• 공업화학
• /
• 제19권6호
• /
• pp.609-616
• /
• 2008

본 연구는 크기가 다른 두 종류의 입자를 가진 비(非)콜로이드성 현탁액의 평균 침강 속도를 예측하는 수치적 방법을 제공한다. 이 방법은 무수히 많은 입자들이 유체에 불규칙적으로 분포된 현탁액 시스템의 유체 속도, 온도 등의 물리량을 앙상블 평균의 개념을 사용해서 표현하는 유효 매체 이론에 기초한다. 본 연구에서는 Acrivos와 Chang[1]이 단일(單一) 입도 현탁액에 대해 제안한 모델을 이중(二重) 입도 현탁액에 응용한다. 구체적으로 방사 분포 함수(radial distribution function)에 대한 계산과 stream function을 이용하여 침강 속도를 계산하고 그 결과를 Davis와 Birdsell[2]과 Cheung 등[3]의 실험 결과와 비교하였다. 그 결과 본 연구의 모델에 의한 예측이 실험 결과와 일치하는 것으로 나타났다.

• Korea-Australia Rheology Journal
• /
• 제17권1호
• /
• pp.27-32
• /
• 2005

We determine the effective viscosity of suspensions with bidisperse particle size distribution by modifying an effective-medium theory that was proposed by Acrivos and Chang (1987) for monodisperse suspensions. The modified theory uses a simple model that captures some important effects of multi-particle hydrodynamic interactions. The modifications are described in detail in the present study. Estimations of effective viscosity by the modified theory are compared with the results of prior work for monodisperse and bidisperse suspensions. It is shown that the estimations agree very well with experimental or other calculated results up to approximately 0.45 of normalized particle volume fraction which is the ratio of volume faction to the maximum volume fraction of particles for bidisperse suspensions.

• 정보과학회 논문지
• /
• 제43권10호
• /
• pp.1085-1093
• /
• 2016

커뮤니티 기반 질의 응답 시스템은 사용자 질의에 대한 정답을 인터넷 커뮤니티에 사용자들이 게시했던 문서 중에서 선택하여 제공하는 시스템이다. 기존 방법들은 질의 분석의 성능 향상을 위하여 목적 영역에 적합한 규칙을 구축하거나 일부 처리 과정에 기계 학습을 적용하였다. 하지만 기존 방법들은 적용 영역을 확장하거나 수정하는 경우 많은 비용이 소요되며 경우에 따라서는 시스템이 특정 영역에 과적합되는 경우가 발생한다. 본 논문에서는 커뮤니티 기반 질의-응답 시스템의 효과적인 처리를 위해서 시스템의 각 과정에 적합한 기계 학습 방법을 적용하여 전체 과정을 자동화하는 다중 기계학습 방법을 제안한다. 제안 시스템은 사용자 질의를 분석하는 부분과 정답 문서를 선택하는 부분으로 나눌 수 있다. 질의 분석 과정은 질의의 초점 구문을 분석하는 질의 핵심부 추출기와 질의의 주제를 분류하는 질의 유형 분류기로 구성하였으며, 전자는 조건부 무작위장을 사용하고 후자는 지지 벡터 기계를 사용한다. 정답 문서 선택에서는 유사도 측정에서 사용하는 가중치를 인공 신경망으로 학습한다. 또한 인터넷에 커뮤니티에 게시된 데이터는 형태소 분석 결과를 신뢰할 수 없는 경우가 많이 발생한다. 따라서 음절 자질을 사용하여 질의를 분석 단계에서 형태소 분석의 영향을 최소화하는 방법을 제안한다. 제안하는 시스템은 Mean Average Precision 기준으로 0.765, R-Precision 기준으로 0.872의 성능을 보여 기존 시스템보다 성능이 우수하다.