본 연구의 목적은 토목, 건축, 소방방재, 항공기계 전공 간 협력을 기 반으로 공학계열 IPE 기반 드론 융합교육 모형을 설계하는 데 있다. 이 를 위해 IPE의 개념과 핵심역량, 국내 IPE 연구 동향, 드론 활용 교육 및 공학계열 현장문제 해결 관련 문헌을 검토하였다. 또한 IPE 이론, IPEC 핵심역량틀, 드론 활용 교육의 수행 구조, 성과기반 교육설계 원리 를 바탕으로 협업 수행 중심성, 전공별 역할 명료성, 드론 임무 기반 문 제해결성, 성과기반 정렬성을 모형 설계 준거로 도출하였다. 연구 결과, 본 모형은 공통 기초 이해, 전공별 역할 정렬, 드론 임무 설계, 데이터 수집·분석, 통합 문제해결 및 성찰의 5단계로 구성되었다. 전공별로는 토 목은 인프라 및 공간자료 분석, 건축은 건축물 상태 및 유지관리 분석, 소방방재는 재난위험 평가와 대응 시나리오 구성, 항공기계는 드론 운용 과 비행 안정성 확보를 담당하도록 구조화하였다. 본 연구는 드론 교육 을 전공 간 협업 기반의 현장문제 해결교육으로 재구성했다는 점에서 의 의가 있다. 후속 연구에서는 실제 수업 적용과 학습자 경험 분석, 교육효 과 검증을 통해 본 모형의 실천 가능성과 교육적 효과를 검토할 필요가 있다.

본 연구는 내용 중심 교수법(Content-Based Instruction)의 대표적 모델인 SIOP 모델을 재구성하여 외국인 학부생을 대상으로 하는 역사 수업 방안을 제시하는 것에 목적이 있다. 이 연구는 외국인 학부생이 수 강하는 역사 수업에서 단순 어휘 습득이나 단편적인 사실 전달에 치중하 게 되는 교수의 한계를 극복하고자 하는 연구자의 교육적 성찰에서 비롯 되었다. 이에 본 연구에서는 한국 역사의 기원이자 상징성을 담고 있는 단군 신화 텍스트를 활용하여 언어와 내용을 통합하는 교수 모형을 설계 하였다. SIOP 모델에서 제시하는 8가지 항목 중 이해 가능한 입력 (Comprehensible Input)과 전략(Strategies)을 집중적으로 활용하였다. 시각적 자료를 통해 텍스트의 이해도를 높임과 동시에 사고 구술 전략을 통해 학생들이 신화 속 상징물에 내재된 역사적 의미와 사회상을 능동적 으로 재구성할 수 있도록 하였다. 본 연구는 기존의 언어 기능 중심 활 동에서 탈피하여 역사적 텍스트에 대한 비판적 분석과 학문적 역량을 강 화하는 교육 모델을 제안했다는 점에서 의의가 있다.

AI-driven automation for structural design has been actively studied in structural engineering. In particular, reinforcement learning (RL) has attracted attention as a framework in which an agent interacts with an environment to autonomously search for optimal design solutions in complex design spaces. This study proposes an automated design model for rectangular reinforced-concrete (RC) columns based on a multi-agent Double Deep Q-Network (Double DQN). Extending prior RL-based automation developed for RC beam design to column members, the proposed environment explicitly incorporates key column-specific behaviors, including axial force–bending moment (P–M) interaction and moment magnification due to column buckling. Four agents independently determine the section width (b), section depth (h), number of longitudinal bars (n), and bar size. The reward function combines (i) penalty terms for violations of ACI 318-19 design constraints and (ii) an economic reward defined relative to an approximate optimal cost predicted by a quadratic regression model. After training for approximately 10,000 episodes, the proposed multi-agent Double DQN consistently generated ACI-compliant column designs across all test load cases and produced solutions with improved cost efficiency compared with the approximate optimal baseline. These results demonstrate the feasibility and practical potential of multi-agent RL for automated RC column section design.

While the adoption of AI-based design tools is accelerating in design education, limited research has examined learners’ psychological acceptance of these tools. This study therefore investigates perceptions of CLO 3D, Stable diffusion, and ChatGPT through the Technology Acceptance Model (TAM). Survey data were collected from 70 design majors at a university in Seoul and analyzed using regression methods, focusing on four key variables: perceived learning difficulty, efficiency, visual satisfaction, and commercialization potential. The results revealed paradoxical patterns in learning experience, where higher learning intention and perceived intuitiveness sometimes increased learning burden, while efficiency and output similarity reduced it. Efficiency perceptions were strengthened by learning intention, CLO 3D output similarity, and ChatGPT’s visualization support, but weakened when learners relied heavily on traditional creativity or when Stable diffusion’s creativity reflection was emphasized. Visual satisfaction was positively influenced by portfolio development and practical application intentions yet decreased when judged strictly by conventional creativity standards. Commercialization potential increased with efficiency, time savings, ChatGPT utilization, and application planning, but declined with greater familiarity with hand sketching. These findings validate TAM’s dimensions of usefulness and ease of use while highlighting the moderating role of comparison with traditional workflows. The study contributes theoretically by extending TAM to creative education contexts and provides practical guidance for developing instructional strategies that balance efficiency, creativity, and professional applicability.

세마글루타이드(Wegovy®), 티르제파타이드(Mounjaro®) 등 GLP-1 수용체 작용제는 최근 비만 및 제2형 당뇨병 치료에서 핵심적인 약제로 자리매김하였으나, 복용자들은 여전히 불규칙한 간식 섭취 등 생활습관 요인으로 인해 식후 혈당 스파이크를 경험한다. 본 논문은 이러한 문제 해결을 위한 문헌 기반의 개념적 식이 교육 모델을 제안 하였다. 문헌고찰 결과, 바나바잎 추출물의 주요 성분인 코로솔 산은 포도당 수송 억제 및 인슐린 감수성 개선 효과가 보 고되었으며, 렌틸콩은 저당지수 식품으로 혈당 상승 완화 및 지속적 포만감 유지에 도움을 주는 것으로 나타났다. 또한 땅콩은 단백질과 불포화지방산이 풍부하여 포만감을 증진시키고, 간식 대체식으로 활용 가능성이 높은 식품으 로 평가되었다. 이러한 과학적 근거를 종합하여, 본 연구에서는 렌틸콩 ·바나바잎·땅콩의 복합 기능을 통합한 기능성표시식품(렌 틸라 땅콩버터)을 활용한 GLP-1 사용자 맞춤형 식이 교 육 모델을 설계하였다. 본 모델은 ① 기능성표시식품을 이 용한 간식 치환 개념, ② 식품표시(라벨 리터러시) 교육 모듈, ③ 향후 검증 가능한 평가 지표 후보군(SMBG, 포 만감, 간식 치환율 등)을 포함하는 구조로 제시된다. 본 논문은 새로운 인체대상 데이터를 수집하지 않는 문 헌 기반 연구로서, 향후 IRB 승인을 거친 파일럿 연구를 통해 모델의 실제 효과를 검증할 필요가 있다. 이러한 접 근은 GLP-1 사용자들의 생활습관 개선과 기능성표시식품 제도의 활용성 제고를 통해 약물치료를 보완하는 새로운 식이 전략의 기초를 제공하며, 공중보건적 관점에서도 의 미 있는 시사점을 가진다.

본 연구에서는 TMD 설계 방법에 따른 배관의 지진응답 감소효과를 분석하였다. 구체적으로, 실제 원전 배관에 대한 진동대 시험 결과를 바탕으로 수치 배관 모델을 수립하고 검증하였다. 검증된 배관 모델을 바탕으로 TMD 설치 위치를 결정하고, 여러 가지 방법을 사용하여 TMD 설계값을 도출하였다. 더불어, 본 연구에서는 기존 설계식들을 기하평균한 값을 TMD 설계값으로 활용하였다. 최종적으로, 기존 배관을 기반으로 설계된 TMD가 지진의 무작위성과 지진 및 대상물질의 불확실성 아래에서도 효용성을 검증하였다. 또한, 연구에서 제안한 기하평균 모델을 기반으로 설계된 TMD의 작동성을 확인하였다. 결과적으로, TMD 설계 공식 및 방법에 따른 성능 차이를 비교한 결과, 기하평균 모델의 경우, 기존 설계식들의 특징을 포괄하는 양상이 보였다. 이러한 기하평균 모델은 추후 반복 적인 수치해석을 수행할 때 초기값으로 사용될 수 있을 것으로 보인다. 더불어, 이러한 분석 결과는 향후 원전 배관 계통의 TMD 설계 를 통해 내진 성능을 개선하는 데 유용한 자료로 활용될 것으로 기대된다.

본 연구에서는 3D 스캐닝 기반의 역설계 기술과 전과정평가(Life Cycle Assessment, LCA)를 통합하여 실제 생산 공정의 특성을 반영한 디지털 모델을 구축하고 이를 기반으로 선박의 성능과 환경성을 동시에 개선하는 지속가능한 설계 방법을 제안하였다. 연구 대상 인 8m급 복합재료 소형 선박을 3D 스캐닝하여 초기 디지털 모델을 생성하였으며 이후 설계 중량과 실제 측정 중량 간의 차이를 규명하기 위해 수적층(hand lay-up) 공법의 제조 공차, 재료 겹침, 불균일한 수지 분포 등 생산 현장의 비정형적 요소를 모델에 정량적으로 반영하여 실제 제작 상태에 근접한 역설계 모델을 개발하였다. 이를 기준으로 성능 개선 요구사항을 만족시키는 최종 설계안을 도출하고 두 모델 에 대한 전과정평가를 수행하여 환경 영향을 비교 분석하였다. 그 결과 생산 공정의 특성을 고려한 역설계 모델은 실제 선박의 중량과 0.02% 이내의 오차를 보여 높은 정확도를 입증하고 이를 바탕으로 개선된 최종 설계안은 역설계 모델 대비 평균 1.94%의 환경 영향 감소 효과를 보였으며 폴리에스터 수지가 전체 환경 부하의 핵심 요인임을 정량적으로 식별하였다.

Reinforcement learning (RL) is successfully applied to various engineering fields. RL is generally used for structural control cases to develop the control algorithms. On the other hand, a machine learning (ML) is adopted in various research to make automated structural design model for reinforced concrete (RC) beam members. In this case, ML models are developed to produce results that are as similar to those of training data as possible. The ML model developed in this way is difficult to produce better results than the training data. However, in reinforcement learning, an agent learns to make decisions by interacting with an environment. Therefore, the RL agent can find better design solution than the training data. In the structural design process (environment), the action of RL agent represent design variables of RC beam. Because the number of design variables of RC beam section is many, multi-agent DQN (Deep Q-Network) was used in this study to effectively find the optimal design solution. Among various versions of DQN, Double Q-Learning (DDQN) that not only improves accuracy in estimating the action-values but also improves the policy learned was used in this study. American Concrete Institute (318) was selected as the design codes for optimal structural design of RC beam and it was used to train the RL model without any hand-labeled dataset. Six agents of DDQN provides actions for beam with, beam depth, bottom rebar size, number of bottom rebar, top rebar size, and shear stirrup size, respectively. Six agents of DDQN were trained for 5,000 episodes and the performance of the multi-agent of DDQN was evaluated with 100 test design cases that is not used for training. Based on this study, it can be seen that the multi-agent RL algorithm can provide successfully structural design results of doubly reinforced beam.

During the reign of King Sejong in the Joseon Dynasty (1433-1438), the Daegyupyo (large gnomon) was produced. The Daegyupyo, with a crossbar (horizontal bar), was used to observe the length of the gnomon’s shadow cast by the sun passing at the meridian. The shadow of this crossbar can be obtained using a measurable device called the Yeongbu (shadow definer). These Daegyupyo and Yeongbu are described in detail in the “Treatise on Astronomy” of Yuan History or “Celestial Spheres and Globes” of Jega-Yeoksang-Jjp (Collected Discourses on the Astronomy and Calendrical Science of the Chinese Masters). According to Jega-Yeoksang-Jjp, the Yeongbu had a structure similar to a door attached to its frame. A pinhole is located in the center of a copper leaf corresponding to the door of the Yeongbu. The image of the sun’s meridian transit and the shadow of the crossbar through the pinhole are projected onto the surface of the Daegyupyo’s ruler stone. Unlike the width and length of the Yeongbu, the height of the Yeongbu is not recorded. This research analyzed the height of the Yeongbu required to maintain the constant distance from the pinhole to the ruler stone surface. Based on these assumptions, it was estimated that 8 to 13 Yeongbu of different heights would be needed for observations using the Daegyupyo in Seoul. To accommodate the need for Yeongbu of various heights, this study proposed a model for a stackable Yeongbu with an adjustable height.

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.

This study proposes a weight optimization technique based on Mixture Design of Experiments (MD) to overcome the limitations of traditional ensemble learning and achieve optimal predictive performance with minimal experimentation. Traditional ensemble learning combines the predictions of multiple base models through a meta-model to generate a final prediction but has limitations in systematically optimizing the combination of base model performances. In this research, MD is applied to efficiently adjust the weights of each base model, constructing an optimized ensemble model tailored to the characteristics of the data. An evaluation of this technique across various industrial datasets confirms that the optimized ensemble model proposed in this study achieves higher predictive performance than traditional models in terms of F1-Score and accuracy. This method provides a foundation for enhancing real-time analysis and prediction reliability in data-driven decision-making systems across diverse fields such as manufacturing, fraud detection, and medical diagnostics.

해상 운송 시스템에 사이버 위협이 증가함에 따라, 안전한 운항을 보장하기 위한 사이버 복원력의 필요성이 부각되고 있다. 특 히, 자율운항선박과 같은 고도의 기술 융합이 요구되는 스마트선박은 기존보다 더 광범위한 사이버 공격 표면을 가지게 되어 이에 대한 리스크 관리가 필수적이다. 본 연구에서는 스마트선박의 사이버 복원력을 평가하기 위해 국제 표준인 IACS UR E26, E27, IEC 62443, NIST SP 800-160을 분석하고, 이를 통해 스마트선박의 선종과 자율화 수준에 따른 사이버 리스크 평가 및 각각의 리스크에 맞는 복원력 모델 개념을 설계하였다. 특히, 선박의 자율화 수준이 높아질수록 사이버 리스크가 커지므로 이를 반영한 맞춤형 대응 전략을 도출하고 스마트 선박의 사이버 복원력 향상을 위한 성숙도 모델을 제안했다.

In this paper, we deal with the design of a model predictive control (MPC) for precise speed servo control of DC motor systems. The proposed controller is designed in the form of optimal control that calculates and outputs the optimized control input under constraints for each sampling. In particular, MPC designs the control inputs in advance for each sampling and predicts the outputs using them. Thus, it shows excellent control performance even in the case of disturbance or model uncertainty. The effectiveness of the proposed controller was demonstrated through computer simulations using MATLAB/Simulink and DC motor experimental system using real time controller. Moreover, the effectiveness of the proposed controller was confirmed by comparing its control performance with PID controller, which was tested under the same experimental condition as the MPC.