메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학위논문
저자정보

이나경 (명지대학교, 명지대학교 대학원)

지도교수
신동일
발행연도
2022
저작권
명지대학교 논문은 저작권에 의해 보호받습니다.

이용수29

표지
AI에게 요청하기
추천
검색

이 논문의 연구 히스토리 (3)

2022

소재 분자정보와 Chemical Language Processing 기반의 고분자 복합수지 기계적 거동 예측
이나경 화학과 2022.01 학위논문

2021

AI 기반의 재료 설계를 위한 고분자 복합수지의 기계적 거동 예측 기계학습 모델링
이나경 ,  강주은 ,  이재욱 외 1명 한국가스학회 학술대회논문집 2021.05 학술대회자료
기계학습에 기반한 고분자 복합수지의 기계적 물성 거동 예측
이나경 ,  신용범 ,  신동일 한국가스학회지 2021.04 학술저널

초록· 키워드

오류제보하기
오늘날 새로운 소재의 안정적인 확보는 지속가능한 발전과 방향성을 같이 하며, 핵심 요소로 인식되고 있다. 지속가능성에 대한 사회적 요구가 심화됨에 따라, 개발 신제품을 기능적으로 받쳐줄 차별화된 소재 경쟁력 확보를 위해, 기업들은 기존의 소재개발 기간을 최대한 단축하려 노력하고 있다. 그러나, 오늘날까지도 공정/소재/환경조건 등 변동성을 제어하는 것이 어려워, 설계자의 경험에 의존한 재료설계가 이루어지고 있으며, 이는 다수의 시행착오를 야기하여 상당한 인적/물리적 비용이 지출되고 있다. 이에, 지능정보 기술을 활용한 예측을 기반으로 시행착오 최소화와 소재개발 경쟁력 제고를 목표로, 본 연구는 AI기반 역설계 시스템과 재료 설계 과정에서 기계적 거동 screening을 지원하는 기계학습기반의 예측모델을 제안하였다.
본 연구는 특히 기지재의 성형가공성의 장점과 첨가제의 장점을 모두 갖고 있어 부가가치가 높은 고분자 복합수지 대상의 예측 모델을 설계하였다. 고분자 복합수지는 금속이나 세라믹 등과 달리, 그 기계적 거동이 한 가지 이상의 방향성을 갖고 있어, 소재 개발에 많은 시행착오가 요구된다. 더욱이 복합재의 경우, 단일물질의 기계적 물성 거동과 달리, 조성 조건에 영향을 많이 받을 뿐만 아니라, 소재배합 조건 및 시험조건에 따라 구조가 달라져, 수치적 모델만으로는 정확한 설명이 어렵다. 이에 Deep Neural Network (DNN)을 기반으로 구성소재의 정보와 고분자 복합수지의 인장시험 데이터 일부 학습을 통한 고분자 복합수지의 기계적 거동 예측 모델을 대안으로 제안하고 설계하였다.
기존 기계적 성질(탄성계수, 강도 등) 예측에 대한 시도는 있었으나, 본 연구는 소성 구간이 큰 고분자 복합수지에 적용하여 하나의 기계적 성질이 아닌 기계적 거동에 대한 연구라는 점과 범용성 높은 예측 제공이라는 점에서 차별성을 갖는다. 먼저 소재 제조과정, molding 방법, 보관, 배향 등 다양한 변수들이 이미 영향을 주고 있는 실제 실험데이터를 활용해 데이터 베이스를 구축하고, 이를 학습과 학습하지 않는 조성 및 조합의 train/test set으로 나누어 모델링과 성능평가를 진행하였다.
고분자 복합수지 16종에 대해 구성소재 정보와 관련된 각기 다른 feature를 반영하여 차별화된 예측모델을 구축하였다. 이는 크게 데이터 분석 및 문헌자료를 통해 발굴한 고분자 복합수지 기계적 거동과 관련있는 각 구성소재의 화학적/기계적 성질 밀도, 분자량, 탄성계수, 포아송 비를 반영한 모델과 구성소재의 분자구조를 활용하여 166 bits의 작용기를 반영한 모델로 구분된다. 개발된 예측모델은 이성분 고분자 복합수지에 대해, 기본 수지 조성이 각각 90, 80, 70, 60, 50, 40 wt%인 데이터세트를 학습하여, 원하는 조성과 시험조건에 대해서 변형률에 따른 응력값을 예측한다. 그 결과, 화학적/기계적 성질, 구조정보 그리고 두가지 모델의 통합 feature를 input으로 사용하는 각각의 모델은 고분자 복합수지의 조합에 대해 R2 ?0.45-0.95, 0.55-0.85 그리고 0.35-0.83 수준으로 예측이 가능함을 보였다. 구성소재의 구조정보 활용 모델은 구성소재의 화학적/기계적 성질 활용 모델과 비교해 성능은 비슷하지만, 구성소재에 대한 7가지의 화학적/기계적 물성값을 알아야 하는 첫번째 모델에 비해, 각 구성소재의 SMILES 구조정보, 즉 구성소재의 2가지 정보만을 활용하여서도 예측이 가능하기에 보다 높은 범용성을 가질 수 있는 것으로 판단하였다.
본 연구의 제안 방법론과 시스템은 재료설계 과정에서, 구성소재 조합의 변화에 따라 해당하는 기계적 거동 예측값을 정확하고 빠르게 제공함으로써, 설계 및 개발 과정에서의 요구 실험과 시행착오를 줄임과 동시에 개발 전과정의 가속화에 기여하였다. 또한 개발비용 절감에 따른 가격 경쟁력뿐만 아니라, 특정 성질 포인트가 아닌 설계자가 직접 예측된 거동을 사용한 설계를 통해, 향상된 안전성을 보장하는 설계가 가능할 것이라 기대된다. 향후, 더 나아가 Molecular Dynamics (MD)를 통해 도출된 물성 및 구조 정보의 연계 활용을 바탕으로, 존재하지 않은 가상물질에 대한 예측 결과 제공까지 확장된다면, 설계 초기 단계에서부터 직접적인 시험 없이도 재료 설계 전과정의 지원이 가능한 진정한 스마트 소재 설계 시스템이 완성될 수 있을 것이라 기대된다.
#기계학습 예측 #재료 설계 #기계적 거동 #물성 예측 #고분자 복합수지 #인공지능 #빅데이터

목차

그 림 목 차 ⅳ
표 목 차 ⅶ
제1장 서 론 1
1.1 연구 배경 1
1.2 연구 목적 3
제2장 연구 동향 및 이론 4
2.1 엔지니어링 소재 4
2.1.1 고분자 복합수지 예측의 필요성 5
2.1.2 고분자 복합수지의 구조 6
2.2 재료의 기계적 성질과 거동 7
2.2.1 재료 설계 7
2.2.2 기계적 성질과 거동 9
2.2.3 응력-변형률 선도와 크리프 선도 11
2.2.4 재료별 기계적 거동 14
2.2.5 기계적 거동 예측의 필요성 16
2.3 Chemical Language Processing (CLP) 17
2.3.1 Chemoinformatics 17
2.3.2 Polymer genome 18
2.3.3 화학식별자 18
2.3.4 분자 지문(Molecular fingerprints) 19
2.3.5 기계적 성질과 작용기 관계성 20
2.4 기계학습 및 기계학습 기반의 기계적 성질 예측 22
2.4.1 Feed-Forward Neural Network (FNN) 24
2.4.2 Recurrent Neural Network (RNN) 25
2.4.3 Convolutional Neural Network (CNN) 27
2.4.4 Multi-fidelity Neural Network (MFNN) 29
제3장 구성소재 화학적/물리적 성질을 이용한 예측모델 32
3.1 예측 모델 구축을 위해 요구되는 요소 32
3.1.1 기계적 거동 관련 정보 32
3.1.2 기계적 성질 관련 문헌 데이터 수집 33
3.1.3 학습데이터 확보를 위한 실험 시나리오 36
3.1.4 데이터 분석을 통한 영향 인자 추출 39
3.2 구성소재 정보를 이용한 예측 모델 43
3.2.1 예측 모델 개발 환경 (프로그래밍 언어 및 오픈 패키지) 43
3.2.2 실험 데이터 전처리 및 feature engineering을 통한 모델 정확도 개선 44
3.2.3 데이터 베이스 시각화 48
3.2.4 학습과 시험 데이터 분할 단계 49
3.3 구성소재 화학적/기계적 성질을 이용한 기계적 거동 예측 모델링 49
3.3.1 예측 모델 네트워크 구조 50
3.3.2 하이퍼 파라미터 최적화 51
3.4 예측 모델 검증 55
3.5 화학적/ 기계적 성질 반영 모델 예측 결과 56
제4장 구성소재의 구조정보를 이용한 예측모델 59
4.1 예측 모델 구축을 위해 요구되는 요소 59
4.2 구성소재 구조정보를 이용한 예측 모델 네트워크구조 모델링 61
4.2.1 학습과 시험 데이터 분할 단계 63
4.2.2 구성소재 구조정보를 이용한 예측 모델링 63
4.2.3 예측 모델 네트워크 구조 64
4.3 예측 모델 검증 64
4.4 구성소재 구조정보(작용기) 반영 모델 예측 결과 64
4.5 크리프 선도 예측 66
4.5.1 크리프 선도 예측 결과 67
제5장 구성소재 정보 통합 모델 69
5.1 구성소재 정보 통합 모델 네트워크구조 모델링 69
5.2 구성소재 정보 통합 모델 예측 결과 70
5.3 주어진 조건에 따른 예측 72
5.4 고찰 75
제6장 결 론 77
참 고 문 헌 80
부 록 83
[부록 Ⅰ] Python code for generating database with data preprocessing 84
[부록 Ⅱ] Python code for Zero-strain 91
[부록 Ⅲ] Python code for predictive model database using chemical/mechanical properties of components 92
[부록 Ⅳ] Python code for predictive model database using chemical structure of components 95
[부록 Ⅴ] Python code for predictive model structure 99
Abstract 123

최근 본 자료

전체보기

댓글(0)

0