Turbidity has various effects on the water quality and ecosystem of a river. High turbidity during floods increases the operation cost of a drinking water supply system. Thus, the management of turbidity is essential for providing safe water to the public. There have been various efforts to estimate turbidity in river systems for proper management and early warning of high turbidity in the water supply process. Advanced data analysis technology using machine learning has been increasingly used in water quality management processes. Artificial neural networks(ANNs) is one of the first algorithms applied, where the overfitting of a model to observed data and vanishing gradient in the backpropagation process limit the wide application of ANNs in practice. In recent years, deep learning, which overcomes the limitations of ANNs, has been applied in water quality management. LSTM(Long-Short Term Memory) is one of novel deep learning algorithms that is widely used in the analysis of time series data. In this study, LSTM is used for the prediction of high turbidity(>30 NTU) in a river from the relationship of turbidity to discharge, which enables early warning of high turbidity in a drinking water supply system. The model showed 0.98, 0.99, 0.98 and 0.99 for precision, recall, F1-score and accuracy respectively, for the prediction of high turbidity in a river with 2 hour frequency data. The sensitivity of the model to the observation intervals of data is also compared with time periods of 2 hour, 8 hour, 1 day and 2 days. The model shows higher precision with shorter observation intervals, which underscores the importance of collecting high frequency data for better management of water resources in the future.

이 연구는 강원대학교 학술림 내의 산지계류를 대상으로 2년간(2017∼2018)의 현지 모니터링에 기초하여 수온과 강우, 유량 및 기온 등 환경인자간의 관계를 분석하고, 계절별 산지계류의 수온변화 예측기법에 대하여 검토하였다. 동절기를 제외한 봄, 여름 및 가을철로 구분하여 단계적 다중선형회귀분석을 실시하였으며, 계절별 산지계류의 수온변화에 미치는 환경인자의 영향을 분석하였다. 그 결과, 산지계류의 일평균 수온은 봄철 6.9∼17.7℃로 기온과 유의적 관계를 나타내었고, 여름철 12.2∼26.3℃로 기온, 유량과 유의적 관계를 나타냈으며, 가을철 3.6∼19.3℃로 기온 및 유량과 유의적 관계를 나타내는 등 계절별로 산지계류의 수온에 미치는 영향인자는 다르게 나타났다. 다중선형회귀식은 봄철 (0.553×기온)+(0.086×유량)+4.145(R2=0.505; p<0.01), 여름철 (0.756×기온)+(-0.072×유량)+2.670(R2=0.510; p<0.01), 가을철 (0.738×기온) +(0.028×강우)+2.660(R2=0.844; p<0.01)이었다. 도출된 모든 회귀식의 결정계수(R2)는 기온만으로 예측한 경우보다 높게 나타났고, 봄철에서 가을철로 갈수록 증가하였다. 향후 정밀도 높은 산지계류의 수온변화 예측을 위해서는 지속적인 현지 모니터링과 함께 시･공간적 데이터의 확보가 중요하다고 판단된다.

In this study, the energy use of buildings was compared and analyzed by using weather data predicted with machine running techniques. Python was used as a predictive program to predict weather data and TRNSYS was used to simulate the energy usage of buildings. For weather forecasting, weather data from 1 August to 7 August were studied to forecast ambient air temperature and solar radiation. The lowest error came in seven days, with the outside air temperature standing at 1.8 percent and the solar radiation at 2.4 percent. The energy use of the building was simulated by using weather data predicted through the 7 days learning data with the lowest error. As a result , the error rate of cooling energy use was 1.92%, the sum of cooling energy and lighting energy use was 1.79%, and the building control by using predicted weather data didn’t show a big difference with just control.

본 연구는 운항선의 운항 빅데이터를 활용하여 머신러닝 기법의 선박 마력 예측에 관한 것이다. 현재 신조선에는 ISO15016법을 이용하여 외부환경 요인에 대하여 수식을 통해 저항을 예측하나 관련 계산식이 복잡하고 요구하는 입력변수들이 많아 운항하는 실선 적 용에 많은 시간과 비용이 필요하다. 본 연구에서는 최근 예측, 인식 등에서 우수한 성능을 보이는 SVM(Support Vector Machine) 알고리즘을 이용하여 우수한 성능의 선박 출력 예측이 가능한 모델을 제안한다. 제안 예측 모델은 실선 운항 빅데이터만 확보된다면 ISO15016법 대비 우수한 성능의 예측이 가능한 장점이 있다. 본 연구에서는 178K 벌크캐리어의 운항 DATA를 활용하여 ISO15016 기법과 본 연구에서 제안 하는 SVM 알고리즘 기반의 마력해석법을 비교하여 ISO15016의 단점인 선박 모델 데이터 준비 부분을 줄이고 부정확한 마력 예측 성능을 개선하였다.

The prediction of Jominy hardness curves and the effect of alloying elements on the hardenability of boron steels (19 different steels) are investigated using multiple regression analysis. To evaluate the hardenability of boron steels, Jominy end quenching tests are performed. Regardless of the alloy type, lath martensite structure is observed at the quenching end, and ferrite and pearlite structures are detected in the core. Some bainite microstructure also appears in areas where hardness is sharply reduced. Through multiple regression analysis method, the average multiplying factor (regression coefficient) for each alloying element is derived. As a result, B is found to be 6308.6, C is 71.5, Si is 59.4, Mn is 25.5, Ti is 13.8, and Cr is 24.5. The valid concentration ranges of the main alloying elements are 19 ppm < B < 28 ppm, 0.17 < C < 0.27 wt%, 0.19 < Si < 0.30 wt%, 0.75 < Mn < 1.15 wt%, 0.15 < Cr < 0.82 wt%, and 3 < N < 7 ppm. It is possible to predict changes of hardenability and hardness curves based on the above method. In the validation results of the multiple regression analysis, it is confirmed that the measured hardness values are within the error range of the predicted curves, regardless of alloy type.

본 연구는 한반도에서 Proto3 모형을 수행하기 위하여 필요한 3가지 기후인자 지도, 1. 식물 내한성 구역, 2. 쾨펜- 가이거 기후구, 3. 연누적강수량 영역에 대한 한반도 지도를 1 km 해상도로 제작하였다. Worldclim V2와 한반도 30 년 평균 기상대 데이터를 이용하여 한반도 최저극값온도 격자를 제작하였으며, 이를 활용하여 한반도 식물 내한성 구역 격자지도를 제작하여 Proto3에 이용하였다. 쾨펜-가 이거 기후구 지도는 Beck et al. (2018)의 쾨펜-가이거 기후구 지도를 Proto3에 적합하게 변형하였으며, 연누적강수량 영역은 Worldclim V2를 활용하여 제작하였다. 제작된 Proto3 기후 인자 지도를 활용하여 외래잡초 별나팔꽃의 정착 확산 가능 지역을 예측한 결과, 남한 대부분의 지역과 북한의 황해도를 포함한 남쪽 지방까지 전체 한반도 격자의 50.7%가 정착, 확산 가능지역으로 예측되었다. 본 결과는 별나팔꽃의 위해성 평가 및 관리 체계 수립 등에 활용가능할 것으로 판단된다.

채소작물과 과수작물의 생육에 악영향을 미치는 서리발생을 미리 예측하기 위해 모형을 구축하고 채소 주산지에 적용해 보았다. 서리 발생 전날에 관측되는 다양한 기상인자들(최저기온, 18시 기온, 21시 기온, 24시 기온, 평균풍속, 18시 풍속, 21시 풍속, 구름량, 5일간 강수량, 3일간 강수량, 상대습도, 이슬점온도, 초상최저기온, 지면온도)을 수집 하고, 그 중에서 서리발생에 유의한 영향이 있다고 판단되는 변수들을 통계적 방법(T-test, Random Forest, Multicollinearity test, Akaike Informaiton Criteria, 그리고 Wilk’s lambda values)을 통해 선택하였다. 여러 통계적 방법을 통해 선택된 유의한 기상 인자는 24시 기온, 구름량, 이슬점온도, 21시 풍속 이였으며, 이 기상인자를 기계학습법의 한 종류인 랜덤 포레스트에 적용하여 서리 발생 예측 모형을 구축하였다. 이렇게 구축 된 서리 발생예측 모형의 정확도는 70.6%로 나타났으며, 이 모형을 가을배추와 가을무의 주산지인 홍성과 서산에 적용하였을 때 65.2%와 78.6%로 나타났다.

As aeration is an energy-intensive process, its control has become more important to save energy and to meet strict effluent limits. In this study, predictive aeration control based on the respirometric method has been applied to the sequencing batch reactor (SBR) process. The variation of the respiration rate by nitrification was great and obvious, so it could be a very useful parameter for the predictive aeration control. The maximum respiration rate due to nitrification was about 60 mg O2/L‧h and the maximum specific nitrification rate was about 7.5 mg N/g MLVSS‧h. The aeration time of the following cycle of the SBR was daily adjusted in proportion to that which was previously determined based on the sudden decrease of respiration rate at the end of nitrification in the respirometer. The aeration time required for nitrification could be effectively predicted and it was closely related to influent nitrogen loadings. By the predictive aeration control the aerobic period of the SBR has been optimized, and energy saving and enhanced nitrogen removal could be obtained.

본 논문에서는 해석결과를 보정하여 고층 건축물의 기둥축소 예측값과 실제값 간의 오차를 최소화하기 위한 해석보정법이 제안되었다. 이를 위하여 41층 규모의 철근 콘크리트 건물에 대한 시공단계해석이 수행되었으며, 해석결과는 기둥과 코어로 나뉘어 네 가지의 가정된 계측결과들과 비교되었다. 해석보정은 기둥에서는 오차 한계를 넘어서는 시공단계에서 코어에서는 모든 시공단계에 적용되었으며, 해석이 보정된 이후에도 지속적으로 오차가 발생하므로 해석보정이 자주 수행될수록 오차는 감소하였다. 이러한 과정을 통하여 제안된 해석보정 방법을 적용함으로써 장기적인 축소값이 실제값과 유사하게 예측될 수 있음을 확인하였다.

벼에 줄무늬잎마름병을 유발하는 애멸구(Laodelphax striatellus)의 온도에 따른 산란 등 성충 활동 특성을 12.5~35.0℃ 10개 항온조건 광주기 14L:10D에서 조사하였다. 산란모델을 만들기 위한 단위 함수를 개발하고 DYMEX를 이용하여 개체군 밀도 변동 모델을 구축하였다. 성충 수명은 15.0℃에서 56.0일로 가장 길었고, 35.0℃에서 17.7일로 가장 짧았으며 온도가 올라감에 따라 수명도 짧아지는 경향을 보였다. 암컷 한 마리당 총산란수는 22.5℃에서 515.9개로 가장 많았으며, 35℃에서 18.6개로 가장 적었다. 산란 모델 개발을 위해 성충발육율, 총산란수, 성충사망율 및 누적산란율 단위모델을 추정한 결과, 단위모델 모두에서 높은 수준의 모델 적합성을 보였다(r2=0.94~0.97). 개체군 밀도 변동 모델은 포트와 포장 실험을 통하여 예측 정확도를 평가하였다. 포트 및 포장 실험 결과 접종 후 30일까지는 각 조사 시점에서 밀도 및 영기 분포 비율의 예측 정확도가 비교적 높았으나 이후에는 1, 2령의 조사 밀도와 예측 밀도 간에 큰 차이가 발생하였고, 영기 분포 변화의 경우도 모델에서 실제 조사 자료보다 1~2단계의 발육 영기가 빠르게 추정되는 경향을 보였다.

PURPOSES : This study aims to create a pleasant environment by exploring ITS technology-based reduction measures to manage vehicles on the road, which are the main cause of traffic noise, while identifying the effects of traffic noise and various noise reduction measures. METHODS : A review of the literature identified the matters discussed mainly by reviewing the pre-examination and related statutes of traffic noise management measures at home and abroad. Furthermore, in the field investigation section, the variables affecting traffic noise (traffic volume, large vehicle mix rate, and driving speed) were investigated and the noise impact was analyzed using the three-dimensional (3D) noise prediction model (SounpdPLAN). RESULTS: The noise impact levels of the 3D noise prediction model were identified from various angles, such as horizontal and vertical, and traffic noise management measures for pre-real-time management and related DB utilization measures were proposed. CONCLUSIONS: Unlike the existing traffic noise management measures, which focus on follow-up management measures, it is believed that further research is needed to develop standards and related guidelines that meet regional characteristics by taking into account the characteristics of traffic noise and creating concrete and drawing action plans that can be used in future policies using ITS technology.

지속가능한 국토의 보전과 이용을 위해 데이터 기반의 과학적이고 객관적인 분석 결과를 기반으로 국토계획 및 환경계획의 수립이 필요하다. 그리고 과거와 현재의 데이터를 기반으로 미래를 예측하고 분석한 분석 결과는 다양한 분야의 환경정책에 활용할 수 있다. 특히 국토의 환경성을 5개 등급으로 평가하여 매년 평가 결과를 제공해주는 국토환경성평가지도는 2005년부터 구축되어왔기 때문에 국토의 환경성 평가와 관련하여 과거 현황을 기반으로 미래의 국토 변화를 예측하기 위한 분석에 있어 중요한 데이터라고 할 수 있다. 이러한 국토환경성평가지도는 7개 환경생태적 평가항목과 57개 법제적 평가항목을 이용하여 우리나라 전체를 대상으로 국토환경성 평가등급을 도출하게 되며, 1년에 2회씩 갱신하고 있지만 이러한 국토환경성평가지도는 현재 파일시스템으로 관리되고 있어 저장, 갱신, 일관성, 공동이용, 그리고 속도 등 관리 및 활용적 측면에서 제약이 있다. 이에 본 연구에서는 기존 파일시스템으로 관리되고 있는 국토환경성평가지도의 효율적 관리와 활용을 위해 데이터 모델을 설계하고, 공간 DBMS 기반의 데이터 저장과 관리 및 활용 방안을 제시했다. 그리고 활용 가능성을 검토하기 위해 쿼리를 적용해 분석에 이용할 정형데이터를 도출하고, 로지스틱 회귀분석을 이용하여 우리나라 전체를 대상으로 도시지역 확장을 예측했다. 이러한 공간 DBMS 기반의 데이터 저장, 관리, 활용의 서비스 제공은 지속적으로 구축 및 갱신되는 공간정보들을 효율적으로 관리할 수 있을 뿐만 아니라 국토 및 환경계획을 위한 정책적 활용을 포함한 다양한 분야에서에 활용할 수 있을 것이라 판단된다.

Recently, a number of researchers have produced research and reports in order to forecast more exactly air quality such as particulate matter and odor. However, such research mainly focuses on the atmospheric diffusion models that have been used for the air quality prediction in environmental engineering area. Even though it has various merits, it has some limitation in that it uses very limited spatial attributes such as geographical attributes. Thus, we propose the new approach to forecast an air quality using a deep learning based ensemble model combining temporal and spatial predictor. The temporal predictor employs the RNN LSTM and the spatial predictor is based on the geographically weighted regression model. The ensemble model also uses the RNN LSTM that combines two models with stacking structure. The ensemble model is capable of inferring the air quality of the areas without air quality monitoring station, and even forecasting future air quality. We installed the IoT sensors measuring PM2.5, PM10, H2S, NH3, VOC at the 8 stations in Jeonju in order to gather air quality data. The numerical results showed that our new model has very exact prediction capability with comparison to the real measured data. It implies that the spatial attributes should be considered to more exact air quality prediction.