• 산업공학
• /
• 제10권3호
• /
• pp.125-132
• /
• 1997

We proposed a 2-step neural network approach for estimating machining parameters of electric discharge wire cut. The first step net, which is described as a backward neuro-estimation, is designed for estimating coarse cutting parameters while the second phase net, as a polishing forward neuro-estimation, is utilized for determining fine parameters. Sequential estimation procedure, based on backward and forward net, is performed using the net's approximation capability which is M to 1 and 1 to M mapping property. Experimental results an given to evaluate the accuracy of the proposed 2-step neuro-estimation.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2024년도 제69차 동계학술대회논문집 32권1호
• /
• pp.31-34
• /
• 2024

태양광 에너지는 탄소 중립 이행을 위한 주요 방안으로 많은 주목을 받고 있다. 태양광 발전량은 여러 환경적 요인에 따라 크게 달라질 수 있으므로, 정확한 발전량 예측은 전력 네트워크의 안정성과 효율적인 에너지 관리에 근본적으로 중요하다. 대표적인 인공지능 기술인 신경망(Neural Network)은 불안정한 환경 변수와 복잡한 상호작용을 효과적으로 학습할 수 있어 태양광 발전량 예측에서 우수한 성능을 도출하였다. 하지만, 신경망은 모델의 구조나 초매개변수(Hyperparameter)를 최적화하는 것은 복잡하고 시간이 많이 드는 작업이므로, 에너지 분야에서 실제 산업 적용에 한계가 존재한다. 본 논문은 2단계 신경망 최적화를 통한 태양광 발전량 예측 기법을 제안한다. 먼저, 태양광 발전량 데이터 셋을 훈련 집합과 평가 집합으로 분할한다. 훈련 집합에서, 각기 다른 은닉층의 개수로 구성된 여러 신경망 모델을 구성하고, 모델별로 Optuna를 적용하여 최적의 초매개변숫값을 선정한다. 다음으로, 은닉층별 최적화된 신경망 모델을 이용해 훈련과 평가 집합에서는 각각 5겹 교차검증을 적용한 발전량 추정값과 예측값을 출력한다. 마지막으로, 스태킹 앙상블 방식을 채택해 기본 초매개변숫값으로 설정해도 우수한 성능을 도출하는 랜덤 포레스트를 이용하여 추정값을 학습하고, 평가 집합의 예측값을 입력으로 받아 최종 태양광 발전량을 예측한다. 인천 지역으로 실험한 결과, 제안한 방식은 모델링이 간편할 뿐만 아니라 여러 신경망 모델보다 우수한 예측 성능을 도출하였으며, 이를 바탕으로 국내 에너지 산업에 이바지할 수 있을 것으로 기대한다.

• 한국정보통신학회:학술대회논문집
• /
• 한국해양정보통신학회 1998년도 춘계종합학술대회
• /
• pp.321-326
• /
• 1998

본 논문에서는 정밀 제어와 온-라인 제어를 위하여 유전 알고리즘을 이용한 퍼지-신경망 제어기를 제안하였다. 제안된 제어기의 설계방법은 다음과 같은 3단계의 동조과정으로 구성한다. 1) 퍼지 제어기의 비퍼지화 연산을 신경망을 이용하여 함수근사화 시킨 후, 퍼지-신경망 제어기를 구성한다. 2) 플랜트에 적합한 퍼지 소속함수의 형태를 얻기 위해 유전 알고리즘을 이용하여 근사화된 퍼지 소속함수를 찾는다. 3) 근사화된 초기 퍼지 소속함수를 퍼지-신경망 제어기에 의해 적응학습으로 최적의 퍼지 소속함수를 얻고, 또한 플랜트의 파라미터 변동이나 외부환경의 변화에 대해 적응할 수 있도록 최적의 퍼지 소속함수를 추정한다. 제안된 제어기의 성능을 평가하기 위하여 DC 서보모터의 속도제어에 적용하였다.

• 한국건설관리학회논문집
• /
• 제19권4호
• /
• pp.82-92
• /
• 2018

건설사업 초기단계가 환경부하량의 절감 가능성에 큰 영향을 미친다는 것을 감안한다면, 효과적인 의사결정을 지원할 수 있는 시스템을 초기에 구축하고 활용하는 것이 중요하다. 이에 본 연구에서는 기본적인 설계 요인들을 고려하여 초기 설계단계에서 활용될 수 있는 환경부하량 산정 모델을 구축하였다. 이 모델은 인공신경망 기법을 활용하고 설계단계 업무가 진행됨에 따라 얻을 수 있는 가용정보 수준을 고려하여 기획단계 적용 모델(ANN-1)과 기본 설계단계 적용 모델(ANN-2)로 구분하여 환경부하량을 산정하도록 구축되었다. 모델의 실험결과 ANN-1, ANN-2모델의 절대평균오차율과 표준편차는 각각 11.19% / 5.30% 및 9.59% / 3.09%로 높은 신뢰성을 갖는 것으로 나타났다. 본 모델은 프로젝트 초기단계별 기초적인 가용정보만을 활용하여 신속하고 정확하게 환경부하량을 추정하고 합리적인 의사결정을 지원할 수 있을 것으로 기대된다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2008년도 학술발표회 논문집
• /
• pp.1447-1451
• /
• 2008

저수지 군 연계 운영을 위한 각 댐에서의 방류량을 결정하기 위해서는 대개 각 댐의 초기 저수량, 유역 상 하류 댐의 총 저수량, 수요량, 기간별 발전 목표 달성 정도, 그리고 예상되는 미래유입량 등이 추정되어야 한다. 본 연구에서는 댐 군 연계운영을 위한 일별 최적화 모형인 CoMOM(Coordinated Multi-reservoir Operating Model, 4.2)의 상위 단계의 더 큰 단위 기간에 활용될 댐 군 연계 운영 기본 가이드라인을 신경망 기법을 활용하여 도출할 수 있을 지를 실험해 보고자 한다. 이 방법은 기본적으로 CoMOM이 제시하는 일별 운영 계획의 결과가 최선의 정책일것이라는 가정에 근거하고 있다. 즉, 주어진 상황에서 일별 CoMOM이 제시하는 결과를 교사 신호로 하여 신경망 학습을 수행하고, 이 결과를 통해 규칙(Rule)을 생성하는 과정으로 요약할 수 있다. 신경망 분석은 CoMOM이 이수기 모형인 점을 고려하여 이수기만을 대상으로 실험하였으며, 단위 분석기간을 10일로 택하여 미래 10일간의 방류량을 결정하는 것을 목표로 하였다. 신경망 모형의 입력요소로는 각 댐의 초기 유효 저수량, 유역 상 하류 댐의 총 저수량, 10일간의 수요량, 그리고 향후 한달 동안의 예상 유입량을 적용하였고, 출력요소로는 CoMOM에서 제시한 방류량 결과를 사용하였다. 모형의 유효성을 검증하기 위해 한강수계의 이수기를 대상으로 과거의 유입량 자료가 재현된다고 가정하고, 모의운영을 통하여 적합성을 분석하였다. 이를 위해 매일 단위의 실제 댐 군 연계 운영의 상황을 모의할 수 있는 실시간 시뮬레이션을 적용하였으며, 신경망 모형의 운영 기준에 의해 결정된 향후 10일 동안의 총 방류량이 해당기간 동안 동일한 양으로 나누어 방류된다는 가정 하에 모의 운영하였다. 그리고 도출된 운영 결과는 최종적으로 실적과의 평균저수량, 발전량, 여수로 방류량 비교를 통해 평가하였다.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 1988년도 전기.전자공학 학술대회 논문집
• /
• pp.414-417
• /
• 1988

신경회로를 모방한 병렬 아날로그-디지탈 변환기를 설계하고 광학적으로 구현하였다. 이 회로의 동작 원리는 주어진 입력 아날로그 값에 대해 출력 bit 들의 디지털 값을 동시에 추정하는 것으로 $2^{N}$ 단계의 구분을 위해서 N개의 단위 소자가 필요하다. 에너지 최소화 방법에 의해 설계된 신경망 아날로그-디지털 변환기와 비교해 볼 때 회로의 구조가 단순하고 출력이 회로의 초기 상태에 관계없이 주어진 입력에 의해 결정된다.

• 사물인터넷융복합논문지
• /
• 제9권2호
• /
• pp.71-76
• /
• 2023

본 논문에서는 단일 수신기가 사용되는 환경에서 정확한 거리 추정을 위해 심층 인공신경망 (Deep Neural Network, DNN)을 활용한 Smoothed Received Signal Strength Indicator (RSSI) 기반 거리 추정 기법을 제안한다. 제안 기법은 거리 추정 정확도 향상을 위해 Data Splitting, 결측치 대치, Smoothing 단계로 구성된 전처리 과정을 수행하여 Smoothed RSSI 값을 도출한다. 도출된 다수의 Smoothed RSSI 값은 Multi-Input Single-Output(MISO) DNN 모델의 Input Data로 사용되며 Input Layer와 Hidden Layer를 통과하여 최종적으로 Output Layer에서 추정 거리로 반환된다. 제안 기법의 우수성을 입증하기 위해 제안 기법과 선형회귀 기반 거리 추정 기법의 성능을 비교하였다. 실험 결과, 제안 기법이 선형회귀 기반 거리 추정 기법 대비 29.09% 더 높은 거리 추정 정확도를 보였다.

• 한국산학기술학회논문지
• /
• 제19권5호
• /
• pp.611-617
• /
• 2018

대형구조물의 효과적인 구조 안전성 확보를 위해서는 결함탐지기술을 포함한 건전성 모니터링의 적용이 필요하다. 본 연구에서는 보 구조물에 발생하는 균열위치와 균열크기를 추정하기 위하여 다음과 같은 2단계의 균열추정방법을 제안한다. 우선, 보 구조물의 분포 국부 변형률 계측결과를 이용하여 변형률 모드형상을 구하고, 이에 대한 수정 라플라시안(Laplacian) 연산을 통하여 균열발생 영역을 추정한다. 이후, 가속도 측정을 통하여 구한 고유주파수와 신경망기법을 이용하여, 미리 추정된 균열발생 영역을 대상으로 균열위치와 균열크기를 추정한다. 이때, 신경망을 훈련시키기 위하여, 에너지법에 의해 유도된 균열보의 등가휨강성을 이용하여 균열보의 고유주파수를 해석적으로 구한다. 기법을 검증하기 위하여 알루미늄 캔틸레버 보에 대한 손상실험을 수행하였다. 인위적으로 실험체에 균열을 가한 후 자유진동실험을 수행하여 동적 변형률과 가속도를 계측하고 이를 이용하여 변형률 모드형상과 고유주파수를 구하였다. 변형률 모드형상에 대한 수정 라플라시안 연산을 통하여 균열발생 영역을 추정하고, 고유주파수와 신경망기법을 이용하여, 미리 추정된 균열발생 영역에 대하여 균열위치와 균열크기를 판정하였다. 3가지 손상경우에 대한 균열발생 영역의 추정결과는 실제 영역과 잘 일치하였으며, 균열위치와 균열크기 추정결과의 정확성을 상당히 향상시킬 수 있었다. 제안된 기법은 장대구조물에 대한 구조물 건전성 모니터링에 효과적으로 활용될 수 있을 것으로 판단된다.

• 한국정밀공학회지
• /
• 제15권2호
• /
• pp.7-13
• /
• 1998

This paper presents a methodology for determining machining conditions in Electric Discharge Wire-Cut. Unification of two phase neural network approach with an automatic generation of machining parameters is designed. The first phase neural network, which is 1 to M backward-mapping neural net, produces approximate machining conditions. Using approximate conditions, all possible conditions are newly created by the proposed automatic generation procedure. The second phase neural net, which is a M to 1 forward-mapping neural net, determines the best one among the generated candidates. Simulation results with ANN are given to verify that the presenting methodology could apply for determining machining parameters in Electric Discharge Wire-Cut.

• 한국산학기술학회논문지
• /
• 제21권6호
• /
• pp.374-382
• /
• 2020

본 연구에서 저장탄약 신뢰성평가(ASRP: Ammunition Stockpile Reliability Program)의 데이터 특성을 고려하여 입력변수를 줄이는 정규화기법을 제안함으로써 분류성능의 저하 없이 저장탄약 신뢰성분류 인경신경망모델의 학습 속도향상을 목표로 하였다. 탄약의 성능에 대한 기준은 국방규격(KDS: Korea Defense Specification)과 저장탄약 시험절차서(ASTP: Ammunition Stockpile reliability Test Procedure)에 규정되어 있으며, 평가결과 데이터는 이산형과 연속형 데이터가 복합적으로 구성되어 있다. 이러한 저장탄약 신뢰성평가의 데이터 특성을 고려하여 입력변수는 로트 추정 불량률(estimated lot percent nonconforming) 또는 고장률로 정규화 하였다. 또한 입력변수의 unitary hypercube를 유지하기 위하여 최소-최대 정규화를 2차로 수행하는 2단계 정규화 기법을 제안하였다. 제안된 2단계 정규화 기법은 저장탄약 신뢰성평가 데이터를 이용하여 비교한 결과 최소-최대 정규화와 유사하게 AUC(Area Under the ROC Curve)는 0.95 이상이었으며 학습속도는 학습 데이터 수와 은닉 계층의 노드 수에 따라 1.74 ~ 1.99 배 향상되었다.