• 청정기술
• /
• 제25권1호
• /
• pp.56-62
• /
• 2019

입상 활성탄에 의한 murexide 흡착의 평형, 동역학 및 열역학 파라미터들에 대해 조사하였다. 실험은 흡착제의 양, 염료의 초기농도, 접촉시간과 온도를 변수로 하여 회분식 실험으로 진행하였다. 등온흡착평형관계는 293 ~ 313 K의 범위에서 Freundlich 식에 가장 잘 적용되었으며, Langmuir 식의 분리계수 $R_L$과 Freundlich 식의 분리계수 ${\beta}$로부터 입상 활성탄에 의한 murexide의 흡착조작이 적절한 처리방법이 될 수 있다는 것을 알았다. 또한 Dubinin- Radushkevich 식에서 얻은 흡착에너지(E)로부터 물리흡착공정임을 알 수 있었다. 흡착공정에 대한 동역학적 해석을 통해 반응속도식의 적용 결과는 유사이차반응식이 유사일차반응식보다 일치도가 높은 것으로 나타났다. Gibbs 자유에너지 변화($-0.1096{\sim}-10.5348kJ\;mol^{-1}$), 엔탈피변화($+151.29kJ\;mol^{-1}$)을 통해 흡착공정이 자발적 공정 및 흡열과정으로 진행되었음을 알 수 있었다. 또한 Gibbs 자유에너지 변화는 온도가 올라갈수록 감소하였기 때문에 입상 활성탄에 의한 murexide의 흡착반응은 온도가 올라갈수록 자발성이 높아졌다. 엔트로피 변화 ($512.4J\;mol^{-1}\;K^{-1}$)는 활성탄에 의한 murexide의 흡착반응이 일어나는 동안 고-액 계면에서 무질서도가 증가함을 나타냈다.

• 토지주택연구
• /
• 제15권2호
• /
• pp.57-71
• /
• 2024

본 연구는 재해영향을 고려한 태양광발전시설의 평가 방법을 개발하고, 기존 시설의 취약성 분석을 목적으로 한다. 기존 시설의 재평가가 시급한 전라남도 해남군을 연구 대상지로 선정하였으며, 보다 객관적인 관점에서 취약성을 평가할 수 있도록 주성분 분석과 엔트로피 기법을 연구 방법으로 활용하여 대상지의 취약성을 평가하였다. 취약성 평가지표는 시간당 최대 일강수량, 최대풍속, 태풍 발생일수, 지속기간 5일 이상 강수일수, 1일 최대 일강수량, 불투수 면적비, 인구밀도 등 7개가 선정되었으며, 시간당 최대 일강수량, 최대풍속, 1일 최대 일강수량, 지속기간 5일 이상 강수일수 순으로 높은 가중치가 도출되었다. 도출된 가중치를 중첩한 결과 해남군 지역별로는 해남읍, 북일면 등 남동지역은 1, 2등급이, 화원면, 산이면, 문내면 등 북쪽 지역의 경우 4, 5등급이 분포하며 취약성의 차이를 보였으며, 시설별로는 2,133개 시설 중 3등급 이상 시설이 91.1%로 양호한 편이나 2등급보다 1등급의 시설 개수가 많아 이에 대한 대책이 필요한 상황으로 나타났다. 본 연구는 도시방재력을 고려하여 태양광발전시설을 평가하였다는 점에서 의의가 있으며, 향후 시설 설치 시 또는 기존 시설의 관리 및 운영 시 기초자료로서 활용될 수 있을 것으로 기대된다.

• 지능정보연구
• /
• 제25권3호
• /
• pp.43-62
• /
• 2019

한때, 이상 탐지 분야는 특정 데이터로부터 도출한 기초 통계량을 기반으로 이상 유무를 판단하는 방법이 지배적이었다. 이와 같은 방법론이 가능했던 이유는 과거엔 데이터의 차원이 단순하여 고전적 통계 방법이 효과적으로 작용할 수 있었기 때문이다. 하지만 빅데이터 시대에 접어들며 데이터의 속성이 복잡하게 변화함에 따라 더는 기존의 방식으로 산업 전반에 발생하는 데이터를 정확하게 분석, 예측하기 어렵게 되었다. 따라서 기계 학습 방법을 접목한 SVM, Decision Tree와 같은 모형을 활용하게 되었다. 하지만 지도 학습 기반의 모형은 훈련 데이터의 이상과 정상의 클래스 수가 비슷할 때만 테스트 과정에서 정확한 예측을 할 수 있다는 특수성이 있고 산업에서 생성되는 데이터는 대부분 정답 클래스가 불균형하기에 지도 학습 모형을 적용할 경우, 항상 예측되는 결과의 타당성이 부족하다는 문제점이 있다. 이러한 단점을 극복하고자 현재는 클래스 분포에 영향을 받지 않는 비지도 학습 기반의 모델을 바탕으로 이상 탐지 모형을 구성하여 실제 산업에 적용하기 위해 시행착오를 거치고 있다. 본 연구는 이러한 추세에 발맞춰 적대적 생성 신경망을 활용하여 이상 탐지하는 방법을 제안하고자 한다. 시퀀스 데이터를 학습시키기 위해 적대적 생성 신경망의 구조를 LSTM으로 구성하고 생성자의 LSTM은 2개의 층으로 각각 32차원과 64차원의 은닉유닛으로 구성, 판별자의 LSTM은 64차원의 은닉유닛으로 구성된 1개의 층을 사용하였다. 기존 시퀀스 데이터의 이상 탐지 논문에서는 이상 점수를 도출하는 과정에서 판별자가 실제데이터일 확률의 엔트로피 값을 사용하지만 본 논문에서는 자질 매칭 기법을 활용한 함수로 변경하여 이상 점수를 도출하였다. 또한, 잠재 변수를 최적화하는 과정을 LSTM으로 구성하여 모델 성능을 향상시킬 수 있었다. 변형된 형태의 적대적 생성 모델은 오토인코더의 비해 모든 실험의 경우에서 정밀도가 우세하였고 정확도 측면에서는 대략 7% 정도 높음을 확인할 수 있었다.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제30권5_6호
• /
• pp.444-453
• /
• 2003

최근 생명공학(BT)에 대한 관심이 집중되면서, 새로운 생리활성 물질을 찾거나 유전자 정보를 분석하기 위한 목적으로 전기영동 젤의 영상 분석 기술에 대한 요구가 급증하고 있다. 이를 위해서는 젤 영상의 레인에서 각 밴드의 위치와 양을 정확히 측정해야 한다. 기존 연구에서는 주로 레인의 프로파일에서 피크를 탐색하는 접근방법을 사용하는데, 이 피크의 위치는 밴드에 있는 최대 자기 화소의 위치도 아니고 더욱이 밴드 무게중심의 위치도 아니기 때문에 밴드의 대표 위치로 인정하기 어렵다. 또한, 피크 추출을 쉽게 하기 위해 다양한 영상 향상 처리를 적용하기 때문에 밴드의 양을 측정하기에는 부적절한 경우가 많다. 본 논문에서는 영상의 상대적인 밝기를 변화시키지 않으면서 먼저 밴드의 영역을 추출한 후, 밴드 영역의 밝기 합으로 양을 구하고 이의 무게중심을 밴드 위치로 정하는 방식을 채택한다. 실제로, 먼저 젤 영상 히스토그램에 엔트로피기반 임계치를 설정하여 레인을 추출한 후, 밴드 영역 추출을 위해 서로 다른 세 가지 방법을 시도한다. 첫째, 추출된 레인을 이등분하는 중심선을 탐색하여 피크와 밸리를 찾고, 피크의 상하 밸리를 각 밴드의 최소 포함 박스영역으로 지정하는 방법(MER), 둘째, 앞의 방법에서와 같이 구한 피크를 영역 성장의 시드로 사용하여 이웃하는 밴드와의 중첩을 해결하면서 밴드 영역을 추출하는 방법(RG-1), 셋째, 이와 달리 레인을 삼등분하는 두 탐색선에서 피크를 찾고 동일한 밴드에 속하는 피크 쌍을 결정한 후 영역을 성장하는 방법(RG-2)을 제안한다. 이상의 세 방법을 비교하기 위해 밴드의 위치 및 양을 측정한 결과, 밴드 위치의 평균 오차는 레인의 길이를 단위 크기로 정규화 할 때, MER 방법이 6%, RG-1 방법이 3%, RG-2 방법이 1%로 나타났다. 또한, 밴드 양의 평균 오차는 레인 내 밴드들의 양의 합을 단위 크기로 정규화 할 때, MER 방법이 8%, RG-1 방법이 5%, RG-2 방법이 2%로 나타났다. 결과적으로, RG-2 방법이 밴드의 위치 및 양 추출에 있어서 정확도가 가장 높은 것으로 판명되었다.

• 한국GIS학회:학술대회논문집
• /
• 한국GIS학회 2003년도 공동 춘계학술대회 논문집
• /
• pp.363-368
• /
• 2003

Landsat TM 영상을 이용, 명암차가 높은 산악 지역에 적용해왔던 알고리즘을 개선하여 비교적 명암차가 낮고 충적층이 넓게 분포하는 지역의 선구조를 추출하는 알고리즘을 개발하였다. 수치지형모델에 대하여 Local Enhancement를 이용, 평탄한 지역으로부터 충적층을 추출하였다. Zevenbergen & Thorno's Method를 3×3moving windowing을 통해서 최대 경사방향과 경사를 이용하여 충적층을 지나는 선구조 요소를 추출하고 다시 Hough 변환을 이용해서 1차 선구조를 추출하였다. 이로부터 충적층의 직각방향의 지형단면의 경사를 유추해서 spline 보간법을 이용해 단면의 최저점을 구하고 이 구해진 점들을 다시 Hough 변환을 이용해서 최종 선구조를 추출하였다. 본 연구에서 사용한 알고리즘은 기존 알고리즘에서 사용된 소창문보다 훨씬 큰 충적층이 분포하는 지역의 지형 경사가 수렴하는 부분에 선구조가 뚜렷이 나타남을 볼 수 있다. 최대경사방향과 경사를 구해서 얻어진 1차 선구조와 최종선구조에서 선구조 방향이 다소 차이를 보인다. 1차 선구조의 수직방향 지형단면의 자료를 이용함에 있어, 지형 단면의 시작점과 끝지점을 임의적으로 결정하는 것이 아니라, 충적층을 가로질러 최고점까지 또는 다음 충적층이 나을 때까지의 자료를 이용해서 보간법을 사용하였고, 충적층의 넓이에 따라 보간할 자료량의 차이에 의한 오차가 발생할 수 있다. 넓은 충적층에서 선구조가 잘 추출되는 반면에 좁은 충적층이 분포하거나 계곡에 해당하는 지역에서는 경사수렴부와 일치하지 않는 선구조가 추출되었다. 이는 향후 계속적으로 연구해서 보완되어야 할 것으로 사료된다. 차원에서 기준치 설정 및 주기적인 측정을 통해 지속적으로 관리를 해야 한다. 그리고 정기적인 특수건강진단의 실시와 같은 근본적인 해결방안을 찾아야겠다.l rectangular type to a wed농e type. The Proposed wedge shape makes the absorption length longer for obliquely incident photons, thus increasing the detection efficiency and suppressing leakage coefficient. For the BGO detectors of 4-8mm width, the computer simulation result of the system using wedge detectors reveals resolution improvement to the system using conventional detectors. For the system composed of 200 BGO detectors of 8mm width with 2 point sampling motion, the simulation resolution system using conventional detectors. For the very high resolution system of 3-7mm FWHM, the characteristics of the detector shape and size is studied by computer simulation.n, but also such efficient a parameter as to perform almost like entropy.소한 1대

• 지능정보연구
• /
• 제25권1호
• /
• pp.163-177
• /
• 2019

스마트폰이 널리 보급되고 현대인들의 생활 속에 깊이 자리 잡으면서, 스마트폰에서 수집된 다종 데이터를 바탕으로 사용자 개인의 행동을 인식하고자 하는 연구가 활발히 진행되고 있다. 그러나 타인과의 상호작용 행동 인식에 대한 연구는 아직까지 상대적으로 미진하였다. 기존 상호작용 행동 인식 연구에서는 오디오, 블루투스, 와이파이 등의 데이터를 사용하였으나, 이들은 사용자 사생활 침해 가능성이 높으며 단시간 내에 충분한 양의 데이터를 수집하기 어렵다는 한계가 있다. 반면 가속도, 자기장, 자이로스코프 등의 물리 센서의 경우 사생활 침해 가능성이 낮으며 단시간 내에 충분한 양의 데이터를 수집할 수 있다. 본 연구에서는 이러한 점에 주목하여, 스마트폰 상의 다종 물리 센서 데이터만을 활용, 딥러닝 모델에 기반을 둔 사용자의 동행 상태 인식 방법론을 제안한다. 사용자의 동행 여부 및 대화 여부를 분류하는 동행 상태 분류 모델은 컨볼루션 신경망과 장단기 기억 순환 신경망이 혼합된 구조를 지닌다. 먼저 스마트폰의 다종 물리 센서에서 수집한 데이터에 존재하는 타임 스태프의 차이를 상쇄하고, 정규화를 수행하여 시간에 따른 시퀀스 데이터 형태로 변환함으로써 동행 상태분류 모델의 입력 데이터를 생성한다. 이는 컨볼루션 신경망에 입력되며, 데이터의 시간적 국부 의존성이 반영된 요인 지도를 출력한다. 장단기 기억 순환 신경망은 요인 지도를 입력받아 시간에 따른 순차적 연관 관계를 학습하며, 동행 상태 분류를 위한 요인을 추출하고 소프트맥스 분류기에서 이에 기반한 최종적인 분류를 수행한다. 자체 제작한 스마트폰 애플리케이션을 배포하여 실험 데이터를 수집하였으며, 이를 활용하여 제안한 방법론을 평가하였다. 최적의 파라미터를 설정하여 동행 상태 분류 모델을 학습하고 평가한 결과, 동행 여부와 대화 여부를 각각 98.74%, 98.83%의 높은 정확도로 분류하였다.