Deep learning models, which imitate the function of human brain, have drawn attention from many engineering fields (mechanical, agricultural, and computer engineering etc). The major advantages of deep learning in engineering fields can be summarized by objects detection, classification, and time-series prediction. As well, it has been applied into environmental science and engineering fields. Here, we compiled our previous attempts to apply deep learning models in water-environment field and presented the future opportunities.

PURPOSES : Despite the availability of larger traffic data and more advanced data collection methods, the problem of missing data is yet to be solved. Imputing missing data to ensure data quality and reliability of statistics has always been challenging. Missing data are imputed via several existing methods, such as autoregressive integrated moving average, exponential smoothing, and interpolation. However, these methods are complicated and results in significant errors. METHODS : A deep-learning method was applied in this study to impute traffic volume data of the South Korean national highway. Traffic data were trained using the long short-term memory method, which is a suitable deep-learning method for time series analysis. RESULTS : Three cases were proposed to estimate the traffic volume. In the first case, which represented the general conditions, the mean absolute percentage error (MAPE) was 12.7%. The second estimation case, which was based on the opposite traffic flow, exhibited a MAPE of 17%~18%. The third case, which was estimated using adjacent-section data, had a MAPE of 18.2%. CONCLUSIONS : Deep learning may be a suitable alternative data imputation method based on the limited site and data. However, its application depends on the specific situation. Furthermore, deep-learning models can be improved using an ensemble method, batch-size, or through model-structure optimization.

The temperature distributions were numerically calculated for the two-dimensional transient conduction heat transfer problem of a square plate. The obtained temperature distributions were converted into colors to create images, and they were provided as learning and test data of CNN. Classification and regression networks were constructed to predict representative wall temperatures through CNN analysis. As results, the classification networks predicted the representative wall temperatures with an accuracy of 99.91% by erroneously predicting only 1 out of 1100 images. The regression networks predicted the representative wall temperatures within errors of C. From this fact, it was confirmed that the deep learning techniques are applicable to the transient conduction heat transfer problems.

선박은 크고, 복잡한 구조로 되어 있기 때문에 다른 작업자의 위치를 알아내기 어려우며, 특히 작업자가 쓰러진 경우에는 발견하기가 쉽지 않아 신속한 대처가 어렵다. 그리하여, 신체에 디바이스를 부착하는 방법이나 카메라를 이용하여 쓰러짐을 검출하기 위한 연구가 진행되고 있다. 기존의 영상기반 쓰러짐 검출은 사람의 신체부위를 검출하여 쓰러짐을 판단하였으나, 조선소에서는 다양한 복장과 자세로 작업으로 인해 검출하기가 어렵다. 본 논문에서는 쓰러짐 영역 전체를 추출하여 딥러닝 학습으로 선박 작업자의 쓰러짐을 이미지 기반으로 검출하였다. 학습에 필요한 데이터는 조선소의 건조중인 선박에서 쓰러진 모습을 연출하여 획득하였으며, 이미지를 좌우대칭, 크기조절, 회전하여 학습 데이터의 수를 증가하였다. 성능평가는 정밀도, 재현율, 정확도 그리고 오차율로 평가하였으며, 데이터의 수가 많을수록 정밀도가 향상되었다. 다양한 데이터를 보강하면 카메라를 이용한 쓰러짐 검출 모델의 실효성이 향상됨으 로서 안전 분야에 기여할 수 있을 것으로 사료된다.

The numerical analysis of two-dimensional transient flow around the obstacle with rotated square cross sections was carried out. The obtained velocity distributions for each time step and each rotation angle were imaged to provide data for CNN(convolutional neural network). Both classification and regression neural networks were used for prediction of rotation angle. As results The classification method incorrectly predicted the rotation angle in only 2 of the 470 images. The regression method predicted the rotation angle errors within except 2 out of 470 images. From these facts, it could be concluded that both methods can be sufficiently applicable to the flow analysis.

본 논문은 지각된 가치가 적용된 관광 행동의도 정보를 이용한 지능형 클라우드 환경에서의 관광추천시스템을 제안한다. 이 제안 시스템은 관광정보와 관광객의 지각적 가치가 행동의도에 반영되는 실증적 분석 정보를 와이드 앤 딥러닝 기술을 이용하여 관광추천시스템에 적용하였다. 본 제안 시스템은 다양하게 수집할 수 있는 관광 정보와 관광객이 평소에 지각하고 있던 가치와 사람의 행동에서 나타나는 의도를 수집 분석하여 관광 추천시스템에 적용하였다. 이는 기존에 활용되던 다양한 분야의 관광플랫 폼에 관광 정보, 지각된 가치 및 행동의도에 대한 연관성을 분석하고 매핑하여, 실증적 정보를 제공한다. 그리고 관광정보와 관광객의 지각적 가치가 행동의도에 반영되는 실증적 분석 정보를 선형 모형 구성요소와 신경만 구성요소를 합께 학습하여 한 모형에서 암기 및 일반화 모두를 달성할 수 있는 와이드 앤 딥러닝 기술을 이용한 관광추천 시스템을 제시하였고, 파이프라인 동작 방법을 제시하였다. 본 논문에서 제시한 추천시스템은 와이드 앤 딥러닝 모형을 적용한 결과 관광관련 앱 스토어 방문 페이지 상의 앱 가입률이 대조군 대비 3.9% 향상했고, 다른 1% 그룹에 변수는 동일하고 신경망 구조의 깊은 쪽만 사용한 모형을 적용하여 결과 와이드 앤 딥러닝 모형은 깊은 쪽만 사용한 모형 대비해서 가입률을 1% 증가하였다. 또한, 데이터셋에 대해 수신자 조작 특성 곡선 아래 면적(AUC)을 측정하여, 오프라인 AUC 또한 와이드 앤 딥러닝 모형이 다소 높지만 온라인 트래픽에서 영향력이 더 강하다는 것을 도출하였다.

The flow analysis of two dimensional transient flow over the obstacles with rectangular cross sections was performed. And 190 velocity distributions for each aspect ratio were imaged to provide input data for convolutional neural network learning. The classification and regression methods were used in estimating the aspect ratio from given velocity distributions. As a result the classification method was more exact than the regression method. But both the classification and regression methods gave relatively accurate prediction of the defined aspect ratio judging from the imaged velocity distributions. This confirms that the deep learning technique is applicable to the flow analysis.

이 연구에서는 국내 현장교육에 게임이 거의 활용되지 않는 원인을 게임 내적 원인과 외적 원인으로 구분하여 찾아보고, 딥러닝 교육에 적용될 수 있는 게임 형식과 구성방법에 대하여 현실적인 교육자 요구조건을 도출하였다. 도출된 요구조건에 기반을 두는 게임화 설계안에서는 딥러닝 교육에서 이루어지는 일련의 학습 과정 중 ‘에이전트 설정’, ‘행동‧보상‧상태 점검 및 수정’, ‘브레인 선택과 비교’, ‘학습 시나리오’, ‘휴리스틱 브레인 프로세스’, ‘내부 및 외부 브레인 프로세스’ 단계를 게임 플레이 과정으로 구현하여 학습효과를 높이도록 하였다. 설계안을 바탕으로 실행 프로토타입을 개발하여 시범 학습 시나리오를 적용한 후 교육자 평가를 통하여 게임 플레이 중심의 교육 플랫폼으로서의 유의미함을 논의하였다.

In this study, the energy use of buildings was compared and analyzed by using weather data predicted with machine running techniques. Python was used as a predictive program to predict weather data and TRNSYS was used to simulate the energy usage of buildings. For weather forecasting, weather data from 1 August to 7 August were studied to forecast ambient air temperature and solar radiation. The lowest error came in seven days, with the outside air temperature standing at 1.8 percent and the solar radiation at 2.4 percent. The energy use of the building was simulated by using weather data predicted through the 7 days learning data with the lowest error. As a result , the error rate of cooling energy use was 1.92%, the sum of cooling energy and lighting energy use was 1.79%, and the building control by using predicted weather data didn’t show a big difference with just control.