• Smart Structures and Systems
• /
• 제33권4호
• /
• pp.301-311
• /
• 2024

This paper proposes a deep convolutional long short-term memory (ConvLSTM)-based crack growth prediction technique for predictive maintenance of structures. Since cracks are one of the critical damage types in a structure, their regular inspection has been mandatory for structural safety and serviceability. To effectively establish the structural maintenance plan using the inspection results, crack propagation or growth prediction is essential. However, conventional crack prediction techniques based on mathematical models are not typically suitable for tracking complex nonlinear crack propagation mechanism on civil structures under harsh environmental conditions. To address the technical issue, a field data-driven crack growth prediction technique using ConvLSTM is newly proposed in this study. The proposed technique consists of the four steps: (1) time-series crack image acquisition, (2) target image stabilization, (3) deep learning-based crack detection and quantification and (4) crack growth prediction. The performance of the proposed technique is experimentally validated using a concrete mock-up specimen by applying step-wise bending loads to generate crack growth. The validation test results reveal the prediction accuracy of 94% on average compared with the ground truth obtained by field measurement.

• 대한교통학회지
• /
• 제20권4호
• /
• pp.151-162
• /
• 2002

경인고속도로가 개통된 1969년 이후로 우리나라 고속도로는 국토의 대동맥으로서 꾸준한 확장과 신설을 거듭해 왔으며, 조만간 고속도로 3.000km시대를 맞이하게 될 전망이다. 이에 고속도로는 건설과 확장 위주에서 효율적 운영이 중요성이 과거 그 어느 때보다도 강조되고 있다. 최근 고속도로망이 복잡해져감에 따라 교통정보의 가치가 점점 높아지고 있고, 더욱이 정보통신기술의 급격한 발달과 함께, 휴대폰, PDA, PNS 등의 보급이 증가함에 따라 교통정보의 수요가 급증하고 있다. 특히, 통행시간 정보의 경우, 혼잡이 있는 도로망에서 최적의 경로선택을 하고. 경로간에 적절한 교통량분산을 통해 자원의 효율적 배분을 달성하는데 있어 필수적인 정보로서 그 중요성을 더해 가고 있는 실정이다. 본 연구에서는 고속도로 통행료수납시스템(TCS)에서 수집되는 톨게이트간 통행시간 데이터를 기반으로 TCS 통행시간 데이터의 속성과 시계열적 패턴을 규명하고, 이를 바탕으로 모듈라 신경망모형(Modular Neural Network Model)을 이용한 통행시간 예측모형을 개발하였다. 우선, 단거리(서울->수원)와 장거리(서울->대전) 그리고 평일과 주말로 구분하여 TCS 데이터에 대한 시계열 패턴 분석을 한 결과, 단거리와 장거리 공히 충분한 범위의 예측가능한 시간적 범위를 가지고 있으며, 복잡한 정도는 장거리가 높은 것으로 나타났다. 다만. 단거리구간이 장거리 구간에 비해 초기조건에 대한 민감성이 큰 이유로 상대적으로 장기예측이 어려운 것으로 분석되었다. 한편, 모형 적용 현장의 요구기능을 분석하여 모듈라 신경망 구조를 가진 예측모형을 개발하였으며, 최소한 약 80분 이상의 장기예측이 요구되는 서울->대전구간에 적용한 결과, 대부분 10분 이내의 낮은 오차를 보였다. 본 연구에서 개발된 모형은 예측범위가 고정적인 대부분의 시계열모형과는 달리 최소의 입력(3개)을 가지면서 하나의 신경망으로 학습한 최대/최소의 예측시간 범위내에서 그 크기에 상관없이 거의 동일한 수준의 예측력을 보이는 장점을 가지고 있다.

• 한국전자통신학회논문지
• /
• 제18권6호
• /
• pp.1143-1150
• /
• 2023

세계적 기후 위기와 저탄소 정책 이행으로 신재생 에너지에 관한 관심이 높아지고 이와 관련된 산업이 증가하고 있다. 이 중에서 태양 에너지는 고갈되지 않고 오염 물질이나 온실가스를 배출하지 않는 대표적인 친환경 에너지로 주목받고 있으며, 이에 따라 세계적으로 태양광 발전 시설 보급이 증가하고 있다. 하지만 태양광 발전은 지리, 날씨와 같은 환경의 영향을 받기 쉬우므로 안정적인 운영과 효율적인 관리를 위해 정확한 발전량 예측이 중요하다. 하지만 변동성이 큰 태양광 발전을 수학적 통계 기술로 정확한 발전량을 예측하는 것은 불가능하다. 이를 위해서 정확하고 효과적인 예측을 위해 딥러닝 기반의 기술에 관한 연구는 필수적이다. 또한, 기존의 딥러닝을 활용한 예측 방식은 장, 단기적인 예측을 나누어 수행하기 때문에 각각의 예측 결과를 얻기 위한 시간이 길어진다는 단점이 있다. 따라서, 본 연구에서는 시계열 특성을 가진 태양광 발전량 데이터를 사용하여 장단기 통합 예측을 수행하기 위해 순환 신경망의 다대다 구조를 활용한다. 그리고 이를 다양한 딥러닝 모델들에 적용하여 학습을 수행하고 각 모델의 결과를 비교·분석한다.

• 대한전기학회논문지:전력기술부문A
• /
• 제49권3호
• /
• pp.107-117
• /
• 2000

This paper proposes a systematic method to develop short-term electrical load forecasting systems using neuro-fuzzy models. The primary goal of the proposed method is to improve the performance of the prediction model in terms of accuracy and reliability. For this, the proposed method explores the advantages of the structure learning of the neuro-fuzzy model. The proposed load forecasting system first builds an initial structure off-line for each hour of four day types and then stores the resultant initial structures in the initial structure bank. Whenever a prediction needs to be made, the proposed system initializes the neuro-fuzzy model with the appropriate initial structure stored and trains the initialized model. In order to demonstrate the viability of the proposed method, we develop an one hour ahead load forecasting system by using the real load data collected during 1993 and 1994 at KEPCO. Simulation results reveal that the prediction system developed in this paper can achieve a remarkable improvement on both accuracy and reliability compared with the prediction systems based on multilayer perceptrons, radial basis function networks, and neuro-fuzzy models without the structure learning.

• Wind and Structures
• /
• 제38권2호
• /
• pp.147-160
• /
• 2024

The aerodynamic force is a significant component that influences the stability and safety of structures. It has unstable properties and depends on computer precision, making its long-term prediction challenging. Accurately estimating the aerodynamic traits of structures is critical for structural design and vibration control. This paper establishes an unsteady aerodynamic time series prediction model using Long Short-Term Memory (LSTM) network. The unsteady aerodynamic force under varied Reynolds number and angles of attack is predicted by the LSTM model. The input of the model is the aerodynamic coefficients of the 1 to n sample points and output is the aerodynamic coefficients of the n+1 sample point. The model is predicted by interpolation and extrapolation utilizing Unsteady Reynolds-average Navier-Stokes (URANS) simulation data of flow around a circular cylinder, square cylinder and airfoil. The results illustrate that the trajectories of the LSTM prediction results and URANS outcomes are largely consistent with time. The mean relative error between the forecast results and the original results is less than 6%. Therefore, our technique has a prospective application in unsteady aerodynamic force prediction of structures and can give technical assistance for engineering applications.

• 한국빅데이터학회지
• /
• 제4권1호
• /
• pp.29-38
• /
• 2019

본 연구에서는 판매량 증대와 효율적인 재고 관리를 위해 지난 5년간 온라인 쇼핑몰 'A'에서 누적된 빅데이터를 활용하여 기온 변화에 따른 반팔 티셔츠와 아우터웨어(outer wear)의 판매량을 예측하는 판매 예측 모델을 제안한다. 제안한 모델은 2014년부터 2017년도까지 기온 변화에 따른 반팔 티셔츠와 아우터웨어의 판매량을 분석하여 2018년 기온 변화에 따른 반팔티셔츠와 아우터웨어의 판매량을 예측한다. 제안한 판매 예측 모델을 사용하여 반팔티셔츠와 아우터웨어의 판매량 예측값과 실제 2018년 판매량을 비교 분석한 결과 반팔티셔츠와 아우터웨어의 예측 오차율은 각각 ±1.5%와 ±8%를 나타내었다.

• Asia-Pacific Journal of Atmospheric Sciences
• /
• 제54권4호
• /
• pp.611-622
• /
• 2018

Observed climate data are processed under the assumption that their time series are stationary, as in multi-step temperature and precipitation prediction, which usually leads to low prediction accuracy. If a climate system model is based on a single prediction model, the prediction results contain significant uncertainty. In order to overcome this drawback, this study uses a method that integrates ensemble prediction and a stepwise regression model based on a mean-valued generation function. In addition, it utilizes empirical mode decomposition (EMD), which is a new method of handling time series. First, a non-stationary time series is decomposed into a series of intrinsic mode functions (IMFs), which are stationary and multi-scale. Then, a different prediction model is constructed for each component of the IMF using numerical ensemble prediction combined with stepwise regression analysis. Finally, the results are fit to a linear regression model, and a short-term climate prediction system is established using the Visual Studio development platform. The model is validated using temperature data from February 1957 to 2005 from 88 weather stations in Guangxi, China. The results show that compared to single-model prediction methods, the EMD and ensemble prediction model is more effective for forecasting climate change and abrupt climate shifts when using historical data for multi-step prediction.

• ETRI Journal
• /
• 제46권2호
• /
• pp.205-217
• /
• 2024

We propose a bandwidth prediction approach based on deep learning. The approach is intended to accurately predict the bandwidth of various types of mobile networks. We first use a machine learning technique, namely, the gradient boosting algorithm, to recognize the connected mobile network. Second, we apply a handover detection algorithm based on network recognition to account for vertical handover that causes the bandwidth variance. Third, as the communication performance offered by 3G, 4G, and 5G networks varies, we suggest a bidirectional long short-term memory model with time distribution for bandwidth prediction per network. To increase the prediction accuracy, pretraining and fine-tuning are applied for each type of network. We use a dataset collected at University College Cork for network recognition, handover detection, and bandwidth prediction. The performance evaluation indicates that the handover detection algorithm achieves 88.5% accuracy, and the bandwidth prediction model achieves a high accuracy, with a root-mean-square error of only 2.12%.

• 한국지구과학회지
• /
• 제38권1호
• /
• pp.11-23
• /
• 2017

풍력 자원의 단기 예측 가능성은 풍력 발전 단지의 경제적 타당성을 평가하는 중요한 요소이다. 본 연구에서는 풍력 자원의 단기 예측 가능성을 향상시키는 방법의 하나로 베이지안 칼만 필터를 후처리 과정으로 적용하였다. 이때 추정된 모델과 관측 데이터의 상관관계를 평가하기 위하여 일정 시간 동안 베이지안 칼만 훈련 기간이 요구된다. 본 연구는 여러 훈련 기간에 따라 예측 특성을 정량적으로 분석하였다. 태백 지역에서는 3일 단기 베이지안 칼만 훈련으로 기온과 풍속을 예측하는 것이 다른 훈련 기간을 적용할 때보다 우수한 예측 성능을 보였다. 반면 이어도는 6일 이상의 베이지안 칼만 필터의 훈련 기간을 적용한 경우 가장 좋은 예측 성능을 나타낸다. WRF 예측 성능이 떨어지는 사례에서 베이지안 칼만 필터의 예측 성능향상이 뚜렷하게 나타나며, 반대로 WRF 예측이 정확한 지점에서는 필터적용에 따른 성능향상 정도가 약한 경향을 가진다.

• 전기학회논문지
• /
• 제60권2호
• /
• pp.301-308
• /
• 2011

This paper deals with the coupled electromagnetic-mechanical field analysis for short-circuit electromagnetic force of the dry-type transformer. The short-circuit currents are calculated using external circuit in accordance with short-circuit test equipment. According to short-circuit current, the generated magnetic leakage flux density in dry-type transformer model is calculated by finite element method. The radially-directed electromagnetic forces in windings are calculated using electromagnetic field analysis and then axially-directed electromagnetic forces in windings are calculated using electromagnetic-mechanical field analysis. The calculated axially-directed electromagnetic forces in high voltage winding are compared to those of measured ones and showed good agreement with experimental results.