포트홀은 아스팔트 도로 위에서 반복적인 하중으로 인해 일부가 떨어져 나가며 발생하는 패임을 의미한다. 포트홀은 습기에 취약해 특히 장마철에 큰 영향을 받으며, 이로 인해 대형교통사고와 높은 개보수 비용이 발생한다. 매년 포트홀 로 인한 피해와 사고는 언론을 통해 지속적으로 보도 되고 있다. 이러한 피해를 최소화하기 위해서는 사고가 발생하기 전 적절한 시기에 포트홀이 보수되어야 한다. 이를 위해서는 정확한 포트홀 면적 탐지가 선행되어야 한다. 포트홀 면적 의 정확한 탐지는 도로포장의 유지관리 및 보수 전략 수립에 매우 중요한 과정이다. 이에 따라 본 연구에서는 2,086의 포트홀 이미지를 기반으로 학습하고 탐지하였다. 비정형 탐지에 최적화된 Mask R-CNN을 활용하여 포트홀의 전체적인 면적을 탐지하였으며, 탐지 정확도를 높이기 위해 SwinT 백본 네트워크를 사용하였다. 그 결과, 90% 이상의 높은 정확 도로 포트홀의 면적을 탐지하였다. 추후 이 연구를 바탕으로 적절한 시기에 개보수 시기를 예측하여 포트홀로 인한 피해 와 사고를 줄이는 데 기여할 것이다.

한국 고속도로 포장은 1970년 경부고속도로 건설을 시작으로 많은 발전을 이루었으며, 최근 도로이용자에게 쾌적한 도로를 제공할 수 있는 배수성 아스팔트 포장에 대한 관심이 높아지고 있다. 본 연구에서는 한국 고속도로 배수성 아스팔트 구간에 대한 시공목적별, 신설과 유지보수 등을 구분하여 배수성 아스팔트 포장 적용현황을 분석하였다. 또한, 적용된 배수성 아스팔트 포장의 교통량을 조사 분석하였으며, 효율적인 교통량 그룹 선정 방법을 제시하였다. 고속도로에 적용된 배수성 아스팔트 포장의 전주기 평가를 위해 평가항 목을 제시하였다. 내구성평가 항목으로는 포장상태평가지수와 표면조도를 선정하였다. 기능성 평가 항목으로는 내부 공극 막힘여부를 확인할 수 있는 현장투수, 미끄럼저항지수, 포장노면과 타이어에서 발생하는 도로소음원 평가를 위한 도로소음을 선정하였다. 그리고 조사 항목들에 대한 배수성 아스팔트 포장의 전주기 평가를 통해 각각 조사 항목에 대한 정량적 분석평가를 수행하여 도로소음도 예 측식을 제안하였다.

최근 급격한 기후 변화로 인해 도로 교통사고의 발생 빈도가 증가하고 있으며, 특히 겨울철에 자주 발생하는 도로 살얼음(블랙아이 스) 현상이 주요 원인 중 하나로 지목되고 있다. 도로살얼음의 형성 메커니즘은 다양한 요인에 따라 복합적으로 작용하며, 당시의 도 로 기상 조건과 도로의 기하학적 구조에 따라 얼음의 형태 및 강도가 결정된다. 그중에서도 도로 노면 온도는 도로살얼음 형성에 중 요한 요소로, 여러 나라에서 겨울철 교통안전 평가를 위한 주요 지표로 사용되고 있다. 그러나 현재 도로 노면 온도에 대한 명확한 정 의가 부족할 뿐만 아니라, 측정 방법에 따라 계측 편차와 온도 손실 등 여러 한계가 존재해 정확한 온도 측정이 어려운 실정이다. 이 에 본 연구는 지중 깊이에 따른 온도 데이터와 도로 기상 데이터를 결합하여 보다 정밀한 도로 노면 온도 예측 방법을 제시하는 것을 목적으로 한다. 연구를 위해 지중 깊이 2cm, 3cm, 4cm, 5cm, 7cm, 9cm, 15cm, 20cm에 각각 온도 센서를 설치하였으며, 기상 데이터는 해당 지점에서 2m 떨어진 AWS(Automatic Weather System)를 통해 대기 온도, 습도, 강수량, 일사량 등의 정보를 수집하였다. 이를 바 탕으로 지중 온도와 기상 조건의 상관관계를 활용하여 노면 온도를 예측하는 방법론을 도출하였다. 본 연구의 결과는 도로 노면 온도 예측의 정확성을 향상시킬 뿐만 아니라, 새로운 접근 방식을 통해 노면 온도의 정의를 재정립하는 데 기여할 것으로 기대된다.

도로포장의 노면 마찰력은 노면 조직 특성에 큰 영향을 받으며, 이를 예측하기 위한 인자로써 MTD(Mean Texture Depth, 평균 노면 조직 깊이)를 주로 사용한다. 그러나 MTD는 노면 특성 중 노면 조직의 깊이만을 나타내므로 여러 요인이 복합적으로 구성되어 있는 노면 조직 특성을 포괄적으로 설명할 수 없다. 이에 선행 연구에서는 다양한 노면조직 특성을 반영하여 보다 적합한 마찰력 예측 식 을 제안하고자 하였다. 노면 마찰력에 영향을 미치는 노면 조직 특성을 정량화하기 위하여 3D 프린팅 시편을 제작한 후 BPT(British Pendulum Tester)를 이용해 노면 마찰력(BPN; British Pendulum Number)을 측정하였다. 선행 연구를 통하여 노면 마찰력에 영향을 미치 는 노면 조직을 MTD, EAN(Exposed Aggregate Number, 골재노출도) 및 골재 형상으로 선정하였으며, 이를 포함한 노면 마찰력 예측 식 을 제안하였다. 그러나 3D 프린팅 시편을 사용하여 제안한 노면 마찰력 예측식의 경우 이상적인 노면조직 특성에 기반하여 제안된 것 으로 실제 현장에서의 노면 조직 특성과 비교 및 검증이 이루어져야 한다. 이에 3D 프린팅 시편을 기반으로 개발된 노면 마찰력 예측 식의 현장 적용성 평가를 위하여 EACP(Exposed Aggregate Concrete Pavement), 밀입도 및 개립도 아스팔트 콘크리트 포장에서 188개의 노면 조직 데이터를 측정하였다. 현장 측정 데이터와 3D 프린팅 시편을 기반으로 개발된 노면 마찰력 예측 식을 비교 검토한 결과 MTD, EAN 및 골재 형상은 노면 마찰력 예측에 있어서 유의미한 지표로 사용될 수 있는 것으로 확인하였다.

기존 신호제어기법은 과거 주기에 파악된 교통상황을 바탕으로 다음 주기의 교통신호시간을 설계하는 방식으로 신호시간을 설계하기 위해 관측할 때의 교통상황과 신호시간을 제공받는 교통상황 간의 간극이 존재하였다. 또한, 설정된 주기길이 동안 차량이 교차로에 일정하게 도착하는 균일분포를 가정하지만, 실제 교차로에 도착하는 교통량의 행태는 비 균일분포로 실제 교통수요에 대응하기 어렵 다는 한계가 존재한다. 본 연구는 이러한 한계를 극복하기 위해 교차로로 진입하는 상류 교차로의 교통정보를 활용하여 단기 미래 도 착 교통량 예측모델 개발을 통해 관측 시점과 제공 시점 간의 간극을 최소화한다. 또한, 기존 주기길이 동안의 교통량 도착분포를 비 균일분포로 가정하여 주기길이가 고정되지 않는 방식(Acyclic)의 적응식 신호제어 기법(ATC) 개발한다. 제안된 단기 미래 도착 교통 량 예측모델은 실제 스마트교차로 자료를 가공하여 시뮬레이션을 통하여 학습데이터를 구축하여 장단기 메모리(LSTM) 모형과 시간 분산(TimeDistributed) 모형을 적용하여 딥러닝 모델을 개발하였다. 적응식 교통신호제어 기법은 실시간 예측 교통량을 활용하여 교통 류별 예측 지체 산출을 통하여 지체가 최소화되는 현시 종료 지점에서 현시를 종료하고 다음 시간 단계에서 예측된 교통량을 통해 최 적 현시를 재산출하는 롤링 호라이즌(Rolling Horizon)을 수행한다. 제안 신호제어 기법의 평가를 위해 미시적 교통 시뮬레이션을 활 용하여 기존 신호제어 기법인 TOD 신호제어 기법과 제안기법 간의 평가를 수행하였다.

본 연구는 기온 상승에 따른 개별 콘크리트 슬래브의 팽창과 그로 인한 Pavemnent Growth 및 Blow-up 현상을 분석하고 예측하기 위 해 수행되었다. 기온이 상승함에 따라 슬래브는 팽창하며, 콘크리트 슬래브들의 팽창량은 팽창 줄눈 사이에 존재하는 모든 수축 줄눈 이 닫히게 될 정도로 발생하게 되고 그 결과 모든 슬래브들이 접촉하게 된다. 온도의 추가적인 증가로 슬래브가 계속해서 팽창하게 되면 팽창 줄눈의 수축 허용 폭을 초과하는 경우 일체화된 슬래브 내에서 압축 응력이 발생하게 되며, 이러한 현상을 "Pavement Growth"라 정의된다. 이로 인해 콘크리트 포장은 팽창하면서 파손이나 균열에서 좌굴 및 파괴와 같은 압력 관련 문제를 일으킬 수 있 다. 이는 교량 및 도로 내 접근 구조물과 같은 인접 구조물에도 손상을 줄 수 있다. 그러나 현재 사용 가능한 이론적 해결책이나 Pavement Growth 평가 방법과 Blow-up 예측에 관한 연구는 매우 제한적이다. 따라서 본 연구에서는 콘크리트 포장의 팽창을 예측하기 위해 Pavement Growth 및 Blow-up 분석 모델인 PGBA(Pavement Growth and Blow-up Analysis) Model을 개발하였다. 이 모델은 기후 조 건, 포장 구조, 재료, 팽창 줄눈 등의 요인을 고려하였다. 본 모델은 일체화된 슬래브가 팽창하여 팽창 줄눈의 수축 허용 폭을 초과하 는 시기를 결정한다. 슬래브와 기층 사이의 Frictional Darg 및 슬래브의 End Restraint으로 인해 발생하는 압축 응력을 계산 할 수 있는 것이다. 또한 Geometric Imperfection의 변화에 따른 Blow-up Stress를 검토하기 위해 Large-scale Blow-up Test를 진행하였으며, 측정된 결과를 Blow-up 발생 임계값으로 사용하였다. 일체화된 슬래브 내부에 발생하는 연도별 압축 응력을 예측하고 Blow-up Stress와 비교 하여 압축 응력이 Blow-up Stress를 초과하는 시점을 Blow-up 발생 시기로 선정하였다.

본 연구는 국내 도로사업의 교통수요 예측오차를 종합적으로 평가하고, 보다 효율적인 기대교통량 추정모형의 개발을 목적으로 수 행되었다. 이를 위해 본 연구에서는 1999년부터 2010년까지 수행된 예비타당성조사 및 타당성재조사 사업들 가운데 62건의 도로사업 (690개 구간)의 자료를 활용하였다. 본 연구의 주요 특징은 다음과 같다. 첫째, 기존 연구들과 달리 사업구간 뿐만 아니라 주변구간을 포함하여 교통수요 예측 오차를 평가했다는 점이다. 둘째, 본 연구는 교통수요 예측의 오차를 정확성, 추정편의, 추정연계성 등 다양한 평가지표를 활용하여 분석했다는 점이다. 실측자료를 통한 분석결과, 전체구간의 평균 백분율 오차(MPE)는 11.6%(과소추정)로 파악되 었지만, 이를 사업구간과 주변구간으로 나누어 살펴보면, 사업구간의 경우 -13.5%(과다추정), 주변구간은 16.5%(과소추정)로 상반된 결 과를 나타내었다. 추정편의 분석결과, 전체구간에서는 통계적으로 유의미한 편의가 발견되지 않았으나, 사업구간과 주변구간 각각에서 는 편의가 존재하는 것으로 나타났다. 추정연계성 분석에서는 주변구간의 경우 기준연도 정산 결과와 개통연도 오차 간 유의미한 관 계가 확인되었다. 이러한 분석결과를 바탕으로, 본 연구는 분위회귀모형을 활용한 기대교통량 추정모형을 제안하였는데, 이는 기존의 점 추정 방식의 한계를 보완하는 방안이다. 이 모형은 사업구간과 주변구간을 구분하여 개발되었으며, 실측교통량의 50% 분위를 중심 으로 95% 신뢰구간을 제시하였다. 또한, 동 모형에서는 고속도로 여부, 준공 지연 기간 등 주요 변수들의 영향을 고려하여 모형의 설 명력을 높였다는 특징을 갖는다. 본 연구의 결과는 도로사업의 교통수요 예측 정확성 향상과 투자 의사결정의 합리성 제고에 기여 할 수 있을 것으로 기대된다. 특히, 제안된 기대교통량 추정 모형은 예비타당성조사 등에서 보다 현실적인 교통수요 예측치를 제공하고, 이를 통해 경제성 분석의 신뢰도를 높이는 데 활용될 수 있을 것이다. 또한, 사업구간과 주변구간의 교통량 변화 특성이 다르다는 점 을 고려하여, 향후 도로 사업의 영향 평가 시 보다 세밀한 접근이 필요함을 시사한다.

This study aims to estimate the scope of damage impact with a real-life explosion case and a damage prediction program (ALOHA) and suggest measures to reduce risk by comparing and analyzing the results using a Probit model. After applying it to the ALOHA program, the toxicity, overpressure, and radiant heat damage of 5 tons of storage scopes between 66 to 413 meters, and the real-life case also demonstrated that most of the damage took place within 300 meters of the LPG gas station. In the Probit analysis, the damages due to radiant heat were estimated as first-degree burns (13-50%), while structural damage (0-75%) and glass window breakage (94-100%) were expected from overpressure, depending on the storage volume. After comparing the real-life case and the damage prediction program, this study concluded that the ALOHA program could be used as the scope of damage impacts is nearly the same as the actual case; it also concluded that the analysis using the Probit model could reduce risks by applying calculated results and predicting the probability of human casualties and structural damages.

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.

This study aims to develop a regression model using data from the Ammunition Stockpile Reliability Program (ASRP) to predict the shelf life of 81mm mortar high-explosive shells. Ammunition is a single-use item that is discarded after use, and its quality is managed through sampling inspections. In particular, shelf life is closely related to the performance of the propellant. This research seeks to predict the shelf life of ammunition using a regression model. The experiment was conducted using 107 ASRP data points. The dependent variable was 'Storage Period', while the independent variables were 'Mean Ammunition Velocity,' 'Standard Deviation of Mean Ammunition Velocity,' and 'Stabilizer'. The explanatory power of the regression model was an R-squared value of 0.662. The results indicated that it takes approximately 55 years for the storage grade to change from A to C and about 62 years to change from C to D. The proposed model enhances the reliability of ammunition management, prevents unnecessary disposal, and contributes to the efficient use of defense resources. However, the model's explanatory power is somewhat limited due to the small dataset. Future research is expected to improve the model with additional data collection. Expanding the research to other types of ammunition may further aid in improving the military's ammunition management system.

This study aims to develop a comprehensive predictive model for Digital Quality Management (DQM) and to analyze the impact of various quality activities on different levels of DQM. By employing the Classification And Regression Tree (CART) methodology, we are able to present predictive scenarios that elucidate how varying quantitative levels of quality activities influence the five major categories of DQM. The findings reveal that the operation level of quality circles and the promotion level of suggestion systems are pivotal in enhancing DQM levels. Furthermore, the study emphasizes that an effective reward system is crucial to maximizing the effectiveness of these quality activities. Through a quantitative approach, this study demonstrates that for ventures and small-medium enterprises, expanding suggestion systems and implementing robust reward mechanisms can significantly improve DQM levels, particularly when the operation of quality circles is challenging. The research provides valuable insights, indicating that even in the absence of fully operational quality circles, other mechanisms can still drive substantial improvements in DQM. These results are particularly relevant in the context of digital transformation, offering practical guidelines for enterprises to establish and refine their quality management strategies. By focusing on suggestion systems and rewards, businesses can effectively navigate the complexities of digital transformation and achieve higher levels of quality management.

This study explores the use of a Deep Autoencoder model to predict depression among plant and machine operators, utilizing data from the Korean National Health and Nutrition Examination Survey (KNHANES, n=3,852). The Deep Autoencoder model outperformed the Logistic Regression, Naive Bayes, XGBoost, and LightGBM models, achieving an accuracy of 86.5%. Key factors influencing depression included work stress, exposure to hazardous substances, and ergonomic conditions. The findings highlight the potential of the Deep Autoencoder model as a robust tool for early identification and intervention in workplace mental health.

Air flow field characteristics in a compact chamber system are indispensable for the efficient development of vehicle aerodynamic performance. In this study, air flow and velocity uniformity in the chamber system were numerically analyzed using the CFD method. Air flows at a uniform velocity from the outlet of the blower, passes fast through the heat exchanger with partial pressure difference, and then moves into the blower inlet. Overall pressure drop through the fan gradually increases with the flow rate. The uniformity varies along the test section, decreasing by 5-10% with distance from the nozzle. These predicted results can be widely used as basic conceptual design data for an efficient vehicle chamber system.

This study examines factors influencing occupational injuries among plant and machine operators using the Semi-supervised MarginBoost algorithm. Data from the 2007-2009 Korean National Health and Nutrition Examination Survey (KNHANES) were analyzed, covering 4,062 employed participants. The MarginBoost model achieved 84.3% accuracy, outperforming other models. Key factors identified included exposure to hazardous substances, ergonomic conditions, and psychosocial stress. The findings emphasize the need for targeted interventions to enhance workplace safety and offer a robust predictive tool for the effective management of occupational health.

본 연구는 연안해양 수치모델에 활용되는 LDAPS 강우예보 자료의 시공간적 오차와 한계점을 분석하고 자료의 신뢰성을 검증 하였다. LDAPS 강우자료의 검증은 진해만 주변 우량계 3개소를 기준으로 2020년의 강우를 비교하였으며 우량계와 LDAPS의 비교 결과, LDAPS 강우자료는 장기적인 강우의 경향은 대체로 잘 재현하였으나 단기적으로는 큰 차이를 보였다. 정량적인 강우량 오차는 연간 197.5mm였으며, 특히 하계는 285.4mm로 나타나 계절적으로 강우변동이 큰 시기일수록 누적 강우량의 차이가 증가하였다. 강우 발생 시점 의 경우 약 8시간의 시간 지연을 나타내어 LDPAS 강우자료의 시간적 오차가 연안해양환경 예측 시 정확도를 크게 감소시킬 수 있는 것 으로 나타났다. 연안의 강우를 정확히 반영하지 못하는 LDAPS 강우자료를 무분별하게 사용할 경우 연안역에서 오염물질 확산 또는 극한 강우로 인한 연안환경 변화 예측에 심각한 문제를 발생시킬 수 있으며 LDAPS 강우자료의 적절한 활용을 위해서는 검증과 추가적인 개선 을 통한 정확도 향상이 필요하다.

최근 늘어나고 있는 이상 기상 현상으로 산사태 위험이 점차 증가하고 있다. 산사태는 막대한 인명 피해와 재산 피해를 초래할 수 있기에 이러한 위험을 사전에 평가함은 매우 중요하다. 최근 기술 발전으로 인해 능동형 원격탐사 방법을 사용하여 더 정확하고 상세한 지표 변위 및 강수 데이터를 얻을 수 있게 되었다. 그러나 이러한 데이터를 활용하여 산사태 예측 모델을 개발하는 연구는 찾기 힘들다. 따라서 본 연구에서는 합성개구레이더 간섭법(InSAR)을 사용한 지표 변위 자료와 하이브리드 고도면 강우(HSR) 추정 기법을 통한 강수 정보를 활용하여 산사태 민감도를 예측하는 기계학습 모델을 제시하고 있다. 나아가 기계학습의 블랙박스 문제를 극복할 수 있는 해석가능한 기계학습 방법인 SHAP을 이용하여 산사태 민감도의 영향 변수에 대한 중요도를 체계적으로 평가하였다. 경상북도 울진군을 대상으로 사례 연구를 수행한 결과, XGBoost가 가장 좋은 예측 성능을 보이며, 도로로부터의 거리, 지표 고도, 일 최대 강우 강도, 48시간 선행 누적 강우량, 사면 경사, 지형습윤지수, 단층으로 부터의 거리, 경사도, 지표 변위, 하천으로부터의 거리가 산사태 예측에 영향을 미치는 주요 변수로 밝혀졌다. 특히, 능동형 원격탐사를 통해 얻은 자료인 강우 강도와 지표 변위의 절댓값이 높을수록 산사태 발생 확률이 높음을 확인하였다. 본 연구는 능동형 원격탐사 자료의 산사태 민감도 연구에서의 활용 가능성을 실증적으로 보여주고 있으며, 해당 자료를 바탕으로 시공간적 으로 변하는 산사태 민감도를 도출함으로써 향후 산사태 민감도 모니터링에 효과적으로 활용될 수 있을 것으로 기대된다.

본 연구는 돼지 간 거리(PD), 돈사 내 상대 습도(RRH), 돈사 내 이산화탄소(RCO2) 세 가지 변수를 사용하여, 네 개의 데이터 세트를 구성하고, 이를 다중 선형 회귀(MLR), 서포트 벡터 회귀(SVR) 및 랜덤 포레스트 회귀(RFR) 세 가지 모델 기계학습(ML)에 적용하여, 돈사 내 온도(RT)를 예측하고자 한다. 2022년 10월 5일부터 11월 19일까지 실험을 진행하였다. Hik-vision 2D카메라를 사용하여, 돈사 내 영상을 기록하였다. 이후 ArcMap 프로그램을 사용하여, 돈사 내 영상에서 추출한 이미지 안 돼지의 PD를 계산하였다. 축산환경관리시스템(LEMS) 센서를 사용하여, RT, RRH 및 RCO2를 측정하였다. 연구 결과 각 변수 간 상관분석 시 RT와 PD 간의 강한 양의 상관관계가 나타났다(r > 0.75). 네 가지 데이터 세트 중 데이터 세트 3을 사용한 ML 모델이 높은 정확도가 나타났으며, 세 가지 회귀 모델 중에서 RFR 모델이 가장 우수한 성능을 보였다.

PURPOSES : The skid resistance between tires and the pavement surface is an important factor that directly affects driving safety and must be considered when evaluating the road performance. In especially wet conditions, the skid resistance of the pavement surface decreases considerably, increasing the risk of accidents. Moreover, poor drainage can lead to hydroplaning. This study aimed to develop a prediction equation for the roughness coefficient—that is, an index of frictional resistance at the interface of the water flow and surface material—to estimate the thickness of the water film in advance to prevent human and material damage. METHODS : The roughness coefficient can be changed depending on the surface material and can be calculated using Manning's theory. Here, the water level (h), which is included in the cross-sectional area and wetted perimeter calculations, can be used to calculate the roughness coefficient by using the water film thickness measurements generated after simulating specific rainfall conditions. In this study, the pavement slope, drainage path length, and mean texture depth for each concrete surface type (non-tined, and tined surfaces with 25-mm and 16-mm spacings) were used as variables. A water film thickness scale was manufactured and used to measure the water film thickness by placing it vertically on top of the pavement surface along the length of the scale protrusion. Based on the measured water film thickness, the roughness coefficient could be back-calculated by applying Manning's formula. A regression analysis was then performed to develop a prediction equation for the roughness coefficient based on the water film thickness data using the water film thickness, mean texture depth, pavement slope, and drainage path length as independent variables. RESULTS : To calculate the roughness coefficient, the results of the water film thickness measurements using rainfall simulations demonstrated that the water film thickness increased as the rainfall intensity increased under N/T, T25, and T16 conditions. Moreover, the water film thickness decreased owing to the linear increase in drainage capacity as the mean texture depth and pavement slope increased, and the shorter the drainage path length, the faster the drainage, resulting in a low water film thickness. Based on the measured water film thickness data, the roughness coefficient was calculated, and it was evident that the roughness coefficient decreased as the rainfall intensity increased. Moreover, the higher the pavement slope and the shorter the drainage path length, the faster the drainage reduced the water film thickness and increased the roughness coefficient (which is an indicator of the friction resistance). It was also evident that as the mean texture depth increased, the drainage capacity increased, which also reduced the roughness coefficient. CONCLUSIONS : As the roughness coefficient of the concrete road surface changes based on the environmental factors, road geometry, and pavement surface characteristics, we developed a prediction equation for the concrete pavement roughness coefficient that considered these factors. To validate the proposed prediction equation, a sensitivity analysis was conducted using the water film thickness prediction equation from previous studies. Existing models have limitations on the impact of the pavement type and rainfall intensity and can be biased toward underestimation; in contrast, the proposed model demonstrated a high correlation between the calculated and measured values. The water film thickness was calculated based on the road design standards in Korea—in the order of normal, caution, and danger scenarios—by using the proposed concrete pavement roughness coefficient prediction model under rainy weather conditions. Specifically, because the normal and caution stages occur before the manifestation of hydroplaning, it should be possible to prevent damage before it leads to the danger stage if it is predicted and managed in advance.

In this study, the magnetocaloric effect and transition temperature of bulk metallic glass, an amorphous material, were predicted through machine learning based on the composition features. From the Python module ‘Matminer’, 174 compositional features were obtained, and prediction performance was compared while reducing the composition features to prevent overfitting. After optimization using RandomForest, an ensemble model, changes in prediction performance were analyzed according to the number of compositional features. The R2 score was used as a performance metric in the regression prediction, and the best prediction performance was found using only 90 features predicting transition temperature, and 20 features predicting magnetocaloric effects. The most important feature when predicting magnetocaloric effects was the ‘Fe’ compositional ratio. The feature importance method provided by ‘scikit-learn’ was applied to sort compositional features. The feature importance method was found to be appropriate by comparing the prediction performance of the Fe-contained dataset with the full dataset.

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.