Evaluating Indoor-Environment Predictions in a Naturally Ventilated Greenhouse Using BES Simulation: Effects of Ventilation and Crop Modeling

Han Kim; Rack-Woo Kim; Seung-Hun Lee; Yun-Jeong Lee; Yoon-Kyu Hur; Tae-Seok Lee; Sung-Wook Yun

doi:10.12791/KSBEC.2025.34.4.444

Preview

Original Articles

Journal of Bio-Environment Control. 31 October 2025. 444-457
https://doi.org/10.12791/KSBEC.2025.34.4.444

Evaluating Indoor-Environment Predictions in a Naturally Ventilated Greenhouse Using BES Simulation: Effects of Ventilation and Crop Modeling

건물 에너지 시뮬레이션을 이용한 자연환기 온실의 환기 및 작물 모델링에 따른 내부환경 예측 성능 평가

Han Kim¹

Rack-Woo Kim²^*

Seung-Hun Lee¹

Yun-Jeong Lee³

Yoon-Kyu Hur³

Tae-Seok Lee⁴

Sung-Wook Yun⁴

김 한¹

김 락우²^*

이 승헌¹

이 윤정³

허 윤규³

이 태석⁴

윤 성욱⁴

¹Graduate Student, Department of Agriculture Engineering, Kongju National University, Yesan 32439, Korea

²Associate Professor, Department of SmartFarm Engineering, Kongju National University, Yesan 32439, Korea

³Undergaduate Student, Department of SmartFarm Engineering, Kongju National University, Yesan 32439, Korea

⁴Researcher, Division of Agricultural Engineering, NIAS, RDA, Jeonju 54875, Korea

¹국립공주대학교 농공학과 대학원생

²국립공주대학교 스마트팜공학과 교수

³국립공주대학교 스마트팜공학과 학부생

⁴농촌진흥청 국립농업과학원 농업공학부 연구사

^{*Corresponding Author}

ABSTRACT

Greenhouse environmental control supports stable cultivation under increasing climate variability and energy costs, motivating quantitative assessment of thermal conditions and energy use. Many simulation studies omit natural ventilation and crop energy exchange. Using a building energy simulation (BES), This study coupled Stanghellini’s evapotranspiration model with a wind-pressure-based natural-ventilation scheme to simulate a naturally ventilated leafy-vegetable greenhouse and evaluated predictions of air temperature and relative humidity against observations. Without ventilation and crop energy: temperature MAE 9.86°C, MSE 254.32°C², MAPE 14.91%; humidity MAE 34.24pp, MSE 1,403.57%RH², MAPE 44.41%. With crop energy only: temperature MAE 16.23°C, MSE 400.82°C², MAPE 22.49%; humidity MAE 51.95pp, MSE 2,734.64%RH², MAPE 63.56%. With ventilation only: temperature MAE 1.58°C, MSE 3.79°C², MAPE 2.02%; humidity MAE 13.24pp, MSE 239.38%RH², MAPE 16.92%. With both: temperature MAE 1.38°C, MSE 3.53°C², MAPE 1.83%; humidity MAE 10.13pp, MSE 154.18%RH², MAPE 13.08%. The results show that including both airflow and crop energy exchange is necessary to obtain the lowest prediction errors in BES-based energy analysis and environmental control for naturally ventilated greenhouses.

Keywords

building energy simulation

crop energy

energyplus

leafy vegetables

natural ventilation

본 연구는 건물에너지 시뮬레이션을 이용하여 엽채류를 재배하는 자연환기 온실에서 자연환기 및 작물 에너지 구현에 따른 시뮬레이션 모델 성능 평가를 진행하였다. 작물 에너지 교환과 자연환기가 모두 구현되지 않았을 경우 온도는 MAE 9.86℃, MSE 254.32℃², MAPE 14.91%로, 습도는 MAE 34.24pp, MSE 1,403.57%RH², MAPE 44.41%로 나타났으며, 작물 에너지만 구현되었을 경우 온도는 MAE 16.23℃, MSE 400.82℃², MAPE 22.49%로, 습도는 MAE 51.95pp, MSE 2,734.64%RH², MAPE 63.56%으로 나타났다. 자연환기를 구현하면서 안정된 경향을 보이며 성능이 크게 향상되었다. 자연환기만 구현되었을 경우 온도는 MAE 1.58℃, MSE 3.79℃², MAPE 2.02%로, 습도는 MAE 13.24pp, MSE 239.38%RH², MAPE 16.92%로 나타났으며, 자연환기와 작물 에너지가 모두 구현되었을 경우 온도는 MAE 1.38℃, MSE 3.53℃², MAPE 1.83%으로, 습도는 MAE 10.13pp, MSE 154.18%RH², MAPE 13.08%로 나타났다. 본 연구를 통해 시설 재배 환경의 에너지 분석 시 자연환기와 작물 에너지 교환이 필수적으로 고려되어야 함을 알 수 있으며, 내부 환경의 변화가 공기 유동과 작물 에너지에 지배적인 영향을 받는 것으로 판단된다. 이후 다양한 온실 형태에서 공조(HVAC) 장치 및 운영 방식에 따른 내부 환경 변화와 이에 따른 작물 에너지 평가에 관련된 연구가 이루어질 수 있을 것으로 판단된다.

키워드

건물 에너지 시뮬레이션

에너지플러스

엽채류

자연환기

작물 에너지

MAIN

서 론
재료 및 방법
1. 대상 온실
2. 건물 에너지 시뮬레이션(BES)
3. 물질 평형식
4. Airflow Network
5. 풍압계수 산정
6. 작물 에너지 교환
7. 검증 및 평가
결과 및 고찰
1. 시뮬레이션 모델링
2. 피복 및 골조
3. 열 구역
4. 작물 에너지 모델링
5. 풍압계수 산정
6. 검증 결과

서 론

정식 온실 환경 제어는 외부 기후의 급격한 변동으로부터 작물을 보호하고, 작물 생육에 적합한 온도·습도 조건을 조성함으로써 안정적 생산성을 확보하는 데 필수적인 기술이다. 특히 기후 변화로 인한 고온·한랭 현상의 빈도가 증가하고, 농업용 에너지 비용이 지속적으로 상승하는 상황에서, 온실 내부 환경을 효율적으로 관리하기 위한 연구의 필요성은 더욱 강조되고 있다. 이러한 배경에서 자연환기는 냉방 에너지 소비를 줄이면서도 내부 열환경을 개선할 수 있는 핵심 기술로 주목받고 있다. 자연환기는 외부와의 기류 교환을 통해 열 및 수분을 제거하는 과정으로, 단순히 환기창 개방률에 의해 결정되는 것이 아니라 외부 풍속 및 방향, 구조적 특성, 내부 작물의 증산 작용 등 다양한 요인에 의해 복합적으로 좌우된다.

온실의 열환경과 에너지 소비를 정량적으로 분석하기 위해서는 수치 모델링 기반의 접근이 필요하며, 온실 열환경 내 에너지 교환을 평가하기 위하여 다양한 연구가 진행되었다. Whittle과 Lawrence(1960)은 온실의 환기 여부에 따라 온실 내 온도 및 습도 변화에 미치는 요소들을 정성적으로 추측하였으며, Duncan 등(1981)은 온실의 에너지부하 경감을 위한 에너지흐름 모의의 중요성을 언급하며 일사, 전도열손실, 지중열손실, 환기열손실을 고려한 에너지 평형식을 수식화하여 온실 내 온도를 추정하였다. Kimball(1973)은 일사, 전도, 헌열 및 잠열의 흐름을 입력하여 에너지 평형식을 만족하는 온실 내 온도 및 습도를 추정하였으며, Bot(1983)는 동적해석방법으로 환기, 일사, 전도, 토양열, 작물의 에너지교환 등을 수학적으로 모델링하여 온실의 에너지교환 기초연구를 수행하였다.

기존 연구에서는 다양한 온실 기후 모델이 제안되어 왔으나, 대부분 특정 연구 목적에 따라 단순화된 구조를 갖추거나 제한적인 요소만 반영하는 경향이 있었다. 특히 작물의 잠열 부하와 증산 작용은 내부 에너지 수지에 큰 영향을 미침에도 불구하고, 시뮬레이션에서 이를 배제하거나 고정값으로 처리하는 사례가 많았다. 이는 실제 관측치와 시뮬레이션 결과 사이의 오차를 확대시키는 주요 원인으로 작용한다. Katsoulas 등(2019)은 여러 작물 증산(transpiration) 모델을 비교하며, 농업 기후 제어에서는 증산과 증기압차(VPD) 등의 요소를 정량적으로 반영하는 것이 시뮬레이션 정확도 향상에 중요하다고 보고하였다.

최근에는 건물에너지 시뮬레이션(Building Energy Simulation, BES) 도구를 온실 분석에 적용하려는 시도가 이루어지고 있다. 그중 EnergyPlus는 전 세계적으로 널리 사용되는 BES 프로그램으로, 열부하 산정, 공조 시스템 설계, 신재생에너지 통합 분석 등 다양한 건물 연구에 활용되어 왔다. EnergyPlus는 피복재의 열·광학 특성, 구조체의 열전달 특성, 기류 교환을 통한 환기 효과 등을 계산할 수 있어 농업용 시설에서도 적용 가능성이 높다. 그러나 기존 온실 관련 연구들은 EnergyPlus를 주로 피복·구조적 특성에 제한적으로 활용하거나 환기량을 외생 변수로 고정하여 입력하는 방식이 일반적이었다. Liu 등(2021)은 한국 지역 폐쇄형 온실 (closed-span greenhouse)에 대해 태양복사, 피복, 구조적 특성만을 반영하는 단순 모델로 냉·난방 부하를 산정하였으나, 실제 운영 상황과 차이가 있음을 보고하였다. 이러한 결과는 작물 증산이나 자연환기와 같은 동적 요소를 고려하지 않을 경우 모델링 정확도가 제한됨을 시사한다.

작물 모델링과 관련하여, Stanghellini(1987)에서 제시한 증산 모델은 온실 내부의 복사·대류·잠열 교환 과정을 정량화하는 대표적 방법으로 널리 활용되고 있다. Talbot & Monfet(2024)은 통제된 환경 농업(Controlled Environment Agriculture, CEA) 공간에서 작물의 생장 모델을 개발하고, 작물로부터의 열 획득과 손실을 동적으로 모사하여 에너지 분석에 적용함으로써 예측 정확도를 높였다. Yeo 등(2022)은 건물 에너지 시뮬레이션 기법을 이용하여 비닐 온실 내 환기 특성 및 작물의 생육적인 특성 고려의 중요성을 제시하였다. Martin & Monfet(2025)은 EnergyPlus의 Python API를 활용해 EnergyPlus와 작물 모델을 통합시켜 작물 수준의 현열·잠열 부하를 시뮬레이션에 반영하는 융합적 접근을 제안하였다. 이는 농업용 온실 환경 분석에서 작물 모델링의 필요성을 강조하는 중요한 근거가 된다.

자연환기 모델링 역시 온실 시뮬레이션의 핵심 과제이다. 자연환기는 개구부 면적, 풍압계수(C_p), 부력효과, 환기창 개방률 등에 의해 달라지며, 이를 고려한 환기 모델은 내부 열·수분 환경에 큰 영향을 미친다. 기존 연구는 CFD(Computational Fluid Dynamics) 기반 환기 해석이 주를 이루었으며, EnergyPlus를 통한 자연환기 해석과 실험 검증은 상대적으로 부족하였다. No 등(2021)은 건물에서 자연환기와 기계환기를 혼합 적용했을 때 냉방 에너지 수요가 크게 감소함을 보고하여, 자연환기 모델링의 중요성을 시사하였다.

이에 본 연구에서는 EnergyPlus를 활용하여 자연환기 온실을 모델링하고, 검증 케이스를 네 가지로 구분하여 비교·분석하였다. 첫째, 피복과 구조적 특성만을 반영한 기본 모델, 둘째, 여기에 작물 모델링을 추가한 모델, 셋째, 자연환기 모델링을 추가한 모델, 마지막으로 작물과 자연환기를 동시에 반영한 모델을 구축하였다. 이후 실험 온실에서 측정된 내부 온도와 상대습도 데이터를 기준으로 각 시뮬레이션 결과를 검증하고, 어떤 요소의 반영이 실제 환경 재현도 향상에 가장 크게 기여하는지를 분석하였다. 본 연구를 통해 작물 및 자연환기 구현이 온실 환경 시뮬레이션의 정확도 개선에 미치는 영향을 정량적으로 제시하고, 향후 농업용 BES 모델링에서 필수적으로 고려되어야 할 요소를 규명하고자 한다.

재료 및 방법

1. 대상 온실

대상 온실은 전라북도 김제에 위치한 김제 스마트팜 혁신밸리(35.8°N, 126.9°E) 내에 위치하고 있으며, 엽채류를 재배하는 단동형 폴리올레핀(PO) 필름 온실이다. 대상 온실의 크기는 폭 7m, 길이 27m, 측고 1.3m, 동고 3.35m로 온실 형상 및 규격은 Table 1 및 Fig. 1에 제시되었으며, 내부에 환기팬, 보온커튼 외 별도의 냉난방 설비는 없는 자연환기 온실이다. 온실 내부에 설치된 온·습도 센서 및 CO₂ 센서, 외부 기상대를 통하여 수집된 온·습도, 일사량, 내부 CO₂ 농도 측정 데이터 중 실제 작물 생장 시기인 2024년 9월 9일부터 9월 14일까지의 데이터를 에너지 모델 검증에 활용하였다.

Table 1.

Schematic diagram of the experimental greenhouse

Characteristics	Floor area	Width	Ridge / Eave Height	Covering material	Crop
Specifications	189 (m²)	7 (m)	3.35 / 1.3 (m)	PO film (0.15 mm)	Leafy vegetables

https://cdn.apub.kr/journalsite/sites/phpf/2025-034-04/N0090340410/images/phpf_34_04_10_F1.jpg

Fig. 1

Modeling of the experimental greenhouse. (a) Isometric view, (b) Top view

2. 건물 에너지 시뮬레이션(BES)

온실 내부의 에너지 평가를 위해서는 자연환기로 인해 실시간적으로 변화하는 온실 환경 및 작물 에너지 교환과 실시간성을 필수적으로 고려하여야 한다. 이에 본 연구에서는 자연환기 농업시설 내 에너지 변화를 수치해석적으로 산정할 수 있는 건물 에너지 시뮬레이션(Building Energy Simulation, BES) 기법을 이용하였다. 건물 에너지 시뮬레이션은 수집된 기상 데이터와 물질 평형식을 기반으로 시설 내부의 에너지 및 환경 인자의 변화를 모의하며, 전도, 복사, 대류, 열전달, 현열·잠열 등 에너지 교환에 대한 동적 해석이 가능하다. 본 연구에서는 건물 에너지 시뮬레이션 소프트웨어 중 상용 프로그램인 EnergyPlus(Ver. 24.2)을 이용하였다. EnergyPlus는 미국 에너지성(U.S Department Of Energy, DOE)에서 개발한 건물 에너지 시뮬레이션 소프트웨어 중 하나로서, 기상 데이터를 기반으로 에너지 소비 및 열환경 분석, 습도 전달, 자연환기에 대한 계산이 정확하고 신속하여 동적 에너지 해석에 적합하다.

대상 시설 내 재배 작물을 고려하기 위하여, EnergyPlus 내 사용자 제어 알고리즘 모듈인 EMS(Energy Management System)을 이용하여 Stanghellini(1987)의 증발산 모델로 작물의 증산을 구현하였다. 또한, 대상 시설의 공기 유동을 구현하기 위하여 EnergyPlus 내 공기 유동 해석 모듈인 Airflow Network를 이용하였다.

3. 물질 평형식

EnergyPlus는 공간 내부의 공기가 잘 섞인 상태에서, 각 건물 부재의 표면 온도 분포가 동일하며 균일한 장파와 단파를 받은 확산복사표면의 벽체를 통한 1차원의 열전도라는 가정 하에 열전달을 계산한다. EnergyPlus에서 활용된 온실 모델의 열평형 방정식은 Eq. (1) 및 Fig. 2와 같다.

(1)

Q_{C o n d} + Q_{C o n v} + Q_{S o l a r} + Q_{L o n g} - Q_{V e n t} - Q_{P l a n t} - Q_{F o g} = Q_{h e a t, c o o l}

https://cdn.apub.kr/journalsite/sites/phpf/2025-034-04/N0090340410/images/phpf_34_04_10_F2.jpg

Fig. 2

Modeling of the experimental greenhouse

$Q_{C o n d}$ 는 외기와 피복재 간 전도열전달을 의미하며, Eq. (2)와 같이 계산된다.

(2)

Q_{C o n d} = U \cdot A_{C o v e r} \cdot (T_{i} - T_{o})

$U$ : 피복재의 열전달계수(W·m^-2·K^-1)

$A_{C o v e r}$ : 피복재의 면적(m²)

$T_{i}$ : 온실 내부의 건구온도(℃)

$T_{o}$ : 외기온도(℃)

$Q_{C o n v}$ 는 외기와 피복재 간의 대류 열전달을 의미하며, Eq. (3)과 같이 계산된다.

(3)

Q_{C o n v} = h \cdot A_{C o v e r} \cdot (T_{C o v e r} - T_{o})

$h$ : 대류 열전달계수(W·m^-2·K^-1)

$T_{C o v e r}$ : 피복재의 표면 온도(℃)

$Q_{S o l a r}$ 는 피복재를 통해 투과되는 단파복사에 의한 일사 열전달을 의미하며, Eq. (4)와 같이 계산된다.

(4)

Q_{S o l a r} = τ_{C o v e r} \cdot A_{Floor} \cdot I_{Global}

$τ_{C o v e r}$ : 피복재의 투과율(%)

$A_{Floor}$ : 온실 바닥 면적(m²)

$I_{Global}$ : 전 일사량(W·m^-2)

$Q_{L o n g}$ 는 피복재를 통한 장파복사에 의한 일사 열전달을 의미하며 Eq. (5)와 같이 계산된다.

(5)

Q_{L o n g} = σ \cdot A_{Floor} \cdot τ_{C o v e r} [ε {(T_{i} + 273.15)}^{4} - ε_{S k y} {(T_{S k y} + 273.15)}^{4}]

$σ$ : 스테판－볼츠만 상수(5.67·10^-8W·m^-2·K^-4)

$ε_{i}$ : 온실 내부 표면의 방사율(%)

$T_{S k y}$ : 유효하늘온도(℃)

$Q_{V e n t}$ 는 천창 및 측창 개폐에 따른 자연환기에 의한 열전달, $Q_{P L a n t}$ 와 $Q_{C r o p}$ 은 각각 작물 증발산 및 엽온에 의한 열전달, $Q_{F o g}$ 는 온실 내부 적정 온습도를 유지하기 위한 포그 시스템 증발에 의한 열전달을 의미한다. 단, 본 연구의 대상 온실에는 Fog 시스템이 존재하지 않으므로 $Q_{F o g}$ 는 무시하였다.

4. Airflow Network

건물 에너지 시뮬레이션에서 대상 시설의 자연 환기와 다중 구역(Zone)간 공기 층화를 해결하기 위하여 EnergyPlus 내 공기 유동 연산 모델인 Airflow Network를 사용하였다. Airflow Network는 구역에 정의된 노드(Node) 간 차압를 계산하여 구역간 공기 유동 및 외부에 의한 풍영향을 계산하는 하나의 모듈로서, 다른 건물 에너지 시뮬레이션에 사용되는 BLAST, COMIS 공기 유동 모델에 비해 성층 혼합 및 자연환기 구현이 정밀하다는 장점이 있다.

EnergyPlus에서는 구역 내 공기가 잘 혼합된 상태로 보며 각 구역의 평균 온도와 습도를 계산한다. 본 연구에서는 작물의 에너지 교환을 모의하기 위해 작물군 상부 구역과 작물군 구역으로 구분하였으며, 이는 일반적으로 구역과 구역 간 벽체(Surface)가 있어 대류를 구현하지 못한다. 따라서, 본 연구에서는 구역간 벽체를 자외선이 온전히 투과되고 비전도성을 가지는 IRT(Infrared Transparent)객체를 이용하여 외부 에너지의 개입을 유지하되, 구역간 벽체를 90도로 개방하여 작물군 상부 구역과 작물군 구역 사이의 대류를 구현하였다.

자연환기식 온실의 경우 외부 풍향 및 풍속에 지배적인 영향을 받는다. EnergyPlus에서는 각 영역뿐만 아니라 시설 외부 영역을 하나의 Node로 정의하며, 건물의 풍압계수를 기반으로 풍압차를 계산하여 자연환기를 구현할 수 있다. Airflow Network는 각각 Inlet 노드와 Outlet 노드를 가지며, 두 개의 노드 사이에서는 기류와 압력 사이에 관계가 있는 구성요소에 의해 연결된다. 두 노드 간 압력 차는 Eq. (6)과 같이 베르누이 방정식에 의해 지배된다고 가정한다.

(6)

∆ P = (P_{n} + \frac{ρ \cdot V_{n}^{2}}{2}) - (P_{m} + \frac{ρ \cdot V_{m}^{2}}{2}) + ρ \cdot g \cdot (Z_{n} - Z_{m})

$∆ P$ : 노드 n과 m 사이의 압력차(Pa)

$P_{n}, P_{m}$ : 입구와 출구의 정압(Pa)

$V_{n}, V_{m}$ : 입구와 출구의 기류속도(m·s^-1)

$ρ$ : 공기 밀도(1.225kg·m^-3)

$g$ : 중력가속도(9.8m·s^-2)

$Z_{n}, Z_{m}$ : 입구와 출구의 높이(m)

풍압에 의한 영향을 추가하여 정리하면 Eq. (7)과 같이 Airflow Network에서 사용하는 식으로 변환할 수 있다(DOE, 2023).

(7)

∆ P = P_{n} - P_{m} + P_{S} + P_{W}

$P_{S}$ : 밀도와 높이에 따른 압력 차(Pa)

$P_{W}$ : 바람에 의한 풍압 차(Pa)

본 연구에서는 측면 환기구가 완전히 개방되었을 때와 외부 공기 유입이 완전히 차단되었을 경우로 나누어, 측창 개폐율을 각각 100, 0으로 설정하여 비교하였다.

EnergyPlus는 하나의 공간을 공기가 잘 섞여있는 상태로 인식하여 공간 전체의 중심 지점에 대한 시뮬레이션 결과값만 산출되므로, 본 연구와 같이 작물의 에너지 및 수분환경 모델을 설계함에 있어 온실 상·하부 온도 성층에 따른 영향을 모사하는데 한계점이 있다. 따라서, 본 연구에서는 Energy Plus 내 열 저항이 없고 적외선 교환이 가능한 IRT(Infrared Transparent) 가상 객체와 Airflow Network 모델을 활용하여 온실 내부 구획 및 자연 환기를 구현하였다.

5. 풍압계수 산정

EnergyPlus에서 Airflow Network를 통해 대상 시설의 외부 기상대로부터 수집한 풍향 풍속 데이터를 이용하여 자연환기를 구현하기 위해서는 풍압계수가 필수적이다. 본 연구에서는 시설의 풍압계수 산정을 위해 전산유체역학(Computational Fluid Dynamics, CFD) 기법을 이용하였다. CFD 해석은 온실 내·외부 환경에서의 공기 유동 분석, 열 평가 등에 사용되어 최근 다양한 연구에서 활용되는 기법이다. Yu 등(2014)는 온풍난방 국화재배 온실 내 기상분포의 균일성을 개선할 수 있는 기술 개발을 위해 기상요인들의 분포를 정량화 할 수 있는 CFD 모델을 개발하였으며, Son 등(2018)에서는 시설 원예단지의 여름철 외부 열환경 특성과 개선 방안을 도출하기 위해 CFD 기법을 이용하였다. Lee 등(2015)에서는 CFD 기법을 이요하여 벤로형 온실의 자연환기량을 산정하고 분석하여 간척지 내 온실의 환기 설계 기준을 마련하였다. 이와 같이 CFD 기법은 농업 시설에서의 풍환경 및 열 환경을 정량적으로 모의할 수 있어 본 연구에서 필요한 풍압계수를 도출함에 적합하다.

시설의 3차원 기하학적(Geometry) 설계와 격자 설계를 위해 각각 Autodesk Inventor(Ver. 2022) 및 Coreform Cubit (Ver. 2024.03)을 이용하였으며, 전산유체역학 연산을 수행하는 메인 모듈로 Ansys Fluent(Ver. 2021)를 이용하여 풍압계수를 도출하였다. 풍압은 단동 온실 내 공기유동에 직접적인 영향을 미치는 중요한 요소로, 단동 온실의 외벽에 작용하는 풍압계수( $C_{p}$ )는 Eq. (8)과 같이 정의할 수 있다.

(8)

C_{p} = \frac{P}{q_{H}} = \frac{P_{x} - P_{0}}{P_{v}}, P_{v} = \frac{ρ \cdot U_{h}^{2}}{2}

$P_{x}$ : 온실 표면 한 점에서의 정압 (Pa)

$P_{0}$ : 자유류에서의 기준압력 (Pa)

$U_{h}$ : 기준높이 h에서의 풍속 (m·s^-1)

$ρ$ : 공기 밀도 (1.225kg·m^-3)

$P_{v}$ : 동압 (Pa)

온실의 외벽에 작용하는 정압은 $P_{x} - P_{0} = P_{W}$ 이므로, 바람이 건물의 공기유동에 미치는 영향( $P_{W}$ )은 Eq. (9)와 같이 외벽에 대한 풍압계수와 풍압계수 ( $C_{p}$ )와 풍속에 대한 압력 ( $P_{v}$ )의 곱으로 나타낼 수 있다.

(9)

P_{W} = C_{p} P_{v}

시설의 Geometry는 설계 도면을 바탕으로 설계하였으며 풍향에 따른 풍상측 측창과 풍하측 측창의 풍압계수를 산정하기 위해 풍향을 0°~90°까지 15°씩 증가하도록 모델을 설계하였다. 외부 계산 영역은 계산의 효율성을 위해 온실에서 떨어진 격자는 1.1의 증가 비율로 점진적으로 증가하도록 설계하였다.

6. 작물 에너지 교환

온실 내부 환경 변화의 주요 요인은 식물의 증발산에 의한 현열 및 잠열 교환이며, 이는 온실 온열 환경에 중요한 영향을 미친다. 작물의 증발산에 따라 온실 내부의 온습도 변화가 일어나며 본 연구에서는 식물의 증발산에 의한 잠열 교환과, 온실 내부와 작물 사이의 온도차에 의한 현열 교환을 모의하기 위하여 Stanghellini 증발산 모델을 이용하였다.

식물의 증발산에 의해 식물과 온실 내부 공기 간 교환된 에너지( $Q_{P l a n t}$ )는 Eq. (10)과 같이 표현할 수 있다.

(10)

Q_{P l a n t} = \frac{2 \cdot ρ_{air} \cdot c_{air} \cdot LAI}{∆ H \cdot γ \cdot (r_{b} + r_{s})} \cdot VPD \cdot A_{Floor} \cdot L_{Water}

$L A I$ : 입의 엽면적 지수

$∆ H$ : 물의 증발 잠열 상수(J·kg^-1·K^-1)

$γ$ : 습공기 상수

$r_{b}$ : 경계층 저항(s·m^-1)

$r_{s}$ : 잎의 기공저항(s·m^-1)

$L_{W a t e r}$ : 잎 표면의 증발 잠열(J·kg^-1·K^-1)

잎의 기공저항 ( $r_{s}$ )은 Eq. (11)과 같이 표현할 수 있다.

(11)

r_{s} = r_{s m i n} \cdot \frac{I_{c a n} + 4.3}{I_{c a n} + 0.6} [1 + X_{{CO}_{2}} {(ρ_{{CO}_{2}} - 200)}^{2}] \cdot [1 + X_{P} {(V P D)}^{2}]

$r_{s m i n}$ : 잎의 최소 기공저항(J·kg^-1·K^-1)

$X_{{CO}_{2}}$ : 기공 개폐각에서의 CO₂ 영향계수

$X_{P}$ : 포화수증기압 영향계수

$ρ_{{CO}_{2}}$ : 이산화탄소 농도 (ppm)

$I_{c a n}$ : 잎 표면 도달 일사량(W·m^-2)

$V P D$ : 포화 수증기압차(Vapor Pressure Deficit) (Pa)

식물 포화 수증기압과 대기 수증기압 간의 차이인 포화 수증기압차( $V P D$ )는 Eq. (12) 및 Eq. (13)과 같이 계산할 수 있다.

(12)

V P D = V P_{a i r} \cdot (1 - \frac{H_{i}}{100})

(13)

V P_{a i r} = 610.7 \cdot 10^{\frac{7.5 T_{i}}{237.3 + T_{i}}}

$V P_{a i r}$ : 온실 내부 포화수증기압(Pa)

$T_{i}$ : 온실 내부 건구온도(℃)

$H_{i}$ : 온실 내부 상대습도(%)

작물 엽온과 온실 내부 온도차에 의한 열전달 ( $Q_{C r o p}$ )은 Eq. (14)와 같이 계산할 수 있다.

(14)

Q_{C r o p} = 2 \cdot A_{Floor} \cdot LAI \cdot \frac{ρ_{air} \cdot c_{air} \cdot ∆ T}{r_{b}}

$∆ T$ : 엽온과 온실 내부의 온도차(℃)

본 연구에서는 EnergyPlus에 내장되어있는 사용자 정의 에너지 관리 시스템인 EMS(Energy Managemaent System)모듈을 이용하였다. EMS는 사용자가 입력한 수식을 기반으로 기본적인 제어와 사용자의 필요에 의한 요소·제어 방식을 구현할 수 있다. 시뮬레이션 내 실시간 환경 인자 예측 값이나 스케줄 형태로 입력된 데이터 등을 EMS 모듈 내 [Energy Management System : Sensor] 모듈을 통해 EMS 변수로 할당하고, [Energy Management System : Program] 내 사용자가 입력한 수식의 변수로 입력되어 각 Program 객체에서 생성된 결과를 통해 실시간으로 작물의 에너지 교환을 반영할 수 있다.

7. 검증 및 평가

본 연구에서는 대상 시설 내 작물을 재배중이고, 자연환기 외 다른 환경 관련 시스템이 운용되지 않은 기간을 대상으로, 2024년 9월 9일부터 2024년 9월 14일까지 총 6일간의 데이터를 이용하여 검증을 진행하였다. 시뮬레이션을 진행하여 동일 기간 내 실측한 온도, 습도값과 시뮬레이션을 진행하여 계산된 온도, 습도값을 각각 비교 평가하였으며, 각 시뮬레이션 모델의 성능 평가는 평균 절대 오차(Mean Absolute Error, MAE), 평균 제곱 오차 (Mean Squared Error, MSE), 평균 절대 비율 오차(Mean Absolute Percentage Error, MAPE)를 비교하였다. 각 평가 방법에 대한 산정식은 Eq. (15)－(17)과 같다.

(15)

M A E = \frac{\sum |y - \hat{y}|}{n}

(16)

M S E = \frac{\sum_{i = 1}^{n} {(y - \hat{y})}^{2}}{n}

(17)

M A P E = \frac{100}{n} \sum_{i = 1}^{n} |\frac{y - \hat{y}}{y}|

$y$ : 실제 측정된 값(온도 및 습도)

$\hat{y}$ : 시뮬레이션 예측값(온도 및 습도)

$n$ : 표본의 수(Timestep)

결과 및 고찰

1. 시뮬레이션 모델링

본 연구에서는 Google의 3차원 건물 모델링 소프트웨어인 SketchUp Pro 2022(Ver. 22.0.354, 64bit) 온실의 피복, 골조와 열 구역(Thermal Zone) 설계를 위한 OpenStudio Sketch Up Plug-in(Ver. 1.6.0, SDK Core Ver. 3.6.1)을 이용하여 대상 시설 모델링을 진행하였다. EnergyPlus에서는 곡선 및 오각형 이상의 다각형을 활용하지 못함에 한계가 있어, 실제 온실에서 골조의 위치 및 온실 형태를 고려하여 사각형 및 삼각형으로 3차원 모델링을 진행하였다. OpenStudio 내에서 설계된 3차원 모델은 OpenStudio SketchUp Plug-in을 이용하여 IDF(Inermediate Data Format) 파일로 추출하였으며, Energy Plus(Ver. 24.2)에서 실행하여 자연환기 및 에너지 교환 모델을 설계하였다.

2. 피복 및 골조

대상 온실의 피복 및 골조, 바닥재를 구현하기 위하여 각 물질(재질)에 해당하는 물성치를 적용하여 OpenStudio 내 Matarial을 통해 적용하였다. 대상 온실의 피복과 골조는 각각 폴리올레핀(PO) 필름 0.15mm 및 알루미늄 프레임(100mm)이며 바닥은 콘크리트(200mm)로, 적용한 물성치는 Table 2과 같다.

Table 2.

Schematic diagram of the experimental greenhouse

Factors	PO Film (0.15 mm)	Factors	Aluminum (0.1 m)	Concrete (0.2 m)
Solar Transmittance at Normal Incidence	0.894	Roughness	Smooth	MediumRough
Front Side Solar Reflectance at Noarmal Incidence	0.077	Conductivity (W/m·K)	0.1	1.7
Back Side Solar Reflectance at Noarmal Incidence	0.077	Density (kg/m³)	0.1	2,300
Visible Transmittance at Normal Incidence	0.890	Specific Heat (J/kg·K)	1,400	880
Front Side Visible Reflectance at Normal Incidence	0.081	Thermal Absorptance	0.9	-
Back Side Visible Reflectance at Normal Incidence	0.081	Solar Absorptance	0.7	-
Infrared Transmittance at Normal Incidence	0	Visible Absorptance	0.7	-
Front Side Infrared Hemispherical Emissivity	0.084
Back Side Infrared Hemispherical Emissivity	0.084
Conductivity(W/m·K)	0.33

3. 열 구역

온실 내부에서의 다양한 열적 에너지 교환 및 수분 환경을 고려하기 위해선 3차원 모델 내 일반적인 구역(Zone)을 열 구역(Thermal Zone)으로 정의해주어야 한다. 이에 본 연구에서는 Open Studio 소프트웨어 내에서 작물을 구현하기 위한 작물 구역(Thermal Zone_Crop)과 자연환기 및 일사교환과 상부 온도 분석을 위한 작물 상부 대기 구역(Thermal Zone_Air)으로 나누어 Fig. 3과 같이 설계하였다.

https://cdn.apub.kr/journalsite/sites/phpf/2025-034-04/N0090340410/images/phpf_34_04_10_F3.jpg

Fig. 3

Thermal zone configuration with OpenStudio

4. 작물 에너지 모델링

Stanghellini의 증발산 모델을 시뮬레이션에 적용하기 위하여 EnergyPlus 내 내장된 EMS를 활용하였다. EMS는 Sensor 모듈을 통해 습득된 데이터를 Program 모듈의 변수로 이용하여, 계산된 결과를 통해 실시간으로 작물의 에너지 교환을 모의할 수 있다. Eq. (10)부터 Eq. (14)까지 상수값을 제외한 입력 변수들을 Sensor 내 객체로 설정하여 시뮬레이션 중 계산 결과 또는 스케줄로 입력된 값을 통해 현열 및 잠열 교환을 실시간으로 계산하였다.

엽면적지수(LAI)는 바닥 면적 대비 엽채류 잎면적 비율로, Choi 등(2022)에서 제시된 엽채류 입면적지수의 회귀식을 통해 계산된 값을 사용하였다. 엽채류 재배시의 CO₂ 농도는 농촌진흥청 최적환경설정 안내서비스에서 제공하는 엽채류 재배 시간대 잔존 CO₂의 평균값을 이용하였다. $X_{{CO}_{2}}$ 와 $X_{p}$ 는 오전, 오후로 구분하여 $X_{{CO}_{2}}$ 는 오전 6.1×10^-7, 오후 1.1×10^-11, $X_{p}$ 는 오전 4.3×10^-6, 오후 5.2×10^-6로 EMS내 스케줄로 적용하였다.

$∆ T$ 는 온실 내부와 엽채류 엽온 간의 온도차이를 의미하나, 나 EnergyPlus에서는 엽온을 시뮬레이션 할 수 없어 엽온 변화에 관한 연구를 기반으로 $∆ T$ 를 2K로 가정하였다(Nam 등, 2014). EMS 내 사용된 환경 인자 입력 객체 및 값은 Table 3과 같다.

Table 3.

Input objects and values for environmental factors used in the EMS

Input variables	Unit	Physical Meaning	Value
Q_Plant	W		Calculation Value
Q_Crop	W		Calculation Value
T_i	℃	Air temperature inside the greenhouse	Simulation Value
H_i	%	Relative humidity inside the greenhouse	Simulation Value
r_b	s·m^-1	Aerodynamic of the leaves	273
r_s	s·m^-1	Stomatic resistance of the leaves	Calculation Value
r_smin	s·m^-1	Minimum stomatal resistance of the leaves	82
I_can	W·m^-2	Solar radiation of the plant	Zone window total transmitted solar radiation rate
X_CO₂		CO₂ influence coefficient in the stomatal opening degree	Simulation Value
X_p		Influence coefficient of saturated water vapor pressure	Input data over time
ρ_CO₂	ppm	CO₂ concentration	Input data over time
VP_air	Pa	Saturated water vapor pressure inside the greenhouse	Simulation Value
ρ_air	kg·m^-3	Air density	1.2
c_air	J·kg^-1·K^-1	Specific heat of air	1,008
LAI		Leaf area index	Calculation Value
△H	J·kg^-1·K^-1	Evaporative latent heat constant of water	2.45×10⁶
γ		Psychrometric constant	65.8
A_Floor	m²	Floor area of the greenhouse	624
L_Water	J·kg^-1·K^-1	Evaporative latent heat for the leaf surface	2.45×10⁶

5. 풍압계수 산정

Fig. 4과 같이 시설의 Geometry를 설계하였으며, 풍압 계수 평가를 위한 CFD 시뮬레이션의 상수 입력값은 Table 4와 같다. 본 연구에서는 풍압계수를 산정함에 있어 자연환기 특성을 고려하여 3차원 정상 상태(Steady State) 해석을 진행하였다. 난류 모델은 시설 외부 유동에서의 박리와 곡면, 회전 유동 모의에 유리한 Realizabel $k - ε$ 모델을 사용하였다. 외부 영역의 주풍 조건은 Velocity Inlet으로 설정하였으며, 대기 및 경계층의 수직 속도분포는 Fluent 내 사용자 정의 함수(User Defined Function, UDF)로 구현하였다. 외부 영역의 경우 풍안정 및 정확성을 고려하여 시설에 가까워질수록 격자 단위를 작게 설계하였으며, 시설 모델의 경우 전·후면부 곡면에는 사면체 구조 격자(Tetrahedral Mesh)로 구성하였으며, 측면부 및 지붕은 사상 격자(Mapped Mesh)로 구성하여 경계층 해석에 유리하도록 설계하였다.

https://cdn.apub.kr/journalsite/sites/phpf/2025-034-04/N0090340410/images/phpf_34_04_10_F4.jpg

Fig. 4

CFD-based model design for deriving wind pressure coefficients

Table 4.

Input parameters for CFD simulations assessing wind pressure coefficients

Input variables	Setting of model
Solver	Pressure based
	Implicit formulation
	steady state analysis
	3D simulation
Turbulence model	Realizable k-ε model
Windprofile	Velocity inlet, User-Defined-Function(C code)
Gravitational acceleration	9.81(m·s^-2)
Air density	1.225(kg·m^-3)
Air dynamic viscosity	1.7894·10^-5(kg·m^-1·s^-1)

Tominaga 등(2008)에 따르면 풍하중 및 풍압계수 해석 시, 단일 건물 모델의 경우 측면·상부는 5H 이상, 출구(풍하측)경계는 건물 뒤로 적어도 10H 떨어뜨릴 것을 권장한다. 따라서, 본 연구에서는 온실 중심을 기준으로 출구 경계는 50.25m(15H), 상부 경계는 16.75m(5H)로 설계하였다.

풍압계수 산정 결과, 풍하측 측창의 경우 모든 풍향에서 부압이 발생하고 풍상측 측창의 경우 풍향이 45°이하일 때 정압, 풍향이 45°이상일 때 부압이 발생하였다. 풍향이 0°일 때 최대 정압이 발생하는 것을 알 수 있는데 이는 바람이 0°로 들어옴에 따라 공기 유입량이 증가하여 최대 정압이 발생하는 것으로 판단된다. 또한, 풍향이 90°일 때 풍상측 측창과 풍하측 측창의 풍압계수는 동일한 것으로 나타났으며 이는 바람이 온실 벽면에 부딪혀 바람이 고르게 풍상측 측창과 풍하측 측창으로 유입돼 같은 풍압계수가 나타난 것으로 판단된다. CFD 시뮬레이션을 활용하여 단동 온실에 대한 풍향별 풍상측 측창, 풍하측 측창의 풍압계수를 산정하여 Airflow Network 객체 내 입력변수로 입력하였으며, 산정된 풍압계수는 Table 5와 같다.

Table 5.

Results of wind pressure coefficient estimation at the target greenhouse ventilation openings

Wind direction	Wind-side window	Down-wind window
0°	0.146	－0.210
15°	0.109	－0.234
30°	0.076	－0.230
45°	－0.030	－0.263
60°	－0.173	－0.338
75°	－0.224	－0.289
90°	－0.302	－0.302

6. 검증 결과

대상 시설의 시뮬레이션 모델 검증을 위한 실험 조건으로는 엽채류가 재배중인 동일 기간 중 작물 에너지 교환 및 자연 환기가 모두 구현되지 않았을 때, 작물 에너지 교환만 구현되었을 때, 자연환기만 구현되었을 때, 모두 구현되었을 때로 구분하였으며, 실험 조건(Case)는 Table 6에 제시되었다.

Table 6.

Conditions and cases of this used in this study

Wind direction	Value/Type	Number of case
Cooling activation temperature	Not in activation
Heating activation temperature	Not in activation
Crop model (Leafy vegetables)	Including model (Stanghellini) Excluding model (No Crop)	2
Vent operating conditions	Constantly open (Airflow Network) Close (No vent)	2
Simulation period	2024. 9. 9. － 2024. 9. 14.

작물 에너지 교환과 자연환기가 모두 구현되지 않았을 경우 검증 결과는 Fig. 5에 제시하였다. 검증 기간 중 실측 데이터와 시뮬레이션 결과 간 온도 비교 시 평균 온도는 각각 30.71℃, 39.91℃로 시뮬레이션 값이 9.2℃ 높게 산정되었으며, 최고 온도는 각각 42.86℃, 82.37℃로 시뮬레이션 값이 39.51℃ 높게, 최저 온도는 각각 25.59℃, 25.33℃로 시뮬레이션 값이 0.26℃ 낮게 산정되었다. 대상 온실의 경우 자연환기 방식으로 외부 기온 및 풍영향에 지배적인 영향을 받기에 자연환기가 구현되지 않은 상황에서 온도 편차가 크게 나타났으며 MAE 9.86℃, MSE 254.33℃², MAPE 14.91%로 나타났다.

https://cdn.apub.kr/journalsite/sites/phpf/2025-034-04/N0090340410/images/phpf_34_04_10_F5.jpg

Fig. 5

Temperature–humidity validation results when both crop energy exchange and natural ventilation are not implemented

검증 기간 중 실측 데이터와 시뮬레이션 결과 간 상대습도 비교 시 평균 습도는 각각 84.89%, 50.65%로 시뮬레이션 값이 23.24% 낮게 산정되었으며, 최고 습도는 각각 99.54%, 84.12%로 시뮬레이션 값이 15.42% 낮게, 최저 습도는 각각 48.49%, 5.22%로 시뮬레이션 값이 43.27% 낮게 산정되었다. 작물 에너지 미구현으로 인해 온실 내부의 수분환경을 고려하지 못하여 습도 편차 또한 크게 나타났으며, MAE 34.24pp, MSE 1,403.57%RH², MAPE 44.41%로 나타났다.

작물 에너지만 구현되고, 자연환기가 구현되지 않았을 경우 검증 결과는 Fig. 6에 제시하였다. 검증 기간 중 실측 데이터와 시뮬레이션 결과 간 온도 비교 시 평균 온도는 각각 30.71℃, 46.95℃로 시뮬레이션 값이 16.24℃ 높게 산정되었으며, 최고 온도는 각각 42.86℃, 86.22℃로 시뮬레이션 값이 43.36℃ 높게, 최저 온도는 각각 25.59℃, 33.49℃로 시뮬레이션 값이 7.9℃ 높게 산정되었다. 외부와의 에너지 교환이 제한된 상태에서 작물의 현열, 잠열 교환이 발생하여 작물 에너지 교환과 자연환기가 모두 구현되지 않았을 경우와 비교하였을 때 온도 편차가 더욱 크게 발생하였으며, MAE 16.23℃, MSE 400.82℃², MAPE 22.49%로 나타났다.

https://cdn.apub.kr/journalsite/sites/phpf/2025-034-04/N0090340410/images/phpf_34_04_10_F6.jpg

Fig. 6

Temperature-humidity validation results when only crop energy exchange is implemented and natural ventilation is not implemented

검증 기간 중 실측 데이터와 시뮬레이션 결과 간 상대습도 비교 시 평균 습도는 각각 84.89%, 32.93%로 시뮬레이션 값이 51.96% 낮게 산정되었으며, 최고 습도는 각각 99.54%, 52.53%로 시뮬레이션 값이 47.01% 낮게, 최저 습도는 각각 48.49%, 4.48%로 시뮬레이션 값이 44.01% 낮게 산정되었다. 자연 환기로 인해 외부와의 습도 교환이 이루어지지 않은 상태에서 내부 작물의 현열, 잠열 교환으로 인한 온도 변화로 인해 습도 편차 또한 크게 나타났으며, MAE 51.95pp, MSE 2,734.64%RH², MAPE 63.56%로 나타났다.

자연환기만 구현되고, 작물 에너지가 구현되지 않았을 경우 검증 결과는 Fig. 7에 제시하였다. 검증 기간 중 실측 데이터와 시뮬레이션 결과 간 온도 비교 시 평균 온도는 각각 30.71℃, 30.52℃로 시뮬레이션 값이 0.19℃ 낮게 산정되었으며, 최고 온도는 각각 42.86℃, 42.83℃로 시뮬레이션 값이 0.03℃ 낮게, 최저 온도는 각각 25.59℃, 24.74℃로 시뮬레이션 값이 0.85℃ 낮게 산정되었다. 외부와의 에너지 교환이 이루어지며 온도 예측 성능이 매우 향상되었으나 실측 온도에 비해 전체적인 온도 값이 낮게 산정되었으며, MAE 1.58℃, MSE 3.79℃², MAPE 2.02%로 나타났다.

https://cdn.apub.kr/journalsite/sites/phpf/2025-034-04/N0090340410/images/phpf_34_04_10_F7.jpg

Fig. 7

Temperature–humidity validation results when only natural ventilation is implemented and crop energy exchange is not implemented

검증 기간 중 실측 데이터와 시뮬레이션 결과 간 상대습도 비교 시 평균 습도는 각각 84.89%, 71.83%로 시뮬레이션 값이 13.06% 낮게 산정되었으며, 최고 습도는 각각 99.54%, 97.23%로 시뮬레이션 값이 2.31% 낮게, 최저 습도는 각각 48.49%, 30.52%로 시뮬레이션 값이 17.97% 낮게 산정되었다. 온도 예측 성능의 향상에 비해 작물 에너지가 구현되지 않아 습도 편차가 여전히 크게 나타났으며, MAE 13.24pp, MSE 239.38%RH², MAPE 16.92%로 나타났다.

Table 7.

Comparison of validation results for crop and natural ventilation implementations

Case	Factors	MAE	MSE	MAPE
Excluding crop Model No Ventilation	Temperature	9.86	254.33	14.91
Excluding crop Model No Ventilation	Humidity	34.24	1,403.57	44.41
Including crop Model No Ventilation	Temperature	16.23	400.82	22.49
Including crop Model No Ventilation	Humidity	51.95	2,734.64	63.56
Excluding crop Model Natural Ventilation	Temperature	1.58	3.79	2.02
Excluding crop Model Natural Ventilation	Humidity	13.24	239.38	16.92
Including crop Model Natural Ventilation	Temperature	1.38	3.53	1.83
Including crop Model Natural Ventilation	Humidity	10.13	154.18	13.08

자연환기와 작물 에너지가 모두 구현되었을 경우 검증 결과는 Fig. 8에 제시되었으며, 실측 데이터와 시뮬레이션 결과 간 비교시 온도는 MAE 1.38, MSE 3.53, MAPE 1.83으로, 습도는 MAE 10.13, MSE 154.18, MAPE 13.08로 나타났다. 외부와의 에너지 교환이 이루어지며, 작물 에너지와 증발산의 영향으로 온도와 습도 모두 실제 측정된 온실 데이터와 유사한 경향 및 값을 보인 것으로 판단된다.

https://cdn.apub.kr/journalsite/sites/phpf/2025-034-04/N0090340410/images/phpf_34_04_10_F8.jpg

Fig. 8

Comparison of validation results according to the implementation of crop energy exchange and natural ventilation

자연환기와 작물 에너지가 모두 구현되었을 경우 검증 결과는 Fig. 8에 제시하였다. 검증 기간 중 실측 데이터와 시뮬레이션 결과 간 온도 비교 시 평균 온도는 각각 30.71℃, 31.12℃로 시뮬레이션 값이 0.41℃ 높게 산정되었으며, 최고 온도는 각각 42.86℃, 43.12℃로 시뮬레이션 값이 0.26℃ 높게, 최저 온도는 각각 25.59℃, 25.45℃로 시뮬레이션 값이 0.14℃ 낮게 산정되었다. 외부와의 에너지 교환과 작물의 현열, 잠열 교환으로 안정적인 경향을 보이며 MAE 1.38℃, MSE 3.53℃², MAPE 1.83%로 나타났다.

검증 기간 중 실측 데이터와 시뮬레이션 결과 간 상대습도 비교 시 평균 습도는 각각 84.89%, 76.04%로 시뮬레이션 값이 8.85% 낮게 산정되었으며, 최고 습도는 각각 99.54%, 100%로 시뮬레이션 값이 0.46% 높게, 최저 습도는 각각 48.49%, 33.08%로 시뮬레이션 값이 15.41% 낮게 산정되었다. 온도 예측 성능의 향상과 더불어 작물 에너지 및 증산에 의해 안정적인 경향으로 높은 성능을 보이며, MAE 10.13pp, MSE 154.18%RH², MAPE 13.08%로 나타났다.

Acknowledgements

본 연구는 농촌진흥청 연구사업(세부과제번호: RS-2021-RD010214)의 지원에 의해 이루어진 것임.

References

Bot G.P. 1983, Greenhouse climate: from physical processes to a dynamic model. PhD Dissertation, Wageningen Univ., Wageningen, Netherlands.

Cho J.H., I.B. Lee, S.Y. Lee, J.G. Kim, D, Cristina, Y.B. Choi, M.H. Lee, and D.Y. Jeong 2022, Development of Summer Leaf Vegetable Crop Energy Model for Rooftop Greenhouse. J Bio-Env Con 31:246-254. (in Korean) doi:10.12791/KSBEC.2022.31.3.246

10.12791/KSBEC.2022.31.3.246

Duncan G.A., O.J. Loewer, and D.G. Colliver 1981, Simulation of energy flows in a greenhouse: magnitudes and conservation potential. Trans ASAE 24:1014-1021. doi:10.13031/2013.34383

10.13031/2013.34383

Katsoulas N., and C. Stanghellini 2019, Modelling crop transpiration in greenhouses: different models for different applications. Agronomy 9:392. doi:10.3390/agronomy9070392

10.3390/agronomy9070392

Kimball B.A. 1973, Simulation of the energy balance of a greenhouse. Agric Meteorol 11:243-260. doi:10.1016/0002-1571(73)90067-8

10.1016/0002-1571(73)90067-8

Lee S.Y., I.B. Lee, K.S. Kwon, T.H. Ha, U.H. Yeo, S.J. Park, R.W. Kim, Y.S. Jo, and S.N. Lee 2015, Analysis of natural ventilation rates of venlo-type greenhouse built on reclaimed lands using CFD. J Korean Soc Agric Eng 57:21-33. (in Korean) doi:10.5389/KSAE.2015.57.6.021

10.5389/KSAE.2015.57.6.021

Liu J., T.H. Jin, and K.Y. Shin 2021, Parametric study on a simplified model for the estimation of the heating and the cooling loads of a closed-span greenhouse: a case study in Korea. J Mech Sci Technol 35:333-341. doi:10.1007/s12206-020-1233-x

10.1007/s12206-020-1233-x

No S. 2021, A study and proposal for applying cooling effect of hybrid ventilation to the monthly energy demand calculation method in Korea. Energies 14:7420. doi:10.3390/en14217420

10.3390/en14217420

Son J.K., M.J. Kong, D.G. Choi, D.H. Kang, M.J. Park, S.W. Yun, S.C. Lee, and S.Y. Lee 2018, A characteristics and improvement of thermal environment in summer of protected horticulture complex using CFD simulation. J Korean Soc Rural Plann 24:73-86. (in Korean)

10.7851/ksrp.2018.24.3.073

Stanghellini C. 1987, Transpiration of greenhouse crops: an aid to climate management. PhD Dissertation, Wageningen Univ., Wageningen, Netherlands.

Talbot M.H., and D. Monfet 2024, Analysing the influence of growing conditions on both energy load and crop yield of a controlled environment agriculture space. Appl Energy 368:123406. doi:10.1016/j.apenergy.2024.123406

10.1016/j.apenergy.2024.123406

Tominaga Y., A. Mochida, R. Yoshie, H. Kataoka, T. Nozu, M. Yoshikawa, and T. Shirasawa 2008, AIJ guidelines for practical applications of CFD to pedestrian wind environment around buildings. J Wind Eng Ind Aerodyn 96:1749-1761. doi:10.1016/j.jweia.2008.02.058.

10.1016/j.jweia.2008.02.058

U.S. Department of Energy (DOE) 2023, EnergyPlus Engineering Reference: AirflowNetwork Model. Available via https://energyplus.net/assets/nrel_custom/pdfs/pdfs_v23.2.0/EngineeringReference.pdf, Accessed 27 October 2025.

Whittle R.M., and W.J.C. Lawrence 1960, The climatology of glasshouses. II. Ventilation. J Agric Eng Res 5:36-41.

Yeo U.H., S.Y. Lee, S.J. Park, J.G. Kim, Y.B. Choi, R.W. Kim, J.H. Shin, and I.B. Lee 2022, Rooftop greenhouse: (1) design and validation of a BES model for a plastic-covered greenhouse considering the tomato crop model and natural ventilation characteristics. Agriculture 12:903. doi:10.3390/agriculture12070903

10.3390/agriculture12070903

Yu I.H., N.K. Yun, M.W. Cho, H.R. Ryu, and D.G. Moon 2014, Development of CFD model for analyzing the air flow and temperature distribution in greenhouse with air-circulation fans. Korean J Agric Sci 41:461-472. (in Korean)

10.7744/cnujas.2014.41.4.461

Journal of Bio-Environment Control ISSN:1229-4675(Print) 2765-3641(Online) 생물환경조절학회지

Preview

Evaluating Indoor-Environment Predictions in a Naturally Ventilated Greenhouse Using BES Simulation: Effects of Ventilation and Crop Modeling

ABSTRACT

MAIN

Table 1.

Schematic diagram of the experimental greenhouse

Fig. 1

Modeling of the experimental greenhouse. (a) Isometric view, (b) Top view

(1)

Fig. 2

Modeling of the experimental greenhouse

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

(14)

(15)

(16)

(17)

Table 2.

Schematic diagram of the experimental greenhouse

Fig. 3

Thermal zone configuration with OpenStudio

Table 3.

Input objects and values for environmental factors used in the EMS

Fig. 4

CFD-based model design for deriving wind pressure coefficients

Table 4.

Input parameters for CFD simulations assessing wind pressure coefficients

Table 5.

Results of wind pressure coefficient estimation at the target greenhouse ventilation openings

Table 6.

Conditions and cases of this used in this study

Fig. 5

Temperature–humidity validation results when both crop energy exchange and natural ventilation are not implemented

Fig. 6

Temperature-humidity validation results when only crop energy exchange is implemented and natural ventilation is not implemented

Fig. 7

Temperature–humidity validation results when only natural ventilation is implemented and crop energy exchange is not implemented

Table 7.

Comparison of validation results for crop and natural ventilation implementations

Fig. 8

Comparison of validation results according to the implementation of crop energy exchange and natural ventilation

Acknowledgements

References