This paper studied a new shape unit model based on Gibson and Ashby's theory. As a result of theoretical research, the relative density equation is correlated with relative elasticity, and through this study, the theoretical relationship between the relative elasticity equation was defined. The relative elasticity equation was defined based on the model for which the analysis was performed. According to the analysis results, the diameter of the model was set to 3 mm, and the maximum stress values were confirmed by reflecting the same boundary conditions. The maximum stress for each model is 5668.9MPa for Type 1, 5136.7MPa for Type 2, 5642MPa for Type 3, and 6032.9MPa for Type 4 when the truss diameter is 3mm. The relative elasticity equation was defined based on this condition. In the future, compression analysis will have to be performed in the same way, reflecting the diameter of the truss at 5 mm and 7 mm, to find and define the coefficients of the relative elasticity equation, and verification through experiments will have to be carried out based on the theoretical equation. In addition, in order to be applied in each field, proof through prototype production and installation must be carried out.

This study integrates TabTransformer and CTGAN for predicting job satisfaction among South Korean college graduates. TabTransformer handles complex tabular data relationships with self-attention, while CTGAN generates high-quality synthetic samples. The combined approach achieves an accuracy of 0.85, precision of 0.83, recall of 0.82, F1-score of 0.82, and an AUC of 0.88. Cross-validation confirms the model's robustness and generalizability with a mean accuracy of 0.85 and a standard deviation of 0.008. The integration of TabTransformer and CTGAN enhances predictive accuracy and model generalizability, providing valuable insights for employment policy and research.

기후 변화에 의해 해수면 온도 상승, 태풍의 최고 강도 북상, 태풍 강도 증가가 나타나고 있으며, 미래의 태풍 강도 변화가 더 심화될 것으로 예상하고 있다. 본 논문에서는 기후 변화 시나리오에 의해서 발생할 수 있는 한반도 부근의 태풍 강도를 예측하기 위하여 딥러닝 기반 태풍 강도 예측 모델을 개발하였다. 기후 예측정보를 이용하여 미래 기후 변화 환경장 변화에 따른 태풍의 강도를 예측할 수 있도록 과거 환경장을 학습 자료로 사용하였다. 학습자료는 1980년에서 2022년까지의 태풍 발생 빈도가 높은 6~10월의 기상 및 해양 재분 석 월평균 자료와 Best Track 태풍 241개를 입력자료로 사용하였다. 환경장 변화에 따른 태풍 강도 예측을 위해 자료의 공간적인 특징과 시간적인 특징을 함께 고려하는 딥러닝 모델인 ConvLSTM 기반으로 모델을 개발하였다. 태풍 트랙 시퀀스의 각 이동 경로에 대한 월평균 환경장 자료를 모델에 학습하여 태풍의 중심 기압을 예측하였다. 태풍의 공간적 특성을 반영할 수 있도록 범위를 설정하여 입력자료로 학습하였으며, 5°⨉ 5°의 범위일 때 가장 좋은 결과를 보였다. 몬테카를로 방법을 이용한 민감도 실험을 통해 모델 예측에 가장 큰 영향을 미치는 변수는 SST로 확인되었다.

본 논문에서는 저 레이놀즈 수 영역에서 에어포일의 공기역학적 성능을 예측하기 위한 딥러닝 기반의 축소 모델을 제시하였다. 딥 러닝 기반 축소 모델에서 CFD 해석 결과의 높은 차원의 데이터를 효율적으로 다루기 위해 변이형 오토인코더를 결합한 합성곱 신경 망을 적용하였다. 부호화 거리 함수를 통해 에어포일의 형상과 유동 조건을 이미지 데이터화 하고, 이에 대해 합성곱 신경망을 매개변 수화 하였다. 또한, 전산유체역학 해석의 계산 비용으로 인한 부족한 훈련 데이터를 극복하기 위해 투영 기반의 비선형 매니폴드 데이 터 증강기법을 개발하였다. NACA 4계열 에어포일은 해석 예제로 고려하여 제안하는 프레임워크의 내삽과 외삽 정확도를 평가하였 으며 매니폴드 데이터 증강기법을 적용하여 프레임워크의 정확도 향상을 확인하였다.

지진발생 시, 건물은 작게는 손상에서 크게는 붕괴까지 이어지므로 인명과 재산상의 피해가 생길 수 있다. 이러한 지진의 위험성에 대비하여 건물의 내진성능평가가 필요하다. 현재 내진성능평가 기법의 경우 개별 건물을 대상으로 하기에 많은 시간이 투자되어야 한다. 따라서, 지역규모의 건물들을 대상으로 하는 내진성능평가 기법의 개발이 필요한 실정이다. 본 연구는 RC 주거형 건물의 내진 성능을 평가하고 보강계획을 수립하기 위해 비선형 Shear Spring을 가진 단자유도모델을 구축하였다. 구조물의 비선형 응답을 모사 하기 위한 비선형 Shear Spring은 T-SR-μ를 매개변수로 정의된다. 해당모델에 100개의 PEER 지진을 적용하여, 최대층간변위비 응답 으로 건물의 내진성능을 평가하였다. 제안기법의 적용성을 확인하기 위하여 상세모델과 비교하였을 때, 두 모델 모두 건물의 내진성 능을 같은 수준으로 판단하였음을 확인하였다. 본 연구는 제안된 방식이 실제 건물의 내진성능을 예측할 수 있음을 보여주었다.

본 연구는 초등학생들의 􍾧깊이 있는 학습􍾨을 위하여 AI 코스웨어를 활용한 개념기반 탐구수업의 통 합 모델을 교육공학적으로 개발하는데 목적이 있다. 이를 위하여 개념기반 교육과정 및 수업(CBCI)과 AI 코스웨어에 대한 문헌연구로 이론적 토대를 마련하고, AI 코스웨어 활용 개념기반 탐구수업의 통합 모델을 설계 및 개발하였다. 연구 결과는 다음과 같다. 첫째, AI 코스웨어 활용 개념기반 탐구수업의 모델을 진단분석, 전략설정, 수업설계(개념질문-과제탐색-과제해결-개념성찰), 전이촉진으로 명료화 하였다. 둘째, 패러다임 변화 이론에 따라, 통합 모델의 혁신 가능성을 평가하고 새로운 교육 패러다임 의 실질적인 적용 가능성을 통찰하였다. 이를 토대로 사례분석부터 모형구상, 모형숙의, 모형수정 과정 을 반복하며 통합 모델을 정교화하였다. 마지막으로, AI 코스웨어 활용 개념기반 탐구수업 연구에 참 여한 자문그룹과 워킹그룹을 심층 인터뷰하여 통합 모델의 설계-실행-생성 과정을 검토하고 교육과 정 및 수업의 적용과 실행을 위한 시사점을 도출하였다. 결론적으로, 본 연구는 AI 코스웨어와 개념기 반 탐구수업의 통합적인 방법론의 효과성을 확인하였으며, 향후 연구와 개발에 대한 지속적인 노력이 필요하다는 점을 시사한다.

한국도로공사에서는 전 세계적인 기후위기 대응에 동참하고, 탄소중립기본법, 탄소중립 녹색성장 기본계획 등 정부의 탄소중립 정책 에 부응하기 위하여 “생애전주기 친환경 대응체계”를 구축하였으며, 이에 도로포장의 생애주기 동안 발생되는 탄소배출량을 산출하기 위한 생애전주기평가(Life Cycle Assessment, LCA)의 필요성이 점차 대두되고 있다. 한국도로공사에서는 매년 고속도로 포장상태 모니터링 데이터를 활용하여 공용성을 예측함으로써 포장 유지관리 전략에 활용하고 있으나 이는 거시적인 측면에서의 포장 공용성 모델로 고속도로 포장의 형식, 재료, 공법 등을 고려한 미시적 측면에서의 공용성 모델 개발 및 개발 절차 정립이 필요할 것으로 판단된다. 따라서, 본 연구에서는 고속도로 장기공용성 관측구간(Long Term Pavement Performance, LTPP) 데이터베이스(DB)를 활용하여 고속도로 JCP 공용성 모델을 개발하기 위한 기초연구를 수행하였다. 본 연구에서는 포장상태지수(Highway Pavement Condition Index, HPCI), 표면손상(Surface Distress, SD), 종단평탄성(International Roughness Index, IRI)를 종속변수로, 각 구간별 누적 교통 및 기후인자를 독립변수로 설정하여 다양한 교통 및 환경 영향인자에 따 른 고속도로 JCP 공용성을 예측하기 위하여 기술통계분석, 상관분석, 분산분석, 다중회귀분석을 수행하였다. 고속도로 JCP 공용성에 대한 다중회귀분석 결과, HPCI 모델의 수정된 R2이 0.614.로 SD 모델(0.413)이나 IRI 모델(0.317)에 비하여 높은 설명력을 보이는 것으로 나타났으며, 개별 모델의 회귀식은 통계적으로 유의한 것으로 나타났다.

모빌리티 예측은 단순한 통행 경로 예측을 넘어, 사회 전반의 효율성 및 안전성 향상을 위한 핵심 데이터를 제공한다는 점에서 중 요하다. 기존의 예측 기법은 시공간적 규칙성과 개인 이동 패턴의 통계적 특성 분석에 주로 의존하였으며, 최근 딥러닝 기반의 시공간 모델링을 통해 예측 성능이 향상되었다. 그러나 여전히 개인 통행의 단기·장기적 시공간 의존성 및 복잡한 패턴을 처리하는 데 한계가 존재한다. 이를 극복하기 위해, 본 연구는 대규모 사전 학습된 거대 언어 모델(Large Language Model; LLM)을 도입하여, 개인 속성뿐 만 아니라 실제 통행 데이터를 반영한 객체 단위 통행 생성 프레임워크를 제안한다. LLM 기반(ChatGPT-4o) 객체 단위 통행 생성 프레 임워크는 (1) 개인 모빌리티 패턴 학습, (2) 통행 생성의 두 단계로 이루어진다. 이후 한국교통연구원의 개인통행 실태조사(2021) 데이 터를 이용하여 프레임워크의 통행 생성 성능을 확인하였다. 통행 시작·출발 시간 분포, 출발·도착지 장소 유형, 통행목적, 이용 교통수 단의 정확도를 확인한 결과, 대부분 항목에서 70% 이상의 정확도를 보였다. 하지만 통행목적은 13개의 목적 중 하나를 예측해야 하기 에 정확도가 다른 항목에 비해 약 40%로 낮게 나타났다. 본 연구는 통행 생성 프레임워크를 설계하고, 이에 맞춰 입력 데이터를 가공 및 프롬프트 엔지니어링을 수행함으로써 LLM 기반 통행 생성 기술의 가능성을 확인하였다. 향후 프레임워크의 예측 성능 검증 및 개 선을 위한 추가 연구가 필요하며, 날씨, 대규모 행사 등과 같은 외부 요인들을 고려하면 더욱 정교하고 현실적인 통행일지를 생성할 수 있을 것이다.

본 연구는 기온 상승에 따른 개별 콘크리트 슬래브의 팽창과 그로 인한 Pavemnent Growth 및 Blow-up 현상을 분석하고 예측하기 위 해 수행되었다. 기온이 상승함에 따라 슬래브는 팽창하며, 콘크리트 슬래브들의 팽창량은 팽창 줄눈 사이에 존재하는 모든 수축 줄눈 이 닫히게 될 정도로 발생하게 되고 그 결과 모든 슬래브들이 접촉하게 된다. 온도의 추가적인 증가로 슬래브가 계속해서 팽창하게 되면 팽창 줄눈의 수축 허용 폭을 초과하는 경우 일체화된 슬래브 내에서 압축 응력이 발생하게 되며, 이러한 현상을 "Pavement Growth"라 정의된다. 이로 인해 콘크리트 포장은 팽창하면서 파손이나 균열에서 좌굴 및 파괴와 같은 압력 관련 문제를 일으킬 수 있 다. 이는 교량 및 도로 내 접근 구조물과 같은 인접 구조물에도 손상을 줄 수 있다. 그러나 현재 사용 가능한 이론적 해결책이나 Pavement Growth 평가 방법과 Blow-up 예측에 관한 연구는 매우 제한적이다. 따라서 본 연구에서는 콘크리트 포장의 팽창을 예측하기 위해 Pavement Growth 및 Blow-up 분석 모델인 PGBA(Pavement Growth and Blow-up Analysis) Model을 개발하였다. 이 모델은 기후 조 건, 포장 구조, 재료, 팽창 줄눈 등의 요인을 고려하였다. 본 모델은 일체화된 슬래브가 팽창하여 팽창 줄눈의 수축 허용 폭을 초과하 는 시기를 결정한다. 슬래브와 기층 사이의 Frictional Darg 및 슬래브의 End Restraint으로 인해 발생하는 압축 응력을 계산 할 수 있는 것이다. 또한 Geometric Imperfection의 변화에 따른 Blow-up Stress를 검토하기 위해 Large-scale Blow-up Test를 진행하였으며, 측정된 결과를 Blow-up 발생 임계값으로 사용하였다. 일체화된 슬래브 내부에 발생하는 연도별 압축 응력을 예측하고 Blow-up Stress와 비교 하여 압축 응력이 Blow-up Stress를 초과하는 시점을 Blow-up 발생 시기로 선정하였다.