• 한국산학기술학회논문지
• /
• 제12권4호
• /
• pp.1982-1987
• /
• 2011

본 연구에서는 미지시료 또는 LFT와 같은 고점도 수지의 점도를 실제 사출성형 공정과 CAE 해석을 통하여 신뢰할 수 있는 새로운 점도의 추정 방법을 제안하였다. 우선 금형 내에 캐비티 압력을 측정할 수 있는 시스템을 구성하였고, 이 시스템을 이용해서 실제 사출과정에서 나타나는 압력 변화를 측정하는 것이다. 상용화 된 CAE 프로그램(Moldflow)은 사출공정에서 캐비티 내부를 흐르는 수지의 압력변화를 모사할 수 있다. 만약, CAE D/B에 있는 수지의 점도 데이터가 정확하다고 가정하면, 실험에서 측정한 압력 프로파일과 CAE로부터 계산 된 압력 프로파일이 일치해야 한다. 이것이 실험값과 일치하지 않으면 가정한 값을 CAE D/B에 입력해서 일치할 때까지 반복함으로써 신뢰성 있는 점도를 추정 할 수 있다. 이러한 알고리즘의 타당성을 검증하기 위해서 PP수지에 대하여 적용한 결과, 일반적인 점도계로 측정한 값과 일치하는 결과를 얻었다. 한편, PP-LFT에 대하여 적용하여 최적화 된 점도 데이터도 추정할 수 있었다.

• 대한교통학회지
• /
• 제23권2호
• /
• pp.143-150
• /
• 2005

통행분포의 예측과정에서 장래 O-D표는 행의 합 및 열의 합이 통행발생 예측단계에서 예측된 존의 유출 통행량 및 유입 통행량에 근접해야 한다는 제약조건을 만족시키기 위하여 수렴계산을 하게 된다. 기존 수렴계산 방법들은 통행분포 예측모형에 의해 예측된 존간 통행분포량이 수렴계산과정에서 상당히 달라질 수 있고, 그 결과로, 예측된 존간 통행분포패터의 변형을 가져올 수 있다. 본 논문에서는 이와 같은 문제점을 해결하고자, 새로운 수렴계산방법을 개발하였다. 기존 수렴계산 방법들이 O-D표의 행의 합과 유출 통행량, 그리고 열의 합과 유입통행량을 근접시키기 위하여 비율로써 행과 열을 순차적으로 반복하면서 수렴계산을 행하는 것과 달리, 개발된 방법은 총 통행량을 기준으로 유출통행량, 유입통행량과의 차를 가중평균으로써 최소화시키는 수렴계산 특성을 갖는다. 개발된 수렴계산 방법을 38개 존의 실제 O-D표를 이용하여 현재까지 가장 많이 사용되어온 프레타법 및 퍼니스법과 비교, 검증하였으며, 검증결과 개발된 방법은 제약조건을 충족시킴과 동시에 통행분포 예측모형으로부터 예측된 존간 통행분포량과의 차가 다른 방법에 비해 최소화 되어 유용한 거승로 증명되었다.

• Nuclear Medicine and Molecular Imaging
• /
• 제43권5호
• /
• pp.459-467
• /
• 2009

목적: ML-EM (The maximum likelihood-expectation maximization) 기법은 방출과 검출 과정에 대한 통계학적 모델에 기반한 재구성 알고리즘이다. ML-EM은 결과 영상의 정확성과 유용성에 있어 많은 이점이 있는 반면 반복적인 계산과 방대한 작업량 때문에 CPU(central processing unit)로 처리할 때 상당한 연산시간이 소요되었다. 본 연구에서는 GPU(graphic processing unit)의 병렬 처리 기술을 ML-EM 알고리즘에 적용하여 영상을 재구성하였다. 대상 및 방법: 엔비디아사(社)의 CUDA 기술을 이용하여 ML-EM 알고리즘의 투사 및 역투사 과정을 병렬화 전략을 구상하였으며 Geforce 9800 GTX+ 그래픽 카드를 이용하여 병렬화 연산을 수행하여 기존의 단일 CPU기반 연산법과 비교하였다. 각 반복횟수마다 투사 및 역투사 과정에 걸리는 총 지연 시간과 퍼센트 오차(percent error)를 측정하였다. 총 지연 시간에는 RAM과 GPU 메모리 간의 데이터 전송 지연 시간도 포함하였다. 결과: 모든 반복횟수에 대해 CPU 기반 ML-EM 알고리즘보다 GPU 기반 알고리즘이 더 빠른 성능을 나타내는 것을 확인하였다. 단일 CPU 및 GPU 기반 ML-EM의 32번 반복연산에 있어 각각 3.83초와 0.26초가 걸렸으며 GPU의 병렬연산의 경우 15배 정도의 개선된 성능을 보였다. 반복횟수가 1024까지 증가하였을 경우, CPU와 GPU 기반 알고리즘은 각각 18분과 8초의 연산시간이 걸렸다. GPU 기반 알고리즘이 약 135배 빠른 처리속도를 보였는데 이는 단일 CPU 계산이 특정 반복횟수 이후 나타나는 시간 지연에 따른 것이다. 결과적으로, GPU 기반 계산이 더 작은 편차와 빠른 속도를 보였다. 결론: ML-EM 알고리즘에 기초한 GPU기반 병렬 계산이 처리 속도와 안정성을 더 증진시킴을 확인하였으며 이를 활용해 다른 영상 재구성 알고리즘에도 적용시킬 수 있을 것으로 기대한다.