• 인터넷정보학회논문지
• /
• 제19권1호
• /
• pp.77-86
• /
• 2018

지난 수년간 KISTI는 EDISON이라는 온라인 시뮬레이션 실행 플랫폼을 통해 사용자들이 다양한 계산과학공학 분야에서 제공된 사이언스 애플리케이션에 대한 시뮬레이션을 수행할 수 있는 서비스를 제공하고 있다. 일반적으로 이러한 시뮬레이션은 대규모 계산을 수반하므로 대용량의 출력 데이터를 생산해 낸다. 온라인 플랫폼에서 이러한 시뮬레이션을 수행 할 때 발생하는 중요한 문제 중 하나는 많은 사용자가 동일한 (또는 거의 변하지 않는) 입력 매개 변수 또는 파일을 사용하여 시뮬레이션 요청 (또는 작업)을 플랫폼에 동시에 제출함으로써 플랫폼에 상당한 부담을 준다는 점이다. 다시 말해, 동일한 컴퓨팅 작업으로 인해 중복 컴퓨팅 및 스토리지 리소스가 빠른 속도로 소모된다는 점이다. 이와 같은 동일한 시뮬레이션 요청으로 인한 과도한 자원 사용 문제를 극복하기 위해, 본 논문은 실행 메타 데이터, 즉 프로비넌스를 기반으로 시뮬레이션 데이터를 효율적으로 관리하기 위한 IceSheet라는 새로운 프레임 워크를 제안한다. IceSheet 프레임워크는 시뮬레이션 실행과 관련된 프로비넌스를 수집하여 저장한다. 수집된 프로비넌스 정보는 중복 시뮬레이션 요청을 제외할 뿐만 아니라 오픈소스 검색 엔진인 ElasticSearch를 통해 기존 시뮬레이션 결과를 검색하는 데도 사용된다. 특히 본 논문은 IceSheet 프레임워크에서 저장된 시뮬레이션 결과를 검색하고 재사용할 수 있는 핵심 구성 요소에 대해 자세히 설명한다. 우리는 온라인 시뮬레이션 실행 플랫폼과 함께 연동하는 검색 엔진을 기반으로 제안된 프레임워크의 프로토타입을 구현하였다. 플랫폼에서 수집된 실제 시뮬레이션 실행 프로비넌스를 기반으로 제안된 프레임워크의 성능 평가를 수행하였다. 플랫폼과 완벽히 연동된 IceSheet 프레임워크는 사용자로 하여금 선택된 시뮬레이션 소프트웨어에 대해 과거에 입력된 매개 변수 값을 빠르게 검색하고 동일한 입력 매개 변수 값이 존재하는 경우 기존의 결과를 곧바로 반환할 수 있도록 할 것으로 기대된다. 따라서 제안된 프레임워크를 통해 이전에 실행된 시뮬레이션과 동일한 요청에 대해 중복 자원 소모를 없애고 실행 시간을 크게 단축시키는 데 도움이 될 것으로 기대한다.

• 한국산림과학회지
• /
• 제32권1호
• /
• pp.29-35
• /
• 1976

항도지역(港都地域)(부산(釜山), 인천(仁川)), 호남지역(湖南地域)(전남북(全南北)), 관동지역(關東地域)(강원(江原), 경북(慶北))에서 총(總) 96개소(個所)의 표목제재소(標木製材所)를 선정(選定)하여 Cobb-Douglas 생산함수(生産函數)를 유도(誘導)한 다음 1967-1975년(年) 사이의 기술진보율(技術進步率)과 제재생산인자(製材生産因子)의 생산성(生産性) 및 적정요소투입량(適正要素投入量)을 계측(計測)하였으며, 그 결과(結果)를 요약(要約)하면 다음과 같다. 1. 3지역(地域)에서 모두 제재소(製材所)의 평균규모(平均規模)는 증대(增大)하는 경향(傾向)이 있다. 즉 제재소당(製材所當) 보유마력수(保有馬力數)의 증가율(增加率)은 항도지역(港都地域)이 91.0%, 호남지역(湖南地域)이 7.7%, 관동지역(關東地域)이 16.9%로 나타났다. 이는 외재수입항(外材輸入港)을 중심(中心)으로한 도불형(都巿型) 제재소(製材所)가 크게 발전(發展)하고 있음을 뜻한다. 2. 1967년(年)에는 3지역(地域) 제재생산함수(製材生産函數)의 회귀계수(回歸係數)(생산탄성치(生産彈性値))가 거의 비슷하였으나 1975년(年)에는 지역간(地域間)의 차이(差異)가 현저(顯著)하게 나타났다. 즉 1967년(年)의 생산제약요인(生産制約要因)은 3지역(地域)에서 모두 자본(資本)이었으나 1975년(年)에는 관동지역(關東地域)만이 자본(資本)의 제약(制約)을 받고 있다. 탄성치(彈性値)의 합계(合計)는 ${\alpha}+{\beta}$ > 1이므로 규모(規模)에 대한 보수(報酬)는 모두 점증적(漸增的)인 상태(狀態)에 있다. 3. 관측기간중(觀測期間中)의 기술진보율(技術進步率)은 항도지역(港都地域)이 17.58%, 호남지역(湖南地域)이 7.58%, 관동지역(關東地域)이 2.24%이다. 자본생산성(資本生産性)에 비(比)하여 노동생산성(勞動生産性)이 높은 지역(地域)은 항도지역(港都地域)이며, 이는 자본집약적(資本集約的)인 경영(經營)이 이루어지고 있음을 뜻한다. 그러나 경제여건(經濟與件)이 안정(安定)되어 있는 외국(外國)의 경우에 비추어 볼 때, 3지역(地域)의 노동탄성치(勞動彈性値)가 자본탄성치(資本彈性値)에 비하여 높다는 것은 상대적(相對的)으로 자본생산성(資本生産性)의 하위성(下位性), 즉 과대 자본투자(資本投資)를 의미하는 것으로 제재용재(製材用材)의 공급량(供給量)이 증가(增加)되지 않는 한(限) 미이용자본(未利用資本)의 회수(回收)가 필요(必要)할 것으로 생각된다. 4. 이윤극대화(利潤極大化)를 위한 생산요소(生産要素)의 적정투입량(適正投入量)은 산출물(産出物)과 투입물(投入物)의 가격변화(價格變化)에 따라 달라지나, $m^2$당(當) 제재목(製材木) 가격(價格)이 50,000원, 기업(企業)의 매출총이익율(賣出總利益率)이 9%, 연간노임(年間勞賃)이 540,000원, 마력당(馬力當) 가격(價格)이 100,000원일 때, 항도지역(港都地域), 호남지역(湖南地域), 관동지역(關東地域)에서 자본(資本)과 노동(勞動)의 적정투입량(適正投入量)은 각각(各各) 57 : 17, 427 : 94, 192 : 27로 나타났다.

• 지능정보연구
• /
• 제16권4호
• /
• pp.159-172
• /
• 2010

협업필터링 추천은 다양한 분야에서 활용되고 있지만 트랜잭션 데이터의 성격에 따라 추천 성능에 현저한 차이를 보이고 있다. 기존 연구에서는 이러한 추천 성능의 차이가 나타나는 이유에 대한 설명을 구체적으로 제시하지 못하고 있고 이에 따라 추천 성능의 예측 또한 연구된 바가 없다. 본 연구는 사회네트워크분석과 인공신경망 모형을 이용하여 협업필터링 추천시스템의 성능을 예측하고자 한다. 본 연구의 목적을 달성하기 위해 국내 백화점의 트랜잭션 데이터를 기반으로 형성되는 고객간 사회 네트워크의 구조적 지표를 측정한 후 이를 기반으로 인공신경망 모형을 구축하고 검증한다. 본 연구는 협업필터링 추천 성능을 예측할 수 있는 새로운 모형을 제시하였다는 점에서 그 의의가 있으며 이를 통해 기업들의 협업필터링 추천시스템 도입에 대한 의사결정에 도움을 줄 수 있을 것으로 기대된다.

• 지능정보연구
• /
• 제22권2호
• /
• pp.127-142
• /
• 2016

딥러닝은 인공신경망(neural network)이라는 인공지능분야의 모형이 발전된 형태로서, 계층구조로 이루어진 인공신경망의 내부계층(hidden layer)이 여러 단계로 이루어진 구조이다. 딥러닝에서의 주요 모형은 합성곱신경망(convolutional neural network), 순환신경망(recurrent neural network), 그리고 심층신뢰신경망(deep belief network)의 세가지라고 할 수 있다. 그 중에서 현재 흥미로운 연구가 많이 발표되어서 관심이 집중되고 있는 모형은 지도학습(supervised learning)모형인 처음 두 개의 모형이다. 따라서 본 논문에서는 지도학습모형의 가중치를 최적화하는 기본적인 방법인 오류역전파 알고리즘을 살펴본 뒤에 합성곱신경망과 순환신경망의 구조와 응용사례 등을 살펴보고자 한다. 본문에서 다루지 않은 모형인 심층신뢰신경망은 아직까지는 합성곱신경망 이나 순환신경망보다는 상대적으로 주목을 덜 받고 있다. 그러나 심층신뢰신경망은 CNN이나 RNN과는 달리 비지도학습(unsupervised learning)모형이며, 사람이나 동물은 관찰을 통해서 스스로 학습한다는 점에서 궁극적으로는 비지도학습모형이 더 많이 연구되어야 할 주제가 될 것이다.

• 전기전자학회논문지
• /
• 제25권3호
• /
• pp.493-500
• /
• 2021

본 논문에서는 다각형 용기의 품질 향상을 위한 딥러닝 구조 개발을 제안한다. 딥러닝 구조는 convolution 층, bottleneck 층, fully connect 층, softmax 층 등으로 구성된다. Convolution 층은 입력 이미지 또는 이전 층의 특징 이미지를 여러 특징 필터와 convolution 3x3 연산하여 특징 이미지를 얻어 내는 층이다. Bottleneck 층은 convolution 층을 통해 추출된 특징 이미지상의 특징들 중에서 최적의 특징들만 선별하여 convolution 1x1 ReLU로 채널을 감소시키고convolution 3x3 ReLU를 실시한다. Bottleneck 층을 거친 후에 수행되는 global average pooling 연산과정은 convolution 층을 통해 추출된 특징 이미지의 특징들 중에서 최적의 특징들만 선별하여 특징 이미지의 크기를 감소시킨다. Fully connect 층은 6개의 fully connect layer를 거쳐 출력 데이터가 산출된다. Softmax 층은 입력층 노드의 값과 연산을 진행하려는 목표 노드 사이의 가중치와 곱을 하여 합하고 활성화 함수를 통해 0~1 사이의 값으로 변환한다. 학습이 완료된 후에 인식 과정에서는 학습 과정과 마찬가지로 카메라를 이용한 이미지 획득, 측정 위치 검출, 딥러닝을 활용한 비원형 유리병 분류 등을 수행하여 비원형 유리병을 분류한다. 제안된 다각형 용기의 품질 향상을 위한 딥러닝 구조의 성능을 평가하기 위하여 공인시험기관에서 실험한 결과, 양품/불량 판별 정확도 99%로 세계최고 수준과 동일한 수준으로 산출되었다. 검사 소요 시간은 평균 1.7초로 비원형 머신비전 시스템을 사용하는 생산 공정의 가동 시간 기준 내로 산출되었다. 따라서 본 본문에서 제안한 다각형 용기의 품질 향상을 위한 딥러닝 구조의 성능의 그 효용성이 입증되었다.

• 한국터널지하공간학회 논문집
• /
• 제24권5호
• /
• pp.431-449
• /
• 2022

지금까지 국내에서는 수 많은 터널들이 완공되어 오면서 시공에서뿐 아니라 설계에서도 다양한 경험과 기술이 지속적으로 축적되어 왔다. 따라서 이제는 매우 복잡한 지질조건 또는 특수한 터널구조가 아니라면 일반적인 터널설계작업은 설계 항목에 따라 기존 유사 설계사례를 수정 또는 보완하는 것만으로도 충분한 경우도 적지 않다. 특히 터널발파설계의 경우, 실제 터널시공시 현장에서 시험발파를 통해 시공을 위한 발파설계를 추가로 수행하는 것이 일반적이라는 것을 감안할때, 설계단계에서 수행하는 발파설계는 예비설계 성격을 지니고 있어 기존의 유사 설계사례를 참고하는 것도 타당하다고 사료된다. 한편 최근 4차산업혁명시대에 들어서면서 전 산업분야에 걸쳐 그 활용도가 급증하고 있는 인공지능은 터널 및 발파분야에서도 다양하게 활용되고 있지만, 발파터널의 경우 발파진동 및 암반분류 등의 예측 분야에서 주로 활용되고 있을 뿐 터널발파패턴 설계에 활용된 사례는 많지 않다. 따라서 본 연구에서는 터널발파설계를 인공지능의 한 분야인 머신러닝 모델을 이용하여 자동화하기 위한 시도를 하였다. 이를 위하여 25개 학습용 터널설계 자료 및 2개의 시험용 설계자료에서 4가지의 입력데이터(지보패턴, 도로유형, 상반 및 하반 단면적) 및 16개의 출력데이터(심발공 종류, 비장약량, 천공수, 각 발파공 그룹별 공간격과 저항선 등)를 발췌하였다. 이를 기반으로 3가지 머신러닝 모델, 즉, XGBoost, ANN, SVM 모델을 시험한 결과 XGBoost모델이 상대적으로 최상의 결과를 나타내었다. 또한 이를 이용하여 실제 발파설계 상황을 가정하여 발파패턴을 제안하도록 한 결과 일부 항목에서 보완이 필요하긴 하지만 일반적 설계와 유사한 결과를 나타내었다. 본 연구가 기초연구 성격이어서 전체 발파설계를 완벽하게 수행하기는 아직 부족하지만, 향후 충분한 발파설계데이터를 확보하고 세부적인 처리과정을 보완하여 실용적인 활용이 가능하도록 추가 연구를 수행할 계획이다.

• 멤브레인
• /
• 제32권4호
• /
• pp.235-252
• /
• 2022

무삼투압차 역삼투압(Δ𝜋= 0)은 KAIST H. N. Chang 명예교수가 2013년 발명, 2014년 미국 특허 출원, 2018년 특허 취득(US 9,950,297) 해수담수화기술. Chang 등의 RO 기술은 삼투압 조정조와 저압 역삼투압의 2 챔버로 구성. Chang 등은 소금물을 비롯한 모든 수용액은 물과 용질(소금)로 완전 분리 가능 주장. 삼투압차 조정조, 저압 역삼투압조 2 챔버로 구성됨. 고농도 용액의 삼투압은 1908년 미국화학회지 출간된 MIT G. N. Lewis식 이용. 두 번째 특허(US 10,953,3367)에서 RO가 10~12 bar 저 삼투압차 수행 가능 증명. 세 번째 특허(Korea 10-2322755, 해외 출원 중) Singularity ZERO 활용하면 기존 RO에 비해 물은 50% 추가, 막 면적은 1/3, 이론에너지는 1/5, 동일 용량의 S-ZERO 기술은 기존 RO 건설비의 50~60%로 예측됨.

• 한국토양비료학회지
• /
• 제42권6호
• /
• pp.439-446
• /
• 2009

벼농사가 수질에 미치는 영향을 평가하기 위하여 지역별 논의 질소수지를 평가하였다. 질소의 유입량은 비료 시용량, 강우 및 관개에 의한 수계공급량, 토양질소의 무기화량 및 질소 고정량 등을 합하여 추정하였고, 질소의 유출량은 배출수나 지하침투수를 통한 수계유출량, 암모니아 휘산과 탈질에 의한 대기 중으로의 손실량, 무기질소의 유기화 및 작물에 의한 흡수량을 합하여 평가하였다. 지역별 환경 특성은 토양 중 유기물함량, 쌀 수확량, 관개수 중의 질소함량, 토양통 분포면적에 의한 토양침투속도 등을 이용하여 추정하였다. 지역별로 환경특성을 고려하여 벼농사가 수질에 미치는 영향을 평가한 결과 경기도와 충청남도의 질소 수지가 각각 -5.4와 $-8.3kg\;ha^{-1}\;yr^{-1}$으로 이 지역에서의 벼농사는 주변 수계로부터 질소를 흡수하여 농업에 활용하는 수질정화의 기능이 다른 지역에 비해 상대적으로 큰 것으로 평가되었다. 반면 강원도와 경상남도는 각각 4.9와 $14.0kg\;ha^{-1}\;yr^{-1}$ 으로 유입량보다 유출량이 오히려 많아 질소를 배출하는 것으로 평가되었다. 시비량이 $110kg\;ha^{-1}$로 동일하다는 조건하에 우리나라 관개수 중의 질소함량이 평균 $1mg\;L^{-1}$ 증가할 경우 벼농사는 $-2.9kg\;ha^{-1}\;yr^{-1}$의 수질 개선효과가 있으며, 전국적으로는 벼논의 질소 흡수량이 연간 2,616 Mg이나 증가하는 것으로 추정되었으며, 농업용수의 오염도가 상대적으로 높은 도시인근 지역이 관개수가 깨끗한 지역보다 벼농사에 의한 수질정화 효과가 크다는 것을 알 수 있었다. 동일한 수확량 조건에서 시비량을 $110kg\;ha^{-1}$에서 $90kg\;ha^{-1}$으로 줄일 경우 질소정화 기능은 전국적으로 10,600 Mg이 증가하고 수질정화 기능을 수행하는 면적도 확대됨을 알 수 있었다. 또한, 쌀 수확량 $5,000kg\;ha^{-1}$을 100%로 가정할 경우 질소 시비량은 $110kg\;ha^{-1}$, 수확량이 100%인 경우 질소수지는 $-0.3kg\;ha^{-1}$이었지만 시비량을 $90kg\;ha^{-1}$으로 줄이고 수확량도 100%에서 90%와 85%로 줄이면 질소수지는 각각 -11.7, -2.3 및 $2.4kg \;ha^{-1}$으로 시비량을 줄여도 수확량을 동시에 줄이면 질수수지의 개선효과가 떨어지며, 수량을 85%로 줄이면 수질에 미치는 영향을 나타내는 질소수지는 $110kg\;ha^{-1}$을 시비할 때보다 오히려 더 나빠지는 것으로 평가되었다. 이상의 결과들로 볼 때 벼농사가 수질환경에 미치는 영향은 관개수 수질, 토양물리 및 화학성 등의 자연환경에 따라 달라지므로 지역의 자연환경 특성을 최대로 활용하여, 벼 재배에 의한 수질정화기능을 최대로 활용하는 영농기술도입이 필요한 것으로 판단된다. 또한 현재 시비량을 줄이고 이에 따라 수확량도 줄어들 것이라는 전제의 영농방법으로서는 벼농사에 의한 수질오염 방지를 효과적으로 달성할 수 없으며, 시비량은 줄이되 토양과 관개수 중의 영양물질을 최대한으로 활용하여 최고의 수확량을 유지하는 것이 벼농사의 주변 수계에 대한 오염물질 발생을 줄이고 수질정화 기능을 증대시키는 가장 좋은 친환경농업라고 판단된다.

• 지능정보연구
• /
• 제18권4호
• /
• pp.59-77
• /
• 2012

기업의 성장성, 수익성, 안정성, 활동성, 생산성 등에 대한 다양한 분석이 은행, 신용평가기관, 투자자 등 많은 이해관계자에 의해 실시되고 있고, 이에 대한 다양한 경영분석 지표들 또한 정기적으로 발표되고 있다. 본 연구에서는 이러한 경영분석 지표를 이용하여 어떤 기업이 가까운 미래에 유상증자를 실시하는지를 데이터마이닝을 통해 예측하고자 한다. 본 연구를 통해 어떠한 지표가 유상증자 여부를 예측하는데 도움이 되는가를 살펴 볼 것이며, 그 지표들을 이용하여 예측할 경우 그 예측의 정확도가 어느 정도인지를 분석하고자 한다. 특히 1997년 IMF 금융위기 전후로 유상증자를 결정하는 변수들이 변화하는지, 그리고 예측의 정확성에 분명한 차이가 존재하는지 분석한다. 또한 유상증자 실시 시기를 경영분석 지표 발표 후 1년 내, 1~2년 내, 2~3년 내로 나누어 예측 시기에 따라 예측의 정확성과 결정 변수들의 차이가 존재하는지도 분석한다. 658개의 유가증권상장법인의 경영분석 데이터를 이용하여 실증 분석한 결과, IMF 이후의 유상증자 예측모형이 IMF 이전의 예측모형에 비해 예측 정확도가 높았고, 학습용 데이터의 예측 정확도와 검증용 데이터의 예측 정확도 차이도 IMF 이후가 낮게 나타났다. 이러한 결과는 IMF 이후 재무자료의 정확도가 높아졌고, 기업에게 유상증자의 목적이 더욱 명확해졌다고 해석될 수 있다. 또한 예측기간이 단기인 경우 경영분석 지표 중 안전성에 관련된 지표들의 중요성이 부각되었고, 장기인 경우에는 수익성과 안전성뿐만 아니라 활동성과 생산성 관련지표도 유상증자를 예측하는 데 중요한 것으로 파악되었다. 그리고 모든 예측모형에서 산업코드가 유상증자를 예측하는 중요변수로 포함되었는데 이는 산업별로 서로 다른 유상증자 유형이 존재한다는 점을 시사한다. 본 연구는 투자자나 재무담당자가 유상증자 여부를 장단기 시점에서 예측하고자 할 때 어떠한 경영분석지표를 고려하여 분석하는 것이 바람직한지에 대한 지침을 제공하는데 그 의의가 있다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.167-181
• /
• 2018

지난 10여 년간 딥러닝(Deep Learning)은 다양한 기계학습 알고리즘 중에서 많은 주목을 받아 왔다. 특히 이미지를 인식하고 분류하는데 효과적인 알고리즘으로 알려져 있는 합성곱 신경망(Convolutional Neural Network, CNN)은 여러 분야의 분류 및 예측 문제에 널리 응용되고 있다. 본 연구에서는 기계학습 연구에서 가장 어려운 예측 문제 중 하나인 주식시장 예측에 합성곱 신경망을 적용하고자 한다. 구체적으로 본 연구에서는 그래프를 입력값으로 사용하여 주식시장의 방향(상승 또는 하락)을 예측하는 이진분류기로써 합성곱 신경망을 적용하였다. 이는 그래프를 보고 주가지수가 오를 것인지 내릴 것인지에 대해 경향을 예측하는 이른바 기술적 분석가를 모방하는 기계학습 알고리즘을 개발하는 과제라 할 수 있다. 본 연구는 크게 다음의 네 단계로 수행된다. 첫 번째 단계에서는 데이터 세트를 5일 단위로 나눈다. 두 번째 단계에서는 5일 단위로 나눈 데이터에 대하여 그래프를 만든다. 세 번째 단계에서는 이전 단계에서 생성된 그래프를 사용하여 학습용과 검증용 데이터 세트를 나누고 합성곱 신경망 분류기를 학습시킨다. 네 번째 단계에서는 검증용 데이터 세트를 사용하여 다른 분류 모형들과 성과를 비교한다. 제안한 모델의 유효성을 검증하기 위해 2009년 1월부터 2017년 2월까지의 약 8년간의 KOSPI200 데이터 2,026건의 실험 데이터를 사용하였다. 실험 데이터 세트는 CCI, 모멘텀, ROC 등 한국 주식시장에서 사용하는 대표적인 기술지표 12개로 구성되었다. 결과적으로 실험 데이터 세트에 합성곱 신경망 알고리즘을 적용하였을 때 로지스틱회귀모형, 단일계층신경망, SVM과 비교하여 제안모형인 CNN이 통계적으로 유의한 수준의 예측 정확도를 나타냈다.