http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 홍영우 (검색결과 13 건)
-
-
글라스아이오노머 시멘트에 첨가된 나노 크기 베타 트리칼슘 포스페이트의 재광화에 대한 영향
This study aimed to evaluate the anticariogenic and remineralization effects of the glass ionomer dental luting cement containing nano-β-TCP in vitro. The β-Tricalcium Phosphate (β-TCP) is the components of dental enamel and bone mineral as biological apatites. In addition, β-TCP contains a significant amount of calcium and phosphate, which can promote remineralization of enamel subsurface lesions in animal and human. RelyXTM glass ionomer cement(3M/ESPE, USA) was used as dental luting cement. Film thickness, setting time, and compressive strength was measured for each group of pure glass GIC, 15% nano-β-TCP GIC. Human molars were prepared in box-shaped cavities that were filled with the GIC with and without the 15% nano-β-TCP were placed in 25ml of pH 5.0 acid buffer for 4 days at 37℃. After 4 days, longitudinal sections (100?m) were obtained through the center of each restoration. The sections were analyzed using a scanning electronic microscope (SEM) and confocal laser scanning microscopy (CLSM) to identify the change in the enamel surface. A significant difference in the CLSM images between pure GIC and nano-β-TCP-GIC. CLSM allows the demineralized surface layers of sound enamel to be visualized down to approximately 100 ?m. The pure GIC specimens had a relatively thick fluorescent layer. On the other hand, the fluorescent layer of the nano-β-TCP-GIC specimens were thinner. The SEM images of micro surfaces demonstrate that nano-β-TCP-GIC is less rough than pure GIC. Therefore, the addition of nano-β-TCP enhanced protection against acid demineralization and promoted remineralization of enamel surface. 본 연구에서는 실험용 nano-β-tricalcium phpsphate를 함유한 치과 접착용 글라스아이오노머 시멘트의 항우식성 그리고 재광화를 평가하기 위해서 시행되었다. β-tricalcium phosphate는 법랑질과 골형성물에 존재하는 인회석이다. Nano-β-tricalcium phosphate는 칼슘과 인산염을 다량 함유하고 있기 때문에 사람과 동물에서 법랑질 표면에 병소가 생기는 경우 재광화를 촉진할 수 있다. 이번 실험에 사용된 치과 합착용 시맨트는 RelyXTM 글라스아이오노머 시멘트(3M/ESPE,USA.)이다. 글라스아이오노머 시멘트 단독, 그리고 15% nano-β-tricalcium phosphate함유 글라스아이오노머 시멘트의 피막도, 경화시간, 그리고 압축강도를 측정했다. 사람 구치에 상자형태의 와동을 만들고 글래스아이오노머 시멘트만 그리고 15% nano-β-tricalcium phosphate가 함유된 글래스아이오노머 시멘트를 충전했다. 각 치아는 4일간 37도에 맞추어진 25ml pH 5.0 버퍼용액에 저장하였다. 4일 후 각 수복물 중앙에서 100μm의 시편을 만들었다. 각 시편은 scanning electronic microscope(SEM)와 confocal laser scanning microscopy(CLSM)을 이용해서 법랑질 표면에서 나타난 변화를 분석했다. CLSM 상에서 글라스아이오노머 시멘트군과 nano-β-tricalcium phosphate 글라스아이오노머 시멘트군 사이의 명확한 차이가 나타났다. CLSM은 약 100μm 크기에서 건강한 법랑질 표면의 탈회된 면을 보였다. 글래스아이오노머 시멘트 군에서는 비교적 두꺼운 형광층이 나타났다. 이에 반해서 nano-β-tricalcium phosphate군에서는 형광층이 얇았다. SEM으로 미세한 표면을 관찰한 결과 nano-β-tricalcium phosphate함유 글래스아이오노머 시멘트군이 글래스아이오노머 시멘트군에 비해 덜 거친 표면을 관찰할 수 있다. 이상의 결과를 요약하면 nano-β-tricalcium phosphate는 법랑질 표면을 산으로 인한 탈회에서 보호하고 재광화를 촉진하는 것으로 여겨진다.
-
상사의 모욕적 행동이 대인갈등과 이직의도에 미치는 영향
홍영우 中央大學校 産業.創業經營大學院 2011 국내석사
본 논문은 상사의 모욕적 행동이 대인갈등과 이직의도에 미치는 영향에 대하여 실증분석을 하였다. 이를 위하여 본 논문의 대인갈등 변수는 역할 모호성, 역할 갈등으로 구분하였다. 분석자료는 수도권에 소재하는 정보통신 업체 257명을 대상으로 수집되었다. 분석결과 첫째, 상사의 모욕적 행동은 종업원의 역할갈등과 역할모호성에 정(+)의 영향을 미치는 것으로 나타났다. 둘째, 상사의 모욕적 행동은 종업원의 이직의도에 정(+)의 영향을 미치는 것으로 나타났다. 마지막으로, 본 연구결과가 제시하는 이론적․실무적 시사점에 대하여 논의하였다. This dissertation examined the effects of abusive supervision on interpersonal conflict and turnover intention. Interpersonal conflict were classified into role conflict and role ambiguity. Data were collected from 257 employees worked in firms related to information and communications. Results indicated supervisors' abusive behavior was positively related to employees' role conflict and role ambiguity. Results also indicated that supervisors' abusive behavior was positively related to employees' turnover intention. Finally, the theoretical and practical implications of the results were discussed.
-
-
-
앙상블 모델을 활용한 자동화 설비 operating system에서의 이상 증상 탐지 Explanation model
Artificial Intelligence(AI)과 Internet of Things(IoT) 기술이 발전하면서 스마트폰이나 가전제품뿐만 아니라 무인 비행 드론이나 수소연료전지 자동차를 위한 수소 가스 충전소과 같이 다양한 산업에 적용하기 위한 연구들이 진행되고 있다. 하지만, 이러한 AI 모델들은 Accuracy와 F1 Score와 같은 성능 지표에서 높은 수치를 보여주지만, 산업 현장에서의 적용이 지연되는 경우가 많다. 이러한 이유는 AI 모델의 과적합, 데이터 편향과 같은 AI 모델의 문제점이 발생해도 즉각 확인하기 어려워 신뢰할 수 없으며, 생성형 AI를 제외한 대부분의 AI 모델들은 회귀,분류 형식으로 결과만 내놓고 학습 과정과 추론 과정을 확인할 수 없는 구조로 AI 모델의 개선이나 검증이 어렵다는 문제점이 있다. 이러한 문제를 해결하기 위해, AI 모델을 활용하여 수소 연료 자동차 충전소와 무인 비행 드론의 운영 데이터를 대상으로 이상 행위 탐지를 수행하고, Shapley Additive exPlanations(SHAP) 기법을 적용하여 탐지 결과에 대한 AI 모델의 Explanation을 분석하여 해당 모델의 학습 경향과 학습 Dataset내 이상 행위의 특징을 분석하였다. 이를 통해, 각 Dataset에서 이상 행위의 특징을 확인하고, AI 모델이 적절한 학습을 하였는지 검증하고 AI 모델의 활용성을 개선할 수 있었다. With the advancement of Internet of Things (IoT) technology, its application in everyday environments, such as smartphones, smart lighting, and indoor heating and cooling systems, has been increasing. Similarly, the deployment of automation systems in industrial sites and smart factories has also been on the rise. Moreover, research on integrating Artificial Intelligence (AI) into automation systems to detect anomalies from operational data has been actively conducted. AI models developed in these studies demonstrate high accuracy, often exceeding 95% in performance metrics such as Accuracy and F1 Score. However, their actual implementation in industrial settings is sometimes delayed. This delay stems from the opacity of AI models, which makes it challenging to verify potential errors or biases introduced by the models. For instance, issues such as model overfitting or biases in training data can lead to inappropriate decision-making during the deployment of AI model-based services. However, these issues are difficult to identify through standard performance metrics alone, and the lack of transparency in the model’s training and feature extraction processes further complicates verification. Therefore, this study explores methods for detecting anomalous behavior in operational data from automation systems across various industrial sectors using AI models. Specifically, it investigates the application of the Shapley Additive Explanations (SHAP) technique, a representative Explainable AI (XAI) method, to analyze and validate the rationale behind the anomalies detected by AI models and their learning processes within automation systems.
-
-
-
-
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
