본 연구의 주요 목적은 회귀기반의 다양한 머신러닝 알고리즘을 개발하고 다양한 농업 분야에서 사용되는 트랙터의 연료 소비량을 예측하는 것이다. 비포장 도로주행 농업 기계중에서도 사용 비중이 가장 높은 트랙터를 선정하였다. 실제 농가에 방문하여 현업 전문가 조언을 바탕으로 연구하여 설문지를 작성하였으며, 설문 대상은 경남 사천시에 있는 농가 10곳, 진주시에 있는 농가 62곳 등, 총 72곳의 농가이다. 농작업으로는 벼농사, 보리농사, 밭농사 등이 있으며, 작업내용으로는 쟁기, 로터리, 비료살포, 베토, 모내기작업 등이 있다. 다중 회귀분석을 통해 연료 소비량 예측에 영향을 미치는 변수(마력, 기계사용연수, 경작면적, 작업 시간)를 추출하였고. 머신러닝 회귀 학습기 모형으로 학습하여 예측 모형의 성능을 검증하였다. 연료 소비량을 예측하는 모델의 성능은 결정 계수(R), RMSE (제곱 평균 제곱근 오차), MSE (평균 제곱 오차) 및 MAE (평균 절대 오차)를 포함한 4가지 통계적 품질 매개변수를 사용하여 결정되었다. 연구 결과 4가지 모델(다중회귀, 랜덤포레스트, 아다부스트, K-최근접 이웃) 중 K-최근접 이웃의 성능이 제일 높은 것으로 나타났다. 결론적으로 본 연구의 결과는 실제 농가의 연료 소비량을 예측하여 면세유 유통의 투명성을 확보하고 추후 개발 모델의 의사결정에 활용될 수 있을 것으로 기대된다.

본 연구는 미용 전공 대학생의 비대면 수업 경험이 학습몰입에 미치는 영향에 대해 알아보고 With Corona 시대에 맞는 미용 교육산업에 기초자료를 제공하기 위함에 목적이 있다. 미용 전공 대학생 300명을 대상으로 2022년 06월 07일부터 06월 21일까지 자가기입식 설문법을 실시하였으며 총 286부를 표본으로 실증 분석하였다. SPSS ver. 21.0 프로그램을 활용하여 빈도분석, 요인분석, 탐색적 요인분석, 기 술통계분석, 상관관계분석, 다중회귀분석법을 사용하여 연구하였다. 그 결과, 비대면 학습경험을 요인 분석 한 결과 수업만족 2개의 하위요인으로 분석되었으며 학습몰입을 요인 분석한 결과 학습 즐거움과 학습몰입 의 2개의 하위요인으로 분석되었다. 수업 활동이 학습몰입의 하위요인인 학습 즐거움(β=.279, p<.007)과 학습몰입(β=.221, p<.031)에 통계적으로 유의미한 정(+)의 영향을 미치는 것으로 나타났다(p<.05). 수업 만족이 학습몰입의 하위요인인 학습몰입(β=.223, p<.041)에 통계적으로 유의미한 정(+)의 영향을 미치는 것으로 나타났다(p<.05). 본 연구결과를 토대로 비대면 수업 경험이 학습몰입에 영향을 미친다는 사실을 알 수 있었으며 이를 통해 시대에 맞는 효율적 비대면 교육 방안이 활발히 모색되기를 기대하는 바이다.

본 연구는 국내 간호대학생에게 적용한 플립러닝 교수법의 효과에 관한 연구를 체계적 고찰을 통해 통합적으로 규명하기 위한 메타분석연구이다. 자료수집은 2022년 11월 20일에서 12월 20일까지 코 크란 연합의 체계적 고찰 보고지침을 준수하여 진행하였다. 국내 데이터베이스를 통해 검색된 논문은 RISS 72건, KISS 11건, Dbpia 46건 총 129편이었으며, 중복논문 제거 및 선정기준에 따라 최종 9편의 연구를 선정하였다. 국내 간호대학생을 대상으로 플립러닝 수업을 적용한 결과 플립러닝이 간호대학생의 비판적 사고성향 0.91(Z=8.36, p<.001), 학업적 자기효능감 0.35(Z=2.62, p=.009), 자기주도적 학습능력 0.81(Z=6.53, p<.001), 학업성취도 0.60(Z=5.18, p<.001), 자기효능감 0.66(Z=4.79, p<.001) 향상에 효과 적인 것으로 나타났다. 본 연구결과를 토대로 플립러닝은 국내 간호교육 현장에 적용 가능한 효과적인 교 수법임을 확인하였고, 플립러닝 수업설계 방향성에 객관적인 근거를 제시하였으며, 향후 플립러닝에 긍정 적인 효과를 주는 다양한 결과 변인들의 효과를 통합적으로 분석하는 반복연구를 제언한다.

본 연구는 딥러닝을 위한 비선형 변환 접근법을 사용하여 Single-lap joint의 접착 영역을 조사하기 위한 진동 응답 기반 탐지 시스템 을 제시한다. 산업 혹은 공학 분야에서 분해가 쉽지 않은 구조 내에 보이지 않는 부분의 상태와 접착된 구조의 접착 부위 상태를 알기 어려운 문제가 있다. 이러한 문제를 해결하기 위해 본 연구는 비선형 변환을 이용하여 기준 시편의 진동 응답으로 다양한 시편의 접착 면적을 조사하는 탐지 방법을 제안한다. 이 연구에서는 CNN 기반 딥러닝으로 진동 특성을 파악하기 위해 비선형 변환을 적용한 주파 수 응답 함수를 사용했고 분류를 위해 가상의 스펙트로그램을 사용했다. 또한, 제시된 방법을 검증하기 위해 알루미늄, 탄소섬유복합 재 그리고 초고분자량 폴리에틸렌 시편에 대한 진동 실험, 분석적 해, 유한요소해석을 수행했다.

철도교량의 설계는 장기간에 걸쳐 수행되고 대규모의 부지를 대상으로 하기 때문에 다양한 환경적인 요인과 불확실성을 동반하게 된다. 이러한 연유로 초기 설계단계에서 충분히 검토하였더라도 설계변경이 종종 발생하고 있다. 특히 철도교량과 같은 대규모 시설 물의 설계변경은 많은 시간과 인력을 소모하며, 매번 모든 절차를 반복하는 것은 매우 비효율적이다. 본 연구에서는 딥러닝 알고리즘 중 전이학습을 통해 설계변경 전의 학습 결과를 활용하여 설계변경 후의 학습의 효율성을 향상시킬 수 있는 기법을 제안하였다. 분석 을 위해 기개발한 철도교량 딥러닝 기반 예측 시스템을 활용하여 시나리오들을 작성하고 데이터베이스를 구축하였다. 제안된 기법은 설계변경 전 기존 도메인에서 학습에 사용한 8,000개의 학습데이터 대비 새로운 도메인에서 1,000개의 데이터만을 학습하여 유사한 정확도를 나타내었고 보다 빠른 수렴속도를 가지는 것을 확인하였다.

고성능 콘크리트(HPC) 압축강도는 추가적인 시멘트질 재료의 사용으로 인해 예측하기 어렵고, 개선된 예측 모델의 개발이 필수적 이다. 따라서, 본 연구의 목적은 배깅과 스태킹을 결합한 앙상블 기법을 사용하여 HPC 압축강도 예측 모델을 개발하는 것이다. 이 논 문의 핵심적 기여는 기존 앙상블 기법인 배깅과 스태킹을 통합하여 새로운 앙상블 기법을 제시하고, 단일 기계학습 모델의 문제점을 해결하여 모델 예측 성능을 높이고자 한다. 단일 기계학습법으로 비선형 회귀분석, 서포트 벡터 머신, 인공신경망, 가우시안 프로세스 회귀를 사용하고, 앙상블 기법으로 배깅, 스태킹을 이용하였다. 결과적으로 본 연구에서 제안된 모델이 단일 기계학습 모델, 배깅 및 스태킹 모델보다 높은 정확도를 보였다. 이는 대표적인 4가지 성능 지표 비교를 통해 확인하였고, 제안된 방법의 유효성을 검증하였다.

Soft magnetic powder materials are used throughout industries such as motors and power converters. When manufacturing Fe-based soft magnetic composites, the size and shape of the soft magnetic powder and the microstructure in the powder are closely related to the magnetic properties. In this study, Fe-Si-Al-P alloy powders were manufactured using various manufacturing process parameter sets, and the process parameters of the vacuum induction melt gas atomization process were set as melt temperature, atomization gas pressure, and gas flow rate. Process variable data that records are converted into 6 types of data for each powder recovery section. Process variable data that recorded minute changes were converted into 6 types of data and used as input variables. As output variables, a total of 6 types were designated by measuring the particle size, flowability, apparent density, and sphericity of the manufactured powders according to the process variable conditions. The sensitivity of the input and output variables was analyzed through the Pearson correlation coefficient, and a total of 6 powder characteristics were analyzed by artificial neural network model. The prediction results were compared with the results through linear regression analysis and response surface methodology, respectively.

This study investigated changes in psychological stress levels of 60 firefighters after participation in an eight-week Equine-Assisted Learning (EAL) program consisting of 16 sessions. The Korean versions of the Posttraumatic Diagnosis Scale (PDS-K), the Center for Epidemiological Studies Depression Scale (K-CESD), and the Difficulties in Emotional Regulation Scale (K-DERS) were used for measurements. Participants were divided into two groups according to level of posttraumatic stress symptoms (PTSS): the PTSS risk group and the PTSS non-risk group. Results showed that PDS-K, K-CESD, and K-DERS scores were significantly reduced after the program in the PTSS risk group. Significant reduction was also found in all sub-scales of PDS-K: re-experiencing, avoidance/emotional numbing, and hyperarousal. Moreover, in the PTSS risk group, there were greater improvements with significant group x time interactions. These findings suggest that EAL is effective in relieving PTSD and PTSD-related symptoms of firefighters with subsyndromal or more severe levels of PTSD.

해양사고 발생시 실종자는 해양에 노출된 시간이 길어질수록 생존확률이 빠르게 감소하기 때문에 인명구조를 위해서는 신 속한 수색이 필요하다. 또한 해양의 수색영역은 육상에 비해서 매우 넓기 때문에 효율적인 수색을 위해서는 선박을 이용한 육안수색보 다는 인공위성이나 항공기에 탑재된 센서를 이용한 해상 객체 탐지 기술의 적용이 필요하다. 본 연구는 항공기에 탑재된 초분광 영상 센서를 이용하여 해양에서 객체를 신속하게 탐지하기 위한 목적으로 진행되었다. 초분광 영상 센서로 촬영된 영상은 8,241 × 1,024의 공간 해상도를 가지며, 한 화소당 0.7 m의 분해능과 127개의 스펙트럼으로 구성된 대용량의 데이터이다. 본 연구에서는 이러한 데이터 를 신속하게 분석하기 위한 목적으로 DBSCAN을 사용한 해수 식별 알고리즘과 밀도 기반의 육지 제거 알고리즘을 결합한 해상 객체 탐지 모델을 개발하였다. 개발한 모델은 초분광 영상에 적용하였을 때 약 5 km2의 해상 영역을 100초 내로 분석할 수 있는 성능을 보 였다. 또한 개발한 모델의 탐지 정확도를 평가하기 위해서 항공기를 이용하여 목포, 군산, 여수 지역의 초분광 영상을 촬영하였으며, 본 연구에서 개발한 탐지 모델에 적용한 결과, 실험 영상 내의 선박들을 90 %의 정확도로 탐지할 수 있는 결과를 얻었다. 본 연구에서 개발된 기술은 소형 선박의 수색·구조 활동을 지원하는 중요한 정보로 활용될 수 있을 것으로 기대한다.

고속철도 교량은 열차 하중에 의한 공진으로 인한 동적응답 증폭의 위험이 존재하므로 설계기준에 따른 동적해석을 통한 주행안전 성 및 승차감 검토를 반드시 수행하여야 한다. 그러나 주행안전성 및 승차감 산정 절차는 열차의 종류별로 임계속도를 포함하여 설계 속도의 110km/h까지 10km/h 간격으로 동적해석을 일일이 수행해야 하므로 많은 시간과 경비가 소요된다. 이 연구에서는 딥러닝 알 고리즘을 활용하여 별도의 동적해석 없이 주행안전성 및 승차감을 사전에 예측할 수 있는 딥러닝 기반 예측 시스템 개발하였다. 제안 된 시스템은 철도교량의 열차별, 속도별 동적해석 결과를 학습한 후 학습 완료된 신경망을 기반으로 한 예측 시스템이며, 열차속도, 교량 특성 등의 입력파라미터에 따른 주행안전성 및 승차감 산정 결과를 사전에 예측할 수 있다. 제안된 시스템의 성능을 확인하기 위 하여 단경간 직선 단순보 교량을 대상으로 한 주행안전성 및 승차감 예측을 수행하였고, 주행안전성 및 승차감 산정을 위한 상판 연직 변위 및 상판 연직가속도를 높은 정확도로 예측할 수 있음을 확인하였다.

The management of algal bloom is essential for the proper management of water supply systems and to maintain the safety of drinking water. Chlorophyll-a(Chl-a) is a commonly used indicator to represent the algal concentration. In recent years, advanced machine learning models have been increasingly used to predict Chl-a in freshwater systems. Machine learning models show good performance in various fields, while the process of model development requires considerable labor and time by experts. Automated machine learning(auto ML) is an emerging field of machine learning study. Auto ML is used to develop machine learning models while minimizing the time and labor required in the model development process. This study developed an auto ML to predict Chl-a using auto sklearn, one of most widely used open source auto ML algorithms. The model performance was compared with other two popular ensemble machine learning models, random forest(RF) and XGBoost(XGB). The model performance was evaluated using three indices, root mean squared error, root mean squared error-observation standard deviation ratio(RSR) and Nash-Sutcliffe coefficient of efficiency. The RSR of auto ML, RF, and XGB were 0.659, 0.684 and 0.638, respectively. The results shows that auto ML outperforms RF, and XGB shows better prediction performance than auto ML, while the differences between model performances were not significant. Shapley value analysis, an explainable machine learning algorithm, was used to provide quantitative interpretation about the model prediction of auto ML developed in this study. The results of this study present the possible applicability of auto ML for the prediction of water quality.

본 논문은 도가는 배움(學)에 대하여 어떤 관점을 취하고 있는가를 논술하려는 시 도이다. 유가와 달리 도가는 ‘배우지 않을 것을 배워라(學不學)’고 주장한다. 그렇다 면 ‘배우지 않을 것을 배운다’는 것은 무엇을 의미하는가? 먼저 배우지 않을 것을 배 운다는 것은 無爲의 의미처럼 배운다는 생각 없이 배우는 것, 즉 의도적인 혹은 인 위적인 배움을 배제하는 스스로 그러한 배움을 말한다. 도가에서 ‘무엇을 배울 것인 가’는 모든 행동에서 적절한 지점을 찾아가고, 배울 수 없는 지점에서 배움의 지점으 로 넘어가는 지점의 경계를 직감으로 찾아가기를 배워야 한다고 말한다. 그리고 ‘어 떻게 배울 것인가’는 몸 밖의 것을 버리고 자기에게 있는 것을 취하는(去彼取此) 행 위를 통해 嬰兒와 같은 상태를 유지하고, 우주 자연과 합일된 坐忘에 이르고, 식은 재와 같은 마음을 유지하여야 한다고 말한다. 그렇게 함으로써 無爲 無我, 中心이 있 는 행동을 통해 생사를 초월하여 도에 머물 수 있는 성인이나 진인의 경지에 이를 수 있다고 주장한다. 따라서 無爲를 강조하기 때문에 뿌리로 돌아가고(復歸其根), 영 아로 돌아가며(復歸於嬰兒), 통나무로 돌아가라(復歸於樸)고 말한다. 無我를 주장하기 때문에 스스로 그러함(自然)을 따르고 인위적 의도적 행위를 떠나라고 한다. 중심이 있음을 주장하기 때문에 자기 밖의 것을 버리고 자기에게 있는 것을 취하라고 역설 한다.

Purpose: This study aims to improve nursing students’ competency through evidence-based nursing simulation education. Simulations included blood transfusion care for cancer patients, pneumothorax post-op care, and blood pressure control for hypertension care. Moreover, the study investigated the effects of simulations on anxiety, self-confidence, and student satisfaction with the learning experience. Method: Participants completed a survey on student satisfaction, self-confidence, and anxiety. A prospective, one-group, pre- and post-test design of 135 fourth-grade nursing students was used. A simulation scenario was developed according to the design. It consisted of pre-briefing, practice, serial tests, and debriefing. A simulation of three scenarios comprised blood transfusion care for cancer patients, pneumothorax post-op care, and blood pressure control for hypertension care. Twenty hours of evidence-based nursing simulation practicum consisting of three scenarios dealing with major adult diseases was conducted. Result: Students showed significant improvements over time in self-confidence (t=4.67, p<.001), student satisfaction (t=3.94, p<.001), and anxiety (t=-4.63, p<.001) after the evidence-based nursing simulation. Conclusion: Simulation of evidence-based education may be a useful and effective learning strategy. Nursing educators can design evidence-based simulation programs to improve educational effectiveness.

A reliable prediction model of national occupational accident fatality rate can be used to evaluate level of safety and health protection for workers in a country. Moreover, the socio-economic aspects of occupational accidents can be identified through interpretation of a well-organized prediction model. In this paper, we propose a machine learning based relative comparison methods to predict and interpret a national occupational accident fatality rate based on socio-economic indicators. First, we collected 29 years of the relevant data from 11 developed countries. Second, we applied 4 types of machine learning regression models and evaluate their performance. Third, we interpret the contribution of each input variable using Shapley Additive Explanations(SHAP). As a result, Gradient Boosting Regressor showed the best predictive performance. We found that different patterns exist across countries in accordance with different socio-economic variables and occupational accident fatality rate.

이미지 인식에 특화된 CNN (Convolutional Neural Network) 기반의 딥러닝 기법은 영상의 항목별 분류가 필요한 다양한 연구에 적용되고 있다. 본 연구는 건물, 도로, 논, 밭, 산림, 나지의 6가지 항목을 산림복원 대상 후보지로 정의하고 CNN 기반의 산림복원 대상 후보지 추출 및 분류의 최적 방법론을 탐색하였다. 6,640개의 데이터셋을 75:25의 비율로 훈련(4,980개) 및 검증(1,660개)로 구분하여 구축하고 학습에 활용하였다. 모델별 정확도는 픽셀정확도(PA), 평균 교차 겹침 결합(Mean IoU)을 이용하여 평가하였다. 픽셀정확도는 90.6%, 평균 교차 겹침 결합은 80.8%로 산정되어 Inception-Resnet-v2 모델이 세 모델 중 가장 산림복원 대상 후보지 추출에 뛰어난 정확도를 보였다. 이 결과는 기존의 산림복원 대상 후보지 현장조사 혹은 항공사진을 활용한 조사에 비해 시공간적 이점을 가지며, 향후 산림복원 대상지 선정 자료로 적용 가능성이 있다고 판단된다.

본 연구의 목적은 딥러닝의 전이학습 모델을 이용하여 항공사진과 토지이용현황도 간의 비교를 통해 토지이용현황의 변화를 탐지하는 방안을 마련하는 데 있다. 이러한 목적을 위해 딥러닝의 이미지 예측모델과 라스터와 벡터 자료를 비교하는 공간분석 기능을 이용하였다. 학습모델 구축을 통해 토지이용현황도의 상업지, 농지, 임지 및 수계에 대한 예측결과를 이용하여 토지이용의 변화를 탐지하는 방안을 제시하였다. 이러한 분석 방안은 라스터 형태의 최신 정보와 벡터 형태의 기존 자료와의 비교를 통해서 자료의 변화를 확인하는 방안으로 활용이 가능하다.

Elevators are the main means of transport in buildings. A malfunction of an elevator in operation may cause in convenience to users. Furthermore, fatal accidents, such as injuries and death, may occur to the passengers also. Therefore, it is important to prevent failure before accidents happen. In related studies, preventive measures are proposed through analyzing failures, and the lifespan of elevator components. However, these methods are limited to existing an elevator model and its surroundings, including operating conditions and installed environments. Vibration occurs when the elevator is operated. Experts have classified types of faults, which are symptoms for malfunctions (failures), via analyzing vibration. This study proposes an artificial intelligent model for classifying faults automatically with deep learning algorithms through elevator vibration data, hereby preventing failures before they occur. In this study, the vibration data of six elevators are collected. The proposed methodology in this paper removes "the measurement error data" with incorrect measurements and extracts operating sections from the input datasets for proceeding deep learning models. As a result of comparing the performance of training five deep learning models, the maximum performance indicates Accuracy 97% and F1 Score 97%, respectively. This paper presents an artificial intelligent model for detecting elevator fault automatically. The users’ safety and convenience may increase by detecting fault prior to the fatal malfunctions. In addition, it is possible to reduce manpower and time by assisting experts who have previously classified faults.

Recently, many studies have been conducted to improve quality by applying machine learning models to semiconductor manufacturing process data. However, in the semiconductor manufacturing process, the ratio of good products is much higher than that of defective products, so the problem of data imbalance is serious in terms of machine learning. In addition, since the number of features of data used in machine learning is very large, it is very important to perform machine learning by extracting only important features from among them to increase accuracy and utilization. This study proposes an anomaly detection methodology that can learn excellently despite data imbalance and high-dimensional characteristics of semiconductor process data. The anomaly detection methodology applies the LIME algorithm after applying the SMOTE method and the RFECV method. The proposed methodology analyzes the classification result of the anomaly classification model, detects the cause of the anomaly, and derives a semiconductor process requiring action. The proposed methodology confirmed applicability and feasibility through application of cases.

North Korea continues to upgrade and display its long-range rocket launchers to emphasize its military strength. Recently Republic of Korea kicked off the development of anti-artillery interception system similar to Israel’s “Iron Dome”, designed to protect against North Korea’s arsenal of long-range rockets. The system may not work smoothly without the function assigning interceptors to incoming various-caliber artillery rockets. We view the assignment task as a dynamic weapon target assignment (DWTA) problem. DWTA is a multistage decision process in which decision in a stage affects decision processes and its results in the subsequent stages. We represent the DWTA problem as a Markov decision process (MDP). Distance from Seoul to North Korea’s multiple rocket launchers positioned near the border, limits the processing time of the model solver within only a few second. It is impossible to compute the exact optimal solution within the allowed time interval due to the curse of dimensionality inherently in MDP model of practical DWTA problem. We apply two reinforcement-based algorithms to get the approximate solution of the MDP model within the time limit. To check the quality of the approximate solution, we adopt Shoot-Shoot-Look(SSL) policy as a baseline. Simulation results showed that both algorithms provide better solution than the solution from the baseline strategy.

MRI는 인체에 수소 밀도에 따른 재현성의 차이가 상대적으로 기존의 영상 장비들에 비교하여 큰 차이가 있으므로 임상 에서 이를 증명하고 문제 발견 시 이를 보완하는 것이 딥러닝 알고리즘은 매우 중요하다. 따라서 본 연구에서는 현재 특수 의료장비에서 권하는 미국 방사선 의학회(American College of Radiology, ACR)의 두부 전용 MRI 팬텀을 사용하여 영상 품질기준에 현재 임상 적용되고 있는 딥러닝 알고리즘 방법을 적용하여 딥러닝 알고리즘 적용 전후 변화를 평가해 보고자 하였다. 연구 결과 분해능을 측정하는 항목인 고대조도 공간 분해능과 같이 해상도와 관련된 영상 품질은 분해능은 개선되었음을 알 수 있었고, 그뿐만 아니라 위치의 정확도 역시도 기존에 딥러닝 알고리즘의 적용 전 영상과 통계적으로 차이가 있었다. 또한 딥러닝 알고리즘의 강도 차이에도 영상 간 차이는 없었다. 이러한 결과는 특수의료장비 영상품질관리 규정에 적용되고 있는 ACR 팬텀의 평가 기준에 부합 하나, 딥러닝 알고리즘 적용 전후 차이가 통계적으로 있었으며, 이러 한 차이가 재현성과 관련하여 추후에 조금 더 관련된 연구기 필요할 것으로 사료된다.