• 한국자동차공학회논문집
• /
• 제13권1호
• /
• pp.184-193
• /
• 2005

Digital representations of products and parts have largely replaced physical drawings as the form in which product data are stored, analyzed, and communicated among the people contributing to the design of an automobile. Many individuals and companies participate in the design of an increasingly complex automobile; hence, the design process depends critically on team members' ability to share information about essential design elements. These trends have elevated the importance of the quality of product data and its efficient exchange. In this paper, we show state-of-the-art on Product Data Quality(PDQ), and activities of PDQ assurance. And we propose a novel design history-based approach for diagnosis and healing of a CAD model.

• 한국터널지하공간학회 논문집
• /
• 제15권4호
• /
• pp.415-429
• /
• 2013

성능설계는 건축과 토목분야의 구조물 설계에 대한 키워드로 떠오르고 있는 실정이다. 본 논문에서는 기존의 사양설계로 설계되어 시공 중이던 개착식 터널 구조물의 변형 사례에 대한 사례 연구를 통하여 터널에 대한 성능설계의 필요성을 고찰하고 있다. 이와 더불어 터널의 성능을 세분화하는 방법론을 소개함으로써 성능 기반 설계법 도입에 따른 현장 실무자의 이해를 돕고자 하였다. 해당 사례 연구는 전형적인 지반공학적 역해석 문제로, 상세한 지반조사, 시공 이력 분석 및 수치해석적 방법 등 다각적인 접근으로 변형의 원인을 규명하였으며 시공성 및 경제성을 만족하면서 소정의 성능 확보가 가능한 대책을 제안하였다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.95-112
• /
• 2021

대학 교육에 있어서 전공과목의 선택은 학생들의 진로에 중요한 역할을 한다. 하지만, 산업의 변화에 발맞춰 대학 교육도 학과별 전공과목의 분야가 다양해지고 그 수가 많아지고 있다. 이에 학생들은 본인의 진로에 맞게 수업을 선택하여 수강하는 것에 어려움을 겪고 있다. 본 연구는 대학 전공과목 추천 모델을 제시함으로써 개인 맞춤형 교육을 실현하고 학생들의 교육만족도를 제고하고자 한다. 모델 연구에는 대학교 학부생들의 2015년~2017년 수강 이력 데이터를 활용하였으며, 메타데이터로는 학생과 수업의 전공 명을 사용했다. 수강 이력 데이터는 컨텐츠 소비 여부만을 나타낸 암시적 피드백 데이터로, 수업에 대한 선호도를 반영한 것이 아니다. 따라서 학생과 수업의 특성을 나타내는 임베딩 벡터를 도출했을 시, 표현력이 낮다. 본 연구는 이러한 문제점에 착안하여, 네트워크 분석을 통해 학생, 수업의 벡터를 생성하고 이를 모델의 입력 값으로 활용하는 Net-NeuMF 모델을 제시한다. 모델은 암시적 피드백을 가진 데이터를 이용한 대표적인 모델인 원핫 벡터를 이용하는 NeuMF의 구조를 기반으로 하였다. 모델의 입력 벡터는 네트워크 분석을 통해 학생과 수업의 특성을 나타낼 수 있도록 생성하였다. 학생을 표현하는 벡터를 생성하기 위해, 각 학생을 노드로 설정하고 엣지는 두 학생이 같은 수업을 수강한 경우 가중치를 가지고 연결되도록 설계했다. 마찬가지로 수업을 표현하는 벡터를 생성하기 위해 각 수업을 노드로 설정하고 엣지는 공통으로 수강한 학생이 있는 경우 연결시켰다. 이에 각 노드의 특성을 수치화 하는 표현 학습방법론인 Node2Vec을 이용하였다. 모델의 평가를 위해 추천 시스템에서 주로 활용하는 지표 4가지를 사용하였고, 임베딩 차원이 모델에 미치는 영향을 분석하기 위해 3가지 다른 차원에 대한 실험을 진행하였다. 그 결과 기존 NeuMF 구조에서 원-핫 벡터를 이용하였을 때보다 차원과 관계없이 평가지표에서 좋은 성능을 보였다. 이에 본 연구는 학생(사용자)와 수업(아이템)의 네트워크를 이용해 기존 원-핫 임베딩 보다 표현력을 높였다는 점, 모델을 구성하는 각 구조의 특성에 맞도록 임베딩 벡터를 활용하였다는 점, 그리고 기존의 방법론에 비해 다양한 종류의 평가지표에서 좋은 성능을 보였다는 점을 기여점으로 가지고 있다.