Existing reinforced concrete buildings with seismically deficient column details affect the overall behavior depending on the failure type of column. This study aims to develop and validate a machine learning-based prediction model for the column failure modes (shear, flexure-shear, and flexure failure modes). For this purpose, artificial neural network (ANN), K-nearest neighbor (KNN), decision tree (DT), and random forest (RF) models were used, considering previously collected experimental data. Using four machine learning methodologies, we developed a classification learning model that can predict the column failure modes in terms of the input variables using concrete compressive strength, steel yield strength, axial load ratio, height-to-dept aspect ratio, longitudinal reinforcement ratio, and transverse reinforcement ratio. The performance of each machine learning model was compared and verified by calculating accuracy, precision, recall, F1-Score, and ROC. Based on the performance measurements of the classification model, the RF model represents the highest average value of the classification model performance measurements among the considered learning methods, and it can conservatively predict the shear failure mode. Thus, the RF model can rapidly predict the column failure modes with simple column details.

The sunspot area is a critical physical quantity for assessing the solar activity level; forecasts of the sunspot area are of great importance for studies of the solar activity and space weather. We developed an innovative hybrid model prediction method by integrating the complementary ensemble empirical mode decomposition (CEEMD) and extreme learning machine (ELM). The time series is first decomposed into intrinsic mode functions (IMFs) with different frequencies by CEEMD; these IMFs can be divided into three groups, a high-frequency group, a low-frequency group, and a trend group. The ELM forecasting models are established to forecast the three groups separately. The final forecast results are obtained by summing up the forecast values of each group. The proposed hybrid model is applied to the smoothed monthly mean sunspot area archived at NASA's Marshall Space Flight Center (MSFC). We find a mean absolute percentage error (MAPE) and a root mean square error (RMSE) of 1.80% and 9.75, respectively, which indicates that: (1) for the CEEMD-ELM model, the predicted sunspot area is in good agreement with the observed one; (2) the proposed model outperforms previous approaches in terms of prediction accuracy and operational efficiency.

본 논문에서는 H.264/AVC(이하 H.264)로 압축된 바이오 동영상(bio video)의 비트스트림(bitstream)에서 인트라 예측 모드(Intra Prediction mode)와 DC 계수 만을 추출하여 요약 영상(Thumbnail image)을 생성하는 시스템을 구현한다. 제안된 시스템은 먼저 비트스트림의 파싱(parsing) 과정을 수행하여 추출되는 예측모드로 영상의 기본 형태를 구성하고, DC 계수를 이용하여 전체 레벨을 조정하여 요약 영상을 생성한다. 실험을 통해 생성된 요약 영상은 인간 시각적인 평가와 PSNR로 원영상과 비교되었으며, 시스템의 목적상 인간 시각적인 측면에 비중을 둔다. 끝으로 차후 연구 목표에 대해 서술하였다.

횡방향으로 프리스트레스가 도입된 장지간 PSC 바닥판의 정적 거동을 예측하기 위한 유한요소해석 모델을 구성하고, 해석결과를 선행연구에 의한 실험결과와 비교하였다. 유한요소해석에 의하여 서로 다른 콘크리트 강도와 프리스트레스 크기를 변수로 갖는 각각의 실험체에 대한 하중-처짐 관계 곡선을 비교적 근접하게 추정할 수 있었다. 또한, 변형률 분포와 변수에 따른 극한강도 변화로부터 펀칭전단에 의한 파괴형태와 손상범위 등을 간접적으로 예측할 수 있었다. 이 연구에서 활용된 유한요소해석 모델은 펀칭전단파괴에 의한 펀칭콘의 분리를 사실적으로 재현하기 위한 목적이 아니며, 실험연구를 위한 보조적 수단으로서 정적거동예측과 실험결과의 보완 등에 효과적으로 활용될 수 있을 것으로 판단된다.