본 연구는 교량공사에서 안전관리비의 구성 불균형(인건비 편중)을 진단하고, 위험도에 연동된 간명한 예산 프레임을 제안하고자 한다. 건설 7개 프로젝트 집행 데이터를 활용하여 (i) 파레토 관점에서 지출 집중을 확인하고, (ii) 인건비를 단일 핵심변수로 한 단순회귀 (SCP)로 총액 예측력을 검증했으며, (iii) 교량 연장·형식·기초·교통전환·공사기간으로 구성된 위험도 지표와 안전시설강화(시설+PPE) 간의 정합성을 점검하였다. 분석 결과, 인건비는 평균적으로 가장 큰 비중을 차지했고, SCP(Safety Cost Prediction) 모델(Y=2.07X−286백만, R²=0.859)은 총 안전관리비 변동을 높은 설명력과 신뢰도를 제 시한다. 예측성능은 실무 수용 수준이었으며, 일부 현장은 예측–실집행 괴리를 통해 안전 시설 강화를 위한 집행의 부족 또는 확대와 같은 구조적 신호를 제시하였다. 위험도–구성 비 진단에서는 등급이 높아질수록 안전시설강화 비중이 체계적으로 확대되는 패턴이 확 인되었고, 사고지표(건수) 비교에서도 인건비 비중이 높다고 해서 안전이 담보되지는 않 음을 보였다. 이에 따라, 본 연구는 인건비 상한 60%, 위험등급별 총액 가산(저 0%·중 +5%·고 +10%), 안전시설 강화를 위한 최소선(저 ≥26%·중 ≥32%·고 ≥36%)으로 구성된 3중 프레임을 제안하고자 한다. 이 프레임은 총량–구성–위험도를 동시에 관리하여, 고위 험 현장에서 안전시설강화 수준을 안정적으로 끌어올리는 동시에, 초기 단계부터 간단하 고 일관된 의사결정을 가능하게 한다. 표본과 점수폭의 제약, 단일변수 모형의 한계를 인정하면서도, 제안 규칙은 투명성·실행성·확장성 측면에서 현장 적용 가치가 높다.

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.

최근 고층 건축물의 설계 시 풍향 변화에 따른 내풍 안전성 평가는 필수적이나, 유한요소해석은 막대한 시간과 비용이 소요 된다. 본 연구에서는 풍공학 표준 모형인 CAARC 건축물을 대상으로 해석 속도를 혁신적으로 단축하면서 물리적 타당성을 확보한 물 리정보 신경망을 포함한 다양한 대체모델 체계를 제안한다. 이 연구에서는 해석 자동화 파이프라인을 구축하여 0°-360° 풍향별 구조 응답 데이터를 생성하였으며, 3차 스플라인 보간, 다항회귀, 가우시안 프로세스 회귀, 다층 퍼셉트론과 물리정보 신경망의 성능을 정량 적으로 비교하였다. 분석 결과, 물리정보 신경망 모델은 결정계수 0.9991, 평균 절대 오차 5.848×10-10으로 가장 우수한 성능을 기록하 였다. 특히 물리정보 신경망은 학습 데이터가 없는 외삽 구간에서도 물리적 제약 조건을 통해 실제 유한요소해석 결과와 일치하는 응 답을 성공적으로 재구성하였다. 또한 단일 케이스 유한요소해석 대비 약 31배 이상의 연산 속도 향상을 보여 실시간 구조 응답 평가의 가능성을 확인하였다. 본 연구의 결과는 정적 등가 풍하중에 대한 풍향별 최대 변위 예측에 한정되며, 가스트·와류 진동 등 동적 거동 의 직접 예측은 향후 연구 과제이다.

In jointed concrete pavements, the thermal expansion of slabs gradually accumulates under prolonged and repeated high-temperature conditions, thereby increasing the compressive stress. When the compressive stress exceeds a critical level, blow-up may occur. Because blow-up occurs abruptly and involves large deformations, driving safety can be affected significantly. Stress-relief joint installation and contraction-joint cleaning are widely recognized as representative measures for preventing blow-ups in in-service concrete pavements. Stressrelief joints are intended to reduce the compressive stress generated at a specified time by providing expansion space within the pavement when the slabs become integrated and restrained under high temperature. By contrast, contraction-joint cleaning delays slab integration even under higher-temperature conditions by removing debris and incompressible materials within the joints, which significantly affects the slab expansion behavior, thereby securing additional expansion space. However, the extent to which these methods can quantitatively delay the occurrence of blow-ups has not yet been sufficiently analyzed. Therefore, this study adopted the pavement growth and blow-up analysis model to analyze the effects of stress-relief joint installation and contraction-joint cleaning on the accumulation behavior of compressive stress and the timing of blow-up occurrence in jointed concrete pavements. In particular, the effects of ΔT (i.e., the difference between the maximum internal concrete temperature and the trigger temperature for pavement growth, TTPG), as well as alkali–silica reaction were considered. Here, the TTPG refers to the temperature at which all contraction joints within the expansion length are fully closed and the slabs are integrated. The results showed that the TTPG gradually decreased as the service life increased; Accordingly, ΔT increased, thus resulting in the continuous accumulation of compressive stress within the slabs. These findings suggest that the risk of blow-up may increase with pavement age, and that the timing and effectiveness of preventive measures must be quantitatively evaluated.

Plastic injection molding is widely used in the automotive, electronics, and other manufacturing industries. Since product quality is significantly affected by process variables such as temperature, pressure, speed, and cycle time, datadriven quality management has become increasingly important. However, conventional quality control methods mainly depend on operator experience and post-process inspection, making it difficult to detect defects and abnormal process conditions in real time. In addition, manufacturing datasets often suffer from severe class imbalance because defective samples are much fewer than normal samples. This study proposes an AI-based defect prediction and anomaly detection system using plastic injection molding process data. For defect prediction, XGBoost was selected as the supervised learning model, and SMOTE was applied to address class imbalance. Recall, F1-score, and PR-AUC were used as the main evaluation metrics instead of accuracy. SHAP analysis was also applied to identify important process variables affecting defect occurrence. For anomaly detection, Isolation Forest and AutoEncoder were used together. Isolation Forest was adopted for fast first-stage detection, while AutoEncoder was used to detect complex nonlinear abnormal patterns. The results indicate that the proposed system can support both defect prediction and process anomaly detection. In the supervised learning results, XGBoost showed the best performance on the CN7 dataset, achieving a recall of 1.000 and an F1-score of 0.800. However, all supervised models showed limited defect detection performance on the RG3 dataset, indicating the effect of severe class imbalance and dataset-specific characteristics. In anomaly detection, AutoEncoder achieved the highest F1-score among the compared models, while Isolation Forest demonstrated practical advantages for real-time application due to its computational efficiency. Therefore, the proposed AI-based system can contribute to smart quality management and data-driven decision-making in plastic injection molding processes.

Risk management related to mold manufacturing schedules in the manufacturing industry, the foundation of modern industry is a subject of ongoing research. The mold manufacturing industry is facing a rapidly shifting manufacturing workforce, driven by intense price competition and an aging workforce. Furthermore, the industry is rapidly shifting from a focus on domestic production to a focus on global component manufacturing. This highlights the importance of an appropriate production schedule management system. For small and medium-sized enterprises (SMEs), delays in mold manufacturing delivery can make it difficult to secure future orders. Therefore, managing delivery delays can be crucial to a company's survival. Therefore, managing mold design delays is crucial to preventing delivery delays. Therefore, research on mold design process delays appropriate for SMEs is necessary. This study utilizes Random Forest Regression as predictive methods for mold design process delay time.

Graphene-reinforced aluminum (Gr/Al) nanocomposites offer exceptional mechanical properties for aerospace, automotive, and electronics applications. Precise estimation of their characteristics, including ultimate tensile strength (UTS) and Young’s modulus (YM), remains challenging due to complex atomic interactions and computational limitations of traditional methods. This study proposes a novel machine learning framework combining Molecular Dynamics (MD) simulations, Adaptive Fast Desensitized Kalman Filter (AFDKF), Diffusion Variational Graph Neural Network (DV-GNN), and Arctic Tern Optimizer (ATO) for efficient and accurate mechanical property prediction. Important variables such as graphene alignment, volume fraction, chirality, and ambient temperature are captured by the method. DV-GNN achieves a prediction accuracy of 99.9%, significantly outperforming existing ML models. The framework also demonstrates low error rates, fast computation, and scalability, providing a robust computational tool for intelligent design of high-strength, lightweight Gr/Al nanocomposites.

선박은 장비 밀집도가 높고 폐쇄적 구조로 화재 확산이 빠르며, 특히 케미컬 탱커의 계류 중 위험화물 화재는 항만 재난으로 확대될 수 있다. 본 연구는 실제 사고사례를 참고해 계류 중 위험화물 화재 시나리오를 설계하고 테이블탑 훈련을 실시하였다. ALOHA를 활용하여 피해 범위를 산정하고, 훈련 후 선상 대응팀과 육상 지원팀의 사후검토를 통해 실제 비상대응의 취약점을 도출하였다. 개선방안 으로는 선사, 선박 및 선원의 특성이 반영되고 선원의 의사결정을 지원할 수 있는 최신의 지침서가 요구되며, 이를 위한 교육을 강화할 필요가 있다. 또한 위험화물 화재에 대비해 소집장소와 퇴선 설비에는 방호 설비와 개인용 화재보호구를 갖추어야 한다. 화물제어실의 지 휘 기능 강화를 위해 외부 통신설비의 확충이 필요하며, 방어적 진압 전술에 부합하는 장비 체계 및 의사소통 방법도 마련해야 한다. 그 리고 항만 소방 책임자와 선사를 포함하는 다자간 정보공유 체계의 구축이 필요하다. 이러한 개선방안은 선원 교육기관의 내실화, 선사의 비상대응 지침서의 고도화, 시나리오의 중요 변수 식별, 그리고 항만 사고 확산 방지를 위한 비상대응체계 개선에 활용될 수 있을 것이다.

탄저병은 전 세계적으로 농작물 생산에 심각한 경제적 피해를 주고 있다. 탄저병균의 분생포자는 탄저병 유행하는 동안 전염원이 된다. 본 연구에서는 포자 포집을 이용하여 분생포자 비산의 변화와 환경 요인과의 관계를 조사했다. 한국 단감의 주요 생산지인 진주에서 5년간의 감 재배 기간(2006~2010) 동안 5월 첫째 주부터 9월 말까지 분생포자 비산을 기록한 기존 연구를 활용했다. 적산온도를 사용하여 컴퓨터 모델을 통해 분생포자 비산을 추론한 결과, 관측 데이터(1450℃ 일수)에 대한 5월 1일부터 50% 분생포자 비산까지의 적산온도 일수 총 평균은 예측값인 1486℃일수와 유의한 차이가 없었다. 또한, 컴퓨터 모델은 적산 강우 일수를 사용하여 분생포자 비산을 추론하였다. 5월 1일부터 포자 50% 비산까지 관찰된 27일 동안의 평균 적산 강우일수는 예측치인 27일과 같았다. 또한 탄저병 위험도(RI)에 따라 살균제 살포량을 조정하기 위해 탄저병 위험 지수를 개발했다. 탄저병 위험 지수는 20~32℃의 기준 온도 범위를 활용하며, 온도가 33℃를 초과할 때 추정 일일 위험도를 낮추는 고온 규칙을 적용하였다. 강우량은 탄저병 확산에 중요한 역할을 하므로, 강우가 없을 때 추정 일일 위험도를 낮추기 위해 강우 규칙도 모델에 적용하였다.

황산염 침투 환경에 노출된 콘크리트 구조물은 황산염 이온의 침투로 인해 내구성이 저하되는 경우가 많다. 이에 본 연구에서 알칼리 활성 슬래그 기반 무시멘트 콘크리트의 황산염 침투 저항성을 평가하고, 그 성능을 예측할 수 있는 모델을 구축하는 것을 목적 으로 한다. 본 시스템에서는 보통 포틀랜드 시멘트를 전면 고로슬래그 미분말로 대체하였다. 실험적 검증을 위해 무시멘트 콘크리트 시편과 비교용 보통 포틀랜드 시멘트 콘크리트 시편을 물-결합재 비 40%, 45%, 50%로 제작하였다. 28일 동안 전처리 후, 시편을 10% 황산나트륨 용액에 28일, 91일, 182일 및 365일 동안 침지하였다. 황산염 침투에 대한 저항성을 평가하기 위해 시편의 길이 변화 및 질량 변화를 JSTM C 7401에 따라 측정하였다. 실험 결과를 바탕으로 황산염 침투 환경에 노출된 무시멘트 콘크리트의 길이 및 질량 변화 특성을 설명하는 예측 모델을 개발하였다. 제안된 모델은 실험 결과와 잘 일치하는 것으로 나타났다.

This study proposes a deep learning–based predictive maintenance model for condition monitoring and remaining useful life (RUL) estimation of a 1 kW brushless DC (BLDC) motor. Multi-sensor signals, including vibration (10 kHz), current (20 kHz), and surface temperature (10 Hz), were acquired under six health conditions: normal, bearing outer race fault (BPFO), bearing inner race fault (BPFI), unbalance, misalignment, and stator insulation degradation. To jointly exploit spatial patterns and temporal degradation behaviors, a hybrid CNN–LSTM model with a multi-task learning framework was developed to perform 6-class fault classification and RUL regression simultaneously. Experimental results on the constructed BLDC motor dataset show that the proposed model achieves a classification accuracy of 95.8%, outperforming conventional SVM and 1D-CNN baselines (85.2% and 90.7%, respectively). In addition, the proposed method significantly reduces RUL prediction error, yielding an RMSE of 9.6 and an MAE of 6.8, which corresponds to approximately 39% improvement over a single LSTM-based regression model. These results demonstrate that the proposed CNN– LSTM multi-sensor fusion framework is effective for intelligent condition monitoring and predictive maintenance of BLDC motor systems, and it can be extended to a wide range of rotating machinery applications.