• 한국소음진동공학회:학술대회논문집
• /
• 한국소음진동공학회 2001년도 추계학술대회논문집 II
• /
• pp.1162-1165
• /
• 2001

Operational Modal Analysis also known as Output Only Modal Analysis has in the recent years been used for extracting modal parameters of civil engineering structures and is now becoming popular for mechanical structures. The advantage of the method is that no artificial excitation need to be applied to the structure or force signals to be measured. All the parameter estimation is based upon the response signals, thereby minimising the work of preparation for the test. This test case is a controlled lab set-up enabling different parameter estimation methods techniques to be used and compared to the Operational Modal Analysis. For Operational Modal Analysis two different estimation techniques are used： a non-parametric technique based on Frequency Domain Decomposition (FDD), and a parametric technique working on the raw data in time domain, a data driven Stochastic Subspace Identification (SS!) algorithm. These are compared to other methods such as traditional Modal Analysis.

• 응용통계연구
• /
• 제26권2호
• /
• pp.335-347
• /
• 2013

다양한 분야에서 시그널(signal) 형태로 자료들이 표현된다. 예를 들면 심전도(electrocardiogram)는 심근에서 발생하는 활동 전류를 나타내는데, 심장의 박동에 따라 수축과 이완을 반복하는 과정을 시간에 따른 활동 전류량의 변동으로 나타낸다. 현실세계에서 측정하거나 관찰되는 시그널에는 다양한 형태의 시그널들이 혼합되어 있는 경우가 흔하다. 예를 들어 오케스트라 연주의 아름다운 선율은 고유한 주파수(frequency)를 지닌 악기들의 다양한 소리로 구성되어 있으며, 각기 다른 음조(note)가 하나로 모여 완벽한 하모니를 형성하게 된다. 시그널이 정상인(stationary) 경우에 혼합된 시그널들을 분해하여 분석하는 방법에 대해 현재까지 다양하게 연구되어 왔다. 자료가 비정상(non-stationary)일 경우에는 기존의 방법론들을 적용시키기에는 한계가 있다. 비정상성 자료를 다루기 위해 Huang 등 (1998)은 경험적 모드분해법(empirical mode decomposition)이라는 방법을 제안하였다. 자료에 내포되어 있는 국소적인 파동(oscillation)을 국소 극값들(local extrema)을 식별하여 자료 적응적으로 추출한다. 경험적 모드분해법은 잡음(error)에 의해 자료가 오염되어 있는 경우에는 국소 극값들을 통하여 국소적인 파동을 추정하기 어려우며, 자료의 크기가 커짐에 따라 계산량도 크게 늘어나는 단점 등이 있다. 본 연구에서는 이차 미분을 이용하여 국소적인 파동을 식별하고 추정하는 새로운 방법론을 제시하고자 한다.

• Nuclear Engineering and Technology
• /
• 제54권5호
• /
• pp.1825-1834
• /
• 2022

Performing high-fidelity computational fluid dynamics (HF-CFD) to predict the flow and heat transfer state of the coolant in the reactor core is expensive, especially in scenarios that require extensive parameter search, such as uncertainty analysis and design optimization. This work investigated the performance of utilizing a multi-fidelity reduced-order model (MF-ROM) in PWR rod bundles simulation. Firstly, basis vectors and basis vector coefficients of high-fidelity and low-fidelity CFD results are extracted separately by the proper orthogonal decomposition (POD) approach. Secondly, a surrogate model is trained to map the relationship between the extracted coefficients from different fidelity results. In the prediction stage, the coefficients of the low-fidelity data under the new operating conditions are extracted by using the obtained POD basis vectors. Then, the trained surrogate model uses the low-fidelity coefficients to regress the high-fidelity coefficients. The predicted high-fidelity data is reconstructed from the product of extracted basis vectors and the regression coefficients. The effectiveness of the MF-ROM is evaluated on a flow and heat transfer problem in PWR fuel rod bundles. Two data-driven algorithms, the Kriging and artificial neural network (ANN), are trained as surrogate models for the MF-ROM to reconstruct the complex flow and heat transfer field downstream of the mixing vanes. The results show good agreements between the data reconstructed with the trained MF-ROM and the high-fidelity CFD simulation result, while the former only requires to taken the computational burden of low-fidelity simulation. The results also show that the performance of the ANN model is slightly better than the Kriging model when using a high number of POD basis vectors for regression. Moreover, the result presented in this paper demonstrates the suitability of the proposed MF-ROM for high-fidelity fixed value initialization to accelerate complex simulation.

• 지능정보연구
• /
• 제27권2호
• /
• pp.1-15
• /
• 2021

추천시스템은 사용자의 기호를 파악하여 물품 구매 결정을 도와주는 역할을 할 뿐만 아니라, 비즈니스 전략의 관점에서도 중요한 역할을 하기에 많은 기업과 기관에서 관심을 갖고 있다. 최근에는 다양한 추천시스템 연구 중에서도 NLP와 딥러닝 등을 결합한 하이브리드 추천시스템 연구가 증가하고 있다. NLP를 이용한 감성분석은 사용자 리뷰 데이터가 증가함에 따라 2000년대 중반부터 활용되기 시작하였지만, 기계학습 기반 텍스트 분류를 통해서는 텍스트의 특성을 완전히 고려하기 어렵기 때문에 리뷰의 정보를 식별하기 어려운 단점을 갖고 있다. 본 연구에서는 기계학습의 단점을 보완하기 위하여 BERT 기반 감성분석을 활용한 추천시스템을 제안하고자 한다. 비교 모형은 Naive-CF(collaborative filtering), SVD(singular value decomposition)-CF, MF(matrix factorization)-CF, BPR-MF(Bayesian personalized ranking matrix factorization)-CF, LSTM, CNN-LSTM, GRU(Gated Recurrent Units)를 기반으로 하는 추천 모형이며, 실제 데이터에 대한 분석 결과, BERT를 기반으로 하는 추천시스템의 성과가 가장 우수한 것으로 나타났다.