지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 최헌진
- 발행연도
- 2022
- 저작권
- 연세대학교 논문은 저작권에 의해 보호받습니다.
이용수92
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 연구에서 256채널 다중 전극 소자의 디지털 데이터를 활용한 합성곱 신경망(CNN)-다층퍼셉트론(MLP) 복합구조의 딥러닝 알고리즘으로 화학공정 최적화를 시도하였다.
공정 최적화 대상은 물유리를 출발 물질로 하는 에어로겔 생산공정으로 해당 공정은 수화겔 형성에서 건조까지 전체 약 78시간이 소모된다. 각 단계별 공정 진행은 경험적 데이터에 근거하고 있다. 하지만 화합물의 화학반응 상태를 모니터링하면서 공정을 진행한다면 일률적인 시간 적용보다 효율적으로 공정을 진행할 수 있을 것이며 이를 위해서 측정센서 및 피드백 시스템이 포함된 체계가 필요하다.
본 연구는 256채널 다중 전극 소자의 디지털 데이터와 이를 활용한 딥러닝 알고리즘으로 이루어진 시스템을 구축하고자 하였다. 이 체계는 측정 소자로 측정된 공정 간 화합물 상태가 딥러닝 알고리즘에 입력되어 숙성 진행 정도 및 최종 결과물 물성을 예측해 공정 진행 여부를 판단할 수 있는 체계이다.
실험은 대상인 에어로겔 공정에서 많은 시간이 소모되는 표면개질과 n-Hexane 숙성 공정에 대해 시간 단위로 나누어 구조가 다른 9개의 결과물을 얻을 수 있도록 설계하였으며, 각 공정을 2회씩 진행하여 총 18개의 실험 샘플을 제작될 수 있도록 하였다. 에어로겔 공정 중 화합물 상태 측정을 위한 256채널 다중 전극 소자는 CMOS 공정으로 제작된 소자로 53x83 μm2의 면적에 16x16, 256개의 다중 전극이 배열된 멀티 어레이 센서다. 소자는 1회 측정 시 1600개의 디지털 데이터를 약 800 ms에 출력하며 출력값은 raw 데이터와 개별 소자의 발화정도를 시현하는 디지털 맵 형태로 저장된다. 모델 훈련을 위해 raw 데이터를 1차원 시계열 데이터로 처리하여 입력데이터로 사용하였다. 각 단계에서 얻어진 화합물 데이터는 입력데이터의 x변수로 활용하였으며, y변수는 완성된 에어로겔을 SEM 및 BET로 분석한 다공성 구조의 기공 크기를 활용하였다.
딥러닝 모델은 다층 퍼셉트론(MLP)과 합성곱 신경망(CNN) 두 종류 모델로 설계하였다. 딥러닝 알고리즘은 표면개질 진행정도를 파악하는 1단계 모델과 n-Hexane 숙성 진행을 파악하여 결과물 물성을 예측하는 2단계 모델로 구성된다. 간 단계별 설계된 모델은 1단계 MLP 18개, CNN 20개와 2단계 MLP 10개, CNN 20개이다. 각 단계의 모델에 대한 평가는 F1 스코어를 기준으로 모델 정확도를 평가하였다. 모델의 예측정확도 평가 결과 1단계는 3개의 합성곱층과 풀링으로 이루어진 CNN 구조가 98%의 정확도를 보였으며, 2단계에서는 2개의 은닉층을 가진 MLP 모델이 89%의 정확도를 보였다. 화학공정 최적화 알고리즘은 위의 두 모델을 결합하여 구축하였으며, 본 연구는 공정 최적화를 위한 체계로 256채널 다중전극 소자와 CNN-MLP 복합 구조의 딥러닝 알고리즘을 제안한다.
본 연구를 통해 256채널 다중 전극 소자와 이를 활용한 알고리즘은 특정 화학공정에 특화된 체계가 아니라 디지털 빅데이터만 확보되면 여러 공정에 활용될 수 있는 알고리즘이기에 다양한 화학 공정의 효율화를 도모할 수 있을 것으로 기대된다.
공정 최적화 대상은 물유리를 출발 물질로 하는 에어로겔 생산공정으로 해당 공정은 수화겔 형성에서 건조까지 전체 약 78시간이 소모된다. 각 단계별 공정 진행은 경험적 데이터에 근거하고 있다. 하지만 화합물의 화학반응 상태를 모니터링하면서 공정을 진행한다면 일률적인 시간 적용보다 효율적으로 공정을 진행할 수 있을 것이며 이를 위해서 측정센서 및 피드백 시스템이 포함된 체계가 필요하다.
본 연구는 256채널 다중 전극 소자의 디지털 데이터와 이를 활용한 딥러닝 알고리즘으로 이루어진 시스템을 구축하고자 하였다. 이 체계는 측정 소자로 측정된 공정 간 화합물 상태가 딥러닝 알고리즘에 입력되어 숙성 진행 정도 및 최종 결과물 물성을 예측해 공정 진행 여부를 판단할 수 있는 체계이다.
실험은 대상인 에어로겔 공정에서 많은 시간이 소모되는 표면개질과 n-Hexane 숙성 공정에 대해 시간 단위로 나누어 구조가 다른 9개의 결과물을 얻을 수 있도록 설계하였으며, 각 공정을 2회씩 진행하여 총 18개의 실험 샘플을 제작될 수 있도록 하였다. 에어로겔 공정 중 화합물 상태 측정을 위한 256채널 다중 전극 소자는 CMOS 공정으로 제작된 소자로 53x83 μm2의 면적에 16x16, 256개의 다중 전극이 배열된 멀티 어레이 센서다. 소자는 1회 측정 시 1600개의 디지털 데이터를 약 800 ms에 출력하며 출력값은 raw 데이터와 개별 소자의 발화정도를 시현하는 디지털 맵 형태로 저장된다. 모델 훈련을 위해 raw 데이터를 1차원 시계열 데이터로 처리하여 입력데이터로 사용하였다. 각 단계에서 얻어진 화합물 데이터는 입력데이터의 x변수로 활용하였으며, y변수는 완성된 에어로겔을 SEM 및 BET로 분석한 다공성 구조의 기공 크기를 활용하였다.
딥러닝 모델은 다층 퍼셉트론(MLP)과 합성곱 신경망(CNN) 두 종류 모델로 설계하였다. 딥러닝 알고리즘은 표면개질 진행정도를 파악하는 1단계 모델과 n-Hexane 숙성 진행을 파악하여 결과물 물성을 예측하는 2단계 모델로 구성된다. 간 단계별 설계된 모델은 1단계 MLP 18개, CNN 20개와 2단계 MLP 10개, CNN 20개이다. 각 단계의 모델에 대한 평가는 F1 스코어를 기준으로 모델 정확도를 평가하였다. 모델의 예측정확도 평가 결과 1단계는 3개의 합성곱층과 풀링으로 이루어진 CNN 구조가 98%의 정확도를 보였으며, 2단계에서는 2개의 은닉층을 가진 MLP 모델이 89%의 정확도를 보였다. 화학공정 최적화 알고리즘은 위의 두 모델을 결합하여 구축하였으며, 본 연구는 공정 최적화를 위한 체계로 256채널 다중전극 소자와 CNN-MLP 복합 구조의 딥러닝 알고리즘을 제안한다.
본 연구를 통해 256채널 다중 전극 소자와 이를 활용한 알고리즘은 특정 화학공정에 특화된 체계가 아니라 디지털 빅데이터만 확보되면 여러 공정에 활용될 수 있는 알고리즘이기에 다양한 화학 공정의 효율화를 도모할 수 있을 것으로 기대된다.
목차
등록된 정보가 없습니다.
최근 본 자료
댓글(0)
0