The cutting process, which is a key processing technology in various industrial fields is achieving continuous growth, and the demand for high-quality cutting surfaces is continuously demanded. Plasma cutting continues to be studied for its excellent workability and productivity, but problems with cutting surface quality such as dross formation occur, so research to secure excellent cutting surface quality through appropriate control of process variables is essential. In this study, we propose a method for predicting surface roughness using real-time current and cutting speed data obtained while performing plasma cutting on A106 B steel pipe. Surface roughness was predicted based on the RBF algorithm applicable to prediction and control models. It was shown that the surface roughness of the plasma cutting surface can be predicted with the arc current waveform and process speed data. This study can be used as a basic study to control the surface roughness of the cut surface in real time.

In the case of a die-casting process, defects that are difficult to confirm by visual inspection, such as shrinkage bubbles, may occur due to an error in maintaining a vacuum state. Since these casting defects are discovered during post-processing operations such as heat treatment or finishing work, they cannot be taken in advance at the casting time, which can cause a large number of defects. In this study, we propose an approach that can predict the occurrence of casting defects by defect type using machine learning technology based on casting parameter data collected from equipment in the die casting process in real time. Die-casting parameter data can basically be collected through the casting equipment controller. In order to perform classification analysis for predicting defects by defect type, labeling of casting parameters must be performed. In this study, first, the defective data set is separated by performing the primary clustering based on the total defect rate obtained during the post-processing. Second, the secondary cluster analysis is performed using the defect rate by type for the separated defect data set, and the labeling task is performed by defect type using the cluster analysis result. Finally, a classification learning model is created by collecting the entire labeled data set, and a real-time monitoring system for defect prediction using LabView and Python was implemented. When a defect is predicted, notification is performed so that the operator can cope with it, such as displaying on the monitoring screen and alarm notification.

The development of IOT technology and artificial intelligence technology is promoting the smartization of manufacturing system. In this study, data extracted from acceleration sensor and current sensor were obtained through experiments in the cutting process of SKD11, which is widely used as a material for special mold steel, and the amount of tool wear and product surface roughness were measured. SVR (Support Vector Regression) is applied to predict the roughness of the product surface in real time using the obtained data. SVR, a machine learning technique, is widely used for linear and non-linear prediction using the concept of kernel. In particular, by applying GSVQR (Generalized Support Vector Quantile Regression), overestimation, underestimation, and neutral estimation of product surface roughness are performed and compared. Furthermore, surface roughness is predicted using the linear kernel and the RBF kernel. In terms of accuracy, the results of the RBF kernel are better than those of the linear kernel. Since it is difficult to predict the amount of tool wear in real time, the product surface roughness is predicted with acceleration and current data excluding the amount of tool wear. In terms of accuracy, the results of excluding the amount of tool wear were not significantly different from those including the amount of tool wear.

Solar radiation forecasts are important for predicting the amount of ice on road and the potential solar energy. In an attempt to improve solar radiation predictability in Jeju, we conducted machine learning with various data mining techniques such as tree models, conditional inference tree, random forest, support vector machines and logistic regression. To validate machine learning models, the results from the simulation was compared with the solar radiation data observed over Jeju observation site. According to the model assesment, it can be seen that the solar radiation prediction using random forest is the most effective method. The error rate proposed by random forest data mining is 17%.

Analyzing the observational data of volcanic activities around the northern part of Korean peninsula, the odds of volcano eruption increases continuously. For example, the cumulative seismic moment and frequence observed near Mt. Baekdu show a sudden increased values. In this study, predicting the diffusion of volcanic ash for two cases were carried out by using interactive realtime simulator, which was developed during last 2 years as a research and development project. The first case is Sakurajima volcano (VEI=3) erupted in August 2013. The second case is assumed as the volcanic eruption at Mt. Baekdu (VEI=7) under landing circumstance of typhoon Maemi (August 2003) in Korean peninsula. The synoptic condition and ash diffusion for the two cases were simulated by WRF(Weather Research and Forecast) model and Lagrangian dispersion model, respectively. Comparing the simulated result of the first case (i.e., Sakurajima volcano) with satellite image, the diffusion pattern show acceptable result. The interactive realtime simulator can be available to support decision making under volcanic disaster around East Asia by predicting several days of ash dispersion within several minutes with ordinary desktop personal computer.

실시간 해수유동 정보를 중심으로 신조선 선박의 실선시운전에서 활용될 수 있는 정보 제공 시스템을 개발하였다. 본 시스템에서 는 실선시운전 지원 정보로서 특정시간 해수유동의 공간분포를 예측하여 제공하며, 특정지점 해수유동의 시계열 변동을 예측하여 제공한다. 또한 본 시스템은 실선시운전에 있어 시험선박 운항경로에서의 해수유동 정보 및 선속 손실정보를 제공하기 위하여 GPS와 연결할 수 있는 기능을 가지고 있으며, 이러한 기능을 이용하여 실선시운전시 자동으로 운항경로상의 해수유동 실시간 정보 및 해수유동에 의한 선속손실을 계산하여 제공한다. 실선시운전 중의 정보 제공 이외에, 본 시스템에서는 특정한 시험시간과 시험경로에 대해 선속손실을 예측하여 제공함으 로써 최적의 시험시간 및 시험경로를 계획할 수 있도록 지원하는 기능도 가지고 있다. 본 연구에서 개발된 실선시운전을 위한 실시간 해수유 동 예측시스템은 효율적인 시험계획과 정확한 해역특성 파악을 지원할 뿐 아니라, 실선에 탑재되어 시험 중에 요구되는 다양한 정보를 제공 한다.

상대적으로 홍수량의 규모가 작은 지류 하천에서는 합류부 배수영향으로 제내지 침수 및 제방 범람에 의한 홍수피해의 위험이 가중되고 있다. 특히 지류 합류부에서는 본류와 지류의 홍수유하 조건에 따라 수위가 급격히 증가하므로 인명피해의 가능성 또한 높다. 따라서 본 연구에서는 비구조적 홍수피해저감대책의 일환으로 지류 합류부의 실시간 홍수위 예측기술을 개발하고자 한다. 이를 위하여 지류 합류부 수위의 주요 영향인자를 검토하였고, 잘 구축된 수리학적 모형으로부터 계산된 본류 및 지류의 유량과 합류부 수위자료를 이용하여 홍수위 예측을 위한 경험식을 개발하였다. 개발된 식에 의한 예측결과는 최대 1.0m의 수위오차를 포함하고 있었으나, 평균 0.2~0.3m의 절대오차를 나타내었고, 발생시각은 0~5 hr 앞서 예측 가능한 것으로 나타났다. 본 연구결과로부터 홍수예측 시스템이 구축되지 않은 지류 합류부에서도 쉽게 실시간 홍수예측이 가능하며, 구축된 시스템은 지류의 홍수범람 및 침수피해 예방에 활용될 수 있을 것으로 기대된다.

According to the analysis of volcanic observation data around Korean peninsula, the activities of volcano increase continuously. For example, the volcanic eruption of Mt. Sakurajima is an example, and Mt. Baekdu can be another example potentially. In these regards, developing unified system including realtime prediction and 3D visualization of volcano ash are important to prepare the volcanic disaster systematically. In this technical report, an interactive simulator embedding dispersion algorithm and 3D visualization engine is developed. This system can contribute to the realtime prediction of volcanic disaster scientifically.

최근 빈번하게 발생하고 국지성 집중호우와 같이 갑작스럽게 발생한 높은 강도의 강우에 의한 유출량에 적절하게 대처하기 위하여 실시간 배수펌프장 운영기법의 개발 및 내수침수 예측이 가능한 시스템 개발이 요구된다. 본 연구의 목적은 최근 빈번하게 발생하고 있는 도시지역에서의 집중호우로 인한 내수침수에 대비하기 위하여, 내배수 시설의 실시간 운영 알고리즘을 개발하고 이러한 도시홍수 대책의 효과를 분석 및 향후 내수침수 예측을 위하여 내수침수 해석 모형을 개발하고자 한다. 개발한 모형의 적용성을 검증하기 위하여 마포배수구역에 발생한 2010년 9월 호우사상에 대하여 적용하였다. 뉴로-퍼지 모형은 불필요한 입력자료의 수는 모형의 규칙수를 증가시키고 오차를 유발하므로 최소한의 입력자료를 구성하기 위하여 크게 시간적 매개변수와 공간적 매개변수로 나누어 모형을 개발하였으며 가장 작은 오차과 큰 결정계수를 가지는 모형을 최종적으로 선택하였다. 이전 시간의 입력자료로부터 현재 시간의 수위를 예측하고 예측된 현재 시간의 수위를 바탕으로 작동 펌프의 수를 산정해야 한다. 이 과정에서 최적의 작동 펌프의 수를 계산하기 위하여 최적화 기법으로 수정된 유전자 알고리즘을 적용하였으며 여러 제약조건과 목적함수를 만족시키는 작동 펌프의 수를 도출하였다. 계산된 작동 펌프의 수는 뉴로-퍼지모형의 입력자료가 되어 다음 시간의 수위 예측이 가능하도록 한다. 마포배수구역에 적용결과 모든 배수펌프장에서 최고수위와 최저수위를 만족하는 결과를 얻을 수 있었으며, 잦은 펌프의 작동과 정지상태를 피하여 운영비 측면에서도 효과적인 결과를 얻을 수 있을 것으로 예상된다. 또한 뉴로-퍼지를 이용한 실시간 배수펌프장 내수위 예측 값을 경계조건으로 하여 개발한 2차원 통합침수해석 모형의 적용성을 검증하였다. 모의결과의 검증을 위해 침수실적도와 2차원 통합침수해석모형에 의해 계산된 침수면적간의 적합도 비교 결과 70~80% 범위를 보였다. 뉴로-퍼지 모형을 직접 가동 배수펌프의 수 혹은 토출량을 결정하도록 알고리즘을 구성하지 않음으로서 데이터 기반모형이 가지는 한계점을 극복하고자 우선 배수펌프장의 내수위를 예측하였고 예측된 수위로부터 운전자의 판단이 반영될 수 있으며 배수펌프장의 재난 비상상황시 재해정보지도를 구축함으로서 주민들에게 정보를 제공할 수 있을 것으로 판단된다.

본 연구의 목적은 앙상블 칼만필터링 기법과 연속형 강우-유출모형을 연계한 SURF 모형과 Auto ROM을 결합한 실시간 댐 수문량 예측모형(DHVPM)을 개발하고 그 적용성을 평가하는데 있다. 대상유역은 충주댐 상류유역을 선정하였으며 2006∼2009년 동안 연최대 유입량이 발생한 4개 사례를 선정하였다. 관측유량 자료동화 적용에 따른 선행시간 1시간 유입량에 대한 첨두유량 상대오차, 평균제곱근오차, 모형효율성계수를 산정한 결과, 2007년 첨두유량 상대오차 결과를 제외한 모든 사례에서 자료동화기법을 적용한 결과가 우수한 것으로 나타났다. 현시점으로 가정한 가상시점에서 예측선행시간 10시간에 대해 유입량을 예측한 결과에서, 유역평균강우량의 오차가 큰 경우에 대해 자료동화기법을 적용함으로써 예측 유입량의 오차가 줄어드는 것을 확인하였다. 이상의 결과로부터 실시간 예측유입량의 정확도를 향상시키기 위해서는 관측유입량의 실시간 활용이 가능한 환경에서 자료동화기법을 연계한 유입량 예측모형을 이용하는 것이 바람직할 것으로 판단된다.

본 논문에서는 키보드나 마우스를 이용하지 않고 손 포즈나 동작으로 직관적인 사용자 인터 페이스를 제공하기 위한 실시간 손 포즈 인식 방법을 제안한다. 먼저 깊이 카메라 입력영상에서 왼손과 오른손의 영역을 분할 및 잡음 보정 후 각 손 영역에 대하여 손 회전각과 손 중심점을 계산한다. 그리고 손 중심점에서 일정간격으로 원을 확장해 나가면서 손 경계 교차점의 중간 지점을 구해 손가락 관절점과 끝점을 검출한다. 마지막으로 앞서 구한 손 정보와 이전 프레임의 손 모델간의 매칭을 수행하여 손 포즈를 인식한 후 다음 프레임을 위하여 손 모델을 갱신한다. 본 방법은 연속된 프레임간의 시간 일관성을 이용하여 이전 프레임의 손 모델 정보를 통하여 은닉된 손가락의 예측이 가능하다. 양손을 사용하여 은닉된 손가락을 가진 다양한 손 포즈에 대해 실험한 결과 제안 방법은 평균 95% 이상의 정확도로 32 fps 이상의 성능을 보였다. 제안 방법은 프리젠테이션, 광고, 교육, 게임 등의 응용분야에서 비접촉식 입력 인터페이스로 사용될 수 있다.

본 연구는 AWS 관측강우정보를 이용하여 실시간 유량예측을 수행할 경우 적용가능한 예측선행시간 및 정확도를 평가하고자 하는데 그 목적이 있다. 이를 위해 남한강 상류유역을 대상유역으로 선정하였으며 2006∼2009 홍수기간에 대해 SURF 모형을 구축하였다. 관측유량 자료동화 수행 유무에 따른 모의유량은 관측유량을 잘 모의하며 유효성지수를 이용하여 자료동화 효과를 분석한 결과에서 충주댐 32.08%, 달천 51.53%, 횡성 39.70%, 여주 18.23%가 개선된 것으로 나타났다. 첨두유량 발생시간 이전 가상의 현재시점까지의 AWS 관측강우정보를 이용하여 유량예측 적용성을 평가한 결과 허용오차 20% 범위 내에서 첨두유량은 충주 11시간, 달천 2시간, 횡성 3시간, 여주 5시간, 유출용적은 충주 13시간, 달천 2시간, 횡성 4시간, 여주 9시간 이내에서 예측이 가능한 것으로 나타났다. 따라서 유역의 지체효과로 인해 관측강우만을 이용하여 적정 예측시간에 대해서 실시간 첨두유량 예측이 가능할 것으로 판단된다.

지구환경의 변화로 홍수빈도 및 강우강도가 증가하고 있다. 이에 따라 도시유역 내 홍수범람으로 인한 인명 및 재산 피해가 빈번히 발생하고 있다. 발생되는 피해에 대하여 과학적이고 기술적인 대응 방안이 필요하며 이를 위한 기술의 개발과 홍수예경보시스템의 연계에 관한 적정 방안을 필요로 하고 있다. 본 연구에서는 효율적인 통합중소하천의 예경보 시범유역을 선정하고 이를 위하여 부산시 소재 내 온천천 유역을 시범유역으로 선정하여 홍수예경보를 위한 10분 간격의 실시간 모니터링을 구축하였다. 이는 현장에 설치된 강우계, 수위계, 유량계를 설치하여 이를 원격 시스템으로 데이터를 전송하고 관리할 수 있는 웹사이트를 구축하였다(http://pnuhydro.pusan.ac.kr). 이를 통하여 구축된 DB를 활용하여 도시 유역 내 단기 수문예측모형을 개발하였다. 수문예측모형은 온천천 유역 내 설치되어 있는 실시간 유역 모니터링 시스템의 수집된 자료 중 홍수시 강우사상별로 수문예측모형의 입력자료로 사용하였다. 역전파알고리즘 기반의 인공신경망을 이용하여 2006-2012년의 기간 중 10분 간격의 수위 및 강우 자료를 이용하여 홍수기 시 강우사상별로 자료를 정리 한 후 4가지 강우사상에 대하여 training과 testing 기간으로 나누어 10분부터 60분까지의 수위 예측을 실시하였다. 그 결과 10분 간격의 수위예측에서 10분 간격으로 최대 60분까지 예측한 경우 예측 기간이 길어질수록 예측 정도가 단기 예측에 비하여 RMSE와 CC(상관계수) 값 중 RMSE 커지긴 하지만 상관분석의 결과 및 RMSE 모형 분석 결과는 대체적으로 60분까지 예측 성능이 우수한 편이었다. 이는 실시간 모니터링 시스템에 의하여 DB화한 수문관측자료를 이용하여 역전파알고리즘 기반의 수위예측모형은 도시 유역 내 돌발홍수 및 범람에 대비할 수 있는 대안책으로 추후 효율적인 모니터링 시스템의 운영과 관리에 의한 DB의 축적과 이를 통한 다양한 강우사상에 대한 수문예측모형의 적용으로 그 적용성 평가가 필요할 것으로 사료된다.

본 연구에서는 연속형 강우-유출모형과 앙상블 칼만 필터 기법을 연계하여 실시간 하천유량 예측모형을 개발하고 자료동화로 인한 정확도 개선 정도를 평가하고자 한다. 대상유역은 안동댐 상류유역을 선정하고 2006.7.1~8.18과 2007.8.1~9.30의 홍수기간에 대해 평가를 수행하였다. 자료동화를 위한 모형 상태변수는 유역의 토양수분과 저류량 및 하도 저류량을 선정하였으며 하류 댐 지점의 관측유량을 이용하여 상태변수를 갱신하도록 모형을 설계하였다. 상태

본 연구에서는 다목적댐의 효율적인 홍수관리와 조기 홍수 경보시스템의 정확성을 향상시키기 위하여 두 가지 모형이 제안되었다. 두 모형은 상류 유입 홍수량과 하류 하천의 홍수량을 실시간으로 예측할 수 있는 능력을 각각 가지고 있다. 이들 모형은 남강댐 상류와 하류 홍수량의 실측치와 모의치를 비교하여 보정 및 검정되었으며, 실제 상황에서 모형의 홍수량 예측 능력이 평가되었다. 상류 유입량 예측 모형은 Grey 시스템 이론에 근거하였으며, 모형의 예측능력을 고

본 연구에서는 영산호의 상류에 위치한 나주유역의 홍수시 유출량을 실시간으로 예측하기 위하여 Grey홍수 유출모형을 개발하였다. 나주유역의 유출량은 나주수위관측소에서 실시간으로 측정하고 있으며, 이곳은 영산호의 유입홍수량을 예측과 홍수관리를 위한 주관측소이다. 모형의 지배방정식은 Grey시스템 이론에 근거하여 구성되었으며, 모형의 매개변수는 Grey 시스템매개변수의 조합으로 구성하였다. 모형의 차수는 실측자료와 모의결과를 비교하여 다른 차수 보다 양호한

평창강 수질자동측정망 실시간 자료를 이용하여 강우시와 무강우시로 구분하여 분석하였다. 강우시에 측정된 TOC 자료는 무강우시 측정된 자료에 비해 평균값, 최대값, 표준편차가 크게 나타났으며, 강우시의 DO 자료는 무강우시에 측정된 자료보다 낮아 유량이 수질변화에 영향을 미치는 것으로 분석되었다. 신경망 모형과 뉴로-퍼지 모형으로 수질예측 모형을 구성하고, 적용하였다. LMNN, MDNN, ANFIS 모형은 TOC 모의에서 DO 예측에서는 LMNN, MD