• 청정기술
• /
• 제20권4호
• /
• pp.375-382
• /
• 2014

금속산화물이 담지된 허니컴 형상의 플라즈마-촉매 반응기를 이용하여 아이소프로필 알코올(isopropyl alcohol, IPA) 저감 및 부산물 생성 거동에 대해 조사하였다. 허니컴 형상의 다공질 세라믹 지지체(주성분: ${\alpha}-Al_2O_3$)에 금속산화물로 산화철($Fe_2O_3$) 또는 산화구리(CuO)를 담지시킨 후, 이 촉매가 동축 원통형 전극구조 내부에 위치하도록 플라즈마-촉매 반응기를 구성하였다. 플라즈마 반응에 의한 IPA 분해속도가 매우 빨랐기 때문에 IPA 분해효율 자체는 금속산화물 담지 여부 및 금속산화물 종류에 관계없이 유사한 것으로 나타났으나, 부산물 생성거동은 촉매종류에 따라 큰 차이를 보여주었다. 아세톤, 폼알데하이드, 아세트알데하이드, 메테인, 일산화탄소 등의 유해 부산물 농도는 $Fe_2O_3/{\alpha}-Al_2O_3$ < $CuO/{\alpha}-Al_2O_3$ < ${\alpha}-Al_2O_3$ 순으로 높게 나타났다. 유량 $1L\;min^{-1}$, IPA 초기농도 5,000 ppm(산소: 10%), 방전전력 47 W의 조건에서 얻어진 $CO_2$ 선택도는 ${\alpha}-Al_2O_3$, $CuO/{\alpha}-Al_2O_3$, $Fe_2O_3/{\alpha}-Al_2O_3$에 대해 각각 40, 80, 95%로서 $Fe_2O_3/{\alpha}-Al_2O_3$가 플라즈마-촉매를 이용한 IPA의 산화에 가장 효과적인 것으로 나타났다. 플라즈마를 단독으로 사용하여 휘발성유기화합물을 분해할 경우 타르형태의 생성물이 반응기에 퇴적되는 문제점이 있으나, 플라즈마-촉매 공정에서는 이러한 현상이 관찰되지 않았으며 촉매의 활성이 그대로 유지되었다.

• 지능정보연구
• /
• 제24권2호
• /
• pp.111-124
• /
• 2018

본 연구는 만성질환 중의 하나인 고지혈증 유병을 예측하는 분류모형을 개발하고자 한다. 이를 위해 SVM과 meta-learning 알고리즘을 이용하여 성과를 비교하였다. 또한 각 알고리즘에서 성과를 향상시키기 위해 변수선정 방법을 통해 유의한 변수만을 선정하여 투입하여 분석하였고 이 결과 역시 각각 성과를 비교하였다. 본 연구목적을 달성하기 위해 한국의료패널 2012년 자료를 이용하였고, 변수 선정을 위해 세 가지 방법을 사용하였다. 먼저 단계적 회귀분석(stepwise regression)을 실시하였다. 둘째, 의사결정나무(decision tree) 알고리즘을 사용하였다. 마지막으로 유전자 알고리즘을 사용하여 변수를 선정하였다. 한편, 이렇게 선정된 변수를 기준으로 SVM, meta-learning 알고리즘 등을 이용하여 고지혈증 환자분류 예측모형을 비교하였고, TP rate, precision 등을 사용하여 분류 성과를 비교분석하였다. 이에 대한 분석결과는 다음과 같다. 첫째, 모든 변수를 투입하여 분류한 결과 SVM의 정확도는 88.4%, 인공신경망의 정확도는 86.7%로 SVM의 정확도가 좀 더 높았다. 둘째, stepwise를 통해 선정된 변수만을 투입하여 분류한 결과 전체 변수를 투입하였을 때보다 각각 정확도가 약간 높았다. 셋째, 의사결정나무에 의해 선정된 변수 3개만을 투입하였을 때 인공신경망의 정확도가 SVM보다 높았다. 유전자 알고리즘을 통해 선정된 변수를 투입하여 분류한 결과 SVM은 88.5%, 인공신경망은 87.9%의 분류 정확도를 보여 주었다. 마지막으로, 본 연구에서 제안하는 meta-learning 알고리즘인 스태킹(stacking)을 적용한 결과로서, SVM과 MLP의 예측결과를 메타 분류기인 SVM의 입력변수로 사용하여 예측한 결과, 고지혈증 분류 정확도가 meta-learning 알고리즘 중에서는 가장 높은 것으로 나타났다.