Metal three-dimensional (3D) printing is an important emerging processing method in powder metallurgy. There are many successful applications of additive manufacturing. However, processing parameters such as laser power and scan speed must be manually optimized despite the development of artificial intelligence. Automatic calibration using information in an additive manufacturing database is desirable. In this study, 15 commercial pure titanium samples are processed under different conditions, and the 3D pore structures are characterized by X-ray tomography. These samples are easily classified into three categories, unmelted, well melted, or overmelted, depending on the laser energy density. Using more than 10,000 projected images for each category, convolutional neural networks are applied, and almost perfect classification of these samples is obtained. This result demonstrates that machine learning methods based on X-ray tomography can be helpful to automatically identify more suitable processing parameters.

본 연구는 효과적인 열전도를위한 거시적 구조 구성과 단위 구조 변화의 동시 설계를 위한 위상 최적화 방법을 제시한다. 거시적 규모의 구조 내에서 위치에 따른 단위 구조의 형태 변화는 거시적 규모뿐만 아니라 미시적 단위의 설계도 가능하며 등방성 단위 구조를 사용하는 것보다 더 나은 성능을 제공할 수 있다. 이 결과로 두 구성을 결합한 기능적으로 등급의 복합 구조가 생성된다. 대표 체적 요소 (RVE) 방법은 형태 변화에 따른 다중 재료 기반 단위 구조의 다양한 열전도 특성을 얻기 위해 적용된다. RVE 분석 결과를 바탕으 로 머신 러닝 기법을 이용하여 특정 형태의 단위 구조물의 물성치를 도출할 수 있다. 거시적 위상 최적화는 기존의 SIMP 방법을 사용하여 수행되며, 거시 구조를 구성하는 단위 구조는 동시 최적화 과정에 따라 열전도 성능을 향상시키기 위한 다양한 형태를 가질 수 있다. 제안된 방법의 효과를 확인하기 위해 열 컴플라이언스 최소화 문제의 수치예가 제공된다.

This study presents the estimation of crack depth by analyzing temperatures extracted from thermal images and environmental parameters such as air temperature, air humidity, illumination. The statistics of all acquired features and the correlation coefficient among thermal images and environmental parameters are presented. The concrete crack depths were predicted by four different machine learning models: Multi-Layer Perceptron (MLP), Random Forest (RF), Gradient Boosting (GB), and AdaBoost (AB). The machine learning algorithms are validated by the coefficient of determination, accuracy, and Mean Absolute Percentage Error (MAPE). The AB model had a great performance among the four models due to the non-linearity of features and weak learner aggregation with weights on misclassified data. The maximum depth 11 of the base estimator in the AB model is efficient with high performance with 97.6% of accuracy and 0.07% of MAPE. Feature importances, permutation importance, and partial dependence are analyzed in the AB model. The results show that the marginal effect of air humidity, crack depth, and crack temperature in order is higher than that of the others.

선박 기관실은 기술의 발전으로 인해 자동화 시스템이 향상되었지만, 해상에서는 바람, 파도, 진동, 기기 노후화 등의 다양한 변수가 많아 자동화 시스템에서 계측되지 않는 풀림, 절단, 누유, 누수 등이 발생하므로 기관사는 주기적으로 순찰을 한다. 순찰 시에는 1명의 기관사만 순찰하는 경우도 있으며, 이는 고온고압 및 회전기기가 운전 중인 기관실에서 많은 위험요소를 가지고 있다. 기관사가 순찰 시에는 오감을 활용하며, 특히 시각에 의존한다. 본 논문에서는 로봇이 기관실을 순찰하며 기기의 특이사항을 검출하고 알려주는 기관실 순찰 로봇을 구현하기 위한 선행연구로서 선박 기관실 기기의 이미지를 합성곱 신경망을 이용하여 분류하였다. 선박 기관실의 이미지 데이터 셋을 구성한 후 사전 훈련된 합성곱 신경망 모델로 학습하였다. 학습한 모델의 분류 성능은 높은 재현율을 보였으며, 클래스 활성화 맵으로 이미지를 시각화 하였다. 데이터의 양이 제한적이어서 일반화할 수는 없지만, 각 선박의 데이터를 전이 학습으로 학습시키면 적은 시간과 비용으로 각 선박의 특성에 맞는 모델을 구축할 수 있을 것으로 사료된다.

본 연구에서는 승용차에서 사람들이 기기를 사용하기 위해 사용하는 기동어인 “Hi, KIA!”의 감성을 기계학습을 기반으로 분류가 가능한가에 대해 탐색하였다. 감성 분류를 위해 신남, 화남, 절망, 보통 총 4가지 감정별로 3가지 시나리오를 작성하여, 자동차 운전 상황에서 발생할 수 있는 12가지의 사용자 감정 시나리오를 제작하였다. 시각화 자료를 기반으로 총 9명의 대학생을 대상으로 녹음을 진행하였다. 수집된 녹음 파일의 전체 문장에서 기동어 부분만 별도로 추출하는 과정을 거쳐, 전체 문장 파일, 기동어 파일 총 두 개의 데이터 세트로 정리되었다. 음성 분석에서는 음향 특성을 추출하고 추출된 데이터를 svmRadial 방법을 이용하여 기계 학습 기반의 알고리즘을 제작해, 제작된 알고리즘의 감정 예측 정확성 및 가능성을 파악하였다. 9명의 참여자와 4개의 감정 카테고리를 통틀어 기동어의 정확성(60.19%: 22~81%)과 전체 문장의 정확성(41.51%)을 비교했다. 또한, 참여자 개별로 정확도와 민감도를 확인하였을 때, 성능을 보임을 확인하였으며, 각 사용자 별 기계 학습을 위해 선정된 피쳐들이 유사함을 확인하였다. 본 연구는 기동어만으로도 사용자의 감정 추출과 보이스 인터페이스 개발 시 기동어 감정 파악 기술이 잠재적으로 적용 가능한데 대한 실험적 증거를 제공할 수 있을 것으로 기대한다.

The increased turbidity in rivers during flood events has various effects on water environmental management, including drinking water supply systems. Thus, prediction of turbid water is essential for water environmental management. Recently, various advanced machine learning algorithms have been increasingly used in water environmental management. Ensemble machine learning algorithms such as random forest (RF) and gradient boosting decision tree (GBDT) are some of the most popular machine learning algorithms used for water environmental management, along with deep learning algorithms such as recurrent neural networks. In this study GBDT, an ensemble machine learning algorithm, and gated recurrent unit (GRU), a recurrent neural networks algorithm, are used for model development to predict turbidity in a river. The observation frequencies of input data used for the model were 2, 4, 8, 24, 48, 120 and 168 h. The root-mean-square error-observations standard deviation ratio (RSR) of GRU and GBDT ranges between 0.182~0.766 and 0.400~0.683, respectively. Both models show similar prediction accuracy with RSR of 0.682 for GRU and 0.683 for GBDT. The GRU shows better prediction accuracy when the observation frequency is relatively short (i.e., 2, 4, and 8 h) where GBDT shows better prediction accuracy when the observation frequency is relatively long (i.e. 48, 120, 160 h). The results suggest that the characteristics of input data should be considered to develop an appropriate model to predict turbidity.

The sunspot area is a critical physical quantity for assessing the solar activity level; forecasts of the sunspot area are of great importance for studies of the solar activity and space weather. We developed an innovative hybrid model prediction method by integrating the complementary ensemble empirical mode decomposition (CEEMD) and extreme learning machine (ELM). The time series is first decomposed into intrinsic mode functions (IMFs) with different frequencies by CEEMD; these IMFs can be divided into three groups, a high-frequency group, a low-frequency group, and a trend group. The ELM forecasting models are established to forecast the three groups separately. The final forecast results are obtained by summing up the forecast values of each group. The proposed hybrid model is applied to the smoothed monthly mean sunspot area archived at NASA's Marshall Space Flight Center (MSFC). We find a mean absolute percentage error (MAPE) and a root mean square error (RMSE) of 1.80% and 9.75, respectively, which indicates that: (1) for the CEEMD-ELM model, the predicted sunspot area is in good agreement with the observed one; (2) the proposed model outperforms previous approaches in terms of prediction accuracy and operational efficiency.

본 연구는 입목재적 계산에 기본이 되는 수간고별 직경 추정에 있어 머신러닝 기반 학습모델의 적용 가능성을 알아보기 위해 수행되었다. 이를 위해 전국에 분포하는 상수리나무 표준목에서 얻은 자료를 이용하여 Kozak Model (Model 1)과 Random Forest Model (RF, Model 2 to 4)로부터 수간고별 직경 값을 도출하였고, 이를 비교분석 하였다. RF는 입지환경 요소를 학습에 활용하여 3가지 모델 (Model 2 (수고, 흉고직경), Model 3 (수고, 흉고직경, 입지환경 요소), Model 4 (수고, 입지환경 요소))로 개발하였다. 모델의 적합도를 검증하기 위해 적합도 지수(Fitness Index), 편의(Bias), 평균절대편차(Mean Absolute Deviation), 평균 제곱근 오차(Root Mean Square Error)를 이용하여 모델의 적합성을 비교하였다. 분석 결과, Kozak 모델(FI = 0.9695, Bias = 0.0292, RMSE = 1.5155, MAD = 1.1248) 에 비해 RF모델이 전반적으로 수간고에 따른 직경을 잘 예측하는 모델로 나타났으며, RF 중에서도 입지환경 요소를 학습에 활용한 Model 3의 경우(FI = 0.9740, Bias = 0.0186, RMSE = 1.3995, MAD = 0.9746) 가장 우수한 성능을 보인 것으로 나타났다. 다만, 수간곡선을 통한 경향을 분석한 결과 일부 구간에서 수고의 변화에 따른 직경 추정에 이상치가 발생하여 추후에는 파라미터조절이나 새로운 모델 적용 등을 통한 연구가 필요한 것으로 판단되었다. 본 연구를 통해 추정된 Random Forest 기반의 수간고별 직경추정 모델은 개체목 재적산출에 활용되어 산림경영을 위한 기초자료로 활용될 가능성이 있을 것으로 예상된다.

There has been increasing interest in UHPC (Ultra-High Performance Concrete) materials in recent years. Owing to the superior mechanical properties and durability, the UHPC has been widely used for the design of various types of structures. In this paper, machine learning based compressive strength prediction methods of the UHPC are proposed. Various regression-based machine learning models were built to train dataset. For train and validation, 110 data samples collected from the literatures were used. Because the proportion between the compressive strength and its composition is a highly nonlinear, more advanced regression models are demanded to obtain better results. The complex relationship between mixture proportion and concrete compressive strength can be predicted by using the selected regression method.

목적 : 인공지능의 기계학습 또는 심층학습을 이용한 연구가 다양한 분야에서 시도되고 있다. 본 연구는 공공 시력데이터를 자동화 수집하고, 수집한 데이터를 기계학습에 적용 및 예측하였다. 다양한 학습모델간 성능을 비교 함으로써, 시과학분야에서 적용 가능한 기계학습 최적화모델을 제시함에 있다. 방법 : 국민건강보험(NHISS) 및 통계포털(KOSIS)에 발표된 국민 시력분포 현황관련 자료를 특정 색인을 포함하 는 자료검색기법인 크롤링(crawling)을 사용하여 검색 및 수집을 자동화하였다. 2011년부터 2018년까지 보고된 모든 자료를 수집하였으며, 데이터 학습을 위해 Linear Regression, LASSO, Ridge, Elastic Net, Huber Regression, LASSO/LARS, Passive Aggressive Regressor 그리고 Pansacregressor 총 8개 모델을 사용하여 각각 데이터 학습 하였다. 결과 : 수집한 데이터를 기반으로 기계학습 모델을 통해 2018년을 예측하였다. 각 모델간 2018년도 실제-예측데 이터 차이를 MAE(Mean Absolute Error)와 RMSE(Root Mean Square Error) 점수로 각각 나타냈다. 학습모델 별 차이 중 MAE 평가결과 모델간 우/좌 Linear Regression(0.22/0.22), LASSO(0.83/0.81), RIDGE(0.31/0.31), Elastic Net(0.86/0.84), Huber Regression(0.14/0.07), LASSO/LARS(0.15/0.14), Passive Aggressive Regressor (0.29/0.18) 그리고 RANSA Regressor(0.22/0.22)를 보였다. RMSE에서 Linear Regression(0.40/0.40), LASSO (1.08/1.06), Ridge(0.54/0.54), Elastic Net(1.19/1.17), Huber Regression(0.20/0.20), LASSO/LARS(0.24/0.23), Passive Aggressive Regressor(0.21/0.58) 그리고 RANSA Regressor(0.40/0.40) 각각 나타냈다. 결론 : 본 연구는 자동화 자료검색 및 수집을 위한 크롤링 기법을 이용하여 데이터를 수집하였다. 이를 기반으 로 고전 선형모델을 기계학습에 적용할 수 있도록 하고, 데이터 학습을 위한 8개 학습모델들 간 성능을 비교하였다.

인공지능 및 머신러닝도 소프트웨어의 일종이므로 미국의 소프트웨어 발명의 특허적격 관련 판결들을 참고할만하다. Alice 판결 이후 미국 CAFC는 컴퓨터 관련 발명에 대한 특허 적격성을 부정하는 다수의 판결들을 내렸으나, 반대로 특허 적격성을 긍정한 판결들도 있다. 머신러닝의 특수성을 감안하여 특허적격을 검토하기 위해서, 학습 데이터, 학습 알고리즘 및 학습완료 모델로 나누어 살펴본다. 먼저 학습데이터 관련하여, 데이터 그 자체만으로는 특허적격을 인정받기 어렵지만 데이터 간의 구조적 상호관계가 정의되어 이로 인해 컴퓨터가 특정한 기능을 수행할 수 있다면 이는 컴퓨터 프로그램에 준하여 볼 수 있다. 학습 알고리즘에 관하여서는, 최근 미국의 하급심에서 그 발명이 특정 분야나 응용과 관계가 없고 단지 기계를 통한 데이터의 실행일 뿐이어서 일반적인 추상적 개념이라는 이유로 특허적격을 부정한 사례가 있다. 또한 학습완료 모델은 학습 알고리즘에 기반하여 구체적인 학습 데이터를 이용해 학습이 완료되어 파라미터가 조정된 결과이므로, 학습 알고리즘과 유사하게 특허적격성 문제를 판단 할 수 있다고 보인다. 다만, 학습이 완료된 경우는 특정한 기술분야에 인공지능을 구체적으로 접목시킨 경우가 많을 것으로 예상된다. 우리나라의 경우 아직 인공지능 발명의 특허적격이 문제된 사례가 없는 것으로 보이고, 특허청의 심사기준에도 인공지능 발명의 성립성에 구체적인 기준이 없다. 특허청의 심사기준을 구체적인 사례와 함께 명확히 하는 것이 필요해 보인다.

In this study, we performed algorithms to predict algae of Chlorophyll-a (Chl-a). Water quality and quantity data of the middle Nakdong River area were used. At first, the correlation analysis between Chl-a and water quality and quantity data was studied. We extracted ten factors of high importance for water quality and quantity data about the two weirs. Algorithms predicted how ten factors affected Chl-a occurrence. We performed algorithms about decision tree, random forest, elastic net, gradient boosting with Python. The root mean square error (RMSE) value was used to evaluate excellent algorithms. The gradient boosting showed 10.55 of RMSE value for the Gangjeonggoryeong (GG) site and 11.43 of RMSE value for the Dalsung (DS) site. The gradient boosting algorithm showed excellent results for GG and DS sites. Prediction value for the four algorithms was also evaluated through the Receiver operating characteristic (ROC) curve and Area under curve (AUC). As a result of the evaluation, the AUC value was 0.877 at GG site and the AUC value was 0.951 at DS site. So the algorithm‘s ability to interpret seemed to be excellent.

PURPOSES : This study analyzes the characteristics of generated fine particulate matter (PM2.5) and nitrogen oxide (NOX) at roadsides using a statistical method, namely, a generalized linear model (GLM). The study also investigates the applicability and capability of a machine learning methods such as a generalized regression neural network (GRNN) for predicting PM2.5 and NOX generations. METHODS : To analyze the characteristics of PM2.5 and NOX generations at roadsides, data acquisition was conducted in a specific segment of roads, and PM2.5 and NOX prediction models were estimated using GLM. In addition, to investigate the applicability and capability of a machine learning methods, PM2.5 and NOX prediction models were estimated using a GRNN and were compared with models employing previously estimated GLMs using r-square, mean absolute deviation (MAD), mean absolute percentage error (MAPE), and root mean square error (RMSE) as parameters. RESULTS : Results revealed that relative humidity, wind speed, and traffic volume were significant for both PM2.5 and NOX prediction models based on estimated models from a GLM. In addition, to compare the applicability and capability of the GLM and GRNN models (i.e., PM2.5 and NOX prediction models), the GRNN model of PM2.5 and NOX prediction was found to yield better statistical significance for r-square, MAD, MAPE, and RMSE as compared with the same parameters used in the GLM. CONCLUSIONS : Analytical results indicated that a higher relative humidity and traffic volume could lead to higher PM2.5 and NOX concentrations. By contrast, lower wind speed could affect higher PM2.5 and NOX concentrations at roadsides. In addition, based on a comparison of two statistical methods (i.e., GLM and GRNN models used to estimate PM2.5 and NOX), GRNN model yielded better statistical significance as compared with GLM.