• Computers and Concrete
• /
• 제33권5호
• /
• pp.545-557
• /
• 2024

A real-case incident occurred where a 9-meter-high segment of a pre-fabricated concrete separation wall unexpectedly collapsed. This collapse was triggered by improperly depositing excavated soil against the wall's back, a condition for which the wall segments were not designed to withstand lateral earth pressure, leading to a flexural failure. The event's analysis, integrating technical data and observational insights, revealed that internal forces at the time of failure significantly exceeded the wall's capacity per standard design. The Lattice Discrete Particle Model (LDPM) further replicates the collapse mechanism. Our approach involved defining various parameter sets to replicate the concrete's mechanical response, consistent with the tested compressive strength. Subsequent stages included calibrating these parameters across different scales and conducting full-scale simulations. These simulations carried out with various parameter sets, were thoroughly analyzed to identify the most representative failure mechanism. We developed an equation from this analysis that quickly correlates the parameters to the wall's load-carry capacity, aligned with the simulation. Additionally, our study examined the wall's post-peak behavior, extending up to the point of collapse. This aspect of the analysis was essential for preventing failure, providing crucial time for intervention, and potentially averting a disaster. However, the reinforced concrete residual state is far from being fully understood. While it's impractical for engineers to depend on the residual state of structural elements during the design phase, comprehending this state is essential for effective response and mitigation strategies after initial failure occurs.

• 한국경제지리학회지
• /
• 제24권1호
• /
• pp.52-75
• /
• 2021

초국적 기업에 대항하는 국내노동운동이 교착상태에 빠진 원인 중 하나는 "강한" 초국적 기업 vs. "약한" 노동자라는 공간적 인식과도 관련된다. 이러한 인식의 기저에는 초국적 기업은 추상적, 구조적인 존재로서 글로벌 스케일에서 자유롭게 움직이고, 노동자는 구체적이고, 연약한 존재로서 로컬 스케일에 속박된 것으로 재현되는 '글로벌-로컬의 이분법'이 놓여 있다. 본 논문은 "글로벌" 자본 vs. "로컬" 노동자라는 이분법을 깨기 위한 대안적 시각으로 노동지리학을 주목한다. 노동지리학은 노동자를 단순히 생산요인으로 간주하지 않고, 자본주의의 경관을 의도적 또는 비의도적으로 생산하는 행위자로 개념화한다. 다중스케일적 접근의 통찰을 빌려온 본 연구는 2003년 발생한 한국네슬레노동조합 파업을 사례로 노동자들이 사용하는 공간전략의 작동방식을 면밀히 분석하고자 한다. 본 사례연구를 통하여 저자는 노동자들이 다중스케일적 실천을 고안할 수 있는 역량이 있으며, 이는 초국적 기업의 자본주의 경관의 형성에 상당한 영향을 미칠 수 있음을 주장한다. 또한 다양한 스케일 상에 존재하는 정치적, 경제적, 문화적 요인들과 행위자들과의 역동적 상호작용의 결과로서 노동자들의 다중스케일적 실천은 매우 복합적, 다면적인 특성을 띠고 있음을 강조한다.

• Composites Research
• /
• 제27권2호
• /
• pp.66-71
• /
• 2014

본 연구는 GFRP 복합재료로 구성된 기둥 구조에 대하여 마이크로 역학 접근방법에 의한 섬유의 함침비율 변화에 따라 탄성계수를 예측하고 매크로 역학 기반으로 고유진동 특성을 분석하였다. 본 연구에서 제시하는 멀티 스케일 접근법에 의한 유한요소 모델은 해석의 정확성과 재료들 간의 상관관계를 상세하고 정확이 보여준다는 장점이 있다. 수치해석은 적층 갯수, 적층배열, 섬유함침비율의 변화에 따라서 고유진동의 변화를 분석하는데 중점을 두고 있다. 수치예제로부터 섬유와 모재의 재료비율은 거시적 동역학적 특성에 중요한 영향을 주고 있음을 알 수 있었다. 본 연구는 고유진동에 영향을 미치는 최적의 섬유와 모재 재료비율을 상세 분석하였으며, 해석 결과는 건설용으로서의 복합소재 기둥구조가 경제적이면서 우수한 동적 구조 성능을 만족하도록 설계하는데 기여할 수 있을 것으로 기대된다.

• 한국컴퓨터그래픽스학회논문지
• /
• 제23권3호
• /
• pp.95-103
• /
• 2017

본 논문은 딥 러닝(deep learning)을 이용하여 입력 영상의 기울어진 정도를 측정하고 수평에 맞게 바로 세우는 방법을 제시한다. 기존 방법들은 일반적으로 영상 내에서 선분, 평면 등 하위 레벨의 특징들을 추출한 후 이를 이용해 영상의 기울어진 정도를 측정한다. 이러한 방법들은 영상 내에 선이나 평면이 존재하지 않는 경우에는 제대로 동작하지 않는다. 본 논문에서는 대규모 데이터 셋을 통해 영상의 다양한 특징들에 대해 학습 가능한 Convolutional Neural Network (CNN)를 이용하여 인물이나 복잡한 배경으로 구성된 기울어진 영상에 대해서도 강인하게 동작하는 프레임워크를 제시한다. 또한, 네트워크에 가변 공간적 (adaptive spatial) pooling 레이어를 추가하여 영상의 다중 스케일 특징을 동시에 고려할 수 있게 하여 영상의 기울어진 정도를 측정하는 성능을 높인다. 실험 결과를 통해 다양한 콘텐츠를 포함한 영상의 기울어짐을 높은 정확도로 바로 세울 수 있음을 확인할 수 있다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제14권10호
• /
• pp.4157-4175
• /
• 2020

Moving target defense, as a 'game-changing' security technique for network warfare, realizes proactive defense by increasing network dynamics, uncertainty and redundancy. How to select the best countermeasure from the candidate countermeasures to maximize defense payoff becomes one of the core issues. In order to improve the dynamic analysis for existing decision-making, a novel approach of selecting the optimal countermeasure using game theory is proposed. Based on the signal game theory, a multi-stage adversary model for dynamic defense is established. Afterwards, the payoffs of candidate attack-defense strategies are quantified from the viewpoint of attack surface transfer. Then the perfect Bayesian equilibrium is calculated. The inference of attacker type is presented through signal reception and recognition. Finally the countermeasure for selecting optimal defense strategy is designed on the tradeoff between defense cost and benefit for dynamic network. A case study of attack-defense confrontation in small-scale LAN shows that the proposed approach is correct and efficient.

• ALGAE
• /
• 제34권1호
• /
• pp.57-70
• /
• 2019

DNA metabarcoding is currently used for large-scale taxonomic identification to understand the community composition in various marine ecosystems. However, before being widely used in this emerging field, this experimental and analytic approach still has several technical challenges to overcome, such as polymerase chain reaction (PCR) bias, and lack of well-established metabarcoding markers, a task which is difficult but not impossible to achieve. In this study, we present an adapted PCR-free small-organelles enriched metagenomics (SoEM) method for marine biodiversity assessment. To avoid PCR bias and random artefacts, we extracted target DNA sequences without PCR amplification from marine environmental samples enriched with small organelles including mitochondria and plastids because their genome sequences provide a valuable source of molecular markers for phylogenetic analysis. To experimentally enrich small organelles, we performed subcellular fractionation using modified differential centrifugation for marine environmental DNA samples. To validate our SoEM method, two marine environmental samples from the coastal waters were tested the taxonomic capturing capacity against that of traditional DNA metabarcoding method. Results showed that, regardless of taxonomic levels, at least 3-fold greater numbers of taxa were identified in our SoEM method, compared to those identified by the conventional multi-locus DNA metabarcoding method. The SoEM method is thus effective and accurate for identifying taxonomic diversity and presents a useful alternative approach for evaluating biodiversity in the marine environment.

• 지능정보연구
• /
• 제13권3호
• /
• pp.47-61
• /
• 2007

기업 운영에서 SCM (Supply Chain Management)의 중요성이 인식되면서 공급, 생산, 분배 등의 기능들을 통합적으로 관리하는 새로운 접근법의 필요성이 커지고 있다. 이 접근법은 여러 다른 기능들의 의사결정 문제를 하나의 통합된 최적화 모델로 분석하는 방법이다. 특히 공급사슬의 통합적인 운영을 위해서는 이전의 확정적 방법론 보다는 보다 구매자와 공급자의 관계를 유연하게 통합해 줄 수 있는 방법론이 필요하다. SCM은 대규모 문제이고 또한 다양한 내외 요인에 의해 기존의 설정된 계획 내용이나 상황이 항시 동적으로 변경될 수 있기에, 이들 정보를 통합 계획에 반영될 수 있도록 하여야 한다. 본 연구에서는 SCM의 핵심이 되는 생산계획과 분배계획 문제들을 효율적으로 통합할 수 있는 유전 알고리즘 (Genetic Algorithm)을 제시하고, 유전 알고리즘을 기반으로 동적 SCM을 위한 멀티 에이전트 시스템을 구현한다. 한편 통합계획 문제에서 유전 알고리즘을 통해 100%에 근접하는 최적해를 구하였고, 통합계획으로 얻은 결과와 통합 계획을 하지 않은 경우의 결과 값에서 큰 차이를 확인 할 수 있었다.

• 한국시뮬레이션학회:학술대회논문집
• /
• 한국시뮬레이션학회 2001년도 The Seoul International Simulation Conference
• /
• pp.321-324
• /
• 2001

The robot soccer simulation game is a dynamic multi-agent environment. In this paper we suggest a new reinforcement learning approach to each agent's dynamic positioning in such dynamic environment. Reinforcement Beaming is the machine learning in which an agent learns from indirect, delayed reward an optimal policy to choose sequences of actions that produce the greatest cumulative reward. Therefore the reinforcement loaming is different from supervised teaming in the sense that there is no presentation of input-output pairs as training examples. Furthermore, model-free reinforcement loaming algorithms like Q-learning do not require defining or loaming any models of the surrounding environment. Nevertheless it can learn the optimal policy if the agent can visit every state-action pair infinitely. However, the biggest problem of monolithic reinforcement learning is that its straightforward applications do not successfully scale up to more complex environments due to the intractable large space of states. In order to address this problem, we suggest Adaptive Mediation-based Modular Q-Learning(AMMQL) as an improvement of the existing Modular Q-Learning(MQL). While simple modular Q-learning combines the results from each learning module in a fixed way, AMMQL combines them in a more flexible way by assigning different weight to each module according to its contribution to rewards. Therefore in addition to resolving the problem of large state space effectively, AMMQL can show higher adaptability to environmental changes than pure MQL. This paper introduces the concept of AMMQL and presents details of its application into dynamic positioning of robot soccer agents.

• 컴퓨터교육학회논문지
• /
• 제8권6호
• /
• pp.113-121
• /
• 2005

웹과 같은 분산 정보 검색 환경에서 문서들은 많은 문서 데이터베이스들에 자연스럽게 분할되어서 존재한다. 그러므로 이러한 문서들의 효율적인 검색을 위해서는 먼저 질의에 관련되는 문서들을 제공할 것으로 판단되는 문서 데이터베이스를 찾아내고 다음으로 그 문서 데이터베이스에 질의를 줌으로써 분산 정보 검색을 수행해야 한다. 본 논문에서는 이러한 분산 정보 검색을 위한 신경망 에이전트를 소개하고, 확장성을 가지게 하기 위하여 신경망 에이전트들이 계층적으로 구성된 다중신경망 에이전트 시스템을 제안한다. 신경망 에이전트들의 계층적 구성은 정보 검색 성능을 저하시키지 않으면서도 각 신경망 에이전트의 학습을 위한 전체 훈련 비용을 허용할 만한 범위 내에서 유지시켜 주므로 대규모 문서 데이터베이스 환경에서의 분산 정보 검색에도 신경망 에이전트를 적용할 수 있게 해준다. 제안된 신경망 에이전트를 단일 에이전트와 계층적 다중 에이전트 시스템으로 실현 환경에서 구현하여 각각의 정보 검색 성능을 기존의 통계적 분산 정보 검색 기법을 사용했을 때와 비교함으로써 신경망 에이전트의 유용성을 예증한다.

• Smart Structures and Systems
• /
• 제29권1호
• /
• pp.181-193
• /
• 2022

Data-driven structural health monitoring (SHM) of civil infrastructure can be used to continuously assess the state of a structure, allowing preemptive safety measures to be carried out. Long-term monitoring of large-scale civil infrastructure often involves data-collection using a network of numerous sensors of various types. Malfunctioning sensors in the network are common, which can disrupt the condition assessment and even lead to false-negative indications of damage. The overwhelming size of the data collected renders manual approaches to ensure data quality intractable. The task of detecting and classifying an anomaly in the raw data is non-trivial. We propose an approach to automate this task, improving upon the previously developed technique of image-based pre-processing on one-dimensional (1D) data by enriching the features of the neural network input data with multiple channels. In particular, feature engineering is employed to convert the measured time histories into a 3-channel image comprised of (i) the time history, (ii) the spectrogram, and (iii) the probability density function representation of the signal. To demonstrate this approach, a CNN model is designed and trained on a dataset consisting of acceleration records of sensors installed on a long-span bridge, with the goal of fault detection and classification. The effect of imbalance in anomaly patterns observed is studied to better account for unseen test cases. The proposed framework achieves high overall accuracy and recall even when tested on an unseen dataset that is much larger than the samples used for training, offering a viable solution for implementation on full-scale structures where limited labeled-training data is available.