Existing reinforced concrete buildings with seismically deficient columns experience reduced structural capacity and lateral resistance due to increased axial loads from green remodeling or vertical extensions aimed at reducing CO2 emissions. Traditional performance assessment methods face limitations due to their complexity. This study aims to develop a machine learning-based model for rapidly assessing seismic performance in reinforced concrete buildings using simplified structural details and seismic data. For this purpose, simple structural details, gravity loads, failure modes, and construction years were utilized as input variables for a specific reinforced concrete moment frame building. These inputs were applied to a computational model, and through nonlinear time history analysis under seismic load data with a 2% probability of exceedance in 50 years, the seismic performance evaluation results based on dynamic responses were used as output data. Using the input-output dataset constructed through this process, performance measurements for classifiers developed using various machine learning methodologies were compared, and the best-fit model (Ensemble) was proposed to predict seismic performance.

Given the hazards posed by black ice, it is crucial to investigate the conditions that contribute to its formation. Two ensemble machinelearning algorithms, Random Forest (RF) and Extreme Gradient Boosting (XGBoost), were employed to forecast the occurrence of black ice using atmospheric data. Additionally, explainable artificial intelligence techniques, including Feature Importance (FI) and partial dependence Plot (PDP), were utilized to identify atmospheric conditions that significantly increase the likelihood of black ice formation. The machinelearning algorithms achieved a forecasting accuracy of 90%, demonstrating reliable performance. FI analysis revealed distinct key predictors between the algorithms: relative humidity was the most critical for RF, whereas wind speed was paramount for XGBoost. The PDP analysis identified the specific atmospheric conditions under which black ice was likely to form. This study provides detailed insights into the atmospheric precursors of frost/fog-induced black ice formation. These findings enable road managers to implement proactive winter road maintenance strategies, such as optimizing anti-icing patrol routes and displaying warnings on various message signs, thereby enhancing road safety.

This study evaluated the short- and long-term prediction performances of a transformer-based trajectory-forecasting model for urban intersections. While a previous study focused on developing the basic structure of a transformer model for future trajectory prediction, the present study aimed to determine a practical prediction sequence length. To this end, multiple transformer models were trained with output sequence lengths ranging from 1 s to 10 s, and their performances were compared. The trajectory data used for training were generated through a microscopic traffic simulation, and the model accuracy was assessed using the metrics average displacement error (ADE) and final displacement error (FDE). The results demonstrate that the prediction accuracy decreases significantly when the output trajectory length exceeds 3 s. Specifically, straight-driving trajectories exhibit rapidly increasing errors, while turning trajectories maintained a relatively stable accuracy. In contrast, for turning-driving trajectories, prediction errors increased sharply during short-term forecasting, but the increase was more gradual in long-term forecasts. Additionally, the long-term prediction models produced higher errors even in the initial 1-second outputs, implying a tendency toward conservative inference under uncertain future scenarios. This conservative behavior is likely influenced by the model’s effort to minimize the overall loss across a broader prediction window, especially when trained with Smooth L1 loss function. This study provides practical insights into model design for edge-computing environments and contributes to the development of reliable short-term trajectory prediction systems for urban ITS applications.

우리나라는 산지가 많고 하절기에 연 강수량의 약 2/3정도가 집중적으로 발생하기 때문에 매년 산사태에 의한 피해가 발생하고 있다. 재산 및 인명을 보호하기 위해서는 사전에 산사태 발생지를 예측하고 피해를 최소화하기 위한 대책이 요구된다. 본 연구는 2020년 경상남도지역 산사태 발생지 157개소를 대상으로 붕괴면적(㎡)에 미치는 영향인자를 구명하고, 수량화이론(I)을 사용하여 붕괴면적에 대한 각 인자의 기여도 분석을 하여 예방적인 측면에서 산사태 발생 위험지역에 대한 예측기법을 개발하였다. 산사태 발생지 붕괴면적에 영향을 미치는 인자의 Range를 추정한 결과, 산사태 위험등급(0.4664)이 가장 높게 나타나 경남지역의 산사태 발생 위험도에 큰 영향을 미치는 것으로 추정되었으며, 다음으로는 영급 (0.3891), 고도(0.2934), 경급(0.2037)순으로 나타났다. 경상남도지역 산사태 발생 위험도 판정표를 기준으로 4개 인자의 category별 점수를 계산한 추정치 범위는 0점에서 1.3526점 사이에 분포하고 있으며, 중앙값은 0.6763점으로 산사태 위험도 예측을 작성한 결과 Ⅰ등급은 1.0146 이상, Ⅱ등급 0.6764∼1.0145, Ⅲ등급 0.3383∼0.6763, IV등급 0.3382 이하로 나타나 1등급, 2등급에서 산사태 발생 비율이 59.2%로서 높은 적중률을 보였다. 따라서 본 판정표는 경상남도지역에 있어서 산사태발생 위험 예측 판정에 유용하게 사용할 수 있을 것으로 사료된다.

본 연구에서는 EBR 및 EBROG 기법으로 부착된 CFRP판과 콘크리트 모체 간 부착성능을 평가하였다. 실험 변수로는 콘크리 트 압축강도, 홈의 개수 및 깊이를 고려하였으며, 총 21개의 시편을 대상으로 단일 랩 전단 실험을 수행하였다. 실험 결과, EBROG 기법을 적용한 시편은 EBR 기법을 적용한 시편보다 최대 62% 높은 부착 강도를 보였다. 또한, 홈의 개수와 깊이가 증가할수록 부착강 도도 증가했으나, 홈이 3개일 때 가장 높은 증가율을 기록하였다. 한편, 콘크리트 압축강도가 증가할수록 부착강도도 상승했지만, 압축 강도가 가장 높은 시편에서는 오히려 부착강도 증가율이 가장 낮았다. 아울러, EBROG 기법으로 부착된 CFRP 판의 유효 변형률을 예측하는 모델을 개발하기 위해 실험 데이터를 기반으로 회귀 분석을 수행하였다. 제안된 모델의 예측값과 실험값의 비의 평균과 표준 편차는 각각 1.002 및 0.032로 나타나, 해당 모델이 유효 변형률을 정확하게 예측할 수 있음을 확인하였다.

This study aims to improve the interpretability and transparency of forecasting results by applying an explainable AI technique to corporate default prediction models. In particular, the research addresses the challenges of data imbalance and the economic cost asymmetry of forecast errors. To tackle these issues, predictive performance was analyzed using the SMOTE-ENN imbalance sampling technique and a cost-sensitive learning approach. The main findings of the study are as follows. First, the four machine learning models used in this study (Logistic Regression, Random Forest, XGBoost, and CatBoost) produced significantly different evaluation results depending on the degree of asymmetry in forecast error costs between imbalance classes and the performance metrics applied. Second, XGBoost and CatBoost showed good predictive performance when considering variations in prediction cost asymmetry and diverse evaluation metrics. In particular, XGBoost showed the smallest gap between the actual default rate and the default judgment rate, highlighting its robustness in handling class imbalance and prediction cost asymmetry. Third, SHAP analysis revealed that total assets, net income to total assets, operating income to total assets, financial liability to total assets, and the retained earnings ratio were the most influential factors in predicting defaults. The significance of this study lies in its comprehensive evaluation of predictive performance of various ML models under class imbalance and cost asymmetry in forecast errors. Additionally, it demonstrates how explainable AI techniques can enhance the transparency and reliability of corporate default prediction models.

Early warnings have been developed to provide rapid earthquake information, allowing people to prepare as much time as possible. However, since it takes several seconds for an earthquake warning to be issued, the blind zone is inevitable. To reduce the blind zone, information from a single observatory is used to operate an on-site earthquake warning. However, false and missed alarms are still high, requiring continued research and validation. This study predicted Peak Ground Acceleration (PGA) using the characteristic data to reduce false and missed alarms in on-site earthquake warnings. A machine learning prediction model was created using the initial P-wave parameters developed from the characteristic data to achieve this. Then, the model was used to predict the maximum ground acceleration in the southeastern region of the Korean Peninsula. The expected results for six target earthquakes were confirmed to have a standard deviation within 0.3 compared to the observed PGA and the values within ±2 sigma. This method is expected to help develop an on-site early warning system for earthquakes.

Reinforced concrete (RC) columns exhibit cyclic damage, such as strength degradation, under cyclic lateral loading, such as earthquakes. Considering the cyclic damage, the nonlinear load-deformation response of RC columns can be simulated using a lumped plasticity model. Based on an experimental database, this study calibrates lumped plasticity model parameters for 371 rectangular and 290 circular RC columns. The model parameters for adequate flexural rigidity, plastic rotation capacity, post-capping rotation capacity, moment strength, and cyclic strength degradation parameter are adjusted to match each experimentally observed load-deformation response. We have developed predictive equations that accurately relate the model parameters to the design characteristics of RC columns through regression analyses, providing a reliable tool for engineers and researchers. To demonstrate their application, the proposed and existing models numerically simulate the earthquake response of a bridge pier in a metropolitan railway bridge. The pier is subjected to several ground motions, increasing intensity until collapse occurs. The proposed lumped plasticity model showed about 41% less vulnerable to collapse.

This study investigates the factors influencing the seed longevity of Quercus myrsinifolia, a species with recalcitrant seeds highly sensitive to desiccation and freezing. The effects of moisture content, seed collection date, and storage methods on seed viability were analyzed using exponential decay modeling. Interactions between these factors were also explored to refine conservation strategies. Seeds with moisture content above 40% demonstrated a predicted seed longevity of 2.19 years, whereas those with moisture content below 30% had seed longevity of less than 1 year. Late-season seeds collected in November and December exhibited superior germination percentages and longer predicted seed longevity (1.32 years) compared to early-season seeds collected in September and October (<1 year). In seed weight, large seeds (2.0 g) showed longer predicted seed longevity about 1.5 times greater than that of small seeds (<1.2g). Storage methods significantly affected seed longevity, with refrigerator (4°C) with silica gel maintaining viability for 2–3 years, while seeds stored at room temperature (25°C) exhibited a seed longevity of less than 1 year. Silica gel was found to prevent seed deterioration due to over-desiccation, emphasizing the importance of balanced moisture regulation. Q. myrsinifolia seeds exhibited 𝑏 values ranging from 0.30 to 2.04, demonstrating a close relationship between decay constant, moisture content, storage conditions, and seed longevity. These findings provide critical insights into optimizing seed storage and propagation strategies for Q. myrsinifolia, contributing to its conservation and ecological restoration efforts.

아시아ž태평양 지역의 석유 제품 수요가 증가함에 따라, 해상에서 화학물질을 운반하는 탱커선의 운항이 늘어나면서 누출 사고 에 대한 우려도 증가하고 있다. 특히, 탱커선에 적재되는 화학물질 중 하나인 LPG는 비수용성이고, 폭발 하한계가 낮아 쉽게 폭발할 수 있기 때문에 해상에서 LPG 가스가 누출될 경우, 선박에서의 1차 사고뿐 아니라 인근 연안 지역으로 확산되어 2차 사고로 이어질 가능성 이 높다. 이에 본 연구에서는 한국해양대학교가 위치한 연안 지역 인근 해상을 운항 중인 화학물질 운반선에서 LPG 가스가 누출되는 상 황을 가정하고, CFD 시뮬레이션을 통해 학교까지 누출된 가스의 확산 범위를 예측하고자 한다. 연구 결과, 선박 위치에 따라 북쪽, 동쪽, 남동쪽 해상을 운항 중인 화학물질 운반선에서 누출된 가스는 각각 8초, 15초, 12초 만에 연안 지역에 도달하여, 전체 면적의 1/4, 1/6, 1/5 만큼 확산되었다. 또한, 선박에 적재된 가스가 모두 누출된 이후에도 연안지역 내 가스 농도는 각각 15초, 33초, 36초 동안 인화성 범위를 유지하였다. 가스 확산에 영향을 미치는 조건을 분석한 결과, 누출구 크기가 풍속보다 더 큰 영향을 미치는 것으로 확인하였다. 본 사례 연구의 해석기법을 활용해, 연안 항로를 운항 중인 선박에서 누출된 유해 가스가 인근 연안 지역에 확산되는 범위를 예측하고, 이를 기반 으로 기존 대응 지침을 보완하는 기초자료로서 활용되기를 기대한다.

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.

기후 변화로 인해 해수면 상승과 폭풍해일 발생 빈도가 증가하면서, 해안 지역에서의 재난 위험이 심화되고 있다. 본 연구는 NOAA의 GFS(Global Forecast System) 모델과 일본 기상청의 JMA-MSM(Japan Meteorological Agency Meso-Scale Model) 데이터를 기반으로 딥 러닝 기술을 활용하여 폭풍해일 예측 알고리즘을 개발하고, 두 모델에서 제공하는 대기 데이터를 입력 변수로 사용하여 예측 성능을 비 교하는 것을 목표로 한다. CNN(Convolutional Neural Network), LSTM(Long Short-Term Memory), Attention 메커니즘을 결합한 모델을 설계하고, 조위관측소의 관측 자료를 학습 데이터로 사용하였다. 과거 한반도에 직접적인 영향을 미쳤던 네 개의 태풍 사례를 통해 모델 성능을 검 증한 결과, JMA-MSM 기반 모델이 GFS 기반 모델에 비해 서해, 남해, 동해에서 각각 평균 RMSE를 0.34cm, 0.73cm, 1.86cm, MAPE를 0.15%, 0.36%, 0.68% 개선하였다. 이는 JMA-MSM의 고해상도 자료가 지역적 기상 변화를 정밀하게 반영했기 때문으로 분석된다. 본 연구는 해안 재난 대비를 위한 폭풍해일 예측의 효율성을 높이고, 추가 기상 데이터를 활용한 향후 연구의 기반 제공이 기대된다.

In this study, we propose an adaptive traffic control method that utilizes predictions of near-future traffic arrivals at a signalized intersection based on real-time data collected at an upstream intersection to design acyclic traffic signal timing accordingly. The proposed adaptive control method utilizes a deep learning model developed in this study to predict future traffic arrivals at downstream intersections 24 s ahead based on upstream intersection data at 4 s decision intervals. Using the predicted arrival traffic volume, signal timings were designed to minimize delays. A rolling-horizon approach was employed to correct the prediction errors during this process. The performance of the proposed traffic signal control method was validated by comparing it with the traditional time-of-day (TOD) traffic signal operation method over a 24 h period. The results of comparative validation tests conducted through simulations in a virtual environment indicate that the proposed adaptive traffic control system operates efficiently to minimize average control delays. During the morning peak period, a reduction time of 43.19 s per vehicle (57.02%) was observed, whereas the afternoon peak period exhibited a reduction of 37.91 s per vehicle (48.35%). Additionally, data analysis revealed that the optimal phase length suggested by the pre-timed method, which assumes uniform vehicle arrivals, is statistically identical at a 95% confidence level to the average phase length of the adaptive traffic control system, which assumes random vehicle arrivals. This study confirms the necessity of adopting proactive real-time signal control systems that utilize a new traffic information collection method to respond to dynamic traffic conditions and move away from conventional TOD signal operation, which primarily focuses on peak commuting hours. Additionally, it confirms the need for a fundamental shift in the underlying philosophy traditionally used in traffic signal design

본 연구는 자기결정성이론과 계획행동이론의 통합모델을 기반으로 미 술관 관람객의 기본심리욕구가 행동의도에 미치는 영향에서 행동구성개 념의 매개효과를 확인하여 행동을 예측하는 모형을 탐색하고자 하였다. 이를 위해 2024년 6월 18일부터 7월 7일까지 설문조사를 실시하여 총 273명의 응답 자료를 구조방정식 모형 분석하였다. 주요 연구결과는 다 음과 같다. 첫째, 모든 변인은 행동의도에 정적 상관을 보였다. 둘째, 기 본심리욕구와 행동의도 간의 관계에서 행동구성개념은 완전 매개효과를 보였다. 셋째, 기본심리욕구는 행동의도에 직접적인 유의미한 영향을 미 치지 못했다. 이러한 결과는 관람객의 재관람의도나 구전의도 등의 패턴 을 이해함으로써 미술관 운영 활성화를 위한 방안을 모색할 수 있다는 점에서 연구의 의의를 둔다.

작물 증발산량은 잠재 증발산량에서 작물계수를 곱하여 작 물의 요수량을 산출할 수 있어 수자원 관리에 널리 사용되는　 방법이다. 특히 유엔식량농업기구(FAO)가 관개 및 배수 논 문 NO.56에서 발표한 Penman-Monteith　방정식(FAO 56-PM) 은 잠재 증발산량을 추정하는 표준방법으로, 평균온도, 최대 온도, 최소온도, 상대습도, 풍속 및 일사량의 6가지 기상 데이 터가 필요하다. 그러나　농경지 인근에 설치된 기상센서는 설 치 및 유지보수 비용이 높아 결측, 이상치와 같은 데이터 신뢰 성 문제를 야기하여 정확한 증발산량 계산을 복잡하게 만든 다. 본 연구에서는 인근 기상청의 데이터를 사용하여 필요한 6가지 기상 변수를 예측함으로써 기상 센서 없이 작물 증발산량을 추정할 수 있는지 조사하였다. 우리는 기상청의 API를 통해 수집할 수 있는 22개의 기상 변수를 입력 데이터로 활용 했다. 9개의 회귀 모델을 학습한 후 성능에 따라 상위 3개를 선 택하고 하이퍼파라미터 튜닝을 적용하여 최적의 모델을 식별 했다. 가장 좋은 성능을 보인 모델은 Extreme Gradient Boosting Regression(XGBR)이었으며 평균온도, 최대온도, 최소온도, 상대습도, 풍속 및 일사량에서 결정계수(R2)가 각 0.98, 0.99, 0.99, 0.91, 0.72, 0.86로 높은 결과를 얻을 수 있었다. 이러한 결과는 XGBR 모델이 작물 기상 데이터를 사용하여 작물 증 발산 모델에 필요한 입력 값을 정확하게 예측할 수 있어 값비 싼 기상 센서가 필요 없음을 시사한다. 이 접근 방식은 센서 설 치 및 유지보수가 어려운 지역에서 특히 유용할 수 있으며, 직 접적인 센서 데이터 없이도 표준 증발산 모델의 사용을 가능 하게 한다.

본 연구는 표현 형질 생육 데이터인 엽장, 엽 수와 기상 데이 터인 생육도일을 활용하여 여러 기계 학습을 통해 마늘의 생 체중을 예측하는 모델을 개발하고자 하였다. 검증 데이터에 서 random forest 모델의 결정계수가 0.924, 평균제곱근오차 (g)는 13.583 그리고 평균절대오차는 8.885로 가장 우수하였 다. 평가 데이터에서는 Catboost 모델이 결정계수가 0.928, 평균제곱근오차(g)는 13.486 그리고 평균절대오차는 9.181 로 가장 우수하였다. 그러나 Catboost, Random forest 그리고 LightGBM 모델을 0.5, 0.3 그리고 0.2 가중치를 두어 학습한 Weighted ensemble 모델이 마늘 생체중 예측의 검증 및 평가 에 있어서 검증 데이터의 결정계수가 0.922, 평균제곱근오차 (g)가 13.752 그리고 평균절대오차는 8.877이었으며 평가 데 이터에서는 결정계수가 0.923, 평균제곱근오차(g)가 13.992 그리고 평균절대오차가 9.437로 두 번째로 우수한 결과를 나 타내었다. 이러한 결과들을 종합적으로 미루어 보았을 때, Weighted ensemble 모델이 모델의 안정성 측면에서 최적의 모델이라고 판단하였다. 따라서 농가들이 표현 형질과 기상 데이터만으로도 기계학습 기법을 통하여 마늘의 생체중 예측 을 통해 작형 모니터링이 가능할 것으로 보이며 추가적으로 다년도 데이터 취득과 검증을 통하여 성능을 고도화가 가능할 것으로 판단된다.

Malaria remains a significant public health issue, particularly in regions such as the Korean Demilitarized Zone (DMZ). Effective malaria control and prevention require precise prediction of mosquito density across both monitored and unmonitored areas. This study aimed to develop predictive models to estimate the abundance of malaria vector mosquitoes by integrating meteorological and geographical data. Data from mosquito surveillance sites and NASA MODIS land cover datasets acquired between 2009 and 2022 were utilized. Two predictive models, the Gradient Boosted Model (GBM) and Principal Component Regression (PCR), were employed and evaluated. Model performance was assessed using the coefficient of determination (R²). Results showed that PCR outperformed GBM in predictive accuracy, suggesting that PCR is more robust in handling multicollinearity among variables. However, both models did not show practically-usable level of prediction performance. This study provides a preliminary but foundational framework for extending predictive modeling to broader regions, thereby supporting malaria prevention efforts through improved risk mapping.

Rapidly changing environmental factors due to climate change are increasing the uncertainty of crop growth, and the importance of crop yield prediction for food security is becoming increasingly evident in Republic of Korea. Traditionally, crop yield prediction models have been developed by using statistical techniques such as regression models and correlation analysis. However, as machine learning technique develops, it is able to predict the crop yield more accurate than the statistical techniques. This study aims at proposing the onion yield prediction framework to accurately predict the onion yield by using various environmental factor data. Temperature, humidity, precipitation, solar radiation, and wind speed are considered as climate factors and irrigation water and nitrogen application rate are considered as soil factors. To improve the performance of the prediction model, ensemble learning technique is applied to the proposed framework. The coefficient of determination of the proposed stacked ensemble framework is 0.96, which is a 24.68% improvement over the coefficient of determination of 0.77 of the existing single machine learning model. This framework can be applied to the particular farmland so that each farm can get their customized prediction model, which is visualized by the web system.

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.