• 제목/요약/키워드: Mathematical process

검색결과 2,493건 처리시간 0.022초

돼지고기 등심의 염지공정에서 소금농도의 영향: 물질전달 동역학을 중심으로 (Effect of Hypotonic and Hypertonic Solution on Brining Process for Pork Loin Cube: Mass Transfer Kinetics)

  • 박민;이낙훈;인예원;오상엽;조형용
    • 산업식품공학
    • /
    • 제23권1호
    • /
    • pp.7-15
    • /
    • 2019
  • 연화 및 기능성 강화를 위한 함침기술 개발의 일환으로 돈육을 소금 용액에 함침시키는 공정에서 물과 용질의 이동에 미치는 함침 용액 농도의 영향과 Fickian model을 이용하여 이동 현상을 수식화하였고, 함침 후 시료의 전단력과 물성을 측정하였다. 소금 농도 6%를 기점으로 2.5%와 5%에서는 팽윤에 따른 수분의 이동으로 수화가 일어났으며, 10%에서는 수축이 동반되어 수화가 줄어들다가 결국 15%에서는 수분 이동 방향이 전환된 탈수가 확인되었다. 이러한 사실을 분석한 결과, 물질이동 방향은 11-14% 사이에서 전환되는 것으로 예측되었다. 즉, 5%에서 6시간 함침 후 수분함량은 12.68 g/100 g으로 가장 높았다. 용질의 이동은 함침액 농도와 함침 시간에 따라 증가하였다. 확산에 관한 Fick's의 제 2 법칙의 해석해를 이용하여 물과 용질에 대한 유효확산계수를 산출한 결과, 소금의 유효확산계수는 함침액 농도에 따라 증가하며 그 값은 2.43×10-9에서 3.53×10-9 m2/s 이었다. 반면 수분의 유효확산계수는 1.22×10-9에서 1.88×10-9 m2/s이었으나 농도에 따른 정확한 상관관계를 예측할 수 없었다. 즉, 확산모델은 용질의 이동에 대하여는 R2이 0.91 이상으로 잘 일치하지만 수분 이동에 관하여는 적합하지 못함을 알 수 있었다. 따라서 농도구배에 의한 구동력에 bulk flow의 원인이 되는 구동력을 포함하는 이론식이나 경험식의 연구가 필요하다고 사료된다. 함침 공정에 의해 대조군에 비하여 모든 농도에서 낮은 경도, 씹힘성 및 전단력 값을 나타내었고, 수분 보유가 가장 큰 5% 용액으로 함침 하였을 경우에 가장 낮은 값을 나타내어 함침 공정에 의한 연화 효과를 확인하였다.

점토(粘土)의 Creep 거동(擧動)에 관한 유변학적(流變學的) 연구(研究) (A Rheological Study on Creep Behavior of Clays)

  • 이종규;정인준
    • 대한토목학회논문집
    • /
    • 제1권1호
    • /
    • pp.53-68
    • /
    • 1981
  • 지속하중하(持續荷重下)의 점토지반(粘土地盤) 또는 사면(斜面)을 형성(形成)하고 있는 점토(粘土)는 시간의존변형(時間依存變形)을 일으키고 어떤 경우 파괴(破壞)에 이르기도 하는데 그 원인(原因)은 점토(粘土)의 Creep 거동(擧動) 때문이라는 보고(報告)가 대부분(大部分)이다. Creep 거동(擧動)은 많은 요소(要素)에 관련될 뿐 아니라 특(特)히 함수비(含水比) 및 응력수준(應力水準)에 큰 영향(影響)을 받기 때문에 매우 복잡(複雜)하며 따라서 그 거동(擧動)을 해석(解析) 하기도 어려운 일인데 Creep이 궁극적(窮極的)으로는 점토(粘土) 입자간(粒子間)의 미시적(微視的)인 거동(擧動)에서 비롯되기 때문이다. 응력(應力)-변형(變形)-시간(時間) 관계(關係)로서의 Creep 거동(擧動)을 수학적(數學的)으로 표현(表現)하기 위하여 여러 형태(形態)의 유변학적(流變學的) 모델이 제안(提案) 되었다. 유변학적(流變學的) 모델은 선형(線形) 스프링, 비선형(非線形) Dashpot 및 Slider를 조합(組合)한 것인데 점토(粘土)의 변형(變形)에 관한 탄성적(彈性的), 소성적(塑性的) 및 점성적(粘性的) 성분(成分)을 구분(區分) 하는데 매우 유용(有用)하다. 그러나 대부분(大部分)의 경우, 유변학적(流變學的)모델은 포화(飽和)된 점토(粘土)에 대(對)하여 주(主)로 2차압밀(次壓密) 거동(擧動)을 밝히기 위하여 제안(提案)된 것으로 비포화점토(非飽和粘土)에 대(對)한 보고(報告)는 매우 드문 것 같다. 한편, Creep 거동(擧動)은 시간의존변형(時間依存變形)이므로 흐트러진 점토(粘土)를 다져서 시험(試驗)하는 경우, 시간경과(時間經過)에 따라 Thixotropy 문제(問題)가 제기(提起)될 것이고 배수조건(排水條件)과 관련하여서는 공시체(供試體)의 높이가 문제(問題)될 수 있다. 그뿐 아니라 많은 연구결과(硏究結果)에 의(依)하면 응력증가초기(應力增加初期)에는 시간지체(時間遲滯)가 없는 초기탄성변형(初期彈性變形)이 발생(發生)된다고 하므로 유변학적(流變學的) 모델에는 이를 나타내는 요소(要素)가 반드시 필요(必要)하게 될 것이다. 본(本) 연구(硏究)는 이러한 면(面)에 초점(焦點)을 두고 함수비(含水比)와 응력수준(應力水準)을 여러 가지로 변화(變化)시켰을 때의 Creep 거동(擧動)을 유변학적(流變學的) 모델로 해석(解析)함에 있어 소성(塑性)이 비교적(比較的) 큰 3종(種)의 점토(粘土)를 사용(使用)하여 초기탄성변형(初期彈性變形) 거동(擧動)을 밝히고 Thixotropy 효과(効果) 및 공시체(供試體)의 높이가 Creep 거동(擧動)에 끼치는 영향(影響)을 구명(究明)하며 아울러 유변학적(流變學的) 모델의 어떤 요소(要素)에 관련 되는가를 알아내기 위하여 다져서 성형(成形)한 공시체(供試體)로서 일축배수형식(一軸排水形式)의 Creep 거동(擧動)을 시행(施行)하였다. 실험결과(實驗結果) 및 검토(檢討)에 의(依)하면 응력재하(應力載荷) 및 증가초기(增加初期)에는 시간지체(時間遲滯)가 없는 탄성적(彈性的) 초기변형(初期變形)이 발생(發生)하고 따라서 유변학적(流變學的) 모델에는 이를 나타내기 위한 상부(上部)스프링을 설치(設置)해야 하며 Thixotropy 효과(効果)를 고려(考慮)한 경우, Creep변형(變形)은 완만(緩慢)하게 되나 함수비(含水比) 및 응력수준(應力水準)에 따른 상태거동(狀態擧動)은 같으므로 그 차이(差異)는 모델 상수(常數)의 크기에만 관련됨을 알아내었고 따라서 동일(同一)한 유변학적(流變學的) 모델로 그 거동(擧動)을 나타낼 수 있다는 사실(事實)을 밝혀 냈다. 또 공시체(供試體) 높이를 작게 한 경우에는 함수비(含水比)가 비교적(比較的) 작아서 점(粘)-소(塑)-탄성(彈性) 및 점(粘)-탄성(彈性)일 때만 높이가 클 때와 같은 상태거동(狀態擧動)을 나타내어 동일(同一)한 유변학적(流變學的) 모델로 나타낼 수 있고 함수비(含水比)가 큰 점일소성(粘一塑性) 및 점성류(粘性流)일 때는 그 상태거동(狀態擧動)이 배수문제(排水問題)와 관련하여 달라지게 되고 따라서 유변학적(流變學的) 모델도 달라지게 된다는 사실(事實)을 발견(發見) 하였다.

  • PDF

회사채 신용등급 예측을 위한 SVM 앙상블학습 (Ensemble Learning with Support Vector Machines for Bond Rating)

  • 김명종
    • 지능정보연구
    • /
    • 제18권2호
    • /
    • pp.29-45
    • /
    • 2012
  • 회사채 신용등급은 투자자의 입장에서는 수익률 결정의 중요한 요소이며 기업의 입장에서는 자본비용 및 기업 가치와 관련된 중요한 재무의사결정사항으로 정교한 신용등급 예측 모형의 개발은 재무 및 회계 분야에서 오랫동안 전통적인 연구 주제가 되어왔다. 그러나, 회사채 신용등급 예측 모형의 성과와 관련된 가장 중요한 문제는 등급별 데이터의 불균형 문제이다. 예측 문제에 있어서 데이터 불균형(Data imbalance) 은 사용되는 표본이 특정 범주에 편중되었을 때 나타난다. 데이터 불균형이 심화됨에 따라 범주 사이의 분류경계영역이 왜곡되므로 분류자의 학습성과가 저하되게 된다. 본 연구에서는 데이터 불균형 문제가 존재하는 다분류 문제를 효과적으로 해결하기 위한 다분류 기하평균 부스팅 기법 (Multiclass Geometric Mean-based Boosting MGM-Boost)을 제안하고자 한다. MGM-Boost 알고리즘은 부스팅 알고리즘에 기하평균 개념을 도입한 것으로 오분류된 표본에 대한 학습을 강화할 수 있으며 불균형 분포를 보이는 각 범주의 예측정확도를 동시에 고려한 학습이 가능하다는 장점이 있다. 회사채 신용등급 예측문제를 활용하여 MGM-Boost의 성과를 검증한 결과 SVM 및 AdaBoost 기법과 비교하여 통계적으로 유의적인 성과개선 효과를 보여주었으며 데이터 불균형 하에서도 벤치마킹 모형과 비교하여 견고한 학습성과를 나타냈다.