• 한국해안·해양공학회논문집
• /
• 제34권2호
• /
• pp.37-45
• /
• 2022

경사제의 평균 잔류수명을 간편하게 추정할 수 있는 방법을 제시하였다. 누적피해의 시간 이력 자료를 기반으로 하는 추계학적 확률모형과 다르게 내구수명의 분포함수를 이용하여 평균 잔류수명을 추정하는 방법이다. 설계 내구수명과 과거 하중이력에 따라 전문가들이 판단한 내구수명의 상한치와 하한치 그리고 그 발생 가능성을 활용하여 분포함수의 모수도 쉽게 추정할 수 있다. 본 연구에서 제시된 간편법을 전면이 TTP로 피복된 경사제에 적용하였다. TTP 피복재의 시간에 따른 누적피해에 대한 모형실험 자료가 있는 동일 조건에 대하여 WP(Wiener Process) 기반의 추계학적 확률모형도 MCS(Monte-Carlo Simulation) 기법과 함께 적용하였다. 각각의 해석 방법으로부터 얻어진 결과들을 MTTF(Mean Time To Failure)와 함께 비교하여, 실제 발생 가능한 시간에 따른 모든 형태의 피해경로에 대하여 경사제의 내구수명 분포함수는 대수정규분포를 따른다는 것을 알 수 있었다. 마지막으로 본 연구에서 제시된 간편법으로 추정된 경사제의 재령에 따른 평균 잔류수명을 WP 기반 추계학적 확률모형의 결과와 비교하였다. 일정한 재령까지는 누적피해의 증가 형태와 관계없이 비교적 잘 일치하였으나, MTTF 근방의 재령에서는 선형적인 증가와 대수적인 증가 형태에서 어느 정도 차이를 보이고 있다. 따라서 불확실성을 올바로 고려하기 위해서는 추계학적 확률모형을 사용하는 것이 바람직하지만, 본 연구에서 제시한 간편법은 누적피해에 대한 시간 이력 자료를 필요로 하지 않기 때문에 항만 구조물에 대하여 평균 잔류수명 기반의 예방적 유지관리를 신속하게 계획할 필요성이 있는 경우에 유용하게 활용될 수 있다.

• 지능정보연구
• /
• 제24권2호
• /
• pp.221-241
• /
• 2018

최근 딥러닝 기술이 주목을 받고 있다. 대중들의 관심을 받았던 국제 이미지 인식 기술 대회(ILSVR)와 알파고(AlphaGo)에서 사용된 딥러닝 기술이 바로 합성곱 신경망(CNN; Convolution Neural Network)이다. 합성곱 신경망은 입력 이미지를 작은 구역으로 나누어 부분적인 특징을 인식하고 이것을 결합하여 전체를 인식하는 특징을 가진다. 이러한 딥러닝 기술이 우리의 생활에 있어 많은 변화를 야기할 것이라는 기대를 주고 있지만 현재까지는 이미지 인식과 자연어 처리 등에 그 성과가 국한되어 있다. 비즈니스 문제에 대한 딥러닝 활용은 아직까지 초기 연구 단계로 향후 마케팅 응답 예측이나 허위 거래 식별, 부도 예측과 같은 전통적 비즈니스 문제들에 대해 보다 깊게 활용되고 그 성능이 입증된다면 딥러닝 기술의 활용 가치가 보다 더 주목받게 될 것으로 기대된다. 이러한 때 비교적 고객 식별이 용이하고 활용 가치가 높은 빅데이터를 보유하고 있는 전자상거래 기업의 사례를 바탕으로 하여 딥러닝 기술의 비즈니스 문제 해결 가능성을 진단해보는 것은 학술적으로 매우 의미 있는 시도라 할 수 있겠다. 이에 본 연구에서는 전자상거래 기업의 고객 행태 예측력을 높이기 위한 방안으로 합성곱 신경망을 활용한 '이종 정보 결합(Heterogeneous Information Integration)의 CNN 모델'을 제시한다. 이는 정형과 비정형 정보를 결합하여 다층 퍼셉트론 구조의 합성곱 신경망에서 학습시키는 모델로서 최적의 성능을 발휘하도록 '이종 정보 결합'과 '비정형 정보의 벡터 전환', 그리고 '다층 퍼셉트론 설계'로 하는 3개의 내부 아키텍처를 정의하고 각 아키텍처 단위로 구성되는 방식에 따른 성능을 평가하여 그 결과를 바탕으로 제안 모델을 확정하고 그 성능을 평가해보고자 한다. 고객 행태 예측을 위한 목표 변수는 전자상거래 기업에서 중요하게 관리하고 있는 재구매 고객, 이탈 고객, 고빈도 구매 고객, 고빈도 반품 고객, 고단가 구매 고객, 고할인 구매 고객 등 모두 6개의 이진 분류 문제로 정의한다. 제안한 모델의 유용성을 검증하기 위해서 국내 특정 전자상거래 기업의 실제 데이터를 활용하여 실험을 수행하였다. 실험 결과 정형과 비정형 정보를 결합하여 CNN을 활용한 제안 모델이 NBC(Naïve Bayes classification)과 SVM(Support vector machine), 그리고 ANN(Artificial neural network)에 비해서 예측 정확도와 F1 Measure가 높게 평가되었다. 또 NBC, SVM, ANN에서 정형 정보만을 사용할 때 보다 정형과 비정형 정보를 결합하여 입력 변수로 함께 활용한 경우에 예측 정확도가 향상되는 것으로 나타났다. 따라서 실험 결과로부터 비정형 정보의 활용이 고객 행태 예측의 정확도 향상에 기여한다는 점과 CNN 기법의 특징 추출 알고리즘이 VOC에 사용된 단어들의 분포와 위치 정보를 해석하여 문장의 의미를 파악하는데 효과적이라는 점을 실증적으로 확인하였다는데 그 의미가 있다고 할 수 있겠다. 이를 통해서 CNN 기법이 지금까지 소개된 이미지 인식이나 자연어 처리 분야 외에 비즈니스 문제 해결에도 활용 가치가 높다는 점을 확인하였다는데 이 연구의 의의가 있다 하겠다.