• 한국수자원학회논문집
• /
• 제57권3호
• /
• pp.151-164
• /
• 2024

상수도 공급을 위한 정수장에서 전염소 또는 중염소 공정이 도입된 수처리 공정의 염소농도 관리에 필요한 공정제어를 위하여 AI 기술을 활용한 수질예측 기법이 연구되고 있다. 본 연구에서는 정수장 수처리 공정에서 실시간으로 관측, 생산되고 있는 수량·수질자료를 이용하여 염소소독 공정제어 자동화를 목적으로 침전지 후단의 잔류염소 농도를 예측하기 위한 AI 기반 예측모형을 개발하였다. AI 기반 예측모형은 과거 수질 관측자료를 학습하여 이후 시점의 수질에 대한 예측이 가능한 기법으로, 복잡한 물리·화학·생물학적 수질모형과 달리 간단하고 효율적이다. 다중회귀 모형과 AI 기반 모형인 랜덤포레스트와 LSTM을 이용하여 정수장의 침전지 후단 잔류염소 농도를 예측하여 비교하였다. 최적의 잔류염소 농도 예측을 위한 AI 모형의 입출력 구조로는 침전지 전단의 잔류염소 농도, 침전지 탁도, pH, 수온, 전기전도도, 원수의 유입량, 알칼리도, NH₃ 등을 독립변수로, 예측하고자 하는 침전지 유출수의 잔류염소 농도를 종속변수로 선정하였다. 독립변수는 침전지 후단의 잔류염소에 영향이 있는 정수장에서 확보가 가능한 관측자료중에서 분석을 통해 선별하였으며, 분석 결과 연구대상 정수장인 정수장에서는 중회귀모형, 신경망모형, 모델트리 및 랜덤포레스트 모형을 비교한 결과 랜덤포레스트에 기반한 모형오차가 가장 낮게 도출되는 결과를 얻을 수 있었다. 본 연구에서 제시하는 침전지 후단의 적정 잔류염소 농도 예측값은 이전 처리단계에서 염소주입량의 실시간 제어가 가능토록 할 수 있어 수처리 효율 향상과 약품비 절감에 도움이 될 것으로 기대된다.

• 한국과학교육학회지
• /
• 제34권5호
• /
• pp.437-447
• /
• 2014

Learning Progressions(학습진행과정, 이하 LP)은 "과학의 핵심 아이디어(core idea) 혹은 과학 활동(scientific practices) 이해 과정을 상대적으로 단순한 체계에서 전문가의 지식체계로 논리적이고, 순차적인 단계로 정교하게 설명한 틀"로서, 한 교과 내 및 다른 과학영역들(물리, 지구과학, 생물, 화학)과 연결하여 연계적 교육과정을 구성하는 이론적 기반을 제공한다. 학습은 개개인의 선지식, 선경험, 교과교육과정, 교육과정 등의 여러 요소에 영향을 받는 복잡한 이해 과정으로, LP 단계를 모든 학생들이 동일하게 이동하지 않는다. 학생과 학습환경의 특성에 따른 이동 가능한 학습경로의 서술을 위해서는 다양한 학생데이터의 수집과 분석이 필요하다. 이러한 과정을 통해서 가설의 LP는 과학적으로 증명된 LP로 규명되며. 비로소 교과과정 개발의 틀(framework)로 역할을 할 수 있다. 본 연구는 미시간 대학 연구팀이 개발한 "물질의 본성(nature of matter)" 주요 개념에서, 하위개념인 "물질의 입자성(particule nature of matter)과 입자적 표상(submicroscophic representation)"의 LP와 관련 평가지를 우리나라 과학교육과정과 연계, 수정하여 개발하였다. 수정된 평가지와 LP는 124명의 중고등학생의 LP 경로 특성을 분석하는데 사용되었다. 학생들의 입자적 개념과 표상의 이해도, 개념과 표상 이해도 연관성을 중점으로 분석하여 관련 과학교육과정과 현장 수업의 문제점과 시사점을 도출하였다. 본 연구결과를 종합해 보면, 높은 레벨 문항의 정답을 고른 빈도수는 낮은 레벨 문항을 모두 정답으로 고른 경우에 높았으며 이는 학생들이 본 연구팀이 개발한 LP 경로로 이해과정을 정교화시킴을 알 수 있다. 하지만, 대부분의 학생들, 특히 고등학생들은 초등학교 수준의 거시적 물질의 본성 개념 LP 단계에 머물고 있으며, 중학교 수준인 미시적 표상 LP 단계에 있다. 입자적 개념과 표상 이해 실패의 주요 원인은 1) 과학적 모델의 본질, 2) 관련 선지식, 3) 미립자 표상의 이해부족으로 정리된다. 본 연구결과는 물질의 입자성과 관련된 개념, 과학활동(특히 모델링)을 증진시키고 개개인 특성에 맞는 맞춤형 학습환경 제공을 위한 학습, 교수, 평가자료 개발에 기여하는 바가 크다. 더 나아가 '물질의 본성'에 대한 LP연구와 과학적 소양 증진에 긍정적 역할을 할 것으로 기대한다.

• Journal of Plant Biotechnology
• /
• 제39권1호
• /
• pp.33-48
• /
• 2012

작물의 구조와 기능을 이해하려는 과학적 탐구심과 이를 작물 육종에 적용하려는 실험적 노력의 일환으로 다양한 작물에서 유전자 지도가 개발되었다. 특히, 배추과 작물의 경우 모델식물인 애기장대의 유전체 정보가 공개된 이후 다양한 정보 (염기서열 정보, 유전자 구조 및 기능정보 등)의 이용이 가능해져 유전자 지도 작성이 가속화 되었으며 이는 최근 $B.$ $rapa$ A genome (배추)유전체 해독이라는 결과를 가져왔다. 배추과 작물의 유전자 지도 작성에 있어서 초기에는 RFLP 마커들이 사용되었으나 이후 분자마커, 즉, RAPD, AFLP, SSR 등과 같이 비교적 사용이 간단하고 시간적 제약이 없는 PCR 마커의 형태로 점차 바뀌었다. 배추과 작물의 경제적, 학문적 가치가 고려되어 $B.$ $rapa$ (배추)를 표준재료로 A genome 유전체 염기서열 해독이라는 목표로 다국적 유전체 프로젝트가 결성되었고 2011년 국내연구진이 주도적으로 참여한 국제 컨소시엄 (BrGSPC, $B.$ $rapa$ Genome Sequencing Project Consortium)에 의해 배추 (10개 염색체)의 유전자 영역(gene space), 약 98% (83.8 Mb)의 염기서열이 해독되어 발표되었다. 유전체 해독 과정에서 축적된 염기서열 정보는 대량의 SSR, SNP, IBP 마커의 개발을 가능하게 하였고 이들 마커는 $B.$ $rapa$ A genome 유전자 지도와 물리 지도 작성에 이용되어 이후 배추과 작물연구 전반에 널리 적용되고 있다. 대량의 분자마커 개발은 유전자 지도 작성을 가속화하여 더욱 정밀한 유전자 지도를 가능하게 하였고 공통의 분자마커 정보는 애기장대와 배추과 작물 간 비교유전체 연구를 통해 농업적 우수 형질의 클로닝, 마커도움선발 (MAS)등의 방법으로 분자육종의 기반을 제공하고 있다. 뿐만 아니라. 최근 등장한 NGS 유전체 해독 기술로 생산된 대량의 정보는 분자육종 실현 가능성을 높여 분자육종 실용화에 박차를 가하는 계기가 되고 있다. 본 논문에서는 $B.$ $rapa$에서 분자마커를 이용한 유전자 지도 개발의 과정과 농업적 유용형질 탐색을 위한 양적 형질 유전자좌 (QTLs)의 연구 현황에 대하여 알아보고 유전체연구에서 유전자 지도의 중요성과 육종에의 응용에 대하여 서술하였다. 또한 다양한 유전체 정보와 오믹스 정보를 국내 배추과 분자육종에 효율적으로 활용하여 분자육종 실용화를 가능하게 하기 위해 사용자가 쉽게 사용할 수 있는 데이터베이스를 구축함으로서 연구자와 육종가 간의 간격을 좁히고 원활한 정보교환의 필요성을 제기하였다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.127-148
• /
• 2020

데이터 센터는 컴퓨터 시스템과 관련 구성요소를 수용하기 위한 물리적 환경시설로, 빅데이터, 인공지능 스마트 공장, 웨어러블, 스마트 홈 등 차세대 핵심 산업의 필수 기반기술이다. 특히, 클라우드 컴퓨팅의 성장으로 데이터 센터 인프라의 비례적 확장은 불가피하다. 이러한 데이터 센터 설비의 상태를 모니터링하는 것은 시스템을 유지, 관리하고 장애를 예방하기 위한 방법이다. 설비를 구성하는 일부 요소에 장애가 발생하는 경우 해당 장비뿐 아니라 연결된 다른 장비에도 영향을 미칠 수 있으며, 막대한 손해를 초래할 수 있다. 특히, IT 시설은 상호의존성에 의해 불규칙하고 원인을 알기 어렵다. 데이터 센터 내 장애를 예측하는 선행연구에서는, 장치들이 혼재된 상황임을 가정하지 않고 단일 서버를 단일 상태로 보고 장애를 예측했다. 이에 본 연구에서는, 서버 내부에서 발생하는 장애(Outage A)와 서버 외부에서 발생하는 장애(Outage B)로 데이터 센터 장애를 구분하고, 서버 내에서 발생하는 복합적인 장애 분석에 중점을 두었다. 서버 외부 장애는 전력, 냉각, 사용자 실수 등인데, 이와 같은 장애는 데이터 센터 설비 구축 초기 단계에서 예방이 가능했기 때문에 다양한 솔루션이 개발되고 있는 상황이다. 반면 서버 내 발생하는 장애는 원인 규명이 어려워 아직까지 적절한 예방이 이뤄지지 못하고 있다. 특히 서버 장애가 단일적으로 발생하지 않고, 다른 서버 장애의 원인이 되기도 하고, 다른 서버부터 장애의 원인이 되는 무언가를 받기도 하는 이유다. 즉, 기존 연구들은 서버들 간 영향을 주지 않는 단일 서버인 상태로 가정하고 장애를 분석했다면, 본 연구에서는 서버들 간 영향을 준다고 가정하고 장애 발생 상태를 분석했다. 데이터 센터 내 복합 장애 상황을 정의하기 위해, 데이터 센터 내 존재하는 각 장비별로 장애가 발생한 장애 이력 데이터를 활용했다. 본 연구에서 고려되는 장애는 Network Node Down, Server Down, Windows Activation Services Down, Database Management System Service Down으로 크게 4가지이다. 각 장비별로 발생되는 장애들을 시간 순으로 정렬하고, 특정 장비에서 장애가 발생하였을 때, 발생 시점으로부터 5분 내 특정 장비에서 장애가 발생하였다면 이를 동시에 장애가 발생하였다고 정의하였다. 이렇게 동시에 장애가 발생한 장비들에 대해서 Sequence를 구성한 후, 구성한 Sequence 내에서 동시에 자주 발생하는 장비 5개를 선정하였고, 선정된 장비들이 동시에 장애가 발생된 경우를 시각화를 통해 확인하였다. 장애 분석을 위해 수집된 서버 리소스 정보는 시계열 단위이며 흐름성을 가진다는 점에서 이전 상태를 통해 다음 상태를 예측할 수 있는 딥러닝 알고리즘인 LSTM(Long Short-term Memory)을 사용했다. 또한 단일 서버와 달리 복합장애는 서버별로 장애 발생에 끼치는 수준이 다르다는 점을 감안하여 Hierarchical Attention Network 딥러닝 모델 구조를 활용했다. 본 알고리즘은 장애에 끼치는 영향이 클 수록 해당 서버에 가중치를 주어 예측 정확도를 높이는 방법이다. 연구는 장애유형을 정의하고 분석 대상을 선정하는 것으로 시작하여, 첫 번째 실험에서는 동일한 수집 데이터에 대해 단일 서버 상태와 복합 서버 상태로 가정하고 비교분석하였다. 두 번째 실험은 서버의 임계치를 각각 최적화 하여 복합 서버 상태일 때의 예측 정확도를 향상시켰다. 단일 서버와 다중 서버로 각각 가정한 첫 번째 실험에서 단일 서버로 가정한 경우 실제 장애가 발생했음에도 불구하고 5개 서버 중 3개의 서버에서는 장애가 발생하지 않은것으로 예측했다. 그러나 다중 서버로 가정했을때에는 5개 서버 모두 장애가 발생한 것으로 예측했다. 실험 결과 서버 간 영향이 있을 것이라고 추측한 가설이 입증된 것이다. 연구결과 단일 서버로 가정했을 때 보다 다중 서버로 가정했을 때 예측 성능이 우수함을 확인했다. 특히 서버별 영향이 다를것으로 가정하고 Hierarchical Attention Network 알고리즘을 적용한 것이 분석 효과를 향상시키는 역할을 했다. 또한 각 서버마다 다른 임계치를 적용함으로써 예측 정확도를 향상시킬 수 있었다. 본 연구는 원인 규명이 어려운 장애를 과거 데이터를 통해 예측 가능하게 함을 보였고, 데이터 센터의 서버 내에서 발생하는 장애를 예측할 수 있는 모델을 제시했다. 본 연구결과를 활용하여 장애 발생을 사전에 방지할 수 있을 것으로 기대된다.