• 에너지공학
• /
• 제24권4호
• /
• pp.200-210
• /
• 2015

유동층반응기에서 바이오매스 급속 열분해의 모델화를 통해 열분해로부터 발생되는 바이오오일(Bio-oil) 및 비응축 가스(Non-condensable gas) 성분의 예측과, 이를 통한 수율 향상을 목표로 한다. 본 연구의 목적은 유동층반응기 내부에 투입된 바이오매스가 급속 열분해되는 동안 발생되는 생성물의 수율 예측과 실험 및 시뮬레이션 값을 비교 및 분석하는 것이다. 급속 열분해의 시뮬레이션을 위해 전산유체역학(Computational Fluid Dynamics, CFD) 프로그램이 사용되었으며, 바이오매스의 급속 열분해의 시뮬레이션을 위해 바이오매스 하위 구성 성분의 상세한 열분해 반응 경로가 적용되었다. 이 열분해 반응은 세부적으로 셀룰로오스(Cellulose), 헤미셀룰로오스(Hemicellulose) 및 리그닌(Lignin)의 반응을 포함하고 있으며, 열분해로부터 발생되는 주요 가스 성분은 이산화탄소($CO_2$), 일산화탄소(CO), 메탄($CH_4$), 수소($H_2$), 에틸렌($C_2H_4$)이다. 본 모델의 예측치와 기존 문헌(Mellin et al., 2014)의 실험 및 시뮬레이션 결과를 비교하였으며, 그 결과, $CH_4$, $H_2$ 및 $C_2H_4$의 경우, 각각 3.7%p, 4.6%p 및 3.9%p로 비교적 일치하게 예측되었지만, $CO_2$ 및 CO의 경우, 각각 9.6%p 및 6.7%p로 높게 예측되었다. 이러한 차이가 발생하는 이유는 이차 열분해 반응에서의 세부 반응조건에 해당되는 각각의 인자의 부재에 기인한 것으로 판단된다. 연구 결과, 시뮬레이션을 통한 모델화 접근이 가능한 것으로 판단되며, 추후에 연구된 모델화를 통해 바이오오일 및 기타 성분들의 예측도 가능할 것으로 판단된다.

• 한국수자원학회논문집
• /
• 제54권spc1호
• /
• pp.1107-1118
• /
• 2021

지구온난화로 인해 발생한 기후변화는 한반도의 홍수, 가뭄 등의 발생빈도를 증가시켰으며, 이로 인해 인적, 물적 피해가 증가한 것으로 나타났다. 수재해 대비 및 대응을 위해서는 국가 차원의 수자원 관리 계획 수립이 필요하며, 유역 단위 수자원 관리를 위해서는 장기간 관측된 유량 자료를 이용하여 도출된 유량지속곡선이 필요하다. 전통적으로 수자원 분야에서 유량지속곡선을 도출하기 위하여 물리적 기반의 강우-유출 모형이 많이 사용되고 있으며, 최근에는 데이터 기반의 딥러닝 기법을 이용한 유출량 예측 기법에 관한 연구가 진행된 바 있다. 물리적 기반의 모형은 수문학적으로 신뢰도 높은 결과를 도출할 수 있으나, 사용자의 높은 이해도가 요구되며, 모형 구동 시간이 오래 걸릴 수 있는 단점이 있다. 데이터 기반의 딥러닝 기법의 경우 입력 자료가 간단하며, 모형 구동 시간이 비교적 짧으나 입력 및 출력자료 간의 관계가 블랙박스로 처리되어 수리·수문학적 특성을 반영할 수 없는 단점이 있다. 본 연구에서는 물리적 기반 모형으로 국내외에서 적용성이 검증된 Soil Water Assessment Tool (SWAT)의 매개변수 보정(Calibration)을 통해 장기간의 결측치 없는 데이터를 산출하고, 이를 데이터 기반 딥러닝 기법인 Long Short-term Memory (LSTM)의 훈련(Training) 데이터로 활용하였다. 시계열 데이터 분석 결과 검·보정 전체 기간('07-'18) 동안 Nash-Sutcliffe Efficiency (NSE)와 적합도 비교를 위한 결정계수는 각각 0.04, 0.03 높게 도출되어 모형에서 도출된 SWAT의 결과가 LSTM보다 전반적으로 우수한 것으로 나타났다. 또한, 모형에서 도출된 연도별 시계열 자료를 내림차순하여 산정된 유량지속곡선과 관측유량 기반의 유량지속곡선과 비교한 결과 NSE는 SWAT과 LSTM 각각 0.95, 0.91로 나타났으며, 결정계수는 0.96, 0.92로 두 모형 모두 우수한 성능을 보였다. LSTM 모형의 경우 저유량 부분 모의의 정확도 개선이 필요하나, 방대한 입력 자료로 인해 모형 구축 및 구동 시간이 오래 걸리는 대유역과 입력 자료가 부족한 미계측 유역의 유량지속곡선 산정 등에 활용성이 높을 것으로 판단된다.

• 한국토양비료학회지
• /
• 제9권3호
• /
• pp.211-220
• /
• 1976

서기(西紀) 2000년(年)까지의 비료(肥料) 소요량(所要量)을 농경학적(農耕學的) 측면(側面)에서 예측(豫測) 하기 위하여 작물(作物) 영양생리(營養生理) 면(面)에서의 예측치(豫測値), 토양비옥도(土壤肥沃度) 면(面)에서 본 예측치(豫測値), 그리고 경지(耕地)의 내외연적(內外延的) 확대(擴大)에 따르는 비료(肥料) 소요량(所要量)의 변동(變動) 예측치(豫測値)들을 종합(綜合) 검토(檢討)한 결과(結果)를 다음과 같이 요약(要約)한다. 1. 농업경제연구소(農業經濟硏究所)의 식량경제(食糧經濟) 문제(問題)의 종합적(綜合的) 분석(分析)에서 제시(提示)한 2000년(年)까지의 식량(食糧) 생산량(生産量) 예측치(豫測値)에 준(準)한 작물(作物) 생산(生産)을 위(爲)해 필요(必要)한 작물(作物)의 질소(窒素), 인산(燐酸) 및 가리(加里) 흡수량(吸收量)을 근거(根據)로 예측(豫測)한 값은 1980년(年) 1.162천(千)톤(N ;554.1천(千)톤, $P_2O_5$; 360.1천(千)톤, $K_2O$;247.8천(千)톤) 1900년(年) 1,471.4천(千)톤 (N; 694.8천(千)톤, $P_2O_5$;465.4천(千)톤, $K_2O$;311.2천(千)톤), 2000년(年) 1,764천(千)톤(N;812.5천(千)톤 $P_2O_5$; 592.3천(千)톤, $K_2O$;359.2천(千)톤)이였다.${\cdots}{\cdots}$ (제(第) I 안(案)) 2) 최근(最近)의 단위면적당(單位面積當) 수량(收量) 변동(變動) 추세(趨勢)로부터 2000년(年)까지의 작물별(作物別) 단위면적당(單位面積當) 수량(收量)을 예측(豫測) 하고 이들 수량(收量)을 올리는데 필요(必要)한 비료(肥料)의 증가율(增加率)을 작물(作物) 수량(收量) 증가율(增加率)과 같게 취하면서 경지(耕地) 면적(面積)의 내외연적(內外延的) 확대(擴大)를 고려(考慮)한 2000년(年)까지의 비료(肥料) 소요량(所要量) 예측치(豫測値)는 1980년(年) 1,149.3천(千)톤(N; 603.7천(千)톤, $P_2O_5$; 305.5천(千)톤, $K_2O$; 240.1천(千)톤) 1990년(年) 1,551.1천(千)톤(N; 814.7천(千)톤 $P_2O_5$; 412.3천(千)톤, $K_2O$; 324.0천(千)톤), 2000년(年) 2,253.8천(千)톤 (N;1,183.8천(千)톤, $P_2O_5$; 586.4천(千)톤, $K_2O$;470.9천(千)톤)이였다(II안(案)) 3) 최근(最近)의 작물별(作物別) 단위(單位) 면적당(面的當) 수량(收量)과 단위(單位) 면적당(面的當) 시비량(施肥量)의 변동(變動) 추세(趨勢)를 동시(同時)에 고려(考慮)한 2000년까지의 비료(肥料) 소요량(所要量) 예측치(豫測値)는 1980년(年), 1,287.6천(千)톤 (N; 677.1천(千)톤, $P_2O_5$: 342.0천(千)톤 $K_2O$; 268.5천(千)톤) 1990년(年) 2,085.6천(千)톤(N; 1,096.7천(千)톤 $P_2O_5$; 553.9천(千)톤, $K_2O$;435.0천(千)톤), 2000년(年) 3,380.6천(千)톤(N; 1,777.8천(千)톤) $P_2O_5$;897.8천(千)톤 $K_2O$; 705.0천(千)톤) 이었다. (III 안(案)) 4) 제(第)I안(案)은 장차(將次) 쌀에 대(對)해서만 자급율(自給率) 100%를 도모(圖謀)하고, 여타(餘他) 작물(作物)에 대(對)하여는 대략(大略) 50%의 자급율(自給率)을 기대(期待) 할 때 실제(實際)와 가까운 가능성(可能性)이 있으나 이 같은 상황(狀況)은 바람직한 것은 아닌 것 같다. 5) 식량(食糧)의 자급율(自給率)을 최대한(最大限) 높이기 위(爲)하여 경지(耕地)의 내외연적(內外延的) 확대(擴大), 다수성(多收性) 품종(品種)의 광범(廣範)한 보급(普及)이 따를 경우, 비료(肥料) 효율 증대(增大)를 위한 여러가지 기술(技術)들이 개발보급(開發普及)되면 제(第)II안(案)이 실현성(實現性)이 높고, 그 같은 기술(技術)의 보급(普及)이 미진(未盡)할 때는 제(第)III안(案)이 현실(現實)에 가까울 가능성(可能性)이 높다.

• 지능정보연구
• /
• 제26권1호
• /
• pp.135-149
• /
• 2020

인공지능을 기반으로 한 다양한 연구들이 현대사회에 많은 변화를 불러일으키고 있다. 금융시장 역시 예외는 아니다. 로보어드바이저 개발이 활발하게 진행되고 있으며 전통적 방식의 단점을 보완하고 사람이 분석하기 어려운 부분을 대체하고 있다. 로보어드바이저는 인공지능 알고리즘으로 자동화된 투자 결정을 내려 다양한 자산배분 모형과 함께 활용되고 있다. 자산배분 모형 중 리스크패리티는 대표적인 위험 기반 자산배분 모형의 하나로 큰 자산을 운용하는 데 있어 안정성을 나타내고 현업에서 역시 널리 쓰이고 있다. 그리고 XGBoost 모형은 병렬화된 트리 부스팅 기법으로 제한된 메모리 환경에서도 수십억 가지의 예제로 확장이 가능할 뿐만 아니라 기존의 부스팅에 비해 학습속도가 매우 빨라 많은 분야에서 널리 활용되고 있다. 이에 본 연구에서 리스크패리티와 XGBoost를 장점을 결합한 모형을 제안하고자 한다. 기존에 널리 사용되는 최적화 자산배분 모형은 과거 데이터를 기반으로 투자 비중을 추정하기 때문에 과거와 실투자 기간 사이의 추정 오차가 발생하게 된다. 최적화 자산배분 모형은 추정 오차로 인해 포트폴리오 성과에서 악영향을 받게 된다. 본 연구는 XGBoost를 통해 실투자 기간의 변동성을 예측하여 최적화 자산배분 모형의 추정 오차를 줄여 모형의 안정성과 포트폴리오 성과를 개선하고자 한다. 본 연구에서 제시한 모형의 실증 검증을 위해 한국 주식시장의 10개 업종 지수 데이터를 활용하여 2003년부터 2019년까지 총 17년간 주가 자료를 활용하였으며 in-sample 1,000개, out-of-sample 20개씩 Moving-window 방식으로 예측 결과값을 누적하여 총 154회의 리밸런싱이 이루어진 백테스팅 결과를 도출하였다. 본 연구에서 제안한 자산배분 모형은 기계학습을 사용하지 않은 기존의 리스크패리티와 비교하였을 때 누적수익률 및 추정 오차에서 모두 개선된 성과를 보여주었다. 총 누적수익률은 45.748%로 리스크패리티 대비 약 5% 높은 결과를 보였고 추정오차 역시 10개 업종 중 9개에서 감소한 결과를 보였다. 실험 결과를 통해 최적화 자산배분 모형의 추정 오차를 감소시킴으로써 포트폴리오 성과를 개선하였다. 포트폴리오의 추정 오차를 줄이기 위해 모수 추정 방법에 관한 다양한 연구 사례들이 존재한다. 본 연구는 추정 오차를 줄이기 위한 새로운 추정방법으로 기계학습을 제시하여 최근 빠른 속도로 발전하는 금융시장에 맞는 진보된 인공지능형 자산배분 모형을 제시한 점에서 의의가 있다.