• 대한원격탐사학회지
• /
• 제38권5_1호
• /
• pp.447-460
• /
• 2022

인공위성 영상레이더 위상간섭기법은 널리 활용되고 있는 원격탐사 기술로서 지진, 화산, 지반침하 등으로부터 발생한 단단한 지각 표면의 변위를 매우 정밀하게 주기적으로 관측할 수 있는 연구 활용분야의 한 종류이다. 습지대 환경처럼 수상 표면에 식생이 존재하는 경우에는 지표면과 동일한 방법을 적용하여 넓은 지역에 대한 높은 공간해상도의 수위 변화 지도 제작이 가능하다. 현재 다양한 파장 대역의 인공위성 영상레이더 시스템이 운용 중에 있으며 여기에는 넓은 지역에 대한 영상을 효과적으로 획득할 수 있는 광역 관측 ScanSAR 모드를 제공하는 위성도 다수 포함되어 있다. 본 논문의 연구 지역인 콜롬비아 북부의 Ciénaga Grande de Santa Marta (CGSM) 습지대는 카리브 해안을 따라 고지대에 위치한 광대한 습지 지역이다. CGSM 습지대는 해수면 상승과 기후 변화와 같은 자연적인 원인 뿐만 아니라 20세기 후반부터 시작된 농업개발 및 도시확장 등의 다양한 인간 활동으로 인한 심각한 환경적 위협을 받고 있다. 최근 해당 습지 지역에 대한 생태학적 중요성이 대두되면서 해당 습지를 보호하고 복원하기 위한 다양한 계획이 진행 중에 있다. 주기적인 습지대 환경 모니터링에 있어 수위 변화 관측은 매우 중요한 자료를 제공하며 일반적으로 수위계와 같은 현장관측 자료 등에 의존하는 경우가 많다. 수위계의 경우 시간적으로 연속적인 자료 관측이 가능하지만 공간적 분포를 이해하기에는 어려운 경우가 많다. 본 연구에서는 현장 관측의 공간적 해상도의 부족함을 보완하기 위한 L-밴드 ALOS-2 PALSAR-2 ScanSAR 광역 관측 모드 자료의 영상레이더 위상간섭기법 습지대 수위 변화 관측 활용 가능성에 대해 평가하고자 한다. 광역 관측 모드의 공간해상도 및 위상간섭도 품질 비교를 위해 ALOS-2 PALSAR-2 stripmap 고해상 모드와 함께 분석하였다.

• Journal of the Korean Wood Science and Technology
• /
• 제13권1호
• /
• pp.19-62
• /
• 1985

본(本) 시험(試驗)은 국내(國內) 활엽수로서 중요한 참나무속(屬)의 상수리나무와 침엽수(針葉樹)의 대표적(代表的) 수종(樹種)인 소나무를 공시목(公試木)으로 선정(選定)하여 곡목가공분야(曲木加工分野)에서 널리 이용(利用)하는 자비법(煮沸法)과 증자법(蒸煮法)에 의한 휨가공성(加工性)을 조사(調査)하고, 이에 관련(關聯)된 인자(因子)로서 변(邊) 심재(心材), 연륜각도(年輪角度), 연화처리온도(軟化處理溫度), 연화처리시간(軟化處理時間), 목재함수율(木材含水率) 및 목재결함(木材缺陷) 등(等)의 영향(影響)과 휨가공(加工)후의 곡율반경변화(曲率半經變化) 및 약제처리(藥劑處理)에 의한 휨가공성(加工性)의 개선방법(改善方法)을 구명(究明)하기 위하여 실시(實施)되었다. 이 때 사용(使用)된 자비(煮沸)와 증자처리용(蒸煮處理用) 시편(試片)의 크기는 두께와 너비 15mm, 길이 350mm이고 약제처리용시편(藥劑處理試片)의 크기는 두께 5mm, 너비 10mm 및 길이 200mm로 제작(製作)하였으며, 시편(試片)의 함수율(含水率)은 자비처리(煮沸處理)에는 생재(生材)를 사용(使用)하고 증자처리(蒸煮處理)에는 15%로 조습(調濕)된 건조재(乾燥材)를 사용(使用)하였다. 또한 약제처리(藥劑處理)는 포화요소용액(飽和尿素溶液), 35% 포르말린 용액(溶液), 25% 폴리에칠렌(400) 수용액(水溶液) 및 25% 암모니아수에 5일간(日間) 상온(常溫)으로 침지(浸漬)한 우 휨가공(加工)을 행하였다. 본(本) 시험(試驗)에서 얻은 결과(結果)를 요약(要約)하면 다음과 같다. 1. 상수리나무와 소나무의 목재내부온도(木材內部溫度)는 자비(煮沸) 또는 증자처리시간(蒸煮處理時間)에 따라 초기(初期) 약(約) $30^{\circ}C$까지 완만(緩慢)한 상승(上昇)을 보이다가 그 후 직선적(直線的)으로 급상승(急上昇)하며 후기(後期) $80{\sim}90^{\circ}C$부터는 다시 완만(緩慢)해지는 경향(傾向)을 나타냈다. 2. 최종온도(最終溫度) $100^{\circ}C$까지 도달(到達)하는 데 소요(所要)되는 연화처리시간(軟化處理時間)은 목재(木材)의 두께에 비례(比例)하며 두께 15mm 각재(角材)에 대한 $25^{\circ}C$에서 $100^{\circ}C$까지의 소요시간(所要時間)은 상수리나무 9.6~11.2분(分), 소나무 7.6~8.1분(分)으로서 소나무의 연화속도(軟化速度)가 보다 빠르게 나타났다. 3. 증자처리시간(蒸煮處理時間)의 경과(經過)에 따른 목재(木材)의 함수율증가경향(含水率增加傾向)은 처음 약(約)4분(分)까지 급증(急增)하나 그후 점차(漸次) 둔화(鈍化)되어 상수리나무는 20분(分), 소나무는 15분경(分頃)부터 거의 직선적(直線的)으로 완만(緩慢)하게 증가(增加)하는 경향(傾向)을 나타냈다. 두께 15mm 각재(角材)에 대한 초기함수율(初期含水率) 15%에서 50분간(分間) 증자처리(蒸煮處理) 후의 함수율증가량(含水率增加量)은 상수리나무 3.6%, 소나무 7.4%로서 소나무의 흡습속도(吸濕速度)가 빠르게 나타났다. 4. 자비처리시간(煮沸處理時間)이 경과(經過)함에 따라 두 수종(樹種) 모두 기계적(機械的) 성질(性質)이 현저하게 감소(減少)하였으며, 60분간(分間) 자비처리(煮沸處理)에 의한 기계적(機械的) 성질(性質)의 감소율)減少率)은 압축강도(壓縮强度) 35.6~45.0%, 인장간도(引張强度) 12.5~17.5%, 휨강도(强度) 31.6~40.9% 및 휨탄성계수(彈性係數) 23.3~34.6%로 나타났다. 5. 변재(邊材)와 심재별(心材別) 최소곡률반경(最小曲律半徑)은 각각(各各) 상수리나무에서 60~80mm 및 90mm, 소나무에서 260~300mm 및 280~300mm로 두 수종(樹種) 모두 변재(邊材)의 휨가공성(加工性)이 양호하였다. 6. 상수리나무의 정목재(柾木材)와 판목재별(板目材別) 최소곡률반경(最小曲律半徑)은 모두 60~80mm로서 차이(差異)가 없었으나 소나무에서는 각각(各各) 240~280mm 및 260~300mm로 정목재(柾木材) 휨가공성(加工性)이 양호하였다. 7. 연화처리온도(軟化處理溫度)가 증가(增加)할수록 상수리나무와 소나무 모두 휨가공성(加工性)이 향상(向上)되었으며 휨가공(加工)을 위한 최저처리온도(最低處理溫度)는 각각(各各) $90^{\circ}C$ 및 $80^{\circ}C$로서 처리온도(處理溫度)에 대한 의존도(依存度)는 상수리나무에서 약간 높게 나타났다. 8. 연화처리시간(軟化處理時間)이 증가(增加)할수록 상승온도(上昇溫度)와 상응(相應)하여 휨가공성(加工性)을 향상(向上)시켰으나 최종온도(最終溫度)에 도달(到達)한 후에도 계속 연화(軟化)을 지속(持續)해야 비로서 최적연화상태(最適軟化狀態)를 나타냈다. 휨가공(加工)을 위한 최소처리시간(最少處理時間) 두께 15mm 각재(角材)에 대하여 상수리나무에서 자비처리시(煮沸處理時) 10분(分), 증자처리시(蒸煮處理時) 30분(分) 및 소나무에서 자비처리시(煮沸處理時) 10분(分), 증자처리시(蒸煮處理時) 20분(分)으로 나타났다. 9. 휨가공(加工)을 위한 상수리나무의 적정함수율(適定含水率)은 20%로 나타났으며 섬유포화점(纖維飽和點) 이상(以上)에서는 오히려 휨가공성(加工性)이 저하(低下)되었다. 반면(反面)에 소나무의 적정함수율(適定含水率)은 30% 이상(以上)을 필요(必要)로 하였다. 10. 본(本) 시험(試驗)에서 얻은 최적조건(最適條件)(Table 19)으로 휨가공(加工)을 실시(實施)한 결과(結果) 상수리나무의 최소곡률반경(最小曲律半徑)은 자비처리시(煮沸處理時) 80 mm, 증자처리시(蒸煮處理時) 50 mm이고 소나무에서는 자비처리시(煮沸處理時) 240 mm, 증자처리시(蒸煮處理時) 280 mm로서 상수리나무는 증자처리(蒸煮處理)의 연화효과(軟化效果)가 양호하였으나 소나무는 자비처리(煮沸處理)가 양호하였다. 11. 인장대철(引張帶鐵) 사용(使用)하지 않았을 경우 상수리나무와 소나무의 시편(試片)두께(t)와 최소곡률반경(最小曲律半徑)(r)의 비(比)(r/t)는 각각(各各) 자비처리시(煮沸處理時) 16.0 및 21.3, 증자처리시(蒸煮處理時) 17.3 및 24.0으로 나타났으나 인장대철(引張帶鐵) 사용(使用)하였을 때는 각각(各各) 자비처리시(煮沸處理時) 5.3 및 16.0, 증자처리시(蒸煮處理時) 3.3 및 18.7로서 휨가공성(加工性)의 현저한 향상(向上)을 나타냈다. 12. 미소(微小)한 옹이의 위치별(位置別) 상수리나무의 휨가공성(加工性)에 미치는 영향(影響)은 매우 심하게 나타났는 데 특히 옹이의 의치(位置)를 휨재(材)의 압축측(壓縮側)에 두고 곡률반경(曲律半徑) 100 mm로 휨가공(加工)하였을 때는 파양율(破壤率)이 90%로서 거의 휨가공(加工)이 불가능(不可能)하였다. 그러나 옹이를 인장측(引張側)에 두었을 경우에는 파양율(破壤率)이 10%에 불과(不過)하였다. 13. 곡률반경(曲律半徑) 300 mm로 휨가공(加工) 후 30 일간(日間) 실내조건(室內條件)에서 방치(放置)하였을 때의 곡률반경변화율(曲律半徑變化率)은 자비처리시(煮沸處理時) 4.0~10.3%, 증자처리시(蒸煮處理時) 13.0~15.0%로서 증자처리(蒸煮處理)에 의한 복원현상(復元現象)이 자비처리(煮沸處理)보다 심하게 나타났으며 에폭시수지(樹脂)를 도포(塗布)하여 방습처리(防濕處理) 하였을 경우에는 곡률반경변화율(曲律半徑變化率)이 -10~0%에 불과(不過)하였다. 14. 약제처리(藥劑處理)에 의한 가소성(可塑性) 효과(效果)는 35% 포르말린 용액(溶液)과 25% 폴리에칠렌 글리콜(400) 수용액(水溶液)에서는 나타나지 않았고 포화요소용액(飽和尿素溶液)과 25% 암모니아수에서는 나타났으나 증자처리(蒸煮處理)의 효과(效果)에는 미치지 못하였다. 그러나 약제처리(藥劑處理) 후 증자처리(蒸煮處理)를 병용실시(倂用實施)하였을 때는 증자처리(蒸煮處理)보다 10~24% 휨가공성(加工性)이 향상(向上)되었다. 15. 소서계수(塑性係數)와 곡률반경(曲律半徑)과의 관계(關係)는 하중(荷重)-변형계수(變形係數), 변형계수(變形係數) 및 에너지계수(係數) 모두 1% 수준(水準)에서 유의적(有意的)인 상관(相關)이 인정(認定)되므로 휨 가공용재(加工用材)의 품질지표(品質指標)로서 적합(適合)하였고 적합도(適合度)는 하중(荷重)-변형계수(變形係數), 에너지계수(係數) 및 변형계수(變形係數)의 순(順)으로 크게 나타났다.

• 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.

• 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.