Nowadays, artificial intelligence model approaches such as machine and deep learning have been widely used to predict variations of water quality in various freshwater bodies. In particular, many researchers have tried to predict the occurrence of cyanobacterial blooms in inland water, which pose a threat to human health and aquatic ecosystems. Therefore, the objective of this study were to: 1) review studies on the application of machine learning models for predicting the occurrence of cyanobacterial blooms and its metabolites and 2) prospect for future study on the prediction of cyanobacteria by machine learning models including deep learning. In this study, a systematic literature search and review were conducted using SCOPUS, which is Elsevier’s abstract and citation database. The key results showed that deep learning models were usually used to predict cyanobacterial cells, while machine learning models focused on predicting cyanobacterial metabolites such as concentrations of microcystin, geosmin, and 2-methylisoborneol (2-MIB) in reservoirs. There was a distinct difference in the use of input variables to predict cyanobacterial cells and metabolites. The application of deep learning models through the construction of big data may be encouraged to build accurate models to predict cyanobacterial metabolites.

나노복합재료는 다기능성과 고성능을 가지는 혁신적인 복합재료이다. 나노 스케일 필러의 혼입함으로써 복합재료의 전기적, 역학 적 및 열적 특성이 크게 향상될 수 있기 때문에 나노 스케일 필러를 이용한 나노복합재료의 특성화에 관한 다양한 연구가 광범위하게 수행되어 왔다. 특히, 탄소계 나노 필러(탄소나노튜브, 카본블랙, 그래핀 나노판 등)를 활용하여 전기/역학적 특성을 향상시킨 나노복 합소재 개발에 관한 연구들이 복합재료 분야에서 큰 관심을 받고있다. 본 논문은 실제 응용에 필수적인 나노복합재료의 전기/역학적 특성을 문헌조사를 통해 고찰하는 것을 목표로 한다. 또한, 나노복합재료의 전기/역학적 특성 예측을 위한 최신 멀티스케일 모델링 연 구들에 대해서 검토하고, 멀티스케일 모델링에 대한 과제와 향후 발전 가능성에 대해서 논의한다.

본 연구에서는 투과 유량 모델을 개발하기 위하여, 시간, 막 전후의 압력 차, 회전 속도, 막의 기공 크기, 동점도, 농도 및 공급 유체의 밀도 등 7개의 입력 변수에 기반한 두 종류(ANN 및 SVM) 인공지능 기법을 이용하였다. 시행착오법과 실험데이터와 예측 데이터 간의 결정 계수(R2) 와 평균절대상대편차(AARD)를 포함한 두 가지 통계 변수를 통해 최적의 모델 을 선정하였다. 최종적으로 얻어진 결과에서 최적화된 ANN 모델이 R2 = 0.999 및 AARD% = 2.245인 투과 플럭스 예측 정 확도를 보여서, R2 = 0.996 및 AARD% = 4.09의 정확도를 보인 SVM 모델에 비해 더 정확함을 알 수 있었다. 또한, ANN 모델은 SVM 방식에 비해 투과 유속을 예측하는 능력도 더 높은 것으로 나타났다.

오대산국립공원 내 뱀류 로드킬의 발생 경향 파악 및 예방을 위하여 2006-2017년 사이 공원 내에서 발생한 뱀류 로드킬 자료를 확보 및 분석하였고, 잠재적 발생지 예측을 위하여 종분포모델을 제작하였다. 연구기간 동안 뱀류 로드킬 은 600m 대의 양쪽 환경이 산림-수계인 도로에서 가장 많이 발생하였다. 모델링 결과에서 뱀류 로드킬 발생 가능성은 고도 700m 이하의 하천과의 거리가 25m 부근인 완만한 경사의 도로의 로드킬 발생확률이 높게 나타났다. 국립공원 내 주요 로드킬발생 예측지역은 국도 6호선 도로 위 공원 남쪽 경계로부터 약 2.2㎞ 지역과 약 11.7㎞ 지역이, 지방도 446호선 도로 위 공원 남쪽 경계로부터 약 3.44㎞ 지역이었다. 본 연구결과는 해발고도 700m 이하 수계와 인접한 도로 주변에 우선적으로 대체 일광욕 장소, 생태통로 및 도로의 유입을 막는 울타리의 설치가 산림에서 뱀류 로드킬을 줄이는 효과적인 방안이 될 것을 제시한다.

There are a number of methods to evaluate the quality of squid. However, when purchasing the fish, consumers and retails rely only on the sensory test and flavor in the field. Therefore, this study was aimed to prove relationship between scientific indicator and sensory test. Total viable cell count (TVC), viable cell count of Pseudomonas spp., pH and volatile basic nitrogen (VBN) were selected as scientific indicators and mesured during the storage of squid at different temperature. The squid was storaged at 3 different temperature (5oC, 15oC, 20oC). Off flavor determination time was measured by R-index, and kinetic modeling was conducted. Activation energies of offflavor determination time, TVC, Pseudomonas spp, VBN, and pH were 51.210 kJ/mol, 42.88 kJ/mol, 50.283 kJ/mol, 72.594 kJ/mol and 41.99 kJ/mol respectively. Activation energy of off-flavor determination time was approximated to viable cell count of Pseudomonas spp., TVC, pH and VBN as an order. Especially, viable cell count of Pseudomonas spp. had best match of the activation energy. Therefore, it was judged that indicator of off-flavor determine time was viable cell count of Pseudomonas spp..

최근 시스템 반도체 발전으로 인하여 자동차 산업의 전장(電装)에 대한 기술혁 신이 빠르게 진행되고 있다. 특히, 자동차의 전장화는 자동차 부품업체들의 기술개발 경쟁을 가속화시키고 있으며, 개발 주기 또한 빠르게 변화하고 있다. 이러한 변화로 인하여 연구개 발에 대한 전략과 기획의 중요성은 더욱 강화되고 있다. 자동차 산업의 패러다임 변화로 인 하여, 연구개발 전략 중의 하나인 제품-기술로드맵(P/TRM)은 기획 단계에서 기술예측, 기 업의 기술수준평가, 기술획득방법(Make/Collaborate/Buy) 등의 분석을 통하여 개발이 이루 어져야 한다. 제품-기술로드맵은 제품과 기술의 고객 니즈를 파악하고 기술의 선정, 개발방향을 설정하 는 툴(Tool)로써, 미래의 발전방향 추세를 예측하고 매크로(Macro) 트랜드의 전략적 방향성 과 목표를 설정하는데 사용된다. 하지만, 대부분의 기업에서는 해당 기술의 논문이나 특허 분석, 전문가 델파이에 주로 의존하는 정성적인 방법을 통하여 제품-기술로드맵을 개발하고 있다. 본 연구는 가트너의 하이프 사이클과 누적이동평균 기반 데이터 전처리, 딥러닝(LSTM) 시계열 분석 기법을 융합하여 자동차 산업 중심으로 제품-기술로드맵을 보완하고 강화시킬 수 있는 시뮬레이션을 통하여 실증 연구를 진행하였다. 본 논문에서 제시한 실증 연구는 자 동차 산업 뿐만 아니라, 범용적으로 타제조업 분야에서도 사용 가능할 수 있다. 또한, 기업적인 측면에서는 그동안 정성적인 방법에 의존하던 로드맵 작성 방법에서 탈피 하여 좀 더 정확한 제품-기술로드맵을 통하여 적기에 시장에 제품을 제공함으로써 선도업체 로 나아가기 위한 밑거름이 될 것이라고 사료된다.

본 연구는 반밀폐형 토마토 재배 온실에서 광합성율 극대화를 위한 적정 탄산가스 시비 농도를 구명하고자 광합성 모델을 이용하여 잎의 최대 카복실화율(Vcmax), 최대 전자전달속도(Jmax), 열파괴, 잎 호흡 등을 계산하고 실제 측정값과 비교하였다. 다양한 광도(PAR 200μmol·m -2 ·s -1 to 1500μmol·m -2 ·s -1 )와 온도(20°C to 35°C) 조건에서 CO2 농도에 대한 A-Ci curve는 광합성 측정 기기를 사용하여 측정하였고, 모델링 방정식으로 아레니우스 함수값 (Arrhenius function), 순광합성율(net CO2 assimilation, An), 열파괴(thermal breakdown), Rd(주간의 잎호흡)를 계산 하였다. 엽온이 30°C 이상으로 상승하였을 때 Jmax, An 및 thermal breakdown 예측치가 모두 감소하였고, 예측 Jmax의 가장 최고점은 엽온 30°C였으며 그 이상의 온도에서는 감소하였다. 생장점 아래 5번째 잎의 광합성율은 PAR 200－ 400μmol·m -2 ·s -1 수준에서는 CO2 600ppm, PAR 600－800μmol·m -2 ·s -1 수준에서는 CO2 800ppm, PAR 1000μmol·m -2 ·s -1 수 준에서는 CO2 1000ppm, PAR 1200－1500μmol·m -2 ·s -1 수준에서는 CO2 1500ppm을 공급했을 때 포화점에 도달하였다. 앞으로 광합성 모델식을 활용하여 과채류 온실 재배 시 광합성을 높일 수 있는 탄산시비 농도를 추정할 수 있을 것으로 판단된다.

본 연구는 생태계 모델을 이용하여 부산연안으로 유입되는 부하량 삭감에 따른 해역의 수질개선 정도를 예측하였다. 모델링 결과에 의하면 COD, T-N, T-P 모두 수영만 연안과 낙동강 하구에서 뚜렷한 개선을 나타냈으며, 수영만을 제외한 만 중부에서 만 동쪽까지 는 수질개선이 거의 나타나지 않았다. 이는, 부산연안이 남해에 위치한 다른 해역에 비해 개방형경계를 가지고 있어서, 물질교환이 빠르 기 때문으로 판단된다. 수질개선을 위한 본 해역의 삭감 COD 부하량은 타 해역에 비해 적었고, 총 유입부하량에 대한 삭감비율 또한 작게 나타났다. 본 연구에 적용한 부하삭감량을 적용하면 수영만, 낙동강 하구부근에서 뚜렷한 수질개선효과를 얻을 수 있을 것으로 판단된다.

PURPOSES :This study aims to improve complex modeling of multivariable, nonlinear, and overdispersion data with an artificial neural network that has been a problem in the civil and transport sectors.METHODS :Deep learning, which is a technique employing artificial neural networks, was applied for developing a large bus fuel consumption model as a case study. Estimation characteristics and accuracy were compared with the results of conventional multiple regression modeling.RESULTS :The deep learning model remarkably improved estimation accuracy of regression modeling, from R-sq. 18.76% to 72.22%. In addition, it was very flexible in reflecting large variance and complex relationships between dependent and independent variables.CONCLUSIONS :Deep learning could be a new alternative that solves general problems inherent in conventional statistical methods and it is highly promising in planning and optimizing issues in the civil and transport sectors. Extended applications to other fields, such as pavement management, structure safety, operation of intelligent transport systems, and traffic noise estimation are highly recommended.

온난화와 같은 전지구적 변화는 기온과 강수 등 기상요소에 직접적으로 반영되어 곡물 수확량의 변화를 가져온다. 기후변화 시나리오에 기초한 선행연구들에서는 GCM (general circulation model)의 공간해상도 문제로 인하여 상세한 모의가 어려웠고, 시계열통계법을 활용한 연구들에서는 기후요소를 통합하여 수확량을 예측한 사례가 매우 드물었다. 이에 본 연구에서는 상세화된 기후재분석자료의 시계열모델링을 통하여 옥수수와 콩의 수확량 예측실험을 수행하였다. 미국 아이오와 주의 99개 카운티를 대상으로 1960년부터 2009년까지 50년간의 고해상도 기후재분석자료와 정부통계 수확량 DB를 구축하고, 시계열통계법인 VAR (vector autoregression)와 ARIMA (autoregressive integrated moving average)를 이용하여 다음해 수확량 예측실험을 10개 연도에 대해 수행하여 예측력을 평가하였다. VAR는 16-18%, ARIMA는 11-14% 의 오차율로 다음해의 수확량을 예측할 수 있는 것으로 집계되었으며, 옥수수의 경우 표토의 산성도, 심토의 점토와 나트륨 함유량 등의 토양특성 이 실제 수확량 및 예측정확도에 영향을 미치는 것으로 나타났다.

매미나방(Lymantria dispar)는 미국과 캐나다에서는 유럽계통 매미나방의 유입으로 큰 피해를 주고 있지만 생물학적 특성에 대해 명확히 연구되지 않고 있다. 본 연구에서는 매미나방의 온도별 발육특성을 연구하고 발생 예측 모델을 개발하여 검역 및 방제의 기초로 이용하고자 한다. 매미나방의 난괴는 월동 중인 것을 채집하였고 저온저장 후 활용하였다. 상대습도 70%, 명암14L:10D, 항온조건(15, 20, 25, 30℃)에서 발육기간과 발육율을 조사하였고 발생 예측 모델을 개발하였다. 부화한 유충의 온도별 평균발육기간과 발육율은 온도가 높을수록 짧아지는 선형 패턴을 보였다(평균발육기간; 암컷: 96.02, 56.19, 43.71, 35.71, 수컷: 93.01, 54.32, 40.54, 34.25, 발육율; 암컷: 0.0107, 0.0180, 0.0233, 0.0292, 수컷: 0.0109, 0.0185, 0.0253, 0.0303). 개발된 모델에 2010년도 기상청 온도자료를 적용하고 기본 부화시기를 4월 20일로 하였을 때 예측되는 매미나방 우화 최성기는 6월 22일부터 29일로 이는 실제 발생 시기보다 10일 빠른 것으로 나타났다.