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.

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.

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.

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.

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.

본 연구는 성장 단계별 돼지의 평균 사료 섭취량을 추정하고, 각 매개변수 간의 상관분석을 통해 변수를 선별한 후, 기계학습 기반 회귀분석을 통해 돼지의 사료 섭취량(FI)을 예측하는 모델을 만들고자 한다. 본 실험은 2023년 9월 14일부터 2023년 12월 15일까지 93일 동안 진행하였다. 사료는 09:00와 17:00 하루에 2회 제공하였으며, 제공된 사료의 양은 돼지의 평균 체중의 5%를 지급하였다. 돼지의 몸무게(PBW)는 매일 09:00에 이동식 돈형기를 사용하여 측정하였다. 축산환경관리시스템(LEMS) 센서를 이용하여, 돈사 내 온도(RT), 상대습도(RH), NH3를 5분 간격으로 수집하였다. 성장 단계를 3단계로 나누었으며, 각 GS1, GS2 및 GS3으로 명명하였다. 각 성장 단계별 평균 사료 섭취량과 표준편차를 구하여, 유의미성과 성장 단계별 사료 섭취의 경향을 분석하였다. 각 모델의 성능평가( , RMSE, MAPE) 시 8:2의 비율로 데이터를 분할하여, 정확도 검증을 수행하였다. 연구 결과 성장 단계별 돼지의 사료 섭취량에 유의미한 차이(p < 0.05)가 있음과 돼지가 성장할수록 일정한 양의 사료를 섭취하는 것을 확인하였다. 또한 각 변수의 상관분석 시 FI와 PBW에서 강한 상관관계가 나타났으며(R > 0.94), 각 모델의 성능평가 결과 RFR 모델이 가장 높은 정확성(  = 0.959, RMSE = 195.9, MAPE = 5.739)을 보였다.

기후 변화로 인해 해수면 상승과 폭풍해일 발생 빈도가 증가하면서, 해안 지역에서의 재난 위험이 심화되고 있다. 본 연구는 NOAA의 GFS(Global Forecast System) 모델과 일본 기상청의 JMA-MSM(Japan Meteorological Agency Meso-Scale Model) 데이터를 기반으로 딥 러닝 기술을 활용하여 폭풍해일 예측 알고리즘을 개발하고, 두 모델에서 제공하는 대기 데이터를 입력 변수로 사용하여 예측 성능을 비 교하는 것을 목표로 한다. CNN(Convolutional Neural Network), LSTM(Long Short-Term Memory), Attention 메커니즘을 결합한 모델을 설계하고, 조위관측소의 관측 자료를 학습 데이터로 사용하였다. 과거 한반도에 직접적인 영향을 미쳤던 네 개의 태풍 사례를 통해 모델 성능을 검 증한 결과, JMA-MSM 기반 모델이 GFS 기반 모델에 비해 서해, 남해, 동해에서 각각 평균 RMSE를 0.34cm, 0.73cm, 1.86cm, MAPE를 0.15%, 0.36%, 0.68% 개선하였다. 이는 JMA-MSM의 고해상도 자료가 지역적 기상 변화를 정밀하게 반영했기 때문으로 분석된다. 본 연구는 해안 재난 대비를 위한 폭풍해일 예측의 효율성을 높이고, 추가 기상 데이터를 활용한 향후 연구의 기반 제공이 기대된다.

IIn the context of site response analysis, the use of shear wave velocity (  ) profiles that consider the seismological rock (  ≥ 3,000 m/s) depth is recommended. This study proposes regression analysis and machine learning-based models to predict deep   profiles for a specialized excavated rock site in South Korea. The regression model was developed by modifying mathematical expressions from a previous study and analyzing the correlation between   and model variables to predict deep   beyond 50 m. The machine learning models, designed using tree-based algorithms and a fully connected hierarchical structure, were developed to predict   from 51 m to 300 m at 1 m intervals. These models were validated by comparing them with measured deep   profiles and accurately estimating the trend of deep   variations. The proposed prediction models are expected to improve the accuracy of ground motion predictions for a specialized excavated rock site in Korea.

The turbine wheel plays a crucial role in operating turbines, and with recent advancements in technology, the performance requirements for turbine wheels have significantly increased. Consequently, it is essential to predict failure speeds, as turbine wheels must maintain high stability and reliability under harsh operating conditions. In this study, only the centrifugal loads generated by rotati were considered, excluding conditions such as temperature and pressure. A round-shaped fuse section was applied to the turbine wheel, and the stresses induced by variations in shape were analyzed to predict failure speeds. The results obtained using the Hallinan criteria were compared with the results from finite element analysis (FEA) to validate the predicted failure speeds, showing good agreement between the two methods.

에스컬레이터는 공공시설과 다중이용시설에서 필수적인 이동 수단으로 사용되며, 특히 고령 인구 증가와 함께 사고 발생률이 꾸준히 증가하고 있다. 이에 따라 공공시설의 안전 관리를 강화하고 중대한 시민 재해를 예방하기 위한 사고 예측 기술의 필요성이 대두되고 있으며, 본 연구는 2010년부터 2022년까지 13년간의 에스컬레이터(무빙워크 포함) 사고 데이터를 활용하여 다중선형회귀분석과 로지스틱 회귀분석을 기반으로 사고 예측 모델을 개발하였다. 다중선형회귀분석을 통해 사고 발생 건수 예측 모델을 구축하였고, 로지스틱 회귀분석을 통해 전도사고의 발생 확률을 분석하여 주요 변수와 영향을 도출하였다. 연구 결과, 이용자 과실과 같은 요인이 사고 발생과 피해 심각성에 가장 큰 영향을 미치는 변수 로 확인되었다. 본 연구에서 제시된 예측 모델은 사고 예방을 위한 체계적인 안전 관리 및 정책 수립에 유용한 자료로 활용될 수 있으며, 공공 및 민간 영역에서의 ESG 활동에도 기여할 수 있을 것이다.

본 연구에서는 박스 구조물의 부재력 예측을 위한 다양한 딥러닝 모델의 정확성을 비교하고자 하였다. 이를 위해 상용 유한 요소 프로그램인 MIDAS를 이용하여 300개의 유한요소모델을 작성하고, 수치해석을 수행하여 딥러닝 모델에 적용하기 위한 학습데이 터를 생성하였다. 또한, 딥러닝 모델의 정확성을 비교하기 위해 MLP, CNN, RNN 및 LSTM과 같은 다양한 신경망 모델과 Adam, SGD, RMSprop 및 Adamax 등 최적화 알고리즘을 교차 적용하여 16개의 딥러닝 모델을 생성하였다. 그 결과 Adam 최적화 알고리즘 이 모든 모델에서 가장 우수한 성능을 보여주었으며, 특히 MLP 모델에서 가장 높은 R2 값을 나타내었다. 이를 통해, 박스 구조물의 부재력 예측을 위한 최적의 딥러닝 모델 구성은 Adam optimizer와 MLP 구조임을 확인하였다.

This study proposes a weight optimization technique based on Mixture Design of Experiments (MD) to overcome the limitations of traditional ensemble learning and achieve optimal predictive performance with minimal experimentation. Traditional ensemble learning combines the predictions of multiple base models through a meta-model to generate a final prediction but has limitations in systematically optimizing the combination of base model performances. In this research, MD is applied to efficiently adjust the weights of each base model, constructing an optimized ensemble model tailored to the characteristics of the data. An evaluation of this technique across various industrial datasets confirms that the optimized ensemble model proposed in this study achieves higher predictive performance than traditional models in terms of F1-Score and accuracy. This method provides a foundation for enhancing real-time analysis and prediction reliability in data-driven decision-making systems across diverse fields such as manufacturing, fraud detection, and medical diagnostics.

The purpose of this study was to develop a more accurate model for predicting the in-situ compressive strength of concrete pavements using Internet-of-Things (IoT)-based sensors and deep-learning techniques. This study aimed to overcome the limitations of traditional methods by accounting for various environmental conditions. Comprehensive environmental and hydration data were collected using IoT sensors to capture variables such as temperature, humidity, wind speed, and curing time. Data preprocessing included the removal of outliers and selection of relevant variables. Various modeling techniques, including regression analysis, classification and regression tree (CART), and artificial neural network (ANN), were applied to predict the heat of hydration and early compressive strength of concrete. The models were evaluated using metrics such as mean absolute error (MAE) to determine their effectiveness. The ANN model demonstrated superior performance, achieving a high prediction accuracy for early-age concrete strength, with an MAE of 0.297 and a predictive accuracy of 99.8%. For heat-of-hydration temperature prediction, the ANN model also outperformed the regression and CART models, exhibiting a lower MAE of 1.395. The analysis highlighted the significant impacts of temperature and curing time on the hydration process and strength development. This study confirmed that AI-based models, particularly ANNs, are highly effective in predicting early-age concrete strength and hydration temperature under varying environmental conditions. The ability of an ANN model to handle non-linear relationships and complex interactions among variables makes it a promising tool for real-time quality control in construction. Future research should explore the integration of additional factors and long-term strength predictions to further enhance the model accuracy.

In this paper, we deal with the design of a model predictive control (MPC) for precise speed servo control of DC motor systems. The proposed controller is designed in the form of optimal control that calculates and outputs the optimized control input under constraints for each sampling. In particular, MPC designs the control inputs in advance for each sampling and predicts the outputs using them. Thus, it shows excellent control performance even in the case of disturbance or model uncertainty. The effectiveness of the proposed controller was demonstrated through computer simulations using MATLAB/Simulink and DC motor experimental system using real time controller. Moreover, the effectiveness of the proposed controller was confirmed by comparing its control performance with PID controller, which was tested under the same experimental condition as the MPC.

This study integrates TabTransformer and CTGAN for predicting job satisfaction among South Korean college graduates. TabTransformer handles complex tabular data relationships with self-attention, while CTGAN generates high-quality synthetic samples. The combined approach achieves an accuracy of 0.85, precision of 0.83, recall of 0.82, F1-score of 0.82, and an AUC of 0.88. Cross-validation confirms the model's robustness and generalizability with a mean accuracy of 0.85 and a standard deviation of 0.008. The integration of TabTransformer and CTGAN enhances predictive accuracy and model generalizability, providing valuable insights for employment policy and research.

기후 변화에 의해 해수면 온도 상승, 태풍의 최고 강도 북상, 태풍 강도 증가가 나타나고 있으며, 미래의 태풍 강도 변화가 더 심화될 것으로 예상하고 있다. 본 논문에서는 기후 변화 시나리오에 의해서 발생할 수 있는 한반도 부근의 태풍 강도를 예측하기 위하여 딥러닝 기반 태풍 강도 예측 모델을 개발하였다. 기후 예측정보를 이용하여 미래 기후 변화 환경장 변화에 따른 태풍의 강도를 예측할 수 있도록 과거 환경장을 학습 자료로 사용하였다. 학습자료는 1980년에서 2022년까지의 태풍 발생 빈도가 높은 6~10월의 기상 및 해양 재분 석 월평균 자료와 Best Track 태풍 241개를 입력자료로 사용하였다. 환경장 변화에 따른 태풍 강도 예측을 위해 자료의 공간적인 특징과 시간적인 특징을 함께 고려하는 딥러닝 모델인 ConvLSTM 기반으로 모델을 개발하였다. 태풍 트랙 시퀀스의 각 이동 경로에 대한 월평균 환경장 자료를 모델에 학습하여 태풍의 중심 기압을 예측하였다. 태풍의 공간적 특성을 반영할 수 있도록 범위를 설정하여 입력자료로 학습하였으며, 5°⨉ 5°의 범위일 때 가장 좋은 결과를 보였다. 몬테카를로 방법을 이용한 민감도 실험을 통해 모델 예측에 가장 큰 영향을 미치는 변수는 SST로 확인되었다.

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.