본 논문은 단일 변수 합성 방정식 F(x)=c의 근 후보 생성 및 검증을 위해 대형언어모델(Large Language Model, LLM) 기반 수식 인터페이스, 학습 기반 분기 후보 생성, SciPy 기반 수치해석 보정을 결합한 하이브리드 계산 파이프라인을 제안한다. 제안 시스템에서 LLM은 수치 계산을 직접 수행하지 않고, 사용자의 자연어 질의를 방정식 텍스트, 함수 체인, 상수항, 탐색 구간으로 구조화하는 인터페이스 역할을 담당한다. 실제 근 후보 생성은 구간 예측기와 함수별 학습 모델이 수행하며, 최종 잔차 보정은 SciPy 기반 수치해석 모듈을 통해 수행된다. 이후 SciPy 기반 최소제곱 보정을 적용하여 잔차를 줄이고, LLM을 다시 사용해 선택된 근과 잔차 정보를 사용자 친화적으로 설명한다. [-6π, 6π] 범위에서 생성한 7,000개의 합성 테스트 방정식에 대한 실험 결과, 학습 모델을 단독 풀이기로 사용하는 방식보다 최소제곱 보정을 결합한 방식이 잔차 성공률과 평균 잔차를 개선하였다. 다만 제안 방법은 기존 수치해석 풀이기를 대체하기 위한 범용 해법이 아니라, 자연어 입력 처리, 후보 생성, 잔차 검증, 결과 설명을 통합한 계산 지원 시스템으로 해석되어야 한다. 본 연구는 기존 수치해석 풀이기를 대체하기보다 자연어 수식 처리, 후보 제시, 잔차 검증, 결과 설명을 통합한 산업정보 시스템형 계산 파이프라인을 제시한다.

본 연구는 딸기 스마트온실에서 인공지능 환경제어의 현장 적용 가능성을 평가하기 위해 전문가 제어 온실과 인공지능 제어 온실의 내부온도 유지 특성, 예측 내부온도와 실측 내부온도의 일치도 및 생육 변화를 분석했다. 실험은 동일한 외부 기상 조건을 공유하는 동일 규격의 테스트베드 스마트온실 2동에서 수행하였으며, 딸기 '설향'을 2025년 9월 22일에 정식했다. 한 온실은 재배 전문가가 환기·난방 설정값을 조정하였고, 다른 온실은 2018년부터 2021년까지 수집된 딸기 선도농가 자료로 학습한 LSTM 모델을 상용 제어 프로그램과 연계하여 1분 단위로 제어했다. 전체 실증기간 동안 인공지능 제어 온실의 일평균 내부온도는 전문가 제어 온실보다 0.33℃ 높았다. 인공지능 제어 로그에서 예측 내부온도와 실측 내부온도의 MAE는 0.65℃, RMSE는 1.25℃, R²는 0.959로 나타났다. 2026년 4월 초에는 일시적인 불안정 구간이 확인되었다. 이후 학습 자료를 정제하고 모델을 재학습하여 적용한 2026년 4월 13-30일 구간에서는 MAE 0.31℃, RMSE 0.59℃, R² 0.989로 나타났으며, 재학습 이전 구간보다 예측-실측 오차가 감소하였다. 생육 조사에서는 초장, 엽장, 엽폭 및 엽병장이 전반적으로 전문가 제어 온실에서 다소 높게 나타났으나, 두 온실의 생육 변화방향은 대체로 유사하였다. 이상의 결과는 본 실증 조건에서 인공지능 환경제어가 전문가 제어와 유사한 내부온도 환경을 형성할 수 있으며, 현장 적용과정에서 운영 로그를 이용한 지속적인 성능 확인과 학습자료 관리가 중요함을 보여준다.

반지하 공간은 침수 발생 시 대피 시간이 제한될 수 있어 침수 위험을 사전에 예측하고 대응 시간을 확보할 필요가 있다. 본 연구에서는 실시간 맨홀 수위 데이터를 기반으로 10분, 20분 및 30분 후의 수위를 예측하고, 예측 결과를 위험 등급 분류와 사용자 알림 기능에 연계한 도심지 침수 위험 예측 서비스를 구축하였다. 다양한 강우 조건의 학습 데이터를 확보하기 위해 서울특별시 광진구 긴고랑로 일대의 하수 관망을 대상으로 SWMM 기반 맨홀 수위 시계열 데이터를 생성하고, IETD 6시간을 기준으로 독립 강우 사상을 구분하여 예측 시퀀스를 구성하였다. RNN, LSTM, GRU 및 LSTM+Attention 모델을 적용한 결과, SWMM 테스트 데이터에서는 모든 모델이 높은 예측 성능을 보였다. 또한 2025년 실제 수위 센서 데이터의 61개 강우 사상과 44,485개 시퀀스를 이용한 검증에서도 네 모델 모두 높은 예측 성능을 유지하였으며, 예측 시점에 따라 모델별 성능 차이가 나타났다. 예측 수위는 600 mm 기준 관경을 바탕으로 Safe, Caution, Warning 및 Critical의 4단계 위험 등급으로 분류하고, 지도 기반 대시보드와 카카오톡 알림 기능에 연계하였다. 이를 통해 SWMM 기반 데이터 생성, 맨홀 수위 예측, 실제 센서 검증 및 위험정보 제공을 하나의 서비스 체계로 구성하였다.

전기자동차(EV) 시장이 지속적으로 성장함에 따라 리튬이온 배터리의 안전성을 보장하는 것은 매우 중요한 과제이다. 실제 운행 환경에서 발생하는 배터리 데이터의 비선형성과 레이블 부족으로 지도 학습 적용에 한계가 있다. 본 연구는 이를 해결하기 위해 물리적 인과관계를 반영한 비지도 학습 프레임워크 V-AtteN(Variational Attention Network)을 제안한다. VAE 구조를 기반으로 BMS 계측 신호 간 정상 동특성을 학습하도록 설계하였으며, 전류·SOC를 조건부 입력으로, 전압·온도를 재구성 대상으로 사용하였다. 특히 디코더에 다중 헤드 어텐션(Multi-head Attention)을 통합해 정보 병목을 해소하고 급속 충전 등 주요 구간의 정밀도를 극대화했다. 347대의 실제 EV 데이터 실험 결과, 제안 모델은 DyAD 및 AE 대비 우수한 탐지 성능과 도메인 일반화 능력을 입증했다. 이는 물리 기반 메커니즘과 어텐션의 결합이 실시간 BMS 고장 감시의 신뢰성을 높일 수 있음을 시사한다.

최근 UAV(Unmanned Aerial Vehicle)를 활용한 감시 시스템은 높은 이동성과 넓은 감시 범위를 바탕으로 다양한 분야에서 활용되고 있다. UAV의 안정적인 운영을 위해서는 충전, 유지보수 및 운영 제어 기능을 수행할 수 있는 지원시설의 구축이 필수적이다. 그러나 실제 운영 환경에서는 시설 고장과 같은 불확실성이 발생할 수 있으며, 이는 UAV의 운용 불능 및 감시 공백으로 이어질 수 있다. 본 연구에서는 시설 고장 불확실성을 고려한 강건 UAV 지원시설 입지 결정 문제를 다룬다. 주어진 후보 시설 위치 중 일부를 선택하여 UAV 지원시설을 설치하며, 각 시설은 사전에 정의된 감시 범위 내의 노드들을 감지할 수 있다. 반면 감시되지 못한 노드에 대해서는 추가 감지 작업에 따른 penalty 비용이 발생한다. 시설 고장 불확실성을 반영하기 위해 불확실성 예산(Uncertainty budget) 기반의 강건 최적화 모형을 제안하였으며, 시설 설치 비용, UAV 운영 비용, 그리고 시설 고장으로 인해 발생하는 미감지 노드에 대한 페널티(Penalty) 비용을 동시에 고려하였다. 제안된 문제는 높은 계산 복잡도를 갖는 조합 최적화 문제이므로, 효율적인 문제 해결을 위해 가변 이웃 탐색(Variable neighborhood search) 기반의 휴리스틱 알고리즘을 개발하였다. 제안된 방법론이 시설 고장 불확실성을 고려한 UAV 감시 인프라 설계를 위한 효과적이고 효율적인 의사결정 지원 도구로 활용될 수 있음을 수치 실험을 통해 제시한다.

본 연구는 한국거래소에 상장된 기업들이 주기적으로 공시하는 사업보고서를 수집하여 재무정보를 추출하는 시스템을 구축하고자 하였다. 사업보고서의 재무제표 주석에 나타나는 계정과목과 수치값 정보를 자동으로 추출하기 위하여 하이브리드-검색증강생성(Hybrid-RAG) 시스템을 개발하였다. 구축된 시스템은 밀집 및 희소 검색기법과 구조요소 기반의 청킹전략을 결합하고, 표 데이터와 텍스트 데이터를 분리하여 검색하도록 설계되었다. 또한 검색의 정확도를 향상시키고 대규모 언어 모델의 환각현상을 감소시키기 위하여 패널티 스코어링과 규칙기반 평가를 적용하였다. 실험의 결과에 따르면, 일부 계정과목에서 높은 추출 정확도를 나타내었고, 표현의 다양성과 문맥적 복잡성이 높은 항목에서는 추출 성능에 있어서 편차가 나타났다. 연구의 결과는 사업보고서와 같은 비정형 문서로부터 정보를 추출하는 데 있어서 Hybrid-RAG 시스템의 활용 가능성을 보여준다.

본 연구는 소량 다품종(HMLV) 생산 공정에서 작업 기능 전환과 비정형 작업물 파지에 대응하기 위해 협동로봇 기반 KIT형 툴체인지 시스템과 소프트 그리퍼를 통합 적용하고, 공정 효율성과 경제성을 실증 분석하였다. KIT형 툴체인저는 두 대의 CNC 공작기계에 적용하여 작업 전환 비가동시간 절감 효과를 측정하였고, 소프트 그리퍼는 비정형 물체 100개를 대상으로 파지 성능을 평가하였다. 실험 결과, 작업 전환 비가동시간은 기계 1에서 75.94%, 기계 2에서 44.62% 절감되었으며, 소프트 그리퍼의 파지 성공률은 기존 하드 그리퍼 대비 5.56%p 향상된 95.56%로 나타났다. 경제성 분석에서는 두 경제적 효과가 모두 실현되는 시나리오에서 총투자비 16,000,000원 대비 10개월 누적 편익률 41.79%, 순투자수익률 -58.21%, 단순 투자회수기간 약 23.9개월로 추정되었다. 이는 제안 시스템이 HMLV 생산 환경에서 공정 효율성과 경제성을 함께 향상시킬 수 있음을 시사한다.