The lane departure warning device can not detect the lane to be driven in the future by sensing the departure of the lane passing by during driving and warning the driver. Considering the safe operation of the truck, it is also expected that the departure of the future lanes according to the dynamic weight and speed of the current truck should be predicted. This study attempted to predict whether or not to deviate from the lanes of curved roads to be driven in the future according to the current dynamic driving weight and speed in consideration of the safe driving of trucks.

오대산국립공원 내 뱀류 로드킬의 발생 경향 파악 및 예방을 위하여 2006-2017년 사이 공원 내에서 발생한 뱀류 로드킬 자료를 확보 및 분석하였고, 잠재적 발생지 예측을 위하여 종분포모델을 제작하였다. 연구기간 동안 뱀류 로드킬 은 600m 대의 양쪽 환경이 산림-수계인 도로에서 가장 많이 발생하였다. 모델링 결과에서 뱀류 로드킬 발생 가능성은 고도 700m 이하의 하천과의 거리가 25m 부근인 완만한 경사의 도로의 로드킬 발생확률이 높게 나타났다. 국립공원 내 주요 로드킬발생 예측지역은 국도 6호선 도로 위 공원 남쪽 경계로부터 약 2.2㎞ 지역과 약 11.7㎞ 지역이, 지방도 446호선 도로 위 공원 남쪽 경계로부터 약 3.44㎞ 지역이었다. 본 연구결과는 해발고도 700m 이하 수계와 인접한 도로 주변에 우선적으로 대체 일광욕 장소, 생태통로 및 도로의 유입을 막는 울타리의 설치가 산림에서 뱀류 로드킬을 줄이는 효과적인 방안이 될 것을 제시한다.

본 논문은 철계형상기억합금(Fe-SMA) stirrup으로 전단보강된 철근콘크리트 보의 전단거동을 예측하기 위한 해석적 연구이다. 전단거동 예측을 위해 변형률 적합조건 및 하중 평형조건을 만족하는 휨해석이 수행되었으며, 이후 수정압축장이론 (MCFT)에 기반한 전단해석이 수행되었다. 부재의 처짐을 계산하기 위해 휨 및 전단에 의해 발생된 처짐이 모두 고려되었다. 제 안된 해석모델의 검증은 Ji et al.(2022)의 실험결과를 비교하여 수행되었다. 비교결과 제안된 해석모델과 실험결과의 극한하중, 극한하중 시 처짐의 오차는 평균 4.77%, 6.62%로 Fe-SMA Stirrup으로 전단보강된 철근콘크리트 보의 전단 거동을 비교적 정확 하게 예측하는 것으로 나타났다.

PURPOSES : Roller-compacted concrete pavement (RCCP) is a superstiff-consistency concrete pavement that exhibits excellent strength development owing to a hydration reaction and interlocking aggregates owing to the roller compaction. A zero-slump concrete mixture is generally used. Hence, it is important to control the consistency of the RCCP mixture to prevent the deterioration of the construction quality (such as material separation during paving). The workability of the RCCP is characterized by its consistency and controlled by the Vebe time, whereas a conventional concrete pavement is controlled based on the slump test. The consistency of the RCCP changes over time after concrete mixing owing to delivery, construction time delays, etc. Thus, it is necessary to use the optimum Vebe time to achieve the best construction quality. Therefore, this study aims to develop a Vebe time prediction model for efficiently controlling the consistency of RCCPs according to random time variations. METHODS : A Vebe time prediction model was developed using a multiple linear regression analysis. A dataset of 131 samples was used to develop the model. The collected data consisted of variables with large potential effects on the consistency of the RCCP, such as the water-cement ratio (W/C), sand/aggregate ratio (S/a), water content (ω), water content per unit volume (W), cement (C), fine aggregate (S), coarse aggregate (G), water reducing admixtrue (PNS), air-entraining admixture (AE), delay time (T), air temperature (TEM), and humidity (HUM). In the multiple linear regression analysis, the mentioned parameters were used as the independent variables, and the Vebe time was the dependent variable. The Vebe time prediction models were evaluated by considering the adjusted R2 and p-values. The selection of the model was based on the largest R2 value and an acceptable p-value (p<0.05). RESULTS : The Vebe time prediction model achieved an adjusted R2 value of 64.14% with a significance level (p-value) of less than 0.05. This shows that the predictive model is adequately described for the dependent variable, and that the model is suitable for Vebe time predictions. Moreover, the significance level of the independent variables is less than 0.05, indicating significant effects on the Vebe time (i.e., the dependent variable). CONCLUSIONS : The Vebe time prediction model developed in this study can be used to estimate Vebe times with an R2 of 63.33% between the measured and predicted values. The proposed Vebe time prediction model is expected to be effectively utilized for the quality control of RCCP mixtures. Moreover, it is expected to contribute to achieving good RCCP construction quality.

Predicting remaining useful life (RUL) becomes significant to implement prognostics and health management of industrial systems. The relevant studies have contributed to creating RUL prediction models and validating their acceptable performance; however, they are confined to drive reasonable preventive maintenance strategies derived from and connected with such predictive models. This paper proposes a data-driven preventive maintenance method that predicts RUL of industrial systems and determines the optimal replacement time intervals to lead to cost minimization in preventive maintenance. The proposed method comprises: (1) generating RUL prediction models through learning historical process data by using machine learning techniques including random forest and extreme gradient boosting, and (2) applying the system failure time derived from the RUL prediction models to the Weibull distribution-based minimum-repair block replacement model for finding the cost-optimal block replacement time. The paper includes a case study to demonstrate the feasibility of the proposed method using an open dataset, wherein sensor data are generated and recorded from turbofan engine systems.

해양사고 예방을 위해서는 사고의 원인과 결과에 대한 분석 및 진단뿐만 아니라, 사고의 발생 패턴과 변화 추이를 예측함으로 써 정량적 위험도를 제시할 필요성이 있다. 선박교통과 관련된 해양사고 예측은 선박의 충돌위험도 분석 및 항해 경로 탐색 등 선박교통 의 흐름에 관한 연구가 주로 수행되었으며, 해양사고의 발생 패턴에 대한 분석은 전통적인 통계 분석에 따라 제시되었다. 본 연구에서는 해양사고 통계 자료 중 선박교통관련 사고의 월별, 시간대별 발생 현황 데이터를 활용하여 해양사고 발생 예측 모델을 제시하고자 한다. 국내 해양사고 발생 현황 중 월별, 시간대별 데이터 집계가 가능한 1998년부터 2021년까지의 통계자료 중 선박교통 관련 데이터를 분류하 여 정형 시계열 데이터로 변환하였으며, 대표적인 인공지능 모델인 순환 신경망 기반 장단기 기억 신경망을 통하여 예측 모델을 구축하 였다. 검증데이터를 통하여 모델의 성능을 검증한 결과 RMSE는 초기 신경망 모델에서 월별 52.5471, 시간대별 126.5893으로 나타났으며, 관측값으로 신경망 모델을 업데이트한 결과 RMSE는 월별 31.3680, 시간대별 36.3967로 개선되었다. 본 연구에서 제안한 신경망 모델을 기 반으로 다양한 해양사고의 특징 데이터를 학습하여 해양사고 발생 패턴을 예측할 수 있을 것이다. 향후 해양사고 발생 위험의 정량적 제 시와 지역기반의 위험지도 개발 등에 관한 추가 연구가 필요하다.

Most of automobile steering parts are manufactured through the multi-stage cold forging process using round-bar drawn materials. The same process is applied to the ball stud parts of the outer ball joint, and various research activities are being carried out to reduce the extreme manufacturing cost in order to survive in the limitless competition. In this paper, we present a quantitative prediction method for the limiting life of the die as a method for cost reduction in the multi-stage cold forging process. The load on the die was minimized by distributing the forming load based on process optimization through finite element analysis. In addition, based on the quantitative prediction algorithm of the limiting life of the die, the application of the split die and the optimization of the phosphate treatment of the material surface are presented as a conclusion as a method to improve the limiting life of the die.

본 연구에서는 유한요소해석 D/B를 기반으로 보간식을 산출하여 개활지 폭발현상에 의해 기둥에 작용하는 폭압이력을 예측하는 모델을 개발했다. D/B 구성을 위해 7종류 기둥 너비에 대해 총 70회의 유한요소해석을 수행했다. 제안하는 방법의 성능확인을 위해, 기존에 제시된 경험식 기반의 예측식과의 비교연구를 수행했다. 또한, D/B를 구성하는 point 외의 영역에서의 예측 정확도 확인을 위 해 유한요소해석 결과와의 비교/검증 연구를 추가로 수행했다. 제안하는 방법은 기존의 경험식 기반 예측식에 비해 유한요소해석 결 과와 유사한 결과를 산출함을 확인했다.

일반적으로 콘크리트는 골재, 모래, 시멘트, 담수, 혼합재 등 다양한 재료로 구성되어있으며 재령에 따라서 강도가 증 가한다. 콘크리트에 필요한 각 재료의 비율은 혼합 설계를 통해 결정되지만, 콘크리트의 강도는 실험적으로 측정되기 전까지는 알 수 없다. 이러한 한계를 극복하기 위해 실험을 통해 얻은 데이터를 이용하여 콘크리트의 압축 강도를 예측하기 위해 통계수 학과 기계학습 알고리즘을 이용한 많은 연구가 시도되었다. 이전의 연구는 콘크리트 압축 강도 예측에 신경망 기법이 가장 적 합하다고 제안하였다. 그러나 신경망 기법은 다른 기계학습과 비교하여 모델 학습에 계산 비용이 많이 들어 실제로 적용하기 어려운 문제점이 있다. 최근 몇 년 동안 다양한 회귀 분석 모델이 개발되었으므로 본 연구에서는 신경망 대신 최신 회귀 분석 모델을 이용하여 콘크리트 강도 예측모델을 제시하였다. 이를 위해 최근 개발된 회귀 분석 모델에 대한 교차검증을 시행하여 최적의 모델을 선정하였다. 그리드 검색을 통하여 선정된 각 모델의 하이퍼 파라미터를 최적화하고, 국내외 데이터를 활용하여 기계학습 모델을 훈련하고 검증하였다. 이들 중 CatBoost, LGBMR, RFR, XGBoost 회귀모델이 높은 성능을 보여주었다. 특히 그 중에서 XGBoost 회귀 분석 모델이 가장 작은 오차와 높은 정확도를 보여주었다. 이들 중 오류가 가장 큰 LGBMR 모델도 이전 연구에서 제안된 신경망 및 앙상블 모델보다 성능이 우수하였다. 현장 레미콘 콘크리트에 대한 압축 강도 예측을 시행하여 학 습된 모델의 현장 적용 가능성을 확인하였다.

PURPOSES : The purpose of this study was to develop techniques for forecasting black ice using historical pavement temperature data collected by patrol cars and concurrent atmospheric data provided by the Korea Meteorological Administration. METHODS : To generate baseline data, the physical principle that ice forms when the pavement temperature is negative and lower than the dew-point temperature was exploited. To forecast frost-induced black ice, deep-learning algorithms were created using air, pavement, and dew point temperatures, as well as humidity, wind speed, and the z-value of the historical pavement temperature of the target segment. RESULTS : The suggested forecasting models were evaluated against baseline data generated by the above-mentioned physical principle using pavement temperature and atmospheric data gathered on a national highway in the vicinity of Young-dong in the Chungcheongbukdo province. The accuracies of the forecasting models for the bridge and roadway segments were 94% and 90%, respectively, indicating satisfactory results. CONCLUSIONS : Preventive anti-icing maintenance activities, such as applying anti-icing chemicals or activating road heating systems before roadways are covered with ice (frost), could be possible with the suggested methodologies. As a result, traffic safety on winter roads, especially at night, could be enhanced.

본 연구는 조위 관측자료를 이용하여 부산항에서의 장기 조위 자료를 생성하는 Long Short-Term Memory (LSTM)으로 구현된 순환신경망 모델을 개발하였다. 국립해양조사원의 부산 신항과 통영에서 관측된 조위 자료를 모델 입력 자료로 사용하여 부산항의 조위 를 예측하였다. 모델에 대하여 2019년 1월 한 달의 학습을 수행하였으며, 이후 2019년 2월에서 2020년 1월까지 1년에 대하여 정확도를 계 산하였다. 구축된 모델은 부산 신항과 통영의 조위 시계열을 함께 입력한 경우에 상관계수 0.997 및 평균 제곱근 오차 2.69 m로 가장 성 능이 높았다. 본 연구 결과를 바탕으로 딥러닝 순환신경망 모델을 이용하여 임의 항만의 장기 조위 자료 예측이 가능함을 알 수 있었다.

Among migratory insect pests, Mythimna seperata and Cnaphalocrocis medinalis are invasive pests introduced into South Korea through westerlies from southern China. M. seperata and C. medinalis are insect pests that use rice as a host. They injure rice leaves and inhibit rice growth. To understand the distribution of M. seperata and C. medinalis, it is important to understand environmental factors such as temperature and humidity of their habitat. This study predicted current and future habitat suitability models for understanding the distribution of M. seperata and C. medinalis. Occurrence data, SSPs (Shared Socio-economic Pathways) scenario, and RCP (Representative Concentration Pathway) were applied to MaxEnt (Maximum Entropy), a machine learning model among SDM (Species Distribution Model). As a result, M. seperata and C. medinalis are aggregated on the west and south coasts where they have a host after migration from China. As a result of MaxEnt analysis, the contribution was high in the order of Land-cover data and DEM (Digital Elevation Model). In bioclimatic variables, BIO_4 (Temperature seasonality) was high in M. seperata and BIO_2 (Mean Diurnal Range) was found in C. medinalis. The habitat suitability model predicted that M. seperata and C. medinalis could inhabit most rice paddies.

There are a number of methods to evaluate the quality of squid. However, when purchasing the fish, consumers and retails rely only on the sensory test and flavor in the field. Therefore, this study was aimed to prove relationship between scientific indicator and sensory test. Total viable cell count (TVC), viable cell count of Pseudomonas spp., pH and volatile basic nitrogen (VBN) were selected as scientific indicators and mesured during the storage of squid at different temperature. The squid was storaged at 3 different temperature (5oC, 15oC, 20oC). Off flavor determination time was measured by R-index, and kinetic modeling was conducted. Activation energies of offflavor determination time, TVC, Pseudomonas spp, VBN, and pH were 51.210 kJ/mol, 42.88 kJ/mol, 50.283 kJ/mol, 72.594 kJ/mol and 41.99 kJ/mol respectively. Activation energy of off-flavor determination time was approximated to viable cell count of Pseudomonas spp., TVC, pH and VBN as an order. Especially, viable cell count of Pseudomonas spp. had best match of the activation energy. Therefore, it was judged that indicator of off-flavor determine time was viable cell count of Pseudomonas spp..

본 연구는 데이터를 기반으로 한 인공지능 기계학습 기법을 활용하여 온실 내부온도 예측 시뮬레이션 모델을 개발을 수행 하였다. 온실 시스템의 내부온도 예측을 위해서 다양한 방법 이 연구됐지만, 가외 변인으로 인하여 기존 시뮬레이션 분석 방법은 낮은 정밀도의 문제점을 지니고 있다. 이러한 한계점 을 극복하기 위하여 최근 개발되고 있는 데이터 기반의 기계 학습을 활용하여 온실 내부온도 예측 모델 개발을 수행하였 다. 기계학습모델은 데이터 수집, 특성 분석, 학습을 통하여 개 발되며 매개변수와 학습방법에 따라 모델의 정확도가 크게 변 화된다. 따라서 데이터 특성에 따른 최적의 모델 도출방법이 필요하다. 모델 개발 결과 숨은층 증가에 따라 모델 정확도가 상승하였으며 최종적으로 GRU 알고리즘과 숨은층 6에서 r2 0.9848과 RMSE 0.5857℃로 최적 모델이 도출되었다. 본 연 구를 통하여 온실 외부 데이터를 활용하여 온실 내부온도 예 측 모델 개발이 가능함을 검증하였으며, 추후 다양한 온실데이 터에 적용 및 비교분석이 수행되어야 한다. 이후 한 단계 더 나아 가 기계학습모델 예측(predicted) 결과를 예보(forecasting)단 계로 개선하기 위해서 데이터 시간 길이(sequence length)에 따른 특성 분석 및 계절별 기후변화와 작물에 따른 사례별로 개발 모델을 관리하는 등의 다양한 추가 연구가 수행되어야 한다.

The water consumption data of individual consumers must be analyzed and forecast to establish an effective water demand management plan. A k-mean cluster model that can monitor water use characteristics based on hourly water consumption data measured using automated meter reading devices and demographic factors is developed in this study. In addition, the quantification model that can estimate the daily water consumption is developed. K-mean cluster analysis based on the four clusters shows that the average silhouette coefficient is 0.63, also the silhouette coefficients of each cluster exceed 0.60, thereby verifying the high reliability of the cluster analysis. Furthermore, the clusters are clearly classified based on water usage and water usage patterns. The correlation coefficients of four quantification models for estimating water consumption exceed 0.74, confirming that the models can accurately simulate the investigated demographic data. The statistical significance of the models is considered reasonable, hence, they are applicable to the actual field. Because the use of automated smart water meters has become increasingly popular in recent year, water consumption has been metered remotely in many areas. The proposed methodology and the results obtained in this study are expected to facilitate improvements in the usability of smart water meters in the future.

국내 주요 사회기반시설의 70% 이상이 철근콘크리트 구조물로 구성되어 있다. 최근 다양한 사회적ㆍ환경적 변화로 인한 내하력 저하 및 노후화 진행이 발생됨에 따라 섬유강화 복합소재(FRP)를 활용한 유지보수 수요 및 비용이 급격히 증가되 고 있다. 이에 따라 보다 경제적이고 효율적으로 FRP 보강재를 활용함에 있어서 성능을 예측할 수 있는 방법이 요구된다. 본 연구에서는 CFRPㆍBFRP 복합재료를 실험 대상으로 선정하고 성능을 결정하는 주요 인자인 섬유/수지 함침률을 54.3%, 43.9%, 39% 3가지로 분류하여 성능을 평가하고 이를 활용하여 FRP의 성능을 예측할 수 있는 모델식을 개발하고자 하였다. 매개변수에 따른 성능평가 결과, 두 섬유 모두 함침률이 낮아질수록 재료성능 또한 감소되는 것이 확인되었으며, 특히 BFRP의 경우 39%의 함침률에서 감소폭이 CFRP 대비 더 큰 것으로 나타났다. 실험 결과와 기존의 예측 모델식과의 성능 비교를 통해 약 15%의 오 차가 나타나는 것을 확인하였으며, 이에 따른 보정계수를 산정하여 예측 모델식을 재정립하였다.

Recently, not only traditional statistical techniques but also machine learning algorithms have been used to make more accurate bankruptcy predictions. But the insolvency rate of companies dealing with financial institutions is very low, resulting in a data imbalance problem. In particular, since data imbalance negatively affects the performance of artificial intelligence models, it is necessary to first perform the data imbalance process. In additional, as artificial intelligence algorithms are advanced for precise decision-making, regulatory pressure related to securing transparency of Artificial Intelligence models is gradually increasing, such as mandating the installation of explanation functions for Artificial Intelligence models. Therefore, this study aims to present guidelines for eXplainable Artificial Intelligence-based corporate bankruptcy prediction methodology applying SMOTE techniques and LIME algorithms to solve a data imbalance problem and model transparency problem in predicting corporate bankruptcy. The implications of this study are as follows. First, it was confirmed that SMOTE can effectively solve the data imbalance issue, a problem that can be easily overlooked in predicting corporate bankruptcy. Second, through the LIME algorithm, the basis for predicting bankruptcy of the machine learning model was visualized, and derive improvement priorities of financial variables that increase the possibility of bankruptcy of companies. Third, the scope of application of the algorithm in future research was expanded by confirming the possibility of using SMOTE and LIME through case application.

The color image of the brand comes first and is an important visual element that leads consumers to the consumption of the product. To express more effectively what the brand wants to convey through design, the printing market is striving to print accurate colors that match the intention. In ‘offset printing’ mainly used in printing, colors are often printed in CMYK (Cyan, Magenta, Yellow, Key) colors. However, it is possible to print more accurate colors by making ink of the desired color instead of dotting CMYK colors. The resulting ink is called ‘spot color’ ink. Spot color ink is manufactured by repeating the process of mixing the existing inks. In this repetition of trial and error, the manufacturing cost of ink increases, resulting in economic loss, and environmental pollution is caused by wasted inks. In this study, a deep learning algorithm to predict printed spot colors was designed to solve this problem. The algorithm uses a single DNN (Deep Neural Network) model to predict printed spot colors based on the information of the paper and the proportions of inks to mix. More than 8,000 spot color ink data were used for learning, and all color was quantified by dividing the visible light wavelength range into 31 sections and the reflectance for each section. The proposed algorithm predicted more than 80% of spot color inks as very similar colors. The average value of the calculated difference between the actual color and the predicted color through ‘Delta E’ provided by CIE is 5.29. It is known that when Delta E is less than 10, it is difficult to distinguish the difference in printed color with the naked eye. The algorithm of this study has a more accurate prediction ability than previous studies, and it can be added flexibly even when new inks are added. This can be usefully used in real industrial sites, and it will reduce the attempts of the operator by checking the color of ink in a virtual environment. This will reduce the manufacturing cost of spot color inks and lead to improved working conditions for workers. In addition, it is expected to contribute to solving the environmental pollution problem by reducing unnecessarily wasted ink.