Dynamic responses of nuclear power plant structure subjected to earthquake loads should be carefully investigated for safety. Because nuclear power plant structure are usually constructed by material of reinforced concrete, the aging deterioration of R.C. have no small effect on structural behavior of nuclear power plant structure. Therefore, aging deterioration of R.C. nuclear power plant structure should be considered for exact prediction of seismic responses of the structure. In this study, a machine learning model for seismic response prediction of nuclear power plant structure was developed by considering aging deterioration. The OPR-1000 was selected as an example structure for numerical simulation. The OPR-1000 was originally designated as the Korean Standard Nuclear Power Plant (KSNP), and was re-designated as the OPR-1000 in 2005 for foreign sales. 500 artificial ground motions were generated based on site characteristics of Korea. Elastic modulus, damping ratio, poisson’s ratio and density were selected to consider material property variation due to aging deterioration. Six machine learning algorithms such as, Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Artificial Neural Networks (ANN), eXtreme Gradient Boosting (XGBoost), were used t o construct seispic response prediction model. 13 intensity measures and 4 material properties were used input parameters of the training database. Performance evaluation was performed using metrics like root mean square error, mean square error, mean absolute error, and coefficient of determination. The optimization of hyperparameters was achieved through k-fold cross-validation and grid search techniques. The analysis results show that neural networks present good prediction performance considering aging deterioration.
Existing reinforced concrete (RC) building frames constructed before the seismic design was applied have seismically deficient structural details, and buildings with such structural details show brittle behavior that is destroyed early due to low shear performance. Various reinforcement systems, such as fiber-reinforced polymer (FRP) jacketing systems, are being studied to reinforce the seismically deficient RC frames. Due to the step-by-step modeling and interpretation process, existing seismic performance assessment and reinforcement design of buildings consume an enormous amount of workforce and time. Various machine learning (ML) models were developed using input and output datasets for seismic loads and reinforcement details built through the finite element (FE) model developed in previous studies to overcome these shortcomings. To assess the performance of the seismic performance prediction models developed in this study, the mean squared error (MSE), R-square (R2), and residual of each model were compared. Overall, the applied ML was found to rapidly and effectively predict the seismic performance of buildings according to changes in load and reinforcement details without overfitting. In addition, the best-fit model for each seismic performance class was selected by analyzing the performance by class of the ML models.
1개월과 3개월 장기 예보를 지원하기 위해 기상청에서 현업운용 중인 GloSea6 기후예측시스템에는 대기 중 대 기화학-에어로졸 물리과정(UKCA)이 연동되어 있지 않다. 본 연구에서는 저해상도의 GloSea6와 여기에 대기화학-에어로 졸 과정을 연동시킨 GloSea6-UKCA를 CentOS 기반 리눅스 클러스터에 설치하여 2000년 봄철에 대한 예비적인 예측 결과를 살펴보았다. 현업 고해상도 GloSea6 모델이 방대한 전산자원을 필요로 한다는 점을 고려할 때, 저해상도 GloSea6와 GloSea6-UKCA 모델은 대기화학-에어로졸 과정의 연동에 따른 효과를 살펴보기에 적합하다. 저해상도 GloSea6와 GloSea6-UKCA는 2000년 3월 1일 00Z부터 75일 간 구동되었으며, 두 모델이 예측한 2000년 4월 지상 기온과 일평균 강수량의 공간 분포를 ERA5 재분석자료와 비교하였다. GloSea6-UKCA가 예측한 기온과 강수 분포는 기존 GloSea6에 비해 ERA5 재분석자료에 보다 더 유사해졌다. 특히 우리나라를 포함한 동아시아 지역에 대해 과대 모의 경 향이 있던 봄철 지상 기온과 일평균 강수량의 예측 결과의 개선이 주목할 만하다. 또한 적분 시간에 따른 예측된 기온 과 강수량의 시계열에서도 GloSea6-UKCA가 GloSea6보다 재분석자료에 더 가까워진 시간 변화 경향을 살펴볼 수 있었 다. 이는 대기화학-에어로졸 과정이 GloSea6에 연동되었을 때 동아시아지역 봄철 예측 성능이 개선될 수 있음을 보여준다.
In this study, based on the saturation magnetic flux density experimental values (Bs) of 622 Fe-based bulk metallic glasses (BMGs), regression models were applied to predict Bs using artificial neural networks (ANN), and prediction performance was evaluated. Model performance evaluation was investigated by using the F1 score together with the coefficient of determination (R2 score), which is mainly used in regression models. The coefficient of determination can be used as a performance indicator, since it shows the predicted results of the saturation magnetic flux density of full material datasets in a balanced way. However, the BMG alloy contains iron and requires a high saturation magnetic flux density to have excellent applicability as a soft magnetic material, and in this study F1 score was used as a performance indicator to better predict Bs above the threshold value of Bs (1.4 T). After obtaining two ANN models optimized for the R2 and F1 score conditions, respectively, their prediction performance was compared for the test data. As a case study to evaluate the prediction performance, new Fe-based BMG datasets that were not included in the training and test datasets were predicted using the two ANN models. The results showed that the model with an excellent F1 score achieved a more accurate prediction for a material with a high saturation magnetic flux density.
본 연구에서는 2 016년부터 2 02 0년까지 내륙 관측소 중 안개 최다발 지역인 안동을 대상으로 XGBoost-DART 머신러닝 알고리즘을 이용하여 1 시간 후 안개 유무를 예측하였다. 기상자료, 농업관측자료, 추가 파생자료와 각 자료 를 오버 샘플링한 확장자료, 총 6개의 데이터 세트를 사용하였다. 목측으로 획득한 기상현상번호와 시정계 관측으로 측 정된 시정거리 자료를 각각 안개 유[1]무[0]로 이진 범주화하였다. 총 12개의 머신러닝 모델링 실험을 설계하였고, 안개 가 사회와 지역사회에 미치는 유해성을 고려하여 모델의 성능은 재현율과 AUC-ROC를 중심으로 평가하였다. 전체적으 로, 오버샘플링한 기상자료와 기상현상번호 기반의 예측 목표를 조합한 실험이 최고 성능을 보였다. 이 연구 결과는 머 신러닝 알고리즘을 활용한 안개 예측에 있어서, 목측으로 획득한 기상현상번호의 중요성을 암시한다.
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.
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.
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.
부공력감쇠는 풍직각방향의 와류공진을 예측하는데 있어서 매우 중요한 요소이다. 부공력감쇠는 진동유발하중 또는 피드백 하중을 구성하는 주요인자로 와류진동이 급격히 발현되는 현상을 설명하는 도구이기도 하다. 본 연구에서는 공력감쇠의 수학적 모델 을 제시하고 와류유발하중모델과 함께 와류진동을 예측하는 프러세스를 제안한다. 직사각형단면에 대한 공기력진동실험을 수행하여, 계측된 가속도로부터 공력감쇠와 와류유발하중을 추정하고 이에 기반하여 공력감쇠모델과 와류유발하중모델을 구축하는 과정을 다룬 다. 최종적으로 공력감쇠모델과 와류유발하중 모델에 대한 재해석을 통하여 가속도응답을 구하고 계측된 가속도와 비교하여 모델의 진동예측성능을 평가한다. 본 연구에서 제안된 와류하중모델의 진동예측성능을 평가한 결과 안정적이며, 신뢰도가 높은 와류진동예측 이 가능함을 알 수 있었다.
Algal bloom is an ongoing issue in the management of freshwater systems for drinking water supply, and the chlorophyll-a concentration is commonly used to represent the status of algal bloom. Thus, the prediction of chlorophyll-a concentration is essential for the proper management of water quality. However, the chlorophyll-a concentration is affected by various water quality and environmental factors, so the prediction of its concentration is not an easy task. In recent years, many advanced machine learning algorithms have increasingly been used for the development of surrogate models to prediction the chlorophyll-a concentration in freshwater systems such as rivers or reservoirs. This study used a light gradient boosting machine(LightGBM), a gradient boosting decision tree algorithm, to develop an ensemble machine learning model to predict chlorophyll-a concentration. The field water quality data observed at Daecheong Lake, obtained from the real-time water information system in Korea, were used for the development of the model. The data include temperature, pH, electric conductivity, dissolved oxygen, total organic carbon, total nitrogen, total phosphorus, and chlorophyll-a. First, a LightGBM model was developed to predict the chlorophyll-a concentration by using the other seven items as independent input variables. Second, the time-lagged values of all the input variables were added as input variables to understand the effect of time lag of input variables on model performance. The time lag (i) ranges from 1 to 50 days. The model performance was evaluated using three indices, root mean squared error-observation standard deviation ration (RSR), Nash-Sutcliffe coefficient of efficiency (NSE) and mean absolute error (MAE). The model showed the best performance by adding a dataset with a one-day time lag (i=1) where RSR, NSE, and MAE were 0.359, 0.871 and 1.510, respectively. The improvement of model performance was observed when a dataset with a time lag up of about 15 days (i=15) was added.
본 논문은 FRCM 공법으로 보강된 철근콘크리트 보의 휨 성능을 예측하기 위한 해석적 연구결과를 제시한다. FRCM 공법으로 보강된 철근콘크리트 보의 휨 성능 예측을 위해 상용구조해석 프로그램인 LS-DYNA를 이용하여 유한요소해석이 수행되었다. 유한요소해석시 콘크리트와 모르타르는 Solid 요소로 모델링 되었으며, 철근과 FRP 그리드는 각각 Beam 요소 및 Shell 요소로 모델링되었다. 또한, 콘크리트와 철근은 완전부착하는 것으로 가정되었으며, 콘크리트와 모르타르 경계면의 부착파괴를 모사하기 위하여 Contact_Tiebreak_Surface_to_Surface 요소가 사용되었다. 이후, 국내⋅외 여러 연구자들에 의해 수행된 실험의 재현해석을 통해 제안된 유한요소해석 모델의 신뢰성이 검증되었다. 실험결과와 해석결과의 파괴양상을 분석하였을 때, 본 연구에서 제안된 유한요소해석 모델은 실험체의 부착파괴를 적절히 모사할 수 있는 것으로 나타났다. 또한, 해석을 통해 예측된 극한 강도에 대한 실험결과의 비는 평균 1.04, 표준편차 0.064로 제안된 해석모델은 FRCM 공법으로 보강된 철근콘크리트 보의 휨 성능을 비교적 잘 예측할 수 있는 것으로 나타났다.
Recently, the importance of preventive maintenance has been emerging since failures in a complex system are automatically detected due to the development of artificial intelligence techniques and sensor technology. Therefore, prognostic and health management (PHM) is being actively studied, and prediction of the remaining useful life (RUL) of the system is being one of the most important tasks. A lot of researches has been conducted to predict the RUL. Deep learning models have been developed to improve prediction performance, but studies on identifying the importance of features are not carried out. It is very meaningful to extract and interpret features that affect failures while improving the predictive accuracy of RUL is important. In this paper, a total of six popular deep learning models were employed to predict the RUL, and identified important variables for each model through SHAP (Shapley Additive explanations) that one of the explainable artificial intelligence (XAI). Moreover, the fluctuations and trends of prediction performance according to the number of variables were identified. This paper can suggest the possibility of explainability of various deep learning models, and the application of XAI can be demonstrated. Also, through this proposed method, it is expected that the possibility of utilizing SHAP as a feature selection method.