본 연구는 다시마 양식을 위한 통합 자동화 시스템을 개발하고, 이를 통해 생산성, 비용 효율성, 환경적 지속 가능성을 모두 개선하는 데 중점을 두고 있다. 기존의 노동 집약적 수확 방식과 넓은 공간을 필요로 하는 수평 건조 방식은 비효율적이며, 환경적 부작 용을 초래했다. 이에 본 연구는 자동화된 수확 시스템, 해상-육상 연계 운송 시스템, 그리고 수직 건조 시스템을 통합적으로 개발하여 양 식업의 생산성을 극대화하고 자원 사용을 최적화하였다. 자동화된 수확 시스템은 작업 속도를 약 35% 향상시켰으며, 작업의 일관성을 유지하여 품질 오차율을 2% 이하로 줄이는 성과를 보였다. 해상-육상 연계 운송 시스템은 모듈형 컨테이너를 활용하여 운송 중 손상률 을 기존 15%에서 5%로 감소시켰고, 운송 시간을 평균 6시간에서 4시간으로 단축하였다. 또한, 수직 건조시스템은 고밀도 적재와 자연 대류 방식을 도입하여 건조 시간을 기존 48시간에서 28시간으로 40% 단축하였으며, 에너지 소비를 25% 감소시켰다. 이러한 시스템은 데이터 기반으로 설계 및 검증되었으며, 통합적으로 양식업의 경제성 향상과 환경적 부담 감소를 동시에 실현하였다. 본 연구의 결과는 다른 해조류 양식에도 적용 가능하며 지속 가능한 해양 자원 관리에 기여할 것으로 기대된다.

해상에서의 안전한 의사소통은 선박 운항의 핵심 요소로, 국제해사기구(IMO)는 SMCP(Standard Marine Communication Phrases)를 제정하여 선내외 교신에서 활용할 수 있도록 하였다. SMCP를 포함한 해사영어는 효과적이고 정확한 의사소통을 위해 일반 영어와는 다 른 문법적, 어휘적, 구조적 특성을 반영하고 있으며, 간결성과 명확성에 초점이 맞추어져 표준화되어 있다. 이러한 맥락에서 본 연구는 상 용 LLM 모델의 해사영어 활용 능력을 PHP Text Similarity 알고리즘과 BERT 기반 모델을 활용하여 평가하였다. 먼저 ChatGPT, Google Gemini, Meta LLaMA 3 70B Instruct 모델을 대상으로 SMCP 기반 문장 구성, 용어 정의, 빈칸 채우기 문제를 포함한 총 60문항을 활용하여 성능을 비교 분석하였다. 이후 해사고등학교 학생들의 시험 결과와 LLM 모델의 결과를 비교하여, LLM이 실제 해기사 교육 수준과 비교 했을 때 어느 정도의 해사영어 이해 및 문장 구성 능력을 갖추었는지 평가하였다. 대체적으로 LLM 모델들은 높은 정답률을 보였으나, 표 준화된 문구를 정확하게 활용하거나 관용적으로 사용되는 해사영어 표현을 이해하고 적용하는 데 한계점이 있음을 확인하였다. 본 연구 는 해기교육기관 및 실무 현장에서 상용 LLM 모델의 해사영어 활용 가능성을 평가하는 기초 자료로 활용될 수 있을 것으로 기대되며, 향 후 보다 정교한 모델을 대상으로 추가연구가 필요하다.

Given the hazards posed by black ice, it is crucial to investigate the conditions that contribute to its formation. Two ensemble machinelearning algorithms, Random Forest (RF) and Extreme Gradient Boosting (XGBoost), were employed to forecast the occurrence of black ice using atmospheric data. Additionally, explainable artificial intelligence techniques, including Feature Importance (FI) and partial dependence Plot (PDP), were utilized to identify atmospheric conditions that significantly increase the likelihood of black ice formation. The machinelearning algorithms achieved a forecasting accuracy of 90%, demonstrating reliable performance. FI analysis revealed distinct key predictors between the algorithms: relative humidity was the most critical for RF, whereas wind speed was paramount for XGBoost. The PDP analysis identified the specific atmospheric conditions under which black ice was likely to form. This study provides detailed insights into the atmospheric precursors of frost/fog-induced black ice formation. These findings enable road managers to implement proactive winter road maintenance strategies, such as optimizing anti-icing patrol routes and displaying warnings on various message signs, thereby enhancing road safety.