• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.100-100
• /
• 2023

단기 강우 예측에는 주로 물리과정 기반 수치예보모델(NWPs, Numerical Prediction Models) 과 레이더 기반 확률론적 방법이 사용되어 왔으며, 최근에는 머신러닝을 이용한 레이더 기반 강우예측 모델이 단기 강우 예측에 뛰어난 성능을 보이는 것을 확인하여 관련 연구가 활발히 진행되고 있다. 하지만 머신러닝 기반 모델은 예측 선행시간 증가 시 성능이 크게 저하되며, 또한 대기의 물리적 과정을 고려하지 않는 Black-box 모델이라는 한계점이 존재한다. 본 연구에서는 이러한 한계를 극복하기 위해 머신러닝 기반 blending 기법을 통해 물리과정 기반 수치예보모델인 Weather Research and Forecasting (WRF)와 최신 머신러닝 기법 (cGAN, conditional Generative Adversarial Network) 기반 모델을 결합한 Hybrid 강우예측모델을 개발하고자 하였다. cGAN 기반 모델 개발을 위해 1시간 단위 1km 공간해상도의 레이더 반사도, WRF 모델로부터 산출된 기상 자료(온도, 풍속 등), 유역관련 정보(DEM, 토지피복 등)를 입력 자료로 사용하여 모델을 학습하였으며, 모델을 통해 물리 정보 및 머신러닝 기반 강우 예측을 생성하였다. 이렇게 생성된cGAN 기반 모델 결과와 WRF 예측 결과를 결합하는 머신러닝 기반 blending 기법을 통해Hybrid 강우예측 결과를 최종적으로 도출하였다. 본 연구에서는 Hybrid 강우예측 모델의 성능을 평가하기 위해 수도권 및 안동댐 유역에서 발생한 호우 사례를 기반으로 최대 선행시간 6시간까지 모델 예측 결과를 분석하였다. 이를 통해 물리과정 기반 모델과 머신러닝 기반 모델을 결합하는 Hybrid 기법을 적용하여 높은 정확도와 신뢰도를 가지는 고해상도 강수 예측 자료를 생성할 수 있음을 확인하였다.

• Journal of Korean Society for Atmospheric Environment
• /
• v.11 no.1
• /
• pp.29-36
• /
• 1995

대기오염 물질의 대기중 거동을 이해하고 예측하기 위하여 여러 가지 대기질 모델이 사용되고 있다. 대기질 모델은 물리적인 모델과 수학적인 모델로 나눌 수 있다(U.S. Environmental Protection Agenc, 1986). 물리적인 모델은 풍동, 수조 등을 이용하여 실제 대기오염 시스템을 축소한 모형을 만들어서 대기오염 물질의 농도 분포를 측정하는 모델이다. 물리적 모델은 대기오염을 가시화 할 수 있다는 큰 장점이 있으나 대기의 난류현상을 재현하는데 제약이 있고 대기오염 물질의 중, 장거리 이동을 예측하는 데는 한계가 있다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.88-88
• /
• 2021

최근 수자원과 수질관리 분야에 자료기반 머신러닝 모델과 딥러닝 모델의 활용이 급증하고 있다. 그러나 딥러닝 모델은 Blackbox 모델의 특성상 고전적인 질량, 운동량, 에너지 보존법칙을 고려하지 않고, 데이터에 내재된 패턴과 관계를 해석하기 때문에 물리적 법칙을 만족하지 않는 예측결과를 가져올 수 있다. 또한, 딥러닝 모델의 예측 성능은 학습데이터의 양과 변수 선정에 크게 영향을 받는 모델이기 때문에 양질의 데이터가 제공되지 않으면 모델의 bias와 variation이 클 수 있으며 정확도 높은 예측이 어렵다. 최근 이러한 자료기반 모델링 방법의 단점을 보완하기 위해 프로세스 기반 수치모델과 딥러닝 모델을 결합하여 두 모델링 방법의 장점을 활용하는 연구가 활발히 진행되고 있다(Read et al., 2019). Process-Guided Deep Learning (PGDL) 방법은 물리적 법칙을 반영하여 딥러닝 모델을 훈련시킴으로써 순수한 딥러닝 모델의 물리적 법칙 결여성 문제를 해결할 수 있는 대안으로 활용되고 있다. PGDL 모델은 딥러닝 모델에 물리적인 법칙을 해석할 수 있는 추가변수를 도입하며, 딥러닝 모델의 매개변수 최적화 과정에서 Cost 함수에 물리적 법칙을 위반하는 경우 Penalty를 추가하는 알고리즘을 도입하여 물리적 보존법칙을 만족하도록 모델을 훈련시킨다. 본 연구의 목적은 대청호의 수심별 수온을 예측하기 위해 역학적 모델과 딥러닝 모델을 융합한 PGDL 모델을 개발하고 적용성을 평가하는데 있다. 역학적 모델은 2차원 횡방향 평균 수리·수질 모델인 CE-QUAL-W2을 사용하였으며, 대청호를 대상으로 2017년부터 2018년까지 총 2년간 수온과 에너지 수지를 모의하였다. 기상(기온, 이슬점온도, 풍향, 풍속, 운량), 수문(저수위, 유입·유출 유량), 수온자료를 수집하여 CE-QUAL-W2 모델을 구축하고 보정하였으며, 모델은 저수위 변화, 수온의 수심별 시계열 변동 특성을 적절하게 재현하였다. 또한, 동일기간 대청호 수심별 수온 예측을 위한 순환 신경망 모델인 LSTM(Long Short-Term Memory)을 개발하였으며, 종속변수는 수온계 체인을 통해 수집한 수심별 고빈도 수온 자료를 사용하고 독립 변수는 기온, 풍속, 상대습도, 강수량, 단파복사에너지, 장파복사에너지를 사용하였다. LSTM 모델의 매개변수 최적화는 지도학습을 통해 예측값과 실측값의 RMSE가 최소화 되로록 훈련하였다. PGDL 모델은 동일 기간 LSTM 모델과 동일 입력 자료를 사용하여 구축하였으며, 역학적 모델에서 얻은 에너지 수지를 만족하지 않는 경우 Cost Function에 Penalty를 추가하여 물리적 보존법칙을 만족하도록 훈련하고 수심별 수온 예측결과를 비교·분석하였다.

• Proceedings of the Korean Nuclear Society Conference
• /
• 1997.05a
• /
• pp.159-165
• /
• 1997

영광 3호기에서 발생한 부하탈락으로 인만 과도현상 때의 운전 데이터를 이용하여 전체의 운전 영역에서 잘 맞는 증기 발생기의 모델을 개발하였다. 모델링 기법으로는 유전자 알고리즘이 사용되었으며, 모델은 물리변수(물리적 의미를 갖는 변수)를 갖는 함수들로 구성하였다. 과도현상시의 데이터를 이용하여 증기발생기의 시변 특성을 직접 추정하기 위해 일부 물리변수를 급수온도에 대해 비선형으로 정의하였다. 잘 알려져 있는 실측 데이터를 사용하는 모델링 기법들은 선형 시불변 계에서만 적용이 가능하여 증기발생기와 같이 강한 시변 특성을 보이는 계의 모델링에 과도현상 때의 데이터를 적용할 수 없다. 물리변수를 직접 추정하면 물리적 원칙에 의해 값의 범위가 주어지며 운전 경험 또는 개략적인 데이터의 분석에 의해 예상되는 값의 범위를 비교적 작게 정할 수 있으므로 유전자 알고리즘의 적용에 유리하다. 얻어진 모델은 영광 3호기 운전원 훈련용 시뮬레이터와 발전소 설계 자료에 의해 검증되었다. 이 모델은 제어기의 설계 및 조정과 증기유량 측정 계열의 비선형 교정에도 사용될 수 있다.

• Journal of Power System Engineering
• /
• v.15 no.4
• /
• pp.65-74
• /
• 2011

이 논문은 비선형 시스템에 대해 bilinear 강인제어기를 설계하는 새로운 방법을 제시한다. 이 설계방법은 골칫거리인 비선형 영향을 나타내는 무거운 질량을 가지고 진동하는 시스템을 제어하기 위한 새로운 대안이고 진전된 방법이다. 이 설계 과정에, hydrostatic 구동기로 구동되는 킬(용골)이 주어진다. 첫 단계로 킬은 물리적으로 여러 한정된 질량으로 모델화된다. 물리적 모델에 근거한 수학적인 모델을 유도하는 방법은 해밀턴 원리를 적용한 유한요소법을 사용하였다. 즉, 수학적 모델은 여러 서브시스템으로 구성된다. 이것은 주어진 물리적인 시스템에 대해 기준이 되는 시스템이다. 회전하는 구동기에 대한 물리적 모델에 근거하여, 과도 거동은 구동기의 베어링에서 측정되는 운동 현상으로부터 유도된다. 물리적인 시스템은 bilinear 시스템으로 구성하였다. 이 시스템에 근거하여, 요트 킬의 거동을 제어하도록 bilinear 관측기를 설계한다. 구동기의 속도, 토크, 밸브에서의 유량 등이 관측기를 구성하는데 필요한 데이터들이다. 시뮬레이션 결과에 의하면 비선형성에 대한 추정과 보상을 통하여 무거운 질량을 갖는 회전축에 대한 위치와 힘을 제어하는 설계에 유용한 접근법임이 증명되었다.

• Journal of the Korean Geophysical Society
• /
• v.4 no.3
• /
• pp.219-226
• /
• 2001

본 연구에서는 주기적인 하중하에서의 철근콘크리트 기둥의 이력응답거동을 예측할 수 있는 해석적인 모델의 개발을 다루고 있다. 철근콘크리트 기둥의 비탄성 휨, 전단 및 휨-전단 변형은 개발된 모델을 통하여 주기적인 변위하에서 검토되었다. 개발된 모델들을 포함한 해석치와 실험치와의 비교분석을 통하여 본 연구에서 개발된 모델들의 검증을 실시하였고, 이 비교분석을 통하여 휨-전단간의 상호작용의 중요성을 강조하였으며, 본 연구에서 개발된 모델들의 정확성, 효율성 및 타당성을 입증하였다.

• Journal of Radiation Protection and Research
• /
• v.35 no.3
• /
• pp.124-134
• /
• 2010

The Geant4 simulation toolkit provides improved or renewed physics model according to the version. The latest Geant4.9.3 which has been recoded by developers applies inserted Livermore data and renewed physics model to the low energy electromagnetic physics model. And also, Geant4.9.3 improved the physics factors by modified code. In this study, the stopping power and CSDA(Continuously Slowing Down Approximation) range data of electron or particles were acquired in various material and then, these data were compared with NIST(National Institute of Standards and Technology) data. Through comparison between data of Geant4 simulation and NIST, the improvement of physics model on low energy electromagnetic of Geant4.9.3 was evaluated by comparing the Geant4.9.2.

• Journal of the Computational Structural Engineering Institute of Korea
• /
• v.25 no.4
• /
• pp.355-362
• /
• 2012

Remaining useful life(RUL) prediction of a system is important in the prognostics field since it is directly linked with safety and maintenance scheduling. In the physics-based prognostics, accurately estimated model parameters can predict the remaining useful life exactly. It, however, is not a simple task to estimate the model parameters because most real system have multivariate model parameters, also they are correlated each other. This paper presents representative methods to estimate model parameters in the physics-based prognostics and discusses the difference between three methods; the particle filter method(PF), the overall Bayesian method(OBM), and the sequential Bayesian method(SBM). The three methods are based on the same theoretical background, the Bayesian estimation technique, but the methods are distinguished from each other in the sampling methods or uncertainty analysis process. Therefore, a simple physical model as an easy task and the Paris model for crack growth problem are used to discuss the difference between the three methods, and the performance of each method evaluated by using established prognostics metrics is compared.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.66-66
• /
• 2023

대규모 댐의 운영으로 인한 인위적인 유량 교란은 물리 기반 수문모형의 정확한 하천유량 모의를 어렵게 만든다. 이러한 한계를 극복하기 위해, 상류의 자연형 유역 모의를 위한 물리 기반 수문모형 Variable Infiltration Capacity model과 댐 운영 모의를 위한 딥러닝 기반 모델을 결합한 하이브리드 모델링 프레임워크를 개발하였다. 본 연구는 수도권의 주요 상수원이자 대규모 댐들이 존재하는 팔당댐 유역을 대상으로, 물리 기반 수문모형만을 기반으로 구축한 단일 및 계단식 구조의 모델과 하이브리드 모델의 예측 성능을 비교하였다. 2015년부터 2019년까지의 검증 기간 동안, 하이브리드 모델, 단일 및 계단식 구조 모델의 Nash-Sutcliffe Efficiency는 각각 0.6410, -0.1054 그리고 0.2564로 하이브리드 모델의 성능이 가장 높은 것으로 나타났다. 이는 머신러닝 알고리즘을 이용한 댐 운영 고려가 정확한 하천유량 평가를 위해서 필수적임을 시사한다. 이러한 결과는 수자원 관리, 홍수 예측 등 다양한 분야에서 활용될 수 있으며, 특히 미래의 지속 가능한 물 관리를 위해 실무자에게 정확한 자료를 제공하는 데 기여할 수 있다.

• Journal of the Korean Geophysical Society
• /
• v.4 no.1
• /
• pp.35-46
• /
• 2001

한반도 중부에 위치한 대전 지진관측소(TJN) 하부의 세부 지각구조를 밝혀내기 위하여 수신함수를 이용한 선형화된 역산(linearized inversion) 방법을 적용하였다. 본 방법의 비단일해(nonuniqueness)와 초기 모델 의존성의 문제를 해결하기 위해 근사 초기 속도 모델로부터 72개의 서로 다른 초기 모델을 구하여 역산을 수행한 후 결과모델들의 평균 속도 모델을 제시하는 방법을 사용하였다. 역산 결과 총 72개의 모델 중 뚜렷한 지각-맨틀 경계를 보이는 43개의 모델만이 조건에 만족하는 결과를 나타내었다. 모든 모델에서 속도 구조는 전체적으로 깊이에 따라 속도의 불연속면이나 급격한 증가없이 연속적인 변화를 하며, 모호면의 깊이는 30～32.5 km의 범위로 나타났다. 평균적인 하부 지각의 속도는 6.5 km/s, 상부 맨틀의 속도는 7.8 km/s로 뚜렷한 속도 변화를 보였다. 결과 모델 군은 중부지각(mid-crust)에서의 속도를 기준으로 약한 저속도층을 나타내는 군과 상대적으로 일정한 속도를 가지는 군으로 구분되었다. 단지 지진파형의 비교만으로 두 모델군 중 합당한 모델군의 선택은 불가능하였다. 따라서 수신 함수를 이용하여 연구 지역의 신뢰할 만한 지각 구조를 구하기 위해서는 그 지역에 대한 지질학적, 지구물리학적 추가정보와의 동반 해석이 요구된다.