This study introduces machine learning (ML) models to predict CO₂ solubility in mixtures of a deep eutectic solvent (tetrabutylammonium bromide: ethylene glycol, 1:4 molar ratio) and methyldiethanolamine (MDEA). To ensure robust extrapolation capabilities and prevent potential data leakage, a rigorous grouped validation strategy, known as “Leave-One-Composition- Out,” was implemented, replacing conventional random data splitting. Four ML algorithms, Gradient Boosting (GBoost), Gaussian Process Regression (GPR), AdaBoost-SVR, and Multilayer Perceptron (MLP), were evaluated using temperature, pressure, and MDEA weight% as input features. Results revealed that the GPR model outperformed all others across all statistical metrics, achieving an R2 value of 0.996 and a mean absolute error (MAE) of 0.2839%. Furthermore, SHAP (SHapley Additive exPlanations) analysis identified pressure as the most significant driving factor for CO2 solubility, while temperature exhibited an inverse correlation. Crucially, this perfect alignment with fundamental principles clearly demonstrates that the model successfully learned the underlying thermodynamic relationships rather than merely memorizing numerical data. Finally, leverage validation confirmed that 99.16% of the data points safely reside within the model’s valid applicability domain. This work establishes the developed GPR framework as a highly reliable and physically consistent approach for predicting CO₂ solubility and optimizing complex multi-component capture systems.

Background: This pilot study aims to develop an automated, multi-task deep learning system as a proof of concept for both the classification of pregnancy status and gestational day prediction in Korean crossbred goats. Methods: Two 1-year-old goats were followed longitudinally until mid to late gestation. A complete data set containing 11,092 high-resolution image frames (6,647 pregnant and 4,445 non-pregnant) was created from the video sequences. The dataset was segmented at the frame level with 80% allocated to the training partition (n = 8,875), 10% to the validation partition (n = 1,110), and 10% to the test partition (n = 1,107). Multi-task Four convolutional neural networks (ResNet18, EfficientNet-B0, MobileNetV3-Large, and ConvNeXt-Tiny) were trained following a multi-task learning strategy with the AdamW optimizer, OneCycle scheduling, and a hybrid Binary Cross- Entropy and Huber loss function. Results: Accuracy was achieved for the four architectures, with more than 99.5%. The MobileNetV3-Large model performed the best in terms of frame-level classification accuracy, with 100% sensitivity and specificity. For the regression-based task for predicting gestational days, EfficientNet-B0 got the best performance with a framelevel Mean Absolute Error (MAE) of 1.3 days. The video-level MAE of 0.882 days and the competitive video MAE of 1.204 days were the outcomes for the aggregated video sequences using ConvNeXt-Tiny and EfficientNet-B0, respectively. Conclusions: The present pilot study lays the foundation for the methodological feasibility of small optimized deep learning models for accurate monitoring of fetal development and for the automation of reproductive diagnostics.

본 연구에서는 요추 자기공명영상(magnetic resonance imaging, MRI)검사 시 통증으로 인해 표준 앙와위 (Supine) 자세를 유지하기 힘든 환자들을 대상으로, 딥러닝 기반 재구성 알고리즘인 AIR™ Recon DL을 적용한 측와위(Lateral decubitus) 자세 촬영의 임상적 실용성을 검증하였다. 기존 측와위 검사는 긴 촬영 시간과 신호대잡 음비(signal-to-noise ratio, SNR) 및 대조도대잡음비(contrast-to-noise ratio, CNR) 저하가 고질적인 문제였 으나, 본 연구에서는 가속 계수(AC 1.3) 상향과 유연한 30-channel AIR Coil을 통해 이를 극복하였다. 또한 자체 제작한 비자장용 고정 용구를 적용하여 측와위 자세에서의 환자 유동성을 최소화하고 움직임 인공물을 효과적으로 억제하였다. 분석 결과, 측와위 실험군의 SNR(p=0.651)과 CNR(p=0.476)은 앙와위 대조군과 통계적으로 유의미 한 차이가 없었으며, 6인의 전문가가 평가한 화질 점수 또한 동등한 수준으로 나타났다. 특히 평가자 간 일치도(ICC) 가 0.958로 매우 높게 산출되어 영상의 객관적 신뢰도를 입증하였다. 결론적으로 본 프로토콜은 검사 시간을 기존 대비 약 30% 단축하면서도 표준 영상에 준하는 화질을 제공함으로써, 통증 환자에게 심리적·신체적 부담을 주지 않고도 정확한 진단을 가능케 하는 환자 중심의 최적화된 대안임을 확인하였다.

본 연구는 프렌치매리골드(Tagetes patula L.)의 개화 과정 을 영상 기반으로 정량화하고, 이를 바탕으로 개화 진행률을 예측할 수 있는 딥러닝 모델을 제안하고자 하였다. 실험은 완 전제어형 식물공장에서 수경재배 조건하에 수행되었으며, 개 화 초기부터 만개에 이르기까지 1시간 간격으로 정면 이미지 를 촬영하여 시계열 이미지 데이터셋을 구축하였다. 각 식물 체의 이미지는 시간순으로 정렬된 연속 이미지 5장을 하나의 시퀀스로 구성하고, 마지막 시점의 개화율을 예측하는 회귀 문제로 모델을 학습하였다. 제안한 모델은 CNN 기반 특징 추 출기와 LSTM 기반 RNN을 결합한 CNN+RNN 하이브리드 구조로, 시간에 따른 개화 과정을 효과적으로 반영하도록 설계 되었다. 비교 실험에는 BasicCNN, ResNet18, MobileNetV2, EfficientNetB0 모델을 포함하였으며, 동일한 데이터셋과 조 건에서 성능을 비교하였다. 실험 결과, 제안한 CNN+RNN 모델은 평균제곱오차(MSE) 0.0006, 평균절대오차(MAE) 0.0196, 결정계수(R2) 0.993을 기록하며, 다른 모델들에 비해 데이터에 대한 매우 높은 적합도를 나타냈다. 이러한 결과는 제안된 모델이 시간에 따른 시각적 변화를 효과적으로 반영함 을 시사하며, 화훼 작물의 자동 개화 모니터링 및 생육 단계 분 석을 위한 기반 기술을 활용될 수 있음을 보여준다.

농촌지역은 도시지역에 비해 인구 밀도가 낮고, 정주 패턴이 분산되어 있다는 특징을 가진다. 이러한 경우에 국가 통계기관에서 제공하는 인구 자료만으로는 미시적 수준의 공간적 변동성을 충분히 포착하기 어렵다. 농촌지역의 인구 분포를 추정하기 위해서는 다양한 접근 방법이 활용될 수 있으며, 그중에서도 대시메트릭 매핑은 의미 있는 보조 변수가 확보될 경우 저밀 지역의 인구를 추정하는데 유효한 방법이 될 수 있다. 기존의 대시메트릭 인구 추정 연구들은 주로 토지피복, 지형, 도로망과 같은 물리･환경적 변수에 의존해 왔지만 본 연구는 농촌지역 미시적 인구 분포의 공간적 패턴을 형성하는 사회적 인프라 영역인 생활 SOC 변수에 주목한다. 본 연구의 목적은 공간 딥러닝 모델을 대시메트릭 기법과 결합함으로써 농촌지역의 소지역 단위 인구를 보다 정확하게 추정하는데 있다. 사례 연구 결과, 공간적 의존성을 학습하는 GNN 기반의 대시메트릭 모델이 농촌지역의 소지역 단위 인구 추정에 탁월한 성능을 보이고 있으며, 이 모델에 적용한 생활 SOC 변수는 농촌 인구 분포를 설명하는 중요한 공간적 앵커로서 역할을 하고 있음을 확인하였다. 본 연구는 통반 단위 실측 인구 자료를 활용하여 추정 결과를 절대적으로 검증함으로써, 공식적인 소지역 인구 통계가 제공되지 않는 우리나라 농촌지역 인구 추정의 시초적 연구로서 의의를 가지며, 향후 농촌지역의 공공 계획 수립에 중요한 시사점을 제공할 것으로 기대된다.

Injection-molded products frequently exhibit localized surface defects such as weld lines, flow marks, scratches, bubbles, and burn marks due to variations in material flow, mold temperature, and cooling conditions. Conventional visual inspection is highly dependent on operator experience, while rule-based machine vision methods are limited under variations in lighting and surface texture. This study proposes a deep learning–based defect detection model using YOLOv8 combined with a novel Defect-Aware Augmentation technique designed to enhance robustness for small, local defect regions. The proposed augmentation pipeline includes geometric transformations, optical perturbations, local defect patch synthesis, and diffusion-based synthetic defect generation. Experiments were conducted on a custom dataset of 5,000 images (3,000 normal and 2,000 defective). Results show that the proposed model achieves significant improvements over baseline models, obtaining 95% precision, 90% recall, and 0.96 mAP@0.5, outperforming the default YOLOv8 model by 7%p in mAP. Ablation studies verify that defect-aware augmentation is the dominant factor contributing to the performance gain. The proposed system demonstrates high applicability for automated quality inspection in injectionmolding production lines.

This study proposes a deep learning–based predictive maintenance model for condition monitoring and remaining useful life (RUL) estimation of a 1 kW brushless DC (BLDC) motor. Multi-sensor signals, including vibration (10 kHz), current (20 kHz), and surface temperature (10 Hz), were acquired under six health conditions: normal, bearing outer race fault (BPFO), bearing inner race fault (BPFI), unbalance, misalignment, and stator insulation degradation. To jointly exploit spatial patterns and temporal degradation behaviors, a hybrid CNN–LSTM model with a multi-task learning framework was developed to perform 6-class fault classification and RUL regression simultaneously. Experimental results on the constructed BLDC motor dataset show that the proposed model achieves a classification accuracy of 95.8%, outperforming conventional SVM and 1D-CNN baselines (85.2% and 90.7%, respectively). In addition, the proposed method significantly reduces RUL prediction error, yielding an RMSE of 9.6 and an MAE of 6.8, which corresponds to approximately 39% improvement over a single LSTM-based regression model. These results demonstrate that the proposed CNN– LSTM multi-sensor fusion framework is effective for intelligent condition monitoring and predictive maintenance of BLDC motor systems, and it can be extended to a wide range of rotating machinery applications.

전 세계적인 물 부족 심화로 상수관망의 효율적 운영 및 유지보수(O&M) 중요성이 커지고 있다. 특히 정확한 수압 예측은 잠재적 문제의 사전 감지와 대응에 필수적이다. 이에 본 연구는 전처리된 데이터를 활용하여 현장 적용성이 높은 수압 예측 모델을 개발하는 것을 목표로 하였다. 이를 위해 8개 블록시스템(DMA)의 10분 단위 시계열 데이터와 4종류의 딥러닝 모델(LSTM, GRU, CNN-LSTM, CNN-GRU)을 활용하였으며, optuna를 통해 하이퍼파라미터를 최적화하고 배치 정규화 등을 적용해 학습 안정성을 확보하였다. 평가 결과, CNN-GRU 모델이 가장 우수한 성능을 나타냈다. 해당 모델을 기반으로 입력 조건에 따른 성능을 비교한 결과, 단변수 대비 다변수 입력 조건에서 예측 정확도가 향상됨을 확인하였다. 또한, 10분 선행 시점에서 최고 신뢰도(R2 0.9678, RMSE 0.0375)를 기록했으며, 지속성 모델의 성능이 점진적으로 하락하여 상대적인 저점을 형성하는 7시간 및 17시간 선행 시점에서 CNN-GRU 모델은 지속성 모델 대비 RMSE 기준 각각 48.0% 및 42.1%의 오차 개선을 달성하였다. 결론적으로, 본 연구에서 제안하는 전처리 및 하이퍼파라미터 통합 최적화 프로세스는 DMA별로 상이한 운영 환경에서도 안정적인 예측 성능을 확보할 수 있음을 입증하였다. 이는 현장 엔지니어의 데이터 분석 및 의사결정을 지원함으로써, 상수관망의 안정적인 운영과 유지보수 효율성 향상에 기여할 수 있을 것으로 기대된다.

This study develops a Skip-Connected Temporal Contextual Deep Learning (SC-TCDL) model to forecast monthly inbound foreign tourist arrivals to South Korea, targeting demand volatility and structural shocks such as COVID-19 while supporting planning-oriented decision making. SC-TCDL adopts a dual-stream architecture that disentangles inputs by function: an LSTM branch encodes a 12-month rolling history of arrivals with calendar indicators, while an encoder-only Transformer processes forward-looking exogenous variables with positional encodings. The LSTM temporal representation is injected into the Transformer and fused with the Transformer output via an MLP through skip connections. COVID-period distortion (Mar 2020 Dec 2023) is addressed by virtual demand restoration using a counterfactual LSTM trained on pre-pandemic data. Probabilistic forecasts are generated via Monte Carlo Dropout. Using monthly data (Feb 2013 Apr 2025), SC-TCDL outperforms SARIMA, vanilla LSTM, and a Transformer on the test period (May 2024 Apr 2025), achieving MAE 78,626, RMSE 94,019, and MAPE 6.94%, reducing MAE by 30.5% relative to SARIMA, 28.3% relative to vanilla LSTM, and 24.9% relative to the Transformer, with statistically significant improvements by Wilcoxon signed-rank tests. By structurally separating temporal and contextual learning while enabling controlled fusion and uncertainty quantification, SC-TCDL offers a robust framework for tourism demand forecasting in shock-prone environments.

Background: The morphological characteristics of sperm are essential for assessing sperm quality, which partially influences reproductive efficiency variables such as litter size in sows. Recently, deep-learning-based object detection algorithms have been explored to detect and classify sperm morphological features, with the training of these models requiring sperm microscopy image data. The performance of these models in detecting morphological features was significantly affected by the size of the dataset and the image quality of the images. Methods: This study proposed a deep-learning-based super-resolution (SR) algorithm to enhance the quality of sperm microscope images. The model was trained using a dataset consisting of high-resolution (HR) original and low-resolution (LR) images generated by downscaling the original images through bicubic interpolation. The SR results of the test dataset were compared with those of the original HR images to evaluate their performances using the peak signal-to-noise ratio (PSNR) and structural similarity index measure (SSIM). Statistical analyses were conducted to examine the performance differences based on the training models and dataset types. Results: This study indicated that the SR images showed no significant differences in PSNR (p = 0.9740) and SSIM (p = 0.9864) compared with the original HR images in same magnification. Moreover, increased processing speed was observed with reductions in model hyperparameters. While processing SR images improved spatial resolution across various microscopic magnifications, the overall image quality did not exceed that of the original HR images. Conclusions: SR models applied to sperm microscopy images outperformed conventional SR algorithms. These findings suggest that SR algorithms hold promise for improving the quality of LR microscopic images in future deep-learning-based object-detection algorithms.