fixed: 누적침하량이 분모로 갖는 연산에서 누적침하량이 0일 때 발생하는 0으로 나누기 에러 수정

2026-01-13 09:31:54 +09:00
5 changed files with 53 additions and 1000 deletions
--- a/20240119_backup/controller.py
+++ b/20240119_backup/controller.py
@ -1,215 +0,0 @@
-"""
-Title: Controller
-Developer:
-Sang Inn Woo, Ph.D. @ Incheon National University
-Starting Date: 2022-11-10
-"""
-import psycopg2 as pg2
-import sys
-import numpy as np
-import settle_prediction_steps_main
-import matplotlib.pyplot as plt
-import pdb;
-'''
-apptb_surset01
-cons_code: names of monitoring points
-
-apptb_surset02
-cons_code: names of monitoring points
-amount_cum_sub: accumulated settlement
-fill_height: height of surcharge fill
-nod: number of date
-'''
-
-def settlement_prediction(business_code, cons_code):
-
-    # connect the database
-    #connection = pg2.connect("host=localhost dbname=sgis user=postgres password=postgres port=5434") # local
-    connection = pg2.connect("host=192.168.10.172 dbname=sgis_new user=sgis password=sgis port=5432") # ICTWay internal
-
-    # set cursor
-    cursor = connection.cursor()
-
-    # select monitoring data for the monitoring point
-    postgres_select_query = """SELECT (amount_cum_sub * -1), fill_height, nod FROM apptb_surset02 WHERE business_code='""" + business_code \
-                            + """' and cons_code='""" + cons_code + """' ORDER BY nod ASC"""
-    cursor.execute(postgres_select_query)
-    monitoring_record = cursor.fetchall()
-    # initialize time, surcharge, and settlement lists
-    time = []
-    surcharge = []
-    settlement = []
-
-    # fill lists
-    
-    for row in monitoring_record:
-        settlement.append(float(row[0]))
-        surcharge.append(float(row[1]))
-        time.append(float(row[2]))
-
-    # convert lists to np arrays
-    settlement = np.array(settlement)
-    surcharge = np.array(surcharge)
-    time = np.array(time)
-
-    # run the settlement prediction and get results
-    results = settle_prediction_steps_main.run_settle_prediction(point_name=cons_code, np_time=time,
-                                                                 np_surcharge=surcharge, np_settlement=settlement,
-                                                                 final_step_predict_percent=90,
-                                                                 additional_predict_percent=300, plot_show=False,
-                                                                 print_values=False, run_original_hyperbolic=True,
-                                                                 run_nonlinear_hyperbolic=True,
-                                                                 run_weighted_nonlinear_hyperbolic=True,
-                                                                 run_asaoka=True, run_step_prediction=True,
-                                                                 asaoka_interval=3)
-
-
-    # prediction method code
-    # 1: original hyperbolic method (쌍곡선법)
-    # 2: nonlinear hyperbolic method (비선형 쌍곡선법)
-    # 3: weighted nonlinear hyperbolic method (가중 비선형 쌍곡선법)
-    # 4: Asaoka method (아사오카법)
-    # 5: Step loading (단계성토 고려법)
-
-
-    '''
-    time_hyper, sp_hyper_original,
-    time_hyper, sp_hyper_nonlinear,
-    time_hyper, sp_hyper_weight_nonlinear,
-    time_asaoka, sp_asaoka,
-            time[step_start_index[0]:], -sp_step[step_start_index[0]:],
-    '''
-
-    for i in range(5):
-
-        # if there are prediction data for the given data point, delete it first
-        postgres_delete_query = """DELETE FROM apptb_pred02_no""" + str(i + 1) \
-                                + """ WHERE business_code='""" + business_code \
-                                + """' and cons_code='""" + cons_code + """'"""
-        cursor.execute(postgres_delete_query)
-        connection.commit()
-
-        # get time and settlement arrays
-        time = results[2 * i]
-        predicted_settlement = results[2 * i + 1]
-
-        # for each prediction time
-        for j in range(len(time)):
-
-            # construct insert query
-            postgres_insert_query \
-                = """INSERT INTO apptb_pred02_no""" + str(i + 1) + """ """ \
-                  + """(business_code, cons_code, prediction_progress_days, predicted_settlement, prediction_method) """ \
-                  + """VALUES (%s, %s, %s, %s, %s)"""
-
-            # set data to insert
-            record_to_insert = (business_code, cons_code, time[j], predicted_settlement[j], i + 1)
-
-            # execute the insert query
-            cursor.execute(postgres_insert_query, record_to_insert)
-
-        # commit changes
-        connection.commit()
-
-
-def read_database_and_plot(business_code, cons_code):
-
-    # connect the database
-    # connection = pg2.connect("host=localhost dbname=postgres user=postgres password=lab36981 port=5432")
-    connection = pg2.connect("host=192.168.0.72 dbname=sgis user=sgis password=sgis port=5432") # ICTWay internal
-
-    # set cursor
-    cursor = connection.cursor()
-
-    # select monitoring data for the monitoring point
-    postgres_select_query = """SELECT * FROM apptb_surset02 WHERE business_code='""" + business_code \
-                            + """' and cons_code='""" + cons_code + """' ORDER BY nod ASC"""
-    cursor.execute(postgres_select_query)
-    monitoring_record = cursor.fetchall()
-
-    # initialize time, surcharge, and settlement lists
-    time_monitored = []
-    surcharge_monitored = []
-    settlement_monitored = []
-
-    # fill lists
-    for row in monitoring_record:
-        time_monitored.append(float(row[2]))
-        settlement_monitored.append(float(row[6]))
-        surcharge_monitored.append(float(row[8]))
-
-    # convert lists to np arrays
-    settlement_monitored = np.array(settlement_monitored)
-    surcharge_monitored = np.array(surcharge_monitored)
-    time_monitored = np.array(time_monitored)
-
-    # prediction method code
-    # 0: original hyperbolic method
-    # 1: nonlinear hyperbolic method
-    # 2: weighted nonlinear hyperbolic method
-    # 3: Asaoka method
-    # 4: Step loading
-    # 5: temp
-
-    # temporarily set the prediction method as 0
-    postgres_select_query = """SELECT prediction_progress_days, predicted_settlement """ \
-                            + """FROM apptb_pred02_no""" + str(5) \
-                            + """ WHERE business_code='""" + business_code \
-                            + """' and cons_code='""" + cons_code \
-                            + """' ORDER BY prediction_progress_days ASC"""
-
-    # select predicted data for the monitoring point
-    cursor.execute(postgres_select_query)
-    prediction_record = cursor.fetchall()
-
-    # initialize time, surcharge, and settlement lists
-    time_predicted = []
-    settlement_predicted = []
-
-    # fill lists
-    for row in prediction_record:
-        time_predicted.append(float(row[0]))
-        settlement_predicted.append(float(row[1]))
-
-    # convert lists to np arrays
-    settlement_predicted = np.array(settlement_predicted)
-    time_predicted = np.array(time_predicted)
-
-    # 그래프 크기, 서브 그래프 개수 및 비율 설정
-    fig, axes = plt.subplots(2, 1, figsize=(8, 6), gridspec_kw={'height_ratios': [1, 3]})
-
-    # 성토고 그래프 표시
-    axes[0].plot(time_monitored, surcharge_monitored, color='black', label='surcharge height')
-
-    # 성토고 그래프 설정
-    axes[0].set_ylabel("Surcharge height (m)", fontsize=10)
-    axes[0].set_xlim(left=0)
-    axes[0].set_xlim(right=np.max(time_predicted))
-    axes[0].grid(color="gray", alpha=.5, linestyle='--')
-    axes[0].tick_params(direction='in')
-
-    # 계측 및 예측 침하량 표시
-    axes[1].scatter(time_monitored, -settlement_monitored, s=30,
-                    facecolors='white', edgecolors='black', label='measured data')
-
-    axes[1].plot(time_predicted, -settlement_predicted,
-                 linestyle='--', color='red', label='Original Hyperbolic')
-
-    axes[0].set_ylabel("Settlement (cm)", fontsize=10)
-    axes[1].set_xlim(left=0)
-    axes[1].set_xlim(right=np.max(time_predicted))
-
-
-# script to call: python3 controller.py [business_code] [cons_code]
-# for example: python3 controller.py 221222SA0003 CONS001
-if __name__ == '__main__':
-
-    args = sys.argv[1:]
-    business_code = args[0]
-    cons_code = args[1]
-
-    settlement_prediction(business_code=business_code, cons_code=cons_code)
-    print("The settlement prediction is over.")
-
-    #read_database_and_plot(business_code=business_code, cons_code=cons_code)
-    #print("Visualization is over.")
--- a/20240119_backup/settle_prediction_steps_main.py
+++ b/20240119_backup/settle_prediction_steps_main.py
@ -1,777 +0,0 @@
-"""
-Title: Soft ground settlement prediction
-Developer:
-Sang Inn Woo, Ph.D. @ Incheon National University
-Kwak Taeyoung, Ph.D. @ KICT
-
-Starting Date: 2022-08-11
-Abstract:
-This main objective of this code is to predict
-time vs. (consolidation) settlement curves of soft clay ground.
-"""
-
-# =================
-# Import 섹션
-# =================
-import os.path
-import numpy as np
-import pandas as pd   
-import matplotlib.pyplot as plt
-from scipy.optimize import least_squares
-from scipy.interpolate import interp1d
-
-
-# =================
-# Function 섹션
-# =================
-
-# 주어진 계수를 이용하여 쌍곡선 시간-침하 곡선 반환
-def generate_data_hyper(px, pt):
-    return pt / (px[0] * pt + px[1])
-
-# 주어진 계수를 이용하여 아사오카 시간-침하 곡선 반환
-def generate_data_asaoka(px, pt, dt):
-    return (px[1] / (1 - px[0])) * (1 - (px[0] ** (pt / dt)))
-
-# 회귀식과 측정치와의 잔차 반환 (비선형 쌍곡선)
-def fun_hyper_nonlinear(px, pt, py):
-    return pt / (px[0] * pt + px[1]) - py
-
-# 회귀식과 측정치와의 잔차 반환 (가중 비선형 쌍곡선)
-def fun_hyper_weight_nonlinear(px, pt, py, pw):
-    return (pt / (px[0] * pt + px[1]) - py) * pw
-
-# 회귀식과 측정치와의 잔차 반환 (기존 쌍곡선)
-def fun_hyper_original(px, pt, py):
-    return px[0] * pt + px[1] - pt / py
-
-# 회귀식과 측정치와의 잔차 반환 (아사오카)
-def fun_asaoka(px, ps_b, ps_a):
-    return px[0] * ps_b + px[1] - ps_a
-
-
-# RMSE 산정
-def fun_rmse(py1, py2):
-    mse = np.square(np.subtract(py1, py2)).mean()
-    return np.sqrt(mse)
-
-
-def run_settle_prediction_from_file(input_file, output_dir,
-                                    final_step_predict_percent, additional_predict_percent,
-                                    plot_show,
-                                    print_values,
-                                    run_original_hyperbolic='True',
-                                    run_nonlinear_hyperbolic='True',
-                                    run_weighted_nonlinear_hyperbolic='True',
-                                    run_asaoka='True',
-                                    run_step_prediction='True',
-                                    asaoka_interval=3):
-
-    # 현재 파일 이름 출력
-    print("Working on " + input_file)
-
-    # CSV 파일 읽기
-    data = pd.read_csv(input_file, encoding='euc-kr')
-
-    # 시간, 침하량, 성토고 배열 생성
-    time = data['Time'].to_numpy()
-    settle = data['Settlement'].to_numpy()
-    surcharge = data['Surcharge'].to_numpy()
-
-    run_settle_prediction(point_name=input_file, np_time=time, np_surcharge=surcharge, np_settlement=settle,
-                          final_step_predict_percent=final_step_predict_percent,
-                          additional_predict_percent=additional_predict_percent, plot_show=plot_show,
-                          print_values=print_values,
-                          run_original_hyperbolic=run_original_hyperbolic,
-                          run_nonlinear_hyperbolic=run_nonlinear_hyperbolic,
-                          run_weighted_nonlinear_hyperbolic=run_weighted_nonlinear_hyperbolic,
-                          run_asaoka=run_asaoka,
-                          run_step_prediction=run_step_prediction,
-                          asaoka_interval=asaoka_interval)
-
-def run_settle_prediction(point_name,
-                          np_time, np_surcharge, np_settlement,
-                          final_step_predict_percent, additional_predict_percent,
-                          plot_show,
-                          print_values,
-                          run_original_hyperbolic='True',
-                          run_nonlinear_hyperbolic='True',
-                          run_weighted_nonlinear_hyperbolic='True',
-                          run_asaoka = 'True',
-                          run_step_prediction='True',
-                          asaoka_interval = 5):
-
-    # ====================
-    # 파일 읽기, 데이터 설정
-    # ====================
-
-    # 시간, 침하량, 성토고 배열 생성
-    time = np_time
-    settle = np_settlement
-    surcharge = np_surcharge
-
-    # 마지막 계측 데이터 index + 1 파악
-    final_index = time.size
-
-    # =================
-    # 성토 단계 구분
-    # =================
-
-    # 성토 단계 시작 index 리스트 초기화
-    step_start_index = [0]
-
-    # 성토 단계 끝 index 리스트 초기화
-    step_end_index = []
-
-    # 현재 성토고 설정
-    current_surcharge = surcharge[0]
-
-    # 단계 시작 시점 초기화
-    step_start_date = 0
-    # 모든 시간-성토고 데이터에서 순차적으로 확인
-    for index in range(len(surcharge)):
-
-        # 만일 성토고의 변화가 있을 경우,
-        if surcharge[index] > current_surcharge*1.05 or surcharge[index] < current_surcharge*0.95:
-            step_end_index.append(index)
-            step_start_index.append(index)
-            current_surcharge = surcharge[index]
-
-    # 마지막 성토 단계 끝 index 추가
-    step_end_index.append(len(surcharge) - 1)
-
-    # =================
-    # 성토 단계 조정
-    # =================
-    # 성토고 유지 기간이 매우 짧을 경우, 해석 단계에서 제외
-
-    # 조정 성토 시작 및 끝 인덱스 리스트 초기화
-    step_start_index_adjust = []
-    step_end_index_adjust = []
-
-    # 각 성토 단계 별로 분석
-    for i in range(0, len(step_start_index)):
-
-        # 현 단계 성토 시작일 / 끝일 파악
-        step_start_date = time[step_start_index[i]]
-        step_end_date = time[step_end_index[i]]
-
-        # 현 성토고 유지 일수 및 데이터 개수 파악
-        step_span = step_end_date - step_start_date
-        step_data_num = step_end_index[i] - step_start_index[i] + 1
-
-        # 성토고 유지일 및 데이터 개수 기준 적용
-        if step_span > 30 and step_data_num > 5:
-            step_start_index_adjust.append((step_start_index[i]))
-            step_end_index_adjust.append((step_end_index[i]))
-
-    #  성토 시작 및 끝 인덱스 리스트 업데이트
-    step_start_index = step_start_index_adjust
-    step_end_index = step_end_index_adjust
-
-    # 침하 예측을 수행할 단계 설정 (현재 끝에서 2단계 이용)
-    step_start_index = step_start_index[-2:]
-    step_end_index = step_end_index[-2:]
-
-    # 성토 단계 횟수 파악 및 저장
-    num_steps = len(step_start_index)
-
-    # ===========================
-    # 최종 단계 데이터 사용 범위 조정
-    # ===========================
-
-    # 데이터 사용 퍼센트에 해당하는 기간 계산
-    final_step_end_date = time[-1]
-    final_step_start_date = time[step_start_index[num_steps - 1]]
-    final_step_period = final_step_end_date - final_step_start_date
-    final_step_predict_end_date = final_step_start_date + final_step_period * final_step_predict_percent / 100
-
-    # 데이터 사용 끝 시점 인덱스 초기화
-    final_step_predict_end_index = -1
-
-    # 데이터 사용 끝 시점 인덱스 검색
-    count = 0
-    for day in time:
-        count = count + 1
-        if day > final_step_predict_end_date:
-            final_step_predict_end_index = count - 1
-            break
-
-    # 마지막 성토 단계, 마지막 계측 시점 인덱스 업데이트
-    final_step_monitor_end_index = step_end_index[num_steps - 1]
-    step_end_index[num_steps - 1] = final_step_predict_end_index
-
-    # =================
-    # 추가 예측 구간 반영
-    # =================
-
-    # 추가 예측 일 입력 (현재 전체 계측일 * 계수)
-    add_days = (additional_predict_percent / 100) * time[-1]
-
-    # 마지막 성토고 및 마지막 계측일 저장
-    final_surcharge = surcharge[final_index - 1]
-    final_time = time[final_index - 1]
-
-    # 추가 시간 및 성토고 배열 설정 (100개의 시점 설정)
-    time_add = np.linspace(final_time + 1, final_time + add_days, 100)
-    surcharge_add = np.ones(100) * final_surcharge
-
-    # 기존 시간 및 성토고 배열에 붙이기
-    time = np.append(time, time_add)
-    surcharge = np.append(surcharge, surcharge_add)
-
-    # 마지막 인덱스값 재조정
-    final_index = time.size
-
-
-
-
-
-
-
-
-
-    # ==========================================
-    # Settlement Prediction (Step + Hyperbolic)
-    # ==========================================
-
-    # 예측 침하량 초기화
-    sp_step = np.zeros(time.size)
-
-    # 각 단계별로 진행
-    for i in range(0, num_steps):
-
-        # 각 단계별 계측 시점과 계측 침하량 배열 생성
-        tm_this_step = time[step_start_index[i]:step_end_index[i]]
-        sm_this_step = settle[step_start_index[i]:step_end_index[i]]
-
-        # 이전 단계까지 예측 침하량 중 현재 단계에 해당하는 부분 추출
-        sp_this_step = sp_step[step_start_index[i]:step_end_index[i]]
-
-        # 현재 단계 시작 부터 끝까지 시간 데이터 추출
-        tm_to_end = time[step_start_index[i]:final_index]
-
-        # 기존 예측 침하량에 대한 보정
-        sm_this_step = sm_this_step - sp_this_step
-
-        # 초기 시점 및 침하량 산정
-        t0_this_step = tm_this_step[0]
-        s0_this_step = sm_this_step[0]
-
-        # 초기 시점에 대한 시간 조정
-        tm_this_step = tm_this_step - t0_this_step
-        tm_to_end = tm_to_end - t0_this_step
-
-        # 초기 침하량에 대한 침하량 조정
-        sm_this_step = sm_this_step - s0_this_step
-
-        # 침하 곡선 계수 초기화
-        x0 = np.ones(2)
-
-        # 회귀분석 시행
-        res_lsq_hyper_nonlinear \
-            = least_squares(fun_hyper_nonlinear, x0,
-                            args=(tm_this_step, sm_this_step))
-
-        # 쌍곡선 계수 저장 및 출력
-        x_step = res_lsq_hyper_nonlinear.x
-        if print_values:
-            print(x_step)
-
-        # 현재 단계 예측 침하량 산정 (침하 예측 끝까지)
-        sp_to_end_update = generate_data_hyper(x_step, tm_to_end)
-
-        # 예측 침하량 업데이트
-        sp_step[step_start_index[i]:final_index] = \
-            sp_step[step_start_index[i]:final_index] + sp_to_end_update + s0_this_step
-
-
-
-
-    '''
-    # ======================================
-    # Settlement Prediction (Step + Asaoka)
-    # ======================================
-
-    # TODO: Modify this
-
-    # 예측 침하량 초기화
-    sp_step_asaoka = np.zeros(time.size)
-
-    # 각 단계별로 진행
-    for i in range(0, num_steps):
-
-        # 각 단계별 계측 시점과 계측 침하량 배열 생성
-        tm_this_step = time[step_start_index[i]:step_end_index[i]]
-        sm_this_step = settle[step_start_index[i]:step_end_index[i]]
-
-        # 이전 단계 까지 예측 침하량 중 현재 단계에 해당 하는 부분 추출
-        sp_this_step = sp_step[step_start_index[i]:step_end_index[i]]
-
-        # 현재 단계 시작 부터 끝까지 시간 데이터 추출
-        tm_to_end = time[step_start_index[i]:final_index]
-
-        # 기존 예측 침하량에 대한 보정
-        sm_this_step = sm_this_step - sp_this_step
-
-        # 초기 시점 및 침하량 산정
-        t0_this_step = tm_this_step[0]
-        s0_this_step = sm_this_step[0]
-
-        # 초기 시점에 대한 시간 조정
-        tm_this_step = tm_this_step - t0_this_step
-        tm_to_end = tm_to_end - t0_this_step
-
-        # 초기 침하량에 대한 침하량 조정
-        sm_this_step = sm_this_step - s0_this_step
-
-
-
-
-
-
-
-        # 등간격 데이터 생성을 위한 Interpolation 함수 설정
-        inter_fn = interp1d(tm_this_step, sm_this_step, kind='cubic')
-
-        # 데이터 구축 간격 및 그에 해당하는 데이터 포인트 개수 설정
-        num_data = int(tm_this_step[-1] / asaoka_interval)
-
-        # 등간격 시간 및 침하량 데이터 설정
-        tm_this_step_inter = np.linspace(0, tm_this_step[-1], num=num_data, endpoint=True)
-        sm_this_step_inter = inter_fn(tm_this_step_inter)
-
-        # 이전 이후 등간격 침하량 배열 구축
-        sm_this_step_before = sm_this_step_inter[0:-2]
-        sm_this_step_after = sm_this_step_inter[1:-1]
-
-
-
-
-        # Least square 변수 초기화
-        x0 = np.ones(2)
-
-        # Least square 분석을 통한 침하 곡선 계수 결정
-        res_lsq_asaoka = least_squares(fun_asaoka, x0, args=(sm_this_step_before, sm_this_step_after))
-
-        # 기존 쌍곡선 법 계수 저장 및 출력
-        x_step_asaoka = res_lsq_asaoka.x
-        if print_values:
-            print(x_step_asaoka)
-
-        # 현재 단계 예측 침하량 산정 (침하 예측 끝까지)
-        sp_to_end_update = generate_data_asaoka(x_step_asaoka, tm_to_end, asaoka_interval)
-
-
-        # 예측 침하량 업데이트
-        sp_step_asaoka[step_start_index[i]:final_index] = \
-            sp_step_asaoka[step_start_index[i]:final_index] + sp_to_end_update + s0_this_step
-
-    '''
-
-    # =========================================================
-    # Settlement prediction (nonliner, weighted nonlinear and original hyperbolic)
-    # =========================================================
-
-    # 성토 마지막 데이터 추출
-    tm_hyper = time[step_start_index[num_steps - 1]:step_end_index[num_steps - 1]]
-    sm_hyper = settle[step_start_index[num_steps - 1]:step_end_index[num_steps - 1]]
-
-    # 현재 단계 시작 부터 끝까지 시간 데이터 추출
-    time_hyper = time[step_start_index[num_steps - 1]:final_index]
-
-    # 초기 시점 및 침하량 산정
-    t0_hyper = tm_hyper[0]
-    s0_hyper = sm_hyper[0]
-
-    # 초기 시점에 대한 시간 조정
-    tm_hyper = tm_hyper - t0_hyper
-    time_hyper = time_hyper - t0_hyper
-
-    # 초기 침하량에 대한 침하량 조정
-    sm_hyper = sm_hyper - s0_hyper
-
-    # 회귀분석 시행 (비선형 쌍곡선)
-    x0 = np.ones(2)
-    res_lsq_hyper_nonlinear = least_squares(fun_hyper_nonlinear, x0,
-                                            args=(tm_hyper, sm_hyper))
-    # 비선형 쌍곡선 법 계수 저장 및 출력
-    x_hyper_nonlinear = res_lsq_hyper_nonlinear.x
-    if print_values:
-        print(x_hyper_nonlinear)
-
-    # 가중 비선형 쌍곡선 가중치 산정
-    weight = tm_hyper / np.sum(tm_hyper)
-
-    # 회귀분석 시행 (가중 비선형 쌍곡선)
-    x0 = np.ones(2)
-    res_lsq_hyper_weight_nonlinear = least_squares(fun_hyper_weight_nonlinear, x0,
-                                            args=(tm_hyper, sm_hyper, weight))
-    # 비선형 쌍곡선 법 계수 저장 및 출력
-    x_hyper_weight_nonlinear = res_lsq_hyper_weight_nonlinear.x
-    if print_values:
-        print(x_hyper_weight_nonlinear)
-
-    # 회귀분석 시행 (기존 쌍곡선법) - (0, 0)에 해당하는 초기 데이터를 제외하고 회귀분석 실시
-    x0 = np.ones(2)
-    res_lsq_hyper_original = least_squares(fun_hyper_original, x0,
-                                           args=(tm_hyper[1:], sm_hyper[1:]))
-    # 기존 쌍곡선 법 계수 저장 및 출력
-    x_hyper_original = res_lsq_hyper_original.x
-    if print_values:
-        print(x_hyper_original)
-
-    # 현재 단계 예측 침하량 산정 (침하 예측 끝까지)
-    sp_hyper_nonlinear = generate_data_hyper(x_hyper_nonlinear, time_hyper)
-    sp_hyper_weight_nonlinear = generate_data_hyper(x_hyper_weight_nonlinear, time_hyper)
-    sp_hyper_original = generate_data_hyper(x_hyper_original, time_hyper)
-
-    # 예측 침하량 산정
-    sp_hyper_nonlinear = sp_hyper_nonlinear + s0_hyper
-    sp_hyper_weight_nonlinear = sp_hyper_weight_nonlinear + s0_hyper
-    sp_hyper_original = sp_hyper_original + s0_hyper
-    time_hyper = time_hyper + t0_hyper
-
-
-
-
-
-
-
-    # ===============================
-    # Settlement prediction (Asaoka)
-    # ===============================
-
-    # 성토 마지막 데이터 추출
-    tm_asaoka = time[step_start_index[num_steps - 1]:step_end_index[num_steps - 1]]
-    sm_asaoka = settle[step_start_index[num_steps - 1]:step_end_index[num_steps - 1]]
-
-    # 현재 단계 시작 부터 끝까지 시간 데이터 추출
-    time_asaoka = time[step_start_index[num_steps - 1]:final_index]
-
-    # 초기 시점 및 침하량 산정
-    t0_asaoka = tm_asaoka[0]
-    s0_asaoka = sm_asaoka[0]
-
-    # 초기 시점에 대한 시간 조정
-    tm_asaoka = tm_asaoka - t0_asaoka
-    time_asaoka = time_asaoka - t0_asaoka
-
-    # 초기 침하량에 대한 침하량 조정
-    sm_asaoka = sm_asaoka - s0_asaoka
-
-    # 등간격 데이터 생성을 위한 Interpolation 함수 설정
-    inter_fn = interp1d(tm_asaoka, sm_asaoka, kind='cubic')
-
-    # 데이터 구축 간격 및 그에 해당하는 데이터 포인트 개수 설정
-    num_data = int(tm_asaoka[-1] / asaoka_interval)
-
-    # 등간격 시간 및 침하량 데이터 설정
-    tm_asaoka_inter = np.linspace(0, tm_asaoka[-1], num=num_data, endpoint=True)
-    sm_asaoka_inter = inter_fn(tm_asaoka_inter)
-
-    # 이전 이후 등간격 침하량 배열 구축
-    sm_asaoka_before = sm_asaoka_inter[0:-2]
-    sm_asaoka_after = sm_asaoka_inter[1:-1]
-
-    # Least square 변수 초기화
-    x0 = np.ones(2)
-
-    # Least square 분석을 통한 침하 곡선 계수 결정
-    res_lsq_asaoka = least_squares(fun_asaoka, x0, args=(sm_asaoka_before, sm_asaoka_after))
-
-    # 기존 쌍곡선 법 계수 저장 및 출력
-    x_asaoka = res_lsq_asaoka.x
-    if print_values:
-        print(x_asaoka)
-
-    # 현재 단계 예측 침하량 산정 (침하 예측 끝까지)
-    sp_asaoka = generate_data_asaoka(x_asaoka, time_asaoka, asaoka_interval)
-
-    # 예측 침하량 산정
-    sp_asaoka = sp_asaoka + s0_asaoka
-    time_asaoka = time_asaoka + t0_asaoka
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-    # ==============================
-    # Post-Processing #1 : 에러 산정
-    # ==============================
-
-    # RMSE 계산 데이터 구간 설정 (계측)
-    sm_rmse = settle[final_step_predict_end_index:final_step_monitor_end_index]
-
-    # RMSE 계산 데이터 구간 설정 (단계)
-    sp_step_rmse = sp_step[final_step_predict_end_index:final_step_monitor_end_index]
-
-    # RMSE 계산 데이터 구간 설정 (쌍곡선)
-    sp_hyper_nonlinear_rmse = sp_hyper_nonlinear[final_step_predict_end_index - step_start_index[num_steps - 1]:
-                                                 final_step_predict_end_index - step_start_index[num_steps - 1] +
-                                                 final_step_monitor_end_index - final_step_predict_end_index]
-    sp_hyper_weight_nonlinear_rmse \
-                        = sp_hyper_weight_nonlinear[final_step_predict_end_index - step_start_index[num_steps - 1]:
-                                                    final_step_predict_end_index - step_start_index[num_steps - 1] +
-                                                    final_step_monitor_end_index - final_step_predict_end_index]
-    sp_hyper_original_rmse = sp_hyper_original[final_step_predict_end_index - step_start_index[num_steps - 1]:
-                                               final_step_predict_end_index - step_start_index[num_steps - 1] +
-                                               final_step_monitor_end_index - final_step_predict_end_index]
-
-    # RMSE 계산 데이터 구간 설정 (아사오카)
-    sp_asaoka_rmse = sp_asaoka[final_step_predict_end_index - step_start_index[num_steps - 1]:
-                               final_step_predict_end_index - step_start_index[num_steps - 1] +
-                               final_step_monitor_end_index - final_step_predict_end_index]
-
-    # RMSE 산정  (단계, 비선형 쌍곡선, 기존 쌍곡선)
-    rmse_step = fun_rmse(sm_rmse, sp_step_rmse)
-    rmse_hyper_nonlinear = fun_rmse(sm_rmse, sp_hyper_nonlinear_rmse)
-    rmse_hyper_weight_nonlinear = fun_rmse(sm_rmse, sp_hyper_weight_nonlinear_rmse)
-    rmse_hyper_original = fun_rmse(sm_rmse, sp_hyper_original_rmse)
-    rmse_asaoka = fun_rmse(sm_rmse, sp_asaoka_rmse)
-
-    # RMSE 출력 (단계, 비선형 쌍곡선, 기존 쌍곡선)
-    if print_values:
-        print("RMSE (Nonlinear Hyper + Step): %0.3f" % rmse_step)
-        print("RMSE (Nonlinear Hyperbolic): %0.3f" % rmse_hyper_nonlinear)
-        print("RMSE (Weighted Nonlinear Hyperbolic): %0.3f" % rmse_hyper_weight_nonlinear)
-        print("RMSE (Original Hyperbolic): %0.3f" % rmse_hyper_original)
-        print("RMSE (Asaoka): %0.3f" % rmse_asaoka)
-
-    # (최종 계측 침하량 - 예측 침하량) 계산
-    final_error_step = np.abs(settle[-1] - sp_step_rmse[-1])
-    final_error_hyper_nonlinear = np.abs(settle[-1] - sp_hyper_nonlinear_rmse[-1])
-    final_error_hyper_weight_nonlinear = np.abs(settle[-1] - sp_hyper_weight_nonlinear_rmse[-1])
-    final_error_hyper_original = np.abs(settle[-1] - sp_hyper_original_rmse[-1])
-    final_error_asaoka = np.abs(settle[-1] - sp_asaoka_rmse[-1])
-
-    # (최종 계측 침하량 - 예측 침하량) 출력 (단계, 비선형 쌍곡선, 기존 쌍곡선)
-    if print_values:
-        print("Error in Final Settlement (Nonlinear Hyper + Step): %0.3f" % final_error_step)
-        print("Error in Final Settlement (Nonlinear Hyperbolic): %0.3f" % final_error_hyper_nonlinear)
-        print("Error in Final Settlement (Weighted Nonlinear Hyperbolic): %0.3f" % final_error_hyper_weight_nonlinear)
-        print("Error in Final Settlement (Original Hyperbolic): %0.3f" % final_error_hyper_original)
-        print("Error in Final Settlement (Asaoka): %0.3f" % final_error_asaoka)
-
-
-
-
-    # ==========================================
-    # Post-Processing #2 : 그래프 작성
-    # ==========================================
-
-    # 만약 그래프 도시가 필요할 경우,
-    if plot_show:
-
-        # 그래프 크기, 서브 그래프 개수 및 비율 설정
-        fig, axes = plt.subplots(2, 1, figsize=(12, 9), gridspec_kw={'height_ratios': [1, 3]})
-
-        # 성토고 그래프 표시
-        axes[0].plot(time, surcharge, color='black', label='surcharge height')
-
-        # 성토고 그래프 설정
-        axes[0].set_ylabel("Surcharge height (m)", fontsize=15)
-        axes[0].set_xlim(left=0)
-        axes[0].grid(color="gray", alpha=.5, linestyle='--')
-        axes[0].tick_params(direction='in')
-
-        # 계측 및 예측 침하량 표시
-        axes[1].scatter(time[0:settle.size], -settle, s=50,
-                        facecolors='white', edgecolors='black', label='measured data')
-        axes[1].plot(time_hyper, -sp_hyper_original,
-                     linestyle='--', color='red', label='Original Hyperbolic')
-        axes[1].plot(time_hyper, -sp_hyper_nonlinear,
-                     linestyle='--', color='green', label='Nonlinear Hyperbolic')
-        axes[1].plot(time_hyper, -sp_hyper_weight_nonlinear,
-                     linestyle='--', color='blue', label='Nonlinear Hyperbolic (Weighted)')
-        axes[1].plot(time_asaoka, -sp_asaoka,
-                     linestyle='--', color='orange', label='Asaoka')
-        axes[1].plot(time[step_start_index[0]:], -sp_step[step_start_index[0]:],
-                     linestyle='--', color='navy', label='Nonlinear + Step Loading')
-
-        # 침하량 그래프 설정
-        axes[1].set_xlabel("Time (day)", fontsize=15)
-        axes[1].set_ylabel("Settlement (cm)", fontsize=15)
-        axes[1].set_ylim(top=0)
-        axes[1].set_ylim(bottom=-1.5 * settle.max())
-        axes[1].set_xlim(left=0)
-        axes[1].grid(color="gray", alpha=.5, linestyle='--')
-        axes[1].tick_params(direction='in')
-
-        # 범례 표시
-        axes[1].legend(loc=1, ncol=3, frameon=True, fontsize=10)
-
-        # 예측 데이터 사용 범위 음영 처리 - 단계성토
-        plt.axvspan(time[step_start_index[0]], final_step_predict_end_date,
-                    alpha=0.1, color='grey', hatch='//')
-
-        # 예측 데이터 사용 범위 음영 처리 - 기존 및 비선형 쌍곡선
-        plt.axvspan(final_step_start_date, final_step_predict_end_date,
-                    alpha=0.1, color='grey', hatch='\\')
-
-        # 예측 데이터 사용 범위 표시 화살표 세로 위치 설정
-        arrow1_y_loc = 1.3 * min(-settle)
-        arrow2_y_loc = 1.4 * min(-settle)
-
-        # 화살표 크기 설정
-        arrow_head_width = 0.03 * max(settle)
-        arrow_head_length = 0.01 * max(time)
-
-        # 예측 데이터 사용 범위 화살표 처리 - 단계성토
-        axes[1].arrow(time[step_start_index[0]], arrow1_y_loc,
-                      final_step_predict_end_date - time[step_start_index[0]], 0,
-                      head_width=arrow_head_width, head_length=arrow_head_length,
-                      color='black', length_includes_head='True')
-        axes[1].arrow(final_step_predict_end_date, arrow1_y_loc,
-                      time[step_start_index[0]] - final_step_predict_end_date, 0,
-                      head_width=arrow_head_width, head_length=arrow_head_length,
-                      color='black', length_includes_head='True')
-
-        # 예측 데이터 사용 범위 화살표 처리 - 기존 및 비선형 쌍곡선
-        axes[1].arrow(final_step_start_date, arrow2_y_loc,
-                      final_step_predict_end_date - final_step_start_date, 0,
-                      head_width=arrow_head_width, head_length=arrow_head_length,
-                      color='black', length_includes_head='True')
-        axes[1].arrow(final_step_predict_end_date, arrow2_y_loc,
-                      final_step_start_date - final_step_predict_end_date, 0,
-                      head_width=arrow_head_width, head_length=arrow_head_length,
-                      color='black', length_includes_head='True')
-
-        # Annotation 표시용 공간 설정
-        space = max(time) * 0.01
-
-        # 예측 데이터 사용 범위 범례 표시 - 단계성토
-        plt.annotate('Data Range Used (Nonlinear + Step Loading)', xy=(final_step_predict_end_date, arrow1_y_loc),
-                     xytext=(final_step_predict_end_date + space, arrow1_y_loc),
-                     horizontalalignment='left', verticalalignment='center')
-
-        # 예측 데이터 사용 범위 범례 표시 - 기존 및 비선형 쌍곡선
-        plt.annotate('Data Range Used (Hyperbolic and Asaoka)', xy=(final_step_predict_end_date, arrow1_y_loc),
-                     xytext=(final_step_predict_end_date + space, arrow2_y_loc),
-                     horizontalalignment='left', verticalalignment='center')
-
-        # RMSE 산정 범위 표시 화살표 세로 위치 설정
-        arrow3_y_loc = 0.55 * min(-settle)
-
-        # RMSE 산정 범위 화살표 표시
-        axes[1].arrow(final_step_predict_end_date, arrow3_y_loc,
-                      final_step_end_date - final_step_predict_end_date, 0,
-                      head_width=arrow_head_width, head_length=arrow_head_length,
-                      color='black', length_includes_head='True')
-        axes[1].arrow(final_step_end_date, arrow3_y_loc,
-                      final_step_predict_end_date - final_step_end_date, 0,
-                      head_width=arrow_head_width, head_length=arrow_head_length,
-                      color='black', length_includes_head='True')
-
-        # RMSE 산정 범위 세로선 설정
-        axes[1].axvline(x=final_step_end_date, color='silver', linestyle=':')
-
-        # RMSE 산정 범위 범례 표시
-        plt.annotate('RMSE Estimation Section', xy=(final_step_end_date, arrow3_y_loc),
-                     xytext=(final_step_end_date + space, arrow3_y_loc),
-                     horizontalalignment='left', verticalalignment='center')
-
-        # RMSE 출력
-        mybox = {'facecolor': 'white', 'edgecolor': 'black', 'boxstyle': 'round', 'alpha': 0.2}
-        plt.text(max(time) * 1.04, 0.20 * min(-settle),
-                 r"$\bf{Root\ Mean\ Squared\ Error}$"
-                 + "\n" + "Original Hyperbolic: %0.3f" % rmse_hyper_original
-                 + "\n" + "Nonlinear Hyperbolic: %0.3f" % rmse_hyper_nonlinear
-                 + "\n" + "Nonlinear Hyperbolic (Weighted): %0.3f" % rmse_hyper_weight_nonlinear
-                 + "\n" + "Asaoka: %0.3f" % rmse_asaoka
-                 + "\n" + "Nonlinear + Step Loading: %0.3f" % rmse_step,
-                 color='r', horizontalalignment='right',
-                 verticalalignment='top', fontsize='10', bbox=mybox)
-
-        # (최종 계측 침하량 - 예측값) 출력
-        plt.text(max(time) * 1.04, 0.55 * min(-settle),
-                 r"$\bf{Error\ in\ Final\ Settlement}$"
-                 + "\n" + "Original Hyperbolic: %0.3f" % final_error_hyper_original
-                 + "\n" + "Nonlinear Hyperbolic: %0.3f" % final_error_hyper_nonlinear
-                 + "\n" + "Nonlinear Hyperbolic (Weighted): %0.3f" % final_error_hyper_weight_nonlinear
-                 + "\n" + "Asaoka: %0.3f" % final_error_asaoka
-                 + "\n" + "Nonlinear + Step Loading: %0.3f" % final_error_step,
-                 color='r', horizontalalignment='right',
-                 verticalalignment='top', fontsize='10', bbox=mybox)
-
-        # 파일 이름만 추출
-        filename = os.path.basename(point_name)
-
-        # 그래프 제목 표시
-        plt.title(filename + ": up to %i%% data used in the final step" % final_step_predict_percent)
-
-        # 그래프 저장 (SVG 및 PNG)
-        # plt.savefig(output_dir + '/' + filename +' %i percent (SVG).svg' %final_step_predict_percent, bbox_inches='tight')
-        #plt.savefig(output_dir + '/' + filename + ' %i percent (PNG).png' % final_step_predict_percent, bbox_inches='tight')
-
-        # 그래프 출력
-        if plot_show:
-            plt.show()
-
-        # 그래프 닫기 (메모리 소모 방지)
-        plt.close()
-
-        # 예측 완료 표시
-        print("Settlement prediction is done for " + filename +
-              " with " + str(final_step_predict_percent) + "% data usage")
-
-        # 단계 성토 고려 여부 표시
-        is_multi_step = True
-        if len(step_start_index) == 1:
-            is_multi_step = False
-
-        # 반환
-
-        axes[1].plot(time_hyper, -sp_hyper_original,
-                     linestyle='--', color='red', label='Original Hyperbolic')
-        axes[1].plot(time_hyper, -sp_hyper_nonlinear,
-                     linestyle='--', color='green', label='Nonlinear Hyperbolic')
-        axes[1].plot(time_hyper, -sp_hyper_weight_nonlinear,
-                     linestyle='--', color='blue', label='Nonlinear Hyperbolic (Weighted)')
-        axes[1].plot(time_asaoka, -sp_asaoka,
-                     linestyle='--', color='orange', label='Asaoka')
-        axes[1].plot(time[step_start_index[0]:], -sp_step[step_start_index[0]:],
-                     linestyle='--', color='navy', label='Nonlinear + Step Loading')
-
-    return [time_hyper, sp_hyper_original,
-            time_hyper, sp_hyper_nonlinear,
-            time_hyper, sp_hyper_weight_nonlinear,
-            time_asaoka, sp_asaoka,
-            time[step_start_index[0]:], sp_step[step_start_index[0]:],
-            rmse_hyper_original,
-            rmse_hyper_nonlinear,
-            rmse_hyper_weight_nonlinear,
-            rmse_asaoka,
-            rmse_step,
-            final_error_hyper_original,
-            final_error_hyper_nonlinear,
-            final_error_hyper_weight_nonlinear,
-            final_error_asaoka,
-            final_error_step]
-
-
-'''
-run_settle_prediction(input_file='data/2-5_No.39.csv',
-                      output_dir='output',
-                      final_step_predict_percent=50,
-                      additional_predict_percent=100,
-                      plot_show=True,
-                      print_values=True,
-                      run_original_hyperbolic=True,
-                      run_nonlinear_hyperbolic=True,
-                      run_weighted_nonlinear_hyperbolic=True,
-                      run_asaoka=True,
-                      run_step_prediction=True,
-                      asaoka_interval=3,
-                      settle_unit='cm')
-'''
--- a/pycache/settle_prediction_steps_main.cpython-310.pyc
+++ b/pycache/settle_prediction_steps_main.cpython-310.pyc
--- a/controller.py
+++ b/controller.py
@ -66,6 +66,10 @@ def settlement_prediction(business_code, cons_code):
        if row[0] is None or row[1] is None or row[2] is None:
            continue

+        # [로그 추가] 침하량이 0인 데이터 찾기
+        if float(row[0]) == 0:
+            print(f"[DB_CHECK] Zero settlement found - Business: {business_code}, Cons: {cons_code}, Day(nod): {row[2]}")
+            
        settlement.append(float(row[0]))
        surcharge.append(float(row[1]))
        time.append(float(row[2]))
--- a/settle_prediction_steps_main.py
+++ b/settle_prediction_steps_main.py
@ -25,17 +25,29 @@ from scipy.interpolate import interp1d
 # Function 섹션
 # =================

-# 주어진 계수를 이용하여 쌍곡선 시간-침하 곡선 반환
+# 주어진 계수를 이용하여 쌍곡선 시간-침하 곡선 반환 # thkim 0으로 나누기 오류 수정
 def generate_data_hyper(px, pt):
-    return pt / (px[0] * pt + px[1])
+    denom = px[0] * pt + px[1]
+    denom_safe = np.where(denom == 0, 1e-10, denom)
+    return pt / denom_safe

-# 주어진 계수를 이용하여 아사오카 시간-침하 곡선 반환
+# 주어진 계수를 이용하여 아사오카 시간-침하 곡선 반환  # thkim 0으로 나누기 오류 수정
 def generate_data_asaoka(px, pt, dt):
-    return (px[1] / (1 - px[0])) * (1 - (px[0] ** (pt / dt)))
+    # (1 - px[0])이 0이 되는 경우 방지
+    denom = 1 - px[0]
+    if denom == 0:
+        denom = 1e-10
+    
+    # dt(간격)가 0인 경우 방지
+    dt_safe = dt if dt != 0 else 1e-10
+    
+    return (px[1] / denom) * (1 - (px[0] ** (pt / dt_safe)))

 # 회귀식과 측정치와의 잔차 반환 (비선형 쌍곡선)
-def fun_hyper_nonlinear(px, pt, py):
-    return pt / (px[0] * pt + px[1]) - py
+def fun_hyper_nonlinear(px, pt, py): # thkim 0으로 나누기 오류 수정
+    denom = px[0] * pt + px[1]
+    denom_safe = np.where(denom == 0, 1e-10, denom)
+    return pt / denom_safe - py

 # 회귀식과 측정치와의 잔차 반환 (가중 비선형 쌍곡선)
 def fun_hyper_weight_nonlinear(px, pt, py, pw):
@ -43,6 +55,10 @@ def fun_hyper_weight_nonlinear(px, pt, py, pw):

 # 회귀식과 측정치와의 잔차 반환 (기존 쌍곡선)
 def fun_hyper_original(px, pt, py):
+    # 나누기 에러 발생 시 로그 출력
+    if np.any(py == 0):
+        print(f"[DEBUG] py(settlement) contains zero value! pt sample: {pt[:5]}")
+        py_safe = np.where(py == 0, 1e-10, py) # thkim 0으로 나누기 오류 수정
    return px[0] * pt + px[1] - pt / py

 # 회귀식과 측정치와의 잔차 반환 (아사오카)
@ -298,8 +314,33 @@ def run_settle_prediction(point_name, np_time, np_surcharge, np_settlement,

    # 회귀분석 시행 (기존 쌍곡선법) - (0, 0)에 해당하는 초기 데이터를 제외하고 회귀분석 실시
    x0 = np.ones(2)
-    res_lsq_hyper_original = least_squares(fun_hyper_original, x0,
-                                           args=(tm_hyper[1:], sm_hyper[1:]))
+    # [로그 추가] 입력 데이터의 상태를 확인
+    print(f"[LOG] {point_name} - tm_hyper size: {len(tm_hyper)}, sm_hyper contains zero: {np.any(sm_hyper == 0)}")
+    if np.any(sm_hyper <= 0):
+        print(f"[LOG] Problematic sm_hyper values: {sm_hyper[sm_hyper <= 0]}")
+    
+    # 1. 침하량이 0보다 큰 유효한 데이터만 필터링 (0으로 나누기 근본적 방지)
+    valid_indices = np.where(sm_hyper > 0)[0]
+
+    # 2. 필터링된 데이터가 최소 2개 이상인지 확인 (회귀분석을 위한 최소 조건)
+    if len(valid_indices) >= 2:
+        tm_hyper_valid = tm_hyper[valid_indices]
+        sm_hyper_valid = sm_hyper[valid_indices]
+        
+        # (0, 0) 제외 로직이 이미 필터링에 포함되어 있으므로 [1:] 없이 수행 가능
+        x0 = np.ones(2)
+        try:
+            res_lsq_hyper_original = least_squares(fun_hyper_original, x0,
+                                                   args=(tm_hyper_valid, sm_hyper_valid))
+            x_hyper_original = res_lsq_hyper_original.x
+        except ValueError as e:
+            print(f"[Warning] Optimization failed for Original Hyperbolic: {e}")
+            x_hyper_original = np.ones(2) * 0.001 # 실패 시 기본값 세팅
+    else:
+        # 데이터가 부족할 경우 에러 대신 기본값이나 알림 처리
+        print(f"[Warning] {point_name}: Not enough valid settlement data (>0) for Original Hyperbolic.")
+        x_hyper_original = np.ones(2) * 0.001
+    
    # 기존 쌍곡선 법 계수 저장 및 출력
    x_hyper_original = res_lsq_hyper_original.x