This study proposes a weighted ensemble deep learning framework for accurately predicting the State of Health (SOH) of lithium-ion batteries. Three distinct model architectures—CNN-LSTM, Transformer-LSTM, and CEEMDAN-BiGRU—are combined using a normalized inverse RMSE-based weighting scheme to enhance predictive performance. Unlike conventional approaches using fixed hyperparameter settings, this study employs Bayesian Optimization via Optuna to automatically tune key hyperparameters such as time steps (range: 10-35) and hidden units (range: 32-128). To ensure robustness and reproducibility, ten independent runs were conducted with different random seeds. Experimental evaluations were performed using the NASA Ames B0047 cell discharge dataset. The ensemble model achieved an average RMSE of 0.01381 with a standard deviation of ±0.00190, outperforming the best single model (CEEMDAN-BiGRU, average RMSE: 0.01487) in both accuracy and stability. Additionally, the ensemble's average inference time of 3.83 seconds demonstrates its practical feasibility for real-time Battery Management System (BMS) integration. The proposed framework effectively leverages complementary model characteristics and automated optimization strategies to provide accurate and stable SOH predictions for lithium-ion batteries.

본 연구는 환경 요인을 바탕으로 절화용 국화 생장 예측을 위한 최적의 모델을 개발하는 것을 목표로 하였다. 이를 위해 13개의 모델(Linear Regression, Lasso Regression, Ridge Regression, ElasticNet Regression, K-Nearest Neighbors (KNN), Support Vector Regression (SVR), Neural Network, Decision Tree, Random Forest, XGBoost, AdaBoost, CatBoost, Stacking)의 성능을 R2, MAE, RMSE를 평가 지표 로 비교하였다. 단일 모델 중에서는 Decision Tree가 가장 우수한 성능을 보였으며, R2값은 0.90에서 0.91 사이였다. 앙 상블 모델 중에서는 CatBoost가 가장 높은 성능을 보였으며 (R2=0.90~0.92) Random Forest와 XGBoost 또한 유사한 성 능을 보였다. 전체적으로 트리 기반 앙상블 모델이 국화 생장 예측에 적합한 모델로 나타났다.

해상에서의 안전한 의사소통은 선박 운항의 핵심 요소로, 국제해사기구(IMO)는 SMCP(Standard Marine Communication Phrases)를 제정하여 선내외 교신에서 활용할 수 있도록 하였다. SMCP를 포함한 해사영어는 효과적이고 정확한 의사소통을 위해 일반 영어와는 다 른 문법적, 어휘적, 구조적 특성을 반영하고 있으며, 간결성과 명확성에 초점이 맞추어져 표준화되어 있다. 이러한 맥락에서 본 연구는 상 용 LLM 모델의 해사영어 활용 능력을 PHP Text Similarity 알고리즘과 BERT 기반 모델을 활용하여 평가하였다. 먼저 ChatGPT, Google Gemini, Meta LLaMA 3 70B Instruct 모델을 대상으로 SMCP 기반 문장 구성, 용어 정의, 빈칸 채우기 문제를 포함한 총 60문항을 활용하여 성능을 비교 분석하였다. 이후 해사고등학교 학생들의 시험 결과와 LLM 모델의 결과를 비교하여, LLM이 실제 해기사 교육 수준과 비교 했을 때 어느 정도의 해사영어 이해 및 문장 구성 능력을 갖추었는지 평가하였다. 대체적으로 LLM 모델들은 높은 정답률을 보였으나, 표 준화된 문구를 정확하게 활용하거나 관용적으로 사용되는 해사영어 표현을 이해하고 적용하는 데 한계점이 있음을 확인하였다. 본 연구 는 해기교육기관 및 실무 현장에서 상용 LLM 모델의 해사영어 활용 가능성을 평가하는 기초 자료로 활용될 수 있을 것으로 기대되며, 향 후 보다 정교한 모델을 대상으로 추가연구가 필요하다.

Given the hazards posed by black ice, it is crucial to investigate the conditions that contribute to its formation. Two ensemble machinelearning algorithms, Random Forest (RF) and Extreme Gradient Boosting (XGBoost), were employed to forecast the occurrence of black ice using atmospheric data. Additionally, explainable artificial intelligence techniques, including Feature Importance (FI) and partial dependence Plot (PDP), were utilized to identify atmospheric conditions that significantly increase the likelihood of black ice formation. The machinelearning algorithms achieved a forecasting accuracy of 90%, demonstrating reliable performance. FI analysis revealed distinct key predictors between the algorithms: relative humidity was the most critical for RF, whereas wind speed was paramount for XGBoost. The PDP analysis identified the specific atmospheric conditions under which black ice was likely to form. This study provides detailed insights into the atmospheric precursors of frost/fog-induced black ice formation. These findings enable road managers to implement proactive winter road maintenance strategies, such as optimizing anti-icing patrol routes and displaying warnings on various message signs, thereby enhancing road safety.

This study evaluated the short- and long-term prediction performances of a transformer-based trajectory-forecasting model for urban intersections. While a previous study focused on developing the basic structure of a transformer model for future trajectory prediction, the present study aimed to determine a practical prediction sequence length. To this end, multiple transformer models were trained with output sequence lengths ranging from 1 s to 10 s, and their performances were compared. The trajectory data used for training were generated through a microscopic traffic simulation, and the model accuracy was assessed using the metrics average displacement error (ADE) and final displacement error (FDE). The results demonstrate that the prediction accuracy decreases significantly when the output trajectory length exceeds 3 s. Specifically, straight-driving trajectories exhibit rapidly increasing errors, while turning trajectories maintained a relatively stable accuracy. In contrast, for turning-driving trajectories, prediction errors increased sharply during short-term forecasting, but the increase was more gradual in long-term forecasts. Additionally, the long-term prediction models produced higher errors even in the initial 1-second outputs, implying a tendency toward conservative inference under uncertain future scenarios. This conservative behavior is likely influenced by the model’s effort to minimize the overall loss across a broader prediction window, especially when trained with Smooth L1 loss function. This study provides practical insights into model design for edge-computing environments and contributes to the development of reliable short-term trajectory prediction systems for urban ITS applications.

본 연구에서는 사회과학적 문학연구에 대한 통합 학문연구로서의 의의 와 가능성을 탐색하였고, 이를 기반으로 연구 방법론적 요건을 갖춘 사 회과학적 문학작품 분석모델을 개발하고자 하였다. 통합 학문연구의 영 역을 지속적으로 넓혀가고 있는 21세기는 단순한 학술연구에 그치지 않 고 근대 분과학문의 영역을 아우르며 새롭고 종합적인 학문을 탐색해 나 가고 있다. 따라서 본 연구를 통해 개발된 SSLA모델(Social Science Literature Analysis Model)은 사회과학연구의 새로운 분야로서 더욱 탄력을 받게 될 것이다. 또한 문학작품에서의 복잡한 사회현상을 보다 심층적이고 과학적으로 규명함으로써 연구 패러다임의 다각화 및 경계 없는 통합 학문연구의 토대를 확보할 수 있다는 점에서 본 연구는 매우 의의가 있다.

Periodontitis is a chronic inflammatory disease characterized by the progressive destruction of periodontal tissue and alveolar bone loss. To develop effective treatment strategies, a model that mimics this disease must be implemented. From this perspective, animal models can be used to investigate its mechanisms by reproducing disease progression and providing insights into host-microbe interactions, immune responses, and bone remodeling. In addition, periodontitis-associated bone loss fundamentally differs from systemic bone loss. Targeted treatments require distinguishing periodontitis-induced and systemic bone loss mechanisms. This review examines the rationale for using animal models in periodontal research and evaluates various experimental approaches, such as bacterial inoculation, ligature-induced periodontitis, and chemically induced inflammation. These models have advanced our understanding of periodontal disease but have limitations in replicating the chronic nature of periodontitis and human immune responses. However, current models cannot fully replicate chronic disease progression and human immune responses. Recent developments have focused on improving animal models to more accurately simulate disease progression and host responses, which has led to the elucidation of the immunomodulatory mechanisms of periodontitis and their relevance to the human dental environment. Moreover, new approaches, such as developing age-related periodontitis models and improving ligature techniques, could enhance experimental reproducibility and translational potential. Future studies are needed to reflect these improvements and enhance the clinical relevance of periodontitis models.

본 연구는 발효 황련해독탕(FHHT)의 식후혈당 상승 억 제 효능을 검증하기 위해 농도별로 Rat 유래 α-glucosidase 와 돼지 췌장 유래 α-amylase에 대한 저해 활성과 sprague dawley rat 모델을 이용한 식후혈당 상승 억제 효능을 평가 하였다. 그 결과, FHHT는 농도 의존적으로 α-glucosidase와 α-amylase의 소화 효소 활성을 저해하였고 IC₅₀ 값은 α- amylase 9.321mg/mL, α-glucosidase 0.143mg/mL, maltase 1.159mg/mL, glucoamylase 0.263mg/mL, sucrase 0.112mg/ mL로 확인되었다. 동물 모델 실험에서는 FHHT가 다당류 starch 및 이당류 sucrose 섭취 후 통계적으로 유의한 식후 혈당 상승 억제 효능을 보였다(P<0.01). 이와 같은 결과를 통해 FHHT의 당 흡수 억제를 통한 항당뇨 효능을 확인 하였고 추가 연구의 필요성 및 시사점을 제시함으로써 본 연구가 항당뇨의 새로운 한방 건강 기능식품으로 활용되 기 위한 참고 자료가 될 것으로 사료된다.

기후 변화로 인해 해수면 상승과 폭풍해일 발생 빈도가 증가하면서, 해안 지역에서의 재난 위험이 심화되고 있다. 본 연구는 NOAA의 GFS(Global Forecast System) 모델과 일본 기상청의 JMA-MSM(Japan Meteorological Agency Meso-Scale Model) 데이터를 기반으로 딥 러닝 기술을 활용하여 폭풍해일 예측 알고리즘을 개발하고, 두 모델에서 제공하는 대기 데이터를 입력 변수로 사용하여 예측 성능을 비 교하는 것을 목표로 한다. CNN(Convolutional Neural Network), LSTM(Long Short-Term Memory), Attention 메커니즘을 결합한 모델을 설계하고, 조위관측소의 관측 자료를 학습 데이터로 사용하였다. 과거 한반도에 직접적인 영향을 미쳤던 네 개의 태풍 사례를 통해 모델 성능을 검 증한 결과, JMA-MSM 기반 모델이 GFS 기반 모델에 비해 서해, 남해, 동해에서 각각 평균 RMSE를 0.34cm, 0.73cm, 1.86cm, MAPE를 0.15%, 0.36%, 0.68% 개선하였다. 이는 JMA-MSM의 고해상도 자료가 지역적 기상 변화를 정밀하게 반영했기 때문으로 분석된다. 본 연구는 해안 재난 대비를 위한 폭풍해일 예측의 효율성을 높이고, 추가 기상 데이터를 활용한 향후 연구의 기반 제공이 기대된다.

이 논문은 구약 지혜자, 특히 잠언 지혜자를 선교적 해석학의 모범으로 조명한다. 잠언 14:10-14 분석에서 ‘죽음의 길’ 모티브가 중심을 이루며, 이는 행위-화복-관계 사상과 인간의 이해를 넘어서는 심리적 신비에 관한 서술이 충돌하는 독특한 언어적 공간을 형성한다. 구약 지혜자는 이러한 사상적 모순과 모호성을 통해 인간 인식의 한계를 드러내고, 하나님 일하심의 신비를 수용하는 것이 하나님이 주신 질서 속 적절한 삶의 태도임을 독자의 자발적 판단에 따라 깨닫게 한다. 세상을 분석하고 그 속에서 교훈을 찾게 하는 구약 지혜자의 방법론은 성서 본문을 하나님의 선교 관점에서 해석하고, 독자의 삶의 맥락을 고려하며, 새로운 해석 공간을 수용하는 선교적 해석학과 매우 근접해 있다. 따라서 구약 지혜자의 세상에 대한 관찰, 해석, 의미 도출 방식은 선교적 해석학의 탁월한 모범이 된다.

IIn the context of site response analysis, the use of shear wave velocity (  ) profiles that consider the seismological rock (  ≥ 3,000 m/s) depth is recommended. This study proposes regression analysis and machine learning-based models to predict deep   profiles for a specialized excavated rock site in South Korea. The regression model was developed by modifying mathematical expressions from a previous study and analyzing the correlation between   and model variables to predict deep   beyond 50 m. The machine learning models, designed using tree-based algorithms and a fully connected hierarchical structure, were developed to predict   from 51 m to 300 m at 1 m intervals. These models were validated by comparing them with measured deep   profiles and accurately estimating the trend of deep   variations. The proposed prediction models are expected to improve the accuracy of ground motion predictions for a specialized excavated rock site in Korea.

Background: The evaluation of Human Movements based on Taekwondo poomsae (movement patterns) is inherently subjective, leading to concerns about bias and inconsistency in scoring. This emphasizes the need for objective and reliable scoring systems leveraging artificial intelligence technologies. Objectives: This study seeks to enhance the accuracy and fairness of Taekwondo poomsae scoring through the application of camera-based pose estimation and advanced neural network models. Design: A comparative analysis was conducted to evaluate the performance of machine learning models on a large-scale Taekwondo poomsae dataset. Methods: The analysis utilized a dataset comprising 902,306 labeled frames from 48 participants performing 62 distinct poomsae movements. Five models—LSTM, GRU, Simple RNN, Random Forest, and XGBoost—were evaluated using performance metrics, including accuracy, precision, recall, F1- score, and log loss. Results: The LSTM model outperformed all others, achieving an accuracy, precision, recall, and F1-score of 0.81, alongside the lowest log loss value of 0.55. The GRU model demonstrated comparable performance, while traditional models such as Random Forest and XGBoost were less effective in capturing the temporal and spatial patterns of poomsae movements. Conclusion: The LSTM model exhibited superior capability in modeling the temporal and spatial complexities inherent in Taekwondo poomsae, establishing a robust foundation for the development of objective, scalable, and reliable poomsae evaluation systems.