This study proposes a surrogate model framework that integrates finite element analysis and deep learning to rapidly estimate equivalent material properties of patterned sheets. Conventional homogenization methods can only be applied after the pattern geometry has been finalized, requiring additional modeling and simulation. In contrast, the proposed approach establishes a surrogate model in advance, enabling the immediate estimation of equivalent material properties once the pattern geometry is defined. A dataset of 5,000 cases was generated using simulations, and Bayesian hyperparameter optimization was applied to improve model performance. The surrogate model achieved R² values above 0.99 for all target properties, confirming high internal consistency. Experimental validation with patterned STS304 specimens yielded meaningful results, with all errors remaining within 15%, which demonstrates the reliability of the proposed surrogate model despite minor deviations caused by fabrication imperfections and limited training data. Despite these limitations, the proposed system enables instant estimation of equivalent properties from pattern geometries, offering significant reduction in computational cost and design time. This approach enhances design reliability and provides a practical tool for the application of patterned materials in industrial engineering.

본 연구는 무인기로 촬영한 다중분광 영상으로부터 취득한 반사값을 통해 산출된 식생지수로 콩(Glycine max (L.) Merr.)의 경태를 추정하는 머신러닝 회귀모델 개발을 목표로 한다. 연구 대상은 경상남도 밀양시 국립식량과학원 남부작물부 실험포장에서 2022년 6월 20일과 2023년 6월 24일에 파종한 선풍 품종의 콩이며, 관행구와 처리구로 나누어 재배하였다. 생육조사는 2022년 8월 20일과 9월 20일, 2023년 8월 21일과 9월 25일에 수행하였고, 영상은 2022년 8월 22일과 9월 21일, 2023년 8월 22일과 9월 20일에 촬영하였다. 촬영된 영상으로부터 5가지 반사값을 추출하여 9가지 식생지수를 산출하였다. 모델 구축에는 Ridge Regression (RR)과 LASSO Regression (LR), Random Forest Regression (RFR)과 K-Nearest Neighbor Regression (KNR)을 사용하였고, 단계적 변수 선택법을 사용하였다. 훈련과 검증의 비율은 8:2, 7:3, 6:4로 설정하였고, 모델은 R2, RMSE, MAPE로 평가하였다. 단년차 월별 모델의 경우, 8월과 9월 모두 2023년의 모델이 좋은 모델로 선정되었다. 다년차 월별 모델의 경우, 환경적 조건에 편중되어 군집화 현상이 나타나는 경우(8월)와 통계적으로 유의한 차이가 있음에도 불구하고 군집화 현상이 나타나지 않는 경우(9월)가 확인되었다. 따라서 월별 모델에 비해 성능은 낮지만 군집화가 발생하지 않고, 더 많은 샘플 수를 가진 전체 통합 모델을 최적 모델로 선택하였고, Calibration에서 R2=0.916, RMSE=0.683mm, MAPE=5.644%, Validation에서 R2=0.708, RMSE=1.002mm, MAPE=8.957% 의 성능을 나타내었다.

This study estimated whole crop maize (WCM; Zea mays L.) yield damage under abnormal climate conditions using a machine-learning approach based on Representative Concentration Pathway (RCP) 8.5 and visualized the results as spatial maps. A total of 3,232 WCM observations were compiled, and climate data were obtained from the Korea Meteorological Administration (KMA) Open Data Portal. The machine learning model used DeepCrossing. Dry matter yield (DMY) was predicted using the DeepCrossing model and climate data from the Automated Synoptic Observing System (ASOS; 95 stations). The calculation of damage was the difference between the DMYnormal and DMYabnormal. The normal climate was set as the 40-year of climate data according to the year of WCM data (1978-2017). The level of abnormal climate by temperature and precipitation was set as RCP 8.5 standard. The predicted DMYnormal ranged from 13,845-19,347 kg/ha. The damage from WCM varied by region and the severity of abnormal climate, including abnormal temperature and precipitation. Under abnormal temperature conditions, damage in 2050 and 2100 ranged from –243 to –133 and –1,797 to –245 kg/ha, respectively. Under abnormal precipitation conditions, damage in 2050 and 2100 ranged from –2,998 to 1,447 and –11,308 to 29 kg/ha, respectively. Overall, DMY of WCM tended to increase with higher mean monthly temperature. The damage calculated through the RCP 8.5 standard was presented as a spatial distribution using QGIS. Although this study used an RCP scenario based on greenhouse gas concentrations, further research is needed to apply an integrated Shared Socioeconomic Pathway (SSP) that accounts for socioeconomic factors.

This study investigates the seismic fragility of nuclear power plant (NPP) auxiliary structures by incorporating material aging deterioration into machine learning–based response prediction models. An artificial neural network (ANN) was developed using 17 seismic and material parameters, achieving high predictive accuracy (R2 = 0.96) while significantly reducing computational demands compared with conventional finite element analyses. By combining the ANN with Monte Carlo simulations, fragility curves for Motor Control Center (MCC) cabinet anchors were derived at resonance frequencies of 10 Hz and 15 Hz. Results indicate that equipment with higher resonance frequency (15 Hz) exhibits lower seismic vulnerability due to reduced sensitivity to dominant low-frequency seismic components. When material deterioration was introduced, fragility curves shifted toward lower ground motion intensities, reflecting increased failure probabilities and approximately 20% reduction in median seismic capacity. These findings highlight the necessity of considering aging effects in probabilistic seismic risk assessments and demonstrate the efficiency of ML-based surrogate models for quantifying long-term safety margins of NPP structures.

최근 고도화된 딥러닝 모형을 이용하여 하천 수질에 영향을 줄 수 있는 과도한 조류(algae) 발생을 예측하는 연구에 대한 관심이 지속되고 있으며, 모형의 구축에 사용되는 현장 측정 자료의 특성상 다양한 이상치를 포함할 수 있어 데이터의 이상치 관리 필요성이 높아지고 있다. 본 연구에서는 현장 자료의 이상치가 딥러닝 모형의 성능에 미치는 영향을 분석하기 위해 딥러닝 Long Short-Term Memory(LSTM) 모형을 이용하여 하천 조류 발생을 정량적으로 평가하는 지표인 클로로필-a를 예측하는 모형을 구축하였으며, 10%의 이상치를 포함한 자료와 이상치가 포함되지 않은 원본 자료로 학습된 모형의 성능을 비교하였다. 또한 딥러닝 기반 이상치 탐지 알고리즘인 Autoencoder(AE)를 이용하여 이상치를 제거한 후 모형의 성능에 미치는 영향을 비교하였다. 분석 결과 이상치를 포함하지 않은 자료로 학습된 Base 모형과 10%의 이상치를 포함한 자료로 학습된 모형의 Nash-Sutcliffe efficiency(NSE)가 각각 0.882 및 0.858로 나타나 이상치가 모형의 성능을 저하시킬 수 있음을 확인하였다. 한편 AE를 이용하여 이상치를 다양한 비율로(5–20%) 제거한 자료로 학습된 모형의 성능을 분석한 결과 NSE가 0.883–0.896으로 이상치의 제거에 따라 모형의 성능이 Base 모형과 유사한 수준으로 개선되는 것으로 나타났다. 본 연구에서는 이상치가 딥러닝 모형에 미치는 영향을 분석하고 이상치 탐지 모형의 활용에 따른 조류 발생 예측 딥러닝 모형의 성능 향상이 가능함을 확인하였다.

과도한 조류 발생은 수생태계 교란과 수질 악화를 초래하는 대표적인 환경 문제로, 효과적인 관리와 대응을 위해 정확한 예측이 필요하다. 우리나라는 사계절의 기후 특성이 뚜렷하며, 수온이 상승하는 하절기에 조류 발생이 집중되는 경향을 보인다. 이에 따라 실시간 모니터링 자료는 대부분 저농도 상태가 유지되어 데이터 불균형 문제가 발생한다. 본 연구에서는 chlorophyll-a 농도를 기준으로 하천 현장의 조류 발생 수준을 Class 1 (Chl-a ≤ 10 ㎍/L), Class 2 (10 < Chl-a ≤ 50 ㎍/L), Class 3 (Chl-a > 50 ㎍/L)와 같이 3개의 class로 구분하고, 대표적인 앙상블 머신러닝 모형인 extreme gradient boosting (XGB) 알고리즘을 이용하여 조류 발생 수준을 예측하는 분류 모형을 구축하였다. 데이터 불균형 해소를 위해 생성형 인공지능 기반 알고리즘인 conditional generative adversarial network (CGAN)과 전통적인 데이터 보강 알고리즘인 synthetic minority over-sampling technique (SMOTE), 그리고 딥러닝 기반 기법인 autoencoder (AE)를 활용한 3가지 데이터 보강 알고리즘을 활용하여 데이터의 불균형을 개선한 자료를 생성하고 이를 XGB 모형에 적용하여 성능 변화를 비교하였다. 분석 결과 macro average 기준으로 원본 데이터를 사용한 모형의 recall은 0.606이었으나 SMOTE, AE 및 CGAN의 recall은 각각 0.666, 0.682, 0.720으로 크게 개선되었고, F1 score도 데이터 불균형 해소를 통해 약 7–13%의 성능이 향상되는 등 전체적으로 데이터 불균형 해소로 모형의 성능이 향상되었으며 CGAN이 가장 우수한 성능 개선 효과를 보이는 것으로 나타냈다. 본 연구의 결과를 통해 데이터 불균형 해소를 통한 머신러닝 모형 성능 개선 가능성을 확인하였다.

This study developed a QSAR regression model using the XGBoost machine learning algorithm to predict the acute aquatic toxicity of highly hazardous PCBs. EC50 values for Daphnia magna were obtained from QSAR Toolbox 4.7. Input features consisted of approximately 3,000 molecular descriptors and fingerprints generated from official structure data using RDKit and the Morgan algorithm, excluding mixtures. The dataset was split into training and test sets (7 : 3) based on 500,000 randomized seeds, and the most balanced combination was selected using Kolmogorov-Smirnov and Wilcoxon rank-sum tests. Z-score standardization was applied based on the training set, and the XGBoost model was trained using 5-fold cross-validation with grid search optimization. The final model showed excellent predictive performance (R2 =0.97, RMSE= 0.19). A simplified model using only the top 10 predictive molecular features retained approximately 95% of the original accuracy while improving interpretability and efficiency. The model was applied to 38 PCB compounds lacking EC50 values, and the predicted values showed a statistically similar distribution to the measured group, with only minor differences in a few structural fingerprints. These results demonstrate the applicability of XGBoost-based models for reliable toxicity prediction and offer a promising alternative approach for assessing the environmental risk of untested PCBs.

In this study, chemicals with acute toxicity experimental data were selected as research subjects, and compareed the model derived from statistical analysis and QSAR open-source programs. The physical and chemical properties, dynamic behaviors, and toxicological estimates of the chemicals were calculated using Mordred, a molecular descriptor calculation program based on RDKit. LD50 was set as the toxicity comparison target for each chemical, and independent variables or factors with similarity to independent variables were estimated from the molecular descriptors calculated through Mordred. Molecule descriptors composed of independent variables were compared to predictions from QSAR open-source models, A regression model was created with the selected molecule descriptors and compared with predictions from QSAR programs, confirming high accuracy for specific functional groups. The QSAR model created in this study considers the characteristics and experimental values of each chemical, and provides evidence for selecting variables when constructing toxicity data for machine learning applications.

목적 : 본 연구는 지역사회 거주 장애 노인을 대상으로 개인-환경 간 상호작용을 반영한 거주 적합성(Livability) 평가에 기반하여 결정 트리 기반 머신러닝 알고리즘의 결과를 활용하여 가정환경 수정 중재를 제공하고 효과성을 검증하고자 하 였다. 연구방법 : 연구참여자는 지역사회 거주 장애 노인 9명이었으며, 중재는 총 4회기(주 1회, 40분)로 구성되었다. 거주 적합 성(Livability Scale), 작업수행능력(COPM), 목표성취(GAS), 삶의 질(WHOQOL-BREF)은 사전, 사후, 추적의 세 시점 에서 평가되었으며, 추적 평가는 중재 종료 3개월 후에 실시되었다. 중재는 Livability Scale을 활용하여 결정 트리 기반 머신러닝 알고리즘(Random Forest)을 활용한 변수 중요도(feature importance)로 거주 부적합 항목을 식별하여 중재의 우선순위로 활용하였다. 분석은 세 시점에서 반복측정된 자료를 SPSS 26.0을 사용하여 Friedman 검정 및 Bonferroni 사후 비교를 통해 분석하였다. 결과 : 분석 결과, 거주 적합성의 환경, 작업, 수행 영역과 작업수행능력, 목표성취도, 삶의 질의 하위 영역에서 통계적으 로 유의미한 향상이 나타났다. COPM 만족도는 모든 시점에서 유의하게 증가하여 중재 효과의 지속 가능성을 확인하였다. 결론 : 가정환경 수정에서 개인–환경 상호작용을 반영한 정량적 평가와 머신러닝 기반의 예측 모형을 활용하여 중재의 실 효성을 높일 수 있는 실증적 근거를 제공한다. 이를 통해 장애 노인을 포함한 다양한 취약계층을 위한 맞춤형 주거 중재 및 정책 개발에 기초자료로 활용될 수 있을 것이다.

이 연구는 국내 네팔 유학생을 대상으로 한국어 학습에 대한 기대, 가 치, 비용을 분석하여 이들의 학습 동기를 파악하고, 한국어 교육 과정에 시사점을 도출하는 데 목적이 있다. 이를 위하여 영어트랙 네팔 유학생 을 대상으로 설문조사와 TF-IDF 분석을 실시한 결과, 이들은 한국어 학 습을 학문적·직업적 성공을 위한 중요한 도구로 인식하며, 특히 외적 가 치를 가장 높게 평가하는 것으로 나타났다. 또한 한국어 학습에 할애되 는 기회비용이 학습 기대나 가치에 영향을 주고 있음을 확인하였다. 연 구 결과를 바탕으로 본고에서는 학습자의 실질적 요구와 취업 연계성 반 영, 자기효능감을 높일 수 있는 다층적 평가와 지속 가능한 한국어 학습 지원 체계 마련 등을 제안하였다.

이 연구는 국내 네팔 유학생을 대상으로 한국어 학습에 대한 기대, 가 치, 비용을 분석하여 이들의 학습 동기를 파악하고, 한국어 교육 과정에 시사점을 도출하는 데 목적이 있다. 이를 위하여 영어트랙 네팔 유학생 을 대상으로 설문조사와 TF-IDF 분석을 실시한 결과, 이들은 한국어 학 습을 학문적·직업적 성공을 위한 중요한 도구로 인식하며, 특히 외적 가 치를 가장 높게 평가하는 것으로 나타났다. 또한 한국어 학습에 할애되 는 기회비용이 학습 기대나 가치에 영향을 주고 있음을 확인하였다. 연 구 결과를 바탕으로 본고에서는 학습자의 실질적 요구와 취업 연계성 반 영, 자기효능감을 높일 수 있는 다층적 평가와 지속 가능한 한국어 학습 지원 체계 마련 등을 제안하였다.

Automated structural design methods for reinforced concrete (RC) beam members have been widely studied with various techniques to date. Recently, artificial intelligence has been actively applied to various engineering fields. In this study, machine learning (ML) is adopted to make automated structural design model for RC beam members. Among various machine learning methods, a supervised learning was selected. When a supervised learning is applied to development of ML-based prediction model, datasets for training and test are required. Therefore, the datasets for rectangular and t-shaped RC beams was constructed by commercial structural design software of MIDAS. Five supervised learning algorithms, such as Decision Tree (DT), Random Forest (RF), K-Nearest Neighbor (KNN), Artificial Neural Networks (ANN), eXtreme Gradient Boosting (XGBoost) were used to develop the automated structural design model. Design moment (Mu), design shear force (Vu), beam length, uniform load (wu) were used for inputs of structural design model. Width and height of the designed section, diameter of top and bottom bars, number of top and bottom bars, diameter of stirrup bar were selected for outputs of structural design model. Performance evaluation of the developed structural design models was conducted using metrics sush as root mean square error (RMSE), mean square error (MSE), mean absolute error (MAE), and coefficient of determination (R2). This study presented that random forest provides the best structural design results for both rectangular and t-shaped RC beams.

본 연구는 성장 단계별 돼지의 평균 사료 섭취량을 추정하고, 각 매개변수 간의 상관분석을 통해 변수를 선별한 후, 기계학습 기반 회귀분석을 통해 돼지의 사료 섭취량(FI)을 예측하는 모델을 만들고자 한다. 본 실험은 2023년 9월 14일부터 2023년 12월 15일까지 93일 동안 진행하였다. 사료는 09:00와 17:00 하루에 2회 제공하였으며, 제공된 사료의 양은 돼지의 평균 체중의 5%를 지급하였다. 돼지의 몸무게(PBW)는 매일 09:00에 이동식 돈형기를 사용하여 측정하였다. 축산환경관리시스템(LEMS) 센서를 이용하여, 돈사 내 온도(RT), 상대습도(RH), NH3를 5분 간격으로 수집하였다. 성장 단계를 3단계로 나누었으며, 각 GS1, GS2 및 GS3으로 명명하였다. 각 성장 단계별 평균 사료 섭취량과 표준편차를 구하여, 유의미성과 성장 단계별 사료 섭취의 경향을 분석하였다. 각 모델의 성능평가( , RMSE, MAPE) 시 8:2의 비율로 데이터를 분할하여, 정확도 검증을 수행하였다. 연구 결과 성장 단계별 돼지의 사료 섭취량에 유의미한 차이(p < 0.05)가 있음과 돼지가 성장할수록 일정한 양의 사료를 섭취하는 것을 확인하였다. 또한 각 변수의 상관분석 시 FI와 PBW에서 강한 상관관계가 나타났으며(R > 0.94), 각 모델의 성능평가 결과 RFR 모델이 가장 높은 정확성(  = 0.959, RMSE = 195.9, MAPE = 5.739)을 보였다.

Background: The increasing demand for real-time professional fitness coaching has led to a need for accurate exercise posture recognition using artificial intelligence. Objectives: To compare the performance of Feedforward Neural Network (FNN) and Stacked Long Short-Term Memory (LSTM) models in classifying fitness posture images using detailed joint coordinate labeling. Design: Comparative analysis of machine learning models using a labeled dataset of fitness posture images. Methods: A dataset from AI-hub containing images and data of 41 exercises was used. Five exercises were selected and processed using a custom program. Data was converted from JSON to CSV format, augmented with joint condition information, and analyzed using Google Colab. Results: The best FNN model achieved a training error of 1.21% and test error of 9.08%. The Stacked LSTM model demonstrated superior performance with a training error of 1.05% and test error of 6.09%. Conclusion: Both FNN and Stacked LSTM models effectively classified sequential fitness images, with Stacked LSTM showing superior performance. This indicates the potential of Stacked LSTM models for accurate fitness posture classification in real-time coaching scenarios.

This study examines career trajectories among women with career breaks, using data from the 2019 National Survey of Women on Career Breaks (n=1,138). The data underwent preprocessing, including outlier detection, feature scaling, and class imbalance correction with SMOTEENN. Three machine learning models were evaluated, with the Random Forest model achieving the best performance. Key predictors included flexible leave policies, social insurance, remote work options, and job security. The findings highlight the importance of supportive organizational policies in retaining female employees. Future research should explore longitudinal impacts and additional variables like organizational culture.

The purpose of this study was to develop a more accurate model for predicting the in-situ compressive strength of concrete pavements using Internet-of-Things (IoT)-based sensors and deep-learning techniques. This study aimed to overcome the limitations of traditional methods by accounting for various environmental conditions. Comprehensive environmental and hydration data were collected using IoT sensors to capture variables such as temperature, humidity, wind speed, and curing time. Data preprocessing included the removal of outliers and selection of relevant variables. Various modeling techniques, including regression analysis, classification and regression tree (CART), and artificial neural network (ANN), were applied to predict the heat of hydration and early compressive strength of concrete. The models were evaluated using metrics such as mean absolute error (MAE) to determine their effectiveness. The ANN model demonstrated superior performance, achieving a high prediction accuracy for early-age concrete strength, with an MAE of 0.297 and a predictive accuracy of 99.8%. For heat-of-hydration temperature prediction, the ANN model also outperformed the regression and CART models, exhibiting a lower MAE of 1.395. The analysis highlighted the significant impacts of temperature and curing time on the hydration process and strength development. This study confirmed that AI-based models, particularly ANNs, are highly effective in predicting early-age concrete strength and hydration temperature under varying environmental conditions. The ability of an ANN model to handle non-linear relationships and complex interactions among variables makes it a promising tool for real-time quality control in construction. Future research should explore the integration of additional factors and long-term strength predictions to further enhance the model accuracy.