• 에너지공학
• /
• 제28권3호
• /
• pp.65-79
• /
• 2019

본 연구는 산업단지 내 Gas Combined Cycle CHP와 연계 가능한 신재생에너지원을 조합하여 최적의 설비용량을 산정하고자 하였다. 특히 2013~2016년도 에너지사용계획 협의 대상 산업단지 중 집단에너지 공급대상 지역지정 연료사용량 요건은 연간 3.8만 TOE로 미달되지만, 열밀도가 $92.6Gcal/km^2{\cdot}h$로 높은 세종첨단일반산업단지를 연구 대상으로 하였다. 그리고 신재생에너지 Hybrid System 경제성 분석 프로그램인 HOMER Pro를 이용하여 연료전지와 태양광발전을 연계한 FC-PV Hybrid CHP System의 최적화 운영 모델에 대해 분석하였다. 또 CHP의 주 공급 에너지원인 열에너지에 있어, 열수요량 뿐만 아니라 우점 업종에 대한 열수요 패턴을 분석하여 연구의 신뢰도를 높이고자 하였으며, 경제성 분석을 추가하여 상대적 편익을 비교하고자 하였다. 연구 결과, 신규 조성 중인 세종첨단일반산업단지의 전체 간접열 수요는 연간 378,282 Gcal이며, 이중 제지업종이 연간 293,754 Gcal인 약 77.7%를 우점하고 있었다. 산업단지 전체 간접열 수요에 대해 단일 Combined Cycle CHP의 최적 설비용량은 30,000 kW로, 이때 열생산은 CHP가 275,707 Gcal, 72.8 %를 분담하고, 첨두부하보일러 PLB가 103,240 Gcal, 27.2 %를 분담하는 것으로 분석되었다. 그리고 CHP와 연료전지, 태양광 조합에서는 최적 설비용량이 각 30,000 kW, 5,000 kW, 1,980 kW이며, 이때 열생산은 Combined Cycle CHP가 275,940 Gcal, 72.8%, 연료전지가 12,390 Gcal, 3.3%, PLB가 90,620 Gcal, 23.9%를 분담하였다. 여기서 CHP 용량이 감소하지 않은 것은, CHP 용량 감소에 따른 부족한 열 생산량에 대해 PLB의 과다한 운전이 요구되는 경제적이지 못한 대안이 도출되었기 때문이었다. 한편 우점 업종인 제지업종의 간접열 수요에 대해서는 Combined Cycle CHP, 연료전지, 태양광 조합의 최적 설비용량은 25,000 kW, 5,000 kW, 2,000 kW로, 이때 열생산은 CHP 225,053 Gcal, 76.5%, 연료전지 11,215 Gcal, 3.8%, PLB가 58,012 Gcal, 19.7%를 분담하는 것으로 분석되었다. 그러나, 현행 전력시장 및 가스시장에서의 경제성 분석결과는 모두 투자비 회수가 불가능한 것으로 확인 되었다. 다만, 우점 업종인 제지 업종만을 대상으로 CHP와 연료전지, 태양광을 조합한 CHP Hybrid System이 단일 CHP System에 대해 연간 약 93억원의 경영여건을 개선시킬 수 있음을 확인하였다.

• 한국습지학회지
• /
• 제21권2호
• /
• pp.163-172
• /
• 2019

본 연구는 토양유실량 산정을 위해 사용되는 USLE P factor 선정의 문제점 확인 및 개선방향 제시에 대한 연구이다. USLE P factor는 경작지를 어떻게 관리하여 사용하느냐에 따라 그 값이 달라지는 계수이다. 하지만 기존 연구들은 경작지 상황에 따른 선정이 아닌 유역의 경사도에 대한 P factor를 선정함에 따라 토양유실량이 과다 산정되는 경향이 있다. 뿐만 아니라 처음에 이 식은 제안한 Wishmeier와 Smith에 의해 정의된 다양한 조건들에 부합되지 않게 인자를 선정하고 있어 토양유실량 산정에 대한 정확성이 떨어지고 있다. 이에 환경부에서는 이러한 문제점을 해결하기 위해 표토관련고시를 제정하고 이에 따른 P factor를 선정하도록 제안하고 있다. 하지만 미국에서 제안된 조건을 그대로 국내 사정에 적용하도록 되어 있어 많은 문제점을 야기하고 있다. 이에 본 연구에서는 실제 토양유실이 심각하게 이루어지고 있는 유역(양구 해안면 유역, 홍천 내면 자운리 유역, 안동 임하면 반변천 상류유역)을 선정하여 경사장과 경사도를 측정하고 각 필지에 적용된 관리방법과 경운방법을 조사하여 각 조건들에 적용한 후 고시에 의거하여 제시된 조건을 통해 선정된 인자와의 비교를 통해 고시의 문제점을 확인하였고, 문헌연구를 통한 새로운 조건에 대입하여 새로운 인자들을 선정하였다. 연구 결과, 환경부에서 제시한 표토관련고시에 의거하여 선정된 P factor의 경우 대상 유역 3곳에서 0.8~1.0사이의 값을 제시하고 있었다. 하지만 처음 제안된 조건들을 대입하여 P factor를 선정해본 결과 각 경사도 및 경사장 조건에 부합하여 선정된 값은 고시를 통해 선정된 값과는 차이가 있음을 확인하였다. 이를 통해 국내 환경에 적합한 P factor를 선정하기 위한 조건을 개발하기 위한 연구가 지속적으로 이루어져야 한다고 판단된다.

• 생태와환경
• /
• 제56권1호
• /
• pp.45-56
• /
• 2023

본 연구는 저서성 대형무척추동물을 이용한 RIVPACS 유형의 국내 실정에 맞는 수생태계 예측 및 평가모델을 구축하기 위한 사전 연구로서 수행되었다. 자연상태의 하천인 887개의 참조하천을 선정하고, 참조하천을 저차하천과 고차하천으로 구분한 뒤 random forest 알고리즘을 이용하여 각각의 과에 대하여 예측모델을 구축하였다. 저차하천은 학습과 검증 데이터를 7 : 3의 비율로 나누어 구축하였으며, 고차하천의 경우에는 leave-one-out 방법을 이용하였다. 예측모델에 사용된 환경변수는 비계량 다차원 척도법(NMDS)을 이용하여 선정되었으며, 고도, 경사각, 평년평균기온, 숲의 비율, 하폭, 여울 비율, 하상 구조의 큰돌의 비율로 7개의 변수가 선택되었다. 3,224개의 조사대상 지점을 하천차수에 따른 유형에 따라 구분한 뒤, 각각의 유형에 해당하는 모델을 이용하여 30개 과에 대한 과 단위의 생물상을 예측하였다. 예측된 생물상(E)은 실제 생물상(O)과 생물지수를 이용하여 비교되었다. 생물지수는 BMWPK 지수를 과의 수로 나눈 ASPT를 이용하였다. 그 이후 EQR 지수(O/E)를 이용하여 각 조사지점의 건강성을 평가하였다. 마지막으로, EQR 값을 기존에 이용되고 있는 BMI 값과 비교하였다. 건강성 점수 평가 결과, 실제 군집은 0~20과, 예측된 군집은 0~19과 범위로 예측되어 유사하게 나타났다. 실제 ASPT는 평균 4.82 (±2.04 SD), 예측된 ASPT는 6.30 (±0.79 SD)으로 예측된 값이 더 높게 나타났다. ASPT와 BMI의 비교 결과, 대체로 EQR이 BMI 지수보다 높은 값을 보였다. 이는 참조하천 선정에 있어서 조금 교란된 지점도 자연상태로 가정하여 참조하천으로 이용되었기 때문으로 보인다. RIVPACS 모델은 생태학적 상태에 대한 단순하지만 명확한 진단을 제공해줌으로써 국내 하천 관리에 도움이 될 것으로 기대된다. 본 연구는 연구가 미진하였던 우리나라 실정에 맞는 RIVPACS 유형의 평가법을 개발하는 선행 연구로서의 의의가 있다.

• Tuberculosis and Respiratory Diseases
• /
• 제43권2호
• /
• pp.201-209
• /
• 1996

연구배경: Auto-PEEP 혹은 intrinsic PEEP은 호기말에 폐용적이 전체 호흡기계의 이완 용적으로 돌아오지 않음으로써, 증가된 호흡기계의 탄성반도압만큼 호기말 폐포내압(alveolar pressure) 이양의 값을 보이는 것을 말한다. Auto-PEEP 이 존재하는 만성폐쇄성폐질환 환자에게 externa1 PEEP을 적용하면 환자의 호흡 일을 줄일 수 있어서, 질환의 급성악화시 혹은 기계호흡으로부터의 이탈시 환자의 자발호흡을 보조하기 위한 요법으로 제시되고 있다. 이에 기계호흡중인 환자에서 auto-PEEP의 존재가 호흡 일에 미치는 영향을 알아보고, externa1 PEEP의 사용이 auto- PEEP에 의해 증가된 호흡 일을 줄이는지를 알아보기 위해 본 연구를 시행하였다. 방법: 호흡부전으로 기계호흡을 하고 있는 환자 15명을 대상으로 연구가 이루어 졌으며, 이들 7명에서 auto-PEEP이 관찰되었고(auto-PPEP군) 8명에서 auto-PEEP이 auto-PEEP군). 양군 간의 환자의 호흡역학적 지표의 차이를 조사하였으며, auto-PEEP이 존재하는 환자들에 대해 3cm $H_2O$의 external PEEP을 적용한 뒤 호흡역학적 지표들의 변화를 조사하였다. 호흡역학적 지표는 상시호흡량(tidal volume, 이하 $V_T$), 분당 호흡수, 분당환기량 (minute ventilation 이하 $V_E$), 최고흡기유량(peak inspiratory flow rate, 이하 PIFR), 최고호기유행peak expiratory flow rate, 이하 PEFR), 최고흡기압(peak inspiratory pressure, 이하 PIP), $T_I/T_{TOT}$, auto-PEEP, 폐 동적탄성 (dynamic compliance of lung, 이하 Cdyn), 호기 기도저항(expiratory airway resistance, 이하 RAWe), 평균 기도저항(mean airway resistance, 이하 RAWm), $P_{0.1}$, 환자에 의해 수행되는 호흡 일 (work of breathing performed by patient, 이하 호흡 일), pressure-time product(이하 PTP)등이었다.

• 지능정보연구
• /
• 제25권4호
• /
• pp.35-52
• /
• 2019

전자정부를 포함한 다양한 형태의 공공서비스가 제공됨에 따라 공공서비스 품질에 대한 국민의 요구 수준이 점점 높아지고 있다. 공공서비스의 품질을 높이기 위해서 공공서비스 품질에 대한 상시적 측정과 개선이 필요함에도 불구하고 전통적인 설문조사는 비용과 시간이 많이 소요되어 한계가 있다. 따라서 공공서비스에서 발생하는 데이터를 기반으로 원하는 시점에 언제라도 공공서비스의 품질을 빠르고 정확하게 측정할 수 있는 분석적 기법이 필요하다. 본 연구에서 공공서비스의 품질을 데이터 기반으로 분석하기 위해 N시의 건축 인허가 민원 서비스를 대상으로 프로세스 마이닝 기법을 이용하여 분석하였다. N시의 건축 인허가 민원 서비스는 분석에 필요한 데이터를 확보할 수 있고 공공서비스 품질관리를 통해 타 기관으로 확산 가능할 것으로 판단되었기 때문이다. 본 연구는 2014년 1월부터 2년 동안 N시에서 발생한 총 3678건의 건축 인허가 민원 서비스에 대해 프로세스 마이닝을 실시하여 프로세스 맵을 그리고 빈도가 높은 부서와 평균작업시간이 긴 부서를 파악하였다. 분석 결과에 따르면 특정 시점에 한 부서별로 업무가 몰리거나 상대적으로 업무가 적은 경우가 발생하였다. 또한 민원의 부하가 늘 경우 민원완료까지 걸리는 시간이 늘어날 것이라는 합리적인 의심을 하였으나 분석 결과 상관관계는 크게 없었다. 분석 결과에 따르면 민원완료까지 걸리는 시간은 당일처리에서 1년 146일까지 매우 다양하게 분포하였다. '하수처리과,' '수도과,' '도시디자인과,' '녹색성장과'의 상위 4개 부서의 누적빈도가 전체의 50%를 넘고 상위 9개 부서의 누적빈도가 70%를 넘어서는 등 빈도가 높은 부서는 한정적이며 부서 간 부하의 불균형이 심했다. 대부분의 민원 서비스는 서로 다른 다양한 패턴의 프로세스를 갖고 있었다. 본 연구의 결과를 활용하면 특정 시점에 민원의 부하가 큰 부서를 찾아내 부서 간 인력 배치를 탄력적으로 운영할 수 있을 것이다. 또한 민원 특성별 협의에 참여하는 부서의 패턴을 분석한 결과, 협의 부서 요청 시 자동화 혹은 추천에 활용할 수 있는 가능성이 보인다. 본 연구는 민원 서비스에 대한 프로세스 마이닝 분석을 통해 향후 공공서비스 품질 개선방향을 제시하는데 활용될 것으로 기대한다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.139-156
• /
• 2021

이미지 분류에서 딥러닝 모형을 사용하는 가장 큰 이유는 이미지의 전체적인 정보에서 각 지역 특징을 추출하여 서로의 관계를 고려할 수 있기 때문이다. 하지만 이미지의 지역 특징이 없는 감정 이미지 데이터는 CNN 모델이 적합하지 않을 수 있다. 이러한 감정 이미지 분류의 어려움을 해결하기 위하여 매년 많은 연구자들이 감정 이미지에 적합한 CNN기반 아키텍처를 제시하고 있다. 색깔과 사람 감정간의 관계에 대한 연구들도 수행되었으며, 색깔에 따라 다른 감정이 유도된다는 결과들이 도출되었다. 딥러닝을 활용한 연구에서도 색깔정보를 활용하여 이미지 감성분류에 적용하는 연구들이 있어왔으며, 이미지만을 가지고 분류 모형을 학습한 경우보다 이미지의 색깔 정보를 추가로 활용한 경우가 이미지 감성 분류 정확도를 더 높일 수 있었다. 본 연구는 사람이 이미지의 감정을 분류하는 기준 중 많은 부분을 차지하는 색감을 이용하여 이미지 감성 분류 정확도를 향상시키는 방안을 제안한다. 이미지의 RGB 값에 K 평균 군집화 방안을 적용하여 이미지를 대표하는 색을 추출하여, 각 감성 클래스 별 해당 색깔이 나올 확률을 가중치 식으로 변형 후 CNN 모델의 최종 Layer에 적용하는 이-단계 학습방안을 구현하였다. 이미지 데이터는 6가지 감정으로 분류되는 Emotion6와 8가지 감정으로 분류되는 Artphoto를 사용하였다. 학습에 사용한 CNN 모델은 Densenet169, Mnasnet, Resnet101, Resnet152, Vgg19를 사용하였으며, 성능 평가는 5겹 교차검증으로 CNN 모델에 이-단계 학습 방안을 적용하여 전후 성과를 비교하였다. CNN 아키텍처만을 활용한 경우보다 색 속성에서 추출한 정보를 함께 사용하였을 때 더 좋은 분류 정확도를 보였다.