• 한국구조물진단유지관리공학회 논문집
• /
• 제25권6호
• /
• pp.245-253
• /
• 2021

우리나라 노후화 교량 중 많은 부분을 차지하는 RC 슬래브 교량은 대부분이 교량 안전 관리 및 유지관리의 대상인 1, 2종 교량에 포함되지 않는다. 또한 고속도로 교량에서 가장 높은 손상율을 차지하는 부속시설은 신축이음과 교량 받침부이다. 특히, 신축이음부를 통한 누수는 콘크리트 교량의 열화를 유발하고 균열 및 철근부 노출 등의 원인이 된다. 따라서 본 연구에서는 RC 슬래브교의 신축이음부 유간 밀착 손상이 바닥판 응답에 미치는 영향을 분석하였다. 양단 신축이음의 유간이 밀착된 경우 바닥판의 교축방향 변위가 발생되지 못해, 양쪽 단부 콘크리트에서 균열이 발생하였다. 또한, 응답 결과를 바탕으로 손상시나리오 별 신축이음부의 교축방향 변위와 바닥판 양단 콘크리트 응력과의 상관관계를 분석하고, 손상발생이 교량 거동에 미치는 영향을 파악하였다. 신축이음 장치 양면손상이 발생한 경우 변위와 응력과의 상관관계는 차량이 모든 차선을 지날 때 0.18로 낮은 상관성을 보였다. 무손상 상태와 비교했을 때도 바닥판 처짐은 차량이 지나는 동안 0.34~0.53, 차량이 지나간 후 0.17~0.43으로 낮은 상관성을 보였다. 이는 단부 콘크리트의 균열 발생으로 바닥판 전체 거동에 변화가 생긴 것을 의미한다. 따라서 바닥판 응답 데이터 기반 상관관계 분석과 이를 활용한 데이터 기반의 손상탐지가 가능하며, 이를 통해 바닥판 손상 및 열화의 원인이 되는 신축이음부의 조기 보수 및 보강, 사전관리에 기여하여 많은 도움이 될 것으로 기대된다.

• 직업교육연구
• /
• 제35권4호
• /
• pp.131-153
• /
• 2016

NCS의 성공은 직업능력개발훈련 기관인증평가자의 역할과 역량에 달려 있다. 이 연구는 NCS기반 직업능력개발훈련 기관인증을 위한 평가자의 역할과 역량을 도출하는 데 목적이 있다. 델파이 기법을 적용하여 평가자의 구체적 역할을 다각적으로 탐색하고, 필요한 지식과 기술, 태도 그리고 특성을 도출하여 그 타당성을 검증하고자 하였다. 이를 위해 교육훈련 전문가와 심사평가 전문가를 패널로 선정하여 3차에 걸친 델파이 연구를 진행하였다. 연구 결과, 평가자의 역할은 총 8개로 운영자, 조정 중재자, 협력자, 분석가, 검증가, 기관평가자, 기관컨설턴트, 학습자로 분류되었고, 각 역할에 따른 역량은 총 25개로 도출되었다. 지식 영역은 HRD 지식, NCS 지식, 직업능력개발훈련 지식, 훈련기관인증평가 지식의 총 4개의 역량이 포함되었다. 기술 영역은 갈등관리 능력, 대인관계 능력, 문서작성 능력, 문제해결 능력, 분석 능력, 사전준비 능력, 시간관리 능력, 의사결정 능력, 정보이해 활용 능력, 종합적사고 능력, 직업훈련기관에 대한 이해 능력, 커뮤니케이션 능력, 피드백 능력, 핵심파악 능력의 총 14개의 역량으로 구성되었다. 태도영역은 객관성 및 공정성, 서비스 마인드, 소명의식, 윤리의식, 자기개발, 책임감, 팀워크의 총 7개로 정리됐다. 이 연구의 결과로 도출된 역할과 역량은 평가자가 일정한 요건을 갖추어 공정하고 체계적으로 인증평가할 수 있도록 평가자 대상 교육프로그램을 설계하고 운영하는 데 유용할 것이다. 특히, 평가자의 경험과 역할에 따라 기초교육 및 향상 교육을 실시할 수 있도록 역량별 교육 프로그램을 모듈별로 설계하고, 지속적으로 평가자의 품질을 관리하는 데 기초자료로 활용될 것으로 기대된다.

• 한국가정과교육학회지
• /
• 제33권3호
• /
• pp.85-105
• /
• 2021

이 연구의 목적은 중학교 가정 교과 수업에서 디자인씽킹을 활용한 협력적 소비 교육 프로그램을 개발하고 실행하여 학생들의 협력적 문제해결역량에 미치는 영향을 알아보는데 있다. 이에 ADDIE 모형에 따라 디자인씽킹에 기반 한 협력적 소비 교육 프로그램을 개발하고, 총 25명의 학생을 대상으로 실행한 후 평가를 실시하였으며, 연구 결과는 다음과 같다. 첫째, 선행연구를 바탕으로 협력적 소비의 실천을 위한 '공유학교 만들기'를 주제로 D. school의 디자인씽킹 프로세스에 기반한 소비교육 프로그램을 개발하였다. 8차시의 교수·학습 과정안과 워크북을 전문가 타당도 검증한 결과, 문항 평균 4.72(5점 만점), CVI 평균 0.93으로 내용 타당도와 현장 적합성이 우수하다고 검증받았다. 둘째, 협력적 소비 교육 프로그램을 실행하고, 수정·보완된 협력적 문제해결역량 도구를 활용한 사전-사후검사와 개방형 설문조사를 실시한 결과를 종합해볼 때, 학생들이 협력적 소비에 대한 지식과 필요성을 인식하여 실천의식이 향상됨과 함께 개발한 프로그램이 협력적 문제해결역량을 향상시키는 데 유의미한 효과가 있음을 확인하였다. 후속연구로 연구 대상의 확대, 디자인씽킹을 적용한 가정 교과 프로그램 및 소비자 역량 강화를 위한 프로그램 연구, 개발을 제언하였다. 이 연구는 디자인씽킹을 활용한 협력적 소비 교육 프로그램이 청소년의 협력적 문제해결역량 향상에 효과가 있음을 확인하였으며, 가정교과에서 변화하는 소비환경에 따른 소비자 교육 변화 요구에 부응하여 '협력적 소비'를 주제로 소비 교육 프로그램을 개발했다는 점에서 의의가 있다.

• 한국과학교육학회지
• /
• 제42권1호
• /
• pp.77-96
• /
• 2022

본 연구는 초임 중등 과학교사들의 협력적 성찰이 어떻게 각자의 수업 전문성 발달을 촉진하였는지 탐색하고자 수행되었다. 이를 위해 충분한 라포가 형성되어 있는 이들을 의도적으로 연구 참여자로 선정하였다. 각 교사가 진행한 수업, 사전 의견 나누기, 사후 면담, 9차례의 협력적 성찰 과정을 통해 자료를 수집하였고 모든 자료는 전사한 후 분석하였다. 연구 결과 세 교사는 모두 협력적 성찰을 반복해서 진행하면서 수업 전문성 발달과 수업 실행 변화를 보였다. 민영의 경우 교사 주도의 수업을 진행하는 한계를 보였으나, 학생의 과학 학습에 관한 지식과 과학 교수전략에 관한 지식을 발달시켰고 수업 내 학생들의 권한을 확대해나갈 수 있게 되었다. 소영의 경우 학문적 엄격성을 강조하면서 다소 교육과정에 벗어나는 학습 내용을 선정하는 한계를 보였으나, 학생의 과학 학습에 관한 지식과 과학 교육과정에 관한 지식을 발달시켰고 교육과정 범위 내에서 학생들이 이해할 수 있는 수준에 대해 고려할 수 있게 되었다. 마지막으로 지연은 활동을 이론 설명과 분리하여 따로 진행하는 한계를 보였으나, 협력적으로 활동을 개선하고 다시 실행해보는 과정을 통해 단순한 활동 수행을 넘어서 활동을 통해 설명을 구성하고 모형구성 활동을 제시하기까지 탐구 활동의 영역을 확장할 수 있었다. 본 연구에서 협력적 성찰이 교사의 수업 전문성 발달을 촉진할 수 있었던 요인은 크게 세 가지이다. 첫 번째로 서로 다른 교수 지향을 지닌 세 교사가 각기 다른 관점에서 상호작용하는 과정은 서로가 생각하지 못한 부분에 대해 다양한 의견을 제시하면서 성찰을 촉진하였다. 두 번째로 수업 실행을 기반으로 주기적으로 진행한 협력적 성찰은 구체적이고 실제적인 피드백을 가능하게 하여 문제 인식과 수업 전문성 발달을 촉진하였다. 세 번째로 세 교사가 충분한 라포를 형성하고 있고 동등한 지위를 지닌 환경은 비난에 대한 두려움 없이 자신의 어려움이나 갈등을 거리낌 없이 표현하도록 도왔으며 생산적인 성찰을 할 수 있는 환경을 조성하였다. 본 연구 결과는 동료 교사들 간의 협력적 성찰을 통한 수업 전문성 발달에 대한 이해를 돕는다. 또, 앞으로의 교사교육 프로그램에서 서로의 수업 실행을 기반으로 협력적 성찰을 촉진할 수 있는 공동체 형성이 필요하다는 시사점을 제공한다.

• 대한원격탐사학회지
• /
• 제39권6_1호
• /
• pp.1283-1297
• /
• 2023

중적외선(mid-wave infrared, MWIR) 영상은 피복 및 객체의 온도를 파악할 수 있어 환경, 국방 등 다양한 분야에서 핵심 데이터로 사용된다. KOMPSAT-3A 위성은 타 위성에 비해 높은 공간해상도의 MWIR 영상을 제공하지만, 광학(electro-optical, EO) 영상에 비해 상대적으로 낮은 시인성을 가져 활용성의 확대에 어려움을 겪는다. 이에 본 연구에서는 KOMPSAT-3A 전정색(panchromatic, PAN) 영상의 윤곽 정보를 기반으로 시인성이 높은 MWIR 융합 영상을 제작하고자 한다. 먼저, 이종 센서에서 취득된 PAN 영상과 MWIR 영상의 상대 기하오차를 제거하는 전처리를 수행하고, 딥러닝 기반 윤곽 정보 추출 기술인 Pixel difference network (PiDiNet)의 사전 학습 모델을 이용하여 PAN 영상에 대한 윤곽 정보를 추출한다. 이후 전처리된 MWIR 영상과 추출된 윤곽 정보를 중첩하여 객체 경계면이 강조된 MWIR 융합 영상을 제작한다. 제안 방법을 이용하여 서로 다른 세 지역에 대한 MWIR 융합 영상을 제작하였으며, 이를 시각적으로 분석하였다. 본 기법을 통해 제작된 MWIR 융합 영상은 지형 및 지물의 경계면이 강조되어 시인성이 개선되었으며, 세부적으로 관심 지역에 대한 열 정보를 전달할 수 있었다. 특히, MWIR 융합 영상에서는 저해상도의 원본 MWIR 영상에서 식별할 수 없었던 비행기, 선박 등의 객체를 육안으로 판독할 수 있었다. 본 연구는 가시적인 정보와 열 정보를 동시에 고려할 수 있는 단일 영상 제작 방법론을 제시하였으며, 이는 MWIR 영상의 활용성 확대에 이바지할 수 있을 것으로 사료된다.

• 한국전산구조공학회논문집
• /
• 제37권4호
• /
• pp.225-232
• /
• 2024

본 논문에서는 딥러닝을 활용하여 복합재 적층판의 파괴 모드를 결정하는 방법을 제안하였다. 수많은 엔지니어링 응용 분야에서 적층 복합재의 사용이 증가함에 따라 무결성과 성능을 보장하는 것이 중요해졌다. 그러나 재료의 이방성으로 인해 복잡하게 나타나는 파괴모드를 식별하는 것은 도메인 지식이 필요하고, 시간이 많이 드는 작업이다. 따라서 이러한 문제를 해결하기 위해 본 연구에서는 인공 지능(AI) 기술을 활용하여 적층 복합재의 파괴 모드 분석을 자동화하는 것을 목표로 하였다. 이 목표를 달성하기 위해 적층된 복합재에서 파손된 인장 시험편의 주사 전자 현미경(SEM) 이미지를 얻어 다양한 파괴 모드를 확보하였다. 이러한 SEM 이미지는 섬유 파손, 섬유 풀아웃, 혼합 모드 파괴, 매트릭스 취성 파손 및 매트릭스 연성 파손과 같은 다양한 파손 모드를 기준으로 분류하였다. 다음으로 모든 클래스의 집합 데이터를 학습, 테스트, 검증 데이터 세트로 구분하였다. 두 가지 딥 러닝 기반 사전 훈련 모델인 DenseNet과 GoogleNet을 이용해 각 파괴 모드에 대한 차별적 특징을 학습하도록 훈련하였다. DenseNet 및 GoogleNet 모델은 각각 (94.01% 및 75.49%) 및 (84.55% 및 54.48%)의 훈련 및 테스트 정확도를 보여주었다. 그런 다음 훈련된 딥 러닝 모델은 검증 데이터 세트를 활용해 검증하였다. 더 깊은 아키텍처로 인해 DenseNet 모델이 고품질 특징을 추출하여 84.44% 검증 정확도(GoogleNet 모델보다 36.84% 더 높음)를 얻을 수 있음을 확인하였다. 이는 DenseNet 모델이 높은 정밀도로 파괴 모드를 예측함으로써 적층 복합재의 파손 분석을 수행하는 데 효과적이라는 것을 알 수 있다.

• 한국수자원학회논문집
• /
• 제57권8호
• /
• pp.509-518
• /
• 2024

돌발가뭄(Flash drought)은 급격한 기상 및 환경요인의 변화를 통해 단기간 급속하게 발생하는(rapid-onset) 가뭄으로 정의된다. 최근에는 전 세계적인 기상이상으로 인해 돌발가뭄의 발생빈도가 증가하고 있으며, 폭염 및 강수부족 등의 선행원인을 중심으로 다양한 연구가 수행되고 있다. 돌발가뭄과 같은 극단적인 수문현상은 사전에 대비하지 않으면 농업, 식량 및 도시 상수도 안보에 극심한 피해가 발생할 수 있다. 특히, 북한은 자연재해에 취약한 국가 중 하나로, 자연재해에 대해 대응할 수 있는 사회기반시설 부족으로 인해 사회적, 경제적으로 어려움을 겪고 있으며, 2014~2015년에 걸쳐 발생한 100년 빈도의 극심한 가뭄으로 인해 식량난, 전력난 등의 심각한 피해를 보았다. 본 연구에서는 토양수분 관측위성인 Advanced Microwave Scanning Radiometer-2(AMSR2) ascending X-band 토양수분 자료의 백분위수를 활용하여 주단위 Flash Drought Intensity Index (FDII)를 산정하였으며, 2013년부터 2022년까지 10년간 한반도의 돌발가뭄 특성을 분석하였다. 한반도 전역의 관개기를 대상으로 월별 공간분포를 분석한 결과, 북한 지역에서는 토양수분의 급격한 감소로 인해 가뭄 심화율(FD_INT)이 크게 나타났으며, 남한 지역은 가뭄 심각도(DRO_SEV)가 크게 나타났다. 또한, 지역별 시계열 분석을 통해 남북한의 강원도 지역에서 FD_INT, DRO_SEV가 모두 크게 나타났다. 지역별 확률 밀도 추정 결과, 남북한의 FD_INT 차이가 뚜렷하게 나타났으며, 남한 지역은 DRO_SEV의 높은 값이 주로 분포하여 심각한 가뭄의 발생확률이 높게 나타났다. 북한 지역의 FDII가 큰 값에서 높은 밀도를 보이면서 북한 지역의 돌발가뭄 발생 횟수, 피해 등이 남한 지역보다 높은 것으로 분석되었다. DRO_SEV와 증발스트레스지수(Evaporative Stress Index, ESI)의 한반도 전역에 대한 상관성을 분석하여 0.4~0.6 수준의 강한 양의 상관관계를 확인하였다. 본 연구에서 제시하는 토양수분 백분위수 활용 방법을 통해 남한보다 북한 지역이 돌발가뭄에 취약한 환경으로 판단되며, 돌발가뭄은 토양수분의 지속적인 결핍보다 급격한 감소가 더 큰 영향이 있는 것으로 분석되었다. 본 연구의 결과는 향후 돌발가뭄 감지 및 예측 기술 개발에 활용하여 재해 예방 및 대응에 대한 기초자료로 활용될 수 있을 것으로 판단된다.

• 생물환경조절학회지
• /
• 제32권4호
• /
• pp.434-441
• /
• 2023

식물의 잎의 크기나 면적을 아는 것은 생장을 예측하고 실내 농장의 생산성의 향상에 중요한 요소이다. 본 연구에서는 상추 잎 사진을 이용해 엽장과 엽폭을 예측할 수 있는 CNN기반 모델을 연구하였다. 데이터의 한계와 과적합 문제를 극복하기 위해 콜백 함수를 적용하고, 모델의 일반화 능력을 향상시키기 위해 K겹교차 검증을 사용했다. 또한 데이터 증강을 통한 학습데이터의 다양성을 높이기 위해 image generator를 사용하였다. 모델 성능을 비교하기 위해 VGG16, Resnet152, NASNetMobile 등 사전학습된 모델을 이용하였다. 그 결과 너비 예측에서 R² 값0.9436, RMSE 0.5659를 기록한 NASNetMobile이 가장 높은 성능을 보였으며 길이 예측에서는 R² 값이 0.9537, RMSE가 0.8713로 나타났다. 최종 모델에는 NASNetMobile 아키텍처, RMSprop 옵티마이저, MSE 손실 함수, ELU 활성화함수가 사용되었다. 모델의 학습 시간은 Epoch당평균73분이 소요되었으며, 상추 잎 사진 한 장을 처리하는 데 평균0.29초가 걸렸다. 본 연구는 실내 농장에서 식물의 엽장과 엽폭을 예측하는 CNN 기반 모델을 개발하였고 이를 통해 단순한 이미지 촬영만으로도 식물의 생장 상태를 신속하고 정확하게 평가할 수 있을 것으로 기대된다. 또한 그 결과는 실시간 양액 조절 등의 적절한 농작업 조치를 하는데 활용됨으로써 농장의 생산성 향상과 자원 효율성을 향상시키는데 기여할 것이다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.205-225
• /
• 2018

Convolutional Neural Network (ConvNet)은 시각적 특징의 계층 구조를 분석하고 학습할 수 있는 대표적인 심층 신경망이다. 첫 번째 신경망 모델인 Neocognitron은 80 년대에 처음 소개되었다. 당시 신경망은 대규모 데이터 집합과 계산 능력이 부족하여 학계와 산업계에서 널리 사용되지 않았다. 그러나 2012년 Krizhevsky는 ImageNet ILSVRC (Large Scale Visual Recognition Challenge) 에서 심층 신경망을 사용하여 시각적 인식 문제를 획기적으로 해결하였고 그로 인해 신경망에 대한 사람들의 관심을 다시 불러 일으켰다. 이미지넷 첼린지에서 제공하는 다양한 이미지 데이터와 병렬 컴퓨팅 하드웨어 (GPU)의 발전이 Krizhevsky의 승리의 주요 요인이었다. 그러므로 최근의 딥 컨볼루션 신경망의 성공을 병렬계산을 위한 GPU의 출현과 더불어 ImageNet과 같은 대규모 이미지 데이터의 가용성으로 정의 할 수 있다. 그러나 이러한 요소는 많은 도메인에서 병목 현상이 될 수 있다. 대부분의 도메인에서 ConvNet을 교육하기 위해 대규모 데이터를 수집하려면 많은 노력이 필요하다. 대규모 데이터를 보유하고 있어도 처음부터 ConvNet을 교육하려면 많은 자원과 시간이 소요된다. 이와 같은 문제점은 전이 학습을 사용하면 해결할 수 있다. 전이 학습은 지식을 원본 도메인에서 새 도메인으로 전이하는 방법이다. 전이학습에는 주요한 두 가지 케이스가 있다. 첫 번째는 고정된 특징점 추출기로서의 ConvNet이고, 두번째는 새 데이터에서 ConvNet을 fine-tuning 하는 것이다. 첫 번째 경우, 사전 훈련 된 ConvNet (예: ImageNet)을 사용하여 ConvNet을 통해 이미지의 피드포워드 활성화를 계산하고 특정 레이어에서 활성화 특징점을 추출한다. 두 번째 경우에는 새 데이터에서 ConvNet 분류기를 교체하고 재교육을 한 후에 사전 훈련된 네트워크의 가중치를 백프로퍼게이션으로 fine-tuning 한다. 이 논문에서는 고정된 특징점 추출기를 여러 개의 ConvNet 레이어를 사용하는 것에 중점을 두었다. 그러나 여러 ConvNet 레이어에서 직접 추출된 차원적 복잡성을 가진 특징점을 적용하는 것은 여전히 어려운 문제이다. 우리는 여러 ConvNet 레이어에서 추출한 특징점이 이미지의 다른 특성을 처리한다는 것을 발견했다. 즉, 여러 ConvNet 레이어의 최적의 조합을 찾으면 더 나은 특징점을 얻을 수 있다. 위의 발견을 토대로 이 논문에서는 단일 ConvNet 계층의 특징점 대신에 전이 학습을 위해 여러 ConvNet 계층의 특징점을 사용하도록 제안한다. 본 논문에서 제안하는 방법은 크게 세단계로 이루어져 있다. 먼저 이미지 데이터셋의 이미지를 ConvNet의 입력으로 넣으면 해당 이미지가 사전 훈련된 AlexNet으로 피드포워드 되고 3개의 fully-connected 레이어의 활성화 틀징점이 추출된다. 둘째, 3개의 ConvNet 레이어의 활성화 특징점을 연결하여 여러 개의 ConvNet 레이어의 특징점을 얻는다. 레이어의 활성화 특징점을 연결을 하는 이유는 더 많은 이미지 정보를 얻기 위해서이다. 동일한 이미지를 사용한 3개의 fully-connected 레이어의 특징점이 연결되면 결과 이미지의 특징점의 차원은 4096 + 4096 + 1000이 된다. 그러나 여러 ConvNet 레이어에서 추출 된 특징점은 동일한 ConvNet에서 추출되므로 특징점이 중복되거나 노이즈를 갖는다. 따라서 세 번째 단계로 PCA (Principal Component Analysis)를 사용하여 교육 단계 전에 주요 특징점을 선택한다. 뚜렷한 특징이 얻어지면, 분류기는 이미지를 보다 정확하게 분류 할 수 있고, 전이 학습의 성능을 향상시킬 수 있다. 제안된 방법을 평가하기 위해 특징점 선택 및 차원축소를 위해 PCA를 사용하여 여러 ConvNet 레이어의 특징점과 단일 ConvNet 레이어의 특징점을 비교하고 3개의 표준 데이터 (Caltech-256, VOC07 및 SUN397)로 실험을 수행했다. 실험결과 제안된 방법은 Caltech-256 데이터의 FC7 레이어로 73.9 %의 정확도를 얻었을 때와 비교하여 75.6 %의 정확도를 보였고 VOC07 데이터의 FC8 레이어로 얻은 69.2 %의 정확도와 비교하여 73.1 %의 정확도를 보였으며 SUN397 데이터의 FC7 레이어로 48.7%의 정확도를 얻었을 때와 비교하여 52.2%의 정확도를 보였다. 본 논문에 제안된 방법은 Caltech-256, VOC07 및 SUN397 데이터에서 각각 기존에 제안된 방법과 비교하여 2.8 %, 2.1 % 및 3.1 %의 성능 향상을 보였다.

• 지능정보연구
• /
• 제23권2호
• /
• pp.71-88
• /
• 2017

언어모델은 순차적으로 입력된 자료를 바탕으로 다음에 나올 단어나 문자를 예측하는 모델로 언어처리나 음성인식 분야에 활용된다. 최근 딥러닝 알고리즘이 발전되면서 입력 개체 간의 의존성을 효과적으로 반영할 수 있는 순환신경망 모델과 이를 발전시킨 Long short-term memory(LSTM) 모델이 언어모델에 사용되고 있다. 이러한 모형에 자료를 입력하기 위해서는 문장을 단어 혹은 형태소로 분해하는 과정을 거친 후 단어 레벨 혹은 형태소 레벨의 모형을 사용하는 것이 일반적이다. 하지만 이러한 모형은 텍스트가 포함하는 단어나 형태소의 수가 일반적으로 매우 많기 때문에 사전 크기가 커지게 되고 이에 따라 모형의 복잡도가 증가하는 문제가 있고 사전에 포함된 어휘 외에는 생성이 불가능하다는 등의 단점이 있다. 특히 한국어와 같이 형태소 활용이 다양한 언어의 경우 형태소 분석기를 통한 분해과정에서 오류가 더해질 수 있다. 이를 보완하기 위해 본 논문에서는 문장을 자음과 모음으로 이루어진 음소 단위로 분해한 뒤 입력 데이터로 사용하는 음소 레벨의 LSTM 언어모델을 제안한다. 본 논문에서는 LSTM layer를 3개 또는 4개 포함하는 모형을 사용한다. 모형의 최적화를 위해 Stochastic Gradient 알고리즘과 이를 개선시킨 다양한 알고리즘을 사용하고 그 성능을 비교한다. 구약성경 텍스트를 사용하여 실험을 진행하였고 모든 실험은 Theano를 기반으로 하는 Keras 패키지를 사용하여 수행되었다. 모형의 정량적 비교를 위해 validation loss와 test set에 대한 perplexity를 계산하였다. 그 결과 Stochastic Gradient 알고리즘이 상대적으로 큰 validation loss와 perplexity를 나타냈고 나머지 최적화 알고리즘들은 유사한 값들을 보이며 비슷한 수준의 모형 복잡도를 나타냈다. Layer 4개인 모형이 3개인 모형에 비해 학습시간이 평균적으로 69% 정도 길게 소요되었으나 정량지표는 크게 개선되지 않거나 특정 조건에서는 오히려 악화되는 것으로 나타났다. 하지만 layer 4개를 사용한 모형이 3개를 사용한 모형에 비해 완성도가 높은 문장을 생성했다. 본 논문에서 고려한 어떤 시뮬레이션 조건에서도 한글에서 사용되지 않는 문자조합이 생성되지 않았고 명사와 조사의 조합이나 동사의 활용, 주어 동사의 결합 면에서 상당히 완성도 높은 문장이 발생되었다. 본 연구결과는 현재 대두되고 있는 인공지능 시스템의 기초가 되는 언어처리나 음성인식 분야에서 한국어 처리를 위해 다양하게 활용될 수 있을 것으로 기대된다.