This study proposes an improved method for updating finite element models (FEM) by incorporating the random field characteristics of concrete material properties in reinforced concrete structures. Traditional FEM often assumes homogeneous material properties, which can lead to significant discrepancies between predicted and actual dynamic responses, especially in structures where the Young’s modulus (E) of concrete varies due to factors like curing conditions, material composition, and construction methods. We employed a Gaussian random field model and a system identification (SI) technique to address this limitation to optimize sensor placement. We developed an FEM updating method that incorporates the spatial variability of concrete elasticity. This optimization allowed for a more accurate capture of dynamic properties across various structural locations, resulting in FEM updates that reflect concrete’s inherent heterogeneity. The proposed method was validated through numerical examples, comparing dynamic response accuracy in models before and after updating. Results demonstrated that error values, measured in terms of maximum value error and normalized root mean squared Error (NRMSE), were significantly reduced in the updated models compared to the pre-update model. This approach effectively addresses the limitations of homogeneous assumptions in FEM.

고속도로 2차 사고는 선행 사고(1차 사고) 또는 전방 고장 차량에 의해 교통흐름이 변화된 상황에서 발생하는 사고로, 이에 대한 효과적인 교통안전 관리전략이 필요하다. 그러나 일반사고에 비해 데이터 표본이 부족하여 신뢰성 있는 대응 전략 수립에 어려움이 있다. 본 연구는 고속도로에서 발생하는 2차 사고의 발생 주요 요인을 식별하고 예측하기 위해 BERT(Bidirectional Encoder Representations from Transformers) 기반 텍스트 분석 모델과 전통적 머신러닝 모델 (XGBoost, RandomForest, CatBoost)을 비교하였다. 교통사고 세부기록, 원클릭 속보자료 등 비정형 텍스트 및 정형 데 이터를 수집하고 1차 사고에 관한 시공간적 동적 변수를 통합하여 인공지능 기반의 사고 예측 프레임워크를 구축하였다. 특히, BERT 기반 모델을 통해 교통사고 문맥 정보를 고려하여 단어 삽입 및 대체 기법에 따른 2차사고 데이터 표본을 보완하였다. 또한, 설명가능한 AI(XAI) 기법을 활용하여 주요 사고 요인의 기여도를 시각적으로 해석하고 사고 예방 및 정책 수립에 필요한 정보를 제공하였다. 연구 결과, 제안된 하이브리드 접근법 기반 연구 프레임워크는 높은 정확도의 2 차 사고 발생 가능성 예측에 효과적이며, 교통사고관리시스템의 신뢰성과 효율성 향상에 핵심적인 기여를 할 것으로 기 대된다.

이 연구를 통해 우리나라에서 복원 중인 멸종위기종인 반달가슴곰(Ursus thibetanus ussuricus)의 식별을 위한 새로운 분자 marker 체계를 개발하였다. 전장 유전체 서열 정보를 사용하여, 20개의 새로운 미세부수체(Microsatellite, MS) marker가 다중 중합효소연쇄반응(PCR)을 기반으로 하는 유전자형 분석을 통해 개발되었다. 개발된 MS marker 20종의 대립유전자 수는 3개에서 10개였으며, 평균 대립유전자 수는 6.05개였다. 관측 이형접합도(Hobs), 기대 이형접합도(Hexp), 다형정보량(PIC)의 평균은 각각 0.683, 0.715, 0.658로 나타났다. Fis 값은 –0.385에서 0.438의 범위에 있었고, 평균은 0.052였다. 무작위 교배(PIrandom), 반형매 교배(PIhalf-sib), 전형매 교배(PIfull-sib)에서의 동일개체출현율은 각각 1.58×10-18, 2.79×10-14, 4.75×10-8를 나타내었다. 이 연구의 결과는 새로운 MS marker 체계가 높은 유전적 다양성과 낮은 PI 수치를 가지고 있어, 야생에서 출현하고 있는 반달가슴곰들을 식별하거나 새끼 곰의 부모 추적에 유용하게 사용될 것으로 생각된다. 이 분자 marker 체계는 한국에서 복원 중인 반달가슴곰 개체군의 관리와 유전적 다양성 증진에 기여할 수 있을 것으로 사료된다.

Until all vehicles are equipped with autonomous driving technology, there will inevitably be mixed traffic conditions that consist of autonomous vehicles (AVs) and manual vehicles (MVs). Interactions between AVs and MVs have a negative impact on traffic flow. Cloverleaf interchanges (ICs) have a high potential to cause traffic accidents owing to merging and diverging. Analyzing the driving safety of cloverleaf ICs in mixed traffic flows is an essential element of proactive traffic management to prevent accidents. This study proposes a comprehensive simulation approach that integrates driving simulation (DS) and traffic simulation (TS) to effectively analyze vehicle interactions between AVs and MVs. The purpose of this study is to identify hazardous road spots for a freeway cloverleaf IC by integrating DS and TS in mixed traffic flow. The driving behavior data of MVs collected through a DS were used to implement vehicle maneuvering based on an intelligent driver model in the TS. The driving behavior of the AVs was implemented using the VISSIM parameters of the AVs presented in the CoEXist project. Additionally, the market penetration rate of AVs, ranging from 10% to 90% in 10% increments, was considered in the analysis. Deceleration rate to avoid crashes was adopted as the evaluation indicator, and pinpointing hazardous spot technique was used to derive hazardous road spots for the cloverleaf IC. The most hazardous road spot was identified in the deceleration lane where greater speed changes were observed. Hazardous road spots moved downstream within the deceleration lane as traffic volumes increased based on level of service. The number of AVs decelerating stably increased as traffic increased, thereby improving the safety of the deceleration lane. These results can be used to determine the critical point of warning information provision for preventing accidents when introducing AVs.

This paper aims to introduce a case of improving the performance of aged naval ships' Identification Friend or Foe(IFF) equipment from Mode 4 to Mode 5, thereby enhancing operational capabilities and overcoming integration limitations. Since 2019, South Korea has been conducting a project to replace IFF equipment across the entire military, categorized into naval ship, air force aircraft, surveillance and reconnaissance, and protection. Among these, three naval classes without combat systems required not only an upgrade of their IFF equipment from Mode 4 to Mode 5 but also an integration capability that would allow them to maintain the same fire control procedures by linking with existing naval gun fire control systems. To implement this integration function, the signal processing methods of the existing IFF equipment were analyzed, and based on this, the integration function was implemented in a signal converter module. This paper is expected to serve as an important resource for future performance upgrades of internal equipment in aged naval ships.

현대에는 개인 연구자 대부분이 지식생산기관에 소속되어 지식생산기관의 유 형과 지식생산기관 간의 협력이 과학 지식생산에 미치는 영향이 높음에도 불구하고, 지식생 산기관이 정확히 식별되지 않아 과학 지식생산 과정을 실증적으로 파악하는 데는 한계가 있 다. 본 연구는 지식생산기관의 식별 정확도를 높이는 방법을 제안하였다. 구체적으로 디지털 헬스 분야의 PubMed 서지정보를 수집한 후 알고리즘을 적용하기 전 데이터 처리 단계에서 ‘맥락적 연결’을 활용하여 기관정보의 불완전성을 해소하고, 알고리즘 적용단계에서는 기관 명 모호성(IND)을 개선하는 방법을 제시하였다. 본 연구가 산출한 ‘지식생산기관 데이터셋’ 과 동일한 서지정보를 대상으로 하는 기존 공개 데이터셋인 ‘PKG datasets’을 비교했을 때, 본 연구가 제시한 방법은 지식생산기관 데이터셋에 포함된 대상 데이터 수를 2배로 증가시켰으며, 국가별 순위도 보다 정확하게 반영하였다. 또한 한국 지식생산기관의 디지털 헬스 분야 기여도가 과소 또는 과대 평가되고 있다는 사실도 발견하였다. 본 연구에서 제시한 방 법은 향후 과학지식을 생산하고 과학 혁신을 달성하는 데 있어 지식생신기관의 역할을 실증 적으로 연구하는 데 기여할 것으로 판단된다.

이 논문에서는 파랑 하중을 받는 부유식 구조체의 운동 해석에 있어서 시스템 식별 방법을 이용한 상태공간방정식 모델을 수립하 고 해석하는 방법을 제안하였다. 상태공간방정식 모델의 수립 방법으로는 주파수영역에서 하중-변위 입출력 관계에 대한 목표 전달 함수를 구하고 이에 가장 근접하는 상태공간방정식을 구하는 절차를 제시하였다. 전통적으로 부유식 구조체 운동의 시간영역 해석은 지연함수의 합성곱적분을 포함하는 Cummins 방정식을 시간적분하여 이루어진다. 상태공간방정식 모델은 이러한 시간영역해석을 효과적으로 수행하기 위한 방법의 하나로서 연구되어 왔다. 제안하는 방법에서는 시스템 식별방법인 N4SID 와 전달함수의 분모 및 분자 다항식의 계수를 설계변수로 하는 최적화방법을 사용하여 목표 전달함수에 상응하는 상태공간방정식을 구한다. 제안하는 방법 의 적용성을 보이는 예제로서 단자유도 수치모델 및 6자유도 바지의 운동을 해석하였다. 제시하는 상태공간방정식 모델은 주파수영 역 및 시간영역에서 모두 기존의 해석결과와 잘 일치하고 시간영역해석에서는 계산의 정확도를 확보하면서 계산 시간을 크게 줄일 수 있음을 확인하였다.

해상교통관제센터(VTS)의 관제사는 구역 내 교통 상황을 빠르고 정확하게 파악하여 관제가 필요한 선박에게 정보를 제공하는 역할을 수행한다. 그러나 교통량이 급격히 증가하는 경우 관제사의 업무 부하로 인해 관제 공백이 발생하기도 한다. 이러한 이유에서 관 제사의 업무 부하를 줄이고, 일관성 있는 관제 정보를 제공할 수 있는 관제 지원 기술의 개발이 필요한 실정이며, 본 논문에서는 구역 내 이상 운항 선박을 자동으로 식별하는 모델을 제안하였다. 제안하는 이상 운항 식별 모델은 규칙 기반 모델, 위치 기반 모델, 맥락 기반 모 델로 구성되며, 대상 해역의 교통 특성에 최적화된 교통 네트워크 모델을 사용하는 특징이 있다. 구현된 모델은 시범센터(대산항 VTS)에 서 수집되는 실해역 데이터를 적용하여 실험을 수행하였다. 실험을 통해 실해역의 다양한 이상 운항 상황이 자동으로 식별됨을 확인하였 고, 전문가 평가를 통해 식별 결과를 검증하였다.

외부하중을 받는 구조물로부터 계측된 신호의 파워 스펙트럴 밀도함수는 모달 파라미터(고유진동수, 감쇠비)에 대한 상당량 의 정보를 함축하고 있다. 시스템 식별기술은 이러한 신호나 해당 스펙트럼으로부터 모달 파라미터를 추출하는 기법이라고 볼 수 있 다. 파라미터를 추출하는 또 다른 기법으로는 샘플링(신호)을 이용하여한 확률분포의 모수(평균, 분산)를 추정하는 기법이다. 본 연구 에서는 파워 스펙트럼 밀도함수를 확률분포로 치환함으로써 기존 확률통계분야에서 모수를 추출하는 기법(최대우도법)에 의해 모달 파라미터를 추정하는 기법을 제안한다. 모드형상을 추정하는 기법을 개발하고 모드형상에 의해 분해된 모드응답으로부터 고유진동수, 고유감쇠비를 순차적으로 산정하는 기법을 제시한다. 더 나아가, 외부하중이 스펙트럼 해석모델로 치환 가능한 경우에는 이 하중모델 은 통합하여 모델 파라미터까지 산정하는 기법으로 확대한다. 본 연구에서 제시된 기법을 검증하기 위한 수치해석과 실구조물의 응답 에 대한 적용이 이루어졌으며, 검증결과 제안된 모드식별체계가 안정적이며, 신뢰도가 높은 모달파라미터 추정이 가능함을 알 수 있었다.

냉매 오충전은 에어컨에서 빈번하게 발생하는 고장 모드 중 하나로, 적정 충전량 대비 부족 및 과충전 모두 냉방 성능의 저하를 유 발하므로 충전된 냉매량을 정확하게 판단하는 것이 중요하다. 본 연구에서는 퍼지 군집화 기법을 통한 정상상태 식별을 통해 냉매 오 충전량을 다중 분류하는 모델을 개발하였다. 정상상태 식별을 위해 에어컨 운전 데이터에 대해 이동 평균 간의 차이를 활용한 퍼지 군 집화 알고리즘을 적용하였으며, IFDR를 통해 기존 연구된 정상상태 판단 기법들과 식별 결과를 비교하였다. 이후, 시스템 내 상관성 을 고려한 mRMR을 이용해 특징을 선택하였으며, 도출된 특징을 이용해 SVM 기반의 다중 분류 모델이 생성되었다. 제안된 방법은 시험 데이터를 통해 만족할 만한 분류 정확도와 강건성을 도출하였다.

국제해사기구에서는 해상에서의 선박의 충돌방지와 그로 인한 해양환경의 보호를 목적으로 1993년 11월 선박조종성능에 대 한 잠정지침을 채택한 이후, 축적된 데이터를 바탕으로 2002년 12월 선박조종성능에 대한 확정된 지침을 채택하였다. 하지만 채택된 지침은 만재상태, 등흘수 및 선박의 최대 출력(MCR)의 85 %에 해당되는 선속의 최소 90 % 이상에서의 지침으로, 동 지침은 항해사에게 필요한 실 항해조건에서의 조종성능 정보를 제공하는 데 한계가 있다. 따라서 본 연구에서는 항해사, 선장 및 선박조종에 대한 식견을 갖추고 있는 전문가를 대상으로 빈도분석과 AHP 분석기법을 실시하여 현 지침에 대한 활용도 및 실제 선박조종에 필요한 정보가 무 엇인지를 식별하였다. 연구결과 선박을 운항하는 항해사에게 필요한 조종성능 정보는 5~10°의 소각도에서의 선회권 정보, 항해속력(Sea speed)이 아닌 조종속력(Maneuvering speed)에서의 z-test 정보라는 것을 확인하였고, 속도제어 관련하여서는 항해속력 및 만재상태에서의 정지성능에 대한 정보보다 감속타력, 가속타력 등에 대한 정보가 더 필요하다는 것을 확인하였다. 도출된 결과는 선박을 조종하는 항 해사에게 필요한 선박조종성능기준 지침마련에 대한 기초자료로 활용도가 높을 것으로 사료된다.

Artificial intelligence is driving the Fourth Industrial Revolution and is in the spotlight as a general-purpose technology. As the data collection from the battlefield increases rapidly, the need to us artificial intelligence is increasing in the military, but it is still in its early stages. In order to identify maritime targets, Republic of Korea navy acquires images by ISAR(Inverse Synthetic Aperture Radar) of maritime patrol aircraft, and humans make out them. The radar image is displayed by synthesizing signals reflected from the target after radiating radar waves. In addition, day/night and all-weather observations are possible. In this study, an artificial intelligence is used to identify maritime targets based on radar images. Data of radar images of 24 maritime targets in Republic of Korea and North Korea acquired by ISAR were pre-processed, and an artificial intelligence algorithm( ResNet-50) was applied. The accuracy of maritime targets identification showed about 99%. Out of the 81 warship types, 75 types took less than 5 seconds, and 6 types took 15 to 163 seconds.