KR102308309B1

KR102308309B1 - 재생 abs의 물성을 예측하기 위한 시스템 및 시스템의 동작 방법

Info

Publication number: KR102308309B1
Application number: KR1020200187055A
Authority: KR
Inventors: 김관영
Original assignee: 대진첨단소재 주식회사
Priority date: 2020-12-30
Filing date: 2020-12-30
Publication date: 2021-10-06

Abstract

본 개시는 재생 ABS(Acrylonitrile Butadiene Styrene)를 이용한 혼합 소재의 물성을 예측하기 위한 시스템에 관한 것으로써, 혼합 소재의 물성을 예측하기 위한 시스템은 기계학습모델을 이용하여 데이터를 분석하기 위한 서버, 사용자의 입력을 수신하여 상기 서버로 전송하기 위한 사용자 단말기, 및 데이터를 수십하기 위한 데이터 수집부를 포함한다.

Description

재생 ABS의 물성을 예측하기 위한 시스템 및 시스템의 동작 방법{SYSTEM FOR PREDICTING PHYSICAL PROPERTY OF RECYCLED ACRYLONITRILE BUTADIENE STYRENE AND OPERATION METHOD THEREOF}

본 개시는 물성을 예측하기 위한 시스템 및 시스템의 동작 방법에 대한 것이다. 보다 구체적으로 본 개시는 인공지능을 이용하여 혼합 물질의 배합비율에 기반하여 혼합 물질의 물리적 특성을 예측할 수 있는 시스템에 대한 것이다.

중합체(重合體, polymer)는 단위체가 반복되어 연결된 고분자의 한 종류이다. 대개는 화학적 합성에 의한 고분자를 '중합체'라 칭한다. 중합체는 ABS(Acrylonitrile Butadiene Styrene)를 포함한다. ABS는 아크릴로니트릴(Acrylonitrile), 부타디엔(Butadiene), 스타이렌(Styrene)의 약자로 3가지 중 스타이렌이 주원료다.

일반적으로 가공이 쉽고 내충격성(耐衝擊性)이 크고 내열성도 좋다. 폴리에틸렌에 비하여 내열성 80°C~93°C, 내충격성 0.8~4.5이다. '내충격성이 4.5'라는 것은 쇠망치로 때려도 깨지지 않을 정도의 강도이므로 자동차부품·헬멧·전기기기 부품·방적기계 부품 등 공업용품에 금속 대용으로 사용된다.

ABS의 많은 사용에 따라 ABS가 환경 오염을 일으키고 있으며, 환경오염을 줄이기 위하여 ABS를 재활용하는 방안이 많이 연구되고 있다. 하지만 재생 ABS는 불순물을 포함하거나, 재생 ABS 내부의 중합체의 사슬이 끊어져서 일반적인 ABS와 다른 특성을 가지는 경우가 있다. 따라서 재생 ABS를 사용하여 제품을 생산하기 위해서는 재생 ABS에 추가적인 소재를 혼합하여 재생 ABS의 물성을 일반 ABS의 물성과 유사하도록 만들어야 한다. 재생 ABS에 추가적인 소재를 혼합하기 위한 최적의 비율을 도출하기 위해서는 많은 시간과 노력을 들여 실험을 해야할 수 있다.

본 개시의 재생 ABS(Acrylonitrile Butadiene Styrene)를 이용한 혼합 소재의 물성을 예측하기 위한 시스템은 기계학습모델을 이용하여 데이터를 분석하기 위한 서버, 사용자의 입력을 수신하여 서버로 전송하기 위한 사용자 단말기, 및 데이터를 수십하기 위한 데이터 수집부를 포함하고, 물성을 예측하기 위한 시스템의 동작 방법은, 데이터 수집부가 재생 ABS에 GPC(Gel Permeation chromatography)분석을 수행하여 재생 ABS 관련 수평균분자량(Number average molecular weight)및 재생 ABS 관련 중량평균분자량(Weight average molecular weight)을 포함하는 재생 ABS 성분 정보를 획득하는 단계, 데이터 수집부가 재생 ABS 성분 정보를 서버로 송신하는 단계, 서버가 재생 ABS 성분 정보를 제 1 기계학습모델에 적용하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계, 사용자 단말기가 혼합 소재에 포함되는 재생 ABS의 함량비, 일반 ABS의 함량비, CNT(Carbon nano tube)의 함량비, 및 CF(Carbon fiber)의 함량비, 재생 TPU(Thermoplastic polyurethane)의 함량비, 및 혼합 소재의 기대 물성에 대한 정보를 획득하는 단계, 사용자 단말기가 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 재생 TPU의 함량비를 서버로 송신하는 단계, 서버가 재생 ABS의 특성과 관련된 인덱스, 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 재생 TPU의 함량비를 제 2 기계학습모델에 적용하여 재생 ABS, 일반 ABS, CNT, 및 CF, 및 재생 TPU의 혼합 소재의 물성과 관련된 인덱스 및 인덱스에 대한 신뢰도를 획득하는 단계, 서버가 혼합 소재의 물성과 관련된 인덱스 및 인덱스에 대한 신뢰도를 사용자 단말기로 송신하는 단계, 사용자 단말기는 혼합 소재의 물성과 관련된 인덱스에 대응되는 혼합 소재의 물성의 범위를 결정하는 단계, 사용자 단말기는 인덱스에 대한 신뢰도가 제 1 임계 신뢰도보다 낮은 경우, 사용자 단말기는 필수적으로 실험 수행이 필요함을 나타내는 제 1 출력 신호를 생성하는 단계, 및 혼합 소재의 기대 물성에 대한 정보가 혼합 소재의 물성의 범위에 포함되고, 사용자 단말기는 인덱스에 대한 신뢰도가 제 2 임계 신뢰도보다 높은 경우, 사용자 단말기는 부가적인 실험 수행이 필요함을 나타내는 제 2 출력 신호를 생성하는 단계를 포함하고, 제 1 기계학습모델은 재생 ABS 성분 정보 및 재생 ABS의 특성과 관련된 인덱스 사이의 관계를 기계학습한 모델이고, 제 2 기계학습모델은 재생 ABS의 특성과 관련된 인덱스, 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 재생 TPU의 함량비와 혼합 소재의 물성과 관련된 인덱스 사이의 관계를 기계학습한 모델인 것을 특징으로 한다.

본 개시의 물성을 예측하기 위한 시스템의 동작방법의 서버는 복수의 과거 재생 ABS 성분 정보 및 복수의 과거 재생 ABS 성분 정보에 각각 대응되는 복수의 과거 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계 및 서버는 복수의 과거 재생 ABS 성분 정보 및 복수의 과거 재생 ABS의 특성과 관련된 인덱스 사이의 관계를 기계학습하여 제 1 기계학습모델을 생성하는 단계를 포함하는 것을 특징으로 한다.

본 개시의 물성을 예측하기 위한 시스템의 동작방법의 재생 ABS의 특성과 관련된 인덱스는 재생 ABS에 포함된 아크릴로니트릴(Acrylonitrile), 부타디엔(Butadiene), 및 스타이렌(Styrene)으로 이루어진 중합체 사슬이 깨진 정도와 관련된 정보를 포함하는 것을 특징으로 한다.

본 개시의 물성을 예측하기 위한 시스템의 동작방법의 서버는 복수의 과거 재생 ABS의 특성과 관련된 인덱스, 복수의 과거 재생 ABS의 함량비, 복수의 과거 일반 ABS의 함량비, 복수의 과거 CNT의 함량비, 복수의 과거 CF의 함량비, 복수의 과거 재생 TPU의 함량비 및 복수의 과거 혼합 소재의 물성과 관련된 인덱스를 획득하는 단계 및 서버는 복수의 과거 재생 ABS의 특성과 관련된 인덱스, 복수의 과거 재생 ABS의 함량비, 복수의 과거 일반 ABS의 함량비, 복수의 과거 CNT의 함량비, 복수의 과거 CF의 함량비, 및 복수의 과거 재생 TPU의 함량비와 복수의 과거 혼합 소재의 물성과 관련된 인덱스의 관계를 기계학습하여 제 2 기계학습모델을 생성하는 단계를 포함하는 것을 특징으로 한다.

본 개시의 물성을 예측하기 위한 시스템의 동작방법의 재생 ABS 성분 정보를 획득하는 단계는 재생 ABS에 GPC분석을 수행하여, 재생 ABS에 포함된 분자들의 분자량의 분포를 생성하는 단계, 일반 ABS에 GPC분석을 수행하여, 일반 ABS에 포함된 분자들의 분자량의 분포를 생성하는 단계, 및 재생 ABS에 포함된 분자들의 분자량의 분포와 일반 ABS에 포함된 분자들의 분자량의 분포의 유사도를 결정하는 단계를 포함하고, 데이터 수집부가 재생 ABS 성분 정보를 서버로 송신하는 단계는, 분포의 유사도를 서버로 송신하는 단계를 포함하고, 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계는 분포의 유사도가 제 1 임계 유사도 이상인 경우, 서버가 제 1 기계학습모델을 이용하지 않고, 분포의 유사도에 기초하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 포함하는 것을 특징으로 한다.

본 개시의 물성을 예측하기 위한 시스템의 동작방법의 분포의 유사도를 결정하는 단계는 재생 ABS에 포함된 분자들의 분자량의 분포 중 최대 개수(A1)를 가지는 제 1 분자량(A2)을 결정하는 단계, 일반 ABS에 포함된 분자들의 분자량의 분포 중 최대 개수(B1)를 가지는 제 2 분자량(B2)을 결정하는 단계, 및 분포의 유사도 = 1 / ((((A2 - B2)^2)/(A2^2 + B2^2))^(1/2) + (((A1 - B1)^2)/(A1^2 + B1^2))^(1/2))와 같이 분포의 유사도를 결정하는 단계를 포함하는 것을 특징으로 한다.

본 개시의 물성을 예측하기 위한 시스템의 동작방법의 분포의 유사도에 기초하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계는 분포의 유사도가 제 1 임계 유사도 이상인 경우, 재생 ABS에 포함된 아크릴로니트릴(Acrylonitrile), 부타디엔(Butadiene), 및 스타이렌(Styrene)으로 이루어진 중합체 사슬이 깨진 정도가 가장 낮은 것을 나타내도록 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 포함하는 것을 특징으로 한다.

본 개시의 물성을 예측하기 위한 시스템의 동작방법의 일반 ABS의 함량비는 재생 ABS의 질량에 대한 일반 ABS의 질량이 1 이하이고, CNT의 함량비는 재생 ABS의 질량에 대한 CNT의 질량이 1/20이하이며, CF의 함량비는 재생 ABS의 질량에 대한 CF의 질량이 1/5이하이며, 재생 TPU의 함량비는 재생 ABS의 질량에 대한 재생 TPU의 질량이 2/3이하인 것을 특징으로 한다.

본 개시의 재생 ABS(Acrylonitrile Butadiene Styrene)를 이용한 혼합 소재의 물성을 예측하기 위한 시스템은 기계학습모델을 이용하여 데이터를 분석하기 위한 서버, 사용자의 입력을 수신하여 서버로 전송하기 위한 사용자 단말기, 및 데이터를 수십하기 위한 데이터 수집부를 포함하고, 물성을 예측하기 위한 시스템의 동작 방법은, 데이터 수집부가 재생 ABS에 GPC(Gel Permeation chromatography)분석을 수행하여 재생 ABS 관련 수평균분자량(Number average molecular weight) 및 재생 ABS 관련 중량평균분자량(Weight average molecular weight)을 포함하는 재생 ABS 성분 정보를 획득하는 단계, 데이터 수집부가 재생 ABS 성분 정보를 서버로 송신하는 단계, 서버가 재생 ABS 관련 중량평균분자량을 재생 ABS 관련 수평균분자량으로 나눈 값을 재생 다분산성 인덱스(polydispersity index)로써 획득하는 단계, 재생 다분산성 인덱스가 임계 인덱스 이상인 경우, 서버가 재생 ABS 성분 정보를 제 1 기계학습모델에 적용하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계, 사용자 단말기가 혼합 소재에 포함되는 재생 ABS의 함량비, 일반 ABS의 함량비, CNT(Carbon nano tube)의 함량비, 및 CF(Carbon fiber)의 함량비, 재생 TPU(Thermoplastic polyurethane)의 함량비, 및 혼합 소재의 기대 물성에 대한 정보를 획득하는 단계, 사용자 단말기가 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 재생 TPU의 함량비를 서버로 송신하는 단계, 서버가 재생 ABS의 특성과 관련된 인덱스, 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 재생 TPU의 함량비를 제 2 기계학습모델에 적용하여 재생 ABS, 일반 ABS, CNT, 및 CF, 및 재생 TPU의 혼합 소재의 물성과 관련된 인덱스를 획득하는 단계, 서버가 결정된 혼합 소재의 물성과 관련된 인덱스를 사용자 단말기로 송신하는 단계 및 사용자 단말기는 혼합 소재의 물성과 관련된 인덱스에 대응되는 혼합 소재의 물성의 범위를 결정하는 단계를 포함하고, 제 1 기계학습모델은 재생 ABS 성분 정보 및 재생 ABS의 특성과 관련된 인덱스 사이의 관계를 기계학습한 모델이고, 제 2 기계학습모델은 재생 ABS의 특성과 관련된 인덱스, 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 재생 TPU의 함량비와 혼합 소재의 물성과 관련된 인덱스 사이의 관계를 기계학습한 모델인 것을 특징으로 한다.

본 개시의 물성을 예측하기 위한 시스템의 동작방법의 재생 ABS 성분 정보를 획득하는 단계는 재생 ABS에 GPC분석을 수행하여, 재생 ABS에 포함된 분자들의 분자량의 분포를 생성하는 단계, 일반 ABS에 GPC분석을 수행하여, 일반 ABS에 포함된 분자들의 분자량의 분포를 생성하는 단계, 및 재생 ABS에 포함된 분자들의 분자량의 분포와 일반 ABS에 포함된 분자들의 분자량의 분포의 유사도를 결정하는 단계를 포함하고, 데이터 수집부가 재생 ABS 성분 정보를 서버로 송신하는 단계는, 분포의 유사도를 서버로 송신하는 단계를 포함하고, 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계는 분포의 유사도가 제 1 임계 유사도 이상이고, 재생 다분산성 인덱스가 임계 인덱스 이상인 경우, 서버가 제 1 기계학습모델을 이용하지 않고, 분포의 유사도에 기초하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 포함하는 것을 특징으로 한다.

본 개시의 물성을 예측하기 위한 시스템의 동작방법의 분포의 유사도에 기초하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계는 재생 ABS에 포함된 아크릴로니트릴(Acrylonitrile), 부타디엔(Butadiene), 및 스타이렌(Styrene)으로 이루어진 중합체 사슬이 깨진 정도가 가장 낮은 것을 나타내도록 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 포함하는 것을 특징으로 한다.

본 개시의 물성을 예측하기 위한 시스템의 동작방법의 재생 ABS 성분 정보를 획득하는 단계는 일반 ABS에 GPC분석을 수행하여, 일반 ABS 관련 수평균분자량 및 일반 ABS 관련 중량평균분자량을 획득하는 단계, 서버가 일반 ABS 관련 중량평균분자량을 일반 ABS 관련 수평균분자량으로 나눈 값을 일반 다분산성 인덱스로써 획득하는 단계, 서버가 재생 다분산성 인덱스 및 일반 다분산성 인덱스 사이의 차이값을 결정하는 단계를 포함하고, 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계는 차이값의 절대값이 제 1 임계 차이값 미만이고, 재생 다분산성 인덱스가 임계 인덱스 미만인 경우, 서버가 제 1 기계학습모델을 이용하지 않고, 유사도에 기초하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 포함하는 것을 특징으로 한다.

재생 ABS(Acrylonitrile Butadiene Styrene)를 이용한 혼합 소재의 물성을 예측하기 위한 시스템은 기계학습모델을 이용하여 데이터를 분석하기 위한 서버, 사용자의 입력을 수신하여 서버로 전송하기 위한 사용자 단말기, 및 데이터를 수십하기 위한 데이터 수집부를 포함하고, 물성을 예측하기 위한 시스템의 동작 방법은, 데이터 수집부가 재생 ABS에 GPC(Gel Permeation chromatography)분석을 수행하여 재생 ABS 관련 수평균분자량(Number average molecular weight) 및 재생 ABS 관련 중량평균분자량(Weight average molecular weight)을 포함하는 재생 ABS 성분 정보를 획득하는 단계, 일반 ABS에 GPC분석을 수행하여, 일반 ABS 관련 수평균분자량 및 일반 ABS 관련 중량평균분자량을 포함하는 일반 ABS 성분 정보를 획득하는 단계, 데이터 수집부가 재생 ABS 성분 정보 및 일반 ABS 성분 정보를 서버로 송신하는 단계, 서버가 재생 ABS 관련 중량평균분자량을 재생 ABS 관련 수평균분자량으로 나눈 값을 재생 다분산성 인덱스(polydispersity index)로써 획득하는 단계, 서버가 일반 ABS 관련 중량평균분자량을 일반 ABS 관련 수평균분자량으로 나눈 값을 일반 다분산성 인덱스로써 획득하는 단계, 재생 다분산성 인덱스에서 일반 다분산성 인덱스를 차감한 값에 기초하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계, 사용자 단말기가 혼합 소재에 포함되는 재생 ABS의 함량비, 일반 ABS의 함량비, CNT(Carbon nano tube)의 함량비, 및 CF(Carbon fiber)의 함량비, 재생 TPU(Thermoplastic polyurethane)의 함량비, 및 혼합 소재의 기대 물성에 대한 정보를 획득하는 단계, 사용자 단말기가 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 재생 TPU의 함량비를 서버로 송신하는 단계, 서버가 재생 ABS의 특성과 관련된 인덱스, 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 재생 TPU의 함량비를 제 2 기계학습모델에 적용하여 재생 ABS, 일반 ABS, CNT, 및 CF, 및 재생 TPU의 혼합 소재의 물성과 관련된 인덱스를 획득하는 단계, 서버가 결정된 혼합 소재의 물성과 관련된 인덱스를 사용자 단말기로 송신하는 단계 및 사용자 단말기는 혼합 소재의 물성과 관련된 인덱스에 대응되는 혼합 소재의 물성의 범위를 결정하는 단계를 포함하고, 제 2 기계학습모델은 재생 ABS의 특성과 관련된 인덱스, 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 재생 TPU의 함량비와 혼합 소재의 물성과 관련된 인덱스 사이의 관계를 기계학습한 모델인 것을 특징으로 한다.

본 개시의 물성을 예측하기 위한 시스템의 동작방법의 차감한 값에 기초하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계는 미리 정해진 테이블에서 차감한 값에 대응되는 재생 ABS의 특성과 관련된 인덱스를 선택하는 단계를 포함하고, 미리 정해진 테이블은 차감한 값 및 재생 ABS의 특성과 관련된 인덱스 사이의 관계를 대응시킨 테이블인 것을 특징으로 한다.

본 개시의 물성을 예측하기 위한 시스템의 동작방법의 재생 ABS 성분 정보를 획득하는 단계는 재생 ABS에 GPC분석을 수행하여, 재생 ABS에 포함된 분자들의 분자량의 분포를 생성하는 단계, 일반 ABS에 GPC분석을 수행하여, 일반 ABS에 포함된 분자들의 분자량의 분포를 생성하는 단계 및 재생 ABS에 포함된 분자들의 분자량의 분포와 일반 ABS에 포함된 분자들의 분자량의 분포의 유사도를 결정하는 단계를 포함하고, 데이터 수집부가 재생 ABS 성분 정보를 서버로 송신하는 단계는 분포의 유사도를 서버로 송신하는 단계를 포함하고, 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계는 분포의 유사도에 더 기초하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 포함하는 것을 특징으로 한다.

본 개시의 물성을 예측하기 위한 시스템의 동작방법의 분포의 유사도에 더 기초하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계는 분포의 유사도가 제 1 임계 유사도 이상인 경우, 재생 ABS에 포함된 아크릴로니트릴(Acrylonitrile), 부타디엔(Butadiene), 및 스타이렌(Styrene)으로 이루어진 중합체 사슬이 깨진 정도가 가장 낮은 것을 나타내도록 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 포함하는 것을 특징으로 한다.

또한, 상술한 바와 같은 물성을 예측하기 위한 시스템의 동작 방법을 구현하기 위한 프로그램은 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다.

도 1 은 본 개시의 일 실시예에 따른 혼합 소재의 물성을 예측하기 위한 시스템을 나타낸 블록도이다.
도 2는 본 개시의 일 실시예에 따른 서버를 나타낸 도면이다.
도 3은 본 개시의 일 실시예에 따른 서버(110)의 블록도이다.
도 4는 본 개시의 일 실시예에 따른 물성을 예측하기 위한 시스템의 동작 방법을 설명하기 위한 흐름도이다.
도 5는 본 개시의 일 실시예에 따른 제 1 기계학습모델을 설명하기 위한 도면이다.
도 6는 본 개시의 일 실시예에 따른 제 2 기계학습모델을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시예에 따른 물성을 예측하기 위한 시스템의 동작방법을 나타내기 위한 흐름도일 수 있다.
도 8은 본 개시의 일 실시예에 따른 물성을 예측하기 위한 시스템의 동작방법을 설명하기 위한 도면일 수 있다.
도 9는 본 개시의 일 실시예에 따라 제 1 기계학습모델 없이 재생 ABS의 특성과 관련된 인덱스를 획득하는 과정을 나타낸 흐름도이다.
도 10은 본 개시의 일 실시예에 따라 제 1 기계학습모델 없이 재생 ABS의 특성과 관련된 인덱스를 획득하는 과정을 설명하기 위한 도면이다.

개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다.

본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다.

명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.

또한, 명세서에서 사용되는 "부"라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, "부"는 어떤 역할들을 수행한다. 그렇지만 "부"는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부"들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부"들로 결합되거나 추가적인 구성요소들과 "부"들로 더 분리될 수 있다.

본 개시의 일 실시예에 따르면 "부"는 프로세서 및 메모리로 구현될 수 있다. 용어 "프로세서" 는 범용 프로세서, 중앙 처리 장치 (CPU), 마이크로프로세서, 디지털 신호 프로세서 (DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서는, "프로세서" 는 주문형 반도체 (ASIC), 프로그램가능 로직 디바이스 (PLD), 필드 프로그램가능 게이트 어레이 (FPGA) 등을 지칭할 수도 있다. 용어 "프로세서" 는, 예를 들어, DSP 와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다.

용어 "메모리" 는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. 용어 메모리는 임의 액세스 메모리 (RAM), 판독-전용 메모리 (ROM), 비-휘발성 임의 액세스 메모리 (NVRAM), 프로그램가능 판독-전용 메모리 (PROM), 소거-프로그램가능 판독 전용 메모리 (EPROM), 전기적으로 소거가능 PROM (EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.

아래에서는 첨부한 도면을 참고하여 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.

도 1 은 본 개시의 일 실시예에 따른 혼합 소재의 물성을 예측하기 위한 시스템을 나타낸 블록도이다.

혼합 소재의 물성을 예측하기 위한 시스템(100)은 재생 ABS(Acrylonitrile Butadiene Styrene)를 이용한 혼합 소재의 물성을 예측하기 위한 시스템일 수 있다.

혼합 소재의 물성을 예측하기 위한 시스템(100)은 기계학습모델을 이용하여 데이터를 분석하기 위한 서버(110), 사용자의 입력을 수신하여 상기 서버(110)로 전송하기 위한 사용자 단말기(120), 및 데이터를 수십하기 위한 데이터 수집부(130)를 포함할 수 있다.

데이터 수집부(130)는 데이터를 외부 장치로부터 수신할 수 있다. 또한 데이터 수집부(130)는 혼합 소재의 물성을 도출하기 위한 실험 장치일 수 있다. 예를 들어 데이터 수집부(130)는 GPC(Gel Permeation Chromatography) 실험 장치일 수 있다.

이하에서는 시스템(100)에 포함된 서버(110), 사용자 단말기(120), 및 데이터 수집부(130)에 대하여 보다 자세히 설명한다.

도 2는 본 개시의 일 실시예에 따른 서버를 나타낸 도면이다.

서버(110)는 프로세서(210) 및 메모리(220)를 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 명령어들을 수행할 수 있다.

서버(110)는 데이터 학습부(310) 또는 데이터 인식부(320)를 포함할 수 있다. 데이터 학습부(310) 또는 데이터 인식부(320)에 대해서는 도 3과 함께 자세히 설명한다. 데이터 학습부(310) 또는 데이터 인식부(320)는 프로세서(210) 및 메모리(220)에 의하여 구현될 수 있다.

도 2는 서버(110)에 대하여 설명한 것이지만 이에 한정되는 것은 아니다. 도 1의 사용자 단말기(120) 및 데이터 수집부(130) 역시 프로세서(210) 및 메모리(220)를 포함할 수 있다. 또한 서버(110), 사용자 단말기(120), 및 데이터 수집부(130)는 서로 유무선으로 연결되어, 데이터를 주고 받을 수 있다.

도 3은 본 개시의 일 실시예에 따른 서버(110)의 블록도이다.

도 3을 참조하면, 일 실시예에 따른 서버(110)는 데이터 학습부(310) 또는 데이터 인식부(320) 중 적어도 하나를 포함할 수 있다. 상술한 바와 같은 서버(110)는 프로세서 및 메모리를 포함할 수 있다.

데이터 학습부(310)는 데이터 세트를 이용하여 타겟 태스크(target task)를 수행하기 위한 기계학습모델을 학습할 수 있다. 데이터 학습부(310)는 데이터 세트 및 타겟 태스크와 관련된 레이블 정보를 수신할 수 있다. 레이블 정보는 실제(ground truth) 데이터일 수 있다. 레이블 정보는 사용자 또는 실험 장치로부터 수신된 정보일 수 있다. 데이터 학습부(310)는 데이터 세트와 레이블 정보의 관계에 대해 기계학습을 수행하여 기계학습모델을 획득할 수 있다. 데이터 학습부(310)가 획득한 기계학습모델은 데이터 세트를 이용하여 레이블 정보를 생성하기 위한 모델일 수 있다.

데이터 인식부(320)는 데이터 학습부(310)의 기계학습모델을 수신하여 저장하고 있을 수 있다. 데이터 인식부(320)는 입력 데이터에 기계학습모델을 적용하여 예측된 레이블 정보를 출력할 수 있다. 또한, 데이터 인식부(320)는 입력 데이터, 예측된 레이블 정보 및 기계학습모델에 의해 출력된 추가적인 데이터 중 적어도 하나를 기계학습모델을 갱신하는데 이용할 수 있다. 기계학습모델에 의해 출력된 추가적인 데이터는 예측된 레이블 정보의 신뢰도에 대한 정보일 수 있다.

데이터 학습부(310) 및 데이터 인식부(320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(310) 및 데이터 인식부(320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 이미 설명한 각종 전자 장치에 탑재될 수도 있다.

또한 데이터 학습부(310) 및 데이터 인식부(320)는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(310) 및 데이터 인식부(320) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(310) 및 데이터 인식부(320)는 유선 또는 무선으로 통하여, 데이터 학습부(310)가 구축한 기계학습모델 정보를 데이터 인식부(320)로 제공할 수도 있고, 데이터 인식부(320)로 입력된 데이터가 추가 학습 데이터로써 데이터 학습부(310)로 제공될 수도 있다.

한편, 데이터 학습부(310) 및 데이터 인식부(320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(310) 및 데이터 인식부(320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 메모리 또는 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

본 개시의 일 실시예에 따른 데이터 학습부(310)는 데이터 획득부(311), 전처리부(312), 학습 데이터 선택부(313), 모델 학습부(314) 및 모델 평가부(315)를 포함할 수 있다.

데이터 획득부(311)는 기계학습에 필요한 데이터를 획득할 수 있다. 학습을 위해서는 많은 데이터가 필요하므로, 데이터 획득부(311)는 복수의 데이터를 포함하는 데이터 세트를 수신할 수 있다.

복수의 데이터 각각에 대하여 레이블 정보가 할당될 수 있다. 레이블 정보는 복수의 데이터의 각각을 설명하는 정보일 수 있다. 레이블 정보는 타겟 태스크(target task)가 도출하고자 하는 정보일 수 있다. 레이블 정보는 사용자 입력으로부터 획득되거나, 메모리로부터 획득되거나, 기계학습모델의 결과로부터 획득될 수 있다.

예를 들어 타겟 태스크는 재생 ABS 성분 정보에 기초하여 재생 ABS의 특성을 분류(classification)하는 것일 수 있다. 데이터 획득부(311)는 재생 ABS 성분 정보를 복수의 데이터로써 획득하고, 각각의 재생 ABS 성분 정보에 대응하는 재생 ABS의 특성과 관련된 인덱스를 레이블 정보로써 획득할 수 있다.

또한 타겟 태스크는 물질의 함량비에 따른 혼합 물질의 물성을 예측하는 것일 수 있다. 이때 데이터 획득부(311)는 복수의 물질의 함량비를 복수의 데이터로써 획득하고, 물질의 함량비에 따른 물성과 관련된 인덱스를 레이블 정보로써 획득할 수 있다. 레이블 정보는 사용자에 의하여 입력되거나, 실험장치에 의하여 획득될 수 있다.

전처리부(312)는 수신된 데이터가 기계학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(312)는 후술할 모델 학습부(314)가 이용할 수 있도록, 획득된 데이터 세트를 미리 설정된 포맷으로 가공할 수 있다.

학습 데이터 선택부(313)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(314)에 제공될 수 있다. 학습 데이터 선택부(313)는 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(313)는 후술할 모델 학습부(314)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

모델 학습부(314)는 데이터 세트에 기초하여 어떤 레이블 정보를 출력할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(314)는 데이터 세트 및 데이터 세트 대한 레이블 정보를 학습 데이터로써 이용하여 기계학습을 수행할 수 있다. 또한 모델 학습부(314)는 기존에 획득된 기계학습모델을 추가적으로 이용하여 기계학습을 수행할 수 있다. 이 경우, 기존에 획득된 기계학습모델은 미리 구축된 모델일 수 있다. 예를 들어, 기계학습모델은 기본 학습 데이터를 입력 받아 미리 구축된 모델일 수 있다.

기계학습모델은, 학습모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 기계학습모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, Deep Neural Network (DNN), Recurrent Neural Network (RNN), Long Short-Term Memory models (LSTM), BRDNN (Bidirectional Recurrent Deep Neural Network), Convolutional Neural Networks (CNN)과 같은 모델이 기계학습모델로써 사용될 수 있으나, 이에 한정되지 않는다.

다양한 실시예에 따르면, 모델 학습부(314)는 미리 구축된 기계학습모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 기계학습모델을 학습할 기계학습모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 기계학습모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 장소, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.

또한, 모델 학습부(314)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 기계학습모델을 학습시킬 수 있다.

또한, 모델 학습부(314)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning)을 통하여, 기계학습모델을 학습할 수 있다. 또한, 모델 학습부(314)는, 예를 들어, 별다른 지도없이 타겟 태스크(target task)을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 타겟 태스크를 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 기계학습모델을 획득할 수 있다. 또한, 모델 학습부(314)는, 예를 들어, 학습에 따른 타겟 태스크의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 기계학습모델을 학습할 수 있다.

또한, 기계학습모델이 학습되면, 모델 학습부(314)는 학습된 기계학습모델을 저장할 수 있다. 이 경우, 모델 학습부(314)는 학습된 기계학습모델을 데이터 인식부(320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(314)는 학습된 기계학습모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.

학습된 기계학습모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.

모델 평가부(315)는 기계학습모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(314)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 기계학습모델을 평가하기 위한 기 설정된 데이터일 수 있다.

예를 들어, 모델 평가부(315)는 평가 데이터에 대한 학습된 기계학습모델의 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 기계학습모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(315)는 학습된 기계학습모델이 적합하지 않은 것으로 평가할 수 있다.

한편, 학습된 기계학습모델이 복수 개가 존재하는 경우, 모델 평가부(315)는 각각의 학습된 기계학습모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 기계학습모델로써 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(315)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 기계학습모델로써 결정할 수 있다.

한편, 데이터 학습부(310) 내의 데이터 획득부(311), 전처리부(312), 학습 데이터 선택부(313), 모델 학습부(314) 및 모델 평가부(315) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(311), 전처리부(312), 학습 데이터 선택부(313), 모델 학습부(314) 및 모델 평가부(315) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

또한, 데이터 획득부(311), 전처리부(312), 학습 데이터 선택부(313), 모델 학습부(314) 및 모델 평가부(315)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(311), 전처리부(312), 학습 데이터 선택부(313), 모델 학습부(314) 및 모델 평가부(315) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(311), 전처리부(312), 학습 데이터 선택부(313), 모델 학습부(314) 및 모델 평가부(315) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(311), 전처리부(312), 학습 데이터 선택부(313), 모델 학습부(314) 및 모델 평가부(315) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

본 개시의 일 실시예에 따른 데이터 인식부(320)는 데이터 획득부(321), 전처리부(322), 인식 데이터 선택부(323), 인식 결과 제공부(324) 및 모델 갱신부(325)를 포함할 수 있다.

데이터 획득부(321)는 입력 데이터를 수신할 수 있다. 전처리부(322)는 획득된 입력 데이터가 인식 데이터 선택부(323) 또는 인식 결과 제공부(324)에서 이용될 수 있도록, 획득된 입력 데이터를 전처리할 수 있다.

인식 데이터 선택부(323)는 전처리된 데이터 중에서 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(324)에게 제공될 수 있다. 인식 데이터 선택부(323)는 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(323)는 모델 학습부(314)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

인식 결과 제공부(324)는 선택된 데이터를 기계학습모델에 적용하여 결과 데이터를 획득할 수 있다. 기계학습모델은 모델 학습부(314)에 의하여 생성된 기계학습모델일 수 있다. 인식 결과 제공부(324)는 결과 데이터를 출력할 수 있다.

모델 갱신부(325)는 인식 결과 제공부(324)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 기계학습모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(325)는 인식 결과 제공부(324)에 의해 제공되는 인식 결과를 모델 학습부(314)에게 제공함으로써, 모델 학습부(314)가 기계학습모델을 갱신하도록 할 수 있다.

한편, 데이터 인식부(320) 내의 데이터 획득부(321), 전처리부(322), 인식 데이터 선택부(323), 인식 결과 제공부(324) 및 모델 갱신부(325) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(321), 전처리부(322), 인식 데이터 선택부(323), 인식 결과 제공부(324) 및 모델 갱신부(325) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

또한, 데이터 획득부(321), 전처리부(322), 인식 데이터 선택부(323), 인식 결과 제공부(324) 및 모델 갱신부(325)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(321), 전처리부(322), 인식 데이터 선택부(323), 인식 결과 제공부(324) 및 모델 갱신부(325) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(321), 전처리부(322), 인식 데이터 선택부(323), 인식 결과 제공부(324) 및 모델 갱신부(325) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(321), 전처리부(322), 인식 데이터 선택부(323), 인식 결과 제공부(324) 및 모델 갱신부(325) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

아래에서는 데이터 학습부(310)의 데이터 획득부(311), 전처리부(312) 및 학습 데이터 선택부(313)가 학습 데이터를 수신하여 처리하는 방법 및 장치에 대하여 보다 자세히 설명한다.

사용자 단말기(120)는 재생 전의 ABS 제품의 표면에 부착되어 있는 스티커로부터 ABS 제품과 관련된 정보를 획득할 수 있다. ABS 제품의 표면에 부착되어 있는 스티커는 ABS 제품을 만든 제조사에서 붙인 스티커일 수 있다. 스티커에는 ABS 제품의 재활용과 관련된 정보를 포함하고 있을 수 있다. 예를 들어 사용자 단말기(120)는 ABS 제품의 표면에 부착되어 있는 바코드 또는 QR 코드를 카메라로 촬영할 수 있다. 또한 사용자 단말기(120)는 바코드 또는 QR코드의 영상으로부터 ABS 제품과 관련된 정보를 획득할 수 있다. ABS 제품과 관련된 정보는 ABS 제품에 포함된 아크릴로니트릴(Acrylonitrile), 부타디엔(Butadiene), 및 스타이렌(Styrene)의 비율에 대한 정보를 포함할 수 있다. 사용자 단말기(120)는 ABS 제품과 관련된 정보를 서버(110)로 송신할 수 있다.

서버(110)는 수신된 ABS 제품과 관련된 정보에 기초하여 ABS 제품이 재활용 가능한지 결정할 수 있다. 예를 들어 서버(110)는 ABS 제품과 관련된 정보에 기초하여 부타디엔의 질량에 대한 아크릴로니트릴의 질량의 제 1 질량비를 획득할 수 있다. 또한 서버(110)는 ABS 제품과 관련된 정보에 기초하여 부타디엔의 질량에 대한 스타이렌의 질량의 제 2 질량비를 획득할 수 있다. 서버(110)는 미리 결정된 제 1 비율 범위 및 제 2 비율 범위를 저장하고 있을 수 있다. 서버(110)는 제 1 질량비가 제 1 비율 범위에 포함되고, 제 2 질량비가 제 2 비율 범위에 포함되는 경우, ABS 제품이 재생 가능한 것으로 결정할 수 있다. 또한 서버(110)는 제 1 질량비가 제 1 비율 범위에 포함되지 않거나, 제 2 질량비가 제 2 비율 범위에 포함되지 않는 경우, ABS 제품이 재생 가능하지 않은 것으로 결정할 수 있다. 이와 같이 서버(110)는 특정 성분비를 가지는 ABS 만을 이용하여 재생 ABS를 획득하도록 유도함으로써, 사용자가 원하는 물성을 가지는 재생 ABS를 쉽게 얻을 수 있다.

ABS 제품이 재생 가능한 것으로 결정된 경우, 서버(110)는 데이터 수집부(130)에 제 1 질량비 및 제 2 질량비를 송신할 수 있다. 또한 서버(110)는 ABS 제품에 의하여 재생된 재생 ABS에 대한 분석이 데이터 수집부(130)에서 시작되도록 할 수 있다.

재생 ABS가 생성되는 과정에서 ABS가 아닌 물질이 혼합될 수 있다. 데이터 수집부(130), 실험장비 또는 사용자에 의하여 재생 ABS에 포함된 부타디엔의 질량에 대한 아크릴로니트릴의 질량의 제 3 질량비가 획득될 수 있다. 또한 데이터 수집부(130), 실험장비 또는 사용자에 의하여 부타디엔의 질량에 대한 스타이렌의 질량의 제 4 질량비가 획득될 수 있다. 데이터 수집부(130)는 제 3 질량비 및 제 4 질량비를 획득할 수 있다. 데이터 수집부(130)는 제 1 질량비 및 제 3 질량비의 차이가 임계 질량비 이하인지 결정할 수 있다. 또한 데이터 수집부(130)는 제 2 질량비 및 제 4 질량비의 차이가 임계 질량비 이하인지 결정할 수 있다. 임계 질량비는 미리 결정된 질량비일 수 있다. 데이터 수집부(130)는 제 1 질량비 및 제 3 질량비의 차이의 절대값이 임계 질량비 이하이고, 제 2 질량비 및 제 4 질량비의 차이의 절대값이 임계 질량비 이하인 경우, 재생 ABS에 다른 물질들을 혼합하여 목표한 물성을 가지도록 할 수 있다. 목표한 물성을 가지는지 확인하기 위한 실험은 아래와 같은 과정을 거칠 수 있다.

도 4는 본 개시의 일 실시예에 따른 물성을 예측하기 위한 시스템의 동작 방법을 설명하기 위한 흐름도이다.

데이터 수집부(130)는 재생 ABS에 GPC(Gel Permeation chromatography)분석을 수행하여 재생 ABS 관련 수평균분자량(Number average molecular weight)및 재생 ABS 관련 중량평균분자량(Weight average molecular weight)을 포함하는 재생 ABS 성분 정보를 획득하는 단계(410)를 수행할 수 있다.

데이터 수집부(130)는 GPC 분석 장치를 포함할 수 있다. GPC 분석 장치는 컬럼 내부의 충진 입자의 구멍 크기(pore size)를 이용하여, 분자량이 작은 물질은 컬럼에 오래 머무르게 하고, 분자량이 큰 물질은 빨리 유출되게 하여, “분자량을 이미 아는” 표준물질들의 calibration plot과 “분자량을 모르는” 시료의 chromatogram 으로부터 분자량 분포를 산출하는 기기이다. 도 8에서 설명하겠지만 여기서 잠시 설명하면, GPC 분석 장치에 의하면 크기가 큰 분자는 빨리 배출되고 작은 분자는 충진 입자의 구멍에 의해 저항을 받아 느리게 배출된다.

GPC 분석 장치인 데이터 수집부(130)는 고분자 물질의 분자량에 대한 분자의 수의 정보를 획득할 수 있다. 또한 데이터 수집부(130)는 분자량에 대한 분자의 수의 정보에 기초하여 수평균분자량 및 중량평균분자량을 획득할 수 있다. 예를 들어 데이터 수집부(130)는 재생 ABS의 분자량에 대한 분자의 수의 정보에 기초하여 재생 ABS 관련 수평균분자량 및 재생 ABS 관련 중량평균분자량을 획득할 수 있다.

본 개시에서 재생 ABS는 이미 한 번 제품으로 활용된 적이 있는 ABS일 수 있다. 본 개시에서 일반 ABS는 새로 만들어진 ABS를 의미한다. 재생 ABS는 재생과정에서 중합체의 사슬이 끊어질 수 있으며, ABS를 구성하는 물질 외의 물질이 혼합될 수 있다. 따라서 재생 ABS 관련 수평균분자량 및 재생 ABS 관련 중량평균분자량은 일반 ABS 관련 수평균분자량 및 일반 ABS 관련 중량평균분자량과 다를 수 있다.

데이터 수집부(130)는 재생 ABS 성분 정보를 서버(110)로 송신하는 단계를 수행할 수 있다. 서버(110)는 재생 ABS 성분 정보를 데이터 수집부(130)로부터 수신할 수 있다.

서버(110)는 재생 ABS 성분 정보를 제 1 기계학습모델에 적용하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계(420)를 수행할 수 있다. 여기서 제 1 기계학습모델은 재생 ABS 성분 정보 및 재생 ABS의 특성과 관련된 인덱스 사이의 관계를 기계학습한 모델일 수 있다. 제 1 기계학습모델은 서버(110)의 데이터 학습부(310)에 의하여 생성될 수 있다. 서버(110)는 메모리로부터 제 1 기계학습모델을 획득할 수 있다. 서버(110)는 외부의 장치로부터 제 1 기계학습모델을 수신할 수 있다. 제 1 기계학습모델에 대해서는 도 5에서 자세히 설명한다.

서버(110)는 데이터 인식부(320)의 제 1 기계학습모델을 통하여 재생 ABS의 특성과 관련된 인덱스를 출력할 수 있다. 제 1 기계학습모델에 의하여 출력된 재생 ABS의 특성과 관련된 인덱스는 예측된 인덱스일 수 있다.

재생 ABS의 특성과 관련된 인덱스는 재생 ABS가 일반 ABS와 유사한 정도를 나타낸다. ABS는 아크릴로니트릴(Acrylonitrile), 부타디엔(Butadiene), 스타이렌(Styrene)로 이루어진다. ABS는 아크릴로니트릴, 부타디엔, 및 스타이렌의 비율에 따라서 미묘하게 다른 성질을 가질 수 있다. 본 개시에서 일반 ABS는 재생되지 않고 새로이 생성된 ABS를 의미할 수 있다. 또한 일반 ABS는 재생 ABS의 특성을 판단하기 위한 기준이 되는 ABS일 수 있다. 재생 ABS의 특성과 관련된 인덱스는 재생 ABS의 아크릴로니트릴, 부타디엔, 및 스타이렌의 성분비가, 일반 ABS의 성분비와 다른 정도를 나타낼 수 있다. 예를 들어 부타디엔의 몰비가 1일 때, 재생 ABS의 스타이렌/아크릴로니트릴 및 일반 ABS의 스타이렌/아크릴로니트릴의 차이가 재생 ABS의 특성과 관련된 인덱스일 수 있다.

또한, 재생 ABS의 특성과 관련된 인덱스는 재생 ABS에 포함된 아크릴로니트릴(Acrylonitrile), 부타디엔(Butadiene), 및 스타이렌(Styrene)으로 이루어진 중합체 사슬이 깨진 정도와 관련된 정보를 포함할 수 있다. 즉, 재생 ABS의 특성과 관련된 인덱스는 일반 ABS에 비하여 재생 ABS의 고분자의 사슬이 끊어진 정도를 나타낼 수 있다. 재생 ABS는 재생 과정에서 사슬이 끊어질 수 있다. 따라서 재생 ABS는 일반 ABS에 비하여 상대적으로 낮은 분자량을 가지는 분자가 많을 수 있다. 따라서 재생 ABS의 특성과 관련된 인덱스는 사슬이 많이 끊어질수록 높은 값을 가질 수 있다.

도 4의 단계(420)와 다르게, 서버(110)는 제 1 기계학습모델을 사용하지 않고 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 수행할 수 있다. 본 개시의 다양한 실시예에 따르면, 서버(110)는 재생 ABS 관련 중량평균분자량을 재생 ABS 관련 수평균분자량으로 나눈 값을 재생 다분산성 인덱스(polydispersity index)로써 획득하는 단계를 수행할 수 있다.

다분산성 인덱스는 특정 중합체 내에 있는 중합체 분자(고분자)들의 각 분자량이 얼마나 차이가 나는지를 나타내는 척도이다. 고분자 물질은 중량평균분자량이 수평균분자량보다 높게 나온다. 따라서 다분산성 인덱스는 1보다 크거나 같은 값을 가질 수 있다. 다분산성 인덱스가 큰 값을 가질수록 고분자들의 분자량이 크게 차이남을 의미할 수 있다. 또한 재생되지 않은 일반 ABS의 경우, 일반 ABS를 구성하는 고분자들의 분자량이 상대적으로 균일하므로, 다분산성 인덱스가 낮은 값을 가질 수 있다. 또한 재생 ABS의 경우, 재생하는 과정에서 이물질이 섞이거나 사슬이 끊어져서 ABS를 구성하는 고분자들의 분자량이 상대적으로 불균일하므로, 다분산성 인덱스가 높은 값을 가질 수 있다.

서버(110)는 재생 다분산성 인덱스가 임계 인덱스 이상인지 여부를 결정할 수 있다. 임계 인덱스는 미리 결정된 값일 수 있다. 임계 인덱스는 실험적으로 획득된 값일 수 있다. 임계 인덱스는 재생 ABS가 충분히 균일한 여부를 결정하기 위한 값일 수 있다.

재생 다분산성 인덱스가 임계 인덱스 이상인 경우, 서버(110)는 재생 ABS 성분 정보를 제 1 기계학습모델에 적용하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 수행할 수 있다. 이는 도 4의 단계(420)와 동일할 수 있다.

하지만, 재생 다분산성 인덱스가 임계 인덱스 미만인 경우, 서버(110)는 재생 ABS 성분 정보를 제 1 기계학습모델에 적용하지 않고 재생 다분산성 인덱스에 기초하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 수행할 수 있다. 예를 들어, 서버(110)는 재생 다분산성 인덱스와 재생 ABS의 특성과 관련된 인덱스를 대응시킨 테이블을 저장하고 있을 수 있다. 서버(110)는 테이블에서 수신된 재생 다분산성 인덱스에 기초하여 재생 ABS의 특성과 관련된 인덱스를 선택할 수 있다.

본 개시의 다양한 실시예에 따르면, 데이터 수집부(130)가 재생 ABS 성분 정보를 획득하는 단계(410)는 다음과 같은 과정을 더 포함할 수 있다. 데이터 수집부(130)는 일반 ABS에 GPC분석을 수행하여, 일반 ABS 관련 수평균분자량 및 일반 ABS 관련 중량평균분자량을 획득하는 단계를 수행할 수 있다. 데이터 수집부(130)는 일반 ABS 관련 수평균분자량 및 일반 ABS 관련 중량평균분자량을 서버(110)로 더 송신할 수 있다.

서버(110)는 재생 ABS 관련 중량평균분자량을 재생 ABS 관련 수평균분자량으로 나눈 값을 재생 다분산성 인덱스(polydispersity index)로써 획득하는 단계를 수행할 수 있다. 서버(110)는 일반 ABS 관련 중량평균분자량을 일반 ABS 관련 수평균분자량으로 나눈 값을 일반 다분산성 인덱스로써 획득하는 단계를 수행할 수 있다. 서버(110)는 재생 다분산성 인덱스 및 일반 다분산성 인덱스 사이의 차이값을 결정하는 단계를 수행할 수 있다. 차이값은 재생 다분산성 인덱스에서 일반 다분산성 인덱스를 뺀 값일 수 있다.

또한, 서버(110)는 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계(420)를 중에 이하와 같은 과정을 더 수행할 수 있다.

서버(110)는 차이값의 절대값이 제 1 임계 차이값 미만이고, 재생 다분산성 인덱스가 임계 인덱스 미만인지 여부를 결정할 수 있다. 제 1 임계 차이값은 미리 결정된 값일 수 있다. 제 1 임계 차이값은 재생 다분산성 인덱스 및 일반 다분산성 인덱스의 차이가 큰지 여부를 결정하기 위한 값일 수 있다. 또한 임계 인덱스는 미리 결정된 값일 수 있다. 임계 인덱스는 실험적으로 획득된 값일 수 있다. 임계 인덱스는 재생 ABS가 충분히 균일한지 여부를 결정하기 위한 값일 수 있다.

차이값의 절대값이 제 1 임계 차이값 미만이고, 재생 다분산성 인덱스가 임계 인덱스 미만인 경우, 서버(110)는 제 1 기계학습모델을 이용하지 않고, 유사도에 기초하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 수행할 수 있다. 여기서 유사도는 데이터 수집부(130)는 분포(810) 및 분포(820)의 유사도를 의미하며 도 7 및 도 8과 함께 설명될 수 있다.

차이값의 절대값이 제 1 임계 차이값 이상이거나, 재생 다분산성 인덱스가 임계 인덱스 이상인 경우, 서버(110)는 단계(420)와 같이 제 1 기계학습모델을 이용하여, 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 수행할 수 있다.

제 1 기계학습모델을 사용하는 것은 상대적으로 처리 능력이 많이 필요할 수 있다. 서버(110)는 특정 조건 하에 제 1 기계학습모델을 사용하지 않음으로써, 물성을 예측하기 위한 시스템의 성능을 유지하면서도 처리 능력의 소모를 줄일 수 있다.

본 개시의 다양한 실시예에 따르면, 데이터 수집부(130)가 재생 ABS 성분 정보를 획득하는 단계(410)는 다음과 같은 과정을 더 포함할 수 있다. 이에 대해서는 도 9와 함께 설명한다.

도 9는 본 개시의 일 실시예에 따라 제 1 기계학습모델 없이 재생 ABS의 특성과 관련된 인덱스를 획득하는 과정을 나타낸 흐름도이다. 도 10은 본 개시의 일 실시예에 따라 제 1 기계학습모델 없이 재생 ABS의 특성과 관련된 인덱스를 획득하는 과정을 설명하기 위한 도면이다.

도 9를 참조하면, 데이터 수집부(130)는 일반 ABS에 GPC분석을 수행하여, 일반 ABS 관련 수평균분자량 및 일반 ABS 관련 중량평균분자량을 획득하는 단계(910)를 수행할 수 있다. 데이터 수집부(130)는 일반 ABS 관련 수평균분자량 및 일반 ABS 관련 중량평균분자량을 서버(110)로 더 송신할 수 있다.

서버(110)는 재생 ABS 관련 중량평균분자량을 재생 ABS 관련 수평균분자량으로 나눈 값을 재생 다분산성 인덱스로써 획득하는 단계를 수행할 수 있다. 서버(110)는 일반 ABS 관련 중량평균분자량을 일반 ABS 관련 수평균분자량으로 나눈 값을 일반 다분산성 인덱스로써 획득하는 단계(920)를 수행할 수 있다. 서버(110)는 재생 다분산성 인덱스 및 일반 다분산성 인덱스 사이의 차이값을 결정하는 단계(930)를 수행할 수 있다. 차이값은 재생 다분산성 인덱스에서 일반 다분산성 인덱스를 뺀 값일 수 있다. 또한, 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계(420)는 다음과 같은 단계로 대체될 수 있다. 서버(110)는 재생 다분산성 인덱스에서 일반 다분산성 인덱스를 차감한 값에 기초하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계(940)를 수행할 수 있다.

도 10을 참조하면 서버(110)는 차감한 값(1010)과 재생 ABS의 특성과 관련된 인덱스(1020) 사이의 관계를 대응시키는 미리 정해진 테이블(1000)을 저장하고 있을 수 있다. 서버(110)는 차감한 값(1010)에 대응되는 재생 ABS의 특성과 관련된 인덱스(1020)를 미리 정해진 테이블(1000)로부터 선택할 수 있다.

도 10을 참조하면 서버(110)는 차감한 값(1030) 및 분포의 유사도(1040)에 대한 재생 ABS의 특성과 관련된 인덱스(1050)를 대응시키는 미리 정해진 테이블(1060)을 저장하고 있을 수 있다. 서버(110)는 차감한 값(1030) 및 분포의 유사도(1040)에 대응되는 재생 ABS의 특성과 관련된 인덱스(1050)를 미리 정해진 테이블(1060)로부터 선택할 수 있다. 분포의 유사도는 다은과 같을 수 있다.

분포의 유사도 = 1 / ((((A2 - B2)^2)/(A2^2 + B2^2))^(1/2) + (((A1 - B1)^2)/(A1^2 + B1^2))^(1/2))

도 8을 잠시 참조하면, A1은 재생 ABS에 포함된 분자들의 분자량의 분포 중 최대 개수이고, 이 때의 재생 ABS의 분자량이 제 1 분자량(A2)일 수 있다. 또한 B1은 일반 ABS에 포함된 분자들의 분자량의 분포 중 최대 개수(B1)이고, 이때의 일반 ABS의 분자량이 제 2 분자량(B2)일 수 있다.

분포의 유사도(1040)에 대해서는 도 7 및 도 8 과 함께 보다 자세히 설명된다.

제 1 기계학습모델을 사용하는 것은 상대적으로 처리 능력이 많이 필요할 수 있다. 서버(110)는 제 1 기계학습모델을 전혀 사용하지 않음으로써, 물성을 예측하기 위한 시스템의 정확도를 유지하면서도 처리 능력의 소모를 줄일 수 있다.

다시 도 4를 참조하면, 사용자 단말기(120)는 혼합 소재에 포함되는 재생 ABS의 함량비, 일반 ABS의 함량비, CNT(Carbon nano tube)의 함량비, 및 CF(Carbon fiber)의 함량비, 재생 TPU(Thermoplastic polyurethane)의 함량비, 및 혼합 소재의 기대 물성에 대한 정보를 획득하는 단계(430)를 수행할 수 있다. 재생 ABS는 사용자가 원하는 물성을 가지고 있지 않을 수 있다. 따라서 사용자는 재생 ABS, 일반 ABS, CNT, CF, 및 재생 TPU를 혼합하여 원하는 물성을 가지는 혼합 소재를 만들기 위해 노력할 수 있다. 여기서 재생 TPU는 재생되지 않고 새로 생성된 일반 TPU로 대체될 수 있다. 또한 CNT는 MWCNT(Muti wall carbon nano tube)일 수 있다. 또한 CF는 (Milled carbon fiber)일 수 있다.

사용자는 재생 ABS, 일반 ABS, CNT, CF, 및 재생 TPU를 혼합하여 생성된 혼합 소재가 어떤 물리적인 특성을 가지는지 알고 싶을 수 있다. 사용자 단말기(120)는 사용자로부터 재생 ABS의 함량비, 일반 ABS의 함량비, CNT(Carbon nano tube)의 함량비, CF(Carbon fiber)의 함량비, 및 재생 TPU(Thermoplastic polyurethane)의 함량비를 수신할 수 있다.

물성을 예측하기 위한 시스템은 특정 범위의 함량 범위 내에서 정확도가 높을 수 있다. 왜냐하면 도 6에서 설명하는 바와 같이 복수의 물질의 함량비(612)는 특정 범위 내의 함량비이므로 제 2 기계학습모델은 특정 범위 내의 함량비에 대해서만 신뢰도가 보장되기 때문이다. 사용자 단말기(120)는 물성을 예측하기 위한 시스템의 신뢰도를 높이기 위하여 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 TPU의 함량비를 제한할 수 있다. 예를 들어, 일반 ABS의 함량비는 재생 ABS의 질량에 대한 일반 ABS의 질량이 1 이하일 수 있다. 즉, 일반 ABS의 함량비/재생 ABS의 질량은 1 이하일 수 있다. CNT의 함량비는 재생 ABS의 질량에 대한 CNT의 질량이 1/20이하일 수 있다. 즉, CNT의 질량/재생 ABS의 질량은 1/20이하일 수 있다. 또한, CF의 함량비는 재생 ABS의 질량에 대한 CF의 질량이 1/5이하일 수 있다. 즉, CF의 질량/재생 ABS의 질량은 1/5이하일 수 있다. 또한, 재생 TPU의 함량비는 재생 ABS의 질량에 대한 재생 TPU의 질량이 2/3이하일 수 있다. 즉, TPU의 질량/재생 ABS의 질량은 2/3이하일 수 있다. 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 TPU의 함량비는 0이상일 수 있다.

또한 사용자 단말기(120)는 사용자로부터 기대 물성에 대한 정보를 더 수신할 수 있다. 기대 물성에 대한 정보는 물성의 종류에 대한정보 및 물성의 값에 대한 정보를 포함할 수 있다. 물성의 종류에 대한 정보는 인장강도, 충격강도, 전기전도도, 굴곡강도, 또는 경도 중 적어도 하나를 포함할 수 있다. 물성의 값에 대한 정보는 인장강도, 충격강도, 전기전도도, 굴곡강도, 또는 경도 중 하나의 크기를 나타낼 수 있다.

사용자 단말기(120)는 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 재생 TPU의 함량비를 서버(110)로 송신하는 단계를 수행할 수 있다. 서버(110)는 사용자 단말기(120)로부터 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 재생 TPU의 함량비를 수신할 수 있다.

또한 사용자 단말기(120)는 기대 물성에 대한 정보를 서버(110)로 더 송신할 수 있다. 서버(110)는 기대 물성에 대한 정보를 사용자 단말기(120)로부터 수신할 수 있다. 서버(110)는 기대 물성에 대한 정보에 기초하여 제 2 기계학습모델을 선택할 수 있다. 예를 들어 서버(110)는 기대 물성에 대한 정보에 포함된 물성의 종류에 대한 정보에 기초하여 물성의 종류에 대응되는 제 2 기계학습모델을 선택할 수 있다. 서버(110)는 특정 물성의 종류에 특화된 제 2 기계학습모델을 선택함으로써, 보다 정확하게 혼합 소재의 물성을 예측할 수 있다.

CNT는 재생 ABS의 인장강도를 높이거나 전기전도도를 높이기 위해 사용될 수 있다. 일반 ABS는 재생 ABS의 충격강도를 높이기 위해 사용될 수 있다. 또한 CF는 재생 ABS의 전기전도도를 높이기 위해 사용될 수 있다. TPU는 재생 ABS의 충격강도를 높이기 위해 사용될 수 있다.

서버(110)는 재생 ABS의 특성과 관련된 인덱스, 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 재생 TPU의 함량비를 제 2 기계학습모델에 적용하여 재생 ABS, 일반 ABS, CNT, CF, 재생 TPU의 혼합 소재의 물성과 관련된 인덱스 및 인덱스에 대한 신뢰도 중 적어도 하나를 획득하는 단계(440)를 수행할 수 있다.

여기서 제 2 기계학습모델은 재생 ABS의 특성과 관련된 인덱스, 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 재생 TPU의 함량비와 혼합 소재의 물성과 관련된 인덱스 사이의 관계를 기계학습한 모델일 수 있다. 제 2 기계학습모델은 서버(110)의 데이터 학습부(310)에 의하여 생성될 수 있다. 서버(110)는 메모리로부터 제 2 기계학습모델을 획득할 수 있다. 서버(110)는 외부의 장치로부터 제 2 기계학습모델을 수신할 수 있다. 제 2 기계학습모델에 대해서는 도 6에서 자세히 설명한다.

서버(110)는 데이터 인식부(320)의 제 2 기계학습모델을 통하여 혼합 소재의 물성과 관련된 인덱스 및 인덱스에 대한 신뢰도를 출력할 수 있다. 제 2 기계학습모델에 의하여 출력된 혼합 소재의 물성과 관련된 인덱스는 예측된 인덱스일 수 있다. 인덱스에 대한 신뢰도는 제 2 기계학습모델이 예측한 신뢰도일 수 있다. 인덱스에 대한 신뢰도는 제 2 기계학습모델에 의해 예측된 혼합 소재의 물성과 관련된 인덱스가 혼합 소재의 물성과 관련된 실제 인덱스(ground-truth index)와 동일한 정도 또는 동일할 확률과 관련된 값을 의미할 수 있다. 인덱스에 대한 신뢰도는 제 2 기계학습모델의 출력층의 소프트맥스 함수에 의하여 결정되는 값일 수 있다.

물성과 관련된 인덱스는 물성의 종류에 대한 정보 및 물성의 값의 범위에 대한 정보를 포함할 수 있다. 물성의 종류에 대한 정보는 인장강도, 충격강도, 전기전도도, 굴곡강도 또는 경도를 포함할 수 있다. 제 2 기계학습모델은 하나의 물성과 관련된 인덱스를 출력할 수 있다. 하지만 이에 한정되는 것은 아니며 제 2 기계학습모델은 적어도 하나의 물성과 관련된 인덱스를 출력할 수 있다.

서버(110)는 혼합 소재의 물성과 관련된 인덱스 및 인덱스에 대한 신뢰도를 사용자 단말기(120)로 송신하는 단계를 수행할 수 있다. 사용자 단말기(120)는 혼합 소재의 물성과 관련된 인덱스 및 인덱스에 대한 신뢰도를 서버(110)로부터 수신할 수 있다.

사용자 단말기(120)는 혼합 소재의 물성과 관련된 인덱스에 대응되는 혼합 소재의 물성의 범위를 결정하는 단계(450)를 수행할 수 있다. 이미 설명한 바와 같이 물성과 관련된 인덱스는 물성의 값의 범위에 대한 정보를 포함할 수 있다. 즉 인덱스는 물성의 값의 범위와 일대일로 대응될 수 있다. 사용자 단말기(120)는 물성의 값의 범위와 인덱스를 대응시킨 테이블을 저장하고 있을 수 있다. 사용자 단말기(120)는 서버에 의하여 예측된 물성과 관련된 인덱스에 대응되는 물성의 값의 범위를 획득할 수 있다.

또한 사용자 단말기(120)는 제 1 출력 신호 또는 제 2 출력 신호를 생성하는 단계(460)를 수행할 수 있다. 보다 구체적으로, 사용자 단말기(120)는 인덱스에 대한 신뢰도가 제 1 임계 신뢰도보다 낮은 경우, 사용자 단말기는 필수적으로 실험 수행이 필요함을 나타내는 제 1 출력 신호를 생성하는 단계를 수행할 수 있다. 제 1 임계 신뢰도는 미리 결정된 값일 수 있다. 사용자 단말기(120)는 제 1 출력 신호를 소리 또는 영상으로 출력할 수 있다. 사용자는 출력된 제 1 출력 신호를 확인하고, 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 재생 TPU의 함량비로 만들어진 혼합 물질의 물성을 실험하기로 결정할 수 있다. 사용자 단말기(120)가 제 1 출력 신호를 출력했다는 것은 서버(110)의 예측이 틀릴 가능성이 높다는 것이기 때문이다.

또한, 혼합 소재의 기대 물성이 혼합 소재의 물성의 범위에 포함되고, 인덱스에 대한 신뢰도가 제 2 임계 신뢰도보다 높은 경우, 사용자 단말기(120)는 부가적인 실험 수행이 필요함을 나타내는 제 2 출력 신호를 생성하는 단계를 수행할 수 있다. 제 2 임계 신뢰도는 미리 결정된 값일 수 있다. 제 2 임계 신뢰도는 제 1 임계 신뢰도보다 클 수 있다.

제 1 출력 신호와 제 2 출력 신호는 다를 수 있다. 제 1 출력 신호는 사용자가 혼합 소재의 물성을 확인하기 위해서는 실험이 필수적임을 나타내고, 제 2 출력 신호는 혼합 소재의 예측된 물성을 실험으로 실제 확인해야함을 나타낼 수 있다.

사용자 단말기(120)는 제 2 출력 신호를 소리 또는 영상으로 출력할 수 있다. 사용자는 출력된 제 2 출력 신호를 확인하고, 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 재생 TPU의 함량비로 만들어진 혼합 물질의 물성을 실험하기로 결정할 수 있다. 사용자 단말기(120)가 제 2 출력 신호를 출력했다는 것은 서버(110)의 예측이 옳을 수 있으나, 실험을 통하여 원하는 물성을 가지는 혼합 소재가 만들어지는 실재로 확인할 필요가 있음을 의미할 수 있다.

또한, 이상에서 설명한 바와 같은 제 1 출력 신호 및 제 2 출력 신호를 생성하는 조건을 모두 만족하지 않는 경우, 사용자 단말기(120)는 혼합 소재의 기대 물성이 혼합 소재의 물성의 범위에 포함되지 않음을 나타내는 제 3 출력 신호를 생성할 수 있다. 따라서 사용자는 사용자 단말기(120)에서 출력된 제 3 출력 신호를 확인하고, 실험을 하지 않을 수 있다. 이와 같은 방식으로 본 개시에 따른 물성을 예측하기 위한 시스템은 사용자가 해야할 실험을 줄여줄 수 있으므로 실험에 대한 부담을 줄일 수 있다.

도 5는 본 개시의 일 실시예에 따른 제 1 기계학습모델을 설명하기 위한 도면이다.

서버(110)는 데이터 학습부(310)를 포함할 수 있다. 서버(110)는 복수의 과거 재생 ABS 성분 정보(511) 및 복수의 과거 재생 ABS 성분 정보(511)에 각각 대응되는 복수의 과거 재생 ABS의 특성과 관련된 인덱스(512)를 획득하는 단계를 수행할 수 있다. 복수의 과거 재생 ABS 성분 정보(511) 및 복수의 과거 재생 ABS의 특성과 관련된 인덱스(512)는 외부의 장치로부터 수신하거나 메모리로부터 획득할 수 있다. 복수의 과거 재생 ABS 성분 정보(511) 및 복수의 과거 재생 ABS의 특성과 관련된 인덱스(512)는 일대일로 대응될 수 있다. 복수의 과거 재생 ABS의 특성과 관련된 인덱스(512)는 사람에 의하여 입력된 실제값(ground truth value)일 수 있다.

복수의 과거 재생 ABS의 특성과 관련된 인덱스(512)는 일반 ABS에 비하여 재생 ABS의 고분자의 사슬이 끊어진 정도를 나타낼 수 있다. 재생 ABS의 특성과 관련된 인덱스는 재생 ABS가 일반 ABS와 유사한 정도를 나타낸다. 예를 들어, 재생 ABS의 특성과 관련된 인덱스는 사슬이 많이 끊어질수록 높은 값을 가질 수 있다.

서버(110)는 복수의 과거 재생 ABS 성분 정보(511) 및 복수의 과거 재생 ABS의 특성과 관련된 인덱스(512) 사이의 관계를 기계학습하여 제 1 기계학습모델(520)을 생성하는 단계를 수행할 수 있다. 데이터들 사이의 관계를 기계학습하는 과정에 대해서는 도 3의 데이터 학습부(310)와 함께 설명하였으므로 중복되는 설명은 생략한다.

서버(110)는 제 1 기계학습모델(520)을 저장하고 있을 수 있다. 또한 서버(110)는 다른 서버로부터 제 1 기계학습모델(520)을 수신할 수 있다.

서버(110)는 데이터 인식부(320)를 포함할 수 있다. 서버(110)는 재생 ABS 성분 정보(530)를 획득할 수 있다. 서버(110)는 재생 ABS 성분 정보를 제 1 기계학습모델에 적용하여 재생 ABS의 특성과 관련된 인덱스(540)를 획득하는 단계(420)를 수행할 수 있다. 여기서 재생 ABS의 특성과 관련된 인덱스(540)는 서버(110)에 의하여 예측된 값이라는 점에서 복수의 과거 재생 ABS의 특성과 관련된 인덱스(512)와 다를 수 있다.

도 6는 본 개시의 일 실시예에 따른 제 2 기계학습모델을 설명하기 위한 도면이다.

서버(110)는 복수의 과거 재생 ABS의 특성과 관련된 인덱스(611), 복수의 과거 재생 ABS의 함량비, 복수의 과거 일반 ABS의 함량비, 복수의 과거 CNT의 함량비, 복수의 과거 CF의 함량비, 복수의 과거 재생 TPU의 함량비 및 복수의 과거 혼합 소재의 물성과 관련된 인덱스(613)를 획득하는 단계를 수행할 수 있다.

서버(110)는 복수의 과거 재생 ABS의 특성과 관련된 인덱스(611) 및 복수의 물질의 함량비(612)를 획득할 수 있다. 복수의 물질의 함량비는 복수의 과거 재생 ABS의 함량비, 복수의 과거 일반 ABS의 함량비, 복수의 과거 CNT의 함량비, 복수의 과거 CF의 함량비, 복수의 과거 재생 TPU의 함량비를 포함할 수 있다. 또한 서버(110)는 복수의 과거 혼합 소재의 물성과 관련된 인덱스(613)를 획득할 수 있다. 복수의 과거 재생 ABS의 특성과 관련된 인덱스(611), 복수의 물질의 함량비(612) 및 복수의 과거 혼합 소재의 물성과 관련된 인덱스(613)는 일대일로 대응될 수 있다. 복수의 과거 재생 ABS의 특성과 관련된 인덱스는 서버(110)의 제 1 기계학습모델에 의하여 예측된 값일 수 있다. 즉, 도 6의 복수의 과거 재생 ABS의 특성과 관련된 인덱스(611)는 도 5의 재생 ABS의 특성과 관련된 인덱스(540)에 대응될 수 있다.

복수의 과거 혼합 소재의 물성과 관련된 인덱스(613)는 실제값(ground truth value)일 수 있다. 즉, 사용자 또는 실험장치는 복수의 과거 재생 ABS의 특성과 관련된 인덱스(611), 복수의 과거 재생 ABS의 함량비, 복수의 과거 일반 ABS의 함량비, 복수의 과거 CNT의 함량비, 복수의 과거 CF의 함량비, 복수의 과거 재생 TPU의 함량비에 기반하여 복수의 과거 혼합 소재의 물성과 관련된 인덱스(613)를 결정할 수 있다. 서버(110)는 사용자 또는 실험장치로부터 결정된 복수의 과거 혼합 소재의 물성과 관련된 인덱스(613)를 수신할 수 있다.

사용자 또는 실험장치로부터 획득된 복수의 과거 혼합 소재의 물성은 특정한 방법으로 제조된 혼합 소재의 물성을 의미할 수 있다. 예를 들어, 혼합 소재는 재생 ABS, 일반 ABS, CNT, CF, 및 TPU를 혼합하여 니딩(Kneading)될 수 있다. 니딩 온도는 190도 내지 210도일 수 있다. 니딩 시 모터의 부하는 1.3A일 수 있다. 또한 니딩된 혼합 소재는 분쇄될 수 있다. 분쇄시간은 약10분일 수 있다. 또한 분쇄된 혼합 소재는 220도 내지 240도에서 사출되어 최종 혼합 소재가 생산될 수 있다. 복수의 과거 혼합 소재의 물성은 최종 혼합 소재의 물성일 수 있다.

서버(110)에 포함된 데이터 학습부(310)는 복수의 과거 재생 ABS의 특성과 관련된 인덱스, 복수의 과거 재생 ABS의 함량비, 복수의 과거 일반 ABS의 함량비, 복수의 과거 CNT의 함량비, 복수의 과거 CF의 함량비, 및 복수의 과거 재생 TPU의 함량비와 복수의 과거 혼합 소재의 물성과 관련된 인덱스의 관계를 기계학습하여 제 2 기계학습모델(620)을 생성하는 단계를 수행할 수 있다. 데이터들 사이의 관계를 기계학습하는 과정에 대해서는 도 3의 데이터 학습부(310)와 함께 설명하였으므로 중복되는 설명은 생략한다.

서버(110)는 제 2 기계학습모델(620)을 저장하고 있을 수 있다. 또한 서버(110)는 다른 서버로부터 제 2 기계학습모델(620)을 수신할 수 있다.

서버(110)는 데이터 인식부(320)를 포함할 수 있다. 서버(110)는 재생 ABS의 특성과 관련된 인덱스(631) 및 복수의 물질의 함량비(632)를 획득할 수 있다. 복수의 물질의 함량비는 복수의 과거 재생 ABS의 함량비, 복수의 과거 일반 ABS의 함량비, 복수의 과거 CNT의 함량비, 복수의 과거 CF의 함량비, 복수의 과거 재생 TPU의 함량비를 포함할 수 있다.

서버(110)는 재생 ABS의 특성과 관련된 인덱스, 재생 ABS의 함량비, 일반 ABS의 함량비, CNT의 함량비, CF의 함량비, 및 재생 TPU의 함량비를 제 2 기계학습모델에 적용하여 재생 ABS, 일반 ABS, CNT, CF, 및 재생 TPU의 혼합 소재의 물성과 관련된 인덱스(640) 및 인덱스에 대한 신뢰도 중 적어도 하나를 획득하는 단계(440)를 수행할 수 있다. 혼합 소재의 물성과 관련된 인덱스(640)는 서버(110)에 의하여 예측된 값이라는 점에서 복수의 과거 혼합 소재의 물성과 관련된 인덱스(613)와 다를 수 있다.

혼합 소재의 물성과 관련된 인덱스(640)는 특정한 방법으로 제조된 혼합 소재의 예측된 물성을 나타낼 수 있다. 이미 설명한 바와 같이 혼합 소재는 재생 ABS, 일반 ABS, CNT, CF, 및 TPU를 혼합하여 니딩(Kneading)될 수 있다. 니딩 온도는 190도 내지 210도일 수 있다. 니딩 시 모터의 부하는 1.3A일 수 있다. 또한 니딩된 혼합 소재는 분쇄될 수 있다. 분쇄시간은 약10분일 수 있다. 또한 분쇄된 혼합 소재는 220도 내지 240도에서 사출되어 최종 혼합 소재가 생산될 수 있다. 혼합 소재의 물성과 관련된 인덱스(640)는 위와 같은 과정에 의해 생성된 최종 혼합 소재의 예측된 물성일 수 있다.

도 7은 본 개시의 일 실시예에 따른 물성을 예측하기 위한 시스템의 동작방법을 나타내기 위한 흐름도일 수 있다. 또한 도 8은 본 개시의 일 실시예에 따른 물성을 예측하기 위한 시스템의 동작방법을 설명하기 위한 도면일 수 있다.

재생 ABS 성분 정보를 획득하는 단계(410)는 다음과 같은 단계를 더 포함할 수 있다. 데이터 수집부(130)는 재생 ABS에 GPC분석을 수행하여, 재생 ABS에 포함된 분자들의 분자량의 분포를 생성하는 단계(710)를 수행할 수 있다. 도 8은 재생 ABS에 포함된 분자들의 분자량의 분포(810)를 개시한다. 또한, 데이터 수집부(130)는 일반 ABS에 GPC분석을 수행하여, 일반 ABS에 포함된 분자들의 분자량의 분포를 생성하는 단계(720)를 수행할 수 있다. 여기서 분자는 중합체일 수 있다. 도 8은 재생 ABS에 포함된 분자들의 분자량의 분포(820)를 개시한다.

데이터 수집부(130)는 재생 ABS에 포함된 분자들의 분자량의 분포(810)와 일반 ABS에 포함된 분자들의 분자량의 분포(820)의 유사도를 결정하는 단계(730)를 수행할 수 있다. 데이터 수집부(130)는 분포(810) 및 분포(820)의 유사도를 결정하기 위하여 다양한 알고리즘을 사용할 수 있다. 이와 관련하여 재생 ABS가 일반 ABS로부터 재생된 것이라는 점에서 아래와 같은 방식을 이용할 수 있다.

재생 ABS는 원래 일반 ABS였던 제품을 재생한 것이다. 재생 ABS가 재생되는 과정에서 재생 ABS에 포함된 중합체의 사슬이 끊어질 수 있다. 따라서 재생 ABS에 포함된 분자들은 일반 ABS에포함된 분자들보다 분자량이 작을 수 있다. 보다 구체적으로 재생 ABS에 포함된 분자들의 분자량의 분포(810)에서 최대 개수(A1)를 가지는 제 1 분자량(A2)은 일반 ABS에 포함된 분자들의 분자량의 분포(820)에서 최대분자수(B1)를 가지는 제 2 분자량(B2)보다 작을 수 있다.

따라서 데이터 수집부(130)는 분포의 유사도를 결정하는 단계를 수행하기 위하여 아래와 같은 과정을 수행할 수 있다. 데이터 수집부(130)는 재생 ABS에 포함된 분자들의 분자량의 분포 중 최대 개수(A1)를 가지는 제 1 분자량(A2)을 결정하는 단계를 수행할 수 있다. 데이터 수집부(130)는 일반 ABS에 포함된 분자들의 분자량의 분포 중 최대 개수(B1)를 가지는 제 2 분자량(B2)을 결정하는 단계를 수행할 수 있다.

또한, 데이터 수집부(130) 또는 서버(110)는 아래와 같은 식에 기초하여 분포의 유사도를 결정하는 단계를 수행할 수 있다.

데이터 수집부(130)가 재생 ABS 성분 정보를 서버(110)로 송신할 때, 데이터 수집부(130)는 분포의 유사도를 서버(110)로 송신할 수 있다.

서버(110)는 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계(420)를 수행할 때 다음과 같은 과정을 더 수행할 수 있다. 분포의 유사도가 제 1 임계 유사도 이상인 경우, 서버(110)는 제 1 기계학습모델을 이용하지 않고, 분포의 유사도에 기초하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계(740)를 수행할 수 있다. 분포의 유사도가 제 1 임계 유사도 이상인 경우, 제 1 기계학습모델을 이용하지 않음으로써, 서버(110)는 프로세서의 처리 부담을 줄일 수 있다. 또한 제 1 기계학습모델을 사용하지 않기 위해 사용하는 위의 식은 비교적 간단하여 많은 프로세서의 처리 부담이 크지 않을 수 있다.

제 1 임계 유사도는 미리 결정된 값일 수 있다. 제 1 임계값은 재생 ABS에 포함된 분자들의 분자량의 분포(810) 및 일반 ABS에 포함된 분자들의 분자량의 분포(820)가 유사한 것을 결정하기 위한 값일 수 있다. 즉, 분포의 유사도가 제 1 임계값 이상인 것은 재생 ABS에 포함된 분자들의 분자량의 분포(810) 및 일반 ABS에 포함된 분자들의 분자량의 분포(820)가 유사한 것을 나타낼 수 있다.

보다 구체적으로, 분포의 유사도에 기초하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계(740)는 다음과 같은 단계를 포함할 수 있다. 즉, 서버(110)는 분포의 유사도가 제 1 임계 유사도 이상인 경우, 재생 ABS에 포함된 아크릴로니트릴(Acrylonitrile), 부타디엔(Butadiene), 및 스타이렌(Styrene)으로 이루어진 중합체 사슬이 깨진 정도가 가장 낮은 것을 나타내도록 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 수행할 수 있다. 이미 설명한 바와 같이 재생 ABS의 특성과 관련된 인덱스는 일반 ABS에 비하여 재생 ABS의 고분자의 사슬이 끊어진 정도를 나타낼 수 있다. 즉, 일반 ABS에 비하여 재생 ABS의 고분자의 사슬이 끊어진 정도가 클수록 인덱스는 큰 값을 가질 수 있다. 또한, 일반 ABS에 비하여 재생 ABS의 고분자의 사슬이 끊어진 정도가 작을수록 인덱스는 작은 값을 가질 수 있다. 서버(110)는 분포의 유사도가 제 1 임계 유사도 이상인 경우, 재생 ABS의 특성과 관련된 인덱스를 가장 낮게 결정할 수 있다.

본 개시의 다양한 실시예에 따르면, 서버(110)는 재생 다분산성 인덱스를 더 획득할 수 있다. 분포의 유사도가 제 1 임계 유사도 이상이고 재생 다분산성 인덱스가 임계 인덱스 이상인 경우, 서버(110)는 제 1 기계학습모델을 이용하지 않고, 분포의 유사도에 기초하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 수행할 수 있다. 예를 들어, 서버(110)는 재생 다분산성 인덱스와 재생 ABS의 특성과 관련된 인덱스를 대응시킨 테이블을 저장하고 있을 수 있다. 서버(110)는 테이블에서 수신된 재생 다분산성 인덱스에 기초하여 재생 ABS의 특성과 관련된 인덱스를 선택할 수 있다. 서버(110)는 특정 조건 하에 제 1 기계학습모델을 사용하지 않음으로써, 물성을 예측하기 위한 시스템의 정확도를 유지하면서도 처리 능력의 소모를 줄일 수 있다.

본 개시의 다양한 실시예에 따르면, 서버(110)는 제 1 기계학습모델의 사용여부를 고려하지 않고, 제 1 기계학습모델 없이, 재생 다분산성 인덱스에서 일반 다분산성 인덱스를 차감한 값에 기초하여 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계(940)를 수행할 수 있다.

도 10을 참조하면 서버(110)는 차감한 값(1030) 및 분포의 유사도(1040)에 대한 재생 ABS의 특성과 관련된 인덱스(1050)를 대응시키는 미리 정해진 테이블(1060)을 저장하고 있을 수 있다. 서버(110)는 차감한 값(1030) 및 분포의 유사도(1040)에 대응되는 재생 ABS의 특성과 관련된 인덱스(1050)를 미리 정해진 테이블(1060)로부터 선택할 수 있다. 여기서 분포의 유사도(1040)에 대해서는 위에서 설명되었으므로 중복되는 설명은 생략한다.

이제까지 다양한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

한편, 상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.

Claims

재생 ABS(Acrylonitrile Butadiene Styrene)를 이용한 혼합 소재의 물성을 예측하기 위한 시스템은 기계학습모델을 이용하여 데이터를 분석하기 위한 서버, 사용자의 입력을 수신하여 상기 서버로 전송하기 위한 사용자 단말기, 및 데이터를 수집하기 위한 데이터 수집부를 포함하고, 상기 물성을 예측하기 위한 시스템의 동작 방법은,
상기 사용자 단말기가 ABS 제품과 관련된 정보를 상기 서버로 송신하는 단계;
상기 서버가 상기 ABS 제품과 관련된 정보에 기초하여 부타디엔의 질량에 대한 아크릴로니트릴의 질량의 제 1 질량비를 획득하는 단계;
상기 서버가 상기 ABS 제품과 관련된 정보에 기초하여 부타디엔의 질량에 대한 스타이렌의 질량의 제 2 질량비를 획득하는 단계;
상기 제 1 질량비가 미리 정해진 제 1 비율 범위에 포함되고, 상기 제 2 질량비가 미리 정해진 제 2 비율 범위에 포함되는 경우, 상기 서버가 ABS 제품이 재생가능한 것으로 결정하는 단계;
상기 데이터 수집부가 상기 ABS 제품에 기초하여 재생된 재생 ABS에 포함된 부타디엔의 질량에 대한 아크릴로니트릴의 질량의 제 3 질량비를 획득하는 단계;
상기 데이터 수집부가 상기 재생 ABS에 포함된 부타디엔의 질량에 대한 스타이렌의 질량의 제 4 질량비를 획득하는 단계;
상기 제 1 질량비 및 상기 제 3 질량비의 차이의 절대값이 미리 결정된 임계 질량비 이하이고, 상기 제 2 질량비 및 상기 제 4 질량비의 차이의 절대값이 상기 임계 질량비 이하인 경우, 상기 데이터 수집부가 상기 재생 ABS에 GPC(Gel Permeation chromatography)분석을 수행하여 재생 ABS 관련 수평균분자량(Number average molecular weight) 및 재생 ABS 관련 중량평균분자량(Weight average molecular weight)을 포함하는 재생 ABS 성분 정보를 획득하는 단계;
상기 데이터 수집부가 상기 재생 ABS 성분 정보를 상기 서버로 송신하는 단계;
상기 서버가 상기 재생 ABS 관련 중량평균분자량을 상기 재생 ABS 관련 수평균분자량으로 나눈 값을 재생 다분산성 인덱스(polydispersity index)로써 획득하는 단계;
상기 재생 다분산성 인덱스가 임계 인덱스 이상인 경우, 상기 서버가 상기 재생 ABS 성분 정보를 제 1 기계학습모델에 적용하여 상기 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계;
상기 사용자 단말기가 혼합 소재에 포함되는 상기 재생 ABS의 함량비, 일반 ABS의 함량비, CNT(Carbon nano tube)의 함량비, 및 CF(Carbon fiber)의 함량비, 재생 TPU(Thermoplastic polyurethane)의 함량비, 및 혼합 소재의 기대 물성에 대한 정보를 획득하는 단계;
상기 사용자 단말기가 상기 재생 ABS의 함량비, 상기 일반 ABS의 함량비, 상기 CNT의 함량비, 상기 CF의 함량비, 및 상기 재생 TPU의 함량비를 상기 서버로 송신하는 단계;
상기 서버가 상기 재생 ABS의 특성과 관련된 인덱스, 상기 재생 ABS의 함량비, 상기 일반 ABS의 함량비, 상기 CNT의 함량비, 상기 CF의 함량비, 및 상기 재생 TPU의 함량비를 제 2 기계학습모델에 적용하여 상기 재생 ABS, 일반 ABS, 상기 CNT, 및 상기 CF, 및 상기 재생 TPU의 혼합 소재의 물성과 관련된 인덱스를 획득하는 단계;
상기 서버가 결정된 상기 혼합 소재의 물성과 관련된 인덱스를 상기 사용자 단말기로 송신하는 단계; 및
상기 사용자 단말기는 상기 혼합 소재의 물성과 관련된 인덱스에 대응되는 상기 혼합 소재의 물성의 범위를 결정하는 단계를 포함하고,
상기 제 1 기계학습모델은 상기 재생 ABS 성분 정보 및 상기 재생 ABS의 특성과 관련된 인덱스 사이의 관계를 기계학습한 모델이고,
상기 제 2 기계학습모델은 상기 재생 ABS의 특성과 관련된 인덱스, 상기 재생 ABS의 함량비, 상기 일반 ABS의 함량비, 상기 CNT의 함량비, 상기 CF의 함량비, 및 상기 재생 TPU의 함량비와 상기 혼합 소재의 물성과 관련된 인덱스 사이의 관계를 기계학습한 모델이고,
상기 재생 ABS의 특성과 관련된 인덱스는,
상기 재생 ABS에 포함된 아크릴로니트릴(Acrylonitrile), 부타디엔(Butadiene), 및 스타이렌(Styrene)으로 이루어진 중합체 사슬이 상기 일반 ABS에 비하여 깨진 정도와 관련된 정보를 포함하는 것을 특징으로 하는 물성을 예측하기 위한 시스템의 동작방법.
제 1 항에 있어서,
상기 서버는 복수의 과거 재생 ABS 성분 정보 및 복수의 과거 재생 ABS 성분 정보에 각각 대응되는 복수의 과거 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계; 및
상기 서버는 상기 복수의 과거 재생 ABS 성분 정보 및 상기 복수의 과거 재생 ABS의 특성과 관련된 인덱스 사이의 관계를 기계학습하여 상기 제 1 기계학습모델을 생성하는 단계를 포함하는 것을 특징으로 하는 물성을 예측하기 위한 시스템의 동작방법.
삭제
제 2 항에 있어서,
상기 서버는 복수의 과거 재생 ABS의 특성과 관련된 인덱스, 복수의 과거 재생 ABS의 함량비, 복수의 과거 일반 ABS의 함량비, 복수의 과거 CNT의 함량비, 복수의 과거 CF의 함량비, 복수의 과거 재생 TPU의 함량비 및 복수의 과거 혼합 소재의 물성과 관련된 인덱스를 획득하는 단계; 및
상기 서버는 상기 복수의 과거 재생 ABS의 특성과 관련된 인덱스, 상기 복수의 과거 재생 ABS의 함량비, 상기 복수의 과거 일반 ABS의 함량비, 상기 복수의 과거 CNT의 함량비, 상기 복수의 과거 CF의 함량비, 및 상기 복수의 과거 재생 TPU의 함량비와 상기 복수의 과거 혼합 소재의 물성과 관련된 인덱스의 관계를 기계학습하여 상기 제 2 기계학습모델을 생성하는 단계를 포함하는 것을 특징으로 하는 물성을 예측하기 위한 시스템의 동작방법.
제 1 항에 있어서,
상기 재생 ABS 성분 정보를 획득하는 단계는,
상기 재생 ABS에 GPC분석을 수행하여, 상기 재생 ABS에 포함된 분자들의 분자량의 분포를 생성하는 단계;
상기 일반 ABS에 GPC분석을 수행하여, 상기 일반 ABS에 포함된 분자들의 분자량의 분포를 생성하는 단계; 및
상기 재생 ABS에 포함된 분자들의 분자량의 분포와 상기 일반 ABS에 포함된 분자들의 분자량의 분포의 유사도를 결정하는 단계를 포함하고,
상기 데이터 수집부가 상기 재생 ABS 성분 정보를 상기 서버로 송신하는 단계는, 상기 분포의 유사도를 상기 서버로 송신하는 단계를 포함하고,
상기 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계는,
상기 분포의 유사도가 제 1 임계 유사도 이상이고, 상기 재생 다분산성 인덱스가 상기 임계 인덱스 이상인 경우, 상기 서버가 상기 제 1 기계학습모델을 이용하지 않고, 상기 분포의 유사도에 기초하여 상기 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 포함하는 것을 특징으로 하는 물성을 예측하기 위한 시스템의 동작방법.
제 5 항에 있어서,
상기 분포의 유사도를 결정하는 단계는,
상기 재생 ABS에 포함된 분자들의 분자량의 분포 중 최대 개수(A1)를 가지는 제 1 분자량(A2)을 결정하는 단계;
상기 일반 ABS에 포함된 분자들의 분자량의 분포 중 최대 개수(B1)를 가지는 제 2 분자량(B2)을 결정하는 단계; 및
분포의 유사도 = 1 / ((((A2 - B2)^2)/(A2^2 + B2^2))^(1/2) + (((A1 - B1)^2)/(A1^2 + B1^2))^(1/2))
와 같이 상기 분포의 유사도를 결정하는 단계를 포함하는 것을 특징으로 하는 물성을 예측하기 위한 시스템의 동작방법.
제 6 항에 있어서,
상기 분포의 유사도에 기초하여 상기 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계는,
상기 재생 ABS에 포함된 아크릴로니트릴(Acrylonitrile), 부타디엔(Butadiene), 및 스타이렌(Styrene)으로 이루어진 중합체 사슬이 깨진 정도가 가장 낮은 것을 나타내도록 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 포함하는 것을 특징으로 하는 물성을 예측하기 위한 시스템의 동작방법.
제 7 항에 있어서,
상기 재생 ABS 성분 정보를 획득하는 단계는,
상기 일반 ABS에 GPC분석을 수행하여, 일반 ABS 관련 수평균분자량 및 일반 ABS 관련 중량평균분자량을 획득하는 단계;
상기 서버가 상기 일반 ABS 관련 중량평균분자량을 상기 일반 ABS 관련 수평균분자량으로 나눈 값을 일반 다분산성 인덱스로써 획득하는 단계;
상기 서버가 상기 재생 다분산성 인덱스 및 상기 일반 다분산성 인덱스 사이의 차이값을 결정하는 단계를 포함하고,
상기 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계는,
상기 차이값의 절대값이 제 1 임계 차이값 미만이고, 상기 재생 다분산성 인덱스가 상기 임계 인덱스 미만인 경우, 상기 서버가 상기 제 1 기계학습모델을 이용하지 않고, 상기 유사도에 기초하여 상기 재생 ABS의 특성과 관련된 인덱스를 획득하는 단계를 포함하는 것을 특징으로 하는 물성을 예측하기 위한 시스템의 동작방법.