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.

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.

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.

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.

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.

과도한 조류 발생은 수생태계 교란과 수질 악화를 초래하는 대표적인 환경 문제로, 효과적인 관리와 대응을 위해 정확한 예측이 필요하다. 우리나라는 사계절의 기후 특성이 뚜렷하며, 수온이 상승하는 하절기에 조류 발생이 집중되는 경향을 보인다. 이에 따라 실시간 모니터링 자료는 대부분 저농도 상태가 유지되어 데이터 불균형 문제가 발생한다. 본 연구에서는 chlorophyll-a 농도를 기준으로 하천 현장의 조류 발생 수준을 Class 1 (Chl-a ≤ 10 ㎍/L), Class 2 (10 < Chl-a ≤ 50 ㎍/L), Class 3 (Chl-a > 50 ㎍/L)와 같이 3개의 class로 구분하고, 대표적인 앙상블 머신러닝 모형인 extreme gradient boosting (XGB) 알고리즘을 이용하여 조류 발생 수준을 예측하는 분류 모형을 구축하였다. 데이터 불균형 해소를 위해 생성형 인공지능 기반 알고리즘인 conditional generative adversarial network (CGAN)과 전통적인 데이터 보강 알고리즘인 synthetic minority over-sampling technique (SMOTE), 그리고 딥러닝 기반 기법인 autoencoder (AE)를 활용한 3가지 데이터 보강 알고리즘을 활용하여 데이터의 불균형을 개선한 자료를 생성하고 이를 XGB 모형에 적용하여 성능 변화를 비교하였다. 분석 결과 macro average 기준으로 원본 데이터를 사용한 모형의 recall은 0.606이었으나 SMOTE, AE 및 CGAN의 recall은 각각 0.666, 0.682, 0.720으로 크게 개선되었고, F1 score도 데이터 불균형 해소를 통해 약 7–13%의 성능이 향상되는 등 전체적으로 데이터 불균형 해소로 모형의 성능이 향상되었으며 CGAN이 가장 우수한 성능 개선 효과를 보이는 것으로 나타냈다. 본 연구의 결과를 통해 데이터 불균형 해소를 통한 머신러닝 모형 성능 개선 가능성을 확인하였다.

This study developed a QSAR regression model using the XGBoost machine learning algorithm to predict the acute aquatic toxicity of highly hazardous PCBs. EC50 values for Daphnia magna were obtained from QSAR Toolbox 4.7. Input features consisted of approximately 3,000 molecular descriptors and fingerprints generated from official structure data using RDKit and the Morgan algorithm, excluding mixtures. The dataset was split into training and test sets (7 : 3) based on 500,000 randomized seeds, and the most balanced combination was selected using Kolmogorov-Smirnov and Wilcoxon rank-sum tests. Z-score standardization was applied based on the training set, and the XGBoost model was trained using 5-fold cross-validation with grid search optimization. The final model showed excellent predictive performance (R2 =0.97, RMSE= 0.19). A simplified model using only the top 10 predictive molecular features retained approximately 95% of the original accuracy while improving interpretability and efficiency. The model was applied to 38 PCB compounds lacking EC50 values, and the predicted values showed a statistically similar distribution to the measured group, with only minor differences in a few structural fingerprints. These results demonstrate the applicability of XGBoost-based models for reliable toxicity prediction and offer a promising alternative approach for assessing the environmental risk of untested PCBs.

강풍에 대한 피해가 증가하면서 시설물의 취약도를 예측하여 대응하는 것이 필요하다. 이때, 풍속의 변동성을 고려하여 확률 론적 예측이 필요하여 물리 기반 인공신경망(PINN) 기반의 기초적인 확률론적 예측 모델을 개발하였다. 입력변수를 마르코프체인 몬 테카를로 시뮬레이션을 통해 랜덤 샘플링하여 이를 PINN 모델로 입력하고, 물리식 기반의 손실함수를 통해 신호등을 대상으로 취약 도를 예측하였다. 모델을 통해 예측한 결과 신호등에서 파손이 발생할 수 있는 신호 접합부와 지면 접합부에 대해 확률적으로 취약도 를 산출할 수 있었고, 이를 기반으로 신호 접합부가 더 취약함을 확인할 수 있었다. 기초 모델로 물리식 만을 기반으로 예측하여 얻은 결과로 추후 실측 데이터를 통해 학습과 검증을 거쳐야하나 충분히 강풍에 의한 시설물 취약도를 예측할 수 있으며 이러한 예측에 확 률론적 모델이 유용함을 확인하었다.

In this study, chemicals with acute toxicity experimental data were selected as research subjects, and compareed the model derived from statistical analysis and QSAR open-source programs. The physical and chemical properties, dynamic behaviors, and toxicological estimates of the chemicals were calculated using Mordred, a molecular descriptor calculation program based on RDKit. LD50 was set as the toxicity comparison target for each chemical, and independent variables or factors with similarity to independent variables were estimated from the molecular descriptors calculated through Mordred. Molecule descriptors composed of independent variables were compared to predictions from QSAR open-source models, A regression model was created with the selected molecule descriptors and compared with predictions from QSAR programs, confirming high accuracy for specific functional groups. The QSAR model created in this study considers the characteristics and experimental values of each chemical, and provides evidence for selecting variables when constructing toxicity data for machine learning applications.

Machine learning (ML) techniques have been increasingly applied to the field of structural engineering for the prediction of complex dynamic responses of safety-critical infrastructures such as nuclear power plant (NPP) structures. However, the development of ML-based prediction models requires a large amount of training data, which is computationally expensive to generate using traditional finite element method (FEM) time history analysis, especially for aging NPP structures. To address this issue, this study investigates the effectiveness of synthetic data generated using Conditional Tabular GAN (CTGAN) in training ML models for seismic response prediction of an NPP auxiliary building. To overcome the high computational cost of data generation, synthetic tabular data was generated using CTGAN and its quality was evaluated in terms of distribution similarity (Shape) and feature relationship consistency (Pair Trends) with the original FEM data. Four training datasets with varying proportions of synthetic data were constructed and used to train neural network models. The predictive accuracy of the models was assessed using a separate test set composed only of original FEM data. The results showed that models trained with up to 50% synthetic data maintained high prediction accuracy, comparable to those trained with only original data. These findings indicate that CTGAN-generated data can effectively supplement training datasets and reduce the computational burden in ML model development for seismic response prediction of NPP structures.