• 한국안전학회지
• /
• 제11권4호
• /
• pp.143-150
• /
• 1996

본 연구는 선형, 비선형 hygrothermal 응력 문제를 위한 explicit-Implicit 유한요소 해석 모델 개발에 관한 것이다. 부가적으로 moilsture 확산 방정식, J-적분 평가를 위한 균열 요소 및 가상 균열 진전법이 도입된다. 시간 변화에 따른 균열 추진력을 계산하기 위하여 선형 탄성 파괴 역학(LEFM)이론이 고려되며 재료의 기공은 실온에서 액체 상태의 습기로 포화되어 있으며 온도가 상승함에 따라 증기화된다는 가정하에서 균열 추진력과 증기 효과의 관계가 연구된다. 이상 기체방정식은 각 시간 단계에서 증기에 의한 열역학적 압력을 계산하기 위하여 이용된다. 다공질 재료의 시간 종속 응답을 지배하는 방정식들은 혼합이론에 기초하며 다공질 재료의 유체 흐름을 위한 Darcy의 법칙과 Von-Mises 항복 기준을 포함하고 있는 Perzyna의 점소성 모델이 첨가된다. 또한 Green-Naghdi 응력률이 중첩된 강체 운동하에서 응력 텐서 invariant로 사용되며, 모델링을 위하여 사각요소가 이용되고 비선형 지배 방정식을 풀기 위하여 full Newton-Raphson법에 의한 반복법이 사용된다. 본 연구를 통하여 얻은 결과는 다음과 같다. 1) 본 유한요소 프로그램은 복합재의 hygrothermal 파괴 해석에 매우 유용하게 적용될 수 있다. 2) 습기의 온도에 의한 영향을 가지는 재료의 J-적분을 정확히 예측하기 위하여는 증기 효과를 고려하여야 한다. 왜냐하면 초기단계에 균열 전파력이 가속되기 때문이다. 3) 본 해석을 위해 Uncoupled scheme에 의한 결과도 Coupled scheme에 결과에 비해 아주 타당하므로 CPU 측면에서 매우 경제적인 Uncoupled scheme이 추천된다.

• 융합정보논문지
• /
• 제11권5호
• /
• pp.30-37
• /
• 2021

사물인터넷 등을 통하여 각종 기기들이 인터넷으로 연결되어 있고 이로 인하여 인터넷을 이용한 공격이 발생하고 있다. 그러한 공격 중 악성 URL를 이용하여 사용자에게 잘못된 피싱 사이트로 접속하게 하거나 악성 바이러스를 유포하는 공격들이 있다. 이러한 악성 URL 공격을 탐지하는 방법은 중요한 보안 이슈 중에 하나이다. 최근 딥러닝 기술 중 뉴럴네트워크는 이미지 인식, 음성 인식, 패턴 인식 등에 좋은 성능을 보여주고 있고 이러한 뉴럴네트워크를 이용하여 악성 URL 탐지하는 분야가 연구되고 있다. 본 논문에서는 뉴럴네트워크를 이용한 악성 URL 탐지 성능을 각 파라미터 및 구조에 따라서 성능을 분석하였다. 뉴럴네트워크의 활성화함수, 학습률, 뉴럴네트워크 모델 등 다양한 요소들에 따른 악성 URL 탐지 성능에 어떠한 영향을 미치는 지 분석하였다. 실험 데이터는 Alexa top 1 million과 Whois에서 크롤링하여 데이터를 구축하였고 머신러닝 라이브러리는 텐서플로우를 사용하였다. 실험결과로 층의 개수가 4개이고 학습률이 0.005이고 각 층마다 노드의 개수가 100개 일 때, 97.8%의 accuracy와 92.94%의 f1 score를 갖는 것을 볼 수 있었다.

• 지능정보연구
• /
• 제23권2호
• /
• pp.1-17
• /
• 2017

딥러닝 프레임워크의 대표적인 기능으로는 '자동미분'과 'GPU의 활용' 등을 들 수 있다. 본 논문은 파이썬의 라이브러리 형태로 사용 가능한 프레임워크 중에서 구글의 텐서플로와 마이크로소프트의 CNTK, 그리고 텐서플로의 원조라고 할 수 있는 티아노를 비교하였다. 본문에서는 자동미분의 개념과 GPU의 활용형태를 간단히 설명하고, 그 다음에 logistic regression을 실행하는 예를 통하여 각 프레임워크의 문법을 알아본 뒤에, 마지막으로 대표적인 딥러닝 응용인 CNN의 예제를 실행시켜보고 코딩의 편의성과 실행속도 등을 확인해 보았다. 그 결과, 편의성의 관점에서 보면 티아노가 가장 코딩 하기가 어렵고, CNTK와 텐서플로는 많은 부분이 비슷하게 추상화 되어 있어서 코딩이 비슷하지만 가중치와 편향을 직접 정의하느냐의 여부에서 차이를 보였다. 그리고 각 프레임워크의 실행속도에 대한 평가는 '큰 차이는 없다'는 것이다. 텐서플로는 티아노에 비하여 속도가 느리다는 평가가 있어왔는데, 본 연구의 실험에 의하면, 비록 CNN 모형에 국한되었지만, 텐서플로가 아주 조금이지만 빠른 것으로 나타났다. CNTK의 경우에도, 비록 실험환경이 달랐지만, 실험환경의 차이에 의한 속도의 차이의 편차범위 이내에 있는 것으로 판단이 되었다. 본 연구에서는 세 종류의 딥러닝 프레임워크만을 살펴보았는데, 위키피디아에 따르면 딥러닝 프레임워크의 종류는 12가지가 있으며, 각 프레임워크의 특징을 15가지 속성으로 구분하여 차이를 특정하고 있다. 그 많은 속성 중에서 사용자의 입장에서 볼 때 중요한 속성은 어떤 언어(파이썬, C++, Java, 등)로 사용가능한지, 어떤 딥러닝 모형에 대한 라이브러리가 잘 구현되어 있는지 등일 것이다. 그리고 사용자가 대규모의 딥러닝 모형을 구축한다면, 다중 GPU 혹은 다중 서버를 지원하는지의 여부도 중요할 것이다. 또한 딥러닝 모형을 처음 학습하는 경우에는 사용설명서가 많은지 예제 프로그램이 많은지 여부도 중요한 기준이 될 것이다.