The demand for high-strength steel is rising due to its economic efficiency. Low-cycle fatigue (LCF) tests have been conducted to investigate the nonlinear behaviors of high-strength steel. Accurate material models must be used to obtain reliable results on seismic performance evaluation using numerical analyses. This study uses the combined hardening model to simulate the LCF behavior of high-strength steel. However, it is challenging and complex to determine material model parameters for specific high-strength steel because a highly nonlinear equation is used in the model, and several parameters need to be resolved. This study used the particle swarm algorithm (PSO) to determine the model parameters based on the LCF test data of HSA 650 steel. It is shown that the model with parameter values selected from the PSO accurately simulates the measured LCF curves.

In general, the design response spectrum in seismic design codes is based on the mean-plus-one-standard deviation response spectrum to secure high safety. In this study, response spectrum analysis was performed using seismic wave records adopted in domestic horizontal design spectrum development studies, while three response spectra were calculated by combining the mean and standard deviation of the spectra. Seismic wave spectral matching generated seismic wave sets matching each response spectrum. Then, seismic fragility was performed by setting three damage levels using a single-degree-of-freedom system. A correlation analysis was performed using a comparative analysis of the change in the response spectrum and the seismic fragility concerning the three response spectra. Finally, in the case of the response spectrum considering the mean and standard deviation, like the design response spectrum, the earthquake load was relatively high, indicating that conservative design or high safety can be secured.

This study aimed to assess and determine the optimal model for predicting the full bloom date of ‘Fuji’ apples across South Korea. We evaluated the performance of four distinct models: the Development Rate Model (DVR)1, DVR2, the Chill Days (CD) model, and a sequentially integrated approach that combined the Dynamic model (DM) and the Growing Degree Hours (GDH) model. The full bloom dates and air temperatures were collected over a three-year period from six orchards located in the major apple production regions of South Korea: Pocheon, Hwaseong, Geochang, Cheongsong, Gunwi, and Chungju. Among these models, the one that combined DM for calculating chilling accumulation and the GDH model for estimating heat accumulation in sequence demonstrated the most accurate predictive performance, in contrast to the CD model that exhibited the lowest predictive precision. Furthermore, the DVR1 model exhibited an underestimation error at orchard located in Hwaseong. It projected a faster progression of the full bloom dates than the actual observations. This area is characterized by minimal diurnal temperature ranges, where the daily minimum temperature is high and the daily maximum temperature is relatively low. Therefore, to achieve a comprehensive prediction of the blooming date of ‘Fuji’ apples across South Korea, it is recommended to integrate a DM model for calculating the necessary chilling accumulation to break dormancy with a GDH model for estimating the requisite heat accumulation for flowering after dormancy release. This results in a combined DM+GDH model recognized as the most effective approach. However, further data collection and evaluation from different regions are needed to further refine its accuracy and applicability.

Determining the size or area of a plant's leaves is an important factor in predicting plant growth and improving the productivity of indoor farms. In this study, we developed a convolutional neural network (CNN)-based model to accurately predict the length and width of lettuce leaves using photographs of the leaves. A callback function was applied to overcome data limitations and overfitting problems, and K-fold cross-validation was used to improve the generalization ability of the model. In addition, ImageDataGenerator function was used to increase the diversity of training data through data augmentation. To compare model performance, we evaluated pre-trained models such as VGG16, Resnet152, and NASNetMobile. As a result, NASNetMobile showed the highest performance, especially in width prediction, with an R_squared value of 0.9436, and RMSE of 0.5659. In length prediction, the R_squared value was 0.9537, and RMSE of 0.8713. The optimized model adopted the NASNetMobile architecture, the RMSprop optimization tool, the MSE loss functions, and the ELU activation functions. The training time of the model averaged 73 minutes per Epoch, and it took the model an average of 0.29 seconds to process a single lettuce leaf photo. In this study, we developed a CNN-based model to predict the leaf length and leaf width of plants in indoor farms, which is expected to enable rapid and accurate assessment of plant growth status by simply taking images. It is also expected to contribute to increasing the productivity and resource efficiency of farms by taking appropriate agricultural measures such as adjusting nutrient solution in real time.

본 연구에서는 지역 영역 기상 수치 예보 모델의 여러 수평 영역 및 수평 해상도에 따른 이상적인 열대저기압 의 진로와 베타자이어의 민감도를 조사하였다. 모델의 이상적인 초기 조건은 경험적인 함수로 생성된 3차원 축대칭 모 조 소용돌이와 허리케인 활동 시기의 평균 대기 조건으로 구성된다. 이때 모델 설정에 따른 이상적인 열대저기압의 변 화를 분석하기 위하여 배경 흐름은 제거되었다. 수치 모델의 수평 영역 및 수평 해상도에 따른 이상적인 열대저기압의 민감도 실험을 수행하기 위해, 지역 영역 수치 모델로서 W RF (Weather Research a nd F orecasting) 모델을 사용하였다. 모의된 열대저기압의 바람장으로부터 베타자이어를 추출하기 위해, DFS (Double-Fourier Series) 국지 영역 고차 필터 를 사용하였다. 모델의 수평 영역의 크기가 감소할수록 베타자이어의 구조와 강도가 약해졌으며, 이는 열대저기압 진로 의 차이를 발생시켰다. 수평 영역의 크기를 본 연구의 실험에서 가장 작은 영역인 3,000 km3,000 km로 설정하였을 경 우에 베타자이어 통풍류의 서진 성분이 크게 감소하였으며, 수평 영역을 더 넓게 설정한 실험들에 비해 열대저기압의 진로가 동쪽으로 편향되었다. 본 결과는 열대저기압과 관련된 바람장 전체를 포함하지 못할 정도로 매우 작은 수평 영 역을 사용할 경우, 열대저기압의 진로가 적절히 모의 될 수 없음을 시사한다. 반면, 5,000 km5,000 km와 6,000 km 6,000 km의 수평 영역에서는 그 민감도가 매우 작게 나타났다. 수평 해상도가 감소할수록 이상적인 열대저기압의 진 로는 매우 서쪽으로 편향되었다. 베타자이어의 크기와 강도도 수평 해상도가 감소할수록 크고 더 강하게 나타났다.

This study aimed to determine the anti-obesity effect of adding Wolfiporia extensa Ginns (W) to fermented pollack skin products in an obesity-induced animal model. The experimental groups were the normal diet group (C), high-fat diet group (HF), dried pollack skin (H1), fermented pollack skin (H2), and W of 0.1 (F2-WL), 0.3 (F2-WM), and 0.5 (F2), respectively. It was confirmed that adding W to fermented pollack skin reduced blood triglycerides, total cholesterol, and LDL levels, while increasing HDL levels. Wolfiporia extensa Ginns was effective in controlling weight and improving blood lipids in a dose-dependent manner. In histological analysis, findings of fatty liver induced by a high-fat diet were improved by the addition of H2 and W. Size and density of fat globules in the epididymis were decreased. In addition, the concentration of TNF-α was increased in the high-fat diet group, but decreased by the addition of fermented pollack skin and W. In conclusion, adding fermented dried pollack skin and Wolfiporia extensa Ginns was effective for weight control and blood lipid improvement. Thus, the use of by-products in functional foods is expected to have a high value in the future.

본 연구에서는 한옥의 해석모델 구축을 지원하고, 구축된 해석모델의 활용도를 높이고자 이를 활용한 가상현실 소프트웨어를 개발 하였다. 한옥의 구조해석 모델은 범용 구조해석 소프트웨어인 midas Gen으로 생성하고, 이를 문자기반 입력파일로 변환한 후 본 연구 에서 개발된 소프트웨어에서 한옥 해석모델의 검토에 필요한 자료들을 저장한다. 개발된 가상현실 소프트웨어 내에서 3차원으로 표 현된 한옥의 해석모델은 시점을 변경하며 살펴볼 수 있고 특정 부재를 선택하여 관련된 자료를 확인할 수 있다. 이러한 과정을 통해 해 석모델의 오류를 확인 및 수정하여 완결된 해석모델을 구축할 수 있다. 개발된 소프트웨어는 3개의 한옥 사례에 적용하여 그 적용성 과 효용성을 검증하였으며, 구조분야 이외의 타 분야에서도 활용될 수 있다.

미세구조 특성의 불확실성은 재료 특성에 많은 영향을 준다. 시멘트 기반 재료의 공극 분포 특성은 재료의 역학적 특성에 큰 영향을 미치며, 재료에 랜덤하게 분포되어 있는 많은 공극은 재료의 물성 예측을 어렵게 한다. 공극의 특성 분석과 재료 응답 간의 상관관계 규명에 대한 기존 연구는 통계적 관계 분석에 국한되어 있으며, 그 상관관계가 아직 명확히 규명되어 있지 않다. 본 연구에서는 합성곱 신경망(CNN, convolutional neural network)을 활용한 이미지 기반 데이터 접근법을 통해 시멘트 기반 재료의 역학적 응답을 예측하 고, 공극분포와 재료 응답의 상관관계를 분석하였다. 머신러닝을 위한 데이터는 고해상도 마이크로-CT 이미지와 시멘트 기반 재료의 물성(인장강도)로 구성하였다. 재료의 메시 구조 특성을 분석하였으며, 재료의 응답은 상장균열모델(phase-field fracture model)에 기 반을 둔 2D 직접 인장(direct tension) 유한요소해석 시뮬레이션을 활용하여 평가하였다. 입력 이미지 영역의 기여도를 분석하여 시편 에서 재료 응답 예측에 가장 큰 영향을 미치는 영역을 CNN을 통하여 식별하였다. CNN 과정 중 활성 영역과 공극분포를 비교 분석하 여 공극분포특성과 재료 응답의 상관관계를 분석하여 제시하였다.

장대교량은 낮은 고유진동수와 감쇠비를 가지는 초유연구조물로 진동사용성 문제에 취약하다. 하지만 현재 국내 설계지침에서는 풍속이나 진폭에 대한 임계값을 기반으로 유해진동 발생 여부를 평가하고 있다. 본 연구에서는 장대교량에서 발생하는 유해진동을 보다 정교하게 식별하기 위하여 딥러닝 기반 신호분할 모델을 활용한 데이터 포인트 단위의 와류진동 식별 방법론을 제안한다. 특별 히 포락선을 가지는 사인파를 활용하여 와류진동에 해당하는 데이터를 합성함으로써 모델 구축에 필수적인 와류진동 데이터 획득 및 라벨링 과정을 대체하였다. 이후 푸리에 싱크로스퀴즈드 변환를 적용하여 시간-주파수 특징을 추출하여 신경망의 인풋 데이터로 사 용하였다. 합성데이터만을 이용하여 양방향 장단기 기억신경망(Bidirectional Long-Short-Term-Memory) 모델을 훈련하였고 이를 라 벨 정보를 포함한 실제 사장교의 계측데이터를 이용하여 학습한 모델과 비교하여 모델의 실시간 와류진동 식별 성능을 검증하였다.

PURPOSES : To prevent an increasing number of drowsiness-related accidents, considering driver fatigue is necessary, which is the main cause of drowsiness accidents. The purpose of this study is to propose a methodology for selecting drowsiness hotspots using continuous driving time, a variable that quantifies driver fatigue. METHODS : An analysis was conducted by dividing driver fatigue, which changes according to time and space, into temporal and spatiotemporal scenarios. The analysis technique derived four evaluation indicators (precision, recall, accuracy, and F1 score) using a random forest classification model that is effective for processing large amounts of data. RESULTS : Both the temporal and spatiotemporal scenarios performed better in models that reflected the characteristics of road sections with changes in time and space. Comparing the two scenarios, it was found that the spatiotemporal scenario showed a difference in precision of approximately 10% compared with the temporal scenarios. In addition, [Model 2-2] of the spatiotemporal scenario showed the best predictive power by assessing the model’s accuracy via a comparison of (1-recall) and precision. This shows better performance in predicting drowsy accidents by considering changes in time and space together rather than constructing only temporal changes. CONCLUSIONS : To classify hotspots of drowsiness, spatiotemporal factors must be considered. However, it is possible to develop a methodology with better performance if data on individuals driving vehicles can be collected.

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.

증산은 적정 관수 관리에 중요한 역할을 하므로 수분 스트레스에 취약한 토마토와 같은 작물의 관개 수요에 대한 지식이 필요하다. 관수량을 결정하는 한 가지 방법은 증산량을 측정하는 것인데, 이는 환경이나 생육 수준의 영향을 받는다. 본 연구는 분단위 데이터를 통해 수학적 모델과 딥러닝 모델을 활용하여 토마토의 증발량을 추정하 고 적합한 모델을 찾는 것을 목표로 한다. 라이시미터 데이터는 1분 간격으로 배지무게 변화를 측정함으로써 증산 량을 직접 측정했다. 피어슨 상관관계는 관찰된 환경 변수가 작물 증산과 유의미한 상관관계가 있음을 보여주었다. 온실온도와 태양복사는 증산량과 양의 상관관계를 보인 반면, 상대습도는 음의 상관관계를 보였다. 다중 선형 회귀 (MLR), 다항 회귀 모델, 인공 신경망(ANN), Long short-term memory(LSTM), Gated Recurrent Unit(GRU) 모델을 구 축하고 정확도를 비교했다. 모든 모델은 테스트 데이터 세트에서 0.770－0.948 범위의 R2 값과 0.495mm/min－ 1.038mm/min의 RMSE로 증산을 잠재적으로 추정하였다. 딥러닝 모델은 수학적 모델보다 성능이 뛰어났다. GRU 는 0.948의 R2 및 0.495mm/min의 RMSE로 테스트 데이터에서 최고의 성능을 보여주었다. LSTM과 ANN은 R2 값이 각각 0.946과 0.944, RMSE가 각각 0.504m/min과 0.511로 그 뒤를 이었다. GRU 모델은 단기 예측에서 우수한 성능 을 보였고 LSTM은 장기 예측에서 우수한 성능을 보였지만 대규모 데이터 셋을 사용한 추가 검증이 필요하다. FAO56 Penman-Monteith(PM) 방정식과 비교하여 PM은 MLR 및 다항식 모델 2차 및 3차보다 RMSE가 0.598mm/min으로 낮지만 분단위 증산의 변동성을 포착하는 데 있어 모든 모델 중에서 가장 성능이 낮다. 따라서 본 연구 결과는 온실 내 토마토 증산을 단기적으로 추정하기 위해 GRU 및 LSTM 모델을 권장한다.

기후변화 영향으로 이상고수온, 태풍, 홍수, 가뭄 등 재난 및 안전 관리기술은 지속적으로 고도화를 요구받고 있으며, 특히 해 수면 온도는 한반도 주변에서 발생되는 여름철 적조 발생과 동해안 냉수대 출현, 소멸 등에 영향을 신속하게 분석할 수 있는 중요한 인자 이다. 따라서, 본 연구에서는 해수면 온도 자료를 해양 이상현상 및 연구에 적극 활용되기 위해 통계적 방법과 딥러닝 알고리즘을 적용하 여 예측성능을 평가하였다. 예측에 사용된 해수면 수온자료는 흑산도 조위관측소의 2018년부터 2022년까지 자료이며, 기존 통계적 ARIMA 방법과 Long Short-Term Memory(LSTM), Gated Recurrent Unit(GRU)을 사용하였고, LSTM의 성능을 더욱 향상할 수 있는 Sequence-to-Sequence(s2s) 구조에 Attention 기법을 추가한 Attention Long Short-Term Memory (LSTM)기법을 사용하여 예측 성능 평가를 진행하 였다. 평가 결과 Attention LSTM 모델이 타 모델과 비교하여 더 좋은 성능을 보였으며, Hyper parameter 튜닝을 통해 해수면 수온 성능을 개 선할 수 있었다.