• 대한안전경영과학회지
• /
• 제16권2호
• /
• pp.217-230
• /
• 2014

The purpose of this study is to develop the Generalized Depreciation Function (GDF) and Winfrey Depreciation Function (WDF) by reviewing methods for the depreciation accountings. The Depreciation Accounting Models (DAM), including straight-line model, declining-balance model, sum-of-the-year-digit model and sinking fund model presented in this paper, are reclassified into the charging pattern of increasing type, decreasing type and constant type. This paper also discusses the development of the GDFs based on convex type, concave type and constant type according to the demand pattern of product, frequency of plant usage, deterioration of time, relative inadequacy, Capital Expenditure (CAPEX) and Operating Expenditure (OPEX) of the Total Productive Maintenance (TPM). The WDFs presented in this paper depict a sudden degradation of plant performance by measuring the change of TPM activity at the midpoint of useful life of asset. The WDFs are classified into left-modal type, symmetrical type and right-modal type by varying the value of skewness and kurtosis. Moreover, three increasing patterns, such as convex, concave and linear types, are used in this paper to present the distinct identification of WFDs by using Instantaneous Depreciation Rate (IDR) in terms of Performance Depreciation Function (PDF) and Depreciation Density Function (DDF). In order to have better understanding of depreciation models, the numerical examples are used for evaluating the Net Operating Less Adjusted Tax (NOPLAT) and Economic Value Added (EVA). It is concluded that the depreciation models showing a large dispersion of EVA require the adjustment of NOPLAT and Invested Capital (IC) based on the objective cash basis and net operating activity for reducing the variation of EVA.

• 공업화학
• /
• 제26권2호
• /
• pp.205-209
• /
• 2015

이산화탄소 포집 및 활용(CCU)은 화석연료 시 배출되는 온실가스인 $CO_2$ 저감과 이용을 위해 잠재력을 가지고 있는 기술이다. 이산화탄소를 분해하기 위해 3상 글라이딩 아크 플라즈마-촉매 반응기를 설계 및 제작하였다. 이산화탄소 저감 특성 실험은 단일 이산화탄소 가스 공급 유량 변화와 이산화탄소와 메탄 혼합 주입에 따른 주입 전력 변화, 촉매 그리고 수증기 공급 변화에 대해 연구를 수행하였다. 단일 이산화탄소 공급 유량이 12 L/min에서 분해율이 7.9%, 에너지 분해 효율은 $0.0013L/min{\cdot}W$로 나타났다. 이산화탄소 분해됨에 따라 일산화탄소와 산소가 생성된다. 메탄과 이산화탄소 혼합가스를 주입 시 $CH_4/CO_2$ 비 1.29, 주입 전력 0.76 kW에서 이산화탄소 분해율과 메탄 전환율이 각각 37.8, 56.6%를 보였다. $NiO/Al_2O_3$ 촉매 설치 시, 플라스마 단독 공정에 비해 이산화탄소 분해율 및 메탄 전환율이 11.5, 9.9% 증가한다. 수증기 공급으로 인한 이산화탄소 분해 효과에는 큰 영향을 주지 못한다.

• 한국수자원학회논문집
• /
• 제48권12호
• /
• pp.1051-1064
• /
• 2015

본 논문은 선형계획모형을 이용하여 H 아리수 정수 센터의 최적 취수량 결정 방법을 연구 하였다. 현재 H 아리수 센터에서는 관리자의 경험과 숙련도에 의지하여 취수량을 결정하고 있다. 그런데 매시 변하는 수요를 만족 시키면서 시간대별로 요금이 서로 다른 전력의 사용을 최소화 하는 취수량 결정은 근무자들의 경험과 숙련도를 넘어서는 간단한 문제가 아니다. 따라서 수리적 기법 중 하나인 선형계획모형을 이용해 취수량을 결정하고, 비용 절감을 시도하였다. 본 연구에서 제안한 선형계획 모형은 수요예측치를 기본 입력자료로 사용하고 있는데 예측오차가 발생할 경우 정수지 높이 제한을 위반하는 경우가 발생한다. 이를 해결하기 위해서는 정확한 수요예측이 선행되어야 한다. 그러나 아무리 좋은 예측 기법을 사용하더라도 실수요와 오차는 있게 마련이고 이는 여전히 높이 제한의 제약을 만족 시키지 못하는 결과를 불러일으킨다. 따라서 예측오차를 수용 할 수 있는 안전 마진 상수를 이용한 대안을 제안하였다. 본 연구에서 제안한 선형 계획 모형을 통한 취수량 결정은 수위 모니터링을 위해 항시 작업자가 근무 할 필요가 없기 때문에 인건비 면에서도 많은 절약이 예측되어 총 비용 감축은 훨씬 더 많으리라 기대된다.

• 지능정보연구
• /
• 제18권3호
• /
• pp.185-202
• /
• 2012

오늘날 정보사회에서는 정보에 대한 가치를 인식하고, 이를 위한 정보의 활용과 수집이 중요해지고 있다. 얼굴 표정은 그림 하나가 수천개의 단어를 표현할 수 있듯이 수천 개의 정보를 지니고 있다. 이에 주목하여 최근 얼굴 표정을 통해 사람의 감정을 판단하여 지능형 서비스를 제공하기 위한 시도가 MIT Media Lab을 필두로 활발하게 이루어지고 있다. 전통적으로 기존 연구에서는 인공신경망, 중회귀분석 등의 기법을 통해 사람의 감정을 판단하는 연구가 이루어져 왔다. 하지만 중회귀모형은 예측 정확도가 떨어지고, 인공신경망은 성능은 뛰어나지만 기법 자체가 지닌 과적합화 문제로 인해 한계를 지닌다. 본 연구는 사람들의 자극에 대한 반응으로서 나타나는 얼굴 표정을 통해 감정을 추론해내는 지능형 모형을 개발하는 것을 목표로 한다. 기존 얼굴 표정을 통한 지능형 감정판단모형을 개선하기 위하여, Support Vector Regression(이하 SVR) 기법을 적용하는 새로운 모형을 제시한다. SVR은 기존 Support Vector Machine이 가진 뛰어난 예측 능력을 바탕으로, 회귀문제 영역을 해결하기 위해 확장된 것이다. 본 연구의 제안 모형의 목적은 사람의 얼굴 표정으로부터 쾌/불쾌 수준 그리고 몰입도를 판단할 수 있도록 설계되는 것이다. 모형 구축을 위해 사람들에게 적절한 자극영상을 제공했을 때 나타나는 얼굴 반응들을 수집했고, 이를 기반으로 얼굴 특징점을 도출 및 보정하였다. 이후 전처리 과정을 통해 통계적 유의변수를 추출 후 학습용과 검증용 데이터로 구분하여 SVR 모형을 통해 학습시키고, 평가되도록 하였다. 다수의 일반인들을 대상으로 수집된 실제 데이터셋을 기반으로 제안모형을 적용해 본 결과, 매우 우수한 예측 정확도를 보임을 확인할 수 있었다. 아울러, 중회귀분석이나 인공신경망 기법과 비교했을 때에도 본 연구에서 제안한 SVR 모형이 쾌/불쾌 수준 및 몰입도 모두에서 더 우수한 예측성과를 보임을 확인할 수 있었다. 이는 얼굴 표정에 기반한 감정판단모형으로서 SVR이 상당히 효과적인 수단이 될 수 있다는 점을 알 수 있었다.