• 한국미생물·생명공학회지
• /
• 제40권1호
• /
• pp.1-9
• /
• 2012

본 연구는 홍조류를 기질로 사용한 바이오에탄올 생산 공정에서 전처리(홍조류 가수분해) 공정의 효율을 높이기 위하여 성능이 우수한 신규 아가레이즈를 발굴하는 데 있다. 남해안에 서식하는 해조류를 채집하여 이로부터 아가레이즈 활성을 갖는 3종의 균주들을 순수 분리 하였다. 이들 균주들을 4일간 배양한 후, 황산암모늄 침전과 투석에 의하여 배양액으로부터 조효소를 회수하였다. 세포외 분비 효소를 포함하는 배양 상등액으로부터 얻은 조효소와 세포 내 효소를 포함하는 세포 추출물에서 얻은 조효소 모두에서 아가레이즈 활성이 측정되었고, 동일 균주에서 세포외 분비 단백질이 세포내 축적 단백질보다 높은 활성을 나타내었다. 3종의균주 중 GNUM08122 조효소가 단위 단백질 당 아가레이즈 활성은 낮았으나, p-nitrophenyl-${\alpha}$-D-galactopyranoside의 ${\alpha}$-결합을 끊는 것으로 관찰되어 ${\alpha}$-agarase 활성이 있을 것으로 추측되어 균주 동정을 실시하였다. GNUM08122 균주의 16S rRNA 염기서열을 결정하고 계통수 분석을 수행한 결과 Pseudoalteromonas issachenkonii KMM 3549 및Pseudoalteromonas tetraodonis IMA 14160 균주와 99.7%이상 상동성을 보였는데, 이는 GNUM08122가 Pseudoalteromonas속 균주임을 나타낸다. 균주의 생화학적 생리적 특성을 조사하였다. GNUM08122는 $40^{\circ}C$, 산성 조건(pH 4)는 물론 약 알칼리(pH 8)에서도 활발히 성장하였다. 높은NaCl(10%, w/w)에서도 세포생장이 저해를 받지 않았고 다양한 탄수화물을 사용하는 것으로 확인되었다.

• 대한원격탐사학회지
• /
• 제34권6_3호
• /
• pp.1457-1468
• /
• 2018

후방산란계수(${\sigma}^0$) 방정식은 지상표적 탐지, 토지피복 분류, 해상풍 산출, 토양 수분함량 예측 등 Synthetic Aperture Radar(SAR) 영상의 활용을 위해 영상으로부터 지구물리적인 특성을 예측하는 과정에서 요구되는 필수 요소이다. 본 논문에서는 최종 업데이트된 SAR 프로세서와 절대방사보정의 특성을 반영하는 Kompsat-5 (K5)의 Radar Cross Section(RCS) 및 ${\sigma}^0$ 방정식을 제시하고 이를 검증하여 K5 SAR 영상의 활용도를 높이고자 한다. 우선, K5 RCS 방정식을 산출하고 이의 정밀도를 몽골의 검보정 사이트에 설치되어 있는 삼면판 반사기를 이용하여 검증하였다. K5 Spotlight 및 Stripmap 모드의 다양한 빔 영상에 대해서 RCS 방정식을 이용하여 측정한 RCS 값과 K5 SAR 프로세서를 이용하여 관측한 표준 RCS 값을 비교하였을 때 평균 $0.2dBm^2$ 이하의 차이를 보였다. 레이더 방정식과 K5 RCS 방정식을 이용하여 유도한 K5 ${\sigma}^0$ 방정식에 대한 검증은 계절에 따른 후방 산란 특성의 변화가 적은 아마존 열대 우림의 TerraSAR-X(TSX) 및 Sentinel-1A(S-1A) SAR 영상에서 얻은 ${\sigma}^0$과 비교하여 수행하였다. TSX/S-1A 대비 K5 ${\sigma}^0$ 값의 차이는 최대 0.6 dB 이하였다. K5의 절대방사보정에 대한 요구 값이 2.0 dB($1{\sigma}$)을 감안하면 K5 RCS 방정식의 평균 $0.2dBm^2$ 이하의 오차와 K5 ${\sigma}^0$ 방정식의 최대 0.6 dB 이하의 오차는 제시한 방정식들의 정밀도 및 유효성이 높음을 입증하여 준다. 향후, 본 논문에서 제시한 K5 RCS 방정식과 K5 ${\sigma}^0$ 방정식을 이용하여 해상풍 산출 등 정량적인 분석이 가능한 활용을 통한 검증이 추가적으로 이루어져야 할 것으로 생각된다.

• 한국전산구조공학회논문집
• /
• 제37권4호
• /
• pp.225-232
• /
• 2024

본 논문에서는 딥러닝을 활용하여 복합재 적층판의 파괴 모드를 결정하는 방법을 제안하였다. 수많은 엔지니어링 응용 분야에서 적층 복합재의 사용이 증가함에 따라 무결성과 성능을 보장하는 것이 중요해졌다. 그러나 재료의 이방성으로 인해 복잡하게 나타나는 파괴모드를 식별하는 것은 도메인 지식이 필요하고, 시간이 많이 드는 작업이다. 따라서 이러한 문제를 해결하기 위해 본 연구에서는 인공 지능(AI) 기술을 활용하여 적층 복합재의 파괴 모드 분석을 자동화하는 것을 목표로 하였다. 이 목표를 달성하기 위해 적층된 복합재에서 파손된 인장 시험편의 주사 전자 현미경(SEM) 이미지를 얻어 다양한 파괴 모드를 확보하였다. 이러한 SEM 이미지는 섬유 파손, 섬유 풀아웃, 혼합 모드 파괴, 매트릭스 취성 파손 및 매트릭스 연성 파손과 같은 다양한 파손 모드를 기준으로 분류하였다. 다음으로 모든 클래스의 집합 데이터를 학습, 테스트, 검증 데이터 세트로 구분하였다. 두 가지 딥 러닝 기반 사전 훈련 모델인 DenseNet과 GoogleNet을 이용해 각 파괴 모드에 대한 차별적 특징을 학습하도록 훈련하였다. DenseNet 및 GoogleNet 모델은 각각 (94.01% 및 75.49%) 및 (84.55% 및 54.48%)의 훈련 및 테스트 정확도를 보여주었다. 그런 다음 훈련된 딥 러닝 모델은 검증 데이터 세트를 활용해 검증하였다. 더 깊은 아키텍처로 인해 DenseNet 모델이 고품질 특징을 추출하여 84.44% 검증 정확도(GoogleNet 모델보다 36.84% 더 높음)를 얻을 수 있음을 확인하였다. 이는 DenseNet 모델이 높은 정밀도로 파괴 모드를 예측함으로써 적층 복합재의 파손 분석을 수행하는 데 효과적이라는 것을 알 수 있다.