KR100945297B1 - 인공신경망을 이용한 나노촉매 반응결과 예측 시스템 및예측 방법 - Google Patents

인공신경망을 이용한 나노촉매 반응결과 예측 시스템 및예측 방법 Download PDF

Info

Publication number
KR100945297B1
KR100945297B1 KR1020080045500A KR20080045500A KR100945297B1 KR 100945297 B1 KR100945297 B1 KR 100945297B1 KR 1020080045500 A KR1020080045500 A KR 1020080045500A KR 20080045500 A KR20080045500 A KR 20080045500A KR 100945297 B1 KR100945297 B1 KR 100945297B1
Authority
KR
South Korea
Prior art keywords
neural network
artificial neural
input
nanocatalyst
reaction result
Prior art date
Application number
KR1020080045500A
Other languages
English (en)
Other versions
KR20090102592A (ko
Inventor
이상호
김이호
이정훈
김재혁
권혁회
Original Assignee
한국건설기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국건설기술연구원 filed Critical 한국건설기술연구원
Publication of KR20090102592A publication Critical patent/KR20090102592A/ko
Application granted granted Critical
Publication of KR100945297B1 publication Critical patent/KR100945297B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B82—NANOTECHNOLOGY
    • B82Y—SPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
    • B82Y15/00—Nanotechnology for interacting, sensing or actuating, e.g. quantum dots as markers in protein assays or molecular motors

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Neurology (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Nanotechnology (AREA)
  • Theoretical Computer Science (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Treatment Of Water By Oxidation Or Reduction (AREA)

Abstract

본 발명은 인공신경망을 이용한 나노촉매 반응결과 예측 시스템 및 예측 방법에 관한 것이다. 본 발명의 인공신경망을 이용한 나노촉매 반응결과 예측 시스템은 입력조건을 입력하는 입력부와, 상기 입력부에 의해 입력된 입력조건에 대한 반응결과를 예측하는 인공신경망과, 상기 인공신경망에 의해 예측된 결과를 나타내는 출력부를 포함한다. 본 발명의 인공신경망을 이용한 나노촉매 반응결과 예측방법은 입력조건에 대한 경험적 정보를 얻기 위한 정보수집단계와, 입력조건과 입력조건에 대한 반응결과의 기여도를 연관시키는 인공신경망을 구성하는 단계와, 역전파법에 의해 인공신경망을 훈련시키는 단계와, 훈련된 인공신경망에 의해 반응결과를 예측하는 단계를 포함한다. 이와 같이 구성되는 본 발명에 의하면, 역전파법에 의해 훈련된 인공신경망에 의해 나노촉매의 반응결과를 정확하게 예측할 수 있고, 인공신경망에 의해 예측된 반응결과를 통해 반응조건을 최적화시킬 수 있는 이점이 있다.
인공신경망, 나노촉매, 역전파법

Description

인공신경망을 이용한 나노촉매 반응결과 예측 시스템 및 예측 방법{System for Predicting Nano-catalyst Reaction Result using a Artificial Neural Network and Method using the same}
본 발명은 인공신경망을 이용한 나노촉매 반응결과 예측 시스템 및 예측 방법에 관한 것으로, 보다 상세하게는 인공신경망을 이용하여 미량 유기물의 나노촉매의 산화반응결과에 의해 발생하는 부산물이나 환경독성을 예측하여 산화반응의 최적조건을 산출하기 위한 방법 및 장치에 관한 것이다.
일반적으로 내분비계 장애물질(Endocrine Disrupting Chemicals, EDCs)이란 내분비계의 정상적인 기능을 방해하는 물질로서 환경으로 배출된 물질이 체내에 유입되어 마치 호르몬처럼 작용한다고 하여 환경호르몬으로 불리기도 한다. 이러한 내분비계 장애물질은 생태계 및 인간의 생식기능 저하, 기형, 성장장애, 암 등을 유발하여 모든 생물종에 위협이 될 수 있다는 인식이 제기되는 등 오존층 파괴, 지구 온난화 등과 더불어 21세기의 새로운 환경문제로 대두되고 있다.
의약물질(Pharmaceutically Active Compounds, PhAC)은 의약적인 활성을 지는 물질로서 생태계 및 인체에 잠재적인 악영향을 주는 것으로 알려져 있다. 특히, 제약산업의 급격한 발전과 함께, 자연계로 유입되는 의약물질의 종류와 양은 비약적으로 증가하고 있다.
내분비계 장애물질과 의약물질로 분류되고 있는 대부분의 물질들은 그 구조상 화학적으로 안정하여 자연 상태에서 쉽게 분해되지 않고 체내에서 지속적으로 농축된다. 따라서, 생태계에서 최종 소비자의 위치에 있는 인간의 경우, 이미 농축이 진행된 상태의 식품을 섭취하게 되고 최종적으로는 인간의 체내에서 농축되어 암을 유발시킨다거나 생식기능의 장애를 일으키는 등의 건강상의 위험을 초래하게 된다.
내분비계에 장애를 유발시키는 것으로 알려진 많은 화합물들은 대부분 실제 산업에서 비교적 대량으로 사용되고 있는 물질들이며 그 사용범위 또한 방대하여 사용량을 근본적으로 감소시키거나 최종적으로 생산을 금지시키기에는 난해한 실정이다. 따라서 이에 대한 근본적인 관리 및 무해화 기술이 시급하게 요구되고 있다.
수계의 내분비계 장애물질 및 의약물질을 제거하기 위해 여러 가지 방법이 시도되어 왔으나 기존의 기술로서는 이에 대한 근원적인 해결방법을 제시하지는 못하고 있다.
그러나, 최근 제시된 고도산화공정(Advanced Oxidation Process, AOP)이라 불리는 이들 공정은 유해물질의 근본적인 제거법이라는 측면에서 가장 이상적인 처리법이라 할 수 있다. 하지만 오존반응이나 UV/H2O 광분해법은 비교적 고가의 공정 이며, Fenton 공정은 철슬러지의 발생문제를 야기시키며, 균질계 촉매공정은 반응산물과 촉매의 분리가 어려우며, 촉매의 비활성화가 빠르게 일어나며, pH가 4 이하의 산성조건에서만 반응이 일어난다는 측면에서 단점을 가지고 있다.
최근 나노기술의 발달로 인해 다양한 종류의 나노산화촉매가 개발되고 있으며 이러한 나노산화촉매는 기존의 산화방법에 비하여 높은 효율과 선택성을 보이는 것으로 보고되고 있다. 따라서, 나노산화촉매는 내분비계 장애물질이나 의약물질을 처리하기 위한 기존의 방법이 가지고 있는 한계를 뛰어넘을 수 있는 새로운 대안으로서 주목받고 있다. 그러나 나노 산화촉매를 이용하여 미량오염물질을 분해하는 경우 반응메카니즘 및 부산물 생성 메카니즘은 매우 복잡하기 때문에 이를 해석하는 것은 매우 어렵다. 따라서 반응 메카니즘의 규명을 통한 나노산화촉매의 공정제어는 거의 불가능한 것으로 알려져 있다.
본 발명은 이와 같은 종래의 문제점을 해결하기 위한 것으로, 본 발명의 목적은 나노 산화촉매의 반응메카니즘 및 부산물 생성 메카니즘에 대한 반응결과를 예측하는 것이다.
본 발명의 다른 목적은 내분비계 장애물질과 같은 독성물질을 근본적으로 제거하기 위한 예측시스템을 구현하는 것이다.
이와 같은 목적을 달성하기 위한 본 발명의 특징에 의하면, 본 발명의 인공신경망을 이용한 나노촉매 반응결과 예측 시스템은 나노촉매반응에 영향을 미치는 입력조건을 입력하기 위한 입력부; 상기 입력부에 의해 입력된 입력조건에 대한 나노촉매의 반응결과를 예측하도록 설정된 인공신경망; 상기 인공신경망에 의해 예측된 반응결과를 나타내는 출력부;및 상기 입력조건 및 상기 반응결과를 저장하는 데이터부를 포함하는 것이 바람직하다.
본 발명의 인공신경망은 상기 입력조건에 대한 나노촉매의 반응결과를 예측하도록 역전파법에 의해 미리 훈련되는 것이 바람직하다.
본 발명의 입력부는 산성도(pH), 온도, 반응시간, 촉매농도, 산화제 농도, 산화촉매 농도에 대한 입력조건을 입력하도록 설정되는 것이 바람직하다.
본 발명의 인공신경망은 상기 입력조건과 연관된 다수개의 입력노드를 갖는 입력층; 상기 입력조건에 의한 나노촉매의 반응결과를 나타내는 1개 이상의 출력노드를 갖는 출력층;및 상기 입력층과 상기 출력층 사이에서 입력조건 및 반응결과에 대한 처리요소를 갖는 1개 이상의 은닉노드를 갖는 은닉층을 포함하는 것이 바람직하다.
본 발명의 인공신경망은 상기 입력노드와 상기 은닉노드 사이와 상기 은닉노드와 상기 출력노드 사이에 경험적으로 훈련된 모델에 의해 산출된 가중치를 부여하도록 설정되는 것이 바람직하다.
본 발명의 인공신경망은 상기 입력조건에 대한 반응결과인 오염물 제거율, 독성, 부산물 생성량을 예측하도록 설정되는 것이 바람직하다.
본 발명의 인공신경망을 이용한 나노촉매 반응결과 예측 방법은 나노촉매 반응에 영향을 미치는 입력조건에 대한 경험적 정보를 얻기 위한 정보수집단계; 상기 입력조건과 상기 입력조건에 대한 나노촉매 반응결과의 기여도를 연관시킬 수 있는 인공신경망을 구성하는 단계: 상기 인공신경망이 나노촉매 반응결과를 예측하도록 역전파법에 의해 상기 인공신경망을 훈련시키는 단계;및 상기 인공신경망에 의해 나노촉매의 반응결과를 예측하는 단계를 포함하는 것이 바람직하다.
본 발명의 인공신경망을 구성하는 단계는 산성도(pH), 온도, 반응시간, 촉매농도, 산화제 농도, 산화촉매 농도와 관계된 입력조건에 대한 오염물 제거율, 독성, 부산물 생성량과 관계된 반응결과를 연관시키도록 구성되는 것이 바람직하다.
본 발명의 인공신경망을 훈련시키는 단계는 경험적 정보 및 오차수정에 근거한 가중치를 부여하여 각 변수의 기여도를 결정하는 것이 바람직하다.
본 발명의 인공신경망을 훈련시키는 단계는 상기 가중치가 적정 가중치로 설정되도록 가중치 조정을 다수회 실시하는 것이 바람직하다.
이와 같은 본 발명에 의한 인공신경망을 이용한 나노촉매 반응결과 예측 시스템 및 예측 방법에 의하면, 역전파법에 의해 훈련된 인공신경망에 의해 나노촉매의 반응결과를 정확하게 예측할 수 있고, 인공신경망에 의해 예측된 반응결과를 통해 반응조건을 최적화시킬 수 있는 이점이 있다.
이하에서는 본 발명에 의한 인공신경망을 이용한 나노촉매 반응결과 예측 시스템의 바람직한 실시예를 첨부된 도면을 참조하여 보다 상세하게 설명한다.
도 1 내지 도 2에는 본 발명에 의한 인공신경망을 이용한 나노촉매 반응결과 예측 시스템의 바람직한 실시예가 도시되어 있다.
도시된 바에 따르면, 나노촉매 반응결과에 영향을 미치는 입력변수에 따라 반응결과를 도출하는 인공신경망(10)이 구비된다. 상기 인공신경망(10)은 1개의 입력층(13), 1개의 은닉층(15) 및 1개의 출력층(17)을 포함하는 역전파망(Backpropagation Network)으로 구성된다.
상기 입력층(13)은 나노촉매 반응결과에 영향을 미치는 수질조건인 산성도(pH), 온도 및 운전조건인 반응시간, 산화촉매 농도, 산화제 농도를 포함하는 5 개의 입력노드로 구성된 세트를 포함한다. 상기 입력층(13)에 입력되는 조건은 입력부(20)를 통해 입력될 수 있다.
그리고, 상기 은닉층(15)은 은닉노드라 지칭되는 1개 이상의 처리요소로 이루어진 세트를 가지고, 상기 출력층(17)은 출력노드라고 지칭되는 1개의 처리요소로 이루어진 세트를 가진다. 상기 입력층(13), 은닉층(15) 및 출력층(17)으로 구성된 망이 실행될 때, 수질조건과 운전조건 등의 입력값과 반응산물 특성의 출력값 사이의 관계가 단순히 계산될 수 있도록, 처리요소들 또는 노드들이 상호 연결되어 있다.
상기 입력층(13)은 수질조건 또는 운전조건변수를 위한 1개의 입력노드를 포함하도록 구성되어 있고, 상기 입력노드는 상기 은닉층(15)의 은닉노드에 완전히 연결되며, 상기 은닉노드는 상기 출력층(17)의 출력노드에 완전히 연결된다.
상기 은닉노드의 구비개수는 변동가능한데, 은닉노드의 구비개수가 증가할 수록 입력값과 출력값 사이의 복잡한 관계를 모델링하는 망의 능력이 상승된다. 상기 입력층(13), 은닉층(15), 출력층(17)을 연결하는 연결선은 수질조건 또는 운전조건과 관계된 망 가중치를 가지므로, 망 가중치에 의해 입력값과 출력값 사이의 관계를 모델링할 수 있다.
상기 출력층(17)은 수질조건 또는 운전조건에 의해 산출된 오염물 제거율, 반응산물의 독성 또는 부산물 생성량을 도출하게 된다. 상기 출력층(17)에 의해 도출된 결과는 출력부(30)를 통해 출력될 수 있다.
이와 같이 구성되는 인공신경망(10)은 입력값의 변동에 대한 반응산물의 생 성특성을 모방하도록 미리 훈련될 수 있다. 상기 인공신경망(10)이 훈련되면, 처리요소들 사이의 연결선에 포함된 가중치는 반응조건(입력값)과 반응산물(출력값) 사이의 관계와 관련된 정보를 가지게 된다.
상기 인공신경망(10)의 입력층(13)에 입력되는 데이터는 입력부(20)에 의해 입력된다. 그리고, 상기 인공신경망(10)에 의해 산출된 결과는 출력부(30)를 통해 출력된다. 그리고, 상기 인공신경망(10)에 의해 처리되는 데이터는 데이터부(40)에 저장될 수 있다.
이하에서는 상기한 바와 같은 구성을 가지는 본 발명에 의한 인공신경망을 이용한 나노촉매 반응결과 예측 시스템의 예측방법을 상세하게 설명한다.
먼저, 본 발명의 예측시스템은 역전파법에 의해 인공신경망을 형성하므로, 인공신경망을 훈련시키기 위한 경험적 정보를 얻기 위해 정보수집단계가 실시된다. 즉, 나노촉매 반응에 영향을 미치는 수질조건(산성도, 온도)과 운전조건(반응시간, 촉매농도, 산화제 농도, 산화촉매 농도)과 관련된 정보를 공정 이력(Process History)이나 보정실험 등을 통해 수집될 수 있다. 이러한 정보는 입력값과 출력값 사이의 관계를 모델링하는데 사용될 수 있다.
정보가 수집되면, 수질조건 및 운전조건을 입력하기 위한 입력노드와, 각각의 측정값을 위한 1개 이상의 은닉노드와, 상기 입력조건에 따른 결과를 도출할 출력노드를 사용하여 인공신경망을 구성한다. 상기 입력노드와 은닉노드 사이와 상기 은닉노드와 출력노드 사이에는 상기에서 수집된 정보를 기초로 설정된 가중치가 부여된다. 각 신경망의 노드는 선행 노드로부터의 가중치를 단순히 합산한 것이며, 비선형 출력함수로 표현될 수 있다.
인공신경망이 완성되면, 인공신경망에 의해 측정된 출력값과 근사한 출력값을 계산하는 망 가중치를 추정한다. 망 가중치의 추정은 역전파법에 의해 실시된다.
역전파법이란 다층으로 구성되는 알고리즘에서 입력데이터와 출력데이터 간의 상관관계를 통해 지도학습(supervised learning)을 함으로써 오차를 극복하는 방법을 의미한다. 즉, 입력에 따른 출력을 계산하고, 계산된 출력값과 원하고자 하는 출력값 사이의 오차를 계산한 뒤, 오차를 줄이기 위해 가중치를 부여해가는 방식을 의미한다. 이와 같은 역전파법에 의하면, 다수회의 오차조정을 통해 원하고자 하는 출력값의 도출이 가능하다.
역전파법에 의해 인공신경망을 훈련하면, 입력노드에 입력되는 수질조건 및 운전조건이 나노촉매 반응에 의한 오염물 제거율, 독성 또는 부산물 생성량에 어떠한 영향을 미치는 지를 계산하고, 원하고자 하는 결과치와의 오차를 줄이기 위해 각 노드 간에 가중치를 부여한다.
다양한 회수로 반복하여 인공신경망을 훈련시켜 최소시험오차를 갖도록 하는 망을 가장 최적의 모델세트로 구성할 수 있다. 즉, 입력값과 출력값 사이의 관계를 최적의 모델세트에 의해 독립견본으로 일반화시킬 수 있다.
이와 같이 인공신경망을 훈련하면, 수질조건 및 운전조건의 변화에 따른 나노촉매 반응결과의 변화를 실제 실험치와 근사화시킬 수 있으며, 훈련된 인공신경망에 의해 나노촉매에 의한 반응결과, 즉 오염물 제거율, 독성 및 부산물 생성량과 같은 결과를 예측할 수 있다.
도 3에는 본 발명에 의한 예측시스템에 의해 반응산물의 발생특성을 예측하기 위한 소프트웨어의 화면구성이 도시되어 있다. 상기 화면구성에 의하면 인공신경망(10)의 훈련을 위해 역전파법을 활용하여 각 노드의 가중치를 계산하고, 그 결과에 따라 출력값이 예측되어 있는 상태를 살펴볼 수 있다.
상기 예측시스템은 충분한 개수의 데이터가 확보되는 경우에 반응산물의 발생특성 예측은 더욱 정확해지며 이를 바탕으로 미리 반응조건을 제어함으로써 반응조건을 최적화할 수 있다.
이와 같은 본 발명의 기본적인 기술적 사상의 범주에서, 당업계의 통상의 지식을 가진 자에게 있어서는 다른 많은 변형이 가능함은 물론이고, 본 발명의 권리범위는 후술하는 특허청구범위에 기초하여 해석되어야 할 것이다.
위에서 상세히 설명한 바와 같은 본 발명에 의한 인공신경망을 이용한 나노촉매 반응결과 예측 시스템 및 예측 방법에 의하면 다음과 같은 이점이 있다.
역전파법에 의해 최적화된 인공신경망을 구성함으로써 나노 산화촉매의 반응메카니즘 및 부산물 생성 메카니즘에 대한 반응결과를 정확하게 예측할 수 있는 이점이 있다.
그리고, 인공신경망에 의해 정확하게 예측된 반응결과를 통해 나노촉매의 반응조건을 미리 제어함으로써 나노촉매의 반응조건을 최적화할 수 있는 이점이 있 다.
도 1은 본 발명에 의한 인공신경망을 이용한 나노촉매 반응결과 예측 시스템의 구성을 보인 구성도.
도 2는 본 발명에 의한 인공신경망을 이용한 나노촉매 반응결과 예측 시스템의 인공신경망의 구성을 보인 구성도.
도 3은 본 발명에 의한 인공신경망을 이용한 나노촉매 반응결과 예측 시스템에 의해 구동되는 프로그램을 보인 프로그램 화면.
* 도면의 주요부분에 대한 설명 *
10: 인공신경망 13: 입력층
15: 은닉층 17: 출력층
20: 입력부 30: 출력부
40: 데이터부

Claims (10)

  1. 나노촉매반응에 영향을 미치는 입력조건을 입력하기 위한 입력부;
    상기 입력부에 의해 입력된 입력조건에 대한 나노촉매의 반응결과를 예측하도록 설정된 인공신경망;
    상기 인공신경망에 의해 예측된 반응결과를 나타내는 출력부;및
    상기 입력조건 및 상기 반응결과를 저장하는 데이터부를 포함하는
    인공신경망을 이용한 나노촉매 반응결과 예측 시스템.
  2. 제1항에 있어서,
    상기 인공신경망은
    상기 입력조건에 대한 나노촉매의 반응결과를 예측하도록 역전파법에 의해 미리 훈련되는
    인공신경망을 이용한 나노촉매 반응결과 예측 시스템.
  3. 제1항에 있어서,
    상기 입력부는
    산성도(pH), 온도, 반응시간, 촉매농도, 산화제 농도, 산화촉매 농도에 대한 입력조건을 입력하도록 설정되는
    인공신경망을 이용한 나노촉매 반응결과 예측 시스템.
  4. 제1항에 있어서,
    상기 인공신경망은
    상기 입력조건과 연관된 다수개의 입력노드를 갖는 입력층;
    상기 입력조건에 의한 나노촉매의 반응결과를 나타내는 1개 이상의 출력노드를 갖는 출력층;및
    상기 입력층과 상기 출력층 사이에서 입력조건 및 반응결과에 대한 처리요소를 갖는 1개 이상의 은닉노드를 갖는 은닉층을 포함하는
    인공신경망을 이용한 나노촉매 반응결과 예측 시스템.
  5. 제4항에 있어서,
    상기 인공신경망은
    상기 입력노드와 상기 은닉노드 사이와 상기 은닉노드와 상기 출력노드 사이에 경험적으로 훈련된 모델에 의해 산출된 가중치를 부여하도록 설정되는
    인공신경망을 이용한 나노촉매 반응결과 예측 시스템.
  6. 제1항에 있어서,
    상기 인공신경망은
    상기 입력조건에 대한 반응결과인 오염물 제거율, 독성, 부산물 생성량을 예측하도록 설정되는
    인공신경망을 이용한 나노촉매 반응결과 예측 시스템.
  7. 나노촉매 반응에 영향을 미치는 입력조건에 대한 경험적 정보를 얻기 위한 정보수집단계;
    상기 입력조건과 상기 입력조건에 대한 나노촉매 반응결과의 기여도를 연관시킬 수 있는 인공신경망을 구성하는 단계:
    상기 인공신경망이 나노촉매 반응결과를 예측하도록 역전파법에 의해 상기 인공신경망을 훈련시키는 단계;및
    상기 인공신경망에 의해 나노촉매의 반응결과를 예측하는 단계를 포함하는
    인공신경망을 이용한 나노촉매 반응결과 예측 방법.
  8. 제7항에 있어서,
    상기 인공신경망을 구성하는 단계는
    산성도(pH), 온도, 반응시간, 촉매농도, 산화제 농도, 산화촉매 농도와 관계된 입력조건에 대한 오염물 제거율, 독성, 부산물 생성량과 관계된 반응결과를 연관시키도록 구성되는
    인공신경망을 이용한 나노촉매 반응결과 예측 방법.
  9. 제7항에 있어서,
    상기 인공신경망을 훈련시키는 단계는
    경험적 정보 및 오차수정에 근거한 가중치를 부여하여 각 변수의 기여도를 결정하는
    인공신경망을 이용한 나노촉매 반응결과 예측 방법.
  10. 제9항에 있어서,
    상기 인공신경망을 훈련시키는 단계는
    상기 가중치가 적정 가중치로 설정되도록 가중치 조정을 다수회 실시하는
    인공신경망을 이용한 나노촉매 반응결과 예측 방법.
KR1020080045500A 2008-03-26 2008-05-16 인공신경망을 이용한 나노촉매 반응결과 예측 시스템 및예측 방법 KR100945297B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020080028072 2008-03-26
KR20080028072 2008-03-26

Publications (2)

Publication Number Publication Date
KR20090102592A KR20090102592A (ko) 2009-09-30
KR100945297B1 true KR100945297B1 (ko) 2010-03-03

Family

ID=41360042

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020080045500A KR100945297B1 (ko) 2008-03-26 2008-05-16 인공신경망을 이용한 나노촉매 반응결과 예측 시스템 및예측 방법

Country Status (1)

Country Link
KR (1) KR100945297B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106339020B (zh) * 2015-07-16 2018-06-05 广东兴发铝业有限公司 基于神经网络的铝型材表面氧化自动控制系统
KR102288002B1 (ko) * 2018-05-11 2021-08-11 한국과학기술연구원 딥러닝 기반의 촉매 설계 방법 및 그 시스템
US20220399085A1 (en) * 2021-06-14 2022-12-15 Chevron U.S.A. Inc. Artificial intelligence directed zeolite synthesis

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010085291A (ko) * 2000-01-18 2001-09-07 조안 엠. 젤사 ; 로버트 지. 호헨스타인 ; 도로시 엠. 보어 복합 혼합물의 가연성 한계를 예측하는 방법
JP2005007326A (ja) 2003-06-19 2005-01-13 Nishihara Environment Technology Inc 有機物濃度測定装置
KR20070053705A (ko) * 2004-08-03 2007-05-25 이 아이 듀폰 디 네모아 앤드 캄파니 화학적 혼합물의 성질을 예측하기 위한 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010085291A (ko) * 2000-01-18 2001-09-07 조안 엠. 젤사 ; 로버트 지. 호헨스타인 ; 도로시 엠. 보어 복합 혼합물의 가연성 한계를 예측하는 방법
JP2005007326A (ja) 2003-06-19 2005-01-13 Nishihara Environment Technology Inc 有機物濃度測定装置
KR20070053705A (ko) * 2004-08-03 2007-05-25 이 아이 듀폰 디 네모아 앤드 캄파니 화학적 혼합물의 성질을 예측하기 위한 방법 및 장치

Also Published As

Publication number Publication date
KR20090102592A (ko) 2009-09-30

Similar Documents

Publication Publication Date Title
Zhang et al. Integrating water quality and operation into prediction of water production in drinking water treatment plants by genetic algorithm enhanced artificial neural network
de Canete et al. Soft-sensing estimation of plant effluent concentrations in a biological wastewater treatment plant using an optimal neural network
KR101099703B1 (ko) 인공신경망을 이용한 소독부산물의 생성결과 예측 장치 및 그 방법
CA2165400C (en) Method of predicting residual chlorine in water supply systems
Moral et al. Modeling of the activated sludge process by using artificial neural networks with automated architecture screening
Vyas et al. Performance forecasting of common effluent treatment plant parameters by artificial neural network
Khatri et al. Prediction of effluent quality in ICEAS-sequential batch reactor using feedforward artificial neural network
KR100945297B1 (ko) 인공신경망을 이용한 나노촉매 반응결과 예측 시스템 및예측 방법
Raseman et al. Emerging investigators series: a critical review of decision support systems for water treatment: making the case for incorporating climate change and climate extremes
JP2018120343A (ja) プロセス診断装置、プロセス診断方法及びプロセス診断システム
KR102440371B1 (ko) 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체
Bagheri et al. Modeling of effluent quality parameters in a submerged membrane bioreactor with simultaneous upward and downward aeration treating municipal wastewater using hybrid models
CN111210128A (zh) 一种基于人工智能及随机自适应阈值的湿地预警方法
Talib et al. Prediction of chemical oxygen demand in Dondang River using artificial neural network
Pike MODELING DRINKING WATER QUALITY VIOLATIONS WITH BAYESIAN NETWORKS 1
Naser et al. Simulation of low TDS and biological units of Fajr industrial wastewater Treatment plant using artificial neural network and principal component analysis hybrid method
Wadkar et al. Evaluation of water treatment plant using artificial neural network (ANN) case study of Pimpri Chinchwad Municipal Corporation (PCMC)
Ma et al. Hybrid artificial neural network genetic algorithm technique for modeling chemical oxygen demand removal in anoxic/oxic process
Reynaert et al. Predicting microbial water quality in on-site water reuse systems with online sensors
Miron et al. Modeling of a wastewater treatment process using neural networks
Hamed et al. Performance simulation of H-TDS unit of FAJR industrial wastewater treatment plant using a combination of neural network and principal component analysis
Alnajjar et al. Removal efficiency prediction model based on the artificial neural network for pollution prevention in wastewater treatment plants
Tisa et al. Degradation and mineralization of phenol compounds with goethite catalyst and mineralization prediction using artificial intelligence
KR101209944B1 (ko) 다항식 기반 방사형 기저 함수 신경회로망 구조를 이용하여 활성오니처리공법을 제어하는 시뮬레이팅 방법
de Medeiros Paulino Modelling of drinking water treatment and disinfection by-product formation with artificial neural networks

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20130204

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20140204

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20150223

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20160128

Year of fee payment: 7

LAPS Lapse due to unpaid annual fee