http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
밑面이 部分的으로 두 熱源을 갖는 四角密閉空間內의 自然對流
朴原徹 空軍士官學校 1985 論文集 Vol.20 No.-
밑면이 부분적으로 두 열원을 갖는 사각밀패공간내에서 자연대류현상을 수치해석방법중에서 양함수방법으로 연구하였다. 4각밀패공간의 밑면은 2개의 대상열원과 단열부분으로 되어 있으며 양측 벽과 윗 면은 저온으로 추대되어 있다. 본 연구에서 지배방정식들은 Boussinesq Approximation을 적용하여 단순화하였고, P_r=0.7, 0.15X10^3≤G)r≤3X10^4, 열원들 간격 및 크기, 종횡비 0.5~2.0 그리고 밑면의 경사각을 0˚~90˚로 변화하면서 계산을 행하였다. 열전달율과 유동은 열원들의 간격과 Grashot수에 영향을 받으며, 가열요소들의 크기가 일정할때 밀패공간의 종횡비가 1.0이상일때는 유동 및 온도분포에 거의 영향을 미치지 않았으며, 밑면의 경사각들은 평균Nrsselt수에는 거의 영향을 미치지 않으나, 유동에는 영향을 미친다. (Abstract) Natural convection in rectangular enclosure with localized two heat sources from below was studied by numerically usuing the explicit method. The rectangular enclosure had isothermal strip two heat sources, on an otherwise insulated bottom surface, and both side and the upper walls maintained at the lower uniform tempera ture. In this study the governing equations were simplified by appling Boussinesq approsimation and computations were carried out for P_r=0.7, 0.15X10^3≤G)r≤3X10^4, variations of the space and size of heating sources, aspect ratios from 0.5 to 2.0 for inclination angle the bottom plate was 0˚ to 90˚. The computed rates of heat transfer and circulations were affected by the heating elements space and Grashof number. For constant heating elements size, the aspect ratios more than one were a few influenced and inclination angules of bottom plate were a few influenced the mean Nusselt number but were influenced the flow.
표고 신품종 “수향고”, “여름향” 및 “천백고”의 특성
박원철,이봉훈,박영애,가강현,김성수,한주환,이귀용,오득실,위안진,박화식 한국버섯학회 2011 버섯 Vol.15 No.1
다년간의 표고 품종육성 시험을 통하여 표고 신품종 “수향고”, “여름향” 및 “천백고”를 개발하였다. “수향고”는 Di-mon교잡에 의해 만들어진 교잡균주로 균사는 25℃에서 생장이 가장 우수하였다. 자실체의 형태는 갈색의 반구형이고 갓은 대엽·후육으로 직경이 56 ㎜이다. 도목살수에 의한 버섯발생에 적합한 품종이며 집중발생형이다. 버섯 발이온도는 18~28℃로 여름·가을형인 고온성 품종이다. 재배지에서 4년간 생산량이 20㎏/㎥원목이다. “여름향”은 야생 표고 자실체를 채취한 후 조직분리를 통해 균주를 확보한 다음 다양한 실내실험을 거치면서 변이균주가 생성되어 선발 육성된 품종으로 적정 균사생장 온도는 27℃이다. 버섯의 형태는 대엽·중육으로 갓직경이 60 ㎜이다. 도목살수에 의한 버섯발생에 적합한 품종으로 집중발생형이다. 버섯 발이온도가 18~27℃로 가을·여름형인 고온성 품종으로 특히 8월 말에서 9월에 발생이 많았다. 재배지에서 4년간 생산량이 25㎏/㎥원목이다. “천백고” 품종은 다양한 실내실험을 거쳐 교잡육성된 품종으로서 균사는 25℃에서 가장 잘 생장하였다. 형태는 중엽·후육으로 갓직경은 52 ㎜이고 봄에 최고의 품질인 백화고가 발생되었다. 도목살수에 의한 버섯발생에 적합한 품종으로 집중발생형이다. 버섯의 발이온도는 14~22℃로 발생시기가 4월, 9~10월인 중온성 품종이다. 재배지에서 4년간 생산량이 20㎏/㎥원목이다.
Consultation Management Model based on Behavior Classification of Special-Needs Students
박원철,박구락,Park, Won-Cheol,Park, Koo-Rack Korea Convergence Society 2021 한국융합학회논문지 Vol.12 No.9
Unlike behaviors that are generally known, information regarding unspecific behaviors is insufficient. For an education or guidance regarding the unspecific behaviors, collection and management of data regarding the unspecific behaviors of special-needs students are needed. In this paper, a consultation management model based on behavior classification of special-needs students using machine learning is proposed. It collects data by photographing the behavior of special students in real time, analyzes the behavior pattern, composes a data set, and trains it in the suggestion system. It is possible to improve the accuracy by comparing the behavior of special students photographed later into the suggestion system and analyzing the results by comparing it with the existing data again. The test has been performed by arbitrarily applying unspecific behaviors that are not stored in the database, and the forecast model has accurately classified and grouped the input data. Also, it has been verified that it is possible to accurately distinguish and classify the behaviors through the feature data of the behaviors even if there are some errors in the input process. 일반적으로 알려져 있는 행동에 비해 일반적으로 알려져 있지 않은 불특정 행동들에 대한 자료들은 부족한 실정이다. 특수학생들의 불특정 행동들에 대한 교육이나 지도를 위한 데이터 수집 및 관리가 필요하다. 본 논문에서는 기계 학습을 이용한 웹 기반의 특수학생 상담관리 모델을 제안한다. 실시간으로 특수학생들의 행동을 촬영하여 데이터를 수집하고, 행동패턴을 분석하여 데이터 셋을 구성하고 제안 시스템에 학습시킨다. 추후에 촬영되는 특수학생들의 행동을 제안시스템에 입력 및 분석을 통하여 기존 데이터와 비교하여 나온 결과를 다시 학습하여 정확도를 향상 시킬 수 있다. 데이터베이스에 저장되어 있지 않은 불특정 행동들을 임의로 행하여 테스트를 진행하였으며 예측 모델은 입력 데이터를 통해 정확하게 분류 및 그룹화 하였다. 또한 진입 과정에서 약간의 오차가 있더라도 행동의 특징 데이터를 통해 행동을 정확하게 구분 및 분류하는 것이 가능하다는 것을 확인 할 수 있었다.