본 연구에서는 다방향 흐름 분배 알고리듬과 실시간 유출 보정 알고리듬을 이용하여 개발한 분포형 강우 유출모형의 실제 유역에 대한 적용성을 평가하였다. 안동댐과 남강댐 유역에 대해 각각 우량계 관측자료와 레이더 관측 우량자료를 이용하여 분포형 강우-유출 모의를 수행하였다. 이전의 호우사상에 대한 유역 매개변수 보정 실시 후 보정된 매개변수를 이용하여 다른 호우사상에 대해 모형을 적용하였다. 안동댐 유역에 대해 흐름 군집화 결과를 제시함으로써 다방향 흐름

본 연구에서는 다방향 흐름 분배 알고리듬과 실시간 보정 알고리듬을 개발하여 분포형 강우-유출 모형에 적용하였다. 개발된 알고리듬의 적용과 분포형 모형 적용상의 약점인 계산시간 개선을 위해 비교적 간단한 수문과정 지배 방정식들을 이용하여 분포형 강우-유출 모형을 작성하였다. DEM(Digital Elevation Model)를 이용하여 공간해상도 변화에 따른 지형정보와 흐름정보의 변동성을 파악하였다. 모의수행 전처리 과정으로 가용한 고해상도 DEM 자료를

일반적인 도시 내배수시스템은 시설물과 운영방법으로 구분된다. 시설물은 관거, 수문, 배수펌프장 등으로 구성되며 운영방법은 펌프 및 수문운영으로 구성된다. 이러한 내배수시스템에서 유역의 유출 및 펌프 운영을 실시간으로 모의하고 배수효과를 고려할 수 있는 운영 모형은 펌프를 효과적으로 운영하기 위하여 필요하며, 이러한 실시간 운영 모형을 통하여 도시유역의 침수 위험을 감소시키기 위한 효율적인 펌프 운영 기법의 개발이 가능하다. 본 연구에서는 SWMM 5.0

평창강 수질자동측정망 실시간 자료를 이용하여 강우시와 무강우시로 구분하여 분석하였다. 강우시에 측정된 TOC 자료는 무강우시 측정된 자료에 비해 평균값, 최대값, 표준편차가 크게 나타났으며, 강우시의 DO 자료는 무강우시에 측정된 자료보다 낮아 유량이 수질변화에 영향을 미치는 것으로 분석되었다. 신경망 모형과 뉴로-퍼지 모형으로 수질예측 모형을 구성하고, 적용하였다. LMNN, MDNN, ANFIS 모형은 TOC 모의에서 DO 예측에서는 LMNN, MD

레이더 신호처리론 포함하여 무선통신 시스템의 성능향상을 위한 수신신호의 도래방향 추정기술 중, MUSIC과 ESPRIT와 같은 방법들은 수신신호 벡터로부터 얻어진 상관행렬의 고유치 분해를 통하여 도래방향을 정도 높게 추정할 수 있는 초고분해 알고리즘들로 잘 이용되어 왔다. 그러나, 이러한 방법들은 계산의 복잡성으로 인하여 실시간 처리에 장애가 되어 왔으며, 어레이 안테나의 물리적인 결함에 대한 보정을 요구한다. 이에 대한 해결방법으로서 신경망 모델을 이용한 도래방향 추정방법들이 연구되어 왔으나, 복수의 신호가 존재할 경우 신경망 모델에 대한 대규모 학습량을 요구하고, 실시간 처리가능성에 대한 명확한 해를 제공하지 못한다. 본 연구에서는 상호결합형 신경망 모델을 이용하여 도래방향을 추정하기 위한 방법을 제안하고, 컴퓨터 시뮬레이션을 통하여 실시간 처리가능성을 보여주었으며, 제안된 방법이 MUSIC 보다 더 좋은 추정치를 제공한다. 게다가, 제안된 방법은 대규모 학습을 요구하지 않는다. 즉, 도래방향을 추정하기 전에 상호결합계수를 신경망에 할당할 뿐이다.

본 연구의 목적은 하천에서의 실시간 범람위험도 해석을 위해서 DAMBRK 모형과 Kalman filter를 연계한 수치모형을 개발하는데 있다. 본 모형은 1차원 동역학 방정식의 비선형 유한차분 근사해인 음해법을 기본으로 하고 있다. 추계학적 추정법으로서 최적의 갱신 예측치를 얻기 위해 확장된 Kalman filter 기법을 사용하였다. 이 과정은 확정론적 모형에 의한 예측치를 Kalman filter gain factor에 의해 보정된 실시간 관측치와

For the prediction of multi-site rainfall with radar data and ground meteorological data, a rainfall prediction model was proposed, which uses the neural network theory, a kind of artifical intelligence technique. The input layer of the prediction model was constructed with current ground meteorological data, their variation, moving vectors of rainfall field and digital terrain of the measuring site, and the output layer was constructed with the predicted rainfall up to 3 hours. In the application of the prediction model to the Pyungchang river basin, the learning results of neural network prediction model showed more improved results than the parameter estimation results of an existing physically based model. And the proposed model comparisonally well predicted the time distribution of rainfall.