최근 늘어나고 있는 이상 기상 현상으로 산사태 위험이 점차 증가하고 있다. 산사태는 막대한 인명 피해와 재산 피해를 초래할 수 있기에 이러한 위험을 사전에 평가함은 매우 중요하다. 최근 기술 발전으로 인해 능동형 원격탐사 방법을 사용하여 더 정확하고 상세한 지표 변위 및 강수 데이터를 얻을 수 있게 되었다. 그러나 이러한 데이터를 활용하여 산사태 예측 모델을 개발하는 연구는 찾기 힘들다. 따라서 본 연구에서는 합성개구레이더 간섭법(InSAR)을 사용한 지표 변위 자료와 하이브리드 고도면 강우(HSR) 추정 기법을 통한 강수 정보를 활용하여 산사태 민감도를 예측하는 기계학습 모델을 제시하고 있다. 나아가 기계학습의 블랙박스 문제를 극복할 수 있는 해석가능한 기계학습 방법인 SHAP을 이용하여 산사태 민감도의 영향 변수에 대한 중요도를 체계적으로 평가하였다. 경상북도 울진군을 대상으로 사례 연구를 수행한 결과, XGBoost가 가장 좋은 예측 성능을 보이며, 도로로부터의 거리, 지표 고도, 일 최대 강우 강도, 48시간 선행 누적 강우량, 사면 경사, 지형습윤지수, 단층으로 부터의 거리, 경사도, 지표 변위, 하천으로부터의 거리가 산사태 예측에 영향을 미치는 주요 변수로 밝혀졌다. 특히, 능동형 원격탐사를 통해 얻은 자료인 강우 강도와 지표 변위의 절댓값이 높을수록 산사태 발생 확률이 높음을 확인하였다. 본 연구는 능동형 원격탐사 자료의 산사태 민감도 연구에서의 활용 가능성을 실증적으로 보여주고 있으며, 해당 자료를 바탕으로 시공간적 으로 변하는 산사태 민감도를 도출함으로써 향후 산사태 민감도 모니터링에 효과적으로 활용될 수 있을 것으로 기대된다.

PURPOSES : This study aimed to develop a quantitative structure property relationships (QSPR) model to predict the density from the molecular structure information of the asphalt binder AAA1, a non-full connected structure mixed with a total of 12 molecules. METHODS : The partial least squares regression (PLSR) model, which models the relationship between predictions and responses and the structure of these variables, was applied to predict the density of a binder with molecule descriptors. The PLSR model could also analyze data with collinear, noisy, and multiple dimensional independent variables. The density and additive-free AAA1 binder’s molecule systems generated by an asphalt binder’s molecules-related study were used to fit the PLSR model with the molecular descriptors produced using alvaDesc software. In addition to developing the relationship, a systematic feature selection framework (i.e., the V-WSP- and PLSR-modelbased genetic algorithm (GA)) was applied to explore sets of predictors which contributed to predicting the physical property. RESULTS : The PLSR model accurately predicted the density for the AAA1 binder’s molecules using the condition of the temperature and aging level (R2 was 0.9537, RMSE was 0.00424, and MAP was 0.00323 for the test data) and provided a set of features which correlated well to the property. CONCLUSIONS : Through the establishment of the physical property prediction model, it was possible to evaluate the physical properties of construction materials without limited experiments or simulations, and it could be used to comprehensively design the modified material composition.

This study aims to predict return-to-work outcomes for workers injured in industrial accidents using a TabNet-RUSBoost hybrid model. The study analyzed data from 1,383 workers who had completed recuperation. Key predictors identified include length of recuperation, disability grade, occupation activity, self-efficacy, and socioeconomic status. The model effectively addresses class imbalance and demonstrates superior predictive performance. These findings underscore the importance of a holistic approach, incorporating both medical and psychosocial factors.

This research presented the procedural framework of developing and optimizing an artificial intelligence model for predicting the change of bread texture by different baking enhancers. Emphasis was placed on the impact of various baking enhancers on the Mixolab thermo-mechanical properties of wheat flour and consequent alterations in bread texture. The application of baking enhancers positively contributed to dough formation and stability, producing bread with a soft texture. However, a relatively low Pearson correlation coefficient was observed between a single Mixolab parameter and bread texture (r<0.59). To more accurately predict the texture of bread from the thermo-mechanical features of wheat flour with baking enhancers, five AI models (multiple linear regression, decision tree, stochastic gradient descent, random forest, and multilayer perceptron neural network) were applied, and their prediction performance was compared. The multilayer perceptron neural network model was further utilized to enhance the prediction of bread texture by mitigating overfitting risks. Finally, the hyperparameter tuning (activation function [Leaky ReLU], regularization [0.0001], and dropout [0.1]) led to enhanced model performance (R2 = 0.8109 and RMSE = 0.1096).

본 연구에서는 구조물의 재료, 구조물의 단면, 지진 하중등의 불확실성을 고려한 저형 전단벽의 최대 전단력를 예측하는 뉴 런-네트워크 모델을 개발하였다. 이를 위해 실험 데이터를 통해 검증된 박스타입 저형 전단벽 수치해석 모델을 구축하였고, 가정된 분 포를 통해 200개의 구조물의 재료, 단면변수를 라틴 하이퍼 큐브 샘플링을 통해 추출하였다. 또한 이전 연구에서 사용된 인공지진파를 데이터를 기반으로 10개의 다른 PGA 레벨별 총 200개의 인공지진파 데이터를 구축하였다. 뉴런-네트워크 모델의 Training 및 testing을 위해 200개의 데이터셋에 상응 수치해석 모델을 구축하고 최대 전단력을 산출하였다. 이렇게 구축된 데이터셋을 이용하여 최종적으로 뉴런-네트워크 모델을 확정하였다. 마지막으로 구축된 모델로부터 얻어진 취약도와 기존에 사용되는 방법들로부터 얻은 취약도를 비교, 분석하여 본 연구에서 구축된 모델의 정확도를 보여주었다.

세계 100대 악성 침입외래종인 유리알락하늘소(Anoplophora glabripennis)와 근연종인 노랑알락하늘소(가 칭, Anoplophora horsfieldii (Hope, 1843))가 2019년 제주도에서 처음 발견된 후 2023년까지 지속적으로 확인되었 다. 본 연구는 MaxEnt 알고리즘을 기반으로 하는 생물종 분포 모델을 이용하여 19개의 기후변화 변수에 노랑알락 하늘소(가칭) 먹이식물 5종(차나무, 팽나무, 멀구슬나무, 종가시나무, 비술나무)의 변수를 추가하여 외래해충인 노랑알락하늘소(가칭)의 현재·미래의 분포 가능지역에 대한 공간적 분포 특성을 규명하고 국가적 확산을 대응 하고자 한다. 모델 예측 정확도(AUC)는 0.983으로 출현지점을 정확하게 예측하는 비율이 매우 높다고 할 수 있다. 모델 예측 정확도의 증감에 영향을 주는 환경변수 중 먹이식물의 기여도가 70%를 상회하는 것으로 나타났다. 현재 75% 이상 분포 가능지역은 전라남도 진도군 일대와 경상북도 포항시 일대로 나타났으나 2050년에는 서해안을 따라 태안군까지 동해안을 따라 북한의 고성군까지 분포가 가능한 것으로 나타났다. 또한 75% 이상 분포 가능 면적은 현재 423㎢에서 2050년에는 9,270㎢로 약 대한민국 면적의 1/10 정도 확산될 것으로 예측된다.

콘크리트 포장의 조기 파손을 초래하는 콘크리트 혼합물의 품질 저하는 최근 종종 발생되고 있다. 이로 인한 유지보수 비용 또한 증 가하는 추세이다. 본 연구는 이러한 문제를 해결하고자 콘크리트 배합 시 효과적으로 유변학적 특성을 측정하여 콘크리트 품질을 예 측할 수 있는 시제품 개발을 연구 중이다. 현재 상용화되어 사용되고 있는 ICAR Plus Rheometer 장비의 이론을 변경 적용하여, 본 시제품 Twin Shaft Rheometer mixer를 개발하였다. 동시에 레오미터 장비를 활용해 유변학적 특성을 확인하고 측정하였다. 콘크리트 의 변형과 움직임을 분석하기 위해 수직, 수평 거동의 비교분석을 진행하였고, 흐름 저항성과 토크 점성을 이용하여 유변학적 특성을 기존 장비와 비교 분석하였다. 그 결과 절댓값의 차이는 존재하나 선형적 유사성을 가지는 것을 알 수 있었다. 높은 정확성을 위해 추 가연구는 진행하고 있다. 추가로 슬럼프 측정 센서 또한 개발 진행 중이며, 이 장비는 마이크로파를 통해 매질의 변화를 측정하여 슬 럼프를 유추하는 센서로 더욱 정밀한 결과값을 위해 추가연구 진행하고 있다.

PURPOSES : To enhance the accuracy of predicting the compressive strength of practical concrete mixtures, this study aimed to develop a machine learning model by utilizing the most commonly employed curing age, specifically, the 28-day curing period. The training dataset consisted of concrete mixture sample data at this curing age, along with samples subjected to a total load not exceeding 2,350 kg. The objective was to train a machine learning model to create a more practical predictive model suitable for real-world applications. METHODS : Three machine learning models—random forest, gradient boosting, and AdaBoost—were selected. Subsequently, the prepared dataset was used to train the selected models. Model 1 was trained using concrete sample data from the 28th curing day, followed by a comprehensive analysis of the results. For Model 2, training was conducted using data from the 28th day of curing, focusing specifically on instances where the total load was 2,350 kg or less. The results were systematically analyzed to determine the most suitable machine learning model for predicting the compressive strength of concrete. RESULTS : The machine learning model trained on concrete sample data from the 28th day of curing with a total weight of 2,350 kg or less exhibited higher accuracy than the model trained on weight-unrestricted data from the 28th day of curing. The models were evaluated in terms of accuracy, with the gradient boosting, AdaBoost, and random forest models demonstrating high accuracy, in that order. CONCLUSIONS : Machine learning models trained using concrete mix data based on practical and real-world scenarios demonstrated a higher accuracy than models trained on impractical concrete mix data. This case illustrates the significance of not only the quantity but also the quality of the data during the machine learning training process. Excluding outliers from the data appears to result in better accuracy for machine learning models. This underscores the importance of using high-quality and practical mixed concrete data for reliable and accurate model training.

Hybrid nanocomposites of aluminium (NHAMMCs) made from AA5052 are fabricated via stir casting route by reinforcing 12 wt% Si3N4 and 0.5 wt% of graphene for usage in aeronautical and automotive applications due to the lower density and higher strength to weight proportion. The wear characteristics of the NHAMMCs are evaluated for different axial load, rotational speed, sliding distance and sliding time based on Box-Behnken design (BBD) of response surface methodology (RSM). Orowan strengthening mechanism is identified from optical image which improves the strength of the composite. Outcomes show that with higher axial load and rotational speed, there is substantial increase in wear loss whereas with increased sliding distance and sliding time there is no considerable increase in wear loss due to the lubricating nature of the reinforced graphene particles since it has higher surface area to volume ratio. Besides, artificial intelligence approach of neuro-fuzzy (ANFIS) model is developed to predict the output responses and the results are compared with the regression model predictions. Prediction from ANFIS outplays the regression model prediction.

최근 소셜미디어 이용이 심리적 웰빙에 미치는 영향이 부각되고 있으나 어떤 요소가 소셜미디어 상에서의 관계 의 질을 예측할 수 있는지에 대한 연구는 상대적으로 드물다. 본 연구는 머신러닝 기법을 이용하여 COVID-19로 인한 자가격리 동안 인스타그램 활동과 외로움, 우울 등의 심리 상태가 소셜미디어 상에서의 관계의 질을 예측할 수 있는지 알아보고자 하였다. 성인 95명을 대상으로 자가격리 중과 자가격리 해제 후 시점에서 외로움, 인스타그 램 활동, 소셜미디어 상에서의 관계, 우울 등에 대해 자기보고식 설문에 응답하도록 하였다. 그 후, 다차원 척도법과 표상유사성분석, 분류분석을 각 시점에 대해 수행하였다. 다차원척도법 결과, 1차원에서 인스타그램 이용 시간과 우울이 다른 변인들과 구별되었으며, 2차원에서 외로움과 수동적 이용이 다른 변인들과 구별되었다. 그 후 소셜미 디어 상에서의 관계의 질의 고,저 집단에 대해 표상유사성분석을 실시한 결과, 소셜미디어 상에서의 관계의 질이 높은 집단은 낮은 집단보다 자가격리의 영향을 더 많이 받는 것으로 나타났다. 분류분석 결과에서도 소셜미디어 상에서의 관계의 질 예측 변인이 사회적 고립의 여부에 따라 달라지는 것으로 나타났다. 따라서 본 연구의 결과는 사람들이 사회적 고립 상황에 있지 않을 때 인스타그램 이용 변인과 심리적 변인이 소셜미디어 상에서의 관계를 더 잘 예측할 수 있음을 시사한다.

본 연구는 소나무재선충병 방제대상지 선정의 효율성을 높이기 위해 진주시를 대상으로 소나무재선충병 잠재분포를 예측하였다. 예측에 사용된 MaxEnt 모델은 회귀분석을 기반으로 종 발생 확률 평가 및 다양한 잠재분포 예측에 이용되고 있다. 종속변수로는 소나무재선충병 감염목 자료를 사용하였으며, 독립변수로는 지리 ‧ 지형 ‧ 기후적 요인으로 총 15개 인자를 사용하였다. 잠재분포 예측 결과, 모델의 성능은 AUC가 0.801로 우수한 수준의 정확도를 나타냈다. 독립변수 중에는 전년도 감염목과의 거리, 6월 하순 강우량, 5월 강우량, 화목보일러와의 거리 순으로 잠재분포에 영향을 미치는 것으로 나타났다. 이러한 결과는 지속적인 소나무재선충병 감염목 DB 구축과 지리적 요인들에 대한 모니터링의 중요성이 크다는 것을 의미한다.

In contemporary global warfare, the significance and imperative of air transportation have been steadily growing. Nevertheless, the Korean Air Force currently operates only with small and medium-sized military cargo planes, lacking larger aircraft. Consequently, the efficiency of their operations is constrained by the limited air transport capacity and the aging of their existing fleet, among other factors. Therefore, we have to consider to make future air transportation capability. Although the 2nd large-sized cargo-plane acquisition project is ongoing, its quantity is very small. In this study, we propose an optimal prediction model that takes into account practical constraints such as parking space availability, pilot availability, wartime daily maximum loads, while simultaneously maximizing both the effectiveness and efficiency of transport capacity for future warfare envirionment.

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.

This study aimed to assess and determine the optimal model for predicting the full bloom date of ‘Fuji’ apples across South Korea. We evaluated the performance of four distinct models: the Development Rate Model (DVR)1, DVR2, the Chill Days (CD) model, and a sequentially integrated approach that combined the Dynamic model (DM) and the Growing Degree Hours (GDH) model. The full bloom dates and air temperatures were collected over a three-year period from six orchards located in the major apple production regions of South Korea: Pocheon, Hwaseong, Geochang, Cheongsong, Gunwi, and Chungju. Among these models, the one that combined DM for calculating chilling accumulation and the GDH model for estimating heat accumulation in sequence demonstrated the most accurate predictive performance, in contrast to the CD model that exhibited the lowest predictive precision. Furthermore, the DVR1 model exhibited an underestimation error at orchard located in Hwaseong. It projected a faster progression of the full bloom dates than the actual observations. This area is characterized by minimal diurnal temperature ranges, where the daily minimum temperature is high and the daily maximum temperature is relatively low. Therefore, to achieve a comprehensive prediction of the blooming date of ‘Fuji’ apples across South Korea, it is recommended to integrate a DM model for calculating the necessary chilling accumulation to break dormancy with a GDH model for estimating the requisite heat accumulation for flowering after dormancy release. This results in a combined DM+GDH model recognized as the most effective approach. However, further data collection and evaluation from different regions are needed to further refine its accuracy and applicability.