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.

기후 변화에 의해 해수면 온도 상승, 태풍의 최고 강도 북상, 태풍 강도 증가가 나타나고 있으며, 미래의 태풍 강도 변화가 더 심화될 것으로 예상하고 있다. 본 논문에서는 기후 변화 시나리오에 의해서 발생할 수 있는 한반도 부근의 태풍 강도를 예측하기 위하여 딥러닝 기반 태풍 강도 예측 모델을 개발하였다. 기후 예측정보를 이용하여 미래 기후 변화 환경장 변화에 따른 태풍의 강도를 예측할 수 있도록 과거 환경장을 학습 자료로 사용하였다. 학습자료는 1980년에서 2022년까지의 태풍 발생 빈도가 높은 6~10월의 기상 및 해양 재분 석 월평균 자료와 Best Track 태풍 241개를 입력자료로 사용하였다. 환경장 변화에 따른 태풍 강도 예측을 위해 자료의 공간적인 특징과 시간적인 특징을 함께 고려하는 딥러닝 모델인 ConvLSTM 기반으로 모델을 개발하였다. 태풍 트랙 시퀀스의 각 이동 경로에 대한 월평균 환경장 자료를 모델에 학습하여 태풍의 중심 기압을 예측하였다. 태풍의 공간적 특성을 반영할 수 있도록 범위를 설정하여 입력자료로 학습하였으며, 5°⨉ 5°의 범위일 때 가장 좋은 결과를 보였다. 몬테카를로 방법을 이용한 민감도 실험을 통해 모델 예측에 가장 큰 영향을 미치는 변수는 SST로 확인되었다.

PURPOSES : This study aimed to develop a quantitative structure property relationships (QSPR) model to predict the density from the molecular structure information of the asphalt binder AAA1, a non-full connected structure mixed with a total of 12 molecules. METHODS : The partial least squares regression (PLSR) model, which models the relationship between predictions and responses and the structure of these variables, was applied to predict the density of a binder with molecule descriptors. The PLSR model could also analyze data with collinear, noisy, and multiple dimensional independent variables. The density and additive-free AAA1 binder’s molecule systems generated by an asphalt binder’s molecules-related study were used to fit the PLSR model with the molecular descriptors produced using alvaDesc software. In addition to developing the relationship, a systematic feature selection framework (i.e., the V-WSP- and PLSR-modelbased genetic algorithm (GA)) was applied to explore sets of predictors which contributed to predicting the physical property. RESULTS : The PLSR model accurately predicted the density for the AAA1 binder’s molecules using the condition of the temperature and aging level (R2 was 0.9537, RMSE was 0.00424, and MAP was 0.00323 for the test data) and provided a set of features which correlated well to the property. CONCLUSIONS : Through the establishment of the physical property prediction model, it was possible to evaluate the physical properties of construction materials without limited experiments or simulations, and it could be used to comprehensively design the modified material composition.

This study aims to predict return-to-work outcomes for workers injured in industrial accidents using a TabNet-RUSBoost hybrid model. The study analyzed data from 1,383 workers who had completed recuperation. Key predictors identified include length of recuperation, disability grade, occupation activity, self-efficacy, and socioeconomic status. The model effectively addresses class imbalance and demonstrates superior predictive performance. These findings underscore the importance of a holistic approach, incorporating both medical and psychosocial factors.

This research presented the procedural framework of developing and optimizing an artificial intelligence model for predicting the change of bread texture by different baking enhancers. Emphasis was placed on the impact of various baking enhancers on the Mixolab thermo-mechanical properties of wheat flour and consequent alterations in bread texture. The application of baking enhancers positively contributed to dough formation and stability, producing bread with a soft texture. However, a relatively low Pearson correlation coefficient was observed between a single Mixolab parameter and bread texture (r<0.59). To more accurately predict the texture of bread from the thermo-mechanical features of wheat flour with baking enhancers, five AI models (multiple linear regression, decision tree, stochastic gradient descent, random forest, and multilayer perceptron neural network) were applied, and their prediction performance was compared. The multilayer perceptron neural network model was further utilized to enhance the prediction of bread texture by mitigating overfitting risks. Finally, the hyperparameter tuning (activation function [Leaky ReLU], regularization [0.0001], and dropout [0.1]) led to enhanced model performance (R2 = 0.8109 and RMSE = 0.1096).

세계 100대 악성 침입외래종인 유리알락하늘소(Anoplophora glabripennis)와 근연종인 노랑알락하늘소(가 칭, Anoplophora horsfieldii (Hope, 1843))가 2019년 제주도에서 처음 발견된 후 2023년까지 지속적으로 확인되었 다. 본 연구는 MaxEnt 알고리즘을 기반으로 하는 생물종 분포 모델을 이용하여 19개의 기후변화 변수에 노랑알락 하늘소(가칭) 먹이식물 5종(차나무, 팽나무, 멀구슬나무, 종가시나무, 비술나무)의 변수를 추가하여 외래해충인 노랑알락하늘소(가칭)의 현재·미래의 분포 가능지역에 대한 공간적 분포 특성을 규명하고 국가적 확산을 대응 하고자 한다. 모델 예측 정확도(AUC)는 0.983으로 출현지점을 정확하게 예측하는 비율이 매우 높다고 할 수 있다. 모델 예측 정확도의 증감에 영향을 주는 환경변수 중 먹이식물의 기여도가 70%를 상회하는 것으로 나타났다. 현재 75% 이상 분포 가능지역은 전라남도 진도군 일대와 경상북도 포항시 일대로 나타났으나 2050년에는 서해안을 따라 태안군까지 동해안을 따라 북한의 고성군까지 분포가 가능한 것으로 나타났다. 또한 75% 이상 분포 가능 면적은 현재 423㎢에서 2050년에는 9,270㎢로 약 대한민국 면적의 1/10 정도 확산될 것으로 예측된다.

PURPOSES : To enhance the accuracy of predicting the compressive strength of practical concrete mixtures, this study aimed to develop a machine learning model by utilizing the most commonly employed curing age, specifically, the 28-day curing period. The training dataset consisted of concrete mixture sample data at this curing age, along with samples subjected to a total load not exceeding 2,350 kg. The objective was to train a machine learning model to create a more practical predictive model suitable for real-world applications. METHODS : Three machine learning models—random forest, gradient boosting, and AdaBoost—were selected. Subsequently, the prepared dataset was used to train the selected models. Model 1 was trained using concrete sample data from the 28th curing day, followed by a comprehensive analysis of the results. For Model 2, training was conducted using data from the 28th day of curing, focusing specifically on instances where the total load was 2,350 kg or less. The results were systematically analyzed to determine the most suitable machine learning model for predicting the compressive strength of concrete. RESULTS : The machine learning model trained on concrete sample data from the 28th day of curing with a total weight of 2,350 kg or less exhibited higher accuracy than the model trained on weight-unrestricted data from the 28th day of curing. The models were evaluated in terms of accuracy, with the gradient boosting, AdaBoost, and random forest models demonstrating high accuracy, in that order. CONCLUSIONS : Machine learning models trained using concrete mix data based on practical and real-world scenarios demonstrated a higher accuracy than models trained on impractical concrete mix data. This case illustrates the significance of not only the quantity but also the quality of the data during the machine learning training process. Excluding outliers from the data appears to result in better accuracy for machine learning models. This underscores the importance of using high-quality and practical mixed concrete data for reliable and accurate model training.

In contemporary global warfare, the significance and imperative of air transportation have been steadily growing. Nevertheless, the Korean Air Force currently operates only with small and medium-sized military cargo planes, lacking larger aircraft. Consequently, the efficiency of their operations is constrained by the limited air transport capacity and the aging of their existing fleet, among other factors. Therefore, we have to consider to make future air transportation capability. Although the 2nd large-sized cargo-plane acquisition project is ongoing, its quantity is very small. In this study, we propose an optimal prediction model that takes into account practical constraints such as parking space availability, pilot availability, wartime daily maximum loads, while simultaneously maximizing both the effectiveness and efficiency of transport capacity for future warfare envirionment.

This study aimed to assess and determine the optimal model for predicting the full bloom date of ‘Fuji’ apples across South Korea. We evaluated the performance of four distinct models: the Development Rate Model (DVR)1, DVR2, the Chill Days (CD) model, and a sequentially integrated approach that combined the Dynamic model (DM) and the Growing Degree Hours (GDH) model. The full bloom dates and air temperatures were collected over a three-year period from six orchards located in the major apple production regions of South Korea: Pocheon, Hwaseong, Geochang, Cheongsong, Gunwi, and Chungju. Among these models, the one that combined DM for calculating chilling accumulation and the GDH model for estimating heat accumulation in sequence demonstrated the most accurate predictive performance, in contrast to the CD model that exhibited the lowest predictive precision. Furthermore, the DVR1 model exhibited an underestimation error at orchard located in Hwaseong. It projected a faster progression of the full bloom dates than the actual observations. This area is characterized by minimal diurnal temperature ranges, where the daily minimum temperature is high and the daily maximum temperature is relatively low. Therefore, to achieve a comprehensive prediction of the blooming date of ‘Fuji’ apples across South Korea, it is recommended to integrate a DM model for calculating the necessary chilling accumulation to break dormancy with a GDH model for estimating the requisite heat accumulation for flowering after dormancy release. This results in a combined DM+GDH model recognized as the most effective approach. However, further data collection and evaluation from different regions are needed to further refine its accuracy and applicability.

기후변화에 따른 서식지 감소는 생물다양성의 커다란 위협 요소 중 하나이고 생물종이 서식하는 공간적 분포에 대한 이해는 멸종위기종 관리, 생태계 복원 등 다양한 분야에서 매우 중요하다. 본 연구는 남한지역에서 서식하는 멸종위기종 Ⅰ급으로 지정된 붉은점모시나비를 대상으로 기후변화에 따른 서식분포변화를 분석하고자 한다. 이 를 위해서 최근 보전생물학, 동물생태학 등 다양한 분야에서 널리 활용되는 MaxEnt 모델을 현재시기와 미래시기 의 생물기후변수에 적용하여 잠재적 서식지 분포 변화를 평가하였다. 붉은점모시나비는 미래시기에 서식지가 감소하는 경향으로 예측되었고, 기온보다 강수량에 의한 영향이 크고, 특히 강수량 계절성에 영향이 가장 클 것으 로 분석되었다. 분석결과는 국내 생물다양성 증진에 필요한 기초자료로서 활용할 수 있을 것으로 기대된다.

본 연구는 남한 지역에서 서식하는 멸종 위기 종 2급인 왕은점표범나비의 기후 변화에 따른 서식지 변화를 분석하고자 한다. 이를 위해 단일모델의 장단점을 보완하기 위해서 생물 보전과 동물 생태학 분야에서 널리 사용 되는 앙상블 모델을 활용하여 기후변화 시나리오 자료를 이용하여 현재와 미래 기후 조건에서의 잠재적 서식지 변화를 평가하였다. 연구 결과에 따르면, 미래에는 왕은점표범나비의 서식지가 줄어들 것으로 예상되며, 이 변화 는 기온과 강수량 모두에 영향을 받을 것으로 나타났다. 특히 강수량의 계절적 변동이 가장 큰 영향을 미칠 것으로 분석되었다. 이러한 결과는 기후 변화로 인한 생물종의 서식 분포의 이해를 향상시켜 멸종 위기 종 관리와 생태계 복원과 같은 다양한 분야에서 생물다양성 증진을 위한 중요한 기초 데이터로 활용될 것으로 기대된다.

모기는 감염병을 매개하는 종으로 전염병 확산 억제를 위해서는 개체수의 감시와 정확한 예측이 필요하다. 본 연구에서는 모기 개체수 및 기상 및 현장 자료를 활용해 모기 개체수 머신러닝 모델을 개발하였다. 모기 개체수는 디지털 모기 측정기(Digital Mosquito Monitoring System, DMS)의 2015 년~2022년의 5월~10월의 자료를 활용하였다. 기상 자료는 기온, 강수량, 풍속, 습도를 사용하였으며, 현장 조사 자료는 현장을 명목척도와 서열척도로 나누어 기록하여, 명목 척도의 경우 원핫 인코딩으 로 변환해 수치화하여 사용하였다. 분석에 사용된 머신러닝 모델은 Artificial Neural Network, Random Forest, Gradient Boosting Machine, Support Vector Machine이며 성능지표로 R2, RMSE를 사용하였다. 연구 결과, Gradient Boosting 모델이 R2 0.4, RMSE 22.45로 가장 좋은 성능을 나타냈다. 현장 조사 자료 를 분석에 활용하였을 때 R2는 증가하였고, RMSE는 감소하였다. 본 연구 결과 모기 개체수에 현장 조사 자료가 예측 정확도를 향상시킬 수 있음을 확인하였다.

일반적으로 콘크리트는 골재, 모래, 시멘트, 담수, 혼합재 등 다양한 재료로 구성되어있으며 재령에 따라서 강도가 증 가한다. 콘크리트에 필요한 각 재료의 비율은 혼합 설계를 통해 결정되지만, 콘크리트의 강도는 실험적으로 측정되기 전까지는 알 수 없다. 이러한 한계를 극복하기 위해 실험을 통해 얻은 데이터를 이용하여 콘크리트의 압축 강도를 예측하기 위해 통계수 학과 기계학습 알고리즘을 이용한 많은 연구가 시도되었다. 이전의 연구는 콘크리트 압축 강도 예측에 신경망 기법이 가장 적 합하다고 제안하였다. 그러나 신경망 기법은 다른 기계학습과 비교하여 모델 학습에 계산 비용이 많이 들어 실제로 적용하기 어려운 문제점이 있다. 최근 몇 년 동안 다양한 회귀 분석 모델이 개발되었으므로 본 연구에서는 신경망 대신 최신 회귀 분석 모델을 이용하여 콘크리트 강도 예측모델을 제시하였다. 이를 위해 최근 개발된 회귀 분석 모델에 대한 교차검증을 시행하여 최적의 모델을 선정하였다. 그리드 검색을 통하여 선정된 각 모델의 하이퍼 파라미터를 최적화하고, 국내외 데이터를 활용하여 기계학습 모델을 훈련하고 검증하였다. 이들 중 CatBoost, LGBMR, RFR, XGBoost 회귀모델이 높은 성능을 보여주었다. 특히 그 중에서 XGBoost 회귀 분석 모델이 가장 작은 오차와 높은 정확도를 보여주었다. 이들 중 오류가 가장 큰 LGBMR 모델도 이전 연구에서 제안된 신경망 및 앙상블 모델보다 성능이 우수하였다. 현장 레미콘 콘크리트에 대한 압축 강도 예측을 시행하여 학 습된 모델의 현장 적용 가능성을 확인하였다.

본 연구는 한반도에서 Proto3 모형을 수행하기 위하여 필요한 3가지 기후인자 지도, 1. 식물 내한성 구역, 2. 쾨펜- 가이거 기후구, 3. 연누적강수량 영역에 대한 한반도 지도를 1 km 해상도로 제작하였다. Worldclim V2와 한반도 30 년 평균 기상대 데이터를 이용하여 한반도 최저극값온도 격자를 제작하였으며, 이를 활용하여 한반도 식물 내한성 구역 격자지도를 제작하여 Proto3에 이용하였다. 쾨펜-가 이거 기후구 지도는 Beck et al. (2018)의 쾨펜-가이거 기후구 지도를 Proto3에 적합하게 변형하였으며, 연누적강수량 영역은 Worldclim V2를 활용하여 제작하였다. 제작된 Proto3 기후 인자 지도를 활용하여 외래잡초 별나팔꽃의 정착 확산 가능 지역을 예측한 결과, 남한 대부분의 지역과 북한의 황해도를 포함한 남쪽 지방까지 전체 한반도 격자의 50.7%가 정착, 확산 가능지역으로 예측되었다. 본 결과는 별나팔꽃의 위해성 평가 및 관리 체계 수립 등에 활용가능할 것으로 판단된다.

The red imported fire ant (Solenopsis invicta) is categorized into the world’s 100 worst invasive alien species by the International Union for Conservation of Nature. Accordingly, the prediction of potential distribution of the red imported fire ant is demanded in order to provide the possibility of dispersion into new sites, and to identify vulnerable regions to be attacked. In general, species distribution model can predict potential distribution of a specific species, but most of them have used air temperature as the most important variable. However, red imported fire ant has life cycle under ground, requiring soil temperature for more reliable prediction of potential habitats. For this reason, this study was to insert soil temperature into CLIMEX, and to evaluate potential distribution of the red imported fire ant.

The objective of this study is to propose a simple and accurate analytical model for HSS braces. For this purpose, a physical theory model is adopted. Rectangular hollow section steel (HSS) braces are considered in this study. To accurately simulate the cyclic behavior of braces using the physical theory model, empirical equations calculating constituent parameters are implemented on the analytical model, which were proposed in the companion paper. The constituent parameters are cyclic brace growth, cyclic buckling load, and the incidence of local buckling and fracture. The analytical model proposed in this study was verified by comparing actual and simulated cyclic curves of brace specimens. It is observed that the proposed model accurately simulates the cyclic behavior of the braces throughout whole response range.

The axial thrust acting on the turbocharger rotor is basically generated by the unbalance between turbine wheel gas forces and compressor wheel air forces. It has a significant influence on the friction losses, which reduces the overall efficiency and performance of high-speed turbocharger. Therefore, it’s important to calculate the thrust forces under operating conditions (surge, choke and etc.) in a turbocharger. The purpose of this paper is the development of numerical simulation methods which were verified by experimental results of axial thrust and thermally induced constraint tests of the turbocharger. The first FE model showed the relationship between thrust forces and strains by calculating the strains on specially designed thrust bearing and were compared with test results. And the second one is to identify the thermally induced strains in order to remove the thermal effects from measured strains. With these models, it’s possible to inversely predict the magnitudes of the axial thrust by directly measured strains and temperatures under operating turbocharger.