Datasets:

elisha0904
/

retrieval_152

Modalities:

Text

Formats:

Size:

Libraries:

Dataset card Data Studio Files Files and versions Community

Dataset Viewer

Auto-converted to Parquet

Subset (4)

ED · 7.48k rows

Split (3)

train · 4.49k rows

add_info dict	context stringlengths 135 14.6k	question stringlengths 11 514	answer stringlengths 1 404
{ "answer_type": "절차(방법)형", "context_id": "82ea89fe-2643-4929-9797-95483af6fe4e", "field": "인공물", "question_id": "f02ede73-3e1d-4901-b9a4-7658d06542f1" }	<h1>III. 모의실험</h1><p>앞에서 제안한 방법을 다른 닭 영상에 적용하여 모의 실험을 수행하였다. 그림 19 (a)는 동일한 알고리즘을 새로운 닭의 형광영상에 적용하여 얻은 결과영상이다. 그림 19 (b)는 반사영상으로부터 얻은 분류결과이다. 그림 19 (c)는 그림 19 (a)의 형광영상의 분류결과와 그림 19 (b)의 반사영상의 분류결과를 융합한 결과이며, 그림 19 (d)는 종양부위를 표시한 실제 닭 사진이다. 그림 19 (d)와 그림 19 (a)\(\sim\)(c) 사이에 닭의 윤곽에 발생하는 차이는 측정위치가 일치하지 않기 때문이다. 위에서 사용된 두 개의 닭을 포함하여 보유하고 있는 7개의 초분광 영상에 본 논문의 방법을 적용하여 표 2의 실험결과를 얻었다. 표에서 오인식은 정상을 종양으로 오인식한 경우를 말한다. 모의실험에서 \( 75.8 \% \)의 검출율과 \( 20.7 \% \)의 오인식율을 보여주었으며 기존의 방법(검출율: \( 75.6 \% \), 오인식율: \( 29.3 \% \) )보다 오인식율이 적음을 확인 하였다.</p><table border><caption>표 2. 검출 결과</caption><tbody><tr><td>Image No.</td><td>종양 개수</td><td>검출 개수</td><td>오인식 개수</td><td>누락 개수</td></tr><tr><td>1</td><td>3</td><td>3</td><td>1</td><td>0</td></tr><tr><td>2</td><td>5</td><td>2</td><td>2</td><td>2</td></tr><tr><td>3</td><td>2</td><td>1</td><td>0</td><td>1</td></tr><tr><td>4</td><td>3</td><td>2</td><td>0</td><td>1</td></tr><tr><td>5</td><td>2</td><td>1</td><td>1</td><td>1</td></tr><tr><td>6</td><td>2</td><td>2</td><td>0</td><td>0</td></tr><tr><td>7</td><td>12</td><td>11</td><td>2</td><td>1</td></tr><tr><td>Total</td><td>29</td><td>22(75.8\(\%\))</td><td>6(20.7\(\%\))</td><td>7(24.2\(\%\))</td></tr></tbody></table>	어떻게 오인식이 발생하는거야?	정상을 종양으로 오인식한 경우
{ "answer_type": "표정답추출형", "context_id": "412fcc3a-5eb7-4b92-ac20-06da0f0b55a3", "field": "인공물", "question_id": "d988f0ff-8f34-45af-a815-e8ea59d0d0a4" }	<h3>나. 밴드 선택</h3> <p>본 논문에서는 초분광 반사영상에서 종양인식에 적합한 밴드를 선택하여 주성분 분석의 입력으로 함으로써 종양인식에 효과적인 특징을 추출한다.</p> <p>종양인식에 적합한 밴드는 다음과 같은 조건을 고려한다. 112 개의 밴드를 갖고 있는 반사영상에서 k 번째 밴드를 제외시킴으로써 111개의 밴드를 갖게 되는 새로운 초분광 영상을 생성한다. 원 데이터와 새로운 데이터에 각각 주성분 분석을 적용하여 \( 2 \sim 8 \) 번째 주성분 영상이 확보하는 정보량의 비중을 계산한다. 이때 새로운 데이터로부터 구한 정보량의 비중이 원 데이터로부터 구한 수치보다 작으면 k번째 밴드는 종양인식에 적합한 밴드라 확정한다.</p> <p>그림 11은 이러한 밴드가 존재함을 보여주고 있으며, 효과적인 특징 추출을 위한 밴드 선택 알고리즘은 다음과 같다.</p> <ol type=1 start=1><li>학습데이터로부터 얻어지는 공분산 행렬 \( \Sigma_{X} \) 로부터 고유값 \( \lambda_{1}, \lambda_{2}, \cdots, \lambda_{112} \) 를 계산한다. \( \sum_{j=2}^{8} \lambda_{j} / \sum_{j=1}^{112} \lambda_{j} \) 보다 작은 문턱치 \( T \) 를 설정한다.</li> <li>\( \Sigma_{X} \) 의 \( k \) 행과 \( k \) 열을 제거하여 \( \widehat{\Sigma}_{X} \) 획득한다. \( \hat{\Sigma}_{X} \) 로부터 고유값 \( \hat{\lambda}_{1}, \hat{\lambda}_{2}, \cdots, \hat{\lambda}_{111} \) 계산하고 \( \sum_{i=2}^{8} \hat{\lambda}_{i} / \sum_{i=1}^{111} \hat{\lambda}_{i}<T \) 이면 k 번째 밴드를 선택한다.</li> <li>k 값을 [1, 112] 범위 내에서 차례로 변경하면서 단계 (2)를 반복하여 밴드를 선택한다. k 가 112 보다 크면 알고리즘을 종료한다.</li></ol> <p>위의 알고리즘에서 문턱치 \( T \) 는 선택되는 밴드 개수를 조절한다. 실제로 위의 알고리즘으로 선택한 밴드가 주성분의 방향을 종양인식에 적합한 방향으로 회전시켰음을 보여주기 위하여 그림 9 의 반사영상에서 정상과 종양부분의 일부를 선택하여 학습데이터를 만들었다. 전체 밴드와 \( 1 \sim 38 \) 번째 밴드를 각각 선택하여 정상부분 학습데이터로 구한 주성분 방향과 정상과 종양부분을 혼합한 학습데이터로 구한 주성분 방향이 이루는 각도를 표로 작성하였다. 표 1에서 보면 정상부분 학습데이터를 종양부분의 학습데이터와 혼합했을 때, \( 1 \sim 38 \) 번째 밴드에서 주성분의 회전 각도는 전체 밴드에서 주성분이 회전한 각도보다 크다. 이는 주성분 분석에서 outlier에 의한 주성분 방향의 회전이 특징 추출이 가능케 함을 설명한다. 그림 12 와 13은 모든 밴드, \( 1 \sim 38 \) 번째 밴드를 선택하여 주성분 분석을 진행하여 얻어진 \( 1 \sim 8 \) 번째 주성분 영상이다. 그림에서 보면 \( 1 \sim 38 \) 번째 밴드에 주성분 분석을 적용한 후 얻어진 주성분 영상에서 5,6번째 주성분 영상은 종양부분이 아주 선명하게 나타나있다. 이는 밴드 선택 방법으로 효과적인 특징을 추출할 수 있음을 말해준다.</p> <table border><caption>표 1. 종양부분 데이터에 의해 주성분이 회전한 각도 (단위: \(\mathrm{degree}\))</caption> <tbody><tr><td></td><td>전체 밴드 선택</td><td>1\(\sim\)38번째 밴드 선택</td></tr><tr><td>2번째 주성분</td><td>0.84</td><td>6.07</td></tr><tr><td>3번째 주성분</td><td>0.58</td><td>6.18</td></tr><tr><td>4번째 주성분</td><td>0.95</td><td>2.11</td></tr><tr><td>5번째 주성분</td><td>1.84</td><td>4.11</td></tr><tr><td>6번째 주성분</td><td>5.77</td><td>89.88</td></tr><tr><td>7번째 주성분</td><td>5.07</td><td>89.88</td></tr><tr><td>8번째 주성분</td><td>14.44</td><td>14.85</td></tr></tbody></table> <h3>다. 투영 축 선택</h3> <p>반사영상 분석에서는 주성분 분석후의 몇 개의 주성분 영상을 특징으로 선택하여 분석을 진행한다. 특징의 개수를 늘리면 그만큼 관련정보가 많아져 보다 정확한 식별을 할 수 있다. 그러나 위의 밴드 선택에서 알 수 있다시피 주성분 분석 후 얻어지는 주성분 영상에서 영상분류에 적합한 성분영상은 두 개 좌우이다. 본 논문에서는 특징의 개수를 늘리는 방법으로 주성분 분석과 비슷한 원리로 초분광 영상을 영상분류에 적합한 여러개의 축에 투영하여 영상분류에서 특징으로 사용되는 새로운 특징영상을 얻는 방법을 제안한다.</p> <p>\( X_{1}, X_{2} \) 를 학습데이터로 선정된 초분광 반사영상이라 할 때, 주성분 분석은 \( Y_{1}=W_{1}^{T} X_{1}, Y_{2}=W_{2}^{T} X_{2} \)와 같다.</p> <p>여기서 \( W_{1}=\left[u_{1}\|\cdots\| u_{n}\right] \) 이고, \( W_{2}=\left[v_{1}\|\cdots\| v_{n}\right] \)이다. 주성분 분석의 결과 \( Y_{1} \) 에서 \( i, j \) 번째 주성분, \( Y_{2} \) 에서 \( k, l \) 번째 주성분이 초분광 영상분류를 위한 효과적인 특징이라 하고, \( n \)-차원 열벡터 \( u_{i, j} \) 와 \( v_{k, l} \) 가 이루는 각도 \( \theta=\arccos \left(\frac{u_{i, j} \cdot v_{k, l}}{\left\\|u_{i, j}\right\\|\left\\|v_{k, l}\right\\|}\right) \) 가 충분히 크면 데이터를 \( u_{i}, u_{j}, v_{k}, v_{l} \) 축에 투영하는 방법으로 초분광 반사영상 분류의 효과적인 특징으로 되는 네 개의 특징 영상을 얻을 수 있다. 같은 방법으로 다른 한 학습데이터가 입력될 때 그에 대응하는 투영 축을 선택할 수 있다. 이것을 다음과 같은 선형변환으로 표시할 수 있다.</p> <p>\( Y=A^{T} X, \quad A=\left[u_{i}\left\|u_{j}\right\| v_{k}\left\|v_{l}\right\| \cdots\right] \)<caption>(7)</caption></p> <p>위의 선형변환에서 변환 행렬 A의 각각의 열벡터는 학습과정에서 학습데이터로 선정된 여러 개의 초분광 반사영상을 밴드 선택 방법으로 주성분 분석을 진행한 후 얻어지는 성분영상을 관찰하는 방법으로 확정할 수 있다. 또는 학습과정에서 학습데이터로 선정된 하나의 초분광 반사영상의 밴드 선택 과정에서 문턱치 T를 변화하는 방법으로 선택된 밴드 영상에 주성분 분석을 적용한 후 얻어지는 주성분 영상을 관찰하는 방법으로 확정할 수 있다.</p> <p>투영 축 선택 방법에 근거하여 얻어진 선형변환 행렬 A와 식 (7)에 근거하여 초분광 반사영상의 특징영상을 획득할 수 있다. 그림 14는 투영 축 선택 방법으로 획득한 8 개의 특징영상이다. 그림 14 와 그림 12,13 을 비교하여 보면 투영 축 선택 알고리즘을 이용하여 획득한 특징영상은 초분광 반사영상 분류의 효과적인 특징임을 알 수 있다.</p> <p>그림 15 는 그림 13 에서 5,6 번째 주성분 영상을 특징으로 하여 분류한 결과영상이다. 그림 16은 그림 14의 특징영상을 특징으로 하여 분할-합병 클러스터링방법으로 분류한 결과영상이다. 두 분류결과를 비교하여 보면, 투영 축 선택 알고리즘을 적용함으로써 종양인식에 적합한 더욱 많은 특징이 분류에 참가하여 정상부분을 종양부분으로 오인식하는 결과가 적어졌음을 알 수 있다.</p> <h2>3. 영상 융합</h2> <p>형광영상과 반사영상으로부터 얻은 분류결과는 정상을 종양으로, 또는 종양을 정상으로 판단하는 오인식 부분을 포함한다. 본 논문에서는 이러한 오인식 부분을 제거하기 위해, 분류결과의 영상 융합을 통해 종양 특정 영역을 분류한다.</p> <p>본 논문에서는 형광영상과 반사영상 분류결과에 화소/결정 수준의 융합방법을 적용하였다. 화소/결정 수준의 융합은 형광영상이 반사영상보다 세밀한 분류가 이루어질 수 있다는 점을 이용한 방법으로서 형광영상 결정 영역의 단위면적에 포함된 반사영상 분류결과의 화소수가 임계값보다 크면 종양이라 판단한다. 형광영상의 결정 영역은 분류결과에 \( 9 \times 9 \) 크기의 Median Filter를 적용하여 잡음을 제거한 후, Morphology 기법으로 후처리하여 얻었다. 그림 17은 위의 융합방법으로 그림 8과 그림 16 을 융합한 결과영상이며, 그림 18은 종양부위를 표시한 실제 닭 사진이다.</p>	전체 밴드 선택을 볼 때 4번째 주성분의 값은 얼마인가?	0.95
{ "answer_type": "표정답추출형", "context_id": "5cbfe06b-8202-483a-a8e4-63e5647b682e", "field": "인공물", "question_id": "69bbe5ac-93fb-4a8a-b4e1-5fb63d44fcac" }	<p>편파식별도 값이 낮은 안테나는 편파가 수시로 변하는 이동무선 통신환경에서 편파 다이버시티 수신법을 사용하였을 때 효율적인 수신이 가능하다. 따라서 본 제안된 안테나는 편파 다이버시티의 효과를 개선하고, 수신 성능을 향상시키는 데에 활용될 수 있다.</p> <p>위와 같은 파라미터 분석을 각각 수행한 결과, 최적화된 안테나의 설계변수의 값들이 표 1 과 같이 도출되었다. 그림 7은 표 1과 같이 최적화 된 설계변수를 바탕으로 제작된 안테나 시제품 사진이다. 캐비티 구조를 포함하는 도체 위로 두 개의 유전체를 적층하였다. 첫 번째 유전체는 FR4기판 \( (1 \mathrm{~mm}) \) 에 제작되었으며 윗면에는 마이크로스트립 급전선이 위치한다. 두 번째 유전체는 FR4 기판(3 \( \mathrm{mm} \) )에 제작되었으며, 윗면에는 슬롯이 식각된 사각 패치가 인쇄되어 있다.</p> <table border><caption>표 1. 제안된 안테나의 최적화된 설계변수</caption> <tbody><tr><td>설계변수</td><td>\( L_{c} \)</td><td>\( W_{c} \)</td><td>\( L_{a} \)</td></tr><tr><td>값 \( (\mathrm{mm}) \)</td><td>19</td><td>53</td><td>3</td></tr><tr><td>설계변수</td><td>\( H_{c} \)</td><td>\( P_{L} \)</td><td>\( P_{w} \)</td></tr><tr><td>값 \( (\mathrm{mm}) \)</td><td>8.5</td><td>33</td><td>12</td></tr><tr><td>설계변수</td><td>\( S_{L 1} \)</td><td>\( S_{L 2} \)</td><td>\( \theta \)</td></tr><tr><td>값 \( (\mathrm{mm}) \)</td><td>5</td><td>10</td><td>\( 30^{\circ} \)</td></tr></tbody></table> <p>그림 8은 모의실험 결과와 제작된 안테나의 반사손실 측정값을 나타낸다. 측정된 안테나의 반사손실은 시뮬레이션 결과와 유사한 값을 가지며, \( 10 \mathrm{~dB} \) 반사손실 대역폭은 \( 5,030 \mathrm{MHz}(3.02 \sim 8.05 \mathrm{GHz}) \)이며, 중심주파수 \( 5.05 \mathrm{GHz} \)에서 비 대역폭 \( 90.9 \% \) 을 가진다.</p> <p>그림 9는 실제 제작된 제안된 안테나의 측정한 안테나의 방사특성을 나타낸다. 모의실험 및 측정을 통해 얻은 이득값을 \( \mathrm{xz}, \mathrm{yz} \) 면으로 각각 나누어서 비교하였다. 방사패턴은 \( +z \) 방향으로 지향성을 나타내고 있으며, 최대이득은 \( 6.59 \mathrm{GHz} \) 에서 \( 7.38 \mathrm{dBi} \) 이며, 최소이득은 \( 7.21 \mathrm{GHz} \) 에서 \( 2.41 \mathrm{dBi} \) 이다. 또한, 평균 전후방비(front to back ratio)는 \( 15.05 \mathrm{~dB} \) 의 값을 갖는다.</p> <p>그림 11은 3 차원 안테나 측정시스템을 이용하여 무반향 챔버에서 측정된 안테나의 이득과 효율이다. 측정된 최대이득은 \( 7.38 \mathrm{dBi} \) 이며 최소이득은 \( 2.41 \mathrm{dBi} \) 이다. 또한, 최대효율은 \( 84.8 \% \), 최소효율은 \( 68.2 \% \) 를 가지며 평균 \( 77.6 \% \) 로 대체적으로 높은 값을 갖는 것을 확인할 수 있다.</p>	논문에서 제안된 안테나의 \( L_{c} \) 값은 몇인가?	19
{ "answer_type": "표정답추출형", "context_id": "fa4f42d2-e037-498e-a0a6-f9174c19ba63", "field": "인공물", "question_id": "ec517416-923c-46e6-a670-093fae83a00d" }	<h1>Ⅱ. 안테나 설계</h1> <h2>2-1 톱날형 평면 모노폴 안테나 구조</h2> <p>매우 간단한 구조와 제작의 용이성으로 인해 현재도 많이 사용되고 있는 모노폴 안테나는 전체적인 길이가 공진 주파수 파장의 약 \( \lambda / 4 \)인 공진형 안테나이다. 따라서 크기는 1/2 파장의 다이폴 안테나보다는 작지만 임피던스 대역폭어 매우 좁다는 단점을 가지고 있다. 이러한 기존의 모노폴의 단점을 개선하기 위해 선형 모노폴 안테나인 경우는 안테나에 사용된 도체의 지름을 증가시키는 방법, 안테나 선단에 스파이럴 또는 원판과 같은 부하를 장착하는 방법과 안테나 부분을 원추형으로 만드는 방법 등을 사용하였다. 그러나 이와 같은 방법들은 소형화되고 있는 이동통신 시스템에 부착하기에는 부피가 커지는 문제점이 있다. 최근에는 모노폴 안테나 부분을 사각형, 삼각형, 원형, 타원형 등과 같은 모양으로 평면화시켜 광대역 특성을 얻는 동시에 안테나의 부피를 작게 하는 연구가 활발히 진행되고 있다. 본 논문에서는 평면형 모노폴 안테나의 대역폭 특성을 개선하기 위한 방법으로 그림 1과 같이 역삼각형 모양을 톱날형으로 변형시킨 안테나를 연구하고자한다.</p> <p>그림 1의 위에 있는 역 삼각형 모양은 탑 로딩역할을 함으로써 안테나 길이를 줄이는 역할을 하게된다. 그리고 두 삼각형 사이에서의 커패시턴스 성분으로 안테나 임피던스의 주파수 변화를 작게 하여 광대역 임피던스 특성을 이룰 수 있게 된다.</p> <p>따라서 이 구조는 일반적으로 평면 삼각형 모노폴 안테나에서 변보다는 꼭지점에 급전을 하여 대역폭을 넓히는 방법과 안테나 끝단에 부하를 장착시키는 방법을 동시에 적용하여 대역폭 특성을 개선하는 방법이다.</p> <p>또한, 안테나 뒷면은 급전부까지는 도체 부분을 남겨 안테나의 급전선인 마이크로스트립 선로 접지로 사용하였다. 그리고 급전선과 접지면이 만나는 지점에서 안테나부의 이면인 접지면의 일정 면적을 제거하여 급전선과 안테나를 직접 정합시키는 구조를 갖도록 하였다.</p> <h2>2-2 파라미터 변화에 대한 특성 변화</h2> <p>제안된 구조의 주요 설계 변수는 표 1에 나타내었다. 그림 1에 나타낸 안테나의 설계 변수들 가운데 안테나의 전체 높이를 결정하는 것은 \( h_{1} \)으로 \( 800 \mathrm{~MHz} \) 대역에서도 안테나를 쓰기 위해서 \( 60.5 \mathrm{~mm} \)를 초기 값을 결정하였다. 이 길이는 \( 800 \mathrm{~MHz} \)를 기준으로 일반적인 1/4 파장 안테나 길이인 약 \( 93.8 \mathrm{~cm} \)보다 1/3 줄어든 길이이다. 그리고 안테나의 급전선은 \( 50 ~\Omega \) 마이크로스트립 선로를 이용하였다. 톱날형 평면 모노폴 안테나 구조의 각 치수에 대한 최적화된 파라미터 값은 표 1과 같다.</p> <table border><caption>표 1. 제안한 안테나에 대한 파라미터 수치</caption> <tbody><tr><td>Parameter</td><td>Value\( (\mathrm{mm}) \)</td><td>Parameter</td><td>Value\( (\mathrm{mm}) \)</td></tr><tr><td>\( w_{1} \)</td><td>\( 80 \)</td><td>\( h_{2} \)</td><td>\( 37 \)</td></tr><tr><td>\( w_{2} \)</td><td>\( 23 \)</td><td>\( h_{g} \)</td><td>\( 5 \)</td></tr><tr><td>\( w_{3} \)</td><td>\( 20 \)</td><td>\( T \)</td><td>\( 3.2 \)</td></tr><tr><td>\( h_{1} \)</td><td>\( 60.5 \)</td><td>\( L \)</td><td>\( 95 \)</td></tr></tbody></table> <p>표 1과 같은 여러 설계 변수가 안테나 반사 손실에 비치는 영향을 알아보기 위하여, 설계 변수에 따른 특성변화를 그림 2에 나타내었다.</p> <p>각 파라미터 영향을 연구하기 위해 상용화 툴인 CST사의 Microwave studio를 이용하여 시뮬레이션 결과를 고찰하였다.</p> <p>그림 2(a)는 \( w_{2} \)의 변화에 대한 반사손실 변화를 그린 것이다. \( w_{2} \)는 톱 로딩한 역 삼각형의 밑면으로 이 길이가 변화함에 따라 고주파 대역의 특성이 많이 변화함을 알 수 있다. 특히, 이 부분은 안테나의 전체 길이를 줄이는 데 큰 역할을 함과 동시에 대역폭에도 민감하게 영향을 주는 것을 알 수 있다.</p> <p>그림 2(b)의 각도 변화에 따른 반사 손실특성을 보면 각도가 커질수록 저주파특성이 우세하고 각도가 줄어들수록 고주파 특성이 두드러지는데 각도가 \( 45^{\circ} \)일 경우 즉, \( w_{1} \) 길이가 \( 80 \mathrm{~mm} \)일 때 주파수 특성이 좋아지면서 임피던스 특성이 \( 50 ~\Omega \)에 가장 근접하면서 대역폭이 넓어지는 것으로 나타났다.</p> <p>그림 2(c) 접지면의 요철 부분의 폭\( \left(w_{3}\right) \) 변화에 따른 특성을 시뮬레이션한 결과를 나타냈다. 시물레이션 조건은 모든 파라미터는 최적의 값으로 고정시킨 상태에서 폭\( \left(w_{3}\right) \)를 변화시킨 것이다. 폭이 넓어질수록 낮은 주파수 대역에 영향을 주며, 폭이 좁아지더라도 대역폭에는 크게 영향을 주지는 않았다.</p> <p>그림 2(d) 접지면의 요철 부분의 길이를 나타내는 \( h_{g} \)에 따른 반사손실 특성 변화를 시물레이션한 결과이다. \( h_{g} \)의 작은 변화에 반사 손실이 많이 변화함을 알 수 있다. \( h_{g} \)의 변화에 따라 낮은 주파수 대역에서는 작은 임피던스 변화가 있지만 고주파 대역에서는 많은 변화가 생긴다. 이를 적절히 이용하면 안테나와 \( 50 ~\Omega \) 급전선과 간단한 구조로 직접 매칭을 이룰 수 있고 그 특성도 광대역이 된다. 특히 이 파라미터를 통해 안테나 설계할 때 커패시턴스 또는 인덕턴스 하게 정합에서 벗어난 것을 보상해 줄 수 있다.</p> <p>그림 3은 단일 역삼각형 모노폴 안테나(RTMA: Reverse Triangular Monopole Antenna)와 톱날형 모노폴 안테나(STMA)와의 계산치 결과를 비교해 보면, 먼저 RTMA는 \( 0.5 \mathrm{~GHz} \)부터 \( 2.5 \mathrm{~GHz} \)까지 계산된 결과는 VSWR \( \leq 2 \)에서 주파수 대역이 \( 0.98 \mathrm{~GHz} \sim 1.54 \mathrm{~GHz} \)로 중심 주파수 \( 1.26 \mathrm{~GHz} \)을 기준으로 \( 44 \% \)의 대역폭을 가진다. 기본적인 모노폴 안테나보다 넓은 주파수 대역을 보인다. 단일 역삼각형 모노폴에 탑 로딩 역할을 하는 로드를 추가하면 두 번 공진이 일어나 대역폭이 증가하게 된다. STMA는 주파수 대역이 \( 0.77 \mathrm{~GHz} \sim 1.98 \mathrm{~GHz} \)으로 중심 주파수 \( 1.375 \mathrm{~GHz} \)를 기준으로 대역폭이 \( 88 \% \)이다. 제안된 구조의 안테나는 단순한 역삼각형 모델보다 중심 주파수는 거의 변화지 않았고, 주파수 대역폭은 \( 88 \% \)로 대역폭 확장 효과가 우수함을 알 수 있다. 이와 같은 시뮬레이션 결과를 보면 본 논문에서 제안한 광대역 특성을 얻기 위한 임피던스 정합 방법의 효과는 뛰어나다고 할 수 있다.</p>	표 1. 제안한 안테나에 대한 파라미터 수치에서 \( w_{3} \) 은 어떤 Value\( (\mathrm{mm}) \) 값을 갖는가?	\( 20 \)
{ "answer_type": "절차(방법)형", "context_id": "165c177c-c063-4e63-952e-8fbd927fac18", "field": "인공물", "question_id": "3872d754-adce-4f58-b301-c8ba92d818b4" }	<h1>IV. 실 험</h1><p>다음의 표 1은 ISCAS85 C17 benchmark 예제에 대해 repair를 수행한 결과이다. C17의 NAND2 6개중 2개의 셀에서 오류가 발생했다고 가정하고 같은 배선 수정 방법으로 repair를 수행한 결과 이며, programmable한 Via Patterned Gate Array (VPGA)에 비해 \( 1 / 4 \)의 면적으로 repair가 가능하다.</p><table border><caption>표 1. 면적 결과 : VPGA vs. SCMR</caption><tbody><tr><td rowspan="2">항목</td><td rowspan="2">Cell area (\(\mathrm{um}^{2}\))</td><td colspan="2"># of via</td></tr><tr><td>In logic</td><td>In spare cell</td></tr><tr><td>SC2MR</td><td>39.92</td><td>16</td><td>53</td></tr><tr><td>VPGA</td><td>159.67 (400\(\%\))</td><td>16</td><td>35 (66\(\%\))</td></tr></tbody></table><p>표 2는 일반 회로에 대하여 각각 특정 repair를 수행한 결과이다. el은 ISCAS89 S27 benchmark 예제에 대해 repair를 수행한 결과이다. 5개의 입력 신호가 S27 회로 2개에 각각 연결되어 있고, 2개의 S27 회로 중 하나에서 오류가 발생하였다고 가정하였다. 예제 e2와 e3는 각 회로에 saturation 회로를 추가한 것이고, e4는 회로의 출력단에 특정 gate를 추가한 것이다. S_A 예제는 FSM예제에서 state변경에 따른 repair결과이다. Standard metal 방법은 1 via layer만을 수정하여 재배선을 수행하는 방법으로 2 metal layer를 수정하는 배선 수정 방법에 비해 mask변경이 적지만 배선길이가 16배 더 길게 필요하다.</p><p>그림 9는 e1 예제에 대해 SC2MR 방식과 standard metal 방식을 비교한 것이다. 그립 9 (b)에서 격자로 배열되어 있는 배선이 standard metal을 구현하기 위해 미리 배치되어 있는 배선이며, 격자 배선의 위와 아래에 배치된 회로가 예비회로이다. 그림 9 (b)의 예비 회로는 격자 구조 밑으로 배치될 수 있으나 보기 편하도록 그림에서는 격자의 위 아래로 배치하였다.</p><p>Standard metal 방법은 1 via layer만을 수정하여 재배선을 수행하는 방법으로, 2 metal layer를 수정하는 배선 수정 방법에 비해, mask변경이 적지만 배선길이가 이 예제에서는 16배 더 길게 필요하다.</p><p>표 3은 회로의 verilog code에서 조건식을 일부 변경한 회로의 예시이다. 표 3의 값은 Sample A, B, C에 대해 각각 verilog code내 조건 식에서 새로운 조건을 추가한 회로 변경을 하였으며, 각 예제에 대해 회로를 \( 8 / 12 / 16 \) 개로 회로 분할한 후에 repair한 결과이다. SC_size는 repair시에 필요한 예비 회로의 면적을, reduce는 회로 분할 없이 전체 회로를 repair 했을 때 필요한 예비 회로 면적 대비 회로 분할 이후 repair할 때 예비 회로의 면적이 줄어든 비를 나타낸 것이다. 저비용 repair를 위해 min-cut 회로 분할을 사용할 경우 표 3의 3개 예제에 대해 사용해야 할 spare cell을 최대 \( 80 \% \)까지 줄일 수 있었다.</p><table border><caption>표 3. Repair 결과 : Min-cut 회로분할</caption><tbody><tr><td></td><td></td><td>Non partition</td><td>Partition 8</td><td>Partition 12</td><td>Partition 16</td></tr><tr><td rowspan="2">S_A</td><td>Spare cell size</td><td>106111</td><td>69187</td><td>69187</td><td>66193</td></tr><tr><td>Reduce</td><td></td><td>34.80 \(\%\)</td><td>34.80 \(\%\)</td><td>37.62 \(\%\)</td></tr><tr><td rowspan="2">S_B</td><td>Spare cell size</td><td>445740</td><td>158002</td><td>111101</td><td>87484</td></tr><tr><td>Reduce</td><td></td><td>64.55 \(\%\)</td><td>75.07 \(\%\)</td><td>80.37 \(\%\)</td></tr><tr><td rowspan="2">S_C</td><td>Spare cell size</td><td>352592</td><td>268431</td><td>268431</td><td>268431</td></tr><tr><td>Reduce</td><td></td><td>23.87 \(\%\)</td><td>23.87 \(\%\)</td><td>23.87 \(\%\)</td></tr></tbody></table>	C17은 어떠한 가정을 통해 repair를 수행한 결과인가?	NAND2 6개중 2개의 셀에서 오류가 발생했다고 가정하고 같은 배선 수정 방법으로 repair를 수행
{ "answer_type": "절차(방법)형", "context_id": "1a891102-0de8-4e65-8b57-02627e39f05e", "field": "인공물", "question_id": "fd5b378e-7299-4f66-9a14-38208ee7f1c9" }	<h1>II. 근사3차원 커패시턴스 추출</h1> <p>다층 IC 배선 구조는 본질적으로 불규칙한 구조를 갖는다. 즉, 그림 1에서 보듯이 회로 블록 사이를 연결하는 배선은 동일한 층 내에서조차 직선의 형태를 띠지 않으며 배선 사이의 거리도 불규칙하다. 또한 다층 배선 구조의 경우 비아 등과 같은 불연속 구간을 가지거나 층간 커플링을 최소화하기 위해 서로 직교하는 배선 구조를 갖으므로 본질적으로 2차원 방법을 적용하여 커패시턴스를 추출하는 것은 불가능하다. 그러나 배선이 불연속한 구간을 만날 때마다 구간을 나누어서 각 구간의 커패시턴스를 구하고 이들 각 부분의 커패시턴스를 합침으로써 주된 배선의 커패시턴스를 구할 수 있다. 특히 나누어진 각 부분의 커패시턴스는 2차원 커패시턴스 방법을 사용하므로 신속하게 구할 수 있다. 동일한 층에서의 불규칙한 구조에 대한 근사적 3차원 커패시턴스 추출 방법과 다층 배선 구조에 대한 근사적 3차원 커패시턴스 추출 방법을 아래에서 자세히 서술한다.</p> <h2>1. 단일 층에서의 근사적 3차원 커패시턴스 추출 방법</h2> <p>단일 층에서의 불규칙 배선구조를 그림 2에서 나타내었다. 그림 2에서 보듯이 배선은 비직선 구조를 갖으며 배선 사이의 거리도 다르므로 직접적으로 2차원 커패시턴스 추출 방법을 사용할 수 없다. 현재 까지는 이러한 경우 3차원 field-solver를 사용하여 구하거나 수치적인 방법을 사용하여 구하였다. 그러나 대규모의 시스템에 적용하기에는 많은 계산 시간과 비용을 요구한다. 따라서 그림 2와 같이 밴드 같은 불연속하는 곳이 나타날 때마다 그 부분을 나누고 나누어진 부분의 커패시턴스는 MOM(method of moment)을 사용한 2D 시뮬레이션을 사용하여 파라미터를 추출할 수 있다. 위에서 서술한 내용은 다음과 같은 식으로 나타낼 수 있다. 즉, 전송선의 총 파라미터 값은 다음과 같이 각각의 부분의 파라미터들의 값을 더한 것이다.</p> <p>\( C_{i i}^{j}=\sum_{k=1}^{n}\left(C_{i i^{\prime}}^{j}\right)_{k} \)<caption>(1)</caption></p> <p>여기서 아래 첨자 \( k \)는 \( k \)번째 나누어진 배선의 부분을 가리키며, \( n \)은 나누어진 부분의 수로서 전송선의 구조에 따라 변한다. 또한 각각의 나누어진 부분의 커패시턴스는 노드 어드미턴스 행렬(node admittance matrix)과 유사한 방법으로 2단자 네트워크 커패시턴스 개념, 즉 단락회로 커패시턴스(short circuit capacitance) 추출 방법을 사용하여 쉅게 추출할 수 있다. 단락 회로 커패시턴스와 일반적인 커패시턴스는 다음과 같은 관계를 갖는다.</p> <p>\( C_{\text {sii }}=\sum_{j=1}^{n} C_{i j} \)<caption>(2)</caption></p> <p>\( C_{s i j}=-C_{i j} \)<caption>(3)</caption></p> <p>단락 회로의 커패시턴스를 구하기 위한 2 단자 네트워크 시스템은 수학적으로 다음과 같이 나타낼 수 있다.</p> <p>\( V_{i}=V \quad \) if \( \quad i \in A \)<caption>(4)</caption></p> <p>\( V_{i}=0 \quad \) if \( \quad i \notin A \)<caption>(4)</caption></p> <p>여기서 \( A \)는 활성 노드의 집합이다. 그러면 전압이 인가된 노드 집합 \( x \in A \) (하나의 노드)와 전압이 인가되지 않은 노드 집합 \( y \notin A \) (활성 노드를 제외한 나머지 노드) 사이의 2 단자 커패시턴스는 다음과 같다. 즉,</p> <p>\( C_{2-\text { port }}=\sum_{i=A} \frac{Q_{i}}{V} \)<caption>(6)</caption></p> <p>그러므로, 독립적인 노드 집합을 사용하여 2 단자 네트워크 계산을 반복하여 수행하면 \( n \)단자 네트워크에 대한 커패시턴스를 쉽게 구할 수 있다. 이것을 이용하여 몇 개의 독립적인 노드에 대한 커패시턴스를 대수적으로 처리함으로써 셀프 커패시턴스와 커플링 커패시턴스를 추출할 수 있다. 그림 2와 같은 불규칙한 배선구조에 대하여 근사 3차원 커패시턴스 추출 방법에 의해 구한 커패시턴스를 표 1에서 나타내었다. 또한 그림 3과 같은 좀더 복잡한 구조에 대해 구한 커패시턴스와 3차원 field-solver를 사용하여 구한 커패시턴스를 표 2에서 비교하였다. 표2 에서 보듯이 동일한 층에 대 한 근사 3차원 커패시턴스 추출 방법이 3차원 field-solver 방법을 사용하여 추출한 커패시턴스와 오차범위 \( 5 \% \) 내에서 잘 일치함을 알 수 있다.</p> <table border><caption>Title</caption> <tbody><tr><td>\( C_{i j} \)</td><td>K=1</td><td>K=2</td><td>K=3</td><td>K=4</td><td>K=5</td><td>K=6</td><td>K=7</td><td>K=8</td><td>K=9</td><td>\( \sum_{k=1}^{9} C_{i j}^{k} \) \( [f F] \)</td></tr><tr><td>C10</td><td>10.50</td><td>20.00</td><td>52.50</td><td>33.60</td><td>20.70</td><td>20.70</td><td>20.70</td><td>49.60</td><td>25.30</td><td>253.60</td></tr><tr><td>C20</td><td>13.90</td><td>24.30</td><td>32.70</td><td>30.90</td><td>19.10</td><td>19.00</td><td>19.10</td><td>30.10</td><td>23.20</td><td>212.30</td></tr><tr><td>C30</td><td>7.98</td><td>20.80</td><td>30.90</td><td>30.10</td><td>19.80</td><td>18.20</td><td>19.80</td><td>30.80</td><td>21.40</td><td>199.78</td></tr><tr><td>C40</td><td>13.90</td><td>24.30</td><td>33.50</td><td>43.00</td><td>30.20</td><td>30.10</td><td>30.20</td><td>33.50</td><td>23.20</td><td>261.90</td></tr><tr><td>C50</td><td>10.50</td><td>20.00</td><td>36.50</td><td>35.70</td><td>20.00</td><td>21.70</td><td>20.00</td><td>36.50</td><td>25.30</td><td>226.20</td></tr><tr><td>C12</td><td>0.833</td><td>3.850</td><td>0.974</td><td>4.960</td><td>3.050</td><td>3.050</td><td>3.050</td><td>5.730</td><td>0.142</td><td>25.639</td></tr><tr><td>C13</td><td>0.024</td><td>0.054</td><td>0.079</td><td>0.223</td><td>0.149</td><td>0.137</td><td>0.149</td><td>0.223</td><td>0.055</td><td>1.093</td></tr><tr><td>C14</td><td>0.016</td><td>0.016</td><td>0.053</td><td>0.104</td><td>0.030</td><td>0.064</td><td>0.030</td><td>0.104</td><td>0.037</td><td>0.453</td></tr><tr><td>C15</td><td>0.008</td><td>0.012</td><td>0.026</td><td>0.036</td><td>0.019</td><td>0.022</td><td>0.019</td><td>0.036</td><td>0.018</td><td>0.194</td></tr><tr><td>C23</td><td>2.300</td><td>0.896</td><td>4.960</td><td>4.910</td><td>3.050</td><td>3.020</td><td>3.050</td><td>4.910</td><td>3.430</td><td>30.526</td></tr><tr><td>C24</td><td>0.074</td><td>0.025</td><td>0.241</td><td>0.223</td><td>0.045</td><td>0.137</td><td>0.045</td><td>0.223</td><td>0.167</td><td>1.179</td></tr><tr><td>C25</td><td>0.016</td><td>0.016</td><td>0.053</td><td>0.048</td><td>0.025</td><td>0.029</td><td>0.025</td><td>0.018</td><td>0.037</td><td>0.296</td></tr><tr><td>C34</td><td>2.300</td><td>0.896</td><td>4.960</td><td>5.730</td><td>0.887</td><td>3.820</td><td>0.887</td><td>4.960</td><td>3.430</td><td>27.870</td></tr><tr><td>C35</td><td>0.024</td><td>0.054</td><td>0.079</td><td>0.079</td><td>0.050</td><td>0.049</td><td>0.050</td><td>0.079</td><td>0.055</td><td>0.519</td></tr><tr><td>C45</td><td>0.833</td><td>3.850</td><td>0.205</td><td>0.974</td><td>3.850</td><td>0.896</td><td>3.850</td><td>0.204</td><td>0.142</td><td>14.804</td></tr></tbody></table>	단일 층에서의 불규칙 배선구조에서 파라미터는 어떻게 추출하는가?	불연속하는 곳이 나타날 때마다 그 부분을 나누고 나누어진 부분의 커패시턴스는 MOM(method of moment)을 사용한 2D 시뮬레이션을 사용하여 파라미터를 추출
{ "answer_type": "절차(방법)형", "context_id": "a4cf8986-55c2-4f8f-9c31-a16df5e3b079", "field": "인공물", "question_id": "f4b545cd-1a20-46d2-abcc-5d7405a718d9" }	<h1>IV. 실험 결과</h1> <p>실험을 위해 MPEG 영상 중 FHD(Full HD) 해상도의 Cactus, Toys and calendar, Traffic, Flag shoot, Park Scene, BQ terrace 와 HD 해상도의 Big Ship, City, Night, Stockholm 영상에서 30 프레임만을 사용하였다. 그리고 FHD 해상도의 촬영 영상으로 15 프레임의 City_inha, Leaf_inha, Night_inha1, Night_inha2 영상을 사용하였다. 촬영 영상은 삼성 카메라 NX 1의 연사기능 \( (15 \mathrm{~Hz}) \) 을 이용하여 원본 데이터를 획득하였다. 실험에 사용한 4 가지의 촬영 영상들은 그림 5에서 볼 수 있다.</p> <p>실험에 사용한 동영상 코덱 표준 참고 코드로서 H.264는 JM_9.0을 사용하였고 HEVC는 기정 저지연(Low Delay, 이하 LD)과 임의 접근(Random Access, 이하, RA) 구성을 사용하였다. 인코더 주요 설정 값은 표 1 과 같이 설정하였다. LSD 설정에 대해 SD 과정에서는 \( M=2, \sigma_{1}=1.5, \sigma_{2}=3 \)으로 설정하고 이득 모델에 대해서는 \( \lambda=3 \)으로 설정하였다. LSD 설정 과정이후, 정성적인 평가와 정량적인 평가를 통해 제안 기법을 동영상 코덱 적용 전 전처리로 적용한 결과의 PVC 효과를 확인하였다.</p> <h2>4.1. 주관적 평가</h2> <p>제안 기법의 주관적 관점의 동영상 압축 효율을 확인하기 위해 주관적 시각 테스트 중 하나인 \( \mathrm{ACJ} \) (Adjectival Categorical Judgment) 기반의 테스트를 진행하였다.</p> <table border><caption>표 1. 인코더 설정</caption> <tbody><tr><td></td><td>H.264</td><td>HEVC(LD)</td><td>HEVC(RA)</td></tr><tr><td>부호화 구조</td><td>IPPP</td><td>GPB 구조</td><td>Clean RA</td></tr><tr><td>I 프레임 주기</td><td>1번째 만</td><td>1번째 만</td><td>8</td></tr><tr><td>QP</td><td>24, 28, 32, 36</td><td>24, 28, 32, 36</td><td>24, 28, 32, 36</td></tr><tr><td>움직임 추정 과정</td><td>EPZS</td><td>TZ search</td><td>TZ search</td></tr><tr><td>탐색 범위</td><td>32</td><td>64</td><td>64</td></tr><tr><td>참조 프레임 수</td><td>2</td><td>4</td><td>3, 4</td></tr><tr><td>비율 조절</td><td>미적용</td><td>미적용</td><td>미적용</td></tr><tr><td>엔트로피 부호화</td><td>CABAC</td><td>CABAC</td><td>CABAC</td></tr><tr><td>RD 최적화</td><td>미적용</td><td>기정 값</td><td>기정 값</td></tr></tbody></table> <p>ACJ 방법은 실험 참가자들에게 참조 영상과 실험 영상을 동시에 보여주며 두 영상의 화질을 주관적으로 평가하는 방법이다. 전처리 미적용 영상과 적용 후 영상을 동일 QP 값에서 코덱을 적용한 결과를 비교하여 두 영상의 차이가 느껴지는지를 확인하였다. 시청 환경은 표 2 와 같이 설정하였다.</p> <p>QP 값이 24일 경우 시각적 차이 유무는 그림 6,7에서 확인 할 수 있다. 정지 영상일 경우 제안 기법을 적용한 결과에서 고주파 영역 억제로 인한 에지나 텍스쳐 영역에서 차이가 발생한다. 하지만 표 2 와 같은 시청 환경에서 동영상으로 확인 할 경우 정지 영상에서 인지되었던 시각적 차이는 제거된다.</p> <h2>4.2. 객관적 평가</h2> <p>정량적인 화질 비교를 위해 객관적 왜곡 측정으로 MS-SSIM(Multiple Scale-Structural Similarity)를 사용하였다. 전처리 없이 일반적인 코덱 적용 결과와 전처리로 제안 기법 이후에 코덱 적용 결과에 대하여 4가지 QP값에 대한 평균값으로 MS-mathrmSSIM 와 데이터 량을 표 3, 4,5와 같이 비교하였다. MS-SSIM은 모든 프레임들의 평균값이고 데이터 변화량은 식 (13)과 같이 계산한다.</p> <p>\( \triangle \) Bitrate \( =\frac{\text { Bitrate }_{c o n}-\text { Bitrate }_{\text {pro }}}{\text { Bitrate }_{\text {pro }}} \times 100 \)<caption>(13)</caption></p> <p>\( \triangle \) Bitrate 는 데이터 변화량, Bitrate \( p_{p r o} \) 는 전처리 적용된 영상에 대하여 인코딩 후 데이터 량, Bitrate \( c_{c o n} \) 은 전처리 없이 일반적인 인코더 적용 후 데이터 량을 의미한다.</p> <p>표 3,4,5에서 일반적인 코덱 결과와 제안 기법의 MS-SSIM 평균 값을 비교하면 H.264의 경우 0.0018 ,HEVC(LD)의 경우 0.0017, HEVC(RA)의 경우 0.0016 차이가 있다. 데이터 감소량을 비교하면 일반적인 코덱 결과와 제안 기법의 평균 데이터 감소량은 H.264의 경우 \( 13.23 \%\), ,HEVC(LD)의 경우 \( 12.04 \%\) HEVC(RA)의 경우 \( 9.39 \% \)이다. 이는 제안 기법을 코덱 전처리로 적용하면 비슷한 화질에서 데이터 감소 효과가 있음을 의미한다.</p>	본 논문은 건의한 방법의 자의적인 시각의 동영상 압축 효율을 검토하기 위해서 어떻게 하였는가?	주관적 시각 테스트 중 하나인 \( \mathrm{ACJ} \) (Adjectival Categorical Judgment) 기반의 테스트를 진행
{ "answer_type": "표정답추출형", "context_id": "0f36233b-5c07-4b74-95ba-c32bb9ecb295", "field": "인공물", "question_id": "d119fcce-9f42-462c-a676-85d89ddeec17" }	<h2>3. 외란관측기 설계</h2> <p>식 (1)로부터 출력의 전달함수 식을 구해보면 다음과 같이 쓸 수 있다.</p> <p>\( V_{c}=\frac{1}{s^{2} L C+1} V_{a}+\frac{-s L}{s^{2} L C+1} I_{L} \)<caption>(5)</caption></p> <p>따라서 그림 2에서와 같은 외란 관측기 설계 기법을 적용하기 위해 본 논문에서는 \( -s L \cdot I_{L} \)을 그림 2의 외란 \( d \)로 생각하고 외란 관측기를 설계한다. 식 (5)에서 부하전류 \( I_{L} \)의 변화량과 외란 \( d \)가 비례하기 때문에 순간적으로 부하가 걸리는 스텝 부하에 경우 본 논문에서 제안하는 방법이 효과적일 것으로 예상할 수 있다.</p> <p>일반적으로 인버터는 펄스 변조에 따라 PWM(Pulse Width Modulation)과 PAM(Pulse Amplitude Modulation)으로 분류된다. 본 논문에서는 일반적으로 사용되는 PWM 방식을 이용하여 시뮬레이션을 하도록 한다. 이 때 PWM의 전달함수를 1이라 가정한다면 시스템의 공칭 전달함수 \( P_{n}(s) \)는 다음 식과 같다.</p> <p>\( \frac{V_{c}(s)}{V_{a}(s)}=\frac{1}{s^{2} L C+1} \)<caption>(6)</caption></p> <p>따라서 그림 3과 같이 외란 관측기를 구성 할 수 있다. 그림3은 Matlab Simulink로 작성한 시스템 구성도이다.</p> <h2>4. 시뮬레이션</h2> <p>제안된 제어 방법의 타당성 및 성능을 확인하기 위해 컴퓨터 모의실험을 실시하였다. 이 때 사용된 파라미터 값은 아래 표 1과 같다.</p> <p>모의실험은 개루프 시스템에 대한 결과 (그림 4, 5)와 PI-제어기를 사용할 때 (그림 6, 7), 그리고 논문에서 제안하는 제어기를 사용할 때 (그림 8, 9)에 대해 출력을 비교한다. 두 번째 그림은 정확한 비교를 위해 과도 현상 부분을 확대한 그림이다.</p> <p>개루프 시스템의 경우 제어기를 사용하지 않을 때 무부하 상태에서 부하가 갑자기 인가되면 (0.02초) 전압 및 전류의 파형이 심하게 일그러짐을 확인할 수 있다. (그림 4,5)</p> <table border><caption>표 1. 모의실험 파라미터</caption> <tbody><tr><td rowspan=2>LC 필터</td><td>\( \mathrm{L}=2 \mathrm{mH} \)</td></tr><tr><td>\( \mathrm{C}=10 \mathrm{\mu F} \)</td></tr><tr><td>DC 전압</td><td>\( V_{d c}=200 \mathrm{~V} \)</td></tr><tr><td>스탭부하</td><td>\( R=30 \Omega \)</td></tr><tr><td>출력 전압, 주파수</td><td>\( V_{c}=110 \mathrm{~V}, f=60 \mathrm{~Hz} \)</td></tr><tr><td>스위칭 주파수</td><td>\( f_{s w}=20 \mathrm{kHz} \)</td></tr><tr><td rowspan=2>PI-제어기</td><td>P gain = 50</td></tr><tr><td>I gain = 10</td></tr><tr><td rowspan=2>저주파통과필터 (Butterworth filter)</td><td>차수 = 5</td></tr><tr><td>차단주파수 \( 30000 \mathrm{rad} / \mathrm{s} \)</td></tr></tbody></table> <p>한편 PI-제어기를 사용하는 경우 그림 6과 7에서 확인하듯이 전압 및 전류 파형의 변화량이 감소하게 된다.</p> <p>추가로 논문에서 제안하는 방법으로 외란 관측기를 추가적으로 설계하면 앞 절에서 예상한 대로 P-제어기 단독으로 사용한 경우에 비해 과도현상이 상당히 개선됨을 확인할 수 있다. (그림 8, 9)</p>	표 1. 모의실험 파라미터에서 LC필터의 L 값은 뭐야?	\( \mathrm{L}=2 \mathrm{mH} \)
{ "answer_type": "정답경계추출형", "context_id": "cbf5530a-395e-42fb-9eec-cccd8bbf95a6", "field": "인공물", "question_id": "33b2e822-b08f-4ee4-8928-40c003909401" }	<h1>요 약</h1><p>본 논문은 전류 센싱 FET가 내장되어 있고 온-저항이 낮으며 고전류 구동이 가능한 트렌치 게이트 고 전력 MOSFET를 제안하고 전기적 특성을 분석하였다. 트렌치 게이트 전력 소자는 트렌치 폭 \( 0.6 \mu \mathrm{mm} \), 셀 피치 \( 3.0 \mu \mathrm{mm} \)로 제작하였으며 내장된 전류 센싱 FET는 주 전력 MOSFET와 같은 구조이다. 트렌치 게이트 MOSFET의 집적도와 신뢰성을 향상시키기 위하여 자체 정렬 트렌치 식각 기술과 수소 어닐링 기술을 적용하였다. 또한, 문턱전압을 낮게 유지하고 게이트 산화막의 신뢰성을 증가시키기 위하여 열 산화막과 CVD 산화막을 결합한 적층 게이트 산화막 구조를 적용하였다. 실험결과 고밀도 트렌치 게이트 소자의 온-저항은 \( 24 \mathrm{~m} \Omega \), 항복 전압은 \( 100 \mathrm{~V} \)로 측정되었다. 측정한 전류 센싱 비율은 약 70 정도이며 게이트 전압변화에 대한 전류 센싱 변화율은 약 \( 5.6 \% \) 이하로 나타났다.</p>	내장된 전류 센싱 FET는 어떤 것과 같은 구조야?	주 전력 MOSFET
{ "answer_type": "Yes/No 단문형", "context_id": "6e486f94-b89f-4b4e-b987-9555c12a0f73", "field": "인공물", "question_id": "0ff10255-7ed3-4604-8e25-9b9d3526bd8c" }	<h1>IV. 결 론</h1><p>본 논문은 전류 센싱 FET가 내장된 모터 구동용 \( 100 \mathrm{~V} / 200 \mathrm{~A} \) 급 고 전력 트렌치 게이트 MOSFET를 제작하고 전기적 특성을 분석하였다. 트렌치 게이트 MOSFET의 셀 피치를 줄여 집적도를 높이기 위하여 TEOS 스페이서를 이용한 자체 정렬 트렌치 식각 기술을 적용하였고, 트렌치 모서리 부분의 전계분포의 과밀화에 의한 소자 특성 열화를 완화시키고 소자의 신뢰성을 증가시키기 위하여 수소 어닐링공정을 진행하여 트렌치 모서리 부분을 라운딩하였다. 또한, 게이트 산화막의 누설전류를 줄이고 장기적 신뢰성을 향상시키기 위하여 적층 구조의 산화막을 성장하였다. 실험 결과 스위칭 MOSFET의 온-저항은 \( 24 \mathrm{~m} \)\( \Omega \), 항복전압은 약 \( 105 \mathrm{~V} \)로 온-저항 및 누설 전류 특성이 양호하였으며, 전류 센싱 비율은 약 70으로 측정되었다. 게이트 인가 전압 변화에 따른 센싱 비율 변화는 \( 5.6 \% \) 이하로 나타나, 본 연구의 전류 센싱 고밀도 트렌치 게이트 MOSFET는 모터 구동 및 자동차 분야에 광법위하게 적용될 수 있는 것으로 사료된다.</p>	MOSFET는 셀 피치가 증가하면 집적도가 낮아져?	YES
{ "answer_type": "정답경계추출형", "context_id": "b85010c1-a1d1-457c-86a4-986af747ca3a", "field": "인공물", "question_id": "d29ce37b-7f7e-46c7-a7ee-a2a61c3df68f" }	<h1>II. 소자 구조 및 제작</h1><p>대 전류 트렌치 게이트 MOSFET를 제작하기 위하여 고 농도로 도핑된 \( \mathrm{n}+ \) 웨이퍼 위에 \( 10~ \mu \mathrm{m} \) 두께의 \( \mathrm{n}^{-}\)형 에피층 (epi layer)이 성장된 기판을 사용하였다. 그림 1과 같이 \( \mathrm{n}^{+}/ \mathrm{n}^{-}\mathrm{epi} \) 기판에 \( \mathrm{p} \)-body 영역을 형성하기 위하여 붕소 이온(\( 2.5 \mathrm{E} 13 / \mathrm{cm}^{2} \))을 이온 주입 공정을 진행하였다. 다음으로 트렌치 식각 공정을 수행하였으며, 트렌치식각 구조의 aspect ratio를 높여 트렌치 게이트 MOSFET의 셀 피치를 줄여 집적도를 높이기 위하여 그림 1(b)와 같이 식각 마스크 역할을 하는 TEOS (Tetra-Ethyl-Ortho-Silicate) 스페이서 산화막을 증착하고 건식 식각을 실시하였다. 이어서 트렌치 식각 후 트렌치 모서리 부분의 전장과밀 (field crowding) 현상으로 인한 소자 파괴 및 신뢰성 저하를 방지하기 위하여 수소 어닐링 공정을 진행하여 트렌치 식각면의 모서리 부분을 rounding 하였다. 또한, 형성된 트렌치 표면의 불순물과 결정 결함을 제거하기 위하여 희생 산화막을 성장하고 습식 식각으로 제거하는 공정을 진행하였다. 희생 산화막 제거 후 게이트 산화막 성장은 일반적인 트렌치 게이트 MOSFET의 취약점인 트렌치 코너 부분의 게이트 산화막 thinning 현상으로 게이트 산화막의 높은 누설 전류, 낮은 항복전압 및 장기적 신뢰성 저하 등의 문제점을 개선하기 위하여 열 산화막 (\(200\)\(\overset{\circ}{A}\))과 LPCVD (Low Pressure Chemical Vapor Deposition) 공정으로 고온 산화막을 증착하여 적층 구조의 게이트 절연막을 형성하였다. 다음으로 LPCVD 방법에 의하여 다결정 실리콘 증착하고 열 도핑 공정으로 \( \mathrm{n}^{+} \) 도핑된 다결정 실리콘으로 게이트 전극을 형성하였다. 표면의 단차를 줄이기 위하여 etch-back 평탄화 공정을 수행하였다.</p><p>그림 2는 \( \mathrm{p} \)-body 형성 후 트렌치 식각과 게이트 전극을 형성 및 평탄화 공정을 진행한 소자의 단면 구조사진이다. 그림 2에서 보는 바와 같이 폭 \( 0.6 ~\mu \mathrm{m} \), 깊이 \( 1.65 ~\mu \mathrm{m} \)로 트렌치 구조를 형성하였다. 게이트 전극 형성 후 비소 이온 (\( 5.0 \mathrm{E} 15 / \mathrm{cm}^{2}\))을 이온 주입하여 \( \mathrm{n}^{+} \) 소스를 형성하였다. \( \mathrm{P}^{+} \) body 접합을 형성하기 위하여 붕소 이온 (\( 3.0 \mathrm{E} 15 / \mathrm{cm}^{2} \))을 주입하였으며, \( \mathrm{p}^{+} \) body 접합을 TEOS 산화막을 이용하여 \( \mathrm{n}^{+} \) 소스와 자체 정렬 방법으로 형성하여 집적도를 높였다. 마지막으로 전면과 후면에 금속 전극을 증착하여 소스 및 드레인 전극을 형성하였다.</p><p>그림 3은 대 전류 구동이 가능한 트렌치 게이트 MOSFET의 간략화된 layout으로 그림 3(a)는 3개의 전극으로 구성된 기존의 일반적인 전력소자이며, 그림 3(b)는 본 논문에서 구현한 전류 센싱 FET가 내장된 트렌치 게이트 MOSFET이다. 본 연구에서 구현한 전류 센싱 트렌치 게이트 전력 소자는 기존 전력 MOSFET와 달리 4개의 전극, 즉 게이트, 드레인, 소스1, 소스2로 구성되어 있다. 소스1은 주 스위칭 MOSFET의 소스이며 소스2는 주 스위칭 MOSFET의 구동 전류를 센싱할 수 있는 센싱 FET의 소스 전극이다. 셀 내에서 스위칭 MOSFET의 동작온도 등의 변화에 의한 구동 전류 변화를 정확히 감지하기 위해서는 전류 센싱 FET가 셀 중심에 위치하는 것이 가장 이상적인 위치이나 패키징 과정의 멀티플 와이어 연결에 문제가 발생하므로 그림 3(b)와 같이 측면에 배치하였으며, 전류 센싱 FET는 추가되는 마스크 단계없이 공정을 단순화하기 위하여 주 스위칭 MOSFET과 설계 치수 및 동일한 구조로 동일 칩상에 구현하였다.</p><p>전술한 바와 같이 본 연구의 전류 센싱 트렌치 게이트 MOSFET는 전류 센싱 FET의 소스를 포함하여 4개의 전극으로 구성되며 pin 구성도 및 동작상 등가회로는 그림 4와 같다.</p>	트렌치 식각 후 소자 파괴 및 신뢰성 저하는 왜 일어나는가?	트렌치 모서리 부분의 전장과밀 (field crowding) 현상
{ "answer_type": "정답경계추출형", "context_id": "32335a71-eb84-4b36-af10-cb2d00bbad4c", "field": "인공물", "question_id": "f03d4893-1ffa-45a8-b5b2-ab32574f91a1" }	<h1>I. 서론</h1><p>최근 트렌치 게이트 MOSFET는 낮은 온-저항 특성을 장점으로 저 전력소모와 높은 에너지 변환 효율이 요구되는 DC-DC 변환기, 자동차 제어 장치 및 각종 전원장치 등의 고 전력 시스템에 광범위하게 응용되고 있는 반도체 전력소자이다. 특히, 전류 센싱 트렌치 게이트 MOSFET는 전력전자 회로에서 부가적인 저항 없이 부하 전류를 효과적으로 감지할 수 있는 전력반도체 소자이다. 부하 전류 센싱 기능은 모터 제어, 통신회로 및 전력 관리 회로 등 정밀한 closed-loop 제어가 요구되는 시스템에서 매우 중요한 요소이다. 정밀한 전류 감지 기능을 통하여 전력소자의 구동 전류뿐만 아니라 모터의 torque, DC-DC 변환기의 효율 및 진단 등의 중요한 순간적인 정보를 얻을 수 있다. 위와 같이 전류 센싱 기능은 지능형 전력회로에서 제어 및 보호 회로에 필수적인 요소로 기존의 전류 센싱 방법은 전력소자의 구동 전류 경로에 분류 저항을 추가하여 전류를 감지하는 장법을 사용하였다. 부가적인 분류 저항에 의한 전류 센싱 방법은 추가 저항에서 발생하는 전력소모가 큰 단점이 있으나, 전류 센싱 FET가 내장된 트렌치 게이트 전력 MOSFET는 부가적인 분류 저항 없이 구현할 수 있어 저 전력소모와 부가적인 부품 없이 회로 구현이 가능한 장점이 있다.</p><p>본 연구에서는 \( 100 \mathrm{~V} / 200 \mathrm{~A} \) 급 전류 센싱 FET가 내장된 고 집적도 트렌치 게이트 전력 MOSFET를 제안하고 전기적 특성을 분석하였다. 고 집적도를 실현하기 위하여 측벽 스페이서(side-wall spacer)를 이용한 자체 정렬 트렌치 식각 기술을 적용 하였고, 트렌치 식각 과정에서 발생하는 트렌치 모서리 부분의 전계분포의 과밀화를 완화시켜 소자의 신뢰성을 증가시키기 위하여 수소 어닐링(hydrogen annealing) 공정을 진행하여 트렌치 모서리 부분을 라운딩(rounding)하였다. 실험 결과 온-저항 및 누설 전류 특성이 양호하였으며, 전류 센싱 비율은 약 70으로 측정되었다.</p>	트렌치 게이트 MOSFET은 무슨 특성이 장점이야?	낮은 온-저항 특성
{ "answer_type": "정답경계추출형", "context_id": "bc33226e-2aed-4473-9fd9-e044f096a890", "field": "인공물", "question_id": "50aa55ab-f319-4f6e-8422-bbdedae23266" }	<h1>II. 저온유동성 시험장치 구현</h1><h2>1. 통합형 연료히터</h2><p>디젤엔진 시동에 있어 경유의 유동성을 향상 시키기 위한 역할을 수행하는 것이 블록히터이며, 핵심부품으로 플라스틱 몸체(Plastic Body), 하측 플레이트(Lower plate), 상측플레이트(Upper plate), 정지기(Stopper), PTC 및 고정나사, 바이메탈 등으로 구성된다. 그림 1은 블록히터 구성도를 나타낸다.</p><p>상용디젤 차량 및 S.U.V(Sport Utility Vehicle) 차량용에는 65Watt정도의 발열량을 지닌 P.T.C 4개를주로 사용하고, 고압펌프의 정격유량은 \( 60 \mathrm{L} / \mathrm{Min} \) 정도이다. 공급전원은 \( 12 \mathrm{V} \) 로 응용차, SUV 및 적재중량이 \( 0.5 \) 돈 소형화물 차량용 엔진에 적용하고 있다.</p><p>그림 2에서 통합 연료히터장치는 연료필터 여과재로부터 분리된 물이 필터 아래 부분에 일정량 이상 채워지면 모아둔 수분이 다시 고압펌프 방향으로 유입될 수 있다. 이를 방지하기 위하여 수분이 일정량이상 일 경우 수분을 배출하라는 신호를 감지하여주는 물센서(water sensor)가 연료필터 아래 부분에 장착되어 있다. 이때 히터 내 세라믹 P.T.C는 온도가 상승함에 따라서 저항이 정(正)으로 상승하는 특성을 이용하여 전류를 제어하는 레지스터 역할을 한다.즉 어느 온도 이상 도달하면 저항이 커지며 전류를 차단한다</p><h2>2. 저온유동시험장치 구현</h2><p>저온유동성 시험 장치는 경유자동차 CRDI 연료분사장치를 기반으로 연료 탱크내 연료펌프 공급압력을 유지하고 연료이송 중 간섭이 없도록 실차 연료호스와 동일한 직경으로 구현한다. 실차 연료필터 전후단과 연료탱크 회수라인에 T-Type 열전대를 각각 구성하고, 연료필터 전후에 \( 0^{\sim} \mathrm{MPa} \pm 1 \% \) 압력계를 설치한다. 또한 실차 고압펌프로 유입되는 연료량과 연료탱크로 회수되는 연료량을 측정할 수 있는 유량계와연료탱크 내의 연료 온도를 측정할 수 있도록 \( \mathrm{T} \)-Type 열전대를 구성한다. 열전대를 구성한다. 설치된 압력과 유량센서는 데이터수집장치(DAQ)에 신호전달이 가능하도록1~5 V 출력범위로 송신한다. 그림 3은 저온유동성 시험장치 하드웨어 구성도를 나타낸다.</p><p>\( Q_{\text {Theflouing amount }}=f(p)+g(r) \)<caption>(1)</caption></p><p>식(1)에서 \( f(p) \) 는 경유의 압력이고, \( g(r) \) 은 관로저항의 직경함수를 나타년다. 이때 통합연료히터의 전력측정은 전원공급 장치에서 인가되는 \( 13 \mathrm{V} \) 전원이 블록히터에 입출력되는 전류 및 소모전압 정보를 제어장치에 전송함으로써통합히터의 전류, 전압 및 전력량을 알 수 있다.</p><p>그림 8은 에어 배출 및 시험유체 제거 알고리즘을 나타낸다. 연료필터 내부의 공기는 진공탈포기(진공펌프)를 이용하여 제거한다. 진공펌프의 탈포기능은 연료필터 내부의 잔류공기를 제거하고, 석션(suction)기능은 경유 또는 등유교체시 관로상의 시험유 제거를 위함이며, 부압기능은 부압조건의 시험시 연료이동을 위한 부압펌프로 동작한다.</p><p>B. 부압 구조(negative pressure structure)</p><p>시험유체(경유, 등유)를 설정압력과 설정유량으로 통과시켜 챔버의 탱크와 필터에 채운 후 유체 흐름을 차단하고,설정시간 동안 설정온도로 냉각한 후 시험 조건에 따른 부압 환경 조건을 형성한다. 그림 9는 부압구조 알고리즘을나타낸다.</p><p>그림 10 은 진공펌프를 이용하여 부압을 생성하는 알고리즘이다. 부압조건은 압력센서에서 감지되는 변화를 읽어 진공펌프를 PID(proportional integral and derivative) 제어하여 일정한 압력을 유지시킨다.</p><p>PID제어는 제어변수와 기준입력사이의 오차를 근거하여계토의 출력이 기준조건을 유지하도록 하는 귀환제어를 말한다.</p>	디젤엔진 시동에서 경유의 유동성을 향상시키는 역할을 하는 것은 뭐야?	블록히터
{ "answer_type": "Yes/No 단문형", "context_id": "d8c881a5-8e83-404f-bd95-90a6815eeeae", "field": "인공물", "question_id": "3abc9d99-26f0-4243-9e4b-42109e5cf666" }	<h1>III. 실험결과</h1><p>A. 저온유동성 시혐장치의 유동성 평가</p><p>저온유동성시험 장치의 히터성능은 상온, \( -20 \) 및 -\( 30^{\circ} \mathrm{C} \) 에서 시험한다. 시험에 사용한 연료필터의 유효면적은 \( 52,54,56,58,60, 61 \) 을 사용하고, 분리형과 통합형 연료필터를 26회 시험한다. 이를 통해 저온시동성 및 주행성평가 결과의 상관성을 확인하고,연료필터 유효면적 변화에 따른 저온유동성을 평가한다. 이때 측정점 선정, 안정화 절차를 통해 그림 5처럼 시험방법 알고리즘을 개발한다.</p><p>그림 11 은 \( -20^{\circ} \mathrm{C} \) 와 \( -30^{\circ} \mathrm{C} \) 에서 히터를 \( \mathrm{On} \) 상태로 분리형과 통합형 연료필터의 성능을 비교한 것으로 통합형이 분리형에 비해 성능이 우수함을 나타낸다.</p><p>그림 12 는 \( -20^{\circ} \mathrm{C} \) 와 \( -30^{\circ} \mathrm{C} \) 에서 통합연료히터를 \( \mathrm{On} / \mathrm{Off} \) 시키며 연료 필터의 유효면적별 공급유량(Q)을 시험한 결과를 나타낸다. 유효면적이 작을수록 유동성이 향상되고, 통합형이 분리형에 비해 유동성이 향상됨을 알 수 있다. 이는 또한 히터의 발열량이 상대적으로 크다는 것을 알수 있다.</p><p>그러나 연료필터 \( 61 \mathrm{w} \) 에 비해 \( 60 \mathrm{w} \) 형이 상대적으로 약간우수한 특성이 얻어진다. 표 1은 연료필터 종류별 평균전력량을 나타낸다. 여기서 \( \mathrm{S} \) 사 통합히터 성능이 우수하다.</p><table border><caption>표 1. 연료필터별 전력 비교</caption><tbody><tr><td>종류</td><td>52</td><td>54</td><td>56</td><td>58</td><td>60</td><td>61</td><td>S사</td></tr><tr><td>전력(W)/-20도</td><td>255</td><td>249</td><td>251</td><td>250</td><td>251</td><td>251</td><td>217</td></tr><tr><td>전력(W)/-30도</td><td>255</td><td>257</td><td>256</td><td>256</td><td>258</td><td>256</td><td>220</td></tr></tbody></table><p>\( -30^{\circ} \mathrm{C} \) 에서 각 필터별 압력차는 그다지 차이가 나지 않았으나, 상대적으로 \( -20^{\circ} \mathrm{C} \) 에서 히터를 Off하였을 경우압력차가 많이 변동되고 있음을 알 수 있다.</p><p>그림 14는 통합형과 분리형의 성능을 비교한 결과로 가로축은 온도변화이고 세로축은 발열량을 나타낸다. 따라서 \( -40^{\circ} \mathrm{C} \) 이하에서 통합형의 발열량이 크게 나타남을 알 수있고, 이는 분리형보다 통합형이 유량의 흐름을 신속하게함으로써 점화 능력이 향상됨을 알 수 있다.</p><p>B. 저온유동성 시험장치의 시동성 평가</p><p>그림 15 는 \( -30^{\circ} \mathrm{C} \)에서 분리형과 통합형 연료히터의 시동성을 비교한 결과를 나타낸다. 통합형이 분리형에 비해 저온시동성이 우수함을 알 수 있고, 시동시간이 \( 23 \% \) 향상됨을 알 수 있다.</p><p>그림 16 은 \( +25 \sim-30^{\circ} \mathrm{C} \) 사이 온도별 히터를 \( \mathrm{On} / \mathrm{Off} \) 시키며 시동시간을 비교한 그림이다. 초기 \( +25 \) " \( \mathrm{C} \) 에서 시동시간 \( 1.6 \) 초, \( -20 \) " 0 에서 히터를 \( \mathrm{On} \) 시키고 시동시간은 \( 1.8 \) 초이고 Off 상태에서는 \( 2.9 \) 초 걸린다. 마지막으로 \( -30^{\circ} \mathrm{C} \) 에서 히터를 \( \mathrm{On} / \mathrm{Off} \) 시키며 걸린 시간은 각각 \( 3.5 \) 초와 \( 3.9 \) 초이다.</p><p>그림 17은 주행성평가에서 유량과 압력변화를 나타낸다. 가로축은 \( +25^{\sim}-30^{\circ} \mathrm{C} \) 사이 온도변화 세로축은 공급유량(상위선)과 압력차(하위선)를 나타낸다.온도가 저하될 수록 연료히터의 작동으로 연료필터전후에서 유량은 감소하고 압력차는 커짐을 알 수 있고, 통합형 연료히터가 분리형에 비해 저온성능이19% 정도 향상됨을 알 수 있다.</p><p>그림 18 은 CRDI-8 디젤엔진 차량을 이용하여 주위온도 \( -8 \sim-13.8^{\circ} \mathrm{C} \) 에서 12시간 운전하며, Keyon,시동시작, 필터전단 유량 및 반환유량, 히터전압 및필터후단 압력을 시험 측정한 결과이다. S사에서 개발한 통합형연료히터의 경우 우수한 특성을 나타낸다. 실제 통합히터의 문제점은 생산공정과정에서 바이메탈의 내부 구조, 알루미늄 플레이트의 전도율 및PTC 소자의 불량으로 인한 경우가 존재할 수 있다.</p>	본문에 소개된 시험 결과에 따르면, 유효면적이 작을수록 유동성이 감소돼?	NO
{ "answer_type": "정답경계추출형", "context_id": "41faa98e-7039-4b2f-87db-f51eae665f2b", "field": "인공물", "question_id": "0673c02c-6725-4a8d-a0db-32d18ac9f3c9" }	<h1>요 약</h1><p>본 연구에서는 저온유동성 성능검사 시스템 구현을 통해 디젤 차량용 통합형 연료히터의 성능을 평가한다. 저온유동성 시험장치에서 \( +20^{\sim}-30^{\circ} \mathrm{C} \) 은 온도범위에 따라 분리형과 통합형 연료히터 성능을 비교하고, 필터 전후에따라 유압과 시동시간, 히터의 소모전력을 측정한다. 이때 다양한 종류의 필터면적을 사용함으로써 통합형 연료히터와 분리형을 비교한 결과 시동 시간이 \( 23 \% \) 향상되었고, 저온시동성능은 \( 19 \% \) 정도 항상된다.</p><h1>I. 서론</h1><p>디젤엔진은 내연기관의 일종으로 연소방식에 따라 직접분사식과 간접분사식으로 분류한다. 직접분사식은 연료를 실린더 내에 직접 분사하여 연소시키며,간접분사식은 직접분사식에 별도의 부연소실로 분사하여 연소시키는 방식이다. 직접분사식 디젤엔진은 연소시 소음이 간접분사식에 비해 크지만 연비 면에서는 매우 뛰어나 경제적인 이점을 가지므로 현재 많은 디젤자동차가 채택하고 있다</p><p>직접분사식 디젤엔진으로 CRDI (common rail directinjection(커먼레일) 엔진을 사용하며, 정밀 전자제어가 가능한 압축장치(압축 어큐뮬레이터, 레일)와 응답성이 뛰어난 연료 직접분사장치(인젝터)를 이용하여 운전 상태에 맞게 연료를 분사해주는 디젤엔진이다</p><p>디젤엔진은 겨울철 저온환경의 영향으로 엔진이 냉각될 경우, 최초 시동점화가 원만하지 못한 관계로 시동성이 떨어진다. 디젤엔진의 연료인 경유는 일정한 온도 이하로 내려가면 파라핀과 같은 반고체 상태인 왁싱(Waxing)물질을 형성하여, 엔진시동이 잘 걸리지 않게 하는 원인이 되고 있다. 이와 같은 시동성 불량 해소를 위해 시동전 연소실 내부의 공기온도를 점화에 유리한 온도까지 빠른 시간 안에 도달될수 있도록 보조하는 별도의 보조 장치를 널리 채택하고 있는데, 이것을 블록히터라 한다</p><p>본 연구에서는 히터의 안정성 견고성 및 열효율을 향상시키기 위해 센서와 히터가 결합된 블록히터와 연료필터를 통합한 통합연료히터 및 저온유동성 시험장치를 구현한다. 저온 유동성 시험용 Jig와 엔진의조건을 동기화하고, 통합연료히터에서 사용하는 PTC소자와 바이메탈의 특성에 따라 점화성능을 평가한다. 또한 경유자동차 저온유동성 및 주행성평가용 지그제작을 통하여 평가알고리즘 및 지표개발을 통해연료유동성과 실차 시동성과의 상관성을 분석한다.</p>	디젤엔진에서 엔진의 냉각이 발생할 경우 왜 시동성이 감소해?	최초 시동점화가 원만하지 못한 관계로
{ "answer_type": "Yes/No 단문형", "context_id": "cb10b32c-c2e3-437a-8ae5-d4c3fcd7b082", "field": "인공물", "question_id": "9c6338af-2238-4cfa-b1cf-10bc5086e326" }	<h1>Ⅳ. 결론</h1><p>통합형 연료히터의 저온유동성 시험장치를 구현하였다.이때 경유를 설정압력과 설정유량으로 통과시켜 챔버의 탱크와 필터에 채운 후 유체 흐름을 차단하고, 설정시간 동안설정온도로 냉각한 후, \( +20-30^{\circ} \mathrm{C} \) 에서 조건에 따른 정압 및 부정압 시험을 실시하였다.</p><ul><li>연료필터의 유효면적은 52, 54, 56, 58, 60 및 61을 사용하고, 통합연료히터를 On/Off시키며, 분리형과통합형 연료필터의 유효면적별 공급유량(Q)을 26회 시험한 결과 통합형이 분리형에 비해 유동성이향상되고, 히터의 발열량이 상대적으로 크다는 것을 알 수 있었다.</li></ul><p>저온유동성 시험장치의 시동성 평가결과 통합형이분리형에 비해 저온시동성이 우수함을 알 수 있고,시동 시간이 \( 23 \% \) 향상됨을 알 수 있다. 또한 주행성평가에서 유량과 압력변화는 온도가 저하될수록 연료히터의 작동으로 연료필터 전후에서 유량은 감소하고압력차는 커짐을 알 수 있고, 통합형 연료히터가 분리형에 비해 서온성능이 \( 19 \% \) 정도 항상됨을 나타내었다.</p>	구현된 통합형 연료히터 시험장치는 고온유동성인가?	NO
{ "answer_type": "표정답추출형", "context_id": "b20ce352-fb38-4bc6-9fa1-2dcb3fc792e2", "field": "인공물", "question_id": "dd54433e-f5fd-4d1e-8016-7e7ca23d8344" }	<h1>Ⅳ. 실험 및 고찰</h1> <h2>1. 실험</h2> <p>본 논문-에서 제안하는 방법에 대한 검증으로 Pentium-III, \( 256 \mathrm{Mb} \) 환경에서 \( 320(240 \) 크기를 갖는 영상의 100 프레임을 프로그램 Visual C++6.0 을 이용하여 실험하였다.</p> <p> <그림 6 >은 실험에 사용된 \( 320 \times 240 \) 크기를 갖는 영상을 보여주고 있다. (a)는 입력 컬러 영상이며, (b)는 그레이 영상으로 변환된 영상이다.</p> <p>움직임 추정할 때, 기존의 방법에는 \( 16 \times 16 \) 크기의 블록에 대하여 탐색 범위를 \( [-16,16] \) 으로 하였지만, 제안한 방법은 \( 16 \times 16 \) 크기에 대응하여, 저주푸수 대역부분의 블록을 \( 2 \times 2 \) 크기로 놓았으며, 참조 프레임은 현재 프레임의 바로 이전 영상으로 하였다.<그림 8>의 (a)는 참조 프레임이며,<그림 8>의 (b)는 현재 프레임 이다.</p> <p> <그림 9>이전 영상과 현재 영상에서의 후보 영역을 추출하는 화면이며, 현재 영역에서 움직임이 발생한 영역과 가장 비슷한 프레임을 영상에서 찾는 과정으로, 추정된 정보를 현재 프레임에서 예측하여 예측 오차만을 부호화하게 된다.</p> <p> <표 1>은 기존의 움직임 추정 방법과 제안한 움직임 추정 방법의 프레임당 평균 MAD 의 비고이다. 공간 영역 방법은 일반적인 공간영역에서 움직임 추정이고, 직접 방법은 웨이블릿 변환영역에서 두 프레임간에 공간 영역 방식의 움직임 추정을 하는 것이다. 여기에서 기존의 방법과 비교하기 위해 100 프레임의 영상을 사용 하였다. 또한 대표적인 영상인 Foreman과 Carphone의 동영상과도 비교해 보았다. 결과적으로 평균 MAD 는 직접 방법보다 제안된 방법이 \( 0.1486 \) 낮은 값을 얻을 수 있으며, Foreman은 0.8552, Carphone은 0.576의 낮은 값을 얻을 수 있었다.</p> <p> <표 2>는 실제로 물체의 움직임을 추적하는 데 소요 되는 처리 내용으로 그레이 영상 변화, 웨이블릿 변환, 후보 영역 설정, 움직임 벡터 계산이다. 본 시스템에서는 초당 3.7 프레임을 처리할 수 있다.</p> <table border><caption>프레임당 처리 시간</caption> <tbody><tr><td>처리 내용</td><td>기존 방법</td><td>처리 시간</td><td>프레임당 처리 시간</td></tr><tr><td>그레이 영상 변화</td><td>0.33</td><td>0.33</td><td>0.33/100 = 0.OO33</td></tr><tr><td>웨이브릿 변환</td><td>0.54</td><td>0.54</td><td>0.54/100 = 0.0054</td></tr><tr><td>후보 영역 설정</td><td>0.53</td><td>0.19</td><td>0.19/100 = 0.0019</td></tr><tr><td>움직임 벡터 계산</td><td>1.59</td><td>0.42</td><td>0.42/100 = 0.042</td></tr></tbody></table> <p> <표 3>은 영상에서의 변이, 변이와 회전, 회전이 발생했을 때, 제안된 알고리즘과 공간적인 방법의 검출 성공과 검출 실패율을 비교 평가한 결과이다.</p> <table border><caption>실험 결과의 비교</caption> <tbody><tr><td rowspan=2>영상의 변화</td><td rowspan=2>전체 영상수</td><td colspan=2>제안된 알고리즘</td><td colspan=2>공간적인 방법</td></tr><tr><td>검출 성공</td><td>검출 실패</td><td>검출 성공</td><td>검출 실패</td></tr><tr><td>변이</td><td>50</td><td>48</td><td>2</td><td>43</td><td>7</td></tr><tr><td>변이와 회전</td><td>25</td><td>20</td><td>5</td><td>19</td><td>6</td></tr><tr><td>회전</td><td>25</td><td>18</td><td>7</td><td>18</td><td>7</td></tr><tr><td colspan=2>백분율(%)</td><td>86.0</td><td>14.0</td><td>80.0</td><td>20.0</td></tr></tbody></table> <p> <그림 \( 10>\) 은 움직임 벡터 계산이 끝난 뒤에 웨이블릿 역변환하여 저주파수 성분에서 정해진 부분을 계속 복원하면, 객체를 추출 할 수 있다. 여기에서 히스토그램을 사용하여 객체를 완전하게 추출할 수 있다.</p>	실험 결과의 비교의 표에서 전체 영상수가 많은 것의 영상의 변화는 무엇일까요?	변이
{ "answer_type": "정답경계추출형", "context_id": "63b7f8d6-d480-4e50-bcb1-04b0babcfcf1", "field": "인공물", "question_id": "21b478d6-2695-4d1b-9d4c-20f740d27881" }	<h2>4. 멀티 블록 방식의 딥러닝 구조</h2><p>제안하는 멀티 블록 방식의 딥러닝 구조는 전체얼굴 이미지용 모델, 4등분 이미지용 모델, 2등분이미지용 모델 총 3가지로 구성되어있다. 여기서 2등분 이미지용 모델은 앞서 설명한 2개의 블록이 같이 특징 수치가 임계값을 넘게 되는 경우에 이어진 2개의 블록을 합칠 때 사용되는 모델이다.</p><p>각 모델은 기본적으로 Convolution 층, Sub sampling 층, Fully-connected 및 Drop out층, Softmax층의 조합이며 각기 다른 조합으로 구성되어 있다. 전체 얼굴 이미지용 모델은 표 1과 같이 입력 이미지가 \(448\times 448\)의 이미지로 변환되어 입력되며 총 20단계로 구성되어 있다. 4등분 이미지용 모델은 표 2와 같이 입력 이미지가 \(320\times 320\)의 이미지로 변환되어 입력되며 총 18단계로 구성되어 있다. 4등분 이미지용 모델은 표 3과 같이 입력 이미지가 \(128\times 128\)의 이미지로 변환되어 입력되며 총 18단계로 구성되어있다.</p><table border><caption>표 1. 전체 얼굴 이미지용 딥러닝 구조</caption><tbody><tr><td>No</td><td>Type</td><td>Filters</td><td>Size/Stride</td><td>Output</td></tr><tr><td>1</td><td>Conv</td><td>64</td><td>\( 3 \times 3 / 1 \)</td><td>\( 448 \times 448 \)</td></tr><tr><td>2</td><td>Conv</td><td>64</td><td>\( 3 \times 3 / 1 \)</td><td>\( 448 \times 448 \)</td></tr><tr><td>3</td><td>Conv</td><td>64</td><td>\( 3 \times 3 / 1 \)</td><td>\( 448 \times 448 \)</td></tr><tr><td>4</td><td>Max</td><td></td><td>\( 2\times 2 / 2 \)</td><td>\( 224 \times 224 \)</td></tr><tr><td>5</td><td>Conv</td><td>128</td><td>\( 3 \times 3 / 1 \)</td><td>\( 224 \times 224 \)</td></tr><tr><td>6</td><td>Conv</td><td>128</td><td>\( 3 \times 3 / 1 \)</td><td>\( 224 \times 224 \)</td></tr><tr><td>7</td><td>Conv</td><td>128</td><td>\( 3 \times 3 / 1 \)</td><td>\( 224 \times 224 \)</td></tr><tr><td>8</td><td>Max</td><td></td><td>\( 2\times 2 / 2 \)</td><td>\( 112 \times 112 \)</td></tr><tr><td>9</td><td>Conv</td><td>256</td><td>\( 3 \times 3 / 1 \)</td><td>\( 112 \times 112 \)</td></tr><tr><td>10</td><td>Conv</td><td>256</td><td>\( 3 \times 3 / 1 \)</td><td>\( 112 \times 112 \)</td></tr><tr><td>11</td><td>Conv</td><td>256</td><td>\( 3 \times 3 / 1 \)</td><td>\( 112 \times 112 \)</td></tr><tr><td>12</td><td>Max</td><td></td><td>\( 2\times 2 / 2 \)</td><td>\( 56 \times 56 \)</td></tr><tr><td>13</td><td>Conv</td><td>512</td><td>\( 3 \times 3 / 1 \)</td><td>\( 56 \times 56 \)</td></tr><tr><td>14</td><td>Conv</td><td>512</td><td>\( 3 \times 3 / 1 \)</td><td>\( 56 \times 56 \)</td></tr><tr><td>15</td><td>Max</td><td></td><td>\( 2\times 2 / 2 \)</td><td>\( 28 \times 28 \)</td></tr><tr><td>16</td><td>Conv</td><td>512</td><td>\( 3 \times 3 / 1 \)</td><td>\( 14 \times 14 \)</td></tr><tr><td>17</td><td>Conv</td><td>512</td><td>\( 3 \times 3 / 1 \)</td><td>\( 14 \times 14 \)</td></tr><tr><td>18</td><td>FC</td><td></td><td></td><td>1040</td></tr><tr><td>19</td><td>Drop</td><td></td><td></td><td>1040</td></tr><tr><td>20</td><td>SM</td><td></td><td></td><td></td></tr></tbody></table><table border><caption>표 2. 2등분 이미지용 딥러닝 구조</caption><tbody><tr><td>No</td><td>Type</td><td>Filters</td><td>Size/Stride</td><td>Output</td></tr><tr><td>1</td><td>Conv</td><td>64</td><td>\( 3 \times 3 / 1 \)</td><td>\( 320 \times 320 \)</td></tr><tr><td>2</td><td>Conv</td><td>64</td><td>\( 3 \times 3 / 1 \)</td><td>\( 320 \times 320 \)</td></tr><tr><td>3</td><td>Max</td><td></td><td>\( 2 \times 2 / 2 \)</td><td>\( 160 \times 160 \)</td></tr><tr><td>4</td><td>Conv</td><td>128</td><td>\( 3 \times 3 / 1 \)</td><td>\( 160 \times 160 \)</td></tr><tr><td>5</td><td>Conv</td><td>128</td><td>\( 3 \times 3 / 1 \)</td><td>\( 160 \times 160 \)</td></tr><tr><td>6</td><td>Max</td><td></td><td>\( 2\times 2 / 2 \)</td><td>\( 80 \times 80 \)</td></tr><tr><td>7</td><td>Conv</td><td>256</td><td>\( 3 \times 3 / 1 \)</td><td>\( 80 \times 80 \)</td></tr><tr><td>8</td><td>Conv</td><td>256</td><td>\( 3 \times 3 / 1 \)</td><td>\( 80 \times 80 \)</td></tr><tr><td>9</td><td>Conv</td><td>256</td><td>\( 3 \times 3 / 1 \)</td><td>\( 80 \times 80 \)</td></tr><tr><td>10</td><td>Max</td><td></td><td>\( 2\times 2 / 2 \)</td><td>\( 40 \times 40 \)</td></tr><tr><td>11</td><td>Conv</td><td>512</td><td>\( 3 \times 3 / 1 \)</td><td>\( 20 \times 20 \)</td></tr><tr><td>12</td><td>Conv</td><td>512</td><td>\( 3 \times 3 / 1 \)</td><td>\( 20 \times 20 \)</td></tr><tr><td>13</td><td>Max</td><td></td><td>\( 2\times 2 / 2 \)</td><td>\( 10 \times 10 \)</td></tr><tr><td>14</td><td>Conv</td><td>512</td><td>\( 3 \times 3 / 1 \)</td><td>\( 10 \times 10 \)</td></tr><tr><td>15</td><td>Conv</td><td>512</td><td>\( 3 \times 3 / 1 \)</td><td>\( 10 \times 10 \)</td></tr><tr><td>16</td><td>Fc</td><td></td><td></td><td>1040</td></tr><tr><td>17</td><td>Drop</td><td></td><td></td><td>1040</td></tr><tr><td>18</td><td>SM</td><td></td><td></td><td></td></tr></tbody></table><table border><caption>표 3. 4등분 이미지용 딥러닝 구조</caption><tbody><tr><td>No</td><td>Type</td><td>Filters</td><td>Size/Stride</td><td>Output</td></tr><tr><td>1</td><td>Conv</td><td>64</td><td>\( 3 \times 3 / 1 \)</td><td>\( 128 \times 128 \)</td></tr><tr><td>2</td><td>Conv</td><td>64</td><td>\( 3 \times 3 / 1 \)</td><td>\( 128 \times 128 \)</td></tr><tr><td>3</td><td>Max</td><td></td><td>\( 2 \times 2 / 2 \)</td><td>\( 64 \times 64 \)</td></tr><tr><td>4</td><td>Conv</td><td>128</td><td>\( 3 \times 3 / 1 \)</td><td>\( 64 \times 64 \)</td></tr><tr><td>5</td><td>Conv</td><td>128</td><td>\( 3 \times 3 / 1 \)</td><td>\( 64 \times 64 \)</td></tr><tr><td>6</td><td>Max</td><td></td><td>\( 2\times 2 / 2 \)</td><td>\( 32 \times 32 \)</td></tr><tr><td>7</td><td>Conv</td><td>256</td><td>\( 3 \times 3 / 1 \)</td><td>\( 32 \times 32 \)</td></tr><tr><td>8</td><td>Conv</td><td>256</td><td>\( 3 \times 3 / 1 \)</td><td>\( 32 \times 32 \)</td></tr><tr><td>9</td><td>Conv</td><td>256</td><td>\( 3 \times 3 / 1 \)</td><td>\( 32 \times 32 \)</td></tr><tr><td>10</td><td>Max</td><td></td><td>\( 2\times 2 / 2 \)</td><td>\( 16 \times 16 \)</td></tr><tr><td>11</td><td>Conv</td><td>512</td><td>\( 3 \times 3 / 1 \)</td><td>\( 16 \times 16 \)</td></tr><tr><td>12</td><td>Conv</td><td>512</td><td>\( 3 \times 3 / 1 \)</td><td>\( 16 \times 16 \)</td></tr><tr><td>13</td><td>Max</td><td></td><td>\( 2\times 2 / 2 \)</td><td>\( 8 \times 8 \)</td></tr><tr><td>14</td><td>Conv</td><td>512</td><td>\( 3 \times 3 / 1 \)</td><td>\( 8 \times 8 \)</td></tr><tr><td>15</td><td>Conv</td><td>512</td><td>\( 3 \times 3 / 1 \)</td><td>\( 8 \times 8 \)</td></tr><tr><td>16</td><td>Fc</td><td></td><td></td><td>1040</td></tr><tr><td>17</td><td>Drop</td><td></td><td></td><td>1040</td></tr><tr><td>18</td><td>SM</td><td></td><td></td><td></td></tr></tbody></table><p>Convolution 층은 그림 8과 같이 입력 영상 또는 이전 층의 특징 영상을 여러 특징 필터와 Convolution 연산하여 특징 영상을 얻어 내는 층이다. 식 (2)는Convolution 연산을 나타낸다. 특징 추출 필터는 얼굴의 특징을 부각 시키는 역할을 한다. 특징 추출 필터의 필터 계수는 처음에만 랜덤값으로 지정되며 이후, Softmax 끝단에서부터 역전파하여 학습을 통해 불꽃 검출의 에러율이 가장 적은 최적의 필터 계수로 바뀌게 된다.</p><p>\( e_{\text {processed }}=\sum_{n=0}^{n=2} \sum_{m=0}^{m=2}\left(a_{n m} \times b_{n m}\right) \)<caption>(2)</caption></p><p>Sub sampling 층은 그림 9와 같이 Convolution층을 통해 추출된 특징 영상의 특징들 중에서 최적의 특징들만 선별하여 특징 영상의 크기를 감소시키는 과정이다. 이 과정은 추출된 특징 이미지에 불필요한 특징 데이터가 많아 최적의 특징데이터를 추출함과 동시에 연산 속도를 높이기 위하여 크기를 축소하는 역할을 한다. 본 논문에서는 식 (3)과 같이 max sub sampling을 사용하였으며, 추출된 특징 이미지의 \(2 \times 2\) 영역에서 가장 큰 값을 추출하게 된다</p><p>\(b_{00}=\operatorname{Max} \left(a_{00}, a_{01}, a_{10}, a_{11}\right) \\b_{01}=\operatorname{Max}\left(a_{02}, a_{03}, a_{12}, a_{13}\right) \\b_{10}=\operatorname{Max}\left(a_{20}, a_{21}, a_{30}, a_{31}\right) \\b_{11}=\operatorname{Max}\left(a_{22}, a_{23}, a_{32}, a_{33}\right) \)<caption>(3)</caption></p><p>Fully-connected 및 Drop out 층은 그림 10과 같이 Convolution 층과 Sub-sampling 층을 반복하여 추출된 최종 특징 데이터들을 일렬로 연결하여 특징 벡터로 변환하는 과정이다. 즉, convolution 연산 후 모든 추출 특징을 연결하여 최종 특징 벡터를 생성하는 역할을 하게 된다. 또한, Drop out을 통해 일부 특징 벡터의 값을 0으로 만들어 딥러닝학습의 Over Fitting을 줄이게 된다.</p><p>Softmax(NN) 층에서는 앞서 추출된 특징벡터를 분류기의 입력으로 넣어 영상의 클래스를 분별하여 인식한다. Drop out까지 진행된 \(N\)개의 특징 벡터를 신경망의 입력으로 넣고 신경망 출력층의 노드 수를 학습시키는 클래스의 수로 설정하게 된다.</p>	각 모델의 층 중에서 입력 영상 혹은 그 전의 층의 특징 영상을 특징 필터와 Convolution 연산하여 특징 영상을 얻어내는 층은 무엇인가?	Convolution 층
{ "answer_type": "Yes/No 단문형", "context_id": "5b38d126-b55e-4b50-bf9f-ddd51d6caa95", "field": "인공물", "question_id": "746f72b0-f8f6-49e0-b799-ad496026e175" }	<h2>4. 실험</h2><h3>가. 실험 방법</h3><p>본 실험에 사용된 하드웨어는 Intel(R) Core(TM)i5-3570 \( 3.40 \mathrm{GHz} \) CPU 프로세서, RAM \( 16 \mathrm{GB} \), NVIDIA GeForce GTX 1080 (V-RAM \( 8 \mathrm{GB} \)) GPU등으로 구성 되어있다. 또한 Windows 10 Pro \( 64 \mathrm{bit} \) 운영체제와 PyCham 개발도구 환경에서 수행하였고, Python 및 Tensorflow 라이브러리를 사용하여 실험하였다.</p><p>본 논문에서 제안하는 멀티 블록 방식의 딥러닝구조 검증에 사용된 데이터베이스로는 CAS-PEAL 데이터베이스를 사용하였다. 그림 11과 같이 CAS-PEAL 데이터베이스의 학습 데이터는 1040명의 클래스로 구성되어 있고 각 클래스 당 1장씩 총 1040장의 이미지로 구성되어 있다. 딥러닝 학습에는 많은 학습 데이터가 필요하기 때문에 각 클래스 당 20장씩 학습 데이터에 조명, 잡음을 더한 데이터를추가하였다. 한편, 인식 데이터는 액세서리(Accessory), 나이 변화(Age), 배경(Background), 거리(Distance), 표정(Expression), 조명(Light) 등의 총 6개 subset으로 구성되어 있다. 액세서리 subset은 440명의 클래스로 구성되어 있고 각 클래스 당 약 6장씩 총 2,610장의 이미지로 구성되어 있다. 나이 변화 subset은 66명의 클래스로 구성되어 있고 각 클래스 당 1장씩 총 66장의 이미지로 구성되어 있다. 배경 subset은 297명의 클래스로 구성되어 있고 각 클래스 당 약 2장씩 총 651장의 이미지로 구성되어있다. 거리 subset은 296명의 클래스로 구성되어 있고 각 클래스 당 약 1장씩 총 325장의 이미지로 구성되어 있다. 표정 subset은 377명의 클래스로 구성되어 있고 각 클래스 당 약 5장씩 총 1,883장의 이미지로 구성되어 있다. 조명 subset은 294명의 클래스로 구성되어 있고 각 클래스 당 약 8장씩 총2,450장의 이미지로 구성되어 있다.</p><p>한편, 본 논문에서 제안하는 멀티 블록 방식의 딥러닝 구조와 비교한 딥러닝 구조로는 기존에 얼굴인식에 많이 쓰였던 VGGNet 구조를 선택하였다.</p><h3>나. 실험 결과</h3><p>표 4는 VGGNet과 제안하는 딥러닝 구조의 비교실험결과를 나타내고 그림 12는 그에 따른 그래프를 나타낸다. 액세서리 Subset에서는 VGGNet의 경우 \(91.2 \%\)의 얼굴 인식률을 나타내고 제안하는 딥러닝 구조의 경우 \(94.4 \%\)의 얼굴 인식률을 나타낸다. 나이 변화 Subset에서는 VGGNet의 경우 \(97.4 \%\)의 얼굴 인식률을 나타내고 제안하는 딥러닝구조의 경우 \(100 \%\)의 얼굴 인식률을 나타낸다. 배경 Subset에서는 VGGNet의 경우 \(99.5 \%\)의 얼굴인식률을 나타내고 제안하는 딥러닝 구조의 경우 \(100 \%\)의 얼굴 인식률을 나타낸다. 거리 Subset에서는 VGGNet의 경우 \(99.6 \%\)의 얼굴 인식률을 나타내고 제안하는 딥러닝 구조의 경우 \(100 \%\)의 얼굴 인식률을 나타낸다. 표정 Subset에서는 VGGNet의 경우 \(99.4 \%\)의 얼굴 인식률을 나타내고 제안하는 딥러닝 구조의 경우 \(100 \%\)의 얼굴 인식률을 나타낸다. 조명 Subset에서는 VGGNet의 경우 \(62.2 \%\)의얼굴 인식률을 나타내고 제안하는 딥러닝 구조의 경우 \(68.5 \%\)의 얼굴 인식률을 나타낸다. 평균적으로 얼굴 인식률이 VGGNet과 비교하여 약 \(2.3 \%\) 증가되어서 제안하는 딥러닝 구조의 얼굴 인식률이 더우수함을 증명한다.</p><table border><caption>표 4. VGGNet과 제안된 딥러닝 구조의 얼굴 인식률 비교</caption><tbody><tr><td>Subset</td><td>VGGNet</td><td>Proposed Deep Learning Structure</td></tr><tr><td>Accessory</td><td>91.2</td><td>94.4</td></tr><tr><td>Age</td><td>97.4</td><td>100</td></tr><tr><td>Background</td><td>99.5</td><td>100</td></tr><tr><td>Distance</td><td>99.6</td><td>100</td></tr><tr><td>Expression</td><td>99.4</td><td>100</td></tr><tr><td>Light</td><td>62.2</td><td>68.5</td></tr></tbody></table>	액세서리 subset은 66명의 클래스로 구성되어 있나요?	NO
{ "answer_type": "Yes/No 단문형", "context_id": "bf155585-5123-4b42-9103-df15aeafa6c7", "field": "인공물", "question_id": "d5e5910b-071c-4aae-80c2-96b022e2d07f" }	<h2>2. 입력된 이미지의 멀티 블록화</h2><p>기존의 얼굴 인식은 입력된 얼굴 이미지의 전체를 활용하게 된다. 얼굴 이미지 전체를 얼굴 인식에 활용할 경우 조명, 액세서리 등의 얼굴 인식을 방해하는 요소가 포함되기 때문에 간혹 미흡한 인식 결과를 나타내게 된다. 이러한 단점을 해결하기 위해 본 논문에서는 얼굴 이미지를 멀티 블록화하여 얼굴 인식에 방해가 되는 요소를 제거한 효율적인 블록만을 얼굴인식에 활용하게 된다.</p><p>멀티 블록화는 여러 경우의 수로 블록화 할 수있다. 블록이 너무 작을 경우는 블록에 대한 특징이 적어 학습 및 인식에 오류가 생기게 된다. 한편, 블록이 너무 클 경우는 얼굴 인식에 방해가 되는 요소가 블록에 많이 포함되어 있어 향상된 결과를 도출하기가 어렵다. 따라서 본 논문에서는 실험을 통해 얼굴 인식률이 가장 높았던 최적의 블록화를 설정하였으며, 그림 5와 같이 4등분으로 멀티 블록화를 수행한다.</p><h2>3. 특징 수치 분석을 통한 멀티 블록 선정</h2><p>앞서 입력된 이미지의 멀티 블록화 과정을 통하여 그림 7.(a)의 전체 이미지 영역을 4등분한 블록들에 대하여 특징 수치 분석을 수행한다. 특징 수치 분석은 그림 6과 같이 \(3 \times 3\)의 필터링을 통하여 수행되며, 식 (1)과 같이 중앙 픽셀과 주변 픽셀과의 차이에 절대값을 적용한 다음 그 값들을 모두 더하여 특징 수치를 구하게 된다. 전체 이미지에 대하여 필터링을 각 블록 별로 수행하여 특징 수치들을 모두 더하게 되며 그림 7.(b)와 같이 최종적인 특징수치를 각 블록 별로 구할 수 있게 된다. 다음에 그림 7.(c)와 같이 특징 수치가 설정된 임계값을 초과한 블록 중 가장 큰 블록을 선정하게 된다. 임계값은 얼굴 인식에 방해가 되는 요소가 포함된 블록을 제거하는 척도이기 때문에, 실험을 통해 얼굴 인식률이 가장 높았던 임계값으로 선정하였다</p><p>Feature Number \( =\sum_{n=1}^{8}\left\|\left(a-b_{n}\right)\right\| \)<caption>(1)</caption></p><p>한편, 무조건 4등분된 하나의 블록만을 선정하는것은 아니며, 앞의 그림 3과 같이 대체적으로 1번~4번 블록으로 나누었을 경우에 특징 수치 분석을하게 되면 1, 2번 또는 3, 4번처럼 붙어있는 2개의 블록이 같이 특징 수치가 임계값을 넘게 된다. 이경우 이어진 2개의 블록을 합친 블록을 선정하게된다. 따라서 그림 4의 블록 학습 모델의 수는 전체얼굴 이미지, 1~4번 블록 학습 모델, 1번과 2번을 합친 블록, 3번과 4번을 합친 블록 등의 총 7개의 학습 모델로 구성된다.</p><p>그림 7의 각 블록 별로 표시된 특징 수치 예시를 보면 대체적으로 얼굴 이미지는 눈, 코, 입 등의 특징들이 부각되는 부분이 많기 때문에 특징 수치가 높게 나온다. 따라서 평범한 조명이나 액세서리가 착용되지 않은 블록은 특징 수치가 높게 나온다. 반면, 어두운 조명이나 액세서리가 착용된 블록은 특징 수치가 낮게 나온다. 그 이유는 어두운 조명, 마스크, 모자, 선글라스 등은 대체적으로 픽셀값이 일정함에 있다.</p><p>결과적으로 특징 수치 분석을 통한 멀티 블록 선정은 특징이 없는 블록은 버리고 특징이 많이 부각되는 블록만을 선정하여 얼굴 인식에 방해가 되는 요소를 사전에 제거하는 역할을 하게 되어 얼굴 인식률 향상에 기여하게 된다.</p>	본 논문에서는 얼굴 이미지를 단일 블록으로 인식하여 전체 이미지를 받아들이는 방식을 추구하고 있지?	NO
{ "answer_type": "정답경계추출형", "context_id": "172eb0bc-1d06-4310-bc6a-ff2200b57b0b", "field": "인공물", "question_id": "782ae58f-f7b7-42e1-928f-0dfa3fbb9807" }	<h1>Ⅱ. 본론</h1><h2>1. 제안하는 멀티 블록 방식의 딥러닝 구조의 개요</h2><p>그림 2와 같이 기존의 얼굴인식에 사용되는 CNN의 기본 구조는 얼굴 이미지 전체를 입력으로 넣게된다. Convolution 층은 입력 영상 또는 이전 층의 특징 영상을 여러 특징 필터와 Convolution 연산하여 특징 영상을 얻어 내는 층이다. Sub sampling층은 Convolution 층을 통해 추출된 특징 영상의 특징들 중에서 최적의 특징들만 선별하여 특징 영상의 크기를 감소시키는 과정이다. Fully connected층은 Convolution 층과 Sub sampling 층을 반복하여 추출된 최종 특징 데이터들을 일렬로 연결하여 특징 벡터로 변환하는 과정이다. Softmax 층에서는 앞서 추출된 특징 벡터를 분류기의 입력으로 넣어 영상의 클래스를 분별하여 인식한다. Softmax 층에서 쓰는 분류기는 대부분 NN(Neural Network)을 사용한다. Convolution 층의 특징 필터 계수들과 NN의 가중치들은 역전파 알고리즘을 사용하여 학습된다. 역전파 알고리즘은 목표값과 출력값의 오차를 구조의 역방향으로 입력하여 가중치를 수정하며, 학습이 진행될수록 오차를 감소시켜 원하는 결과가 출력되도록 하는 학습 알고리즘이다.</p><p>본 논문에서 제안하는 멀티 블록 방식의 딥러닝학습 구조는 얼굴 이미지 전체만 학습하는 기존 얼굴인식 CNN의 기본 구조에 그림 3과 같이 멀티 블록화한 이미지까지 학습시키는 딥러닝 모델이 추가된다. 멀티 블록 방식의 딥러닝 학습 구조는 입력된 이미지의 멀티 블록화, 각각의 멀티 블록 딥러닝 모델 학습으로 이루어진다. 첫 번째로 입력된 이미지의 멀티 블록화는 입력된 이미지를 4등분하여 멀티 블록화 시킨다. 두 번째로 각각의 멀티 블록 딥러닝 모델 학습은 전체 이미지와 4등분된 멀티 블록들의 이미지가 크기가 다르기 때문에 각각 다른 딥러닝 모델로의 학습을 수행한다. 위 과정을 모두 수행하면 얼굴 전체 이미지와 각 멀티 블록들의 딥러닝 모델들이 전부 학습되어 인식단계에서 사용이 가능하다.</p><p>본 논문에서 제안하는 멀티 블록 방식의 딥러닝인식 구조는 그림 4와 같으며 입력된 이미지의 멀티 블록화, 특징 수치분석을 통한 멀티 블록 선정, 선정된 멀티 블록의 딥러닝 수행 등의 3가지 과정으로 구성된다. 첫 번째로 입력된 이미지의 멀티블록화는 입력된 이미지를 4등분하여 멀티 블록화시킨다. 두 번째로 특징 수치분석을 통한 멀티 블록 선정에서는 4등분된 멀티 블록들에 각각 특징수치 분석을 수행하여 각 블록들의 특징 수치를 확인하고 인식에 쓰일 블록들을 선정한다. 세 번째로 선정된 멀티 블록으로 딥러닝 수행은 선정된 멀티블록 부위가 학습되어진 딥러닝 모델에 인식을 수행하여 얼굴 인식의 결과를 도출한다. 특징 수치분석에 의해 특징 수치가 높은 효율적인 블록만을 인식하기 때문에 제안하는 딥러닝 인식 구조는 기존의 딥러닝 구조보다 향상된 결과를 나타낸다.</p><p></p>	기존의 얼굴인식에 사용되는 CNN의 기본구조는 어떤 방식으로 작동해?	얼굴 이미지 전체를 입력으로 넣게된다
{ "answer_type": "절차(방법)형", "context_id": "3e1f6af6-8b41-4bf2-8f31-1dcaca364e04", "field": "인공물", "question_id": "6202f719-ea53-42c1-9b23-230e92718374" }	<h1>요 약</h1><p>본 논문에서는 얼굴 인식률 향상을 위한 멀티 블록 방식의 딥러닝 구조를 제안한다. 제안하는 딥러닝의 인식 구조는 입력된 이미지의 멀티 블록화, 특징 수치 분석을 통한 멀티 블록 선정, 선정된 멀티 블록의 딥러닝 수행 등의 3가지 과정으로 구성된다. 첫 번째로 입력된 이미지의 멀티 블록화는 입력된 이미지를 4등분하여 멀티 블록화 시킨다. 두 번째로 특징 수치분석을 통한 멀티 블록 선정에서는 4등분된 멀티 블록들의 특징 수치를 확인하고 특징이 많이 부각되는 블록만을 선정하여 얼굴 인식에 방해가 되는 요소를 사전에 제거한 블록들을 선정한다. 세 번째로 선정된 멀티 블록으로 딥러닝 수행은 선정된 멀티 블록 부위가 학습되어진 딥러닝 모델에 인식을 수행하여 특징 수치가 높은 효율적인 블록으로 얼굴 인식의 결과를 도출한다. 제안된 딥러닝 구조의 성능을 평가하기 위하여 CAS-PEAL 얼굴 데이터베이스를 사용하여 실험 하였다. 실험 결과,제안하는 멀티 블록 방식의 딥러닝 구조가 기존의 딥러닝 구조보다 평균 약 \(2.3\%\) 향상된 얼굴 인식률을 나타내어 그 효용성이 입증됨을 확인하였다.</p>	멀티 블록 방식의 딥러닝 구조는 어떻게 구성 되어 있는가?	입력된 이미지의 멀티 블록화, 특징 수치 분석을 통한 멀티 블록 선정, 선정된 멀티 블록의 딥러닝 수행
{ "answer_type": "절차(방법)형", "context_id": "e61f7f23-ca21-41cc-a2d6-ad6af03e788b", "field": "인공물", "question_id": "05a51400-81fd-43f6-a304-423bb6b6ab82" }	<h1>Ⅲ. 결론</h1><p>본 논문에서는 얼굴 인식률 향상을 위한 멀티 블록 방식의 딥러닝 구조를 제안하였다. 멀티 블록방식의 딥러닝 구조는 특징 수치 분석을 통해 특징이 없는 블록은 버리고 특징이 많이 부각되는 블록만을 선정하여 얼굴 인식에 방해가 되는 요소를 사전에 제거하는 역할을 하게 되어 얼굴 인식률 향상에 기여하는 요소로 작용하였다. 제안된 멀티 블록방식의 딥러닝 구조의 성능을 평가하기 위하여 CAS-PEAL 얼굴 데이터베이스를 사용하여 실험하였다. 실험 결과, 평균 약 \(2.3 \%\)의 얼굴 인식률이 향상됨을 확인하였다.</p>	멀티 블록 방식의 딥러닝 구조를 통해 어떻게 하고자 하였는가?	얼굴 인식률 향상
{ "answer_type": "정답경계추출형", "context_id": "ea39628c-c319-45ae-95bc-b0360f4ea794", "field": "인공물", "question_id": "2bb2a61d-cab4-4315-92ac-5712a4356ef3" }	<h1>I. 서론</h1><p>기존의 기계학습 모델은 간단한 문제에는 좋은 성능을 보이지만 복잡한 문제에 대해서는 성능이 급격하게 저하되는 문제점이 있었다. 따라서 이러한 기술적 한계를 극복할 수 있는 모델 및 학습방법론이 개발되었는데, 딥러닝(deep learning)이 대표적인 예이다.</p><p>현재 딥러닝 기법은 여러 분야에서 활용되고 있으며, 특히 얼굴 인식 분야에서 CNN(ConvolutionNeural Network) 기법이 대표적으로 많이 사용되고 있다. CNN 기법은 얼굴 이미지를 학습할 경우에, 얼굴 이미지 전체를 학습에 사용한다. 즉, 학습되는 사람의 전체적인 얼굴 특징들이 함축된 특징벡터를 학습하게 된다. 마찬가지로, 인식 단계에서도 얼굴 이미지 전체를 사용하고 있다. 그러나 얼굴 이미지 전체를 사용하는 CNN 기법은 조명, 모자, 안경, 선글라스, 액세서리 등을 착용한 사람에 대한 얼굴 인식에 많은 문제점을 나타내고 있다. 이러한 기존의 인식 방법은 본래 학습되었던 액세서리가 미 착용된 얼굴과 액세서리가 착용된 얼굴과 많이 다르기 때문에 얼굴 인식에 많은 오차가 생기기 마련이다.</p><p>따라서 본 논문에서는 이러한 단점을 보완하기 위하여 얼굴 인식률 향상을 위한 멀티 블록 방식의 딥러닝 구조를 제안하다. 얼굴 전체 이미지의 학습뿐만 아니라, 얼굴 이미지를 블록화하여 각 블록들의 얼굴 특징들을 학습시킨 후에 인식 단계에서는 필요한 블록만을 사용하여 얼굴 인식을 수행한다.</p><p>그림 1은 본 논문에서 제안하는 멀티 블록 방식의 딥러닝 인식 순서도이며, 입력된 이미지의 멀티블록화, 특징 수치분석을 통한 멀티 블록 선정, 선정된 멀티 블록의 딥러닝 수행 등의 3가지 과정으로 구성된다. 첫 번째로 입력된 이미지의 멀티 블록화는 입력된 이미지를 4등분하여 멀티 블록화 시킨다. 두 번째로 특징 수치분석을 통한 멀티 블록선정에서는 4등분된 멀티 블록들에 각각 특징 수치분석을 수행하여 각 블록들의 특징 수치를 확인하고 인식에 쓰일 블록들을 선정한다. 세 번째로 선정된 멀티 블록의 딥러닝 수행은 선정된 멀티 블록부분이 학습되어진 딥러닝 모델에 인식을 수행하여 향상된 얼굴 인식의 결과를 도출한다.</p><p></p>	CNN 기법이 학습할 때 사용하는 전체적인 얼굴 특징들이 함축된 이것은 무엇일까?	특징벡터
{ "answer_type": "절차(방법)형", "context_id": "c7a4c1dc-3922-4901-9598-9dbbf4408174", "field": "인공물", "question_id": "97ed631a-594a-400f-ad63-f0083f64acc6" }	<p>이동물체는 주기적으로 특수하게 코드화 된 신호를 인공위성으로부터 받아, 이를 처리하여 시각과 위치 정보를 추출한다. 인공위성 신호는 미국 국방부로부터 무료로 제공되어 브로드캐스트 되기 때문에 모든 GPS 수신기가 동시에 수신할 수 있다. 따라서, 현재의 실제 위치를 파악한 이동물체는 무선통신 에이전트를 통하여 데이터베이스 관리시스템 (DBMS)에 이를 전송할 수 있다.</p> <p>시스템이 사용하는 에이전트의 수가 r이라면 한 순간에 동시에 통신 할 수 있는 이동물체의 수는 r로 제한 된다. 그리고 DBMS에 도착한 정보는 저장장치에 트랜잭션으로 보관되며, DBMS는 트랜잭션을 하나씩 차례로 가져다가 수행한다. DBMS는 갱신 작업을 하기 위하여 반드시 보조기억장치를 접근해야 하기 때문에, 갱신 작업은 비교적 긴 시간을 필요로 한다.</p> <p>(그림 1)에 보이는 FTPN은 이러한 이동물체 데이터베이스 시스템을 표현하는 모형을 보인 것으로, 그림에 보이는 원과 사각형을 각각 플레이스와 트랜지션이라고 일컫는다. 이 모형은 이동물체와 GPS 수신기, 통신서비스, 데이터베이스 관리 시스템 등 세부분으로 구성되며, 각각의 하는 일은 바로 위에서 언급한 바와 같다. 각 플레이스와 트랜지션, 그리고 간선에 대한 설명은 각각<표 1>,<표 2>그리고<표 3>에 요약된 바와 같다. (그림 1)에 보이는 페트리 넷의 초기 마킹, M0은 다음과 같다:</p> <p>\( \mathrm{M}_{0}\left(\mathrm{P}_{1}\right)=\mathrm{M}_{0}\left(\mathrm{P}_{8}\right)=\sum M=n \) 이동물체 = \{mid \( \mathrm{mid}=1 \),\( 2, \cdots, \mathrm{n}\} \)</p> <p>\( \mathrm{M}_{0}\left(\mathrm{P}_{3}\right)=\sum G=n \mathrm{GPS} \) 수신장치 \( =\{ \) gid \( \mid \) gid \( =1,2, \cdots ,\mathrm{n}\} \)</p> <p>\( \mathrm{M}_{0}\left(\mathrm{P}_{6}\right)=\sum R=r \text { 무선 에이전트 }=\{\text { wid } \mid \text { wid }=1,2, \cdots, r \} \)</p> <p>\( \mathrm{M}_{0}\left(\mathrm{P}_{10}\right)=\sum K=\mathrm{DBMS} \) 의 \( k \) 처리장치 \( =\{\mathrm{pid} \mid \mathrm{pid}=1,2 , \cdots, \mathrm{k}\} \)</p> <p>나머지 플레이스 \( \mathrm{P}_{\mathrm{i}} \) 에 대해서는 \( \mathrm{M}_{0}\left(\mathrm{P}_{\mathrm{i}}\right)=\boldsymbol{\Phi} \).</p> <table border><caption>표 2. 트랜지션 설명</caption> <tbody><tr><td>트랜지션</td><td>역할</td></tr><tr><td>t1</td><td>이동물체가 현재의 실제 위치와 시각을 얻는 작업.</td></tr><tr><td>t2</td><td>GPS 수신기가 현재의 실제 위치와 시각의 신 호를 위성으로부터 수신하는 작업</td></tr><tr><td>t3</td><td>이동물체가 갱신 정책을 적용하여 갱선을 해야 하는지 판단하는 작업</td></tr><tr><td>t4</td><td>이동물채가 t3의 반대 경우를 판단함.</td></tr><tr><td>t5</td><td>무선통신 에이전트가 갱신 메시지를 전달함</td></tr><tr><td>t6</td><td>이동물체가 데이터베이스 갱신 트랜잭션을 생 성하는 작업</td></tr><tr><td>t7</td><td>데이터베이스 처리 장치가 갱신 작업을 수행</td></tr><tr><td>t8</td><td>이동통신 에이전트가 리턴 정보를 전송함</td></tr></tbody></table> <table border><caption>표 3. 간선과 간선의 레이블 설명</caption> <tbody><tr><td>간선</td><td>레이블과 설명</td></tr><tr><td>\( \mathrm{a}_{1} \)</td><td>\( \langle \) mid, th \( \rangle \), mid는 이동물체의고유번호, th는 한계값</td></tr><tr><td>\( \mathrm{a}_{2} \)</td><td>\( \langle \) gid, gcl, gct \( \rangle \), gid는 GPS 수신기 고유번호, gel은 현재의실재위치, get는 현재 시각</td></tr><tr><td>\( \mathrm{a}_{3} \)</td><td>\( \langle \) mid, mcl, mct, th \( \rangle \). 고유번호 mid인 이동물체가 현재 위치와 시각(mel, met), 그리고 한계값(th)을 가지고 있음.</td></tr><tr><td>\( \mathrm{a}_{3}, \mathrm{d}_{1} \)</td><td>d1은 갱신정책을 적용하여 갱신여부를 판단하는 작업소요시간</td></tr><tr><td>\( \mathrm{a}_{3}, \mathrm{d}_{2} \)</td><td>d2는 무선통신에이전트의 통신에 소요되는 시간.</td></tr><tr><td>\( \mathrm{a}_{4} \)</td><td>\( \langle \) db, mid \( \rangle \), db는 이동물체 mid의 정보를 다루는 데이 터베이스.</td></tr><tr><td>\( \langle \mathrm{a}_{4}, \mathrm{d}_{3}\rangle \)</td><td>\( \langle \) db,mid,mcl, mct,th \( \rangle \),이동물체 mid, 관련정보, 한계값,물체의 정보를 관리하는 데이터베이스 db</td></tr><tr><td>\( \mathrm{a}_{4}, \mathrm{d}_{1} \)</td><td>d1은 갱신 정책에 따라 갱신을 하지 않아도 됨을 판단하는데걸리는 시간</td></tr><tr><td>\( \mathrm{a}_{4}, \mathrm{d}_{3} \)</td><td>d3는 하나의 이동물체가 데이터베이스 갱신을 일회하는 데소요되는 시간</td></tr><tr><td>\( \mathrm{a}_{5} \)</td></td><td>\( \langle \) mid, mreinfo \( \rangle \), mreinfo는 이동물체로 리턴되는 정보</td></tr><tr><td>\( \mathrm{a}_{5}, \mathrm{d}_{3} \)</td><td>d3는 데이터베이스 db가 하나의 트랜잭션 처리에 소요되는 시간.</td></tr><tr><td>\( \langle \) wid \( \rangle \)</td><td>wid는 무선통신 에이전트의 고유번호</td></tr><tr><td>\( \langle \) wid \( \rangle \),\( \mathrm{d}_{2} \)</td><td>d2는 갱신메시지를 전송하기 위하여 소요되는 통신시간</td></tr><tr><td>\( \langle \) wid \( \rangle \),\( \mathrm{d}_{4} \)</td><td>d4는 리턴 정보를 전송하기 위하여 소요되는 통신시간</td></tr><tr><td>\( \langle \) pid \( \rangle \)</td><td>pid는 DBMS 처리장치의 고유번호</td></tr><tr><td>\( \langle \) pid \( \rangle \),\( \mathrm{d}_{3} \)</td><td>d3는 처리장치 pid의 갱신작업에 소요되는 시간</td></tr></tbody></table>	데이터베이스 관리시스템에 실시간 위치가 파악된 이동물체를 어떻게 전송할 수 있는가?	무선통신 에이전트를 통하여
{ "answer_type": "정답경계추출형", "context_id": "73157899-e395-4dfc-806e-e04e2660efd0", "field": "인공물", "question_id": "0f9f641e-c0c8-417c-b485-235668c756cc" }	<h1>Ⅲ. 안테나 제작 및 측정</h1><p>표 1 에서 보이고 있는 최적의 안테나 설계 변수값에 따라 안테나를 제작하였으며, 그림 8 은 제작된 안테나를 나타낸다.</p><p>안테나는 유전율이 4.4이고, 높이가 \( 0.8 \mathrm{~mm} \) 인 FR-4 기판을 사용하였고, 전체 크기는 상용 단말기의 그라운드 크기와 비슷한 \( 45 \times 90 \mathrm{~mm} \) 로 제작되었다. 급전은 마이크로스트립 선로에 \( 50 ~ \mathrm{ohm} \) SMA 커넥터를 이용하였다. 제작된 안테나의 반사 손실 시뮬레이션 결과와 함께 측정 결과를 그림 9 에 나타내었다. 측정은 Anritsh사의 Vector Network Analyzer 3739D를 이용하였으며, 측정 결과 \( -10 \mathrm{~dB} \) 반사 손실 대역 폭은 \( 2.2 \sim 6 . ~ \mathrm{GHz} \) (약 \( 3.8 ~ \mathrm{GHz} \)) 이다.</p><p>제작된 안테나의 대역폭은 측정 결과, 국내 wibro 대역 (\( 2,300 \sim 2,390 ~ \mathrm{MHz} \)) 과 WLAN 대역(IEEE 802.11b/g/n: \( 2,400 \sim 2,480 ~ \mathrm{MHz} \), IEEE 802.11a : \( 5150 \sim 5,825 ~ \mathrm{MHz}) \) 그리고 국외 Mobile Wimax 대역(802.16e: \( 2,500 \sim 2,690 ~ \mathrm{MHz} \), \( 3,400 \sim 3,600 ~ \mathrm{MHz} \)) 을 모두 포함한다.</p><p>그림 10 은 각 통신 대역의 중심 주파수에서 제작된 안테나의 \( \mathrm{XY} \) 평면, \( \mathrm{YZ} \) 평면, 그리고 \( \mathrm{XY} \) 평면 상의 총 이득 패턴(E total)을 측정한 결과를 보여주고 있다. 측정은 충북 오창읍 충북 테크노파크 소재의 (주)맥테크놀로지 사의 전자파 무반사실에서 측정하였다. 이 그림 10 에서 보듯이 모든 대역에서 전 방향성 특성을 가지는 것을 확인할 수 있다. 표 2 에서는 각 대역별로 측정된 안테나의 효율과 평균 이득 그리고 최대 이득 값을 보여주고 있다. 제작된 안테나는 전 대역에서 평균 이득 \( -2.22 \sim-1.25 ~ \mathrm{dBi} \), 최대 이득 \( 2.86 \sim 4.01 ~ \mathrm{dBi} \) 의 이득을 가짐을 알 수 있다. 표 2 에서 보듯이 \( 3,500 ~ \mathrm{MHz} \) 대역의 효율이 나머지 대역에 비해서 낮게 나왔는데, \( 3 ~ \mathrm{GHz} \) 대역은 안테나 자체에서의 임피던스 매칭이 아닌 그라운드 스텝에 의해 매칭되었기 때문이라고 판단된다.</p><table border><caption>표 2. 제작된 안테나의 이득 측정 결과</caption><tbody><tr><td>Freq.[\( \mathrm{MHz} \)]</td><td>Eff[\( \% \)]</td><td>Avg.[\( \mathrm{dBi} \)]</td><td>Peak[\( \mathrm{dBi} \)]</td></tr><tr><td>2,345</td><td>75.02</td><td>\( - \)1.25</td><td>4.01</td></tr><tr><td>2,450</td><td>75.84</td><td>\( - \)1.2</td><td>3.52</td></tr><tr><td>2,600</td><td>74.42</td><td>\( - \)1.28</td><td>3.1</td></tr><tr><td>3,500</td><td>59.99</td><td>\( - \)2.22</td><td>2.86</td></tr><tr><td>5,200</td><td>70.93</td><td>\( - \)1.49</td><td>3.62</td></tr></tbody></table>	제작한 안테나의 유전율은 어떤 값을 갖나요?	4.4
{ "answer_type": "다지선다형", "context_id": "86fe4aad-e521-49fe-bfed-0777771c8f1d", "field": "인공물", "question_id": "7b5229c9-3b86-4ed5-8825-83b4a4ae5d55" }	<h1>II. 안테나 구성 및 설계</h1><p>제안된 안테나의 구조는 그림 1 과 같다. 안테나 설계에 사용된 기판은 유전율 4.4를 가지고 두께가 \( 0.8 \mathrm{~mm} \) 인 FR-4 기판이며, 실제 단말기 사이즈를 고려하여 \( 45 \mathrm{~mm} \times 90 \mathrm{~mm} \) 크기의 기판을 이용하여 설계하였다. 급전은 마이크로스트립 선로를 이용하여 급전하였다. 그림 1 는 제안된 안테나의 전체 구조를 보여주고, 그림 1(b)와 1 (c)는 각각 제안된 안테나의 윗 면과 아랫 면을 보여준다. 그림 1(b)와 1 (c)에서 보듯이 모노폴 안테나는 기판의 윗 면에 위치하고, 기생 소자와 그라운드는 기판의 아랫 면에 위치한다. 그리고 기생 소자와 그라운드를 연결하는 미앤더 선로가 위치하는데, 이 얇은 미앤더 선로를 통해 그라운드로 전류가 흐르게 된다.</p><p>이를 통해 전자기 소스인 전류가 그라운드에 흐르면서 방사체 역할을 하게 되고, 이 전류의 변화가 안테나의 공진 주파수, 그리고 대역폭의 변화를 가져온다. 또한, 모노폴 안테나의 우측 아랫 면에 위치한 그라운드 스텝 변화를 통해 특정 대역의 대역폭을 개선할 수 있다. 따라서 본 안테나 설계에서는 기본 모노폴 안테나와 기생 소자간의 영향, 기생 소자와 그라운드를 연결한 미앤더 선로의 길이, 그리고 그라운드 스텝 변화에 따라 각각 특성을 확인하고 최적의 변수 값을 제시하였다.</p><h2>2-1 기본 모노폴 안테나와 기생 소자에 따른 변화</h2><p>그림 2에서는 기생 소자가 없는 상태에서 사각 모노폴 안테나의 구조 및 변수를 나타내었다. 안테나는 \( 50 ~ \mathrm{ohm} \) 마이크로스트립 선로를 통해 급전되며 (선로폭: \( 1.5 \mathrm{~mm} \)) \( \mathrm{L} = 8.5 \mathrm{~mm}, \mathrm{W} = 6 \mathrm{~mm}, \mathrm{Gap} = 2 \mathrm{~mm} \) 의 값을 이용하여 설계하였고, 시뮬레이션한 반사 손실 결과를 그림 3 에 나타내었다.</p><p>그림 3 에서 나타낸 것처럼 기준 안테나의 중심 주 파수는 \( 5 ~ \mathrm{GHz} \) 이고 \( -10 \mathrm{~dB} \) 대역폭은 \( 3.8 \sim 6.7 ~ \mathrm{GHz} \), 약 \( 2.9 ~ \mathrm{GHz} \) 의 대역폭을 가진다. 기준 안테나보다 낮은 주파수에서의 동작을 위하여 기생 소자를 추가하여 실험하였다. 기생 소자는 모노폴 안테나를 기준으로 왼쪽 하단(그라운드와 동일한 평면)에 위치시켰다. 기준 모노폴 안테나에서 기생 소자를 추가한 모습을 그림 4에 나타내었다.</p><p>그림 4에서 기생 소자의 크기는 \( 6 \mathrm{~mm} \times 8.5 \mathrm{~mm} \) 이고, 선로의 길이 변화에 따른 반사 손실 변화를 실험하기 위하여 기생 소자와 안테나의 \( \mathrm{y} \) 축으로의 간격은 임의로 \( 0.5 \mathrm{~mm} \) 로 고정하였다. 그리고 기생 소자와 그라운드는 폭 \( 0.2 \mathrm{~mm} \) 인 얇은 선로를 이용하여 연결하였으며, 선로를 통하여 높은 인덕턴스 값의 발생과 동시에 그라운드로의 전류 흐름을 유도한다. 이 얇은 선로의 길이 변화에 따른 반사 손실 변화를 확인하였으며, 선로 길이가 \( 11 \mathrm{~mm} \) 일 때 주파수 \( 2.45 ~ \mathrm{GHz} \) 에서의 안테나의 전류 분포를 그림 5 에 나타내었다.</p><p>그림 5 는 미앤더 선로의 길이 변화에 따른 반사 손실을 보여주고 있다.</p><p>그림 5 에서 보듯이 미앤더 선로가 아닌 일직선(턴 수 0 , 길이 \( 2 \mathrm{~mm} \)) 으로 연결했을 때부터 미앤더 턴 수를 4회, 길이 \( 14 \mathrm{~mm} \) 까지 늘려가면서 안테나의 반사 손실을 확인하였는데, 그 결과 미앤더 턴 수(길이)가 증가할수록 동작 주파수가 낮아짐과 동시에 \( 4 \sim 5 ~ \mathrm{GHz} \) 대역의 반사 손실 특성 또한, 개선되는 것을 확인하였다.</p><h2>2-2 그라운드 스텝 효과에 의한 반사 손실 특성 개선</h2><p>그림 5 의 그래프에서 \( 2 ~ \mathrm{GHz} \) 대역과 \( 4 \sim 5 ~ \mathrm{GHz} \) 대역에서는 \( -10 \mathrm{~dB} \) 이하의 반사 손실 값을 가지나 \( 3 ~ \mathrm{GHz} \) 대역에서의 반사 손실 특성은 \( -10 \mathrm{~dB} \) 이하로 충분히 확보되지 않은 상태이다. \( 3 ~ \mathrm{GHz} \) 대역에서의 안정적인 대역폭 확보와 전체적으로 광대역 특성을 얻기 위해 그라운드 스텝 효과를 추가하였고, 그라운드 스텝까지 추가된 안테나의 구조를 그림 6에 나타내었다. 그라운드 스텝은 기준 안테나의 오른쪽 하단에 계단형 모양으로 위치시켰다. 안테나와 스텝의 \( \mathrm{y} \) 축으로의 간격은 \( 0.5 \mathrm{~mm} \) 로 고정한 상태에서 그림 1(c)의 그라운드 스텝 높이 변수 \( \mathrm{Step\_h} \)의 값을 변화시키면서 반사 손실 특성을 확인하였다.</p><p>그라운드 스텝 높이 변화에 따른 반사 손실 변화를 그림 7에 나타내었다. 그라운드 스텝을 추가함으로써, 그라운드를 따라 흐르는 전류의 경로와 길이를 조절함에 따라 좋은 임피던스 매칭 효과를 가져온다.</p><p>그림 1(c)의 그라운드 스텝 높이 변수 \( \mathrm{Step\_h} \)의 값을 변화시키면서 반사 손실 특성을 확인한 결과, 스텝 높이가 커질수록 \( 3 ~ \mathrm{GHz} \) 대역의 반사 손실 특성이 개선됨을 보여주었다. 하지만 \( 4.5 \mathrm{~mm} \) 이상으로 커지게 되면 \( 5 ~ \mathrm{GHz} \) 이상에서는 대역폭 확보가 되지 않음을 확인하였고, 보다 넓은 광대역 특성을 얻기 위해서는 그라운드 스텝 높이와 함께 앞에서 설명한 기생 소자와 그라운드를 연결한 미앤더 선로의 길이를 조절하여 최적의 결과를 가져오는 변수를 선택해야 한다.</p><p>표 1 에서는 시뮬레이션을 통해 얻은 최적 값에 따른 설계 변수의 값을 제시하였다. 사각 모노폴 안테나와 기생 소자의 크기는 동일하며, 안테나 소자의 급전부와 하단 그라운드의 \( \mathrm{X} \) 축 간격(gap)과 기생 소자와 그라운드 사이 간격 역시 동일하다. 변수 \( \mathrm{a}, \mathrm{b}, \mathrm{c} \) 의 값을 고정한 상태에서 턴 수를 맞추고, \( \mathrm{c} \) 값을 조절하면서 가장 넓은 대역폭을 갖는 설계 변수를 선택할 수 있다.</p><table border><caption>표 1. 최적화된 안테나 설계 변수</caption><tr><td>Parameter</td><td>Value(\( \mathrm{mm} \))</td><td>Parameter</td><td>Value(\( \mathrm{mm} \))</td></tr><tr><td>\( \mathrm{L} \)</td><td>8.5</td><td>\( \mathrm{c} \)</td><td>1.3</td></tr><tr><td>\( \mathrm{W} \)</td><td>6</td><td>\( \mathrm{d} \)</td><td>0.8</td></tr><tr><td>\( \mathrm{a} \)</td><td>1.5</td><td>\( \mathrm{e} \)</td><td>0.7</td></tr><tr><td>\( \mathrm{b} \)</td><td>0.9</td><td>\( \mathrm{Step\_h} \)</td><td>3.5 \( \mathrm{mm} \)</td></tr></tbody></table>	50 ohm 마이크로스트립 선로를 통해서 안테나 급전이 될 때 선로폭은 얼마이지?	\( 1.5 \mathrm{~mm} \)
{ "answer_type": "정답경계추출형", "context_id": "a8cfe0c2-078d-4c07-9c3e-7f8373f98c50", "field": "인공물", "question_id": "266b87cd-0885-420f-a1e7-99cf01f1deb1" }	<h1>II. 안드로이드 부팅 및 CPU주파수 정책 분석</h1><h2>1. 안드로이드 부팅 분석</h2><h3>가. 부트 프로세스 분석 방안</h3><p>멀티코어 환경에서의 성능 향상 방법은 어떠한 작업단위에 병렬 기법을 적용하는 것이 대표적으로 쓰레드, fork()함수를 통한 프로세스 복사 등이 있다. 병렬기법은 프로세스 내의 연산 영역을 독립적으로 분할하여 각 코어에서 동시연산을 수행하는 것으로, 반복된 연산 영역이 많은 프로그램에 적용할 경우에 효율성이 높다. 만약 부팅 과정 중 특정 프로세스에 연산이 많아지게 되면 전체 부팅 시간에 영향을 주게 된다. 이러한 프로세스에 병렬 기법의 적용을 통해 전체 부팅시간의 감소 효과를 볼 수 있다. 따라서 병렬 처리가 가능한 구간이나 프로세스를 먼저 선정하는 것이 필요하다.</p><p>부트 프로세스의 분석은 그림1과 같이 먼저 멀티 코어기반의 임베디드 보드에 부트 프로세스 분석 도구를 이식 한 후 부팅을 시작한다. 부팅 중에는 분석 도구에 의하여 활성중인 프로세스들의 정보들을 모으고 있으며, 부팅이 완료 된 후엔 모은 데이터들을 raw 데이터로 저장한다. 이 raw데이터는 PC 환경으로 옮겨진 후 분석 도구의 시각화 기능을 사용하여 이미지 파일로 만드는 과정을 거친다. 그 후 이미지파일을 통해 병렬 처리가 가능한 구간이나 프로세스를 선정하는 과정을 거친다.</p><p>이 분석 방안에서는 Bootchart라는 도구를 사용한다. Bootchart는 GNU/리눅스 등의 OS의 부트 프로세스의 성능 분석 및 시각화를 위한 도구로서 부팅과정 중 소요된 자원 활용 및 프로세스 정보를 수집하는 데이터 로거 유틸리티와 시스템 자원 활용에 대한 정보를 PNG, SVG 등과 같은 그림 파일형태로 제공해주는 시각화 유털리티를 포함하고 있다. Bootchart의 데이터 로거는 init프로세스 대신 실행되며 백그라운드에서 동작하여 proc 파일 시스템에 있는 CPU 통계, CPU I/O 와 Idle 시간, 디스크 활용, 모든 활성 프로세스 관련 정보 등을 주기적인 간격으로 샘플링 하는 프로파일러이다. 샘플링을 거쳐 얻게 된 미 가공 데이터는 Bootchart에 포함된 시각화 유틸리티를 사용하여 부팅 로그 정보 이미지 파일로 형성하는데 아래 그림2와 같은 차트 및 그래프 형태의 3가지 구성요소로 표현된다.</p><p>그림2의 ①은 해당 부팅 구간의 CPU 상태로 CPU 사용량(푸른색)와 I/O (붉은색), Idle을 나타내고 있고, ②는 해당 부팅 구간에서의 디스크 사용량에 대한 정보를 나타넨다. 마지막 ③은 부팅 시 모든 활성 프로세스의 관련 정보와 해당 프로세스의 사용량을 나타낸다.</p><h3>나. 안드로이드 부트 프로세스 분석</h3><p>병렬 처리 구간이나 프로세스를 선정하기 위해 듀얼 코어 S5PV310과 쿼드 코어 Exynos4412에 Bootchart를 적용하여 그림 3 와 같은 결과를 얻었다.</p><p>Bootchart의 결과를 보면 두 보드의 부팅 흐름이 비슷한 양상을 보이고 있고, 공통적으로 Zygote라는 프로세스에서 CPU의 사용량이 많다는 것을 알 수 있었다. Zygote 프로세스는 전체 부팅 시간 중 평균 \( 25^\sim 26 \% \) 정도를 차지하고 있다.</p><p>Zygote프로세스는 안드로이드 어플리케이션을 빠르게 구동하기 위해서 미리 fork되어있는 프로세스로 시스템에서 exec() 호출을 통해 특정 어플리케이션을 실행하고자 하기 전까지는 중립적인 상태를 유지한다. Zygote프로세스는 그림 4 와 같이 네 가지의 기능들로 구성되어 있으며 각각의 기능에 따른 함수들이 구현되어 있다. Socket Binding은 새로운 어플리케이션의 실행 요청을 수신하는데 쓸 소켓을 바인딩 한다. Preload는 어플리케이션 프레임워크에 포함된 클래스와 자원을 메모리에 적재시킨다. System Server는 Package Manager Service, Activity Manager Service, Location Manager Service등과 같은 자바 시스템 서비스들을 실행한다. 마지막으로 Loop는 새로운 안드로이드 어플리케이션의 생성 요청을 받으면 이를 처리한다.</p><p>이 내부 함수들의 시간 측정 결과 preload()에서 \( 77.85 \% \sim 85.70 \% \) 로 가장 높은 비율을 차지한다는 것을 알 수 있었다. Preload()는 세부적으로 frameworks /base/preload-classes에 담겨있는 약 2300 여 가지의 클래스들을 적재하는 preloadClasses()와 문자열, 레이아웃, 색, 이미지, 사운드 등의 리소스들을 적재하는 preloadResource()를 차례대로 호출한다. 따라서 클래스들과 리소스를 적재하는 내용이 많을수록 시간이 비례하게 증가한다.</p>	그림2와 같은 차트 및 그래프에서 3가지 구성요소로 표현이 되는데 ③이 나타내는 것은 무엇인가?	부팅 시 모든 활성 프로세스의 관련 정보와 해당 프로세스의 사용량
{ "answer_type": "정답경계추출형", "context_id": "b11b5651-37d6-4adc-90af-f7f7b8850ad3", "field": "인공물", "question_id": "98310124-58a9-41c4-997e-7cc72ead764e" }	<h2>2. CPU주파수 정책 분석</h2><h3>가. 임베디드 기기의 성능과 저 전력 기법</h3><p>임베디드 기기나 데스크 탑 프로세서의 클럭 주파수는 시스템의 성능에 매우 많은 영향을 차지하고 있다. 주파수가 높을수록 성능이 증가하지만 전력소모 또한 증가하기 때문에 임베디드 기기에서는 항상 높은 성능만을 내기엔 어려움이 있다. 따라서 이러한 문제를 해결하기 위한 대표적인 저 전력 기법으로 DVFS(Dynamic Voltage and Frequency Scaling)가 있다. 이 기법은 프로세서의 클럭 주파수와 전압을 조정함으로써 열과 에너지 사용량을 줄이는 방식이다.</p><p>리눅스에서는 DVFS가 적용된 모듈인 CPUfreq governor가 쓰이고 있다. 이 모듈은 리눅스 2.6 버전 이후부터 내장되어 사용되고 있으며 리눅스 커널 내에 CPU의 부하에 따라 주파수를 동적으로 할당하여 전력 효율을 올린다. CPUfreq governor는 아래 그림5 와 같이 크게 3 부분으로 나눌 수 있다.</p><p>CPU-specific driver는 CPU의 주파수를 직접 제어하고, CPUfreq module은 CPU-specific driver와 CPUfreq governor사이를 연결하며 독립적으로 동작 해주도록 지원한다. CPUfreq governor는 CPUfreq module을 통해 CPU 주파수를 현재 상황에서 얼마큼 주파수를 변경할지에 대한 정책을 가지고 있다. 리눅스에서는 다양한 정책을 구현하여 사용자의 요구에 따라 사용할 수 있도록 지원한다. 일반적으로 6 가지의 정책을 사용하며 그 내용은 다음 표1과 같다.</p><p><table border><caption>표 1. CPUfreq governor 정책의 종류</caption><tbody><tr><td>정책</td><td>특징</td></tr><tr><td>performance</td><td>최대 주파수로 동작</td></tr><tr><td>on-demand (default)</td><td>부하에 따라 주파수 변경 - 임계치 ⭡ : 최대 - 임계치 ⭣ : 단계별 하향</td></tr><tr><td>interactive</td><td>on-demand 개선 정책 고정 시간에 따라 부하 판단</td></tr><tr><td>conservative</td><td>on-demand 변형 정책 - 임계치 ⭡ : 단계별 상향 . 임계치 ⭣ : 단계별 하향</td></tr><tr><td>powersave</td><td>최소 주파수로 동작</td></tr><tr><td>userspace</td><td>user영역의 프로그램에 의해 사용자 가 임의로 조정 가능</td></tr></tbody></table></p><h3>나. 안드로이드 부팅 시 CPU 주파수 변화</h3><p>안드로이드는 리눅스의 CPUfreq governor가 기본적으로 on-demand정책을 사용하고 있기 때문에 안드로이드 또한 이 방식으로 동작한다. 부팅 중 on-demand정책을 사용한 CPU 주파수 수치 흐름을 측정해본 결과 아래 그림6과 같은 그래프로 표현되었다.</p><p>CPU 부하가 많을 경우 주파수가 높은 반면 CPU 부하가 적을 경우 주파수가 낮아지게 되는 지그재그 형태를 보였으나 평균값을 비교하였을 땐 부팅 시작부터 종료 시점까지 점차 주파수가 내려가는 것을 확인할 수 있었다. 이러한 현상의 이유는 그림 4 의 Bootchart에서 CPU의 I/O시간이나 idle시간이 많아 짐에 따라 CPU 부하가 없기 때문에 on-demand 정책 특성상 주파수가 내려간다고 볼 수 있다. 따라서 CPU 부하 측정치가 상향 임계점을 넘어가기 전까지 낮은 주파수로 동작하기 때문에 부팅속도에 영향을 준다.</p>	리눅스에서는 DVFS가 적용된 모듈인 무엇이 쓰이는가?	CPUfreq governor
{ "answer_type": "정답경계추출형", "context_id": "71f392d8-512b-4beb-bea0-0ba6eb455f1e", "field": "인공물", "question_id": "02a44427-e887-4cc1-a734-29a10bec5bff" }	<h1>Ⅳ. 실험 및 고찰</h1><h2>1. 실험 환경</h2><p>실험 환경은 (주)삼성전자 듀얼 코어 S5PV310과 (주)삼성전자 쿼드 코어 Exynos4412를 탑재한 보드를 사용하였다.</p><h2>2. 부팅 시간 측정</h2><p>실험에 사용한 두 보드에 충 4 가지 방법(기본 부팅, Zygote프로세스만 병렬처리 했을 경우, CPU 주파수 정책만 변경했을 경우, 두 가지 방법을 모두 사용했을 경우)을 5 번에 걸쳐 부팅 시간을 측정하였다.</p><p>듀얼 코어의 경우 Zygote 병렬 처리만 적용하였을 경우 약 \( 17.65 \%, \) CPU 주파수 정책을 변경했을 경우 \( 10.08 \% \), 둘 다 적용했을 경우 \( 20.71 \% \) 의 성능 향상을 보였다. 쿼드 코어는 Zygote 병렬 처리만 적용하였을 경우 약 \( 10.52 \%, \) CPU 주파수 정책을 변경했을 경우 \( 22.11 \% \), 둘 다 적용했을 경우 \( 31.34 \% \) 의 성능 향상을 보였다. Zygote의 병렬처리의 경우 두 보드의 안드로이드 버전이 다르기 때문에 성능 향상이 다르게 나타나고 있고 CPU 주파수 정책 부분은 각 코어의 CPU 주파수 수치를 최대로 증가시키기 때문에 듀얼 코어보다 퀴드 코어에서 약 2 배 이상의 성능향상 결과를 얻었다.</p><h1>V. 결론</h1><p>본 논문에서는 멀티코어 기반의 임베디드 시스템에서 안드로이드 부팅 속도 향상방법을 제안하였다. 듀얼 코어와 쿼드 코어 보드에 제안 방법을 적용한 결과 각각 \( 20.71 \%, 31.34 \% \) 의 성능향상을 보였다. 측정된 부팅 시간을 보면 제안 방법을 독립적으로 적용한 부팅 시간의 합이 두 가지 방법을 모두 적용했을 때의 부팅 시간과 비슷하다는 것을 알 수 있다. 이 결과는 하나의 적용방식이 다른 적용방식에 영향을 주지 않고 독립적으로 적용되었다는 것을 입증한다.</p><p>제안하는 부팅 속도 향상 방법은 안드로이드 버전에 상관없이 적용이 가능한 기술이며 적용범위에 비해 높은 성능향상을 가져오고 있다. 나아가 이 방법 은 시스템 전체를 기준으로 본다면 극히 일부분에 불과하다. 따라서 안드로이드 시스템 측면뿐만 아니라 기존 기술에 적용되어 왔던 최적화가 함께 이루어진다면 더 빠른 속도 향상을 가져올 것이다.</p>	듀얼코어에서 Zygote 병렬처리만 적용했을 때 약 몇 %의 성능 향상을 보였나요?	약 \( 17.65 \%, \)
{ "answer_type": "정답경계추출형", "context_id": "5f107ccd-05f4-4c44-9822-bf1605878356", "field": "인공물", "question_id": "d99fadcc-d17f-4f31-83df-91626abe2404" }	<h1>III. 본 논문의 병렬 기법 적용 및 CPU주파수 정책</h1><h2>1. 병렬 기법 적용</h2><p>Preload함수의 앞서 설명한 대로 preloadClasses() 함수와 preloadResource() 함수를 차례대로 호출하는 구조를 가지고 있다. 이 두 가지의 함수 흐름에 병렬 기법을 적용하는 방법으로 fork()와 thread가 있다. Zygote는 자바 언어로 만들어져 있기 때문에 사용하기엔 간편하나 자바 특성상 가상 머신에서 동작을 하기 때문에 실행 환경이 가볍지 않다는 단점이 있다. 따라서 오버혜드를 줄이기 위해 JNI를 사용하여 fork()함수를 호출하는 방법을 구현하고 이를 Zygote 프로세스에서 사용하도록 하였다.</p><p>그림7과 같이 preload의 preloadResource()는 부모 프로세스의 pid를 가지고 있어 기본적인 preload의 호출 구조와 동일하다. preloadClasses()의 경우 자식 프로세스에서 동작하기 위해 fork()를 호출해야 한다. 하지만 fork()는 따로 C라이브러리에만 존재하고 따로 선언이 되어 있지 않기 때문에 안드로이드 빌드 전 JNI NativeMethods 구조체에 호출하려는 callfork와 C라이브러리의 fork()를 연결시켜야 한다. 연결이 등록되면 callfork와 연결된 fork()가 호출되어 자식 프로세스를 생성하고 이 프로세스에서 preloadClasses()를 처리하게 된다.</p><h2>2. CPU주파수 정책</h2><p>기존 정책의 속도 저하 현상을 해결하기 위하여 기존 on-demand방식을 최대 성능의 정책인 performance와 on-demand를 혼합한 형태로 변경하였다. 변경된 정책의 흐름은 그림8과 같다.</p><p>보드가 부팅을 시작한 뒤 CPUfreq governor의 정책은 맨 처음 performance로 설정된다. 그 후 부팅완료 후에는 사용자영역에서 CPU 주파수 정책을 기존의 on-demand로 변경하게 된다. CPUfreq governor의 정책은 커널 빌드 시에 고정되고 커널영역에서 관여하기 때문에 사용자영역에서 접근하기 위해 system call을 사용해야 한다. 따라서 그림8의 1~2 번과 같이 CPUfreq governor의 on-demand정책에 performance의 부분을 추가 하고 정책의 변경을 위해 사용자영역의 governor_change()와 커널영역의 gov_syscall()을 생성해주었다.</p>	preload의 preloadResource()는 무엇을 가지고 있나요?	pid
{ "answer_type": "Yes/No 단문형", "context_id": "07d83315-edd1-4b63-82c2-89641ab6a83c", "field": "인공물", "question_id": "569ed7ab-b88d-4925-83fe-b4e92d274156" }	<h1>요 약</h1><p>현재 임베디드 기기는 멀티코어로 급성장하고 있으며 빠른 부팅 속도를 요구하고 있다. 하지만 기존의 부팅 기술은 하나의 코어만을 사용하고 있다. 따라서 본 논문에서는 분석 도구를 통해 안드로이드 부트 프로세스를 분석 후, CPU 연산이 많은 곳에 병렬 기법을 적용하는 방법과 멀티 코어의 성능을 최대로 끌어내기 위해 CPU 주파수 정책을 변경함으로써 멀티코어 기반에서 안드로이드 부팅 속도 향상 방법에 대해 제안한다. 본 논문의 제안 방법을 듀얼 코어 S5PV310과 쿼드 코어 Exynos4412에 각각 적용시킨 뒤 부팅 완료 시간을 측정하였으며 기존의 방법과 제안 방법의 시간을 비교한 결과 듀얼코어와 쿼드코어에서 각각 약 \( 20.71 \% \), 약 \( 31.34 \% \) 의 속도 성능향상을 가져왔다.</p>	임베디드는 느린 속도를 요구하고 있나요?	NO
{ "answer_type": "정답경계추출형", "context_id": "af046bac-f40b-4eba-b38d-3ea0a0ec3f39", "field": "인공물", "question_id": "baa3a840-489a-4581-96db-7b7344f6ff83" }	<h1>I. 서론</h1><p>스마트 폰과 스마트 TV, 디지털 카메라, 내비게이션, 차량용 블랙박스 등과 같은 다양한 임베디드기기는 우리의 실생활에서 흔히 접할 수 있을 정도로 범용화 되어있고 생활하는데 없어서는 안될 만큼 현대인의 필수품으로 자리 잡고 있다. 이렿게 매년 임베디드기기 시장이 증가 될수록 기기 안에 탑재되는 소프트웨어는 요구사항이 많아짐에 따라 규모가 점점 커지고 있으며 이에 따라 프로세서가 처리할 내용도 많아지고 있다. 이 때문에 처음 시스템을 초기화 하는 과정인 부팅작업 또한 늘어나고 있는 실정이다. 이러한 임베디드기기의 부팅 속도의 지연현상은 항상 이슈로 부각되어 왔고 부팅지연 문제를 해결하기 위한 최적화 기술은 제품의 경쟁력을 강화하는 중요한 요소로 자리매김하고 있다. 이러한 최적화 기술은 해를 거듭 할수록 발전하고 있지만 대부분 리눅스 환경을 기준으로 적용된 기술이 주를 이루고 있으며, 최근 몇 년 전부터 사용량이 급격하게 증가한 안드로이드 환경에서 적용된 사항은 아직 미흡한 형태이다. 또한, 현재 출시되고 있는 임베디드기기에서는 대부분 멀티 코어 아키텍처를 채택하였지만 순차적인 부팅 흐름의 한계에 부딪혀 싱글 코어와 동일한 수준으로 부팅을 수행하고 있다.</p><p>본 논문에서는 기존 기술에서 고려하지 않았던 멀티 코어환경에서 안드로이드의 부팅 속도 향상 방법에 대해 제안한다. 제안방법은 기존 부트 프로세스를 분석한 뒤 속도 저하 요인을 찾고 해당 프로세스에 병렬 기법을 적용하는 방법과 기존의 CPU 주파수 정책을 변경하는 방법으로 구분된다.</p>	본 논문에서는 스마트 폰과 스마트 TV, 디지털 카메라, 내비게이션, 차량용 블랙박스 등과 같은 어떤 기기에 대해 연구하고자 하는가?	임베디드기기
{ "answer_type": "다지선다형", "context_id": "7347ec00-825e-4f5a-b270-5d056a140db8", "field": "인공물", "question_id": "d7af5447-5bae-4974-b2d2-0fcc19f53286" }	<h1>3. 실험 및 고찰</h1><h2>3.1 실험</h2><p>구현한 시스템은 다양한 액화가스 저장탱크 중에서도 \( \mathrm{LCO}_{2} \) 탱크에 적용하여 가능성(feasibility)을 검증하였다. 실험에 사용한 저장탱크는 용량 \( 16,179 l \) 및 내경 \( 1,920 \mathrm{mm} \)이고, 의 밀도는 \( 1.03 \mathrm{g} / l \) 이다. Table 1은 수주밀리미터 단위의 \( \mathrm{LCO}_{2} \) 액면 높이 대비 기존 저장 탱크 공급업체에서 제공하는 참조 데이터와 측정 데이터를 비고한 것이다. 측정 데이터는 실제적으로 \( 100\mathrm{mm}\mathrm{H}_{2} \mathrm{O} \) 간격으로 측정을 수행하였으며, 200회 측정 후 상위 \( 25 \% \)와 하위 \( 25 \% \)데이터 값을 제거하고 나머지 100회 데이터의 평균값으로 구한 것이다.</p><h2>3.2 결과 및 고찰</h2><p>측정한 결과 탱크 공급업체에서 제공하는 표준 데이터와 거의 유사한 특성을 보였고, 오차 범위 \( 0.03 \% \) 내의 높은 정확도와 신뢰성을 가짐을 확인하였다. 다음 결과로 산업용 가스저장 탱크를 모니터링하기 위한 제어시스템으로 적용 가능할 것으로 판단되며, 향후 인터넷 통신을 통한 주요 모니터링 시스템 및 모바일 시스템과의 연동이 가능할 것으로 예상된다.</p>	높은 정확도와 신뢰성을 가짐을 확인한 오차 범위는 몇 퍼센트지?	\( 0.03 \% \)
{ "answer_type": "정답경계추출형", "context_id": "7847cb9f-5bbc-48c2-90d8-4e7a83189576", "field": "인공물", "question_id": "ac787ac4-1fd2-4c6b-aba9-3169f20cc26a" }	<h1>1. 서 론</h1><p>IoT기술, 유·무선 통신 및 데이터처리 기술 등의 발달은 온라인 정보통신 기술이 오프라인 산업 현장에 적용되는 혁신적 변화를 가져왔다. 오프라인 산업 생산 시설에 통신 기술을 적용하고 스마트 플랫폼을 기반으로 IoT 융합 기술을 산업현장에 적용하면서 산업인터넷 (Industrial Internet)이란 기술 분야가 등장였으며, 산업인터넷 컨소시엄이 구축되면서 적용 범위가 점차 확대되고 있다. 또한, 스마트 공장과 예측수리가 가능한 스마트 시스템은 제조 라인의 생산력 및 편의성, 안전성을 극대화 할 수 있는데 관련 스마트 융합 기술들을 오프라인 제조공장인 산업 현장에 적용하면서 장치산업에 다양한 변화와 혁신을 가져왔다.</p><p>여기서 다루게 될 특수가스 분야 또한 최근까지 반도체 산업 및 디스플레이 산업, ICT 융합 전자 산업 등 관련 분야의 지속적인 성장에 의해 수요가 증가하고 있는 실정이며, 현 산업 기술 수준에 맞춰 설비의 업그레이드를 요구하고 있다. 특히, 액화가스 저장용기인 탱크의 경우 취급 중에 발생할 수 있는 안전사고로 인해 인적이 드문 곳에 설치되고 있는 상황이며, 액화가스 저장탱크에 부착된 아날로그 방식의 압력계와 액면계는 측정 정확도가 높은 고가의 장비임에도 작업자의 상태 및 숙련도에 따라 부정확한 가스 잔량 측정이 이루어지는 경우가 많았다.</p><p>본 논문에서는 무선 센서 네트워크 기술을 사용하여 산업현장 위험지역에서 작업자들의 안전을 확보하고, 실시간 모니터링을 통해 작업의 효율 및 작업자의 편의를 높이기 위한 시스템을 제안하고자 한다. 구현할 시스템은 산업용 액화가스 저장용 탱크에 부착할 센서부와 송신 모듈 및 수신 모듈로 구성된다. 여기서 센서부는 정밀한 측정을 위해 차압센서를 사용하고 탱크 외부에 설치된 송신 모듈로 데이터가 수집되도록 한다. 수집된 데이터는 무선통신 방식으로 송신 모듈에서 수신 모듈로 데이터가 전달이 되고 네트워크 연결에 의해 모니터링 시스템으로 전송되도록 한다, 최종적으로는 인터넷 통신을 통해서 공급자가 어디에서든 데이터 정보에 대한 모니터링이 가능하도록 구축하는데, Fig. 1은 잔존 가스량을 모니터링하기 위한 시스템의 전체 개략도를 보여준다.</p>	산업인터넷 (Industrial Internet)의 적용 범위는 무엇이 구축되면서 확대되었지?	산업인터넷 컨소시엄
{ "answer_type": "Yes/No 단문형", "context_id": "97ac7ce3-6582-4c48-8b1b-f000f45b896d", "field": "인공물", "question_id": "7ea22c32-9c54-4c71-a986-431338dd564d" }	<h1>4. 결 론</h1><p>오늘날 IoT기술, 유·무선 통신 및 데이터처리 기술 등의 발달은 오프라인 산업 현장에도 혁신적 변화를 가져왔다. 특히 스마트 공장과 예측수리가 가능한 스마트시스템은 제조 라인의 생산력 및 편의성, 안전성을 극대화하고 관련 스마트 융합 기술들을 제조공장에 적용하면서 다양한 장치산업에 변화와 혁신을 가져왔다.</p><p>본 논문 내용은 최근까지 반도체 산업 및 디스플레이 산업, ICT 융합 전자 산업 등 관련 분야의 지속적인 성장에 의해 수요가 증가하고 있는 특수가스 분야에서 액화가스 저장 탱크를 모니터링 하기 위한 기술에 관한 것이다. 취급 중에 발생할 수 있는 안전사고로 인해 인적이 드문 곳에 설치되고 있는 상황이며, 가스저장 탱크에 부착된 아날로그 방식의 압력계와 액면계는 측정 정확도가 높은 고가의 장비임에도 작업자의 상태 및 숙련도에 따라 부정확한 가스 잔량 측정이 이루어지는 경우가 많았다. 따라서 무선 센서 네트워크 기술을 사용하여 실시간 모니터링을 수행하기 위한 시스템을 제안하였고, 액화가스 저장용 탱크에 부착할 센서부와 송신 모듈 및 수신 모듈로 구성된 시스템을 구현 하였다.</p><p>본 시스템은 다양한 액화가스 저장탱크 중에서도 \( \mathrm{LCO}_{2} \) 탱크에 적용하여 가능성을 검증하였는데, 실험에 사용한 저장 탱크는 용량 \( 16,179 l \) 및 내경 \( 1,920 \mathrm{mm} \)이고, 의 밀도는 \( 1.03 \mathrm{g} / l \) 이였다. 이렇게 측정된 데이터는 기존 저장 탱크 공급업체에서 제공하는 수주밀리미터로 표기된 \( \mathrm{CO}_{2} \) 액면 높이 대비 가스 잔량에 대한 참조 데이터와 비교하여 적용 가능성을 평가하였다. 실험한 결과 탱크 공급업체에서 제공하는 표준 데이터와 거의 유사한 특성을 보였고, 오차 범위 \( 0.03 \% \) 내의 높은 정확도와 신뢰성을 가짐을 확인하였다.</p><p>여기에 확보된 데이터는 RF 무선 통신을 통해 수신 모듈로 전송하고, 네트워크로 연결된 수신 모듈을 통해 공급자가 인터넷 통신으로 어디서든 데이터 정보에 대한 모니터링 가능함을 확인하였다.</p>	오늘날 IoT기술, 유·무선 통신 및 데이터처리 기술 등의 발달은 오프라인 산업 현장에도 혁신적 변화를 가져왔습니까?	YES
{ "answer_type": "표정답추출형", "context_id": "e3211bf5-d482-4b04-9efe-b2bbd9d17fb2", "field": "인공물", "question_id": "8e1ae942-a5c5-4161-b198-ef61c656e3a6" }	<h1>Ⅲ. 실험 및 고찰</h1> <h2>1. Verilog-HDL 시뮬레이션</h2> <p>이 절에서는 제안된 구조를 HDL로 시뮬레이션하여 구조의 효과를 검증한다. H.264의 디블로킹 필터에 들어오는 입력데이터는 integer transform과 quantization 블록을 거쳐서 들어오게 된다. \( \mathrm{bS}=4 \)모드에서의 필터링 실험을 위하여 식 (1)조건식의 파라미터 \( \alpha \)와 \( \beta \)를 알아야한다. \( \alpha \)와 \( \beta \)는 표준안에서 정의된 임계값으로서, 다음과 같이 결정된다.</p> <p>\( \alpha(x)=0.8\left(2^{\frac{x}{6}}-1\right)\)<caption>(15)</caption></p> <p>\( \beta(x)=0.5 x-7 \)<caption>(16)</caption></p> <p>식 (15)와 (16)의 \(\mathrm{x}\)값은 각각 IndexA와 IndexB로 나타내며, 다음과 같이 구한다.</p> <p>IndexA \( =\mathrm{Min}(\mathrm{Max}(0, \mathrm{QP}+ \)Offset \( \mathrm{A}), 51)\)<caption>(17)</caption></p> <p>IndexB \( =\mathrm{Min}(\mathrm{Max}(0, \mathrm{QP}+ \)OffsetB \( ), 51)\)<caption>(18)</caption></p> <p>식 (17)과 (18)에서 사용되는 QP(quantization parameter)값은 quantization 블록에서 이미 구한 값이다. IndexA와 IndexB에 의해 결정되는 \( \alpha \)와 \( \beta \)를 Index 별로 유도하여 표로 나타내면 표 1 과 같다.</p> <p>또한 \( \mathrm{bS}=1 / 2 / 3 \)모드에서의 필터링 실험을 위하여 식 (10)과 (14)조건식의 파라미터 \( c_{1} \)과 \( c_{0} \)를 알아야한다. 먼저 \( c_{1} \)은 IndexA와 \( \mathrm{bS} \)값으로 결정되며 표 2와 같다. \( c_{0} \)파라미터는 \( c_{1} \)의 값을 근거로 하여 결정되는데 \(\mathrm{MB}\)이 luma Block이면 다음 조건에 따라 달라진다.</p> <p>\( \left\|p_{2}-p_{0}\right\|<\beta \\ \left\|q_{2}-q_{0}\right\|<\beta \)<caption>(19)</caption></p> <p>조건이 하나라도 참이면 \( c_{0} \)는 \( c_{1} \)에 1 을 더하고 둘다 참이면 2 를 더한다. 둘 다 거짓이면 \( c_{0}=c_{1} \)이 된다. \( \mathrm{MB} \)이 chroma 블록이면 \( c_{0}=c_{1}+1 \)이 된다.</p> <p>HDL시뮬레이션에 앞서 제안된 구조와 기본구조의 덧셈연산의 수를 비교해 보면 다음과 같다. 비교된 기존 구조는 \( \mathrm{bS} 4 \)필터는 식 (2)와 (3)을 직접 구현하는 경우이며, bS \( 1 / 2 / 3 \)필터는 식 (8)과 (9)를 직접 구현한 경우이다. 제안 구조는 기존 구조와 비교하여 표 3 과 같은 덧셈 연산의 감소를 달성하였다.</p> <p>표 3 은 이론적인 제안구조의 덧셈연산 감소이다. 따라서 그림 2 와 3 의 제안구조를 Verilog- HDL코딩하여 기존 구조와 비교한 결과를 표 4에 나타냈다.</p> <p>표 4는 제어 및 모드결정을 제외한 순수 필터부분의 HDL코딩 결과이다. Xilinx ISE 7.1i를 사용하여 합성하였고 Mentor Graphics사의 modelSim을 이용하여 시뮬레이션 하였다.</p> <p>표 4 에서 보듯이 디블로킹 필터에 대한 제안 구조의 코딩 결과 \( 24.9 \% \)의 게이트 카운트 감소효과를 얻을 수 있었다.</p> <p>디블로킹 필터는 필터회로와 제어 및 모드결정 (Control & mode select)회로로 구성되었으므로 전체 디블로킹 필터를 HDL로 코딩하여 제안구조의 게이트 카운트률 비교해보기로 한다. 그림 4는 디블로킹 필터의 HDL코딩을 위한 블록도이다. 제어 및 모드결정 블록은 조건에 따라 \( \mathrm{bS} \)의 값을 결정하는 블록이다. 또한 \( \mathrm{MB} \)단위로 입력된 데이터들의 해더를 분석하고 필터링에 필요한 \( \mathrm{p} \)배열과 \( \mathrm{q} \)배열을 재배열하여 다음 필터링에 사용 할 수 있도록 한다. 즉 수직 경계를 필터링 한 후 결과 값을 Memory 블록에 저장하고 있다가 수평 경계 필터링 할 때 사용되도록 제어한다.</p> <p>실험을 위한 데이터의 흐름은 그림 5와 같이 구성하였다. 즉, 그림 5에서 보듯이 8 개의 입력이 한 번에 필 터부에 들어가서 필터링 되고 필터의 출력 중 다음연산에 필요한 4 개의 출력은 피드백 되어 다시 필터로 들어가고 다른 4 개의 출력은 나중에 수평 경계 필터에 사용되기 위해 메모리에 저장된다. 메모리에 256 개의 데이터가 저장되면 수평방향 필터링이 시작되고 수평방향 필터링된 값은 최종 출력으로 나간다.</p> <p>제어 및 모드결정을 포함한 디블로킹 필터 전체의 HDL코딩 결과는 다음 표 5 와 같다.</p> <p>표 5 에서 보듯이 제어 및 모드결정을 포함한 전체 디블로킹 펄터에 대한 제안 구조의 코딩 결과 \( 19.5 \% \)의 게이트 카운트 감소효과를 달성할 수 있었다</p> <p>검증을 위한 입력신호로서 Foreman(CIF)의 영상을 사용하였고 입력값을 8 비트 2진수로 변화하여 입력하였다. 4 개의 입력이 들어갈 때 마다 헤더 정보가 함께 들어가게 되고 출력은 첫 입력이 들어가고 나서 256 클럭 후에 출력이 나온다.</p> <p>그림 6은 modelSim을 사용한 출력 타이밍도이다. 제안구조는 MUX와 DEMEX를 사용하기 때문에 메인 클럭을 분주하여 2개의 클럭를 사용하며 클럭 generator를 이용하여 만들어 사용하였다.</p> <h2>2. FPGA 구현</h2> <p>이 절에서는 실제 FPGA Device에 설계된 디블로킹 필터를 합성하여 구현하여 제안 구조의 효율성을 비교한다. 구현에 사용된 Device는 Xilinx사의 spartan2 xc2s200을 사용하였다. Xilinx ISE 7.1i은 기본적으로 XST(Xilinx synthesis technology)라는 synthesis program을 사용한다. 시뮬레이션용 RTL 코드를 FPGA 구현용 코드로 수정하여 게이트 카운트를 비교한 결과를 표 6과 7에 나타냈다.</p> <p>FPGA 게이트 카운트의 결과도 Verilog-HDL의 게이트 카운트와 유사한 결과를 얻었다. 즉, 기존구조와 비교하여 \( 19.4 \% \) 의 감소 효과를 얻었다.</p> <p>마지막 실험으로써 FPGA에서의 소자사용 수를 비교해보면 다음과 같다. logic cell의 세부 항목인 Slice Flip Flops과 4 input LUTs의 사용 수를 기존 구조와 비교한 결과를 표 8 에 나타냈다.</p> <table border><caption>표 8. 제안된 디블로킹 필터의 FPGA Device 소자 사용수</caption> <tbody><tr><td>구분</td><td>Logic Utilization</td><td>Used</td><td>Available</td><td>Utilization</td></tr><tr><td rowspan=2>기존 구조</td><td>Sice Fip Flops</td><td>529</td><td>4,704</td><td>\(11\%\)</td></tr><tr><td>4 input LUTs</td><td>818</td><td>4,704</td><td>\(17\%\)</td></tr><tr><td rowspan=2>제안 구조</td><td>Slice Fip Flops</td><td>469</td><td>4,704</td><td>\(9\%\)</td></tr><tr><td>4 input LUTs</td><td>731</td><td>4,704</td><td>\(15\%\)</td></tr></tbody></table>	본문의 표 8에서 기존 구조 Sice Fip Flops의 Used값은 얼마야?	529
{ "answer_type": "정답경계추출형", "context_id": "2cdcefa4-1757-40ef-9a43-146ca62b3cc6", "field": "인공물", "question_id": "6fe2a484-9cb3-418d-84ce-f170e77a381c" }	<h1>요 약</h1><p>전기 임피던스 단층촬영 기법은 대상체 표면의 전극들을 통해 주입시킨 전류 데이터와 이에 유기되는 측정 전압 데이터를 기반으로 내부의 도전율 분포를 가시화하는 기법이다. 이 논문에서는 완전전극 모델을 사용한 해석적방법의 해법을 유도하고 전압을 계산하였다. 그리고 기존의 수치적 해법인 유한 요소법과 경계 요소법을 사용하여 전압 데이터를 또한 계산하였다. 배경이 균질한 경우와 비균질한 경우에 대해 각 정문제 해법의 해를 실험 데이터와 비교하였다. 그리고 평균 제곱근 오차를 계산하여 정문제 해법들의 오차를 비교분석하였다.</p><h1>I. 서론</h1><p>전기 임피던스 단층촬영 기법(electrical impedancetomography, EIT)은 관심 대상체의 표면에 일정한 간격으로 부착된 전극들을 통해 일련의 전기적 신호(전류)를 인가하면 대상체 내부에 유기되는 전압 신호를 전극들을 통해 측정하며, 이들 주입 전류와 측정 전압 데이터를 기반으로 내부의 도전율 분포를 영상으로 가시화하는 기법이다. EIT는 비파괴 방식의 단층촬영 기법들 중의 하나로서, 인체에 무해하고 하드웨어 설계비용이 낮으며, 특히 순간 해상도가 상대적으로 우수하다. 그러므로 이상(two-phase) 유동 공정이나 인체의 흉부 등을 모니터링하기에 적합하므로, 산업 공정과 지질학 및 의공학 등 여러 분야에서 모니터링 도구로 주목받고 있다. EIT는 일반적으로 정문제(forward problem)와 역문제(inverse problem)로 구분된다. 정문제는 대상체 내부의 도전율 분포를 가정한 후, 전극들을 통해 전류 신호를 인가했을 때 내부에 유기되는 전압 데이터를 계산하는 과정을 말한다. 그리고 역문제는 주입전류와 측정 전압을 기반으로, 계산 전압과 측정 전압과의 차이를 최소화하면서 내부의 도전율 분포를 추정하고 이를 영상으로 가사화하는 과정이다.</p><p>위에 언급된 역문제 과정에서, 전압 측정 시 EIT시스템의 측정 오차가 최소라고 가정했을 때, 균질의 또는 비균질의 도전율 분포를 실제에 근접하게 추정한다는 것은 계산 전압을 보다 정확하게 계산해야 한다는 것을 의미한다. 그리고 보다 정확한 계산 전압데이터를 얻으려면 보다 정밀한 정문제의 해법(solver)이 필요하다. 그러므로 이 논문에서는 EIT 정문제의 해법에 대해서만 서술하고자 한다. 지금까지 여러 방법들을 이용한 다양한 정문제 해법들이 개발되었다. 예를 들어, 해석적 방법 그리고 유한 요소법(finite element method)과 유한 차분법(finite difference method)과 경계요소법(boundary element method) 및 무요소법(meshless method)과 같은 수치적 방법 등이다. 그리고 정문제의 전극 모델에는 갭(gap) 모델과 션트(shunt) 모델 및 완전전극 모델 등이 있으며, 그중에서 완전전극 모델이 실험 데이터와의 오차가 가장 낮다. 그러므로 이 논문에서는 완전전극모델을 이용한 정문제만을 다루고, EIT에서 주로 사용되고 있는 방법인, 해석적 방법과 유한 요소법 및 경계 요소법에 관해 좀 더 상세히 다루고자 한다.</p><p>우선 해석적 방법에서는 2차원 원형 구조에서 주로갭 모델을 사용하고 변수 분리법을 이용하여 정문제의 해를 계산하였다. 이 논문에서는 푸리에 급수를 이용하여 완전전극 모델의 정문제 해법을 유도하고, 배경이 균질한 경우에 대해 비교분석할 때 기준으로 삼고자 한다. 한편 3차원의 mammography 구조에서 완전전극 모델을 이용한 해석적 방법은 참고문헌에 서술되어 있다. 그리고 유한 요소법에서는 도메인을 유한개의 아주 작은 원소(element)들로 세분화한 메시(mesh)를 사용하고 완전전극 모델의 정문제해법이 제안되었다. 그리고 경계 요소법에서는 관심 도메인의 경계면에서 전극과 갭 상의 세그먼트(segment)와 표적이 있는 경우에는 표적의 경계면 상의 세그먼트를 추가로 설정해 줌으로써 정문제 해법을 구할 수 있다 따라서 이 논문에서는 이들 세 가지 정문제 해법들과 팬텀 실험에 대해 상세히 서술하고, 배경이 균질한 경우와 비균질한 경우에 대해 RMSE(root meansquare error)를 계산하여 각 해법들의 성능을 비교분석하였다.</p>	EIT의 약자의 뜻은 무엇인가?	electrical impedancetomography
{ "answer_type": "정답경계추출형", "context_id": "26dc89a7-9c5b-4c60-ab57-3089f4de745f", "field": "인공물", "question_id": "351f773a-d435-4a18-85f1-c1083b94e26d" }	<h1>III. 실험 및 비교분석</h1><h2>1. EIT 실험</h2><p>그림 4는 실험에서 사용된 EIT 측정 시스템이다.그림 4(a)는 반지름이 \( 4 \mathrm{~cm} \)인 테스트용 팬텀으로, 높이가 \( 20 \mathrm{~cm} \)이고 폭이 \( 0.6 \mathrm{~cm} \)인 32 개의 전극이 팬텀 주위에 일정한 간격으로 부착되어 있다. 이 실험에서는 편의상 32개의 전극에서 하나씩 걸러 16개의 전극만을 EIT 시스템에 연결하여 사용한다. 그림 4(b)는 Agilent \( 4284 \mathrm{~A} \) LCR 미터로 전류를 주입시키기 위해 사용되고, 그림 4(c)는 Agilent \( 34970 \mathrm{~A} \) 멀터미터로 각 전극에서의 전압을 측정하기 위해 사용된다. 우선, 실온의 수돗물을 팬텀의 전극 높이 \( (20 \mathrm{~cm}) \) 까지 채운 후, \( 10 \mathrm{~mA} \) 의 전류를 인접 주입방법으로 전극들에 인가한다. 그리고 이에 유기되는 전압을 각전극을 통해 측정한다. 이 때 사용된 수돗물의 도전율 값은 대략 \( 83.6 \times 10^{-6} \mathrm{~S} / \mathrm{cm} \) 이다. 이 실험에서는 두 가지의 시나리오를 설정하고 데이터를 측정하였다. 첫 번째는 배경의 도전율이 균질한 경우로, 수돗물만 채워져 있는 경우이고, 두 번째는 팬텀의 도전율이 비균질한 경우로, 반지름이 \( 1 \mathrm{~cm} \) 인 아크릴 봉이 가운데에 하나 존재하는 경우이다.</p><h3>2. 비교분석</h3><p>이 절에서는 실험 데이터와 각 정문제 해법의 해를 비교분석하고자 한다. 이에 따라 각 정문제 해법의해를 구하기 위해 테스트 팬텀과 동일한 구조로 가상팬텀을 구성하고 시뮬레이션 하였다. 우선, 각 정문제 해법에 대해 설정된 공통 사항들은 다음과 같다. 관심 도메인을 반경이 \( 4 \mathrm{~cm} \) 이고 높이 가 \( 20 \mathrm{~cm} \) 인 원통형으로 간주하였다. 그리고 폭이 \( 0.6 \mathrm{~cm} \) 이고 높이가 \( 20 \mathrm{~cm} \) 인 16 개의 전극들이 가상 팬텀의 경계면에 일정한 간격으로 부착되어 있다고 가정하였다. 그리고 배경의 도전율 값은 수돗물의 도전율과 유사하게 \( 83.6 \times 10^{-5} \mathrm{~S} / \mathrm{cm} \) 로 설정하였고, 표적의 도전율 값은 \( 3 \times 10^{-10} \mathrm{~s} / \mathrm{cm} \) 이고 그 모양은 반경이 \( 1 \mathrm{~cm} \) 인 원통형으로 가정하였다. 그리고 접촉저항은 \( 0.005 \mathrm{Scm}^{2} \) 로 설정하고 모든 전극에서의 접촉저항은 동일하다고 가정하였다. 그리고 각 전극을 통해 인접주입방식으로 크기가 \( 10 \mathrm{~mA} \) 인 전류를 인가하고, 전극에 유도되는 전압을 계산하였다.</p><p>다음으로, 해석적 방법에서 필요한 사항은 다음과같다. 푸리에 급수의 개수는 \( N_{a}=8192 \) 로 춤분히 크게 설정하였다. 배경이 균질한 경우에는 완전전극 모델을 사용하여 전압을 계산하였고, 배경이 비균질한 경우에는 갭 모델을 개선한 ave-gap 모델을 사용하여 전압을 계산하였다. 왜냐하면 해석적 방법에서 비균질인 경우에는 완전전극 모델의 전압을 계산할 수가 없기 때문이다. 그리고 유한 요소법에서는 \( N_{b}=5761 \) 의 노드 개수와 11264개의 원소 개수를 갖는 조밀한 메시를 사용하여 전압을 계산하였다. 그리고 경계 요소법에서는 각 전극과 갭 상의 세그먼트의 개수를 각각 50으로 설정하였으므로, 전체 전극 상의 세그먼트 개수는 \( M_{E}=800 \) 이고 전체 갭 상의 세그먼트 개수는 \( M_{G}=800 \) 으로 설정하여 배경이 균질 한 경우의 전압을 계산하였다. 그리고 표적 경계면상의 세그먼트의 개수는 \( M_{C}=200 \) 로 설정하여 배경이 비균질한 경우의 전압을 계산하였다.</p><p>\( L=16 \) 개의 전극에 인접 전류 주입방법을 적용하는 경우에는 16개의 전류패턴에 대한 전압 데이터가 측정이 되는데, 그 중 첫 번째 패턴에 대한 전압 데이터를 그림 5에 도시하였다. 이는 첫 번째 전류패턴에서 전극 1과 전극 2를 각각 소스(source)와 싱크 \( (\operatorname{sink}) \) 로 사용하여 전류를 주입시키고 모든 전극에서 전압을 측정한 후에 식 (5)의 제약조건을 직용한 결과이다. 그림 \( 5(\mathrm{a}) \) 는 배경이 균질한 경우이고 그림 \( 5(\mathrm{~b}) \) 는 배경이 비균질한 경우이다. 실험 데이터 \( \left(\mathrm{V}_{\text {exp }}\right) \) 는 \( \rightarrow \)-로, 유한 요소법에 의한 전압 데이터 \( \left(V_{\text {tem }}\right) \) 는 \( \Theta \) 로, 경계 요소법에 의한 전압 데이터 \( \left(\mathrm{V}_{\text {bem }}\right) \) 는 \( \square \) 로, 해석적 방법에 의한 전압 데이터 \( \left(\mathrm{V}_{\text {ana }}\right) \) 는 \( - \) 로 각각 표시하였다.</p><p>그림 5에서 보는 바와 같이, 전극 1과 전극 2에서의 전압값을 제외하고는 대체적으로 모든 해법들의 전압 데이터들이 각 전극에서 서로 비슷하게 나타나고 있다. 그리고 배경이 균질한 경우와 비균질한 경우에 대한 전압 데이터를 비교해 보면 이 또한 전압값들이 서로 유사하다. 이는 인접 주입방법의 특성때문이다. 즉, 이 방법은 경계면에서 특히 소스와 싱크에 해당되는 전극에서 감도가 아주 우수한 반면에, 도메인의 중앙에서 감도가 가장 낮기 때문이다. 그러므로 첫 번째 전류패턴에서는 전극 1과 전극 2에서 각각 가장 큰 값과 가장 작은 값을, 나머지 전극에서는 비슷한 값들을 나타낸다. 그리고 균질한 경우와 비균질한 경우에 서로 유사한 전압 그래프를 보인다.</p><p>그림 6은 각 주입패턴에 따른 RMSE(root meansquare error)를 보여주고 있다. 그림 6(a)는 배경이균질한 경우로 \( V_{\mathrm{ann}} \) 를 기준으로 하여 각 해법들의 RMSE를 계산한 결과이고, 그림 \( 6(\mathrm{~b}) \) 는 배경이 비균질한 경우로 \( \mathrm{V}_{\text {bern }} \) 을 기준으로 계산한 RMSE 그래프이다. 여기서 비균질의 경우에 경계 요소법을 기준으로 삼은 이유는 두 가지다. 첫 번째는 해석적 방법에 사용된 ave-gap 모델은 정확도가 다소 떨어지기 때문이고, 두 번째는 균질의 경우에서 경계 요소법의 해법의 RMSE가 가장 낮은 오차를 보이고 있기 때문이다. 추가로, 각 해법에 대한 전체 RMSE는 표 1에나타내었다. 그림 6과 표 1의 RMSE에서 알 수 있는 바와 같이, 배경이 균질한 경우에 해석적 방법의 해와 경계요소법의 해와의 오차가 가장 낮고, 다음으로 실험데이터와의 오차가 약간 크며, 유한 요소법의 해와의 오차가 가장 크게 나타나고 있다. 유한 요소법에서 도메인 내부를 더 세분화하여 원소의 개수를 증가시킨다면 해법의 정확도가 향상될 것으로 사료된다. 하지만 그만큼 계산시간은 더 증가하게 된다. 그리고 각 해법의 그래프가 패턴에 따라 일정하게 나타나는 이유는 모든 전극에서의 접촉저항을 동일한 값으로 설정했기 때문이다. 그리고 실험 데이터에서 오차가 다소 큰 이유는 사용된 팬텀의 노화로 인하여 각 전극에서의 접촉저항이 서로 다르고, 측정과정에서 측정오차가 비교적 높게 나타난 것으로 사료된다.</p><p></p><p>도메인 내부를 더 세분화하여 원소의 개수를 증가시킨다면 해법의 정확도가 향상될 것으로 사료된다. 하지만 그만큼 계산시간은 더 증가하게 된다. 그리고각 해법의 그래프가 패턴에 따라 일정하게 나타나는 이유는 모든 전극에서의 접촉저항을 동일한 값으로 설정했기 때문이다. 그리고 실험 데이터에서 오차가 다소 큰 이유는 사용된 팬텀의 노화로 인하여 각 전극에서의 접촉저항이 서로 다르고, 측정과정에서 측정오차가 비교적 높게 나타난 것으로 사료된다.</p>	그림 4는 실험에서 측정 시스템은 뭐야?	EIT 측정 시스템
{ "answer_type": "정답경계추출형", "context_id": "062831ad-b682-4588-b01d-b48d4563b464", "field": "인공물", "question_id": "ae5882c0-4279-437f-a2ed-0b9b4f8e1b5d" }	<h1>II. 정문제 해법</h1><h2>1. 정문제</h2><p>EIT 정문제에서 내부의 도전율 분포와 전압과의 물리적 관계는 적절한 경계조건을 갖는 편미분방정식으로 기술되는데, 수학적으로 다음과 같이 표현된다. 즉, 관심 대상체 \( \Omega \) 의 내부에 임의의 도전율 분포 \( \sigma \)가 주어지고 도메인의 표면 \( S \) 에 부착된 전극 \( \epsilon_{l} \) 을 통해 전류 \( I_{l} \) 을 주입시키면, 내부에 유기되는 전기 퍼텐셜 (potential) \( u \) 를 계산활 수 있다. 이는 다음과 같이완전전극 모델의 노이만(Neumann) 형의 경계조건을 갖는 라플라스 방정식으로 기술된다.</p><p>\( \nabla \cdot \sigma(p) \nabla u(p)=0, p=(x, y) \) in \( \Omega \)<caption>(1)</caption></p><p>\( u(p)+z_{l} \sigma(p) \frac{\partial u(p)}{\partial \nu}=U_{l} \) on \( e_{l}, l=1,2, \ldots, L \)<caption>(2)</caption></p><p>\( \int_{\epsilon_{i}} \sigma(p) \frac{\partial u(p)}{\partial \nu} d S=I_{l} \) on \( \epsilon_{l}, l=1,2, \ldots, L \)<caption>(3)</caption></p><p>\( \sigma(p) \frac{\partial u(p)}{\partial \nu}=0 \) on \( S \backslash \bigcup_{l=1}^{L} e_{l} \)<caption>(4)</caption></p><p>여기서 \( z_{l} \) 은 \( l \) 번째 전극 \( e_{l} \) 의 접촉저항이고, \( \nu \) 는 단위법선벡터이고, \( U \), 는 \( l \) 번째 전극 \( e_{1} \) 에서의 전압이고, \( L \)은 전체 전극의 수이다. 부가적으로, 전류와 전압에 대해 다음과 같은 두 가지 제약조건이 필요하다. 이는 각각 해의 존재성과 유일성에 해당되는 조건이다.</p><p>\( \sum_{l=1}^{L} I_{l}=0, \quad \sum_{l=1}^{L} U_{l}=0 \)<caption>(5)</caption></p><p>다음 절에서는 해석적 방법과 수치적 방법 등을 이용한 정문제 해법에 대해서 기술하고자 한다. 이 논문에서는 관심 도메인을 주로 널리 사용되고 있는 \( 2 \mathrm{D} \) 원형 도메인으로 가정하고 정문제의 해를 구하고자 한다.</p><h2>2. 해석적 방법에 의한 해법</h2><p>그림 1 의 \( 2 \mathrm{D} \) 원형 도메인에서 \( l \) 번쪠 전극 \( e_{l} \) 은 반지름 \( r_{0} \) 와 각도 \( \theta \) 의 함수로 표현될 수 있다. 즉, 여기서 \( r_{0} \) 는 원형 도메인의 반경이고, \( \theta_{l} \) 은 \( l \) 번째 전극의 중심각도이며, \( f \) 는 다음과 같이 정의된다.</p><p>\( e_{l}=\left\{\left(r_{0}, \theta\right) \mid \theta_{l}-\frac{f \delta \theta}{2} \leq \theta \leq \theta_{l}+\frac{f \delta \theta}{2}\right\} \)<caption>(6)</caption></p><p>\( f \equiv \frac{\theta_{\epsilon_{i}}}{\delta \theta}(0 \leq f \leq 1) \)<caption>(7)</caption></p><p>여기서 \( \theta_{e_{i}} \) 은 l번째 전극의 전체각도이고 \( \delta \theta \) 는 도메인을 전극의 개수로 나눈 각, 즉, \( \delta \theta \equiv 2 \pi / L \) 이다.</p><p>해석적 방법에서 정문제의 해를 구하려면 내부의전기 퍼텐셜 \( u \) 와 전극에서의 전압 \( U \),에 대해 이산화를 해야 한다. 먼저 내부의 전기 퍼텐셜 \( u \) 는 다음과 같이 표현할 수 있다.</p><p>\( u(p)=u(r, \theta)=\sum_{n=1}^{\infty} a_{n} o_{n}(r, \theta) \approx \sum_{n=1}^{N_{n}} a_{n} o_{n}(r, \theta) \)<caption>(8)</caption></p><p>여기서 \( r \) 은 \( 0 \leq r \leq r_{0} \) 이고, \( a_{n} \) 는 이산화된 전압값이고, \( N_{a} \) 은 푸리에 급수의 개수이며, \( O_{n}(r, \theta) \) 는 다음과 같이 표현되는 기저함수이다.</p><p>\( \phi_{n}(r, \theta)=\left\{\begin{array}{l}r^{n} \cos (n \theta), n=1,2, \ldots . N_{a} / 2 \\ r^{\left(n-N_{e} / 2\right)} \sin \left(\left(n-N_{a} / 2\right) \theta\right), n=N_{a} / 2+1, \ldots . N_{a}\end{array}\right. \)<caption>(9)</caption></p><p>그런데 기저함수에서 \( N_{a} \) 가 커질수록 기저함수는 크게 증가하게 된다. 이렇게 되면, 정문제에서 시스템 행렬이 특이(singular) 행렬이 되어 해를 구할 수 없게 된다. 그러므로 이런 문제를 해결하기 위해 반지름 매핑(mapping)을 한다. 즉, 반지름에 대한 정규화(normalization)를 해 줌으로써 기저함수가 커지는 것을 해결할 수 있다..</p><p>\( 0 \leq r \leq r_{0} \rightarrow 0 \leq \hat{r} \leq 1 \)<caption>(10)</caption></p><p>여기서 \( \hat{r}=r / r_{0} \) 이다. 따라서 식 (1) ～ 식 (4)에 대해 반지름 매핑을 하면 다음과 같이 단위 원형 도메인 \( \hat{\Omega} \) 에서의 정문제로 바꿀 수 있다.</p><p>\( \hat{\nabla} \cdot \sigma(\hat{r}, \theta) \hat{\nabla} u(\hat{r}, \theta)=0 \) in \( \hat{\Omega} \)<caption>(11)</caption></p><p>\( u(\hat{r}, \theta)+\hat{z}_{l} \sigma(\hat{r}, \theta) \frac{\partial u(\hat{r}, \theta)}{\partial \hat{r}}=U_{l} \) on \( \hat{e}_{l} \)<caption>(12)</caption></p><p>\( \int_{\dot{e}_{1}} \sigma(\hat{r}, \theta) \frac{\partial u(\hat{r}, \theta)}{\partial \hat{r}} d \hat{S}=I_{l} \) on \( \hat{e}_{l} \)<caption>(13)</caption></p><p>\( \sigma(\hat{r}, \theta) \frac{\partial u(\hat{r}, \theta)}{\partial \hat{r}}=0 \) on \( \hat{S} \backslash \bigcup_{l=1}^{L} \hat{e}_{l} \)<caption>(14)</caption></p><p>여기서 \( r^{\prime} \)는 정규화된 도메인의 파라미터를 의미하고, \( \hat{z}_{l}=z_{l} / r_{0} \) 이다. 그리고 식 (9)의 기저함수 또한 반지름매핑을 한 후, 위의 관계식들에 적용시키면 정문제의 해를 구할 수 있다.</p><p>그리고 전극에서의 전압 \( U \) 는 다음과 같이 표현할수 있다.</p><p>\( U \approx U^{h}=\sum_{l=1}^{L-1} \beta_{l} F_{l} \)<caption>(15)</caption></p><p>여기서 \( \quad F_{1}=[1,-1,0, \ldots, 0]^{T}, \quad F_{2}=[1,0,-1,0, \ldots, 0]^{T} \in \mathbb{R}^{L} \) 등이고 \( \beta \),은 추후 결정되는 계수이다. 이 벡터들은 식(5)의 전압에 대한 제약조건을 충족시키기 위해 사용되었다.</p><p>따라서 식 (8)과 식 (15)를 완전전극 모델의 변분해법(variational formulation)[6]에 대입하고 정리하면, 다음과 같은 행렬 형태의 선형 방정식을 얻을 수 있다.</p><p>\( A b=f \)<caption>(16)</caption></p><p>여기서 \( A \) 는 시스템 행렬, \( b \) 는 해 벡터, \( f \) 는 데이터 벡터이다. 각 변수에 대한 정의는 다음과 같다.</p><p>\( b=[\alpha, \beta]^{T} \)<caption>(17)</caption></p><p>\( \alpha=\left[\alpha_{1}, \alpha_{2}, \ldots, \alpha_{N}\right]^{T} \in \mathbb{R}^{N_{6}} \)<caption>(18)</caption></p><p>\( \beta=\left[\beta_{1}, \beta_{2}, \ldots, \beta_{L-1}\right]^{T} \in \mathbb{R}^{L-1} \)<caption>(19)</caption></p><p>\( f=[0, \bar{I}]^{T} \)<caption>(20)</caption></p><p>\( 0=[0,0, \ldots, 0]^{T} \in \mathbb{R}^{N} \)<caption>(21)</caption></p><p>\( \bar{I}=\left[I_{1}-I_{2}, I_{1}-I_{3}, \ldots, I_{1}-I_{L}\right]^{T} \in \mathbb{R}^{L-1} \)<caption>(22)</caption></p><p>\( A=\left[\begin{array}{cc}B & C F \\ (C F)^{T} & F^{T} D F\end{array}\right] \in \mathbb{R}^{\left(N_{c}+L-1\right) \times\left(N_{a}+L-1\right)} \)<caption>(23)</caption></p><p>\( \begin{aligned} B_{n, m}=& \int_{\bar{\imath}} \sigma \nabla \hat{O}_{n} \cdot \nabla \hat{O}_{m} d \hat{p}+\sum_{l=1}^{L} \frac{1}{\hat{z}_{l}} \int_{\hat{\theta}_{i}} \hat{O}_{n} \hat{O}_{m} d \hat{S} \\ & n, m=1,2, \ldots, N_{a} \end{aligned} \)<caption>(24)</caption></p><p>\( C_{n, l}=-\frac{1}{\hat{z}_{l}} \int_{\hat{\varepsilon}_{i}} \hat{O}_{n} d \hat{S}, n=1,2, \ldots, N_{a}, l=1,2, \ldots, L \)<caption>(25)</caption></p><p>\( F=\left[\begin{array}{cccc}1 & 1 & \cdots & 1 \\ -1 & 0 & \cdots & 0 \\ 0 & -1 & \cdots & 0 \\ 0 & 0 & \cdots & 0 \\ \vdots & \vdots & \ddots & 0 \\ 0 & 0 & \cdots & -1\end{array}\right] \in \mathbb{R}^{L \times(L-1)} \)<caption>(26)</caption></p><p>\( D\left(\mid \hat{e}_{l} / \hat{z}_{l}\right)=\operatorname{diag}\left[\left\|\hat{e}_{1}\right\| / \hat{z}_{1},\left\|\hat{e}_{2}\right\| / \hat{z}_{2}, \ldots, \mid \hat{e}_{L} / / \hat{z}_{L}\right] \)<caption>(27)</caption></p><p>여기서 \( \left\|\hat{e}_{l}\right\| \) 는 단위 원형 도메인에서 \( l \) 번쪠 전극 \( \hat{e}_{l} \) 의 면적이다.</p>	본문에서 \( L \)이 의미하는 것은 뭐지?	전체 전극의 수
{ "answer_type": "정답경계추출형", "context_id": "78ef6614-b076-4a2c-91aa-71e610ad6438", "field": "인공물", "question_id": "6e0d65bd-0c00-4564-8baf-d838c149d4a8" }	<h1>2. 광 전류센서 설계 및 제작</h1><h2>2.1 광 전류센서 원리</h2><p>광 전류센서는 Faraday 자기광학효과를 이용한 것으로 전류에 의해 발생된 자계 중에서 Faraday 소자를 선형편광 된 레이저 광이 통과할 때 자계세기에 따라 회전된 각도를 검출하여 전류를 측정하는 원리이다. 측정 전류의 크기에 비례하는 편광 회전각은 출력 단에 검광기(analyzer)를 설치하여 이를 통과한 레이저 광신호의 크기변화로부터 측정할 수 있다. 전류의 크기는 Faraday 효과에 의하여 Faraday 회전각 형태로 변환되므로 \( \rho \)를 측정하여 전류 값을 측정할 수 있다.</p><p>여기서 각 파라미터의 정의는 아래와 같다.</p><ul><li>\( \theta=VHL \cos \phi \)</li><li>\( V \) : Verdet 상수</li><li>\( L \) : 광로 길이</li><li>\( H \) : 자계</li><li>\( \phi: \) 광과 자계가 이루는 각</li></ul><p>Fig. 1 과 같은 광학적 기능을 달성한 광 전류센서의 구조는 Fig. 2와 같다. 그림 광 경로상에서 손실이 없다고 가정하면 편광기를 통해 나오는 광 출력(\(Ps\))은 다음과 같이 주어진다.</p><p>\( \mathrm{P}_{\mathrm{s}}=\mathrm{P}_{\mathrm{in}} \sin ^{2}(\theta+\pi / 4)=(1 / 2) \mathrm{P}_{\mathrm{in}}(1+\sin (2 \theta)) \)<caption>(1)</caption></p><p>광검출기(PD)를 통해 전기 신호로 변환되어 자계의 세기(\(H\))에 비례하는 출력 전압을 연산하게 된다. 광 검출기 출력 전압 \(Vs\)는 광출력 \(Ps\)에 비례하며 다음과 같이 된다.</p><p>\( \mathrm{V}_{\mathrm{s}}=\left(\mathrm{KP}_{\text {in }}(1+\sin (2 \theta))\right. \)<caption>(2)</caption></p><p>여기서 \( K \)는 광 검출기 광전 변환 계수이다. 만일 \( \theta \)가 매우 작을 경우에는 출력 전압은 회전각 \( (\theta) \)에 비례 하게 된다. 따라서 \( \theta=\mathrm{VHL} \cos \emptyset \)의 관계를 가지므로 출력 전압 \( (Vs) \)은 인가 자계의 세기 \( H) \)와 비례하게 된다. 한편 피 측정 자계를 교류 자계로 한정시키면 한 개의 광 출력만을 사용하여 광 신호-전기 신호 변환한 후, 전자회로에 의해 교류 성분과 직류 성분을 분리하여 신호처리과정을 거치면 자계의 세기 \( (H) \)에 비례하는 출력전압을 얻을 수 있다.</p><p>하지만 본 논문에서는 직류 자계를 측정하는 것이 목적이며 아래 광 검출기 출력 두 개의 성분이 모두 직류성분이기 때문에 분리하기 힘들다</p><p>\( \mathrm{V}_{\mathrm{s}}=\mathrm{KP}_{\mathrm{in}}+\mathrm{KP}_{\mathrm{in}} \sin (2 \theta) \)<caption>(3)</caption></p><p>식3에서 두 번째 항은 첫째 항에 비해 매우 작은 신호이며 증폭이 필요하다. \(Vs\) 신호를 그대로 증폭하면 첫째 항 성분에 의해 증폭범위가 제한된다. 본 논문에서는 첫째 항 신호를 제거하거나 줄여서 증폭하고 그림 2와 같이 광원출력 일부를 출력을 광 커플러(optical coupler)로 나누어 일부 광 출력을 광검출기를 나온 전기신호를 통해 기준 신호 \( \left(\mathrm{V}_{\mathrm{ref}}\right. \) 로)로 활용하였다. 즉 최종출력은 \( \mathrm{V}_{\mathrm{s}} \)와 \( \mathrm{V}_{\mathrm{ref}} \)를 차동 증폭하는 방식을 도입하여 식(3)의 첫 번째 항 성분을 제거 혹은 줄여서 증폭하는 방법을 도입하였다.</p><h2>2.2 광 전류센서 설계 및 제작</h2><p>Fig. 3은 제작된 광 전류센서 사진이다. 광케이블 두 가닥 중 한 가닥은 센서 부에 광을 보내는 송신용으로, 나머지 한 가닥은 신호 광 검출기(photo detector)로 광을 내보내는 수신용으로 사용된다. 사용한 광섬유는 코어 반경이 \( 62.5 \mathrm{um} \) 인 다중모드 광섬유 이다. 광원은 \( 850 \mathrm{nm} \) 빅셀 광원을 이용하였다.</p><p>센서부에서 나오는 광 출력을 Ps 광섬유로부터 나온 광 출력은 전기 신호로 변환되어 자계의 세기 \((H) \)에 비례하는 출력이 나온다.</p><p>Table 1은 광 전류센서 제작에 사용된 부품의 재질과 기능을 나타내고 있다. Faraday 소자로 선택된 RIG는 Verdet 상수가 크고 온도 안정성이 우수한 새로운 재료인 강자성체 YIG 계열의 희토류 첨가 (BiGdY)3Fe5O12로 구성된 현존하는 Faraday 소자 중 가장 열에 안정적인 특성을 가지고 있는 것으로 알려져 있다.</p><p>Figure 4는 두 개의 광 검출기로부터 받은 신호를 차동 증폭 및 신호처리 위한 회로도이다.</p><p>Figure 5는 제작된 소자의 특성을 평가하기 위한 장치도이다.</p><p>본 논문에서는 직류 \( 200 \mathrm{A} \)까지 인가할 수 있는 Regulated DC power supply(BRP-5100)을 이용하여 제작한 광 전류센서 특성을 측정하였다. 인가전류에 대한 최종 출력 전압 \( \left(\mathrm{V}_{\mathrm{o}}\right) \) 을 Table 2에 나타나 있다. 인가전류 \( 0(\mathrm{A}) \)부터 \( 200(\mathrm{A}) \)까지 범위에서 \( 15(\mathrm{A}) \) 간격으로 인가 전류와 출력전압 관계는 Figure 5로부터 알 수 있듯이 선형적인 관계를 보인다.</p><p>인가전류(\(x\))와 출력 출력전압(\(y\))의 관계는 다음과 같은 다항식으로 주어진다.</p><p>\( y=-2.8081 x^{2}+177.15 x-413.99 \)<caption>(4)</caption></p><p>Table 2 는 식 (2)를 이용하여 광 검출기 신호와 인가관계식을 이용하여 산출하여 신호 처리부가 표시하는 전류 값을 비교한 결과를 보여주고 있다. 최대오차는 \( 1 \% \) 이내임을 알 수 있다.</p>	Faraday 자기광학효과를 이용한 것으로 전류에 의해 발생된 자계 중에서 Faraday 소자를 선형편광 된 레이저 광이 통과할 때 자계세기에 따라 회전된 각도를 검출하여 전류를 측정하는 원리는 무엇인가요?	광 전류센서
{ "answer_type": "정답경계추출형", "context_id": "48b70ede-1f21-49f3-9caf-1cb9b09cffd3", "field": "인공물", "question_id": "817ec8ba-33e4-4b55-bfa0-a0a4c184cd81" }	<h1>1. 서 론</h1><p>특고압 직류전송(HVDC)방식은 1998년도에 국내에서 제주도와 내륙간 \( 300 \mathrm{MW} \)용량으로 \( 100 \mathrm{km} \) 구간에 해저케이블 형태로 최초로 상업운전이 시작된 이후에 최근에 HVDC 송전 케이블의 유전체 손실이 거의 없고, 부하전류추종 특성이 우수한 장점을 살려 국내외 도서지역의 전력전송 수단으로 많은 관심과 연구가 진행되고 있으며, 전력전송에 따른 시스템 보호와 운영을 위해 필수적으로 수반되는 전류/전압 측정을 위한 센서의 특고압 직류(HVDC) 전력전송에서 적용을 위해서는 특고압 교류 전력(HVAC) 전송방식에 비해 극복되어야 할 기술의 난제가 남겨져 있다. 특고압 교류전력(HVAC) 전류측정 방식은 변압기 원리를 이용하는 방식이 상용화 되어 있다. 권선 비에 해당되는 정격전류 및 전압으로 강하는 방식을 채택하기 때문에 대전류, 특고압 선로에서 요구되는 특고압 절연 문제와 전류/변압 비 문제는 크게 대두되지 않고 널리 활용되고 있다.</p><p>특고압 직류(HVDC) 전력전송방식에서는 교류(AC)전류/전압 측정에 사용되는 변류기(CT)와 변성기(PT)를 동일하게 적용할 수 없기 때문에 새로운 대안을 찾아야 하는데, 자기효과 홀소자 센서에 의한 전류측정 방식을 고려할 수 있다. 자기효과 홀소자 센서는 전류자기장에 의한 홀 효과(Hall effct)를 이용한 전류측정 방식으로 직류 및 교류 전류측정에 공통적으로 활용될 수 있으나, 측정원리상 외부에서 별도의 홀 소자에 전류공급이 필요하여 특고압 송전선로 특성상 홀 센서 전원 공급에 대한 특별한 고려가 필요하다. 또한 자기 코어의 포화특성에 의해 측정전류의 선형화가 어렵고 대용량 전력장치에서 온도에 의한 측정오차의 증가와 자화 오차 등은 전력장치의 파손과 손실에 직접적인 영향을 가져오는 온도의 안정성과, 외부자기장과 간섭에 강인한 선형화 특성이 우수한 자기코어 소재와 형상 기술의 난점을 극복해야 한다. 한번 광섬유의 자기광학효과를 이용한 전류전정방식이 있으나 광섬유의 자기광학효과가 작아 센서의 부피가 매우 크다는 단점이 있다. 한편 자기 광학효과가 우수한 Bulk 소자를 이용한 광 전류센서에 대한 연구도 다수 진행되었으나 주로 교류 전류 측정에 적용되어 왔다.</p><p>HVDC 적용을 위해서 선결되어야 할 또 다른 기술적 과제는 전류 센서의 소신호 회로에서 특고압 선로에서 공통적으로 요구되는 고절연체 설계의 고절연체 신뢰도에 문제가 대두된다. 그러나 광 센서는 비접촉 방식으로 전압, 전류를 계측할 수 있어서 특고압 선로에서 요구되는 뇌 서지 절연에 대한 신뢰도를 전혀 떨어뜨리지 않고 계측할 수 있다. 이러한 광 전류측정센서는 전력산업설비에서 적용될 뿐만이 아니라 폭발 등의 위험 요소가 많은 철광화학 등 산업설비 안전 및 장치보호 분야에서도 널리 활용되고 있다.</p><p>본 논문에서는 높은 자기광학특성을 가지는 RIG를 이용하여 직류 전류를 측정할 수 있음을 제안하고 실험으로 그 가능성을 타진하였다. 물론 RIG의 자기광학효과를 이용하여 교류 전류를 측정하는 방식은 이미 알려져 있지만 직류 전류에 적용한 사례는 알려져 있지 않다. 이 방식으로 직류와 교류 측정방식에서 광학적 방식은 유사하나 신호를 처리하는 방식에서 약간 차이가 있다. 교류 전류 측정 시 광 검출기 출력의 직류와 교류를 필터를 통해서 쉽게 분리가 가능하며 미소한 교류 신호를 증폭하여 원하는 전류 값을 찾을 수 있다. 하지만 직류 전류 측정 시 외부 전류가 가해지만 광 검출기 출력은 직류출력에 약간의 직류 값이 더해지는 출력이 나오는 형태가 된다. 즉 직류 전압에 직류가 더해져서 미소한 변화를 증폭할 수 없는 문제를 가진다. 본 논문에서는 전류를 인가하기 전의 광 검출기 출력과 전류를 가한 후 광 검출기 출력의 차이를 증폭하는 방식으로 신호처리 후 전류를 산출하는 방식을 도입하였다.</p>	본 논문에서는 어떤 방식으로 전류를 산출하는가?	광 검출기 출력의 차이를 증폭하는 방식
{ "answer_type": "정답경계추출형", "context_id": "d636a1e9-2906-4715-8f59-67ef9e306ca0", "field": "인공물", "question_id": "c4d03e6d-3ab6-4fa7-b4fe-ac21963805c0" }	<h1>Ⅳ. 결론 및 향후 과제</h1><p>이 논문에서는, 2차원 원형 도메인에서 완전전극모델을 이용한 해석적 방법의 정문제 해법을 유도하였다. 그리고 배경이 균질인 경우와 비균질인 경우에 대해 해석적 방법과 유한 요소법과 경계 요소법의 전압 데이터와 팬텀 실험의 전압 데이터를 비교분석하였다. RMSE(root mean square error)의 비교 결과,완전전극 모델의 해석적 방법과 경계 요소법이 가장 우수하였고 유한 요소법은 다소 정확도가 떨어졌다. 그리고 실험 데이터의 오차가 다소 크게 나타났다.이는 팬텀의 노화와 EIT 시스템의 측정오차가 비교적 높게 측정된 것으로 사료된다. 따라서 정문제의 해법들과 실험 데이터의 폭넓은 비교분석을 통해,EIT 측정 시스템의 데이터 보정 및 측정오차를 줄일수 있는 방법을 강구하는 연구를 이 논문의 향후 과제로 하고자 한다.</p>	RMSE(root mean square error)의 비교 결과 유한 요소법의 정확도가 다소 떨어진 원인은 무엇인가?	팬텀의 노화와 EIT 시스템의 측정오차가 비교적 높게 측정된 것으로 사료
{ "answer_type": "정답경계추출형", "context_id": "d4398144-373d-4054-9512-a5e26ae8f803", "field": "인공물", "question_id": "e489d917-8457-4196-92d7-cb95164c0cc1" }	<h1>3. 결과 및 고찰</h1><h2>3.1 CR-39 및 몬테칼로 시뮬레이션에서 결정된 선형에너지스펙트럼</h2><p>Fig. 4는 \( 500 \mathrm{MeV} / \mathrm{u} \) \( \mathrm{Fe} \) 이온을 조사한 후 화학적인 에칭을 거친 다음 확대 촬영된 CR-39 고체비적검출기의 디지털 영상과 이를 Image J로 분석한 것이다. 화학적으로 확대 에칭된 트랙의 크기와 수는 Image J에서 자동적으로 분류하여 계수하였다. LET가 높은 방사선일수로 검출기 표면에 손상을 크게 주게 되므로 촬영된 디지털 영상에서 직경이 큰 트랙으로 검출되며, LET가 낮은 방사선은 작은 직경의 트랙으로 검출된다. 트랙의 크기에 따른 트랙의 수를 측정하여 파고스펙트럼을 결정할 수 있다. Fig. 5는 CR-39 고체비적검출기에 측정된 트랙의 크기와 트랙의 그기별 계수치를 나타낸 파고 스펙트럼이다. 조사된 \( \mathrm{Fe} \) 이온이 단일 에너지이므로 약 \( 280 \mathrm{keV} / \mathrm{um} \) 부근에서 피크를 보이고 있다. 이때 에칭률 \( (\mathrm{F}) \)은 측정된 파고스펙트럼으로부터 Somogy 식으로 결정할 수 있다.</p><p>\( F=\frac{d^{3} N}{d A d \Omega d L E T}=\left(2 \pi A \cos ^{2} \delta_{c u t}\right)^{1} \frac{d N}{d L E T} \)<caption>(1)</caption></p><p>여기서, \( \mathrm{A} \) 는 CR-39 검출기에서의 트랙을 스캔한 면직이며, \( \mathrm{dN} \) 은 검출된 트랙의 수, \( \delta_{\mathrm{cut}} \) 은 형성된 트랙의 파여진 각도로 검출기의 검출효율을 결정해준다. 또한 선량은 결정된 에칭률\( (\mathrm{F}) \)과 파고스펙트럼으로부터 다음 식으로 결정할 수 있다.</p><p>Dose \( =4 \pi \times 1.6 \times 10^{9} \times L E T \times F \)<caption>(2)</caption></p><p>또한 측정된 파고 스펙트럼으로부터 frequency-mean lineal energy \( \left(\overline{y_{F}}\right) \), dose-mean lineal energy \( \left(\overline{y_{D}}\right) \) 및 ICRP 103에 근거하여 평균 선질계수(beam quality factor) Q값을 다음 식으로 결정할 수 있다.</p><p>\( \overline{y_{F}}=\frac{\sum_{i=1}^{n} y_{i} N_{i}}{\sum_{i=1}^{n} N_{i}} \)<caption>(3)</caption></p><p>\( \overline{y_{D}}=\frac{\sum_{i=1}^{n} y_{i}^{2} N_{i}}{\sum_{i=1}^{n} y_{i} N_{i}} \)<caption>(4)</caption></p><p>\( \mathrm{Q}=\frac{\sum_{\mathrm{i}=1}^{n} \mathrm{Q}\left(\mathrm{y}_{\mathrm{i}}\right) \mathrm{N}_{\mathrm{i}}}{\sum_{\mathrm{i}=1}^{\mathrm{n}} \mathrm{y}_{\mathrm{i}} \mathrm{N}_{\mathrm{i}}} \)<caption>(5)</caption></p><p>여기서, \( \mathrm{y}_{\mathrm{i}} \) 는 \( \mathrm{i} \) 채널의 선형에너지이며, \( \mathrm{N}_{\mathrm{i}} \) 는 \( \mathrm{i} \) 채널의 계수값, \( \mathrm{Q}_{i} \)는 \( \mathrm{i} \) 채널에 해당되는 방사선의 선질계수 (radiation quality factor)이다.</p><p>Fig. 6(a) 는 측정된 트랙의 분포로부터 결정된 교정 방사선의 선형에너지 스펙트럼 (lineal energy spectrum) 이며, Fig. 6(b)는 바이너리 필터에 따른 선형에너지 스펙트럼을 몬테칸로 시뮬레이션으로 계산한 결과이다. Fig. 6 에서 보는 바와 같이 바이너리 필터를 사용하지 않았을 때와 \( 30.5 \mathrm{~mm} \) 바이너리 필터를 사용하였을 때 CR-39로 결정된 선형에너지 스펙트럼이 몬테칸로 시뮬레이션 결과와 매우 유사한 결과를 보임을 확인할 수 있다. 이때 \( 500 \mathrm{MeV} / \mathrm{u} \) \(\mathrm{Fe} \) 이온의 \( \overline{y_{D}}=283.3 \mathrm{keV} / \mathrm{um} \), 선질계수 \( \mathrm{Q} \)는< \( 16.3 \) 이었으며, \( 30.5 \mathrm{~mm} \) 바이너리 필터를 사용하였을 때 \( \overline{y_{D}}= \) \( 325.0 \mathrm{keV} / \mathrm{um} \), 선질계수 \( \mathrm{Q} \) 는 \( 15.1 \) 이었다.</p><h2>\( 3.2 \) 조직등가비례계수로 측정한 \( 500 \mathrm{MeV} / \mathrm{u} \) \(\mathrm{Fe} \) ion의 선형에너지 스펙트럼</h2><p>Fig. 7은 조직등가비례계수기로 측정한 \( 500 \mathrm{MeV} / \mathrm{u} \) \(\mathrm{Fe} \) 이온에 대하여 바이너리 필터를 사용하지 않았을 때의 선형에너지 스펙트럼이다. 이 스펙트럼은 Fig. 6(a)에서 CR-39 고체비적검출기로 측정한 선형에너지스펙트럼과 매우 유사한 모양을 보이며, 계산된 dose-mean lineal energy, \( \overline{y_{D}}=278.2 \mathrm{keV} / \mathrm{um} \) 로 CR-39 에서 측정된 결과와 유사한 의미 있는 결과를 확인하였다.</p>	화학적으로 확대 에칭된 트랙의 크기와 수는 어떤것에서 자동적으로 분류하여 계수하였니?	Image J
{ "answer_type": "정답경계추출형", "context_id": "2dc1a046-983f-457f-b600-fbc1c9139e65", "field": "인공물", "question_id": "182e735e-51f5-44b9-8efe-126676a9c448" }	<h1>2. 연구 방법</h1><h2>2.1 고체비적검출기와 화학적 에칭조건</h2><p>수동형 검출기로 CR-39 \( \left(\mathrm{C}_{12} \mathrm{H}_{18} \mathrm{O}_{7}\right. \), Baryotrak Lot. 130131-25) 고체비적 검출기를 사용하였다. 실험에 사용된 CR-39 검출기의 크기는 가로 \( 7 \mathrm{ cm} \), 세로 \( 2 \mathrm{~cm} \), 두께 \( 0.9 \mathrm{~cm} \) 이었으며, 선정된 CR-39검출기에 대하여 일본 중입자가속기연구소(HIMAC; Heavy Ion Medical Accelerator)에서 \( 500 \mathrm{MeV} / \mathrm{u} \) \( \mathrm{Fe} \) 이온을 조사한 후 측정된 파고스펙트럼으로부터 입사 방사선에 대한 LET 교정을 시행하였다. Fig. 1은 일본 중입자가속기연구소의 \( \mathrm{Fe} \) 이온 조사 시스템의 사진이다. 알루미늄 윈도우를 통하여 조사된 \( \mathrm{Fe} \) 이온은 \( 1.6 \mathrm{~mm} \mathrm{~Pb} \) 필터, \( 0.215 \mathrm{~mm} \mathrm{Ta} \) 필터 및 바이너리 필터를 거쳐 CR-39 검출기에 조사되며, 바이너리 필터(binary filter)의 두께를 조절하여 입사 \( \mathrm{Fe} \) 이온의 에너지를 조정할 수 있다. 본 연구에 교정에 사용된 \( \mathrm{Fe} \) 이온의 선속은 170 particles \( / \mathrm{cm}^{2} \)-\(\mathrm{s} \) 이었으며, 바이너리 필터가 없을 때와 \( 30.5 \mathrm{~mm} \) 바이너리 필터를 사용하였을 때 LET 교정을 시행하였다.</p><p>고체비적검출기는 고 LET 방사선에 의해 손상된 검출기 표면의 트랙을 계수함으로써 방사선을 측정하는 검출기이다. 방사선에 의해 발생된 트랙의 크기가 너무 작기 때문에 적절한 화학적 에칭을 통하여 트랙의 크기를 확대하고, 확대된 트랙을 현미경으로 관찰하여 트랙의 크기와 단위면적당 트랙의 수를 파악함으로써 방사선량을 평가할 수 있다. 이때 에칭 조건에 따라 방사선량 측정의 차이가 발생할 수 있으며, 본 연구에서는 일본 우주항공연구개발기구 (JAXA; Japan Aerospace Exploration Agency) 에서 제시한 표준 에칭 조건을 사용하였다. \( 500 \mathrm{MeV} / \)\( \mathrm{u} \) \(\mathrm{Fe} \) 이온이 조사된 CR-39 고체비적검출기는 \( 7.0 \mathrm{~N} \) 농도의 수산화나트름 수용액에서 \( 70^{\circ} \mathrm{C} \)로 19시간 에칭한 후 후지 디지털 현미경을 시용하여 형성된 트랙의 디지털영상을 확대 촬영하고, 촬영된 영상은 미국 국립보건원(NIH; National Institute of Health)의 Image J (ver. 1.48)을 이용하여 분석하였다. Fig. 2는 에칭된 CR-39고체비적 검출기의 트랙을 촬영하고, 촬영된 영상을 해석하는 절차를 보여주고 있다. 배경과 방사선에 의해 형성된 트랙을 분리하기 위하여 역치값을 설정한 후 노이즈를 감산하여 트랙의 모양과 크기를 Image J에서 분류하였다. 분류된 트랙의 크기와 계수치로 파고스펙트럼을 측정하였으며, 측정된 파고스펙트럼으로부터 \( 500 \mathrm{MeV} / \mathrm{u} \) \(\mathrm{Fe} \) 이온의 LET 교정을 시행하였다.</p><h2>2.2 몬테칼로 시뮬레이션 및 조직등가비례계수기를 이용한 교차실험</h2><p>측정 결과의 신뢰도를 평가하기 위하여 Geant 4 (ver. 10.1.1)를 이용하여 몬테칼로 시뮬레이션을 시행하였으며, 이울러 한국천문연구원(KASI; Korea Astronomy and Space Science Institute)의 조직등가비례계수기(TEPC; tissue equivalent proportional counter)를 활용하여 교정결과를 교차 평가하였다. 조직등가비례 계수기는 직접적으로 방사선의 LET 스펙트럼을 측정하여 인체 등가선량을 결정할 수 있는 능동형 방사선 계측기로서 한국표준과학연구원(KRISS; Korea Research Institute of Standards and Science)에서 Cf-252에 대하여 교정을 시행하였다.</p><p>Geant 4(ver. 10.1.1) 시뮬레이션시 QGSP BIC HP 물리 모델을 사용하였으며, GPS General Particle Source) 모듈을 사용하여 \( \mathrm{Fe} \) 이온입자가 생성되도록 하였고, 각 실험조건에 대하여 각각 \( 10^{6} \)개의 입자를 생성하도록 하였다. Fig. 3은 몬테칼로 시뮬레이션을 위해 코딩된 중이온 가속기연구소의 \( \mathrm{Fe} \) 이온 조사장치의 기하하적 조건이다. 가속기에서 가속된 \( 500 \mathrm{MeV} / \mathrm{u} \) \(\mathrm{Fe} \) 이 온은 \( \mathrm{Al} \) 윈도우를 통하여 조사된 이후 \( 1.6 \mathrm{~mm} \mathrm{~Pb} \) 필터와 \( 0.215 \mathrm{mm} \) \(\mathrm{Ta} \) 필터를 거친 후 약 \( 6 \mathrm{~m} \) 거리를 지나 고체비직검출기에 조사된다. 이때 바이너리 필터의 두께를 선텍하여 입사 방사선의 LET를 조절한다. 본 연구에서는 바이너리 필터가 없을 때와 \( 30.5 \mathrm{~mm} \)의 물 등가 폴리에털렌 바이너리 필터를 사용하였을 경우에 대하여 몬테칸로 시뮬레이션을 시행하고, 계산된 결과를 CR-39 검출기로 측정한 결과와 비교 평가하였다.</p>	선정된 CR-39검출기에 대하여 일본 어떤곳에서 500MEV/u Fe 이온을 조사 한 후 측정된 파고스펙트럼으로 부터 입사 방사선에 대한 LET 교정을 시행하였니?	중입자가속기연구소

End of preview. Expand in Data Studio

README.md exists but content is empty.

Downloads last month: 68

Size of downloaded dataset files:

37.5 MB

Size of the auto-converted Parquet files:

37.5 MB

Number of rows:

20,440