KR102423095B1 - 바리스터 소결체의 유전율 예측 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체 - Google Patents

바리스터 소결체의 유전율 예측 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체 Download PDF

Info

Publication number
KR102423095B1
KR102423095B1 KR1020200162127A KR20200162127A KR102423095B1 KR 102423095 B1 KR102423095 B1 KR 102423095B1 KR 1020200162127 A KR1020200162127 A KR 1020200162127A KR 20200162127 A KR20200162127 A KR 20200162127A KR 102423095 B1 KR102423095 B1 KR 102423095B1
Authority
KR
South Korea
Prior art keywords
dielectric constant
meta
model
sintering
predicting
Prior art date
Application number
KR1020200162127A
Other languages
English (en)
Other versions
KR20220075066A (ko
Inventor
정찬엽
홍연우
Original Assignee
한국세라믹기술원
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 한국세라믹기술원 filed Critical 한국세라믹기술원
Priority to KR1020200162127A priority Critical patent/KR102423095B1/ko
Publication of KR20220075066A publication Critical patent/KR20220075066A/ko
Application granted granted Critical
Publication of KR102423095B1 publication Critical patent/KR102423095B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
    • G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
    • G01R27/26—Measuring inductance or capacitance; Measuring quality factor, e.g. by using the resonance method; Measuring loss factor; Measuring dielectric constants ; Measuring impedance or related variables
    • G01R27/2617—Measuring dielectric properties, e.g. constants
    • G01R27/2623—Measuring-systems or electronic circuits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
    • G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
    • G01R27/26—Measuring inductance or capacitance; Measuring quality factor, e.g. by using the resonance method; Measuring loss factor; Measuring dielectric constants ; Measuring impedance or related variables
    • G01R27/2688—Measuring quality factor or dielectric loss, e.g. loss angle, or power factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01C—RESISTORS
    • H01C7/00—Non-adjustable resistors formed as one or more layers or coatings; Non-adjustable resistors made from powdered conducting material or powdered semi-conducting material with or without insulating material
    • H01C7/10—Non-adjustable resistors formed as one or more layers or coatings; Non-adjustable resistors made from powdered conducting material or powdered semi-conducting material with or without insulating material voltage responsive, i.e. varistors

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Power Engineering (AREA)
  • Electromagnetism (AREA)
  • Medical Informatics (AREA)
  • Thermistors And Varistors (AREA)

Abstract

바리스터 소결체의 유전율 예측 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체가 개시된다. 본 발명의 바람직한 일 실시예에 따르면, 소결 공정 조건에 따른 유전율 실험 데이터를 수집하고, 수집된 유전율 실험 데이터를 이용하여 인공신경망 알고리즘 기반의 데이터 학습을 수행하여, 수행된 데이터 학습의 결과물로 메타 모델을 생성하고, 소결로 내부 위치에 따른 예측 온도를 생성된 메타 모델에 적용하여, 소결로 내부 위치에 따른 예측 온도가 적용된 메타 모델에 소결 공정 조건을 입력하여 상기 바리스터 소결체의 유전율의 예측 결과를 계산한다.
본 발명에 따르면, 다양한 소결 공정 조건에서도 바리스터 소결체의 유전율을 예측할 수 있게 되고, 실제로 실험을 하지 않고도 다양한 소결 공정 조건에서도 바리스터 소결체의 유전율을 예측할 수 있어 전자기기 등에 필요한 조건에 맞는 바리스터 소결체를 제조할 수 있는 장점이 있다.

Description

바리스터 소결체의 유전율 예측 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체{Apparatus and method predicting permittivity of varistor pellet and record media recorded program for realizing the same}
본 발명은 유전율 예측 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체에 관한 것으로서, 보다 상세하게는 바리스터 소결체의 유전율 예측 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체에 관한 것이다.
바리스터(varistor)는 바리스타 또는 배리스터라고도 불리우며 배리어블 레지스터(variable resistor)의 약칭으로서, 양 끝에 가해지는 전압에 의해서 저항값이 변하는 비선형 반도체 저항소자이다.
이러한 바리스터는 세라믹 분말체를 압력과 온도를 가해 단단하게 만드는 소결 현상을 이용하여 소결체(pellet)로 만들어 이를 이용하여 제조할 수 있다.
이하에서는 바리스터를 만들기 위해 세라믹 분말체를 압력과 온도를 가해 단단하게 만드는 소결 현상을 이용하여 제조되는 물질을 바리스터 소결체라 하기로 한다.
한편, 이러한 바리스터 소결체는 ZnO(Zinc Oxide) 바리스터 등이 있는데, 제조 과정에서의 소결 공정 조건에 따라 유전율이 달라져 같은 세라믹을 이용하여 바리스터 소결체를 만들더라도 소결 공정 조건에 따라 다른 물성을 나타내게 된다
그런데, 이러한 소결 공정 조건이 매우 복잡하고 다양하여 소결 공정 조건을 모두 적용하여 직접 실험한 후 유전율을 파악하여야 하므로 전자기기 등에 필요한 조건의 바리스터 소결체를 제조하기 어려운 문제점이 있다.
따라서, 실제로 실험을 하지 않고도 공정 조건에 따른 유전율을 미리 예측할 수 있게 하여 바리스터 소결체의 물성을 미리 예측할 수 있게 하는 것이 요구된다.
상기한 바와 같은 종래의 문제점을 해결하기 위해, 본 발명은 다양한 소결 공정 조건에서도 바리스터 소결체의 유전율을 예측할 수 있게 하는 바리스터 소결체의 유전율 예측 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체를 제안하는 것이다.
그리고 실제로 실험을 하지 않고도 다양한 소결 공정 조건에서도 바리스터 소결체의 유전율을 예측할 수 있어 전자기기 등에 필요한 조건에 맞는 바리스터 소결체를 제조할 수 있게 하는 바리스터 소결체의 유전율 예측 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체를 제안하는 것이다.
본 발명의 또 다른 목적들은 이하의 실시예에 대한 설명을 통해 쉽게 이해될 수 있을 것이다.
상기한 바와 같은 목적을 달성하기 위해, 본 발명의 일 측면에 따르면 바리스터 소결체의 유전율 예측 방법이 제공된다.
본 발명의 바람직한 일 실시예에 따르면, 바리스터 소결체의 유전율 예측 방법에 있어서, 소결 공정 조건에 따른 유전율 실험 데이터를 수집하는 단계; 상기 수집된 유전율 실험 데이터를 이용하여 인공신경망 알고리즘 기반의 데이터 학습을 수행하는 단계; 상기 수행된 데이터 학습의 결과물로 메타 모델을 생성하는 단계; 소결로 내부 위치에 따른 예측 온도를 상기 생성된 메타 모델에 적용하는 단계; 및 상기 소결로 내부 위치에 따른 예측 온도가 적용된 메타 모델에 소결 공정 조건을 입력하여 상기 바리스터 소결체의 유전율의 예측 결과를 계산하는 단계를 포함하는 것을 특징으로 하는 바리스터 소결체의 유전율 예측 방법이 제공된다.
상기 소결 공정 조건은 소결 온도, 소결 시간, 승온 속도 및 냉각 속도 중 적어도 하나일 수 있다.
상기 인공신경망 알고리즘 기반의 데이터 학습은 MLP(Multilayer Perceptron) 알고리즘 기반의 딥 러닝(Deep Learning)일 수 있다.
상기 수행된 데이터 학습의 결과물로 메타 모델을 생성하는 단계는, 상기 생성된 메타모델의 정확도를 평가하는 단계를 더 수행할 수 있다.
또한. 상기 생성된 메타모델의 정확도를 평가하는 단계는, 상기 소결 공정 조건에 따른 유전율 실험 데이터를 수집하는 단계에서 수집된 상기 유전율 실험 데이터를 이용하여 수행될 수 있다.
상기 소결로 내부 위치에 따른 예측 온도는 유한 요소법(Finite Element Method) 기반의 열 해석을 수행하여 소결로 내부 온도를 예측한 결과일 수 있다.
본 발명의 다른 일 측면에 따르면, 바리스터 소결체의 유전율 예측 장치가 제공된다.
본 발명의 바람직한 일 실시예에 따르면, 바리스터 소결체의 유전율 예측 장치에 있어서, 소결 공정 조건에 따른 유전율 실험 데이터를 수집하는 데이터 수집부; 상기 데이터 수집부에서 수집된 유전율 실험 데이터를 이용하여 인공신경망 알고리즘 기반의 데이터 학습을 수행하는 데이터 학습부; 상기 수행된 데이터 학습의 결과물로 메타 모델을 생성하는 메타 모델링부; 및 소결로 내부 위치에 따른 예측 온도를 상기 생성된 메타 모델에 적용하여, 상기 소결로 내부 위치에 따른 예측 온도가 적용된 메타 모델에 소결 공정 조건을 입력하여 상기 바리스터 소결체의 유전율의 예측 결과를 계산하는 유전율 계산부를 포함하는 것을 특징으로 하는 바리스터 소결체의 유전율 예측 장치가 제공된다.
상기 소결 공정 조건은 소결 온도, 소결 시간, 승온 속도 및 냉각 속도 중 적어도 하나일 수 있다.
상기 데이터 학습에서 수행하는 상기 인공신경망 알고리즘 기반의 데이터 학습은 MLP(Multilayer Perceptron) 알고리즘 기반의 딥 러닝(Deep Learning)일 수 있다.
상기 바리스터 소결체의 유전율 예측 장치는, 상기 메타 모델링부에서 생성된 메타모델의 정확도를 평가하는 정확도 평가부를 더 포함할 수 있다.
또한, 상기 정확도 평가부에서 상기 생성된 메타 모델의 정확도를 평가하는 것은, 상기 데이터 수집부에서 수집된 상기 유전율 실험 데이터를 이용하여 상기 메타 모델의 정확도를 평가하는 것일 수 있다.
상기 유전율 계산부에서 상기 메타 모델에 적용하는 상기 소결로 내부 위치에 따른 예측 온도는, 유한 요소법(Finite Element Method) 기반의 열 해석을 수행하여 소결로 내부 온도를 예측한 결과일 수 있다.
본 발명의 또 다른 일 측면에 따르면 바리스터 소결체의 유전율 예측 방법을 구현하기 위한 프로그램을 기록한 기록매체가 제공된다.
본 발명의 바람직한 일 실시예에 따르면, 바리스터 소결체의 유전율 예측 방법에 있어서, 소결 공정 조건에 따른 유전율 실험 데이터를 수집하는 단계; 상기 수집된 유전율 실험 데이터를 이용하여 인공신경망 알고리즘 기반의 데이터 학습을 수행하는 단계; 상기 수행된 데이터 학습의 결과물로 메타 모델을 생성하는 단계; 소결로 내부 위치에 따른 예측 온도를 상기 생성된 메타 모델에 적용하는 단계; 및 상기 소결로 내부 위치에 따른 예측 온도가 적용된 메타 모델에 소결 공정 조건을 입력하여 상기 바리스터 소결체의 유전율의 예측 결과를 계산하는 단계를 포함하는 것을 특징으로 하는 바리스터 소결체의 유전율 예측 방법을 구현하기 위한 프로그램을 기록한 기록매체가 제공된다.
상기 소결 공정 조건은 소결 온도, 소결 시간, 승온 속도 및 냉각 속도 중 적어도 하나일 수 있다.
상기 인공신경망 알고리즘 기반의 데이터 학습은 MLP(Multilayer Perceptron) 알고리즘 기반의 딥 러닝(Deep Learning)일 수 있다.
상기 수행된 데이터 학습의 결과물로 메타 모델을 생성하는 단계는, 상기 생성된 메타모델의 정확도를 평가하는 단계를 더 수행할 수 있다.
또한. 상기 생성된 메타모델의 정확도를 평가하는 단계는, 상기 소결 공정 조건에 따른 유전율 실험 데이터를 수집하는 단계에서 수집된 상기 유전율 실험 데이터를 이용하여 수행될 수 있다.
상기 소결로 내부 위치에 따른 예측 온도는 유한 요소법(Finite Element Method) 기반의 열 해석을 수행하여 소결로 내부 온도를 예측한 결과일 수 있다.
이상에서 설명한 바와 같이, 본 발명에 의한 바리스터 소결체의 유전율 예측 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체에 의하면, 다양한 소결 공정 조건에서도 바리스터 소결체의 유전율을 예측할 수 있게 되는 장점이 있다.
또한, 실제로 실험을 하지 않고도 다양한 소결 공정 조건에서도 바리스터 소결체의 유전율을 예측할 수 있어 전자기기 등에 필요한 조건에 맞는 바리스터 소결체를 제조할 수 있게 되는 장점이 있다.
도 1은 본 발명의 바람직한 일 실시예에 의한 바리스터 소결체의 유전율 예측 방법이 구현되는 순서를 도시한 순서도.
도 2는 본 발명의 바람직한 일 실시예에 의한 바리스터 소결체의 유전율 예측 장치의 구성을 도시한 도면.
도 3은 본 발명의 바람직한 일 실시예에 따른 바리스터 소결체의 유전율 예측 방법 또는 및 장치에서 이용될 수 있는 소결로 내부 위치에 따른 온도 분포를 시뮬레이션한 결과를 예시하여 도시한 도면.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
한편, 본 발명에서 바리스터 소결체의 유전율 '예측'이라는 용어를 사용하는 것은 바리스터 소결체를 실제로 만드는 것이 아니라, 바리스체 소결체의 유전율을 컴퓨터 프로그램 등을 통해 계산하여 사전에 예상하는 것을 의미하여 예측이라는 용어를 사용한 것으로서 바리스터 소결체의 유전율을 실제 바리스터 소결체를 만들었을 때의 유전율과 이를 전자기기 등에 적용가능한지, 필요한 요구 조건에 맞는 바리스터 소결체를 만들기 위한 소결 공정 조건을 알아내는 역설계 등이 가능하게 하기 위한 값을 찾아내는 것을 의미한다.
먼저 도 1을 참조하여 본 발명의 바람직한 일 실시예에 의한 바리스터 소결체의 유전율 예측 방법이 구현되는 순서를 살펴보기로 한다.
도 1은 본 발명의 바람직한 일 실시예에 의한 바리스터 소결체의 유전율 예측 방법이 구현되는 순서를 도시한 순서도이다.
도 1에 도시된 바와 같이, 본 발명의 바람직한 일 실시예에 의한 바리스터 소결체의 유전율 예측 방법은 먼저 소결 공정 조건에 따른 유전율 실험 데이터를 수집한다(S100).
소결 공정 조건에 따른 유전율 실험 데이터는 실제 실험을 통해 소결 공정 조건에 따른 유전율을 조사하여 이를 입력 받음으로써 수행될 수 있다.
수집된 유전율 실험 데이터는 [표 1]의 예시와 같이 소결 온도, 소결 시간, 승온 속도, 냉각 속도와 같은 소결 공정 조건을 포함할 수 있다.
[표 1]의 예시는 ZnO(Zinc Oxide) 세라믹을 소결하여 ZnO 바리스터를 제조하는 경우 이에 대한 수집된 실험 데이터를 예시한 것이다.
[표 1]
Figure 112020128140899-pat00001
다음으로 수집된 유전율 실험 데이터를 이용하여 인공신경망 알고리즘 기반의 데이터 학습을 수행한다(S102).
인공신경망 알고리즘 기반의 데이터 학습은 인공신경망 알고리즘의 하나인 MLP(Multilayer Perceptron) 기반으로 딥 러닝(Deep Learning)을 수행하는 것으로서 소결 온도, 소결 시간, 승온 속도, 냉각 속도와 같은 소결 공정 조건을 변수로 하여 유전율 데이터를 학습시키는 과정이다.
그리고 이렇게 수행된 데이터 학습의 결과물로 메타 모델(meta model)을 생성한다(S104).
한편, 생성된 메타 모델에 대해 필요한 경우 즉 보다 정확도를 높이고 이를 확인하고 검증하기 위해 메타 모델의 정확도를 평가한 후 메타 모델을 확정할 수 있다(S106).
메타 모델의 정확도 평가는 다양한 방법으로 가능할 것이나, 앞서 소결 공정 조건에 따른 유전율 실험 데이터를 수집하는 단계에서 수집된 유전율 실험 데이터를 이용하여 그 정확도를 평가할 수 있다.
그리고 이러한 메타 모델의 생성과 생성된 메타 모델의 정확도 평가는 실험 데이터가 추가될 때마다 업데이트되는 것이 가능하다.
다음으로 소결로 내부 위치에 따른 예측 온도를 상기 생성된 메타 모델에 적용한다(S108).
실제 공정에서는 소결로 장비에 따라 내부 온도 분포가 모두 다르기 때문에 앞에서 생성된 메타 모델을 이용하여 바리스터 소결체의 유전율을 계산하기 위해서는 소결로 내부의 온도 데이터를 알아내어 이를 메타 모델에 적용할 수 있는 것이 중요하다.
소결로 내부 위치에 따른 온도를 예측하기 위해서 유한 요소법(FEM: Finite Element Method) 기반의 열해석을 수행하여 소결로 내부 온도를 예측할 수 있다.
도 3은 이러한 유한 요소법(FEM: Finite Element Method) 기반의 열해석을 수행하여 소결로 내부 위치에 따른 온도 분포를 예측하여 계산한 결과를 예시하여 도시한 것이다.
이렇게 소결로 내부 위치에 따른 예측 온도가 적용된 메타 모델에 소결 공정 조건을 입력하여 바리스터 소결체의 유전율의 예측 결과를 계산한다(S110).
이러한 과정을 이용하게 되면 실제 실험을 하지 않고도 바리스터 소결체의 유전율을 보다 정확하게는 예측할 수 있게 된다. 이를 통해 전자기기 등에서 필요로 하는 조건에 맞는 바리스터 소결체를 제조하기 위한 공정 조건을 역으로 알아내는 역설계까지 가능하게 되는 것이다.
한편, 전술한 바리스터 소결체의 유전율 예측 방법은 컴퓨터와 같은 장치로 구현되어 본 발명에 의한 바리스터 소결체의 유전율 예측을 수행할 수 있다. 또한, 각각의 기능을 수행하는 부분들을 모듈로 구성하고 그 모듈들을 결합하여 하나의 장치로 구현할 수 있다.
이렇게 본 발명에 의한 바리스터 소결체의 유전율 예측을 장치로 구현하는 경우를 도 2를 참조하여 살펴보기로 한다.
도 2는 본 발명의 바람직한 일 실시예에 의한 바리스터 소결체의 유전율 예측 장치의 구성을 도시한 도면이다.
도 2에 도시된 바와 같이 본 발명의 바람직한 일 실시예에 의한 바리스터 소결체의 유전율 예측 장치(200)는 데이터 수집부(210), 데이터 학습부(220), 메타 모델링부(230), 정확도 평가부(240) 및 유전율 계산부(250)를 포함한다.
도 2에서는 미도시하였으나 본 발명의 바람직한 일 실시예에 의한 바리스터 소결체의 유전율 예측 장치(200)는 전술한 각각의 구성 요소를 제어하여 유전율 데이터를 수집하고 데이터 학습을 수행하여 메타 모델을 생성하여 소결 공정 조건에 따른 유전율 계산이 수행되도록 하는 제어부(미도시)를 더 포함할 수 있으며, 이러한 제어부는 별도로 구성되거나 혹은 종래의 컴퓨팅 장치의 제어부 등을 통해 제어가 수행될 수 있음은 자명하다.
먼저 데이터 수집부(210)는 소결 공정 조건에 따른 유전율 실험 데이터를 수집한다.
소결 공정 조건에 따른 유전율 실험 데이터는 실제 실험을 통해 소결 공정 조건에 따른 유전율을 조사하여 이를 입력받는 것이다.
데이터 학습부(220)는 데이터 수집부(210)에서 수집된 유전율 실험 데이터를 이용하여 인공신경망 알고리즘 기반의 데이터 학습을 수행한다.
인공신경망 알고리즘 기반의 데이터 학습은 인공신경망 알고리즘의 하나인 MLP(Multilayer Perceptron) 기반으로 딥 러닝(Deep Learning)을 수행하는 것으로서 소결 온도, 소결 시간, 승온 속도, 냉각 속도와 같은 소결 공정 조건을 변수로 하여 유전율 데이터를 학습시킨다.
메타 모델링부(230)는 데이터 학습부(220)에서 수행된 데이터 학습의 결과물로 메타 모델을 생성한다.
정확도 평가부(240)는 메타 모델링부에서 생성된 메타모델의 정확도를 평가하는 것으로서, 전술한 바와 같이 생성된 메타 모델에 대해 필요한 경우 즉 보다 정확도를 높이고 이를 확인하고 검증하기 위해 포함될 수 있으나, 이에 한정되는 것은 아니다.
또한, 메타 모델의 생성과 생성된 메타 모델의 정확도 평가는 실험 데이터가 추가될 때마다 업데이트되는 것이 가능함은 전술한 바와 같다.
유전율 계산부(250)는 소결로 내부 위치에 따른 예측 온도를 메타 모델링부(230)에서 생성된 메타 모델에 적용하여, 소결로 내부 위치에 따른 예측 온도가 적용된 메타 모델에 소결 공정 조건을 입력하여 바리스터 소결체의 유전율의 예측 결과를 계산한다.
소결로 내부 위치에 따른 예측 온도를 메타 모델링부(230)에서 생성된 메타 모델에 적용하는 것은 실제 공정에서는 소결로 장비에 따라 내부 온도 분포가 모두 다르기 때문이다.
따라서 메타 모델링부(230)에서 생성된 메타 모델을 이용하여 바리스터 소결체의 유전율을 계산하기 위해서는 소결로 내부의 온도 데이터를 알아내어 이를 메타 모델에 적용할 수 있는 것이 중요하며 이 역시 실제 실험을 통해 알아내는 것이 아니라 계산을 통해 산출되는 예측값을 이용한다.
이를 위해 소결로 내부 위치에 따른 온도를 예측하기 위해서 유한 요소법(FEM: Finite Element Method) 기반의 열해석을 수행하여 소결로 내부 온도를 예측할 수 있다.
이러한 과정을 이용하게 되면 실제 실험을 하지 않고도 바리스터 소결체의 유전율을 계산 보다 정확하게는 예측할 수 있게 되고, 이를 통해 전자기기 등에서 필요로 하는 조건에 맞는 바리스터 소결체를 제조하기 위한 공정 조건을 역으로 알아내는 역설계까지 가능하게 되는 것이다.
한편, 이상에서 살펴본 본 발명의 바람직한 일 실시예에 따른 바리스터 소결체의 유전율 예측 방법은 프로그램의 형태로 구현되어 컴퓨터나 서버 등과 같은 디지털 처리 장치에 설치되어 구현될 수 있다. 또한, 전술한 바와 같이 컴퓨터 장치나 별도의 장치 등으로 구현되는 것도 가능할 것이다.
상기한 본 발명의 바람직한 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.

Claims (13)

  1. 바리스터 소결체의 유전율 예측 방법에 있어서,
    소결 공정 조건에 따른 유전율 실험 데이터를 수집하는 단계-상기 소결 공정 조건은 상기 소결 공정이 수행되는 소결로 장비에 대한 정보를 포함함-;
    상기 수집된 유전율 실험 데이터를 이용하여 인공신경망 알고리즘 기반의 데이터 학습을 수행하는 단계;
    상기 수행된 데이터 학습의 결과물로 메타 모델을 생성하는 단계;
    소결로 내부 위치에 따른 예측 온도를 상기 생성된 메타 모델에 적용하는 단계; 및
    상기 소결로 내부 위치에 따른 예측 온도가 적용된 메타 모델에 소결 공정 조건을 입력하여 상기 바리스터 소결체의 유전율의 예측 결과를 계산하는 단계를 포함하고,
    상기 수행된 데이터 학습의 결과물로 메타 모델을 생성하는 단계는, 상기 생성된 메타 모델의 정확도를 평가하는 단계를 더 수행하며,
    상기 생성된 메타 모델의 정확도를 평가하는 단계는, 상기 소결 공정 조건에 따른 유전율 실험 데이터를 수집하는 단계에서 수집된 상기 유전율 실험 데이터를 이용하여 수행되고
    상기 소결로 내부 위치에 따른 예측 온도가 적용된 메타 모델에 소결 공정 조건을 입력하여 상기 바리스터 소결체의 유전율의 예측 결과를 계산하는 단계에서,
    상기 소결로 내부 위치에 따른 예측 온도는 유한 요소법(Finite Element Method) 기반의 열 해석을 수행하여 소결로 내부 온도를 예측한 결과인 것을 특징으로 하는 바리스터 소결체의 유전율 예측 방법.
  2. 제1항에 있어서,
    상기 소결 공정 조건은 소결 온도, 소결 시간, 승온 속도 및 냉각 속도 중 적어도 하나인 것을 특징으로 하는 바리스터 소결체의 유전율 예측 방법.
  3. 제1항에 있어서,
    상기 인공신경망 알고리즘 기반의 데이터 학습은 MLP(Multilayer Perceptron) 알고리즘 기반의 딥 러닝(Deep Learning)인 것을 특징으로 하는 바리스터 소결체의 유전율 예측 방법.
  4. 삭제
  5. 삭제
  6. 삭제
  7. 바리스터 소결체의 유전율 예측 장치에 있어서,
    소결 공정 조건에 따른 유전율 실험 데이터를 수집하는 데이터 수집부-상기 소결 공정 조건은 상기 소결 공정이 수행되는 소결로 장비에 대한 정보를 포함함-;
    상기 데이터 수집부에서 수집된 유전율 실험 데이터를 이용하여 인공신경망 알고리즘 기반의 데이터 학습을 수행하는 데이터 학습부;
    상기 수행된 데이터 학습의 결과물로 메타 모델을 생성하는 메타 모델링부; 및
    소결로 내부 위치에 따른 예측 온도를 상기 생성된 메타 모델에 적용하여, 상기 소결로 내부 위치에 따른 예측 온도가 적용된 메타 모델에 소결 공정 조건을 입력하여 상기 바리스터 소결체의 유전율의 예측 결과를 계산하는 유전율 계산부를 포함하고,
    상기 바리스터 소결체의 유전율 예측 장치는, 상기 메타 모델링부에서 생성된 메타 모델의 정확도를 평가하는 정확도 평가부를 더 포함하며,
    상기 정확도 평가부에서 상기 생성된 메타 모델의 정확도를 평가하는 것은, 상기 데이터 수집부에서 수집된 상기 유전율 실험 데이터를 이용하여 상기 메타 모델의 정확도를 평가하고,
    상기 유전율 계산부에서 상기 메타 모델에 적용하는 상기 소결로 내부 위치에 따른 예측 온도는,
    유한 요소법(Finite Element Method) 기반의 열 해석을 수행하여 소결로 내부 온도를 예측한 결과인 것을 특징으로 하는 바리스터 소결체의 유전율 예측 장치.
  8. 제7항에 있어서,
    상기 소결 공정 조건은 소결 온도, 소결 시간, 승온 속도 및 냉각 속도 중 적어도 하나인 것을 특징으로 하는 바리스터 소결체의 유전율 예측 장치.
  9. 제7항에 있어서,
    상기 데이터 학습에서 수행하는 상기 인공신경망 알고리즘 기반의 데이터 학습은 MLP(Multilayer Perceptron) 알고리즘 기반의 딥 러닝(Deep Learning)인 것을 특징으로 하는 바리스터 소결체의 유전율 예측 장치.
  10. 삭제
  11. 삭제
  12. 삭제
  13. 바리스터 소결체의 유전율 예측 방법을 구현하기 위한 프로그램을 기록하여 컴퓨터로 판독 가능한 기록매체에 있어서,
    소결 공정 조건에 따른 유전율 실험 데이터를 수집하는 단계-상기 소결 공정 조건은 상기 소결 공정이 수행되는 소결로 장비에 대한 정보를 포함함-;
    상기 수집된 유전율 실험 데이터를 이용하여 인공신경망 알고리즘 기반의 데이터 학습을 수행하는 단계;
    상기 수행된 데이터 학습의 결과물로 메타 모델을 생성하는 단계;
    소결로 내부 위치에 따른 예측 온도를 상기 생성된 메타 모델에 적용하는 단계; 및
    상기 소결로 내부 위치에 따른 예측 온도가 적용된 메타 모델에 소결 공정 조건을 입력하여 상기 바리스터 소결체의 유전율의 예측 결과를 계산하는 단계를 포함하고,
    상기 수행된 데이터 학습의 결과물로 메타 모델을 생성하는 단계는, 상기 생성된 메타 모델의 정확도를 평가하는 단계를 더 수행하며,
    상기 생성된 메타 모델의 정확도를 평가하는 단계는, 상기 소결 공정 조건에 따른 유전율 실험 데이터를 수집하는 단계에서 수집된 상기 유전율 실험 데이터를 이용하여 수행되고,
    상기 소결로 내부 위치에 따른 예측 온도가 적용된 메타 모델에 소결 공정 조건을 입력하여 상기 바리스터 소결체의 유전율의 예측 결과를 계산하는 단계에서,
    상기 소결로 내부 위치에 따른 예측 온도는 유한 요소법(Finite Element Method) 기반의 열 해석을 수행하여 소결로 내부 온도를 예측한 결과인 것을 특징으로 하는 바리스터 소결체의 유전율 예측 방법을 구현하기 위한 프로그램을 기록하여 컴퓨터로 판독 가능한 기록매체.
KR1020200162127A 2020-11-27 2020-11-27 바리스터 소결체의 유전율 예측 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체 KR102423095B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200162127A KR102423095B1 (ko) 2020-11-27 2020-11-27 바리스터 소결체의 유전율 예측 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200162127A KR102423095B1 (ko) 2020-11-27 2020-11-27 바리스터 소결체의 유전율 예측 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체

Publications (2)

Publication Number Publication Date
KR20220075066A KR20220075066A (ko) 2022-06-07
KR102423095B1 true KR102423095B1 (ko) 2022-07-19

Family

ID=81987096

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200162127A KR102423095B1 (ko) 2020-11-27 2020-11-27 바리스터 소결체의 유전율 예측 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체

Country Status (1)

Country Link
KR (1) KR102423095B1 (ko)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06935B2 (ja) * 1984-07-18 1994-01-05 日本鋼管株式会社 焼結層内温度推定方法
JPH07192072A (ja) * 1993-12-27 1995-07-28 Olympus Optical Co Ltd ガラス及びセラミックスに関する物理量計算装置
KR20190072997A (ko) * 2017-12-18 2019-06-26 주식회사 포스코 소결 조업 제어 장치 및 그 방법
KR20200046704A (ko) * 2018-10-25 2020-05-07 한국전자통신연구원 딥 러닝 데이터 자동 생성 방법 및 이를 위한 장치

Also Published As

Publication number Publication date
KR20220075066A (ko) 2022-06-07

Similar Documents

Publication Publication Date Title
CN111189476B (zh) 一种柔性传感器及其制备方法
Davidson et al. Required Cauer network order for modelling of thermal transfer impedance
CN107392352B (zh) 一种基于融合极限学习机的电池未来温度预测方法及系统
Yuan et al. Solder joint reliability modeling by sequential artificial neural network for glass wafer level chip scale package
KR102423095B1 (ko) 바리스터 소결체의 유전율 예측 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체
Assael et al. A novel portable absolute transient hot-wire instrument for the measurement of the thermal conductivity of solids
Turteltaub Functionally graded materials for prescribed field evolution
Xu et al. Surrogate thermal model for power electronic modules using artificial neural network
KR101328904B1 (ko) 동적 차단 주파수 가변 필터
Zhou et al. Numerical modelling of MOV with Voronoi network and finite element method
WO2010021287A1 (ja) 基板の反り予測方法、基板の反り予測システムおよび基板の反り予測プログラム
Ambasana et al. S-parameter and frequency identification method for ANN-based eye-height/width prediction
US8635044B2 (en) Transient thermal modeling of multisource power devices
JP2009140265A (ja) 半導体装置に対する同時動作信号ノイズ見積り方法における同時動作信号ノイズ基礎特性取得方法、及びプログラム
Vaegae et al. Design and modeling of an intelligent temperature to frequency converter
Hamdani et al. Advanced reliability analysis of mechatronic packagings coupling ANSYS© and R
Liu et al. Fast prediction of thermal throttling design in M. 2 solid state drive
Güther et al. A model-based temperature estimator for improving sensor dynamics in vehicle exhaust systems
CN111222248B (zh) 压电陶瓷致动器的迟滞现象确定方法和装置
Lee et al. Finite element analysis of multi-layer ceramic capacitors improved self-heating for high reliability
US20200042057A1 (en) Discrete time loop based thermal control
Sasi et al. Simulation driven design of novel integrated circuits-Part 1: Selection of the materials based on the Virtual DoE
US20120035895A1 (en) Converged mesh generation based on statistical system and method
Blad et al. Temperature field simulation of thick-film microcircuits using electro-thermal analogy
CN117787055A (zh) 一种电力半导体器件寿命周期安全运行域标定方法及系统

Legal Events

Date Code Title Description
AMND Amendment
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant