http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
허경 한국정보교육학회 2021 정보교육학회논문지 Vol.25 No.5
본 논문은 예비교사와 현직교사를 위한 인공지능 소양 교육으로 적용할 수 있는 교육 사례를 연구하였다. 이 를 위해, 이미지를 인식하는 인공신경망의 동작 원리를 교육하는 사례를 제안하였다. 본 교육 사례는 인공신경망 동작 및 구현의 기초 원리 교육에 초점을 맞추어, 인공신경망 구현에 필요한 매개변수 최적화 해들을 스프레드 시트로 찾는 방법을 적용하였다. 본 논문에서는 지도학습 방식의 인공신경망에 초점을 맞추었다. 첫 번째로, 인 공신경망 원리 교육 사례로서 2종 이미지를 인식하는 인공신경망 교육 사례를 제안하였다. 두번째로 인공신경망 확장 교육 사례로서 3종 이미지를 인식하는 인공신경망 교육 사례를 제안하였다. 마지막으로 인공신경망 교육 사례를 분석한 결과와 교육 만족도 분석 결과를 제시하였다. 제안한 교육 사례를 통해, 인공신경망 동작 원리, 학습 데이터 작성 방법, 학습 데이터양에 따라 실행되는 매개변수 계산 회수 그리고 매개변수 최적화에 대해 학 습할 수 있다. 예비교사와 현직교사에 대한 교육 만족도 조사 결과는 각 조사 항목에 대해 모두 70%이상 긍정적 인 응답 결과를 나타내어, 높은 수업 적용 적합성을 나타내었다. In this paper, an educational case that can be applied as artificial intelligence literacy education for preservice teachers and incumbent teachers was studied. To this end, a case of educating the operating principle of an artificial neural network that recognizes images is proposed. This training case focuses on the basic principles of artificial neural network operation and implementation, and applies the method of finding parameter optimization solutions required for artificial neural network implementation in a spreadsheet. In this paper, we focused on the artificial neural network of supervised learning method. First, as an artificial neural network principle education case, an artificial neural network education case for recognizing two types of images was proposed. Second, as an artificial neural network extension education case, an artificial neural network education case for recognizing three types of images was proposed. Finally, the results of analyzing artificial neural network training cases and training satisfaction analysis results are presented. Through the proposed training case, it is possible to learn about the operation principle of artificial neural networks, the method of writing training data, the number of parameter calculations executed according to the amount of training data, and parameter optimization. The results of the education satisfaction survey for preservice teachers and incumbent teachers showed a positive response result of over 70% for each survey item, indicating high class application suitability.
인공신경망을 이용한 비상장주식가치 평가방업의 도입가능성
이병철,정순여,김완일 한국세무학회 2005 세무학 연구 Vol.22 No.2
Previous research argue that the supplemented valuation method(SVM) of Inheritance Tax Law is inappropriate to apply for stock price evaluation of unlisted firms. This study suggests an artificial neural network(ANN) model as an alternative method of SVM. The ANN model consists of 17 financial ratio variables is superior to SVM in predicting stock prices of listed firms. The ANN model predicts stock prices of listed firms with average +/-20% range of actual prices.For the overpriced sample by SVM, the estimated stock price of SVM is an average of 63 times of actual price, meanwhile that of ANN is only 1.29 times. For the similar priced sample by SVM, the estimated stock price of SVM is an average of 0.9 times of actual price, meanwhile that of ANN is 0.87 times. Statistically there is no difference between them. For the underpriced sample by SVM, the estimated stock price of SVM is an average of 0.16 times of actual price, while that of ANN is 1.22 times. For unlisted stocks, the estimated stock prices of SVM and ANN are far different. The standard deviation of estimated stock prices by ANN is much more smaller than that by SVM.One of the most serious weak points of SVM is that SVM does not consider characteristics of individual firm. ANN makes every possible effort to reflect individual firm's characteristics. This study reveals superiority of ANN in evaluating stock prices of unlisted firms 선행연구들은 상속세법상 비상장주식의 가치 평가방법인 보충적 평가방법(보충법)이 적정하지 못함을 지적하고 있다. 본 연구는 인공신경망을 이용한 평가방법이 보충법에 의한 평가방법에 비교하여 예측력이 더 높아지는지를 분석하였다. 재무비율 변수 17개를 추출하여 인공신경망 모형을 구축하고 상장법인을 대상으로 하여 보충법에 의한 평가액과 인공신경망에 의한 평가액을 실제주가와 비교한 결과 인공신경망의 예측력이 월등히 우수한 것으로 나타났다. 전반적으로 인공신경망 모형은 실제주가를 평균적으로 약 +/-20% 범위 내에서 예측하고 있다. 보충법에 의한 평가액이 실제주가에 비하여 고평가된 표본의 경우 평균 보충법이 실제주가 대비 63배나 고평가한 반면에 인공신경망 모형은 1.29배로 나타났다. 유사 평가 표본에 대하여 보충법에 의한 평가액은 실제주가의 0.9배인 반면에 인공신경망 모형의 평가액은 실제주가의 0.87배로 통계적으로 차이가 없었다. 저평가된 표본에 대하여 보충법의 평가액은 실제주가의 0.16배에 불과하지만 인공신경망 모형의 평가액은 1.22배로 나타났다. 비상장법인에 대하여 보충법과 인공신경망 모형을 적용한 결과 양자간 평가액에 큰 차이가 났다. 인공신경망에 의한 평가액은 보충법의 평가액에 비하여 기업간 편차가 작았다. 보충법의 가장 큰 단점은 평균적으로는 실제주가에 근접하게 평가하지만 개별기업의 주가를 개별기업의 특성에 맞추어 평가하는 데 한계가 있다는 것이다. 인공신경망 모형은 개별기업의 개별적 특성을 최대한 반영하여 주가를 평가할 수 있다는 장점을 가지고 있다. 이 연구는 비상장기업 등의 주가 평가에 인공신경망 모형이 가장 좋은 도구임을 보여주고 있다. 향후 비상장기업 주가평가에 인공신경망 모형이 적극 활용되기를 기대한다.
인공지능에 관한 예술공학적 이해 : 인공 신경망을 활용한 예술 콘텐츠의 ‘창의’를 중심으로
윤나라(YOON, Na-Ra) 인문콘텐츠학회 2020 인문콘텐츠 Vol.0 No.59
본 글은 심층 인공 신경망으로부터 구현된 동시대 인공지능과 이를 활용한 예술 콘텐츠에 주목하고, 인공지능 시대에 ‘창의’를 정의하는 문제에 있어 동시대적 이해의 가능성을 탐색하고자 한다. 인공 신경망/인공지능은 자연 신경망/자연지능의 작동 원리와 구조를 그대로 복제하는 방식으로 구현되지 않는다. 따라서 이를 자연 신경망/자연지능에 언어적으로 유비하거나 의인화(Anthropomorphization)하여 이해하려는 시도는 적절하지 않다. 오늘날 인공 신경망은 양적 · 질적 차원에서 급수적으로 발전하고 있으며, 이것으로부터 직 · 간접적으로 파생된 예술 콘텐츠 또한 양적·질적 차원에서 급수적으로 증가하고 있다. 이러한 콘텐츠들에 관한 논의는 전통적 · 관습적 접근 방식과 함께 기술에 관한, 특히 동시대 정보기술에 관한 심도 있는 이해 또한 요구한다. 예술공학 연구는 학제적 연구로서 통상 가장 인간적인 것으로 간주되는 예술 또는 작품 활동과, 반대 극점에 있는 것으로 간주되는 공학과 정보기술 그 중에서도 가장 첨단에 있는 인공 신경망/인공지능을 함께 이해하는 것을 목표로 한다. 이러한 맥락에서, 본 글은 첫째 지성과 창의에 관한 언어적 · 미학적 관점과 정보공학적 관점의 공약(Common measure)의 가능성을, 둘째 이 두 관점의 동등(Equal)하고 병렬적(Parallel)인 활용의 가능성을 모색하고자 한다. This article aims to explore the possibility of a contemporary understanding of AI and its creativity. Today, the advent, development and advancement of contemporary AI based on deep artificial neural networks is exponential in terms of both quantity and quality. At the same time, the amount of AI-made artistic productions is increasing exponentially, and its quality is also improving in an unprecedented way. However, there are still misunderstandings about AI derived from attempts to understand AI by analogizing it in a purely linguistic manner and/or sometimes by simply anthropomorphizing it. In fact, artificial neural networks/artificial intelligence is not implemented in a way to replicate or mimic their natural equivalents. They don’t even need to, as long as they can bring out intelligence. A contemporary AI is inseparable from the functioning of its artificial neural network. The art-tech as an interdisciplinary study aims to understand following two in a simultaneous as well as inclusive manner: art, creation and act of creation, traditionally conventionally considered to be the most ‘human’ thing; artificial neural network, AI and its functioning, traditionally considered to be the most technological or sometimes even the most ‘non-human’ thing. In this context, this article ponders to explore the following three possibilities. First, the possibility of having a ‘common measure’ between the two perspectives concerning intelligence and creativity: one based on conventional linguistics and traditional aesthetics; another based on information technology and engineering. high-tech. Second, the possibility of an equal and parallel use of these two perspectives. And third, the possibility of finding a ‘Degré zéro’ between the two perspectives.
이덕균,박지은 한국정보통신학회 2022 한국정보통신학회논문지 Vol.26 No.1
Recently, various uses of artificial intelligence have been made possible through the deep artificial neural network structure of machine learning, demonstrating human-like capabilities. Unfortunately, the deep structure of the artificial neural network has not yet been accurately interpreted. This part is acting as anxiety and rejection of artificial intelligence. Among these problems, we solve the capability part of artificial neural networks. Calculate the size of the artificial neural network structure and calculate the size of data that the artificial neural network can process. The calculation method uses the group method used in mathematics to calculate the size of data and artificial neural networks using an order that can know the structure and size of the group. Through this, it is possible to know the capabilities of artificial neural networks, and to relieve anxiety about artificial intelligence. The size of the data and the deep artificial neural network are calculated and verified through numerical experiments. 최근 인공지능의 다양한 활용은 기계학습의 딥 인공신경망 구조를 통해 가능해졌으며 인간과 같은 능력을 보여주고 있다. 불행하게도 딥 구조의 인공신경망은 아직 정확한 해석이 이루어지고 있지 못하고 있다. 이러한 부분은 인공지능에 대한 불안감과 거부감으로 작용하고 있다. 우리는 이러한 문제 중에서 인공신경망의 능력 부분을 해결한다. 인공신경망 구조의 크기를 계산하고, 그 인공신경망이 처리할 수 있는 데이터의 크기를 계산해 본다. 계산의 방법은 수학에서 쓰이는 군의 방법을 사용하여 데이터와 인공신경망의 크기를 군의 구조와 크기를 알 수 있는 Order를 이용하여 계산한다. 이를 통하여 인공신경망의 능력을 알 수 있으며, 인공지능에 대한 불안감을 해소할 수 있다. 수치적 실험을 통하여 데이터의 크기와 딥 인공신경망을 계산하고 이를 검증한다.
인공신경망을 기반으로 한 C.G.S 공법의 개량효과 예측시스템 개발
김정훈(Jeonghoon Kim),홍종욱(Jongouk Hong),변요셉(Yoseph Byun),정의엽(Euiyoup Jung),서석현(Seokhyun Seo),천병식(Byungsik Chun) 한국지반환경공학회 2013 한국지반환경공학회논문집 Vol.14 No.9
본 연구는 C.G.S공법 적용 지반을 설치 직경, 설치 간격, 면적 치환율, 지반강성에 따른 모델링을 실시함으로써 주변 지반의 거동을 파악하고자 하였고, 인공신경망의 매개변수 연구를 통해 본 연구에 가장 적합한 인공신경망 모델을 선정하여 수치해석과 인공신경망 연계를 통한 인공신경망 예측 모델을 개발하였다. 그 결과, C.G.S 말뚝 침하량 및 지반 침하량은 직경, 설치 간격, 면적 치환율, 지반강성 별로 일치하여 하나의 곡선으로 나타났으며, 이는 C.G.S 공법 적용 지반의 거동양상이 일정한 형태로 나타남을 의미하는 것으로, 이러한 결과를 바탕으로 3차원 거동에 대한 인공신경망 학습이 가능한 것으로 파악되었다. 인공신경망의 내적인자 연구 결과, 은닉층 뉴런수 10개, 모멘텀 상수 0.2, 학습률의 경우 0.2를 사용할 경우 입력과 출력간의 관계가 적절히 표현되는 것으로 나타났다. 이러한 인공신경망 모델의 최적구조를 이용하여 C.G.S 공법의 지반 거동을 평가한 결과는 결정계수 값이 C.G.S 말뚝 침하의 경우는 0.8737, 지반 침하의 경우는 0.7339, 지반 융기의 경우는 0.7212로 나타나 충분한 신뢰도를 보이고 있음을 알 수 있었다. In this study installation diameter, interval, area replacement ratio and ground hardness of applicable ground in C.G.S method should be mastered through surrounding ground by conducting modeling. Optimum artificial neural network was selected through the study of the parameter of artificial neural network and prediction model was developed by the relationship with numerical analysis and artificial neural network. As this result, C.G.S pile settlement and ground settlement were found to be equal in terms of diameter, interval, area replacement ratio and ground hardness, presented in a single curve, which means that the behavior pattern of applied ground in C.G.S method was presented as some form, and based on such a result, learning the artificial neural network for 3D behavior was found to be possible. As the study results of artificial neural network internal factor, when using the number of neural in hidden layer 10, momentum constant 0.2 and learning rate 0.2, relationship between input and output was expressed properly. As a result of evaluating the ground behavior of C.G.S method which was applied to using such optimum structure of artificial neural network model, is that determination coefficient in case of C.G.S pile settlement was 0.8737, in case of ground settlement was 0.7339 and in case of ground heaving was 0.7212, sufficient reliability was known.
이창환(Lee Chang-Hwan),안재현(Ahn Jae-Hyun),이주헌(Lee Joo Heon),김태웅(Kim Tae-Woong) 대한토목학회 2009 대한토목학회논문집 B Vol.29 No.2B
교각주위의 국부세굴은 교량붕괴의 주원인 중 하나로 알려져 있다. 세굴심을 산정하는 방법에는 경험식에 의한 방법과 수치모형을 이용한 시뮬레이션이 있다. 하지만 경험식에 의한 방법은 공식이 적용될 수 있는 유사한 상황에서만 제한적으로 사용기능하며, 수치모형을 이용한 방법은 비용이 많이 든다는 단점을 가지고 있다. 그러므로 본 연구에서는 세굴심 예측을 위한 CSU 공식, 다중회귀분석, 다양한 인공신경망 모형의 유용성을 비교분석하였다. 또한 세굴심을 산정하는데 있어 넓은 범위의 오차를 발생시키는 인공신경망 모형의 단점을 보완하기 위하여 본 연구에서는 인공신경망 모형에 군집분석을 결합하여 오차를 감소시키고자 하였다. 세굴심 예측을 위해 CSU 공식, 다중회귀분석, 다양한 인공신경망 모형을 적용해 본 결과 역전파알고리즘을 이용하는 인공신경망 모형이 가장 높은 정확성을 보였으며, 인공신경망 모형에 군집분석을 적용한 세굴심 예측에서는 군집수가 3일 때 가장 높은 정확도를 보였다. 군집분석을 적용한 인공신경망 모형의 정확도는 다른 모형과 비교 할 때 최고 42.73%가 향상된 결과를 보여 인공신경망 모형내의 군집분석의 적용이 인공신경망의 오차를 줄이는데 큰 역할을 할 수 있음을 알 수 있었다. A local scour around a bridge pier is known as one of important factors of bridge collapse. Two approaches are usually used in estimating a scour depth in practice. One is to use empirical formulas, and the other is to use computational methods. But the use of empirical formulas is limited to predict a scour depth under similar conditions to which the formulas were derived. Computational methods are currently too expensive to be applied to practical engineering problems. This study presented the application of artificial neural networks (ANN) to the prediction of a scour depth around a bridge pier at an equilibrium state. This study also investigated various ANN algorithms for estimating a scour depth, such as Backpropagation Network, Radial Basis Function Network, and Generalized Regression Network. Preliminary study showed that ANN models resulted in very wide range of errors in predicting a scour depth. To solve this problem this study incorporated cluster analysis into ANN. The incorporation of cluster analysis provided better estimations of scour depth up to 42% compared with other approaches.
인공 신경망을 사용한 시뮬레이션 기반 헬리데크 손상 추정
김찬영,하승현 한국전산구조공학회 2020 한국전산구조공학회논문집 Vol.33 No.6
본 논문에서는 전산구조 해석 데이터를 기반으로 인공 신경망을 활용하여 헬리데크 구조물에 대한 손상 추정 기법을 제안하였다. 헬리데크를 구성하는 트러스와 서포트 부재들에 대해서 절점을 공유하는 부재들을 70개의 모델로 그룹화 하였으며, 최대 3가지 부재 그룹에 무작위로 손상을 부여하여 총 37,400개의 손상 시나리오를 생성하였다. 이들 각각에 대해서 구조 해석 프로그램을 통해 모드 해석을 수행하였으며, 전체 손상 시나리오를 사용 목적에 따라 학습, 유효성 검사, 그리고 검증 시나리오로 분리하였다. 헬리데크의 손상 및 비손상 상태의 동적 응답 특성에 대한 패턴 인식을 위해 PyTorch 프로그램을 활용하여 3개의 은닉층을 가지는 인공 신경망을 구성하였으며, 이에 대해서 다양한 손상 시나리오를 반복 학습함으로써 손실 함수를 최소로 하는 인공 신경망을 도출하였다. 최종적으로 총 400개의 검증 시나리오에 대해서 인공 신경망이 추정한 손상률과 실제 부여된 손상률을 비교하였으며, 그 결과 본 연구를 통해 얻어진 인공 신경망이 손상 부재의 위치와 손상 정도를 매우 높은 정확도로 예측하는 것을 확인하였다. In this study, a simulation-based damage estimation method for helidecks is proposed using an artificial neural network. The structural members that share a connecting node in the helideck are regarded as a damage group, and a total of 37,400 damage scenarios are numerically generated by applying randomly assigned damage to up to three damage groups. Modal analysis is then performed for all the damage scenarios, which are selectively used as either training or validation or verification sets based on the purpose of use. An artificial neural network with three hidden layers is constructed using a PyTorch program to recognize the patterns of the modal responses of the helideck model under both damaged and undamaged states, and the network is successively trained to minimize the loss function. Finally, the estimated damage rate from the proposed artificial neural network is compared to the actual assigned damage rate using 400 verification scenarios to show that the neural network is able to estimate the location and amount of structural damage precisely.
권오성 한국정보교육학회 2021 정보교육학회논문지 Vol.25 No.1
인공 신경망 기술은 인간의 감각 처리와 내적인 변화를 기계적으로 실현하려는 컴퓨터 기술 분야로서 신경과 학, 인성 및 도덕 교육과도 충분한 관련성을 갖는다. 인성 교육이 인간의 내면을 바람직한 방향으로 유도하는 노 력이라고 할 때 인공신경망은 그러한 사고 과정과 특성을 설명하는 실험 도구로서 손색이 없다. 이에 본 연구는 AI 인공신경망 기술의 동작 원리를 기본으로 인성 교육과 관련된 함의 요소를 찾고 그 현상을 설명하고자 한다. 최근 AI 연구는 전통적인 기호주의보다는 심층신경망 등 연결주의 지능 분야에 집중되는 경향이 있다. 본 논문 역시도 이러한 시대적 흐름에 따라 심층 신경망의 독특한 동작 특성을 인성 교육의 중요 요소와 관련지어 설명 하고자 한다. 구체적인 함의 요소로 “오버피팅 : 편중된 학습능력의 해소”, “활성화 함수 ; 학습자의 개별성과 다 양성 확보”, “아날로그 연산 : 학습자의 이성과 감성의 균형”을 제시한다. 본 논문과 같이 AI 인공신경망 관점에 서 인성 교육과의 함의점을 찾는 노력은 AI 정보 교육의 외연을 넓히고 타 교과와의 융합 도구로 그 의미를 갖는다. Artificial neural network technology is a field of computer technology that seeks to mechanically realize human sensory processing and internal changes, and has sufficient relevance to neuroscience, character and moral education. Assuming that character education is an effort to guide the human inner side in a desirable direction, artificial neural networks are excellent as an experimental tool to explain such thought processes and characteristics. Therefore, this study seeks to find implications related to character education and explain the phenomenon based on the operating principle of AI artificial neural network technology. Recently, AI research tends to focus on connectionist intelligence, such as deep neural networks, rather than traditional symbolism. This paper also attempts to explain the unique behavioral characteristics of deep neural networks in relation to important elements of character education in accordance with this trend of the times. As a specific element of implications, “Overfitting: Resolving the concentrated learning ability”, “Activation function; Ensuring individuality and diversity of learners” and “Analog processing: balance between learner's reason and emotion”. As in this paper, efforts to find the implications of personality education from the perspective of AI artificial neural networks have meaning as a tool for fusion with other subjects and broaden the extension of AI information education.
인공신경망을 이용한 태양광열 시스템의 열 및 전기 성능예측 모델 개발
오진환,배상무,남유진 대한설비공학회 2022 설비공학 논문집 Vol.34 No.4
Recently, Zero Energy Building (ZEB) that reduces the energy consumption and energy demand is becoming major issue. To realize ZEB, high energy efficiency renewable energy systems are actively applied in the building. Among the renewable energy systems, the photovoltaic-thermal (PVT) systems can respond heat and electricity demands of the buildings with one facility. Although, it is necessary to accurately predict the performance of the PVT system, most studies are conducted at the mock-up test level, through energy simulation and laboratory-scale experiment. In this study, the real-scale experiment plant that comprises the PVT module, heat storage tank, and actual building was constructed to collect the database of the PVT system under actual conditions. Moreover, based on the real-scale experimental data, the performance prediction model was constructed using artificial neural network (ANN). To verify the accuracy of the performance prediction model based on ANN, the coefficient of variation root mean square error (Cv(RMSE)) proposed by ASHRAE Guideline 14 was used. The Cv(RMSE) for the predicted result by ANN was calculated as 10% of the thermal efficiency, and 16% of the electrical production. Through the Cv(RMSE) result, it was confirmed that the performance prediction model based on ANN is reliable. 본 연구에서는 소규모 사업자 및 실무자 등이 시스템 성능을 설계단계에서 검토할 수 있는 기초자료로써 활용하기 위하여 인공신경망 기반 PVT 예측 모델을 구축하였다. 또한, 실증실험을 통하여 수집된 데이터와 인공신경망의 예측결과를 비교하여 구축된 인공신경망 모델을 검증하였다. 본 연구의 결과에 대한 요약은 다음과 같다. (1) 실증실험을 수행하여 인공신경망의 입․출력 데이터를 수집하였으며, 피어슨 상관계수 분석을 통하여 결정계수가 0.2 미만인 변수는 제거하였다. 선별된 입력변수는 정규화 과정을 거쳐 인공신경망 모델에 적용하였다. (2) 입․출력 데이터에 대한 피어슨 상관계수 결과를 토대로 결정계수(r2)를 산출하여 PVT 열효율은 PVT 유량 및 일사량, PVT 발전량의 경우 외기온도, 일사량이 가장 큰 영향을 미치는 것을 확인하였다. (3) 실증실험을 통하여 측정된 데이터와 인공신경망 모델의 예측결과의 해석 결과 간 Cv(RMSE)는 PVT 열효율 10.44%, PVT 전력생산량 16.34%로 계산되었다. 따라서, 본 연구에서 개발된 인공신경망 기반 PVT 성능예측 모델은 ASHRAE Guideline 14-2014에서 제안하는 30% 범위에 수용하여 신뢰성이 있음을 확인하였다. (4) 본 연구에서 개발된 인공신경망 기반 PVT의 성능 예측 모델은 설계 변수가 다수 필요한 기존의 에너지 시뮬레이션보다 모델 구축 및 해석 시간을 단축할 수 있을 것으로 사료된다. 본 연구에서는 하절기의 PVT 실험 데이터에 기반하여 성능예측 모델을 구축하였으므로 PVT의 연간 성능을 정확히 예측하기에는 한계점이 있다. 향후, 동절기 장기간 실험 데이터를 수집하여 다양한 다수의 데이터를 확보 및 적용하여 오버피팅(Overfitting)을 억제하여 개발된 PVT 시스템 성능예측모델의 정확도를 향상시킬 예정이다.
Application of recurrent neural network for inflow prediction into multi-purpose dam basin
Park Myung Ky,Yoon Yung Suk,Lee Hyun Ho,Kim Ju Hwan 한국수자원학회 2018 한국수자원학회논문집 Vol.51 No.12
본 연구에서는 순환신경망을 이용한 댐 유입량 예측모형의 적용성 검토를 목적으로 하고 있으며, 이를 위해 소양강댐 유역 및 충주댐 유역을 대상 으로 그간 댐 운영을 통해 축적된 기상 및 수문 빅데이터를 활용하여 인공신경망 모형과 엘만 순환신경망 모형을 구축하였다. 모형의 학습과 예측 을 위하여 유역별 유입량, 강우량, 기온, 일조시간, 풍속자료가 입력자료로 사용되었고 10일간 일별 댐유입량 자료가 모델의 출력자료로 구조화 하여 학습을 진행한 후 검증을 목적으로 2016년 7월 ~ 2018년 6월까지 2개년에 대한 댐 유입량 예측을 수행하였다. 학습된 모형의 유입량 예측 결과를 비교분석한 결과, 소양강댐 유역에서는 인공신경망 모형과 순환신경망 모형 간 예측성능은 큰 차이를 보이지 않았으며, 충주댐 유역에서는 순환신경망 모형의 예측 결과가 인공신경망 모형에 비해 비교적 우수한 성능을 보임에 따라 엘만 순환신경망을 이용하여 댐 유입량 예측모형을 구축 할 경우 예측성능은 기존의 인공신경망 모형과 비슷하거나 다소 우수할 것으로 판단된다. 또한 엘만 순환신경망은 갈수기 댐 유입량 예측에 있어서 인공신경망에 비해 예측결과의 재현성이 우수한 것으로 나타났으며, 엘만 순환신경망 학습에 있어 다중 은닉층 구조가 단일 은닉층 구조보다 예측 성능 향상에 효과적인 것으로 분석되었다. This paper aims to evaluate the applicability of dam inflow prediction model using recurrent neural network theory. To achieve this goal, the Artificial Neural Network (ANN) model and the Elman Recurrent Neural Network(RNN) model were applied to hydro-meteorological data sets for the Soyanggang dam and the Chungju dam basin during dam operation period. For the model training, inflow, rainfall, temperature, sunshine duration, wind speed were used as input data and daily inflow of dam for 10 days were used for output data. The verification was carried out through dam inflow prediction between July, 2016 and June, 2018. The results showed that there was no significant difference in prediction performance between ANN model and the Elman RNN model in the Soyanggang dam basin but the prediction results of the Elman RNN model are comparatively superior to those of the ANN model in the Chungju dam basin. Consequently, the Elman RNN prediction performance is expected to be similar to or better than the ANN model. The prediction performance of Elman RNN was notable during the low dam inflow period. The performance of the multiple hidden layer structure of Elman RNN looks more effective in prediction than that of a single hidden layer structure.