본 연구는 자연재난 피해자를 대상으로 심리적 충격, 회복 자원, 제도 적·사회적 지원이 사회적 기능 수행과 어떠한 관련성이 있는지 분석하고, 심리적 충격과 사회적 기능 수행 간 관계에서 회복탄력성의 조절효과를 검증하였다. 이를 위해 2019년 태풍 ‘미탁’이후 정부지원금을 수령한 피 해자 575명을 대상으로 재난 발생 약 3년 후 실시된 설문자료를 활용하 여 위계적 다중회귀분석을 수행하였다. 그 결과, 재난 트라우마, 불안, 우울 등 심리적 충격 수준이 높을수록 사회적 기능 수행은 유의하게 낮 았다. 반면, 정부지원금 만족도와 재난 대응 만족도는 사회적 기능 수행 과 정적 관계성이 있었다. 예측과 달리, 사회적지지는 사회적 기능 수행 과 부적 관계성이 있었다. 조절효과 분석 결과, 회복탄력성이 높은 집단 에서 불안 수준이 증가할수록 사회적 기능 수행의 감소 폭이 더 크게 나 타났다. 이러한 결과는 재난 이후 사회적 기능 회복을 위해, 회복탄력성 과 제도적 지원 간 상호작용을 고려한 맥락 민감형 개입 전략의 필요성 을 시사하고, 사회적지지와 회복탄력성의 복합적 작용을 반영한 개인화 된 지원체계 설계가 향후 개입 논의에서 중요하게 검토될 필요가 있음을 시사한다.

선박은 장비 밀집도가 높고 폐쇄적 구조로 화재 확산이 빠르며, 특히 케미컬 탱커의 계류 중 위험화물 화재는 항만 재난으로 확대될 수 있다. 본 연구는 실제 사고사례를 참고해 계류 중 위험화물 화재 시나리오를 설계하고 테이블탑 훈련을 실시하였다. ALOHA를 활용하여 피해 범위를 산정하고, 훈련 후 선상 대응팀과 육상 지원팀의 사후검토를 통해 실제 비상대응의 취약점을 도출하였다. 개선방안 으로는 선사, 선박 및 선원의 특성이 반영되고 선원의 의사결정을 지원할 수 있는 최신의 지침서가 요구되며, 이를 위한 교육을 강화할 필요가 있다. 또한 위험화물 화재에 대비해 소집장소와 퇴선 설비에는 방호 설비와 개인용 화재보호구를 갖추어야 한다. 화물제어실의 지 휘 기능 강화를 위해 외부 통신설비의 확충이 필요하며, 방어적 진압 전술에 부합하는 장비 체계 및 의사소통 방법도 마련해야 한다. 그 리고 항만 소방 책임자와 선사를 포함하는 다자간 정보공유 체계의 구축이 필요하다. 이러한 개선방안은 선원 교육기관의 내실화, 선사의 비상대응 지침서의 고도화, 시나리오의 중요 변수 식별, 그리고 항만 사고 확산 방지를 위한 비상대응체계 개선에 활용될 수 있을 것이다.

황산염 침투 환경에 노출된 콘크리트 구조물은 황산염 이온의 침투로 인해 내구성이 저하되는 경우가 많다. 이에 본 연구에서 알칼리 활성 슬래그 기반 무시멘트 콘크리트의 황산염 침투 저항성을 평가하고, 그 성능을 예측할 수 있는 모델을 구축하는 것을 목적 으로 한다. 본 시스템에서는 보통 포틀랜드 시멘트를 전면 고로슬래그 미분말로 대체하였다. 실험적 검증을 위해 무시멘트 콘크리트 시편과 비교용 보통 포틀랜드 시멘트 콘크리트 시편을 물-결합재 비 40%, 45%, 50%로 제작하였다. 28일 동안 전처리 후, 시편을 10% 황산나트륨 용액에 28일, 91일, 182일 및 365일 동안 침지하였다. 황산염 침투에 대한 저항성을 평가하기 위해 시편의 길이 변화 및 질량 변화를 JSTM C 7401에 따라 측정하였다. 실험 결과를 바탕으로 황산염 침투 환경에 노출된 무시멘트 콘크리트의 길이 및 질량 변화 특성을 설명하는 예측 모델을 개발하였다. 제안된 모델은 실험 결과와 잘 일치하는 것으로 나타났다.

This study proposes a deep learning–based predictive maintenance model for condition monitoring and remaining useful life (RUL) estimation of a 1 kW brushless DC (BLDC) motor. Multi-sensor signals, including vibration (10 kHz), current (20 kHz), and surface temperature (10 Hz), were acquired under six health conditions: normal, bearing outer race fault (BPFO), bearing inner race fault (BPFI), unbalance, misalignment, and stator insulation degradation. To jointly exploit spatial patterns and temporal degradation behaviors, a hybrid CNN–LSTM model with a multi-task learning framework was developed to perform 6-class fault classification and RUL regression simultaneously. Experimental results on the constructed BLDC motor dataset show that the proposed model achieves a classification accuracy of 95.8%, outperforming conventional SVM and 1D-CNN baselines (85.2% and 90.7%, respectively). In addition, the proposed method significantly reduces RUL prediction error, yielding an RMSE of 9.6 and an MAE of 6.8, which corresponds to approximately 39% improvement over a single LSTM-based regression model. These results demonstrate that the proposed CNN– LSTM multi-sensor fusion framework is effective for intelligent condition monitoring and predictive maintenance of BLDC motor systems, and it can be extended to a wide range of rotating machinery applications.

This study investigates the superior predictive performance of a DeepGBM model (combining boosting and deep learning) for identifying metabolic syndrome in the Korean adult population using KNHANES data. DeepGBM consistently showed superior performance compared to established algorithms. Feature prioritization revealed waist circumference and fasting glucose as critical predictors. This research demonstrates the potential of integrating advanced machine learning with public health data to improve early detection.

정화조(Septic tank) 시스템에서의 슬러지 지속적 축적은 처리 효율 저하와 유지관리 비용 증가를 초래한다. 그러나 기존 활성슬러지 모델(activated sludge models, ASM)은 세균의 영양단계에 초점을 두고 있어, 상위 포식자에 의해 유도되는 슬러지 저감 메커니즘을 정량적으로 설명하는 데 한계가 있다. 본 연구는 ASM3의 저장–성장 틀을 기반으로, 윤충(rotifer biomass, )과 섬모충(ciliate biomass, XC)의 생태역학을 통합한 확장 모델을 제안한다. 이를 위해 세균 군집을 일반 박테리아와 필라멘트성 박테리아로 구분하고, 이를 선택적으로 섭식하는 포식자를 도입하여 총 16개의 상태변수와 13개의 공정으로 구성하였다. 포식 과정에서는 기근 조건에서의 호흡 및 유지대사 등, 내부 저장물질(XSTO)에 의해 매개되는 동적 과정을 수리적으로 구조화하였다. 총부유물질(XSS)의 질량수지식을 전개⋅분석한 결과, 기존의 내생호흡 경로 외에도 포식 단계에서 발생하는 추가적인 탄소 무기화가 슬러지 저감의 핵심 메커니즘임을 이론적으로 도출하였다. 특히 윤충의 필라멘트성 박테리아 섭식은 슬러지 벌킹 완화 가능성을 시사한다. 본 연구는 포식–피식 상호작용을 반영하여 슬러지 생성 및 감량 메커니즘을 재해석할 수 있는 이론적 틀을 제시한다. 제안된 모델의 반응식 및 계수의 예측 정확성은 향후 파일럿 규모 실험과 장기 운전 데이터를 통해 단계적으로 검증할 예정이며, 이를 통해 다양한 운전 조건과 포식자 군집 변화에 따른 슬러지 제거수율 변동을 예측하고, 저에너지⋅저슬러지 운전 전략 수립을 위한 기반을 제공하고자 한다.

전 세계적인 물 부족 심화로 상수관망의 효율적 운영 및 유지보수(O&M) 중요성이 커지고 있다. 특히 정확한 수압 예측은 잠재적 문제의 사전 감지와 대응에 필수적이다. 이에 본 연구는 전처리된 데이터를 활용하여 현장 적용성이 높은 수압 예측 모델을 개발하는 것을 목표로 하였다. 이를 위해 8개 블록시스템(DMA)의 10분 단위 시계열 데이터와 4종류의 딥러닝 모델(LSTM, GRU, CNN-LSTM, CNN-GRU)을 활용하였으며, optuna를 통해 하이퍼파라미터를 최적화하고 배치 정규화 등을 적용해 학습 안정성을 확보하였다. 평가 결과, CNN-GRU 모델이 가장 우수한 성능을 나타냈다. 해당 모델을 기반으로 입력 조건에 따른 성능을 비교한 결과, 단변수 대비 다변수 입력 조건에서 예측 정확도가 향상됨을 확인하였다. 또한, 10분 선행 시점에서 최고 신뢰도(R2 0.9678, RMSE 0.0375)를 기록했으며, 지속성 모델의 성능이 점진적으로 하락하여 상대적인 저점을 형성하는 7시간 및 17시간 선행 시점에서 CNN-GRU 모델은 지속성 모델 대비 RMSE 기준 각각 48.0% 및 42.1%의 오차 개선을 달성하였다. 결론적으로, 본 연구에서 제안하는 전처리 및 하이퍼파라미터 통합 최적화 프로세스는 DMA별로 상이한 운영 환경에서도 안정적인 예측 성능을 확보할 수 있음을 입증하였다. 이는 현장 엔지니어의 데이터 분석 및 의사결정을 지원함으로써, 상수관망의 안정적인 운영과 유지보수 효율성 향상에 기여할 수 있을 것으로 기대된다.

This study proposes a statistical modeling framework for estimating the daily number of bus stops at highway transfer facilities (ex-HUBs) where demand information is often uncertain during the early planning stages. Accurate estimation of the daily number of bus stops is critical for efficient design and operation; however, reliable demand data are rarely available in the initial planning phase. Using pooled data from 16 facilities, a direct demand estimation approach was implemented, based on facility characteristics, transportation connectivity, highway traffic conditions, and socioeconomic factors. Log-linear model (LLM) and negative binomial model (NBM) were developed to capture the count data characteristics. Ensemble models using arithmetic and weighted means were also constructed to improve predictive reliability. The analysis revealed that the arithmetic mean ensemble of NBM and LLM produced the most accurate predictions. The daily number of bus stops was significantly influenced by the distance from bus terminals, highway traffic volume, public transportation connectivity, economically active population, and level of urbanization. The framework proposed in this study provides a practical tool for estimating the daily number of bus stops at highway transfer facilities, and can support more reliable feasibility analyses and infrastructure planning under demand uncertainty.

This study develops a correction model to improve the accuracy of horizontal spectral accelerations estimated by stochastic extended finite-fault simulation (EXSIM) in southeastern Korea. EXSIM predictions for five earthquakes (M4.3-5.5) recorded at eight stations reveal frequency-dependent residuals, with a tendency to underpredict spectral accelerations at frequencies ≥ 3 Hz. These discrepancies are correlated with eight variables: moment magnitude, stress drop, hypocentral distance, azimuth, average shear wave velocity up to 30 m in depth, relative elevation, and slope. To address these discrepancies, a multiple linear regression model is developed using eight variables that reflect earthquake source characteristics, wave-propagation paths, and site-specific conditions, including azimuth and topographic effects not fully accounted for in the original EXSIM. Application of this correction model substantially improves predictive performance, reducing root-mean-square error by 18.8% to 81.0% for the test sets. The corrected response spectra show good overall agreement with observations, including high-frequency spectral peaks. This approach enables the construction of reliable ground-motion databases. It enhances the accuracy of EXSIM predictions for scenario earthquakes, providing a practical tool for seismic hazard assessment in regions with sparse observational data.

본 연구는 다양한 천연염재로 염색조건을 달리하여 염색한 견직물로 준비된 동일색조의 2-배색 100종에 대하여 주관적 색채감성 요인구조를 규명하고, 동일색조 유형과 유/무채색 색조, 물리적 색채특성 및 배색변인의 객관적 변 인들이 색채감성요인에 미치는 영향을 분석하였으며, 인공지능 기계학습 기반의 Random Forest를 이용하여 색채감 성요인 예측모델을 제안하였다. 연구 결과로서 천연염색 견직물의 동일색조 2-배색에 대한 색채감성요인으로 ‘유쾌 함’, ‘클래식’, ‘소프트’, ‘모던’의 4개 감성이 추출되었는데, 각 요인은 단색의 물리적 색채특성, 동일배색 유형, 유채 색/무채색, 정량적 배색 변인을 포함한 객관적 색채 변인으로부터 유의한 영향을 받음이 확인되었다. Random Forest 를 이용하여 동일색조 2-배색의 색채감성요인 별로 수립한 예측 모델에서 요인 ‘유쾌함’과 ‘소프트’ 예측모델의 예측 성능이 가장 우수하였으며, 색채감성요인 예측 모델에서 변수 중요도와 대체선형모델의 구조를 통해 요인 ‘유쾌함’ 은 색채 밝기 관련 변인, 요인 ‘소프트’는 색채 진하기 관련 변인의 영향력이 가장 큰 것으로 파악되었다. 또한 실험 값과 예측값 간 높은 상관성을 확인함으로써, 인공지능 기계학습 알고리즘 Random Forest를 천연염색직물의 색채감 성예측에 활용할 수 있을 것으로 기대되었다.

This study develops a Skip-Connected Temporal Contextual Deep Learning (SC-TCDL) model to forecast monthly inbound foreign tourist arrivals to South Korea, targeting demand volatility and structural shocks such as COVID-19 while supporting planning-oriented decision making. SC-TCDL adopts a dual-stream architecture that disentangles inputs by function: an LSTM branch encodes a 12-month rolling history of arrivals with calendar indicators, while an encoder-only Transformer processes forward-looking exogenous variables with positional encodings. The LSTM temporal representation is injected into the Transformer and fused with the Transformer output via an MLP through skip connections. COVID-period distortion (Mar 2020 Dec 2023) is addressed by virtual demand restoration using a counterfactual LSTM trained on pre-pandemic data. Probabilistic forecasts are generated via Monte Carlo Dropout. Using monthly data (Feb 2013 Apr 2025), SC-TCDL outperforms SARIMA, vanilla LSTM, and a Transformer on the test period (May 2024 Apr 2025), achieving MAE 78,626, RMSE 94,019, and MAPE 6.94%, reducing MAE by 30.5% relative to SARIMA, 28.3% relative to vanilla LSTM, and 24.9% relative to the Transformer, with statistically significant improvements by Wilcoxon signed-rank tests. By structurally separating temporal and contextual learning while enabling controlled fusion and uncertainty quantification, SC-TCDL offers a robust framework for tourism demand forecasting in shock-prone environments.

In response to global emission reduction goals set by the Paris Agreement (2015), the construction industry has adopted strategies to reduce cement consumption by using sustainable materials. Sugarcane bagasse ash (SCBA), an agro-waste by-product, has shown its potential for use as a sand or cement replacement in concrete. However, its nature and complex interactions across mixed designs make predicting its compressive strength challenging using conventional approaches. This study presents the use of k-nearest neighbors (KNN), a machine-learning model for predicting the compressive strength of concrete incorporating SCBA as a sand or cement replacement. Three databases, Web of Science, Scopus, and Google Scholar, were used in the collection of 844 experimental data points from published articles between 2015 and 2025. Independent variables include SCBA usage, SCBA replacement level, cement content, fine and coarse aggregate contents, water-to-binder ratio, superplasticizer dosage, and curing age, while compressive strength served as the dependent variable. Prior to model development, SCBA usage, the only categorical variable, was encoded using one-hot encoding. Feature scaling using StandardScaler was applied to ensure consistency in distance-based features. The dataset was split into 75%-25% train-test subsets, and 5-fold cross-validation was carried out to enhance model generalization and robustness. Hyperparameter tuning was optimized using Optuna to enhance predictive accuracy. The optimized KNN model achieved a coefficient of determination (R²), root mean square error (RMSE), and mean absolute error (MAE) values of 1, 0.329, and 0.063 in the training phase and 0.81, 7.378, and 5.674 in the testing phase, respectively. Optuna improved the result of the mean cross validated coefficient of determination from 0.78 to 0.84 upon hyperparameter tuning. While the results indicate KNN capability of capturing localized patterns in the heterogeneous SCBA concrete dataset, robust ML models such as eXtreme Gradient Boosting and Random Forest may be used to capture enhanced generalization of the dataset. KNN serves as a reliable baseline model for data-driven prediction of compressive strength, highlighting the potential of simple, interpretable machine-learning models in supporting sustainable concrete design aligned with global climate mitigation goals.