• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2004년도 학술발표회
• /
• pp.1280-1284
• /
• 2004

본 논문에서는 월 댐유입량을 예측하는데 있어서 뉴로-퍼지 시스템의 적용성을 검토하였다. 뉴로-퍼지 알고리즘으로 퍼지이론과 신경망이론의 결합형태인 ANFIS(Adaptive Neuro-Fuzzy Inference System)를 이용하여 모형을 구성하였다. ANFIS의 공간분야에 의한 제어규칙의 선정에 있어 퍼지변수가 증가함에 따라 제어규칙이 기하급수적으로 증가하는 단점을 해결하기 위해 퍼지 클러스터링(Fuzzy flustering)방법 중 하나인 차감 클러스터링(Subtractive Clustering)을 사용하였다. 또한 본 연구에서는 기후인자들을 인력으로 하여 모형을 구성하였으며 각각 학습기간과 검정기간으로 나누어 학습기간에는 모형의 매개변수 최적화를, 검정기간에는 최적화된 모형의 매개변수를 검정하는 순으로 연구를 수행하였다. 예측 길과, ANFIS는 댐유입량 예측시 입력자료의 종류가 많아질수록 예측능력 더욱 정확한 것으로 판단된다.

• 대한기계학회논문집A
• /
• 제27권4호
• /
• pp.585-592
• /
• 2003

Among various sensitivity evaluation techniques, semi-analytical method(SAM) is quite popular since this method is more advantageous than analytical method(AM) and global finite difference method(FDM). However, SAM reveals severe inaccuracy problem when relatively large rigid body motions are identified fur individual elements. Such errors result from the numerical differentiation of the pseudo load vector calculated by the finite difference scheme. In the present study, an iterative method combined with mode decomposition technique is proposed to compute reliable semi-analytical design sensitivities. The improvement of design sensitivities corresponding to the rigid body mode is evaluated by exact differentiation of the rigid body modes and the error of SAM caused by numerical difference scheme is alleviated by using a Von Neumann series approximation considering the higher order terms for the sensitivity derivatives.

• 대한기계학회논문집A
• /
• 제27권4호
• /
• pp.593-600
• /
• 2003

Structural optimization often requires the evaluation of design sensitivities. The Semi Analytic Method(SAM) fur computing sensitivity is popular in shape optimization because this method has several advantages. But when relatively large rigid body motions are identified for individual elements. the SAM shows severe inaccuracy. In this study, the improvement of design sensitivities corresponding to the rigid body mode is evaluated by exact differentiation of the rigid body modes. Moreover. the error of the SAM caused by numerical difference scheme is alleviated by using a series approximation for the sensitivity derivatives and considering the higher order terms. Finally the present study shows that the refined SAM including the iterative method improves the results of sensitivity analysis in dynamic problems.

• 한국강구조학회 논문집
• /
• 제9권3호통권32호
• /
• pp.333-340
• /
• 1997

본 연구에서는 복합재료로 구성된 복합적층판 및 쉘에 대하여 3차 전단 변형이론을 이용한 변위를 가정하여 단순지지 경계조건을 만족하는 변위형상함수를 퓨리예급수로 전개하고 동적 평형 방정식을 유도하여 뉴마크의 수치적분법을 사용하여 단면특성계수, 재료의 특성, 층의 배열에 따른 복합적층판 및 쉘의 비감쇄 동적응답특성을 연구하였다.

• 정보과학회 논문지
• /
• 제42권12호
• /
• pp.1561-1567
• /
• 2015

준지도 학습은 기계 학습의 한 분야로서, 레이블된 데이터와 레이블되지 않은 데이터 모두를 사용하여 모델을 학습함으로써 지도 학습에 비해 예측 정확도를 높일 수 있다. 최근 각광받고 있는 그래프 기반 준지도 학습은 입력 데이터를 그래프의 형태로 변환하는 그래프 구축 단계와 이를 사용하여 레이블되지 않은 데이터의 레이블을 예측하는 레이블 추론 단계로 나뉜다. 이 추론은 준지도 학습에서의 평활도 가정을 기본으로 한다. 본 연구에서는 추가로 각 꼭지점 중요도를 결합함으로써 개선된 레이블 추론 알고리즘을 제안한다. 이와 함께 알고리즘의 수렴성을 증명하고, 또한 실험을 통해 알고리즘의 우수성을 검증하였다.

• 한국수자원학회논문집
• /
• 제37권6호
• /
• pp.449-460
• /
• 2004

본 논문에서는 월 댐유입량을 예측하는데 있어서 기상예보정보를 활용한 뉴로-퍼지 시스템의 적용성을 검토하였다. 뉴로-퍼지 알고리즘으로 퍼지이론과 신경망이론의 결합형태인 ANFIS(Adaptive Neuro-Fuzzy Inference System)을 이용하여 모형을 구성하였다. ANFIS의 공간분할에 의한 제어규칙의 선정에 있어 퍼지변수가 증가함에 따라 제어규칙이 기하급수적으로 증가하는 단점을 해결하기 위해 퍼지 클러스터링(Fuzzy Clustering)방법 중 하나인 차감 클러스터링(Subtractive Clustering)을 사용하였다. 또한 본 연구에서는 정성적인 기상예보정보를 정량화 시키는 방법을 제안하였다. AMFIS를 이용하여 월 댐유입량 예측 시, 관측자료만으로 구성된 모형에 의한 예측결과와 관측자료에 기상예보정보를 더하여 구성된 모형에 의한 예측결과를 비교하였다. 그 결과 ANFIS는 기상예보정보를 활용하여 댐유입량을 예측했을 때가 관측자료만으로 예측했을 때보다 예측능력이 더욱 정확함을 보였다.

• 상하수도학회지
• /
• 제19권4호
• /
• pp.395-403
• /
• 2005

It is very important to forecast water supply for reasonal operation and management of water utilities. In this paper, water supply forecasting models using artificial intelligence are developed. Artificial intelligence models shows better results by using Temperature(t), water supply discharge (t-1) and water supply discharge (t-2), which are expressed by neural network(LMNNWS; Levenberg-Marquardt Neural Network for Water Supply, MDNNWS; MoDular Neural Network for Water Supply) and neuro fuzzy(ANASWS; Adaptive Neuro-Fuzzy Inference Systems for Water Supply). ANFISWS model which is applied for water supply forecasting shows stable application to the variable water supply data. As results, MDNNWS model shows the highest overall accuracy among proposed water supply forecasting models and the lowest estimation error with the order of ANFISWS, LMNNWS model.

• 환경영향평가
• /
• 제14권4호
• /
• pp.157-164
• /
• 2005

Existing models that predict of Daily water supply include statistical models and neural network model. The neural network model was more effective than the statistical models. Only neural network model, which predict of Daily water supply, is focused on estimation of the operational control. Neural network model takes long learning time and gets into local minimum. This study proposes Neuro Genetic hybrid model which a combination of genetic algorithm and neural network. Hybrid model makes up for neural network's shortcomings. In this study, the amount of supply, the mean temperature and the population of the area supplied with water are use for neural network's learning patterns for prediction. RMSE(Root Mean Square Error) is used for a MOE(Measure Of Effectiveness). The comparison of the two models showed that the predicting capability of Hybrid model is more effective than that of neural network model. The proposed hybrid model is able to predict of Daily water, thus it can apply real time estimation of operational control of water works and water drain pipes. Proposed models include accidental cases such as a suspension of water supply. The maximum error rate between the estimation of the model and the actual measurement was 11.81% and the average error was lower than 1.76%. The model is expected to be a real-time estimation of the operational control of water works and water/drain pipes.