인공 고관절 치환술에 사용되는 금속 삽입물은 크기와 성분에 따라 주변 조직과 크고 작은 자화율의 차이를 일으켜 다양한 금속 인공물의 원인이 되며, 영상에 진단적 가치를 떨어뜨린다. 수신대역폭을 높이는 것은 인공물 감소에 효과가 있으나, 높은 수신대역폭은 획득 영상의 신호대잡음비를 감소시키는 단점이 있어 일정 수치 이상으로는 적용 하기에는 어려움이 있다. 딥러닝 알고리즘은 영상의 신호대잡음비를 높이고 전체 영상에서 균일하게 배경 잡음을 제거하는 데 매우 효과적이다. 이에 본 연구에서는 금속 인공물 감소를 위해 기존에 높은 수신대역폭을 이용하는 MARS(metal artifact reduction sequence) 프로토콜과 더욱 높은 수신대역폭을 설정한 프로토콜(Ultra MARS) 을 획득한 후 딥러닝을 이용하여 딥러닝 Ultra MARS로 변환한 후에 금속 인공물의 차이를 비교하였다. 딥러닝 적 용 후 Ultra MARS에서 적용 전 또는 기존의 MARS 기법보다 인공물의 크기가 작게 측정이 되었다. 또한, 인공물의 전체적인 SSIM(structural similarity index measure)에서도 기존의 MARS 기법보다 전체면적이 작게 측정되었 다. 더 나아가 SSIM의 결과 딥러닝 적용 전후의 구조적 유사성 역시 유사하게 나왔다. 딥러닝 알고리즘을 기존에 인공물을 줄이기 위해 사용하는 MARS와 같은 기법에서도 월등하게 높은 수치를 사용하는 강조영상을 획득 가능하 며 영상의 인공물도 줄이며, 영상의 대조도 또한 유지되는 영상을 제공할 수 있을 것으로 사료된다.

사장교의 시공에 있어서 보강형과 주탑의 형상 및 케이블 장력은 형상관리시 주요한 관리 항목이다. 특히 보강형의 형상은 Keg Segment의 원활한 폐합뿐만 아니라 계획된 종단 및 횡단 선형을 구현하기 위해 필수적으로 관리되어야 한다. 사장교에서 단계별 시공을 진행함에 따라 보강형 레벨과 케이블 장력 오차는 피할 수 없으며, 이러한 오차는 크게 재료 물성치와 모델링상의 오차, 제작 및 시공에 의해 발생하는 오차 등으로 나눌 수 있다. 이러한 오차로 인 해 케이블의 장력과 구조물의 처짐 또는 변위가 이론적인 해석값과 다르게 나타나며, 이에 대한 보정은 케이블의 길이 조정으로 수행하게 된다. 본 연구에서는 제2돌산대교에서 사용된 오차를 보정하는 새로운 최적화 기법을 소개 하고자 한다.

본 연구에서는 3개 이상의 기둥그룹에 대해서도 일반적으로 적용 가능한 기둥축소량의 최적보정기법을 제안하고, 이를 실제 시공된 건물에 적용하여 그 적용성을 평가하였다. 제안된 최적보정기법은 성능 및 시공상의 제약조건을 만족하면서 보정개소를 최소한으로 할 수 있는 층그룹 및 이때의 보정량을 산정하며, 상대보정뿐만 아니라 절대보정을 고려한 혼합보정도 가능하다. 최적보정에는 시뮬레이티드 어닐링(simulated annealing)이 주요 알고리즘으로 사용되었다. 제안된 기법을 실제 축소량 보정이 수행된 61층 건물에 적용한 결과, 보정량을 쉽게 산출할 수 있고 또한 실무방식보다 보정개소를 줄일 수 있어 적용성이 뛰어남을 확인하였다.

Multi-criteria decision making is deducing the relative importance in the criterion of decision making and each alternative which is able to making a variety of choices measures the preferred degree in the series of town ranking criterions. Moreover, this is possible by synthesizing them systematically. In general, a fundamental problem decision maker solve for multi-criteria decision making is evaluating a set of activities which an considered as the target logically, and this kind of work is evaluated and synthesized by various criterions of the value which a chain of activities usually hold in common. In this paper, we use the compensatory models for the optimal decision making. For the purpose of optimal decision making, the data of five different car models are used in Europe.

2014년부터 기상청에서 현업으로 활용하고 있는 전지구 계절예측시스템 GloSea5의 최대 6개월 예측 강수량을 수자원 및 여러 응용분야에 활 용하기 위해서는 예측모델이 가지는 관측자료와의 정량적인 편의를 보정할 필요가 있다. 본 연구에서는 GloSea5의 예측 강수량에서 나타나는 편 의를 보정하기 위해 확률분포형을 활용한 편의보정기법, 매개변수 및 비매개변수적 편의보정기법 등 총 11개의 기법을 활용하여 계절예측모델의 적용성을 평가하고 최적의 편의보정기법을 선정하고자 하였다. 과거재현기간에 대한 편의보정 결과, 비매개변수적 편의보정기법이 다른 기법에 비해 가장 관측자료와 유사하게 보정하는 것으로 분석되었으나 예측기간에 대해서는 상대적으로 많은 이상치를 발생시켰다. 이와는 대조적으로 매개변수적 편의보정기법은 과거재현기간 및 예측기간 모두 안정된 결과를 보여주고 있음을 확인할 수 있었다. 본 연구의 결과는 수자원운영 및 관 리, 수력, 농업 등 계절예측모델을 활용한 여러 응용분야에 적용이 가능할 것으로 기대된다.

이 연구에서는 사장교의 시공 중 장력보정을 위한 최적 변위계측 위치(OLD) 결정법을 제안한다. 변위 민감도를 구하여 Fisher Information Matrix(FIM)를 정식화하였고, 이를 이용한 유효독립분포벡터(EIDV)를 계산하여 최적 변위계측 위치의 우선순위를 결정하였다. 결정된 최적 변위계측 위치의 효율성과 신뢰성을 검증하기 위하여 사장교에 대한 수치예제를 수행하였다. 변위를 사용한 FIM을 정식화하여 이의 결과를 변위 민감도를 사용한 결과와 수치예제를 통해 비교하였다. 또한 변위 측정오차와 케이블 길이오차가 장력 보정에 미치는 영향을 Monte Carlo 기법을 사용하여 통계적으로 분석하였다.

본 연구에서는 LH-OAT (Latin Hypercube Ore factor At a Time) 민감도분석 방법과 SCE-UA (Shuffled Complex Evolution at University of Arizona) 최적화 기법을 적용하여 보청천 유역에서 SWAT모형에 대한 자동보정 방법을 제시하였다. LH-OAT 방법은 전역 민감도분석과 부분 민감도 분석의 장점을 조합하여 가용매개변수 공간에 대하여 효율적으로 매개변수의 민감도 분석이 가능하게

일단위 강우-유출모형인 SSARR모형을 이용하여 한강, 낙동강, 섬진강유역에 월 앙상블 유량예측 시스템을 구축하였다. 우선 SSARR모형의 월 평균 유출량에 대한 모의정확성을 평가한 결과 한강과 낙동강유역에서는 과소추정하는 경향이 뚜렷하였으며, 섬진강유역에서는 모의오차의 분산이 커 정확성 개선이 필요하였다. 최적선형 보정기법을 적용하여 SSARR모형의 모의유량을 보정한 결과, 섬진강을 제외한 한강과 낙동강유역의 검증지점에서는 모의 정확성이 크게 개선되었

본 연구에서는 전체탐색기법 중 Simplex법의 원리를 이용한 SCE-UA법과 Annealing-Simplex (A-S)법을 일유출량 추정 수문모형인 탱크모형의 매개변수 보정에 적용하여 국부탐색기법인 Downhill Simplex법의 결과와 비교하여 탐색능력을 평가하였다. 오차가 없는 합성자료를 사용한 보정에서 A-S법이 목적함수에 관계없이 전역최적해를 탐색하는 결과를 나타냈으며, SCE-UA법은 ABSERR를 목적함수로 사용할 경우에 전역최적해를 탐색