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.

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.

본 연구는 데이터를 기반으로 한 인공지능 기계학습 기법을 활용하여 온실 내부온도 예측 시뮬레이션 모델을 개발을 수행 하였다. 온실 시스템의 내부온도 예측을 위해서 다양한 방법 이 연구됐지만, 가외 변인으로 인하여 기존 시뮬레이션 분석 방법은 낮은 정밀도의 문제점을 지니고 있다. 이러한 한계점 을 극복하기 위하여 최근 개발되고 있는 데이터 기반의 기계 학습을 활용하여 온실 내부온도 예측 모델 개발을 수행하였 다. 기계학습모델은 데이터 수집, 특성 분석, 학습을 통하여 개 발되며 매개변수와 학습방법에 따라 모델의 정확도가 크게 변 화된다. 따라서 데이터 특성에 따른 최적의 모델 도출방법이 필요하다. 모델 개발 결과 숨은층 증가에 따라 모델 정확도가 상승하였으며 최종적으로 GRU 알고리즘과 숨은층 6에서 r2 0.9848과 RMSE 0.5857℃로 최적 모델이 도출되었다. 본 연 구를 통하여 온실 외부 데이터를 활용하여 온실 내부온도 예 측 모델 개발이 가능함을 검증하였으며, 추후 다양한 온실데이 터에 적용 및 비교분석이 수행되어야 한다. 이후 한 단계 더 나아 가 기계학습모델 예측(predicted) 결과를 예보(forecasting)단 계로 개선하기 위해서 데이터 시간 길이(sequence length)에 따른 특성 분석 및 계절별 기후변화와 작물에 따른 사례별로 개발 모델을 관리하는 등의 다양한 추가 연구가 수행되어야 한다.

Ambient Air Vaporizer (AAV) is an essential facility in the process of generating natural gas that uses air in the atmosphere as a medium for heat exchange to vaporize liquid natural gas into gas-state gas. AAV is more economical and eco-friendly in that it uses less energy compared to the previously used Submerged vaporizer (SMV) and Open-rack vaporizer (ORV). However, AAV is not often applied to actual processes because it is heavily affected by external environments such as atmospheric temperature and humidity. With insufficient operational experience and facility operations that rely on the intuition of the operator, the actual operation of AAV is very inefficient. To address these challenges, this paper proposes an artificial intelligence-based model that can intelligent AAV operations based on operational big data. The proposed artificial intelligence model is used deep neural networks, and the superiority of the artificial intelligence model is verified through multiple regression analysis and comparison. In this paper, the proposed model simulates based on data collected from real-world processes and compared to existing data, showing a 48.8% decrease in power usage compared to previous data. The techniques proposed in this paper can be used to improve the energy efficiency of the current natural gas generation process, and can be applied to other processes in the future.

This study was conducted to determine the possibility of estimating the daily mean temperature for a specific location based on the climatic data collected from the nearby Automated Synoptic Observing System (ASOS) and Automated Weather System(AWS) to improve the accuracy of the climate data in forage yield prediction model. To perform this study, the annual mean temperature and monthly mean temperature were checked for normality, correlation with location information (Longitude, Latitude, and Altitude) and multiple regression analysis, respectively. The altitude was found to have a continuous effect on the annual mean temperature and the monthly mean temperature, while the latitude was found to have an effect on the monthly mean temperature excluding June. Longitude affected monthly mean temperature in June, July, August, September, October, and November. Based on the above results and years of experience with climate-related research, the daily mean temperature estimation was determined to be possible using longitude, latitude, and altitude. In this study, it is possible to estimate the daily mean temperature using climate data from all over the country, but in order to improve the accuracy of daily mean temperature, climatic data needs to applied to each city and province.

본 연구는 고추의 생육특성인 초장, 엽면적, 생체중, 건물중을 조사하였고, 기상요인에 따른 수량 예측 모델 개발을 위하여 수행되었다. 생육도일온도에 따른 고추의 생체중, 건물중, 초장 및 엽면적에 대한 생장 모델(시그모이드 곡선)을 개발하였다. 고추는 정식 후 50일 전후로 초장, 엽면적, 생체중 및 건물중이 지수 함수적으로 증가하였으며, 140일 이후에는 생장요인들이 평행을 이루었다. 그리고 생육도일온도에 따른 고추의 생장을 분석 한 결과 지수 함수적으로 생장이 늘어나는 시점의 GDD는 1,000였다. 고추의 건물중에 대한 상대생장 속도를 계산하는 식은 RGR (dry weight) = 0.0562 + 0.0004 × DAT − 0.00000557 × DAT2 였다. 수확한 적과의 생체중과 건물중으로 고추의 단수를 구하였을 때, 정식 후 112일에 1,3871kg/10a였고, 건고추의 단수는 정식 후 112일에 291kg/10a이였다. 고추 작황예측 프로그램 개발을 위해서는 고추의 생산성에 관여하는 주요 요인을 분석하고, 실시간으로 계측한 생육 및 기상자료를 기반으로 하여 생육모델을 보정 및 검증해야 할 것이다.

기상 조건을 고려하여 교통사고 발생 원인과의 관계를 분석한 연구에서는 갑작스러운 온도 또는 기상 상 태의 변화는 교통사고에 영향을 준다는 결론을 제시하고 있다. 특히, 동절기에 기온이 떨어지는 경우, 도로 결빙에 의한 교통사고가 발생할 가능성이 높으며, 도로 표면에서 발생하는 결빙 현상은 운전자가 육안으로 쉽게 관측 할 수 없는 한계를 가진다. 따라서, 노면에 발생하는 결빙은 교통사고의 원인으로 작용 할 수 있 기 때문에, 결빙이 발생한 구간에서 운전자의 주의를 높여 줄 수 있는 대안 등이 요구된다. 결빙 현상은 야 간과 같이 온도가 낮아지는 시간에 발생하므로, 결빙을 예측하기 위해서는 노면 온도에 대한 정보가 필요하 다. 그러나, 노면온도 변화에 직･간접적으로 영향을 주는 대기 기상정보는 거시적(5km*5km 단위) 범위에 서 정보가 제공되므로, 운전자가 주행하는 도로망에 대한 정확한 정보를 제공하는데 어려움이 따른다. 따라 서, 본 연구에서는 운전자가 주행하는 도로망에 대기 온도를 제공 및 예측하기 위해 대기온도, 대기습도, 풍 향 등을 고려한 기상정보와 노면 온도 자료를 활용하여 노면 온도를 예측하는 모형을 개발하고자 한다. 노면 온도 예측 모형을 개발하기 위하여 Thermal Mapping 장비가 장착된 차량을 이용하였으며, Thermal Mapping 장비를 통해 노면온도, 대기온도, 대기습도를 측정한다. 또한, 시스템적으로 GPS가 연계되어 있어서, 정확한 위치 정보의 취득이 가능하며, 노면온도에 영향을 미치는 기상정보는 기상청에 서 수집하여 제공하는 온도, 습도, 풍속 등을 이용하였다. 또한, 지형의 요소를 교량부, 산지부, 평지부, 해안, 내륙을 구분하여 지형적인 요소도 반영 될 수 있도록 하였다. 예측 모형은 비선형 분석 모형을 사용 하여 노면 예측 정확도에 적합한 알고리즘을 사용할 계획이며, 본 연구의 결과는 기상과 관련된 교통안전 관련 연구에 활용될 것으로 기대한다.

본 연구에서는 멸균처리공정이 없는 돈육 포장공정을 대상으로 작업장에서 직접 분리한 야생균주인 Salmonellaspp. KSC101를 작업장의 온도와 시간을 주요 변수로 하여, 이들 현장에서의 Salmonella spp. KSC101의 성장 특성을 파악하고, 이를 수학적으로 예측할 수 있는 모델을 개발하였다. 돈육포장공장 현장을 반영하여 온도는 0, 5, 10,15, 20oC로, 시간은 0, 1, 2, 3시간으로 하였으며, 0oC와5oC에서는 성장이 발생하지 않았으며, 10oC, 15oC, 20oC에서는 약간의 성장이 있었으나 증가수준은 평균 0.34 logCFU/g정도였고, 20oC에서 성장율이 더 높았으나 15oC와는 통계적으로는 유의하지 않았다(p < 0.05). 하지만 PMP와 비교시 야생균주인 Salmonella spp. KSC101의 성장이더 빠른 것으로 나타났다. 이들 실험결과를 바탕으로 1차모델은 Gompertz 4 parameter식을, 2차 모델은 Exponentialdecay식을 이용하여 성장예측모델을 개발하였으며, R2값은0.99이상으로 나타났다. 개발된 모델에 대한 검증으로RMSE를 이용하였으며, 값이 0.103으로 양(+)의 방향으로약간 초과 예측하는 것으로 나타났으나, 최종적으로 실험값과 예측값이 ± 0.5 log cfu/g 내에서 일치하고 있어, 본연구에서 개발된 모델은 추후 냉장돈육 포장공정에서 위생관리기준 설정에 대한 과학적 근거자료로 활용할 수 있을 것이다.

최근 경기, 충남, 전북, 전남지역에 발생하여 사과, 감, 산수유, 밤 등 각종 과수와 산림에 피해가 심한 갈색날개매미충(Ricania sp.)이 전남지역에서는 구례 산동면 일대의 286ha에 발생하였다. 갈색날개매미충은 1년생 가지내 산란에 의한 신초고사, 약충과 성충의 흡즙에 의한 양분손실 및 감로 배설에 의한 그을음병 유발의 피해를 준다. 따라서 본 연구는 갈색날개매미충의 적기방제에 의한 방제효율을 향상하고자 온도별 발육시험을 통한 알의 부화시기를 예측할 수 있는 발육모델을 개발하였다. 구례 산동의 산수유 가지에 산란된 난괴를 ‘12년 1월에 채집하여 항온기의 15, 18, 21, 24, 27, 30℃(14L-10D) 조건에서 부화소요기간과 부화율을 조사한 결과, 부화소요기간은 각각 51.1, 30.9, 24.6, 19.6, 17.0, 19.3으로 온도가 높을수록 기간이 짧아졌으며, 부화율은 56, 74, 75, 70, 73, 59%로 18~27℃에서 부화율이 비교적 높았다. 이를 근거로 온도와 발육속도와의 관계식은 Y=0.0024X-0.0114 (R2=0.8507)이었으며, 알의 발육영점온도는 4.75℃, 유효적산온도는 429.3일도였다. ’12년 순천기상대 자료를 이용하여 갈색날개매미충의 부화시기는 5월 10일경으로 예측되었다. 몇가지 약제를 이용하여 갈색날개매미충 알의 살란효과를 조사한 결과, 무처리의 부화율이 65.1%였으나 클로르피리포스수화제는 전 농도처리에서 부화하지 않아 살란율이 높았으며, 다른 약제는 부화율을 약간 낮추는 효과가 있었다.

 ,  , The developmental period of Laodelphax striatellus Fallen, a vector of rice stripe virus (RSV), was investigated at ten constant temperatures from 12.5 to 35±1℃ at 30 to 40% RH, and a photoperiod of 14:10 (L:D) h. Eggs developed successfully at each temperature tested and their developmental time decreased as temperature increased. Egg development was fasted at 35℃(5.8 days), and slowest at 12.5℃ (44.5 days). Nymphs could not develop to the adult stage at 32.5 or 35℃. The mean total developmental time of nymphal stages at 12.5, 15, 17.5, 20, 22.5, 25, 27.5 and 30℃ were 132.7, 55.9, 37.7, 26.9, 20.2, 15.8, 14.9 and 17.4 days, respectively. One linear model and four nonlinear models (Briere 1, Lactin 2, Logan 6 and Poikilotherm rate) were used to determine the response of developmental rate to temperature. The lower threshold temperatures of egg and total nymphal stage of L. striatellus were 10.2℃ and 10.7℃, respectively. The thermal constants (degree-days) for eggs and nymphs were 122.0 and 238.1DD, respectively. Among the four nonlinear models, the Poikilotherm rate model had the best fit for all developmental stages (r<, SUP>, 2<, /SUP>, =0.98∼0.99). The distribution of completion of each development stage was well described by the two-parameter Weibull function (r<, SUP>, 2<, /SUP>, =0.84∼0.94). The emergence rate of L. striatellus adults using DYMEX<, SUP>, ®<, /SUP>, was predicted under the assumption that the physiological age of over-wintered nymphs was 0.2 and that the Poikilotherm rate model was applied to describe temperature-dependent development. The result presented higher predictability than other conditions.

Predictive mathematical models were developed for predicting the kinetics of growth of Listeria monocytogenes in smoked salmon, which is the popular ready-to-eat foods in the world, as a function of temperature (4, 10, 20 and 30℃). At these storage temperature, the primary growth curve fit well (r² = 0.989~0.996) to a Gompertz equation to obtain specific growth rate (SGR) and lag time (LT). The Polynomial model for natural logarithm transformation of the SGR and LT as a function of temperature was obtained by nonlinear regression (Prism, version 4.0,GraphPad Software). Results indicate L. monocytogenes growth was affected by temperature mainly, and SGR model equation is 365.3-31.94*Temperature+0.6661*Temperature^2 and LT model equation is 0.1162-0.01674*Temperature+0.0009303*Temperature^2. As storage temperature decreased 30℃ to 4℃, SGR decreased and LT increased respectively. Polynomial model was identified as appropriate secondary model for SGR and LT on the basis of most statistical indices such as bias factor (1.01 by SGR, 1.55 by LT) and accuracy factor (1.03 by SGR, 1.58 by LT).

일반적으로 철근콘크리트 슬래브는 콘크리트 재료의 열적특성에 의해 높은 수준의 화재 저항 성능을 보유하고 있는 것으로 알려져 있다. 그러나 기존연구에 따르면 중공슬래브의 열적거동은 일반 슬래브와 상이한 것으로 보고되고 있으며, 이는 중공슬래브 내부에 형성된 공기층 때문인 것으로 판단된다. 따라서 슬래브 내부의 공기층을 고려하지 못하는 기존의 방법을 통해서 화재 시 중공슬래브의 내부온도를 추정하는 것은 어려울 것으로 판단된다. 본 연구에서는 화재 시 중공슬래브의 내부온도 분포를 산정하기 위한 수치해석 모델을 제안하고 이를 평가하였다. 기본적으로 화재 시 슬래브의 열전달은 전도, 대류, 복사 등을 통해 발생하며, 이를 기반으로 시간에 따른 슬래브 내부 단면 온도분포를 산정하게 된다. 이에 본 연구에서는 슬래브를 유한개의 층으로 분할하여 각 층의 온도를 산정하는 유한차분법을 도입한 중공슬래브의 수치해석적 모델을 개발하였으며, 슬래브 내부 공기층에서의 대류 및 복사에 의한 열전달 경로를 고려할 수 있도록 개발하였다. 또한 제안된 모델을 실험결과와의 비교를 통해 검증하였으며, 그 결과 제안된 모델은 화재 시 중공슬래브의 온도변화를 적절히 예측하고 있는 것으로 나타났다.

Background: The leaf temperature (TLEAF) is one of the most important physical parameters governing water and carbon flux, including evapotranspiration, photosynthesis and respiration. Cnidium officinale is one of the important folk medicines for counteracting a variety of diseases, and is particularly used as a traditional medicinal crop in the treatment of female genital inflammatory diseases. In this study, we developed a model to estimate TLeaf of Cnidium officinale Makino based on black globe temperature (TBGT). Methods and Results: This study was performed from April to July 2018 in field characterized by a valley and alluvial fan topography. Databases of TLEAF were curated by infrared thermometry, along with meteorological instruments, including a thermometer, a pyranometer, and an anemometer. Linear regression analysis and Student’s t-test were performed to evaluate the performance of the model and significance of the parameters. The correlation coefficient between observed TLEAF and calculated TBGT obtained using an equation, developed to predict TLEAF based on TBGT was very high (r2 = 0.9500, p < 0.0001). There was a positive relationship between TBGT and solar radiation (r2 = 0.8556, p < 0.0001), but a negative relationship between TBGT and wind speed (r2 = 0.9707, p < 0.0001). These results imply that heat exchange in leaves seems to be mainly controlled by solar radiation and wind speed. The correlation coefficient between actual and estimated TBGT was 0.9710 (p < 0.0001). Conclusions: The developed model can be used to accurately estimate the TLeaf of Cnidium officinale Makino and has the potential to become a practical alternative to assessing cold and heat stress.