KR101305095B1

KR101305095B1 - 타이어 플랫스팟 성능 예측 방법

Info

Publication number: KR101305095B1
Application number: KR1020110133572A
Authority: KR
Inventors: 최대원; 김기현; 조명국
Original assignee: 넥센타이어 주식회사
Priority date: 2011-12-13
Filing date: 2011-12-13
Publication date: 2013-09-12
Also published as: KR20130066858A

Abstract

본 발명은 인공 신경망을 이용한 타이어 플랫스팟(Flat Spot) 성능 예측 방법에 관한 것이다.
본 발명의 목적은 완제품 타이어를 직접 제작하지 않고 데이터 마이닝 기법 중 인공 신경망 기법 적용을 통해 타이어 개발 시 타이어 플랫스팟(Tire Flat Spot)에 대한 성능 예측을 할 수 있는 인공 신경망을 이용한 타이어 플랫스팟(Tire Flat Spot) 성능 예측 방법을 제공하는데 그 목적이 있다.
상기 목적을 달성하기 위한 본 발명은 방법은, 데이터 마이닝 기법 중 인공 신경망 기법 적용을 통해 타이어 개발 시 타이어 플랫스팟(Tire Flat Spot)에 대한 성능 예측을 예측하는 방법으로서, 타이어 플랫스팟(Tire Flat Spot)에 대한 성능을 예측하기 위해 입력부로부터 각종의 데이터를 입력받는 단계; 상기 입력된 데이터를 기초로 타이어 전용의 인공 신경망 모델부를 통해 플랫스팟(Tire Flat Spot) 성능을 인공지능 학습하는 단계; 및 상기 학습에 따라 타이어 플랫스팟(Tire Flat Spot)에 대한 성능 예측 결과를 출력부를 통해 출력하는 단계를 포함하는 것을 특징으로 하는 타이어 플랫스팟 성능 예측 방법을 제시한다.

Description

타이어 플랫스팟 성능 예측 방법{Method for Predicting Tire Flat Spot Performance}

본 발명은 인공 신경망을 이용한 타이어 플랫스팟(Flat Spot) 성능 예측 방법에 관한 것으로, 특히 완제품 타이어를 직접 제작하지 않고 데이터 마이닝 기법 중 인공 신경망 기법 적용을 통해 타이어 개발 시 타이어 플랫스팟(Tire Flat Spot)에 대한 성능 예측을 할 수 있는 인공 신경망을 이용한 타이어 플랫스팟(Tire Flat Spot) 성능 예측 방법에 관한 것이다.

차량이 인도되기 전 장시간 방치된 상태나 또는 주행 후 타이어가 발열된 상태에서 장시간 주차를 하고 나서 다시 주행을 시작하게 되면 타이어 트레드면 접촉부위에서 약간의 변형이 일어날 수 있게 된다. 이런 상태로 계속 주행을 하게 되면 약간의 불규칙한 진동이나 소음이 발생하게 된다. 이러한 현상을 플랫 스팟(Flat Spot) 현상이라고 한다.

최근, 국제적으로 자동차의 승차감에 대한 관심이 높아지고 있는 추세이며, 특히 전술한 바와 같은 자동차를 장기간 고온 및 저온에 장기간 주차 후 차량 운행시 발생되는 진동 즉 플랫스팟을 줄이기 위해서 타이어 구조 설계 및 타이어 재료 연구를 통한 최적화 연구가 매우 활발히 이루어지고 있다.

일부 타이어 원주 방향 토크를 예측하는 방법 및 타이어 구동 효율성 측정 방법, 타이어 소음 측정 방법, 타이어 수명 예측 방법, 타이어 공기압 이상 예측 방법과 관련하여 몇몇의 특허문헌들이 공개되어 있다. 예를 들어 대한민국공개특허 제10-2000-0014285호, 제10-2006-0039787호, 제10-1998-072583호 등에 타이어 관련 예측 장비 및 방법들이 개시되어 있다.

위에서 언급한 특허들의 내용을 구체적으로 살펴보면, 상기 공개특허 제10-2000-0014285호는 제품생산 이전 설계단계에서 타이어의 소음을 시뮬레이션을 통해 예측·개선하는 방법에 관한 것으로, 타이어 패턴 소음을 발생시키는 가진력을 수학적으로 모델화함에 있어서, 접지면에 따른 타이어의 폭 방향으로의 가중 팩터와 타이어 진행방향으로의 가중 팩터를 사용함으로써 실제 주행상황과 유사하게 타이어 패턴 소음을 예측 및 평가할 수 있고, 타이어의 폭 방향 및 진행방향 가중 팩터는 접지면을 단위요소로 분할하여 접지압 측정장치를 이용하여 측정하고, 이를 다중회귀분석한 결과를 통하여 계산하고, 타이어의 접지면 단위요소에 대한 접지압 가중 팩터와 가진력을 곱하여 얻은 결과를 타이어 폭 방향 및 주행방향으로 중첩시키고, 피치율을 곱하여 원주상에 특정 순서로 배열함으로써 타이어 패턴 소음을 예측하는 것에 대해 개시하고 있다.

상기 공개특허 제10-2006-0039787호는 타이어의 내부 온도 및 압력 변동치에 따라 타이어의 교체시기를 알려주는 타이어 수명 예측 장치 및 방법에 관한 것으로, 타이어 위치 식별 정보를 저장하고 차량의 주행에 따른 타이어의 내부 압력과 노면과 마찰에 의한 타이어의 내부 온도를 측정하여 상기 위치 식별 정보와 함께 전송하는 송신기와, 타이어 교체 온도 기준값 및 압력 기준값을 저장하고 상기 송신기가 전송한 타이어 위치 식별 정보와 상기 타이어의 내부 온도 및 압력을 검출하여 상기 타이어 교체 온도 기준값 및 압력 기준값과 비교하여 상기 타이어 내부 온도 및 압력 중 어느 하나가 상기 타이어 교체 온도 기준값 및 압력 기준값 보다 크면 타이어를 교체할 것을 알리는 경보 신호를 생성하여 출력하는 수신기와, 상기 경보 신호를 입력받아 운전자에게 경보하는 경보부를 구비한 타이어 수명 예측 장치에 대해 개시하고 있다.

또한, 공개특허 제10-1998-072583호는 타이어의 공기압 이상 예측방법에 관한 것으로, 자동차의 차축에 마그네틱 픽업과 기어형태의 디스크를 부착하여 차속을 측정하는 차속센서로부터의 차속신호와 조향각 센서로부터의 스티어링 휠 중립신호를 ECU에서 제어하여 각 바퀴의 회전속도를 측정하고, 스티어링 휠이 중립상태 인가를 판단하여 스티어링 휠이 중립상태를 유지하고 4바퀴의 회전속도가 일정시간 동안 계속적으로 다르게 계측되면 운전자에게 경고하게끔 한 타이어의 공기압 이상 예측방법에 대해 개시하고 있다.

그러나 타이어 성능 예측 방법에 대해서는 아직 연구가 미진한 실정에 있다. 타이어 플랫스팟(Tire Flat Spot)에 대한 성능 예측 방법으로 인공 신경망 기법을 적용한 예는 종래에 제안된 바가 없었다.

따라서 본 발명자는 기존의 다양한 분야에서 적용되고 있는 데이터 마이닝 기법 중 하나인 인공 신경망 기법을 타이어 플랫스팟(Tire Flat Spot)에 대한 성능 예측 방법에 적용하는 것을 고려하게 되었다. 여기서 참고로 데이터 마이닝 기법은 데이터베이스로부터 과거에는 알지 못했지만 데이터 속에서 유도된 새로운 데이터 모델을 발견하여 미래에 실행 가능한 정보를 추출해 내고 의사 결정에 이용하는 과정을 말한다. 즉 데이터에 숨겨진 패턴과 관계를 찾아내어 광맥을 찾아내듯이 정보를 발견해 내는 것을 말한다.

또한, 타이어는 비선형 복합체이며 타이어 성능을 높이기 위해서는 특성 인자의 변경뿐만 아니라 복합적인 설계 인자를 다양하게 변경하는 것이 일반적이다. 그래서 비선형 복합체인 타이어의 성능을 예측하기 위해서는 선형적인 예측보다는 비선형 예측에 적합한 예측 기법을 적용한 방법이 필요하게 될 것이다.

대한민국공개특허 제10-2000-0014285호, 제10-2006-0039787호, 제10-1998-072583호

본 발명은 상기와 같은 종래 기술의 배경하에서 안출된 것으로서, 본 발명자는 데이터 마이닝 기법중 하나인 인공 신경망 기법을 타이어 성능 예측에 적용하여, 타이어 제조 시 선택되는 구조, 고무, 패턴, 사이즈 데이터와 시험 환경 조건 데이터를 인공 신경망에 적용하고 타이어 전용 인공 신경망 모델부를 거쳐 최종 출력물인 타이어 플랫스팟(Tire Flat Spot) 성능을 예측할 수 있도록 한 성능 예측 방법을 제공하는데 그 목적이 있다.

그리고 본 발명은 타이어 해석 기반의 예측과 전혀 다른 성능 예측 방법을 제공함으로써 일반적인 타이어 해석 기법에서 많은 소요 시간과 성능별 다량의 타이어 해석 모델이 필요로 하는 단점을 해결할 수 있는 인공 신경망을 이용한 타이어 플랫스팟 성능 예측 방법을 제공하는데 다른 목적이 있다.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 타이어 플랫스팟 성능 예측 방법은, 데이터 마이닝 기법 중 인공 신경망 기법 적용을 통해 타이어 개발 시 타이어 플랫스팟(Tire Flat Spot)에 대한 성능 예측을 예측하는 방법으로서,

타이어 플랫스팟(Tire Flat Spot)에 대한 성능을 예측하기 위해 입력부로부터 각종의 데이터를 입력받는 단계;

상기 입력된 데이터를 기초로 타이어 전용의 인공 신경망 모델부를 통해 타이어 플랫스팟(Tire Flat Spot) 성능을 인공지능 학습하는 단계; 및

상기 학습에 따라 타이어 플랫스팟(Tire Flat Spot)에 대한 성능 예측 결과를 출력부를 통해 출력하는 단계를 포함하는 것을 특징으로 하는 타이어 플랫스팟 성능 예측 방법을 제시한다.

본 발명에 의하면 기존의 개발 과정의 시스템 변경 없이 개발자가 제조하기 위한 타이어의 제조 사양만 있으면 개발자가 쉽고 간편하게 타이어 플랫스팟(Tire Flat Spot)을 예측함으로써 타이어 신개발품 및 성능 단계에서 발생될 수 있는 개발 지연 및 추가 비용을 줄일 수 있는 효과를 얻을 수 있다. 또한 기존 유한요소해석을 이용한 타이어 성능을 확인하는 방식 대비 시간적인 측면 및 신뢰성 측면에서 이점을 기대할 수 있으며, 또한 개발자가 간단한 교육만으로 누구나 타이어 플랫스팟(Tire Flat Spot) 성능 예측이 가능하므로 의사결정의 객관적인 기준이 될 수 있으며, 또한 타이어 개발 비용 면에서 이점을 기대할 수 있다. 또한 타이어 플랫스팟과 트레드 오프(Trade Off) 관계 즉, 타이어의 일부 성능을 높이기 위해서 타이어 구조 설계 변경 또는 타이어 고무 설계 변경 또는 타이어 트레드 패턴 변경 등을 하게 되면 반대 성향을 가지는 타이어의 다른 성능이 낮아지는 관계에 있는 타이어 고속 내구력, 부하 내구력, 조정 안정성, 트랙션(traction)의 성능 육성에도 간접적인 효과를 얻을 수 있다.

도 1은 본 발명의 일 실시예에 따른 타이어 플랫스팟(Tire Flat Spot) 성능 예측 방법의 흐름도를 도시한다.
도 2는 본 발명의 일 실시예에 따른 타이어 플랫스팟 성능 예측 방법의 인공지능 학습 흐름도를 도시한다.
도 3은 본 발명의 일 실시예에 따른 타이어 플랫스팟 성능 예측 방법의 타이어 구조 입력 항목을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 타이어 플랫스팟 성능 예측 방법의 타이어의 열적변형(Thermal Forming) 조건 및 순서 입력을 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 타이어 플랫스팟 성능 예측 방법의 타이어 유니포미티(Uniformity) 측정 항목 및 범위 입력을 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 타이어 플랫스팟 성능 예측 방법의 예측 결과의 출력 항목 및 범위를 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 타이어 플랫스팟 성능 예측 방법에 적용되는 타이어 플랫스팟 성능 예측 프로그램의 초기화면을 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따른 타이어 플랫스팟 성능 예측 방법에서 예측을 수행하기 위한 입력 화면을 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따른 타이어 플랫스팟 성능 예측 방법의 예측 수행 결과 출력 화면을 나타낸 도면이다.

이하 본 발명의 일 실시 예에 따른 타이어 플랫스팟(Tire Flat Spot) 성능 예측 방법을 첨부 도면을 참조로 하여 상세히 설명한다.

도 1은 본 발명의 일 실시예에 따른 플랫스팟(Tire Flat Spot) 성능 예측 방법의 흐름도를 도시한다.

본 발명의 방법은 타이어 플랫스팟에 대한 성능 예측하도록 각종의 데이터가 입력부(100)로부터 입력되고, 상기 입력된 데이터를 기초로 하여 타이어 전용의 인공 신경망 모델부(200)를 통해 타이어 플랫스팟 성능을 인공지능 학습하고 출력부(300)를 통해 타이어 성능 예측 결과를 출력하는 과정을 포함한다(S10, S20, S30). 상기 인공 신경망 모델부(200)는 입력층(In-Put Layer), 은닉층(Hidden Layer)), 출력층(Out-Put Layer))으로 설계된 다층 신경망을 포함한다.

상기 입력 단계는 본 발명에 적용되는 타이어 플랫스팟(Tire Flat Spot) 성능 예측 프로그램에서 성능을 예측하기 위해서 필요한 입력 데이터를 설정하는 단계로서, 타이어 구조 입력부(110)를 통해 타이어 구조에 대한 데이터를 입력받고(S10-1), 타이어의 열적변형이 일어나는 열적변형 조건을 열적변형(Thermal Forming) 환경 조건 입력부(220)를 통해 입력받고(S10-2), 유니포미티(Uniformity) 측정 조건 입력부(220)를 통해 유니포미티(Uniformity) 측정조건을 입력받는(S10-3) 과정을 포함한다. 상기 측정 조건에는 시험 환경 조건이 포함된다. 또한, 상기 각종의 데이터에는 타이어 레디얼 런아웃(Tire Radial Run-Out) 예측 데이터, 타이어 RFV(Tire Radial Force Variation) 예측 데이터 및 타이어 복원율 예측 데이터가 포함된다.

상기 입력은 구체적으로 예측을 위한 입력 인자를 나타낸 도면인 도 3, 도 4 및 도 5에 열거한 바와 같은 세부 인자 및 범위를 통해서 입력받게 된다.

입력되는 세부 인자의 구성을 보면, 스레드(Thread)의 타입, 전폭, 길이, TC 두께, 사이드월(SideWall)의 컴파운드, 전폭 등등을 포함한다.

상기 인공지능 학습단계(S20)는 타이어 플랫스팟(Tire Flat Spot) 성능 예측 방법에서 타이어 플랫스팟 성능을 인공지능 학습하는 단계로서, 타이어 레디얼 런아웃(Tire Radial Run-Out) 학습부(210)를 통해 타이어 래디얼 런아웃(Radial Run-Out)을 학습하고(S20-1), 그리고 타이어 RFV(Tire Radial Force Variation; 타이어 반경방향 힘 변화) 학습부(220)에 의해 타이어 RFV를 학습하는(S20-2) 단계를 포함한다.

상기 학습 단계(S20)는 구체적으로, 도 2에 흐름도로 나타낸 바와 같이, 상기 인공 신경망 모델부(200)의 각 층의 연결 강도를 임의의 작은 값으로 초기화하고, 적절한 학습률과 오차의 최대 한계치를 결정하고, 학습 패턴쌍을 입력하고 은닉층의 입력 가중합을 도출하고, 시그모이드 함수(sigmoid function)를 활성화 함수로 적용 및 출력을 도출하는(S20a, S20b, S20c, S20d, S20e) 단계를 포함한다.

또한 상기 학습 단계는 또한 도 2에 흐름도로 나타낸 바와 같이, 출력층의 입력 가중합 및 최종 출력을 도출하고, 목표치와 최종출력을 비교한 후 제곱 오차를 계산하고, 출력층의 오차 신호를 도출하고, 은닉층의 오차 신호를 도출하고, 은닉층과 출력층간의 연결강도 변화량을 계산하고, 다음 학습단계의 각 층간의 연결강도를 도출하고, 학습 패턴쌍을 반복 입력한 후 연결강도를 변경하고, 상기 오차들이 특정 값보다 작아지면 학습을 종료하는(S20f, S20g, S20h, S20i, S20j, S20k, S20l, S20m) 단계를 포함한다.

한편, 본 발명의 타이어 플랫스팟(Tire Flat Spot) 성능을 예측 방법에 있어서 인공지능 학습 단계(S20)에서 도출된 최적화된 각 층의 연결강도를 이용하여 타이어 래디얼 런아웃 예측부(310)에 의해 타이어 레디얼 런아웃(Tire Radial Run-Out)을 예측하고, 타이어 RFV 예측부(320)에 의해 타이어 RFV(Tire Radial Force Variation) 예측하고, 그리고 타이어 복원율 예측부(3230)에 의해 타이어 플랫스팟(Tire Flat Spot) 성능 항목인 타이어 복원율을 예측하게 된다(S30-1, S30-2, S30-3).

상기 예측 결과는 도 9의 예측 결과 출력 화면에 도시된 바와 같은 항목 및 범위로 나타난다.

상기 레디얼 런아웃(Tire Radial Run-Out) 예측부(310)에서는 열적변형(Thermal Forming) 전과 후 각각 최소 -500mm에서 최대 500mm까지의 예측 결과를 출력하고, 타이어 RFV(Tire Radial Force Variation) 예측부(320)에서는 열적변형(Thermal Forming) 전과 후 각각 최소 -500kgf에서 최대 500kg까지의 예측 결과를 출력하고, 타이어 복원율 예측부(330)에서는 타이어 복원율에 대해 최소 -50%에서 최대 200%까지의 예측 결과를 출력한다.

따라서 본 발명에 의한 타이어 플랫스팟(Tire Flat Spot) 성능 예측 방법을 타이어 개발 및 생산에 적용할 경우 종래의 특별한 예측 기술 없이 타이어 개발 및 생산에 소요되는 시간 및 비용을 줄일 수 있으며, 더불어 타이어 플랫스팟(Tire Flat Spot) 성능의 트래드 오프(trade-off) 관계에 있는 타이어 고속 내구력, 부하 내구력, 조정 안정성, 트랙션(traction) 성능의 향상도 기대할 수 있다.

지금까지 본 발명의 일 실시예에 따른 타이어 플랫스팟 성능 예측 방법을 첨부 도면을 참조로 하여 설명하였으나 이것은 예시 목적이지 이것으로 본 발명을 한정하고자 함은 아니며, 본 발명의 범위는 상세한 설명보다는 이하의 부속청구범위에 의해 정해지며, 본 발명의 특허청구범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형 형태는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

100: 입력부 110: 타이어 구조 입력부
120: 열적 변형 환경 조건 입력부 130: 유니포미티 측정 조건 입력부
200: 인공 신경망 모델부 210: 타이어 래디얼 런아웃 학습부
220: 타이어 RFV 학습부 300: 출력부
310: 타이어 래디얼 런아웃 예측부 320: 타이어 RFV 예측부
330: 타이어 복원율 예측부

Claims

데이터 마이닝 기법 중 인공 신경망 기법 적용을 통해 타이어 개발 시 타이어 플랫스팟(Tire Flat Spot)에 대한 성능 예측을 예측하는 방법으로서,
타이어 플랫스팟(Tire Flat Spot)에 대한 성능을 예측하기 위해 입력부로부터 각종의 데이터를 입력받는 단계;
상기 입력된 데이터를 기초로 타이어 전용의 인공 신경망 모델부를 통해 플랫스팟(Tire Flat Spot) 성능을 인공지능 학습하는 단계; 및
상기 학습에 따라 타이어 플랫스팟(Tire Flat Spot)에 대한 성능 예측 결과를 출력부를 통해 출력하는 단계를 포함하고,
상기 입력받는 단계는,
타이어 구조 입력부를 통해 타이어 구조에 대한 데이터를 입력받는 단계;
타이어의 열적변형이 일어나는 열적변형 조건을 열적변형(Thermal Forming) 환경 조건 입력부를 통해 입력받는 단계; 및
유니포미티(Uniformity) 측정 조건 입력부를 통해 유니포미티(Uniformity) 측정조건을 입력받는 단계를 포함하는 것을 특징으로 하는 타이어 플랫스팟 성능 예측 방법.
삭제
청구항 1에 있어서,
상기 인공지능 학습하는 단계는,
타이어 레디얼 런아웃(Tire Radial Run-Out) 학습부를 통해 타이어 래디얼 런아웃(Radial Run-Out)을 학습하는 단계; 및
타이어 RFV(Tire Radial Force Variation; 타이어 반경방향 힘 변화) 학습부에 의해 타이어 RFV를 학습하는 단계를 포함하는 것을 특징으로 하는 타이어 플랫스팟 성능 예측 방법.
청구항 1에 있어서,
상기 타이어 플랫스팟 성능 예측 결과를 출력하는 단계는,
타이어 레디얼 런아웃(Tire Radial Run-Out) 예측부에 의해 타이어 래디얼 런아웃을 예측하는 단계;
타이어 RFV(Tire Radial Force Variation) 예측부에 의해 타이어 RFV를 예측하는 단계; 및
타이어 복원율 예측부에 의해 타이어 복원율을 예측하는 단계를 포함하는 것을 특징으로 하는 타이어 플랫스팟 성능 예측 방법.
청구항 1에 있어서,
상기 각종의 데이터는,
타이어 구조 입력 데이터;
열적변형(Thermal Forming) 환경 조건 데이터;
유니포미티(Uniformity) 측정 조건 데이터; 및
시험 환경 조건을 포함하는 것을 특징으로 하는 타이어 플랫스팟 성능 예측 방법.
청구항 3에 있어서,
상기 각종의 데이터는,
타이어 레디얼 런아웃(Tire Radial Run-Out) 예측 데이터;
타이어 RFV(Tire Radial Force Variation) 예측 데이터; 및
타이어 복원율 예측 데이터를 포함하는 것을 특징으로 하는 타이어 플랫스팟 성능 예측 방법.
청구항 4에 있어서,
상기 레디얼 런아웃(Tire Radial Run-Out) 예측부는 열적변형(Thermal Forming) 전과 후 최소 및 최대 예측 결과를 출력하고,
상기 타이어 RFV(Tire Radial Force Variation) 예측부는 열적변형(Thermal Forming) 전과 후 각각 최소 및 최대 예측 결과를 출력하고,
상기 타이어 복원율 예측부는 타이어 복원율의 최소 및 최대 예측 결과를 출력하는 것을 특징으로 하는 타이어 플랫스팟 성능 예측 방법.
청구항 1에 있어서,
상기 학습 단계는 상기 인공 신경망 모델부의 각 층의 연결 강도를 임의의 작은 값으로 초기화하고, 학습률과 오차의 최대 한계치를 결정하고, 학습 패턴쌍을 입력하고 은닉층의 입력 가중합을 도출하고, 시그모이드 함수(sigmoid function)를 활성화 함수로 적용 및 출력을 도출하는 단계; 및
출력층의 입력 가중합 및 최종 출력을 도출하고, 목표치와 최종출력을 비교한 후 제곱 오차를 계산하고, 출력층의 오차 신호를 도출하고, 은닉층의 오차 신호를 도출하고, 은닉층과 출력층간의 연결강도 변화량을 계산하고, 다음 학습단계의 각 층간의 연결강도를 도출하고, 학습 패턴쌍을 반복 입력한 후 연결강도를 변경하고,
상기 제곱 오차, 상기 출력층의 오차, 상기 은닉층의 오차가 특정 값보다 작아지면 학습을 종료하는 단계를 포함하는 것을 특징으로 하는 타이어 플랫스팟 성능 예측 방법.
청구항 1항의 방법을 기록한 것을 특징으로 하는 기록매체.