PURPOSES : This study aimed to predict the number of future COVID-19 confirmed cases more accurately using public and transportation big data and suggested priorities for introducing major policies by region. METHODS : Prediction analysis was performed using a long short-term memory (LSTM) model with excellent prediction accuracy for time-series data. Random forest (RF) classification analysis was used to derive regional priorities and major influencing factors. RESULTS : Based on the daily number of COVID-19 confirmed cases from January 26 to December 12, 2020, as well as the daily number of confirmed cases in Gyeonggi Province, which was expected to occur on December 24 and 25, depending on social distancing, the accuracy of the LSTM artificial neural network was approximately 95.8%. In addition, as a result of deriving the major influencing factors of COVID-19 through random forest classification analysis, according to the number of people, social distancing stages, and masks worn, Bucheon, Yongin, and Pyeongtaek were identified as regions expected to be at high risk in the future. CONCLUSIONS : The results of this study can help predict pandemics such as COVID-19.

본 연구에서는 부산신항에서 스크러버를 장착한 선박이 세정수를 배출하였을 때 인근 해역에 미치는 영향을 검토하기 위해 확산예측을 수행하였다. 세정수에 포함된 용존무기탄소(DIC)의 농도를 통제한 채로 세정수의 pH 조건별로 해역에 미치는 영향을 대조기 와 소조기로 나누어 평가하였다. 선박 1대에서 24시간 동안 세정수를 배출할 때, pH가 최대 0.076, 0.083 감소하였다. DIC의 경우 0.561mg/L, 0.612mg/L 증가하였다. 부산신항에 수용가능한 선박수인 24대를 전부 가정하여 실험하였을 경우 pH는 0.200, 0.545 감소하였고, DIC는 1.464mg/L, 3.629mg/L 증가하였다. 일반적으로 스크러버가 세정수를 처리하였을 때 pH 6.1인 것을 감안하여 선박 1대에서 pH 6.1인 조건으 로 24시간 동안 세정수를 배출하는 경우 우리나라 연근해의 연간 pH 변화량보다 약 33.7배 더 큰 폭으로 감소하는 것으로 계산되었다. 선 박이 24대일 경우에는 하루이상 표층의 성층화를 유발하고 수심 4m까지 영향을 주는 것으로 예측되었다.

Chloride is one of the most common threats to reinforced concrete (RC) durability. Alkaline environment of concrete makes a passive layer on the surface of reinforcement bars that prevents the bar from corrosion. However, when the chloride concentration amount at the reinforcement bar reaches a certain level, deterioration of the passive protection layer occurs, causing corrosion and ultimately reducing the structure’s safety and durability. Therefore, understanding the chloride diffusion and its prediction are important to evaluate the safety and durability of RC structure. In this study, the chloride diffusion coefficient is predicted by machine learning techniques. Various machine learning techniques such as multiple linear regression, decision tree, random forest, support vector machine, artificial neural networks, extreme gradient boosting annd k-nearest neighbor were used and accuracy of there models were compared. In order to evaluate the accuracy, root mean square error (RMSE), mean square error (MSE), mean absolute error (MAE) and coefficient of determination (R2) were used as prediction performance indices. The k-fold cross-validation procedure was used to estimate the performance of machine learning models when making predictions on data not used during training. Grid search was applied to hyperparameter optimization. It has been shown from numerical simulation that ensemble learning methods such as random forest and extreme gradient boosting successfully predicted the chloride diffusion coefficient and artificial neural networks also provided accurate result.

해상공사에서 발생하는 부유사는 해수의 탁도를 증가시키고 광량을 감소시켜 해양생물에 악영향을 미치므로 해양환경영향평 가에서 중요한 요소이다. 하지만 평가에 적용되는 인자에 대한 공식적인 자료의 부족과 평가자의 능력에 따라 그 영향이 달리 평가되고 있다. 따라서 본 연구에서는 해역이용영향평가센터에서 검토한 3년간(2012–2014)의 매립, 준설, 외곽시설물 설치 등 총 58건 사업에 대한 부유사 확산 평가에 대한 실태를 진단하고 개선방안을 제시하였다. 개선방안 제시를 위해 4가지의 평가지표(격자체계의 적정성, 원단위의 적정성, 대표입경 및 침강속도의 적정성)를 적용하였다. 각 항목별 신뢰도에 평균점수 분석결과, 격자체계는 25점, 원단위는 60점, 대표입 경은 34점 그리고 침강속도는 17점으로 평가항목에 대한 개선방안이 필요한 것으로 나타났다. 본 연구에서는 부유사 확산 평가상태에 대 한 진단 및 신뢰도 평가 결과를 활용하여 부유사 확산예측에 대한 개선방안을 제안하였다. 먼저, 부유사 발생원단위 및 대표입경별 침강 속도에 대한 공신력 있는 값이 가이드라인을 통해 제공해야 한다. 그리고 실무에선 신뢰성 향상을 위해 격자체계의 적정성과 결과의 검 증을 철저히 해야 한다.

본 연구는 화재진압 및 피난활동을 지원하는 딥러닝 기반의 알고리즘 개발에 관한 기초 연구로 선박 화재 시 연기감지기가 작동하기 전에 검출된 연기 데이터를 분석 및 활용하여 원격지까지 연기가 확산 되기 전에 연기 확산거리를 예측하는 것이 목적이다. 다음과 같은 절차에 따라 제안 알고리즘을 검토하였다. 첫 번째 단계로, 딥러닝 기반 객체 검출 알고리즘인 YOLO(You Only Look Once)모델에 화재시뮬레이션을 통하여 얻은 연기 영상을 적용하여 학습을 진행하였다. 학습된 YOLO모델의 mAP(mean Average Precision)은 98.71%로 측정되었으며, 9 FPS(Frames Per Second)의 처리 속도로 연기를 검출하였다. 두 번째 단계로 YOLO로부터 연기 형상이 추출된 경계 상자의 좌표값을 통해 연기 확산거리를 추정하였으며 이를 시계열 예측 알고리즘인 LSTM(Long Short-Term Memory)에 적용하여 학습을 진행하였다. 그 결과, 화재시뮬레이션으로부터 얻은 Fast 화재의 연기영상에서 경계 상자의 좌표값으로부터 추정한 화재발생~30초까지의 연기 확산거리 데이터를 LSTM 학습모델에 입력하여 31초~90초까지의 연기 확산거리 데이터를 예측하였다. 그리고 추정한 연기 확산거리와 예측한 연기 확산거리의 평균제곱근 오차는 2.74로 나타났다.

지속적으로 관찰되어 온 백두산 화산폭발 전조 현상들이 사회적 이슈가 되고 있으며 주변국인 일본의 화산활동 또한 활발한 추세이다. 국내와 500km 이상 떨어진 위 화산들은 국내에 직접적인 피해를 주기 어렵지만 화산 분화와 함께 분출되는 화산재의 경우 국내에 직간접적인 피해를 미칠 수 있다. 화산재 확산대응의 일환으로 수치해석 모델이 국내외로 사용되고 있으며 각 수치해석 모델 은 사용된 수치해석 방법에 따라 한계가 있다. 본 논문에서는 라그랑지안 방법을 기반으로 한 PUFF-UAF 모델을 분석하였으며, 초기 입자의 수에 대한 의존성의 문제점과 많은 입자개수를 사용함에도 불구하고 나타나는 화산재 농도 예측의 부정확성에 대한 문제점을 제기하였다. 이에 본 논문 연구를 통하여 라그랑지안 기법의 전산효용성을 이용하고 나타난 문제점을 해결하기 위하여 PUFF-UAF 모 델의 결과에 가우시안 확산 모델을 적용하여 결과를 보완하는 PUFF-Gaussian 모델을 개발하였다. 실제 화산분화로 부터 관측된 결과 와 본 연구로 예측된 결과를 비교한 결과 본 연구에서 제안한 방법의 효용성을 보였다.