장대교량은 낮은 고유진동수와 감쇠비를 가지는 초유연구조물로 진동사용성 문제에 취약하다. 하지만 현재 국내 설계지침에서는 풍속이나 진폭에 대한 임계값을 기반으로 유해진동 발생 여부를 평가하고 있다. 본 연구에서는 장대교량에서 발생하는 유해진동을 보다 정교하게 식별하기 위하여 딥러닝 기반 신호분할 모델을 활용한 데이터 포인트 단위의 와류진동 식별 방법론을 제안한다. 특별 히 포락선을 가지는 사인파를 활용하여 와류진동에 해당하는 데이터를 합성함으로써 모델 구축에 필수적인 와류진동 데이터 획득 및 라벨링 과정을 대체하였다. 이후 푸리에 싱크로스퀴즈드 변환를 적용하여 시간-주파수 특징을 추출하여 신경망의 인풋 데이터로 사 용하였다. 합성데이터만을 이용하여 양방향 장단기 기억신경망(Bidirectional Long-Short-Term-Memory) 모델을 훈련하였고 이를 라 벨 정보를 포함한 실제 사장교의 계측데이터를 이용하여 학습한 모델과 비교하여 모델의 실시간 와류진동 식별 성능을 검증하였다.

본 연구는 실시간 원격수업에서 학생들의 학습 장애 요인을 분석하고, 그러한 장애 요인을 해소 할 수 있는 수업을 설계하였으며, 이를 실제로 적용한 사례 연구이다. 2015 개정 교육과정에서 강조 하고 있는 ‘역량’을 함양할 수 있는 실시간 원격수업을 계획하였다. 이 수업은 개별 한자의 모양·음· 뜻과 필순에 대한 지식 암기가 아니라, 한자 정보를 찾아 활용할 수 있는 능력을 함양하는 데에 있다고 할 수 있다. 이를 위해 학생들이 실시간 원격수업에서 겪은 학습 장애 요인을 조사하였다. 응답 내용은 ‘집중’, ‘기술’, ‘학습’, ‘소통’, ‘피로’, ‘흥미’, ‘기타’ 등으로 분류할 수 있었다. 이러한 학습 장애 요인에 대한 개선 방안은 수업의 내적 요인과 수업의 외적 요인으로 나누어 살펴볼 수 있다. 수업의 내적 요인으로는 ‘학습, 흥미’의 문제, 수업의 외적 요인은 ‘집중, 기술, 소통, 피로’의 문제이다. 학습 부담이나 학습 부진에 관한 문제는 화상회의 플랫폼을 통하여 실시간 쌍방향 원격수업 실시, 학습량 적정화 등으로 개선 방안을 모색하고, 흥미는 대면 수업에서 친구들 과 함께 수업 듣는 분위기 조성 등으로 개선 방안을 찾는다. 집중은 활동 중심의 실시간 원격수업, 기술은 학습 플랫폼 오류에 대비한 대체 수단 마련, 소통은 실시간 쌍방향 수업과 피드백 강화, 피로는 일과 시간의 변경 등을 통해 개선 방안을 찾는다. 이러한 응답 내용을 토대로 학생들이 집중할 수 있는 활동 중심 한문 수업, 수업 시간 동안 해결 할 수 있는 적절한 학습량의 과제 제시를 통해 학습 부담 감소, 교사와 소통할 수 있는 채널 확보, 흥미를 가질 수 있는 요소를 가미한 수업 방안을 강구하였다. 기술적인 문제나 피로는 개별 교과에서 해결할 수 없는 문제이기 때문에 수업 구성의 고려 사항에서 제외하였다. 중학교 1학년의 학년 초에 실시한 수업이기 때문에 한자 영역을 대상으로 하였다. 수업은 ‘학습지 제공 → 신습 한자 선택 → 인터넷 사전 검색 → 필순에 따라 한자 쓰기 → 한자를 선택한 이유 쓰기’ 순서로 진행하였다. 처음 한자를 써보는 학생들이 다수였지만, 대부분 정해진 시간 안에 한자의 모양을 정확하게 작성하 였다. 일부 학생은 정해진 수업 시간 동안 학습지를 완성하지 못하였다. 원격수업에서 수업 환경은 교실에서 대면으로 이루어졌던 학교 수업을 그대로 온라인으로 옮겨가는 것이 아니라, 본질적인 수업 방법의 변화가 있어야 할 것이다.

The leading source of occupational fatalities is a portable ladder in Korea because it is widely used in industry as work platform. In order to reduce victims, it is necessary to establish preventive measures for the accidents caused by portable ladder. Therefore, this study statistically analyzed injury death by portable ladder for recent 10 years to investigate the accident characteristics. Next, to monitor wearing of safety helmet in real-time while working on a portable ladder, this study developed an object detection model based on the You Only Look Once(YOLO) architecture, which can accurately detect objects within a reasonable time. The model was trained on 6,023 images with/without ladders and safety helmets. The performance of the proposed detection model was 0.795 for F1 score and 0.843 for mean average precision. In addition, the proposed model processed at least 25 frames per second which make the model suitable for real-time application.

본 연구는 실시간 온라인으로 진행되는 학부 교양 초급 한국 어 수업에서 강의식 수업과 플립 러닝식 수업을 실시하고 각 수업 방 식에 대한 학습자 인식 및 수업 효율성을 살펴보는 데 목적이 있다. 이를 위해 ZOOM에서 8주간 각 수업 방식을 적용한 한국어 수업을 진행하고 사후 설문 조사를 실시하였다. 그 결과 학습자들은 강의식 수업보다는 플립 러닝식 수업에 긍정적인 반응을 보였으며, 강의식 수 업에서는 ‘어휘 및 문법’ 영역, 플립 러닝식 수업에서는 ‘듣기, 읽기, 쓰 기, 말하기’ 영역의 수업 효율성이 높게 나타났다. 이에 실시간 온라인 으로 진행되는 초급 한국어 수업의 효율을 높이기 위해서는 수업 환 경과 언어 영역의 특성을 고려한 혼합된 수업 방식이 필요할 것이다.

본 연구의 목적은 결혼이민자 대상 한국어 온라인 수업 현황을 살펴보고 학습자들의 수업 만족도와 인식을 조사하여 앞 으로 교육 방안을 모색하는 데에 있다. 이를 위해 2년 동안 진행 된 다문화센터 한국어 수업을 조사하고, 학습자를 대상으로 1차 만족도 조사, 2차 면담 조사를 하며 수업 형태 변화에 대한 의견 을 모색하였다. 그 결과 학습자들의 매체 활용 능력은 우수하였고 온라인 수업 만족도도 높았다. 온라인 수업은 육아와 가정생활을 함께 할 수 있다는 것을 장점으로 꼽았다. 단점은 집중력 저하, 의사소통 부족 등이라고 하였다. 온라인과 대면 수업을 병행한다 면 온라인 수업은 ‘토픽, 귀화, 쓰기’ 등 이해 중심 수업, ‘회화, 발음, 문화 특강’ 등은 교실 대면 수업으로 진행하는 것이 효과적일 것이다.본 연구를 통해 결혼이민자의 한국어 온라인 수업 방향에 대한 논의가 이루어지기를 기대한다.

Collecting a rich but meaningful training data plays a key role in machine learning and deep learning researches for a self-driving vehicle. This paper introduces a detailed overview of existing open-source simulators which could be used for training self-driving vehicles. After reviewing the simulators, we propose a new effective approach to make a synthetic autonomous vehicle simulation platform suitable for learning and training artificial intelligence algorithms. Specially, we develop a synthetic simulator with various realistic situations and weather conditions which make the autonomous shuttle to learn more realistic situations and handle some unexpected events. The virtual environment is the mimics of the activity of a genuine shuttle vehicle on a physical world. Instead of doing the whole experiment of training in the real physical world, scenarios in 3D virtual worlds are made to calculate the parameters and training the model. From the simulator, the user can obtain data for the various situation and utilize it for the training purpose. Flexible options are available to choose sensors, monitor the output and implement any autonomous driving algorithm. Finally, we verify the effectiveness of the developed simulator by implementing an end-to-end CNN algorithm for training a self-driving shuttle.

As the development of autonomous vehicles becomes realistic, many automobile manufacturers and components producers aim to develop ‘completely autonomous driving’. ADAS (Advanced Driver Assistance Systems) which has been applied in automobile recently, supports the driver in controlling lane maintenance, speed and direction in a single lane based on limited road environment. Although technologies of obstacles avoidance on the obstacle environment have been developed, they concentrates on simple obstacle avoidances, not considering the control of the actual vehicle in the real situation which makes drivers feel unsafe from the sudden change of the wheel and the speed of the vehicle. In order to develop the ‘completely autonomous driving’ automobile which perceives the surrounding environment by itself and operates, ability of the vehicle should be enhanced in a way human driver does. In this sense, this paper intends to establish a strategy with which autonomous vehicles behave human-friendly based on vehicle dynamics through the reinforcement learning that is based on Q-learning, a type of machine learning. The obstacle avoidance reinforcement learning proceeded in 5 simulations. The reward rule has been set in the experiment so that the car can learn by itself with recurring events, allowing the experiment to have the similar environment to the one when humans drive. Driving Simulator has been used to verify results of the reinforcement learning. The ultimate goal of this study is to enable autonomous vehicles avoid obstacles in a human-friendly way when obstacles appear in their sight, using controlling methods that have previously been learned in various conditions through the reinforcement learning.

Solar radiation forecasts are important for predicting the amount of ice on road and the potential solar energy. In an attempt to improve solar radiation predictability in Jeju, we conducted machine learning with various data mining techniques such as tree models, conditional inference tree, random forest, support vector machines and logistic regression. To validate machine learning models, the results from the simulation was compared with the solar radiation data observed over Jeju observation site. According to the model assesment, it can be seen that the solar radiation prediction using random forest is the most effective method. The error rate proposed by random forest data mining is 17%.