전기 에너지 소비에 대한 정확한 예측은 사용자 편의성과 공급자 효율성 모두에 있어 핵심적이다. 본 연구는 건물 내에서 소비 패턴을 식별함으로써 예측 정확도를 향상시키기 위해 군집화 알고리즘과 머신러닝(ML) 모델을 통합하는 앙상블 접근법을 제안한다. 연구는 한국의 수도권 지역 주거용 아파트를 대상으로 수행되었으며, 4가지 평가 방법(Elbow-Method, Silhouette Score, Calinski-Harabasz Index, Dunn Index)을 5가지 데이터 수집 간격(10분, 1시간, 1일, 1주, 1개월) 전반에 걸쳐 적용하였다. 또한 군집별로 예측 성능이 우수하게 나타난 5가지 ML 모델(CatBoost, Decision Tree, LightGBM, Random Forest, XGBoost)을 평가하였다. 아울러 각 군집에서 높은 성능을 보인 ML 모델들을 통합하여 앙상블 모델을 구성하고, 연구 현장의 총 전기 에너지 소비에 대한 예측 성능을 평가하였다. 최적의 군집화 결과 월 단위로 리샘플링한 전력 데이터에서 2개 군집(C0: 142가구, C1: 206가구)이 도출되었다. CatBoost와 LightGBM은 평균 예측 성능이 가장 높게 나타났다. 두 모델을 각 군집에 적용할 수 있는 가능한 조합에 근거하여 네 가지 앙상블 모델(CB-CB, CB-LGBM, LGBM-CB, LGBM-LGBM)을 개발하였다. 통계 분석 결과 모든 앙상블 모델은 군집화 없이 적용한 대조군의 전통적 ML 접근법에 비해 유의하게 더 우수한 성능을 보였다(p < 0.05 또는 0.01). 본 연구에서 제안된 군집화 기반 ML 앙상블 모델은 각 가구의 고유한 소비 패턴을 반영함으로써 건물에서 소비되는 에너지를 보다 정확하게 예측할 수 있다. 이는 에너지 소비 절감에 효과적으로 기여할 것으로 기대된다.

거친 등록(coarse registration)은 수술 내비게이션의 정확성을 결정하는 데 있어 첫 단계이다. 본 연구의 목적은 편의성과 정확성을 향상시키기 위한 자동화된 거친 등록(ACR) 방법론을 제시하는 데 있다. 이를 위해 합성곱 신경망(convolutional neural network)에 기반한 딥러닝 모델을 사용하였다. 학습에 사용한 입력 변수는 의료영상에 기반하여 생성한 가상 환자 점군(virtual patient point-cloud; VPPC)이었다. 출력 변수는 VPPC를 의료영상의 주변 공간으로 전송하는 과정에서 얻어지는 좌표 변환의 값이었다. ACR 모델은 의료영상 및 환자 공간에서 점군의 전역 특징(global features)을 추출하는 단계와 전역 특징을 통해 3차원 좌표 변환의 정보를 예측하는 단계로 구성되었다. x, y, z 축에 대한 예측 회전 값과 실제 회전 값 간의 유사성을 평가한 결정계수(coefficient of determination)는 각각 0.993, 0.989, 0.990이었다. x, y, z 축에 대한 예측 및 실제 이동(translation) 값의 결정계수는 각각 0.993, 0.989, 0.994이었다. ACR을 이용해 3개의 팬텀(phantom)에 대해 거친 등록을 수행한 결과, 환자와 계산단층촬영(computed tomography) 점군 간 등록 오차는 각각 3.813 ± 0.792, 3.786 ± 0.734, 3.653 ± 0.668 mm로, 기존 방법의 등록 오차(4.671 ± 0.738, 4.865 ± 0.776, 4.670 ± 0.455 mm)보다 유의하게 개선되었다. 제안된 방법은 거친 등록을 자동화함으로써 수술 전 준비 단계에서 편의성을 제공할 수 있다. 또한, 시술자(operator)에 의해 발생할 수 있는 무작위 오류를 제거함으로써 반복성과 재현성(repeatability and reproducibility)을 제공할 수 있을 것으로 기대된다.

배경: 표면 정합(surface registration) 기술은 비교적 안전하고 수술 소요 시간이 짧다는 장점이 있으나, 대체로 정확도가 낮다는 단점이 있다. 목적: 본 연구는 영상 유도 수술 항법 시스템의 정확도를 향상시키기 위해 자동화된 기계학습(AutoML) 기반 표면 정합을 제안한다. 방법: 최신 표면 정합 개념은 먼저 신경망 모델을 사용하여 광학 추적 시스템(OTS)의 수동 프로브로 획득한 얼굴 정보와 일치하는 새로운 점군(point-cloud)을, 컴퓨터 단층촬영(computed tomography)으로부터 얻은 얼굴 정보로부터 추출하는 것이다. 그 다음 새로 추출한 점군과 OTS 정보를 대상으로 반복적 최근접점(iterative closest point, ICP) 알고리즘을 적용하여 표면 정합의 정확도를 나타내는 표적 등록 오차(target registration error, TRE)를 계산한다. 이 과정에서 신경망 모델과 ICP 알고리즘에 사용되는 하이퍼파라미터는 기대개선(expected improvement)을 이용한 베이지안 최적화(Bayesian optimization)로 자동 최적화되어 정합 정확도가 향상되도록 한다. 결과: 제안된 표면 정합 방법론을 사용한 경우, 연성 팬텀(soft phantoms)에서 부비동 공간과 비강 내에 위치한 표적들의 평균 TRE는 0.939 ± 0.375 mm로, 기존 표면 정합 방법으로 계산된 평균 TRE 2.227 ± 0.193 mm에 비해 57.8% 향상되었으며(p < 0.01), 이는 통계적으로 유의하였다. 또한 제안된 방법론의 성능을 평가하였고, 제안된 방법론과 기존 방법에 의해 계산된 평균 TRE는 각각 0.767 ± 0.132 mm와 2.615 ± 0.378 mm로 나타났다. 더불어 한 명의 건강한 성인에서 AutoML 기반 표면 정합의 임상적 적용 가능성도 제시하였다. 결론: 본 연구 결과는 표면 정합 기술의 장점을 유지하면서도 등록 정확도를 향상시킬 수 있음을 보여준다.

본 연구는 에너지 소비 예측을 위한 eXplainable AI(XAI)에 기반한 입력 변수 선택 방법론을 제안한다. 이를 위해 대한민국 서울의 한 대학교 건물 구축에 사용된 에너지 데이터를 수집하여 에너지 소비 예측 모델(R2 = 0.871; MAE = 2.176; MSE = 9.870)을 선정하였다. 예측 모델의 결과에 XAI를 적용한 뒤, 입력 변수들은 순위 점수 기대치(Fqvar)를 기준으로(10 ≤ Strong, 5 ≤ Ambiguous < 10, 그리고 Weak < 5) 영향도에 따라 세 그룹으로 나누었다. 그 결과, Strong + Ambiguous 그룹의 입력 변수를 고려한 모델(R2 = 0.917; MAE = 1.859; MSE = 6.639) 또는 Strong 그룹의 입력 변수를 고려한 모델(R2 = 0.916; MAE = 1.816; MSE = 6.663)은 다른 경우들보다 더 높은 예측 성능을 보였으며(p < 0.05 또는 0.01), Strong 그룹과 Strong + Ambiguous 그룹 간에는 통계적으로 유의한 차이가 없었다(R2: p = 0.408; MAE: p = 0.488; MSE: p = 0.478). 이는 XAI 기반 방법론에 의해 결정된 Strong 그룹의 입력 변수(Fqvar: Year = 14.8; E-Diff = 12.8; Hour = 11.0; Temp = 11.0; Surface-Temp = 10.4)를 고려할 때 에너지 소비 예측 모델이 우수한 성능을 나타냄을 의미한다. 따라서 본 연구에서 제안한 방법론은 에너지 소비를 정확하고 효율적으로 예측할 수 있는 모델을 결정하는 데 기여할 것으로 기대된다.

전기 에너지 소비에 대한 정확한 예측은 사용자 편의성과 공급자 효율성 모두에 있어 핵심적이다. 본 연구는 건물 내에서 소비 패턴을 식별함으로써 예측 정확도를 향상시키기 위해 군집화 알고리즘과 머신러닝(ML) 모델을 통합하는 앙상블 접근법을 제안한다. 연구는 한국의 수도권 지역 주거용 아파트를 대상으로 수행되었으며, 4가지 평가 방법(Elbow-Method, Silhouette Score, Calinski-Harabasz Index, Dunn Index)을 5가지 데이터 수집 간격(10분, 1시간, 1일, 1주, 1개월) 전반에 걸쳐 적용하였다. 또한 군집별로 예측 성능이 우수하게 나타난 5가지 ML 모델(CatBoost, Decision Tree, LightGBM, Random Forest, XGBoost)을 평가하였다. 아울러 각 군집에서 높은 성능을 보인 ML 모델들을 통합하여 앙상블 모델을 구성하고, 연구 현장의 총 전기 에너지 소비에 대한 예측 성능을 평가하였다. 최적의 군집화 결과 월 단위로 리샘플링한 전력 데이터에서 2개 군집(C0: 142가구, C1: 206가구)이 도출되었다. CatBoost와 LightGBM은 평균 예측 성능이 가장 높게 나타났다. 두 모델을 각 군집에 적용할 수 있는 가능한 조합에 근거하여 네 가지 앙상블 모델(CB-CB, CB-LGBM, LGBM-CB, LGBM-LGBM)을 개발하였다. 통계 분석 결과 모든 앙상블 모델은 군집화 없이 적용한 대조군의 전통적 ML 접근법에 비해 유의하게 더 우수한 성능을 보였다(p < 0.05 또는 0.01). 본 연구에서 제안된 군집화 기반 ML 앙상블 모델은 각 가구의 고유한 소비 패턴을 반영함으로써 건물에서 소비되는 에너지를 보다 정확하게 예측할 수 있다. 이는 에너지 소비 절감에 효과적으로 기여할 것으로 기대된다.

거친 등록(coarse registration)은 수술 내비게이션의 정확성을 결정하는 데 있어 첫 단계이다. 본 연구의 목적은 편의성과 정확성을 향상시키기 위한 자동화된 거친 등록(ACR) 방법론을 제시하는 데 있다. 이를 위해 합성곱 신경망(convolutional neural network)에 기반한 딥러닝 모델을 사용하였다. 학습에 사용한 입력 변수는 의료영상에 기반하여 생성한 가상 환자 점군(virtual patient point-cloud; VPPC)이었다. 출력 변수는 VPPC를 의료영상의 주변 공간으로 전송하는 과정에서 얻어지는 좌표 변환의 값이었다. ACR 모델은 의료영상 및 환자 공간에서 점군의 전역 특징(global features)을 추출하는 단계와 전역 특징을 통해 3차원 좌표 변환의 정보를 예측하는 단계로 구성되었다. x, y, z 축에 대한 예측 회전 값과 실제 회전 값 간의 유사성을 평가한 결정계수(coefficient of determination)는 각각 0.993, 0.989, 0.990이었다. x, y, z 축에 대한 예측 및 실제 이동(translation) 값의 결정계수는 각각 0.993, 0.989, 0.994이었다. ACR을 이용해 3개의 팬텀(phantom)에 대해 거친 등록을 수행한 결과, 환자와 계산단층촬영(computed tomography) 점군 간 등록 오차는 각각 3.813 ± 0.792, 3.786 ± 0.734, 3.653 ± 0.668 mm로, 기존 방법의 등록 오차(4.671 ± 0.738, 4.865 ± 0.776, 4.670 ± 0.455 mm)보다 유의하게 개선되었다. 제안된 방법은 거친 등록을 자동화함으로써 수술 전 준비 단계에서 편의성을 제공할 수 있다. 또한, 시술자(operator)에 의해 발생할 수 있는 무작위 오류를 제거함으로써 반복성과 재현성(repeatability and reproducibility)을 제공할 수 있을 것으로 기대된다.

배경: 표면 정합(surface registration) 기술은 비교적 안전하고 수술 소요 시간이 짧다는 장점이 있으나, 대체로 정확도가 낮다는 단점이 있다. 목적: 본 연구는 영상 유도 수술 항법 시스템의 정확도를 향상시키기 위해 자동화된 기계학습(AutoML) 기반 표면 정합을 제안한다. 방법: 최신 표면 정합 개념은 먼저 신경망 모델을 사용하여 광학 추적 시스템(OTS)의 수동 프로브로 획득한 얼굴 정보와 일치하는 새로운 점군(point-cloud)을, 컴퓨터 단층촬영(computed tomography)으로부터 얻은 얼굴 정보로부터 추출하는 것이다. 그 다음 새로 추출한 점군과 OTS 정보를 대상으로 반복적 최근접점(iterative closest point, ICP) 알고리즘을 적용하여 표면 정합의 정확도를 나타내는 표적 등록 오차(target registration error, TRE)를 계산한다. 이 과정에서 신경망 모델과 ICP 알고리즘에 사용되는 하이퍼파라미터는 기대개선(expected improvement)을 이용한 베이지안 최적화(Bayesian optimization)로 자동 최적화되어 정합 정확도가 향상되도록 한다. 결과: 제안된 표면 정합 방법론을 사용한 경우, 연성 팬텀(soft phantoms)에서 부비동 공간과 비강 내에 위치한 표적들의 평균 TRE는 0.939 ± 0.375 mm로, 기존 표면 정합 방법으로 계산된 평균 TRE 2.227 ± 0.193 mm에 비해 57.8% 향상되었으며(p < 0.01), 이는 통계적으로 유의하였다. 또한 제안된 방법론의 성능을 평가하였고, 제안된 방법론과 기존 방법에 의해 계산된 평균 TRE는 각각 0.767 ± 0.132 mm와 2.615 ± 0.378 mm로 나타났다. 더불어 한 명의 건강한 성인에서 AutoML 기반 표면 정합의 임상적 적용 가능성도 제시하였다. 결론: 본 연구 결과는 표면 정합 기술의 장점을 유지하면서도 등록 정확도를 향상시킬 수 있음을 보여준다.

본 연구는 에너지 소비 예측을 위한 eXplainable AI(XAI)에 기반한 입력 변수 선택 방법론을 제안한다. 이를 위해 대한민국 서울의 한 대학교 건물 구축에 사용된 에너지 데이터를 수집하여 에너지 소비 예측 모델(R2 = 0.871; MAE = 2.176; MSE = 9.870)을 선정하였다. 예측 모델의 결과에 XAI를 적용한 뒤, 입력 변수들은 순위 점수 기대치(Fqvar)를 기준으로(10 ≤ Strong, 5 ≤ Ambiguous < 10, 그리고 Weak < 5) 영향도에 따라 세 그룹으로 나누었다. 그 결과, Strong + Ambiguous 그룹의 입력 변수를 고려한 모델(R2 = 0.917; MAE = 1.859; MSE = 6.639) 또는 Strong 그룹의 입력 변수를 고려한 모델(R2 = 0.916; MAE = 1.816; MSE = 6.663)은 다른 경우들보다 더 높은 예측 성능을 보였으며(p < 0.05 또는 0.01), Strong 그룹과 Strong + Ambiguous 그룹 간에는 통계적으로 유의한 차이가 없었다(R2: p = 0.408; MAE: p = 0.488; MSE: p = 0.478). 이는 XAI 기반 방법론에 의해 결정된 Strong 그룹의 입력 변수(Fqvar: Year = 14.8; E-Diff = 12.8; Hour = 11.0; Temp = 11.0; Surface-Temp = 10.4)를 고려할 때 에너지 소비 예측 모델이 우수한 성능을 나타냄을 의미한다. 따라서 본 연구에서 제안한 방법론은 에너지 소비를 정확하고 효율적으로 예측할 수 있는 모델을 결정하는 데 기여할 것으로 기대된다.

에너지 소비는 지구 온난화에 중요한 역할을 한다. 탄소 중립을 달성하고 안정적인 에너지 공급을 통해 에너지 효율을 향상시키기 위해서는, 시계열 데이터의 최적화 및 분석을 위한 혁신적인 아키텍처 개발을 추구할 필요가 있다. 이에 본 연구는 예측 성능 향상에서 전처리의 핵심적 역할을 부각하는 새로운 아키텍처를 제시하고, 다양한 에너지 영역에서의 확장성을 입증한다. 시계열의 특성을 나타내는 패턴을 식별하는 이 아키텍처는 데이터 준비, 처리 최적화 방법, 예측의 세 가지 핵심 구성요소로 구성된다. 이 아키텍처의 핵심은 시계열 내 패턴을 파악하고 최적의 데이터 처리 기법을 결정하는 것으로, 전처리 방법에 대한 강한 강조가 포함된다. 열에너지에 대한 실험 결과는 데이터 최적화를 통해 성능 향상을 달성할 가능성을 보여주며, 전처리의 핵심적 역할을 확인한다. 또한 본 연구는 다섯 가지 서로 다른 예측 모델에 대한 평가를 통해, 사용된 모델과 무관하게 제안된 아키텍처가 예측 결과를 일관되게 향상시킨다는 점을 확인한다. 더 나아가 전기에너지로 확장된 실험은 유사한 입력 변수를 사용하여 다양한 에너지 유형을 예측하는 데서 아키텍처의 확장성과 효율성을 검증한다. 아울러 본 연구는 에너지 예측에 영향을 미치는 결정 요인을 설명 가능한 인공지능을 통해 규명함으로써, 저탄소 에너지의 공급과 수요 관리에 기여한다.

트랙터의 자동 조향 시스템에 사용되는 전기유압 비례제어 밸브(EHPV)의 성능은 조향 성능에 직접적인 영향을 미친다. 고도의 신뢰성을 갖는 EHPV를 개발하기 위해서는 트랙터의 여러 작업 조건에 대해 EHPV의 유압 특성을 분석하는 것이 필수적이다. 본 연구는 트랙터의 작업 조건에 따른 EHPV의 유압 특성을 측정하고 분석하고자 하였다. 밸브 측정 시스템을 통해 EHPV의 유량 및 압력 데이터를 산출하였으며, 필요한 동력도 산출하였다. 실험 조건은 엔진 회전수와 트랙터 조향 각을 기준으로 선정하였다. 그 결과 엔진 회전수와 조향 각 조건이 증가할수록 유량, 압력, 동력 모두 증가하는 것으로 확인되었다. 또한 조향 각 증가에 따른 유량, 압력, 동력의 증가율이 엔진 회전수 증가에 따른 경우보다 더 높았다. 두 변수와 EHPV의 유압 특성 간의 회귀분석 결과에서 조향 각은 엔진 회전수보다 더 높은 상관성을 보였다. 결론적으로, 조향 각과 엔진 회전수는 EHPV의 유압 특성에 있어 주요 변수이며, 조향 각의 영향이 더 크다.

80% 및 PEG 400 10%. 제조된 마이크로에멀젼은 수용액에서 잘 분산되었으며, 물리적 또는 화학적 안정성에 어떠한 문제 없이 잘 유지됨이 확인되었다. 올라파립의 용출 프로파일은 분말에 비해 유의하게 개선되었다. 올라파립의 높은 용출과 연관하여 약동학적 파라미터 또한 크게 향상되었다. 상기 결과들을 종합하면, 마이크로에멀젼은 올라파립 및 이와 유사한 약물의 제형화에 효과적인 도구가 될 수 있다.

이 연구는 농업용 트랙터의 기어 내구성 확보와 최적의 동력전달 설계를 달성하기 위해 수행되었다. 현장 시험은 전형적인 농작업인 쟁기 및 로터리 경운 작업을 수행하기 위해 86 kW급 농업용 트랙터를 사용하여 실시하였다. 현장 시험은 동력전달 소음과 작업상의 문제로 인해 약 107 h 후에 완료되었다. 동력전달부를 분해한 결과, 레인지 시프트 A 및 B 기어가 손상된 것으로 확인되었다. 레인지 시프트 A 기어의 경우 접촉응력이 낮아 소성변형이 발생한 것으로 판단되었고, 굽힘응력이 낮았으므로 레인지 시프트 B 기어에서 기어 이가 파손된 것으로 평가되었다. 동력전달부의 내구성을 확보하기 위해 SCr420, SNCM220, SCM822, SNC815 등 기계구조용 합금강 4종을 선정하였으며, 기어 재료에 따른 안전율과 수명(서비스 라이프)을 시뮬레이션 소프트웨어를 사용하여 비교하였다. 시뮬레이션 해석 결과, SCM822가 목표 수명 값을 만족하여 재료 변경 대상으로 선정되었다. 손상된 레인지 시프트 A 및 B 기어를 SCM822로 교체한 후, 개조된 동력전달부의 검증을 위해 차축 동력계 시험을 수행하였다. 차축 동력계 시험을 실시한 후 동력전달부를 분해하였으며, 레인지 시프트 A 및 B 기어가 정상 상태임이 확인되었다. 따라서 기어의 목표 수명 요구사항을 만족함으로써 동력전달부의 내구성이 확보되었다고 판단되었다. 향후 86 kW급 농업용 트랙터용 동력전달 시뮬레이션 모델은 트랙터 동력전달부 개발, 비용 절감 및 최적 설계에 활용될 것으로 기대된다.