유기성 폐기물의 원소 조성으로 발열량을 예측하는 회귀 모델을 만듭니다. 커피 찌꺼기·톱밥·왕겨 중 무엇이 더 좋은 연료가 되는지, 짐작이 아니라 데이터로 답합니다.
EN · Map elemental composition (C, H, O, N, S; moisture, ash, volatile matter, fixed carbon) of organic waste to Higher Heating Value. Two on-ramps: no-code Orange for younger students, graduating into scikit-learn. An ESG-framed KSEF energy project.
코딩이 처음이면 코드를 쓰지 않는 Orange로 시작합니다. CSV를 끌어다 놓고 위젯을 연결하면 모델과 중요 변수가 나옵니다. 익숙해지면 같은 문제를 파이썬으로 다시 풀어 봅니다. 아래는 수업에서 만드는 결과물의 예시입니다.
Orange — biomass_hhv.ows
Orange 워크플로 — 예시. 코드 없이 CSV → 모델 → 중요 변수·성능까지.
Colab — hhv_regression.ipynb
[1]
from sklearn.linear_model importLinearRegression
X = df[['C','H','O','N','S']]
y = df['HHV']
m = LinearRegression().fit(Xtr, ytr)
print(f"R2 = {m.score(Xte, yte):.2f}")
[1]
R2 = 0.94
특성 중요도 — 어떤 성분이 발열량을 결정하나
scikit-learn — 예시. Orange에 익숙해진 뒤 파이썬으로.
모든 데이터는 공개된 분석 결과입니다
연구는 공개된 폐기물 성분 데이터를 다룹니다. 폐기물을 태우거나 실험하는 과정은 없습니다.
한 학기 진행
12~16회, 노코드에서 파이썬으로
시작 지점은 학생의 코딩 경험에 맞춥니다. Orange로 감을 잡고, 준비가 되면 파이썬으로 넘어갑니다.
재현 · Reproduce · 1~3회
노코드로 첫 모델
Orange에서 공개 데이터를 불러와 Random Forest 위젯을 연결하고, 어떤 성분이 발열량을 좌우하는지 특성 중요도로 확인합니다. 원소 조성·수분·회분·휘발분·고정탄소가 무엇을 뜻하는지 데이터로 익힙니다.
확장 · Extend · 4~9회
여러 폐기물을 비교
커피 찌꺼기·톱밥·왕겨 등 공개 시트를 모아 하나의 데이터로 합치고, scikit-learn 회귀로 넘어갑니다. "어떤 폐기물이 가장 좋은 연료인가"를 정량적으로 비교하는 것이 이 트랙의 연구 질문입니다.
공개 · Publish · 10~13회
분석을 정리해 공개
결과를 포스터나 노트북으로 정리하고, 재현할 수 있도록 데이터·코드를 공개합니다.
출전 · Compete · 14~16회
환경·에너지 부문으로
KSEF 환경·에너지 부문 요강에 맞춰 제출본을 다듬습니다. 기후·자원순환이라는 주제가 심사에서 서사로 이어집니다.
쓰는 도구와 데이터
이름을 감추지 않습니다
도구·데이터
학부모께
student note (EN)
Biomass-pyrolysis 데이터
폐기물의 성분과 열적 특성이 담긴 공개 데이터입니다.
Moisture, ash, volatile matter, fixed carbon, C/H/O/N vs. thermal behavior (Kaggle · from dazhaxie666 repo).