Bayesian techniques are vital in mechanical manufacturing for uncertainty quantification and process optimization. This review explores their diverse applications, highlighting advantages in handling small data and incorporating expertise for improved decision-making in quality control, reliability, and machining. It also discusses integration with machine learning and applications in specialized areas. Future research should focus on Industry 4.0 integration and user-friendly tools, emphasizing Bayesian methods' role in intelligent manufacturing.

This study aims to analyze the risk factors contributing to marine accidents involving Korean distant water fishing vessels using a Bayesian network approach. As marine accidents in this sector often result in severe casualties and significant economic losses, understanding their underlying causes is critical. Based on official investigation records from the Korea Maritime Safety Tribunal (2000-2023), a dataset of 46 accident cases involving longliners, trawlers, and other fishing vessels was constructed. The analysis categorized accidents by vessel types, gross tonnage, vessel age, location, operating status, and specific causes, including poor lookout and inadequate maintenance. Following the Formal Safety Assessment (FSA) framework recommended by the International Maritime Organization (IMO), the study applied Bayesian networks to quantify the probabilistic relationships among risk factors. The results revealed that the most hazardous conditions for different accident types included: vessels with 300-500 GT, aged 20-40 years, operating outside harbor limits during navigation or fishing. Specifically, collision and grounding incidents were primarily associated with poor lookout, while sinking and fire/explosion incidents were linked to inadequate maintenance. The findings underscore the necessity of tailored safety control measures for each accident type and vessel category. This research provides empirical evidence to support decision-making for improving safety policies under the Act on the Punishment of Serious Accidents and the Distant Water Fisheries Development Act.

확률론적 지진 안전성 평가(Probabilistic Safety Assessment)를 위해서 고장수목(Fault Tree) 기반 베이지안 네트워크(Bayesian Network, BN) 방법론이 제안된 바 있다. 해당 방법론은 시스템 구성요소들을 확률변수로 가정하고 변수들의 상관관계를 네트워크로 구축한 후, 변수들에 다양한 정보들을 입력함으로써 유연한 시스템 의사결정 수행이 가능하다는 장점이 있다. 그런데 이러한 시스템 평가를 위해서는 개별 요소들의 취약도 정보는 필수적이나, 플랜트 관련 설비들의 취약도 정보는 매우 한정적이다. 따라서, 우선적으 로 문헌조사를 수행하였고 Federal Emergency Management Agency(FEMA)에서 전체 시스템과 더불어 다양한 구조물 및 설비들의 취 약도 정보를 제공함을 확인하였다. 본 연구에서는 FEMA에서 제공하는 시스템 취약도와 개별 요소들의 취약도 정보를 기반으로 BN 을 통해 도출한 시스템 취약도를 비교･분석하는 것을 목표로 한다. 이를 위해 세 규모의 가스플랜트 Plot Plan을 정의하였고, 이에 대 응하는 BN 모델을 이용하여 시스템 취약도를 산출하였다. 세 규모에 대해 도출한 시스템 취약도와 FEMA에서 제공한 시스템 취약도 를 비교한 결과, 도출된 취약도가 보수적으로 산정됨을 확인하였고, 추가적으로 구축된 BN의 개별 설비들의 취약도 손상 상태 (Damage State, DS)를 변경해가면서 시스템 취약도를 산출한 결과 역시 FEMA에서 제시한 값보다 보수적임을 확인하였다. 이는 시스 템의 고장을 정의하는 DS 차이로 인한 결과이며 플랜트마다 모델링을 기반으로 하는 시스템 취약도 산출이 필요한 것으로 이해할 수 있다.

하수처리장 유출수의 수질 예측은 수질 사고의 사전 대응 및 처리장의 안정적인 운영을 위해 필수적인 요소이다. 최근 머신러닝을 활용한 예측 모델링에서 예측 성능 향상과 과적합 방지를 위해 다양한 교차 검증법과 하이퍼파라미터 최적화 기법이 활용되고 있으나, 하수처리장 데이터는 시간적 의존성과 급격한 변동성이 내재되어 있어 과적합에 취약하고 안정적인 모델 구축에 어려움이 따른다. 본 연구에서는 이러한 데이터 특성을 효과적으로 반영할 수 있는 최적의 모델링 파이프라인을 구축하고자 하였으며, XGBoost 모델을 기반으로 유출수 내 총질소 농도를 예측하였다. 예측 성능 평가 지표로는 평균 제곱근 오차(Root Mean Square Error, RMSE), 결정계수(coefficient of determination, R2), RMSE 오차 개선율(the rate of improvement on RMSE, RIRRMSE) 그리고 계산 시간을 사용하였다. 기본적인 Hold-out 방식의 성능을 기준으로 K-fold, 시계열 교차 검증(Time Series Cross Validation, TSCV), 블록 시계열 교차 검증(Blocked Time Series Cross Validation, BTSCV) 기법의 예측 성능을 분석한 결과, BTSCV는 인접한 데이터만을 고려하는 방식으로 시간적 의존성과 급변 특성을 효과적으로 반영하여 가장 높은 RIR(36.37%)을 기록하였다. 또한, 하이퍼파라미터 최적화(그리드 서치와 베이지안 최적화) 기법과의 다양한 교차 검증법의 조합을 통해 모델 성능과 과적합 방지 효과를 분석한 결과, BTSCV와 베이지안 최적화의 결합은 짧은 계산 시간(364.64초)과 함께 가장 높은 RIR(64.93%)을 보였으며, 훈련 및 평가 데이터 간 성능 차이도 최소화되어 일반화된 예측 모델로서의 효과성이 입증되었다. 따라서 본 연구는 하수처리장 시계열 데이터의 특성에 적합한 BTSCV와 베이지안 최적화 기법을 결합한 모델링 파이프라인 전략을 제안하며, 향후 실시간 수질 모니터링 및 하수처리장 운영 효율성 제고에 기여할 수 있을 것으로 기대된다.

본 논문에서는 지진 하중으로 인한 급격한 구조손상탐지를 수행하기 위해 분산점 칼만필터(Unscented Kalman Filter, UKF)와 파티 클 필터(Particle Filter)를 소개하고 지진 손상 시나리오에 적용 및 비교･검토하였다. 이때, 비선형 전단 빌딩을 모사하기 위해 Bouc-Wen 모델을 사용하였고, 급격한 변화를 추정하기 위해 추가적으로 적응형 기법(Adaptive rule)인 Adaptive Jumping Method를 두 필터 모두에 적용하였다. 적용 결과 두 오리지날 필터 모두 급격한 손상 시점과 정도를 파악하지 못하였고, 적응형 기법을 반영하였 을 경우에만 시점 파악이 가능하였다. 하지만, 여전히 손상 정도를 정확히 파악하지 못하였고, 두 방법 모두 제안된 적응형 기법을 새 로이 조정하였을 경우에 정확한 추정이 가능함을 확인하였다. 최종적으로 계산시간을 고려하였을 때, 새로운 형태의 적응형 기법을 적용한 UKF 사용을 제안하는 것으로 비교 검토를 수행하였다.

The purpose of this study is to confirm the structural relationship between parental support, relationships with teachers, and stress variables on adolescents' mental health. Among the panel of 7,324 third-year high school students in the 8th survey in 2020 of the ‘Korean Education Longitudinal Study 2013’ conducted by the Korea Educational Development Institute, 6,054 people who participated in the survey were selected as research subjects. Frequency analysis, descriptive statistics, correlation analysis, and Bayesian structural equation model path analysis were performed using SPSS 26.0 and Amos 24.0. First, adolescents' parental support had a statistically significant positive effect on their mental health. Second, the relationship with teachers had a negative effect on stress and a positive effect on mental health. Third, it was confirmed that stress has a negative effect on the mental health of adolescents. Fourth, relationships with teachers had a positive effect on mental health with stress as a mediating variable. This study identified predictors that affect mental health at the point when adolescents' mental health problems become serious, and the research results can serve as data related to policy establishment and program operation in educational settings to improve mental health.

최근 원자력 지진 PSA(Probabilistic Safety Assessment)를 토대로 산업시설물의 지진 PSA를 수행하는 연구가 진행되었다. 해당 연 구는 원자력 발전소와 산업시설물의 차이를 파악하고, 최종적으로 운영정지를 목표로 하는 고장수목(Fault Tree)를 구축한 후 시각적 확률도구인 베이지안 네트워크(Bayesian Network, BN)으로 변환하였다. 본 연구는 선행연구를 기반으로 지진으로 유발된 구조손상 으로 인해 발생 가능한 화재･폭발에 대해 PSA를 수행하고자 하였다. 이를 위해 화재･폭발을 사건수목(Event Tree)으로 표현하고, BN 으로 변환하였다. 변환된 BN은 화재･폭발 모듈로서 선행연구에서 제시된 고장수목 기반 BN과 연계되어 최종적으로 지진 유발 화재･ 폭발 PSA를 수행할 수 있는 BN 기반 방법론이 개발되었다. 개발된 BN을 검증하기위해 수치예제로서 가상의 가스플랜트 Plot Plan을 생성하였고, 가스플랜트의 설비 종류가 구체적으로 반영된 대규모 BN을 구축하였다. 해당 BN을 이용하여 지진 규모에 따른 전체시 스템의 운영정지 확률 및 하위시스템들의 고장확률 산정과 더불어 역으로 전체시스템이 운영 정지되었을 때 하위시스템들의 영향도 분석과 화재･폭발 가능성을 산정하여 다양한 의사결정을 수행할 수 있음을 제시함으로써 그 우수성을 확인하였다.

Rhaphidophoridae (Orthoptera: Ensifera), commonly known as cave crickets, are a wingless family and considered the most ancient lineage within Tettigoniidea. However, previous molecular phylogenetic studies and morphological hypotheses have shown inconsistencies. Although their fossils have been found in Baltic amber, their systematic placement remains unrevealed. This study reconstructed a comprehensive phylogeny integrating both extant and fossil lineages. Initially, we revealed relationships within extant lineages through molecular phylogenetics including all extant subfamilies for the first time. Subsequently, using a cladistic approach based on morphology, we confirmed the systematic position of fossil taxa †Protroglophilinae with a report of a new species. Integrating molecular and morphological phylogeney by total evidence tip-dating, we present the comprehensive phylogeny of Rhaphidophoridae considering both extant and fossil groups.

원자력발전소 지진 확률론적 안전성 평가인 PSA(Probabilistic Safety Assessment)는 오랜 기간에 걸쳐 확고히 구축되어 왔다. 반면 에 다양한 공정 기반의 산업시설물의 경우 화재, 폭발, 확산(유출) 재난에 대해 주로 연구되어 왔으며, 지진에 대해서는 상대적으로 연 구가 미미하였다. 하지만, 플랜트 설계 당시와 달리 해당 부지가 지진 영향권에 들어갈 경우 지진 PSA 수행은 필수적이다. 지진 PSA 를 수행하기 위해서는 확률론적 지진 재해도 해석(Probabilistic Seismic Hazard Analysis), 사건수목 해석(Event Tree Analysis), 고장수 목 해석(Fault Tree Analysis), 취약도 곡선 등을 필요로 한다. 원자력 발전소의 경우 노심 손상 방지라는 최우선 목표에 따라 많은 사고 시나리오 분석을 통해 사건수목이 구축되었지만, 산업시설물의 경우 공정의 다양성과 최우선 손상 방지 핵심설비의 부재로 인해 일 반적인 사건수목 구축이 어렵다. 따라서, 본 연구에서는 산업시설물 지진 PSA를 수행하기 위해 고장수목을 바탕으로 확률론적 시각 도구인 베이지안 네트워크(Bayesian Network, BN)로 변환하여 리스크를 평가하는 방법을 제안한다. 제안된 방법을 이용하여 임의로 생성된 가스플랜트 Plot Plan에 대해 최종 BN을 구축하고, 다양한 사건 경우에 대한 효용성있는 의사결정과정을 보임으로써 그 우수 성을 확인하였다.

We report the discovery of four quasars with M1450 ≳ −25.0 mag at z ∼ 5 and supermassive black hole mass measurement for one of the quasars. They were selected as promising high-redshift quasar candidates via deep learning and Bayesian information criterion, which are expected to be effective in discriminating quasars from the late-type stars and high-redshift galaxies. The candidates were observed by the Double Spectrograph on the Palomar 200-inch Hale Telescope. They show clear Lyα breaks at about 7000–8000 ˚A, indicating they are quasars at 4.7 < z < 5.6. For HSC J233107-001014, we measure the mass of its supermassive black hole (SMBH) using its Civ λ1549 emission line. The SMBH mass and Eddington ratio of the quasar are found to be ∼108 M⊙ and ∼0.6, respectively. This suggests that this quasar possibly harbors a fast growing SMBH near the Eddington limit despite its faintness (LBol < 1046 erg s−1). Our 100% quasar identification rate supports high efficiency of our deep learning and Bayesian information criterion selection method, which can be applied to future surveys to increase high-redshift quasar sample.