Pavement temperature is a critical factor in winter road maintenance as it directly affects operational decisions related to de-icing, antiicing, and other safety measures. Accurate forecasting of pavement temperature enables road agencies to optimize maintenance strategies, reduce operational costs, and improve roadway safety outcomes. This study proposes a novel machine-learning algorithm, termed LSTMCNN, which integrates convolutional neural networks (CNNs) with long short-term memory (LSTM) networks for pavement temperature prediction. The proposed model enables the LSTM component to capture sequential dependencies, whereas the CNN component extracts local and spatial features embedded in time-series temperature records. Therefore, the proposed model can effectively identify long-range temporal relationships while uncovering localized or spatial features within the dataset. The input data—comprising pavement, atmospheric, and soil temperatures—were obtained at the entrance of a tunnel where a multivehicle pile-up due to black ice had occurred previously. The proposed LSTM-CNN model achieved an average prediction error of 0.61 ℃ and was benchmarked against other well-established machine-learning models, including Transformer and standalone LSTM architectures. The results show that the proposed algorithm delivers statistically superior predictive performance. The LSTM-CNN approach offers significant potential for enhancing the efficiency and effectiveness of winter road maintenance operations.

하이디 캠벨은 디지털 종교의 다섯 가지 핵심 특성-네트워크 공동체, 이야기된 정체성, 권위의 이동, 수렴적 실천, 다중 장소 현실- 을 통해 디지털 환경을 온라인과 오프라인 종교 문화가 긴밀히 상호작용 을 하는 통합적 변화의 장으로 해석한다. 이런 관점은 오늘날 디지털 종교 현상을 재구성하기 위한 새로운 이론적·실천적 연구 틀을 요청한 다. 이에 본고는 이러한 통찰을 바탕으로 디지털 변혁 시대 선교적 리더십과 온라인 공동체의 변화 양상을 신학적으로 해석하고, 제자도와 실천 운동의 지속 가능성과 상황별 한계점을 분석한다. 특히 문헌 검토와 국내외 사례 연구를 통해 온라인 사역 모델을 확산형, 참여형, 생활밀착형, 통합형(하이브리드) 등으로 유형화함으로써 온라인 구조에서도 선교적 역동성과 효과적인 지속성을 꾀할 수 있음을 밝힌다. 나아가 리더십, 선교신학, 디지털 신학을 통합적으로 고찰해 시대 문화적으로 필요한 ‘선교적-성육신적 온라인 공동체’의 신학적 개념과 실천 모델을 제안한다.

본 연구는 국제 해양환경 규제 확대에 따라 형성되는 협력 수요를 유형화하고, 이를 바탕으로 해양환경 ODA 기반 민관협력 (Public-Private Partnership, PPP) 모델을 유형화하는 것을 목적으로 한다. 최근 국제 해양환경 규제는 선박 오염 통제를 넘어 외래종 관리, 해 양폐기물 대응, 생물다양성 보전 등으로 확대되고 있으며, 규범 이행을 위한 제도적·기술적·운영상의 대응 요구도 복합화되고 있다. 그러 나 많은 개발도상국에서는 항만 관리 체계, 환경 모니터링 시스템, 선박 검사 역량, 기술 접근성, 전문 인력의 확보 수준 등이 충분하지 않아 국제 규범의 수용과 실제 집행 사이에 이행 격차가 발생할 가능성이 크다. 본 연구는 이러한 이행 격차가 협력 수요를 형성하는 과 정에 주목하여 협력 수요를 법·제도 정비, 기술 도입, 운영 및 서비스, 역량 강화의 네 가지 유형으로 구분하였다. 또한 해양환경 ODA 관 련 PPP 사례를 분석하여 공공과 민간의 역할 분담, 운영의 지속성, 기술적 요소의 결합 양상을 살펴보았다. 이를 바탕으로 해양환경 ODA 기반 PPP 모델을 규제 대응형, 환경 서비스형, 자원순환형, 기술혁신 연계형의 네 가지 유형으로 제시하였다. 본 연구는 국제 해양환경 규 제를 단순한 환경 규범의 확대가 아니라 새로운 협력 수요를 형성하는 제도적 맥락으로 해석하고, 이를 해양환경 ODA 기반 PPP 모델과 연결하여 분석하였다는 점에서 의의를 가진다.

This study establishes a structured development procedure for a non-ergodic ground motion model (GMM) and applies it to Korean seismic records to evaluate uncertainty reduction. The proposed framework includes data screening based on signal-to-noise ratio, residual computation relative to NGA-East predictions, identification of systematic trends, and stepwise correction of site, magnitude, and distance effects. A total of 368 records from 16 earthquakes (Mw ≥ 4.0) observed at 53 stations were analyzed. The residuals exhibited clear VS30-dependent trends, particularly at short periods (–0.2 s). Period-dependent VS₃₀ correction terms were derived through linear regression, with additional corrections for magnitude and distance applied when sufficient data were available. Spectral comparisons for the 2016 Gyeongju and 2017 Pohang earthquakes demonstrated improved agreement after calibration. The stepwise corrections resulted in a consistent reduction of total standard deviation across periods, with the largest decrease observed near 0.1 s. These results indicate that the proposed development procedure provides a practical pathway for transitioning from ergodic to partially non-ergodic modeling and effectively reduces aleatory uncertainty for Korean seismic hazard applications.

본 연구는 다양한 천연염재로 염색조건을 달리하여 염색한 견직물로 준비된 동일색조의 2-배색 100종에 대하여 주관적 색채감성 요인구조를 규명하고, 동일색조 유형과 유/무채색 색조, 물리적 색채특성 및 배색변인의 객관적 변 인들이 색채감성요인에 미치는 영향을 분석하였으며, 인공지능 기계학습 기반의 Random Forest를 이용하여 색채감 성요인 예측모델을 제안하였다. 연구 결과로서 천연염색 견직물의 동일색조 2-배색에 대한 색채감성요인으로 ‘유쾌 함’, ‘클래식’, ‘소프트’, ‘모던’의 4개 감성이 추출되었는데, 각 요인은 단색의 물리적 색채특성, 동일배색 유형, 유채 색/무채색, 정량적 배색 변인을 포함한 객관적 색채 변인으로부터 유의한 영향을 받음이 확인되었다. Random Forest 를 이용하여 동일색조 2-배색의 색채감성요인 별로 수립한 예측 모델에서 요인 ‘유쾌함’과 ‘소프트’ 예측모델의 예측 성능이 가장 우수하였으며, 색채감성요인 예측 모델에서 변수 중요도와 대체선형모델의 구조를 통해 요인 ‘유쾌함’ 은 색채 밝기 관련 변인, 요인 ‘소프트’는 색채 진하기 관련 변인의 영향력이 가장 큰 것으로 파악되었다. 또한 실험 값과 예측값 간 높은 상관성을 확인함으로써, 인공지능 기계학습 알고리즘 Random Forest를 천연염색직물의 색채감 성예측에 활용할 수 있을 것으로 기대되었다.

기존 비디오 게임은 사전 정의된 스크립트와 정적인 캐릭터 관계 모델로 인해 상호작용 과 몰입감에 한계가 있다. 최근 대규모 언어 모델(LLM)이 대안으로 떠올랐으나, 생성된 서 사와 게임 내부 데이터가 단절되는 문제가 여전히 존재한다. 이에 본 연구는 Unity 엔진, LLM, 게임 서버 플랫폼을 통합하여 캐릭터 데이터가 서사를 생성하고, 그 결과가 다시 데 이터베이스에 반영되는 '순환형 동적 스토리텔링 시스템'을 제안한다. 실험 결과, 캐릭터 성 향에 따른 차별화된 서사 생성 및 관계도의 실시간 DB 동기화를 확인하였다. 본 시스템은 기존 스크립트의 경직성을 극복하고 무한히 확장 가능한 개인화된 게임 경험을 제공한다.

The application of machine learning in concrete technology has expanded rapidly, yet its reliability is often constrained by limited experimental data, heterogeneous testing conditions, and inconsistencies across published studies. This study investigates the integration of machine learning and synthetic data augmentation to predict the compressive strength of concrete incorporating biochar as a partial replacement for cement. An experimental dataset was compiled from peer-reviewed journal articles indexed in Web of Science, focusing on biochar-modified concrete mixtures. Input variables included cement content, fine and coarse aggregates, biochar dosage, water to binder ratio, superplasticizer content, and curing age, with compressive strength as the target variable. Extreme Gradient Boosting was adopted due to its strong performance on nonlinear tabular data. Model performance was evaluated using the mean absolute error (MAE), mean squared error (MSE), and coefficient of determination (R²), alongside five-fold cross-validation. Hyperparameter optimization was performed using Optuna. To address data scarcity, a synthetic dataset of 1000 samples was generated using ChatGPT. the large language model approach relied solely on natural language prompts. Only feature definitions and the target variable were provided, without exposing the original data or implementing data generation algorithms. Three modeling strategies were examined. First, model trained and tested solely on experimental data achieved a testing R² of approximately 0.91. Second, model trained on synthetic data and evaluated exclusively on experimental data showed reduced generalization, achieving a testing R² of about 0.42, indicating pronounced domain shift effects. Third, synthetic and experimental data were combined through data augmentation and jointly modeled, a testing R² of 0.93 was achieved. The result showed that the use of LLMs for augmentation improved the performance of the model.

도로의 기하구조(종단경사, 평면 곡선반경)는 차량의 속도 변화, 제동 거리, 원심력 등에 직접적인 영향을 미쳐 주행 안전성과 사고 위험을 결정짓는 핵심적인 설계 요소이다(Park et al., 2008). 따라서 도로 유지관리 측면 에서 이러한 기하선형 정보를 정밀하게 측정하고 관리하는 것은 필수적이나, 준공 후 장기간이 경과하거나 관 리 체계가 다원화된 경우 데이터가 누락되어 통합적인 활용에 한계가 있다. 이에 본 연구는 설계도면이 부재한 대규모 도로망의 안전 진단 및 위험 구간 판단 근거를 마련하기 위해, GIS(Geographic Information System) 기반 노드·링크 시스템의 평면선형 데이터와 공개 DEM(Digital Elevation Model)을 활용하여 전국 고속국도의 기하구조를 추정하는 경제적이고 보편적인 방법론을 제안하고 자 한다.

본 연구는 항만물류 분야의 산업 설비에 대한 머신러닝 기반 예지정비 시스템 개발을 목적으로 수행되었다. UCI Repository의 Dataset을 활용하여 10,000개의 데이터 포인트를 분석하였으며, 설비 고장 발생 여부를 예측하는 이진 분류와 고장 유형을 분류하는 다중 클래스 분류 과제를 수행하였다. 데이터 전처리 과정에서 클래스 불균형 문제 해결을 위해 SMOTE 기법을 적용하였고, StandardScaler를 이 용한 정규화를 수행하였다. 주성분 분석을 통해 온도 변수, 기계 출력, 공구 마모가 주요 예측 변수로 확인되었다. 로지스틱 회귀, K-최근 접 이웃, 서포트 벡터 머신, 랜덤 포레스트, XGBoost 등 다섯 가지 머신러닝 알고리즘을 적용하여 성능을 비교하였다. 분석 결과, KNN은 상대적으로 낮은 성능을 보였으나 빠른 응답속도를 제공하였고, XGBoost가 모두에서 최고 성능을 보였으며, 이진 분류에서 F1 점수 0.958, 다중 클래스 분류에서 0.989를 달성하였다.

This study of a high-entropy alloy (HEA) explored two strategies to simultaneously satisfy two mechanical properties, ultimate tensile strength (UTS) and total elongation. The first strategy used inverse design based on a conditional variational autoencoder (CVAE), and the second employed multi-objective Bayesian optimization. Using a dataset of 501 literature-based HEAs, three models were trained with alloy composition and experimental conditions as inputs. Among these, extreme gradient boosting (XGBoost) exhibited the highest predictive performance for both properties and was selected as the final prediction model. CVAE was employed to generate 1,000 new samples from the latent space under the condition that both UTS and total elongation exceeded their mean values. Of these, 310 physically feasible compositions were validated using the XGBoost model, and approximately 17.7 % satisfied the target properties. Next, expected hypervolume improvement (EHVI)-based Bayesian optimization, beginning with 130 initial compositions that demonstrated superior properties, proposed five recommended candidates. These samples were found to differ in compositional characteristics from the existing dataset, which can be interpreted as exploration driven by the uncertainty of the probabilistic machine learning model. The candidate compositions generated by both methods were predicted by the XGBoost model to have the potential to achieve the target properties.

This study develops a scientific fishing-ground exploration framework for the Korean large purse-seine fishery, where traditional experience-based searching has become increasingly unreliable under rapid climate variability. AIS-derived fishing locations from 2021 to 2023 were integrated with HYCOM-based temperature and salinity fields and MODIS-Aqua chlorophyll-a data to construct a unified environmental – fishing dataset. After multicollinearity screening and principal component analysis, temperature and salinity at 30 m depth and chlorophyll-a were selected as representative predictors. Using these variables, a generalized additive model (GAM) with background-sampled pseudo-absence data and monthly maximum entropy (MaxEnt) models were developed to quantify nonlinear habitat – environment relationships and predict monthly and seasonal mackerel fishing occurrences. Model performance was evaluated using independent data from 2024. GAM exhibited relatively stable predictive performance across months with generally high AUC and TSS values whereas MaxEnt showed pronounced seasonal variability and was effective in identifying potential habitat structures based on presence-only environmental conditions. Spatial predictions from both models showed good agreement with observed fishing-ground distributions during specific seasons, reproducing high-suitability zones associated with seasonal thermal – salinity fronts and productivity gradients. These results provide insights into the environmental mechanisms governing purse-seine fishing grounds and demonstrate the complementary roles of GAM for operational prediction and MaxEnt for potential habitat exploration.

본 연구는 오픈이노베이션 환경에서 혁신중개자의 역할을 자원의존이론과 핵심역량 이론의 관점에서 분석하고, 이를 토대로 혁신중개자 역할 모델을 유형화하여 제안하는 것을 목적 으로 한다. 혁신중개자는 대기업과 스타트업 간의 협업을 촉진하고, 기술과 자본, 시장 정보 등 상호 보완적인 자원의 교환을 가능하게 하는 핵심 주체로 작용한다. 본 연구는 국내 오픈이노베이션 프로그램 사례 네 가지를 중심으로, 대기업–스타트업–혁신중개자의 상호작용 구조를 분석하고, 혁 신중개자의 조정 및 매칭, 멘토링, 자금 연계 기능을 유형별로 고찰하였다. 분석 결과, 혁신중개자 의 역할은 연결형 모델(공공기관 주도형, 민간기업 주도형)과 협업형 모델(공공기관 주도형, 민간 기업 주도형)로 구분되었으며, 각 유형은 프로그램의 운영 주체 성격과 협업 방식에 따라 차별 화된 특성을 보였다. 특히 협업형 모델은 단순 매칭을 넘어 기술 상용화 및 지속 가능한 성장 지 원까지 포괄함으로써 혁신의 성과 확산에 기여하고 있음이 확인되었다. 본 연구는 혁신중개자의 유형별 기능과 역할을 구체화함으로써 향후 오픈이노베이션 정책 및 실무에 실질적인 시사점을 제공한다.

Trigeminal neuralgia is a neuropathic pain disorder characterized by sudden, intense, and recurrent episodes of electric shock-like pain within the distribution of the trigeminal nerve. In addition to pain triggered by normally nonpainful stimuli, it may also present as spontaneous episodes. Although various causes of trigeminal neuralgia have been identified―such as neurovascular compression, demyelination, injury, and tumors―the underlying pathophysiological mechanisms remain poorly understood. Understanding these mechanisms is therefore crucial; however, the animal models used in research do not fully replicate the causes of the disorder. This review provides an overview of the animal models employed in trigeminal neuralgia research and evaluates their suitability for investigating disease mechanisms. Among these models, trigeminal root compression and demyelination models most closely reproduce the clinical etiology of trigeminal neuralgia. Developing animal models that accurately reflect the clinical pathophysiology of trigeminal neuralgia is essential for elucidating the underlying mechanisms and advancing the preclinical evaluation of new pharmacological agents and therapeutic interventions.

As the unmanned aerial vehicle industry grows, unexplained multirotor crashes continue to increase, and existing preventive maintenance methods have limitations in managing multirotor safety. Safety must be the top priority in multi-copter operations. To address this, real-time monitoring of the multi-copter's flight status during operation is required, along with anomaly detection and immediate response based on flight log information. However, limitations exist in processing anomaly data for each flight control log, necessitating the development of standardized technology to overcome this challenge. In this paper we propose a standardized process for collecting multi-copter flight control logs in real time, classifying the log information by message sets, and extracting key defect detection indicators contained in each message set. Furthermore, the extracted defect detection indicators were validated using various supervised learning models. In our experimental results, we collected flight logs from a multi-copter equipped with a defective propeller and conducted experiments using three defect detection models. The results show an accuracy rate of 0.99. This is the F1-score for the defect detection rate.

This study develops a generative AI-based system for automatically generating scholarly topic descriptions within the OpenAlex database and evaluates its performance. Although OpenAlex provides concise topic descriptions, they lack contextual richness and informational coverage, limiting researchers’ ability to quickly grasp the semantic relevance of each topic. To address this issue, this study generated new descriptions for a total of 4,516 topics by utilizing metadata attributes—topic_id, topic_name, description, and keywords—and compared them with the original descriptions. Multiple large language models (LLMs), including GPT, LLaMA, and Mistral, were employed, and a consistent prompt-engineering scheme was designed to ensure the reproducibility of model comparison. A standardized evaluation framework integrating quantitative and qualitative indicators was proposed. Quantitative evaluation included keyword-based Precision, Recall, and F1 scores, ROUGE-L, Specter2 embedding-based cosine similarity, and BERTScore. Qualitative evaluation was conducted using LLM-based pairwise comparison, assessing Relevance, Coverage, and Clarity, with relative rankings determined through the Elo rating system. Furthermore, the Friedman test and Wilcoxon signed-rank test were applied to verify statistical significance. Experimental results revealed distinctive strengths and weaknesses across models, providing a benchmarking foundation for improving automated content generation in scholarly databases such as OpenAlex. The proposed evaluation framework also offers a reproducible and consistent basis for assessing various generative models, contributing to both academic research and practical system development.

As renewable energy penetration continues to increase, the output variability and forecasting uncertainty of photovoltaic generation have emerged as major operational risks in power systems. This study establishes a sensor-based data quality control procedure to ensure the reliability of meteorological data collected at a PV plant. For temperature, humidity, and wind speed, a four stage QC process physical range check, persistence check, step change check, and median filtering was applied. Solar radiation, which exhibits strong temporal and distributional characteristics, was processed using a three-stage QC procedure consisting of physical range, step change, and frequency distribution checks. Using the quality-controlled meteorological data, PV generation forecasting was performed with SVM and XGBoost models. As a result, the MAPE values improved to 6.32% for SVM and 6.08% for XGBoost after QC application. The findings confirm that meteorological data quality control significantly enhances PV forecasting accuracy and can support future strategies for distributed energy resource management, curtailment mitigation, and power system risk reduction.