• 대한환경공학회지
• /
• 제22권11호
• /
• pp.2047-2058
• /
• 2000

양돈폐수의 효율적인 혐기성 처리를 위하여 실험실 규모 UASB, AF, 그리고 이단 ASBF 생물반응기를 구성하고 HRT 1일과 OLR $5.1kg-COD/m^3{\cdot}d$까지 200일간 연속운전하고 운전인자가 공정에 미치는 영향과 처리효율을 비교하였다. 양돈폐수는 유기물, 고형물, 그리고 암모니아를 고농도로 함유하고 있으며 축사의 형태와 계절의 변화에 큰 영향을 받는다. 하수종말처리장 혐기성 소화조 잉여 슬러지에 의한 혐기성 생물반응기의 식종은 효과적이었으며 적응기간은 약 40일 정도 소요되었으나 media로 충전된 필터형 생물반응기인 AF와 이단 ASBF의 적응 속도가 UASB보다 빨랐다. 유입수 T-N 370~800mg/L에서 생물반응기는 77~91% 의 높고 안정된 COD 제거율을 보였으나 유입수 T-N 760~1,310 mg/L에서 COD 제거율은 24~94%로 불안정하였으며 전반적으로 감소되었다. 양돈폐수에 함유된 암모니아는 메탄균에 대한 저해작용을 나타낼 수 있는 충분한 농도이므로 효율적인 혐기성 소화처리를 위하여 전처리로서 암모니아의 제거는 필수적이다. 생물반응기는 $1.1{\sim}2.2kg-COD/m^3{\cdot}d$의 비교적 낮은 OLR에서 COD 제거효율은 78.9~81.5%, 그리고 biogas 발생량은 $0.39{\sim}0.59m^3/kg-COD_r$로 효과적이었으나 유입수 COD의 증가 혹은 HRT 단축운전에 의한 OLR의 증가에 따라 COD 제거효율은 감소하였으며 UASB는 AF와 이단 ASBF보다 COD 제거효율 감소폭이 컸다. AF와 이단 ASBF는 충전된 media와 이단화에 의하여 biomass의 보유능력이 우수하며 높은 OLR에도 안정적이며 높은 COD 제거율올 나타내므로 고농도의 유기물을 함유하며 축사의 형태와 계절에 따라 특성의 변화가 큰 양돈폐수의 처리에 효율적이다.

• 방사성폐기물학회지
• /
• 제8권4호
• /
• pp.311-318
• /
• 2010

공학적 안전설비 공기정화계통의 규제지침인 Reg. Guide 1.52(Rev.3)의 변경사항중 성능시험과 관련한 운전가능성 시험시간 단축, HEPA 필터 현장누설시험용 시험물질 변경 및 활성탄 성능시험 Methyl Iodidie 투과허용율 상향 변경을 영광 5,6호기에 적용하고자, 모사실험장치와 현장 설비를 활용하여 기술적 타당성을 확인하는 실험을 수행하였다. 10시간 이상의 장시간 운전가능성 시험을 통해 계통내 습분을 제거하여도 시험후 1~4일만에 회복됨을 확인하여 운전가능성 시험은 기기적 운전가능성 점검에 적합한 매월 15분 이상의 시험을 수행하는 것이 타당함을 확인하였다. HEPA 필터 현장누설시험용 시험물질 변경을 위해 DOP와 PAO의 에어로졸 입자크기, 발생량, 누설인지도를 비교한 결과 PAO는 원전에서도 DOP 대체시험물질로 사용 가능함을 확인하였다. 베드깊이 4 인치 이상의 활성탄여과기에 대한 Methyl Iodide의 투과율 허용치가 0.175 %에서 0.5 %로 상향 변경된 것은, ASTM D3803(1989)으로의 활성탄 성능시험 방법 변경에 따른 것으로서, $30^{\circ}C$ 상대습도 95 %에서의 Methyl Iodide 투과허용율 0.5 %가 사용 중 활성탄의 성능을 시험하기에 충분히 보수적인 시험방법임을 확인하였다. 본 실험 결과를 바탕으로 영광 5,6호기는 인허가변경을 완료하였다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.167-181
• /
• 2018

지난 10여 년간 딥러닝(Deep Learning)은 다양한 기계학습 알고리즘 중에서 많은 주목을 받아 왔다. 특히 이미지를 인식하고 분류하는데 효과적인 알고리즘으로 알려져 있는 합성곱 신경망(Convolutional Neural Network, CNN)은 여러 분야의 분류 및 예측 문제에 널리 응용되고 있다. 본 연구에서는 기계학습 연구에서 가장 어려운 예측 문제 중 하나인 주식시장 예측에 합성곱 신경망을 적용하고자 한다. 구체적으로 본 연구에서는 그래프를 입력값으로 사용하여 주식시장의 방향(상승 또는 하락)을 예측하는 이진분류기로써 합성곱 신경망을 적용하였다. 이는 그래프를 보고 주가지수가 오를 것인지 내릴 것인지에 대해 경향을 예측하는 이른바 기술적 분석가를 모방하는 기계학습 알고리즘을 개발하는 과제라 할 수 있다. 본 연구는 크게 다음의 네 단계로 수행된다. 첫 번째 단계에서는 데이터 세트를 5일 단위로 나눈다. 두 번째 단계에서는 5일 단위로 나눈 데이터에 대하여 그래프를 만든다. 세 번째 단계에서는 이전 단계에서 생성된 그래프를 사용하여 학습용과 검증용 데이터 세트를 나누고 합성곱 신경망 분류기를 학습시킨다. 네 번째 단계에서는 검증용 데이터 세트를 사용하여 다른 분류 모형들과 성과를 비교한다. 제안한 모델의 유효성을 검증하기 위해 2009년 1월부터 2017년 2월까지의 약 8년간의 KOSPI200 데이터 2,026건의 실험 데이터를 사용하였다. 실험 데이터 세트는 CCI, 모멘텀, ROC 등 한국 주식시장에서 사용하는 대표적인 기술지표 12개로 구성되었다. 결과적으로 실험 데이터 세트에 합성곱 신경망 알고리즘을 적용하였을 때 로지스틱회귀모형, 단일계층신경망, SVM과 비교하여 제안모형인 CNN이 통계적으로 유의한 수준의 예측 정확도를 나타냈다.

• 한국산림과학회지
• /
• 제109권1호
• /
• pp.41-49
• /
• 2020

본 연구는 벌개미취 종자의 대면적 파종 효율성을 증진시키기 위하여, 적절한 종자 전처리 조건과 펠렛코팅 소재를 선정하고자 실시하였다. 벌개미취 종자는 충실종자를 사용하기 위해 1일간 침지처리 후 침강 종자만을 사용하였다. 종자 전처리는 GA₃(200, 500 ppm), 24-epibrassinolide(10^-6, 10^-7, 10^-8 M) 호르몬 처리와 염류삼투프라이밍(100 mM KNO₃) 처리로 구분하였다. 펠렛코팅은 무처리와 프라이밍 처리 종자에 피복물질(DTCS와 DTK)과 접착제(PVA와 CMC)를 적용하여 제작하였다. 종자들은 필터페이퍼, 상토, 사양토 환경에서 파종하여 파종상에 따른 종자 처리 효과를 비교하였다. 필터페이퍼에 파종한 종자의 발아율은 무처리 종자가 41%, 프라이밍 종자가 65%로 가장 높았으며, 호르몬 처리 간 차이는 없었다. 프라이밍과 DTCS/PVA 펠렛 혼용 종자의 발아율은 71%로 가장 높았으며, 프라이밍과 DTK/CMC 펠렛 혼용 종자의 발아율은 42%로 가장 낮았다. 프라이밍 처리 후 펠렛코팅한 종자는 무처리 펠렛코팅 종자보다 발아율, 평균발아일수, 발아속도가 향상되었다. 온실의 상토에 파종한 프라이밍 종자의 발아율은 58%로 가장 높았으며, 평균발아일수는 9.4일, 발아속도는 7.0%·day로 27% 발아율의 무처리 종자보다 높았다. 또한 DTK/PVA 코팅 종자의 발아율(40%)은 무처리 종자의 발아율(27%) 보다 높았으며, 무처리 펠렛코팅한 종자의 평균발아일수는 15.0-27.0일로 프라이밍 처리 후 펠렛코팅한 종자보다 길었다. 온실의 사양토에 파종한 무처리 펠렛코팅 종자와 프라이밍 처리 후 펠렛코팅한 종자의 발아율은 모두 1-39%의 범위로 무처리 종자보다 낮았다. 펠렛 소재인 DTK는 DTCS보다 높은 발아율을 보였으며, 무처리 펠렛코팅 종자의 평균발아일수는 15.0-19.8일로 프라이밍 후 펠렛코팅한 종자보다 느렸다. 본 연구 결과를 기준으로, 벌개미취 종자의 프라이밍 전 처리는 유묘 출현율에 매우 효과적이며, 프라이밍과 펠렛코팅을 병행할 경우, 펠렛 소재로는 DTK가 더 적합하였고, 접착제는 PVA와 CMC 간 차이가 크지 않기 때문에 모두 사용이 가능한 것으로 판단되었다.