• Proceedings of the Korean Information Science Society Conference
• /
• 2005.11a
• /
• pp.877-879
• /
• 2005

배터리를 이용하는 모바일 장비에서 전력 소비를 줄이기 위한 많은 연구들이 있다. 그 중에 동적 전력 관리(Dynamic Power Management)는 시스템의 각 컴포넌트의 상태를 쉽게 관찰할 수 있다는 측면에서 운영체제에서 접근하기 적합한 전력 관리 방법이다. 본 논문에서는 대표적인 모바일 장비인 노트북에서 하드 디스크의 전력소비를 줄이기 위하여 기계 학습 기반의 동적 전력 관리 방법을 제안한다. 하드 디스크 접근 패턴을 분석하여 Artificial Neural Network(ANN) 기법으로 모형을 만들고 이 모형을 바탕으로 하드 디스크의 다음 유휴기간을 예측하였다. 예측된 유휴기간 동안 하드 디스크로의 공급 전력을 감소시키지 않았을 경우에 소비하는 비용이 전력을 줄였다 다시 늘이는 비용보다 크다면 하드 디스크로 공급되는 전력을 줄임으로써 유휴기간 동안 낭비되는 배터리 전력을 줄일 수 있었다. 본 연구에서 생성된 모형을 하드 디스크 디바이스 드라이버에 적용하면 기존의 시간 경계 값을 이용한 방법에 비해 약 23.05W의 전력 소비 감소를 기대할 수 있다.

• Proceedings of the Korean Society for Noise and Vibration Engineering Conference
• /
• 2004.05a
• /
• pp.410-415
• /
• 2004

The oscillation of the fluid caused by external forces is call ed sloshing, which occurs in moving vehicles with contained liquid masses, such as trucks, railroad cars, aircraft, and liquid rocket. This sloshing effect could be a severe problem in vehicle stability and control. In this study, the optimization design technique for reduction of the sloshing using evolutionary method is suggested. Two evolutionary methods are employed, respectively the artificial neural network(ANN) and genetic algorithm. An artificial neural network is used for the analysis of sloshing and genetic algorithm is adopted as optimization algorithm. As a result of optimization design, the optimized size and location of the baffle is presented

• Proceedings of the KIEE Conference
• /
• 2008.07a
• /
• pp.243-244
• /
• 2008

기존의 고정 부하 중심점 방식의 ULTC 운전제어전략은 계절별 부하 변화에 따른 전압보상을 효율적으로 실현하기 어렵다. 따라서 가변 부하 중심점 방식의 ULTC 운전제어전략들이 제안되는데, ANN이나 Fuzzy 멤버쉽 함수를 설계하는 문제는 고도의 전문적 설계경험과 상당한 시간을 요구한다. 따라서 본 연구에서는 적용이 쉬운 최소거리 판별기법을 적용, 부하변화에 따라 ULTC의 운전 부하 중심점을 이동시켜, 전압보상 범위를 개선시킬 수 있는 디지털 ULTC 운전 제어전략을 제안한다.

• Proceedings of the Computational Structural Engineering Institute Conference
• /
• 2010.04a
• /
• pp.770-772
• /
• 2010

기존의 연구는 열화에 의한 물리적 평가 및 열화에 영향을 미치는 수화생성물의 존재여부에 대한 연구는 활발하게 이루어지고 있으나, 그에 따른 수화생성물의 정량화에 대한 연구는 미흡한 실정이다. 본 논문은 XRD 분석 기법을 이용하여 원전 콘크리트 구조물에 대해 열화요인 중 탄산화와 황산염에 대한 상대적 정량화에 대한 연구를 실시하였다. 두 열화인자는 콘크리트 내의 수산화칼슘과 반응하여 에트린가이트와 탄산칼슘을 생성하게 되는데, 본 연구에서 열화인자에 대한 노출기간이 증가할수록 열화에 영향을 미치는 수화 생성물이 증가하는 것을 확인 할 수 있었다. 그에 따른 수산화칼슘의 양이 감소하는 것도 확인 할 수 있었다.

• Proceedings of the KIPE Conference
• /
• 2016.11a
• /
• pp.157-158
• /
• 2016

본 논문에서는 위상 천이 제어 기법이 적용된 전기자동차 배터리 충전용 무선 전력 전송 시스템의 손실을 분석한다. PSIM 시뮬레이션을 통해 결합계수에 따른 전력반도체 소자 및 공진 네트워크의 손실을 이론적으로 계산하며, 송 수신패드의 손실을 FEM 시뮬레이션을 이용하여 도출한다. 계산 결과를 바탕으로 각 결합계수에 따라 소자에서 손실 분포를 확인하고 전체 효율에 영향을 미치는 요소를 분석한다.

• Proceedings of the KIPE Conference
• /
• 2019.07a
• /
• pp.445-446
• /
• 2019

전기적 등가회로의 모델의 정확도 향상을 위하여 정확한 내부 저항과 OCV의 반영은 필수적이며, 이를 위한 OCV 실험에서 SOC 구간을 작게 작을수록 OCV의 정확도는 향상되지만 실험시간은 증가한다. 따라서 실험 시간을 고려한 적당한 SOC(5%, 10%) 구간으로 실험을 진행하며, 측정 되지 않은 영역의 내부 파라미터는 선형보간법으로 등가회로 모델에 반영한다. 이러한 문제로, 본 연구는 SOC 추정에의 주요 인자인 OCV의 추정 기법으로 뉴럴 네트워크(Neural Network)를 사용하였다. 추정 방법은 뉴럴 네트워크로 기존 OCV 실험 데이터를 학습하여 모델을 구축한다. 학습 모델의 입력값으로 용량 실험 데이터의 전압, 전류를 적용하였고 결과로 얻은 SOC-OCV 곡선을 비교 분석하였다.

• Journal of the Korean Geotechnical Society
• /
• v.22 no.6
• /
• pp.15-26
• /
• 2006

Although numerous investigations have been performed over the years to predict the behavior and bearing capacity of piles, the mechanisms are not yet entirely understood. The prediction of bearing capacity is a difficult task, because large numbers of factors affect the capacity and also have complex relationship one another. Therefore, it is extremely difficult to search the essential factors among many factors, which are related with ground condition, pile type, driving condition and others, and then appropriately consider complicated relationship among the searched factors. The present paper describes the application of Artificial Neural Network (ANN) in predicting the capacity including its components at the tip and along the shaft from dynamic load test of the driven piles. Firstly, the effect of each factor on the value of bearing capacity is investigated on the basis of sensitivity analysis using ANN modeling. Secondly, the authors use the design methodology composed of ANN and genetic algorithm (GA) to find optimal neural network model to predict the bearing capacity. The authors allow this methodology to find the appropriate combination of input parameters, the number of hidden units and the transfer structure among the input, the hidden and the out layers. The results of this study indicate that the neural network model serves as a reliable and simple predictive tool for the bearing capacity of driven piles.

• Journal of Korea Water Resources Association
• /
• v.55 no.10
• /
• pp.723-736
• /
• 2022

In this study, monthly precipitation forecasting models that can predict up to 12 months in advance were constructed for the Geum River basin, and two statistical techniques, multiple linear regression (MLR) and artificial neural network (ANN), were applied to the model construction. As predictor candidates, a total of 47 climate indices were used, including 39 global climate patterns provided by the National Oceanic and Atmospheric Administration (NOAA) and 8 meteorological factors for the basin. Forecast models were constructed by using climate indices with high correlation by analyzing the teleconnection between the monthly precipitation and each climate index for the past 40 years based on the forecast month. In the goodness-of-fit test results for the average value of forecasts of each month for 1991 to 2021, the MLR models showed -3.3 to -0.1% for the percent bias (PBIAS), 0.45 to 0.50 for the Nash-Sutcliffe efficiency (NSE), and 0.69 to 0.70 for the Pearson correlation coefficient (r), whereas, the ANN models showed PBIAS -5.0~+0.5%, NSE 0.35~0.47, and r 0.64~0.70. The mean values predicted by the MLR models were found to be closer to the observation than the ANN models. The probability of including observations within the forecast range for each month was 57.5 to 83.6% (average 72.9%) for the MLR models, and 71.5 to 88.7% (average 81.1%) for the ANN models, indicating that the ANN models showed better results. The tercile probability by month was 25.9 to 41.9% (average 34.6%) for the MLR models, and 30.3 to 39.1% (average 34.7%) for the ANN models. Both models showed long-term predictability of monthly precipitation with an average of 33.3% or more in tercile probability. In conclusion, the difference in predictability between the two models was found to be relatively small. However, when judging from the hit rate for the prediction range or the tercile probability, the monthly deviation for predictability was found to be relatively small for the ANN models.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2008.05a
• /
• pp.1027-1031
• /
• 2008

본 연구는 한반도 영역을 대상으로 2001년 7, 8월과 2002년 6월로 홍수기를 대상으로 RDAPS 모형, AWS, 상층기상관측(upper-air sounding)의 자료를 이용하였다. 또한 수치예보자료를 범주적 예측확률로 변환하고 인공신경망기법(ANN)을 이용하여 강수발생확률의 예측정확성을 향상시키는데 있다. 신경망의 예측인자로 사용된 대기변수는 500/ 750/ 1000hpa에서의 지위고도, 500-1000hpa에서의 층후(thickness), 500hpa에서의 X와 Y의 바람성분, 750hpa에서의 X와 Y의 바람성분, 표면풍속, 500/ 750hpa/ 표면에서의 온도, 평균해면기압, 3시간 누적 강수, AWS관측소에서 관측된 RDAPS모형 실행전의 6시간과 12시간동안의 누적강수, 가강수량, 상대습도이며, 예측변수로는 강수발생확률로 선택하였다. 강우는 다양한 대기변수들의 비선형 조합으로 발생되기 때문에 예측인자와 예측변수 사이의 복잡한 비선형성을 고려하는데 유용한 인공신경망을 사용하였다. 신경망의 구조는 전방향 다층퍼셉트론으로 구성하였으며 역전파알고리즘을 학습방법으로 사용하였다. 강수예측성과의 질을 평가하기 위해서 $2{\times}2$ 분할표를 이용하여 Hit rate, Threat score, Probability of detection, Kuipers Skill Score를 사용하였으며, 신경망 학습후의 강수발생확률은 학습전의 강수발생확률에 비하여 한반도영역에서 평균적으로 Kuipers Skill Score가 0.2231에서 0.4293로 92.39% 상승하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2017.05a
• /
• pp.141-141
• /
• 2017

본 연구에서는 대하천의 8개의 수질인자(수온, 용존산소, 수소이온농도, 전기전도도, 총질소, 총인, 탁도, 클로로필-a)를 예측할 수 있는 인공신경망모델을 개발하였다. 인공신경망모델(ANN)은 수질데이터가 가지는 불확실성 및 비정상성, 복잡한 상호관련성에 효과적으로 대응할 수 있는 데이터기반 모델이다. 데이터기반 모델의 특성상 예측정확도를 높이기 위해서 양질의 입력데이터를 구성하는 것이 가장 중요하다. 때문에 각각의 수질인자뿐만 아니라 기상학적 인자 또한 예측을 위한 입력자료로 사용하였으며, 요인분석 및 층화표층추출법을 적용하여 입력데이터를 구성하였고 앙상블기법을 이용하여 추가적으로 예측의 정확도를 향상시켰다. 개발된 모델을 이용하여 지천유입이 있는 북한강의 수질자료를 예측한 결과 탁도를 제외한 7개의 수질인자 모두 0.85 이상의 설명력을 보였으며, 실측값과 예보값을 비교해본 결과 평균적으로 10% 미만의 에러값을 나타냈다. 요인분석을 통하여 연관성있는 인자를 입력인자로 추가한 경우 향상된 결과값을 보였주었으며, 앙상블기법을 적용한 결과 정확도 면에서 큰 향상을 보여주었다.