• Proceedings of the Korean Society of Computer Information Conference
• /
• 2024.01a
• /
• pp.339-341
• /
• 2024

본 논문에서는 전기 자동차 배터리 팩 설계에서 성능 예측을 위해 전산유체해석 및 Long Short-Term Memory (LSTM)를 활용한다. 두 계산 모두의 예측이 상당한 유사성을 나타내며, 전산유체해석은 시스템 유체 역학을 고려한 상세한 물리 모델을 제공하고, LSTM은 시계열 데이터를 기반으로 한 딥러닝 모델로 효과적으로 패턴을 파악, 향후 온도 상승을 예측한다. 결과는 두 접근 모두가 효과적인 예측을 제공하며 향후 전기 자동차 배터리 팩 설계 및 최적화에서 종합적인 접근의 필요성을 강조한다. 특히, LSTM 기반 예측에 소요되는 시간은 계산 유체 역학의 약 25%로, 약 일주일 정도로 빠르게 확인 가능하다. 이는 현대 산업 환경에서 시간적 효율성이 중요한 측면을 강조하며, 계산 유체 역학의 상세한 물리 모델링과 LSTM의 빠른 예측 속도를 결합한 설계 방법론을 제안한다.

• Journal of KIISE
• /
• v.42 no.3
• /
• pp.295-306
• /
• 2015

MOnCa2 is a framework for building intelligent smartphone applications based on smartphone sensors and ontology reasoning. In previous studies, MOnCa determined and inferred user situations based on sensor values represented by ontology instances. When this approach is applied, recognizing user space information or objects in user surroundings is possible, whereas determining the user's physical context (travel behavior, travel destination) is impossible. In this paper, MOnCa2 is used to build recognition models for travel behavior and routes using smartphone sensors to analyze the user's physical context, infer basic context regarding the user's travel behavior and routes by adapting these models, and generate high-level context by applying ontology reasoning to the basic context for creating intelligent applications. This paper is focused on approaches that are able to recognize the user's travel behavior using smartphone accelerometers, predict personal routes and destinations using GPS signals, and infer high-level context by applying realization.

• Journal of the Korea Computer Graphics Society
• /
• v.27 no.1
• /
• pp.9-17
• /
• 2021

In this paper, we present a simple and fast supervised learning framework based on model predictive control so as to learn motion controllers for a physic-based character to track given example motions. The proposed framework is composed of two components: training data generation and offline learning. Given an example motion, the former component stochastically controls the character motion with an optimal controller while repeatedly updating the controller for tracking the example motion through model predictive control over a time window from the current state of the character to a near future state. The repeated update of the optimal controller and the stochastic control make it possible to effectively explore various states that the character may have while mimicking the example motion and collect useful training data for supervised learning. Once all the training data is generated, the latter component normalizes the data to remove the disparity for magnitude and units inherent in the data and trains an artificial neural network with a simple architecture for a controller. The experimental results for walking and running motions demonstrate how effectively and fast the proposed framework produces physics-based motion controllers.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.376-376
• /
• 2022

전 세계적으로 홍수의 발생빈도가 증가함에 따라, 하천 내 홍수피해를 경감하기 위해 설치하는 하천시설에 대한 중요성이 강조되고 있다. 하천시설은 홍수조절, 이수를 위한 흐름의 제어와 유도, 자연환경의 유지 및 개선 등 중요한 역할을 하고 있으나, 구조적으로 물과의 접촉이 많아 물리적 손상이나 노후화가 매우 빠르게 진행되는 특성이 있다. 시설물의 노후화가 지속될수록 안정성을 보장하기 어려워 자연재난의 규모를 증가시킬 위험성이 있다. 하천시설의 선제적 유지관리를 위해, 본 연구에서는 시설물통합정보관리시스템(Facilty Management System; FMS)의 정밀안전진단 결과를 활용하여 시설물의 사용연수에 따른 성능지표의 변화를 기반으로 회귀식 형태의 성능평가모델을 개발하였다. 기존연구와의 비교를 통해 성능평가모델의 적합성을 확인하였으며, 개발한 성능평가모델은 하천시설의 생애주기를 통합적으로 고려함으로써 정량적인 상태를 예측할 수 있다는 장점이 있다. 본 연구에서 제안된 성능평가모델 결과는 하천시설의 생애주기 관리를 위한 기초자료로 활용 가능할 것으로 기대된다.

• Proceedings of the Computational Structural Engineering Institute Conference
• /
• 2010.04a
• /
• pp.375-378
• /
• 2010

본 논문은 엔지니어링 문서정보를 준구조화된 XML 문서로 변환하고 이를 3차원 교량 모델과 연계하는 방법을 제시한다. 이를 위해 먼저 구조계산서의 세부 목차에 따른 문서구조를 추출하는 기법을 이용하여 3차원 교량모델을 구성하는 각 부재와 매핑되는 구조계산서 문서의 일부를 프로그램 상에서 자동으로 추출하기 위한 모듈을 개발하였다. 또한 3차원 교량모델의 정보를 운영하기 위해 IFC 기반의 교량정보모델을 개발하였다. 개발된 정보모델은 교량요소들의 논리적 구성체계를 공간적 요소, 물리적 요소 및 그룹 요소별로 표현할 수 있도록 지원한다. 이와 같이 개발된 기술을 이용하여 3차원 교량모델 뷰어에서 구조계산서의 정보를 검색하기 위한 시범 툴을 개발하였으며, 4개의 단위 교량으로 구성된 복합형식의 교량에 대한 3차원 모델을 구축하고 각 교량에 대한 구조계산서 또한 XML 문서로 변환하였다. 이와 같이 구축된 두 정보체계에서 사용자가 선택한 임의의 구성요소에 관한 세부 문서정보의 조회가 가능함을 보임으로써 제시된 방법의 적합성을 검증하였다.

• Geophysics and Geophysical Exploration
• /
• v.26 no.2
• /
• pp.84-93
• /
• 2023

The supervised learning-based deep-learning seismic inversion techniques have demonstrated successful performance in synthetic data examples targeting small-scale areas. The supervised learning-based deep-learning seismic inversion uses time-domain wavefields as input and subsurface velocity models as output. Because the time-domain wavefields contain various types of wave information, the data size is considerably large. Therefore, research applying supervised learning-based deep-learning seismic inversion trained with a significant amount of field-scale data has not yet been conducted. In this study, we predict subsurface velocity models using Laplace-domain wavefields as input instead of time-domain wavefields to apply a supervised learning-based deep-learning seismic inversion technique to field-scale data. Using Laplace-domain wavefields instead of time-domain wavefields significantly reduces the size of the input data, thereby accelerating the neural network training, although the resolution of the results is reduced. Additionally, a large grid interval can be used to efficiently predict the velocity model of the field data size, and the results obtained can be used as the initial model for subsequent inversions. The neural network is trained using only synthetic data by generating a massive synthetic velocity model and Laplace-domain wavefields of the same size as the field-scale data. In addition, we adopt a towed-streamer acquisition geometry to simulate a marine seismic survey. Testing the trained network on numerical examples using the test data and a benchmark model yielded appropriate background velocity models.

• Proceedings of the Korea Society for Simulation Conference
• /
• 2002.05a
• /
• pp.169-173
• /
• 2002

반도체 공정은 복잡하고 다양한 물리, 화학작용을 수반하며, 폭넓은 데이터 발생 및 관리에도 불구하고 공정진행시 내부 특성의 복잡함 때문에 효율적인 모델링이 어려웠다. 또한 원하는 출력을 얻기 위한 제어입력의 선정도 용이하지 않으므로 현재의 최적공정운영은 전문가의 경험에 의존하여 많은 시행 착오를 거쳐 수행되고 있다. 본 논문에서는 반도체 공정의 최적운영을 위해 다음 세 단계로 나누어 연구를 수행하였다. 첫째, 반도체 공정을 설비를 기반으로 컬러드 페트리 넷을 이용하여 모델링하고 둘째, Run-to-Run control에 기반한 최적공정운영 관리모델을 실험하고 셋째, 지식기반 데이터베이스를 기반으로 하는 지능적인 적응형 공정관리모델(Adaptive Process Control model)의 프레임 웍을 제안한다.

• Geophysics and Geophysical Exploration
• /
• v.26 no.4
• /
• pp.211-228
• /
• 2023

Ground-penetrating radar (GPR) surveys are commonly used to monitor embankments, which is a nondestructive geophysical method. The results of GPR surveys can be complex, depending on the situation, and data processing and interpretation are subject to expert experiences, potentially resulting in false detection. Additionally, this process is time-intensive. Consequently, various studies have been undertaken to detect cavities in GPR survey data using deep learning methods. Deep-learning-based approaches require abundant data for training, but GPR field survey data are often scarce due to cost and other factors constaining field studies. Therefore, in this study, a deep- learning-based model was developed for embankment GPR survey cavity detection using data augmentation strategies. A dataset was constructed by collecting survey data over several years from the same embankment. A you look only once (YOLO) model, commonly used in computer vision for object detection, was employed for this purpose. By comparing and analyzing various strategies, the optimal data augmentation approach was determined. After initial model development, a stepwise process was employed, including box clustering, transfer learning, self-ensemble, and model ensemble techniques, to enhance the final model performance. The model performance was evaluated, with the results demonstrating its effectiveness in detecting cavities in embankment GPR survey data.

• Economic and Environmental Geology
• /
• v.47 no.1
• /
• pp.49-59
• /
• 2014

Rainfall-induced landslides are caused by reduction of effective stress and shear strength due to rainfall infiltration. In order to analyze the susceptibility of landslides, the statistical analysis approach has been used widely but this approach has the limitation which cannot take into account of landslide triggering mechanism. Therefore, the physically based model which can consider the process of landslide occurrence was proposed and commonly used. However, the most previous physically based model analyses evaluate and consider the strength characteristics for saturated soil only in the susceptibility analysis. But the strength parameters for unsaturated soil such as matric suction should be considered with the strength parameters for saturated soil since the shear strength in unsaturated soil also plays important role in the stability of slope. Consequently this study suggested the modified physically based slope model which can evaluate strength characteristics for both of saturated and unsaturated soils. In addition, this study evaluated the thickness of saturated part in slope with rainfall intensity and hydraulic characteristics of slope on the basis of physically based model. In order to evaluate the feasibility, the proposed model was applied to practical example in Jinbu area, Gangwon-do, which was experienced large amount of landslides in July 2006. The ROC graph analysis was used to evaluate the validation of the model, and the analysis results were compared with the results of the previous analysis approach.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.104-104
• /
• 2022

임진강 수계는 북측 지역이 다수를 차지하는 유역 특성으로 예고 없는 상류 급방류, 강우 등으로 인해 댐 운영에 근본적 어려움이 있으며, 이에 따라 홍수조절지 및 댐 하류 계측 가능 지역의 취득 자료를 고려한 하천 수위 변화에 대한 사전 예측을 필요로 하고 있다. 홍수기 하천 도달시간 및 수위예측 기법으로는 물리 기반 및 데이터 기반 모델들이 다양하게 연구되어 왔으며, 일부 연구성과들은 현업에 활용하고 있다. 물리기반 모델은 하천 지형 변화에 대한 자료 취득 및 분석에 많은 시간을 요하는 단점은 있으나, 설명 가능한 모델을 구현할 수 있을 것으로 사료 된다. 반면, 데이터 기반 인공지능 모델은 짧은 시간 및 비용으로 모델을 개발할 수 있으나, 복잡한 알고리즘구현 시 설명이 불가하여 일관성을 의심 받을 수 있다. 본 논문에서는 홍수 도달시간과 하류 수위 상승에 대하여 설명 가능한 인공지능 알고리즘 및 시뮬레이션 프로그램을 개발하고자 하였다. 홍수 도달시간 예측은 기존 조견표 방식에서 고려하지 않았던 홍수파의 영향을 추가 변수화 하고, 데이터의 전후처리를 통하여 도달시간을 예측하였다. 실시간 하류 수위 예측은 댐 방류량, 주변 강우, 조위 등을 고려하여 도달시간 후 수위를 예측할 수 있도록 구현하였으며, 자료 동화 기술을 일부 적용하였다. 미래 방류조건에 대한 시뮬레이션을 위해서는 미래 방류량, 예상 강우 입력 시 하천 지점별 수위 상승을 예측할 수 있도록 알고리즘 및 프로그램을 개발하였다. 이를 구현하기 위하여 다양한 인공지능 알고리즘을 이용한 학습, 유전자 알고리즘을 이용한 가중치 학습 제한 조건내 최적화, 수위파와 조위파의 중첩의 정리 등을 이용하여 예측 정확도 및 신뢰성을 제고 하였다. 인공지능 분석결과의 현업활용성 제고를 위하여 시뮬레이터 프로그램을 개발하여 현업에 적용하였다.