정렬 격자 설계가 힘든 경사 지붕 주위에는 비정렬 격자로 설계하였다 (Fig. 3). 격자의 수를 효과적으로 절약하기 위하여 온실에서 멀어 질수록 육면체 셀의 크기가 커지도록 설계하였으나, 일 정 거리 이상에서는 정렬 격자의 형상비가 매우 커지게 되므로 비정렬 격자로 설계하였다 (Fig. 2). 육면체 셀의 크기는 온실 내부 및 온실 주위에서는 최소 부피 1.807 × 10−3m3 이었으며, 전체 계산 영역 가장자리에서는 최 대 부피 6.339 × 105m3 로 나타났다. 총 셀의 수는 1,039,586 개이며, 이 중 57,318 개의 셀은 대상 온실 건물 내부에 분포하였다. 육면체 셀의 비틀림도는 최대 0.86이었으며, 온실 내부의 셀에서는 최대 0.67로 나타나 전반적으로 양호한 격자의 품질을 나타내었다.

    전산유체역학 시뮬레이션은 널리 사용되는 상용프로그 램인 ANSYS Fluent 패키지 (ver. 6.3, ANSYS Inc.)로 수행되었으며, 앞선 격자 설계는 GAMBIT (ver. 2.4, Fluent Inc.)으로 수행하였다. 해석은 3차원 정상상태로 모의하였다. Table 1에 제시된 6 가지 기상 환경에 대하 여 각각 측창의 개폐도 3 가지(0%, 50%, 100%)와 풍속 3 가지 (0.5, 1.0, 2.0m·s−1)를 적용하여 총 54 가지 케이 스 (6 × 3 × 3)를 모의하였다. 단, 일부 케이스들에 대하 여 환기 시작 시점으로부터 시간에 다른 환기 효과를 모의하기 위하여 비정상상태로 모의하기도 하였다. 난류 모델로는 경제적이면서도 기존 연구들을 통해 높은 정확 도를 보인바 있는 Realizable k-ε 난류 모델을 사용하였 으며 (Kacira 등, 2004), 벽면 근처의 경계층 내 유동 해 석을 위해 Standard wall function을 사용하였다. 압력과 유속의 연계를 위해 SIMPLE 알고리즘을 사용하였다. 모든 유체는 비압축성 이상기체로 가정하였다.

    온실 내부의 미기상을 해석 시에는 자연 환기 작용에 따라 온실의 각 국소 위치에서 나타나는 환기 효과의 차이를 비교 분석하기 위하여 대상 온실의 전체 체적을 9개의 세부 영역으로 나누어 각 세부 영역 별로 기온의 변화를 비교 분석하였다. 9개의 세부 영역은 온실의 길 이 방향으로 3 부분, 높이 방향으로 3 부분으로 나누었 다. 길이 방향으로는 세 개의 구역, 높이별로는 바닥에 서 1.45m 높이 까지를 하부, 1.45m에서 2.9m 까지를 중부, 그 위를 상부로 구분하였다. 천창은 각 구역에 좌 측과 우측의 두 방향으로 열려 있으며, 총 6개의 천창은 동일하게 작동되었다.

    다양한 기상 환경 및 환기 구조의 조건에 따라 시뮬레 이션의 결과로서 얻어진 각 세부 영역별 기온과 천창에 서의 환기량 자료들은 온실의 환기 제어 기법을 연구하 는데 활용될 수 있으며, 이를 위해서는 기상 환경과 환 기 구조에 따른 온실 내부의 미기상 변화를 정량적이고 명확한 수식적 모형으로 설명하여야 한다. 본 연구에서 다루고 있는 기상 환경은 온실 외부에서 측정된 기온, 지면 온도, 일사량 및 풍속 등 네 가지이며, 환기 구조 는 천창의 개폐율의 한 가지 조건이다. 실제의 온실 운 영에 비추어 볼 때 제어하는 조건의 수가 한정적이지만, 향후 대형 온실에 사용될 환기 제어 개발의 기초 연구 로서 소규모 온실에 대하여 제한적인 요소에 대한 모형 을 제시하고자 하였다.

    결과 및 고찰

    1비정상상태 환기 해석

    해석 대상일 중 맑은 날에 해당하는 동계 (1월 15일), 하계 (8월 4일), 추계 (11월 3일)의 외기 풍속 2m·s−1 인 경우에 대하여 환기창을 완전히 닫았다가 100% 개방하 였을 때 시간에 따른 온실 내부 기온의 변화를 비정상 상태 시뮬레이션으로 검토하였다. Fig. 4는 동계 맑은 날 (1월 15일)의 기상 환경 조건에서의 비정상상태 시뮬 레이션 결과이다. 환기가 시작됨에 따라 대상 건물 내의 9개 세부 영역에서의 평균 기온들은 일제히 하락하기 시 작하였으며 약 900s 이후에는 기온이 더 이상 감소하지 않고 일정하게 유지되었다. 이때 기온의 하락폭이 점차 완만해 지므로 기온이 완전히 감소하여 일정하게 유지되 는 시점을 규정하는 것은 매우 어렵다. 따라서 기온이 최종 온도의 80% 까지 감소되는 시점을 냉각 시간 (cooling time)으로 정의하여 세부 영역별 냉각 시간을 비교하였다. Fig. 4의 경우에는 전반적으로 2구역에서 냉각시간이 199s 로 가장 짧게 나타났으며, 3구역 (348s), 1구역 (620s)의 순으로 냉각 시간이 짧은 것으로 나타났다. 세부 영역별로는 2구역의 하부 영역에서 192s 의 가장 짧은 냉각 시간을 보였으며, 1구역의 중부 영역 에서 709s 로 가장 긴 냉각 시간을 보였다. 짧은 냉각 시간은 환기 작용에 의한 반응 속도가 빠른 것으로 판 단할 수 있으므로, 온실 환경 제어 시 각 구역에 대한 반응 속도는 중요한 인자로 활용될 수 있을 것이다.

    Table 2는 세 기상 조건 (1월 15일, 8월 4일, 11월 3 일)에서 수행된 비정상상태 시뮬레이션에 의한 냉각 시 간의 분포를 나타내고 있다. 하계의 기상 환경에서는 세 부 영역 별 냉각 시간이 340s~590s 정도로 큰 차이를 보이지 않고 있다. 반면 추계의 기상 환경에서는 세부 영역 별 냉각 시간이 340s~1250s 로 가장 큰 차이를 보 이고 있다. 환기창을 개방하였을 때 환기의 효과가 나타 나는 시간은 전반적으로 200s~1,200s 정도가 걸리는 것 으로 추정할 수 있다. 즉 환기창을 개방할 시에는 3분 ~20분 정도 후에 환기 효과가 반영되는 것을 감안하여 환기창을 조작할 필요가 있을 것이다.

    2온실 내부의 국소 기온 분포에 따른 환기 모형

    54가지 케이스에 대한 정상상태 시뮬레이션을 완료한 후, 각 기상 조건 및 환기창 개폐 정도에 따른 평균 기 온 하락 값을 계산한 결과는 Fig. 5와 Fig. 6에 제시되 어 있다. 여기서 평균 기온 하락이란 환기창을 닫았을 때의 기온에 비하여 환기창을 열었을 때 온도가 하락한 정도를 의미한다. 예를 들면 1월 15일 풍속이 0.5m·s−1 인 조건에서 천창 개폐율이 0 일 때 (천창을 닫았을 때) 1구역 상부 영역에서의 평균 기온은 15.04°C 였고, 같은 조건에서 천창 개폐율이 50%일 때 1구역 상부 영역에 서의 평균 기온은 4.48°C이었다. 따라서 천창 개폐율이 50%일 때 1구역 상부 영역에서의 평균 기온 하락은 10.56°C로 계산할 수 있다. 즉 이 값은 환기창이 닫혀 있을 때에 대비하여 환기창을 50% 열게 되면 환기 작 용에 의한 효과로서 1구역 상부 영역의 평균 기온이 잠 정적으로 10.56°C까지 떨어질 수 있음을 의미한다. 전반 크게 나타나며, 이는 환기 작용이 더 활발함을 의미한다. 일반적으로 건물의 길이 방향으로 바람이 부는 경우 바 람은 건물의 풍하측 부분으로 유입되어 풍상측 부분으로 유출되고, 건물 내부에서는 풍향과 반대 방향으로 공기 유동이 발생하게 된다 (Hong 등, 2008). 따라서 바람이 불어오는 3구역에서 환기의 효과가 더 작게 나타나는 것은 이러한 기존 연구들의 결과와 같은 맥락에서 이해 될 수 있다. 기상에 따른 결과를 비교하면, 동절기에 환 기에 의한 기온 하락이 가장 크게 나타났으며, 가을의 기상 조건에서 환기에 의한 기온 하락이 가장 작게 나 타났다. 또한 Fig. 5와 Fig. 6를 비교하면 흐린 날에 비 해 맑은 날에 환기에 의한 기온 하락이 월등히 크게 나 타났다. 요컨대 일사량이 높고 온실 내외의 기온 차가 클 때, 환기에 의한 미기상 변화가 크게 나타남을 확인 할 수 있다. 이러한 결과는 환기를 이용한 온실 내부의 환경 조절이 매우 효과적이며 중요함을 역설하는 반면, 동절기와 같은 경우에는 지나친 기온 하락에 대한 세심 한 환기 조작이 필요할 것을 반증하기도 한다.

    본 연구에서는 온실 내부의 국소 기온 분포에 따른 환 기 작동 방식을 유도하기 위하여 온실 외부의 기상환경 및 온실의 환기 방식에 따른 온실 내부의 위치별 기온 변화 분포를 수치적 모형으로 표현하고자 하였다. 이를 위하여 먼저 각 조건 인자들과 결과적인 기온 분포들과 의 상관성을 Table 3와 같이 도출하였다. Table 3에서 각 열은 기상 환경 인자 및 환기 구조 인자 등 조건 인 자들을 표시하고 있으며, 각 행은 온실 내부의 세부 영 역에서의 평균 기온 하락을 나타낸다.

    온실 내부의 각 세부 영역들에서의 평균 기온 하락 정 도는 외부 기온과 풍속에 음의 상관성을 보이며, 지면 온도, 일사량, 환기창 개폐율에 양의 상관성을 보이는 것으로 나타났다. 즉 지면 온도가 높을수록, 일사량이 많을수록, 환기창을 많이 열수록 환기에 의한 온실 내부 의 기온 하락 정도는 크다고 예상할 수 있다. 환기에 의 한 온실 내부의 기온 하락 정도와 가장 큰 상관성을 보 이는 인자는 온실 내부 바닥면에서의 발열량으로 나타났 으며, 일사량, 외부 기온의 순으로 높은 상관성을 보였다.

    전산유체역학 시뮬레이션으로 계산된 각 세부 영역에 서의 평균 기온 하락 값을 여러 인자들과 연관 지어 수 식적 모델을 제시하기 위하여 다중 회귀 분석을 수행하 였다. 독립 변수로는 외부기온, 지면온도, 일사량, 풍속, 천창 개폐율로 지정하였고, 종속 변수로는 각 세부 영역 에서의 평균 기온 하락 값을 지정하였다. 온실 내부 바 닥에서의 발열량은 종속 변수와 매우 높은 상관성을 보 이긴 하지만 현장에서 실측하기 어려운 물리량이므로 독 립 변수에서 제외하였다. 하지만 바닥에서의 발열량은 지면온도, 외부온도, 풍속과 직접적인 관련이 있으므로 발열량의 영향은 다른 독립 변수들에 의해 포함될 것으 로 추정하였다.

    다중 회귀 분석을 통해 독립 변수와 종속 변수간의 계 수를 계산하고 회귀 모형의 결정 계수 (R2)를 계산한 결 과는 Table 4와 같다. 회귀 분석은 MATLAB (ver. 7, Mathworks Inc.)을 이용하여 수행하였다. 온실 내부의 각 세부 영역들에 대한 회귀 계수들은 세부 영역에 따 라 차이를 보이고 있으며 전체적으로 건물을 길이 방향 으로 구분한 구역에 따라 차이가 크게 나타났다. 같은 구역에서는 높이별 분포인 상부, 중부, 하부 간에는 비 교적 유사한 값을 보인다. 단 1구역의 하부는 상부, 중 부와는 다른 범위의 회귀 계수를 보이며 오히려 2구역 의 영역들에서와 유사한 회귀 계수 값을 보이고 있는데 이는 1구역 하부 영역의 환기 작용이 2구역의 환기 작 용과 연계되어 있을 가능성이 있음을 의미한다. 실제로 시뮬레이션 결과에 따르면 1구역으로 유입된 공기의 흐 름이 1구역 하부에서 1구역과 2구역 사이의 출입문을 통해 2구역으로 전달되는 것을 확인할 수 있다.

    일사량의 경우 1구역에서는 음의 계수를 갖지만 2구역 과 3구역에서는 양의 계수를 갖는 것으로 계산되었다. 반대로 풍속의 경우는 1구역에서는 양의 계수를 갖지만 2구역과 3구역에서는 음의 계수를 갖는 것으로 나타났다. 즉 1구역은 풍속이 증가할수록 환기 효과가 증가하지만 일사량이 증가할수록 환기 효과는 오히려 감소되며, 2구 역과 3구역은 반대로 풍속이 감소할수록 일사량이 증가 할수록 환기 효과가 증가하는 것으로 나타났다. 이는 바 람이 주로 유입되는 1구역은 바람에 의한 운동력이 환기 효과를 주도하며, 공기 기류가 실내를 맴돌아 유출되는 3 구역의 경우에는 실내에서 발생하는 열에너지에 의한 부 력이 환기의 효과를 증가시키는 것으로 판단할 수 있다.

    회귀 모형에 의한 기온 하락 값을 전산유체역학 시뮬 레이션의 결과와 비교한 결과, 결정 계수는 전체적으로 58%~92%로 해석 위치에 따라 다양하게 나타났다. 1구 역의 상부와 하부에서는 약 92%의 높은 예측력을 보이 고 있으며, 1구역 하부와 2구역에서는 약 68%, 3구역에 서는 약 58% 정도의 예측력을 보였다.

    다중 회귀 분석에 의하여 도출된 결과로부터 각 세부 영역에서의 평균 기온 하락은 다음과 같은 회귀식으로 표현될 수 있다.

    Δ T sub volume = C 1 T amb + C 2 T gr + C 3 SR + C 4 V + C 5 α
    (1)

    ΔT : 각 세부 영역에서의 평균 기온의 하락 (°C)

    Tamb : 외부 기온 (°C)

    Tgr : 지면 온도 (°C)

    SR : 일사량 (W m2)

    V : 외부 풍속 (m·s−1)

    a : 천창 개폐율 (100% 열렸을 경우 1.0)

    sub-volume : Table 4에 제시된 9개의 세부 영역

    C1, C2, C3, C4, C5 : Table 4에 제시된 회귀 계수 위 식을 천창 개폐율 (α)에 대하여 전개하면 외부 기 온, 지면 온도, 일사량, 외부 풍속 등의 외부 조건에 대 하여 온실 내 기온을 적절히 유지시키기 위한 천창의 개폐 정도를 추정할 수 있다. 현재는 모든 천창이 일괄 적으로 동일하게 개폐되는 것으로 모의하였으므로 모든 세부 영역들에서 원하는 기온을 동시에 만족시키는데 한 계가 있다. 하지만 추후 연구를 통하여 모든 천창들이 독립적으로 개폐될 경우에는 각 천창에 대한 반응 모형 을 구성하고 개개 천창들의 작동을 제어하여 모든 세부 영역들에서 적정 기온이 만족되도록 유도할 수 있을 것 이다.

    3기상 환경 조건에 따른 환기량 모형

    모든 시뮬레이션 케이스들에 대하여 천창으로 유입 또 는 유출되는 체적 환기량 (m3·min-1)을 계산하여 Fig. 7 과 Fig. 8에 나타내었다. 음수인 환기량은 온실 내부로 외기가 들어오는 경우를 나타내고 양수는 온실 외부로 배기되는 경우를 나타낸다. 천창의 위치에 따른 환기량 의 분포를 보면 대부분의 경우 1구역과 2구역의 천창에 서는 외부의 공기가 실내로 유입되고 있으며 3구역의 천창에서는 실내의 공기가 외부로 유출되고 있다. 이는 풍향이 건물의 길이방향과 일치할 때 나타나는 기류의 형태와 동일하다. 단, 좌측과 우측의 환기량에서 차이가 나타나고 일부 케이스들에서는 유입과 유출의 방향이 다 른 경우도 있는데, 이는 대상 건물 옆에 위치한 다른 건 물들로 인해 대상 건물 주위의 바람장에 변화가 발생하 였기 때문이다. 모든 케이스들에 대하여 좌측 천창과 우 측 천창에서의 환기량의 차이를 계산하면, 1구역의 경우 에는 평균 30.7m3·min−1로 큰 차이가 나타났으며, 2구역 과 3구역에서는 각각 9.47m3·min−1와 9.3m3·min−1로 상 대적으로 작은 차이가 났다. 즉, 2구역과 3구역에서는 좌측 천창과 우측 천창으로의 공기 유출입량이 거의 유 사한데 반해 1구역 천창에서는 좌측과 우측으로 유출입 되는 공기량에 큰 차이가 발생한 것이다. 3구역에서 1구 역 방향으로 부는 바람의 방향을 고려했을 때, 2구역의 천창으로 실내에 유입되는 바람에 비해 1구역의 천창을 통해 실내로 유입되는 바람이 주변 건물들에 의해 더 많은 영향을 받았을 것은 자명하다.

    온실의 환경 조절을 위해서는 온실 내부로 유출입되는 환기량을 측정하고 조절하는 것이 매우 중요하므로, 다 양한 기상 조건과 천창 개폐 정도에 따라 각 천창을 통 해 유출입되는 환기량을 도출하기 위한 수식 모형을 제 시하고자 하였다. 다중 회귀 분석에 앞서 각 인자들과 각 천창들의 통한 환기량 간의 상관 계수를 구하였으며 이는 Table 5에 나타나 있다. 각 천창에서의 환기량에 주로 영향을 미치는 인자는 일사량, 바닥면에서의 발열 량, 풍속, 환기창 개폐율로 나타났다. 2구역에 있는 천창 은 외부기온과 지면온도에 대하여 약간의 상관성을 보이 긴 하지만 다른 인자들에 비하면 매우 낮은 수준이다. 일사량의 경우 1구역과 2구역의 천창들에서는 음의 상 관성을 보이고 있으나 3구역에서는 양의 상관성을 보였 다. 이는 3구역의 경우 열에너지에 의한 부력에 의해 환 기 효과가 증가함을 의미하며, 앞서 서술한 바와 일치한 다. 온실 내부의 바닥면에서의 발열량은 특히 2구역에서 높은 음의 상관성을 보이고 있으나 마찬가지로 3구역에 서는 낮은 수준의 양의 상관성을 보였다. 풍속은 1구역 과 3구역에서 높은 양의 상관성을 보이고 있으나 2구역 에서는 상관성이 매우 낮게 나타났다. 3구역의 세부 영 역들에서의 환기 효과가 풍속과 음의 상관관계를 보인데 반해 천창에서의 환기량은 풍속과 양의 상관관계를 보이 고 있는데, 이는 Hong 등 (2008)에서도 지적한 바와 같 이 환기 효과가 반드시 환기창에서의 환기량에 의존하지 는 않음을 의미하며 환기량과 구별하여 환기 효과를 연 구해야할 필요성을 제기한다.

    환기량과 더불어 온실 내로 유출입되는 총 환기량으로 온실 내부 체적을 나누어 환기 시간을 계산하였으며 이 의 상관성 또한 Table 5에 제시하였다. 환기 시간의 경 우에는 일사량, 바닥에서의 발열량과 환기창 개폐율이 비교적 높은 음의 상관성을 나타내고, 풍속이 0.3 정도 의 양의 상관성을 보이고 있다. 즉, 일사량과 바닥에서 의 발열량이 높을수록, 그리고 풍속이 높을수록 환기 시 간은 짧아지며 환기가 잘 이루어짐을 의미한다. 여기서 일사량과 바닥의 발열량은 실내의 부력 효과를 증대시킬 것으로 추정할 수 있으며 풍속은 외부의 바람 에너지를 의미하므로, 결국 온실 내부의 부력과 외부 바람 에너지 가 환기 효과를 증대시키는 것으로 판단할 수 있다.

    각 조건 인자들과 온실 천창에서의 환기량의 상관성을 정리해보면, 1구역과 3구역의 천창들에서의 환기량은 주 로 풍속에 의해 가장 큰 영향을 받는 것으로 나타났으 며, 건물의 가운데인 2구역에 있는 천창들에서의 환기량 은 풍속보다는 일사량과 온실 내부의 발열에 의해 결정 되는 것으로 판단되었다. 이는 환기 효과와는 일부 차이 가 있는 결과이다.

    다중 회귀 분석으로 각 조건 인자들로부터 각 천창들 에서의 환기량을 유도할 수 있는 회귀식을 식 (2)와 같 이 도출하였다. 독립 변수로는 외부기온, 지면온도, 일사 량, 풍속, 환기창 개폐율로 선정하였으며, 종속 변수는 각 천창들에서의 환기량이다. 회귀 계수들은 Table 6

    V R x L  or  R = C 6 T amb + C 7 T gr + C 8 SR + C 9 V + C 10 α
    (2)

    VRx-LorR : x구역 좌/우 천창에서의 체적 환기량 (m3·min−1) C6, C7, C8, C9, C10 Table 6에 제시된 회귀 계수

    환기량 추정 결과를 전산유체역학 시뮬레이션의 결과 와 비교할 때, 결정 계수는 약 0.76~0.93 정도로 높은 편이므로, 충분한 예측력을 보인다고 판단할 수 있다. 하지만 환기 시간의 경우에는 결정 계수가 약 0.32로 매 우 낮은 수준으로 나타났는데, 독립 변수 중 상관성이 비교적 적은 외부 기온과 지면 온도를 제외시켜 모델을 단순화시키고, 회귀식을 거듭제곱 형식으로 조정하면 다 음 식 (3)과 같이 도출되며, 결정 계수는 약 0.69 정도 로 개선되는 결과를 보였다.

    VT = 182.15 × SR 0.4877 × V 0.1570 × a 0.3818
    (3)

    VT : 환기 시간 (min)

    요약 및 결론

    본 연구에서는 모델 기반의 온실 환경 제어에 활용될 수 있는 미기상 환경 예측 모형을 개발하고자 하였다. 전산유체역학 시뮬레이션을 활용하여 다양한 기상 조건 과 온실의 환기 구조에 따른 온실 내부의 미기상 변화 와 환기창에서의 환기량 변화를 모의하고, 다중회귀분석 을 통해 수치 모형을 제시하였다.

    비정상상태의 환기 작용을 모의한 결과, 환기창 개방 후 환기 효과가 완전히 나타나기 까지는 3분 ~ 20분 정 도의 시간이 소요될 수 있는 것으로 나타났다. 기존의 센서 실측에 기반을 둔 대부분의 환경 조절 제어 시스 템의 경우에는 측정값에 따른 피드백에 의해 환경 제어 가 동작하므로 온실 내부의 기온이 상승한 이후에 환경 제어를 시작하게 되지만, 모델 기반의 환경 조절 제어 시스템을 도입하면 이러한 3분~20분 정도의 시간을 사 전에 고려하여 적정 환경을 제어할 수 있도록 미리 환 기창의 조작이 이루어지게 된다. 작은 규모의 온실에서 는 이러한 영향이 미비할 수 있지만, 근래에 증가하고 있는 대규모 온실들에 대해서는 온실 내부 작물 재배 환경의 균일성과 적정성, 안정성을 확보하고 환경 조절 의 경제성을 추구할 수 있는 모델 기반의 환경 조절 시 스템이 필수적이다.

    본 연구에서 제시된 수치 모형들은 외부의 기온과 풍 속, 지면 온도, 일사량 등의 기상 환경과 온실의 천창 개폐율에 따라 유도되는 자연 환기의 성능을 온실 내 미기상 변화와 환기창을 통한 환기량 값으로 제시하고 있으며, 전산유체역학 시뮬레이션 결과와 비교하여 각각 58% ~ 92%, 76% ~ 93%의 예측력을 보였다. 미기상의 변화는 온실을 9개의 세부 영역으로 구분하여 각 영역 에서의 기온 하락 정도로 나타내며, 환기량은 지붕에 형 성된 6개의 천창에서의 공기 유출입량을 각각 제시하여 준다. 환기 작용에 의한 미기상의 변화는 반드시 환기창 에서의 환기량에 의해 예측되지는 않으므로 환기량과 환 기의 효과를 구분하여 적용하는 것이 중요할 것이다. 이 러한 수치 모형들은 모델 기반 환경 제어 시스템에서 가상의 환기창 동작에 따른 환기 성능을 예측하는데 활 용될 수 있으며, 전산유체역학 시뮬레이션과 같은 매우 복잡한 예측 모델이 비해 상당히 간단한 형태로 이루어 져 있어 빠른 계산 시간을 보장한다. 이는 실시간 제어 의 관점에서는 복잡한 예측 모델들에 비해 실시간 예측 과 제어가 가능하다는 큰 장점을 가져다준다.

    본 연구를 통해 개발되고 시도된 결과들은 모델 기반 의 온실 복합 환경 제어 시스템을 위한 알고리즘을 개 발하는데 활용될 것이다. 또한 이러한 활용은 농업에 IT 기술을 접목하여 농가의 노동력 부족을 극복하고 생산성 향상과 경쟁력 확보를 도모하는 농업 선진화에 기여할 것으로 기대된다.

    추가 주제어: 환기 기온 하락, 냉각 시간, 다중 회귀 분 석, 전산유체역학 시뮬레이션, 환기량

    Figure

    KSBEC-23-181_F1.gif

    Schematic view of the studied greenhouse that consists of three buildings. The right building is the target of this study.

    KSBEC-23-181_F2.gif

    Surface and volume meshing used during the CFD simulations of the greenhouse.

    KSBEC-23-181_F3.gif

    Cross section of the meshed domain. Structured meshes were designed in and around the structures besides sloped roofs designed with unstructured meshes.

    KSBEC-23-181_F4.gif

    Unsteady-state simulation of air temperature decrease due to natural ventilation under the weather condition of 15 Jan.

    KSBEC-23-181_F5.gif

    CFD-computed results of air temperature drop due to the natural ventilation at 9 sub-volumes according to wind speed (V), ventilator opening ratio (α) and weather conditions of clear days (presented in Table 1).

    KSBEC-23-181_F6.gif

    CFD-computed results of air temperature drop due to the natural ventilation at 9 sub-volumes according to wind speed (V), ventilator opening ratio (α) and weather conditions of cloudy days (presented in Table 1).

    KSBEC-23-181_F7.gif

    CFD-computed results of ventilation rates through six roof ventilators according to wind speed (V), ventilator opening ratio (α) and weather conditions of clear days (presented in Table 1). The negative value indicates the direction of incoming flow.

    KSBEC-23-181_F8.gif

    CFD-computed results of ventilation rates through six roof ventilators according to wind speed (V), ventilator opening ratio (α) and weather conditions of cloudy days (presented in Table 1). The negative value indicates the direction of incoming flow.

    Table

    Weather and thermal conditions of the selected dates for simulation study. The data were measured at Busan city by the Korea Meteorological Administration in 2011 and heat fluxes marked with * were determined by additional calculations.

    Cooling time at 9 sub-volumes of the target greenhouse building under three meteorological conditions. (unit: seconds)

    Correlation coefficients between air temperature drops at 9 sub-volumes and factors influencing the natural ventilation.

    Coefficients of multiple regression models between air temperature drops at 9 sub-volumes and factors influencing the natural ventilation. The coefficients are used for the equation (1) as marked with C1, C2, C3, C4 and C5. The R2 is the coefficient of determination between air temperature drops computed by the equation (1) and the CFD simulation.

    Correlation coefficients between volumetric ventilation rates through 6 roof ventilators and factors influencing the natural ventilation. The ventilator x-L and x-R indicate the left and right roof openings, respectively, of the section x.

    Coefficients of multiple regression models between volumetric ventilation rates through 6 roof ventilators and factors influencing the natural ventilation. The coefficients are used for the equation (2) as marked with C6, C7, C8, C9 and C10.. The R2 is the coefficient of determination between ventilation rates computed by the equation (2) and the CFD simulation.

    Reference

    1. Blasco X , Martinez M , Herrero J.M , Ramos C , Sanchis J (2007) Model-based predictive control of greenhouse climate for reducing energy and water consumption , Computers and Electronics in Agriculture, Vol.55; pp.49-70
    2. Bournet P.E , Boulard T (2010) Effect of ventilator configuration on the distributed climate of greenhouses: A review of experimental and CFD studies , Computers and Electronics in Agriculture, Vol.74 (2) ; pp.195-217
    3. Chung T.S , Min Y.B , Moon G.K (2001) Temperature control of greenhouse using ventilation window adjustments by a fuzzy algorithm , Journal of Bio-Environment Control, Vol.10 (1) ; pp.43-49
    4. Fisk W.J , De Almeida A.T (1998) Sensor-based demandcontrolled ventilation: a review , Energy and Buildings, Vol.29; pp.35-45
    5. Mahdavi A , Pröglhöf C (2008) A model-based approach to natural ventilation , Building and Environment, Vol.43; pp.620-627
    6. Hong S.W , Lee I.B , Hwang H.S , Seo I.H , Bitog J.P , Yoo J.I , Kim K.S , Lee S.H , Kim K.W , Yoon N.K (2008) Numerical simulation of ventilation efficiencies of naturally ventilated multi-span greenhouses in Korea , Transaction of ASABE, Vol.51 (4) ; pp.1417-1432
    7. Kacira M , Sase S , Okushima L (2004) Effects of side vents and span numbers on wind-induced natural ventilation of a gothic multi-span greenhouse , Japan Agricultural Research Quarterly, Vol.38 (4) ; pp.227-233
    8. Lee I.B , Yun N.K , Boulard T , Roy J.C , Lee S.H , Kim G.W , Hong S.W , Sung S.H (2006) Development of an aerodynamic simulation for studying microclimate of plant canopy in greenhouse - (2) Development of CFD model to study the effect of tomato plants on internal climate of greenhouse , Journal of Bio-Environment Control, Vol.15 (4) ; pp.296-305
    9. Mahdavi A , Pröglhöf C (2005) A model-based method for the integration of natural ventilation in indoor climate systems operation, Vol.2005; pp.685-692
    10. Norton T , Sun D.W , Grant J , Fallon R , Dodd V (2007) Applications of computational fluid dynamics in the modeling and design of ventilation systems in the agricultural industry: A review , Bioresource Technology, Vol.98 (12) ; pp.2386-2414
    11. Ntoula E , Katsoulas N , Kittas C , Youssef A , Exadaktylos V , Berckmans D (2011) Data based modeling approach for greenhouse air temperature and relative humidity , Acta Horticulturae, Vol.952; pp.67-72
    12. Vranken E , Gevers R , Aerts J.M , Berckmans D (2005) Performance of model-based predictive control of the ventilation rate with axial fans , Biosystems Engineering, Vol.91 (1) ; pp.87-98
    13. Youssef A , Dekock J , Katsoulas N , Eren Ozcan S , Kittas C , Berckmans D (2011) Data-based approach to model the dynamic behaviour of greenhouse tempeature , Acta Horticultura, Vol.893; pp.931-938