• 지구물리와물리탐사
• /
• 제2권4호
• /
• pp.167-173
• /
• 1999

탄성파 토모그래피 중에서 많이 사용되는 2차원 시추공-시추공 주시 토모그래피는 파선각이 제한됨에 따라 분해능이 저하되므로, 본 논문에서는 감소된 분해능을 향상시키기 위한 방법들을 검토해 보았다. 토모그래피 역산 과정은 파선의 위치 및 주시에 대한 오차에 민감하므로 선형 주시 보간법을 사용하여 파선을 추적하였으며, 다른 파선 추적법들에 의한 역산결과와 비교하여 좋은 결과를 얻을 수 있었다. 반복적 비선형 역산 과정에 있어서, 파선경로의 추적에 소요되는 계산 시간을 줄이기 위해서 일정 계산과정 동안 선형성을 고려하였으며 그 결과 빠른 수렴을 얻을 수 있었다. 일반적으로 역산과정에서는 적절한 초기 모델의 선정이 계산 결과에 많은 영향을 미치므로, 인공 신경망을 이용하여 획득된 주시로부터 초기속도 모델을 계산하였다. 지구물리학에서 인공 신경망법으로 많이 쓰이는 다층 전향 신경망은 내재된 단점들 때문에 좋은 결과를 얻을 수 없었으므로, 본 연구에서는 GRNN신경망을 이용하였다. 인공 신경망으로부터 계산된 초기모델을 역산에 사용함으로써 분해능을 향상시킬 수 있었다. 그러나 파선 투과각이 넓은 경우나 탐사 대상체가 매우 복잡한 구조를 가지는 경우에는 초기모델이 역산결과에 큰 영향을 주지 않았다. 지구물리학적 토모그래피에서는 파선의 투과각이 제한을 받게되는 경우가 많으므로, 이럴 경우 인공 신경망을 이용하여 초기 모델값을 계산함으로써 역산 결과 생성되는 단면도의 분해능을 향상시킬 수 있다.

• 한국지반환경공학회 논문집
• /
• 제14권9호
• /
• pp.31-37
• /
• 2013

본 연구는 C.G.S공법 적용 지반을 설치 직경, 설치 간격, 면적 치환율, 지반강성에 따른 모델링을 실시함으로써 주변 지반의 거동을 파악하고자 하였고, 인공신경망의 매개변수 연구를 통해 본 연구에 가장 적합한 인공신경망 모델을 선정하여 수치해석과 인공신경망 연계를 통한 인공신경망 예측 모델을 개발하였다. 그 결과, C.G.S 말뚝 침하량 및 지반 침하량은 직경, 설치 간격, 면적 치환율, 지반강성 별로 일치하여 하나의 곡선으로 나타났으며, 이는 C.G.S 공법 적용 지반의 거동양상이 일정한 형태로 나타남을 의미하는 것으로, 이러한 결과를 바탕으로 3차원 거동에 대한 인공신경망 학습이 가능한 것으로 파악되었다. 인공신경망의 내적인자 연구 결과, 은닉층 뉴런수 10개, 모멘텀 상수 0.2, 학습률의 경우 0.2를 사용할 경우 입력과 출력간의 관계가 적절히 표현되는 것으로 나타났다. 이러한 인공신경망 모델의 최적구조를 이용하여 C.G.S 공법의 지반 거동을 평가한 결과는 결정계수 값이 C.G.S 말뚝 침하의 경우는 0.8737, 지반 침하의 경우는 0.7339, 지반 융기의 경우는 0.7212로 나타나 충분한 신뢰도를 보이고 있음을 알수 있었다.

• 한국지반공학회논문집
• /
• 제16권1호
• /
• pp.83-97
• /
• 2000

본 연구에서는, 흙막이 벽체의 변위 예측시스템 개발을 위하여 다층퍼셉트론을 이용해 임의의 인공신경망 모델을 구축하고 그 성능을 평가하여 최적의 모델을 선정하였다. 인공신경망모델의 학습과 검증을 위해 국내 도심지에 실제 시공이 완료된 다양한 현장의 계측자료를 수집하였고, 수집된 계측자료의 분석을 통해 흙막이벽체의 거동에 영향을 미치는 인자를 조사하였다. 아울러 실행비를 기준으로 선별한 신뢰성 있는 계측자료를 조사된 영향인자를 토대로 데이터 베이스화하여 인공신경망 모델의 학습과 검증에 사용하였으며, 학습은 최급강하법을 기초로 하는 역전파 알고리즘을 이용하여 수행하였다. 학습에 포함되지 않은 현장들에 대하여 흙막이벽체의 최대수평변위와 그 발생위치를 예측하고 이를 계측치와 비교하여, 제시한 변위 예측시스템의 적용성을 부분적으로 확인하였다.

• 한국지리정보학회지
• /
• 제24권3호
• /
• pp.1-9
• /
• 2021

본 연구에서는 드론으로 취득한 고해상도 정사영상 자료를 이용하여, 컨볼루션 신경망(Convolution Neural Network, CNN)을 이용한 딥러닝 기법을 통해 수종에 대한 자동분류 가능성을 분석해 보고자 하였다. 수종판독을 위한 분류항목을 소나무, 자작나무, 낙엽송, 잣나무 그리고 신갈나무 5개 수종으로 선정하였다. 고해상도 정사영상과 임상도를 이용하여 총 5,000개의 데이터셋을 구축하였다. 수종분류를 위한 학습모델로 CNN 기법을 적용하였고, 데이터셋을 5:3:2의 비율로 훈련데이터, 검증테이터, 테스트데이터를 구분하여 모델의 학습 및 평가에 사용하였다. 모델의 전체 정확도는 89%로 나타났으며, 수종별 정확도는 소나무 95%, 자작나무 89%, 낙엽송 80%, 잣나무 86%, 신갈나무 98%로 나타났다.

• 한국지반공학회논문집
• /
• 제32권2호
• /
• pp.5-17
• /
• 2016

터널에서의 붕괴는 터널 구조물의 특수성 및 예상치 못한 지반조건의 변화로 인해 언제 어디서든 발생될 수 있다. 그로 인한 경제적인 손실과 인명피해를 줄이기 위하여 사고를 미연에 방지하기 위한 방안에 대한 다양한 연구들이 계속 진행되고 있는 실정이다. 본 연구에서는 붕괴예측을 위하여 국내 터널 붕괴 현장 56개소의 시공데이터를 분석하고 인공신경망 기법에 적용할 입력인자를 민감도 분석으로 선정하였다. 또한 인공신경망 모델 설계는 선정된 입력인자로 학습을 수행하고 터널 붕괴 유형 예측에 최적화된 모델을 결정하였다. 이 모델을 이용하여 붕괴가 발생된 총 12개소에 적용성 평가를 실시하여 터널 붕괴 유형 예측 가능성을 검증하였다. 이러한 결과는 터널 시공 현장에서 붕괴 예방을 위한 기초 자료로서 활용 될 수 있을 것이다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2001년도 가을 학술발표논문집 Vol.28 No.2 (2)
• /
• pp.307-309
• /
• 2001

분류문제에서 유용한 학습패턴은 클래스들간의 분류경계에 근접한 정상패턴들을 말한다. 본 연구에서는 다양한 구조와 학습 파라미터를 가진 신경망 앙상블을 구성하고 그 출력값의 편기와 분산에 기초한 패턴절수를 정의한다. 전체 학습패턴 중 일정한 임계값 이상의 패턴점수를 가진 패턴들만이 학습패턴으로 선정된다. 제안한 방법은 두 개의 인공문제와 두 개의 실제문제 (UCI Repository)에 적응, 검증되었다. 그 결과 선택된 패턴만으로 학습한 경우, 메모리 공간 절약 및 계산시간 단축의 효과뿐만 아니라 복잡도가 큰 모델이라도 과적합을 하지 않았고 실험적으로 안정된 결과를 산출했으며, 적은 수의 학습패턴만으로도 일반화 성능을 향상시키거나 적어도 저하시키지 않았다는 것을 보였다.

• 한국지능시스템학회:학술대회논문집
• /
• 한국퍼지및지능시스템학회 2004년도 추계학술대회 학술발표 논문집 제14권 제2호
• /
• pp.419-422
• /
• 2004

본 논문에서는 신경망 학습을 위한 데이터 획득시 생길 수 있는 오차를 줄이기 위해 획득 데이터에 대한 전처리 과정을 퍼지로써 구현하는 알고리즘을 제안하였다 신경망은 주어진 정보를 이용하여 학습을 가능하게 함으로써 시스템의 특징을 추출하는데 매우 우수한 능력을 발휘하고 있다 그러나 이는 학습에 사용하는 데이터에 오차가 포함되지 않는다는 점을 전제로 하고 있다. 그런데 데이터 획득과정이 인간의 주관적 판단에 의해 수작업으로 이루어지는 경우 학습 데이터는 오차가 존재할 수 있다. 학습 데이터의 오차를 줄이기 위해 조기에 획득된 데이터를 분석하고 추가적인 후보 데이터를 선정하여 데이터 획득 과정에서 큰 영향을 미치는 물체의 거리와 크기를 모두 고려할 수 있도록 퍼지 모델로써 구현하고자 한다.

• 한국지반환경공학회 논문집
• /
• 제13권8호
• /
• pp.25-33
• /
• 2012

터널 설계 시 해당지반에 관한 정보를 정확히 반영하는 것은 대단히 중요하다. 하지만 다양한 지형 및 지질조건을 모두 고려한 지반조사 및 시험 등은 경제적, 기술적으로 인하여 현실적으로 실시하기 어렵기 때문에 한정된 정보에 의하여 해석 및 설계를 하고 있는 실정이다. 본 연구는 도심지 및 산악지역 터널공사 시, 보다 정확한 안정성 검토 및 거동 예측을 수행하여 선정 결과에 대한 현장 적용성 여부를 판단하기 위해 인공신경망 이론의 적용을 통하여 기존 거동예측의 한계성을 극복하고자 하였다. 먼저, 현장 데이터를 확보하여 인공신경망 중 다층퍼셉트론을 연구에 적합한 구조로 구축하고, 역전파 알고리즘으로 학습시켜 적용하였다. 인공신경망을 이용한 현장적용성의 학습을 위한 자료는 터널의 지보패턴, RMR, Q, 암종, 굴진장, 굴착형태, 굴착경과일 등 터널거동에 영향을 미치는 영향인자를 고려하여 신뢰성 분석을 실시하고 선별된 계측자료의 결과를 데이터베이스화하여 사용하였다. 학습이 완료된 인공신경망 모델을 이용하여 터널시공현장의 굴착경과일에 따른 천단변위, 내공변위, 지중변위, 록볼트축력을 예측하고 현장 계측치와 비교분석을 통하여 인공신경망을 이용한 터널 시공 시 현장적용성을 확인하였다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2022년도 학술발표회
• /
• pp.43-43
• /
• 2022

유해 조류 대발생은 전국 각지의 인공호소나 하천에서 다발적으로 발생하며, 경관을 해치고 수질을 오염시키는 등 수자원에 부정적인 영향을 미친다. 본 연구에서는 인공호소에서 발생하는 유해 조류 대발생을 예측하기 위해 심층학습 기법을 이용하여 예측 모델을 개발하고자 하였다. 대상 지점은 대청호의 추동 지점으로 선정하였다. 대청호는 금강유역 중류에 위치한 댐으로, 약 150만명에 달하는 급수 인구수를 유지 중이기에 유해 남조 대발생 관리가 매우 중요한 장소이다. 학습용 데이터 구축은 대청호의 2011년 1월부터 2019년 12월까지 측정된 수질, 기상, 수문 자료를 입력 자료를 이용하였다. 수질 예측 모델의 구조는 다중 레이어 퍼셉트론(Multiple Layer Perceptron; MLP)으로, 입력과 한 개 이상의 은닉층, 그리고 출력층으로 구성된 인공신경망이다. 본 연구에서는 인공신경망의 은닉층 개수(1~3개)와 각각의 레이어에 적용되는 은닉 노드 개수(11~30개), 활성함수 5종(Linear, sigmoid, hyperbolic tangent, Rectified Linear Unit, Exponential Linear Unit)을 각각 하이퍼파라미터로 정하고, 모델의 성능을 최대로 발휘할 수 있는 조건을 찾고자 하였다. 하이퍼파라미터 최적화 도구는 Tensorflow에서 배포하는 Keras Tuner를 사용하였다. 모델은 총 3000 학습 epoch 가 진행되는 동안 최적의 가중치를 계산하도록 설계하였고, 이 결과를 매 반복마다 저장장치에 기록하였다. 모델 성능의 타당성은 예측과 실측 데이터 간의 상관관계를 R2, NSE, RMSE를 통해 산출하여 검증하였다. 모델 최적화 결과, 적합한 하이퍼파라미터는 최적화 횟수 총 300회에서 256 번째 반복 결과인 은닉층 개수 3개, 은닉 노드 수 각각 25개, 22개, 14개가 가장 적합하였고, 이에 따른 활성함수는 ELU, ReLU, Hyperbolic tangent, Linear 순서대로 사용되었다. 최적화된 하이퍼파라미터를 이용하여 모델 학습 및 검증을 수행한 결과, R2는 학습 0.68, 검증 0.61이었고 NSE는 학습 0.85, 검증 0.81, RMSE는 학습 0.82, 검증 0.92로 나타났다.

• 한국가스학회지
• /
• 제17권2호
• /
• pp.59-69
• /
• 2013

본 연구에서는 가스전의 추가 생산정 위치선정을 위해 고속의 연산이 가능한 인공신경망을 이용하여 저류 전산시뮬레이터를 개발하였다. 입출력자료와 알고리즘을 설계하였으며, 개발한 시뮬레이터를 이용하여 가스전의 추가 생산정 위치선정을 위한 연구를 수행하였다. 입력값은 생산시간, 생산정간 상관관계, 추가 생산정 위치좌표, 생산성 잠재력, 함수적 연관관계, 저류층 압력으로 구성하였으며, 출력값은 생산량과 함께 공저압력을 동시에 사용하였다. 20가지의 생산정 위치 시나리오에 대해 학습을 수행한 결과, 생산량의 상관계수 값은 0.99, 공저압력은 0.98로 상관관계가 매우 높은 것으로 확인되어 인공신경망 시뮬레이터의 타당성이 검증되었다. 가스전에서 최대공급계약량 유지시점을 산출함으로써 생산정 위치에 따른 생산성을 분석하였다. 그 결과 시나리오 C-1이 최대공급계약량 유지기간이 가장 짧았으며, 시나리오 A-1이 가장 오랫동안 유지시킬 수 있는 것으로 산출되었다. 결론적으로, 시나리오 A가 생산성에 영향을 받는 인자를 포함한 시나리오 B, C보다 최대 21% 더 최대공급계약량을 유지시킬 수 있는 것으로 확인되었다. 따라서 생산성에 영향을 미치는 요소를 종합적으로 고려하여 생산정의 위치를 선정해야 생산량을 극대화 할 수 있다. 본 인공신경망 시뮬레이터를 이용 시 생산기간동안 생산량과 공저압력 변화를 동시에 비교 분석하는 것이 가능하여 다양한 최적화 모델에 전위모델로 사용하는 것이 가능하다.