• Journal of the Korean earth science society
• /
• 제42권5호
• /
• pp.504-513
• /
• 2021

Different physical processes, according to the atmospheric boundary layer types, were used in the Local Data Assimilation and Prediction System (LDAPS) of the Unified Model (UM) used by the Korea Meteorological Administration (KMA). Therefore, it is important to verify the atmospheric boundary layer types in the numerical model to improve the accuracy of the models performance. In this study, the atmospheric boundary layer types were verified using observational data. To classify the atmospheric boundary layer types, summer intensive observation data from radiosonde, flux observation instruments, Doppler wind Light Detection and Ranging(LIDAR) and ceilometer were used. A total number of 201 observation data points were analyzed over the course 61 days from June 18 to August 17, 2019. The most frequent types of differences between LDAPS and observed data were type 1 in LDAPS and type 2 in observed(each 53 times). And type 3 difference was observed in LDAPS and type 5 and 6 were observed 24 and 15 times, respectively. It was because of the simulation performance of the Cloud Physics such as that associated with the simulation of decoupled stratocumulus and cumulus cloud. Therefore, to improve the numerical model, cloud physics aspects should be considered in the atmospheric boundary layer type classification.

• Geophysics and Geophysical Exploration
• /
• 제24권2호
• /
• pp.53-66
• /
• 2021

Velocity model building is an essential procedure in seismic data processing. Conventional techniques, such as traveltime tomography or velocity analysis take longer computational time to predict a single velocity model and the quality of the inversion results is highly dependent on human expertise. Full-waveform inversions also depend on an accurate initial model. Recently, deep neural network techniques are gaining widespread acceptance due to an increase in their integration to solving complex and nonlinear problems. This study investigated cases of seismic velocity model building using deep neural network techniques by classifying items according to the neural networks used in each study. We also included cases of generating training synthetic velocity models. Deep neural networks automatically optimize model parameters by training neural networks from large amounts of data. Thus, less human interaction is involved in the quality of the inversion results compared to that of conventional techniques and the computational cost of predicting a single velocity model after training is negligible. Additionally, unlike full-waveform inversions, the initial velocity model is not required. Several studies have demonstrated that deep neural network techniques achieve outstanding performance not only in computational cost but also in inversion results. Based on the research results, we analyzed and discussed the characteristics of deep neural network techniques for building velocity models.

• Proceedings of the Korean Institute of Industrial Safety Conference
• /
• 한국안전학회 2003년도 춘계 학술논문발표회 논문집
• /
• pp.372-377
• /
• 2003

센서리스 제어는 고정자 전압과 전류, 역기전력 등과 같은 정보를 이용하여 회전자의 속도 및 위치를 추종하는 방법이다. 센서리스는 수학적 모델, 물리적인 현상 및 제어 이론을 이용하는 방법으로 분류되어 연구되고 있다. 수학적인 모델을 이용하는 방법에는 고정자 전압에서 고정자 저항에 의한 전압 강하분을 제거한 항을 적분하여 자속의 위치를 추정한다.［1］ 물리적인 현상을 이용하는 방법에는 INFORM 방법과 고주파 전압을 주입하는 방법 등이 있다. 제어이론을 이용하는 방법은 MRAC, EKF 및 상태관측기［2］등을 이용하는 방법이다.(중략)

• Proceedings of the Korean Environmental Sciences Society Conference
• /
• 한국환경과학회 2001년도 가을 학술발표회 발표논문집
• /
• pp.123-125
• /
• 2001

본 연구는 제주항의 수질관리를 위한 첫 단계로 3차원 수치모델을 이용하여 제주항내의 계절별 제주항의 물리해양환경의 변화 특성을 조사한 결과는 다음과 같다. 제주항의 물리해양환경의 변화에 크게 영향을 미치는 것은 담수 유입인 산지천이라는 것을 알 수 있으며 해역 수질을 악화시키는 원인 중 큰 영향을 미치는 육상오염부하인 미처리된 하.수가 산지천을 통하여 제주항으로 유입될 때 오염물질의 영향은 항만 전체에 미치는 것을 예상할 수 있다 이상의 결과는 제주항의 수질관리를 위하여 항만내 오염물질의 거동 및 제어를 위한 기초자료로 이용될 수 있을 것이다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 한국수자원학회 2012년도 학술발표회
• /
• pp.936-940
• /
• 2012

충분한 선행시간을 확보한 강우의 정확한 예측은 홍수피해를 저감하기 위한 필요한 조건이다. 이를 위해 지역규모의 기상모델인 Advanced Research WRF (ARW)를 적용하여 지역에 맞는 강우 예측에 가장 밀접한 관계를 갖는 물리학적 요소들의 최적화된 조건을 찾아보려 한다. 이를 위해 2006년의 7월의 강우에 대한 분석을 실시하고 생극과 분천의 강우 관측치 와의 비교를 통해 (Root Mean Square Error와 Index of Agreement 활용), ARW의 수문학적 예측을 위한 적용 가능성을 보려 한다.

• Proceedings of the Computational Structural Engineering Institute Conference
• /
• 한국전산구조공학회 2009년도 정기 학술대회
• /
• pp.97-100
• /
• 2009

신뢰성 분석은 불확실성으로 인한 제품의 성능 변동을 안전확률이나 파괴확률로 정량화 하여 설계에 이용하기 위해 연구되어 왔다. 불확실성은, 데이터의 양에 따라-물질의 본질적인 특성으로서의 많은 데이터가 주어진 경우의 물리적 불확실성과 부족한 데이터에서의 인식론적 불확실성으로 구분되고, 불확실성을 갖는 대상에 따라-입력변수 및 근사모델 불확실성으로 구분된다. 물리적 불확실성에 대한 연구는 많이 진행되어 왔지만, 실제 산업현장에는 부족한 데이터로 인한 인식론적 불확실성이 지배적이며 이에 대한 연구는 최근에서야 진행되고 있다. 불확실성을 고려하는 신뢰성 기반 설계에는 효율성을 위해 실제모델을 대체하는 근사모델이 이용되는데, 근사모델법 자체에 대한 연구는 많이 진행되어 왔으나, 근사모델 이기 때문에 존재하는 불확실성을 고려한 연구는 최근에서야 연구되기 시작하였다. 본 연구에서는 베이지안 접근법에 기반하여 입력변수 및 근사모델 불확실성을 통합 고려하는 새로운 신뢰성 분석 기법을 제시하고 수치예제를 통해 타당성을 증명한 후, 이를 공학문제에 적용한다.

• The Journal of the Acoustical Society of Korea
• /
• 제22권8호
• /
• pp.680-686
• /
• 2003

Digital waveguide model is a general method that is used in physical modeling of musical instruments. Wave motion is analyzed by time or by space in digital waveguide model. Because sampling is made via time, it is general that musical instrument model is described by wave motion of time. In this paper, we synthesized the musical instrument sound by adding instrument body model to the spatial based string model. In this way, we could improve sound quality and process musical instrument model's tone control variables effectively. We explained about delay error that happens in string and body in space based sampling and showed method to process fractional delay using FD (Fractional Delay)filter. Finally, we explained the relation between tone quality and number of delays. And we also compared the result with time base digital waveguide model.

• Geophysics and Geophysical Exploration
• /
• 제26권4호
• /
• pp.211-228
• /
• 2023

Ground-penetrating radar (GPR) surveys are commonly used to monitor embankments, which is a nondestructive geophysical method. The results of GPR surveys can be complex, depending on the situation, and data processing and interpretation are subject to expert experiences, potentially resulting in false detection. Additionally, this process is time-intensive. Consequently, various studies have been undertaken to detect cavities in GPR survey data using deep learning methods. Deep-learning-based approaches require abundant data for training, but GPR field survey data are often scarce due to cost and other factors constaining field studies. Therefore, in this study, a deep- learning-based model was developed for embankment GPR survey cavity detection using data augmentation strategies. A dataset was constructed by collecting survey data over several years from the same embankment. A you look only once (YOLO) model, commonly used in computer vision for object detection, was employed for this purpose. By comparing and analyzing various strategies, the optimal data augmentation approach was determined. After initial model development, a stepwise process was employed, including box clustering, transfer learning, self-ensemble, and model ensemble techniques, to enhance the final model performance. The model performance was evaluated, with the results demonstrating its effectiveness in detecting cavities in embankment GPR survey data.

• Geophysics and Geophysical Exploration
• /
• 제16권3호
• /
• pp.131-138
• /
• 2013

We developed a method for inverting magnetic data to image 2D susceptibility models. The major difficulty in the inversion of the potential data is the nonuniqueness. Furthermore, generally the number of inversion blocks are greater than the number of the magnetic data available, and thus the magnetic inversion leads to under-determined problem, which aggravates the nonuniqueness. When the magnetic data were inverted by the general least-squares method, the anomalous susceptibility would be concentrated near the surface in the inverted section. To overcome this nonuniqueness problem, we propose a new resolution model constraint that is calculated from the parameter resolution. The model constraint imposes large penalty on the model parameter with good resolution, on the other hand small penalty on the model parameter with poor resolution. Thus, the deep-seated model parameter, generally having poor resolution, can be effectively resolved. The developed inversion algorithm is applied to the inversion of the synthetic data for typical models of magnetic anomalies and is tested on real airborne data obtained at the Okcheon belt of Korea.

• Proceedings of the Korea Water Resources Association Conference
• /
• 한국수자원학회 2023년도 학술발표회
• /
• pp.143-143
• /
• 2023

최근 대청댐('17), 평림댐('19) 등 광역 취수원에서 망간의 먹는 물 수질기준(0.05mg/L 이하) 초과 사례가 발생되어, 다수의 민원이 제기되는 등 취수원의 망간 관리 중요성이 부각되고 있다. 특히, 동절기 전도(Turn-over)시기에 고농도 망간이 발생되는 경우가 많은데, 현재 정수장에서는 망간을 처리하기 위해 유입구간에 필터를 설치하고 주기적으로 교체하는 방식으로 처리하고 있다. 그러나 단기간에 고농도 망간 다량 유입 시 처리용량의 한계 등 정수장에서의 공정관리가 어려워지므로 사전 예측에 의한 대응 체계 고도화가 필요한 실정이다. 본 연구는 광역취수원인 주암댐을 대상으로 망간 예측의 정확도 향상 및 예측기간 확대를 위해 다양한 머신러닝 기법들을 적용하여 비교 분석하였으며, 독립변수 및 초매개변수 최적화를 진행하여 모형의 정확도를 개선하였다. 머신러닝 모형은 수심별 탁도, 저수위, pH, 수온, 전기전도도, DO, 클로로필-a, 기상, 수문 자료 등의 독립변수와 화순정수장에 유입된 망간 농도를 종속변수로 각 변수에 해당하는 실측치를 학습데이터로 사용하였다. 그리고 데이터기반 모형의 정확도를 개선하기 위해서 성층의 수준을 판별하는 지표로서 PEA(Potential Energy Anomaly)를 도입하여 데이터 분석에 활용하고자 하였다. 분석 결과, 망간 유입률은 계절 주기에 따라 농도가 달라지는 것을 확인하였고 동절기 전도시점과 하절기 장마기간 난류생성 시기에 저층의 고농도 망간이 유입이 되는 것을 분석하였다. 또한, 두 시기의 망간 농도의 변화 패턴이 상이하므로 예측 모델은 각 계절별로 구축해 학습을 진행함으로써 예측의 정확도를 향상할 수 있었다. 다양한 머신러닝 모델을 구축하여 성능 비교를 진행한 결과, 동절기에는 Gradient Boosting Machine, 하절기에는 eXtreme Gradient Boosting의 기법이 우수하여 추론 모델로 활용하고자 하였다. 선정 모델을 통한 단기 수질예측 결과, 전도현상 발생 시기에 대한 추종 및 예측력이 기존의 데이터 모형만 적용했을 경우대비 약 15% 이상 예측 효율이 향상된 것으로 나타났다. 본 연구는 머신러닝 모델을 활용한 망간 농도 예측으로 정수장의 신속한 대응 체계 마련을 지원하고, 수처리 공정의 효율성을 높이는 데 기여할 것으로 기대되며, 후속 연구로 과거 시계열 자료 활용 및 물리모형과의 연결 등을 통해 모델의 신뢰성을 제고 할 계획이다.