A low- and intermediate-level radioactive waste repository contains different types of radionuclides and organic complexing agents. Their chemical interaction in the repository can result in the formation of radionuclide-ligand complexes, leading to their high transport behaviors in the engineered and natural rock barriers. Furthermore, the release of radionuclides from the repository can pose a significant risk to both human health and the environment. This study explores the impact of different experimental conditions on the transport behaviors of 99Tc, 137Cs, and 238U through three types of barrier samples: concrete, sedimentary rock, and granite. To assess the transport behavior of the samples, the geochemical characteristics were determined using X-ray diffraction (XRD), X-ray fluorescence (XRF), Fouriertransform infrared spectroscopy (FTIR), scanning electron microscopy with energy-dispersive X-ray spectroscopy (SEM-EDS), and Brunauer-Emmett-Teller (BET) analysis. The adsorption distribution coefficient (Kd) was used as an indicator of transport behavior, and it was determined in batch systems under different conditions such as solution pH (ranging from 7 to 13), temperature (ranging from 10 to 40°C), and with the presence of organic complexing agents such as ethylenediaminetetraacetic acid (EDTA), nitrilotriacetic acid (NTA), and isosaccharinic acid (ISA). A support vector machine (SVM) was used to develop a prediction model for the Kd values. It was found that, regardless of the experimental parameters, 99Tc may migrate easily due to its anionic property. Conversely, 137Cs showed low transport behaviors under all tested conditions. The transport behaviors of 238U were impacted by the order of EDTA > NTA> ISA, particularly with the concrete sample. The SVM models can also be used to predict the Kd values of the radionuclides in the event of an accidental release from the repository.

The organic complexing agents such as ethylenediaminetetraacetic acid (EDTA), nitrilotriacetic acid (NTA), and isosaccharinic acid (ISA) can enhance the radionuclides’ solubility and have the potential to induce the acceleration of radionuclides’ mobility to a far-field from the radioactive waste repository. Hence, it is essential to evaluate the effect of organic complexing agents on radionuclide solubility through experimental analysis under similar conditions to those at the radioactive waste disposal site. In this study, five radionuclides (cesium, cobalt, strontium, iodine, and uranium) and three organic complexing agents (EDTA, NTA, and ISA) were selected as model substances. To simulate environmental conditions, the groundwater was collected near the repository and applied for solubility experiments. The solubility experiments were carried out under various ranges of pHs (7, 9, 11, and 13), temperatures (10°C, 20°C, and 40°C), and concentrations of organic complexing agents (0, 10-5, 10-4, 10-3, and 10-2 M). Experimental results showed that the presence of organic complexing agents significantly increased the solubility of the radionuclides. Cobalt and strontium had high solubility enhancement factors, even at low concentrations of organic complexing agents. We also developed a support vector machine (SVM) model using some of the experimental data and validated it using the rest of the solubility data. The root mean square error (RMSE) in the training and validation sets was 0.012 and 0.016, respectively. The SVM model allowed us to estimate the solubility value under untested conditions (e.g., pH 12, temperature 30°C, ISA 5×10-4 M). Therefore, our experimental solubility data and the SVM model can be used to predict radionuclide solubility and solubility enhancement by organic complexing agents under various conditions.

In this study we apply Support Vector Machine (SVM) to the prediction of geo-effective halo coronal mass ejections (CMEs). The SVM, which is one of machine learning algorithms, is used for the purpose of classification and regression analysis. We use halo and partial halo CMEs from January 1996 to April 2010 in the SOHO/LASCO CME Catalog for training and prediction. And we also use their associated X-ray flare classes to identify front-side halo CMEs (stronger than B1 class), and the Dst index to determine geo-effective halo CMEs (stronger than -50 nT). The combinations of the speed and the angular width of CMEs, and their associated X-ray classes are used for input features of the SVM. We make an attempt to find the best model by using cross-validation which is processed by changing kernel functions of the SVM and their parameters. As a result we obtain statistical parameters for the best model by using the speed of CME and its associated X-ray flare class as input features of the SVM: Accuracy=0.66, PODy=0.76, PODn=0.49, FAR=0.72, Bias=1.06, CSI=0.59, TSS=0.25. The performance of the statistical parameters by applying the SVM is much better than those from the simple classifications based on constant classifiers.

Customer segmentation prediction has attracted a lot of research interests in previous literature, and recent studies have shown that artificial neural networks (ANN) method achieved better performance than traditional statistical ones. However, ANN approaches have suffered from difficulties with generalization, producing models that can overfit the data. This paper employs a relatively new machine learning technique, support vector machines (SVM), to the customer segmentation prediction problem in an attempt to provide a model with better explanatory power. To evaluate the prediction accuracy of SVM, we compare its performance with logistic regression analysis and ANN. The experiment results with real data of insurance company show that SVM superiors to them.

항로 설정은 통항 선박들의 안전을 위해 교통 흐름을 반영할 필요가 있으며, 선박들이 항로를 잘 준수하는지 지속적인 경과 분석 이 필요하다. 본 연구에서는 완도항 인근해역 추천항로의 문제점을 도출하고 이에 대한 개선안을 제시하였다. 효율적인 항로 중앙선을 설정하 기 위해 선박 항적을 기반으로 서포트 벡터 머신을 이용하였다. 추천항로 중앙선을 기준으로 우측으로 항해해야 하므로 통항 선박들의 항적 이 2개의 군집으로 분할된다. 서포트 벡터 머신은 패턴 인식 등 많은 분야에서 이용되고 있으며, 특히 이진 분류 기능이 뛰어나다. 연구 결과 장죽수도 방향의 2.4 NM 추천항로 구간에서 동진하는 상선은 약 79.5%가 추천항로를 준수하지 않는 것으로 나타나 선박 충돌 사고 위험이 상존하는 것을 확인하였다. 추천항로를 현 위치에서 북쪽으로 약 300 m 재설정할 경우, 동진하는 상선은 항로를 역주행할 비율이 79.5%에서 30.9%로 낮아지는 것으로 나타났다. 본 연구에서 적용한 서포트 벡터 머신은 선박 항적을 두 군집으로 분류가 가능하므로 항로 중앙선을 효 과적으로 설정하는데 응용할 수 있을 것으로 기대된다.

본 연구에서는 Tropical Rainfall Measuring Mission (TRMM) 3B43 V7 (25 km)의 월 누적 격자 강우량을 1 km 해상도로 상세화하기 위해 Support Vector Machine (SVM) 회귀를 활용한 상세화 기법을 제안하였다. 비선형 예측모델인 SVM은 상세화의 기반이 되는 다양한 수문기상인자와 강우 발생간의 월별 상관성 구축에 효율적으로 활용되었다. 상세화된 격자 강우는 전국에 고루 분포한 64개 지점 관측 강우와의 비교 분석을 통해 상세화 이전의 격자 강우 보다 다소 개선된 정확도를 지니는 것으로 확인되었다. 특히, 상세화 이전 격자 강우가 지니는 양의 Bias가 효과적으로 개선되었다. 상세화 전후의 공간분포 비교에서 두 분포는 평균적으로 유사했으나, 상세화 이전 강우의 공간분포에서 나타나지 않았던 강우의 국지적 특성이 상세화된 공간분포를 통해 잘 표현되는 것을 확인할 수 있었다. 특히, 일부 지점의 과소 및 과대산정이 상세화를 통해 개선되어 전반적인 정확도 향상에 기여하였음을 확인했다. 본 연구에서 제안된 상세화 기법이 적용된 격자 강우는 모델의 정확도 향상을 위한 고해상도 입력자료로 활용될 수 있으며, 추후 연구에서는 SVM 외에 다른 회귀 방식을 활용하여 최적의 강우 상세화 기법 개발에 기여할 수 있을 것으로 보인다.

본 연구에서는 Wavelet Transform과 Support Vector Machine (SVM)을 결합한 Hybrid 상수도 수요량 예측 모형을 개발하였다. Wavelet Transform 방법을 활용하여 다양한 스케일이 존재하는 상수도 수요량 시계열을 분해하여 단순한 형태의 시계열로 변환하는데 이용하였으며, 비선형 예측모형인 SVM은 이들 단순화된 시계열을 예측하는데 활용하여 예측성능을 극대화시키는 방안을 수립하였다. 본 연구에서는 상수도 수요량 자료에서 내재되어 있는 주기의 특성과 비선형 예측모형의 장점을 서로 연계한 해석이 가능하였으며 시각적인 검토 및 모든 통계지표에서 개선된 예측결과를 확인할 수 있었다. 특히, 기존 ARIMA 모형 계열에서 나타나는 자기예측문제를 상당부분 개선한 결과를 보여줌으로서 실질적인 수요량 예측모형으로서 활용이 가능할 것으로 판단된다.