• 한국방송∙미디어공학회:학술대회논문집
• /
• 한국방송∙미디어공학회 2022년도 하계학술대회
• /
• pp.205-208
• /
• 2022

Multi-exposure high dynamic range (HDR) image reconstruction, the task of reconstructing an HDR image from multiple low dynamic range (LDR) images in a dynamic scene, often produces ghosting artifacts caused by camera motion and moving objects and also cannot deal with washed-out regions due to over or under-exposures. While there has been many deep-learning-based methods with motion estimation to alleviate these problems, they still have limitations for severely moving scenes. They also require large parameter counts, especially in the case of state-of-the-art methods that employ attention modules. To address these issues, we propose a frequency domain approach based on the idea that the transform domain coefficients inherently involve the global information from whole image pixels to cope with large motions. Specifically we adopt Residual Fast Fourier Transform (RFFT) blocks, which allows for global interactions of pixels. Moreover, we also employ Depthwise Overparametrized convolution (DO-conv) blocks, a convolution in which each input channel is convolved with its own 2D kernel, for faster convergence and performance gains. We call this LFFNet (Lightweight Frequency Fusion Network), and experiments on the benchmarks show reduced ghosting artifacts and improved performance up to 0.6dB tonemapped PSNR compared to recent state-of-the-art methods. Our architecture also requires fewer parameters and converges faster in training.

• Geomechanics and Engineering
• /
• 제31권2호
• /
• pp.129-147
• /
• 2022

The properties of soil are naturally highly variable and thus, to ensure proper safety and reliability, we need to test a large number of samples across the length and depth. In pile foundations, conducting field tests are highly expensive and the traditional empirical relations too have been proven to be poor in performance. The study proposes a state-of-art Particle Swarm Optimization (PSO) hybridized Artificial Neural Network (ANN), Extreme Learning Machine (ELM) and Adaptive Neuro Fuzzy Inference System (ANFIS); and comparative analysis of metaheuristic models (ANN-PSO, ELM-PSO, ANFIS-PSO) for prediction of bearing capacity of pile foundation trained and tested on dataset of nearly 300 dynamic pile tests from the literature. A novel ensemble model of three hybrid models is constructed to combine and enhance the predictions of the individual models effectively. The authenticity of the dataset is confirmed using descriptive statistics, correlation matrix and sensitivity analysis. Ram weight and diameter of pile are found to be most influential input parameter. The comparative analysis reveals that ANFIS-PSO is the best performing model in testing phase (R² = 0.85, RMSE = 0.01) while ELM-PSO performs best in training phase (R² = 0.88, RMSE = 0.08); while the ensemble provided overall best performance based on the rank score. The performance of ANN-PSO is least satisfactory compared to the other two models. The findings were confirmed using Taylor diagram, error matrix and uncertainty analysis. Based on the results ELM-PSO and ANFIS-PSO is proposed to be used for the prediction of bearing capacity of piles and ensemble learning method of joining the outputs of individual models should be encouraged. The study possesses the potential to assist geotechnical engineers in the design phase of civil engineering projects.

• 한국정보전자통신기술학회논문지
• /
• 제16권5호
• /
• pp.223-229
• /
• 2023

본 논문에서는 벡터제어 기법을 적용하는 교류 전동기 PI(비례-적분) 전류제어를 위한 주요 시스템 파라미터를 측정하는 방법을 제시한다. 전류제어를 위해서 PI 제어입력은 여러 선택적 방법에 의해 튜닝될 수 있다. 그 여러 방법들 중에서 주요 계통 파라미터인 권선 저항과 인덕턴스를 이용하는 방법이 빈번히 사용된다. 본 연구에서는 단순 궤환 제어의 결과들을 통해서 이 두 파라미터를 분석, 계측하는 기법을 제시한다. 이 분석적 측정 방법은 단위 계단 또는 다중 계단 기준 명령에 대해 단순 비례 궤환 이득을 이용하는 P 제어의 출력들을 분석하여 단계적으로 파라미터들을 계측해 내는 방법이다. 이 기법은 실시간적인 해석적 계측 방법으로 추가 계측 회로들 및 복잡한 계측 알고리즘들을 사용하지 않고 교류전동기의 벡터제어를 위한 토크성분과 자속성분 전류 제어이득을 같이 연산할 수 있는 방법이다.

• 한국정보전자통신기술학회논문지
• /
• 제16권6호
• /
• pp.434-440
• /
• 2023

본 논문에서는 교류 서보 전동기 PI 전류제어를 위한 주요 시스템 파라미터인 상저항과 상인덕턴스를 측정하는 방법을 제시한다. 서보 전동기 전류제어를 위한 PI 제어이득은 주요 계통 파라미터인 권선간 저항과 인덕턴스 정보를 활용하여 튜닝하는 자동적 방법이 기본적으로 사용된다. 본 연구에서는 이 두 파라미터를 3상 인버터 제어를 통해 계측하는 방법을 제시한다. 이 제어 및 계측 방법은 3상 인버터를 이용하여 3상 권선에 비례입력 만을 이용하는 스텝 전류제어를 수행하고 그 결과로 얻어진 출력 상전류를 측정함으로써 구현된다. 더불어 이 방법은 권선간 인덕턴스 계측을 위해 특정 스위칭모드에서의 인버터 자연-순환(freewheeling) 전류를 이용한다. 이 인버터 제어를 이용하는 측정 방법은 새로운 추가 계측 회로 및 복잡한 계측 알고리즘을 사용하지 않고 실시간으로 파라미터들을 계측 및 연산할 수 있는 해석적 방법이다. 실제 전동기 제어에 사용되어지는 구동기 회로를 그대로 사용하면서 스위칭소자의 도통저항과 각종 결선 저항을 포함하는 합성 저항 및 인덕턴스를 계측할 수 있는 방법이다.

• Structural Engineering and Mechanics
• /
• 제90권1호
• /
• pp.27-40
• /
• 2024

The prediction of VIV amplitude is essential for the design and fatigue life estimation of steel tubes in tubular transmission towers. Limited to costly and time-consuming traditional experimental and computational fluid dynamics (CFD) methods, a machine learning (ML)-based method is proposed to efficiently predict the VIV amplitude of steel tubes in transmission towers. Firstly, by introducing the first-order mode shape to the two-dimensional CFD method, a simplified response analysis method (SRAM) is presented to calculate the VIV amplitude of steel tubes in transmission towers, which enables to build a dataset for training ML models. Then, by taking mass ratio M^*, damping ratio ξ, and reduced velocity U^* as the input variables, a Kriging-based prediction method (KPM) is further proposed to estimate the VIV amplitude of steel tubes in transmission towers by combining the SRAM with the Kriging-based ML model. Finally, the feasibility and effectiveness of the proposed methods are demonstrated by using three full-scale steel tubes with C-shaped, Cross-shaped, and Flange-plate joints, respectively. The results show that the SRAM can reasonably calculate the VIV amplitude, in which the relative errors of VIV maximum amplitude in three examples are less than 6%. Meanwhile, the KPM can well predict the VIV amplitude of steel tubes in transmission towers within the studied range of M^*, ξ and U^*. Particularly, the KPM presents an excellent capability in estimating the VIV maximum amplitude by using the reduced damping parameter S_G.

• Nuclear Engineering and Technology
• /
• 제55권11호
• /
• pp.3996-4001
• /
• 2023

The High-flux Advanced Neutron Application Reactor (HANARO) produces radioisotopes (RIs) (¹³¹I, ¹⁹²Ir, etc.) through neutron irradiation on various RI production targets. Among them, ¹⁷⁷Lu and ¹⁶⁶Ho are particularly promising owing to their theranostic characteristics that facilitate simultaneous diagnosis and treatment. Prior to neutron irradiation, evaluating the nuclear heating of the RI production target is essential for ensuring the thermal-hydraulic safety of HANARO. In this study, the feasibility of producing ¹⁷⁷Lu and ¹⁶⁶Ho using irradiation holes of HANARO was investigated in terms of thermal-hydraulic safety. The nuclear heating rates of the RI production target by prompt and delayed radiation were calculated using MCNP6. The calculated nuclear heating rates were used as an input parameter in COMSOL Multiphysics to obtain the temperature distribution in an irradiation hole. The degree of temperature increase of the ¹⁷⁷Lu and ¹⁶⁶Ho production targets satisfied the safety criteria of HANARO. The nuclear heating rates and temperature distribution obtained through the in silico study are expected to provide valuable insight into the production of ¹⁷⁷Lu and ¹⁶⁶Ho using HANARO.

• 터널과지하공간
• /
• 제34권2호
• /
• pp.143-153
• /
• 2024

TBM 공법은 발파 공법에 비해 굴착 중 소음과 진동 수준이 낮고, 안정성이 높은 터널 굴착 공법이며, 전세계적으로 터널 프로젝트에 TBM 공법을 적용하는 사례가 증가하는 추세이다. 디스크 커터는 TBM의 커터헤드에 장착되는 굴착 도구로 지속적으로 막장면 지반과 상호작용하며, 이때 필연적으로 마모가 발생한다. 본 연구에서는 지질 조건과 TBM 운영파라미터, 머신러닝 알고리즘들을 이용하여 디스크 커터 마모를 정량적으로 예측하였다. 디스크커터 마모 예측의 입력변수 중 UCS 데이터의 수가 다른 기계 데이터 및 마모 데이터에 비해 매우 부족하기 때문에, 먼저 TBM 기계 데이터를 이용하여 전체 구간에 대한 UCS 추정을 진행하고, 완성된 전체 데이터로 마모율 계수 예측을 수행하였다. 마모율 계수 예측 모델의 성능을 비교해 본 결과 XGBoost 모델의 성능이 가장 높게 나타났으며, 복잡한 예측 모델의 해석을 위해 SHapley Additive exPlanation (SHAP) 분석을 진행하였다.

• 인터넷정보학회논문지
• /
• 제19권1호
• /
• pp.77-86
• /
• 2018

지난 수년간 KISTI는 EDISON이라는 온라인 시뮬레이션 실행 플랫폼을 통해 사용자들이 다양한 계산과학공학 분야에서 제공된 사이언스 애플리케이션에 대한 시뮬레이션을 수행할 수 있는 서비스를 제공하고 있다. 일반적으로 이러한 시뮬레이션은 대규모 계산을 수반하므로 대용량의 출력 데이터를 생산해 낸다. 온라인 플랫폼에서 이러한 시뮬레이션을 수행 할 때 발생하는 중요한 문제 중 하나는 많은 사용자가 동일한 (또는 거의 변하지 않는) 입력 매개 변수 또는 파일을 사용하여 시뮬레이션 요청 (또는 작업)을 플랫폼에 동시에 제출함으로써 플랫폼에 상당한 부담을 준다는 점이다. 다시 말해, 동일한 컴퓨팅 작업으로 인해 중복 컴퓨팅 및 스토리지 리소스가 빠른 속도로 소모된다는 점이다. 이와 같은 동일한 시뮬레이션 요청으로 인한 과도한 자원 사용 문제를 극복하기 위해, 본 논문은 실행 메타 데이터, 즉 프로비넌스를 기반으로 시뮬레이션 데이터를 효율적으로 관리하기 위한 IceSheet라는 새로운 프레임 워크를 제안한다. IceSheet 프레임워크는 시뮬레이션 실행과 관련된 프로비넌스를 수집하여 저장한다. 수집된 프로비넌스 정보는 중복 시뮬레이션 요청을 제외할 뿐만 아니라 오픈소스 검색 엔진인 ElasticSearch를 통해 기존 시뮬레이션 결과를 검색하는 데도 사용된다. 특히 본 논문은 IceSheet 프레임워크에서 저장된 시뮬레이션 결과를 검색하고 재사용할 수 있는 핵심 구성 요소에 대해 자세히 설명한다. 우리는 온라인 시뮬레이션 실행 플랫폼과 함께 연동하는 검색 엔진을 기반으로 제안된 프레임워크의 프로토타입을 구현하였다. 플랫폼에서 수집된 실제 시뮬레이션 실행 프로비넌스를 기반으로 제안된 프레임워크의 성능 평가를 수행하였다. 플랫폼과 완벽히 연동된 IceSheet 프레임워크는 사용자로 하여금 선택된 시뮬레이션 소프트웨어에 대해 과거에 입력된 매개 변수 값을 빠르게 검색하고 동일한 입력 매개 변수 값이 존재하는 경우 기존의 결과를 곧바로 반환할 수 있도록 할 것으로 기대된다. 따라서 제안된 프레임워크를 통해 이전에 실행된 시뮬레이션과 동일한 요청에 대해 중복 자원 소모를 없애고 실행 시간을 크게 단축시키는 데 도움이 될 것으로 기대한다.

• 대한원격탐사학회지
• /
• 제34권5호
• /
• pp.811-827
• /
• 2018

본 연구의 목적은 다중시기 원격탐사 자료를 이용한 작물분류에서 기계학습 알고리즘과 딥러닝 알고리즘의 비교에 있다. 이를 위해 전라남도 해남군과 미국 Illinois 주의 작물 재배지를 대상으로 기계학습 알고리즘과 딥러닝 알고리즘에 대해 (1) 하이퍼파라미터와 (2) 훈련자료의 크기에 따른 영향을 비교 분석하였다. 비교 실험에는 기계학습 알고리즘으로 support vector machine(SVM)을 적용하고 딥러닝 알고리즘으로 convolutional neural network(CNN)를 적용하였다. 특히 CNN에서 2차원의 공간정보를 고려하는 2D-CNN과 시간차원을 확장한 구조의 3D-CNN을 적용하였다. 비교 실험 결과, 다양한 하이퍼파라미터를 고려해야 하는 CNN의 경우 SVM과 다르게 두 지역에서 정의된 하이퍼파라미터 값이 유사한 것으로 나타났다. 이러한 결과를 바탕으로 모델 최적화에 많은 시간이 소요되지만 최적화된 CNN 모델을 다른 지역으로 확장할 수 있는 전이학습의 적용 가능성이 높을 것으로 판단된다. 다음 훈련자료 크기에 따른 비교 실험 결과, SVM 보다 CNN에서 훈련자료 크기의 영향이 큰 것으로 나타났는데 특히 다양한 공간특성을 갖는 Illinois 주에서 이러한 경향이 두드러지게 나타났다. 또한 Illinois 주에서 3D-CNN의 분류 성능이 저하되는 것으로 나타났는데, 이는 모델 복잡도가 증가하면서 과적합의 영향이 발생한 것으로 판단된다. 즉 모델의 훈련 정확도는 높지만 다양한 공간특성이나 입력 자료의 잡음 효과 등으로 오히려 분류 성능이 저하된 것으로 나타났다. 이러한 결과는 대상 지역의 공간특성을 고려해 적절한 분류 알고리즘을 선택해야 하는 것을 의미한다. 또한 CNN에서 특히, 3D-CNN에서 일정 수준의 분류 성능을 담보하기 위해 다량의 훈련자료 수집이 필요하다는 것을 의미한다.

• 한국음향학회지
• /
• 제33권1호
• /
• pp.1-9
• /
• 2014

하구와 연안은 육지와의 근접성으로 인해 강이나 하천 등에 의한 퇴적물 공급이 외해에 비해 활발하게 이루어지는 지역으로서 때로는 고농도의 부유퇴적물이 조성되기도 한다. 부유퇴적물은 외부 작용으로부터 쉽게 환경이 변하는 특성을 가지기 때문에 부유물층 탐지 및 연구를 위해 주로 음향 장비를 이용하지만 고농도 부유물 환경에서는 음파감쇠가 심하고, 이로 인해 음파의 이동 거리가 크게 감소한다. 따라서 부유물 환경에 대한 연구를 하기 위해서는 부유물 환경 특성과 주파수 변화에 따른 감쇠계수 특성을 파악하는 것이 매우 중요하다. 본 논문에서는 간이수조 내에서 고령토 가루를 이용하여 다양한 농도의 부유물을 조성한 후, 초음파 대역 (3.5, 5, 7.5 MHz)에 대한 감쇠계수를 측정하였으며, 감쇠계수 모델과 비교하였다. 감쇠계수 모델의 입력인자인 부유물의 평균입자 크기를 다양하게 변화시키며 실측값과 비교한 결과 평균 입자크기 (D50)을 기준으로 약 ${\pm}20%$ 범위 내에서 비교적 일치하였다. 이러한 오차 발생 원인은 부유물은 다양한 크기의 입자들로 구성되어 있으며, 음파 감쇠는 특정주파수에 우세한 영향을 미치는 크기의 입자분포에 영향을 받기 때문으로 판단된다.