This study proposes a weighted ensemble deep learning framework for accurately predicting the State of Health (SOH) of lithium-ion batteries. Three distinct model architectures—CNN-LSTM, Transformer-LSTM, and CEEMDAN-BiGRU—are combined using a normalized inverse RMSE-based weighting scheme to enhance predictive performance. Unlike conventional approaches using fixed hyperparameter settings, this study employs Bayesian Optimization via Optuna to automatically tune key hyperparameters such as time steps (range: 10-35) and hidden units (range: 32-128). To ensure robustness and reproducibility, ten independent runs were conducted with different random seeds. Experimental evaluations were performed using the NASA Ames B0047 cell discharge dataset. The ensemble model achieved an average RMSE of 0.01381 with a standard deviation of ±0.00190, outperforming the best single model (CEEMDAN-BiGRU, average RMSE: 0.01487) in both accuracy and stability. Additionally, the ensemble's average inference time of 3.83 seconds demonstrates its practical feasibility for real-time Battery Management System (BMS) integration. The proposed framework effectively leverages complementary model characteristics and automated optimization strategies to provide accurate and stable SOH predictions for lithium-ion batteries.

Republic of Korea is building a multi-layered missile defense system against North Korea’s growing ballistic missile threat. To maximize the intercept performance of a multi-layered missile defense system, it is important to develop an efficient engagement plan that considers the interceptable time/space of each interceptor system for ballistic missiles. To do so, it is necessary to predict the flight trajectory of the ballistic missile, which must be done within a short time considering the short battlefield environment and the speed of the ballistic missile. This study presents a model for rapid trajectory prediction of ballistic missiles using the kinetic characteristics of each flight phase(thrust phase, midcourse phase, and re-entry phase) of ballistic missiles, a method for estimating kinetic information from ballistic missile observation data(time and position), and a mathematical analysis of the equations of motion of ballistic missiles.

기후변화와 식품공급망의 복잡성 증대로 식품 위해요소 의 발생 경로와 패턴이 다변화됨에 따라, 과학적 예측과 선 제적 개입이 가능한 예방형 식품안전 관리체계의 필요성이 대두되고 있다. 본 연구는 기후·환경 요인이 식품 위해요소 에 미치는 영향을 분석함으로써, 기후 민감성이 높은 위해 요소를 식별하고 예측 가능성과 주요 환경인자를 도출하였 다. 아울러 국내외 데이터 기반 위해예측 시스템의 운영 사 례를 비교·분석함으로써, 식품위해예측센터의 실질적 운영 과 역할을 위한 발전방향을 제시하였다. 본 연구를 통해 향 후 식품위해예측센터가 식품안전 정책의 과학화와 지능화 를 이끄는 전략적 플랫폼으로 기능하고, 예방 중심의 관리 체계로의 전환을 유도할 수 있도록 실효적 토대와 정책적 방향성을 제공하고자 한다.

As conventional road traffic noise prediction models are designed to estimate long-term representative noise levels, capturing fine-scale noise fluctuations caused by real-world traffic dynamics is challenging. A previous study proposed a microscopic road traffic noise model (MTN) can calculate time-series noise levels with a resolution of 1 s using the concept of a moving noise source. In this study, two experiments were conducted to verify the accuracy of the noise prediction of the model. First, by comparing the calculated noise levels of two conventional road traffic noise models and the MTN in a simple road simulation environment, it was confirmed that the calculation error was within 3 dB(A) when calculating the 1-h equivalent noise level. Second, an experiment was conducted to verify the noise prediction error of the MTN on six actual roads. A comparison of the calculated noise level using the MTN based on traffic data collected from actual roads with the measured noise level on real roads showed that the calculated noise level achieved a mean absolute error (MAE) of 1.88 dB(A) from the equivalent noise level and 1.28 dB(A) from the maximum noise level. This was similar to the MAE of the foreign road traffic noise models. However, when the location of the receiver is within 10 m of the road, an error of more than 3 dB(A) occurs because of the simplicity of the MTN propagation model, which remains a problem that must be solved in the future. This study proved that the noise level calculation using the MTN is similar to the noise of an actual road environment. Additionally, the continuous development of the MTN is expected to make it an effective alternative for the management of road noise.

본 연구는 미국흰불나방(Hyphantria cunea)의 국내 잠재 서식지 변화를 분석하기 위해 기후 변화와 토지 피복 변화라는 주요 환경 요인을 종합 적으로 고려하여 서식 적합도를 예측하였다. 먼저, 전 지구적 출현 데이터를 바탕으로 MaxEnt 모델을 구축하여 기후 변화 시나리오에 따른 국내 서식 적합도 변화를 모의하였다. 이후, 토지 피복 변화에 따른 산림 및 시가지 내 미국흰불나방의 PRA를 분석하였다. 연구 결과, 미국흰불나방의 적합 서식지는 태백산맥과 한라산 고산지대를 제외한 한국 대부분 지역에 분포할 것으로 예측되었다. SSP에 기반한 통합 기후-토지 피복 시나리오 에서 미국흰불나방의 PRA는 SSP1-2.6 시나리오에서는 2055s, 2085s가 각각 66,934 km2에서 67,363 km2로 증가한 반면, SSP3-7.0에서는 PRA는 66,676 km2에서 59,696 km2로 크게 감소하는 결과가 나타났다. 그러나 모든 시나리오에서 미국흰불나방 PRA 백분율이 여전히 전 국토 면적의 80%를 초과하기 때문에, 미국흰불나방에 대한 지속적인 방제 및 관리가 필요함을 시사한다. 본 연구는 국내에 광범위하게 퍼진 미국흰불나 방 개체군의 지속적인 관리가 필요함을 강조하며, 이를 토대로 미국흰불나방의 모니터링, 조기 경보, 예방 및 통제, 관리를 위한 기초 자료를 제공한 다. 또한, 기후 변화와 토지 이용 변화가 미국흰불나방의 서식 적합도에 미치는 영향을 종합적으로 분석함으로써, 효과적인 방제 및 관리 전략 수립 에 기여할 것으로 기대된다.

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.

정확한 선박 항적 예측은 선박의 충돌 회피 전략 수립과 자율운항 선박의 안전 운항에 중요한 요소이다. MMG(Maneuvering Modeling Group) 모델이나 CFD(Computational Fluid Dynamics)를 활용하여 선박 항적을 계산할 수 있지만, 계산을 위한 선박의 정확한 계 수등을 확보하는 것은 현실적으로 어렵다. 이에 대한 대안으로, LSTM(Long Short-Term Memory)과 같은 인공지능을 활용한 항적 예측 연 구가 진행되고 있다. 그러나 LSTM 단독으로는 선박의 복잡한 비선형적 움직임을 완벽히 예측하는데 한계가 있다. 예측 정확도를 향상 시키기 위해 본 연구에서는 STL-CNN-LSTM 하이브리드 모델을 제안한다. 이 모델은 STL (Seasonal and Trend decomposition using Loess)을 이용한 데이터를 분해하고, CNN(Convolutional Neural Network)을 활용한 데이터의 특징 추출, 그리고 LSTM을 통한 학습이 이뤄진다. 이 연구는 CNN-LSTM에 비해 얼마나 더 높은 항적 예측도를 보여주는지 비교 분석한다. 분석 결과, STL-CNN-LSTM 모델은 CNN-LSTM보 다 우수한 예측 성능을 보이며, 예측 오차는 1~5미터 범위 내에 있는 것으로 나타났다. 이러한 연구 결과는 정밀한 충돌 회피 전략 개 발에 기여할 수 있으며, 향후 연구에서는 실무 적용을 위한 충돌회피 모델의 설계 고도화 연구에 적용될 것이다.

해양오염사고가 발생하면 해양경찰청에서는 긴급방제에 관한 전략 수립을 위해 유출유 확산 예측모델을 구동한다. 이러한 유출유 확산예측모델은 바람, 해류, 조류 등 해양기상을 기반으로 해상에서 유출유 이동방향과 소멸시간 등을 예측하며, 그 결과를 기 반으로 해양경찰청에서는 방제전략을 수립하고 필요한 방제자원을 동원한다. 이뿐만 아니라 유출유 확산예측모델은 해양경찰청의 해 양환경에 관한 다양한 법률 분야와 연계된 형사법 작용의 기술적 근거를 제공한다. 우선 행정법적 측면에서 해양경찰청이 방제의무자 에게 이행하도록 하는 권력적 행정행위로서의 방제명령 등에 대한 비례성 원칙에 부합하는지를 확인할 수 있고, 이는 행정의무 미이행 에 대한 형사법 작용의 전제 요건이 될 수 있다. 그리고 국제법적 측면에서 관할해역 이원에서 발생한 오염에 대해 국가의 개입여부를 판단할 수 있는 근거를 제공하고, 이는 형사관할권에 대한 판단에 있어 기술적 자료가 될 수 있다. 더불어 형사법적 측면에서는 예측 모델은 해양오염과 유출원 사이의 인과관계를 증명하는 방법으로 활용할 수도 있다. 그리고 기후위기로 친환경선박이 도입되고, 이에 따라 해양오염사고는 인명과 환경에 함께 피해를 주는 복합사고 형태로 변화할 것이다. 이에 따라서 기술적 측면에서 기존 해상에서의 유출유 예측모델은 대기ㆍ해양ㆍ수중에 대한 통합모델로 전환되어야 한다. 그리고 제도적 측면에서 친환경선박의 위험 연료에 대한 관리의무 규정을 마련하여야 하고, 의무이행을 위한 형사정책적 측면에서는 위험연료 유출로 해양환경 위해가 있는 경우에 형사벌 대 상이 될 수 있다. 여기서 통합모델은 환경ㆍ안전이 관한 보호법익 침해를 증명하는 과학적 증거로 활용할 수 있다.

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.