http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
지능형이론을 이용한 도시부 신호교차로 교통사고빈도예측모형 개발
강영균(Kang, Young-Kyun),이수범(Soo Beom Lee),김정현(Jeong Hyun Kim) 대한교통학회 2008 대한교통학회 학술대회지 Vol.58 No.-
우리나라는 급격한 자동차의 증가와 경제발전으로 인하여 교통체증, 대기오염 등과 같이 많은 교통문제가 발생하고 있는 실정이다. 수많은 교통문제 중 교통사고는 국민의 인명과 재산에 피해를 발생시킴으로써 가장 큰 교통문제로 부각되고 있으며 교통사고로 인한 손실은 사고당사자는 물론 국가 경제에도 큰 영향을 미치고 있다. 특히 교통사고는 교통류의 흐름이 단절되는 교차로에서 많이 발생되고 있다. 이렇게 발생하는 교통사고를 줄이기 위하여서는 교차로 안전진단을 실시하고, 안전관련 시설투자에 대한 우선순위를 선정하는 합리적이고 체계적인 방법론이 필요하다.
압입 표면 변위를 이용한 적합직교분해 딥러닝(POD-DL) 기반의 소성 물성 예측
강영균(Yeong Gyun Kang),이승원(Seung Won Lee),유경현(Kyung Hyun Yoo),이철수(Cheol Soo Lee) 대한기계학회 2022 大韓機械學會論文集A Vol.46 No.1
본 연구의 목적은 압입으로 발생된 표면 변위를 이용해 재료의 소성 물성을 예측하는 것이다. 이는 재료 물성에 따라 압입 표면 변위가 서로 다른 양상을 보이기 때문에 가능하다. 표면 변위는 비접촉식 계측방식인 디지털 이미지 상관법을 이용하여 측정할 수 있다. 물성 예측에 필요한 소성 물성별 표면 변위 데이터베이스 수치 시뮬레이션을 통해 구축한다. 소성 물성은 항복강도와 변형경화지수로 표현된다. 데이터베이스는 딥러닝 데이터로 사용되기 위해 적합직교분해를 통해 압축된다. 적합직교분해는 영향도에 따라 데이터를 압축하는 전처리 기법이다. 학습된 딥러닝 모델은 압입 표면 변위로 소성 물성을 예측한다. 이를 통해 항복강도는 평균 오차율 2.7%, 변형경화지수는 평균 오차율 5.7% 이내에서 예측되었다. The purpose of this study is to predict the plastic properties of material using surface displacement caused by indentation. Depending on the material properties, the surface displacement exhibits different aspects. The surface displacement can be measured using a digital image correlation method, which is a noncontact measurement method. The surface displacement database for each plastic property necessary for property prediction was constructed through numerical simulation, with plastic properties represented by yield strength and the strain hardening exponent. The database was compressed through proper orthogonal decomposition (POD) for deep learning data. POD is a preprocessing technique that compresses data according to the greatest influence. The trained deep learning model predicts plastic properties by indentation surface displacement. By using this technique, the yield strength was predicted within an average error rate of 2.7%, and the strain hardening exponent was predicted within an average error rate of 5.7%.