This study investigates the superior predictive performance of a DeepGBM model (combining boosting and deep learning) for identifying metabolic syndrome in the Korean adult population using KNHANES data. DeepGBM consistently showed superior performance compared to established algorithms. Feature prioritization revealed waist circumference and fasting glucose as critical predictors. This research demonstrates the potential of integrating advanced machine learning with public health data to improve early detection.

Potholes on urban expressways are a critical pavement maintenance problem because they threaten driving safety, generate vehicle-damage claims, and require repeated emergency repairs. However, network-level evidence integrating climate, traffic, maintenance execution, and detection practice remains limited. This study addressed this gap through a stage-1 empirical assessment of pothole occurrence and pavement maintenance response on the Seoul urban expressway network. The novelty lies in integrating six years of operational data, including pothole repair records, compensation cases, monthly rainfall, monthly average temperature, route-level traffic volume, maintenance budget and execution records, detection pathways, and repeated pothole locations. A total of 28,821 pothole repairs were recorded between 2020 and 2025, with Olympic-daero (11,330 cases), Dongbu Trunk Road (6,594 cases), and Gangbyeonbuk-ro (5,067 cases) accounting for approximately 79.8% of the total. The compensation burden was also concentrated, with 158 cases and a total payout of KRW 48,592,000. Pothole occurrence showed a clear dual-season pattern, with high counts during the thawing period and a stronger summer peak, increasing from 1950, 3100, and 3773 cases in June, July, and August when rainfall rose from 174.60 mm to 333.68 mm and 352.15 mm, respectively. Traffic remained consistently high (48,576–96,700 vehicles/day) but varied by only approximately 5.1% annually, indicating that climate governed outbreak timing, while traffic acted mainly as a chronic aggravating factor. Artificial intelligence (AI)-based Camera Detection System (CDS) detection contributed to 54.3% and 57.2% of external detections in 2024 and 2025, respectively, while repeated repairs accounted for 3,957 cases across 783 locations (13.7% of total repairs). These findings support seasonal preventive maintenance, route-based prioritization, AI-assisted detection, and hotspot-focused management.

본 연구에서는 실규모 MLE(Modified Ludzack-Ettinger) 공법 하수처리시설을 대상으로 송풍량 성능을 평가⋅최적화하기 위해 데이터 기반 유입수 성상 분석 프레임워크와 수학적 모델 기반 디지털 트윈(DT, digital twin)을 개발하였다. 국내 기존 하수처리시설 모니터링 체계는 활성슬러지 모델 구동에 필수적인 CODcr 분획 자료가 부족하고, 처리장에서 수행되는 일 1회 채수만으로는 유입수의 시간적 변동성을 반영하기 한계를 가지고 있다. 이를 보완하기 위해 생물반응조 유입수를 대상으로 24시간 채수를 수행하여 계절별 유입 특성을 평가하였다. 또한 이차침전지 처리수를 대상으로 탄소성 및 질소성 생물학적 산소요구량 실험을 진행하였을 때, 잔류 암모니아 1 ㎎/L는 약 4.82 ㎎/L의 NOD(nitrogenous oxygen demand)를 유발하는 것을 파악하였다. 유입수 유기물 성상 및 분획을 추정하기 위해 다항 회귀와 다층 퍼셉트론 기반 모델을 결합하여 적용하였다. 2차 다항 회귀 모델은 TCOD(total COD) 예측에서 R2 0.848의 높은 성능을 보였으나, 비선형성이 큰 용존성 분율 예측에는 한계가 있었다. 이에 MLP(Multi-Layer Perceptron) 모델을 도입한 결과, FCOD(filtered COD)는 R2 0.748, FFCOD(flocculated filtered COD)의 R2 0.698 그리고 VSS(volatile suspended solid) R2 0.933로 신뢰성 있는 예측 정확도를 확보하였다. 예측된 유입수 분획 데이터를 DT 입력값으로 적용하고 7일간의 실제 운영 자료로 검증한 결과, DT 모델은 MAE(mean absolute error) 0.314 ㎎/L, R2 0.721로 질산화 거동을 적절히 재현하였다. 암모니아 기반 송풍 제어(ABAC) 시뮬레이션에서 실제 공급 송풍량이 안정적 질산화를 위한 요구량 대비 평균 13.1% 부족한 것으로 분석되었다. 종합적으로, 본 연구의 데이터 기반 DT 프레임워크는 공정 안정성 및 운전 이해를 정량적으로 평가할 수 있는 지표를 제공하며, 하수처리시설 운영자의 의사결정을 지원하는 진단 도구로서 활용 가능함을 시사한다.

물환경 및 상하수도 기술이 기후위기 시대에 어떻게 담론화되고 있는지를 국내외 언론 보도 데이터를 활용해 비교 분석한 연구이다. 기존 연구들이 물관리의 기술적, 정책적 측면에 주로 초점을 맞췄다면, 본 연구는 기후 변화와 관련된 물 문제에 대한 사회기술적 담론에 분석의 초점을 확장하였다. 국내외 전문 언론사 6곳(국내 3개, 국외 3개)에서 수집한 데이터를 바탕으로 TF-IDF, N-gram 분석, LDA 토픽 모델링, CONCOR 네트워크 분석을 적용하여, 기후 대응형 물관리 담론의 주제 구조와 의미 관계망을 파악하였다. 분석 결과, 국내외 언론 담론에는 뚜렷한 차이가 존재하는 것으로 나타났다. 국내 언론은 노후 관로, 시설 점검, 규제 준수, 공공부문 중심의 거버넌스 등 기존 행정체계 내의 관리, 유지보수, 위험통제에 초점을 맞춘 반면, 국외 언론은 정수 효율성, 지하수 보호, 해수담수화, 재이용, 환경보호청(EPA) 등 기술 혁신, 수질 기준, 공중보건, 시장 및 산업 주도의 변화와 같은 담론을 중심으로 물 문제를 다루고 있다. 또한, 위험과 안전 개념의 구성 방식에서도 차이가 나타났는데, 국내 담론은 물리적 인프라의 취약성에 중점을 두는 반면, 국외 담론은 수질오염 사건, 지역사회 권리 등의 이슈에 더 많은 비중을 두고 있었다. 본 연구는 기후위기 시대에 재구성되는 물 관련 언론 담론의 구조를 체계적으로 제시함으로써, 향후 물 정책, 기술 개발, 거버넌스 체계 설계에 실증적 통찰을 제공한다.

Carbon nanotube (CNT) has promising applications in several fields due to their excellent thermal, electrical, mechanical, and biocompatible properties. However, the complexity of its structure leads to the problems of computationally intensive and inefficient synthetic characterization optimization and prediction by traditional research methods, which seriously restricts the development process. Machine learning (ML), as an emerging technology, has been widely used in CNT research due to its ability to reduce computational cost, shorten the development cycle, and improve the accuracy. ML not only optimizes the synthetic control parameters for precise structural control, but also combines various imaging and spectroscopic techniques to significantly improve the accuracy and efficiency of characterization. In addition, ML helps to improve the performance of CNT devices at the optimization and prediction levels, and achieve accurate performance prediction. However, ML in CNT research still faces challenges such as algorithmic processing of complex data situations, insufficient space for algorithmic combined optimization, and lack of model interpretability. Future research can focus on developing more efficient ML algorithms and unified standardized databases, exploring the deep integration of different algorithms, further improving the performance of ML in CNT research, and promoting its application in more fields.

본 연구는 기계학습 및 설명 가능한 인공지능(xAI) 기법을 활용하여 폭발 하중을 받는 철근콘크리트 기둥의 보강 단계(Retrofit Level, RL)를 신속하게 평가하는 종합적 프레임워크를 제시한다. 파괴 유형와 보강 요구사항을 예측하기 위한 다단계 기계학습 접근 법을 개발하였으며, 이후 부분 의존성 그래프(Partial Dependence Plot, PDP) 분석을 통해 데이터 기반 보강 전략을 수립하였다. 제안 된 프레임워크는 두 가지 주요 프로세스로 구성된다: (1) 파괴유형 분류 및 RL 예측을 위한 다단계 기계학습 모델을 활용한 폭발 성능 평가, (2) 입력 변수 효과의 체계적 분석을 통한 PDP 기반 보강 전략 개발. RL 예측 모델은 광범위한 폭발 손상 평가 데이터를 바탕으 로 학습되었으며, 휨 및 전단 파괴유형에 대해 세 가지 손상 조건(심각, 보통, 경미)에서 검증되었다. PDP 분석 결과, 파괴유형과 손상 조건에 따라 서로 다른 보강 특성이 나타남을 확인하였다. PDP 기반 분석을 통해 주철근비 및 전단철근비에 대한 보강 가능 구간과 불가능 구간을 성공적으로 식별하였다.

기후변화와 식품공급망의 복잡성 증대로 식품 위해요소 의 발생 경로와 패턴이 다변화됨에 따라, 과학적 예측과 선 제적 개입이 가능한 예방형 식품안전 관리체계의 필요성이 대두되고 있다. 본 연구는 기후·환경 요인이 식품 위해요소 에 미치는 영향을 분석함으로써, 기후 민감성이 높은 위해 요소를 식별하고 예측 가능성과 주요 환경인자를 도출하였 다. 아울러 국내외 데이터 기반 위해예측 시스템의 운영 사 례를 비교·분석함으로써, 식품위해예측센터의 실질적 운영 과 역할을 위한 발전방향을 제시하였다. 본 연구를 통해 향 후 식품위해예측센터가 식품안전 정책의 과학화와 지능화 를 이끄는 전략적 플랫폼으로 기능하고, 예방 중심의 관리 체계로의 전환을 유도할 수 있도록 실효적 토대와 정책적 방향성을 제공하고자 한다.

Structures compromised by a seismic event may be susceptible to aftershocks or subsequent occurrences within a particular duration. Considering that the shape ratios of sections, such as column shape ratio (CSR) and wall shape ratio (WSR), significantly influence the behavior of reinforced concrete (RC) piloti structures, it is essential to determine the best appropriate methodology for these structures. The seismic evaluation of piloti structures was conducted to measure seismic performance based on section shape ratios and inter-story drift ratio (IDR) standards. The diverse machine-learning models were trained and evaluated using the dataset, and the optimal model was chosen based on the performance of each model. The optimal model was employed to predict seismic performance by adjusting section shape ratios and output parameters, and a recommended approach for section shape ratios was presented. The optimal section shape ratios for the CSR range from 1.0 to 1.5, while the WSR spans from 1.5 to 3.33, regardless of the inter-story drift ratios.

본 연구는 유럽연합(European Union, EU)의 디지털 서비스법(Digital Services Act, DSA)과 브뤼셀 효과(Brussels effect)가 X(舊 Twitter) 플랫폼에 미친 영향을 데이터 분석을 통해 평가한다. DSA는 디지털 플 랫폼에 대한 규제 강화와 콘텐츠 관리의 투명성을 요구하며, X는 이를 통해 불법 콘텐츠와 혐오 발언에 대한 처리 방식을 개선하고 있다. 본 연구는 2023년부터 발행된 DSA의 투명성 보고서를 기반으로, 국가별 콘 텐츠 조정 효율성과 자동화 및 수동 검토 시스템의 성과를 분석한다. 이 를 위해, 데이터 수집 및 전처리를 거쳐 Python을 활용한 통계적 분석 을 적용하였다. 또한, 유럽 국가별로 발생한 집행 차이와 그로 인한 문제 점을 살펴보고, 글로벌 디지털 규제의 확산 가능성에 대한 정책적 시사 점을 제시한다.

Abstract Handling imbalanced datasets in binary classification, especially in employment big data, is challenging. Traditional methods like oversampling and undersampling have limitations. This paper integrates TabNet and Generative Adversarial Networks (GANs) to address class imbalance. The generator creates synthetic samples for the minority class, and the discriminator, using TabNet, ensures authenticity. Evaluations on benchmark datasets show significant improvements in accuracy, precision, recall, and F1-score for the minority class, outperforming traditional methods. This integration offers a robust solution for imbalanced datasets in employment big data, leading to fairer and more effective predictive models.