• 지질공학
• /
• 제22권1호
• /
• pp.67-81
• /
• 2012

금정산 일대 지하수공으로부터 공막힘 물질(clogging material)의 형성원인과 특성을 연구하였다. 공막힘 원시료는 레이저입도측정기를 이용하여 입도분포 분석을 하였고, 광물분석, 미세구조특성분석을 위하여 X-선회절분석(XRD)과 전자현미경(SEM, TEM)분석을 실시하였다. 대부분의 시료들은 로그정규분포에 가까운 입도분포의 특성을 나타내나 일부 시료에서는 여러 구간에서 높은 빈도분포를 보인다. 이 같은 입도특징은 입자의 형성단계가 다양하여 입자의 크기가 다르거나, 물질의 종류 자체가 다름을 의미한다. XRD 분석결과에 의하면, 공막힘 물질들은 주로 침철석, 페리하이드라이트, 래피도크로사이트와 같이 결정도가 낮은 철수산화물이 우세하며, 일부는 철, 망간, 아연의 금속물질, 또는 석영, 장석, 운모 및 스멕타이트 등으로 구성된다. 적갈색 시료의 경우 철수산화물, 암적색 및 암흑색 시료는 철수산화물, 망간수산화물, 회백색 및 연갈색 시료는 스멕타이트, 석영, 장석, 철수산화물 등으로 이루어진다. SEM하에서 공막힘 물질은 주로 철수산화물과 미량의 암편으로 구성되는데, 철박테리아의 일종인 Gallionella와 Leptothrix가 철수산화물과 흔히 수반된다. TEM하에서 철박테리아는 협막과 내부에 철수산화물의 덩어리를 산점상의 형태로 보유하고 있어 대사과정에서 철의 침전작용과 밀접하게 관련됨을 보인다. 석영, 장석, 백운모와 같은 조암광물은 지하수공 분포지역인 금정산 일대의 화강암편으로부터 유래한 것으로 토양이나 대수층으로부터 유래되었다. 지하수공의 성능을 잘 유지하려면 공막힘물질의 형성원인 규명이 중요한 과제이다.

• 정보처리학회논문지:컴퓨터 및 통신 시스템
• /
• 제11권9호
• /
• pp.317-322
• /
• 2022

정보기술의 급격한 발달은 의료 환경에서도 많은 변화를 가져오고 있다. 특히 빅데이터와 인공지능(AI)을 활용한 의료영상 정보 시스템의 빠른 변화를 견인하고 있다. 전자의무기록(EMR)과 의료영상저장전송시스템(PACS)으로 구성된 처방전달시스템(OCS)은 의료 환경을 아날로그에서 디지털로 빠르게 바꾸어 놓았다. PACS는 여러 솔루션과 결합하여 호환, 보안, 효율성, 자동화 등 새로운 발전 방향을 보여주고 있다. 그 중, 영상의 질적 개선을 할 수 있는 빅데이터를 활용한 인공지능(AI)과의 결합이 활발히 진행되고 있다. 특히 딥러닝 기술을 활용하여 의료 영상 판독을 보조할 수 있는 시스템인 AI PACS가 대학과 산업체의 협력으로 개발되어 병원에서 활용되고 있다. 이처럼 의료 환경에서 의료영상 정보 시스템의 빠른 변화에 맞추어 의료시장의 구조적인 변화와 이에 대처할 수 있는 의료정책의 변화도 필요하다. 한편, 의료영상정보는 디지털 의료영상 전송 장치에서 생성되는 DICOM 방식을 기본으로 하고, 생성하는 방법의 차이에 따라 Volume 영상, 단면 영상인 2차원적 영상으로 구분된다. 또한, 최근 많은 의료기관에서는 스마트 병원 서비스를 내세우며 차세대 통합 의료정보시스템의 도입을 서두르고 있다. 차세대 통합 의료정보시스템은 EMR을 바탕으로 전자동의서, AI와 빅데이터를 활용한 정밀의료, 외부기관 등을 통합한 솔루션으로 구축하며, 이를 바탕으로 환자 정보 DB 구축과 데이터의 표준화를 통한 의료 빅데이터 기반의 의학 연구를 목적으로 한다. 우리나라의 의료영상 정보 시스템은 앞선 IT 기술력과 정부의 정책에 힘입어 세계적인 수준에 있으며, 특히 PACS 관련 프로그램은 의료 영상정보 기술에서 세계로 수출을 하고 있는 한 분야이다. 본 연구에서는 빅데이터를 활용한 의료영상 정보 시스템의 분석과 함께 의료영상 정보 시스템이 국내에 도입되게 된 역사적 배경을 바탕으로 현재의 흐름을 파악하고 나아가 미래의 발전 방향을 예측하였다. 향후, 20여 년 동안 축적된 DICOM 빅데이터를 기반으로 AI, 딥러닝 알고리즘을 활용하여 영상 판독률을 높일 수 있는 연구를 진행하고자 한다.

• 광물과 암석
• /
• 제36권4호
• /
• pp.355-363
• /
• 2023

지구물질에 존재하는 안정 동위원소의 평형상태에서의 분화(equilibrium isotope fractionation of stable isotope)는 물질의 진동 특성(vibrational properties)에 기인하며, 지구물질이 지구시스템 내에서 겪는 다양한 지질학적 과정들을 정량적으로 이해하는 데 도움을 준다. 본 연구에서는 H₂O 분자의 clumped 동위원소의 특성을 양자화학계산을 이용하여 규명하였다. 특히, 산소 동위원소(¹⁶O, ¹⁷O, ¹⁸O)와 수소 동위원소(수소, 중수소, 삼중수소)의 조합으로 구성된 H₂O 분자에 대한 산소와 수소 동위원소간의 clumping 세기를 정량적으로 계산하고, 온도 변화에 따른 clumping 세기 변화 패턴을 분석하였다. 최적화된 분자구조의 평형 결합길이(bond length)와 결합각(bond angle)은 분자의 질량수와 무관하며, 각각 0.9631-0.9633 Å과 104.59-104.62°로 일정하였다. H₂O 분자의 3개의 진동 모드의 진동수는 동위원소 질량수가 증가함에 따라 감소하였으며, 산소보다 수소 동위원소의 변화에 더 큰 영향을 받는다. 진동수를 바탕으로 계산된 동위원소 치환반응의 평형상수 또한 수소 동위원소 질량수에 따라 더 큰 변화 양상을 보인다. 무거운 동위원소 조합의 clumping 반응의 평형상수는 로그값에서 강한 선형 상관관계를 지시한다. 세 동위원소 조합의 상대적인 clumping 강도는 HD¹⁸O에 대하여 각각 1.86배(HT¹⁸O), 1.16배(HT¹⁷O), 0.703배(HD¹⁷O)로 나타났다. Clumping의 세기인 Δ₂₁ 값은 온도의 증가에 따라 감소하며 이차 상관관계를 보인다. 이는 Δ₂₁이 온도 환경 지시자로서 이용될 가능성이 있음을 지시한다. 본 계산 결과는 ¹⁷O와 삼중수소를 포함한 clumped 동위원소 분배의 경향을 최초로 정립한 연구이다. 향후, 자연계에서 산소-수소 동위원소 조성의 기원을 보다 정량적으로 이해하기 위하여 비조화적(anharmonicity) 진동이 고려된 동위원소 분배계수의 계산 또한 필요하다. 상기한 연구 결과는 H₂O 분자의 다양한 지표환경에서의 clumped 동위원소의 측정과 이를 기반으로 한 지질환경 변화 기작을 설명하는 데 사용될 것으로 기대한다.

• 지능정보연구
• /
• 제23권2호
• /
• pp.107-122
• /
• 2017

주식시장의 주가 수익률에 나타나는 변동성은 투자 위험의 척도로서 재무관리의 이론적 모형에서뿐만 아니라 포트폴리오 최적화, 증권의 가격 평가 및 위험관리 등 투자 실무 영역에서도 매우 중요한 역할을 하고 있다. 변동성은 주가 수익률이 평균을 중심으로 얼마나 큰 폭의 움직임을 보이는가를 판단하는 지표로서 보통 수익률의 표준편차로 측정한다. 관찰 가능한 표준편차는 과거의 주가 움직임에서 측정되는 역사적 변동성(historical volatility)이다. 역사적 변동성이 미래의 주가 수익률의 변동성을 예측하려면 변동성이 시간 불변적(time-invariant)이어야 한다. 그러나 대부분의 변동성 연구들은 변동성이 시간 가변적(time-variant)임을 보여주고 있다. 이에 따라 시간 가변적 변동성을 예측하기 위한 여러 계량 모형들이 제안되었다. Engle(1982)은 변동성의 시간 가변적 특성을 잘 반영하는 변동성 모형인 Autoregressive Conditional Heteroscedasticity(ARCH)를 제안하였으며, Bollerslev(1986) 등은 일반화된 ARCH(GARCH) 모형으로 발전시켰다. GARCH 모형의 실증 분석 연구들은 실제 증권 수익률에 나타나는 두터운 꼬리 분포 특성과 변동성의 군집현상(clustering)을 잘 설명하고 있다. 일반적으로 GARCH 모형의 모수는 가우스분포로부터 추출된 자료에서 최적의 성과를 보이는 로그우도함수에 대한 최우도추정법에 의하여 추정되고 있다. 그러나 1987년 소위 블랙먼데이 이후 주식 시장은 점점 더 복잡해지고 시장 변수들이 많은 잡음(noise)을 띠게 됨에 따라 변수의 분포에 대한 엄격한 가정을 요구하는 최우도추정법의 대안으로 인공지능모형에 대한 관심이 커지고 있다. 본 연구에서는 주식 시장의 주가 수익률에 나타나는 변동성의 예측 모형인 GARCH 모형의 모수추정방법으로 지능형 시스템인 Support Vector Regression 방법을 제안한다. SVR은 Vapnik에 의해 제안된 Support Vector Machines와 같은 원리를 회귀분석으로 확장한 모형으로서 Vapnik의 e-insensitive loss function을 이용하여 비선형 회귀식의 추정이 가능해졌다. SVM을 이용한 회귀식 SVR은 두터운 꼬리 분포를 보이는 주식시장의 변동성과 같은 관찰치에서도 우수한 추정 성능을 보인다. 2차 손실함수를 사용하는 기존의 최소자승법은 부최적해로서 추정 오차가 확대될 수 있다. Vapnik의 손실함수에서는 입실론 범위내의 예측 오차는 무시하고 큰 예측 오차만 손실로 처리하기 때문에 구조적 위험의 최소화를 추구하게 된다. 금융 시계열 자료를 분석한 많은 연구들은 SVR의 우수성을 보여주고 있다. 본 연구에서는 주가 변동성의 분석 대상으로서 KOSPI 200 주가지수를 사용한다. KOSPI 200 주가지수는 한국거래소에 상장된 우량주 중 거래가 활발하고 업종을 대표하는 200 종목으로 구성된 업종 대표주들의 포트폴리오이다. 분석 기간은 2010년부터 2015년까지의 6년 동안이며, 거래일의 일별 주가지수 종가 자료를 사용하였고 수익률 계산은 주가지수의 로그 차분값으로 정의하였다. KOSPI 200 주가지수의 일별 수익률 자료의 실증분석을 통해 기존의 Maximum Likelihood Estimation 방법과 본 논문이 제안하는 지능형 변동성 예측 모형의 예측성과를 비교하였다. 주가지수 수익률의 일별 자료 중 학습구간에서 대칭 GARCH 모형과 E-GARCH, GJR-GARCH와 같은 비대칭 GARCH 모형에 대하여 모수를 추정하고, 검증 구간 데이터에서 변동성 예측의 성과를 비교하였다. 전체 분석기간 1,487일 중 학습 기간은 1,187일, 검증 기간은 300일 이다. MLE 추정 방법의 실증분석 결과는 기존의 많은 연구들과 비슷한 결과를 보여주고 있다. 잔차의 분포는 정규분포보다는 Student t분포의 경우 더 우수한 모형 추정 성과를 보여주고 있어, 주가 수익률의 비정규성이 잘 반영되고 있다고 할 수 있다. MSE 기준으로, SVR 추정의 변동성 예측에서는 polynomial 커널함수를 제외하고 linear, radial 커널함수에서 MLE 보다 우수한 예측 성과를 보여주었다. DA 지표에서는 radial 커널함수를 사용한 SVR 기반의 지능형 GARCH 모형이 가장 우수한 변동성의 변화 방향에 대한 방향성 예측력을 보여주었다. 추정된 지능형 변동성 모형을 이용하여 예측된 주식 시장의 변동성 정보가 경제적 의미를 갖는지를 검토하기 위하여 지능형 변동성 거래 전략을 도출하였다. 지능형 변동성 거래 전략 IVTS의 진입규칙은 내일의 변동성이 증가할 것으로 예측되면 변동성을 매수하고 반대로 변동성의 감소가 예상되면 변동성을 매도하는 전략이다. 만약 변동성의 변화 방향이 전일과 동일하다면 기존의 변동성 매수/매도 포지션을 유지한다. 전체적으로 SVR 기반의 GARCH 모형의 투자 성과가 MLE 기반의 GARCH 모형의 투자 성과보다 높게 나타나고 있다. E-GARCH, GJR-GARCH 모형의 경우는 MLE 기반의 GARCH 모형을 이용한 IVTS 전략은 손실이 나지만 SVR 기반의 GARCH 모형을 이용한 IVTS 전략은 수익으로 나타나고 있다. SVR 커널함수에서는 선형 커널함수가 더 좋은 투자 성과를 보여주고 있다. 선형 커널함수의 경우 투자 수익률이 +526.4%를 기록하고 있다. SVR 기반의 GARCH 모형을 이용하는 IVTS 전략의 경우 승률도 51.88%부터 59.7% 사이로 높게 나타나고 있다. 옵션을 이용하는 변동성 매도전략은 방향성 거래전략과 달리 하락할 것으로 예측된 변동성의 예측 방향이 틀려 변동성이 소폭 상승하거나 변동성이 하락하지 않고 제자리에 있더라도 옵션의 시간가치 요인 때문에 전체적으로 수익이 실현될 수도 있다. 정확한 변동성의 예측은 자산의 가격 결정뿐만 아니라 실제 투자에서도 높은 수익률을 얻을 수 있기 때문에 다양한 형태의 인공신경망을 활용하여 더 나은 예측성과를 보이는 변동성 예측 모형을 개발한다면 주식시장의 투자자들에게 좋은 투자 정보를 제공하게 될 것이다.