산업의 고도화와 정밀함이 진행됨에 따라 공정과 부품의 수분 제어 기술의 중요도가 높아지고 있다. 이에 낮은 운영, 설치비용, 항상성 유지, 신뢰성이 확보된 고효율 제습 기술의 개발이 요구된다. 멤브레인 콘덴서는 고효율의 제습기술 로 주목받고 있으며, 무기막을 활용할 경우 가혹한 환경에 적용시킬 수 있을 것으로 기대된다. 소수성 미세다공성 물질인 실 리카라이트-1 (silicalite-1)과 친수성 메조다공성 물질인 γ-알루미나를 이용하여 재료물질의 기공 크기에 따른 멤브레인 콘덴 서의 성능을 비교하였다. 수열합성 및 이차성장을 통해 실리카라이트-1/α-알루미나 멤브레인 콘덴서을 제조하였으며, 보헤마 이트 졸 기법(boehmite sol-gel method)으로 합성한 후 실란코팅을 통해 소수성 개질된 γ-알루미나/α-알루미나 멤브레인 콘 덴서를 제조하였다. 수분 응축 실험을 진행한 결과, 실리카라이트-1/α-알루미나 멤브레인 콘덴서는 36.5%의 수분 제거율을 보였으며, γ-알루미나/α-알루미나 멤브레인 콘덴서는 51.4%의 수분 제거율을 보였다. 이는 메조 기공을 갖는 기공구조가 제 습성능에 영향을 미치는 중요한 요소임을 시사하며, γ-알루미나가 경제적 이점을 제공할 뿐만 아니라 우수한 성능을 나타내 어 산업용 제습 응용 분야를 위한 멤브레인 콘덴서에 적합한 물질로 보인다.

제올라이트, 특히 ZSM-5는 독특한 구조와 분자 체 특성으로 인해 산업적으로 매우 유용하며, 우수한 가스 분리 및 투과 증발 성능으로 높은 평가를 받고 있다. 그러나 ZSM-5 막의 제조 공정을 일관되게 재현하는 것은 여전히 도전 과제 로 남아 있다. 본 연구는 수열합성 조건(합성 시간: 24~72 h, 온도: 180~220°C)을 제어하고, 다양한 알루미나 지지체 비교하 며, 수열 처리 시 유기 구조유도체의 영향 분석을 통해 ZSM-5 막 제조의 신뢰성 향상을 목표로 하였다. 연구 결과, 합성 온 도 및 시간의 변화는 막 두께나 결정 크기에 큰 영향을 미치지 않았으나, 180°C에서 48 h 합성 조건에서 가장 우수한 가스 투과 성능이 나타났다. 다양한 알루미나 지지체 중에서는 N5 α-알루미나 모세관 지지체가 가장 높은 투과도를 나타내었다. 또한, 유기 구조유도체인 테트라프로필 암모늄 브로마이드(tetrapropylammonium bromide, TPABr)의 존재는 합성의 신뢰성에 상당한 영향을 미치는 것으로 확인되었다. 가스 투과 성능 평가 결과, 본 ZSM-5 막은 SF₆에 비해 N2 및 CO2에 대해 선택적 인 투과 특성을 보였으며, TPABr을 사용하여 합성한 막은 CO2/N2 선택도(α)가 약 4.6으로 나타났다.

10년 동안 경남 진주에서 수행된 야외 노출 시험은 실외 접지 환경(H4)에서 Alkaline Copper Quaternary(ACQ)로 방부 처리된 화이트 스프루스 (Picea glauca)의 사용 가능성을 보여주었으나, 10년이 경과하면서 일부 목재 시편에서 목재 부후균에 의한 가해가 관찰되었다. 부후 원인을 종합적으로 평가하기 위해 야외 노출 시험을 종료한 후 목재 시편들의 부후 상태를 조사하였으며 또한 목재 시편 내 방부제 유효 성분의 보유량 및 침윤도를 측정하였다. 스프루스 방부목의 약제 보유량은 국내 방부목 품질 기준(보유량: 5.2kg/m3 이상)을 충족하였으며, 변재 부위는 대부분 균일한 방부 처리를 보였다. 그러나 심재의 경우 자상 처리에도 불구하고 국내 방부목 품질 기준에서 규정하고 있는 최소 침윤 깊이인 8 mm를 충족하지 못하였다. 대부분의 목재 부후는 할렬의 발생에 의해 방부 처리되지 않은 심재의 미처리 부위가 노출됨에 의해 발생하였으며, 토양과 접한 지접부에서 할렬 발생이 다른 부위에 비해 상대적으로 많았는데, 이는 지상부나 지하부에 비해 수분의 이동이 용이하여 목재의 수축과 팽창 발생이 용이하기 때문인 것으로 판단된다. 이상의 결과로부터 H4에서 스프루스 방부목은 자상 처리를 하더라도 방부제가 깊이 침투되지 않는 심재의 특성 때문에 10년 이상의 사용 안전성을 요구하는 산업적인 용도로는 적합하지 않다고 할 수 있다.

Recently, steel dampers are widely used as seismic reinforcement devices. Steel dampers have the advantage of being easy to manufacture and being able to absorb a lot of energy through stable hysteresis behavior. However, there is a possibility that the steel damper may be damaged due to fatigue caused by repeated seismic loads. In this study, the seismic performance of steel slit dampers and engineering plastic slit dampers with different physical characteristics were compared and analyzed. It can be seen that the yield load of the steel slit damper, which has relatively high rigidity, is much larger than that of the engineering plastic slit damper. Therefore, the engineering plastic damper is more effective when applied to a structure that experiences a large displacement rather than a structure that experiences a large load.

최근 지구온난화로 인한 피해가 심각해짐에 따라 화석연료 사용을 줄이고자 친환경 수소 에너지의 활용이 증가하고 있다. 이에 따라 수소의 저장 및 운송을 위한 수소 저장 용기의 수요가 확대되고 있으나, 현재 널리 사용되고 있는 강재 기반 저장 용기는 부식과 같은 내구성 저하 현상에 취약하다. 따라서 선행 연구는 지지부 부식에 따른 내진 성능 저하 문제를 해결하기 위해 부식 저항성 이 뛰어난 CFRP를 지지부 기둥을 적용하여 설계 하중에서 적용성을 검토하였다. 이때 본 연구는 CFRP의 강도-중량비가 높음을 고려 하여 기존 강재 구조물 지지부 ㄱ 단면 대비 높은 강성을 가진 H 단면과 ㅁ 단면을 지지부 기둥에 적용하여 연구를 수행하였다. 이때 실제와 가까운 해석 결과를 도출하기 위해 고유진동수 추출해석을 진행하여 감쇠 계수를 적용 시켰고, AC 156 인공 지진을 설계 하중 으로 적용한 결과, ㅁ 단면을 적용한 강재 기둥의 접합부 응력은 222.34 MPa로 기존 ㄱ 형강 대비 78.93%로 설계 하중에 만족함을 보였다. ㅁ 단면 적용 CFRP 기둥은 파손 지수(DI)를 통해 평가하였고, 이때 최대 DI는 수지 인장에서 발생하였으며, 그 값은 0.708로 파괴 기준 대비 29.2% 낮아 설계 하중에 만족함을 보였다. 또한, 기초 슬래브에서 쪼갬 인장 응력과 휨 인장 응력을 통한 평가를 진행 하였고, 현장 실험 결과와 마찬가지로 설계 하중에 휨 인장 파괴가 발생하는 것으로 확인하였다. 하지만 파단 시점은 CFRP에서 1.54배 오래 설계 하중에 견디는 것을 확인하여, 그 적용성을 확인하였다. 결론적으로 지진의 발생 빈도가 높아짐에 따라 수소 저장 용기의 안전성 확보가 시급하다. 따라서 기존 강재 대상 구조물의 부식으로 인한 강성 저하 문제를 해결하기 위해, 높은 내구성 및 부식 저항성 재료의 적용은 필수적이다. 동시에 기초 슬래브의 안전성 확보에 대한 연구가 추가적으로 수행되어야 한다.

Fault detection in electromechanical systems plays a significant role in product quality and manufacturing efficiency during the transition to smart manufacturing. Because collecting a sufficient number of datasets under faulty conditions of the system is challenging in practical industrial sites, unsupervised fault detection methods are mainly used. Although fault datasets accumulate during machine operation, it is not straightforward to utilize the information it contains for fault detection after the deep learning model has been trained in an unsupervised manner. However, the information in fault datasets is expected to significantly contribute to fault detection. In this regard, this study aims to validate the effectiveness of the transition from unsupervised to supervised learning as fault datasets gradually accumulate through continuous machine operation. We also focus on experimentally analyzing how changes in the learning paradigm of the deep learning model and the output representation affect fault detection performance. The results demonstrate that, with a small number of fault datasets, a supervised model with continuous outputs as a regression problem showed better fault detection performance than the original model with one-hot encoded outputs (as a classification problem).

Existing reinforced concrete buildings with seismically deficient columns experience reduced structural capacity and lateral resistance due to increased axial loads from green remodeling or vertical extensions aimed at reducing CO2 emissions. Traditional performance assessment methods face limitations due to their complexity. This study aims to develop a machine learning-based model for rapidly assessing seismic performance in reinforced concrete buildings using simplified structural details and seismic data. For this purpose, simple structural details, gravity loads, failure modes, and construction years were utilized as input variables for a specific reinforced concrete moment frame building. These inputs were applied to a computational model, and through nonlinear time history analysis under seismic load data with a 2% probability of exceedance in 50 years, the seismic performance evaluation results based on dynamic responses were used as output data. Using the input-output dataset constructed through this process, performance measurements for classifiers developed using various machine learning methodologies were compared, and the best-fit model (Ensemble) was proposed to predict seismic performance.