The loss of soil available nutrients may affect soil quality and crop growth. Biochar can form a multi-level fixed network because of its rich pore structure and surface functional groups, which can effectively fix available nutrients in soil and maintain nutrient utilization rate. Because it is difficult to directly prepare biochar materials with good adsorption characteristics through experimental results. This study employed an XGBoost machine learning prediction model to determine the optimal nutrient-rich biochar preparation conditions. The R2 value ranged from 0.97 to 0.99. The results indicated that specific surface area was the primary factor influencing ammonium nitrogen adsorption, with a feature importance of 56.13%. Production conditions (hydrothermal temperature and time) significantly affected the adsorption of nitrate nitrogen and available phosphorus, with feature importances of 75.91% and 81.54%, respectively. Mean pore diameter was negatively correlated with potassium ion adsorption characteristics. Biochar prepared under hydrothermal conditions at 202.50–251.25 °C for 3 h exhibited favorable adsorption characteristics for multiple soil available nutrients. This study provides new insights into biochar’s application in the field of soil nutrient adsorption through data analysis. It is helpful to avoid the waste in the process of energy utilization from biomass to biochar.

Based on a carbon emission inventory of China’s cement industry, this study evaluates the performance of six machine learning models—ridge regression (RR), polynomial regression (PR), random forest (RF), support vector machine (SVR), gradient boosted regression tree (GBRT), and feed-forward neural network (FNN)—in predicting carbon emissions. Model accuracy, feature importance, and residual distributions were analyzed. Results show that clinker production and coal consumption are the dominant factors, contributing 83.7% and 11.95% to emissions, respectively. PR and FNN achieved the best performance with R2 values up to 0.99 and lowest mean square errors (0.11 and 1.82). Their mechanisms were further adapted to improve the generalization of other models. Spatial analysis revealed that North, South, and Southwest China are major emission regions. Using the optimal model, emissions in 2035 are projected to reach 519.14 million tonnes. This study offers technical insights for model optimization and supports low-carbon policymaking in the cement industry.

In this study, We aim to provide design data for a low-temperature refrigeration system to select operating conditions for predicting maximum performance of an eco-friendly binary refrigeration system based on changing operating conditions The operating variables considered in this paper are evaporating temperature, condensing temperature, superheating degree, subcooling degree, and compression efficiency. The main results are summarized as follows: In the low temperature range of -50℃ to -30℃, the COP of the system increased as the evaporating temperature and subcooling degree of the binary refrigeration system for R744-R717 increased, but the COP decreased as the condensing temperature and superheating degree increased. It was confirmed that factors such as superheating, subcooling, condensing temperature, evaporating temperature, cascade temperature difference, and compression efficiency affect the performance coefficient of the binary refrigeration cycle for R744 and R717, and it was found that each of these factors has a cascade evaporating temperature that maximizes the performance of the binary refrigeration cycle.

최근 기후 변화로 인해 기존 경험 기반 농업의 불확실성이 증가하고 있어 작물의 생육 특성을 정밀하게 예측하고 대비하는 것이 중요해지고 있다. 이에 본 연구는 복합 농업 데이터를 기반으로 양파의 생육 특성을 정밀하게 예측하기 위해, 시계열 기반 환경 정보 및 생육 데이터를 처리하는 LSTM 기반 동적 분기와, 품종 및 재식 밀도 등 농가별 고정 특성을 반영하는 정적 분기로 구성된 이중 분기 아키텍처를 제안하고 검증한다. 제안 모델의 검증은 전북특별자치도 내 3곳의 양파 재배 농가에서 2024년과 2025년에 수집된 환경, 생육, 농가 정보 데이터셋을 활용하였다. 실험 결과, 구직경과 생구무게에 대한 평균  가 각 0.91과 0.90으로, 제안 모델이 두 변수에 대해 높은 수준의 설명력을 갖고 있음을 확인하였다. 이는 본 연구에서 제안한 복합 데이터 모델링 접근법이 수확량의 정밀한 예측과 재배 관리 의사결정의 보조 도구로 활용될 수 있음을 보여준다.

Rapid post-earthquake retrofit decisions require reliable estimates of interstory drift ratio. Conventional field practices either depend on instrumented measurements constrained by sparse sensor coverage or rely on qualitative expert judgment. This study aims to develop a CNN-based interstory drift ratio prediction method for reinforced concrete columns using strain-derived damage images. Reinforced concrete columns are modeled and analyzed in OpenSees to obtain strains and displacements. Strain fields are converted into strain-derived damage images through threshold-based staging that encodes discrete damage states. Structural parameters are concatenated to the damage image by adding fixed-value columns so the network can read structural context in a single two-dimensional input. We design systematic comparisons to isolate the benefit of structural information and section coverage. First, models without structural parameters are trained. Second, single-parameter variants are trained where only one attribute is provided. Third, full-parameter models include all attributes. For each setting, both single-section and multi-section inputs are evaluated. Samples are split by case and then divided 80/20 into training and validation sets. Model performance is reported using RMSE, MAE, and R-squared. The proposed approach achieves accurate inter-story drift ratio prediction overall, with improved performance when all structural parameters and multi-section inputs are used.

본 연구는 부식에 취약한 강재의 대체 보강재로써 주목받는 CFRP 보강재의 피로 예측에 머신러닝을 적용하는 것이 타당한지 검토하였다. 이를 위해 선행 연구의 피로 시험 결과를 바탕으로 섬유-체적 비율 40, 50, 60, 80%의 데이터를 수집하였으며, 이 중 40, 50, 60% 섬유 함침율을 학습 데이터, 80% 섬유 함침율을 검증 데이터로 활용되었다. 머신러닝 학습에는 랜덤 포레스트 알고리즘 이 활용되었으며, K-폴드 교차 검증을 통해 알고리즘 내부의 하이퍼파라미터를 추정하였다. 그 결과, 최종 하이퍼파라미터는 결정 나무 200, 최대 깊이 20등으로 결정되었다. 해당 하이퍼파라미터를 적용한 피로 성능 예측 결과, 전반적으로 0.92∼0.97의 높은 결정 계수를 보여 충분한 예측 성능을 기대할 수 있을 것으로 나타났지만, 예측값과 실험값을 비교하는 산점도 분석 결과에서 3 mm 변위 수준의 예측값이 약 117만 사이클의 MAE를 보였다. 이는 적은 표본 수로 인해 학습 데이터에 과적합 되었음을 의미하는 명백한 증거 이며, 향후 지속적인 연구를 통해 개선할 필요가 있다.

최근 고도화된 딥러닝 모형을 이용하여 하천 수질에 영향을 줄 수 있는 과도한 조류(algae) 발생을 예측하는 연구에 대한 관심이 지속되고 있으며, 모형의 구축에 사용되는 현장 측정 자료의 특성상 다양한 이상치를 포함할 수 있어 데이터의 이상치 관리 필요성이 높아지고 있다. 본 연구에서는 현장 자료의 이상치가 딥러닝 모형의 성능에 미치는 영향을 분석하기 위해 딥러닝 Long Short-Term Memory(LSTM) 모형을 이용하여 하천 조류 발생을 정량적으로 평가하는 지표인 클로로필-a를 예측하는 모형을 구축하였으며, 10%의 이상치를 포함한 자료와 이상치가 포함되지 않은 원본 자료로 학습된 모형의 성능을 비교하였다. 또한 딥러닝 기반 이상치 탐지 알고리즘인 Autoencoder(AE)를 이용하여 이상치를 제거한 후 모형의 성능에 미치는 영향을 비교하였다. 분석 결과 이상치를 포함하지 않은 자료로 학습된 Base 모형과 10%의 이상치를 포함한 자료로 학습된 모형의 Nash-Sutcliffe efficiency(NSE)가 각각 0.882 및 0.858로 나타나 이상치가 모형의 성능을 저하시킬 수 있음을 확인하였다. 한편 AE를 이용하여 이상치를 다양한 비율로(5–20%) 제거한 자료로 학습된 모형의 성능을 분석한 결과 NSE가 0.883–0.896으로 이상치의 제거에 따라 모형의 성능이 Base 모형과 유사한 수준으로 개선되는 것으로 나타났다. 본 연구에서는 이상치가 딥러닝 모형에 미치는 영향을 분석하고 이상치 탐지 모형의 활용에 따른 조류 발생 예측 딥러닝 모형의 성능 향상이 가능함을 확인하였다.

Carbon nanotube (CNT) has promising applications in several fields due to their excellent thermal, electrical, mechanical, and biocompatible properties. However, the complexity of its structure leads to the problems of computationally intensive and inefficient synthetic characterization optimization and prediction by traditional research methods, which seriously restricts the development process. Machine learning (ML), as an emerging technology, has been widely used in CNT research due to its ability to reduce computational cost, shorten the development cycle, and improve the accuracy. ML not only optimizes the synthetic control parameters for precise structural control, but also combines various imaging and spectroscopic techniques to significantly improve the accuracy and efficiency of characterization. In addition, ML helps to improve the performance of CNT devices at the optimization and prediction levels, and achieve accurate performance prediction. However, ML in CNT research still faces challenges such as algorithmic processing of complex data situations, insufficient space for algorithmic combined optimization, and lack of model interpretability. Future research can focus on developing more efficient ML algorithms and unified standardized databases, exploring the deep integration of different algorithms, further improving the performance of ML in CNT research, and promoting its application in more fields.

This study evaluated the germination characteristics and predicted longevity of Weigela subsessilis, an endemic plant in Korea, under long-term seed bank storage. Seeds from 16 accessions were stored at –18 °C for 0, 5, 10, and 20 years, and their germination performance was assessed. The initial germination percentage (78.75%) remained stable after five years (79.67%) but declined significantly after ten years (62.90%). Two accessions tested after 20 years showed a steep reduction to 14.86%. MGT and T50 were stable, GI increased slightly, but PV and GV declined, suggesting dormancy release alongside reduced vigor. Seed longevity was predicted using Probit analysis The estimated initial viability (Ki) was 1.15, with a slope of –0.092, yielding a predicted P50 of 12.5 years (95% CI: 11.2–13.8 years). The confidence interval broadened with longer extrapolations, underscoring the uncertainty of projections beyond 15–20 years where empirical data remain limited. These results provide the first empirical evidence of viability decline in W. subsessilis seeds over two decades of storage. They highlight the need for systematic monitoring in seed banks, with testing recommended at five-year intervals beyond ten years of storage. Regeneration or recollection strategies should also be implemented as viability approaches critical thresholds. This study offers essential baseline data for developing conservation strategies for Korean endemic species and contributes to the sustainable management of native plant genetic resources.

정부는 기후·기후변화 감시 및 예측 등에 관한 법률을 제정하고, 해양 기후변화 감시 및 예측 R&D 및 체계 개선을 위해 노력하 고 있다. 본 연구의 목적은 해양 기후변화 감시 및 예측 활동에 대한 전문가의 인식과 기술수준을 평가하고, 상대적 우선순위를 제시함으 로써 정부의 효율적인 정책 수립과 실효성 제고에 기여하고자 한다. 연구방법으로 정부, 연구기관, 대학, 민간기업 등 소속 전문가를 대상 으로 해양 기후변화 감시 및 예측 활동에 대한 전반적인 인식과 기술수준을 평가하였다. 또한 감시 및 예측 활동 구조화 및 상대적 중요 도 분석을 통한 상대적 우선순위를 결정하고 전문가 인식과 기술수준 간의 상관관계를 분석하였다. 연구결과 전문가들은 해양 자연적·경 제적 재해에 대응하기 위해 정부의 기후전략 수립이 매우 필요하다고 인식하고 있다. 상대적 중요도 평가 결과, 정보 관리 및 공동활동 영역이 가장 중요한 활동으로 분석되었다. 소속에 따른 집단의 목적과 이해관계가 해양 기후변화 감시 및 예측 활동에 대한 인식과 중요 도에 영향을 미친다는 것을 확인하였다. 정부의 해양 기후변화 활동 지원 측면에서 상대적 우선순위를 고려하여 실효성 있는 정책을 도 모할 필요가 있다.

본 연구는 기후변화 시나리오에 따른 미래 식중독 발생 을 예측하여 국민 인식 개선 및 관련 정책 수립을 위한 기초자료를 제공하고자 수행되었다. 2003년부터 2022년까 지의 기상청 기후자료(평균기온, 강수량, 상대습도)와 식 품의약품안전처의 식중독 통계(5종 병원균 발생 건수)를 수집하였다. 기후 요인이 식중독 발생에 미치는 영향을 분 석하기 위해 로그-정규 회귀모형을 사용하였으며, 이를 바 탕으로 2023년부터 2100년까지의 공통사회 경제경로(SSP) 시나리오(SSP1-2.6, SSP2-4.5, SSP5-8.5)에 따른 미래 식중 독 발생을 예측하였다. 분석 결과, 평균기온이 1oC 상승할 경우 Pathogenic E. coli, Samonella spp., C. jejuni 발생 건 수는 각각 6%, 4%, 3% 증가하였으나, Norovirus는 3% 감 소하였다. SSP5-8.5 시나리오에 따르면, 2092년 Pathogenic E. coli 발생 건수는 현재보다 2배 이상 증가하고 살모넬 라 발생 건수도 증가할 것으로 예측되었다. 반면, Norovirus 발생 건수는 모든 시나리오에서 감소하였으며, 특히 SSP5- 8.5에서 가장 큰 감소 폭을 보였다. 이러한 결과는 기후변 화로 인한 기온 상승이 세균성 식중독의 위험을 크게 증 가시킬 수 있음을 시사한다. 따라서 공중 보건을 위해 기 후변화 완화 노력과 식품 위생 관리 강화가 필수적이다.

본 논문은 고온 환경에 노출된 TRM 보강 RC 보의 잔존강도를 예측하기 위한 해석적 연구결과를 제시한다. 연구를 위해 상용 유한요소해석 프로그램인 ABAQUS가 사용되었으며, 콘크리트, 철근, CFRP grid, 모르타르에 대한 재료모델이 제안되었다. 본 연구에서 제안된 유한요소해석 모델의 검증을 위해 선행 연구결과에 대한 재현 해석이 수행되었다. 제안된 유한요소해석 모델의 예측 된 결과는 실험결과와 비교하여 잔존 극한하중과 극한하중 시점에서 각각 약 97.6%, 90.58%의 정확도를 보이는 것으로 나타났다. 또한, 유한요소해석을 통한 균열양상은 실험결과와 비교적 정확하게 예측되었다. 따라서 본 연구에서 제안된 해석모델은 고온 환경에 노출된 TRM 보강 RC 보의 잔존강도를 예측하기 위해 효과적으로 사용될 수 있을 것으로 판단된다.