You Only Look Once (YOLO) 알고리즘을 활용하여 산불 연기 감지 및 조기 경보를 제공하는 시스템을 개발하였다. 이 시스템은 기반 아키텍처로 심층 신경망(DNN)을 사용한다. 정확한 실시간 연기 감지를 달성하기 위해, 다양한 조건 하에서 수행한 실험을 통해 시스템을 최적화하였다. 이후 산불 감지의 효율을 향상시키기 위해 내장형 컴퓨팅 환경에 구현하였다. 그 결과, 본 DNN 기반 연기 감지 시스템은 실제 환경에서의 효과가 입증되었다.

), 각각입니다. 이러한 결과에 근거하여, 해체 폐기물 발생률 예측을 위한 기계학습 모델로 PCA를 사용하는 k-최근접 이웃(유클리드 균일) 모델을 제안합니다.

플래시오버(Flash-over)는 실내 화재의 성장 과정에서 임계점(critical point)을 나타내는 특수 현상이다. 플래시오버가 발생하면 동일한 층과 관련된 방에 있는 사람의 생명이 위험에 처하며, 화재는 층과 층 사이 계단을 통해 건물 전체로 확산될 수 있다. 비상 상황을 알리는 경보가 빈번히 오작동하므로, 대학 캠퍼스의 학생들은 화재 경보 사이렌 소리를 들었을 때 즉시 대피하지 않는 경우가 흔하다. 본 연구의 목적은 화재 경보 메타버스에서 플래시오버 지점을 시뮬레이션하는 것이었다. 스마트폰의 온도 센서는 세계기상기구(World Meteorological Organization, WMO) 관측 지침에서 요구하는 온도 조사 장비의 정확도 충족에 충분한 탐지 성능을 보였다. Roblox에 내장된 플래시오버 지점 메타버스는 학생들이 화재 경보 소리에 내재된 메커니즘을 쉽게 이해할 수 있도록 함으로써, 화재 재난에 대한 교육 도구로서의 잠재력을 보여주었다. 본 연구는 메타버스의 플래시오버 원리를 시각적으로 구현하는 가능성을 제시함으로써, 온라인 게임 환경에서 화재 재난 교육 수단으로서 중요한 참고 자료가 될 수 있다.

You Only Look Once (YOLO) 알고리즘을 활용하여 산불 연기 감지 및 조기 경보를 제공하는 시스템을 개발하였다. 이 시스템은 기반 아키텍처로 심층 신경망(DNN)을 사용한다. 정확한 실시간 연기 감지를 달성하기 위해, 다양한 조건 하에서 수행한 실험을 통해 시스템을 최적화하였다. 이후 산불 감지의 효율을 향상시키기 위해 내장형 컴퓨팅 환경에 구현하였다. 그 결과, 본 DNN 기반 연기 감지 시스템은 실제 환경에서의 효과가 입증되었다.

), 각각입니다. 이러한 결과에 근거하여, 해체 폐기물 발생률 예측을 위한 기계학습 모델로 PCA를 사용하는 k-최근접 이웃(유클리드 균일) 모델을 제안합니다.

플래시오버(Flash-over)는 실내 화재의 성장 과정에서 임계점(critical point)을 나타내는 특수 현상이다. 플래시오버가 발생하면 동일한 층과 관련된 방에 있는 사람의 생명이 위험에 처하며, 화재는 층과 층 사이 계단을 통해 건물 전체로 확산될 수 있다. 비상 상황을 알리는 경보가 빈번히 오작동하므로, 대학 캠퍼스의 학생들은 화재 경보 사이렌 소리를 들었을 때 즉시 대피하지 않는 경우가 흔하다. 본 연구의 목적은 화재 경보 메타버스에서 플래시오버 지점을 시뮬레이션하는 것이었다. 스마트폰의 온도 센서는 세계기상기구(World Meteorological Organization, WMO) 관측 지침에서 요구하는 온도 조사 장비의 정확도 충족에 충분한 탐지 성능을 보였다. Roblox에 내장된 플래시오버 지점 메타버스는 학생들이 화재 경보 소리에 내재된 메커니즘을 쉽게 이해할 수 있도록 함으로써, 화재 재난에 대한 교육 도구로서의 잠재력을 보여주었다. 본 연구는 메타버스의 플래시오버 원리를 시각적으로 구현하는 가능성을 제시함으로써, 온라인 게임 환경에서 화재 재난 교육 수단으로서 중요한 참고 자료가 될 수 있다.

0.883, RPD 2.92)는 DWGR를 예측하기 위한 최적의 ML 모델이다. 이들은 관측된 평균값에 비해 각각 7.3%, 7.4%, 7.5%의 평균 오차를 보였으며, 이는 정확한 예측 성능을 확인해 준다. 또한 불확실성 분석에서 모델들의 d-factor가 1보다 작게 나타나, 제시된 모델들이 신뢰할 수 있음을 보여주었다. 본 연구의 결과는 선행 관련 연구에서 적용된 ML 알고리즘 및 HP들과의 비교를 통해서도, WG 관리에 최적화된 ML 모델을 개발하는 데에는 다양한 ML 알고리즘과 HP의 선택이 중요함을 시사하였다.

건설 및 철거(Construction and Demolition, C&D) 폐기물의 스마트한 관리는 필수적이며, 연구자들은 폐기물 발생량을 추정하기 위해 머신러닝을 적용해 왔다. 한국에서는 노후 건축물이 많기 때문에 철거 폐기물(demolition waste, DW)의 관리가 중요하며, 이를 관리하기 위해 DW의 양을 예측할 필요가 있다. 따라서 본 연구는 도시 재개발 구역의 건물에 대한 철거 폐기물 발생률(Demolition Waste Generation Rate, DWGR)을 예측하기 위해, 데이터 특성(즉, 범주형 입력을 가진 소규모 데이터셋)에 기반한 의사결정나무(DT) 기반 앙상블 모델(즉, 랜덤 포레스트—RF, 극도로 랜덤화된 트리—ET, 그래디언트 부스팅 머신—GBM, 그리고 익스트림 그래디언트 부스트—XGboost)을 사용하였다. 연구 결과, RF 및 GBM 알고리즘이 ET 및 XGboost 알고리즘보다 더 우수한 예측 성능을 보였다. 특히 RF(6개 특성, 450개 추정기; 평균, 1169.94 kg·m−2)와 GBM(4개 특성, 300개 추정기; 평균, 1166.25 kg·m−2)이 가장 높은 예측 성능을 나타냈다. 또한 DWGR에 영향을 미치는 특성 중요도는 총 바닥면적(Gross Floor Area, GFA) > 위치 > 지붕 재료 > 벽 재료의 순서에 유의미한 영향을 미치는 것으로 확인되었다. 본 연구에서 사용한 특성의 수집이 비교(benchmarking)를 용이하게 하여, 산업 이해관계자와 정책 담당자를 위한 철거 폐기물 관리 계획의 의사결정 도구로 활용될 수 있다. 따라서 향후 추가 데이터를 업데이트하고 신뢰할 수 있는 데이터셋을 구축함으로써 모델의 예측 성능을 향상시킬 필요가 있다.

경로 찾기.