• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2018년도 학술발표회
• /
• pp.145-145
• /
• 2018

Small islands rely heavily on groundwater resources in addition to rainwater as the source of freshwater since surface water bodies are often absent. The groundwater resources are vulnerable to sea level rise, coastal flooding, saltwater intrusion, irregular pattern of precipitation resulting in long droughts and flash floods. Increase in population increases the demand for the limited groundwater resources, thus aggravating the problem. In this study, the effects of climate change on Tongatapu Island, Kingdom of Tonga, a small island in Pacific Ocean, are investigated using a sharp interface transient groundwater flow model. Twenty nine downscaled General Circulation Model(GCM) predictions are input to a water balance model to estimate the groundwater recharge. The temporal variation in recharge is predicted over the period of 2010 to 2099. A set of GCM models are selected to represent the ensemble of 29 models based on cumulative recharge at the end of the century. This set of GCM model predictions are then used to simulate a total of six climate scenarios, three each (2010-2039, 2040-2069, and 2070-2099) under RCP 4.5 and RCP 8.5. The impacts of predicted climate change on groundwater resources is evaluated in terms of freshwater volume changes and saltwater ratios in pumping wells compared to present conditions. Though the cumulative recharge at the end of the century indicates a wetter climate compared to the present conditions the large variability in rainfall pattern results in frequent periods of groundwater drought leading to saltwater intrusion in pumping wells. Thus for sustaining the limited groundwater resources in small islands, implementation of timely assessment and management practices are of utmost importance.

• 한국ITS학회 논문지
• /
• 제22권4호
• /
• pp.1-13
• /
• 2023

본 연구는 이동통신 로그 데이터를 통해 산출된 교통량 정보를 활용하여 기존 검지기에 준하는 교통량 정보를 추정하기 위해, 머신러닝의 앙상블 기법을 기반으로 하는 최적의 이동통신 기반 교통량 추정 모형을 개발하는 것이다. 이동통신 데이터를 통해 계측된 교통량 등의 정보와 VDS 실측 데이터를 활용하여 머신러닝 모형들을 통해 비교·분석한 결과, LightGBM 모형이 교통량 추정의 최적모형으로 선정되었다. 국도 1, 3, 6호선 검지영역 96개소를 대상으로 교통량 추정 모형의 성능을 평가한 결과, 전체 검지영역의 경우 MAPE 8.49로 교통량 추정 정확도가 91.51%로 분석되었다. VDS가 설치되지 않은 구간의 경우 교통량 추정 정확도는 92.6%로, VDS 설치가 어려운 구간에서도 LightGBM 교통량 추정 모형이 적용 가능하였다.

• Geomechanics and Engineering
• /
• 제32권6호
• /
• pp.583-600
• /
• 2023

The resilient modulus (M_R) of various pavement materials plays a significant role in the pavement design by a mechanistic-empirical method. The M_R determination is done by experimental tests that need time and money, along with special experimental tools. The present paper suggested a novel hybridized extreme gradient boosting (XGB) structure for forecasting the M_R of modified base materials subject to wet-dry cycles. The models were created by various combinations of input variables called deep learning. Input variables consist of the number of W-D cycles (WDC), the ratio of free lime to SAF (CSAFR), the ratio of maximum dry density to the optimum moisture content (DMR), confining pressure (σ₃), and deviatoric stress (σ_d). Two XGB structures were produced for the estimation aims, where determinative variables were optimized by particle swarm optimization (PSO) and black widow optimization algorithm (BWOA). According to the results' description and outputs of Taylor diagram, M1 model with the combination of WDC, CSAFR, DMR, σ₃, and σ_d is recognized as the most suitable model, with R² and RMSE values of BWOA-XGB for model M1 equal to 0.9991 and 55.19 MPa, respectively. Interestingly, the lowest value of RMSE for literature was at 116.94 MPa, while this study could gain the extremely lower RMSE owned by BWOA-XGB model at 55.198 MPa. At last, the explanations indicate the BWO algorithm's capability in determining the optimal value of XGB determinative parameters in M_R prediction procedure.

• 스마트미디어저널
• /
• 제11권2호
• /
• pp.9-17
• /
• 2022

본 연구는 야구 경기에서 선발 투수를 위기 상황 이전에 교체하기 위한 의사결정을 지원하는 예측 모델 구현을 목적으로 한다. 이를 위해 베이스볼 서번트(Baseball Savant)에서 제공하는 메이저리그 스탯캐스트 데이터를 활용하여, 선발 투수를 위기 상황 이전에 선제적으로 교체하는 예측 모델을 구현한다. 이를 위해 첫째, 데이터 탐색을 통해 선발 투수가 경기에서 직면하는 위기 상황을 도출하였다. 둘째, 선발 투수가 이닝 종료 전에 교체된 경우, 이전 이닝에서 교체하는 것으로 레이블을 구성하여 학습을 진행하였다. 학습된 모델을 비교한 결과 앙상블 기법을 기반으로 한 모델이 F1-Score가 65%로 가장 높은 예측 성능을 보였다. 본 연구의 실무적 의의는 제안하는 모델을 통해 선발 투수를 위기 상황 이전에 교체하여 팀의 승리 확률을 높이는 데 기여할 수 있으며, 경기 중 감독은 데이터 기반의 전략적 의사결정 지원을 받을 수 있을 것이다.

• Computers and Concrete
• /
• 제33권1호
• /
• pp.55-75
• /
• 2024

The present study introduces an optimum performance soft computing model for predicting the compressive strength of high-performance concrete (HPC) by comparing models based on conventional (kernel-based, covariance function-based, and tree-based), advanced machine (least square support vector machine-LSSVM and minimax probability machine regressor-MPMR), and deep (artificial neural network-ANN) learning approaches using a common database for the first time. A compressive strength database, having results of 1030 concrete samples, has been compiled from the literature and preprocessed. For the purpose of training, testing, and validation of soft computing models, 803, 101, and 101 data points have been selected arbitrarily from preprocessed data points, i.e., 1005. Thirteen performance metrics, including three new metrics, i.e., a20-index, index of agreement, and index of scatter, have been implemented for each model. The performance comparison reveals that the SVM (kernel-based), ET (tree-based), MPMR (advanced), and ANN (deep) models have achieved higher performance in predicting the compressive strength of HPC. From the overall analysis of performance, accuracy, Taylor plot, accuracy metric, regression error characteristics curve, Anderson-Darling, Wilcoxon, Uncertainty, and reliability, it has been observed that model CS4 based on the ensemble tree has been recognized as an optimum performance model with higher performance, i.e., a correlation coefficient of 0.9352, root mean square error of 5.76 MPa, and mean absolute error of 4.1069 MPa. The present study also reveals that multicollinearity affects the prediction accuracy of Gaussian process regression, decision tree, multilinear regression, and adaptive boosting regressor models, novel research in compressive strength prediction of HPC. The cosine sensitivity analysis reveals that the prediction of compressive strength of HPC is highly affected by cement content, fine aggregate, coarse aggregate, and water content.

• 한국음향학회지
• /
• 제40권5호
• /
• pp.479-487
• /
• 2021

본 논문에서는 잡음 학생 모델 기반의 자가 학습을 활용한 음향 사건 검지 기법을 제안한다. 제안된 음향 사건 검지 모델은 두 단계로 구성된다. 첫 번째 단계에서는 잔차 합성곱 순환 신경망(Residual Convolutional Recurrent Neural Network, RCRNN)을 훈련하여 레이블이 지정되지 않은 비표기 데이터셋의 레이블 예측에 활용한다. 두 번째 단계에서는 세 가지 잡음 종류를 적용한 잡음 학생 모델을 자가학습 기법으로 반복하여 학습한다. 여기서 잡음 학생 모델은 SpecAugment, Mixup, 시간-주파수 이동을 활용한 특징 잡음, 드롭아웃을 활용한 모델 잡음, 그리고 semi-supervised loss function을 적용한 레이블 잡음을 활용하여 학습된다. 제안된 음향 사건 검지 모델의 성능은 Detection and Classification of Acoustic Scenes and Events(DCASE) 2020 Challenge Task 4의 validation set으로 평가하였다. DCASE 2020 챌린지 데이터셋의 baseline 및 최상위 랭크된 모델과 이벤트 단위 F1 점수 성능을 비교한 결과, 제안된 음향 사건 검지 모델이 단일 모델과 앙상블 모델에서 최상위 모델 대비 F1 점수를 각각 4.6 %와 3.4 % 향상시켰다.

• 한국농림기상학회지
• /
• 제18권1호
• /
• pp.42-54
• /
• 2016

최근 국내에서 재배면적이 증가하고 있는 골드키위 해금의 개화시기를 예측할 수 있는 휴면시계모형의 모수를 추정하고 해금 주산지에서 미래 기후변화에 의한 개화시기의 변화와 불확실성을 전망하고자 본 연구를 수행하였다. 해금 개화시기 예측을 위한 휴면시계모형의 모수는 $6.3^{\circ}C$(base temperature, $T_b$), 102.5(chill requirement, $R_c$), 575(heat requirement, $R_h$)로 추정되었다. 2가지 방법으로 추정된 모수를 검증하였는데, 4개 표준기상관측소의 3년 동안(2013-2015)의 기상자료로부터 해금의 개화시기를 예측하고 25개 해금 노지 재배농가에서 수집된 2년 동안(2014-2015)의 관측 개화일과 비교한 결과 5.2일의 추정오차를 보였다. 또한 격자형 기후표면에 의해 계산된 격자형 개화시기 표면으로부터 25개 해금 노지 재배농가가 위치한 격자들의 예상 개화시기를 추출하여 비교한 결과, 3.4일의 추정오차를 보였다. 이 모수를 2021-2040년 동안의 6개 GCMs의 미래 기후변화 시나리오와 결합하여 해금의 미래 개화시기를 예측하였다. 전남 키위 주산지역에서 가장 빠른 개화시기는 4월 21일(111일), 가장 늦은 개화시기는 6월 2일(153일)로 나타났다. 6개 개별 GCM 중에서 RCP 4.5의 CanESM2과 GFDL-ESM2G, RCP 8.5의 HadGEM2-AO에서 20년 후 전남 키위 주산지역에서 해금의 개화시기는 현재보다 2-3일 단축될 뿐 현재와 큰 차이가 발생하지 않는 것으로 전망되었다. 그러나 RCP 4.5와 RCP 8.5의 6개 GCMs의 평균 미래 개화시기에서 현재보다 10일 이상 단축되고 현재와 같은 개화시기는 전북 및 충남 해안지역 등 북쪽으로 약 150km 이상까지 확대될 수 있는 것으로 전망되었다. 본 연구의 예비 결과는 국내 육종 과수의 생장발육 및 개화시기 예측 등을 위한 생물계절 연구와 기후변화에 대한 영향평가 개선에 기여할 수 있을 것으로 기대한다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제12권11호
• /
• pp.471-480
• /
• 2023

국내 건설수주 규모는 2013년 91.3조원에서 2021년 총 212조원으로 특히 민간부문에서 크게 성장하였다. 국내외 시장 규모가 성장하면서, EPC(Engineering, Procurement, Construction) 프로젝트의 규모와 복잡성이 더욱 증가되고, 이에 프로젝트 관리 및 ITB(Invitation to Bid) 문서의 위험 관리가 중요한 이슈가 되고 있다. EPC 프로젝트 발주 이후 입찰 절차에서 실제 건설 회사에게 부여되는 대응 시간은 한정적일 뿐만 아니라, 인력 및 비용의 문제로 ITB 문서 계약 조항의 모든 리스크를 검토하는데 매우 어려움이 있다. 기존 연구에서는 이와 같은 문제를 해결하고자 EPC 계약 문서의 위험 조항을 범주화하고, 이를 AI 기반으로 탐지하려는 시도가 있었으나, 이는 레이블링 데이터 활용의 한계와 클래스 불균형과 같은 데이터 측면의 문제로 실무에서 활용할 수 있는 수준의 지원 시스템으로 활용하기 어려운 상황이다. 따라서 본 연구는 기존 연구와 같이 위험 조항 자체를 정의하고 분류하는 것이 아니라, FIDIC Yellow 2017(국제 컨설팅엔지니어링 연맹 표준 계약 조건) 기준 계약 조항을 세부적으로 분류할 수 있는 AI 모델을 개발하고자 한다. 프로젝트의 규모, 유형에 따라서 세부적으로 검토해야 하는 계약 조항이 다를 수 있기 때문에 이와 같은 다중 텍스트 분류 기능이 필요하다. 본 연구는 다중 텍스트 분류 모델의 성능 고도화를 위해서 최근 텍스트 데이터의 컨텍스트를 효율적으로 학습할 수 있는 ELECTRA PLM(Pre-trained Language Model)을 사전학습 단계부터 개발하고, 해당 모델의 성능을 검증하기 위해서 총 4단계 실험을 진행했다. 실험 결과, 자체 개발한 ITB-ELECTRA 모델 및 Legal-BERT의 앙상블 버전이 57개 계약 조항 분류에서 가중 평균 F1-Score 기준 76%로 가장 우수한 성능을 달성했다.

• 한국수자원학회논문집
• /
• 제47권9호
• /
• pp.825-838
• /
• 2014

정상성 마코프 연쇄 모형은 일강우모의 모형으로 광범위하게 이용되고 있다. 하지만 정상성 마코프 연쇄 모형의 기본가정은 통계학적 특성이 시간에 따라 변화하지 않는 것으로, 일강우모의 시에 평균 또는 분산의 경향적 변화를 효과적으로 반영할 수 없다. 이러한 문제점을 인지하여 본 연구에서는 연주기 및 계절변화에 대하여 우수한 모의 능력을 나타내는 GCM의 모의결과를 입력자료로 이용하여 일강우량을 모의하기 위한 통계학적 상세화(downscaling) 기법인 비정상성 은닉 마코프 모형을 개발하였다. 개발된 모형을 낙동강 유역에 존재하는 영주지점, 문경지점 및 구미지점의 관측강우량에 적용한 결과, 일단위 및 계절단위의 강우량의 통계적 특성을 기존 모형에 비하여 개선된 결과를 도출할 수 있었으며, 또한 개발된 모형은 극치강수량 복원에 있어서도 관측값과 보다 유사한 결과를 보여 주었다. 이러한 점에서 정확성이 확보된 GCM 계절예측자료가 입력자료로 NHMM 모형에 활용된다면 예측기반의 일강수 상세화 모형으로 활용될 수 있을 것으로 판단된다. 이와 더불어, 기후변화 시나리오 입력자료가 사용된다면 기후변화 상세화 모형으로서도 적용될 수 있을 것으로 사료된다.

• 대기
• /
• 제25권1호
• /
• pp.155-167
• /
• 2015

A dynamical seasonal prediction system for boreal winter utilizing cryospheric information was developed. Using the Community Atmospheric Model, version3, (CAM3) as a modeling system, newly developed snow depth initialization method and sea ice concentration treatment were implemented to the seasonal prediction system. Daily snow depth analysis field was scaled in order to prevent climate drift problem before initializing model's snow fields and distributed to the model snow-depth layers. To maximize predictability gain from land surface, we applied one-month-long training procedure to the prediction system, which adjusts soil moisture and soil temperature to the imposed snow depth. The sea ice concentration over the Arctic region for prediction period was prescribed with an anomaly-persistent method that considers seasonality of sea ice. Ensemble hindcast experiments starting at 1st of November for the period 1999~2000 were performed and the predictability gain from the imposed cryospheric informations were tested. Large potential predictability gain from the snow information was obtained over large part of high-latitude and of mid-latitude land as a result of strengthened land-atmosphere interaction in the modeling system. Large-scale atmospheric circulation responses associated with the sea ice concentration anomalies were main contributor to the predictability gain.