The ocean is linked to long-term climate variability, but there are very few methods to assess the short-term performance of forecast models. This study analyzes the short-term prediction performance regarding ocean temperature and salinity of the Global Seasonal prediction system version 5 (GloSea5). GloSea5 is a historical climate re-creation (2001-2010) performed on the 1st, 9th, 17th, and 25th of each month. It comprises three ensembles. High-resolution hindcasts from the three ensembles were compared with the Array for Real-Time Geostrophic Oceanography (ARGO) float data for the period 2001-2010. The horizontal position was preprocessed to match the ARGO float data and the vertical layer to the GloSea5 data. The root mean square error (RMSE), Brier Score (BS), and Brier Skill Score (BSS) were calculated for short-term forecast periods with a lead-time of 10 days. The results show that sea surface temperature (SST) has a large RMSE in the western boundary current region in Pacific and Atlantic Oceans and Antarctic Circumpolar Current region, and sea surface salinity (SSS) has significant errors in the tropics with high precipitation, with both variables having the largest errors in the Atlantic. SST and SSS had larger errors during the fall for the NINO3.4 region and during the summer for the East Sea. Computing the BS and BSS for ocean temperature and salinity in the NINO3.4 region revealed that forecast skill decreases with increasing lead-time for SST, but not for SSS. The preprocessing of GloSea5 forecasts to match the ARGO float data applied in this study, and the evaluation methods for forecast models using the BS and BSS, could be applied to evaluate other forecast models and/or variables.

단백질의 구조 예측은 생명 과학 및 의약학 분야의 핵심적인 연구 주제 중 하나로, 단백질의 기능 및 상호작용을 이해하기 위한 주요 정보를 제공할 수 있어 다양한 연구가 수행되고 있다. 이러한 연구의 일환으로 최근 Google DeepMind의 AlphaFold2가 등장하였으며, 단백질 구조 예측 성능을 대폭 향상시켜 CASP(Critical Assessment of Protein Structure Prediction)에서 뛰어난 평가점수를 받아 단백질 구조 예측 분야의 최신 기술을 크게 향상시켰다. 이러한 컴퓨터 기반의 단백질의 구조 예측 방법은, 고전적인 방법을 사용하여 직접 단백질 구조를 결정하는 방법 에 비해 매우 정확하고 빠르며 경제적인 비용으로 수행될 수 있어 단백질 구조 예측 및 생리학 연구를 수행하는 연구자들에게 유용한 방법론이 될 것으로 사료된다. 따라서 본 연구소에서는 곤충을 포함한 무척추 자생동물을 연구하는 연구자들을 위해 단백질 구조 예측을 수행할 수 있도록 64Core/128Threads의 CPU, 256GB의 RAM과 6장의 GeForce RTX 3090으로 이루어진 GPU(Graphical Processing Unit) 고성능 컴퓨터 시스템에 AlphaFold2 program을 구축하였다. 최근 인간을 대상으로 한 단백질 구조 예측 연구는 상당한 진전을 보이고 있지만, 곤충을 포함한 자연계의 동물을 대상으로 한 연구는 여전히 미비한 상황이다. 이러한 자생동물자원연구의 확대를 위해 본 연구소에서 구축한 GPU 시스템 및 생물정보학적 분석 방법이 많이 활용되어야 하며, 이를 위해서는 연구자들 의 협력과 참여가 필요하다.

The government is implementing a policy to expand eco-friendly energy as a power source. However, the output of new and renewable energy is not constant. It is difficult to stably adjust the power supply to the power demand in the power system. Therefore, the government predicts day-ahead the amount of renewable energy generation to cope with the output volatility caused by the expansion of renewable energy. It is a system that pays a settlement amount if it transitions within a certain error rate the next day. In this paper, Machine Learning was used to study the prediction of power generation within the error rate.

This study deals with the application of an artificial neural network (ANN) model to predict power consumption for utilizing seawater source heat pumps of recirculating aquaculture system. An integrated dynamic simulation model was constructed using the TRNSYS program to obtain input and output data for the ANN model to predict the power consumption of the recirculating aquaculture system with a heat pump system. Data obtained from the TRNSYS program were analyzed using linear regression, and converted into optimal data necessary for the ANN model through normalization. To optimize the ANN-based power consumption prediction model, the hyper parameters of ANN were determined using the Bayesian optimization. ANN simulation results showed that ANN models with optimized hyper parameters exhibited acceptably high predictive accuracy conforming to ASHRAE standards.

1개월과 3개월 장기 예보를 지원하기 위해 기상청에서 현업운용 중인 GloSea6 기후예측시스템에는 대기 중 대 기화학-에어로졸 물리과정(UKCA)이 연동되어 있지 않다. 본 연구에서는 저해상도의 GloSea6와 여기에 대기화학-에어로 졸 과정을 연동시킨 GloSea6-UKCA를 CentOS 기반 리눅스 클러스터에 설치하여 2000년 봄철에 대한 예비적인 예측 결과를 살펴보았다. 현업 고해상도 GloSea6 모델이 방대한 전산자원을 필요로 한다는 점을 고려할 때, 저해상도 GloSea6와 GloSea6-UKCA 모델은 대기화학-에어로졸 과정의 연동에 따른 효과를 살펴보기에 적합하다. 저해상도 GloSea6와 GloSea6-UKCA는 2000년 3월 1일 00Z부터 75일 간 구동되었으며, 두 모델이 예측한 2000년 4월 지상 기온과 일평균 강수량의 공간 분포를 ERA5 재분석자료와 비교하였다. GloSea6-UKCA가 예측한 기온과 강수 분포는 기존 GloSea6에 비해 ERA5 재분석자료에 보다 더 유사해졌다. 특히 우리나라를 포함한 동아시아 지역에 대해 과대 모의 경 향이 있던 봄철 지상 기온과 일평균 강수량의 예측 결과의 개선이 주목할 만하다. 또한 적분 시간에 따른 예측된 기온 과 강수량의 시계열에서도 GloSea6-UKCA가 GloSea6보다 재분석자료에 더 가까워진 시간 변화 경향을 살펴볼 수 있었 다. 이는 대기화학-에어로졸 과정이 GloSea6에 연동되었을 때 동아시아지역 봄철 예측 성능이 개선될 수 있음을 보여준다.

Truck no-show behavior has posed significant disruptions to the planning and execution of port operations. By delving into the key factors that contribute to truck appointment no-shows and proactively predicting such behavior, it becomes possible to make preemptive adjustments to port operation plans, thereby enhancing overall operational efficiency. Considering the data imbalance and the impact of accuracy for each decision tree on the performance of the random forest model, a model based on the Borderline Synthetic Minority Over-Sampling Technique and Weighted Random Forest (BSMOTE-WRF) is proposed to predict truck appointment no-shows and explore the relationship between truck appointment no-shows and factors such as weather conditions, appointment time slot, the number of truck appointments, and traffic conditions. In order to illustrate the effectiveness of the proposed model, the experiments were conducted with the available dataset from the Tianjin Port Second Container Terminal. It is demonstrated that the prediction accuracy of BSMOTE-WRF model is improved by 4%-5% compared with logistic regression, random forest, and support vector machines. Importance ranking of factors affecting truck no-show indicate that (1) The number of truck appointments during specific time slots have the highest impact on truck no-show behavior, and the congestion coefficient has the secondhighest impact on truck no-show behavior and its influence is also significant; (2) Compared to the number of truck appointments and congestion coefficient, the impact of severe weather on truck no-show behavior is relatively low, but it still has some influence; (3) Although the impact of appointment time slots is lower than other influencing factors, the influence of specific time slots on truck no-show behavior should not be overlooked. The BSMOTE-WRF model effectively analyzes the influencing factors and predicts truck no-show behavior in appointment-based systems.

수소는 다양한 신재생에너지 중 환경친화적인 에너지로 각광받고 있지만 농업에 적용된 사례는 드물다. 본 연구는 수소 연료전지 삼중 열병합 시스템을 온실에 적용하여 에너지를 절 약하고 온실가스를 줄이고자 한다. 이 시스템은 배출된 열을 회수하면서 수소로부터 난방, 냉각 및 전기를 생산할 수 있다. 수소 연료 전지 삼중 열 병합 시스템을 온실에 적용하기 위해 서는 온실의 냉난방 부하 분석이 필요하다. 이를 위해서는 온 실의 형태, 냉난방 시스템, 작물 등을 고려해야 한다. 따라서 본 연구에서는 건물 에너지 시뮬레이션(BES)을 활용하여 냉 난방 부하를 추정하고자 한다. 전주지역의 토마토를 재배하 는 반밀폐형 온실을 대상으로 2012년부터 2021년까지의 기 상데이터를 수집하여 분석했다. 온실 설계도를 참고하여 피 복재와 골조를 모델화하여 작물 에너지와 토양 에너지 교환을 실시했다. 건물 에너지 시뮬레이션의 유효성을 검증하기 위 해 작물의 유무에 의한 분석, 정적 에너지 및 동적 에너지 분석 을 실시했다. 또한 월별 최대 냉난방 부하 분석에 의해 평균 최 대 난방 용량 449,578kJ·h-1, 냉방 용량 431,187kJ·h-1이 산정 되었다.

In the design of HLW repositories, it is important to confirm the performance and safety of buffer materials at high temperatures. Most existing models for predicting hydraulic conductivity of bentonite buffer materials have been derived using the results of tests conducted below 100°C. However, they cannot be applied to temperatures above 100°C. This study suggests a prediction model for the hydraulic conductivity of bentonite buffer materials, valid at temperatures between 100°C and 125°C, based on different test results and values reported in literature. Among several factors, dry density and temperature were the most relevant to hydraulic conductivity and were used as important independent variables for the prediction model. The effect of temperature, which positively correlates with hydraulic conductivity, was greater than that of dry density, which negatively correlates with hydraulic conductivity. Finally, to enhance the prediction accuracy, a new parameter reflecting the effect of dry density and temperature was proposed and included in the final prediction model. Compared to the existing model, the predicted result of the final suggested model was closer to the measured values.

The intermediate shaft of sliding type is assembled with coated shaft joint and tube joint. Since the intermediate shaft plays a role of absorbing displacement change due to vibration, the intermediate shaft must have a sliding force value in an appropriate range. In this study, an intermediate shaft assembly system for post-processing of defective intermediate shafts was developed. The intermediate shaft assembly system consists of a wear count prediction model and an automatic wear system. A wear count prediction model was created with the initial assembly sliding force, quality, and set values. As a result of applying the intermediate shaft assembly device, the sliding force of the intermediate shaft was induced within the set value range. And it was prevented from the intermediate shaft defect and eliminated manual work.

In modern society, the delivery service market has grown explosively due to rapid changes in social structure and the recent COVID-19 pandemic. Therefore, various problems such as injury to workers and an increase in human accidents are occurring due to the loading and unloading of parcels. In order to solve this problem, domestic company n is developing a “robot-based cargo loading and unloading system”. In developing a new technology system, quantitative reliability targets should be set for efficient operation and development. In this paper, reliability analysis was conducted through field data for the pneumatic gripper of the “robot-based cargo loading system”. The reliability of the failure data was analyzed to estimate the distribution parameters and MTTF. Random data was derived for the probability of occurrence of a failure with the estimated value. By repeating the simulation to predict the number and year of failures according to the estimated parameters of the probability distribution, it was proposed as a method that reflects realistic probabilities rather than calculating with simple arithmetic using the average MTTF previously used in the field.

Screw jet equipment has been developed based on the existing accumulated experimental indicators in the semiconductor industry, and for specific performance development, it is necessary to visually check a process in which a high viscosity solution is discharged to a nozzle through a screw. Since the transparency of the exterior is not guaranteed after design and production due to the characteristics of the equipment, simulation must be performed to confirm the performance data according to the internal shape. Therefore, in this study, the screw jet equipment was simulated using the moving particle system, and through this, all processes of the screw jet internal solution flow were visually checked and computerized data capable of predicting the performance of the equipment was secured.

본 연구는 양계사내에서 작업자의 위치를 예측하기 위해 BLE 비콘을 이용한 위치 서비스 시스템을 제안한다. 애플리케이션을 개발하여 스마트 단말기로 비콘의 데이터를 수집하고, 수집한 데이터를 기반으로 핑거프린트 알고리즘을 이용한 스코어맵을 생성하였다. 작업자의 위치 예측은 스코어맵과 양계사내에서 실시간으로 수집한 데이터를 유사도 알고리즘을 이용하여 예측하였다. 실험대상 양계사에서 작업자 위치를 예측한 결과 일반 데이터는 위치 예측 시 많은 오차와 낮은 정확도를 보이고, 일반데이터에 필터링을 적용한 알고리즘을 적용 시 위치 예측 정확도가 개선됨을 알 수 있다. 따라서 양계사내에서 BLE 비콘을 이용한 위치기반 서비스 제공이 가능함을 확인하였고, 스코어맵 기반 위치 예측 시스템만 적용했을 때 위치예측 결과보다 필터를 적용한 결과가 더 나은 결과를 보였다. 본 연구는 양계사내에서 BLE 비콘을 이용한 위치 예측이 강점을 가질 수 있는 것으로 보인다.

대한민국 기상청에서 사용하고 있는 UM (Unified Model, UM) 모델의 국지예측시스템(Local Data Assimilation and Prediction System, LDAPS)은 수치모델 모의 시 대기경계층 유형에 따라 물리과정을 다르게 계산하기 때문에 이 과정을 검증하는 것은 모델의 정확도 향상에 중요하다. 따라서, 본 연구에서는 수치모델의 대기경계층 유형을 관측자료 를 기반으로 검증하였다. 관측자료를 기반으로 대기경계층 유형을 분류하기 위해서 보성 표준기상관측소에서 수행한 여름철 집중관측자료(라디오존데, 플럭스관측장비, 도플러 라이다, 운고계)를 활용하였으며, 2019년 6월 18일 부터 8월 17일 까지 61일 동안에 총 201회의 관측자료를 분석하였다. 또한 관측자료와 수치모델 결과가 다른 경우를 보면, 관측자료를 기반으로 한 대기경계층 유형 분류 결과에서 2유형으로 분류되는 사례가 수치모델에서는 1유형으로 분류된 사례가 53회로 가장 많이 나타났다. 그 다음으로는 관측자료를 기반으로 한 대기경계층 유형 분류 결과에서 5유형과 6유형 으로 분류되는 사례가 수치모델에서는 3유형으로 분류된 사례가 많이 나타났다(각각 24회, 15회). 관측결과와 수치모델 모의 결과가 일치하지 않은 사례는 모두 층적운 접합 여부 및 적운 모의 등 수치모델의 구름물리 부분의 모의 성능에 기인하여 발생한 것이라고 분석된다. 따라서, 대기경계층 유형 분류의 구름물리과정의 모의 정확도를 개선하면 수치모델 성능이 향상 될 것으로 판단된다.

본 연구는 기상청 현업모델(LDAPS)로부터 예측된 서울의 도시열섬 강도와 지상 기온을 AWS 관측과 비교 평가하였다. 관측된 서울의 열섬 강도는 봄과 겨울동안 증가하며 여름동안 감소한다. 열섬 강도의 시간적 변동 경향은 새벽 시간 최대, 오후에 최소를 보인다. 기상청 국지기상예측시스템(LDAPS)으로부터 예측된 열섬 강도는 여름철 과대모의, 겨울철 과소모의 특징을 보인다. 특히 여름철은 주간에 과대 모의 경향이 증가하며, 겨울은 새벽 시간 과소 모의 오차가 크게 나타난다. LDAPS에서 예측된 지면 기온의 오차는 여름철 감소하며 겨울철 증가한다. 겨울철 열섬 강도의 과소 모의는 도시 기온의 과소 모의와 관련되었으며, 여름철 열섬 강도의 과대 모의는 교외 지역 기온의 과소 모의로부터 기인하는것으로 판단된다. 도시 열섬강도 예측성 개선을 위하여 도시효과를 고려하는 도시캐노피모델을 LDAPS와 결합하여 2017년 여름 기간동안 모의하였다. 도시캐노피모델 적용 후 도시의 지면 기온의 오차는 개선되었다. 특히 오전시간 과소모의되는 기온의 오차 개선 효과가 뚜렷하였다. 도시캐노피모델은 여름동안 과대 모의하는 도시열섬강도를 약화시키는 개선 효과를 보였다.

고준위방사성폐기물의 처분은 고심도 암반내에 처분시스템을 구축하는 심층 처분방법이 고려된다. 심층 처분은 처분용기, 완충재, 뒷채움재, 근계암반의 설계 요소인 공학적방벽과 천연 방벽으로 구성된다. 공학적방벽 중에서 벤토나이트 완충재는 암반으로부터 유입되는 지하수 흐름을 최소화하고 핵종 유출을 저지하는 기능을 한다. 지하수 유입으로 인한 완충재의 수리전도도 특성 규명은 처분장 공학적방벽의 안정성 및 건전성에 대한 성능 평가에 있어 중요한 사안이다. 본 연구에서는 경주 벤토나이트를 이용하여 다양한 건조밀도와 온도 조건에 따라 포화 수리전도도 실험을 수행하였으며, 120개의 실험 결과 를 다중 회귀 분석을 통해 수리전도도 추정 모델을 제시하였다. 실험 결과에서는 건조밀도가 커질수록 수리전도도가 감소하는 경향이 나타났다. 또한, 온도가 증가할수록 수리전도도가 증가하였다. 이러한 실험 결과들을 종합한 다중 회귀 분석 결과에서는 수리전도도 추정식의 결정계수(R2)가 0.93으로 높게 나타났다. 본 연구에서 제시된 수리전도도 추정식은 벤토나이트 완충재의 성능과 연관된 건조밀도와 온도의 영향을 고려하여 처분시스템의 공학적방벽 설계에 활용 될 것으로 판단된다.

Recently, deep learning that is the most popular and effective class of machine learning algorithms is widely applied to various industrial areas. A number of research on various topics about structural engineering was performed by using artificial neural networks, such as structural design optimization, vibration control and system identification etc. When nonlinear semi-active structural control devices are applied to building structure, a lot of computational effort is required to predict dynamic structural responses of finite element method (FEM) model for development of control algorithm. To solve this problem, an artificial neural network model was developed in this study. Among various deep learning algorithms, a recurrent neural network (RNN) was used to make the time history response prediction model. An RNN can retain state from one iteration to the next by using its own output as input for the next step. An eleven-story building structure with semi-active tuned mass damper (TMD) was used as an example structure. The semi-active TMD was composed of magnetorheological damper. Five historical earthquakes and five artificial ground motions were used as ground excitations for training of an RNN model. Another artificial ground motion that was not used for training was used for verification of the developed RNN model. Parametric studies on various hyper-parameters including number of hidden layers, sequence length, number of LSTM cells, etc. After appropriate training iteration of the RNN model with proper hyper-parameters, the RNN model for prediction of seismic responses of the building structure with semi-active TMD was developed. The developed RNN model can effectively provide very accurate seismic responses compared to the FEM model.