• 한국농림기상학회지
• /
• 제24권3호
• /
• pp.133-144
• /
• 2022

본 연구는 UAE 사막환경에서 벼 재배를 위해 재배기간, 적정 벼 유전자원, 생육발달 양상, 물 사용량 등을 조사하고자 수행하였다. UAE 사막환경에서 벼의 재배기간은 UAE 겨울의 저온을 벼의 영양생장기간 동안에 포함하는 11월 하순부터 이듬해 4월 하순까지 이었다. UAE의 기온과 일장에 적응할 수 있는 유전자원을 국내의 인공기상 시설과 간척지 모래토양에서 사전 시험한 결과, 아세미와 FL478이 선정되었다. 사막환경에서 아세미는 생육초기의 황화현상을 극복하여 수확까지 하였으나, FL478은 생육 초기에 황화현상과 생육이 불량하여 고사하였다. UAE 사막환경에서 아세미는 12월 초순부터 이듬해 3월 초순까지 영양생장기, 3월 초순부터 3월 하순까지 생식생장기, 3월 하순부터 4월 하순까지 등숙기의 분포를 보였다. 아세미의 백미수량은 763kg/10a이었고, 한국과 비교하여 약 41.8% 증가한 수량으로 생식생장기와 등숙기의 풍부한 일사량의 영향으로 추정된다. 물 사용량은 UAE 재배기간 동안 2,619 ton/10a 수준으로 한국보다 약 3배 많아 물 절약 기술이 필요한 상황이다. UAE에서 벼 재배는 경제성과 관련이 매우 높기 때문에, 물 절약을 위해서 관개기술, 재배방법 개발 등이 보완되어야 한다. 또한 UAE 사막환경에서 안정적인 벼 재배를 위해서 다양한 적응 유전자원 선정, 생육초기의 황화현상 최소화 방법 등의 추가 연구가 필요할 것으로 판단된다.

• 대한기관식도과학회:학술대회논문집
• /
• 대한기관식도과학회 1982년도 제16차 학술대회연제순서 및 초록
• /
• pp.17.2-19
• /
• 1982

중이 병변에 관한 수술적 처치는 그 병소 부위가 고막에 국한되어 있거나 중이 강 전벽부 및 내면부의 경우 수술시야가 좋아서 그 처치가 용이하며 술후 청력개선 및 치유경과도 만족할만하며 다양한 수술적 처치방법이 연구되어 널리 시행되고 있다. 그러나 아직도 중이강 후벽이나 상고실에 있는 병소의 처리방법에 대하여서 많은 문제점을 노출시키고 있으며 그 이유로서는 첫째 수술 시야의 장애, 둘째 안면신경 손상의 위험, 셋째 등골 주변부 병소 조작에 의한 외임프의 유출 및 미로 손상의 위험, 넷째 상고실 부위가 너무 협소하여 수술시 병변 확인이 힘든 경우등을 들수 있다. 특히 Staged operation (단계수술)과 Intact Canal Wall Typanoplasty(외청도 보존형 유양동 삭개술)이 소개된 이후로는 더욱더 중이강후벽에 대한 해부학적 지식이 더욱 절실하게 되었으며, 두개골의 인종적 차이를 감안 할때 한국인에 대한 중이강 후벽의 구조적 연구를 필요로 하게 되었다. 중이강의 후벽(유돌벽)은 Reichert's 연골에서 기원되며 제 2새궁(Second branchial arch)에서 발생되며 이 후벽의 구조물중 Sinus tympani는 이관의 내피와(endothelial pouch) 중 후낭 (Saccus posticus) 에서 함기화 (pneumatization)된 중이봉소로서 이부위 병변의 제거가 중이수술시 중요한 의의를 갖는 이유는 만성중이염에 의해 염증성반응이 오래 지속되면 비 후된 점막에 의해 Sinus tympani가 밀폐되고, 지속되는 자극에 의해 주로 안면신경관의 골성부와 등골 및 후반규관(Posterior Semicircular Canal)의 골성부에 육아조직을 형성하기 쉬울뿐더러 진주종에 의해 이 부위의 침식성 파괴를 이르켜 각각의 조직을 노출시킴으로 인해 중요한 합병증을 초래하기 쉬우며 수술로 인한 중대한 후유증이 병발하기 쉬운 곳이므로 임상면에서 중요하다. 그러므로 오래 전부터 이곳 병변의 안전한 제거를 위해 여러사람의 끊임없는 연구가 있었다. Amjad (1968), Donaldson (1970)등은 각각 24개, 20개의 측두골 계측을 실시하여 Sinus tympani의 형태 해부하적 구조에 대하여 연구한 결과 Sinus tympani의 크기와 모양은 여러형태로 변형이 많으며, 특히 주위 중요한 조직과 연관성이 많은 Sinus tympani의 가장 은밀한 심부 (Deepest portion)는 거의 대부분 후부로 신전되는 경우의 변형이 많아 주위조직의 손상없이 Sinus tympani의 병변을 제거하기 힘든 형태라는 결론을 내리고 이곳의 수술적 처리에서 발생 할 수 있는 여러 문제점을 지적하였다. Jako (1965) 등은 Sinus tympani병소의 안전한 제거를 위해 Sinus tympani를 확인할 수 있는 광학거울 (Fine-grade optical mirror)을 이 부위에 넣고 반사시야에서 수술적 처치를 시행할 것을 주장했으나, 수술시의 출혈등에 의한 명료시야의 확보에 문제점이 있어 널리 시행되지 않았다. Saito(1971)등은 Sinus tympani의 접근방법으로서 종래의 중이강내에서 접근방식 (Tympani approach) 보다 유양동을 통한 접근(mastoid approach)이 보다 편리하고 확실한 방법일 것이라는 생각으로 42개의 측두골에 대한 미세해부학적 계측을 실시하였다. 그러나 연구결과에서 그는 Sinus tympani의 상부는 안면신경과 지나치게 가까운 거리에 있어 접근이 용이하지 않았고 후부는 이낭(Otic capsule)에서 발생한 중치밀골(Hard compact bone)로 되어 있으며 안면신경 과 후반규관 사이가 협소하여 수술시 micro-drill burr로서 제거하기가 용이치 않다는 사실을 밝혀내고 mastoid approach로는 Sinus tympani 접근이 힘들다는 결론을 지었다. Goodhill (1973)등은 술자의 위치에서 수술의 전 과정을 시행하는 보편적인 방법에서는 Sinus tympani의 병변제거가 힘들므로 술자의 위치의 반대방향에서 현미경적 시야를 확보함으로써 은밀한 부위의 병변제거가 용이하다는 Circumferential approach 방법을 주장하였으나 수술부위의 감염성이 높다는 점이 문제점으로 지적되었다. 한편 Sinus tympani와 함께 수술시 문제점이 될 수 있는 후벽구조의 일부인 facial recess는 내피와(Endothelial pouch)중 상낭(Saccus superior)과 내낭(Saccus medius)에서 발생한다. 최근 Intact Canal Wall Tympanoplasty에 대한 활발한 연구가 진행되고 이에 따라 단계수술을 시행하는 빈도가 증가함에 따라 이 수술의 성공여부에 관건이 되는 중이강과 유양동의 통기(Ventilation)를 유지시키기 위해서 facial recess에 대한 많은 연구가 있었다. Sheehy(1967)등은 facial recess를 개방하는 이유로서는 첫째 facial recess의 병변이 제거되고 둘째 골성고실륜(bony annulus)을 손상시키지 않고 난원창과 중이강 후부를 노출시킬 수 있으며 셋째 atticotomy를 시행치 않고도 안면신경의 일부와 상고실 (epitympsnum) 을 노출시키는 것이 용이하며 넷째 수술후 유양동의 통기를 유지시키는 Posterior tympanotony를 주장하였다. 중이수술을 성공적으로 시행하려면 중이강후벽의 정확한 형태해부학적 구조를 이해하고 이 부위 병변을 제거하는 용이한 접근방법에 대한 술자의 고도의 기술이 요구되므로 이에 저자는 다양한 해부학적 변형에 대하여 연구할 필요성을 느껴 Sinus tympani와 facial recess를 중심으로 한국인 정상성인의 중이강후벽의 크기와 모양을 계측하였다. 연구대상은 측두골 35개 대상으로 능형융기 (pyramidal eminence) 안면신경, 등골 및 반규관등을 중심으로 주변부 구조의 계측을 시도하였다. 계측의 정확성과 정밀성을 높이기 위해 각각의 은밀한 부위에 Elastic impression material 인 PERMLASTIC$^{(R)}$ (type 1 Polysul_fide base class 2 Regular body)을 삽입한뒤 1 시간 경과 후 그 주위에 복잡한 구조가 양각된 주형물을 분리하여 계측을 실시하였다. 각부위와의 거리는 1/20mm까지 측정가능한 부척이 있는 척도계인 Matui$^{(R)}$ caliper를 사용하여 수술현미경하에서 시행하여 다음과 같은 결과를 얻었다. 1) 능형융기의 전부에서 Sinus tympani의 후부 및 Sinus tympani의 후부와 상부의 최대 신전 거리는 각각 2.54(1.05~5.40)mm, 3.22(1.25~7.45)mm, 0.67(0.40~l.75)mm 였다. 2) Sinus tympani는 상하경계가 난원창하부에서 정원창상부인 경우가 29예 (82.9 %)로 가장 많았다. 3 ) Sinus tympani의 후부는 심부(Deepest portion)가 ponticulus와 subiculum 사이인 경우가 22예(62.9 %)로 가장 많았다. 4) Facial recess의 침골와(Fossa incudis)로부터 하고실(hypotympanum)까지의 사선거리와 난원창과 정원창사이 중앙부에서의 횡선거리 및 침골와에서의 횡선거리는 각각 8.13 (7.90~9.55)mm 3.00 (2.85~3.45)mm 1,81 (1.40~2.15)mm 였다. 5) 안면신경관의 골결손 (bony dehiscence)은 5예 (14.3 %)에서 있었다. 6) 등골족판(footplate)의 전후거리 및 시상돌기(Cochleariform process)와 정원창까지의 거리는 각각 2.98(2.85~3.05)mm, 1.42 (1.35~l.55)mm, 1.85(1.45~2.10)mm 였다.

• 지능정보연구
• /
• 제19권3호
• /
• pp.1-23
• /
• 2013

융합 R&D가 추구해야 할 바람직한 방향은 이종 기술 간의 결합에 의한 맹목적인 신기술 창출이 아니라, 당면한 주요 문제를 해결함으로써 사회적 니즈를 충족시킬 수 있는 기술을 개발하는 것이다. 이와 같은 사회문제 해결형 기술 R&D를 촉진하기 위해서는 우선 우리 사회에서 주요 쟁점이 되고 있는 문제들을 선별해야 한다. 그런데 우선적이고 중요한 사회문제를 분별하기 위해 전문가 설문조사나 여론조사 등 기존의 사회과학 방법론을 사용하는 것은 참여자의 선입견이 개입될 수 있고 비용이 많이 소요된다는 한계를 지닌다. 기존의 사회과학 방법론이 지닌 문제점을 보완하기 위하여 본 논문에서는 사회적 이슈를 다루고 있는 대용량의 뉴스기사를 수집하고 통계적인 기법을 통하여 사회문제를 나타내는 키워드를 추출하는 시스템의 개발을 제안한다. 2009년부터 최근까지 3년 동안 10개 주요 언론사에서 생산한 약 백 30만 건의 뉴스기사에서 사회문제를 다루는 기사를 식별하고, 한글 형태소 분석, 확률기반의 토픽 모델링을 통해 사회문제 키워드를 추출한다. 또한 키워드만으로는 정확한 사회문제를 파악하기 쉽지 않기 때문에 사회문제와 연관된 키워드와 문장을 찾아서 연결하는 매칭 알고리즘을 제안하다. 마지막으로 사회문제 키워드 비주얼라이제이션 시스템을 통해 시계열에 따른 사회문제 키워드를 일목요연하게 보여줌으로써 사회문제를 쉽게 파악할 수 있도록 하였다. 특히 본 논문에서는 생성확률모델 기반의 새로운 매칭 알고리즘을 제안한다. 대용량 뉴스기사로부터 Latent Dirichlet Allocation(LDA)와 같은 토픽 모델 방법론을 사용하여 자동으로 토픽 클러스터 세트를 추출할 수 있다. 각 토픽 클러스터는 연관성 있는 단어들과 확률값으로 구성된다. 그리고 도메인 전문가는 토픽 클러스터를 분석하여, 각 토픽 클러스터의 레이블을 결정하게 된다. 이를 테면, 토픽 1 = {(실업, 0.4), (해고, 0.3), (회사, 0.3)}에서 토픽 단어들은 실업문제와 관련있으며, 도메인 전문가는 토픽 1을 실업문제로 레이블링 하게 되고, 이러한 토픽 레이블은 사회문제 키워드로 정의한다. 그러나 이와 같이 자동으로 생성된 사회문제 키워드를 분석하여 현재 우리 사회에서 어떤 문제가 발생하고 있고, 시급히 해결해야 될 문제가 무엇인지를 파악하기란 쉽지 않다. 따라서 제안된 매칭 알고리즘을 사용하여 사회문제 키워드를 요약(summarization)하는 방법론을 제시한다. 우선, 각 뉴스기사를 문단(paragraph) 단위로 세그먼트 하여 뉴스기사 대신에 문단 세트(A set of paragraphs)를 가지게 된다. 매칭 알고리즘은 각 토픽 클러스터에 대한 각 문단의 확률값을 측정하게된다. 이때 토픽 클러스터의 단어들과 확률값을 이용하여 토픽과 문단이 얼마나 연관성이 있는지를 계산하게 된다. 이러한 과정을 통해 각 토픽은 가장 연관성이 있는 문단들을 매칭할 수 있게 된다. 이러한 매칭 프로세스를 통해 사회문제 키워드와 연관된 문단들을 검토함으로써 실제 우리 사회에서 해당 사회문제 키워드와 관련해서 구체적으로 어떤 사건과 이슈가 발생하는 지를 쉽게 파악할 수 있게 된다. 또한 매칭 프로세스와 더불어 사회문제 키워드 가시화를 통해 사회문제 수요를 파악하려는 전문가들은 웹 브라우저를 통해 편리하게 특정 시간에 발생한 사회문제가 무엇이며, 구체적인 내용은 무엇인지를 파악할 수 있으며, 시간 순서에 따른 사회이슈의 변동 추이와 그 원인을 알 수 있게 된다. 개발된 시스템을 통해 최근 3년 동안 국내에서 발생했던 다양한 사회문제들을 파악하였고 개발된 알고리즘에 대한 평가를 수행하였다(본 논문에서 제안한 프로토타입 시스템은 http://dslab.snu.ac.kr/demo.html에서 이용 가능함. 단, 구글크롬, IE8.0 이상 웹 브라우저 사용 권장).

• 지능정보연구
• /
• 제26권4호
• /
• pp.127-148
• /
• 2020

데이터 센터는 컴퓨터 시스템과 관련 구성요소를 수용하기 위한 물리적 환경시설로, 빅데이터, 인공지능 스마트 공장, 웨어러블, 스마트 홈 등 차세대 핵심 산업의 필수 기반기술이다. 특히, 클라우드 컴퓨팅의 성장으로 데이터 센터 인프라의 비례적 확장은 불가피하다. 이러한 데이터 센터 설비의 상태를 모니터링하는 것은 시스템을 유지, 관리하고 장애를 예방하기 위한 방법이다. 설비를 구성하는 일부 요소에 장애가 발생하는 경우 해당 장비뿐 아니라 연결된 다른 장비에도 영향을 미칠 수 있으며, 막대한 손해를 초래할 수 있다. 특히, IT 시설은 상호의존성에 의해 불규칙하고 원인을 알기 어렵다. 데이터 센터 내 장애를 예측하는 선행연구에서는, 장치들이 혼재된 상황임을 가정하지 않고 단일 서버를 단일 상태로 보고 장애를 예측했다. 이에 본 연구에서는, 서버 내부에서 발생하는 장애(Outage A)와 서버 외부에서 발생하는 장애(Outage B)로 데이터 센터 장애를 구분하고, 서버 내에서 발생하는 복합적인 장애 분석에 중점을 두었다. 서버 외부 장애는 전력, 냉각, 사용자 실수 등인데, 이와 같은 장애는 데이터 센터 설비 구축 초기 단계에서 예방이 가능했기 때문에 다양한 솔루션이 개발되고 있는 상황이다. 반면 서버 내 발생하는 장애는 원인 규명이 어려워 아직까지 적절한 예방이 이뤄지지 못하고 있다. 특히 서버 장애가 단일적으로 발생하지 않고, 다른 서버 장애의 원인이 되기도 하고, 다른 서버부터 장애의 원인이 되는 무언가를 받기도 하는 이유다. 즉, 기존 연구들은 서버들 간 영향을 주지 않는 단일 서버인 상태로 가정하고 장애를 분석했다면, 본 연구에서는 서버들 간 영향을 준다고 가정하고 장애 발생 상태를 분석했다. 데이터 센터 내 복합 장애 상황을 정의하기 위해, 데이터 센터 내 존재하는 각 장비별로 장애가 발생한 장애 이력 데이터를 활용했다. 본 연구에서 고려되는 장애는 Network Node Down, Server Down, Windows Activation Services Down, Database Management System Service Down으로 크게 4가지이다. 각 장비별로 발생되는 장애들을 시간 순으로 정렬하고, 특정 장비에서 장애가 발생하였을 때, 발생 시점으로부터 5분 내 특정 장비에서 장애가 발생하였다면 이를 동시에 장애가 발생하였다고 정의하였다. 이렇게 동시에 장애가 발생한 장비들에 대해서 Sequence를 구성한 후, 구성한 Sequence 내에서 동시에 자주 발생하는 장비 5개를 선정하였고, 선정된 장비들이 동시에 장애가 발생된 경우를 시각화를 통해 확인하였다. 장애 분석을 위해 수집된 서버 리소스 정보는 시계열 단위이며 흐름성을 가진다는 점에서 이전 상태를 통해 다음 상태를 예측할 수 있는 딥러닝 알고리즘인 LSTM(Long Short-term Memory)을 사용했다. 또한 단일 서버와 달리 복합장애는 서버별로 장애 발생에 끼치는 수준이 다르다는 점을 감안하여 Hierarchical Attention Network 딥러닝 모델 구조를 활용했다. 본 알고리즘은 장애에 끼치는 영향이 클 수록 해당 서버에 가중치를 주어 예측 정확도를 높이는 방법이다. 연구는 장애유형을 정의하고 분석 대상을 선정하는 것으로 시작하여, 첫 번째 실험에서는 동일한 수집 데이터에 대해 단일 서버 상태와 복합 서버 상태로 가정하고 비교분석하였다. 두 번째 실험은 서버의 임계치를 각각 최적화 하여 복합 서버 상태일 때의 예측 정확도를 향상시켰다. 단일 서버와 다중 서버로 각각 가정한 첫 번째 실험에서 단일 서버로 가정한 경우 실제 장애가 발생했음에도 불구하고 5개 서버 중 3개의 서버에서는 장애가 발생하지 않은것으로 예측했다. 그러나 다중 서버로 가정했을때에는 5개 서버 모두 장애가 발생한 것으로 예측했다. 실험 결과 서버 간 영향이 있을 것이라고 추측한 가설이 입증된 것이다. 연구결과 단일 서버로 가정했을 때 보다 다중 서버로 가정했을 때 예측 성능이 우수함을 확인했다. 특히 서버별 영향이 다를것으로 가정하고 Hierarchical Attention Network 알고리즘을 적용한 것이 분석 효과를 향상시키는 역할을 했다. 또한 각 서버마다 다른 임계치를 적용함으로써 예측 정확도를 향상시킬 수 있었다. 본 연구는 원인 규명이 어려운 장애를 과거 데이터를 통해 예측 가능하게 함을 보였고, 데이터 센터의 서버 내에서 발생하는 장애를 예측할 수 있는 모델을 제시했다. 본 연구결과를 활용하여 장애 발생을 사전에 방지할 수 있을 것으로 기대된다.