Occurrence of process environment changes, such as influent load variances and process condition changes, can reduce treatment efficiency, increasing effluent water quality. In order to prevent exceeding effluent standards, it is necessary to manage effluent water quality based on process operation data including influent and process condition before exceeding occur. Accordingly, the development of the effluent water quality prediction system and the application of technology to wastewater treatment processes are getting attention. Therefore, in this study, through the multi-channel measuring instruments in the bio-reactor and smart multi-item water quality sensors (location in bio-reactor influent/effluent) were installed in The Seonam water recycling center #2 treatment plant series 3, it was collected water quality data centering around COD, T-N. Using the collected data, the artificial intelligence-based effluent quality prediction model was developed, and relative errors were compared with effluent TMS measurement data. Through relative error comparison, the applicability of the artificial intelligence-based effluent water quality prediction model in wastewater treatment process was reviewed.

이 연구는 1세대 스마트 온실의 재배환경 데이터와 장미 절 화의 품질 특성 데이터를 수집하고 그 요인들 간의 상관 관계 를 분석하여 절화수명 예측 및 최적 환경 조성의 기초 자료를 얻고자 수행되었다. 이를 위해, 토경재배(SC) 및 암면배지경 양액재배(RWH) 하우스 각 1개소를 선정하여 1년간 기온, 상 대습도(RH) 및 수증기압차(VPD), 일적산광량(DLI), 근권온도 등의 환경 데이터와 매월 말 수확된 장미 ‘Miss Holland’ 절 화의 품질 특성 데이터를 수집하였으며, 이 데이터와 절화수 명과의 상관관계를 분석하였다. 절화수명은 10월과 11월을 제외하고는 SC 하우스에서 RWH 하우스보다 더 길었다. 절 화수명과 환경 및 생육 특성 간의 상관관계 분석에서 SC 하우 스의 상관계수는 RWH 하우스보다 조금 더 높았으며, 절화수 명 예측을 위한 요소들도 두 하우스 간에 차이가 있었다. SC 하우스의 절화수명 Y=0.848X1+0.366X2-0.591X3+2.224X4- 0.171X5+0.47X6+0.321X7+9.836X8-110.219(X1-X8: 최고 RH, RH 일교차, DLI, pH, Hunter’s b value, EC, 절화 장, 잎 두께; R2=0.544)로 예측되었고, RWH 하우스의 절화수명 Y=-1.291X1+52.026X2-0.094X3+0.448X4-3.84X5+0.624X6 - 8.528X7+28.45(X1-X7: 경경, 야간 VPD, 최고 근권온도, 최 저 근권온도, 기온 일교차, RH 일교차, 최고 VPD; R2=0.5243) 로 예측되었다. 이 두 모델식으로부터 SC 하우스에서는 RH, EC 및 pH가, 그리고 RWH 하우스에서는 근권 온도가 절화수명에 더 큰 영향을 미친다는 것을 추론할 수 있다. 따라서 각 재배 방법에 따라 장미의 절화수명에 더 큰 영향을 미치는 환경적 요인을 효율적으로 관리할 필요가 있다.

Approximately 40,000 elevators are installed every year in Korea, and they are used as a convenient means of transportation in daily life. However, the continuous increase in elevators has a social problem of increased safety accidents behind the functional aspect of convenience. There is an emerging need to induce preemptive and active elevator safety management by elevator management entities by strengthening the management of poorly managed elevators. Therefore, this study examines domestic research cases related to the evaluation items of the elevator safety quality rating system conducted in previous studies, and develops a statistical model that can examine the effect of elevator maintenance quality as a result of the safety management of the elevator management entity. We review two types: odds ratio analysis and logistic regression analysis models.

인공지능은 4차 산업혁명의 프레임이 소개된 이후 점차 보편적인 기술로 자리를 잡아가고 있으며, 인공지능 관련 특허 출원도 크게 증가하고 있다. 최근에는 특허 생태계가 출원 건수 위주의 양적 경쟁에서 고품질의 특허 확보라는 질적 경쟁으로 패러다임이 변화되면서, 저품질 특허로 인한 비용 손실에 관심이 높아지고 있다. 이러한 배경으로 본 연구에서는 머신러닝과 Doc2Vec 알고리즘을 활용하여 특허 품질을 예측하는 방법을 제안하고자 한다. 본 연구를 위해 WIPO에서 정의한 CPC 코드를 활용하여 미국 특허청(USPTO)에 등록된 인공지능 관련 특허 데이터를 추출하였고, 이를 통해 정형 데이터 기반 19개 변수, 비정형 데이터 기반 7개 변수를 개발하였다. 특히, 새롭게 제안하는 Doc2Vec 알고리즘을 이용한 제목과 초록 텍스트 유사도 변수는 고품질 특허를 예측하는데 영향을 미칠 것으로 판단된다. 이에 유사도 변수의 효과를 확인하기 위해 유사도 변수를 포함한 앙상블 기반 머신러닝 모델과 포함하지 않은 모델을 개발하여 비교하였다. 실험 결과, 유사도 변수를 포함한 모델이 AUC 0.013, f1-score 0.025가 높게 나타나 더 우수한 성능을 보였다. 이는 유사도 변수가 고품질 특허 예측에 기여한다는 것을 시사한다. 또한, SHAP을 이용하여 블랙박스 형태의 머신러닝 변수 영향도를 설명하였다. 본 연구를 통해 핵심 기술 분야인 인공지능과 같은 영역에서 특허의 품질을 예측하고, 고품질 특허 개발을 장려함으로써 사회적 가치를 실현하는 데 기여할 수 있을 것으로 기대한다.

급격한 산업화와 도시화로 인해 해양 오염이 심각해지고 있으며, 이러한 해양 오염을 실효적으로 관리하기 위해 수질평가 지수(Water Quality Index, WQI)를 마련하여 활용하고 있다. 하지만 수질평가지수는 다소 복잡한 계산과정으로 인한 정보의 손실, 기준값 변동, 실무자의 계산오류, 통계적 오류 등의 불확실성(uncertainty)을 내포하고 있다. 이에 따라 국내ㆍ외에서 인공지능 기법을 활용하여 수질평가지수를 예측하기 위한 연구가 활발히 이루어지고 있다. 본 연구에서는 해양환경측정망 자료(2000 ~ 2020년)를 활용하여 우리나 라 전 해역 즉, 5개의 생태구에 대한 WQI를 추정할 수 있는 가장 적합한 인공지능기법을 도출하기 위해 총 6가지의 기법(RF, XGBoost, KNN, Ext, SVM, LR)을 실험하였다. 그 결과, Random Forest 기법이 다른 기법에 비해 가장 우수한 성능을 보였다. Random Forest 기법의 WQI 점수 예측값과 실제값의 잔차 분석 결과, 모든 생태구에서 시간적 및 공간적 예측 성능이 우수한 것으로 나타났다. 이를 통해 본 연구에서 개발한 Random Forest 기법은 높은 정확도를 바탕으로 우리나라 전해역에 대한 WQI를 예측 가능할 것으로 사료된다.

사출성형공정은 열가소성 수지를 가열하여 유동상태로 만들어 금형의 공동부에 가압 주입한 후에 금형 내에서 냉각시키는 공정으로, 금형의 공동모양과 동일한 제품을 만드는 방법이다. 대량생산이 가능하고, 복잡한 모양이 가능한 공정으로, 수지온도, 금형온도, 사출속도, 압력 등 다양한 요소들이 제품의 품질에 영향을 미친다. 제조현장에서 수집되는 데이터는 양품과 관련된 데이터는 많은 반면, 불량품과 관련된 데이터는 적어서 데이터불균형이 심각하다. 이러한 데이터불균형을 효율적으로 해결하기 위하여 언더샘플링, 오버샘플링, 복합샘플링 등이 적용되고 있다. 본 연구에서는 랜덤오버샘플링(ROS), 소수 클래스 오버 샘플링(SMOTE), ADASTN 등의 소수클래스의 데이터를 다수클래스만큼 증폭시키는 오버샘플링 기법을 활용하고, 데이터마이닝 기법을 활용하여 품질예측을 하고자 한다.

This article suggests the machine learning model, i.e., classifier, for predicting the production quality of free-machining 303-series stainless steel(STS303) small rolling wire rods according to the operating condition of the manufacturing process. For the development of the classifier, manufacturing data for 37 operating variables were collected from the manufacturing execution system(MES) of Company S, and the 12 types of derived variables were generated based on literature review and interviews with field experts. This research was performed with data preprocessing, exploratory data analysis, feature selection, machine learning modeling, and the evaluation of alternative models. In the preprocessing stage, missing values and outliers are removed, and oversampling using SMOTE(Synthetic oversampling technique) to resolve data imbalance. Features are selected by variable importance of LASSO(Least absolute shrinkage and selection operator) regression, extreme gradient boosting(XGBoost), and random forest models. Finally, logistic regression, support vector machine(SVM), random forest, and XGBoost are developed as a classifier to predict the adequate or defective products with new operating conditions. The optimal hyper-parameters for each model are investigated by the grid search and random search methods based on k-fold cross-validation. As a result of the experiment, XGBoost showed relatively high predictive performance compared to other models with an accuracy of 0.9929, specificity of 0.9372, F1-score of 0.9963, and logarithmic loss of 0.0209. The classifier developed in this study is expected to improve productivity by enabling effective management of the manufacturing process for the STS303 small rolling wire rods.

In this study, as part of the paradigm shift for manufacturing innovation, data from the multi-stage cold forging process was collected and based on this, a big data analysis technique was introduced to examine the possibility of quality prediction. In order for the analysis algorithm to be applied, the data collection infrastructure corresponding to the independent variable affecting the quality was built first. Similarly, an infrastructure for collecting data corresponding to the dependent variable was also built. In addition, a data set was created in the form of an independent variable-dependent variable, and the prediction accuracy of the quality prediction model according to the traditional statistical analysis and the tree-based regression model corresponding to the big data analysis technique was compared and analyzed. Lastly, the necessity of changing the manufacturing environment for the use of big data analysis in the manufacturing process was added.

This study suggests a machine learning model for predicting the production quality of free-machining 303-series stainless steel small rolling wire rods according to the manufacturing process's operation condition. The operation condition involves 37 features such as sulfur, manganese, carbon content, rolling time, and rolling temperature. The study procedure includes data preprocessing (integration and refinement), exploratory data analysis, feature selection, machine learning modeling. In the preprocessing stage, missing values and outlier are removed, and variables for the interaction between processes and quality influencing factors identified in existing studies are added. Features are selected by variable importance index of lasso regression, extreme gradient boosting (XGBoost), and random forest models. Finally, logistic regression, support vector machine, random forest, and XGBoost is developed as a classifier to predict good or defective products with new operating condition. The hyper-parameters for each model are optimized using k-fold cross validation. As a result of the experiment, XGBoost showed relatively high predictive performance compared to other models with accuracy of 0.9929, specificity of 0.9372, F1-score of 0.9963 and logarithmic loss of 0.0209. In this study, the quality prediction model is expected to be able to efficiently perform quality management by predicting the production quality of small rolling wire rods in advance.

In this study, we performed algorithms to predict algae of Chlorophyll-a (Chl-a). Water quality and quantity data of the middle Nakdong River area were used. At first, the correlation analysis between Chl-a and water quality and quantity data was studied. We extracted ten factors of high importance for water quality and quantity data about the two weirs. Algorithms predicted how ten factors affected Chl-a occurrence. We performed algorithms about decision tree, random forest, elastic net, gradient boosting with Python. The root mean square error (RMSE) value was used to evaluate excellent algorithms. The gradient boosting showed 10.55 of RMSE value for the Gangjeonggoryeong (GG) site and 11.43 of RMSE value for the Dalsung (DS) site. The gradient boosting algorithm showed excellent results for GG and DS sites. Prediction value for the four algorithms was also evaluated through the Receiver operating characteristic (ROC) curve and Area under curve (AUC). As a result of the evaluation, the AUC value was 0.877 at GG site and the AUC value was 0.951 at DS site. So the algorithm‘s ability to interpret seemed to be excellent.

This study was conducted to investigate the quality of kimchi cabbages stored under a pallet unit-controlled atmosphere (PUCA), containing 2% O2 and 5% CO2, and to develop quality prediction models for cabbages stored under such conditions. Summer and winter cabbage samples were divided into PUCA-exposed groups and atmospheric airexposed control groups (in a cold storage). The control summer cabbages lost up to 8.31% of their weight, whereas the PUCA-exposed summer cabbages lost only 1.23% of their weight. Additionally, PUCA storage effectively delayed the reduction in cabbage moisture content compared with the control storage. After storage for 60 and 120 days of the summer and winter samples, respectively, the reducing sugar contents were higher in the PUCA groups than in the control groups. The linear regression analysis-derived equations for predicting the storage period, weight loss, and moisture content in the control groups, as well as those for predicting the storage period and weight loss in the PUCA groups, were appropriate according to the adjusted coefficient of determination, root mean square error, accuracy factor, and bias factor values. Therefore, this PUCA system would be useful for improving the shelf life of the postharvest summer and winter cabbages used in the commercial kimchi industry.

본 연구는 생태계 모델을 이용하여 부산연안으로 유입되는 부하량 삭감에 따른 해역의 수질개선 정도를 예측하였다. 모델링 결과에 의하면 COD, T-N, T-P 모두 수영만 연안과 낙동강 하구에서 뚜렷한 개선을 나타냈으며, 수영만을 제외한 만 중부에서 만 동쪽까지 는 수질개선이 거의 나타나지 않았다. 이는, 부산연안이 남해에 위치한 다른 해역에 비해 개방형경계를 가지고 있어서, 물질교환이 빠르 기 때문으로 판단된다. 수질개선을 위한 본 해역의 삭감 COD 부하량은 타 해역에 비해 적었고, 총 유입부하량에 대한 삭감비율 또한 작게 나타났다. 본 연구에 적용한 부하삭감량을 적용하면 수영만, 낙동강 하구부근에서 뚜렷한 수질개선효과를 얻을 수 있을 것으로 판단된다.

Pulp and paper industry produces large volumes of wastewater and residual sludge waste, resulting in many issues in relation to wastewater treatment and sludge disposal. Contaminants in pulp and paper wastewater include effluent solids, sediments, chemical oxygen demand (COD), and biological oxygen demand (BOD), which should be treated by wastewater treatment processes such as coagulation and biological treatment. However, few works have been attempted to predict the treatment efficiency of pulp and paper wastewater. Accordingly, this study presented empirical models based on experimental data in laboratory-scale coagulation tests and compared them with statistical models such as artificial neural network (ANN). Results showed that the water quality parameters such as turbidity, suspended solids, COD, and UVA can be predicted using either linear or expoential regression models. Nevertheless, the accuracies for turbidity and UVA predictions were relatively lower than those for SS and COD. On the other hand, ANN showed higher accuracies than the emprical models for all water parameters. However, it seems that two kinds of models should be used together to provide more accurate information on the treatment efficiency of pulp and paper wastewater.

This study was carried out to indirectly predict the storage time limit, hardness, and acidity of Fuji apples in controlled atmosphere (CA) storage. A sensor installed inside the CA storage measured temperature, relative humidity, and gas composition data in real time. The respiration rate from five tons of apples in CA storage was calculated to predict the weight loss rate. As a result, the predicted and actual weight loss rate induced a predictable residual storage time equation that showed a significantly high correlation. The apple storage period showed a high reliability (R2=0.9322) because the predicted equation using respiration rate and number of days stored was about nine months for five tons of apples. Furthermore, the hardness and acidity prediction equation were derived from the quality analysis. However, there was not enough analysis sample correlation (the coefficient was as low as 0.3506 and 0.3144, respectively), but the tendency could be confirmed by reduced hardness and acidity. As a result, these quality prediction equations could encourage CA container distribution, effective for agricultural shipment regulation and increasing the ease of operations.

본 연구는 춘파용 사초의 사료가치를 신속하고 정확하게 측정할 수 있는 습식분석의 대안을 모색하기 위하여 수행하였다. 근적외선분광 분석법을 이용한 사초의 분석 가능성을 타진하기 위해 2009년에 생산된 사초 175점을 시료로 사용하였다. 시료는 이탈리안 라이그라스와 보리, 그리고 완두를 혼파한 것으로 NIR System으로 400~2,400nm 사이의 파장을 얻었다. 그리고 수분, 조단백질, 조회분, NDF, ADF를 분석한 다음, 파장과 습식분석치를 이

초분광영상을 이용하여 방울토마토의 전체 면에서 반사스펙트럼을 획득하였으며 숙도 등급(GN-RD)에 따른 스펙트럼의 차이를 관찰하였다. 방울토마토의 반사스펙트럼에서 클로로필에 의한 675 nm 영역의 흡수가 관찰되었고, 당과 수분의 영향으로 알려진 840 nm, 970 nm 영역에서 흡수가 관찰되었다. 특히 GN에서 RD 등급으로 숙도가 진행될수록 평균 스펙트럼의 경우 반사율이 낮아지는 경향이 관찰되었다. 총 8개의 전처리를 이용하여 전 숙도 등급의 시료에 적용한 PLS 회귀 분석에서 내부품질들 중 경도 예측모델이 가장 우수한 것으로 확인되었다. 이때 전처리는 평균값을 이용한 정규화이었으며 결정계수는 0.876, 그리고 SEP은 1.875 kgf 이었다. 당도의 경우는 최대값을 이용한 정규화에서 결정계수가 0.823과 SEP 0.388oBx로 나타났으며, 산 함량의 경우 최대값을 이용한 정규화에서 0.620의 결정계수와 0.208%의 SEP이 확인되었다. 상품성을 고려한 PK, LR, RD 등급의 시료에서 PLS 회귀 분석을 실시한 결과 내부품질 중 전체의 숙도 등급의 시료를 사용하여 예측한 결과보다는 전체적으로 다소 낮은 예측결과를 확인할 수 있었다. 내부 품질 중 경도에서 가장 높은 예측모델이 확인되었으며, 전처리는 일정 범위를 이용한 정규화이고 0.679의 결정계수와 0.976oBx의 SEP이 확인되었다. 당도는 최대값을 이용한 정규화에서 0.586의 결정계수와 0.546 kgf의 SEP의 결과를 보였으며 산 함량은 Savitzky Golay의 2차 미분에서 0.547의 결정계수와 0.188%의 SEP을 보였다. 본 연구에서는 최근 연구 활용이 시작되고 있는 최신기술인 초분광 반사영상을 이용하여 방울토마토 내부품질인 경도, 당도, 산 함량 예측의 가능성을 확인하였다. 초분광영상은 영상처리를 이용하여 외부의 결함 및 외부 착색도 등도 측정할 수 있으므로 본 연구에서 수행한 내부품질 측정과 융합하여 복합적인 농산물 품질 선별기 개발에 활용할 수 있을 것으로 판단된다.