본 연구에서는 유한요소해석 D/B를 기반으로 보간식을 산출하여 개활지 폭발현상에 의해 기둥에 작용하는 폭압이력을 예측하는 모델을 개발했다. D/B 구성을 위해 7종류 기둥 너비에 대해 총 70회의 유한요소해석을 수행했다. 제안하는 방법의 성능확인을 위해, 기존에 제시된 경험식 기반의 예측식과의 비교연구를 수행했다. 또한, D/B를 구성하는 point 외의 영역에서의 예측 정확도 확인을 위 해 유한요소해석 결과와의 비교/검증 연구를 추가로 수행했다. 제안하는 방법은 기존의 경험식 기반 예측식에 비해 유한요소해석 결 과와 유사한 결과를 산출함을 확인했다.

This study intends to present a traffic node-based and link-based accident prediction models using XGBoost which is very excellent in performance among machine learning models, and to develop those models with sustainability and scalability. Also, we intend to present those models which predict the number of annual traffic accidents based on road types, weather conditions, and traffic information using XGBoost. To this end, data sets were constructed by collecting and preprocessing traffic accident information, road information, weather information, and traffic information. The SHAP method was used to identify the variables affecting the number of traffic accidents. The five main variables of the traffic node-based accident prediction model were snow cover, precipitation, the number of entering lanes and connected links, and slow speed. Otherwise, those of the traffic link-based accident prediction model were snow cover, precipitation, the number of lanes, road length, and slow speed. As the evaluation results of those models, the RMSE values of those models were each 0.2035 and 0.2107. In this study, only data from Sejong City were used to our models, but ours can be applied to all regions where traffic nodes and links are constructed. Therefore, our prediction models can be extended to a wider range.

본 연구는 데이터를 기반으로 한 인공지능 기계학습 기법을 활용하여 온실 내부온도 예측 시뮬레이션 모델을 개발을 수행 하였다. 온실 시스템의 내부온도 예측을 위해서 다양한 방법 이 연구됐지만, 가외 변인으로 인하여 기존 시뮬레이션 분석 방법은 낮은 정밀도의 문제점을 지니고 있다. 이러한 한계점 을 극복하기 위하여 최근 개발되고 있는 데이터 기반의 기계 학습을 활용하여 온실 내부온도 예측 모델 개발을 수행하였 다. 기계학습모델은 데이터 수집, 특성 분석, 학습을 통하여 개 발되며 매개변수와 학습방법에 따라 모델의 정확도가 크게 변 화된다. 따라서 데이터 특성에 따른 최적의 모델 도출방법이 필요하다. 모델 개발 결과 숨은층 증가에 따라 모델 정확도가 상승하였으며 최종적으로 GRU 알고리즘과 숨은층 6에서 r2 0.9848과 RMSE 0.5857℃로 최적 모델이 도출되었다. 본 연 구를 통하여 온실 외부 데이터를 활용하여 온실 내부온도 예 측 모델 개발이 가능함을 검증하였으며, 추후 다양한 온실데이 터에 적용 및 비교분석이 수행되어야 한다. 이후 한 단계 더 나아 가 기계학습모델 예측(predicted) 결과를 예보(forecasting)단 계로 개선하기 위해서 데이터 시간 길이(sequence length)에 따른 특성 분석 및 계절별 기후변화와 작물에 따른 사례별로 개발 모델을 관리하는 등의 다양한 추가 연구가 수행되어야 한다.

국내 주요 사회기반시설의 70% 이상이 철근콘크리트 구조물로 구성되어 있다. 최근 다양한 사회적ㆍ환경적 변화로 인한 내하력 저하 및 노후화 진행이 발생됨에 따라 섬유강화 복합소재(FRP)를 활용한 유지보수 수요 및 비용이 급격히 증가되 고 있다. 이에 따라 보다 경제적이고 효율적으로 FRP 보강재를 활용함에 있어서 성능을 예측할 수 있는 방법이 요구된다. 본 연구에서는 CFRPㆍBFRP 복합재료를 실험 대상으로 선정하고 성능을 결정하는 주요 인자인 섬유/수지 함침률을 54.3%, 43.9%, 39% 3가지로 분류하여 성능을 평가하고 이를 활용하여 FRP의 성능을 예측할 수 있는 모델식을 개발하고자 하였다. 매개변수에 따른 성능평가 결과, 두 섬유 모두 함침률이 낮아질수록 재료성능 또한 감소되는 것이 확인되었으며, 특히 BFRP의 경우 39%의 함침률에서 감소폭이 CFRP 대비 더 큰 것으로 나타났다. 실험 결과와 기존의 예측 모델식과의 성능 비교를 통해 약 15%의 오 차가 나타나는 것을 확인하였으며, 이에 따른 보정계수를 산정하여 예측 모델식을 재정립하였다.

The evaluation of the damage ratio of spent nuclear fuel is a very important intermediate variable for dry storage risk assessment, which requires an interdisciplinary and comprehensive investigation. It is known that the pinch load applied to the cladding can leaded to Mode-3 failure and the cladding becomes more vulnerable to this failure mode with the existence of radial hydrides and other forms of mechanical defects. In this study, the failure resistance of Zircaloy-4 cladding against the pinch load is investigated using numerical simulations assuming the existence of radial hydrides. The simulation model is based on the microscopic images of cladding. A pixel-based finite element model was created by separating the Zircaloy-4 and hydride using the image segmentation method. The image segmentation method uses a morphology operation basis, which is a preprocessing method through erosion operation after image expansion to enable normal segmentation by emphasizing pixels corresponding to hydrides. The segmented images are converted into a finite element model by assigning node and element numbers together with corresponding material properties. Using the generated hydride cladding finite element model, several numerical methods are investigated to simulate crack propagation and cladding failure under pinch load. Using extended finite element (XFEM) models the initiation and propagation of a discrete crack along an arbitrary, solution-dependent path can be simulated without the requirement of remeshing. The applicability of fracture mechanical parameters such as stress intensity, J-integral was also investigated.

PURPOSES : The surface distress of asphalt pavements is one of the major factors affecting the safety of road users. The aim of this study was to analyze the factors influencing the occurrence of surface distress and statistically predict its annual change to contribute to more reasonable asphalt pavement management using the data periodically collected by the national highway pavement data management system. METHODS : In this study, the factors that were expected to influence the surface distress were determined by reviewing the literature. The normality was secured by changing the forms of the variables to make the distribution of the variables got closer to normal distribution. In addition, min-max normalization was performed to minimize the effect of the unit and magnitude of the candidate independent variables on the dependent variable. The final candidate independent variables were determined by analyzing the correlation between the annual surface distress change and each candidate independent variable. In addition, a prediction model was developed by performing data grouping and multi-regression analysis. RESULTS : An annual surface distress change prediction model was developed using present surface distress, age, and below 0 ℃ days as the independent variables. As a result of sensitivity analysis, the surface distress affected the annual surface distress change the most. The positive correlation between the dependent variable and each independent variable demonstrated engineering and statistical meaningfulness of the prediction model. CONCLUSIONS : The surface distress in the future can be predicted by applying the annual surface distress prediction model to the national highway asphalt pavement sections with survey data. In addition, the prediction model can be applied to the national highway pavement condition index (NHPCI) evaluating the national highway asphalt pavement conditions to be used in the prediction of future NHPCI.

본 연구는 전주시에 위치한 기린봉, 완산칠봉, 황방산 등 3개의 산지형 근린공원을 대상으로 이용행태, 이용권의 인구 통계학적 특성, 근린공원까지의 도달거리를 사용하여 유효이용수요를 예측한 것이다. 조사대상 3개 근린공원의 이용자는 주로 40대~60대 이상이었으며, 이용방법은 주로 도보로 근린공원에 도달하였다. 방문횟수는 주간 1~2회 정도로 나타났다. 조사대상 근린공원의 유효 이용권을 1,000m로 설정하여 변형 중력모델에 의해 이용수요를 예측한 결과 기린봉 근린공원은 4,500명/일, 완산칠봉 근린공원은 3,159명/일, 황방산 근린공원은 2,961명/일이었다. 전체 유효 이용수요는 기린봉 근린공원이 가장 많이 나타났으나, 면적대비 유효이용수요는 완산칠봉 근린공원이 가장 높게 나타났다.

본 연구는 도로 노면결빙 판정 알고리즘에 대해 알고리즘을 개선하고 실제 현장 측정 자료와 알고리즘 예측값을 비교하였을 때 알고리즘에 대한 적중률을 분석하였다. 분석을 위하여 포천시 신북면 금 동리의 도로 및 기상을 측정하였다. 알고리즘은 기존 도로 결빙 알고리즘을 선정하여 실제 결빙 조건 및 측정 수치에 맞춰 4차 알고리즘까지 개선하였다. 최종적으로 응결에 의한 결빙, 강수에 의한 결빙, 적설에 의한 결빙, 결빙상태의 지속, 풍속에 의한 결빙 5개의 알고리즘을 제작하였다. 포천 현장에서 알고리즘을 활용하여 예측할 경우 경우 결빙 적중률이 93.22%까지 개선되었다. 결빙 알고리즘에 대한 조합 비율에 대 해 도출하였을 때 응결에 의한 결빙과 결빙상태의 지속에 대한 알고리즘이 96%를 차지하였다.

본 연구는 머신러닝 기법을 토대로 15개 환경 변수를 활용하여 소나무재선충병의 위험지역 분포를 예측하였다. 연구는 최대 엔트로피 모델을 머신러닝 기법으로 활용하였고, 연구 지역은 경주이며 연구 기간은 2018∼2020년이다. 모델의 평가에는 AUC(area under the curve)를 이용하였다. 연구 지역에서 소나무재선충병의 감염목 핵심 분포 지역은 2018년 대비 2019년과 2020년에 각각 2.5배와 4.7배 확대되었다. 소나무재선충병의 감염목 분포 추정 모델의 AUC는 모든 해에 최소 0.86 이상이었다. 모델에서 가장 중요한 변수는 직전 해의 감염목 근접도 이었다. 지형과 도로와의 인접성, 목조건물 인접성, 5월 평균 기온도 중요한 변수이었다. 인간 활동과 매개충의 생장 환경이 소나무재선충병의 공간적 분포에 중요한 역할을 한다는 것을 의미한다. 나아가 연구의 결과는 감염목 분포 정보의 지속적인 구축과 공유가 소나무재선충병 예방을 위한 정책과 연구에 중요하다는 것을 시사한다.

This article suggests the machine learning model, i.e., classifier, for predicting the production quality of free-machining 303-series stainless steel(STS303) small rolling wire rods according to the operating condition of the manufacturing process. For the development of the classifier, manufacturing data for 37 operating variables were collected from the manufacturing execution system(MES) of Company S, and the 12 types of derived variables were generated based on literature review and interviews with field experts. This research was performed with data preprocessing, exploratory data analysis, feature selection, machine learning modeling, and the evaluation of alternative models. In the preprocessing stage, missing values and outliers are removed, and oversampling using SMOTE(Synthetic oversampling technique) to resolve data imbalance. Features are selected by variable importance of LASSO(Least absolute shrinkage and selection operator) regression, extreme gradient boosting(XGBoost), and random forest models. Finally, logistic regression, support vector machine(SVM), random forest, and XGBoost are developed as a classifier to predict the adequate or defective products with new operating conditions. The optimal hyper-parameters for each model are investigated by the grid search and random search methods based on k-fold cross-validation. As a result of the experiment, XGBoost showed relatively high predictive performance compared to other models with an accuracy of 0.9929, specificity of 0.9372, F1-score of 0.9963, and logarithmic loss of 0.0209. The classifier developed in this study is expected to improve productivity by enabling effective management of the manufacturing process for the STS303 small rolling wire rods.

Algal bloom is an ongoing issue in the management of freshwater systems for drinking water supply, and the chlorophyll-a concentration is commonly used to represent the status of algal bloom. Thus, the prediction of chlorophyll-a concentration is essential for the proper management of water quality. However, the chlorophyll-a concentration is affected by various water quality and environmental factors, so the prediction of its concentration is not an easy task. In recent years, many advanced machine learning algorithms have increasingly been used for the development of surrogate models to prediction the chlorophyll-a concentration in freshwater systems such as rivers or reservoirs. This study used a light gradient boosting machine(LightGBM), a gradient boosting decision tree algorithm, to develop an ensemble machine learning model to predict chlorophyll-a concentration. The field water quality data observed at Daecheong Lake, obtained from the real-time water information system in Korea, were used for the development of the model. The data include temperature, pH, electric conductivity, dissolved oxygen, total organic carbon, total nitrogen, total phosphorus, and chlorophyll-a. First, a LightGBM model was developed to predict the chlorophyll-a concentration by using the other seven items as independent input variables. Second, the time-lagged values of all the input variables were added as input variables to understand the effect of time lag of input variables on model performance. The time lag (i) ranges from 1 to 50 days. The model performance was evaluated using three indices, root mean squared error-observation standard deviation ration (RSR), Nash-Sutcliffe coefficient of efficiency (NSE) and mean absolute error (MAE). The model showed the best performance by adding a dataset with a one-day time lag (i=1) where RSR, NSE, and MAE were 0.359, 0.871 and 1.510, respectively. The improvement of model performance was observed when a dataset with a time lag up of about 15 days (i=15) was added.

Recently, traffic accidents have continued to occur due to the failure to secure a safe distance for trucks. Unlike passenger cars, freight cars have a large fluctuation in the weight of the vehicle's shaft depending on the load, and the fatality of accidents and the possibility of accidents are high. In this study, a braking distance prediction model according to the driving speed and loading weight of a three-axis truck was implemented to prevent a forward collision accident. Learning data was generated based on simulation, and a prediction model based on machine learning was implemented to finally verify accuracy. The extra trees algorithm was selected based on the most frequently used R2 Score among regression analyses, and the accuracy of the braking distance prediction model was 98.065% through 10 random scenarios.