본 연구에서는 단면설계 및 열 교환 장치 위치 변경을 통해 온실의 구조 변경을 진행하였으며, 선행연구를 통해 개발된 모델을 근간으로 하여 개선 여부에 따른 온실 내부 환경을 예측하였다. 단면형상과 열 교환 장치의 개선 후 유속 변화에 따른 시뮬레이션 분석을 진행하였으며, 이 때 온도와 균일도는 각각 평균 0.65°C, 0.75%p 상승함을 확인하였다. 해석대상 온실과 같은 소규모 온실의 경우 방열관의 난방성능 개선보다 FCU에 의해 형성되는 공기 유동이 균일한 환경 조성에 더 큰 영향을 미치는 것으로 판단된다. 개선 전 ‧ 후 온실에 환기시스템 적용 시 공기 유동 특성 분석을 위해 시뮬레이션 분석을 진행하였다. 공기 유동과 공기령은 유사한 분포를 보였으며, 개선 후 온실의 공기령이 개선 전 온실 대비 18초 낮게 나타났다. 개선 전 ‧ 후 온실 시뮬레이션 분석 결과 전체적으로 개선된 온실에서의 평균온도 및 온도 균일도 상승, 최대편차 감소 등 내부 환경의 균일성이 향상됨을 확인하였다. 선행연구로 개발 된 모델은 형상 변경, 열 교환 장치 위치 변경 등에 따라 변화하는 온실 내부 환경을 예측할 수 있음을 확인하였으며, 온실 설계, 온실 내 난방시스템 설계 등의 분야에 적용 가능할 것으로 판단된다.

본 연구는 반밀폐형 토마토 재배 온실에서 광합성율 극대화를 위한 적정 탄산가스 시비 농도를 구명하고자 광합성 모델을 이용하여 잎의 최대 카복실화율(Vcmax), 최대 전자전달속도(Jmax), 열파괴, 잎 호흡 등을 계산하고 실제 측정값과 비교하였다. 다양한 광도(PAR 200μmol·m -2 ·s -1 to 1500μmol·m -2 ·s -1 )와 온도(20°C to 35°C) 조건에서 CO2 농도에 대한 A-Ci curve는 광합성 측정 기기를 사용하여 측정하였고, 모델링 방정식으로 아레니우스 함수값 (Arrhenius function), 순광합성율(net CO2 assimilation, An), 열파괴(thermal breakdown), Rd(주간의 잎호흡)를 계산 하였다. 엽온이 30°C 이상으로 상승하였을 때 Jmax, An 및 thermal breakdown 예측치가 모두 감소하였고, 예측 Jmax의 가장 최고점은 엽온 30°C였으며 그 이상의 온도에서는 감소하였다. 생장점 아래 5번째 잎의 광합성율은 PAR 200－ 400μmol·m -2 ·s -1 수준에서는 CO2 600ppm, PAR 600－800μmol·m -2 ·s -1 수준에서는 CO2 800ppm, PAR 1000μmol·m -2 ·s -1 수 준에서는 CO2 1000ppm, PAR 1200－1500μmol·m -2 ·s -1 수준에서는 CO2 1500ppm을 공급했을 때 포화점에 도달하였다. 앞으로 광합성 모델식을 활용하여 과채류 온실 재배 시 광합성을 높일 수 있는 탄산시비 농도를 추정할 수 있을 것으로 판단된다.

PURPOSES : Rut depth of asphalt pavements is a major factor that affects the maintenance of pavements as well as the safety of drivers. The purpose of this study was to analyze the factors influencing rut depth, using data collected periodically on national highways by the pavement management system and, consequently, predict annual rut depth change, to contribute to improved asphalt pavement management. METHODS : The factors expected to influence rut depth were determined by reviewing relevant literature, and collecting the related data. Further, the correlations between the annual rut depth change and the influencing factors were analyzed. Subsequently, the annual rut depth change model was developed by performing regression analysis using age, present rut depth, and annual average maximum temperature as independent variables. RESULTS : From the sensitivity analysis of the developed model, it was found that age affected the annual rut depth change the most. Additionally, the relationship between the dependent and independent variables was statistically significant. The model developed in this study could reasonably predict the change in the rut depth of the national highway asphalt pavements. CONCLUSIONS : In summary, it was verified that the model developed in this study could be used to predict the change in the National Highway Pavement Condition Index (NHPCI), which represents comprehensive conditions of national highway pavements. Development of other models that predict changes in surface distress as well as international roughness index is required to predict the change in NHPCI, as they are the independent variables of the NHPCI prediction model.

목적 : 안보건 전문가인 안경사와 안과의사의 지역별 인력 현황과 인구 대비 분포를 통해 지역별 안보건 의료 서비스의 실태를 알아보고자 한다. 방법 : 통계청, 선행연구와 (사)대한안경사협회, 안경광학과 및 관련 기관의 인터넷 자료를 검색하고 수집하였다. 결과 : 국내 안경사는 17,885명이었으며, 안경원은 총 10,747개소로 나타났다. 안경원 1개소당 착용인구는 4,786.82명이고, 안경사 1명당 착용인구는 1,571.70명이었다. 안과의사는 총 3,610명이었으며, 안과 의원은 1,658개소이었고, 안과 의원 1개소당 안과의사 2.11명이 근무하는 것으로 조사되었다. 안과 의원 1개소당 명세서 청구 건수는 21,198.02건이며, 진료환자는 8,229.70명이었다. 안과의사 1명당 명세서 청구 건수는 8,912.72건 이며, 진료환자는 3,513.29명이었다. 안경원 1일 기대 방문자는 5.00명, 안과 의원 1일 기대 명세서 청구 건수는 80.42건, 1일 기대 진료환자는 31.06명이었다. 안경사 1일 기대 업무량은 2.97명이고, 안과의사 1일 기대 명세서 청구 건수는 39.45건, 1일 기대 진료환자는 15.19명으로 나타났다. 결론 : 안경사의 질적 수준을 높여 차별화할 수 있는 대책이 마련되어야 하며, 안경사들의 적극적인 참여를 통해 안보건 전문가로서의 이미지를 제고시켜야 한다.

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.

해운 시황을 예측하는 것은 중요한 문제이다. 투자 방식의 결정, 선대 편성 방법, 운임 등을 결정하기 위한 판단 근거가 되며 이는 기업의 이익과 생존에 큰 영향을 미치기 때문이다. 이를 위해 본 연구에서는 기계학습 모델인 장단기 메모리 및 간소화된 장단기 메모리 구조의 Gated Recurrent Units를 활용하여 컨테이너선의 해상운임 예측 모델을 제안한다. 운임 예측 대상은 중국 컨테이너 운임지수 (CCFI)이며, 2003년 3월부터 2020년 5월까지의 CCFI 데이터를 학습에 사용하였다. 각 모델에 따라 2020년 6월 이후의 CCFI를 예측한 후 실 제 CCFI와 비교, 분석하였다. 실험 모델은 하이퍼 파라메터의 설정에 따라 총 6개의 모델을 설계하였다. 또한 전통적인 분석 방법과의 성 능을 비교하기 위해 ARIMA 모델도 실험에 추가하였다. 최적 모델은 두 가지 방법에 따라 선정하였다. 첫 번째 방법으로 각 모델을 10회 반복 실험하여 얻은 RMSE의 평균값이 가장 작은 모델을 선정하는 것이다. 두 번째 방법으로는 모든 실험에서 가장 낮은 RMSE를 기록한 모델을 선정하는 것이다. 실험 결과 전통적 시계열 예측모델인 ARIMA 모델과 비교하여 딥러닝 모델의 정확도를 입증하였으며, 정확한 예측모델을 통해 운임 변동의 위험관리 능력을 제고시키는데 기여했다. 반면 코로나19와 같은 외부 효과에 따른 운임의 급격한 변화상황이 발생한 경우, 예측모델의 정확도가 감소하는 한계점을 나타냈다. 제안된 모델 중 GRU1 모델이 두 가지 평가 방법 모두에서 가장 낮은 RMSE(69.55, 49.35)를 기록하며 최적 모델로 선정되었다.

본 연구는 전국 37개 생활권의 미래 총부양비를 전망하는 데에 목적이 있다. 총부양비가 100을 초과하면 부양자보다 피부양자가 많아지는 것을 의미한다. 전국 평균은 2020년 48.6명에서 2050년 141.2명으로 증가하며, 같은 해 경북(동) 권역의 총부양비가 177.7명으로 가장 높고 세종권은 81.6명으로 가장 낮은 전망치를 보인다. 2040년에는 37개 생활권 중 26개 권역에서, 2050년에는 세종특별자치시를 제외한 모든 권역에서 총부양비가 100을 초과하는 것으로 전망되었다. 30년(2020~2050년)에 걸쳐 인천권 총부 양비 증가속도가 259.3%로 가장 빠를 것으로 나타났고, 전남(남) 권역은 73.4%로 가장 느릴 것으로 전망되었다. 본 연구에서 도출한 총부양비를 통계청에서 전망한 총부양비와 직접 비교하는 데 있어서는 제약이 있으나, 통계청 중위 시나리오에 비해 총부양 비가 전국적으로 더 급격하게 증가하는 것으로 나타나며, 이는 한국 사회가 전례 없이 높은 총부양비에 따른 사회경제적 어려움에 더욱 일찍 직면하게 될 것임을 의미한다.

PURPOSES : This study aims to develop and evaluate computer vision-based algorithms that classify the road roughness index (IRI) of road specimens with known IRIs. The presented study develops and compares classifier-based and deep learning-based models that can effectively determine pavement roughness grades. METHODS : A set road specimen was developed for various IRIs by generating road profiles with matching standard deviations. In addition, five distinct features from road images, including mean, peak-to-peak, standard variation, and mean absolute deviation, were extracted to develop a classifier-based model. From parametric studies, a support vector machine (SVM) was selected. To further demonstrate that the model is more applicable to real-world problems, with a non-integer road grade, a deep-learning model was developed. The algorithm was proposed by modifying the MNIST database, and the model input parameters were determined to achieve higher precision. RESULTS : The results of the proposed algorithms indicated the potential of using computer vision-based models for classifying road surface roughness. When SVM was adopted, near 100% precision was achieved for the training data, and 98% for the test data. Although the model indicated accurate results, the model was classified based on integer IRIs, which is less practical. Alternatively, a deep-learning model, which can be applied to a non-integer road grade, indicated an accuracy of over 85%. CONCLUSIONS : In this study, both the classifier-based, and deep-learning-based models indicated high precision for estimating road surface roughness grades. However, because the proposed algorithm has only been verified against the road model with fixed integers, optimization and verification of the proposed algorithm need to be performed for a real road condition.

급성 췌장염은 사망에 이를 수 있는 질환으로, 발병 초기 2주 내 기관부전으로 인한 사망과 이후 몇 주 혹은 몇 달 후 기관부전과 국소 합병증의 문제로 사망하는 두 개의 국면을 보인다. 중증 급성 췌장염을 예측하기 위한 다양한 임상 평가 및 다원적 평가 척도, 영상 검사 및 분자 혈청 검사가 있으나, 현재 가장 우월하게 급성 췌장염의 중증도를 예측하는 척도와 검사가 없고, 사망의 시기를 구분하지 않는 경우가 대부분으로 향후 대규모 연구를 통해 사망의 시기 및 예후를 예측하는 평가 척도의 개발이 필요하다.

This study presents the estimation of crack depth by analyzing temperatures extracted from thermal images and environmental parameters such as air temperature, air humidity, illumination. The statistics of all acquired features and the correlation coefficient among thermal images and environmental parameters are presented. The concrete crack depths were predicted by four different machine learning models: Multi-Layer Perceptron (MLP), Random Forest (RF), Gradient Boosting (GB), and AdaBoost (AB). The machine learning algorithms are validated by the coefficient of determination, accuracy, and Mean Absolute Percentage Error (MAPE). The AB model had a great performance among the four models due to the non-linearity of features and weak learner aggregation with weights on misclassified data. The maximum depth 11 of the base estimator in the AB model is efficient with high performance with 97.6% of accuracy and 0.07% of MAPE. Feature importances, permutation importance, and partial dependence are analyzed in the AB model. The results show that the marginal effect of air humidity, crack depth, and crack temperature in order is higher than that of the others.

Ambient Air Vaporizer (AAV) is an essential facility in the process of generating natural gas that uses air in the atmosphere as a medium for heat exchange to vaporize liquid natural gas into gas-state gas. AAV is more economical and eco-friendly in that it uses less energy compared to the previously used Submerged vaporizer (SMV) and Open-rack vaporizer (ORV). However, AAV is not often applied to actual processes because it is heavily affected by external environments such as atmospheric temperature and humidity. With insufficient operational experience and facility operations that rely on the intuition of the operator, the actual operation of AAV is very inefficient. To address these challenges, this paper proposes an artificial intelligence-based model that can intelligent AAV operations based on operational big data. The proposed artificial intelligence model is used deep neural networks, and the superiority of the artificial intelligence model is verified through multiple regression analysis and comparison. In this paper, the proposed model simulates based on data collected from real-world processes and compared to existing data, showing a 48.8% decrease in power usage compared to previous data. The techniques proposed in this paper can be used to improve the energy efficiency of the current natural gas generation process, and can be applied to other processes in the future.