The study investigated the applicability of a freestanding retaining wall system, with a combination of H-beams and precast concrete blocks. Additionally, the study utilized finite element analysis in ABAQUS. The concrete damaged plasticity and Mohr–Coulomb models were employed to model concrete and soil, respectively. The key parameters included H-beam size (100 × 100, 200 × 200, and 300 × 300 mm), wall height (6.0, 4.5, and 3.0 m), and embedment depth (3.0, 2.5, 2.0, and 1.5 m), with displacement limits of 24, 18, and 12 mm. For 6.0-m walls, only the 300 × 300-mm H-beam with a 3.0-m embedment met the displacement criteria. Most combinations for the 4.5- and 3.0-m walls met the criteria, with the exception of the smallest displacement limit at 4.5-m walls with reduced embedment. The results showed that, assuming proper embedment, wall behavior is governed by H-beam stiffness, with 300 × 300-, 200 × 200-, and 100 × 100-mm beams suitable for 6.0-, 4.5-, and 3.0-m walls, respectively.

This paper presents an AI-based PHM (Prognostics and Health Management) framework for quantitative motor health assessment and remaining useful life (RUL) prediction. The proposed method first defines a health index using vibration and current signals of an industrial motor, and then adopts a two-stage PHM architecture consisting of health-state classification and deep learning-based RUL prediction. A degradation test bench is designed to obtain condition monitoring data for normal, warning, and critical states, and a hybrid 1D CNN– BiLSTM–attention model is developed to capture both local features and long-term temporal dependencies. Experimental results demonstrate that the proposed model outperforms conventional SVM and single LSTM baselines in terms of both health-state classification accuracy and RUL prediction accuracy, achieving a 20– 30% reduction in RMSE and more than 80% of RUL predictions within ±10% error. The proposed approach provides a practical PHM framework and modeling guidelines for implementing condition-based maintenance of electric motors in smart manufacturing environments.

본 논문은 철계-형상기억합금 bar가 인장보강재로 사용된 콘크리트 보의 휨 거동을 예측하기 위한 해석적 연구결과를 제시 한다. 연구를 위해 범용 구조해석 프로그램인 OpenSees가 사용되었으며, 콘크리트, 철근, Fe-SMA bar의 재료모델이 제안되었다. 본 연구에서 제안된 유한요소 해석 모델의 검증을 위해 기존 연구에 대한 재현해석이 수행되었다. 그 결과 제안된 유한요소해석 모델은 초기 균열과 극한하중을 실험결과와 각각 7.95%, 6.76%의 오차 범위로 예측하는 것으로 나타났다. 또한 제안된 유한요소 해석 모델을 이용하여 철계-형상기억합금의 회복응력이 콘크리트 보에 미치는 영향을 평가한 결과 회복응력이 50 MPa 증가할 때 초기균열 하중은 약 7.14 kN 증가하는 것으로 나타났다. 그러나 철계-형상기억합금의 회복응력이 콘크리트 부재 극한하중에 미치는 영향은 미미한 것으로 나타났다.

This study develops a scientific fishing-ground exploration framework for the Korean large purse-seine fishery, where traditional experience-based searching has become increasingly unreliable under rapid climate variability. AIS-derived fishing locations from 2021 to 2023 were integrated with HYCOM-based temperature and salinity fields and MODIS-Aqua chlorophyll-a data to construct a unified environmental – fishing dataset. After multicollinearity screening and principal component analysis, temperature and salinity at 30 m depth and chlorophyll-a were selected as representative predictors. Using these variables, a generalized additive model (GAM) with background-sampled pseudo-absence data and monthly maximum entropy (MaxEnt) models were developed to quantify nonlinear habitat – environment relationships and predict monthly and seasonal mackerel fishing occurrences. Model performance was evaluated using independent data from 2024. GAM exhibited relatively stable predictive performance across months with generally high AUC and TSS values whereas MaxEnt showed pronounced seasonal variability and was effective in identifying potential habitat structures based on presence-only environmental conditions. Spatial predictions from both models showed good agreement with observed fishing-ground distributions during specific seasons, reproducing high-suitability zones associated with seasonal thermal – salinity fronts and productivity gradients. These results provide insights into the environmental mechanisms governing purse-seine fishing grounds and demonstrate the complementary roles of GAM for operational prediction and MaxEnt for potential habitat exploration.

본 연구는 고속도로 다주식 교각 두부보를 대상으로 철근 보강과 철근 대체 GFRP 보강의 균열 손상 거동을 3차원 유한요소 해석으로 비교ㆍ평가하였다. 콘크리트는 ABAQUS의 CDP 모델을 적용하고, 균열 분포는 인장 손상 변수를 핵심 지표로 사용하였다. 선형해석 결과, 두부보 중앙 상단부의 압축 응력 지배 구간과 중앙 하단부 및 접합부 주변의 인장ㆍ전단 영향 구간이 명확히 구분되었 으며, 향후 실험 계측 위치 선정에 활용 가능한 정보를 제공하였다. 비선형 해석 결과, 전반적으로 각 Case의 최초 균열하중 및 최대하 중, 균열 발생 시 변위 및 최대 변위는 큰 차이 없이 유사 범위에 분포하였으며, 균열 면적과 분포 형상 역시 대체로 유사하여 GFRP 보강 두부보의 구조적 안정성이 확인되었다. 특히 일부 Case는 초기 강성과 파괴 저항 측면에서 철근 보강 대비 경쟁력 있는 결과를 보여, 실무적 대체 가능성을 뒷받침하였다.

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.

Background: Pyometra, involves pus accumulation that can lead to death if detected late, making early diagnosis and management crucial, and it is more common in older dogs. The Axiom™ Canine HD Array was used in the study to determine single nucleotide polymorphisms (SNPs) associated with pyometra, with the aim of providing foundational data for the future development of SNP markers. Methods: Samples were collected from 95 dogs of 26 breeds in South Korea, and SNP genotypes were analyzed for the final two SNPs (AX-168186923, AX-168208364). To verify the sequences and genotypes of the selected SNPs, we conducted a sequencing analysis of 96 dogs from 11 breeds previously reported to have been affected by the disease. To confirm the linkage disequilibrium (LD) between the selected SNPs and the influence of non-synonymous SNP (nsSNP), candidate gene function and, protein structure change prediction analyses were performed. Results: Sequence and genotype analyses of the selected SNPs revealed differences in genotype frequencies among the varieties. A strong LD block was formed between the SNPs, confirming that both SNPs were genetically associated. Candidate gene ABCC4 analysis revealed that ABCC4 transports prostaglandins. An analysis of the three-dimensional protein structure affected by the nsSNP (AX-168186923) showed that the amino acid changed from Methionine to Valine, but the overall protein structure remained unchanged. Conclusions: The SNPs selected in this study can be used to identify genetic factors, associated with pyometra and vulnerable breeds. This is expected to reduce companion animal related costs and the psychological burden on owners.

Grease consistency is a critical quality factor in industrial lubrication processes, as it significantly affects mechanical performance, operational stability, and product durability. In grease manufacturing, fluctuations in process variables such as feed temperature, evaporation time, flow rate, and environmental conditions can cause inconsistencies in quality, which may lead to operational defects or increased maintenance costs. To address this challenge, this study proposes a predictive modeling approach for forecasting grease consistency with the aim of enhancing process quality. Real manufacturing process data were collected from a grease production facility, and irrelevant or highly correlated variables were eliminated through multicollinearity analysis and dimensionality reduction. Multiple machine learning regression techniques were applied and evaluated to identify the most effective model for predicting grease consistency. Through systematic comparison, the final predictive model was developed to provide accurate consistency estimation based on selected process variables. The proposed model enables proactive quality control by allowing consistency deviations to be detected early, thereby supporting process optimization and decision-making in manufacturing environments. This research demonstrates the applicability of data-driven predictive modeling in the grease industry and contributes to the development of intelligent quality management strategies in modern manufacturing. The findings suggest that machine learning-based consistency prediction can play a key role in improving production efficiency and ensuring stable product performance.

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.

원격운항자는 자율운항선박의 안전 운항에 대한 책임이 있는 사람으로 위급한 상황에 개입하여 원격조종을 수행하는 역할을 수행한다. 기존의 유인선 항해 환경에서는 단일 선박에 선장, 당직사관, 당직 조타수 등의 선교 인력이 동시에 승선하고 있어, 미숙한 선 박조종을 수행할 때에도 이를 지원이 가능한 조직으로 구성된다. 다수의 선박을 동시에 관리하는 원격운항자는 각 선박에 대한 조종 특 성에 대응이 필요하고, 위급한 상황에서만 상대적으로 짧은 시간 동안 개입해야 함에도 단일 선박에만 집중할 수 없는 방식으로서, 긴급 한 선박 조종에 대한 조직적 지원을 제공받기 어려울 것으로 예상된다. 본 연구에서는 원격운항자의 선박조종을 지원하기 위한 선박 조 종 행동 예측 모델 개발을 위한 기초연구로서, 숫자가 아닌 패턴을 활용한 행동 예측 방법을 제안한다. 제안하는 방법론은 선박 조종 데 이터를 패턴화하는 과정, 행동 패턴을 자기회귀 모델에 학습하여, 실제 선박에서의 개인의 조종 습관에 기반한 선박 조종 행동 예측 방법 을 제안하고, 원격운항자의 선박별 선박 조종을 지원하기 위한 선박 조종 행동 예측 모델 활용의 구체적인 예시를 제공한다. 검증된 패턴 을 활용한 행동 예측 방법은 원격운항자의 조종 특성 적응을 지원하는 모델의 개발에 활용될 수 있을 것으로 기대한다.

본 연구에서는 2011년부터 2024년까지 새만금 지역의 4개 주요 지점(만경강, 동진강, 신시갑문, 가력갑문)에서 수집된 수질 자료 를 이용하여 용존산소(DO)와 총유기탄소(TOC) 예측을 위한 XGBoost 기반 모델을 구축하고, SHAP 분석을 통해 변수별 상대적 설명력을 평가하였다. 모델은 DO에서 R² 0.89–0.95, TOC에서 0.88–0.95의 높은 예측 성능과 낮은 평균제곱오차(MSE)를 보여, 예측의 신뢰성을 확 인하였다. SHAP 분석 결과, 하천 지점에서는 pH와 수온이 DO 예측에서 가장 높은 설명력을 보였고, 염분의 영향은 미미하여 외해수 유입 이 제한적임을 나타냈다. 반면, 기수 지점에서는 수온이 DO 예측의 주요 요인으로, 염분은 보조 요인으로 작용하였다. 연도별 분석에서는 하천 지점에서 pH의 기여도가 2016년 이후 감소하고 수온의 비중이 2019년 이후 다소 높아지는 경향이 일부 나타났으나, 전체적으로는 명 확한 증가·감소 추세가 확인되지 않았다. TOC 예측에서는 하천 지점에서 COD와 chlorophyll-a가, 기수 지점에서는 chlorophyll-a와 염분이 상 대적으로 중요한 설명 변수로 확인되었다. COD의 기여도는 2017–2018년에 낮았다가 2019–2021년에 높아진 후 최근 다시 감소하는 등 일부 연도에서 변동이 나타났으나, 뚜렷한 장기 경향은 관찰되지 않았다. 이러한 결과는 연도별로 변수의 상대적 설명력에 세부적인 변동 은 존재하지만 전체적으로 일관된 추세는 아직 확립되지 않았음을 보여준다. 이처럼 연도별 변동성과 불확실성이 공존하는 환경에서, XGBoost와 SHAP을 결합한 접근법은 각 변수의 상대적 중요도와 시기별 변화를 정량적으로 평가할 수 있는 유용한 분석 틀을 제공한다.

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.