• Proceedings of the Korea Information Processing Society Conference
• /
• 2020.11a
• /
• pp.883-885
• /
• 2020

최근 활발히 진행되는 교통 속도 예측 연구는 기존에는 하나의 모델로 하나의 도로구간에 대해서만 예측하는 문제를 주로 다루었다. 그러나 하나의 도로구간을 하나의 속도 예측 모델로 예측할 시, 도로구간마다 모델이 존재하여야 하므로 모델의 예측 비용이 도로구간의 수만큼 증가한다. 본 논문에서는 하나의 모델을 통해 다수의 도로구간에 대한 속도를 예측하는 다중 도로구간 속도 예측 모델을 제안한다. 제안하는 다중 도로구간 속도 예측 모델은 기존의 단일 도로구간 속도 예측 모델 대비 정확도를 보존하면서, 그 예측 비용을 크게 감소시켰다.

• Journal of the Korean Geophysical Society
• /
• v.4 no.1
• /
• pp.35-46
• /
• 2001

한반도 중부에 위치한 대전 지진관측소(TJN) 하부의 세부 지각구조를 밝혀내기 위하여 수신함수를 이용한 선형화된 역산(linearized inversion) 방법을 적용하였다. 본 방법의 비단일해(nonuniqueness)와 초기 모델 의존성의 문제를 해결하기 위해 근사 초기 속도 모델로부터 72개의 서로 다른 초기 모델을 구하여 역산을 수행한 후 결과모델들의 평균 속도 모델을 제시하는 방법을 사용하였다. 역산 결과 총 72개의 모델 중 뚜렷한 지각-맨틀 경계를 보이는 43개의 모델만이 조건에 만족하는 결과를 나타내었다. 모든 모델에서 속도 구조는 전체적으로 깊이에 따라 속도의 불연속면이나 급격한 증가없이 연속적인 변화를 하며, 모호면의 깊이는 30～32.5 km의 범위로 나타났다. 평균적인 하부 지각의 속도는 6.5 km/s, 상부 맨틀의 속도는 7.8 km/s로 뚜렷한 속도 변화를 보였다. 결과 모델 군은 중부지각(mid-crust)에서의 속도를 기준으로 약한 저속도층을 나타내는 군과 상대적으로 일정한 속도를 가지는 군으로 구분되었다. 단지 지진파형의 비교만으로 두 모델군 중 합당한 모델군의 선택은 불가능하였다. 따라서 수신 함수를 이용하여 연구 지역의 신뢰할 만한 지각 구조를 구하기 위해서는 그 지역에 대한 지질학적, 지구물리학적 추가정보와의 동반 해석이 요구된다.

• Proceedings of the KIPE Conference
• /
• 2014.11a
• /
• pp.41-43
• /
• 2014

본 논문은 전류모델과 전압모델의 장점을 취해 자속을 추정하는 고피나스(Gopinath) 모델 자속 추정기에 속도 피드백 오차가 미치는 영향에 대해 분석하였다. 속도 오차는 전류 모델의 위상 지연 및 크기 오차를 발생시키고, 이로 인해 고피나스 모델에 의해 추정 된 회전자 자속의 위상 및 크기에 오차가 발생하였다. 따라서 전류모델에 발생한 위상 지연을 통해 속도 오차를 보상하여 자속 추정 오차를 감소시키는 새로운 알고리즘을 제시하였고, 시뮬레이션 결과를 통해 검증하였다.

• Geophysics and Geophysical Exploration
• /
• v.24 no.2
• /
• 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.

• Journal of the Korean Geotechnical Society
• /
• v.35 no.2
• /
• pp.29-36
• /
• 2019

There always exist the spatial variations of material properties such as a shear wave velocity in a dam and between same type dams. These uncertainties cause those in evaluation of a shear wave velocity profile of a dam and should be considered in determining the shear wave velocity profile for a rockfill zone of a fill dam. In this paper, these uncertainties of a shear wave velocity in the rockfill zone of the fill dam in Korea are evaluated. And the shear wave velocity profile model considering these uncertainties in rockfillzone is proposed using the method based on Harmonic wavelet transform. The proposed shear wave velocity profile model is compared with Sawada-Takahashi model widely used for evaluation of a shear wave velocity profile of a rockfill zone of fill dams.

• Proceedings of the Korea Society for Simulation Conference
• /
• 2002.11a
• /
• pp.91-97
• /
• 2002

DEVS 형식론을 비롯한 모듈러한 시스템 모델링 방법은 복잡한 시스템을 모델링 할 때 유리하다. 반면에, 모듈러한 구성요소 모델들은 타 구성요소 모델의 상태 정보를 참조, 복사함으로써 빈번한 메시지 전달을 야기 시켜 시뮬레이션 속도가 저하되는 단점이 있다. 모델 합성법(Composition)은 여러 개의 요소모델들을 하나로 통합시키는 연산으로서 시스템 검증 분야에서 많이 사용되어져 왔다. 본 논문은 모델 합성법을 이용하여 구성요소 모델들 간에 주고받는 메시지 수를 줄이고 시뮬레이션 속도를 개선시키는 방법을 제안한다. 간단한 예제를 통하여 제안한 방법을 자세히 보여주고자 한다.

• Transactions of the Korean Society of Mechanical Engineers
• /
• v.16 no.7
• /
• pp.1391-1397
• /
• 1992

Improved power law flow model was suggested for the calculation of wake flow characteristics around the three dimensional ship stern in case of the formation of bilge vortex in the direction of stern. In comparison with the power law and Coles flow model, the flow velocity calculated based on this study was delayed around the boundary of inner layer and outer layer in reverse flow. More accurate results was obtained with this improved power law flow model by the velocity calculation around ship stern. Accuracy was validated with the comparison of other calculation results and experimental datas.

• Proceedings of the KIPE Conference
• /
• 2008.06a
• /
• pp.452-454
• /
• 2008

본 논문에서는 실험적으로 구한 엔진 토크 참조 표를 이용하여 엔진의 비선형 모델을 구하고 이를 각각의 운전 점에 대해 선형화한 엔진 모델을 제시하였다. 이러한 선형화된 엔진 모델을 이용하여, 전기식 조속기를 사용한 디젤 엔진의 속도 제어에 있어 발생하는 안정성 문제를 해석하였다. 제시한 디젤 엔진 모델을 이용하여 속도제어기의 비례, 적분 미분 이득을 설정하고 이 값을 바탕으로 모의실험 및 실험을 통하여 제시한 모델의 타당성을 검증 하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.05a
• /
• pp.530-531
• /
• 2023

딥러닝에서 지식 증류 기법은 큰 모델의 지식을 작은 모델로 전달하여 작은 모델의 성능을 개선하는 방식이다. 지식 증류 기법은 모델 경량화, 학습 속도 향상, 학습 정확도 향상 등에 활용될 수 있는데, 교사 모델이라 불리는 큰 모델은 일반적으로 학습된 딥러닝 모델을 사용한다. 본 연구에서는 학습된 딥러닝 모델 대신에 수치 기반 시뮬레이션 모델을 사용함으로써 어떠한 효과가 있는지 검증하였으며, 수치 모델을 활용한 기상 예측 모델에서의 지식 증류는 기존 단독 딥러닝 모델 학습 대비 더 작은 학습 횟수(epoch)에서도 동일한 에러 수준(RMSE)까지 도달하여, 학습 속도 측면에서 이득이 있음을 확인하였다.

• The Journal of the Korea Contents Association
• /
• v.6 no.11
• /
• pp.258-265
• /
• 2006

DEVS formalism is advantageous in modeling large-scale complex systems and it reveals good readability, because it can specify discrete event systems in a hierarchical manner. In contrast, it has drawback in that the simulation speed of DEVS models is comparably slow since it requires frequent message passing between the component models in run-time. This paper proposes a method, called model composition, for simulation speedup of DEVS models. The method is viewed as a compiled simulation technique which eliminates run-time interpretation of communication paths between component models. Experimental results show that the simulation speed of transformed DEVS models is about 18 times faster than original ones.