• Geomechanics and Engineering
• /
• 제31권4호
• /
• pp.339-352
• /
• 2022

Studying slope stability is an important branch of civil engineering. In this way, engineers have employed machine learning models, due to their high efficiency in complex calculations. This paper examines the robustness of various novel optimization schemes, namely equilibrium optimizer (EO), Harris hawks optimization (HHO), water cycle algorithm (WCA), biogeography-based optimization (BBO), dragonfly algorithm (DA), grey wolf optimization (GWO), and teaching learning-based optimization (TLBO) for enhancing the performance of adaptive neuro-fuzzy inference system (ANFIS) in slope stability prediction. The hybrid models estimate the factor of safety (F_S) of a cohesive soil-footing system. The role of these algorithms lies in finding the optimal parameters of the membership function in the fuzzy system. By examining the convergence proceeding of the proposed hybrids, the best population sizes are selected, and the corresponding results are compared to the typical ANFIS. Accuracy assessments via root mean square error, mean absolute error, mean absolute percentage error, and Pearson correlation coefficient showed that all models can reliably understand and reproduce the F_S behavior. Moreover, applying the WCA, EO, GWO, and TLBO resulted in reducing both learning and prediction error of the ANFIS. Also, an efficiency comparison demonstrated the WCA-ANFIS as the most accurate hybrid, while the GWO-ANFIS was the fastest promising model. Overall, the findings of this research professed the suitability of improved intelligent models for practical slope stability evaluations.

• Steel and Composite Structures
• /
• 제51권1호
• /
• pp.25-41
• /
• 2024

The measurement of pile bearing capacity is crucial for the design of pile foundations, where in-situ tests could be costly and time needed. The primary objective of this research was to investigate the potential use of fuzzy-based techniques to anticipate the maximum weight that concrete driven piles might bear. Despite the existence of several suggested designs, there is a scarcity of specialized studies on the exploration of adaptive neuro-fuzzy inference systems (ANFIS) for the estimation of pile bearing capacity. This paper presents the introduction and validation of a novel technique that integrates the fire hawk optimizer (FHO) and equilibrium optimizer (EO) with the ANFIS, referred to as ANFIS_FHO and ANFIS_EO, respectively. A comprehensive compilation of 472 static load test results for driven piles was located within the database. The recommended framework was built, validated, and tested using the training set (70%), validation set (15%), and testing set (15%) of the dataset, accordingly. Moreover, the sensitivity analysis is performed in order to determine the impact of each input on the output. The results show that ANFIS_FHO and ANFIS_EO both have amazing potential for precisely calculating pile bearing capacity. The R² values obtained for ANFIS_FHO were 0.9817, 0.9753, and 0.9823 for the training, validating, and testing phases. The findings of the examination of uncertainty showed that the ANFIS_FHO system had less uncertainty than the ANFIS_EO model. The research found that the ANFIS_FHO model provides a more satisfactory estimation of the bearing capacity of concrete driven piles when considering various performance evaluations and comparing it with existing literature.

• 한국컴퓨터정보학회논문지
• /
• 제29권3호
• /
• pp.75-81
• /
• 2024

본 논문은 딥러닝 모델이 포함된 TinyML(Tiny Machine Learning)를 초저전력 시스템에 탑재하여, 층간소음 문제를 실시간으로 처리하는 방법을 제시한다. 이 방법이 가능한 이유는 딥러닝 모델 경량화 기술로 인해 컴퓨팅 리소스가 작은 시스템도 자체적으로 추론을 수행 할 수 있기 때문이다. 기존에 층간소음 문제를 해결하기 위해 제시됐던 방법은 센서에서 수집한 데이터를 서버로 보내어 데이터를 분석한 후에 처리하는 방법 이었다. 하지만 이러한 중앙 처리 방법은 구축 비용이 비싸고 복잡하며, 실시간 처리가 어려운 문제가 있다. 이러한 한계점을 본 논문에서는 TinyML을 사용한 On-Sensor AI(Artificial Intelligent) 로 해결하였다. 본 논문에서 제시한 방법은 시스템 설치가 간단하고 저비용 이면서 문제를 실시간적으로 처리할 수 있다.

• 한국컴퓨터정보학회논문지
• /
• 제29권4호
• /
• pp.39-46
• /
• 2024

많은 연구자들이 다양한 모델을 이용하여 물의 수질을 평가하기 위해 노력하고 있다. 평가 모델에는 결측값이 없는 데이터셋이 필요하지만, 관측 데이터셋에는 결측값이 다수 포함되는 것이 현실이다. 단순히 결측값을 삭제하는 방법은 경우에 따라 기저 데이터의 분포를 왜곡시키고 모델의 예측성능에도 편의(bias)를 불러올 위험성이 있다. 본 연구에서는 수질 데이터의 결측값 처리에 적합한 기법을 탐색하기 위해, 기존의 KNN과 MICE Imputation, 그리고 생성형 신경망 모델인 Autoencoder와 Denoising Autoencoder를 기반으로 몇 가지 대치 기법을 실험하였다. 실험 결과, KNN과 MICE Imputation의 결과를 평균한 Combined Imputation이 실측치에 가장 가깝게 값을 추정하였으며, 이 기법을 적용하여 결측값을 처리한 관측 데이터셋을 support vector machine과 ensemble 기반의 분류 모델로 평가한 결과, 결측값을 삭제했을 때에 비해 Accuracy, F1 score, ROC-AUC score, 그리고 MCC(Mathews Correlation Coefficient) 지표가 향상되었다.

• Geomechanics and Engineering
• /
• 제37권4호
• /
• pp.307-321
• /
• 2024

This paper delves into the critical assessment of predicting sidewall displacement in underground caverns through the application of nine distinct machine learning techniques. The accurate prediction of sidewall displacement is essential for ensuring the structural safety and stability of underground caverns, which are prone to various geological challenges. The dataset utilized in this study comprises a total of 310 data points, each containing 13 relevant parameters extracted from 10 underground cavern projects located in Iran and other regions. To facilitate a comprehensive evaluation, the dataset is evenly divided into training and testing subset. The study employs a diverse array of machine learning models, including recurrent neural network, back-propagation neural network, K-nearest neighbors, normalized and ordinary radial basis function, support vector machine, weight estimation, feed-forward stepwise regression, and fuzzy inference system. These models are leveraged to develop predictive models that can accurately forecast sidewall displacement in underground caverns. The training phase involves utilizing 80% of the dataset (248 data points) to train the models, while the remaining 20% (62 data points) are used for testing and validation purposes. The findings of the study highlight the back-propagation neural network (BPNN) model as the most effective in providing accurate predictions. The BPNN model demonstrates a remarkably high correlation coefficient (R2 = 0.99) and a low error rate (RMSE = 4.27E-05), indicating its superior performance in predicting sidewall displacement in underground caverns. This research contributes valuable insights into the application of machine learning techniques for enhancing the safety and stability of underground structures.

• 융합신호처리학회논문지
• /
• 제24권4호
• /
• pp.186-191
• /
• 2023

데이터 처리 기술은 의사결정을 위해 중요한 역할을 하며, 데이터 결측값 및 이상값 처리, 예측, 추천 모델 등이 포함 된다. 이는 모든 과정과 결과의 타당성, 신뢰성, 정확성에 대한 명확한 설명이 필요하다. 또한 의사결정트리, 추론 등을 이용한 설명가능한 모델을 통해 데이터의 문제를 해결하고, 다양한 유형의 학습을 고려하여 모델 경량화를 진행할 필요가 있다. 육하원칙을 적용한 다중 계층 마이닝 분류 방법은 데이터 전처리 후 트랜잭션에서 빈번하게 발생하는 변수와 속성 간의 다차원 관계를 발견하는 방법이다. 이는 트랜잭션에서 마이닝을 이용하여 유의미한 관계를 발견하고, 회귀분석을 통해 데이터를 모델링 하는 방법을 설명한다. 이에따라 확장 가능한 모델과 로지스틱 회귀모델을 개발하고, 데이터 정제, 관련성 분석, 데이터 변환, 데이터 증강을 통해 클래스 레이블을 생성하여 설명가능한 의사결정을 위한 미이닝 기술을 제안한다.

• 정보처리학회 논문지
• /
• 제13권10호
• /
• pp.553-558
• /
• 2024

형태소 분석은 의미를 가지거나 문법적 기능을 하는 언어의 최소 단위인 형태소를 분리하고, 각 형태소의 품사를 결정하는 작업으로, 개체명 인식, 의존구문 분석 등과 같은 자연어 처리 작업에서 중요한 역할을 한다. 현대 자연어처리의 많은 부분은 딥러닝 기반 언어 모델에 의존하고 있으며, 딥러닝 기반 한국어 형태소 분석은 크게 시퀀스-투-시퀀스 방식과 순차적 레이블링 방식으로 나뉜다. 본 연구에서는 트랜스포머 인코더를 활용한 순차적 레이블링 방식으로 음절 단위 품사 태깅을 수행한 후, 기분석 사전을 통해 형태소 복원 및 품사 태깅을 진행하는 형태소 분석 방식을 제안한다. 또한, CBOW 방식을 사용하여 음절 단위 임베딩을 낮은 차원으로 추출함으로써 파라미터 수를 줄인 경량화 형태소 분석기 모델을 설계하였다. 제안된 모델은 낮은 파라미터 수와 빠른 추론 속도를 통해 자원이 제한된 환경에서도 효율적으로 활용될 수 있다.

• 융합보안논문지
• /
• 제24권3호
• /
• pp.81-93
• /
• 2024

본 논문은 기존에 개발된 개인정보 라이프 사이클 모델을 정리 및 분석 후 이러한 개인정보 라이프 사이클 모델이 인공지능 학습에 적용 가능한지를 살펴보았다. 검토 결과 기존의 개인정보 라이프 사이클은 인공지능 학습의 적용에 일부 한계가 있음을 발견했다. 따라서 본 논문에서는 인공지능 학습에 적합한 개인정보 라이프 사이클을 제시했다. 새로운 개인정보 라이프 사이클은 수집-학습-보유-생성·추론-차단·재학습·삭제 단계로 구성했다. 새로운 모델 제시에 따라 현행 개인정보 보호법 조항과 일치 여부를 검토 후 향후 법령 개정 방향을 제시했다. 본 논문은 인공지능 학습과 개인정보 보호의 영역에서의 체계적 접근 가능성을 높였다는 측면에서 의의가 있다.

• 한국빅데이터학회지
• /
• 제9권1호
• /
• pp.89-100
• /
• 2024

컴퓨터 비전 분야에서 You Look Only Once(YOLO)와 ResNet 등의 모델은 실시간 성능과 높은 정확도로 인해 널리 사용되고 있다. 그러나 실제 환경에 이러한 모델들을 적용하려면 런타임 호환성, 메모리 사용량, 컴퓨팅 리소스 및 실시간 조건 등의 요소를 고려해야 한다. 본 연구에서는 세 가지 심층 모델 런타임 ONNX Runtime, TensorRT 및 OpenCV DNN의 특성을 비교하고, 2가지 모델에 대한 성능을 분석한다. 이러한 분석을 통해 현장 적용을 위한 런타임 선택에 기준을 제공해 주는 것이 논문의 목표이다. 실험에서는 차량 번호판 인식 및 분류 업무에 대해 소요 시간, 메모리 사용량, 정확도 평가 지표를 기반으로 런타임들을 비교한다. 실험 결과, ONNX Runtime은 복잡한 객체 탐지 성능이 우수하며, OpenCV DNN은 제한된 메모리 환경에 적합하고, TensorRT는 복잡한 모델의 실행 속도가 우수하다는 것을 보여준다.

• 한국인공지능학회지
• /
• 제12권4호
• /
• pp.27-33
• /
• 2024

Various techniques are being researched to effectively detect forest fires. Among them, techniques using object detection models can monitor forest fires over wide areas 24 hours a day. However, detecting forest fires early with traditional object detection models is a very challenging task. While they show decent accuracy for thick smoke and large fires, they show low accuracy for faint smoke and small fires, and frequently generate false positives for lights that are like fires. In this paper, to solve these problems, we focus on leveraging local characteristics such as contours and textures of fire and smoke, which are crucial for accurate detection. Based on this approach, we propose EDAM (Edge driven Attention Module) that performs enhancement by richly utilizing contour and texture information of fire and smoke. EDAM extracts important edge information to generate feature maps with emphasized contour and texture information, and based on this map, performs Attention Mechanism to emphasize key characteristics of smoke and fire. Through this mechanism, the overall model performance was improved, with AP_sincreasing from 0.154 to 0.204 and AP_0.5 from 0.779 to 0.784, resulting in a significant improvement in AP_svalue to 32.47%. In practice, the model applying this technique showed excellent inference speed while greatly improving detection performance for small objects compared to existing models and reduced false positive rates for building and street light illumination in nighttime environments that are easily mistaken for fire.