본 연구에서는 국내에서 재배되는 스탠다드 절화 장미의 품질 경쟁력을 갖추기 위해 국내에서 재배되어 유통되는 품종과 수입되고 있는 대표적인 품종을 대상으로 외∙내적 품질 비교 분석을 실시하였다. 외적 품질 분석 결과, 국내에서 주로 재배 되는 적색 장미 ‘Fuego’ 은 국내로 수입되고 있는 콜롬비아산 ‘Freedom’, 에티오피아산 ‘Upper class’ 과 비교 시 노화 시점까지 개화가 지속되어 화폭이 증가하고 꽃이 만개하였으며, 노화 발생이 적어 절화수명이 3일 이상 연장되었다. 분홍색 장미 또한 ‘Hera’와 콜롬비아산 ‘Mandela’, 에티오피아산 ‘Visu’ 와 비교 시 수명이 다소 연장되었으며, ‘Fuego’, ‘Hera’ 모두 향기가 다소 진하였다. 내적 품질 분석 결과, 절화수명과 유사 하였으나, 적색과 분홍색 장미 모두 에티오피아산 품종의 수분 흡수량이 다소 높았다. 그러나, 박테리아 발생량은 유의차 가 없었으며 ‘Fuego’는 꽃의 당 함량이 다소 높았다. 또한, 개화단계, 엽록소 함량, 꽃과 잎의 당 함량과 절화수명은 양의 상관관계를 보였다. 따라서, 적색 장미 ‘Fuego’는 수입산 절화 와 비교 시 품질 경쟁력을 갖출 수 있을 것으로 보이나, 수분 흡수를 원활히 하기 위해서는 농가에서 채화하는 직후부터 소비자 판매단계까지의 단계적정 보존용액 처리가 필요할 것으로 판단된다.

본 연구는 스파티필름의 수분 스트레스 정도에 따라 실내 공간 내 오염물질 제거 효율을 구명하고자 수행하였다. 식물이 없는 공간을 대조구, 정상적인 스파티필름과 수분 스트레스를 받은 스파티필름을 각각의 처리구로 하였다. 스파티필름의 수분 스트레스 유무에 따른 chamber 내 온도를 조사한 결과 대조구와 처리구 모두 식물의 생육 적정 범위인 23±1℃를 유지하였으며, 처리 간의 0.7℃의 차이를 보였다. 습도의 경우 대조구와 처리구는 유의차 있게 나타났으며, 처리 간의 유의 차는 없는 것으로 나타났다. 수분 스트레스에 따른 실내 오염 물질을 조사한 결과, 포름알데히드(Formaldehyde) 경우 대조구는 0.30mg･m-3, 정상적인 스파티필름은 0.05mg･m-3 , 수분 스트레스를 받은 스파티필름은 0.09mg･m-3으로 대조구와 처리구는 통계적으로 유의차를 보였으며, 식물 내 수분 스트레스에 따른 처리구간에는 유의차가 없었다. TVOC(Total Volatile Organic Compound)조사 결과, 정상적인 스파티필름의 TVOC는 5시간 후 0.00mg･m-3 으로 모두 제거 된 반면, 수분 스트레스를 받은 스파티필름은 0.34mg･m-3으로 다소 남아 있었으며, 대조구는 1.25mg･m-3으로 세 처리 모두 통계적으로 유의차 있게 나타났다. 또한 이산화탄소 변화량 조사결과, 대조구는 459ppm, 정상 스파티필름은 446ppm으로 통계적으로 유의한 차이는 없으며, 수분 스트레스를 받은 스파티 필름이 대조구보다 이산화탄소 함량이 다소 높았다. 기공변화율 조사 결과, 정상 스파티필름의 변화율은 높게 나타났으며, 수분 스트레스를 받은 스파티필름은 변화율이 낮은 것으로 조사되었다. 따라서, 스파티필름이 배치되어있지 않은 공간보다 배치된 공간이 공기정화에 효과적이며, 수분 스트레스를 받은 스파티필름은 실내오염물질 제거에 있어서 기공 변화율 및 이산화탄소 흡수능력이 저하되므로 스파티필름을 이용하여 효과적으로 실내오염물질을 제거하기 위해서는 적절한 수분 관리가 필요한 것으로 판단된다.

모바일 게임 시장이 스마트폰 중심으로 변화되기 시작하면서 모바일 게임에서는 오토 플레이 시스템이 적용되기 시작하였다. 오토플레이 시스템은 버튼 한번으로 게임을 자동으로 진행하는 시스템 이며 현재 거의 대부분의 모바일 게임에서 적용되었고 PC게임에서 까지 이러한 시스템이 적용되고 있다. 하지만 이러한 오토 플레이 시스템의 성능은 매우 비효율적으로 행동하고 있으며 본 논문에서는 플레이어의 행동 패턴을 기반으로 학습한 인공지능을 제안하고자 한다. 본 논문에서 제안하는 인공지능 모델은 플레이어가 게임을 진행하면서 게임 데이터와 플레이어가 입력한 버튼 값을 학습 데이터로 저장하고 학습데이터를 DNN(Deep Neural Network) 신경망 모델을 사용하여 학습하였다. 게임에서는 플레이어가 중복적으로 다른 버튼을 동시에 누르기 때문에 Output Layer를 다층으로 분류하여 학습을 진행했다. 본 논문 실험에서는 20명의 실험자들에게 제안하는 인공지능 모델을 사용함으로써 결과를 기록하였고 트랙을 일정하게 벽을 부딪치지 않고 달린 플레이어 데이터만 제대로 학습되어 결과를 얻을 수 있었고 그렇지 않은 플레이어의 데이터는 캐릭터가 제대로 이동하지 않아 결과 값을 얻을 수가 없었다. 또한 간단한 아케이드 게임을 만들어 강화학습과 비교하였으며 강화학습보다 성능은 좋지 않았지만 학습속도가 약 10배 빨랐다.

We report on the dispersion state of partially reduced graphene oxide (PRGO) in organic solvents, namely methyl ethyl ketone, ethyl acetate, methylene chloride, toluene, and xylene, by controlling the carbon to oxygen (C/O) atomic ratio of the PRGOs. A two-phase solvent exchange method is also proposed to transfer PRGO from water to an aprotic solvent, such as methyl ethyl ketone. We achieve relatively good dispersion in aprotic and non-polar solvents by controlling the C/O atomic ratio of the PRGOs and applying the two-phase solvent exchange method. There is an increase in the glass transition temperatures with the dispersion of PRGOs into amorphous polymers, in particular a 4.4°C increase for poly(methyl methacrylate) and 3.0°C increase for polycarbonate. Good dispersion of PRGO in a nonpolar polymer, such as linear low density polyethylene, is also obtained.