$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

인공신경망을 이용한 지하수위 예측과 계절효과 반영을 위한 입력치의 영향
The Effect of Seasonal Input on Predicting Groundwater Level Using Artificial Neural Network 원문보기

Ecology and resilient infrastructure, v.5 no.3, 2018년, pp.125 - 133  

김인철 (연세대학교 사회환경시스템공학과) ,  이준환 (연세대학교 사회환경시스템공학과)

초록
AI-Helper 아이콘AI-Helper

인공신경망 (Artificial neural network, ANN)은 간편히 시계열 데이터를 예측할 수 있는 모델 중에 하나로 지하수위를 예측하는데 빈번히 사용되었으며, 많은 연구자들이 ANN으로 지하수위 예측에 있어서 높은 예측 신뢰성을 얻기 위하여 노력해 왔다. 본 연구에서는 ANN를 이용한 지하수위 예측 시 계절 효과를 반영하기 위한 input으로 사용되는 Dummy가 지하수위 예측 결과에 미치는 영향에 대하여 분석하였다. 정성적 및 정량적인 분석을 위하여 도해법과 상관계수, 에러 지수를 이용하였다. 분석결과 하천변 도심지역에서는 ANN의 input으로 사용된 Dummy가 오히려 예측 신뢰성을 떨어뜨리는 결과를 보였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Artificial neural network (ANN) is a powerful model to predict time series data and have been frequently adopted to predict groundwater level (GWL). Many researchers have also tried to improve the performance of ANN prediction for GWL in many ways. Dummies are usually used in ANN as input to reflect...

주제어

#인공신경망   #수문인자   #예측 신뢰성   #계절효과  

AI 본문요약
AI-Helper 아이콘 AI-Helper

문제 정의

  • 본 연구에서는 하천변 도심지역이라는 특정한 지역에서 ANN으로 지하수위를 예측함에 있어서, 계절 영향을 반영하기 위해 도입된 Dummy의 영향을 분석하였다. 분석을 수행하기 위하여, 서울시 마곡동을 연구 대상지역으로 선정하였으며, 국가기관으로부터 신뢰할 수 있는 관측데이터를 확보하였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
ANN의 구성 및 형태는? 지하수위를 예측하는 절차와 사용법이 수학과 물리적인 배경으로 제안된 방법 보다 간단하기 때문에 지반공학을 비롯한 여러 공학적 분야에서 사용될 수 있다. ANN은 기본적으로 input layer, hidden layer, 그리고 output layer로 구성되어 있으며, input layer와 output layer에 영향인자들 및 지하수위를 각각 설정하여 input layer와 output layer의 사이에 위치한 hidden layer에서 영향인자들과 지하수위간의 최적 연결강도를 결정 (학습)하는 형태이다. 이렇게 결정된 최적 연결강도는 지하수위 변동에 영향을 미치는 인자들의 값만으로 지하수위의 변동을 예측할 수 있다.
인공신경망의 장점은? 2011, Sahoo and Jha 2013). 지하수위를 예측하는 절차와 사용법이 수학과 물리적인 배경으로 제안된 방법 보다 간단하기 때문에 지반공학을 비롯한 여러 공학적 분야에서 사용될 수 있다. ANN은 기본적으로 input layer, hidden layer, 그리고 output layer로 구성되어 있으며, input layer와 output layer에 영향인자들 및 지하수위를 각각 설정하여 input layer와 output layer의 사이에 위치한 hidden layer에서 영향인자들과 지하수위간의 최적 연결강도를 결정 (학습)하는 형태이다.
인공신경망이란 무엇인가? 인공신경망 (Artificial neural network, ANN)은 관측된 기상․ 수문 데이터를 기반으로 지하수위를 예측할 수 있는 데이터처리 방법 중 하나로써 여러 연구자들에 의하여 채택되어 왔다 (Daliakopoulos et al. 2005, Trichakis et al.
질의응답 정보가 도움이 되었나요?

참고문헌 (14)

  1. Ausilio, E. and Conte, E. 2005. Influence of groundwater on the bearing capacity of shallow foundations. Canadian Geotechnical Journal 42: 663-672. 

    상세보기

  2. Daliakopoulos, I.N., Coulibaly, P., and Tsanis I.K. 2005. Groundwater level forecasting using artificial neural networks. Journal of Hydrology 309: 229-240. 

    상세보기

  3. Dawson, C.W. and Wilby, R.L. 2001. Hydrological modelling using artificial neural networks. Progress in Physical Geography 25(1): 80-108. 

    상세보기

  4. Geotechnical Information Database System (GIDS), Ground Investigation Tap. http://surveycp.seoul.go.kr 

  5. Kim, I. and Lee, J. 2018a. Influencing factor analysis on groundwater level fluctuation near river. Ecology and Resilient Infrastructure 5(2): 72-81 (in Korean) 

  6. Kim, I. and Lee, J. 2018b. Prediction model for spatial and temporal variation of groundwater level based on river stage." Journal of Hydrologic Engineering 23(6): 0601 8002-1-8. 

  7. Makridakis, S., Wheelwright, S.C., Hyndman, R.J. 2008. Forecasting methods and applications, 3rd edn. Wiley, Singapore, 656 pp. 

  8. Nourani, V. and Mousavi, S. 2016. Spatiotemporal groundwater level modeling using hybrid artificial intelligence-meshless method. Journal of Hydrology 536: 10-25. 

  9. Park, D., Kim, I., Kim, G., and Lee, J. (2017). "Groundwater effect factors for the load-carrying behavior of footings from hydraulic chamber load tests." Geotechnical Testing Journal 30(3): 440-451. 

  10. Sahoo, S. and Jha, M. K. 2013. Groundwater-level prediction using multiple linear regression and artificial neural network techniques: a comparative assessment. Hydrogeology Journal 21: 1865-1887. 

    상세보기

  11. Seo, Y., Kim, S., Kisi, O., and Singh, V.P. 2015. Daily water level forecasting using wavelet decomposition and artificial intelligence techniques. Journal of Hydrology 520: 224-243. 

  12. Shahriar, M. A., Sivakugan, N., Das, B. M., Urquhart, A., and Tapiolas, M. 2014. Water table correction factors for settlements of shallow foundations in granular soils. International Journal of Geomechanics, 10.1061/(ASCE)GM.1943-5622.0000391, 1-7. 

    상세보기 crossref

  13. Trichakis, I.C., Nikolos, I.K., and Karatzas, G.P. 2011. Artificial neural network (ANN) based modeling for Karstic groundwater level simulation. Water Resources Management 25: 1143-1152. 

    상세보기

  14. Yasuhara, K., Murakami, S., Mimura, N., Komine, H., and Recio, J. 2007. Influence of global warming on coastal infrastructural instability. Sustainability Science 2: 13-25. 

    상세보기

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로