본 논문에서는 확률론적 처리기법을 적용하여 플랜트 시설물의 폭발 재현주기에 따른 폭발 위험도를 분석하였다. HSE에서 제공하 는 누출 데이터, DNV에서 제시한 플랜트당 연간 누출 빈도, 다양한 연구진이 제시한 점화 확률을 고려하여 누출량에 따른 폭발 재현 주기를 산정하였다. 산정된 폭발 재현주기를 통해 폭발 위험도를 증기운의 부피 및 반경, 폭발하중에 대하여 평가하였다. 재현주기에 따른 증기운의 반경과 과거 실제 증기운 폭발 사례, 내폭설계 가이드라인을 비교 분석하여 설계폭발하중 모델을 위한 기준거리를 제 시하였다. 멀티에너지법을 통하여 폭발 재현주기에 따른 폭발하중의 범위를 분석하였으며, 설계폭발하중 모델의 기준이 되는 재현주 기를 제안하였다. 본 연구의 결과로 플랜트 시설물에 대한 성능기반 내폭설계의 간략한 표준안으로 활용이 가능하다.

시각적 데이터는 도처에 존재하며 자연어는 인간이 이해할 수 있는 의사소통 수단이다. VQA(Visual Question Answering)는 이미지를 이미지에 대한 입력과 질문으로 취하고 복잡한 추론을 사용하여 자연어 답변을 생성 하는 시스템이다. 따라서, VQA는 답을 예측하기 위해 이미지에 대한 자세한 이해와 복잡한 이유가 필요하 다. 멀티모달 구조와 가능한 실제 구현을 고려할 때, VQA는 인공지능에게 매우 중요한 과제이다. VQA를 위한 심층 신경망에 사용되는 아키텍처와 하이퍼 파라미터는 결과에 큰 영향을 미친다. 이 프로젝트는 이미 지 특징을 추출하기 위해 사전 훈련된 모델(VGGNet)과 단어를 내장하기 위해 Word2Vec를 도입하고 질문에 서 단어 특징을 얻기 위해 LSTM을 도입하고 결과를 결합한 후 가장 높은 확률을 가진 답을 예측한다.

Over the recent decades, apartment in Korea have experienced performance degradation. To solve this problem, Long-term repair program has been going on. However that program is applying deterministic model. The repair program using the existing deterministic model can not be taken into consideration of various case, and the number of repairs other than the plan is increasing. Therefore, This study try probabilistic models using Monte-carlo simulation those based on reliability and risk, instead of deterministic those just considering mean value. Probabilistic model of repair cycle will be base of efficient and correct maintenance plan.

In this paper, we used a nonhomogeneous Gaussian regression model (NGR) as the postprocessing techniques to calibrate probabilistic forecasts that take the form of probability density functions for temperature. We also performed the alternative implementation techniques of NGR, which are stationspecific ensemble model output statistics (EMOS) model. These techniques were applied to forecast temperature over Pyeongchang area using 24-member Ensemble Prediction System for Global (EPSG). The results showed that the station-specific EMOS model performed better than the raw ensemble and EMOS model.

This paper considers a homogeneous multiple regression (HMR) model and a non-homogeneous multiple regression model, that is, ensemble model output statistics (EMOS), which are easy to implement postprocessing techniques to calibrate probabilistic forecasts that take the form of Gaussian probability density functions for continuous weather variables. The HMR and EMOS predictive means are biascorrected weighted averages of the ensemble member forecasts and the EMOS predictive variance is a linear function of the ensemble variance. We also consider the alternative implementations of HMR and EMOS which constrains the coefficients to be non-negative and we call these techniques as HMR+ and EMOS+, respectively. These techniques are applied to the forecasts of surface temperature over Pyeongchang area using 24-member Ensemble Prediction System for Global (EPSG). The performances are evaluated by rank histogram, residual quantile-quantile plot, means absolute error, root mean square error and continuous ranked probability score (CRPS). The results showed that HMR+ and EMOS+ models perform better than the raw ensemble mean, HMR and EMOS models. In the comparison of HMR+ and EMOS+ models, HMR+ performs slightly better than EMOS+ model in terms of CRPS, however they had a very similar CRPS and if there exists a ensemble spread-skill relationship, it is seen that EMOS is slightly better calibrated than the homogeneous multiple regression model.