• 한국환경과학회지
• /
• 제4권2호
• /
• pp.223-232
• /
• 1995

액체막의 운반체로 사용할 새로운 2개의 거대고리화합물을 합성하였다. 이들 결과들은 이 시스템을 구성하는데 있어서 이론의 응용성을 증명하여 준다. source phase의 공존이온으로서 $SCN^-$,$I^-$ 및 $Cl^-$이온을 그리고 receicing phases에서 $S_2O_3^{2-}$와 $P_2O_7^{4-}$을 이용한 액세막계로서부터 중금속 이온들에 대한 선택적 수송효율을 검토하였다. source phase의 M(II)이 $Cd(SCN)_2$$(P[SCN^-]= 0.40M)$, $Hg(SCN)_2([SCN^-]=0.40M)$, Pd(CN)$([CN^-]= 0.40M)$일때 M(II)의 수송율은 최대값을 나타낸다. 각가의 경쟁 양이온에 대한 Cd(II)이나 Pd(II)은 source phase가 00.3M-$S_2O_3^{2-}$이나 0.3M-$P_2O_7^{4-}$ 일때 가장 잘 분리된다.이 연구의 결과에서, 이 액체막계에서 효과적인 거대고리-매질수송을 하기 위해서는 두개의 규칙이 반드시 필요하다. 첫째, tiluence중으로 $M^{n+}$이온이 효과적으로 추출되고, 즉 만일 $M^{n+}$ 거대고리화합물 상호작용에 대한 logK값과 $M^{n+}$-거대고리화합물($L_1$이나 $L_2$)의 상호작용에 대한 logK값의 비가 충분히 크다면 receiving phase와 toluene의 접촉면으로부터 쉽게 중금속이온($Cd^{2+}$,$Pb^{2+}$ 및 $Hg^{2+}$)들이 떨어져 나온다. $L_1$(3,5-benzo-10,13,18,21-tetraoxa-1,7-diazabicyclo(8,5,5)eicosnan)은 $Cd^{2+}$ 과 $Pb^{2+}$ 이온과 안정한 착물을 형성한다. 그리고 $L_1$은 수용액중에서 용해하기가 매우 어렵다. 그리고 $Cd^{2+}$$L_1$나 $Pb^{2+}$$L_1$착물은 $Cd^{2+}-{(S_2O_3)}_2^{2-}$나 $Pd^{2+}-P_2O_7^{4-}$착물보다 비교적 불안정하다. 다른 한편으로 $Hg^{2+}-L_1$착물의 안정도는 $Hg^2-{2+}-(S_2O_3)_2^{2-}$이나 $Pb^{2+}-P0_2O_7^{4-}$의 그것보다 그리고 $L_2$(5,8,15,18,23,26-hexaoxa-1,12-diazabicyclo(10,8,8)octacosan)의 tuluene에 대한 분배계수는 $L_1$의 그것보다 훨씬 작다. 따라서 $Hg^{2+}$-$L_1$이나 $M^{n+}$이나 $M^{n+}-L-2(M^{2+}=Cd^{2+}, Pb^{2+}$이나 $Hg^{2+})$의 안정도수상수가 매우 큼에도 불구하고 이들 양이온의 수송량은 매우 적다.

• 지능정보연구
• /
• 제26권2호
• /
• pp.105-129
• /
• 2020

본 연구는 부도위험 예측을 위해 K-IFRS가 본격적으로 적용된 2012년부터 2018년까지의 기업데이터를 이용한다. 부도위험의 학습을 위해, 기존의 대부분 선행연구들이 부도발생 여부를 기준으로 사용했던 것과 다르게, 본 연구에서는 머튼 모형을 토대로 각 기업의 시가총액과 주가 변동성을 이용하여 부도위험을 산정했으며, 이를 통해 기존 방법론의 한계로 지적되어오던 부도사건 희소성에 따른 데이터 불균형 문제와 정상기업 내에서 존재하는 부도위험 차이 반영 문제를 해소할 수 있도록 하였다. 또한, 시장의 평가가 반영된 시가총액 및 주가 변동성을 기반으로 부도위험을 도출하되, 부도위험과 매칭될 입력데이터로는 비상장 기업에서 활용될 수 있는 기업 정보만을 활용하여 학습을 수행함으로써, 포스트 팬데믹 시대에서 주가 정보가 존재하지 않는 비상장 기업에게도 시장의 판단을 모사하여 부도위험을 적절하게 도출할 수 있도록 하였다. 기업의 부도위험 정보가 시장에서 매우 광범위하게 활용되고 있고, 부도위험 차이에 대한 민감도가 높다는 점에서 부도위험 산출 시 안정적이고 신뢰성 높은 평가방법론이 요구된다. 최근 머신러닝을 활용하여 기업의 부도위험을 예측하는 연구가 활발하게 이루어지고 있으나, 대부분 단일 모델을 기반으로 예측을 수행한다는 점에서 필연적인 모델 편향 문제가 존재하고, 이는 실무에서 활용하기 어려운 요인으로 작용하고 있다. 이에, 본 연구에서는 다양한 머신러닝 모델을 서브모델로 하는 스태킹 앙상블 기법을 활용하여 개별 모델이 갖는 편향을 경감시킬 수 있도록 하였다. 이를 통해 부도위험과 다양한 기업정보들 간의 복잡한 비선형적 관계들을 포착할 수 있으며, 산출에 소요되는 시간이 적다는 머신러닝 기반 부도위험 예측모델의 장점을 극대화할 수 있다. 본 연구가 기존 머신러닝 기반 모델의 한계를 극복 및 개선함으로써 실무에서의 활용도를 높일 수 있는 자료로 활용되기를 바라며, 머신러닝 기반 부도위험 예측 모형의 도입 기준 정립 및 정책적 활용에도 기여할 수 있기를 희망한다.