[논문]데이터 증강 기반 회귀분석을 이용한 N치 예측

김광명; 박형준; 이재범; 박찬진

doi:10.9720/kseg.2022.2.221

데이터 증강 기반 회귀분석을 이용한 N치 예측
A Prediction of N-value Using Regression Analysis Based on Data Augmentation 원문보기

지질공학 = The journal of engineering geology, v.32 no.2, 2022년, pp.221 - 239

김광명 (현대엔지니어링(주) 수행RM팀) , 박형준 (현대엔지니어링(주) 수행RM팀) , 이재범 (현대엔지니어링(주) 수행RM팀) , 박찬진 (현대엔지니어링(주) 수행RM팀)

초록
AI-Helper

플랜트, 토목 및 건축 사업에서 말뚝 설계 시 어려움을 겪는 주된 요인은 지반 특성의 불확실성이다. 특히 표준관입시험을 통해 구한 N치가 설계 시 주요 입력값이나 짧은 입찰기간과 광범위한 구역에서 다수의 현장시험을 실시하는 것은 실제적으로 어려운 상황이다. 본 연구에서는 인공지능(AI)을 가지고 회귀분석을 적용하여 N치를 예측하는 연구를 수행하였으며, 최소한의 시추자료를 학습시킨 후 표준관입시험을 실시하지 못한 곳에서 N치를 예측하는데 그 목적이 있다. AI의 학습 성능을 높이기 위해서는 빅 데이터가 중요하며, 금회 연구 시 부족한 시추자료를 빅 데이터화 하는데 '원형증강법'을 적용하여 시추반경 2 m까지 가상 N치를 생성시키는 작업을 선행하였다. AI 모델 중 인공신경망, 의사결정 나무, 오토 머신러닝을 각각 적용하였으며 이 중 최적의 모델을 선택하였다. 최적의 모델을 선택하는 방법은 세 가지의 예측된 AI 모델 중 최소 오차값을 가지는 것이다. 이를 위해 폴란드, 인도네시아, 말레이시아에서 수행한 6개 프로젝트를 대상으로 표준관입시험의 실측N치와 AI의 예측N치를 비교하여 타당성 여부를 연구하였고, 연구 결과 AI 예측값에 대한 신뢰도가 높은 것으로 분석되었다. AI 예측값을 가지고 미시추 구간에서 지반특성을 파악 할 수 있었으며 3차원 N치 분포도를 사용하면 최적의 구조물 배치가 가능함을 확인하였다.

Abstract ▼ AI-Helper

Unknown geotechnical characteristics are key challenges in the design of piles for the plant, civil and building works. Although the N-values which were read through the standard penetration test are important, those N-values of the whole area are not likely acquired in common practice. In this study, the N-value is predicted by means of regression analysis with artificial intelligence (AI). Big data is important to improve learning performance of AI, so circular augmentation method is applied to build up the big data at the current study. The optimal model was chosen among applied AI algorithms, such as artificial neural network, decision tree and auto machine learning. To select optimal model among the above three AI algorithms is to minimize the margin of error. To evaluate the method, actual data and predicted data of six performed projects in Poland, Indonesia and Malaysia were compared. As a result of this study, the AI prediction of this method is proven to be reliable. Therefore, it is realized that the geotechnical characteristics of non-boring points were predictable and the optimal arrangement of structure could be achieved utilizing three dimensional N-value distribution map.

주제어

표/그림 (17)

그림 Fig. 1. Circular augmentation method.
표 Table 1. Training and testing data in AI method
그림 Fig. 2. Artificial neural network frame for the predicting N-value.
그림 Fig. 3. Decision tree frame.
그림 Fig. 4. Machine learning algorithms.
표 Table 2. Applied parameters
표 Table 3. Calculated mean absolute percent errors (MAPE) (unit:%)
그림 Fig. 5. Normalized distribution of the predicted and the actual value.
그림 Fig. 6. A result of the predicted N-value and the actual N-value (E Project)
그림 Fig. 7. A result of the predicted N-value and the actual N-value (AI Project)
그림 Fig. 8. A result of the predicted N-value and the actual N-value (IN Project)
그림 Fig. 9. A result of the predicted N-value and the actual N-value (IP Project)
그림 Fig. 10. A result of the predicted N-value and the actual N-value (R Project)
그림 Fig. 11. A result of the predicted N-value and the actual N-value (M Project)
그림 Fig. 12. A result of the predicted N-value and the actual N-value by model type.
그림 Fig. 13. A result of the predicted N-value and the actual N-value by soil type.
그림 Fig. 14. Three-dimensional distributions for the predicted value.

AI 본문요약
AI-Helper

가설 설정

원형증강법에 적용된 N치는 반경 2 m 이내로 N치의 변화가 없을 것을 가정한 것으로 심도별 실측 N값을 동일하게 적용한다. AI 학습을 위한 학습 자료와 예측을 위한 검증 자료 그리고 원형증강법에 의한 자료는 Table 1과 같다.

제안 방법

(1) AI는 학습 성능을 높이기 위해 ‘원형증강법’을 이용하여 빅 데이터화 하였으며, 실측N치 1개 당 추가로 36개를 생성시키고, 학습값을 0.0~1.0 사이로 정규화 하는 전처리 작업을 실시하였다.
(2) AI 기법은 인공신경망, 의사결정나무, 오토 머신러닝을 적용하여 신뢰성 분석 후 최적의 모델을 적용하였으며, 학습에 적용된 입력인자인 각 프로젝트의 위도, 경도, Elevation, 심도, 토질종류를 가지고 심도별 표준관입시험 자료를 학습한 후 N치를 예측하는 개발을 실시하였다.
AI 예측은 6개 프로젝트에서 수행 후, 각각 학습값인 학습 데이터의 N치와 임의 점에서 예측된 N치를 통합하여 3차원으로 표현하였다. 임의 점에서 예측된 N치는 최대값과 최소값으로 정규화된 X좌표 12건, Y좌표 12건 그리고 심도 24건을 각각 고려하여 위치별로 예측되었다.
시추공 내 N치 값 중, 샘플러가 30 cm 이내에서 N치 50 이상의 단단한 지지층은 관입심도에 무관하게 N치 50을 적용하였다. 또한 AI 학습 입력값인 위도, 경도, Elevation, 심도, 토질 종류(점토, 모래)와 예측값 N치는 학습 성능을 높이기 위해서 전 ‧ 후처리 과정으로 0.

대상 데이터

본 연구에 적용된 자료는 학습 시추공은 106공, N치 2,219개 적용되었으며, 원형증강법에 의해 가상의 N치는 79,884개 생성되었다. AI는 이를 학습 후 N치를 예측하며 예측의 오차정도를 파악하기 위해 검증 시추공 55공, N치 1,200개로 분석하였다. 각 프로젝트별 학습과 검증 시추공이 다른 이유는 AI 학습에 최소한의 값을 이용하여 학습 가능여부 파악 후 예측 가능성을 연구하는 것이 주요 목적이기 때문이며 추후 연구는 학습 시추공을 감소시키고 검증 시추공을 증가 시켜 예측의 오차를 지속적으로 연구 할 것이다.
본 연구에 적용된 자료는 학습 시추공은 106공, N치 2,219개 적용되었으며, 원형증강법에 의해 가상의 N치는 79,884개 생성되었다. AI는 이를 학습 후 N치를 예측하며 예측의 오차정도를 파악하기 위해 검증 시추공 55공, N치 1,200개로 분석하였다.
본 연구에서는 폴란드, 인도네시아, 말레이시아에서 수행한 6개 프로젝트 현장자료를 근거로 AI를 적용하여 미시추 지점에서 N치를 예측하였다. 예측N치와 실제 시추공에서 구한 실측N치와 비교하여 타당성 여부를 검토하였으며, 연구 결과는 다음과 같다.
이번 연구에 적용된 AI 모델은 인공신경망, 의사결정 나무와 오토 머신러닝 세 가지 이며, 각 라이브러리의 활용을 위해서는 각각 매개변수가 고려된다. 이 중 대표적인 매개변수는 Table 2와 같이 적용 후, ‘Python ver.
AI 예측은 6개 프로젝트에서 수행 후, 각각 학습값인 학습 데이터의 N치와 임의 점에서 예측된 N치를 통합하여 3차원으로 표현하였다. 임의 점에서 예측된 N치는 최대값과 최소값으로 정규화된 X좌표 12건, Y좌표 12건 그리고 심도 24건을 각각 고려하여 위치별로 예측되었다. 이들 값은 Surfer 프로그램 내 kriging 기법을 이용하여 3차원으로 분포도를 작성하였다(Fig.

데이터처리

이와 같은 식을 적용한 통계분석 결과는 각 지점별 실측자료와 예측N치를 가지고 분석하였다. AI는 세 가지 모델을 사용하여 각각 학습을 실시하였으며, 예측의 타당성을 분석하기 위해여 실측값과 예측값을 각각 비교하였다. 이 결과 각 프로젝트별 오차값은 Table 3과 같이 분석되었다.
AI의 예측성능을 파악하기 위해 예측값과 실측값을 각 시추공별로 비교 ‧ 검토하였다. Test에 적용된 실측값 시추공은 학습에 이용되지 않았으며, 예측 성능을 확인하는데 중요한 검증 자료로 사용하였다.
이와 같은 식을 적용한 통계분석 결과는 각 지점별 실측자료와 예측N치를 가지고 분석하였다. AI는 세 가지 모델을 사용하여 각각 학습을 실시하였으며, 예측의 타당성을 분석하기 위해여 실측값과 예측값을 각각 비교하였다.

이론/모형

임의 점에서 예측된 N치는 최대값과 최소값으로 정규화된 X좌표 12건, Y좌표 12건 그리고 심도 24건을 각각 고려하여 위치별로 예측되었다. 이들 값은 Surfer 프로그램 내 kriging 기법을 이용하여 3차원으로 분포도를 작성하였다(Fig. 14).

성능/효과

(4) 표준관입시험에서 구한 실측N치와 AI가 예측한 N치를 검토해 본 결과, MAPE는 E 프로젝트에서 20.3%, IA 프로젝트 47.4%, IN 프로젝트 37.8%, IP 프로젝트 31.9%, R 프로젝트 37.0%, M 프로젝트 35.8%로 각각 분석 되었다. N치 예측에 적용된 평균절대백분율오차(MAPE)는 상대적인 증감을 표현하기 때문에 한계성이 파악되었으며, 추후 연구 시 신뢰성 분석은 평균절대편차(MAD)를 적용해야 함을 알 수 있었다.
(5) AI는 대체적으로 실측값과 유사한 경향으로 N치를 예측하고 있으며, 지표인근의 점토 및 모래에서는 실측값과 오차를 가지고 예측되었다. 하지만 N치 40 이상의 말뚝 지지층은 실측값과 유사한 경향으로 예측되었다(Figs.
(6) 모델별 예측시, 2개 프로젝트에 적용한 LightGBM 예측값은 MAPE 41.8%, MAD 7.7로 나타나며, 4개 프로젝트에 적용된 TPOT은 MAPE 32.2%, MAD 3.3으로 오차값이 적은 것으로 분석되었다. 또한 토질 조건별 예측 결과, 모래지반 2개 프로젝트는 MAPE 29.
5%까지 오류값이 나타나지만 심도별 지반특성의 경향은 유사하게 예측되고 있다. (BH-4, 26)번공은 EL.-12~-35 m 구간에서 실측값이 불확실성의 존재로 N치가 불규칙적이며 예측값은 N치 50으로 예측되고 있어서 이에 대한 오차가 발생하는 것을 확인 할 수 있었다.
5와 같다. E 프로젝트, IN 및 IP 프로젝트는 실측값과 예측값의 유사한 분포를 나타내고 있어서 신뢰도가 높은 것으로 분석되었다. 그 외 IA, R, M 프로젝트는 실측값과 예측값의 신뢰도가 다소 부족하여 각각 시추공에서 상세히 검토 하였다.
E 프로젝트에 적용한 TPOT 라이브러리 학습결과는 실측값과 유사한 경향을 보이고 있으며, 예측결과를 통하여 말뚝의 지지력 산정에 적용될 수 있는 심도별 N치 분포를 쉽게 파악 할 수 있었다. 금회 연구는 세립토인 점토와 조립토인 모래로 두 가지 조건으로 실시하였으며, 실트와 자갈은 세립토와 조립토로 포함시켜 적용하였다.
71~73 m 구간에서 중간부(N치 20~30)가 남북측(N치 40 이상) 보다 적은 N치 분포를 나타내고 있다. IN 프로젝트는 N치 분포가 양호한 지반분포를 보기 위한 것으로 N치 38~43은 중간부 구간의 EL.-2~-8 m에서 존재하며, 외측으로 갈수록 상대적으로 심도가 깊은 곳에서 양호한 지반이 분포하는 것으로 분석되었다. 그 외 3차원 N치 분포는 조건별 고려 후 추가로 확인 할 수 있다.
그 외 3차원 N치 분포는 조건별 고려 후 추가로 확인 할 수 있다. IP 프로젝트는 EL.-9.5~-10.7 m 구간에서 지반의 분포가 불규칙한 경향을 보이며, N치 30정도가 중간부에 분포하고 그 외부 쪽으로 N치가 분포하는 것으로 분석되었다. 중간부의 말뚝 선단지지층은 심도별 3차원 분포도를 작성 후 적정한 위치를 파악할 수 있다.
미시추 구간은 이를 이용하여 말뚝 기초의 지지력 산정이 가능할 것으로 분석되었다. M 프로젝트는 MAPE는 최대 32.8%까지 분석되나 미시추 구간에서 지지층 심도를 예측하고 싶을 경우 이와 같은 방법을 적용한다면 신뢰성 높은 설계가 가능할 것으로 분석되었다.
MAPE 분석결과, 오토 머신러닝은 20.3~59.3%, 의사결정 나무 23.7~88.2% 그리고 인공신경망은 53.0~139.2%로 과다한 경향이 나타났다. 이 자료에 근거 할 때 오토 머신러닝인 TPOT과 의사결정 나무의 LightGBM이 대체적으로 신뢰도가 높은 편이며, 특히TPOT이 다소 양호한 신뢰도를 나타내고 있는 것으로 분석되었다.
R 프로젝트는 N치 분포가 양호한 지반분포를 보기 위한 것으로 N치 40 이상 분포구간은 동북측 구간의 EL.255~230 m에서 분포하며, 동남측과 서측에서는 EL.225 m 이하 보다 깊은 곳에서 분포하는 것으로 분석되었다. 이곳은 학습 시추자료가 7공으로 부족하여 예측값의 신뢰도가 약간 떨어지고 있다.
3으로 오차값이 적은 것으로 분석되었다. 또한 토질 조건별 예측 결과, 모래지반 2개 프로젝트는 MAPE 29.2%, MAD 5.0, 점토지반 4개 프로젝트는 MAPE 37.5%, MAD 6.0로 모래지반에 대한 예측값이 양호한 것으로 분석되었다.
10과 같다. 분석결과, 실측값은 이암과 점토로 구성된 조건의 지반으로 (BH-03)번공은 MAPE가 18.8%로 양호한 편이며, 예측값은 N치 50인 분포는 심도가 EL.247 m 이하에서 나타나며 실측값 보다 7 m 더깊은 곳에서 예측되고 있다. 이 예측값을 이용하여 말뚝 설계 시 오류를 발생시킬 수 있으므로 이러한 곳은 추가적인 시추조사가 필요하며, 학습 자료를 증가시켜야 할 것으로 파악되었다.
예측N치 분석결과, EL.-15 m 이하에서 N치 30~35 정도 예측되고 있고 있으며 모래로 구성된 E 프로젝트의 추정 지반 정수는 내부마찰각 33~39°정도 양호한 지반으로 예측 할 수 있다
2%로 과다한 경향이 나타났다. 이 자료에 근거 할 때 오토 머신러닝인 TPOT과 의사결정 나무의 LightGBM이 대체적으로 신뢰도가 높은 편이며, 특히TPOT이 다소 양호한 신뢰도를 나타내고 있는 것으로 분석되었다. 이 때 비교된 실측값은 AI 학습에 적용하지 않은 시추공의 N치를 사용하였으며, 학습 성능을 높이기 위해 입력값과 결과값은 0.
0로 분석되었다. 토질 조건별 연구에서 모래지반에 대한 예측 성능이 상대적으로 양호한 것으로 분석되었다.
9와 같다. 통계분석결과, EL.5~-5 m까지는 예측값이 N치 5로 예측되며, EL.-12 m 이하에서는 N치 45 이상의 값을 예측하고 있다. 예측값의 MAPE는 19.
통계분석결과, MAPE는 6.5% 이상의 오차값이 분포하며 심도 하부로 갈수록N치가 증가되는 경향을 보인다. 심도 EL.
8과 같다. 통계분석결과, 지표에서 EL.-15 m까지는 예측이 실측값과 일부 차이가 나는 경향으로 MAPE 신뢰도가 낮게 나타나고 있다. 이는 상하 지반에서 불규칙한 분포를 보이는 지반조건에서는 예측의 한계를 나타내고 있다.
7과 같다. 통계분석결과, 지표에서 심도 -5 m까지는 예측이 실측값과 일부 차이가 나는 경향으로 MAPE가 높으며 신뢰도가 낮게 나타나고있다. 이는 지표에서 심도 -5 m까지 연약한 점토지반이나 그 하부는 단단한 지지층이 급격히 발생되는 지반조건으로 급변하는 지반 특성에는 예측에 오차가 발생되고 있다.

후속연구

(8) 지표인근과 저심도에서 예측값은 실측값과 다소 오차가 발생되고 추가 연구 시 지표인근의 연약층과 고심도의 단단한 지지층을 이중층으로 분리하여 각각 AI를 학습시키는 보정 방안이 검토되어야 한다.
IP 프로젝트는 지반분포가 점토와 이암으로 구성되어 있으며, 이암의 풍화정도에 따라 나타나는 N치 30~50 구간에서 불확실성에 대한 오류로 한계성을 나타내고 있으며 이에 대한 추가적인 연구가 요구된다. 또한 건기, 우기철 지하수위 변동 조건에 대하여 추가로 고려가 필요하며, 특히 이암 구간에서 지하수위 조건별 풍화정도가 다르게 나타나고 있어서 이에 대한 연구가 요구되고 있다.
8%로 각각 분석 되었다. N치 예측에 적용된 평균절대백분율오차(MAPE)는 상대적인 증감을 표현하기 때문에 한계성이 파악되었으며, 추후 연구 시 신뢰성 분석은 평균절대편차(MAD)를 적용해야 함을 알 수 있었다.
AI는 이를 학습 후 N치를 예측하며 예측의 오차정도를 파악하기 위해 검증 시추공 55공, N치 1,200개로 분석하였다. 각 프로젝트별 학습과 검증 시추공이 다른 이유는 AI 학습에 최소한의 값을 이용하여 학습 가능여부 파악 후 예측 가능성을 연구하는 것이 주요 목적이기 때문이며 추후 연구는 학습 시추공을 감소시키고 검증 시추공을 증가 시켜 예측의 오차를 지속적으로 연구 할 것이다.
인공신경망은 최적화에 많은 시행착오가 필요하고, 다른 모델 대비 오차값이 상대적으로 과다하여 최종 예측모델에서 는 제외 시켰다. 금회 N치 예측에 적용된 MAPE는 상대적인 증감을 표현하기 때문에 N치 예측 성능 평가는 한계성이 있으며, 추후 연구 시 신뢰성 분석은 평균절대편차(MAD)가 보다 타당함을 알 수 있었다.
이 연구로 심도별 지반분포와 지반특성을 3차원으로 쉽게 파악 할 수 있었다. 금회 연구에서 적용된 토질 조건은 해외 프로젝트 6건 이였으며, 추후 국내 토질 조건별 특성을 고려한 N치 예측방법을 연구 할 것이다.
말뚝 설계 시 주면지지력 산정 시 N치 15 차이는 설계 오류를 야기 시킬 수 있으므로 추가적인 시추조사를 통해 학습 자료 습득이 필요한 여건이다. 또한 R 프로젝트는 충적층으로 분포된 지층이며 상부는 지하수위 변동이 크게 일어나고 있어서 이에 대한 추가로 연구가 필요하다.
IP 프로젝트는 지반분포가 점토와 이암으로 구성되어 있으며, 이암의 풍화정도에 따라 나타나는 N치 30~50 구간에서 불확실성에 대한 오류로 한계성을 나타내고 있으며 이에 대한 추가적인 연구가 요구된다. 또한 건기, 우기철 지하수위 변동 조건에 대하여 추가로 고려가 필요하며, 특히 이암 구간에서 지하수위 조건별 풍화정도가 다르게 나타나고 있어서 이에 대한 연구가 요구되고 있다.
이러한 곳은 AI 예측값의 오류가 존재하므로 가급적 추가적인 시추조사를 통해 학습 자료 확보가 필요한 여건이다. 또한 부족한 시추공의 학습 자료를 통해 예측 할 수 있는 라이브러리의 추가 연구개발이 필요하다.
220~215 m 구간에서 실측값보다 N치가 15정도 더 크게 예측되고 있어서 이에 대한 보정이 요구된다. 말뚝 설계 시 주면지지력 산정 시 N치 15 차이는 설계 오류를 야기 시킬 수 있으므로 추가적인 시추조사를 통해 학습 자료 습득이 필요한 여건이다. 또한 R 프로젝트는 충적층으로 분포된 지층이며 상부는 지하수위 변동이 크게 일어나고 있어서 이에 대한 추가로 연구가 필요하다.
위와 같이 예측 N치를 적용하여 입찰 시 구조물 구간의 지반개량이나 기초 설계를 수행할 경우, 제한적인 해외사업 입찰기간 내에 효율적이고 신뢰성 높은 최적 설계와 물량산출을 수행 할 수 있을 것으로 판단된다. 현재까지 연구개발은 프로젝트별 적용 및 검증을 통해 최적의 AI 모델을 선정할 수 있으며 실용화 가능성을 고려할 수 있었다.
247 m 이하에서 나타나며 실측값 보다 7 m 더깊은 곳에서 예측되고 있다. 이 예측값을 이용하여 말뚝 설계 시 오류를 발생시킬 수 있으므로 이러한 곳은 추가적인 시추조사가 필요하며, 학습 자료를 증가시켜야 할 것으로 파악되었다.
이는 상하 지반에서 불규칙한 분포를 보이는 지반조건에서는 예측의 한계를 나타내고 있다. 이러한 지반에서 보정값을 적용하는 방안을 추가로 연구할 필요가 있다.
모래지반은 대체로 실측값보다 예측값이 크게 나타나는 경향을 보이고 있어서 적용 시 보정값을 이용한 예측값 축소가 필요하며, 점토지반은 N치가 50인 단단한 지지층에서 일부 예측이 적게 나타나고 있어서 설계 적용 시 오류를 가져올 수 있다. 점토지반 예측에 대한 불확실성이 보다 커서 이에 대한 보정값 및 추가 모델에 대한 연구를 계속적으로 수행해야 할 것이다. 점토지반은 지표부근의 연약층과 단단한 지지층 사이의 값이 과다하여 이중층으로 분리 후 AI를 학습하는 방안을 고려하여야 한다.
IA 프로젝트는 지표에서 심도 -5 m까지는 점토성분의 토질분포를 나타내고 있으며 이하심도에서 지지층이 존재하는 경향이며, 지표인근의 저심도 부근에 N치를 신뢰도 높게 예측하는 추가적인 연구개발이 요구되고 있다. 지표인근과 저부에서 예측값은 실측값과 오차가 크게 발생되는 주요 원인은 지표 인근에서 학습 N치의 변화 폭이 과다하다 보니, AI 학습 성능이 떨어지고 있으며, 추가 연구 시 연약층과 단단한 지지층을 이중층으로 분리하여 각각 AI를 학습시키는 최적의 모델 알고리즘 선정과 시행착오를 통한 매개변수 선정 방안이 요구되고 있다.
6~11). 추후 건기 ‧ 우기 지하수위 변동에 따른 영향을 고려한 연구가 추가 요구되고 있다.
R 프로젝트는 학습 7개 시추공의 작은 편으로 빅데이터 생성을 하여도 학습 오류에 대한 문제가 야기되고 있으며 다수의 시행착오가 필요했다. 학습 자료가 부족한 여건에서 예측하는 기법에 대한 심도 있는 연구가 추가 요구되고 있으며, 부족한 자료를 이용하는 머신러닝 라이브러리 함수의 연구개발이 요구되고 있다.

참고문헌 (11)

Chen, T., Guestrin, C., 2016, XGBoost: A scalable tree boosting system, 785-794.
Ferreira, L., Pilastri, A., Martins, C.M., Pires, P.M., Cortez, P., 2021, A comparison of AutoML tools for machine learning, deep learning and XGBoost, Proceedings of the International Joint Conference on Neural Networks (IJCNN), Shenzhen, 1-8.
Jeong, Y.C., Rye, H.Y., Lee, S.J., Seo, D.J., Park, C.K., 2021, Identification recidivism risk factors study based on machine learning: Using decision tree analysis and random forest algorithm, Korean Police Research, 20(1), 323-350 (in Korean with English abstract).
Kim, D.S., 1989, Neural networks-theory and applications, Hitech Information, 59-144.
Kim, K.M., 2002, A prediction of the wedge failure stability of rock slope using artificial neural networks, MSc Thesis, Inha National University, 1-84 (in Korean with English abstract).
Kim, K.M., Park, H.J., Goo, T.H., Kim, H.C., 2020, A prediction of N-value using artificial neural network, The Journal of Engineering Geology, 30(4), 457-468 (in Korean with English abstract).
Kim, K.M., Park, H.J., Lee, J.B., Park, C.J., 2021, Prediction apparatus and method for N-value using artificial intelligence and data augmentation, Patent Application, DP210015, 4-38 (in Korean with English abstract).
Kingma, D.P., Ba, J.L., 2015, ADAM: A method for stochastic optimization, Proceedings of the 3rd International Conference for Learning Representations, San Diego, 1-15.
Navada, A., Ansari, A.N., Patil, S., Sonkamble, B.A., 2011, Overview of use of decision tree algorithms in machine learning, Proceedings of the IEEE Control and System Graduate Research Colloquium, Shah Alam, 37-42.
Olson, R.S., Urbanowicz, R.J., Andrews, P.C., Lavender, N.A., Kidd, L.C., Moore, J.H., 2016, Automating biomedical data science through tree-based pipeline optimization, EvoBIO 2016 Proceedings, 5-16.
Zoller, M.A., Huber, M.F., 2021, Benchmark and survey of automated machine learning frameworks, Journal of Artificial Intelligence Research 70, 409-472.

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증