Recently, traffic accidents have continued to occur due to the failure to secure a safe distance for trucks. Unlike passenger cars, freight cars have a large fluctuation in the weight of the vehicle's shaft depending on the load, and the fatality of accidents and the possibility of accidents are high. In this study, a braking distance prediction model according to the driving speed and loading weight of a three-axis truck was implemented to prevent a forward collision accident. Learning data was generated based on simulation, and a prediction model based on machine learning was implemented to finally verify accuracy. The extra trees algorithm was selected based on the most frequently used R2 Score among regression analyses, and the accuracy of the braking distance prediction model was 98.065% through 10 random scenarios.

본 연구는 화재진압 및 피난활동을 지원하는 딥러닝 기반의 알고리즘 개발에 관한 기초 연구로 선박 화재 시 연기감지기가 작동하기 전에 검출된 연기 데이터를 분석 및 활용하여 원격지까지 연기가 확산 되기 전에 연기 확산거리를 예측하는 것이 목적이다. 다음과 같은 절차에 따라 제안 알고리즘을 검토하였다. 첫 번째 단계로, 딥러닝 기반 객체 검출 알고리즘인 YOLO(You Only Look Once)모델에 화재시뮬레이션을 통하여 얻은 연기 영상을 적용하여 학습을 진행하였다. 학습된 YOLO모델의 mAP(mean Average Precision)은 98.71%로 측정되었으며, 9 FPS(Frames Per Second)의 처리 속도로 연기를 검출하였다. 두 번째 단계로 YOLO로부터 연기 형상이 추출된 경계 상자의 좌표값을 통해 연기 확산거리를 추정하였으며 이를 시계열 예측 알고리즘인 LSTM(Long Short-Term Memory)에 적용하여 학습을 진행하였다. 그 결과, 화재시뮬레이션으로부터 얻은 Fast 화재의 연기영상에서 경계 상자의 좌표값으로부터 추정한 화재발생~30초까지의 연기 확산거리 데이터를 LSTM 학습모델에 입력하여 31초~90초까지의 연기 확산거리 데이터를 예측하였다. 그리고 추정한 연기 확산거리와 예측한 연기 확산거리의 평균제곱근 오차는 2.74로 나타났다.

본 연구에서는 지진 발생 시, 진앙으로부터 원거리 지역에 위치하거나 연약지반에 위치한 구조물에 영향을 줄 수 있는 장주기 성분 지진에 대한 예측 거리산정식을 분석하였다. 장주기 성분 지진에 관한 대표적인 피해 사례로는 멕시코시티지진(1985), 토카치오키지진(2003), 동일본대지진(2011) 등이 있으며, 일반 지진의 경우에서 볼 수 없는 다른 피해 양상이 나타났다. 이러한 장주기 성분 지진에 대해서는 연구된 바가 거의 없는 실정으로, 본 연구에서는 세계 각지에서 발생한 실제 지진기록에 대한 DB를 구축하고, 이를 분석하여 장주기 성분 지진의 도달거리 범위, 도달거리에 따른 최대지반가속도의 변화 등에 관한 분석을 실시하였다.

The new empirical static model was constructed on the basis of dimension analysis to predict the pressure drop according to the operating conditions. The empirical static model consists of the initial pressure drop term (N dust = ω0υf / P pulse t) and the dust mass number term (Δp initial), and two parameters (dust deposit resistance and exponent of dust mass number) have been estimated from experimental data. The optimum injection distance was identified in the 64 experimental data at the fixed filtration velocity and pulse pressure. The dust deposit resistance (K d), one of the empirical static model parameters got the minimum value at , d=0.11m, at which the total pressure drop was minimized. The exponent of dust mass number was interpreted as the elasticity of pressure drop to the dust mass number. The elasticity of the unimodal behavior had also a maximum value at , d=0.11m, at which the pressure drop increased most rapidly with the dust mass number. Additionally, the correlation coefficient for the new empirical static model was 0.914.