http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
조준현,Jo, Jun-Hyeon 대한건축사협회 1981 建築士 Vol.1981 No.9
건축공사의 적산은 제시된 설계도나 기지 시방서에 의하여 공종별로 수량을 산출하고 그 명 수량에 소요단가를 정한 금액을 합산하여 공사비를 적출하게 된다. 공사량을 적출하고 공사비를 계산하는데 있어 기본 지침서가 되는것은 정부(건설부)제정 건축적산비율 및 건설공사 표준품셈이 있다. 공종별로 주요하다고 생각되는 1981적용 건축적산비율의 내용과 적산하는데 필요한 자재의 규격 및 1981적용 건설공사 표준품셈을 근간으로한 일위대비표를 건축사 여러분이 실용함에 있어 다소나마 도움이 되지 않을까 생각되어 본지를 통해 소개한다. 본지의 지면관계상 상세하게 또한 전공종을 다 소개하지 못하는 것을 아쉽게 여기면서 지면이 허락하는데로 또한 자료가 정리되는데로 계속해서 소개해 드리고자 한다
CFD를 이용한 수윤활 볼베어링의 구름 요소 주위의 마찰 토크분석
조준현(Jun Hyeon Jo),김충현(Choong Hyun Kim) 한국트라이볼로지학회 2013 한국트라이볼로지학회지 (Tribol. Lubr.) Vol.29 No.4
Water-lubricated ball bearings consist of rolling elements, an inner raceway, an outer raceway, a retainer, and an operating lubricant. In the water environment, ball bearings are required to sustain high loads at high speeds under poorly lubricated conditions. For the analysis of bearing behavior, friction torque is considered as the main factor at various flow rates, rotating speeds, and roughnesses between the rolling element and raceways. When the bearing operates at high rotating speeds, the friction torque between the raceway and rolling elements increases considerably. This frictional torque is an important factor affecting bearing reliability and life cycle duration. For understanding the flow conditions in the inner part of the bearing, this study focuses on the flow around the rotating and revolving rolling elements. A simple model of fluid flow inside the ball bearing is designed using the commercial CFD program ANSYS.
디지털 프린터에 적용되는 회전 다각형 디스크의 소음특성
조준현(Jo, Jun-Hyeon),김형채(Kim, Hyeong-Chae) 한국소음진동공학회 2008 한국소음진동공학회 논문집 Vol.18 No.6
Consumer's product selection measures are being shifted from the units' operational performance to overall performance. Low noise, low vibration, and low power consumption rate, etc. which used to be additional quality indices, now become vital performance factors. Especially, noise and vibration characteristics are being considered as equivalent to/or even more critical than operational performance in certain products such as office machines and home entertainment systems, which share the same space with human being's daily life. Therefore, noise reduction and sound quality improvement technology becomes an inevitable design issue for those applications. Qualitative noise characteristics of rotating polygonal disk applied to digital printer systems are presented. Overall sound pressure level change and tonal noise variation with respect to the geometrical properties of polygonal disk, operational speed, and others are briefly discussed based on experimental results.
심층 신경망을 이용한 탄성파 속도 모델 구축 사례 분석
조준현 ( Jun Hyeon Jo ),하완수 ( Wansoo Ha ) 한국지구물리·물리탐사학회 2021 지구물리와 물리탐사 Vol.24 No.2
속도 모델 구축은 탄성파 탐사 자료처리에서 필수적인 절차이다. 주시 토모그래피나 속도 분석과 같은 기존 기법들은 하나의 속도 모델을 예측하는 데 계산 시간이 오래 걸리며 역산 결과의 품질이 전문가의 판단에 크게 의존한다. 전파형 역산 또한 초기 속도 모델에 크게 의존한다는 문제가 있다. 최근 심층 신경망 기법이 복잡하고 비선형적인 문제를 푸는데 적용되는 사례가 많아지면서 널리 보급되고 있다. 이 논문에서는 심층 신경망 기법을 이용한 탄성파 속도 모델 구축 사례들을 각 연구에 사용한 신경망에 따라 분류하며 조사하였다. 또한 훈련용 인공 속도 모델 생성 사례도 포함하였다. 심층 신경망은 대량의 데이터로부터 신경망을 훈련함으로써 모델 매개변수를 자동으로 최적화한다. 따라서 기존 기법들에 비해 역산 결과에 사람의 판단이 개입될 여지가 적으며 훈련을 마친 후 하나의 속도 모델을 예측하는 비용은 무시할 수 있다. 또한, 심층 신경망은 전파형 역산과 달리 초기 속도 모델이 필요하지 않다. 여러 연구에서 계산 비용뿐만 아니라 역산 결과에서도 심층 신경망 기법이 뛰어난 성과를 달성하는 것을 보여주었다. 연구 결과들을 바탕으로 속도 모델 구축에 사용된 심층 신경망 기법의 특징에 대해 분석하고 논의하였다. Velocity model building is an essential procedure in seismic data processing. Conventional techniques, such as traveltime tomography or velocity analysis take longer computational time to predict a single velocity model and the quality of the inversion results is highly dependent on human expertise. Full-waveform inversions also depend on an accurate initial model. Recently, deep neural network techniques are gaining widespread acceptance due to an increase in their integration to solving complex and nonlinear problems. This study investigated cases of seismic velocity model building using deep neural network techniques by classifying items according to the neural networks used in each study. We also included cases of generating training synthetic velocity models. Deep neural networks automatically optimize model parameters by training neural networks from large amounts of data. Thus, less human interaction is involved in the quality of the inversion results compared to that of conventional techniques and the computational cost of predicting a single velocity model after training is negligible. Additionally, unlike full-waveform inversions, the initial velocity model is not required. Several studies have demonstrated that deep neural network techniques achieve outstanding performance not only in computational cost but also in inversion results. Based on the research results, we analyzed and discussed the characteristics of deep neural network techniques for building velocity models.