• 제목/요약/키워드: Large-Scale Graphs

검색결과 23건 처리시간 0.019초

분포형 TDR센서를 이용한 화강풍화토 대형모형제방의 침투거동 해석 (Seepage Analysis of Weathered Granite Model Embankment Using TDR Sensor)

  • 김진만;박민철;조원범;한희수
    • 한국지반공학회논문집
    • /
    • 제30권3호
    • /
    • pp.17-28
    • /
    • 2014
  • 본 연구에서는 제방의 안정성 판단에 가장 중요한 침투거동을 파악하기 위하여 대형모형제방 실험을 수행하였다. 화강풍화토로 대형모형제방을 축조하고 분포형 TDR센서를 설치하여 침투거동을 파악하였다. TDR그래프(전기적 파형)는 3단계의 직선구간으로 간략화하여 나타낼 수 있으며 상부부터 건조 또는 초기영역, 중간부의 침투에 의한 불포화영역, 하부는 침투에 의한 포화영역으로 나타난다. 이를 이용하면 별도의 정량화 과정을 거치지 않고도 지점형 센서에 비해 제체 내의 침윤선을 쉽게 파악할 수 있다. 분포형 TDR센서에 의한 침윤선과 수치해석 결과와 비교하면, 초기에는 TDR센서의 측정 결과와 차이가 있으나 시간이 지날수록 결과가 일치하는 양상을 보여준다.

10학년 과학 교과서 지구 분야에 등장하는 과학적 모델 분석 (Analysis of Scientific Models in the Earth Domain of the 10th Grade Science Textbooks)

  • 오필석;전원선;유정문
    • 한국지구과학회지
    • /
    • 제28권4호
    • /
    • pp.393-404
    • /
    • 2007
  • 본 연구의 목적은 우리나라 10학년 과학 교과서 지구 분야에 등장하는 과학적 모델을 분류해 보는 것이었다. 과학적 모델을 표상 매체, 표상 방법, 모델의 가동성이라는 세 가지 차원에서 검토할 수 있도록 개발된 분류틀을 이용하여 11종 교과서의 지구과학 관련 단원을 분석하였다. 연구의 결과, 과학 교과서들은 지구과학의 세부 영역의 본성이 반영된 영역-특이적인 모델들을 수록하고 있는 것을 알 수 있었다. 즉, '지구의 변동' 단원은 접근이 용이하지 않은 지구의 내부 구조나 판들의 운동을 표상하는 모상 모델을 많이 포함하고 있었는데, 이들은 대부분 평면적 그림 모델과 정적 모델에 속하였다. '대기와 해양' 단원에서는 일기도나 해수의 온도와 염분을 나타낸 등치선도 등을 포함한 기호모델과 도해적 모델이 많이 등장하였다. '태양계와 은하' 단원에서는 규모가 큰 천체나 그들의 운동을 표상하는 모상 모델이나 유비 모델의 비율이 상대적으로 높게 나타났다. 이러한 분석 결과가 지구과학 교육과 관련 연구에 시사하는 바를 논의하였다.

딥러닝 프레임워크의 비교: 티아노, 텐서플로, CNTK를 중심으로 (Comparison of Deep Learning Frameworks: About Theano, Tensorflow, and Cognitive Toolkit)

  • 정여진;안성만;양지헌;이재준
    • 지능정보연구
    • /
    • 제23권2호
    • /
    • pp.1-17
    • /
    • 2017
  • 딥러닝 프레임워크의 대표적인 기능으로는 '자동미분'과 'GPU의 활용' 등을 들 수 있다. 본 논문은 파이썬의 라이브러리 형태로 사용 가능한 프레임워크 중에서 구글의 텐서플로와 마이크로소프트의 CNTK, 그리고 텐서플로의 원조라고 할 수 있는 티아노를 비교하였다. 본문에서는 자동미분의 개념과 GPU의 활용형태를 간단히 설명하고, 그 다음에 logistic regression을 실행하는 예를 통하여 각 프레임워크의 문법을 알아본 뒤에, 마지막으로 대표적인 딥러닝 응용인 CNN의 예제를 실행시켜보고 코딩의 편의성과 실행속도 등을 확인해 보았다. 그 결과, 편의성의 관점에서 보면 티아노가 가장 코딩 하기가 어렵고, CNTK와 텐서플로는 많은 부분이 비슷하게 추상화 되어 있어서 코딩이 비슷하지만 가중치와 편향을 직접 정의하느냐의 여부에서 차이를 보였다. 그리고 각 프레임워크의 실행속도에 대한 평가는 '큰 차이는 없다'는 것이다. 텐서플로는 티아노에 비하여 속도가 느리다는 평가가 있어왔는데, 본 연구의 실험에 의하면, 비록 CNN 모형에 국한되었지만, 텐서플로가 아주 조금이지만 빠른 것으로 나타났다. CNTK의 경우에도, 비록 실험환경이 달랐지만, 실험환경의 차이에 의한 속도의 차이의 편차범위 이내에 있는 것으로 판단이 되었다. 본 연구에서는 세 종류의 딥러닝 프레임워크만을 살펴보았는데, 위키피디아에 따르면 딥러닝 프레임워크의 종류는 12가지가 있으며, 각 프레임워크의 특징을 15가지 속성으로 구분하여 차이를 특정하고 있다. 그 많은 속성 중에서 사용자의 입장에서 볼 때 중요한 속성은 어떤 언어(파이썬, C++, Java, 등)로 사용가능한지, 어떤 딥러닝 모형에 대한 라이브러리가 잘 구현되어 있는지 등일 것이다. 그리고 사용자가 대규모의 딥러닝 모형을 구축한다면, 다중 GPU 혹은 다중 서버를 지원하는지의 여부도 중요할 것이다. 또한 딥러닝 모형을 처음 학습하는 경우에는 사용설명서가 많은지 예제 프로그램이 많은지 여부도 중요한 기준이 될 것이다.