• 지능정보연구
• /
• 제25권3호
• /
• pp.43-62
• /
• 2019

한때, 이상 탐지 분야는 특정 데이터로부터 도출한 기초 통계량을 기반으로 이상 유무를 판단하는 방법이 지배적이었다. 이와 같은 방법론이 가능했던 이유는 과거엔 데이터의 차원이 단순하여 고전적 통계 방법이 효과적으로 작용할 수 있었기 때문이다. 하지만 빅데이터 시대에 접어들며 데이터의 속성이 복잡하게 변화함에 따라 더는 기존의 방식으로 산업 전반에 발생하는 데이터를 정확하게 분석, 예측하기 어렵게 되었다. 따라서 기계 학습 방법을 접목한 SVM, Decision Tree와 같은 모형을 활용하게 되었다. 하지만 지도 학습 기반의 모형은 훈련 데이터의 이상과 정상의 클래스 수가 비슷할 때만 테스트 과정에서 정확한 예측을 할 수 있다는 특수성이 있고 산업에서 생성되는 데이터는 대부분 정답 클래스가 불균형하기에 지도 학습 모형을 적용할 경우, 항상 예측되는 결과의 타당성이 부족하다는 문제점이 있다. 이러한 단점을 극복하고자 현재는 클래스 분포에 영향을 받지 않는 비지도 학습 기반의 모델을 바탕으로 이상 탐지 모형을 구성하여 실제 산업에 적용하기 위해 시행착오를 거치고 있다. 본 연구는 이러한 추세에 발맞춰 적대적 생성 신경망을 활용하여 이상 탐지하는 방법을 제안하고자 한다. 시퀀스 데이터를 학습시키기 위해 적대적 생성 신경망의 구조를 LSTM으로 구성하고 생성자의 LSTM은 2개의 층으로 각각 32차원과 64차원의 은닉유닛으로 구성, 판별자의 LSTM은 64차원의 은닉유닛으로 구성된 1개의 층을 사용하였다. 기존 시퀀스 데이터의 이상 탐지 논문에서는 이상 점수를 도출하는 과정에서 판별자가 실제데이터일 확률의 엔트로피 값을 사용하지만 본 논문에서는 자질 매칭 기법을 활용한 함수로 변경하여 이상 점수를 도출하였다. 또한, 잠재 변수를 최적화하는 과정을 LSTM으로 구성하여 모델 성능을 향상시킬 수 있었다. 변형된 형태의 적대적 생성 모델은 오토인코더의 비해 모든 실험의 경우에서 정밀도가 우세하였고 정확도 측면에서는 대략 7% 정도 높음을 확인할 수 있었다.

• 한국지반신소재학회논문집
• /
• 제20권2호
• /
• pp.23-33
• /
• 2021

우리나라는 식량부족문제를 해결하고, 농업용수의 공급을 목적으로 많은 저수지의 건설이 이루어졌으나, 현재 75.6%에 달하는 저수지가 준공년도로부터 50년 이상 경과되어 노후화가 심각한 상태이다. 이러한 노후 저수지의 경우, 제체 내부에서의 세굴과 침식으로 인한 안정성이 매우 감소한 상태이며, 최근 이상기후로 인한 집중강우가 발생할 경우 노후 저수지가 붕괴되어 많은 재산 및 인명피해로 이어질 수 있다. 이에 따라 노후 저수지를 관리하는 각 기관에서는 보통 포틀랜드 시멘트를 주입재로 사용하여 그라우팅 공법을 적용하고 있다. 그러나 보통 포틀랜드 시멘트의 경우, 시간이 경과함에 따라 열화가 발생하여 누수가 다시 발생할 수 있고, 환경적으로도 천연자원의 소비 및 온실가스의 발생과 같은 문제가 있어 보통 포틀랜드 시멘트를 대체할 수 있는 새로운 재료 및 공법의 개발이 요구되고 있다. 이에 따라 본 연구에서는 국내 산업기준을 만족하지 못해 재활용에 어려움을 겪고 있는 발전부산물을 활용하여 보통 포틀랜드 시멘트와 유사한 경화반응을 유도할 수 있도록 개발된 고화재를 노후 저수지의 그라우트재로 사용하였다. 이를 위해 실내시험을 통한 기본적인 성능 분석과 현장에서의 시험시공 후, 전기비저항탐사, 표준관입시험, 현장투수시험을 실시하고, 보강효과를 분석하였다. 연구결과, 발전부산물을 재활용한 그라우트재의 경우 압축강도는 2.9~3.2배, 변형계수는 2.3~3.3배 큰 값을 나타내어 강도적으로 우수하여 보통 포틀랜드 시멘트를 대체하여 사용이 가능한 것으로 분석되었다. 또한 현장에서의 표준관입시험 및 투수시험 결과, 제체의 N값은 1~2 상승하고, 투수계수는 8.9~42.5% 수준으로 감소하여 차수 측면에서도 충분한 보강효과를 나타내어 보통 포틀랜드 시멘트의 대체가 가능할 것으로 분석되었다.

• 청정기술
• /
• 제29권1호
• /
• pp.10-21
• /
• 2023

천연 고분자 이중 네트워크를 기반으로 하는 하이드로젤은 뛰어난 생체 적합성, 낮은 세포 독성, 높은 함수율을 가져 다양한 의학 분야 재료로서 우수한 성능을 가지며 생체 조직 내 표적 약물 전달 시스템에의 응용에도 많은 주목을 받고 있지만 상대적으로 약한 기계적 물성에 의한 한계를 가진다. 본 연구에서는 천연 고분자 산화 알지네이트(alginate di-aldehyde, ADA)와 젤라틴(gelatin)이 형성하는 이중 네트워크 기반의 하이드로젤을 합성하였으며 하이드로젤 내부의 기능기와 수소 결합을 할 수 있는 다량의 수산기(-OH) 기능기를 가지는 과분지 고분자(hyperbranched polyglycerol, HPG)를 0~25%의 범위로 조절하여 첨가하여 최종적으로 기계적 물성이 향상된 천연 고분자 기반 하이드로젤을 합성하였다. 또한, 자철석 나노 입자(Fe₃O₄ nanoparticles (NPs))를 하이드로젤 내부에 in-situ 방법으로 합성하여 자성이 부여된 천연고분자 하이드로젤의 제조 및 특성 분석을 진행하였다. 결과적으로 Fe₃O₄ NPs를 도입한 15% HPG 함량의 하이드로젤은 3.8 emu g^-1의 포화자화 값을 가지는 초상자성을 보였고, 변형률 67.4%에서 최대 압축 강도 1.1 MPa으로 높은 기계적 물성을 가졌다. 향상된 기계적 물성을 가지는 천연 고분자 기반의 초상자성 하이드로젤은 약물 전달 시스템 및 생체 재료에 매우 중요한 잠재적 용도가 있을 것으로 사료된다.

• 대한토목학회논문집
• /
• 제29권5A호
• /
• pp.557-564
• /
• 2009

최근, 테러 및 전쟁과 관련된 폭발사고가 빈번히 발생하고 있으며, 특히 도심지에서는 이러한 폭발사고로 인해 인명피해 뿐 아니라 주요 시설물에도 큰 손상이 가해져 제2차, 3차의 피해가 발생하게 된다. 폭발사고에 대하여 인명 및 시설물을 안전하게 보호하기 위해서는 기본적으로 구조물에 가해지는 폭발하중 효과에 대한 이해가 필요하다. 폭발하중은 매우 빠른 시간 내에 콘크리트 구조물에 큰 압력으로 작용하는 하중이므로 변형률 속도와 구조물의 국부적인 손상을 고려하여 동적응답을 평가해야 한다. 일반적으로, 콘크리트는 다른 건설재료에 비해 상대적으로 높은 폭발저항성을 가진 재료로 알려져 있다. 그러나 폭발실험이라는 특수한 실험조건으로 인하여 국내외적으로 실험에 관련된 정보 및 결과 공유가 상당히 제한적으로 이뤄지고 있는 실정이다. 그러므로 본 논문에서는 폭발에 의한 압력하중이 철근콘크리트 구조물에 미치는 영향과 방호성능을 평가하기 위하여 국방과학시험연구소 다락대 시험장에서 $1.0m{\times}1.0m{\times}150mm$의 철근콘크리트 슬래브 구조물을 제작하여 시편으로부터 높이 1.5 m에서 TNT 9 lbs와 TNT 35 lbs으로 예비시험을 수행하였으며, 동일한 이격거리(standoff)에서 ANFO 35 lbs으로 본 실험을 수행하였다. 이는 국내 최초 민간에서 수행되어진 실험으로써, 첫 번째 논문에서는 폭발실험을 하기 위한 기본적인 실험 구성 및 구조물의 거동을 측정하기 위한 계측장비 구성에 대하여 검토하여 계측 시스템의 구축 및 폭파시험 수행절차를 구축하고자 한다. 센서, 시그널 컨디셔너, DAQ시스템, 소프트웨어로 구축된 계측 시스템을 바탕으로 정립된 폭파시험 수행절차는 향후 국내의 방호설계 및 폭발하중을 받는 구조물의 효과적인 거동계측 등 관련 연구분야의 기초자료가 될 것이라고 판단되는 바이다.

• 지능정보연구
• /
• 제19권4호
• /
• pp.123-132
• /
• 2013

최근 스마트 폰에 다양한 센서를 내장할 수 있게 되었고 스마트폰에 내장된 센서를 이용항 동작 인지에 관한 연구가 활발히 진행되고 있다. 스마트폰을 이용한 동작 인지는 노인 복지 지원이나 운동량 측정. 생활 패턴 분석, 운동 패턴 분석 등 다양한 분야에 활용될 수 있다. 하지만 스마트 폰에 내장된 센서를 이용하여 동작 인지를 하는 방법은 사용되는 센서의 수에 따라 단일 센서를 이용한 동작인지와 다중 센서를 이용한 동작인지로 나눌 수 있다. 단일 센서를 이용하는 경우 대부분 가속도 센서를 이용하기 때문에 배터리 부담은 줄지만 다양한 동작을 인지할 때에 특징(feature) 추출의 어려움과 동작 인지 정확도가 낮다는 문제점이 있다. 그리고 다중 센서를 이용하는 경우 대부분 가속도 센서와 중력센서를 사용하고 필요에 따라 다른 센서를 추가하여 동작인지를 수행하며 다양한 동작을 보다 높은 정확도로 인지할 수 있지만 다수의 센서를 사용하기 때문에 배터리 부담이 증가한다는 문제점이 있다. 따라서 본 논문에서는 이러한 문제를 해결하기 위해 스마트 폰에 내장된 가속도 센서를 이용하여 다양한 동작을 높은 정확도로 인지하는 방법을 제안한다. 서로 다른 10가지의 동작을 높을 정확도로 인지하기 위해 원시 데이터로부터 17가지 특징을 추출하고 각 동작을 분류하기 위해 Ensemble of Nested Dichotomies 분류기를 사용하였다. Ensemble of Nested Dichotomies 분류기는 다중 클래스 문제를 다수의 이진 분류 문제로 변형하여 다중 클래스 문제를 해결하는 방법으로 서로 다른 Nested Dichotomy 분류기의 분류 결과를 통해 다중 클래스 문제를 해결하는 기법이다. Nested Dichotomy 분류기 학습에는 Random Forest 분류기를 사용하였다. 성능 평가를 위해 Decision Tree, k-Nearest Neighbors, Support Vector Machine과 비교 실험을 한 결과 Ensemble of Nested Dichotomies 분류기를 사용하여 동작 인지를 수행하는 것이 가장 높은 정확도를 보였다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.139-156
• /
• 2021

이미지 분류에서 딥러닝 모형을 사용하는 가장 큰 이유는 이미지의 전체적인 정보에서 각 지역 특징을 추출하여 서로의 관계를 고려할 수 있기 때문이다. 하지만 이미지의 지역 특징이 없는 감정 이미지 데이터는 CNN 모델이 적합하지 않을 수 있다. 이러한 감정 이미지 분류의 어려움을 해결하기 위하여 매년 많은 연구자들이 감정 이미지에 적합한 CNN기반 아키텍처를 제시하고 있다. 색깔과 사람 감정간의 관계에 대한 연구들도 수행되었으며, 색깔에 따라 다른 감정이 유도된다는 결과들이 도출되었다. 딥러닝을 활용한 연구에서도 색깔정보를 활용하여 이미지 감성분류에 적용하는 연구들이 있어왔으며, 이미지만을 가지고 분류 모형을 학습한 경우보다 이미지의 색깔 정보를 추가로 활용한 경우가 이미지 감성 분류 정확도를 더 높일 수 있었다. 본 연구는 사람이 이미지의 감정을 분류하는 기준 중 많은 부분을 차지하는 색감을 이용하여 이미지 감성 분류 정확도를 향상시키는 방안을 제안한다. 이미지의 RGB 값에 K 평균 군집화 방안을 적용하여 이미지를 대표하는 색을 추출하여, 각 감성 클래스 별 해당 색깔이 나올 확률을 가중치 식으로 변형 후 CNN 모델의 최종 Layer에 적용하는 이-단계 학습방안을 구현하였다. 이미지 데이터는 6가지 감정으로 분류되는 Emotion6와 8가지 감정으로 분류되는 Artphoto를 사용하였다. 학습에 사용한 CNN 모델은 Densenet169, Mnasnet, Resnet101, Resnet152, Vgg19를 사용하였으며, 성능 평가는 5겹 교차검증으로 CNN 모델에 이-단계 학습 방안을 적용하여 전후 성과를 비교하였다. CNN 아키텍처만을 활용한 경우보다 색 속성에서 추출한 정보를 함께 사용하였을 때 더 좋은 분류 정확도를 보였다.