Climate change is a major global problem. Oysters, one of the most representative farmed fish in Korea, are attracting attention as candidates for blue carbon, an alternative to carbon neutrality. This study is analyzed by the SSP scenarios to determine the impact of oyster aquaculture production according to climate change. Based on the analysis, future productions of oysters are predicted by the SSP scenario. Significant differences by the SSP scenario are confirmed through predictive power tests among scenarios. Regression analysis was conducted from January 2001 to December 2014. As a result of the analysis, water temperature, water temperature quadratic term, salinity, salinity quadratic term, and month × water temperature cross term were estimated as significant variables. Oyster production which is predicted by the SSP scenario based on the significant variables from 2015 to 2022 was compared with actual production. The model with the highest predictive power was selected by RMSE and MAPE criteria. The predictive power was compared with the MDM test to determine which model was superior. As a result, based on RMSE and MAPE, the SSP1-2.6 scenario was selected as the best model and the SSP1-2.6, SSP2-4.5, and SSP3-7.0 scenarios all showed the same predictive power based on the MDM test. In conculusion, this study predicted oyster aquaculture production by 2030, not the distant future, due to the short duration of the analytical model. This study was found that oyster aquaculture production increased in all scenarios and there was no significant difference in predictive power by the SSP scenario.

In modern society, the delivery service market has grown explosively due to rapid changes in social structure and the recent COVID-19 pandemic. Therefore, various problems such as injury to workers and an increase in human accidents are occurring due to the loading and unloading of parcels. In order to solve this problem, domestic company n is developing a “robot-based cargo loading and unloading system”. In developing a new technology system, quantitative reliability targets should be set for efficient operation and development. In this paper, reliability analysis was conducted through field data for the pneumatic gripper of the “robot-based cargo loading system”. The reliability of the failure data was analyzed to estimate the distribution parameters and MTTF. Random data was derived for the probability of occurrence of a failure with the estimated value. By repeating the simulation to predict the number and year of failures according to the estimated parameters of the probability distribution, it was proposed as a method that reflects realistic probabilities rather than calculating with simple arithmetic using the average MTTF previously used in the field.

Research and interest in sustainable printing are increasing in the packaging printing industry. Currently, predicting the amount of ink required for each work is based on the experience and intuition of field workers. Suppose the amount of ink produced is more than necessary. In this case, the rest of the ink cannot be reused and is discarded, adversely affecting the company's productivity and environment. Nowadays, machine learning models can be used to figure out this problem. This study compares the ink usage prediction machine learning models. A simple linear regression model, Multiple Regression Analysis, cannot reflect the nonlinear relationship between the variables required for packaging printing, so there is a limit to accurately predicting the amount of ink needed. This study has established various prediction models which are based on CART (Classification and Regression Tree), such as Decision Tree, Random Forest, Gradient Boosting Machine, and XGBoost. The accuracy of the models is determined by the K-fold cross-validation. Error metrics such as root mean squared error, mean absolute error, and R-squared are employed to evaluate estimation models' correctness. Among these models, XGBoost model has the highest prediction accuracy and can reduce 2134 (g) of wasted ink for each work. Thus, this study motivates machine learning's potential to help advance productivity and protect the environment.

본 연구의 주요 목적은 회귀기반의 다양한 머신러닝 알고리즘을 개발하고 다양한 농업 분야에서 사용되는 트랙터의 연료 소비량을 예측하는 것이다. 비포장 도로주행 농업 기계중에서도 사용 비중이 가장 높은 트랙터를 선정하였다. 실제 농가에 방문하여 현업 전문가 조언을 바탕으로 연구하여 설문지를 작성하였으며, 설문 대상은 경남 사천시에 있는 농가 10곳, 진주시에 있는 농가 62곳 등, 총 72곳의 농가이다. 농작업으로는 벼농사, 보리농사, 밭농사 등이 있으며, 작업내용으로는 쟁기, 로터리, 비료살포, 베토, 모내기작업 등이 있다. 다중 회귀분석을 통해 연료 소비량 예측에 영향을 미치는 변수(마력, 기계사용연수, 경작면적, 작업 시간)를 추출하였고. 머신러닝 회귀 학습기 모형으로 학습하여 예측 모형의 성능을 검증하였다. 연료 소비량을 예측하는 모델의 성능은 결정 계수(R), RMSE (제곱 평균 제곱근 오차), MSE (평균 제곱 오차) 및 MAE (평균 절대 오차)를 포함한 4가지 통계적 품질 매개변수를 사용하여 결정되었다. 연구 결과 4가지 모델(다중회귀, 랜덤포레스트, 아다부스트, K-최근접 이웃) 중 K-최근접 이웃의 성능이 제일 높은 것으로 나타났다. 결론적으로 본 연구의 결과는 실제 농가의 연료 소비량을 예측하여 면세유 유통의 투명성을 확보하고 추후 개발 모델의 의사결정에 활용될 수 있을 것으로 기대된다.

철도교량의 설계는 장기간에 걸쳐 수행되고 대규모의 부지를 대상으로 하기 때문에 다양한 환경적인 요인과 불확실성을 동반하게 된다. 이러한 연유로 초기 설계단계에서 충분히 검토하였더라도 설계변경이 종종 발생하고 있다. 특히 철도교량과 같은 대규모 시설 물의 설계변경은 많은 시간과 인력을 소모하며, 매번 모든 절차를 반복하는 것은 매우 비효율적이다. 본 연구에서는 딥러닝 알고리즘 중 전이학습을 통해 설계변경 전의 학습 결과를 활용하여 설계변경 후의 학습의 효율성을 향상시킬 수 있는 기법을 제안하였다. 분석 을 위해 기개발한 철도교량 딥러닝 기반 예측 시스템을 활용하여 시나리오들을 작성하고 데이터베이스를 구축하였다. 제안된 기법은 설계변경 전 기존 도메인에서 학습에 사용한 8,000개의 학습데이터 대비 새로운 도메인에서 1,000개의 데이터만을 학습하여 유사한 정확도를 나타내었고 보다 빠른 수렴속도를 가지는 것을 확인하였다.

본 연구에서는 투과 유량 모델을 개발하기 위하여, 시간, 막 전후의 압력 차, 회전 속도, 막의 기공 크기, 동점도, 농도 및 공급 유체의 밀도 등 7개의 입력 변수에 기반한 두 종류(ANN 및 SVM) 인공지능 기법을 이용하였다. 시행착오법과 실험데이터와 예측 데이터 간의 결정 계수(R2) 와 평균절대상대편차(AARD)를 포함한 두 가지 통계 변수를 통해 최적의 모델 을 선정하였다. 최종적으로 얻어진 결과에서 최적화된 ANN 모델이 R2 = 0.999 및 AARD% = 2.245인 투과 플럭스 예측 정 확도를 보여서, R2 = 0.996 및 AARD% = 4.09의 정확도를 보인 SVM 모델에 비해 더 정확함을 알 수 있었다. 또한, ANN 모델은 SVM 방식에 비해 투과 유속을 예측하는 능력도 더 높은 것으로 나타났다.

급격한 산업화와 도시화로 인해 해양 오염이 심각해지고 있으며, 이러한 해양 오염을 실효적으로 관리하기 위해 수질평가 지수(Water Quality Index, WQI)를 마련하여 활용하고 있다. 하지만 수질평가지수는 다소 복잡한 계산과정으로 인한 정보의 손실, 기준값 변동, 실무자의 계산오류, 통계적 오류 등의 불확실성(uncertainty)을 내포하고 있다. 이에 따라 국내ㆍ외에서 인공지능 기법을 활용하여 수질평가지수를 예측하기 위한 연구가 활발히 이루어지고 있다. 본 연구에서는 해양환경측정망 자료(2000 ~ 2020년)를 활용하여 우리나 라 전 해역 즉, 5개의 생태구에 대한 WQI를 추정할 수 있는 가장 적합한 인공지능기법을 도출하기 위해 총 6가지의 기법(RF, XGBoost, KNN, Ext, SVM, LR)을 실험하였다. 그 결과, Random Forest 기법이 다른 기법에 비해 가장 우수한 성능을 보였다. Random Forest 기법의 WQI 점수 예측값과 실제값의 잔차 분석 결과, 모든 생태구에서 시간적 및 공간적 예측 성능이 우수한 것으로 나타났다. 이를 통해 본 연구에서 개발한 Random Forest 기법은 높은 정확도를 바탕으로 우리나라 전해역에 대한 WQI를 예측 가능할 것으로 사료된다.

고성능 콘크리트(HPC) 압축강도는 추가적인 시멘트질 재료의 사용으로 인해 예측하기 어렵고, 개선된 예측 모델의 개발이 필수적 이다. 따라서, 본 연구의 목적은 배깅과 스태킹을 결합한 앙상블 기법을 사용하여 HPC 압축강도 예측 모델을 개발하는 것이다. 이 논 문의 핵심적 기여는 기존 앙상블 기법인 배깅과 스태킹을 통합하여 새로운 앙상블 기법을 제시하고, 단일 기계학습 모델의 문제점을 해결하여 모델 예측 성능을 높이고자 한다. 단일 기계학습법으로 비선형 회귀분석, 서포트 벡터 머신, 인공신경망, 가우시안 프로세스 회귀를 사용하고, 앙상블 기법으로 배깅, 스태킹을 이용하였다. 결과적으로 본 연구에서 제안된 모델이 단일 기계학습 모델, 배깅 및 스태킹 모델보다 높은 정확도를 보였다. 이는 대표적인 4가지 성능 지표 비교를 통해 확인하였고, 제안된 방법의 유효성을 검증하였다.

PURPOSES : The primary purpose of this study is to develop a framework for predicting the demand and distribution of pedestrians when an open space zone is built at the top through the undergroundization of the Gyeongin Expressway. METHODS : After analyzing the current status through a survey on the number of people, students, surrounding traffic volume, and future socioeconomic indicators, the rate of change in the floating population and the rate of increase and decrease in the traffic volume of pedestrians were calculated to evaluate the effect. In addition, microscopic analysis results were derived by setting a pedestrian analysis zone (PAZ). A walking environment index (WEI) was developed that can quantitatively evaluate the degree of walking activation by indicating walking-related surrounding environmental factors. Based on this, a walking demand prediction model was developed. In addition, the results were validated by calculating the walking volume through a micro-simulation in/around the open space zone. RESULTS : The number of crosswalks and schools, transit development indicators, and pedestrian volume increased as the WEI value increased. However, the log form of the distance was observed to be a factor that reduced walking. CONCLUSIONS : This study attempted to reliably predict the demand for walking on the Gyeongin Expressway by calculating the amount of induced walking and the amount of passing walking. The pedestrian demand can be boosted by improving walking environments.

Screw jet equipment has been developed based on the existing accumulated experimental indicators in the semiconductor industry, and for specific performance development, it is necessary to visually check a process in which a high viscosity solution is discharged to a nozzle through a screw. Since the transparency of the exterior is not guaranteed after design and production due to the characteristics of the equipment, simulation must be performed to confirm the performance data according to the internal shape. Therefore, in this study, the screw jet equipment was simulated using the moving particle system, and through this, all processes of the screw jet internal solution flow were visually checked and computerized data capable of predicting the performance of the equipment was secured.

고속철도 교량은 열차 하중에 의한 공진으로 인한 동적응답 증폭의 위험이 존재하므로 설계기준에 따른 동적해석을 통한 주행안전 성 및 승차감 검토를 반드시 수행하여야 한다. 그러나 주행안전성 및 승차감 산정 절차는 열차의 종류별로 임계속도를 포함하여 설계 속도의 110km/h까지 10km/h 간격으로 동적해석을 일일이 수행해야 하므로 많은 시간과 경비가 소요된다. 이 연구에서는 딥러닝 알 고리즘을 활용하여 별도의 동적해석 없이 주행안전성 및 승차감을 사전에 예측할 수 있는 딥러닝 기반 예측 시스템 개발하였다. 제안 된 시스템은 철도교량의 열차별, 속도별 동적해석 결과를 학습한 후 학습 완료된 신경망을 기반으로 한 예측 시스템이며, 열차속도, 교량 특성 등의 입력파라미터에 따른 주행안전성 및 승차감 산정 결과를 사전에 예측할 수 있다. 제안된 시스템의 성능을 확인하기 위 하여 단경간 직선 단순보 교량을 대상으로 한 주행안전성 및 승차감 예측을 수행하였고, 주행안전성 및 승차감 산정을 위한 상판 연직 변위 및 상판 연직가속도를 높은 정확도로 예측할 수 있음을 확인하였다.

The management of algal bloom is essential for the proper management of water supply systems and to maintain the safety of drinking water. Chlorophyll-a(Chl-a) is a commonly used indicator to represent the algal concentration. In recent years, advanced machine learning models have been increasingly used to predict Chl-a in freshwater systems. Machine learning models show good performance in various fields, while the process of model development requires considerable labor and time by experts. Automated machine learning(auto ML) is an emerging field of machine learning study. Auto ML is used to develop machine learning models while minimizing the time and labor required in the model development process. This study developed an auto ML to predict Chl-a using auto sklearn, one of most widely used open source auto ML algorithms. The model performance was compared with other two popular ensemble machine learning models, random forest(RF) and XGBoost(XGB). The model performance was evaluated using three indices, root mean squared error, root mean squared error-observation standard deviation ratio(RSR) and Nash-Sutcliffe coefficient of efficiency. The RSR of auto ML, RF, and XGB were 0.659, 0.684 and 0.638, respectively. The results shows that auto ML outperforms RF, and XGB shows better prediction performance than auto ML, while the differences between model performances were not significant. Shapley value analysis, an explainable machine learning algorithm, was used to provide quantitative interpretation about the model prediction of auto ML developed in this study. The results of this study present the possible applicability of auto ML for the prediction of water quality.

본 논문은 철근을 대체재로 CFRP 그리드의 적용 가능성을 평가하기 위한 해석적 연구 결과를 보고한다. CFRP 그리 드로 보강된 콘크리트 보의 휨거동 예측을 위한 유한요소해석은 상용 구조해석 프로그램인 LS-DYNA를 이용하여 수행되었다. 제안된 유한요소해석 모델은 Kwak et al.(2022)에 의해 수행된 실험 결과에 대한 재현해석을 통해 검증되었다. 해석에서 도출된 파괴양상은 실험 결과와 비교적 정확히 예측되었다. 또한 유한요소해석에서 예측된 극한하중 및 극한하중에서의 처짐은 실험 결과와 각각 9%, 12%의 미미한 오차를 보였으며, 제안된 유한요소해석모델의 정확성은 검증되었다. 제안된 해석모델을 FE해석 모델을 이용하여 CFRP 그리드로 보강된 콘크리트 부재의 휨강도에 영향을 미치는 인자를 확인하기 위해 매개변수해석이 수행 되었다. 매개변수해석 결과, CFRP 그리드의 단면적이 CFRP 그리드로 보강된 콘크리트 보의 휨성능에 상당한 영향을 끼치는 인 자로 확인되었다.