• Korean Chemical Engineering Research
• /
• 제59권2호
• /
• pp.209-218
• /
• 2021

ORV의 열교환 효율 향상 및 운전 최적화를 위한, first principle 기반 모델링 연구들이 수행되어왔지만, ORV의 열 전달 계수는 시간, 위치에 따라 불규칙한 시스템으로, 복잡한 모델링 과정을 거친다. 본 연구는 복잡한 시스템에 대한 데이터 기반 모델링의 실효성을 확인하고자, LNG 재기화 공정의 실제 운전데이터를 이용해, ORV의 해수 유량, 해수온도, LNG 유량 변화에 따른 토출 NG 온도 및 토출 해수 온도의 동적 변화 예측이 가능한, FNN, LSTM 및 AutoML 기반 모델링을 진행하였다. 예측 정확도는 MSE 기준 LSTM > AutoML > FNN 순으로 좋은 성능을 보였다. 기계학습 모델의 자동설계 방법인 AutoML의 성능은 개발된 FNN보다 뛰어났으며, 모델 개발 전체소요시간은 복잡한 모델인 LSTM 대비 1/15로 크게 차이를 보여 AutoML의 활용 가능성을 보였다. LSTM과 AutoML을 이용한 토출 NG 및 토출 해수 온도의 예측은 0.5 K 미만의 오차를 보였다. 예측모델을 활용해, 겨울철 ORV를 이용해 처리 가능한 LNG 기화량의 실시간 최적화를 수행하여, 기존 대비 최대 23.5%의 LNG를 추가 처리 가능함을 확인하였고, 개발된 동적 예측모델 기반의 ORV 최적 운전 가이드라인을 제시하였다.

• 한국구조물진단유지관리공학회 논문집
• /
• 제26권5호
• /
• pp.127-134
• /
• 2022

본 연구에서는 장기재령(4~6년)으로 양생된 플라이애시 콘크리트를 대상으로 촉진 염화물 이온 통과 시험을 수행하였다. 콘크리트 배합은 3수준의 물-결합재 비(0.37, 0.42, 0.47)와 2수준의 플라이애시 치환율(0, 30 %)을 가지고 있었으며, 시간 의존적으로 개선되는 통과 전하량을 정량적으로 분석하였다. 또한 실험결과를 GRU 알고리즘을 고려한 단별량 시계열 모델을 적용하여 학습하였으며, 그 예측값을 평가하였다. 통과전하량 실험 결과, 플라이애시 콘크리트는 물-결합재 비에 의한 통과 전하량의 변화가 재령이 증가함에 따라 점차 감소하였으며 OPC 콘크리트에 비하여 우수한 염해저항성을 나타내었다. 최종 평가일인 6년에서 플라이애시 콘크리트는 모든 물 결합재 비 조건에서 'Very low' 등급에 해당되는 통과 전하량이 평가되었지만, OPC 콘크리트의 경우 가장 높은 물-결합재 비를 갖는 조건에서 'Moderate' 등급을 나타내었다. 메인 알고리즘으로서 사용한 GRU 알고리즘은 시계열 데이터를 분석할 수 있고 연산 속도가 빠른 장점을 갖고 있다. 4개의 은닉층을 갖는 딥-러닝 모델이 고려되었으며 결과값은 실험값을 합리적으로 예측하고 있었다. 본 연구의 딥-러닝 모델은 단변량 시계열 특성만을 고려할 수 있는 한계점이 존재하지만 추가 연구를 통해 콘크리트의 강도 및 확산계수와 같은 다양한 특성을 고려할 수 있는 모델이 개발 중에 있다.

• Korean Chemical Engineering Research
• /
• 제62권3호
• /
• pp.214-224
• /
• 2024

밸브는 유량과 압력 조절 등의 중요한 역할을 수행하며, 적절한 밸브 사이즈와 유형 선택이 필요하다. Engineering Procurement Construction (EPC) 산업에선 밸브 사이즈 계수(C_v)의 수식적 계산을 바탕으로 사이즈와 유형을 선정해왔으나 이러한 방식은 전문가의 많은 시간과 비용이 요구되어 비효율적이다. 본 연구는 이를 해결하기위해 머신 러닝기법을 이용한 밸브 사이즈 및 유형 예측 모델을 개발하였다. Artificial neural network (ANN), Random Forest, XGBoost, Catboost의알고리즘을 적용하여 모델들을 개발하였으며, 평가 지표로는 사이즈 예측에는 Normalized root mean squared error (NRMSE)와 R²를, 종류 예측에는 F1 score를 적용하였다. 또한, 유체 상에 따른 영향을 확인하고자 유체 전체, 액체, 기체, 스팀의 4개의 데이터 세트로 사례 연구를 진행하였다. 연구 결과, 사이즈의 경우 전체, 액체, 기체에선 Catboost(R²기준, 전체: 0.99216, 액체: 0.98602, 기체: 0.99300. NRMSE 기준, 전체: 0.04072, 액체: 0.04886, 기체: 0.03619)가, 스팀에선 Random Forest가(R²: 0.99028, NRMSE: 0.03493) 가장 뛰어난 모델임을 확인하였다. 종류의 경우 Catboost가 모든 데이터에서 가장 높은 성과를 제시하였다(F1 score 기준, 전체: 0.95766, 액체: 0.96264, 기체: 0.95770, 스팀: 1.0000). 본 연구에서 제안한 모델들을 적용할 경우, 주어진 조건에 따른 밸브 선택을 도와 의사결정 속도를 높여줄 것으로 기대된다.

• 인터넷정보학회논문지
• /
• 제23권5호
• /
• pp.79-85
• /
• 2022

이상 탐지는 일반적인 사용자들의 데이터 집합 속에서 비정상적인 데이터 흐름을 파악하여 미리 차단하는 방법이다. 기존에 알려진 방식은 이미 알려진 공격의 시그니처를 활용하여 시그니처 기반으로 공격을 탐지 및 방어하는 방식인데, 이는 오탐율이 낮다는 장점이 있지만 제로 데이 취약점 공격이나 변형된 공격에 대해서는 매우 취약하다는 점이 문제점이다. 하지만 이상 탐지의 경우엔 오탐율이 높다는 단점이 존재하지만 제로 데이 취약점 공격이나 변형된 공격에 대해서도 식별하여 탐지 및 차단할 수 있다는 장점이 있어 관련 연구들이 활발해지고 있는 중이다. 본 연구에서는 이 중 이상 탐지 메커니즘에 대해 다뤘다. 앞서 말한 단점인 높은 오탐율을 보완하며 그와 더불어 이상 탐지와 분류를 동시에 수행하는 새로운 메커니즘을 제안한다. 본 연구에서는 여러 알고리즘의 특성을 고려하여 5가지의 구성으로 실험을 진행하였다. 그 결과로 가장 우수한 정확도를 보이는 모델을 본 연구의 결과로 제안하였다. Extra Tree와 Three layer ANN을 동시에 적용하여 공격 여부를 탐지한 후 공격을 분류된 데이터에 대해서는 Extra Tree를 활용하여 공격 유형을 분류하게 된다. 본 연구에서는 NSL-KDD 데이터 세트에 대해서 검증을 진행하였으며, Accuracy는 Normal, Dos, Probe, U2R, R2L에 대하여 각각 99.8%, 99.1%, 98.9%, 98.7%, 97.9%의 결과를 보였다. 본 구성은 다른 모델에 비해 우수한 성능을 보였다.

• Imaging Science in Dentistry
• /
• 제54권1호
• /
• pp.81-91
• /
• 2024

Purpose: The objective of this study was to propose a deep-learning model for the detection of the mandibular canal on dental panoramic radiographs. Materials and Methods: A total of 2,100 panoramic radiographs (PANs) were collected from 3 different machines: RAYSCAN Alpha (n=700, PAN A), OP-100 (n=700, PAN B), and CS8100 (n=700, PAN C). Initially, an oral and maxillofacial radiologist coarsely annotated the mandibular canals. For deep learning analysis, convolutional neural networks (CNNs) utilizing U-Net architecture were employed for automated canal segmentation. Seven independent networks were trained using training sets representing all possible combinations of the 3 groups. These networks were then assessed using a hold-out test dataset. Results: Among the 7 networks evaluated, the network trained with all 3 available groups achieved an average precision of 90.6%, a recall of 87.4%, and a Dice similarity coefficient (DSC) of 88.9%. The 3 networks trained using each of the 3 possible 2-group combinations also demonstrated reliable performance for mandibular canal segmentation, as follows: 1) PAN A and B exhibited a mean DSC of 87.9%, 2) PAN A and C displayed a mean DSC of 87.8%, and 3) PAN B and C demonstrated a mean DSC of 88.4%. Conclusion: This multi-device study indicated that the examined CNN-based deep learning approach can achieve excellent canal segmentation performance, with a DSC exceeding 88%. Furthermore, the study highlighted the importance of considering the characteristics of panoramic radiographs when developing a robust deep-learning network, rather than depending solely on the size of the dataset.

• 한국산학기술학회논문지
• /
• 제21권8호
• /
• pp.530-536
• /
• 2020

일반적인 지문 인식기에서 이용되는 미뉴셔 특징은 표현 공격에는 강건하지만 오 정합률이 상대적으로 높다는 약점이 있다. 따라서 미뉴셔 특징은 스켈리톤 영상과 함께 이용되는 경향이 있다. 보통 지문의 미뉴셔 특징에 대한 보안 취약성 연구는 많이 진행되어 있으나 스켈리톤에 대한 취약성 연구는 미약한 형편이므로 본 연구에서는 스켈리톤에 대한 표현 공격의 취약성을 분석하고자 한다. 이를 위해, 본 연구에서는 지문의 스켈리톤으로부터 학습 알고리즘을 사용해 원래의 지문을 복구하는 방법을 제시한다. 본 논문에서 제시된 방법은 기존의 Pix2Pix 모델에 잠재 벡터를 추가한 새로운 학습 모델인 Pix2Pix을 제안하여, 보다 자연스러운 지문을 생성한다. 본 논문의 실험 결과에서는 제시된 학습 알고리즘을 이용해 원래의 지문을 복원한 다음, 복원된 지문을 지문 인식기에 입력시켜 높은 인식률을 달성하였다. 그러므로 본 연구는 스켈리톤을 함께 이용하는 지문 인식기는 표현 공격에 취약함을 검증하였다. 본 논문에서 제시된 접근방법은 지문 인식 및 복원, 비디오 보안, 생체 인식 등과 연관된 많은 실제적인 응용 분야에서 유용하게 사용될 것으로 기대된다.

• 한국가스학회지
• /
• 제17권2호
• /
• pp.59-69
• /
• 2013

본 연구에서는 가스전의 추가 생산정 위치선정을 위해 고속의 연산이 가능한 인공신경망을 이용하여 저류 전산시뮬레이터를 개발하였다. 입출력자료와 알고리즘을 설계하였으며, 개발한 시뮬레이터를 이용하여 가스전의 추가 생산정 위치선정을 위한 연구를 수행하였다. 입력값은 생산시간, 생산정간 상관관계, 추가 생산정 위치좌표, 생산성 잠재력, 함수적 연관관계, 저류층 압력으로 구성하였으며, 출력값은 생산량과 함께 공저압력을 동시에 사용하였다. 20가지의 생산정 위치 시나리오에 대해 학습을 수행한 결과, 생산량의 상관계수 값은 0.99, 공저압력은 0.98로 상관관계가 매우 높은 것으로 확인되어 인공신경망 시뮬레이터의 타당성이 검증되었다. 가스전에서 최대공급계약량 유지시점을 산출함으로써 생산정 위치에 따른 생산성을 분석하였다. 그 결과 시나리오 C-1이 최대공급계약량 유지기간이 가장 짧았으며, 시나리오 A-1이 가장 오랫동안 유지시킬 수 있는 것으로 산출되었다. 결론적으로, 시나리오 A가 생산성에 영향을 받는 인자를 포함한 시나리오 B, C보다 최대 21% 더 최대공급계약량을 유지시킬 수 있는 것으로 확인되었다. 따라서 생산성에 영향을 미치는 요소를 종합적으로 고려하여 생산정의 위치를 선정해야 생산량을 극대화 할 수 있다. 본 인공신경망 시뮬레이터를 이용 시 생산기간동안 생산량과 공저압력 변화를 동시에 비교 분석하는 것이 가능하여 다양한 최적화 모델에 전위모델로 사용하는 것이 가능하다.

• 터널과지하공간
• /
• 제25권2호
• /
• pp.186-198
• /
• 2015

본 연구에서는 적정 소요환기량의 확보를 통한 갱내 환경의 최적화를 위한 기초연구로 갱내 소요환기량을 추정하였다. 채굴의 심부화 및 운행갱도의 증가로 인한 온도상승으로 작업환경이 점차 악화되는 광산에서 작업환경의 개선을 위하여 J광업소를 대상으로 환기평가를 하였으며 갱내의 환기효율을 증가시키기 위하여 갱도의 길이에 따른 온도에 대한 효과를 수치 해석하였다. 연구결과 J광업소의 소요환기량은 $17,831m^3/min$으로 산출되었으며, 실제 총 입기량은 $16,474m^3/min$로 환기량이 $1,357m^3/min$ 부족한 것으로 나타났다. 개발된 프로그램을 이용하여 J 광업소의 두 가지 개발모델에 관하여 온도 예측을 하였으며 온도계산의 기본 인자인 환기량 예측을 위해서 수치해석 프로그램인 VnetPC를 사용하였다. 실험 결과 첫 번째 개발모델인 -425ML을 전체 개발할 경우의 C 생산부 주운반갱도 9X의 온도는 $29.30^{\circ}C$로 예측되었으며 두 번째 모델인, A 생산부를 제외한 일부 지역만 개발할 경우의 온도는 $27.45^{\circ}C$로 예측되었다.

• 대한기계학회논문집A
• /
• 제39권11호
• /
• pp.1123-1129
• /
• 2015

자동차부품 세척장비는 엔진과 변속기 블록 등의 가공과정에서 잔류하는 기름때를 제거하며, 잦은 수류방향 전환과 고압수의 분사를 위해 한 쌍의 2 방향 밸브를 사용한다. 그러나 정교한 밸브제어장치 없이 2 방향 밸브를 사용하는 경우 급격한 수류방향 전환에 따른 맥동현상이 발생하여 사용에 어려움이 따른다. 대안으로 하나의 3 방향 절환밸브를 사용하는 방법은 정교한 제어장치 없이도 정확한 수류방향 절환이 원활히 이루어져 이러한 문제점을 해결할 수 있다. 그러나 복잡한 유로 및 바텀플러그 형상으로 인해 유속변화가 심하게 발생하여 공동현상이 나타날 수 있다. 본 연구에서는 3 방향 절환밸브 내의 유동특성을 해석적으로 평가하였으며, 바텀플러그 하부에서 나타나는 공동현상을 공동화지표와 POC(Percent of cavitation)를 도입하여 정량화하였다. 공동현상의 저감을 위해 바텀플러그 형상을 매개변수화하고, 해석의 수렴성 개선과 해석시간을 단축시킬 수 있는 단순 유한요소모델을 이용하여 유동해석을 통한 형상최적설계를 실시하였다. 완전요인배치법을 통한 실험계획법과 인공신경망 기반 반응표면모델을 적용하여 공동현상이 발생하지 않는 POC 가 30% 미만인 바텀플러그의 형상을 제시하였다. 얻어진 최적해는 POC 27%에 대하여 바텀플러그의 허리길이와 꼬리길이가 각각 6.42mm 및 6.96mm 이다.

• 사물인터넷융복합논문지
• /
• 제8권6호
• /
• pp.55-63
• /
• 2022

최근 중국에서 중대형 도시철도의 급속한 발전으로 고속철도의 총 운행거리와 총 EMU(Electric Multiple Units) 수가 증가하고 있다. 고속 EMU의 시스템 복잡성은 지속적으로 증가하고 있으며, 이는 장비의 안전성과 유지보수의 효율성에 대한 더 높은 요구사항을 제시한다. 현재 중국의 고속 EMU의 유지보수 모드는 여전히 계획적인 유지보수 및 고장보수에 기반한 사후 유지보수 방식을 채택하고 있어 유지보수가 미흡하거나 과도하게 이루어지며, 장비 고장 처리의 효율성을 떨어뜨리고 유지보수 비용을 증가시킨다. PHM(진단 및 예측관리)의 지능형 운영 및 유지관리 기술을 기반으로 합니다. 본 논문은 고속 EMU의 서로 다른 시나리오의 다중 소스 이기종 데이터를 통합하여 "차량 시스템-통신 시스템-지상 시스템"의 통합 PHM 플랫폼을 구축하고, 장비 고장 메커니즘을 인공지능 알고리즘과 결합하여 고속 EMU의 트랙션 모터에 대한 고장 예측 모델을 구축한다. 고속 EMU의 안전하고 효율적인 작동을 보장하기 위해 고장 예측 및 정확한 유지보수를 사전에 수행해야 한다.