본 연구는 프렌치매리골드(Tagetes patula L.)의 개화 과정 을 영상 기반으로 정량화하고, 이를 바탕으로 개화 진행률을 예측할 수 있는 딥러닝 모델을 제안하고자 하였다. 실험은 완 전제어형 식물공장에서 수경재배 조건하에 수행되었으며, 개 화 초기부터 만개에 이르기까지 1시간 간격으로 정면 이미지 를 촬영하여 시계열 이미지 데이터셋을 구축하였다. 각 식물 체의 이미지는 시간순으로 정렬된 연속 이미지 5장을 하나의 시퀀스로 구성하고, 마지막 시점의 개화율을 예측하는 회귀 문제로 모델을 학습하였다. 제안한 모델은 CNN 기반 특징 추 출기와 LSTM 기반 RNN을 결합한 CNN+RNN 하이브리드 구조로, 시간에 따른 개화 과정을 효과적으로 반영하도록 설계 되었다. 비교 실험에는 BasicCNN, ResNet18, MobileNetV2, EfficientNetB0 모델을 포함하였으며, 동일한 데이터셋과 조 건에서 성능을 비교하였다. 실험 결과, 제안한 CNN+RNN 모델은 평균제곱오차(MSE) 0.0006, 평균절대오차(MAE) 0.0196, 결정계수(R2) 0.993을 기록하며, 다른 모델들에 비해 데이터에 대한 매우 높은 적합도를 나타냈다. 이러한 결과는 제안된 모델이 시간에 따른 시각적 변화를 효과적으로 반영함 을 시사하며, 화훼 작물의 자동 개화 모니터링 및 생육 단계 분 석을 위한 기반 기술을 활용될 수 있음을 보여준다.

정화조(Septic tank) 시스템에서의 슬러지 지속적 축적은 처리 효율 저하와 유지관리 비용 증가를 초래한다. 그러나 기존 활성슬러지 모델(activated sludge models, ASM)은 세균의 영양단계에 초점을 두고 있어, 상위 포식자에 의해 유도되는 슬러지 저감 메커니즘을 정량적으로 설명하는 데 한계가 있다. 본 연구는 ASM3의 저장–성장 틀을 기반으로, 윤충(rotifer biomass, )과 섬모충(ciliate biomass, XC)의 생태역학을 통합한 확장 모델을 제안한다. 이를 위해 세균 군집을 일반 박테리아와 필라멘트성 박테리아로 구분하고, 이를 선택적으로 섭식하는 포식자를 도입하여 총 16개의 상태변수와 13개의 공정으로 구성하였다. 포식 과정에서는 기근 조건에서의 호흡 및 유지대사 등, 내부 저장물질(XSTO)에 의해 매개되는 동적 과정을 수리적으로 구조화하였다. 총부유물질(XSS)의 질량수지식을 전개⋅분석한 결과, 기존의 내생호흡 경로 외에도 포식 단계에서 발생하는 추가적인 탄소 무기화가 슬러지 저감의 핵심 메커니즘임을 이론적으로 도출하였다. 특히 윤충의 필라멘트성 박테리아 섭식은 슬러지 벌킹 완화 가능성을 시사한다. 본 연구는 포식–피식 상호작용을 반영하여 슬러지 생성 및 감량 메커니즘을 재해석할 수 있는 이론적 틀을 제시한다. 제안된 모델의 반응식 및 계수의 예측 정확성은 향후 파일럿 규모 실험과 장기 운전 데이터를 통해 단계적으로 검증할 예정이며, 이를 통해 다양한 운전 조건과 포식자 군집 변화에 따른 슬러지 제거수율 변동을 예측하고, 저에너지⋅저슬러지 운전 전략 수립을 위한 기반을 제공하고자 한다.

This study proposes a statistical modeling framework for estimating the daily number of bus stops at highway transfer facilities (ex-HUBs) where demand information is often uncertain during the early planning stages. Accurate estimation of the daily number of bus stops is critical for efficient design and operation; however, reliable demand data are rarely available in the initial planning phase. Using pooled data from 16 facilities, a direct demand estimation approach was implemented, based on facility characteristics, transportation connectivity, highway traffic conditions, and socioeconomic factors. Log-linear model (LLM) and negative binomial model (NBM) were developed to capture the count data characteristics. Ensemble models using arithmetic and weighted means were also constructed to improve predictive reliability. The analysis revealed that the arithmetic mean ensemble of NBM and LLM produced the most accurate predictions. The daily number of bus stops was significantly influenced by the distance from bus terminals, highway traffic volume, public transportation connectivity, economically active population, and level of urbanization. The framework proposed in this study provides a practical tool for estimating the daily number of bus stops at highway transfer facilities, and can support more reliable feasibility analyses and infrastructure planning under demand uncertainty.

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.

콘크리트 포장 내부 온도는 열응력 발생, 균열 거동, 구조 성능 및 유지관리 의사결정에 직접적인 영향을 미 치는 핵심 변수이다. 그러나 기존의 물리식 기반 예측 모델은 특정 지역과 제한된 기상 조건에서 보정된 계수 에 의존하는 경우가 많아, 지역 및 기후 조건이 달라질 경우 적용성과 확장성에 한계가 있다. 이에 본 연구는 한국 기상대 자료와 인천국제공항 유도로 콘크리트 포장의 실측 온도 데이터를 활용하여, 깊이별 내부 온도를 예측하는 CNN 기반 모형을 구축하고 공항 포장 유지관리 및 구조 평가에 활용 가능한 데이터 기반 예측 체계 를 제시하고자 하였다. 연구 데이터는 2017년 1월 1일부터 2018년 12월 31일까지의 1시간 단위 시계열로 구 성하였으며, 입력 변수로는 기온, 풍속, 강수량, 습도, 일조량, 일사량, 적설량, 적운량, 지면온도 등 기상 인자 를 사용하고, 출력 변수로는 포장 내부 0.05 m, 0.15 m, 0.25 m, 0.35 m, 0.45 m 깊이의 온도를 설정하였 다. 또한 한국도로연구프로그램(KPRP)의 열평형 방정식 기반 지식을 보조적으로 활용하여 데이터 기반 예측 결 과의 물리적 타당성을 검토하고 모형 고도화 방향을 함께 모색하였다. 제안된 CNN 모형은 다변량 시계열 입력 으로부터 시간대별 변동 패턴, 계절성 및 기상 인자 간 국부적 상관관계를 추출하도록 설계하였으며, 합성곱 연산을 통해 급격한 기온 변화, 강수·적설 이벤트, 주야간 반복 패턴 등 온도 변화 특성을 안정적으로 학습할 수 있도록 하였다. 특히 깊이별 온도를 동시에 예측하는 다중출력 구조를 적용하여 표면과 내부층 간 연계 거 동을 반영하고자 하였다. 아울러 ANN 기반 접근과 비교 가능한 평가 체계를 마련하여 예측 정확도뿐 아니라 일반화 성능 및 계절별·시간대별 재현성을 검토함으로써, 콘크리트 포장 깊이별 온도 예측에서 CNN의 적용 타 당성과 실무 활용 가능성을 평가하고 향후 공항 포장 관리 시스템과 연계 가능한 예측 기반 기술로 확장하기 위한 기초자료를 제공하고자 한다.

Cordycepin is the principal bioactive compound produced by Cordyceps militaris and exhibits diverse pharmacological properties. However, cordycepin production is highly sensitive to cultivation conditions, leading to substantially variable production amounts and challenges in process optimization. An interpretable machine learning framework was established in this study to predict the cordycepin produced by C. militaris cultivated on Pinus densiflora sawdust. Three key cultivation parameters—input weight, growth weight, and particle size—were quantified using submerged mycelial culture. The cordycepin content was measured via high-performance liquid chromatography. Four predictive models (random forest, support vector machine, XGBoost, and artificial neural network) were optimized through a randomized hyperparameter search and evaluated using internal validation and Tropsha’s external quantitative structure-activity relationship criteria. The validation accuracy of XGBoost was the highest (root mean square error = 42.67 μg/mL), whereas the external performance of random forest was the most reliable (R² = 0.898). Shapley additive explanations revealed that input weight most strongly influenced cordycepin production, followed by growth weight and particle size, with distinct nonlinear and interaction-driven effects among the cultivation variables. Kernel density and dependence analyses confirmed the occurrence of multimodal production regimes associated with the substrate loading and particle size characteristics. Finally, the best-performing model was deployed through a streamlit-based graphical user interface, enabling the real-time prediction of cordycepin concentration with a 95% confidence interval. The results collectively demonstrate the utility of interpretable AI-driven modeling for unveiling complex biological responses, providing a practical decision-support tool for optimizing cordycepin production in fungal biotechnologies.

This study compares the shear behavior of anisotropic magnetorheological elastomers (MREs) using natural rubber (NR) and silicone rubber (Si) as matrices. The effects of magnetic flux density and compressive pre-stress on the shear modulus were experimentally investigated. Results showed that silicone-based MREs exhibited a 10–20% higher magnetorheological effect than NR-based ones due to stronger particle–matrix bonding and stable chain alignment under magnetic fields. In contrast, NR-based MREs showed greater stiffness variation under compressive stress, attributed to strain-hardening and volumetric constraint effects. These findings indicate that matrix selection significantly governs the magneto-mechanical response: silicone MREs are suitable for precision control and sensing, while NR MREs perform better in high-stress damping systems. This study provides fundamental insight for tailoring MREs according to design requirements.

We look at the models that calculate the positions of planets, focusing on the historical models. When Ptolemy's Earth-centered model, Copernicus' heliocentric model, and Tycho Brahe's geo-heliocentric model were expressed in vector format, they were all the same. Therefore, all three models are sufficiently good enough to calculate the positions of the planets. However, if we look closely at the models, we will see that either the epicycle or the earth-centered solar orbits used circular orbits, while the average Saturn's orbit or the heliocentric Saturn orbit used the eccentric circle for Copernicus, the equant circle for Ptolemy, and the deferent including 2-epicycles for Tycho Brahe. Currently, the planet's position is determined using the heliocentric elliptical orbits, but it can also be accurately traced using the Almagest type geocentric elliptical orbit and the elliptical epicycle.

하수처리장의 안정성과 효율성의 향상을 위해 스마트 기술 도입이 요구되고 있으나, 운영 데이터베이스 구축에 있어 계측의 신뢰성과 연속성 확보에 어려움이 있다. 활성슬러지 모델은 하수처리장의 디지털트윈으로 활용되며, 유입수 성상이 동일하더라도 다양한 운전 조건에 대한 데이터를 생산할 수 있다. 본 연구에서는 실측 데이터와 시뮬레이터 기반 합성 데이터를 통합하여 하수처리장 질소 농도 예측 머신러닝 모델을 구축하였다. A2O 공정의 호기조를 대상으로 기체상 N2O 및 액상 NH4 + 농도를 측정하였으며, 내부반송량, 외부반송량 등 운전인자를 포함한 운영데이터베이스를 구축하고 분석하였다. 확보한 실측 데이터를 기반으로 운영 특성을 분석하고, Sumo4N 모델을 활용하여 다양한 운전 조건에서의 합성 데이터를 생성하였다. 이후 두 데이터를 통합하여 데이터 증강을 수행함으로써, 실측 데이터의 양적 한계를 보완하였다. 모델 학습을 위한 입력 변수로는 외부⋅내부 반송량, 폭기량, 온도, 유입 질소 부하, pH를 선정하였으며 호기조의 N2O, NH4 +과 방류수 TN 농도를 예측하기 위한 머신러닝 모델을 개발하였다. 모델 학습에는 Lasso Regression, Random Forest, k-NN, SVR 알고리즘을 적용하여 성능을 평가하였다. 그 결과 SVR 알고리즘이 모든 질소 성분 예측에서 가장 우수한 성능을 보였으며, 개발된 모델 모두 R² ≥ 0.75의 높은 예측 성능을 나타내었다. 이는 시뮬레이터 기반 데이터 증강을 통해 기체상 및 액상 질소의 통합 제어를 위한 머신러닝 모델 구축의 가능성을 시사한다.

2019년 기준 국내 인체 항생제 사용량(DDD/1,000명/일)은 26.1로 OECD 29개국 중 세 번째로 높으며, 2024년에는 가축 및 반려동물에 약 850톤의 항생제가 판매되는 등 다량으로 사용되고 있다. 특히 낙동강 인근 하수 및 축산폐수 처리장 방류수에서는 sulfonamide 계열 항생제가 높은 빈도와 농도로 검출되며, 기존의 생물학적 처리공정만으로는 완전히 제거되지 않아 수계로 유출된다. 항생제는 주로 복합 혼합물 형태로 환경에 유입되며, 물질 간 상호작용 (가산효과, 상승작용, 길항작용 등)에 따라 독성이 달라질 수 있다. 이에 본 연구에서는 sulfonamide 계열 항생제 3종(sulfamethoxazole, sulfamethazine, sulfathiazole)을 대상으로, 이들의 혼합물이 물벼룩(Daphnia magna)에 미치는 급성독성을 평가하였다. 급성독성 시험 결과, 단일 물질의 48hr-EC₅₀은 sulfamethoxazole(SMX) 50.17 mg/L, sulfamethazine(SMZ) 45.83 mg/L, sulfathiazole(STZ) 26.73 mg/L로 나타났으며, 혼합물은 M1(SMX+SMZ) 45.94mg/L, M2(SMZ+STZ) 31.65 mg/L, M3(SMX+STZ) 42.52 mg/L, M4(SMX+SMZ+STZ) 52.16 mg/L로 확인되었다. 또한, 비시험 독성 예측방법인 UN-GHS 모델과 Similar Mode of Action(MOA) 기반 분석을 통해 혼합 독성을 예측하였다. UN-GHS 모델을 이용한 예측은 실험값과 유사한 경향을 보였으나, 최대 21%의 상대오차가 발생하여 단순 가산으로 환경 내 독성영향을 평가하는 데 한계가 있음을 검증하였다. Similar MOA 분석 결과, M1은 단순 가산효과, M2는 상승작용, M3⋅M4는 길항작용을 보였다. 이는 항생제 혼합물이 항상 상승효과를 보이지 않음을 시사한다. 길항작용은 동일 표적 또는 수용체 경쟁, 연관 경로 내 영향, 혹은 한 물질의 독성 억제 등으로 발생할 수 있다. 본 연구 결과, 혼합물질의 독성은 단일물질 기반 비시험 예측법으로 정확히 평가하기 어렵고, 혼합물질의 조성과 종류에 따라 오차가 발생함을 규명하였다. 따라서 향후 연구에서는 다양한 조건에서의 실험적 데이터를 축적하고 보정인자를 도출하여 모델 신뢰도를 향상시킬 필요가 있으며, 다양한 작용 기작과 성분을 가진 혼합물을 대상으로 실험적 검증을 수행함으로써 혼합물의 실제 독성을 보다 정확하게 평가해야 한다.