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.

Nuclear facilities present the important task related to the migration and retention of radioactive contaminants such as cesium (Cs), strontium (Sr), and cobalt (Co) for unexpected events in various environmental conditions. The distribution coefficient (Kd) is important factor for understanding these contaminants mobility, influenced by environmental variables. This study focusses the prediction of Kd values for radionuclides within solid phase groups through the application of machine-learning models trained on experimental data and open source data from Japan atomic energy agency. Three machine-learning models, such as the convolutional neural network, artificial neural network, and random forest, were trained for prediction model of the distribution coefficient (Kd). Fourteen input variables drawn from the database and experimental data, including parameters such as initial concentration, solid-phase characteristics, and solution conditions, served as the basis for model training. To enhance model performance, these variables underwent preprocessing steps involving normalization and log transformation. The performances of the models were evaluated using the coefficient of determination. These results showed that the environmental media, initial radionuclide concentration, solid phase properties, and solution conditions were significant variables for Kd prediction. These models accurately predict Kd values for different environmental conditions and can assess the environmental risk by analyzing the behavior of radionuclides in solid phase groups. The results of this study can improve safety analyses and longterm risk assessments related to waste disposal and prevent potential hazards and sources of contamination in the surrounding environment.

Over the years, in the field of safety assessment of geological disposal system, system-level models have been widely employed, primarily due to considerations of computational efficiency and convenience. However, system-level models have their limitations when it comes to phenomenologically simulating the complex processes occurring within disposal systems, particularly when attempting to account for the coupled processes in the near-field. Therefore, this study investigates a machine learning-based methodology for incorporating phenomenological insights into system-level safety assessment models without compromising computational efficiency. The machine learning application targeted the calculation of waste degradation rates and the estimation of radionuclide flux around the deposition holes. To develop machine learning models for both degradation rates and radionuclide flux, key influencing factors or input parameters need to be identified. Subsequently, process models capable of computing degradation rates and radionuclide flux will be established. To facilitate the generation of machine learning data encompassing a wide range of input parameter combinations, Latin-hypercube sampling will be applied. Based on the predefined scenarios and input parameters, the machine learning models will generate time-series data for the degradation rates and radionuclide flux. The time-series data can subsequently be applied to the system-level safety assessment model as a time table format. The methodology presented in this study is expected to contribute to the enhancement of system-level safety assessment models when applied.

Conducting a TSPA (Total System Performance Assessment) of the entire spent nuclear fuel disposal system, which includes thousands of disposal holes and their geological surroundings over many thousands of years, is a challenging task. Typically, the TSPA relies on significant efforts involving numerous parts and finite elements, making it computationally demanding. To streamline this process and enhance efficiency, our study introduces a surrogate model built upon the widely recognized U-network machine learning framework. This surrogate model serves as a bridge, correcting the results from a detailed numerical model with a large number of small-sized elements into a simplified one with fewer and large-sized elements. This approach will significantly cut down on computation time while preserving accuracy comparable to those achieved through the detailed numerical model.

This study aims to classify R&D activities related to the nuclear fuel cycle using the deep learning methodology. First, R&D data of the Republic of Korea were collected from the National Science & Technology Information Service (NTIS) for the years 2021, 2022, and 2023. We use keywords such as ‘nuclear,’ ‘uranium,’ ‘plutonium,’ and ‘thorium’ to find nuclear-related R&D projects in the NTIS database. Among the numerous R&D projects found through keyword searches, overlapping and medical-related R&D projects were excluded. Finally, 495 R&D projects conducted in 2021, 430 R&D projects conducted in 2022, and 296 R&D projects conducted in 2023 were obtained for analysis. After that, Safeguards experts determine whether the R&D projects are subject to declaration under the AP. The values of the content validity index (CVI) and content validity ratio (CVR) were used to verify whether the experts’ judgments were valid. The 1,218 collected and labeled data were then divided 8:2 into training and test datasets to see if deep learning could be applied to classify nuclear fuel cycle-related R&D activities. We use the Python and TensorFlow packages, including RNN, GRU, and CNN methods. First, the collected text information was preprocessed to remove punctuation marks and then tokenized to make it suitable for deep learning. After 20 epochs of training to classify the nuclear fuel cycle-related R&D activities, the RNN model achieved 97.30% accuracy and a 5.85% error rate on the validation dataset. The GRU model achieved 96.53% accuracy and a 9.06% error rate on the validation dataset. In comparison, the CNN model achieved 94.61% accuracy and a 2.57% error rate on the validation dataset. When applying the test dataset to each model, the RNN model had a test accuracy of 83.20%, the GRU test accuracy of 82.79%, and the CNN model had a test accuracy of 85.66% for the same dataset. This study applied deep learning models to labeled data judged by various experts, and the CNN model showed the best results. In the future, this study will continue to develop an optimum deep learning model that can classify nuclear fuel cycle-related R&D activities to achieve the purpose of safeguards measures from open-source data such as papers and articles.

Nuclear Material Accountancy (NMA) system quantitatively evaluates whether nuclear material is diverted or not. Material balance is evaluated based on nuclear material measurements based on this system and these processes are based on statistical techniques. Therefore, it is possible to evaluate the performance based on modeling and simulation technique from the development stage. In the performance evaluation, several diversion scenarios are established, nuclear material diversion is attempted in a virtual simulation environment according to these scenarios, and the detection probability is evaluated. Therefore, one of the important things is to derive vulnerable diversion scenario in advance. However, in actual facilities, it is not easy to manually derive weak scenario because there are numerous factors that affect detection performance. In this study, reinforcement learning has been applied to automatically derive vulnerable diversion scenarios from virtual NMA system. Reinforcement learning trains agents to take optimal actions in a virtual environment, and based on this, it is possible to develop an agent that attempt to divert nuclear materials according to optimal weak scenario in the NMA system. A somewhat simple NMA system model has been considered to confirm the applicability of reinforcement learning in this study. The simple model performs 10 consecutive material balance evaluations per year and has the characteristic of increasing MUF uncertainty according to balance period. The expected vulnerable diversion scenario is a case where the amount of diverted nuclear material increases in proportion to the size of the MUF uncertainty, and total amount of diverted nuclear material was assumed to be 8 kg, which corresponds to one significant quantity of plutonium. Virtual NMA system model (environment) and a divertor (agent) attempting to divert nuclear material were modeled to apply reinforcement learning. The agent is designed to receive a negative reward if an action attempting to divert is detected by the NMA system. Reinforcement learning automatically trains the agent to receive the maximum reward, and through this, the weakest diversion scenario can be derived. As a result of the study, it was confirmed that the agent was trained to attempt to divert nuclear material in a direction with a low detection probability in this system model. Through these results, it is found that it was possible to sufficiently derive weak scenarios based on reinforcement learning. This technique considered in this study can suggest methods to derive and supplement weak diversion scenarios in NMA system in advance. However, in order to apply this technology smoothly, there are still issues to be solved, and further research will be needed in the future.

본 연구는 중국 음악사 교과목 수강자의 학업소진이 학습만족도에 미 치는 영향과 학습동기의 매개효과를 면밀히 살펴보고자 하였다. 이를 위 해 중국 후난성에 소재한 직업 전문대학에서 중국 음악사 교과목을 수강 하는 음악전공 대학생 391명을 통해 자기 보고식 설문지를 수집하였다. 수집된 설문지는 SPSS 25.0 이용하여 경향분석, 피어슨의 상관관계분 석, AMOS 24.0를 이용하여 모델 적합도 분석, 경로분석을 수행하였다. 이를 통해 중국 음악사 교과목 수강자의 학습동기와 학습만족도를 높일 수 있는 구체적인 방안을 모색할 뿐만 아니라 학업소진을 낮추는데 필요 한 교육지원을 구축하는 데에도 기초자료를 제공하고자 한다.

본 연구는 만학도 간호대학생의 교수-학생 상호작용, 진로몰입이 자기주도학습능력에 미치는 영향요인을 규명하기 위해 시행되었다. 연구대상자는 G광역시, J도에 소재한 4개 대학교의 25세 이상 64 세 이하에 입학한 간호학과 재학생 162명이며, 자가설문방법으로 조사하였다. 수집된 자료는 SPSS 24.0 프 로그램을 이용하여 t-test, ANOVA, Pearson's correlation 및 multiple regression으로 시행되었다. 연구결 과, 자기주도학습능력에 영향을 미치는 요인은 진로몰입, 교수-학생 상호작용, 대학진학의 동기 순이며, 변 인들은 만학도 간호대학생의 자기주도학습능력을 29.5% 설명하는 것으로 나타났다. 따라서 만학도 간호대 학생의 진로몰입과 교수-학생 상호작용의 수준의 향상을 통해 자기주도학습능력을 촉진할 수 있는 프로그 램개발이 필요하다.

PVA 섬유 보강 시멘트 복합체는 매우 복잡한 미세구조를 가지고 있으며, 재료의 거동을 정확히 평가하기 위해서는 미세구조 특성 을 반영하여 실제 실험과 시너지효과를 내며 효율적인 재료 설계를 가능하게 하는 해석 모델의 개발이 중요하다. PVA 섬유 보강 시멘 트 복합체의 역학적 성능은 PVA 섬유의 방향성에 큰 영향을 받는다. 그러나 마이크로-CT 이미지로부터 얻은 PVA 섬유의 회색조 값 을 인접한 상과 구분하기 어려워, 섬유 분리 과정에 많은 시간이 소요된다. 본 연구에서는 섬유의 3차원 분포를 얻기 위하여 0.65μm3 의 복셀 크기를 가지는 마이크로-CT 이미지 촬영을 수행하였다. 학습에 사용될 학습 데이터를 생성하기 위해 히스토그램, 형상, 그리 고 구배 기반 상 분리 방법을 적용하였다. 본 연구에서 제안된 U-net 모델을 활용하여 PVA 섬유 보강 시멘트 복합체의 마이크로- CT 이미지로부터 섬유를 분리하는 학습을 수행하였다. 훈련의 정확도를 높이기 위해 데이터 증강을 적용하였으며, 총 1024개의 이미지 를 훈련 데이터로 사용하였다. 모델의 성능은 정확도, 정밀도, 재현율, F1 스코어를 평가하였으며, 학습된 모델의 섬유 분리 성능이 매 우 높고 효율적이며, 다른 시편에도 적용될 수 있음을 확인하였다.

Fouling is an inevitable problem in membrane water treatment plant. It can be measured by trans-membrane pressure (TMP) in the constant flux operation, and chemical cleaning is carried out when TMP reaches a critical value. An early fouilng alarm is defined as warning the critical TMP value appearance in advance. The alarming method was developed using one of machine learning algorithms, decision tree, and applied to a ceramic microfiltration (MF) pilot plant. First, the decision tree model that classifies the normal/abnormal state of the filtration cycle of the ceramic MF pilot plant was developed and it was then used to make the early fouling alarm method. The accuracy of the classification model was up to 96.2% and the time for the early warning was when abnormal cycles occurred three times in a row. The early fouling alram can expect reaching a limit TMP in advance (e.g., 15-174 hours). By adopting TMP increasing rate and backwash efficiency as machine learning variables, the model accuracy and the reliability of the early fouling alarm method were increased, respectively.

본 연구는 교육서비스 기업 경영자의 교육리더십이 조직의 학습조직화에 미치는 영향을 알아보고, 그 관계에서 조직 구성원의 자기효능감을 매개효과를 검토하는 것을 연구 목적으로 하였다. 이를 통해 교육서비스 기업의 개인적·조직적 주요 변인을 검증하여 교육적 조직으로서의 교육서비스 기업의 실제적 시사점을 도출하고 지속 가능한 성장 동력 확보 의 토대가 될 기초 자료를 제공하고자 하였다. 이상의 연구목적 달성을 위해 교육서비스 기업 임직원을 연구대상으로 설 정하여 온라인 설문을 실시하여, 총 409부의 설문지를 회수하였으며, SPSS 26.0을 활용하여 수집된 자료를 분석하였다. 수행된 연구를 통해 도출된 연구결과는 다음과 같다. 첫째, 교육서비스 기업 경영자의 교육리더십이 조직의 학습조직화 에 정(+)적 영향을 주는 것으로 확인되었다. 둘째, 교육서비스 기업 경영자의 교육리더십이 조직 구성원의 자기효능감에 정(+)적 영향을 주는 것으로 확인되었다. 셋째, 교육서비스 기업 조직 구성원의 자기효능감이 조직의 학습조직화에 정(+) 적 영향을 주는 것으로 확인되었다. 넷째, 교육서비스 기업 경영자의 교육리더십과 조직의 학습조직화의 관계에서 조직 구성원 자기효능감의 매개효과가 나타나는 것이 확인되었다. 본 연구를 통해 교육리더십, 학습조직화, 자기효능감 등 교 육서비스 기업의 개인 및 조직 변인 관계를 확인하고 연구결과를 기반으로 이론적, 실무적 시사점을 제시하였다.

기후변화 영향으로 이상고수온, 태풍, 홍수, 가뭄 등 재난 및 안전 관리기술은 지속적으로 고도화를 요구받고 있으며, 특히 해 수면 온도는 한반도 주변에서 발생되는 여름철 적조 발생과 동해안 냉수대 출현, 소멸 등에 영향을 신속하게 분석할 수 있는 중요한 인자 이다. 따라서, 본 연구에서는 해수면 온도 자료를 해양 이상현상 및 연구에 적극 활용되기 위해 통계적 방법과 딥러닝 알고리즘을 적용하 여 예측성능을 평가하였다. 예측에 사용된 해수면 수온자료는 흑산도 조위관측소의 2018년부터 2022년까지 자료이며, 기존 통계적 ARIMA 방법과 Long Short-Term Memory(LSTM), Gated Recurrent Unit(GRU)을 사용하였고, LSTM의 성능을 더욱 향상할 수 있는 Sequence-to-Sequence(s2s) 구조에 Attention 기법을 추가한 Attention Long Short-Term Memory (LSTM)기법을 사용하여 예측 성능 평가를 진행하 였다. 평가 결과 Attention LSTM 모델이 타 모델과 비교하여 더 좋은 성능을 보였으며, Hyper parameter 튜닝을 통해 해수면 수온 성능을 개 선할 수 있었다.