• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2015.10a
• /
• pp.193-195
• /
• 2015

해양사고 원인의 70 % 이상을 차지하는 인적오류 예방은 해양안전에 가장 중요한 이슈이다. 인적오류는 확률기반의 인적 모델을 구축하여 평가함으로써 예상되는 위기의 수준을 과학적으로 예측할 수 있다. 확률기반 인적 모델을 구축하기 위해서는 사건의 원인과 결과 사이에 연계성을 갖고 있는 통계 데이터가 필요하다. 본 연구에서는 이러한 연계 데이터 확보를 위한 것으로, 해양안전심판원의 통계 데이터 사이의 연계성 확보 방안을 주로 검토하였다. 그리고 이러한 통계 데이터를 인적 모델에 적용하는 방법과 전략도 검토하였다. 인적 모델은 회사, 선박, 해기사 관련 요소들이 총체적으로 반영될 필요가 있음을 알았고, 이러한 세 가지 요소로 구성된 통합 모델을 설계하기 위한 방안도 검토하였다. 특히, 각 요소들에 포함될 데이터 사이의 연계성 확보를 위해서 해양사고 연계 체인(Chain)을 도입하였다. 확보한 데이터는 사고의 가장 근본원인인 Hazard부터 사고의 영향을 나타내는 Impact까지의 6 단계 분석 방법을 적용하여 통계 데이터에 결합되어 있는 원인과 결과 사이의 연계성을 확보할 수 있는 방안을 수립하였다. 본 연구는 중장기적으로 추진할 과제이기 때문에 향후 본 연구 내용을 토대로 인적 모델을 개발하여 해양사고 예방에 적극 기여하고자 한다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2022.06a
• /
• pp.422-423
• /
• 2022

국제해사기구의 e-Navigation 전략은 선박에 새로운 기술을 도입하여 더욱 편리하고 안전한 항해를 지원하는 것이다. e-Navigation 전략 이행을 위해 다양한 해양 정보 서비스에서 발생 가능한 요구사항을 수용할 수 있는 공통 데이터 모델이 필요하게 되었고, 최종적으로 국제수로기구의 S-100 표준이 선정되었다. 이 중 해양기상정보를 차세대 전자해도정보시스템에서 표출하기 위한 S-41X 제품표준은 현재 개발이 미완료된 의 논의가 시작되고 있는 상황이다. 본 논문은 S-41X 제품표준 중 격자 데이터 기반의 S-413 제품에 대한 데이터 모델을 설계하였다. 또한 격자 데이터 형식을 지원하는 타 S-100 데이터 제품을 참고하여 국내 원시자료인 기상청 수치예보모델 결과를 활용한 제품 인코딩 테스트 단계의 연구를 수행하였다.

• Journal of the Korean Society of Marine Environment & Safety
• /
• v.18 no.1
• /
• pp.33-39
• /
• 2012

Official Development Assistance(ODA) Project is initiated to assist a developing country economically and to promote its welfare. Support on training and information system development are the primary elements in the maritime safety field. The maritime safety information system(MSIS) of ODA projects deals with maritime safety information of developing nations and ensures an inter-operability between other systems. Therefore, it is required to develop MSIS based on the Universal Hydrographic Data Model(UHDM) of International Hydrographic Organization(IHO). In this paper, we have analyzed the current status and operational process of UHDM established by IHO. Oil spill response system was selected as an example of MSIS project and, also, considered the application results to the maritime safety field of UHDM.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2023.07a
• /
• pp.535-536
• /
• 2023

본 논문에서는 대학교 교내 식당의 실제 데이터를 사용해 식사 인원 예측 모델을 개발하여 교내식당에서 발생하는 적자, 음식 품절, 대량 잔반 발생을 경감 시키고자 한다. 모델 개발에 사용되는 데이터는 2018년도, 2019년도 학기 중 식당 데이터와 기상청 날씨 데이터를 사용하였다. 2018년도, 2019년도 데이터를 이용해 EDA 분석 및 전처리를 통해 필요한 변수를 추출하였다. 전체 데이터의 70%를 기반으로 GridSearch와 XGBoostRegressor를 사용해 평일과 주말에 대한 식사 인원 예측 모델을 생성하였다. 그리고 나머지 데이터의 30%를 사용해 생성한 두 모델의 성능을 평가한다. 평일 식사 인원 예측 모델에 대한 MAE값이 조식 16명, 중식 23명, 석식 25명으로 준수한 결과를 보였고 주말 식사 인원 예측 모델에 대한 MAE값은 조식 16명, 중식 23명, 석식 25명으로 좋은 성능을 보였다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2007.12a
• /
• pp.129-130
• /
• 2007

A great variety of models including marine ecology model, water quality model, marine fluid model have been used in the marine research. The results of marine model is presented as a numerical value that is difficult for researcher to understand. In this paper, we developed a method for conversing and presenting results of marine models to visual form to improve the visualization of modelling results that is difficult to analyze and applied the method in actual practice.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2016.05a
• /
• pp.194-195
• /
• 2016

IMO에서 규정하는 모든 교육 및 훈련을 이수한 전문 해기인력이 매년 배출되고 있지만, 해양사고의 발생은 끊이지 않고 있다. 이는 해양사고를 대처하는 해기사의 위험상황 대처 능력이 크게 개선되지 않았다는 점을 의미한다. 공통적으로 해기사에게 제공되는 교육 및 훈련뿐만 아니라 해기사 개개인의 위험요소를 파악하여 해당 위험 요소에 대한 매뉴얼을 제공할 수 있는 모델이 개발되면 해양사고를 대처할 수 있다. 이러한 모델을 개발하기 위하여 모델 구축에 필요한 데이터베이스(Data Base, D/B)가 필요하다. 이러한 D/B는 모델에 활용할 수 있도록 숫자로 표기된 것이어야 한다. 본 연구에서는 해양안전심판원에서 제공하는 해양사고 데이터를 수집, 분석하여 해양사고 예방을 위한 모델에 활용할 수 있는 해양사고 수량화 D/B를 구축하는 방법에 대하여 고찰하였다. 1차적으로 해양사고 수량화 D/B를 구축하였으나, 이의 유용성이나 목적에 적합한 D/B의 규모 등에 관한 연구는 추후에 계속 되어야 한다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2016.05a
• /
• pp.196-198
• /
• 2016

해양사고 원인의 대부분을 차지하는 인적오류 예방은 해양안전에 가장 중요하며 인적오류는 확률기반의 인적 모델을 구축하여 평가할 수 있다. 확률기반 인적 모델을 구축하기 위해 사건의 원인과 결과 사이에 연계성을 갖고 있는 통계 데이터가 필요하다. 이러한 데이터는 정부 공식통계로서 해양안전심판원에서 제공하는 재결서의 내용 분석을 통해 얻고자 하나, 측정변수가 너무 많아 계산량이 방대하다. 본 연구에서는 재결서 분석서의 원인판단에서 기준이 되는 해양안전심판원의 해양사고조사심판정보포털(이하 해심)에서 제공하는 재결서 내용의 핵심적인 내용으로 구성된 '주제어 '데이터를 활용하여 주제어에 포함된 핵심단어 분석절차를 수립하였다. 이들 단어가 구분형태별로 어떻게 분포된 상태인지 알아보고, 선박사고별로 최적으로 설명할 수 있는 단어 객체수를 검토해보고자 한다. 향후 축소된 차원으로도 해양사고 인적과실의 인과관계 설명이 가능하면, 인적모델의 측정변수를 결정하는 경우 쉽게 타당성을 확인 할 수 있어 해양안전을 위한 중요한 자료로 활용할 수 있다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2023.05a
• /
• pp.144-145
• /
• 2023

육상, 철도, 항공 등 타 교통분야에서 지속적으로 사고와 인명피해가 줄어든 반면, 해양분야는 해양사고가 증가하며 실효적 해양교통안전관리에 대한 필요성이 대두되고 있다. 최근 3년간 국내 해상에서 발생한 충돌사고 중 어선을 포함한 충돌사고가 전체의 약 84%를 차지하며, 해상교통의 주요 변수인 어선을 포함한 국가의 해상교통량 파악은 반드시 필요한 실정이다. 본 연구에서는 현 정부 국정과제인 '디지털 해상 교통망 구축'과 더불어 해양교통안전관리체계 마련의 일환으로 국내 전체 선박위치발신장치(AIS, V-PASS) 데이터를 활용하여 해상교통량을 분석하고 예측 모델을 개발한다. 이를 위해 선박 밀집도를 통한 그리드별 공간가산분석과 항적 데이터 전처리 및 선형화, 선박 길이에 따른 점용면적 산정을 통한 단위 그리드별 해상교통량을 분석한다. 또한, 과거 교통량 데이터는 딥러닝 기반의 시계열 특성을 지닌 RNN과 LSTM 모델을 활용하여 교통량 예측 모형을 개발한다. 본 연구의 결과는 해상교통량과 해양사고의 연관성 분석 및 속력제한구역 등 해상정책 수립의 정량적 근거를 제공하며, 국민에게 해상교통정보 제공을 통해 교통복지 증진에 기여할 수 있다.

• Journal of the Korean Society of Marine Environment & Safety
• /
• v.28 no.5
• /
• pp.780-790
• /
• 2022

Quantitative risk levels must be presented by analyzing the causes and consequences of accidents and predicting the occurrence patterns of the accidents. For the analysis of marine accidents related to vessel traffic, research on the traffic such as collision risk analysis and navigational path finding has been mainly conducted. The analysis of the occurrence pattern of marine accidents has been presented according to the traditional statistical analysis. This study intends to present a marine accident prediction model using the statistics on marine accidents related to vessel traffic. Statistical data from 1998 to 2021, which can be accumulated by month and hourly data among the Korean domestic marine accidents, were converted into structured time series data. The predictive model was built using a long short-term memory network, which is a representative artificial intelligence model. As a result of verifying the performance of the proposed model through the validation data, the RMSEs were noted to be 52.5471 and 126.5893 in the initial neural network model, and as a result of the updated model with observed datasets, the RMSEs were improved to 31.3680 and 36.3967, respectively. Based on the proposed model, the occurrence pattern of marine accidents could be predicted by learning the features of various marine accidents. In further research, a quantitative presentation of the risk of marine accidents and the development of region-based hazard maps are required.

• The Journal of the Acoustical Society of Korea
• /
• v.42 no.4
• /
• pp.313-319
• /
• 2023

In this paper, a time series machine learning model, Long Short Term Memory (LSTM), is applied into the bubble flow noise data and the underwater projectile launch noise data to predict missing values of time-series underwater noise data. The former is mixed with bubble noise, flow noise, and fluid-induced interaction noise measured in a pipe and can be classified into three types. The latter is the noise generated when an underwater projectile is ejected from a launch tube and has a characteristic of instantaenous noise. For such types of noise, a data-driven model can be more useful than an analytical model. We constructed an LSTM model with given data and evaluated the model's performance based on the number of hidden units, the number of input sequences, and the decimation factor of signal. It is shown that the optimal LSTM model works well for new data of the same type.