• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2004년도 학술발표회
• /
• pp.527-531
• /
• 2004

본 연구에서는 미국 환경청에서 개발하여 유역 오염총량관리를 위한 수질모형으로 이용되고 있는 HSPF 모형을 선정하여 발안 $HP\#6$ 시험유역을 내상으로 모형의 적용성을 분석하였다. HSPF 모형을 이용하여 $HP\#6$ 시험유역에서 모형의 보정기간인 1996년부터 1997년까지 유출량을 모의한 겉과, RMSE는 2.1mm, RMAE는 0.4mm, $R^2$는 0.92로 모의되었으며, 모형의 검정기간인 1999년부터 2000년의 모의 길과 RMSE는 6.03mm, RMAE는 0.49mm, $R^2$는 0.84로 모의되었다. 총질소에 대한 모형의 보정결과 RMSE는 0.086kg/ha/day, RMAE는 0.534kg/ha/day, $R^2$는 0.812로 나타났으며, 모형의 검정결과 RMSE는 0.326kg/ha/day, RMAE는 0.708kg/ha/day, $R^2$는 0.427로 분석되었다. 총인에 대한 모형의 보정결과 RMSE는 0.0117 kg/ha/day, RMAE는 0.622kg/ha/day, $R^2$는 0.70으로 모의되었으며, 모형의 검정결과 RMSE는 0.063kg/ha/day, RMAE는 2.269kg/ha/day, $R^2$는 0.756으로 분석되었다.

• 한국수자원학회논문집
• /
• 제37권8호
• /
• pp.643-651
• /
• 2004

본 연구에서는 미국 환경청에서 개발하여 유역 오염총량관리를 위한 수질모형으로 이용되고 있는 HSPF 모형을 선정하여 발안 HP#6 시험유역을 대상으로 모형의 적용성을 분석하였다. HSPF모형을 이용하여 HP#6 시험유역에서 모형의 보정기간인 1996년부터 1997년까지 유출량을 모의한 결과, RMSE는 2.1mm, RMAE는 0.4mm, $R^2$는 0.92로 모의되었으며, 모형의 검정기간인 1999년부터 2000년의 모의 결과 RMSE는 6.03mm, RMAE는 0.49mm, $R^2$는 0.84로 모의되었다. 총질소에 대한 모형의 보정결과 RMSE는 0.086kg/ha/day, RMAE는 0.534kg/ha/day, $R^2$는 0.81로 나타났으며, 모형의 검정결과 RMSE는 0.326kg/ha/day, RMAE는 0.708kg/ha/day, $R^2$는 0.43으로 분석되었다. 총인에 대한 모형의 보정 결과 RMSE는 0.012 kg/ha/day, RMAE는 0.622kg/ha/day, $R^2$는 0.70으로 모의되었으며, 모형의 검정결과 RMSE는 0.063kg/ha/day, RMAE는 2.269kg/ha/day, $R^2$는 0.76으로 분석되었다.

• Computers and Concrete
• /
• 제28권6호
• /
• pp.635-642
• /
• 2021

In this paper, soft learning techniques are used to predict the ultimate torsional capacity of Reinforced Concrete beams strengthened with Fiber Reinforced Polymer. Soft computing techniques, namely Artificial Neural Network, trained by various back propagation algorithms, and Particle Swarm Optimization (PSO) algorithm, have been used to model and predict the torsional strength of Reinforced Concrete beams strengthened with Fiber Reinforced Polymer. The performance of each model has been evaluated by using statistical parameters such as coefficient of determination (R²), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE). The hybrid PSO NN model resulted in an R² of 0.9292 with an RMSE of 5.35 for training and an R² of 0.9328 with an RMSE of 4.57 for testing. Another model, ANN BP, produced an R² of 0.9125 with an RMSE of 6.17 for training and an R² of 0.8951 with an RMSE of 5.79 for testing. The results of the PSO NN model were in close agreement with the experimental values. Thus, the PSO NN model can be used to predict the ultimate torsional capacity of RC beams strengthened with FRP with greater acceptable accuracy.

• Steel and Composite Structures
• /
• 제49권2호
• /
• pp.231-244
• /
• 2023

Many of the recent investigations in the field of geotechnical engineering focused on the bearing capacity theories of multilayered soil. A number of factors affect the bearing capacity of the soil, such as soil properties, applied overburden stress, soil layer thickness beneath the footing, and type of design analysis. An extensive number of finite element model (FEM) simulation was performed on a prototype slope with various abovementioned terms. Furthermore, several non-linear artificial intelligence (AI) models are developed, and the best possible neural network system is presented. The data set is from 3443 measured full-scale finite element modeling (FEM) results of a circular shallow footing analysis placed on layered cohesionless soil. The result is used for both training (75% selected randomly) and testing (25% selected randomly) the models. The results from the predicted models are evaluated and compared using different statistical indices (R² and RMSE) and the most accurate model BBO (R²=0.9481, RMSE=4.71878 for training and R²=0.94355, RMSE=5.1338 for testing) and TLBO (R²=0.948, RMSE=4.70822 for training and R²=0.94341, RMSE=5.13991 for testing) are presented as a simple, applicable formula.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2015년도 학술발표회
• /
• pp.521-521
• /
• 2015

This study evaluated the gap filler radar as an implementation of the 1.5 km CAPPI data in Korea. The use of the 1.5 km CAPPI data was an inevitable choice, given the topography of the Korean Peninsula and the location of the radar. However, there still exists a significant portion of beam blockage, and thus there has been debate about the need to introduce the gap filler radar (or, the gap-filler). This study evaluated the possible benefits of introducing gap-fillers over the Korean Peninsula. As a first step, the error of the radar data was quantified by the G/R ratio and RMSE, and the radar data over the Korean Peninsula were evaluated. Then, the gap-fillers were located where the error was high, whose effect was then evaluated by the decrease in the G/R ratio and RMSE. The results show that the mean values of the G/R ratio and RMSE of the 1.5 m CAPPI data over the Korean Peninsula were estimated to be about 2.5 and 4.5 mm/hr, respectively. Even after the mean-field bias correction, the RMSE of the 1.5 km CAPPI data has not decreased much to be remained very high around 4.4 mm/hr. Unfortunately, the effect of the gap-filler on the 1.5 CAPPI data was also found very small, just 1 - 2%. However, the gap-filler could be beneficial, if the lowest elevation angle data were used instead of the 1.5 km CAPPI data. The effect of five gap-fillers could be up to 7% decrease in RMSE.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2021년도 학술발표회
• /
• pp.120-120
• /
• 2021

2020년 8월 7일부터 8월 8일까지 호우는 용담댐, 섬진강댐, 합천댐 하류 유역의 막대한 침수피해를 일으켰다. 이들 다목적 댐 유입량의 신뢰도 높은 모의는 홍수기 댐 운영 및 하류하천의 홍수 해석에 필수다. 여기서는 일 유출 모의 기반으로 개발된 ONE 모형을 10분 단위, 1시간 단위로 적용한 결과를 제시하고자 한다. 보통 홍수모의는 사상별로 실시하지만, 여기서는 1월1일부터 12월 31일까지 연속으로 모의한 결과에서 해당 홍수사상 결과를 제시하였다. 3개 다목적 댐의 홍수사상은 8월6일부터 8월 10일까지 5일간으로 설정하였다. 유역면적은 용담댐, 섬진강댐, 합천댐, 각각 930km², 763km², 925km², 총강우량은 각각 490.7mm, 451.9mm, 452.4mm, 첨두유입량은 10분 단위는 각각 4,872.7m³/s, 3,533.7.0m³/s, 2,776.0m³/s, 1시간 단위는 각각 4,394.9m³/s, 3,401.8m³/s, 2,745.6m³/s, 총유입량은 각각 3억8,836만m³, 3억1,324만m³, 3억2,816만m³였다. 첨두유입량 상대오차가 0일 때의 매개변수로 모의한 결과를 제시하며, 총유입량 상대오차(Vq), R², RMSE, NSE 등으로 평가하였다. 용담댐 결과는 10분 단위 경우 최대면적강우량 7.3mm, 첨두유입량 4,872.4m³/s, 총유입량 3억 8,138만m³, Vq 1.9%, R² 0.968, RMSE 207.347, NSE 0.978였고, 1시간의 경우 최대면적강우량 29.6mm, 첨두유입량 4394.9m³/s, 총유입량 4억157만m³, Vq -8.4%, R² 0.970, RMSE 186.962, NSE 0.982였다. 섬진강댐 결과는 10분 단위 경우 최대면적강우량 9.2mm, 첨두유입량 3,533.3m³/s, 총유입량 2억7,223만m³, Vq 18.4%, R² 0.885, RMSE 808.296, NSE 0.925였고, 1시간의 경우 최대 면적강우량 37.9mm, 첨두유입량 3401.6m³/s, 총유입량 2억7,029만m³, Vq 13.7%, R² 0.907, RMSE 285.544, NSE 0.936였다. 합천댐 결과는 10분 단위 경우 최대면적강우량 5.5mm, 첨두유입량 2,776.2m³/s, 총유입량 3억3,667만m³, Vq -2.7%, R² 0.941, RMSE 191.896, NSE 0.965였고, 1시간의 경우 최대면적강우량 17.0mm, 첨두유입량 2,746.7m³/s, 총유입량 3억1,333만m³, Vq 4.5%, R² 0.965, RMSE 140.739, NSE 0.981였다. 이상 ONE 모형으로 10분, 1시간 단위의 댐 홍수 유입량 모의결과는 높은 신뢰도를 나타냈다.

• 방사선산업학회지
• /
• 제17권4호
• /
• pp.551-557
• /
• 2023

In recent years, radiation has become a socially important issue, increasing the need for accurate prediction of radiation levels. In this study, machine learning-based models such as Multiple Linear Regression (MLR), Random Forest (RF), XGBoost, and LightGBM, which predict the dose rate by time(nSv h^-1) by selecting only important variables, were used, and the correlation between temperature, humidity, cumulative precipitation, wind direction, wind speed, local air pressure, sea pressure, solar radiation, and radiation dose rate (nSv h^-1) was analyzed by collecting weather data and radiation dose rate for about 6 months in Jangseong, Jeollanam-do. As a result of the evaluation based on the RMSE (Root Mean Squared Error) and R-Squared (R-Squared coefficient of determination) scores, the RMSE of the XGBoost model was 22.92 and the R-Squared was 0.73, showing the best performance among the models used. As a result of optimizing hyperparameters of all models using the GridSearch method and comparing them by adding variables inside the measuring instrument, it was confirmed that the performance improved to 2.39 for RMSE and 0.99 for R-Squared in both XGBoost and LightGBM.

• Korean Chemical Engineering Research
• /
• 제59권2호
• /
• pp.191-199
• /
• 2021

화학 공정의 주요 설비 중 하나인 증류탑은 물질들의 끓는점 차이를 이용하여 혼합물에서 원하는 생산물을 분리하는 설비이며 증류 공정은 많은 에너지가 소비되기 때문에 최적화 및 운전 예측이 필요하다. 본 연구의 대상 공정은 공급처에 따라 원료의 조성이 일정하지 않아 정상 상태로 운전이 어려워 효율적인 운전이 어렵다. 이를 해결하기 위해 데이터 기반 예측 모델을 이용하여 운전 조건을 예측 할 수 있다. 하지만 미가공 공정 데이터에는 이상치 및 노이즈가 포함되어 있어 예측 성능을 향상시키기 위해 데이터 전처리가 필요하다. 본 연구에서는 인공 신경망 모델인 Long short-term memory (LSTM)과 Random forest (RF)를 사용하여 모델을 최적화한 후, 데이터 전처리 방법으로 Low-pass filter와 One-class support vector machine을 사용하여 데이터 전처리 방법 및 범위에 따른 예측 성능을 비교하였다. 각 모델의 예측 성능과 데이터 전처리의 영향은 R2과 RMSE를 사용하여 비교하였다. 본 연구의 결과, 전처리를 통해 LSTM의 경우 R2은 0.791에서 0.977으로 RMSE는 0.132에서 0.029로 각각 23.5%, 78.0% 향상되었고, RF의 경우 R2은 0.767에서 0.938으로 RMSE는 0.140에서 0.050으로 각각 22.3%, 64.3% 향상되었다.

• 대한방사선기술학회지:방사선기술과학
• /
• 제46권2호
• /
• pp.131-139
• /
• 2023

High-dose I-131 used for the treatment of thyroid cancer causes localized exposure among radiology technologists handling it. There is a delay between the calibration date and when the dose of I-131 is administered to a patient. Therefore, it is necessary to directly measure the radioactivity of the administered dose using a dose calibrator. In this study, we attempted to apply machine learning modeling to measured external dose rates from shielded I-131 in order to predict their radioactivity. External dose rates were measured at 1 m, 0.3 m, and 0.1 m distances from a shielded container with the I-131, with a total of 868 sets of measurements taken. For the modeling process, we utilized the hold-out method to partition the data with a 7:3 ratio (609 for the training set:259 for the test set). For the machine learning algorithms, we chose linear regression, decision tree, random forest and XGBoost. To evaluate the models, we calculated root mean square error (RMSE), mean square error (MSE), and mean absolute error (MAE) to evaluate accuracy and R² to evaluate explanatory power. Evaluation results are as follows. Linear regression (RMSE 268.15, MSE 71901.87, MAE 231.68, R² 0.92), decision tree (RMSE 108.89, MSE 11856.92, MAE 19.24, R² 0.99), random forest (RMSE 8.89, MSE 79.10, MAE 6.55, R² 0.99), XGBoost (RMSE 10.21, MSE 104.22, MAE 7.68, R² 0.99). The random forest model achieved the highest predictive ability. Improving the model's performance in the future is expected to contribute to lowering exposure among radiology technologists.

• 한국수자원학회논문집
• /
• 제53권6호
• /
• pp.395-408
• /
• 2020

본 연구논문은 북부아프리카의 알제리에 위치한 하천유역에서 다중선행일 유출량의 예측을 위하여 진화적 최적화기법과 k-fold 교차검증을 결합한 세 개의 서로 다른 기계학습 접근법 (인공신경망, 적응 뉴로퍼지 시스템, 그리고 웨이블릿 기반 신경망)을 개발하고 적용하는 것이다. 인공신경망과 적응 뉴로퍼지 시스템은 root mean squared error (RMSE), Nash-Sutcliffe efficiency (NSE), correlation coefficient (R), 그리고 peak flow criteria (PFC) 의 네 개의 통계지표를 기반으로 하여 모형의 훈련 및 테스팅 결과 유사한 모형수행결과를 나타내었다. 웨이블릿 기반 신경망모형은 하루선행일 테스팅의 결과 RMSE = 8.590 ㎥/sec 과 PFC = 0.252로 분석되어서 인공신경망의 RMSE = 19.120 ㎥/sec, PFC = 0.446 과 적응 뉴로퍼지 시스템의 RMSE = 18.520 ㎥/sec, PFC = 0.444 보다 양호한 결과를 나타내었고, NSE와 R의 값도 웨이블릿 기반 신경망모형이 우수한 것으로 나타났다. 그러므로 웨이블릿 기반 신경망은 알제리 세이보스 하천에서 다중선행일의 예측을 위하여 효율적인 도구로 사용할 수 있다.