Pavement temperature is a critical factor in winter road maintenance as it directly affects operational decisions related to de-icing, antiicing, and other safety measures. Accurate forecasting of pavement temperature enables road agencies to optimize maintenance strategies, reduce operational costs, and improve roadway safety outcomes. This study proposes a novel machine-learning algorithm, termed LSTMCNN, which integrates convolutional neural networks (CNNs) with long short-term memory (LSTM) networks for pavement temperature prediction. The proposed model enables the LSTM component to capture sequential dependencies, whereas the CNN component extracts local and spatial features embedded in time-series temperature records. Therefore, the proposed model can effectively identify long-range temporal relationships while uncovering localized or spatial features within the dataset. The input data—comprising pavement, atmospheric, and soil temperatures—were obtained at the entrance of a tunnel where a multivehicle pile-up due to black ice had occurred previously. The proposed LSTM-CNN model achieved an average prediction error of 0.61 ℃ and was benchmarked against other well-established machine-learning models, including Transformer and standalone LSTM architectures. The results show that the proposed algorithm delivers statistically superior predictive performance. The LSTM-CNN approach offers significant potential for enhancing the efficiency and effectiveness of winter road maintenance operations.

최근 고층 건축물의 설계 시 풍향 변화에 따른 내풍 안전성 평가는 필수적이나, 유한요소해석은 막대한 시간과 비용이 소요 된다. 본 연구에서는 풍공학 표준 모형인 CAARC 건축물을 대상으로 해석 속도를 혁신적으로 단축하면서 물리적 타당성을 확보한 물 리정보 신경망을 포함한 다양한 대체모델 체계를 제안한다. 이 연구에서는 해석 자동화 파이프라인을 구축하여 0°-360° 풍향별 구조 응답 데이터를 생성하였으며, 3차 스플라인 보간, 다항회귀, 가우시안 프로세스 회귀, 다층 퍼셉트론과 물리정보 신경망의 성능을 정량 적으로 비교하였다. 분석 결과, 물리정보 신경망 모델은 결정계수 0.9991, 평균 절대 오차 5.848×10-10으로 가장 우수한 성능을 기록하 였다. 특히 물리정보 신경망은 학습 데이터가 없는 외삽 구간에서도 물리적 제약 조건을 통해 실제 유한요소해석 결과와 일치하는 응 답을 성공적으로 재구성하였다. 또한 단일 케이스 유한요소해석 대비 약 31배 이상의 연산 속도 향상을 보여 실시간 구조 응답 평가의 가능성을 확인하였다. 본 연구의 결과는 정적 등가 풍하중에 대한 풍향별 최대 변위 예측에 한정되며, 가스트·와류 진동 등 동적 거동 의 직접 예측은 향후 연구 과제이다.

화학적 해중합을 통해 얻은 재활용 탄소섬유(rCF)로 보강된 고유동 콘크리트의 압축 및 휨인장거동을 평가하고 설계 모델을 제안하였다. 실험 변수로는 섬유 길이(12, 24, 36 mm)와 콘크리트 강도 수준(일반 및 고강도)이 포함되며, 섬유 혼입은 부피비 2.0% 로 설정하였다. 실험 결과, rCF를 첨가한 경우 비보강 콘크리트에 비해 압축강도와 극한 변형률 모두 향상된 것으로 나타났다. 일반강 도 배합에서는 피크 변형률과 피크 이후의 연성이 현저히 개선되었으며, 잔류 휨인장강도는 섬유 길이가 길어질수록 증가했다. 그러나 고강도 배합의 경우, 피크 응력 이후 갑작스러운 취성 파괴가 발생하여 연성 개선 효과가 제한적이었다. 이러한 압축 거동을 예측하기 위해, Carreira–Chu 모델에 보강 지수(RI)를 도입하여 피크 변형률과 하강 지점을 보정함으로써 압축 응력-변형률 모델을 개발하였으 며, 일반강도 배합의 경우 RMSE 1.66–3.99 MPa 및 R² = 0.75∼0.98의 결과를 얻었다. 또한, 잔류 휨인장강도와 변형률 수준을 반영하기 위해 BS EN 14651을 기반으로 한 휨인장 모델을 제안하였다. 실험 데이터와의 비교를 통해 제안한 모델들은 rCF 보강 고유동성 콘크리트의 구조적 거동을 정확하게 예측하는 것으로 확인되었다.

하이디 캠벨은 디지털 종교의 다섯 가지 핵심 특성-네트워크 공동체, 이야기된 정체성, 권위의 이동, 수렴적 실천, 다중 장소 현실- 을 통해 디지털 환경을 온라인과 오프라인 종교 문화가 긴밀히 상호작용 을 하는 통합적 변화의 장으로 해석한다. 이런 관점은 오늘날 디지털 종교 현상을 재구성하기 위한 새로운 이론적·실천적 연구 틀을 요청한 다. 이에 본고는 이러한 통찰을 바탕으로 디지털 변혁 시대 선교적 리더십과 온라인 공동체의 변화 양상을 신학적으로 해석하고, 제자도와 실천 운동의 지속 가능성과 상황별 한계점을 분석한다. 특히 문헌 검토와 국내외 사례 연구를 통해 온라인 사역 모델을 확산형, 참여형, 생활밀착형, 통합형(하이브리드) 등으로 유형화함으로써 온라인 구조에서도 선교적 역동성과 효과적인 지속성을 꾀할 수 있음을 밝힌다. 나아가 리더십, 선교신학, 디지털 신학을 통합적으로 고찰해 시대 문화적으로 필요한 ‘선교적-성육신적 온라인 공동체’의 신학적 개념과 실천 모델을 제안한다.

본 연구는 국제 해양환경 규제 확대에 따라 형성되는 협력 수요를 유형화하고, 이를 바탕으로 해양환경 ODA 기반 민관협력 (Public-Private Partnership, PPP) 모델을 유형화하는 것을 목적으로 한다. 최근 국제 해양환경 규제는 선박 오염 통제를 넘어 외래종 관리, 해 양폐기물 대응, 생물다양성 보전 등으로 확대되고 있으며, 규범 이행을 위한 제도적·기술적·운영상의 대응 요구도 복합화되고 있다. 그러 나 많은 개발도상국에서는 항만 관리 체계, 환경 모니터링 시스템, 선박 검사 역량, 기술 접근성, 전문 인력의 확보 수준 등이 충분하지 않아 국제 규범의 수용과 실제 집행 사이에 이행 격차가 발생할 가능성이 크다. 본 연구는 이러한 이행 격차가 협력 수요를 형성하는 과 정에 주목하여 협력 수요를 법·제도 정비, 기술 도입, 운영 및 서비스, 역량 강화의 네 가지 유형으로 구분하였다. 또한 해양환경 ODA 관 련 PPP 사례를 분석하여 공공과 민간의 역할 분담, 운영의 지속성, 기술적 요소의 결합 양상을 살펴보았다. 이를 바탕으로 해양환경 ODA 기반 PPP 모델을 규제 대응형, 환경 서비스형, 자원순환형, 기술혁신 연계형의 네 가지 유형으로 제시하였다. 본 연구는 국제 해양환경 규 제를 단순한 환경 규범의 확대가 아니라 새로운 협력 수요를 형성하는 제도적 맥락으로 해석하고, 이를 해양환경 ODA 기반 PPP 모델과 연결하여 분석하였다는 점에서 의의를 가진다.

This study establishes a structured development procedure for a non-ergodic ground motion model (GMM) and applies it to Korean seismic records to evaluate uncertainty reduction. The proposed framework includes data screening based on signal-to-noise ratio, residual computation relative to NGA-East predictions, identification of systematic trends, and stepwise correction of site, magnitude, and distance effects. A total of 368 records from 16 earthquakes (Mw ≥ 4.0) observed at 53 stations were analyzed. The residuals exhibited clear VS30-dependent trends, particularly at short periods (–0.2 s). Period-dependent VS₃₀ correction terms were derived through linear regression, with additional corrections for magnitude and distance applied when sufficient data were available. Spectral comparisons for the 2016 Gyeongju and 2017 Pohang earthquakes demonstrated improved agreement after calibration. The stepwise corrections resulted in a consistent reduction of total standard deviation across periods, with the largest decrease observed near 0.1 s. These results indicate that the proposed development procedure provides a practical pathway for transitioning from ergodic to partially non-ergodic modeling and effectively reduces aleatory uncertainty for Korean seismic hazard applications.

본 연구는 다양한 천연염재로 염색조건을 달리하여 염색한 견직물로 준비된 동일색조의 2-배색 100종에 대하여 주관적 색채감성 요인구조를 규명하고, 동일색조 유형과 유/무채색 색조, 물리적 색채특성 및 배색변인의 객관적 변 인들이 색채감성요인에 미치는 영향을 분석하였으며, 인공지능 기계학습 기반의 Random Forest를 이용하여 색채감 성요인 예측모델을 제안하였다. 연구 결과로서 천연염색 견직물의 동일색조 2-배색에 대한 색채감성요인으로 ‘유쾌 함’, ‘클래식’, ‘소프트’, ‘모던’의 4개 감성이 추출되었는데, 각 요인은 단색의 물리적 색채특성, 동일배색 유형, 유채 색/무채색, 정량적 배색 변인을 포함한 객관적 색채 변인으로부터 유의한 영향을 받음이 확인되었다. Random Forest 를 이용하여 동일색조 2-배색의 색채감성요인 별로 수립한 예측 모델에서 요인 ‘유쾌함’과 ‘소프트’ 예측모델의 예측 성능이 가장 우수하였으며, 색채감성요인 예측 모델에서 변수 중요도와 대체선형모델의 구조를 통해 요인 ‘유쾌함’ 은 색채 밝기 관련 변인, 요인 ‘소프트’는 색채 진하기 관련 변인의 영향력이 가장 큰 것으로 파악되었다. 또한 실험 값과 예측값 간 높은 상관성을 확인함으로써, 인공지능 기계학습 알고리즘 Random Forest를 천연염색직물의 색채감 성예측에 활용할 수 있을 것으로 기대되었다.

기존 비디오 게임은 사전 정의된 스크립트와 정적인 캐릭터 관계 모델로 인해 상호작용 과 몰입감에 한계가 있다. 최근 대규모 언어 모델(LLM)이 대안으로 떠올랐으나, 생성된 서 사와 게임 내부 데이터가 단절되는 문제가 여전히 존재한다. 이에 본 연구는 Unity 엔진, LLM, 게임 서버 플랫폼을 통합하여 캐릭터 데이터가 서사를 생성하고, 그 결과가 다시 데 이터베이스에 반영되는 '순환형 동적 스토리텔링 시스템'을 제안한다. 실험 결과, 캐릭터 성 향에 따른 차별화된 서사 생성 및 관계도의 실시간 DB 동기화를 확인하였다. 본 시스템은 기존 스크립트의 경직성을 극복하고 무한히 확장 가능한 개인화된 게임 경험을 제공한다.

The application of machine learning in concrete technology has expanded rapidly, yet its reliability is often constrained by limited experimental data, heterogeneous testing conditions, and inconsistencies across published studies. This study investigates the integration of machine learning and synthetic data augmentation to predict the compressive strength of concrete incorporating biochar as a partial replacement for cement. An experimental dataset was compiled from peer-reviewed journal articles indexed in Web of Science, focusing on biochar-modified concrete mixtures. Input variables included cement content, fine and coarse aggregates, biochar dosage, water to binder ratio, superplasticizer content, and curing age, with compressive strength as the target variable. Extreme Gradient Boosting was adopted due to its strong performance on nonlinear tabular data. Model performance was evaluated using the mean absolute error (MAE), mean squared error (MSE), and coefficient of determination (R²), alongside five-fold cross-validation. Hyperparameter optimization was performed using Optuna. To address data scarcity, a synthetic dataset of 1000 samples was generated using ChatGPT. the large language model approach relied solely on natural language prompts. Only feature definitions and the target variable were provided, without exposing the original data or implementing data generation algorithms. Three modeling strategies were examined. First, model trained and tested solely on experimental data achieved a testing R² of approximately 0.91. Second, model trained on synthetic data and evaluated exclusively on experimental data showed reduced generalization, achieving a testing R² of about 0.42, indicating pronounced domain shift effects. Third, synthetic and experimental data were combined through data augmentation and jointly modeled, a testing R² of 0.93 was achieved. The result showed that the use of LLMs for augmentation improved the performance of the model.

도로의 기하구조(종단경사, 평면 곡선반경)는 차량의 속도 변화, 제동 거리, 원심력 등에 직접적인 영향을 미쳐 주행 안전성과 사고 위험을 결정짓는 핵심적인 설계 요소이다(Park et al., 2008). 따라서 도로 유지관리 측면 에서 이러한 기하선형 정보를 정밀하게 측정하고 관리하는 것은 필수적이나, 준공 후 장기간이 경과하거나 관 리 체계가 다원화된 경우 데이터가 누락되어 통합적인 활용에 한계가 있다. 이에 본 연구는 설계도면이 부재한 대규모 도로망의 안전 진단 및 위험 구간 판단 근거를 마련하기 위해, GIS(Geographic Information System) 기반 노드·링크 시스템의 평면선형 데이터와 공개 DEM(Digital Elevation Model)을 활용하여 전국 고속국도의 기하구조를 추정하는 경제적이고 보편적인 방법론을 제안하고 자 한다.

본 연구는 항만물류 분야의 산업 설비에 대한 머신러닝 기반 예지정비 시스템 개발을 목적으로 수행되었다. UCI Repository의 Dataset을 활용하여 10,000개의 데이터 포인트를 분석하였으며, 설비 고장 발생 여부를 예측하는 이진 분류와 고장 유형을 분류하는 다중 클래스 분류 과제를 수행하였다. 데이터 전처리 과정에서 클래스 불균형 문제 해결을 위해 SMOTE 기법을 적용하였고, StandardScaler를 이 용한 정규화를 수행하였다. 주성분 분석을 통해 온도 변수, 기계 출력, 공구 마모가 주요 예측 변수로 확인되었다. 로지스틱 회귀, K-최근 접 이웃, 서포트 벡터 머신, 랜덤 포레스트, XGBoost 등 다섯 가지 머신러닝 알고리즘을 적용하여 성능을 비교하였다. 분석 결과, KNN은 상대적으로 낮은 성능을 보였으나 빠른 응답속도를 제공하였고, XGBoost가 모두에서 최고 성능을 보였으며, 이진 분류에서 F1 점수 0.958, 다중 클래스 분류에서 0.989를 달성하였다.

본 연구는 인공지능(AI), 빅데이터, 웨어러블 디바이스 등 디지털 헬스케어 기술 확산에 따른 의료 패러다임 변화 속에서 한국, 미국, 유럽의 통합의학 교육 모델 재편 방향을 비교 분석하고 한국형 모 델의 지향점을 고찰하였다. 분석 결과, 미국은 데이터 기반의 정밀 중재 및 실질적 임상 적용 역량에, 유럽 은 디지털 중재의 유효성 및 윤리적 측면에 대한 비판적 가치 평가에 중점을 두고 있으며, 한국은 이원적 의료 체계 하에서 ICT 기술을 매개로 한 의·한 협진 역량 강화에 집중하고 있음을 확인하였다. 이러한 분 석을 바탕으로 본 연구는 한국적 상황에 최적화된 4대 교육 요소로 가상 공간 기반 협진 시뮬레이션, 데이 터 통역 능력(Data Literacy), 디지털 치료제(DTx) 하이브리드 처방 실무, 의료법 및 경영 역량을 제안하였 다. 결론적으로 미래의 통합의학 교육은 디지털 기술을 매개로 한 ‘데이터 언어의 통합’을 통해 실무형 협 진 역량을 갖추는 방향으로 전개되어야 하며, 본 연구의 결과는 향후 표준화된 한국형 디지털 통합의학 커 리큘럼 설계 및 정책 수립을 위한 기초 자료로 활용될 수 있을 것이다.