Zhengyi Kong;Bo Yang;Cuiqiang Shi;Xinjie Huang;George Vasdravellis;Quang-Viet Vu;Seung-Eock Kim
Steel and Composite Structures
/
제50권3호
/
pp.281-298
/
2024
Stainless steel bolts (SSB) are increasingly utilized in bolted steel connections due to their good mechanical performance and excellent corrosion resistance. Fire accidents, which commonly occur in engineering scenarios, pose a significant threat to the safety of steel frames. The post-fire behavior of SSB has a significant influence on the structural integrity of steel frames, and neglecting the effect of temperature can lead to serious accidents in engineering. Therefore, it is important to evaluate the performance of SSB at elevated temperatures and their residual strength after a fire incident. To investigate the mechanical behavior of SSB after fire, 114 bolts with grades A4-70 and A4-80, manufactured from 316L austenitic stainless steel, were subjected to elevated temperatures ranging from 20℃ to 1200℃. Two different cooling methods commonly employed in engineering, namely cooling at ambient temperatures (air cooling) and cooling in water (water cooling), were used to cool the bolts. Tensile tests were performed to examine the influence of elevated temperatures and cooling methods on the mechanical behavior of SSB. The results indicate that the temperature does not significantly affect the Young's modulus and the ultimate strength of SSB. Up to 500℃, the yield strength increases with temperature, but this trend reverses when the temperature exceeds 500℃. In contrast, the ultimate strain shows the opposite trend. The strain hardening exponent is not significantly influenced by the temperature until it reaches 500℃. The cooling methods employed have an insignificant impact on the performance of SSB. When compared to high-strength bolts, 316L austenitic SSB demonstrate superior fire resistance. Design models for the post-fire mechanical behavior of 316L austenitic SSB, encompassing parameters such as the elasticity modulus, yield strength, ultimate strength, ultimate strain, and strain hardening exponent, are proposed, and a more precise stress-strain model is recommended to predict the mechanical behavior of 316L austenitic SSB after a fire incident.
인공지능(AI) 기술이 발전함에 따라 빅데이터 기반의 상품 선호도 추정 개인화 추천시스템에 관심이 증가하고 있는 추세이다. 하지만 개인화 추천이 적합하지 않은 경우 고객의 구매 의사를 감소시키고 심지어 금융상품의 특성상 막대한 재무적 손실로 확대될 수 있는 위험을 가지고 있다. 따라서 고객의 특성과 상품 선호도를 포괄적으로 반영한 추천시스템을 개발하는 것이 비즈니스 성과 창출과 컴플라이언스 이슈 대응에 매우 중요하다. 특히 금융상품의 경우 개인의 투자성향과 리스크 회피도에 따라 고객의 상품 선호도가 구분되므로 축적된 고객 행동 데이터를 활용하여 맞춤형 추천서비스를 제안하는 것이 필요하다. 이러한 고객의 행동 특성과 거래 내역 데이터를 사용하는 것뿐만 아니라, 고객의 인구통계정보, 자산정보, 종목 보유 정보를 포함하여 추천 시스템의 콜드 스타트 문제를 해결하고자 한다. 따라서, 본 연구는 고객의 거래 로그 기록을 바탕으로 고객의 투자성향과 같은 특성 정보와 거래 내역 및 금융상품 정보를 통해 고객별 금융상품 잠재 선호도를 도출하여 딥러닝 기반의 협업 필터링을 제안한 모형이 가장 성능 우수한 것을 확인하였다. 본 연구는 고객의 금융 투자 메커니즘을 기반으로 금융상품 거래 데이터를 통해 미거래 금융상품에 대한 예상 선호를 도출하는 추천 모델을 구축하여, 선호가 높을 것으로 예상되는 상위 상품군을 추천하는 서비스를 개발하는 것에 의의가 있다.
빅데이터 시대를 맞이하여 인공지능 분야는 괄목할만한 성장을 보이고 있으며 특히 딥러닝에 의한 이미지 분류 학습방법이 중요한 영역으로 자리하고 있다. 이미지 분류에서 많이 사용되어 온 CNN의 성능을 더욱 개선하기 위해 다양한 연구가 활발하게 진행되었는데, 이 중에서 대표적인 방법이 CRNN(Convolutional Recurrent Neural Network) 알고리즘이다. CRNN 알고리즘은 이미지 분류를 위한 CNN과 시계열적 요소를 인식하기 위한 RNN의 조합으로 구성되는데, CRNN의 RNN영역에서 사용하는 입력값은 학습 대상의 이미지를 합성곱과 풀링 기법을 적용하여 추출된 결과물을 flatten한 값이고, 이 입력값들은 이미지 내 동일 위상에 있는 픽셀값들이 서로 다른 순서로 나타나기 때문에, RNN에서 의도한 이미지 내 배열 순서를 제대로 학습하기 어렵다는 한계점을 지닌다. 따라서 본 연구는 인코더와 디코더의 개념을 응용한 CNN과 RNN의 새로운 하이브리드 방법을 제안하여, 이미지 분류 성능을 향상시키는 것을 목적으로 하였다. 본 연구에서는 다양한 알고리즘 비교 실험을 통해, 새로운 하이브리드 방법의 효과성을 검증하였다. 본 연구는 인코더와 디코더 개념의 적용 가능성을 넓히고, 제안한 방법이 기존 하이브리드 방법에 비해, 복잡도가 크게 증가하지 않아 모델 학습 시간과 인프라 구축 비용 측면에서 이점을 있다는 점에서 학문적 시사점을 가진다. 또한, 정확한 이미지 분류가 필요한 다양한 분야에서 제공되는 서비스의 품질을 높일 수 있는 가능성을 제시하였다는 점에서 실무적 시사점을 가진다.
본 연구는 국외 바이오산업 클러스터의 태동 과정과 경쟁력 결정요인을 살펴보았다. 바이오산업은 다양한 산업에 접목할 수 있으며, 인공지능과 정보통신기술 등과 결합한 고부가가치 창출이 가능한 까닭에 세계 주요국에서 주목하는 유망 신산업이다. 또한, 기업, 대학, 병원, 연구기관, 정부 등 여러 이해관계자와 연계·협력이 필요하다는 점에서 클러스터의 중요성이 강조된다. 그러나 이 같은 중요성과 관심에 비해 국내의 관련 연구는 다소 미흡한 편이다. 특히, 국외 사례 연구도 소수의 선도 클러스터에 지나치게 치우쳐 있어, 국내 지역 실정에 부합하지 않는 정책과 발전 방안을 내놓는 경향이 있다. 이 같은 문제를 완화하고자, 본 연구는 미국의 바이오 헬스 캐피털 리전, 영국의 케임브리지 클러스터, 덴마크와 스웨덴의 메디콘밸리 세 곳의 태동 및 성장 과정을 살펴보았다. 이를 통해, 부족했던 관련 사례 연구를 풍부하게 하고, 각 클러스터의 경쟁력 결정요인을 파악하여 국내 바이오산업 클러스터의 조성과 육성에 대한 시사점을 제시하고자 한다.
생체 인식은 사람의 생체적, 행동적 특징 정보를 특정 장치로 추출하여 본인 여부를 판별하는 기술이다. 생체 인식 분야에서 생체 특성 위조, 복제, 해킹 등 사이버 위협이 증가하고 있다. 이에 대응하여 보안 시스템이 강화되고 복잡해지며, 개인이 사용하기 어려워지고 있다. 이를 위해 다중 생체 인식 모델이 연구되고 있다. 기존 연구들은 특징 융합 방법을 제시하고 있으나, 특징 융합 방법 간의 비교는 부족하다. 이에 본 논문에서는 지문, 얼굴, 홍채 영상을 이용한 다중 생체 인식 모델의 융합 방법을 비교 평가했다. 특징 추출을 위해VGG-16, ResNet-50, EfficientNet-B1, EfficientNet-B4, EfficientNet-B7, Inception-v3를 사용했으며, 특성융합을 위해 'Sensor-Level', 'Feature-Level', 'Score-Level', 'Rank-Level' 융합 방법을 비교 평가했다. 비교평가결과 'Feature-Level' 융합 방법에서 EfficientNet-B7 모델이 98.51%의 정확도를 보이며 높은 안정성을 보였다. 그러나 EfficietnNet-B7모델의 크기가 크기 때문에 생체 특성 융합을 위한 모델 경량화 연구가 필요하다.
인공지능 활용 수학수업 지원시스템에 대한 교사의 사용 의도는, 인공지능을 활용하지 않은 전통적인 수학수업 환경에서 구현하기 어려웠던 다양한 수학학습 기회를 제공하는 데 핵심적인 역할을 한다. 본 연구는 초등교사의 인공지능 활용 수학수업 지원시스템 사용 의도에 영향을 미치는 요인을 탐색하고, 요인 간의 구조적 관계를 분석하는 데 목표를 두었다. 이를 위해 기술 수용 모델을 적용하여 인공지능 활용 수학수업 지원시스템의 하나인 <똑똑! 수학탐험대>에 대한 초등교사 215명의 태도와 사용 의도에의 영향 요인 간 관계를 분석하였다. 주요 변수는 수학 학습에 대한 지각된 유용성, 지각된 인공지능 사용 용이성, 그리고 인공지능 활용에 대한 태도였다. 연구 결과, 수학 학습에 대한 지각된 유용성과 지각된 인공지능 사용 용이성이 교사들의 <똑똑! 수학탐험대>에 대한 긍정적인 태도에 영향을 미치고, 긍정적인 태도가 <똑똑! 수학탐험대> 사용 의도에 유의미한 영향을 미치는 것으로 나타났다. 이러한 결과는 교사가 인공지능을 활용한 수학학습의 효과와 인공지능 사용 용이성에 대해 긍정적으로 인식하도록 돕는 것이 인공지능 활용 수학수업 지원시스템을 현장에 효과적으로 도입하여 수학수업과 수학학습을 지원하는 데 핵심임을 시사한다.
목적 Greulich-Pyle 기반 전산화된 손 골연령과 팔꿈치 골연령을 비교하고자 하였다. 대상과 방법 팔꿈치 골연령이 Sauvegrain 방법에 의해 평가 가능한 범위 내에 있고, 동시에 손 X선 사진을 촬영한 2126명의 환자(여아 1525명, 남아 601명)를 대상으로 하였다. VUNOMedBoneAge 소프트웨어를 이용하여 손의 1순위 골연령과 VUNO 점수를 얻었으며, 아동의 성별과 1순위 골연령 확률에 따라 손 골연령과 팔꿈치 골연령의 상관관계를 분석하였다. 결과 VUNO 점수와 팔꿈치 골연령의 상관관계(r = 0.898)가 1순위 골연령과 팔꿈치 골연령의 상관관계(r = 0.879)보다 높았다. 1순위 골연령 확률이 70% 미만이거나 여아인 경우, VUNO 점수를 사용하면 팔꿈치 골연령과 더 좋은 상관관계를 보였다. 팔꿈치 골연령은 손 골연령보다 진행된 경향을 보였으며 그 차이는 사춘기 중반까지 증가하다가 후반에 점차 감소하였다. 결론 사춘기 시기의 Greulich-Pyle 기반 전산화된 손 골연령은 팔꿈치 골연령과 유의한 상관관계를 보였다. 다만 팔꿈치 골연령은 손 골연령보다 빠른 경향이 있어 사춘기의 골연령 판단에 있어 주의가 필요하겠다.
Objective: To evaluate the image quality of novel dark-blood computed tomography angiography (CTA) imaging combined with deep learning reconstruction (DLR) compared to delayed-phase CTA images with hybrid iterative reconstruction (HIR), to visualize the cervical artery wall in patients with Takayasu arteritis (TAK). Materials and Methods: This prospective study continuously recruited 53 patients with TAK (mean age: 33.8 ± 10.2 years; 49 females) between January and July 2022 who underwent head-neck CTA scans. The arterial- and delayed-phase images were reconstructed using HIR and DLR. Subtracted images of the arterial-phase from the delayed-phase were then added to the original delayed-phase using a denoising filter to generate the final-dark-blood images. Qualitative image quality scores and quantitative parameters were obtained and compared among the three groups of images: Delayed-HIR, Dark-blood-HIR, and Dark-blood-DLR. Results: Compared to Delayed-HIR, Dark-blood-HIR images demonstrated higher qualitative scores in terms of vascular wall visualization and diagnostic confidence index (all P < 0.001). These qualitative scores further improved after applying DLR (Dark-blood-DLR compared to Dark-blood-HIR, all P < 0.001). Dark-blood DLR also showed higher scores for overall image noise than Dark-blood-HIR (P < 0.001). In the quantitative analysis, the contrast-to-noise ratio (CNR) values between the vessel wall and lumen for the bilateral common carotid arteries and brachiocephalic trunk were significantly higher on Dark-blood-HIR images than on Delayed-HIR images (all P < 0.05). The CNR values were significantly higher for Dark-blood-DLR than for Dark-blood-HIR in all cervical arteries (all P < 0.001). Conclusion: Compared with Delayed-HIR CTA, the dark-blood method combined with DLR improved CTA image quality and enhanced visualization of the cervical artery wall in patients with TAK.
Sangjoon Park;Jong Chul Ye;Eun Sun Lee;Gyeongme Cho;Jin Woo Yoon;Joo Hyeok Choi;Ijin Joo;Yoon Jin Lee
Korean Journal of Radiology
/
제24권6호
/
pp.541-552
/
2023
Objective: Detection of pneumoperitoneum using abdominal radiography, particularly in the supine position, is often challenging. This study aimed to develop and externally validate a deep learning model for the detection of pneumoperitoneum using supine and erect abdominal radiography. Materials and Methods: A model that can utilize "pneumoperitoneum" and "non-pneumoperitoneum" classes was developed through knowledge distillation. To train the proposed model with limited training data and weak labels, it was trained using a recently proposed semi-supervised learning method called distillation for self-supervised and self-train learning (DISTL), which leverages the Vision Transformer. The proposed model was first pre-trained with chest radiographs to utilize common knowledge between modalities, fine-tuned, and self-trained on labeled and unlabeled abdominal radiographs. The proposed model was trained using data from supine and erect abdominal radiographs. In total, 191212 chest radiographs (CheXpert data) were used for pre-training, and 5518 labeled and 16671 unlabeled abdominal radiographs were used for fine-tuning and self-supervised learning, respectively. The proposed model was internally validated on 389 abdominal radiographs and externally validated on 475 and 798 abdominal radiographs from the two institutions. We evaluated the performance in diagnosing pneumoperitoneum using the area under the receiver operating characteristic curve (AUC) and compared it with that of radiologists. Results: In the internal validation, the proposed model had an AUC, sensitivity, and specificity of 0.881, 85.4%, and 73.3% and 0.968, 91.1, and 95.0 for supine and erect positions, respectively. In the external validation at the two institutions, the AUCs were 0.835 and 0.852 for the supine position and 0.909 and 0.944 for the erect position. In the reader study, the readers' performances improved with the assistance of the proposed model. Conclusion: The proposed model trained with the DISTL method can accurately detect pneumoperitoneum on abdominal radiography in both the supine and erect positions.
Seul Bi Lee;Youngtaek Hong;Yeon Jin Cho;Dawun Jeong;Jina Lee;Soon Ho Yoon;Seunghyun Lee;Young Hun Choi;Jung-Eun Cheon
Korean Journal of Radiology
/
제24권4호
/
pp.294-304
/
2023
Objective: We aimed to investigate whether image standardization using deep learning-based computed tomography (CT) image conversion would improve the performance of deep learning-based automated hepatic segmentation across various reconstruction methods. Materials and Methods: We collected contrast-enhanced dual-energy CT of the abdomen that was obtained using various reconstruction methods, including filtered back projection, iterative reconstruction, optimum contrast, and monoenergetic images with 40, 60, and 80 keV. A deep learning based image conversion algorithm was developed to standardize the CT images using 142 CT examinations (128 for training and 14 for tuning). A separate set of 43 CT examinations from 42 patients (mean age, 10.1 years) was used as the test data. A commercial software program (MEDIP PRO v2.0.0.0, MEDICALIP Co. Ltd.) based on 2D U-NET was used to create liver segmentation masks with liver volume. The original 80 keV images were used as the ground truth. We used the paired t-test to compare the segmentation performance in the Dice similarity coefficient (DSC) and difference ratio of the liver volume relative to the ground truth volume before and after image standardization. The concordance correlation coefficient (CCC) was used to assess the agreement between the segmented liver volume and ground-truth volume. Results: The original CT images showed variable and poor segmentation performances. The standardized images achieved significantly higher DSCs for liver segmentation than the original images (DSC [original, 5.40%-91.27%] vs. [standardized, 93.16%-96.74%], all P < 0.001). The difference ratio of liver volume also decreased significantly after image conversion (original, 9.84%-91.37% vs. standardized, 1.99%-4.41%). In all protocols, CCCs improved after image conversion (original, -0.006-0.964 vs. standardized, 0.990-0.998). Conclusion: Deep learning-based CT image standardization can improve the performance of automated hepatic segmentation using CT images reconstructed using various methods. Deep learning-based CT image conversion may have the potential to improve the generalizability of the segmentation network.
본 웹사이트에 게시된 이메일 주소가 전자우편 수집 프로그램이나
그 밖의 기술적 장치를 이용하여 무단으로 수집되는 것을 거부하며,
이를 위반시 정보통신망법에 의해 형사 처벌됨을 유념하시기 바랍니다.
[게시일 2004년 10월 1일]
이용약관
제 1 장 총칙
제 1 조 (목적)
이 이용약관은 KoreaScience 홈페이지(이하 “당 사이트”)에서 제공하는 인터넷 서비스(이하 '서비스')의 가입조건 및 이용에 관한 제반 사항과 기타 필요한 사항을 구체적으로 규정함을 목적으로 합니다.
제 2 조 (용어의 정의)
① "이용자"라 함은 당 사이트에 접속하여 이 약관에 따라 당 사이트가 제공하는 서비스를 받는 회원 및 비회원을
말합니다.
② "회원"이라 함은 서비스를 이용하기 위하여 당 사이트에 개인정보를 제공하여 아이디(ID)와 비밀번호를 부여
받은 자를 말합니다.
③ "회원 아이디(ID)"라 함은 회원의 식별 및 서비스 이용을 위하여 자신이 선정한 문자 및 숫자의 조합을
말합니다.
④ "비밀번호(패스워드)"라 함은 회원이 자신의 비밀보호를 위하여 선정한 문자 및 숫자의 조합을 말합니다.
제 3 조 (이용약관의 효력 및 변경)
① 이 약관은 당 사이트에 게시하거나 기타의 방법으로 회원에게 공지함으로써 효력이 발생합니다.
② 당 사이트는 이 약관을 개정할 경우에 적용일자 및 개정사유를 명시하여 현행 약관과 함께 당 사이트의
초기화면에 그 적용일자 7일 이전부터 적용일자 전일까지 공지합니다. 다만, 회원에게 불리하게 약관내용을
변경하는 경우에는 최소한 30일 이상의 사전 유예기간을 두고 공지합니다. 이 경우 당 사이트는 개정 전
내용과 개정 후 내용을 명확하게 비교하여 이용자가 알기 쉽도록 표시합니다.
제 4 조(약관 외 준칙)
① 이 약관은 당 사이트가 제공하는 서비스에 관한 이용안내와 함께 적용됩니다.
② 이 약관에 명시되지 아니한 사항은 관계법령의 규정이 적용됩니다.
제 2 장 이용계약의 체결
제 5 조 (이용계약의 성립 등)
① 이용계약은 이용고객이 당 사이트가 정한 약관에 「동의합니다」를 선택하고, 당 사이트가 정한
온라인신청양식을 작성하여 서비스 이용을 신청한 후, 당 사이트가 이를 승낙함으로써 성립합니다.
② 제1항의 승낙은 당 사이트가 제공하는 과학기술정보검색, 맞춤정보, 서지정보 등 다른 서비스의 이용승낙을
포함합니다.
제 6 조 (회원가입)
서비스를 이용하고자 하는 고객은 당 사이트에서 정한 회원가입양식에 개인정보를 기재하여 가입을 하여야 합니다.
제 7 조 (개인정보의 보호 및 사용)
당 사이트는 관계법령이 정하는 바에 따라 회원 등록정보를 포함한 회원의 개인정보를 보호하기 위해 노력합니다. 회원 개인정보의 보호 및 사용에 대해서는 관련법령 및 당 사이트의 개인정보 보호정책이 적용됩니다.
제 8 조 (이용 신청의 승낙과 제한)
① 당 사이트는 제6조의 규정에 의한 이용신청고객에 대하여 서비스 이용을 승낙합니다.
② 당 사이트는 아래사항에 해당하는 경우에 대해서 승낙하지 아니 합니다.
- 이용계약 신청서의 내용을 허위로 기재한 경우
- 기타 규정한 제반사항을 위반하며 신청하는 경우
제 9 조 (회원 ID 부여 및 변경 등)
① 당 사이트는 이용고객에 대하여 약관에 정하는 바에 따라 자신이 선정한 회원 ID를 부여합니다.
② 회원 ID는 원칙적으로 변경이 불가하며 부득이한 사유로 인하여 변경 하고자 하는 경우에는 해당 ID를
해지하고 재가입해야 합니다.
③ 기타 회원 개인정보 관리 및 변경 등에 관한 사항은 서비스별 안내에 정하는 바에 의합니다.
제 3 장 계약 당사자의 의무
제 10 조 (KISTI의 의무)
① 당 사이트는 이용고객이 희망한 서비스 제공 개시일에 특별한 사정이 없는 한 서비스를 이용할 수 있도록
하여야 합니다.
② 당 사이트는 개인정보 보호를 위해 보안시스템을 구축하며 개인정보 보호정책을 공시하고 준수합니다.
③ 당 사이트는 회원으로부터 제기되는 의견이나 불만이 정당하다고 객관적으로 인정될 경우에는 적절한 절차를
거쳐 즉시 처리하여야 합니다. 다만, 즉시 처리가 곤란한 경우는 회원에게 그 사유와 처리일정을 통보하여야
합니다.
제 11 조 (회원의 의무)
① 이용자는 회원가입 신청 또는 회원정보 변경 시 실명으로 모든 사항을 사실에 근거하여 작성하여야 하며,
허위 또는 타인의 정보를 등록할 경우 일체의 권리를 주장할 수 없습니다.
② 당 사이트가 관계법령 및 개인정보 보호정책에 의거하여 그 책임을 지는 경우를 제외하고 회원에게 부여된
ID의 비밀번호 관리소홀, 부정사용에 의하여 발생하는 모든 결과에 대한 책임은 회원에게 있습니다.
③ 회원은 당 사이트 및 제 3자의 지적 재산권을 침해해서는 안 됩니다.
제 4 장 서비스의 이용
제 12 조 (서비스 이용 시간)
① 서비스 이용은 당 사이트의 업무상 또는 기술상 특별한 지장이 없는 한 연중무휴, 1일 24시간 운영을
원칙으로 합니다. 단, 당 사이트는 시스템 정기점검, 증설 및 교체를 위해 당 사이트가 정한 날이나 시간에
서비스를 일시 중단할 수 있으며, 예정되어 있는 작업으로 인한 서비스 일시중단은 당 사이트 홈페이지를
통해 사전에 공지합니다.
② 당 사이트는 서비스를 특정범위로 분할하여 각 범위별로 이용가능시간을 별도로 지정할 수 있습니다. 다만
이 경우 그 내용을 공지합니다.
제 13 조 (홈페이지 저작권)
① NDSL에서 제공하는 모든 저작물의 저작권은 원저작자에게 있으며, KISTI는 복제/배포/전송권을 확보하고
있습니다.
② NDSL에서 제공하는 콘텐츠를 상업적 및 기타 영리목적으로 복제/배포/전송할 경우 사전에 KISTI의 허락을
받아야 합니다.
③ NDSL에서 제공하는 콘텐츠를 보도, 비평, 교육, 연구 등을 위하여 정당한 범위 안에서 공정한 관행에
합치되게 인용할 수 있습니다.
④ NDSL에서 제공하는 콘텐츠를 무단 복제, 전송, 배포 기타 저작권법에 위반되는 방법으로 이용할 경우
저작권법 제136조에 따라 5년 이하의 징역 또는 5천만 원 이하의 벌금에 처해질 수 있습니다.
제 14 조 (유료서비스)
① 당 사이트 및 협력기관이 정한 유료서비스(원문복사 등)는 별도로 정해진 바에 따르며, 변경사항은 시행 전에
당 사이트 홈페이지를 통하여 회원에게 공지합니다.
② 유료서비스를 이용하려는 회원은 정해진 요금체계에 따라 요금을 납부해야 합니다.
제 5 장 계약 해지 및 이용 제한
제 15 조 (계약 해지)
회원이 이용계약을 해지하고자 하는 때에는 [가입해지] 메뉴를 이용해 직접 해지해야 합니다.
제 16 조 (서비스 이용제한)
① 당 사이트는 회원이 서비스 이용내용에 있어서 본 약관 제 11조 내용을 위반하거나, 다음 각 호에 해당하는
경우 서비스 이용을 제한할 수 있습니다.
- 2년 이상 서비스를 이용한 적이 없는 경우
- 기타 정상적인 서비스 운영에 방해가 될 경우
② 상기 이용제한 규정에 따라 서비스를 이용하는 회원에게 서비스 이용에 대하여 별도 공지 없이 서비스 이용의
일시정지, 이용계약 해지 할 수 있습니다.
제 17 조 (전자우편주소 수집 금지)
회원은 전자우편주소 추출기 등을 이용하여 전자우편주소를 수집 또는 제3자에게 제공할 수 없습니다.
제 6 장 손해배상 및 기타사항
제 18 조 (손해배상)
당 사이트는 무료로 제공되는 서비스와 관련하여 회원에게 어떠한 손해가 발생하더라도 당 사이트가 고의 또는 과실로 인한 손해발생을 제외하고는 이에 대하여 책임을 부담하지 아니합니다.
제 19 조 (관할 법원)
서비스 이용으로 발생한 분쟁에 대해 소송이 제기되는 경우 민사 소송법상의 관할 법원에 제기합니다.
[부 칙]
1. (시행일) 이 약관은 2016년 9월 5일부터 적용되며, 종전 약관은 본 약관으로 대체되며, 개정된 약관의 적용일 이전 가입자도 개정된 약관의 적용을 받습니다.