목적 : 장애인이 운전할 수 있도록 차량을 개조할 때, 차량 개조에 필요한 품목과 제품군을 확인할 수 있는 알고리즘을 개 발하고자 한다. 이를 통해 정부 주도의 장애인 차량 개조 지원이 확대될 수 있도록 하여 국내 장애인의 자가운전이 활성 화될 수 있도록 하고자 한다. 연구방법 : 장애인 차량 개조 알고리즘의 개발은 설계, 작성, 검토 단계로 수행되었다. 설계 단계에서는 알고리즘의 개발 방향성을 결정하기 위한 전문가 집단 심층 토의를 진행하였다. 이후 수행한 작성 단계에서는 이전 단계에서 결정한 개발 방향성을 토대로 델파이조사를 수행하여 알고리즘을 도출하였다. 마지막 검토 단계에서는 이전 단계에서 도출된 알고리 즘의 전반적인 내용을 검토하기 위한 전문가 집단 심층 토의를 진행하였다. 결과 : 연구 결과물로 운전활동영역 3개, 운전활동 11개, 제품군 19개를 적합하게 배치한 장애인 차량 개조 알고리즘이 개 발되었다. 알고리즘의 안정도 평균은 0.13으로 일치도가 매우 높게 확인되었으며, 내용타당도 평균은 1.0으로 매우 타당 도가 높게 확인되었다. 결론 : 본 연구의 결과물인 장애인 차량 개조 알고리즘이 장애인의 자가운전을 활성화할 수 있는 촉매제 역할을 할 것으로 기대되며, 이를 바탕으로 국내에서 장애인의 이동권이 한층 더 향상되기를 바란다.

이동 물체의 전역 경로 탐색에 있어 출발지점과 도착지점은 반드시 필요한 조건 중 하나이다. 선박의 경로 탐색에 있어 도착 가능 지점은 부두 이외 선박의 입출항 전 대기 장소 및 선박 수리 등 다양한 목적으로 이용되는 정박지(Anchorage)도 포함될 수 있다. 이 러한 정박지는 연안 해역 환경에 따라 특정 형태로 설계된 공간으로 경로 탐색을 위한 도착지점은 선박이 정박을 위한 투묘 지점이라고 볼 수 있다. 이에, 본 연구에서는 샘플링 기반 탐색 알고리즘 중 PRM 및 계산 기하학 알고리즘을 통해 정박지라는 특정 공간에 대해 다른 선박이 점유하지 않는 공간 탐색을 통한 투묘 지점 산출 방법을 제시하였다. 또한, 개발된 알고리즘을 검증하기 위하여 국내 목포항 11번 정박지를 대상 해역으로 선정하고 시뮬레이션을 수행한 결과 다른 선박이 점유하지 않는 공간에 대해 투묘 지점을 탐색할 수 있었다. 본 연구의 결과는 향후 선박의 의사 결정 및 VTS의 정박지 관리를 위한 지원 방안으로 활용될 수 있을 것으로 기대된다.

This paper aims to study the modeling and controller of an electrically driven tractor optimized for energy efficiency under off-road conditions and when subjected to loads such as plowing. The dynamic model design is aimed at a 30kW electric tractor. The vehicle model consists of a 30kW motor, transmission, wheels, and a controller, designed using the commercial software Matlab/Simulink. In order to optimize energy efficiency under load conditions, this paper designs and implements a PID controller focusing on the vehicle's speed and wheel slip. The newly proposed electric tractor modeling and PID controller aim to demonstrate improved energy efficiency through simulation.

본 연구는 소량 다품종의 화학물질을 다루는 연구실의 안전관리를 강화하기 위해 전과정관리 체계 알고리즘을 제안하는데 그 목적이 있다. 이를 위해 최근 10년간의 연구실 사고 사례, 관련 법규, 선행 연구 및 FGI (Focus Group Interview) 연구실 현황 분석을 통해 요구사항을 도출하고 전과정 관리체계를 개발하였으며, 이를 기반으로 전과정관리체계 알고리즘을 설계, 개발하여 연구실에 적용 및 검증하였다. 연구실 화학물질 사고 예방을 위한 안전관리는 우선 연구실 내 화학물질의 종류와 양을 정확히 파악하는 것부터 시작해야 한다. 이를 위해 화학물질관리의 전 과정을 단계별로 나누어 관리체계를 수립하고, 각 단계에서 활용되는 물질 정보, 법규 정보, 화학물질 성상별 분리 정보를 다루는 데이터베이스 항목 추출 및 알고리즘 개발 방안을 제시하였다. 본 알고리즘을 세 개의 기관에서 적용한 결과, 사고 예방 및 법규 준수 측면에서 높은 효과를 보인 것으로 평가되었으나 사고 발생률에 미치는 유의한 영향에 대해 알기 위해서는 더 많은 적용 연구가 필요하다. 본 연구에서 개발한 전과정관리체계 알고리즘의 활용은 실험실 안전과 사회적 안전을 도모하는 동시에 기업의 ESG 경영의 중요한 요소 중 하나인 기업활동의 리스크 관리와 책임경영에 도움이 될 것으로 기대한다.

목적 : 4차 산업혁명이 진행됨에 따라 타각적 굴절검사값, 수차 및 동공크기 등을 이용하여 최적의 안경처방값 을 도출해주는 머신러닝(machine learning)을 개발하고자 하였다. 방법: 시력에 영향을 줄 수 있는 안질환 및 전신질환이 없고 안구 수술 이력이 없는 근시안(1,000안)을 대상으로 진행하였다. I-Profilerplus(Zeiss, Berlin, Germany)를 사용하여 타각적 굴절이상도(objective-refraction) 및 안구수차(ocular wavefront-aberration), 동공 크기를 측정하였고, 자각적 굴절이상도(subjective-refraction)는 Visuphor500(Zeiss, Berlin, Germany)를 사용하여 구면 굴절력(S, Diopter), 원주 굴절력(C, Diopter), 난시 축(Ax, °)을 측정하였다. 측정 후, 파이썬(Python, version 3.10)을 이용하여 머신러닝 모델 생성 및 예측 성능을 확인하였다. 결과: 자각적 굴절이상도에서 구면 굴절력에 영향을 미치는 요인은 타각적 구면 굴절력, defocus aberration, spherical aberration, trefoil aberration 순으로 높았고, 원주 굴절력에 영향을 미치는 요인은 타각적 원주 굴 절력, defocus aberration, coma aberration, trefoil aberration 순으로 높았으며, 난시 축은 타각적 난시축만 영향을 미치는 것으로 나타났다. 구면 굴절력, 원주 굴절력, 난시 축의 자각적 굴절이상도와 머신러닝 예상값은 차이가 없는 것으로 나타났다(p=0.976, 0.948, and 0.349, respectively). 결론 : 자각적 굴절이상도를 예측하는 머신러닝 모델을 생성하였고, 해당 모델의 예측된 값과 자각적 굴절이상 도와 유의한 차이가 없는 것을 통해 예측 정확도를 확인하였으며 앞으로 개인 맞춤형 처방을 위한 정확한 안경처 방값을 도출하는데 기초자료가 될 수 있을 것으로 생각된다.

새만금 내에서는 종종 식물플랑크톤이 증식하기에 알맞은 환경조건이 생성되며 일시에 식물플랑크톤 대증식이 발생하면서 조 류 관리기준을 초과하는 사례가 발생하고 있다. 이를 대비하기 위하여 과학적 예측기법을 토대로, 식물플랑크톤의 종별로 가장 효과적이 고 효율적인 녹조발생 억제 방안을 제안하기 위하여 식물플랑크톤 대증식 가능성을 예측하고, 제어할 수 있는 모델을 개발하였다. 즉, 하 천에서 유입하는 영양염(DIN, PO4-P)을 정책적으로 조절하고, 갑문운영을 통해 호 내 염분을 제어하는 것이다. 먼저 관측치로부터 인공신 경망 알고리즘을 이용해 식물플랑크톤 대증식 가능성을 예측 결과, 모델의 Kappa 수는 0.7889 ~ 1.0000의 범위로, good ~ excellent 수준이었 다. 다음으로 Garson 알고리즘을 이용하여 종별로 설명변수의 중요도를 평가하였고, 또한 DIN 및 염분 값의 변화에 따른 식물플랑크톤 대 량 증식 확률을 예측하였다. 그 결과, 각 종별로 식물플랑크톤의 대증식을 억제할 수 있는 DIN과 염분 농도를 정량적으로 예측할 수 있었 다. 따라서, 향후 새만금과 같은 거대한 인공 호수에서 식물플랑크톤의 대증식을 억제하기 위한 효율적이고 효과적인 대응방안을 마련할 수 있도록 녹조제어모델을 활용할 수 있을 것으로 판단된다.

The large process plant is currently implementing predictive maintenance technology to transition from the traditional Time-Based Maintenance (TBM) approach to the Condition-Based Maintenance (CBM) approach in order to improve equipment maintenance and productivity. The traditional techniques for predictive maintenance involved managing upper/lower thresholds (Set-Point) of equipment signals or identifying anomalies through control charts. Recently, with the development of techniques for big analysis, machine learning-based AAKR (Auto-Associative Kernel Regression) and deep learning-based VAE (Variation Auto-Encoder) techniques are being actively applied for predictive maintenance. However, this predictive maintenance techniques is only effective during steady-state operation of plant equipment, and it is difficult to apply them during start-up and shutdown periods when rises or falls. In addition, unlike processes such as nuclear and thermal power plants, which operate for hundreds of days after a single start-up, because the pumped power plant involves repeated start-ups and shutdowns 4-5 times a day, it is needed the prediction and alarm algorithm suitable for its characteristics. In this study, we aim to propose an approach to apply the optimal predictive alarm algorithm that is suitable for the characteristics of Pumped Storage Power Plant(PSPP) facilities to the system by analyzing the predictive maintenance techniques used in existing nuclear and coal power plants.

Recently, research on prediction algorithms using deep learning has been actively conducted. In addition, algorithmic trading (auto-trading) based on predictive power of artificial intelligence is also becoming one of the main investment methods in stock trading field, building its own history. Since the possibility of human error is blocked at source and traded mechanically according to the conditions, it is likely to be more profitable than humans in the long run. In particular, for the virtual currency market at least for now, unlike stocks, it is not possible to evaluate the intrinsic value of each cryptocurrencies. So it is far effective to approach them with technical analysis and cryptocurrency market might be the field that the performance of algorithmic trading can be maximized. Currently, the most commonly used artificial intelligence method for financial time series data analysis and forecasting is Long short-term memory(LSTM). However, even t4he LSTM also has deficiencies which constrain its widespread use. Therefore, many improvements are needed in the design of forecasting and investment algorithms in order to increase its utilization in actual investment situations. Meanwhile, Prophet, an artificial intelligence algorithm developed by Facebook (META) in 2017, is used to predict stock and cryptocurrency prices with high prediction accuracy. In particular, it is evaluated that Prophet predicts the price of virtual currencies better than that of stocks. In this study, we aim to show Prophet's virtual currency price prediction accuracy is higher than existing deep learning-based time series prediction method. In addition, we execute mock investment with Prophet predicted value. Evaluating the final value at the end of the investment, most of tested coins exceeded the initial investment recording a positive profit. In future research, we continue to test other coins to determine whether there is a significant difference in the predictive power by coin and therefore can establish investment strategies.

An Ant Colony Optimization Algorithm(ACO) is one of the frequently used algorithms to solve the Traveling Salesman Problem(TSP). Since the ACO searches for the optimal value by updating the pheromone, it is difficult to consider the distance between the nodes and other variables other than the amount of the pheromone. In this study, fuzzy logic is added to ACO, which can help in making decision with multiple variables. The improved algorithm improves computation complexity and increases computation time when other variables besides distance and pheromone are added. Therefore, using the algorithm improved by the fuzzy logic, it is possible to solve TSP with many variables accurately and quickly. Existing ACO have been applied only to pheromone as a criterion for decision making, and other variables are excluded. However, when applying the fuzzy logic, it is possible to apply the algorithm to various situations because it is easy to judge which way is safe and fast by not only searching for the road but also adding other variables such as accident risk and road congestion. Adding a variable to an existing algorithm, it takes a long time to calculate each corresponding variable. However, when the improved algorithm is used, the result of calculating the fuzzy logic reduces the computation time to obtain the optimum value.

The management of algal bloom is essential for the proper management of water supply systems and to maintain the safety of drinking water. Chlorophyll-a(Chl-a) is a commonly used indicator to represent the algal concentration. In recent years, advanced machine learning models have been increasingly used to predict Chl-a in freshwater systems. Machine learning models show good performance in various fields, while the process of model development requires considerable labor and time by experts. Automated machine learning(auto ML) is an emerging field of machine learning study. Auto ML is used to develop machine learning models while minimizing the time and labor required in the model development process. This study developed an auto ML to predict Chl-a using auto sklearn, one of most widely used open source auto ML algorithms. The model performance was compared with other two popular ensemble machine learning models, random forest(RF) and XGBoost(XGB). The model performance was evaluated using three indices, root mean squared error, root mean squared error-observation standard deviation ratio(RSR) and Nash-Sutcliffe coefficient of efficiency. The RSR of auto ML, RF, and XGB were 0.659, 0.684 and 0.638, respectively. The results shows that auto ML outperforms RF, and XGB shows better prediction performance than auto ML, while the differences between model performances were not significant. Shapley value analysis, an explainable machine learning algorithm, was used to provide quantitative interpretation about the model prediction of auto ML developed in this study. The results of this study present the possible applicability of auto ML for the prediction of water quality.

본 연구는 데이터 과학의 과정에 따른 파이썬 기반의 외부고리 은하 영상 분석 알고리즘 개발을 목적으로 한다. 잠재적 사용자는 학생과 교사를 포함한 시민 과학자로 정하였다. 은하의 실제 데이터를 이용한 분류 연구는 IRAF 라는 전문 소프트웨어가 이용되고 있어 일반인이 접근하기에 한계가 있다. 이에 IRAF를 사용한 선행 연구의 결과와 비교 검 증이 가능한 외부고리 은하를 분석 대상 천체로 정하여, 영상 분석 알고리즘을 개발하고 그 결과를 검증하였다. 검증 결과 총 69개의 외부고리 은하 중 50개(72.5%)가 IRAF 결과와 높은 일치를 보였다. 남은 19개(27.5%)는 시선 방향에 겹친 밝은 별의 존재 혹은 은하 내부의 약한 밝기로 인해 IRAF 결과와 다른 낮은 일치를 보였다. 보완 과정을 거친 최종 결과물은 공유 및 교육 자료의 활용도를 높이기 위해 전체 사용된 데이터와 알고리즘, 파이썬 코드 파일 및 사용 설명서를 GitHub에 탑재하였다.

본 연구는 데이터를 기반으로 한 인공지능 기계학습 기법을 활용하여 온실 내부온도 예측 시뮬레이션 모델을 개발을 수행 하였다. 온실 시스템의 내부온도 예측을 위해서 다양한 방법 이 연구됐지만, 가외 변인으로 인하여 기존 시뮬레이션 분석 방법은 낮은 정밀도의 문제점을 지니고 있다. 이러한 한계점 을 극복하기 위하여 최근 개발되고 있는 데이터 기반의 기계 학습을 활용하여 온실 내부온도 예측 모델 개발을 수행하였 다. 기계학습모델은 데이터 수집, 특성 분석, 학습을 통하여 개 발되며 매개변수와 학습방법에 따라 모델의 정확도가 크게 변 화된다. 따라서 데이터 특성에 따른 최적의 모델 도출방법이 필요하다. 모델 개발 결과 숨은층 증가에 따라 모델 정확도가 상승하였으며 최종적으로 GRU 알고리즘과 숨은층 6에서 r2 0.9848과 RMSE 0.5857℃로 최적 모델이 도출되었다. 본 연 구를 통하여 온실 외부 데이터를 활용하여 온실 내부온도 예 측 모델 개발이 가능함을 검증하였으며, 추후 다양한 온실데이 터에 적용 및 비교분석이 수행되어야 한다. 이후 한 단계 더 나아 가 기계학습모델 예측(predicted) 결과를 예보(forecasting)단 계로 개선하기 위해서 데이터 시간 길이(sequence length)에 따른 특성 분석 및 계절별 기후변화와 작물에 따른 사례별로 개발 모델을 관리하는 등의 다양한 추가 연구가 수행되어야 한다.