KR102427304B1 - 머신러닝을 이용한 구조용 에폭시 접착제의 포뮬레이션 예측 방법 - Google Patents

머신러닝을 이용한 구조용 에폭시 접착제의 포뮬레이션 예측 방법 Download PDF

Info

Publication number
KR102427304B1
KR102427304B1 KR1020200071733A KR20200071733A KR102427304B1 KR 102427304 B1 KR102427304 B1 KR 102427304B1 KR 1020200071733 A KR1020200071733 A KR 1020200071733A KR 20200071733 A KR20200071733 A KR 20200071733A KR 102427304 B1 KR102427304 B1 KR 102427304B1
Authority
KR
South Korea
Prior art keywords
epoxy adhesive
formulation
structural epoxy
predicting
computing device
Prior art date
Application number
KR1020200071733A
Other languages
English (en)
Other versions
KR20210154581A (ko
Inventor
이승걸
강혜수
최영선
이지희
Original Assignee
부산대학교 산학협력단
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 부산대학교 산학협력단 filed Critical 부산대학교 산학협력단
Priority to KR1020200071733A priority Critical patent/KR102427304B1/ko
Publication of KR20210154581A publication Critical patent/KR20210154581A/ko
Application granted granted Critical
Publication of KR102427304B1 publication Critical patent/KR102427304B1/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09J—ADHESIVES; NON-MECHANICAL ASPECTS OF ADHESIVE PROCESSES IN GENERAL; ADHESIVE PROCESSES NOT PROVIDED FOR ELSEWHERE; USE OF MATERIALS AS ADHESIVES
    • C09J163/00—Adhesives based on epoxy resins; Adhesives based on derivatives of epoxy resins
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Adhesives Or Adhesive Processes (AREA)
  • Epoxy Resins (AREA)

Abstract

본 발명은 머신러닝을 이용한 구조용 에폭시 접착제의 포뮬레이션 예측 방법에 관한 것으로, 보다 구체적으로 머신러닝의 방법 중 하나인 인공신경망(artificial neural networks, ANN)을 이용하여 선별된 구조용 에폭시 접착제의 포뮬레이션을 학습시켜 전단강도(lap shear strength) 및 충격박리강도(impact peel strength)와 같은 포뮬레이션 중요 인자를 도출함으로써 상기 포뮬레이션 중요 인자들 사이에 나타나는 다양한 상관관계를 확립하여 에폭시 접착제의 접착 강도의 예측이 가능한 구조용 에폭시 접착제의 포뮬레이션 예측 방법에 관한 것이다.

Description

머신러닝을 이용한 구조용 에폭시 접착제의 포뮬레이션 예측 방법 {Method for predicting the formulation of structural epoxy adhesives using machine learning}
본 발명은 머신러닝을 이용한 구조용 에폭시 접착제의 포뮬레이션 예측 방법에 관한 것으로, 보다 구체적으로 머신러닝의 방법 중 하나인 인공신경망(artificial neural networks, ANN)을 이용하여 구조용 에폭시 접착제의 독립변수를 도출하고, 상기 독립변수 사이에 나타나는 다양한 상관관계를 확립하여 에폭시 접착제의 전단강도(lap shear strength) 및 -30 내지 -50 ℃의 저온 충격박리강도(impact peel strength)의 예측이 가능한 구조용 에폭시 접착제의 포뮬레이션 예측 방법에 관한 것이다.
최근 이종 또는 다종 소재 간 접합기술의 필요성 증대로 구조용 접착제의 수요가 나날이 증가하고 있고 그 중요성 또한 부각되고 있다.
구조용 접착제는 기계적 결합이 필요 없어 차체 경량화가 가능하고, 다종 복합재료 접합 부위의 강성 중가, 충돌 시 완충효과 및 진동 소음 제어 그리고 용접 난이부 및 폐단면 접합이 용이하여 생산성 및 품질 향상 효과가 높다.
하지만 이러한 구조용 접착체의 포뮬레이션은 know-how 기반 기술로 데이터베이스 구축에 오랜 시간이 걸치고 방대하여 구축이 매우 어려워 해외선도기업 중심의 독점구조이다(Henkel, Dow Chemical, 3M 등). 또한, 구조용 접착체의 포뮬레이션에 대한 데이터베이스가 구축되어 있지 않아 다양한 상황에 있어서 구조용 접착제의 선별에 어려움이 있다.
따라서, 전술한 문제점을 보완하기 위해 본 발명가들은 고강도의 에폭시 접착제를 설계하고 적용하는데 있어서 효과적인 방향성을 제시할 수 있는 구조용 에폭시 접착제의 포뮬레이션 예측 방법의 개발이 시급하다 인식하여, 본 발명을 완성하였다.
대한민국 등록특허공보 제10-1749427호 대한민국 등록특허공보 제10-1207869호
본 발명의 목적은 머신러닝의 방법 중 하나인 인공신경망(artificial neural networks, ANN)을 이용하여 구조용 에폭시 접착제의 독립변수를 도출하고, 상기 독립변수 사이에 나타나는 다양한 상관관계를 확립하여 에폭시 접착제의 전단강도(lap shear strength) 및 -30 내지 -50 ℃의 저온 충격박리강도(impact peel strength)를 예측하여 최적의 구조용 에폭시 접착제의 예측이 가능한 구조용 에폭시 접착제의 포뮬레이션 예측 방법을 제공하는 것이다.
본 발명의 다른 목적은 고강도의 에폭시 접착제를 설계하고 적용하는데 있어서 효과적인 방향성을 제시할 수 있는 구조용 에폭시 접착제의 포뮬레이션 예측 방법을 제공하는 것이다.
발명이 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 본 발명의 기재로부터 당해 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있다.
상기 목적을 달성하기 위하여, 본 발명은 머신러닝을 이용한 구조용 에폭시 접착제의 포뮬레이션 예측 방법을 제공한다.
이하, 본 명세서에 대하여 더욱 상세하게 설명한다.
본 발명은 하기의 단계를 포함하는 것을 특징으로 하는 구조용 에폭시 접착제의 포뮬레이션 예측 방법을 제공한다.
(S1) 컴퓨팅 장치가 다수의 구조용 에폭시 접착제 샘플에 대한 전단강도(lap shear strength) 및 -30 내지 -50 ℃의 저온 충격박리강도(impact peel strength) 데이터와 연속형 독립변수 사이의 상관관계를 분석하는 단계;
(S2) 상기 컴퓨팅 장치가 상관관계를 이용하여 인공신경망(artificial neural networks, ANN) 모델을 구축하는 단계; 및
(S3) 상기 컴퓨팅 장치가 구축된 인공신경망 모델에 대응되는 구조용 에폭시 접착제의 포뮬레이션을 예측하는 단계.
본 발명에 있어서, 상기 연속형 독립변수는 수지(resin), 코어-쉘 고무(core-shell rubber, CSR), 유연제(flexibilizer), 희석제(diluent), 충전제(filler), 촉진제(promoter), 경화제(curing agent) 및 촉매(catalyst)인 것을 특징으로 한다.
본 발명에 있어서, 상기 (S1) 단계는 하기의 단계로 구성되는 것을 특징으로 한다.
(S1a) 컴퓨팅 장치가 다수의 구조용 에폭시 접착제 샘플에 대한 전단강도, 충격박리강도 및 연속형 독립변수 데이터를 수집하는 단계; 및
(S1b) 상기 컴퓨팅 장치가 수집된 전단강도 및 충격박리강도 데이터와 연속형 독립변수 사이의 상관관계를 선형상관관계 분석(linear correlation analysis)을 통해 분석하는 단계.
본 발명에 있어서, 상기 선형상관관계 분석은 피어슨 상관 계수(Pearson correlation coefficient, PCC)를 계산하여 분석하는 것을 특징으로 한다.
본 발명에 있어서, 상기 (S2) 단계는 하기의 단계로 구성되는 것을 특징으로 한다.
(S2a) 상기 컴퓨팅 장치가 다수의 구조용 에폭시 접착제 샘플에 대한 전단강도 및 충격박리강도 데이터에서 선택 셋(selection set)을 선택하여 초기 인공신경망의 하이퍼 파라미터(hyper parameter)를 설정하는 단계; 및
(S2b) 상기 컴퓨팅 장치가 선택 셋에 선택된 샘플을 제외한 상기 다수의 구조용 에폭시 접착제 샘플에 대한 전단강도 및 충격박리강도 데이터에서 트레이닝 셋(training set) 및 테스트 셋(test set)을 선택하여 인공신경망을 최적화하여 구축하는 단계.
본 발명에 있어서, 상기 하이퍼 파라미터는 은닉층(hidden layer)의 개수 및 뉴런(neuron)의 개수인 것을 특징으로 한다.
본 발명에 있어서, 상기 (S3) 단계는 하기의 단계로 구성되는 것을 특징으로 한다.
(S3a) 상기 컴퓨팅 장치가 최적화된 인공신경망 모델에 선형회귀(linear regression) 분석을 통해 검증하는 단계; 및
(S3b) 상기 컴퓨팅 장치가 검증된 데이터를 이용하여 구조용 에폭시 접착제의 포뮬레이션을 예측하는 단계.
본 발명의 구조용 에폭시 접착제의 포뮬레이션 예측 방법은 구조용 에폭시 접착제의 접착 데이터를 도출하고, 상기 데이터 내의 독립변수와 종속변수 사이에 나타나는 다양한 상관관계를 확립하여 머신러닝의 방법 중 하나인 인공신경망(artificial neural networks, ANN)을 이용함으로써 에폭시 접착제의 전단강도(lap shear strength) 및 -30 내지 -50 ℃의 저온 충격박리강도(impact peel strength)를 예측하여 최적의 구조용 에폭시 접착제의 예측이 가능하다.
또한, 본 발명의 구조용 에폭시 접착제의 포뮬레이션 예측 방법은 고강도의 에폭시 접착제를 설계하고 적용하는데 있어서 효과적인 방향성을 제시할 수 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 수지(resin), 코어-쉘 고무(core-shell rubber, CSR), 유연제(flexibilizer), 희석제(diluent), 충전제(filler), 촉진제(promoter), 경화제(curing agent) 및 촉매(catalyst)로 이루어진 연속형 독립변수에 해당하는 값이 0인 경우를 제외한 평균값, 최대값, 최소값 및 표준편차를 나타낸 그래프이다.
도 2는 연속형 독립변수와 (a) 전단강도(lap shear strength) 및 (b) 충격박리강도(impact peel strength) 사이의 상관관계를 선형상관관계 분석(linear correlation analysis)을 통해 확인한 그래프이다.
도 3은 다수의 구조용 에폭시 접착제 샘플에 하이퍼 파라미터를 설정하여 (a) 전단강도 및 (b) 충격박리강도 예측을 위한 인공신경망 구조에 대한 도면이다.
도 4는 학습된 인공신경망에 대해 선형회귀(linear regression) 분석을 통해 검증한 그래프이다.
본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 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 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 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.
수치 범위는 상기 범위에 정의된 수치를 포함한다. 본 명세서에 걸쳐 주어진 모든 최대의 수치 제한은 낮은 수치 제한이 명확히 쓰여져 있는 것처럼 모든 더 낮은 수치 제한을 포함한다. 본 명세서에 걸쳐 주어진 모든 최소의 수치 제한은 더 높은 수치 제한이 명확히 쓰여져 있는 것처럼 모든 더 높은 수치 제한을 포함한다. 본 명세서에 걸쳐 주어진 모든 수치 제한은 더 좁은 수치 제한이 명확히 쓰여져 있는 것처럼, 더 넓은 수치 범위 내의 더 좋은 모든 수치 범위를 포함할 것이다.
이하, 본 발명의 실시예를 상세히 기술하나, 하기 실시예에 의해 본 발명이 한정되지 아니함은 자명하다.
[구조용 에폭시 접착제의 포뮬레이션 예측 방법]
본 발명은 하기의 단계를 포함하는 구조용 에폭시 접착제의 포뮬레이션 예측 방법을 제공한다.
(S1) 컴퓨팅 장치가 다수의 구조용 에폭시 접착제 샘플에 대한 전단강도(lap shear strength) 및 -30 내지 -50 ℃의 저온 충격박리강도(impact peel strength) 데이터와 연속형 독립변수 사이의 상관관계를 분석하는 단계;
(S2) 상기 컴퓨팅 장치가 상관관계를 이용하여 인공신경망(artifcial neural networks, ANN) 모델을 구축하는 단계; 및
(S3) 상기 컴퓨팅 장치가 구축된 인공신경망 모델에 대응되는 구조용 에폭시 접착제의 포뮬레이션을 예측하는 단계.
상기 연속형 독립변수는 수지(resin), 코어-쉘 고무(core-shell rubber, CSR), 유연제(flexibilizer), 희석제(diluent), 충전제(filler), 촉진제(promoter), 경화제(curing agent) 및 촉매(catalyst)일 수 있다. 상기 연속형 독립변수는 구조용 접착제가 가져야 할 최소 접착 강도를 설정하는데 필요한 필수 구성성분으로, 상기 수지, 희석제, 충전제, 촉진제, 경화제 및 촉매의 경우 고강도의 접착 성능을 위한 필수 구성이고, 상기 유연제 및 코어-쉘 고무는 상기 구조용 접착제가 가질 수 있는 최소 접창 강도를 충족시키기 위한 구성이라 할 수 있다.
상기 (S1) 단계는 하기의 단계로 구성될 수 있다.
(S1a) 컴퓨팅 장치가 다수의 구조용 에폭시 접착제 샘플에 대한 전단강도, 충격박리강도 및 연속형 독립변수 데이터를 수집하는 단계; 및
(S1b) 상기 컴퓨팅 장치가 수집된 전단강도 및 충격박리강도 데이터와 연속형 독립변수 사이의 상관관계를 선형상관관계 분석(linear correlation analysis)을 통해 분석하는 단계.
상기 (S1a) 단계에서 수집된 다수의 구조용 에폭시 접착제 샘플에 대한 연속형 독립변수의 데이터는 상기 다수의 구조용 에폭시 접착제 샘플에 포함되는 상기 연속형 독립변수의 질량비일 수 있으며, 상기 연속형 독립변수의 질량비에서 0의 질량비를 제외한 모든 질량비의 범위에서 평균값, 최대값, 최소값 및 표준편차를 도출할 수 있다.
상기 연속형 독립변수 가운데 수지, CSR, 유연제 및 희석제의 경우 상기 구조용 에폭시 접착제 포뮬레이션에서 상대적으로 높은 질량비를 포함할 수 있으며, 상기 충전제, 촉진제, 경화제 및 촉매는 상대적으로 적은 질량비를 포함할 수 있다.
상기 선형상관관계 분석은 -1 내지 +1의 값을 갖는 피어슨 상관 계수(Pearson correlation coefficient, PCC)를 계산하여 분석 할 수 있다.
본 발명에 사용된 용어 “피어슨 상관 계수”는 두 변수 X 및 Y 사이의 선형상관관계를 계량화한 수치를 의미한다. 상기 피어슨 상관 계수의 값이 +1 또는 -1인 경우 선형상관관계를 갖는 것이라 할 수 있고, 반대로 상기 피어슨 상관 계수의 값이 0인 경우 선형상관관계는 갖지 않는 것이라 할 수 있다.
상기 전단강도와 연속형 독립변수 사이의 상관관계는 촉매, 유연제 및 경화제가 0.5 이상의 높은 피어슨 상관 계수를 가질 수 있으며, 특히 상기 연속형 독립변수 가운데 상기 촉매가 상기 전단강도 사이에서 가장 높은 피어슨 상관 계수를 가질 수 있다. 이는 상기 촉매의 역할이 상기 구조용 에폭시 접착제의 이온 중합(ionic polymerization)을 위한 개시제이기 때문일 수 있다.
상기 충격박리강도와 연속형 독립변수 사이의 상관관계는 유연제, 촉진제 및 경화제가 0.5 이상의 높은 피어슨 상관 계수를 가질 수 있으며, 특히 상기 연속형 독립변수 가운데 상기 유연제가 상기 충격박리강도 사이에서 가장 높은 피어슨 상관 계수를 가질 수 있다. 이는 상기 유연제가 -30 내지 -50 ℃인 극저온에서는 접착강도와 관련 있는 강성을 향상시키는 역할을 수행하기 때문일 수 있다.
상기 (S2) 단계는 인공신경망 모델을 구축하는 단계로서, 하기의 단계로 구성될 수 있다.
(S2a) 상기 컴퓨팅 장치가 다수의 구조용 에폭시 접착제 샘플에 대한 전단강도 및 충격박리강도 데이터에서 선택 셋(selection set)을 선택하여 초기 인공신경망 모델의 하이퍼 파라미터(hyper parameter)를 설정하는 단계; 및
(S2b) 상기 컴퓨팅 장치가 선택 셋에 선택된 샘플을 제외한 상기 다수의 구조용 에폭시 접착제 샘플에 대한 전단강도 및 충격박리강도 데이터에서 트레이닝 셋(training set) 및 테스트 셋(test set)을 선택하여 인공신경망 모델을 최적화하는 단계.
본 발명에 사용된 용어 “선택 셋”은 초기 신경망 구축을 위해 선택된 셋으로, 전체 데이터 셋 가운데 가장 일관성이 있는 셋을 의미한다.
본 발명에 사용된 용어 “트레이닝 셋”은 전체 데이터 셋에서 학습을 위해 선택된 셋을 의미한다.
본 발명에 사용된 용어 “테스트 셋”은 전체 데이터 셋에서 일반화를 위해 선택된 셋을 의미한다.
상기 (S2b) 단계는 상기 선택 셋에 선택된 샘플을 제외한 상기 다수의 구조용 에폭시 접착제 샘플에 대한 전단강도 및 충격박리강도 데이터에서 트레이닝 셋(training set)을 선택하여 인공신경망 모델을 학습시키고 상기 테스트 셋(test set)을 선택하여 인공신경망 모델을 최적화하는 단계;일 수 있다.
상기 트레이닝 셋 및 테스트 셋의 선정에 따라 최적화된 신경망 파라미터가 달라질 수 있어, 전체 데이터 셋 가운데 결측값(missing value)이 적고 종속변수 및 상관관계가 선형에 가까운 셋을 선택하여 이들을 선택 셋으로 선정하고, 이들을 토대로 초기 신경망 구조를 구축한 뒤 트레이닝 셋으로 훈련시킬 수 있다.
본 발명에 사용된 용어 “하이퍼 파라미터”는 모델링에 있어서 사용자(분석자)가 직접 세팅해주는 파라미터(매개변수)를 의미한다.
상기 (S2a) 단계에 설정된 하이퍼 파라미터는 은닉층(Hidden layer)의 개수 및 뉴런(Neuron)의 개수일 수 있다.
본 발명에 사용된 용어 “은닉층”은 인공 신경망 내의 입력층과 출력층 사이에 위치하는 모든 층을 의미한다.
본 발명에 사용된 용어 “뉴런”은 상기 입력층, 출력층 및 은닉층이 갖는 가중치의 노드(node)의 망을 의미한다.
상기 다수의 구조용 에폭시 접착제 샘플에 대한 전단강도 데이터에서 상기 선택 셋을 선택하여 초기 인공신경망 모델의 은닉층의 개수 및 뉴런의 개수로 구성된 하이퍼 파라미터(hyper parameter)를 설정할 경우, 상기 은닉층은 총 3개로 구성될 수 있으며, 상기 뉴런은 상기 은닉층의 각 층마다 4, 3 및 7개로 구성될 수 있다.
또한, 상기 다수의 구조용 에폭시 접착제 샘플에 대한 충격박리강도 데이터에서 상기 선택 셋을 선택하여 초기 인공신경망 모델의 은닉층의 개수 및 뉴런의 개수로 구성된 하이퍼 파라미터(hyper parameter)를 설정할 경우, 상기 은닉층은 총 4개로 구성될 수 있으며, 상기 뉴런은 상기 은닉층의 각 층마다 7, 5, 3 및 2개로 구성될 수 있다.
상기 (S2b) 단계는 상기 선택 셋에 선택된 상기 다수의 구조용 에폭시 접착제 샘플을 제외한 상기 샘플에서 트레이닝 셋 및 테스트 셋을 선택하여 인공신경망 모델을 최적화하는 단계;일 수 있다.
상기 구축된 인공신경망 모델을 통해 상기 트레이닝 셋 및 테스트 셋을 예측할 수 있으며, 이때 평균 제곱근 편차(root-mean-square-error, RMSE) 및 정규화 제곱근 편차(normalized squared error, NSE)로 계산된 오차를 통해 상기 인공신경망 모델의 정확성 또는 정밀성을 높일 수 있다.
상기 선택 셋은 가장 일관성이 있는 셋으로 선정되어 분류되고, 상기 트레이닝 셋 및 테스트 셋은 랜덤(random)하게 선정되어 분류될 수 있다.
상기 (S3) 단계는 최종적으로 조용 에폭시 접착제의 포뮬레이션을 예측하는 단계로서, 하기의 단계로 구성될 수 있다.
(S3a) 상기 컴퓨팅 장치가 최적화된 인공신경망 모델에 선형회귀(linear regression) 분석을 통해 검증하는 단계; 및
(S3b) 상기 컴퓨팅 장치가 검증된 데이터를 이용하여 구조용 에폭시 접착제의 포뮬레이션을 예측하는 단계.
상기 (S3a) 단계는 상기 선형회귀분석을 통해 확인된 평균 제곱근 편차(root-mean-square-error, RMSE) 및 정규화 제곱근 편차(normalized squared error, NSE)를 이용하여 상기 구축된 인공신경망 모델을 검증할 수 있다.
상기 수행되는 선형회귀 분석을 통한 검증은 상기 구축된 인공신경망 모델의 예측치와 실제치 사이의 선형관계를 나타내는 직선의 기울기가 1에 가깝고, 절편이 0에 가까울수록 높은 정확성을 나타내는 것이라 할 수 있다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 상세하게 후술되어 있는 실시예들을 참조하면 명확해 질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하세 알려 주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
실시예. 구조용 에폭시 접착제의 포뮬레이션 예측
1. 구조용 에폭시 접착제 샘플에 포함되는 연속형 독립변수의 질량비에 대한 평균값, 최대값, 최소값 및 표준편차
컴퓨팅 장치를 이용하여 구조용 에폭시 접착제 샘플에 포함되는 에폭시 수지(resin), 코어-쉘 고무(core-shell rubber, CSR), 유연제(flexibilizer)로 우레탄 기반의 프리폴리머(urethane-based prepolymer), 희석제(diluent)로는 에폭시 반응성 희석제(epoxy reactive diluent), 충전제(filler)로 건식 실리카(fumed silica), 촉진제(promoter)로 에폭시 실란(epoxy silane), 경화제(curing agent)로 디시안디아미드(dicyandiamide, DICY) 및 촉매(catalyst)로는 이미다졸(imidazole)로 이루어진 연속형 독립변수의 질량비에서 0의 질량비를 제외한 모든 질량비의 범위에서 평균값, 최대값, 최소값 및 표준편차를 확인하였으며, 이에 대한 결과를 도 1에 나타내었다.
도 1을 참조하면, 상기 연속형 독립변수 가운데 에폭시 수지, CSR, 유연제 및 희석제의 경우 상기 구조용 에폭시 접착제 포뮬레이션에서 상대적으로 높은 질량비를 포함할 수 있으며, 상기 충전제, 촉진제, 경화제 및 촉매는 상대적으로 적은 질량비를 포함할 수 있다.
2. 연속형 독립변수와 전단강도 및 -40 ℃의 저온 충격박리강도 사이의 피어슨 상관 계수
상기 연속형 독립변수와 전단강도 및 충격박리강도 사이의 상관관계를 -1 내지 1의 값을 갖는 피어슨 상관 계수(Pearson correlation coefficient, PCC)를 계산하여 선형상관관계 분석(linear correlation analysis)을 통해 확인하였으며, 이에 대한 결과를 도 2에 나타내었다.
도 2를 참조하면, (a) 전단강도와 연속형 독립변수의 상관관계는 촉매, 유연제 및 경화제에서 0.5 이상의 높은 피어슨 상관 계수를 가지며, 특히 촉매에 있어서 가장 높은 상관관계를 갖는 독립변수임을 확인할 수 있다. 상기 촉매는 구조용 에폭시 접착제의 이온 중합(ionic polymerization)을 위한 개시제이기 때문에 접착 강도 향상에 필수적인 영향을 미치는 것으로 판단할 수 있다. 또한, (b) 저온(-40°C) 충격박리강도와 연속형 독립변수의 상관관계는 유연제, 촉진제 및 경화제에서 0.5 이상의 높은 피어슨 상관 계수를 가지며, 특히 유연제가 가장 높은 상관관계를 갖는 독립변수임을 확인할 수 있다. 상기 유연제는 -30 내지 -50 ℃의 극저온에서 접착강도와 관련 있는 강성을 향상시키는 역할을 수행하기 때문으로 판단할 수 있다.
도 1을 참조하면, 상기 희석제, 에폭시 수지 및 CSR의 경우 샘플 값이 ?÷? 범위 내에 존재하고 실제 포뮬레이션 대부분을 구성하고 있음에도 불구하고, 도 2에 나타낸 바와 같이 전단강도 및 충격박리강도와의 피어슨 상관 계수는 0.2 이하의 값을 가져 접착 특성에는 큰 영향을 미치지 않는 다는 것을 확인할 수 있다. 또한, 도 1을 참조하면 촉매, 경화제 및 촉진제의 경우 샘플 값이 작은 범위 내에 존재하고 실제 포뮬레이션 일부만을 구성하고 있음에도 불구하고, 도 2에 나타낸 바와 같이 이들의 질량비 변화는 실제 접착 특성에 큰 영향을 미친 다는 것을 확인할 수 있다.
3. 하이퍼 파라미터 설정
상기 구조용 에폭시 접착제 샘플 가운데 20%에 해당하는 샘플을 선택 셋(selection set)으로 구분하여 초기 인공신경망의 하이퍼 파라미터 설정하였으며, 상기 하이퍼 파라미터는 은닉층(hidden layer)의 개수 및 뉴런(neuron)의 개수로 구성하였다. 이때, 상기 선택 셋은 가장 일관성이 있는 셋으로 선정하여 분류하였으며, 상기 하이퍼 파라미터는 은닉층의 개수 및 뉴런의 개수에 대한 결과를 도 3에 나타내었다.
도 3을 참조하면, (a) 전단강도 예측 모델의 경우, 은닉층은 3개, 뉴런은 각 층마다 4, 3 및 7개로 구성되고, (b) 충격박리강도 예측 모델의 경우, 은닉층은 4개, 뉴런은 각 층마다 7, 5, 3 및 2개로 구성되는 것을 확인할 수 있다.
4. 트레이닝 셋 및 테스트 셋 설정 및 예측을 통한 인공신경망 모델 구축
상기 구조용 에폭시 접착제 샘플 가운데 60%에 해당하는 샘플을 트레이닝 셋(training set) 및 20%에 해당하는 샘플을 테스트 셋(test set)으로 구분하여 인공신경망 모델을 최적화하였다. 이때, 상기 트레이닝 셋 및 테스트 셋은 랜덤(random)하게 분류하였다. 그리고, 상기 구축된 인공신경망 모델을 통해 상기 트레이닝 셋 및 테스트 셋을 예측하기 위해 평균 제곱근 편차(root-mean-square-error, RMSE) 및 정규화 제곱근 편차(normalized squared error, NSE)로 오차를 계산하였으며, 이에 대한 결과는 하기 [표 1]과 같다.
[표 1]
Figure 112020060753704-pat00001
상기 [표 1]을 참조하면, 상기 전단강도에서 트레이닝 셋 및 테스트 셋에서 각각 0.053 및 0.590의 낮은 RMSE를 갖는 것을 확인할 수 있다. 상기 전단강도의 표준편차가 0.98임을 고려할 때, 상기 구축된 인공신경망 모델이 상당히 좋은 예측력을 가짐을 시사한다고 할 수 있다. 또한, 상기 충격박리강도에서 트레이닝 셋은 1.730의 RMSE를 가지며, 테스트 셋은 8.218의 다소 높은 RMSE을 갖는 것을 확인할 수 있다. 상기 충격박리강도의 표준편차가 7.417임을 고려할 때, 테스트 셋에서는 다소 불안정한 예측력을 가지나 트레이닝 셋에서는 우수한 예측력을 갖는 것을 확인할 수 있다. 상기와 같은 결과를 통해 본 발명에 따른 인공신경망 모델이 구출되었음을 확인할 수 있다.
5. 선형회귀(linear regression) 분석을 통한 인공신경망 모델 검증
상기 구축된 인공신경망 모델을 검증하기 위해, 선형회귀 분석을 수행하였으며, 그 결과를 도 4에 나타내었다.
도 4를 참조하면, (a) 전단강도를 예측한 인공신경망 모델의 선형회귀는 도출된 예측치와 실제치 사이의 선형관계 직선이 기울기는 1에 가깝고 절편은 0에 가까운 값을 가지며, R2은 0.642임을 확인할 수 있다. 또한, (b) 충격박리강도를 예측한 모델의 선형회귀는 도출된 예측치와 실제치 사이의 선형관계 직선의 기울기가 1에 가깝고 절편은 0에 가까운 값을 가지며, R2은 0.588임을 확인할 수 있다. 상기 결과로부터 상기 구축된 인공신경망 모델은 전단강도 및 충격박리강도 예측을 위한 모델에 적합함을 가진다고 할 수 있다.
상기 결과로부터, 본 발명의 구조용 에폭시 접착제의 포뮬레이션 예측 방법은 고강도의 에폭시 접착제를 설계하고 적용하는데 있어서 효과적인 방향성을 제시한다 할 수 있다.
이상 설명으로부터, 본 발명에 속하는 기술 분야의 당업자는 본 발명의 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 이와 관련하여, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 한정적인 것이 아닌 것으로서 이해해야만 한다.

Claims (7)

  1. (S1) 컴퓨팅 장치가 다수의 구조용 에폭시 접착제 샘플에 대한 전단강도(lap shear strength) 및 -30 내지 -50 ℃의 저온 충격박리강도(impact peel strength) 데이터와 연속형 독립변수 사이의 상관관계를 분석하는 단계;
    (S2) 상기 컴퓨팅 장치가 상관관계를 이용하여 인공신경망(artificial neural networks, ANN) 모델을 최적화하는 단계; 및
    (S3) 상기 컴퓨팅 장치가 최적화된 인공신경망 모델에 대응되는 구조용 에폭시 접착제의 포뮬레이션을 예측하는 단계;를 포함하는 것을 특징으로 하는 구조용 에폭시 접착제의 포뮬레이션 예측 방법.
  2. 제1항에 있어서,
    상기 연속형 독립변수는 수지(resin), 코어-쉘 고무(core-shell rubber, CSR), 유연제(flexibilizer), 희석제(diluent), 충전제(filler), 촉진제(promoter), 경화제(curing agent) 및 촉매(catalyst)인 것을 특징으로 하는 구조용 에폭시 접착제의 포뮬레이션 예측 방법.
  3. 제1항에 있어서,
    상기 (S1) 단계는
    (S1a) 컴퓨팅 장치가 다수의 구조용 에폭시 접착제 샘플에 대한 전단강도, 충격박리강도 및 연속형 독립변수 데이터를 수집하는 단계; 및
    (S1b) 상기 컴퓨팅 장치가 수집된 전단강도 및 충격박리강도 데이터와 연속형 독립변수 사이의 상관관계를 선형상관관계 분석(linear correlation analysis)을 통해 분석하는 단계;로 구성되는 것을 특징으로 하는 구조용 에폭시 접착제의 포뮬레이션 예측 방법.
  4. 제3항에 있어서,
    상기 선형상관관계 분석은 피어슨 상관 계수(Pearson correlation coefficient, PCC)를 계산하여 분석하는 것을 특징으로 하는 구조용 에폭시 접착제의 포뮬레이션 예측 방법.
  5. 제1항에 있어서,
    상기 (S2) 단계는
    (S2a) 상기 컴퓨팅 장치가 다수의 구조용 에폭시 접착제 샘플에 대한 전단강도 및 충격박리강도 데이터에서 선택 셋(selection set)을 선택하여 초기 인공신경망의 하이퍼 파라미터(hyper parameter)를 설정하는 단계; 및
    (S2b) 상기 컴퓨팅 장치가 선택 셋에 선택된 샘플을 제외한 상기 다수의 구조용 에폭시 접착제 샘플에 대한 전단강도 및 충격박리강도 데이터에서 트레이닝 셋(training set) 및 테스트 셋(test set)을 선택하여 인공신경망 모델을 최적화하는 단계;로 구성되는 것을 특징으로 하는 구조용 에폭시 접착제의 포뮬레이션 예측 방법.
  6. 제5항에 있어서,
    상기 하이퍼 파라미터는 은닉층(hidden layer)의 개수 및 뉴런(neuron)의 개수인 것을 특징으로 하는 구조용 에폭시 접착제의 포뮬레이션 예측 방법.
  7. 제1항에 있어서,
    상기 (S3) 단계는
    (S3a) 상기 컴퓨팅 장치가 최적화된 인공신경망 모델에 선형회귀(linear regression) 분석을 통해 검증하는 단계; 및
    (S3b) 상기 컴퓨팅 장치가 검증된 데이터를 이용하여 구조용 에폭시 접착제의 포뮬레이션을 예측하는 단계;로 구성되는 것을 특징으로 하는 구조용 에폭시 접착제의 포뮬레이션 예측 방법.
KR1020200071733A 2020-06-12 2020-06-12 머신러닝을 이용한 구조용 에폭시 접착제의 포뮬레이션 예측 방법 KR102427304B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200071733A KR102427304B1 (ko) 2020-06-12 2020-06-12 머신러닝을 이용한 구조용 에폭시 접착제의 포뮬레이션 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200071733A KR102427304B1 (ko) 2020-06-12 2020-06-12 머신러닝을 이용한 구조용 에폭시 접착제의 포뮬레이션 예측 방법

Publications (2)

Publication Number Publication Date
KR20210154581A KR20210154581A (ko) 2021-12-21
KR102427304B1 true KR102427304B1 (ko) 2022-07-28

Family

ID=79165505

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200071733A KR102427304B1 (ko) 2020-06-12 2020-06-12 머신러닝을 이용한 구조용 에폭시 접착제의 포뮬레이션 예측 방법

Country Status (1)

Country Link
KR (1) KR102427304B1 (ko)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101207869B1 (ko) 2011-12-28 2012-12-04 부산대학교 산학협력단 유한요소법에 의한 접합 구조물의 접합재료 박리 예측방법
KR102185785B1 (ko) * 2014-11-21 2020-12-02 삼성전자주식회사 화합물의 물성을 예측하는 방법 및 시스템
KR101749427B1 (ko) 2015-11-26 2017-07-03 제주대학교 산학협력단 다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치
KR102523472B1 (ko) * 2016-08-01 2023-04-18 삼성전자주식회사 신규 물질의 구조 생성 방법 및 장치
KR102195327B1 (ko) * 2016-11-17 2020-12-28 주식회사 엘지화학 고무 조성물 물성 예측 방법
KR102107378B1 (ko) * 2017-10-31 2020-05-07 삼성에스디에스 주식회사 하이퍼파라미터 자동 최적화 방법 및 그 장치

Also Published As

Publication number Publication date
KR20210154581A (ko) 2021-12-21

Similar Documents

Publication Publication Date Title
CN101542589B (zh) 基音滞后估计的方法、设备和系统
CN107357992A (zh) 基于聚类分析的复合材料结构有限元模型修正方法
Lavrov et al. Mathematical models for reducing functional networks to ensure the reliability and cybersecurity of ergatic control systems
CN107632590B (zh) 一种基于优先级的底事件排序方法
Capretz et al. An empirical validation of object-oriented design metrics for fault prediction
CN102546754B (zh) 服务质量可定制的Web服务组合方法
CN111475616A (zh) 基于对话状态预测的多轮对话方法、装置和计算机设备
KR102427304B1 (ko) 머신러닝을 이용한 구조용 에폭시 접착제의 포뮬레이션 예측 방법
CN104950672A (zh) 一种最优积分滑模控制方法
CN112905436B (zh) 一种面向复杂软件的质量评估预测方法
CN103577899B (zh) 一种基于可靠性预测与QoS相结合的服务组合方法
Bai et al. Adaptive web services testing
CN106484937A (zh) 核电厂支架有限单元法力学计算输入文件制作方法及装置
CN111222206B (zh) 数字阀组的构型设计方法
Hayes Jr et al. A dynamic programming approach to machine requirements planning
CN114065499B (zh) 岩石单轴蠕变全过程改进Maxwell模型及构建方法
CN115563824A (zh) 基于机器学习的双相材料复合管性能预测方法
Aikhuele Evaluation of Adhesive Materials Used in Wind Turbine Blades
Levitin Optimal version sequencing in fault-tolerant programs
Aragón et al. A novel model of artificial immune system for solving constrained optimization problems with dynamic tolerance factor
KR101330526B1 (ko) 예측 시스템 변환 방법, 그 장치 및 기록매체
CN114925264A (zh) 一种基于特征权重模型推荐系统及推荐结果可解释性方法
Djapic et al. An approach to machine tools structure selection for wooden product machining based on evidence networks
Cao et al. Ensemble approaches for Test Case Prioritization in UI testing.
Gruber et al. A modified approach for simulating complex compound structures within early design steps

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant