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.

정확한 선박 항적 예측은 선박의 충돌 회피 전략 수립과 자율운항 선박의 안전 운항에 중요한 요소이다. MMG(Maneuvering Modeling Group) 모델이나 CFD(Computational Fluid Dynamics)를 활용하여 선박 항적을 계산할 수 있지만, 계산을 위한 선박의 정확한 계 수등을 확보하는 것은 현실적으로 어렵다. 이에 대한 대안으로, LSTM(Long Short-Term Memory)과 같은 인공지능을 활용한 항적 예측 연 구가 진행되고 있다. 그러나 LSTM 단독으로는 선박의 복잡한 비선형적 움직임을 완벽히 예측하는데 한계가 있다. 예측 정확도를 향상 시키기 위해 본 연구에서는 STL-CNN-LSTM 하이브리드 모델을 제안한다. 이 모델은 STL (Seasonal and Trend decomposition using Loess)을 이용한 데이터를 분해하고, CNN(Convolutional Neural Network)을 활용한 데이터의 특징 추출, 그리고 LSTM을 통한 학습이 이뤄진다. 이 연구는 CNN-LSTM에 비해 얼마나 더 높은 항적 예측도를 보여주는지 비교 분석한다. 분석 결과, STL-CNN-LSTM 모델은 CNN-LSTM보 다 우수한 예측 성능을 보이며, 예측 오차는 1~5미터 범위 내에 있는 것으로 나타났다. 이러한 연구 결과는 정밀한 충돌 회피 전략 개 발에 기여할 수 있으며, 향후 연구에서는 실무 적용을 위한 충돌회피 모델의 설계 고도화 연구에 적용될 것이다.

해양오염사고가 발생하면 해양경찰청에서는 긴급방제에 관한 전략 수립을 위해 유출유 확산 예측모델을 구동한다. 이러한 유출유 확산예측모델은 바람, 해류, 조류 등 해양기상을 기반으로 해상에서 유출유 이동방향과 소멸시간 등을 예측하며, 그 결과를 기 반으로 해양경찰청에서는 방제전략을 수립하고 필요한 방제자원을 동원한다. 이뿐만 아니라 유출유 확산예측모델은 해양경찰청의 해 양환경에 관한 다양한 법률 분야와 연계된 형사법 작용의 기술적 근거를 제공한다. 우선 행정법적 측면에서 해양경찰청이 방제의무자 에게 이행하도록 하는 권력적 행정행위로서의 방제명령 등에 대한 비례성 원칙에 부합하는지를 확인할 수 있고, 이는 행정의무 미이행 에 대한 형사법 작용의 전제 요건이 될 수 있다. 그리고 국제법적 측면에서 관할해역 이원에서 발생한 오염에 대해 국가의 개입여부를 판단할 수 있는 근거를 제공하고, 이는 형사관할권에 대한 판단에 있어 기술적 자료가 될 수 있다. 더불어 형사법적 측면에서는 예측 모델은 해양오염과 유출원 사이의 인과관계를 증명하는 방법으로 활용할 수도 있다. 그리고 기후위기로 친환경선박이 도입되고, 이에 따라 해양오염사고는 인명과 환경에 함께 피해를 주는 복합사고 형태로 변화할 것이다. 이에 따라서 기술적 측면에서 기존 해상에서의 유출유 예측모델은 대기ㆍ해양ㆍ수중에 대한 통합모델로 전환되어야 한다. 그리고 제도적 측면에서 친환경선박의 위험 연료에 대한 관리의무 규정을 마련하여야 하고, 의무이행을 위한 형사정책적 측면에서는 위험연료 유출로 해양환경 위해가 있는 경우에 형사벌 대 상이 될 수 있다. 여기서 통합모델은 환경ㆍ안전이 관한 보호법익 침해를 증명하는 과학적 증거로 활용할 수 있다.

This study evaluated the short- and long-term prediction performances of a transformer-based trajectory-forecasting model for urban intersections. While a previous study focused on developing the basic structure of a transformer model for future trajectory prediction, the present study aimed to determine a practical prediction sequence length. To this end, multiple transformer models were trained with output sequence lengths ranging from 1 s to 10 s, and their performances were compared. The trajectory data used for training were generated through a microscopic traffic simulation, and the model accuracy was assessed using the metrics average displacement error (ADE) and final displacement error (FDE). The results demonstrate that the prediction accuracy decreases significantly when the output trajectory length exceeds 3 s. Specifically, straight-driving trajectories exhibit rapidly increasing errors, while turning trajectories maintained a relatively stable accuracy. In contrast, for turning-driving trajectories, prediction errors increased sharply during short-term forecasting, but the increase was more gradual in long-term forecasts. Additionally, the long-term prediction models produced higher errors even in the initial 1-second outputs, implying a tendency toward conservative inference under uncertain future scenarios. This conservative behavior is likely influenced by the model’s effort to minimize the overall loss across a broader prediction window, especially when trained with Smooth L1 loss function. This study provides practical insights into model design for edge-computing environments and contributes to the development of reliable short-term trajectory prediction systems for urban ITS applications.

우리나라는 산지가 많고 하절기에 연 강수량의 약 2/3정도가 집중적으로 발생하기 때문에 매년 산사태에 의한 피해가 발생하고 있다. 재산 및 인명을 보호하기 위해서는 사전에 산사태 발생지를 예측하고 피해를 최소화하기 위한 대책이 요구된다. 본 연구는 2020년 경상남도지역 산사태 발생지 157개소를 대상으로 붕괴면적(㎡)에 미치는 영향인자를 구명하고, 수량화이론(I)을 사용하여 붕괴면적에 대한 각 인자의 기여도 분석을 하여 예방적인 측면에서 산사태 발생 위험지역에 대한 예측기법을 개발하였다. 산사태 발생지 붕괴면적에 영향을 미치는 인자의 Range를 추정한 결과, 산사태 위험등급(0.4664)이 가장 높게 나타나 경남지역의 산사태 발생 위험도에 큰 영향을 미치는 것으로 추정되었으며, 다음으로는 영급 (0.3891), 고도(0.2934), 경급(0.2037)순으로 나타났다. 경상남도지역 산사태 발생 위험도 판정표를 기준으로 4개 인자의 category별 점수를 계산한 추정치 범위는 0점에서 1.3526점 사이에 분포하고 있으며, 중앙값은 0.6763점으로 산사태 위험도 예측을 작성한 결과 Ⅰ등급은 1.0146 이상, Ⅱ등급 0.6764∼1.0145, Ⅲ등급 0.3383∼0.6763, IV등급 0.3382 이하로 나타나 1등급, 2등급에서 산사태 발생 비율이 59.2%로서 높은 적중률을 보였다. 따라서 본 판정표는 경상남도지역에 있어서 산사태발생 위험 예측 판정에 유용하게 사용할 수 있을 것으로 사료된다.

2019년 발생한 코로나 팬데믹은 백신의 지역별 불평등 분배를 야기하며 백신의 수급은 사회･정치적 문제로 확장되어 왔다. 의료 자원에 대한 공급과 수요를 예측하고 조정하는 것은 향후 발생할 수 있는 팬데믹 위기 해결의 실마리가 된다. 본 연구는 백신이라는 한정된 의료 자원의 공간적 형평성을 달성하는 것을 목적으로, 머신러닝을 통해 미래 서울시 인구 및 공간적 백신 접근성을 예측하였다. 공간분석 분야에서 공간접근성을 측정하는 데에 통용적으로 활용되는 2SFCA(Two-Step Floating Catchment Area Method) 방법론으로 백신의 공급처인 병원의 접근성을 파악하였다. 2017년 부터 2023년까지의 백신 접근성 및 백신 취약지를 도출한 뒤, 발생 핫스팟(Emerging Hot Spot) 탐색으로 과거부터 미래까지의 분포 변화를 분석하였다. 대한민국 의료 거점지인 서울시 백신 접근성의 측정 결과, 향후 백신 접근성은 전역적으로 감소할 것으로 보이며 특히 북부지역 비롯한 외곽지역이 접근성 취약지역으로 판단되었다. 본 연구는 서울의 시공간적인 백신 공급을 예측 및 분석하여 향후 발생할 수 있을 팬데믹 상황에 대비한 백신 취약지를 보완할 수 있는 지표를 완성하였다. 연구 결과는 백신 취약지역을 효과적으로 탐색할 수 있을 뿐만 아니라 미래 효과적인 백신 분배 정책에 기초자료로 활용할 수 있을 것이라 기대한다.

본 연구에서는 EBR 및 EBROG 기법으로 부착된 CFRP판과 콘크리트 모체 간 부착성능을 평가하였다. 실험 변수로는 콘크리 트 압축강도, 홈의 개수 및 깊이를 고려하였으며, 총 21개의 시편을 대상으로 단일 랩 전단 실험을 수행하였다. 실험 결과, EBROG 기법을 적용한 시편은 EBR 기법을 적용한 시편보다 최대 62% 높은 부착 강도를 보였다. 또한, 홈의 개수와 깊이가 증가할수록 부착강 도도 증가했으나, 홈이 3개일 때 가장 높은 증가율을 기록하였다. 한편, 콘크리트 압축강도가 증가할수록 부착강도도 상승했지만, 압축 강도가 가장 높은 시편에서는 오히려 부착강도 증가율이 가장 낮았다. 아울러, EBROG 기법으로 부착된 CFRP 판의 유효 변형률을 예측하는 모델을 개발하기 위해 실험 데이터를 기반으로 회귀 분석을 수행하였다. 제안된 모델의 예측값과 실험값의 비의 평균과 표준 편차는 각각 1.002 및 0.032로 나타나, 해당 모델이 유효 변형률을 정확하게 예측할 수 있음을 확인하였다.

Given the hazards posed by black ice, it is crucial to investigate the conditions that contribute to its formation. Two ensemble machinelearning algorithms, Random Forest (RF) and Extreme Gradient Boosting (XGBoost), were employed to forecast the occurrence of black ice using atmospheric data. Additionally, explainable artificial intelligence techniques, including Feature Importance (FI) and partial dependence Plot (PDP), were utilized to identify atmospheric conditions that significantly increase the likelihood of black ice formation. The machinelearning algorithms achieved a forecasting accuracy of 90%, demonstrating reliable performance. FI analysis revealed distinct key predictors between the algorithms: relative humidity was the most critical for RF, whereas wind speed was paramount for XGBoost. The PDP analysis identified the specific atmospheric conditions under which black ice was likely to form. This study provides detailed insights into the atmospheric precursors of frost/fog-induced black ice formation. These findings enable road managers to implement proactive winter road maintenance strategies, such as optimizing anti-icing patrol routes and displaying warnings on various message signs, thereby enhancing road safety.

Early warnings have been developed to provide rapid earthquake information, allowing people to prepare as much time as possible. However, since it takes several seconds for an earthquake warning to be issued, the blind zone is inevitable. To reduce the blind zone, information from a single observatory is used to operate an on-site earthquake warning. However, false and missed alarms are still high, requiring continued research and validation. This study predicted Peak Ground Acceleration (PGA) using the characteristic data to reduce false and missed alarms in on-site earthquake warnings. A machine learning prediction model was created using the initial P-wave parameters developed from the characteristic data to achieve this. Then, the model was used to predict the maximum ground acceleration in the southeastern region of the Korean Peninsula. The expected results for six target earthquakes were confirmed to have a standard deviation within 0.3 compared to the observed PGA and the values within ±2 sigma. This method is expected to help develop an on-site early warning system for earthquakes.

Reinforced concrete (RC) columns exhibit cyclic damage, such as strength degradation, under cyclic lateral loading, such as earthquakes. Considering the cyclic damage, the nonlinear load-deformation response of RC columns can be simulated using a lumped plasticity model. Based on an experimental database, this study calibrates lumped plasticity model parameters for 371 rectangular and 290 circular RC columns. The model parameters for adequate flexural rigidity, plastic rotation capacity, post-capping rotation capacity, moment strength, and cyclic strength degradation parameter are adjusted to match each experimentally observed load-deformation response. We have developed predictive equations that accurately relate the model parameters to the design characteristics of RC columns through regression analyses, providing a reliable tool for engineers and researchers. To demonstrate their application, the proposed and existing models numerically simulate the earthquake response of a bridge pier in a metropolitan railway bridge. The pier is subjected to several ground motions, increasing intensity until collapse occurs. The proposed lumped plasticity model showed about 41% less vulnerable to collapse.

Near infrared reflectance spectroscopy (NIRS) is widely used to assess the nutrient composition of forages. In forage, the leaf to stem ratio of alfalfa greatly affects its forage quality, with a high ratio of leaf indicated as high quality. This study aimed to evaluate the predictability of the alfalfa leaf-to-stem ratio and feed value using NIRS. Alfalfa hay was manually separated into leaves and stems by hand and the analysis samples were then made in the controlled range between 0 and 100%. Calibration models (n=320) were developed using modified partial least squares regression (MPLS) based on cross-validation. The optimal calibrations were selected based on the highest coefficients of determination in cross-validation (R2) and the lowest standard error of cross-validation (SECV). The prediction accuracy for the leaf-to-stem ratio (SECV, 5.95 vs. 5.71%; R2, 0.91 vs. 0.91) in alfalfa hay was comparable. For leaves, the standard error of calibration (SEC) was 4.94% (R2=0.94), and for stems, it was 4.81% (R2=0.94). The leaves and stems of the SEC were 4.94% (R2=0.94) and 4.81% (R2=0.94), respectively. The prediction accuracy for feed value, based on the leaf-to-stem ratio, predicted SECV values of 0.92% (R2=0.88) for crude protein (CP) content, 1.92% (R2=0.91) for neutral detergent fiber (NDF) content, 1.36% (R2=0.91) for total digestibility nutrient (TDN) content, and 9.86 (R2=0.81) for relative feed value (RFV). The results of this study demonstrate the potential of the NIRS method as a reliable tool for predicting the leaf-to-stem ratio of alfalfa hay, and show available techniques for routine feed value evaluation.

This study aims to improve the interpretability and transparency of forecasting results by applying an explainable AI technique to corporate default prediction models. In particular, the research addresses the challenges of data imbalance and the economic cost asymmetry of forecast errors. To tackle these issues, predictive performance was analyzed using the SMOTE-ENN imbalance sampling technique and a cost-sensitive learning approach. The main findings of the study are as follows. First, the four machine learning models used in this study (Logistic Regression, Random Forest, XGBoost, and CatBoost) produced significantly different evaluation results depending on the degree of asymmetry in forecast error costs between imbalance classes and the performance metrics applied. Second, XGBoost and CatBoost showed good predictive performance when considering variations in prediction cost asymmetry and diverse evaluation metrics. In particular, XGBoost showed the smallest gap between the actual default rate and the default judgment rate, highlighting its robustness in handling class imbalance and prediction cost asymmetry. Third, SHAP analysis revealed that total assets, net income to total assets, operating income to total assets, financial liability to total assets, and the retained earnings ratio were the most influential factors in predicting defaults. The significance of this study lies in its comprehensive evaluation of predictive performance of various ML models under class imbalance and cost asymmetry in forecast errors. Additionally, it demonstrates how explainable AI techniques can enhance the transparency and reliability of corporate default prediction models.

구스 아스팔트(Guss Asphalt) 혼합물은 다짐 없이 시공이 가능한 포장재료로, 1970년대부터 강바닥판 교량에 활용되어 왔다. 본 연구 는 박스 구스 아스팔트 혼합물 공용수명 예측 및 생애주기 비용을 비교분석하기 위해 폴리머 개질 구스, TLA 및 SMA 세 가지 혼합 물의 반사균열 시험, 동탄성계수 시험 및 소성변형시험을 수행하였다. 또한, TxACOL 프로그램을 사용하여 공용수명을 예측하였으며, 예측 결과를 기반으로 각 포장의 생애주기 비용을 분석하였다. 본 연구의 목적은 혼합물의 성능평가를 통해 폴리머 개질 구스 아스팔 트 혼합물의 공용수명을 예측하고 생애주기 비용을 분석하는 것이다. 성능평가 시험결과 폴리머 개질 구스 아스팔트 혼합물이 TLA 구스, SMA 아스팔트 혼합물보다 반사균열, 피로균열 및 소성변형 저항성이 높은 것으로 나타났다. 포장설계 수명 예측 및 생애주기 비용분석결과 폴리머 개질 구스를 사용한 포장설계의 공용성이 가장 우수하며 가장 경제적인 것으로 나타났다.

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.