KR102472536B1 - Method of selecting design parameter for composite sensor using machine learning - Google Patents
Method of selecting design parameter for composite sensor using machine learning Download PDFInfo
- Publication number
- KR102472536B1 KR102472536B1 KR1020200090378A KR20200090378A KR102472536B1 KR 102472536 B1 KR102472536 B1 KR 102472536B1 KR 1020200090378 A KR1020200090378 A KR 1020200090378A KR 20200090378 A KR20200090378 A KR 20200090378A KR 102472536 B1 KR102472536 B1 KR 102472536B1
- Authority
- KR
- South Korea
- Prior art keywords
- sensitivity
- composite sensor
- neural network
- artificial neural
- network model
- Prior art date
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/30—Investigating strength properties of solid materials by application of mechanical stress by applying a single impulsive force, e.g. by falling weight
- G01N3/303—Investigating strength properties of solid materials by application of mechanical stress by applying a single impulsive force, e.g. by falling weight generated only by free-falling weight
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
본 발명은, 머신 러닝을 이용하여 복합재 센서의 설계시 설계자가 요구하는 요구파라미터와 요구 민감도에 적합한 최적의 전극 간격을 도출할 수 있기 때문에, 복합재 센서의 설계가 보다 용이한 이점이 있다. 또한, 낙하 충격 실험시 얻어지는 학습 데이터 중에서 섬유의 종류, 초기 저항, 최대 흡수 에너지, 최대 하중 및 전극 간격을 입력 변수로 하고, 복합재 센서의 민감도를 출력 변수로 하여 머신 러닝을 수행하여, 인공 신경망 모델을 생성함으로써, 복합재 센서의 설계시 설계자가 요구하는 요구 파라미터에 대응되는 예상 민감도를 도출할 수 있는 이점이 있다. According to the present invention, when designing a composite sensor using machine learning, it is possible to derive an optimal electrode spacing suitable for a designer's required parameter and required sensitivity, so that the composite sensor can be designed more easily. In addition, among the learning data obtained during the drop impact experiment, machine learning is performed with the type of fiber, initial resistance, maximum absorbed energy, maximum load, and electrode spacing as input variables, and the sensitivity of the composite sensor as an output variable, resulting in an artificial neural network model. By generating , there is an advantage in deriving an expected sensitivity corresponding to a required parameter required by a designer when designing a composite sensor.
Description
본 발명은 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법에 관한 것으로서, 보다 상세하게는 머신 러닝을 통해 전도성 섬유를 포함하는 복합재 센서의 민감도에 따른 최적의 전극 간격을 도출할 수 있는 방법에 관한 것이다. The present invention relates to a method for setting design parameters of a composite sensor using machine learning, and more particularly, to a method for deriving an optimal electrode spacing according to the sensitivity of a composite sensor including conductive fibers through machine learning It is about.
일반적으로 탄소섬유강화플라스틱(CFRP, Carbon Fiber Reinforced Plastic)은 탄소섬유를 강화재로 사용하는 복합재료이다. 탄소섬유강화플라스틱은 고강도, 고강성의 경량 구조재로서 비행기, 자동차, 로봇 등 다양한 분야에 활발하게 이용되고 있다. 비행기, 자동차, 로봇 등 다양한 구조물은 높은 안정성이 요구되는 구조체이기 때문에, 손상을 검출할 수 있는 기술에 대한 관심이 증대되고 있다.In general, carbon fiber reinforced plastic (CFRP) is a composite material using carbon fiber as a reinforcing material. Carbon fiber-reinforced plastic is a high-strength, high-rigidity, lightweight structural material that is actively used in various fields such as airplanes, automobiles, and robots. Since various structures such as airplanes, automobiles, and robots require high stability, interest in technology capable of detecting damage is increasing.
종래에는 구조물과 별도로 변형이나 손상을 측정할 수 있는 센서 등을 추가적으로 설치하여 검사하고자 하는 특정 부분의 검사를 실시하거나, 음향 센서 등 검사 장비를 통해 스캔 하거나, 육안 등으로 손상 여부를 판단하였다. Conventionally, a sensor that can measure deformation or damage separately from a structure is additionally installed to inspect a specific part to be inspected, or scanning through inspection equipment such as an acoustic sensor, or determining damage with the naked eye.
그러나, 센서를 추가 설치하는 경우 비용이 많이 드는 문제점이 있을 뿐만 아니라, 검사 대상이 되는 부분이 매우 광범위하므로 센서의 설치에는 한계가 있다. 또한, 검사 장비를 이용하거나 육안으로 검사할 경우 이미 파손이나 손상이 발생된 이후에서야 확인이 가능하기 때문에 안전성 확보에 문제점이 있다. However, when additional sensors are installed, there is a problem in that the cost is high, and the installation of the sensors is limited because the area to be inspected is very wide. In addition, when inspecting using inspection equipment or visually, there is a problem in securing safety because confirmation is possible only after damage or damage has already occurred.
따라서, 최근에는 복합재의 손상을 미리 예측하고 진단할 수 있는 복합재 센서에 대한 관심이 증가하고 있다. Therefore, recently, interest in a composite material sensor capable of predicting and diagnosing damage to a composite material in advance has increased.
본 발명의 목적은, 머신 러닝을 이용하여 복합재 센서의 민감도를 보다 정확하고 효율적으로 설정할 수 있는 방법을 제공하는 데 있다. An object of the present invention is to provide a method for more accurately and efficiently setting the sensitivity of a composite sensor using machine learning.
본 발명에 따른 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법은, 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중에서 복합재 센서의 섬유 조건, 초기 저항, 외력 인가시 최대 흡수 에너지 및 최대 하중 중 적어도 일부와 전극 조건을 입력 변수로 하고, 상기 복합재 센서의 민감도(Sensitivity)를 출력 변수로 하여 머신 러닝을 수행하여, 상기 복합재 센서의 민감도를 도출하는 인공 신경망 모델을 생성하는 인공 신경망 모델 생성단계와; 상기 복합재 센서의 설계시, 설계자가 요구하는 섬유 조건, 초기 저항, 외력 인가시 최대 흡수 에너지 및 최대 하중 중 적어도 일부와 전극 조건을 포함하는 요구 파라미터를 상기 인공 신경망 모델에 입력하여, 상기 인공 신경망 모델로부터 상기 복합재 센서의 예상 민감도를 출력하는 민감도 출력단계와; 상기 민감도 출력단계에서 출력된 예상 민감도와 상기 설계자가 요구하는 요구 민감도 범위를 비교하는 비교단계와; 상기 예상 민감도가 상기 요구 민감도 범위 이내이면, 상기 인공 신경망 모델에 입력된 전극 조건을 포함하는 요구 파라미터를 상기 복합재 센서의 설계 파라미터로 설정하고, 상기 설계 파라미터에 따라 상기 복합재 센서를 설계하는 설계단계를 포함한다.A method for setting design parameters of a composite sensor using machine learning according to the present invention includes at least some of the fiber condition of the composite sensor, initial resistance, maximum absorbed energy and maximum load when an external force is applied, among learning data obtained through experiments or simulations. An artificial neural network model generation step of generating an artificial neural network model for deriving the sensitivity of the composite sensor by performing machine learning with N and electrode conditions as input variables and sensitivity of the composite sensor as an output variable; When designing the composite sensor, required parameters including at least a part of fiber conditions, initial resistance, maximum absorbed energy and maximum load upon application of an external force and electrode conditions required by the designer are input into the artificial neural network model, and the artificial neural network model a sensitivity output step of outputting an expected sensitivity of the composite sensor from; a comparison step of comparing the expected sensitivity output in the sensitivity output step with a required sensitivity range requested by the designer; If the expected sensitivity is within the required sensitivity range, a design step of setting required parameters including electrode conditions input to the artificial neural network model as design parameters of the composite sensor and designing the composite sensor according to the design parameters. include
상기 예상 민감도가 상기 요구 민감도 범위를 벗어나면, 상기 예상 민감도가 상기 요구 민감도 범위 이내에 들때까지 상기 요구 파라미터 중에서 상기 전극 조건을 변경하여 상기 인공 신경망 모델에 재입력하여, 상기 인공 신경망 모델로부터 상기 복합재 센서의 예상 민감도를 재출력한다.When the expected sensitivity is out of the required sensitivity range, the electrode condition is changed from among the required parameters and re-inputted into the artificial neural network model until the expected sensitivity is within the required sensitivity range, and the composite sensor is obtained from the artificial neural network model. Reprints the expected sensitivity of
상기 재출력된 예상 민감도가 상기 요구 민감도 범위 이내이면, 상기 인공 신경망 모델에 최종 입력된 전극 조건을 포함하는 요구 파라미터를 상기 복합재 센서의 설계 파라미터로 설정하고, 상기 설계 파라미터에 따라 상기 복합재 센서를 설계한다.If the re-output expected sensitivity is within the required sensitivity range, the required parameters including electrode conditions finally input to the artificial neural network model are set as design parameters of the composite sensor, and the composite sensor is designed according to the design parameters. do.
상기 전극 조건은, 상기 복합재 센서에 구비된 전극들의 간격을 포함한다.The electrode conditions include intervals between electrodes provided in the composite sensor.
상기 섬유 조건은, 상기 섬유의 종류, 섬유 플라이의 적층 개수, 상기 섬유의 배열 방향, 상기 섬유의 길이 및 상기 섬유의 직경 및 수지의 종류 중 적어도 하나를 포함한다.The fiber condition includes at least one of the type of the fiber, the number of stacked fiber plies, the arrangement direction of the fiber, the length and diameter of the fiber, and the type of resin.
상기 외력은, 상기 복합재 센서에 낙하 물체가 낙하 충격시 가해지는 힘이다.The external force is a force applied when a falling object impacts the composite sensor.
본 발명의 다른 측면에 따른 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법은, 복수의 섬유 플라이들이 적층되어 형성된 복합재에 구비된 복수의 전극 쌍들로부터 저항 변화를 측정하여, 상기 복합재의 변형을 감지하는 복합재 센서의 설계 파라미터를 설정하는 방법에 있어서, 낙하 충격 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중에서 상기 복합재 센서의 섬유의 종류, 섬유 플라이의 적층 개수, 상기 섬유의 배열 방향, 상기 섬유의 길이 및 상기 섬유의 직경 및 수지의 종류 중 적어도 하나를 포함하는 섬유 조건, 초기 저항, 낙하 충격시 최대 흡수 에너지와 최대 하중 및 전극 간격을 입력 변수로 하고, 상기 복합재 센서의 민감도(Sensitivity)를 출력 변수로 하여 머신 러닝을 수행하여, 상기 복합재 센서의 민감도를 도출하는 인공 신경망 모델을 생성하는 인공 신경망 모델 생성단계와; 상기 복합재 센서의 설계시, 설계자가 요구하는 섬유 조건, 전극 간격, 초기 저항, 낙하 충격시 최대 흡수 에너지 및 최대 하중을 포함하는 요구 파라미터를 상기 인공 신경망 모델에 입력하여, 상기 인공 신경망 모델로부터 상기 복합재 센서의 예상 민감도를 출력하는 민감도 출력단계와; 상기 민감도 출력단계에서 출력된 예상 민감도와 상기 설계자가 요구하는 요구 민감도 범위를 비교하는 비교단계와; 상기 예상 민감도가 상기 요구 민감도 범위 이내이면, 상기 인공 신경망 모델에 입력된 전극 간격을 포함하는 요구 파라미터를 상기 복합재 센서의 설계 파라미터로 설정하고, 상기 설계 파라미터에 따라 상기 복합재 센서를 설계하는 설계단계를 포함하고, 상기 예상 민감도가 상기 요구 민감도 범위를 벗어나면, 상기 예상 민감도가 상기 요구 민감도 범위 이내에 들때까지 상기 요구 파라미터 중에서 상기 전극 간격을 변경하여 상기 인공 신경망 모델에 재입력하고, 상기 인공 신경망 모델로부터 상기 복합재 센서의 예상 민감도를 재출력하는 것을 반복한다.A method for setting design parameters of a composite material sensor using machine learning according to another aspect of the present invention measures resistance change from a plurality of electrode pairs provided in a composite material formed by stacking a plurality of fiber plies, and the deformation of the composite material A method for setting design parameters of a composite sensor for detecting, among learning data obtained through a drop impact experiment or simulation, the type of fiber of the composite sensor, the number of laminated fiber plies, the arrangement direction of the fibers, and the length of the fibers And fiber conditions including at least one of the diameter of the fiber and the type of resin, initial resistance, maximum absorbed energy and maximum load and electrode spacing at the time of a drop impact as input variables, and sensitivity of the composite sensor as an output variable an artificial neural network model generation step of generating an artificial neural network model for deriving the sensitivity of the composite material sensor by performing machine learning with the method; When designing the composite material sensor, required parameters including fiber conditions, electrode spacing, initial resistance, maximum absorbed energy and maximum load at the time of impact from falling are input to the artificial neural network model, and the composite material is obtained from the artificial neural network model. a sensitivity output step of outputting expected sensitivity of the sensor; a comparison step of comparing the expected sensitivity output in the sensitivity output step with a required sensitivity range requested by the designer; If the expected sensitivity is within the required sensitivity range, a design step of setting a required parameter including an electrode spacing input to the artificial neural network model as a design parameter of the composite sensor and designing the composite sensor according to the design parameter. and, when the expected sensitivity is out of the required sensitivity range, changing the electrode spacing among the required parameters until the expected sensitivity is within the required sensitivity range and re-inputting the artificial neural network model into the artificial neural network model. Repeat to re-output the expected sensitivity of the composite sensor.
본 발명은, 머신 러닝을 이용하여 복합재 센서의 설계시 설계자가 요구하는 요구파라미터와 요구 민감도에 적합한 최적의 전극 간격을 도출할 수 있기 때문에, 복합재 센서의 설계가 보다 용이한 이점이 있다. According to the present invention, when designing a composite sensor using machine learning, it is possible to derive an optimal electrode spacing suitable for a designer's required parameter and required sensitivity, so that the composite sensor can be designed more easily.
또한, 낙하 충격 실험시 얻어지는 학습 데이터 중에서 섬유의 종류, 초기 저항, 최대 흡수 에너지, 최대 하중 및 전극 간격을 입력 변수로 하고, 복합재 센서의 민감도를 출력 변수로 하여 머신 러닝을 수행하여, 인공 신경망 모델을 생성함으로써, 복합재 센서의 설계시 설계자가 요구하는 요구 파라미터에 대응되는 예상 민감도를 도출할 수 있는 이점이 있다. In addition, among the learning data obtained during the drop impact experiment, machine learning is performed with the type of fiber, initial resistance, maximum absorbed energy, maximum load, and electrode spacing as input variables, and the sensitivity of the composite sensor as an output variable, resulting in an artificial neural network model. By generating , there is an advantage in deriving an expected sensitivity corresponding to a required parameter required by a designer when designing a composite sensor.
도 1은 본 발명의 실시예에 따른 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법을 나타낸 순서도이다.
도 2는 본 발명의 실시예에 따른 머신 러닝하여 인공 신경망 모델을 생성하는 방법을 개략적으로 나타낸 도면이다.
도 3은 도 2에 도시된 인공 신경망 모델의 일 예를 나타낸다.
도 4는 도 2에서 생성된 인공 신경망 모델을 이용하여, 복합재 센서의 예상 민감도를 출력하는 방법을 개략적으로 나타낸 도면이다. 1 is a flowchart illustrating a method of setting design parameters of a composite sensor using machine learning according to an embodiment of the present invention.
2 is a diagram schematically illustrating a method of generating an artificial neural network model through machine learning according to an embodiment of the present invention.
FIG. 3 shows an example of the artificial neural network model shown in FIG. 2 .
FIG. 4 is a diagram schematically illustrating a method of outputting an expected sensitivity of a composite sensor using the artificial neural network model generated in FIG. 2 .
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대해 설명하면 다음과 같다. Hereinafter, embodiments of the present invention will be described with reference to the accompanying drawings.
본 발명의 실시예에서 머신 러닝을 수행하고, 머신 러닝을 통해 구축된 인공 신경망 모델로부터 복합재 센서의 예상 민감도를 도출하는 주체는 컴퓨터(미도시)인 것으로 예를 들어 설명한다. In an embodiment of the present invention, a subject that performs machine learning and derives an expected sensitivity of a composite sensor from an artificial neural network model built through machine learning is described as an example of a computer (not shown).
상기 복합재 센서는, 복수의 섬유 플라이들이 적층되어 형성된 복합재에 복수의 전극들이 적어도 하나 이상의 쌍을 이루도록 구비되어, 상기 복수의 전극 쌍들로부터 저항 변화를 측정하여, 상기 복합재의 변형을 감지하는 센서이다. The composite material sensor is provided to form at least one pair of a plurality of electrodes in a composite material formed by stacking a plurality of fiber plies, and measures a change in resistance from the plurality of electrode pairs to detect deformation of the composite material.
도 1은 본 발명의 실시예에 따른 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법을 나타낸 순서도이다. 도 2는 본 발명의 실시예에 따른 머신 러닝하여 인공 신경망 모델을 생성하는 방법을 개략적으로 나타낸 도면이다. 1 is a flowchart illustrating a method of setting design parameters of a composite sensor using machine learning according to an embodiment of the present invention. 2 is a diagram schematically illustrating a method of generating an artificial neural network model through machine learning according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 실시예에 따른 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법은, 인공 신경망 모델 생성단계(S1), 민감도 출력단계(S2), 비교단계(S3) 및 설계단계(S4)를 포함한다. Referring to FIG. 1, a method for setting design parameters of a composite sensor using machine learning according to an embodiment of the present invention includes an artificial neural network model generation step (S1), a sensitivity output step (S2), and a comparison step (S3). and a design step (S4).
도 1 및 도 2를 참조하면, 상기 인공 신경망 모델 생성단계(S1)는, 외력을 인가하는 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중 적어도 일부를 이용하여 머신 러닝하여, 상기 복합재 센서의 민감도를 출력하기 위한 인공 신경망 모델을 생성한다. 1 and 2, in the artificial neural network model generation step (S1), machine learning is performed using at least some of the learning data obtained through an experiment or simulation for applying an external force to output the sensitivity of the composite sensor Create an artificial neural network model for
상기 외력은, 기설정된 복합재 센서에 낙하 물체가 낙하 충격시 가해지는 힘인 것으로 예를 들어 설명한다. 상기 학습 데이터는 상기 복합재 센서에 대해 낙하 충격 실험을 통해 얻어진 빅데이터 중 일부인 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고, 상기 실험 또는 시뮬레이션은 외력을 인가하는 시험 이외에도 복합재 센서의 성능을 평가할 수 있는 것이라면 어느 것이나 적용 가능하다. The external force will be described as an example of a force applied when a falling object impacts a drop on a preset composite sensor. As an example, the learning data is part of big data obtained through a drop impact experiment on the composite sensor. However, the present invention is not limited thereto, and the experiment or simulation may be applied to any test capable of evaluating the performance of a composite sensor other than a test for applying an external force.
상기 머신 러닝을 위한 입력변수는 상기 복합재 센서의 섬유 조건(x1), 초기 저항(x2), 낙하 충격시 최대 흡수 에너지(x3), 낙하 충격시 최대 하중(x4) 및 전극 조건(x5)을 모두 포함한다. 다만, 이에 한정되지 않고, 상기 복합재 센서의 섬유 조건, 초기 저항, 외력 인가시 최대 흡수 에너지, 외력 인가시 최대 하중 중 일부만을 선택적으로 사용하는 것도 물론 가능하다. The input variables for the machine learning are all of the fiber condition (x1), initial resistance (x2), maximum absorbed energy at the time of drop impact (x3), maximum load at the time of drop impact (x4), and electrode condition (x5) of the composite sensor. include However, the present invention is not limited thereto, and it is also possible to selectively use only some of the fiber condition, initial resistance, maximum absorbed energy when external force is applied, and maximum load when external force is applied, of the composite sensor.
상기 섬유 조건은, 섬유의 종류, 섬유 플라이의 적층 개수, 섬유의 배열 방향, 섬유의 길이, 섬유의 직경 및 수지의 종류 중 적어도 하나를 포함한다. 본 실시예에서는, 상기 섬유 조건은 섬유의 종류(x1)인 것으로 예를 들어 설명한다.The fiber conditions include at least one of the type of fiber, the number of stacked fiber plies, the arrangement direction of fibers, the length of fibers, the diameter of fibers, and the type of resin. In this embodiment, the fiber condition is described as an example of the type (x1) of the fiber.
여기서, 상기 섬유의 종류(x1)는 탄소섬유, 탄소섬유와 아라미드 섬유가 혼합된 하이브리드 섬유를 포함한다. 다만, 이에 한정되지 않고, 탄소 섬유나 아라미드 섬유 이외에 다른 전도성 섬유이거나 다른 전도성 섬유를 더 포함하는 하이브리드 섬유인 것도 물론 가능하다. Here, the type of fiber (x1) includes carbon fiber and hybrid fiber in which carbon fiber and aramid fiber are mixed. However, it is not limited thereto, and other conductive fibers other than carbon fibers or aramid fibers or hybrid fibers further including other conductive fibers are of course also possible.
상기 섬유의 종류(P1)가 상기 하이브리드 섬유인 경우, 상기 섬유의 설계 파라미터는 상기 탄소 섬유와 상기 아라미드 섬유의 혼합 비율을 더 포함할 수 있다. When the type (P1) of the fiber is the hybrid fiber, the design parameter of the fiber may further include a mixing ratio of the carbon fiber and the aramid fiber.
상기 전극 조건은, 상기 복합재 센서에 구비된 전극들의 간격(x5)인 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고, 상기 전극 조건은 전극 간격 외에 전극의 종류, 전극의 크기 등을 포함할 수도 있다.The electrode condition will be described as an example of an interval (x5) between electrodes provided in the composite sensor. However, it is not limited thereto, and the electrode condition may include the type of electrode, the size of the electrode, etc. in addition to the electrode spacing.
상기 머신 러닝을 위한 출력 변수는, 섬유 조건(x1), 초기 저항(x2), 낙하 충격시 최대 흡수 에너지(x3), 낙하 충격시 최대 하중(x4) 및 전극 조건(x5)에 따른 상기 복합재 센서의 민감도(Sensitivity)(y)로 설정된다.The output variable for the machine learning is the composite sensor according to the fiber condition (x1), the initial resistance (x2), the maximum absorbed energy at the time of drop impact (x3), the maximum load at the time of drop impact (x4), and the electrode condition (x5) is set to the sensitivity (y) of
도 3은 도 2에 도시된 인공 신경망 모델의 일 예를 나타낸다.FIG. 3 shows an example of the artificial neural network model shown in FIG. 2 .
도 2 및 도 3을 참조하면, 상기 인공 신경망 모델 생성단계(S1)에서는 상기 입력 변수와 상기 출력 변수로 머신 러닝을 수행하면, 상기 입력 변수를 포함하는 입력층(Input layer)과 상기 출력 변수를 포함하는 출력층(Output layer)사이에 은닉층(Hidden layer)이 형성되어, 상기 입력 변수(x1~x5)에 따라 상기 민감도(y)를 출력하는 인공 신경망 모델이 생성된다. 2 and 3, in the artificial neural network model generation step (S1), when machine learning is performed with the input variables and the output variables, an input layer including the input variables and the output variables A hidden layer is formed between the included output layers, and an artificial neural network model outputting the sensitivity (y) according to the input variables (x1 to x5) is created.
상기와 같이 상기 인공 신경망 모델이 생성되면, 상기 민감도 출력단계(S2)를 수행한다.When the artificial neural network model is generated as described above, the sensitivity output step (S2) is performed.
도 4는 도 2에서 생성된 인공 신경망 모델을 이용하여, 복합재 센서의 예상 민감도를 출력하는 방법을 개략적으로 나타낸 도면이다. FIG. 4 is a diagram schematically illustrating a method of outputting an expected sensitivity of a composite sensor using the artificial neural network model generated in FIG. 2 .
도 4를 참조하면, 상기 민감도 출력단계(S2)에서는, 상기 복합재 센서의 설계시 상기 인공 신경망 모델에 설계자가 요구하는 요구 파라미터가 입력되면, 상기 설계자가 요구하는 요구 파라미터에 따른 상기 복합재 센서의 민감도가 출력된다. Referring to FIG. 4 , in the sensitivity output step (S2), when a designer's required parameter is input to the artificial neural network model when designing the composite sensor, the sensitivity of the composite sensor according to the designer's required parameter is output.
상기 인공 신경망 모델에 입력되는 요구 파라미터들은, 별도의 입력부를 통해 입력받는다. Request parameters input to the artificial neural network model are received through a separate input unit.
상기 요구 파라미터들은, 섬유 종류(x1), 초기 저항(x2), 낙하 충격시 최대 흡수 에너지(x3), 낙하 충격시 최대 하중(x4) 및 전극 간격(x5)을 모두 포함한다. The required parameters include fiber type (x1), initial resistance (x2), maximum absorbed energy at the time of drop impact (x3), maximum load at the time of drop impact (x4), and electrode spacing (x5).
상기 민감도 출력단계(S2)에서는, 상기 섬유 종류(x1), 초기 저항(x2), 낙하 충격시 최대 흡수 에너지(x3), 낙하 충격시 최대 하중(x4) 및 전극 간격(x5)을 상기 인공 신경망 모델에 입력하면, 상기 인공 신경망 모델로부터 상기 요구 파라미터들에 따른 상기 복합재 센서의 예상 민감도를 출력한다. In the sensitivity output step (S2), the type of fiber (x1), the initial resistance (x2), the maximum absorbed energy at the time of a drop impact (x3), the maximum load at the time of a drop impact (x4), and the electrode spacing (x5) are set to the artificial neural network. Upon input into the model, the artificial neural network model outputs the expected sensitivity of the composite sensor according to the required parameters.
상기 민감도 출력단계(S2)에서 상기 복합재 센서의 예상 민감도가 출력되면, 상기 비교단계(S3)를 수행한다.When the expected sensitivity of the composite sensor is output in the sensitivity output step (S2), the comparison step (S3) is performed.
상기 비교단계(S3)에서는 상기 복합재 센서의 예상 민감도와 상기 설계자가 요구하는 요구 민감도 범위를 비교한다.In the comparison step (S3), the expected sensitivity of the composite sensor is compared with the required sensitivity range required by the designer.
상기 요구 민감도 범위는 상기 설계자가 요구하여 미리 입력된 요구 민감도에 대해 허용 오차를 가감한 범위이다. The required sensitivity range is a range obtained by adding or subtracting an allowable error to the previously input required sensitivity requested by the designer.
상기 예상 민감도가 상기 요구 민감도 범위 이내이면, 상기 설계단계(S4)에서는 상기 인공 신경망에 기 입력된 전극 간격(x5)을 상기 복합재 센서의 설계 파라미터로 설정한다.If the expected sensitivity is within the required sensitivity range, in the design step (S4), the electrode spacing (x5) previously input to the artificial neural network is set as a design parameter of the composite sensor.
또한, 상기 인공 신경망에 기입력된 상기 전극 간격(x5) 외에 나머지 요구 파라미터들도 상기 복합재 센서의 설계 파라미터로 설정하여, 상기 복합재 센서를 설계한다. In addition, the composite sensor is designed by setting other required parameters as design parameters of the composite sensor in addition to the electrode spacing (x5) pre-input into the artificial neural network.
한편, 상기 예상 민감도가 상기 요구 민감도 범위를 벗어나면, 상기 예상 민감도가 상기 요구 민감도 범위 이내에 들때까지 상기 요구 파라미터 중에서 상기 전극 간격(x5)을 변경한다.(S5)Meanwhile, if the expected sensitivity is out of the required sensitivity range, the electrode spacing (x5) among the required parameters is changed until the expected sensitivity falls within the required sensitivity range. (S5)
상기 예상 민감도가 상기 요구 민감도 범위보다 크면, 상기 전극 간격(x5)을 증가시킨다. 상기 예상 민감도가 상기 요구 민감도 범위보다 작으면, 상기 전극 간격(x5)을 감소시킨다. If the expected sensitivity is greater than the required sensitivity range, the electrode spacing (x5) is increased. If the expected sensitivity is less than the required sensitivity range, the electrode spacing (x5) is reduced.
상기 전극 간격(x5)을 변경한 후, 상기 인공 신경망에 재입력하여, 상기 인공 신경망 모델로부터 상기 예상 민감도를 재출력한다. After the electrode interval (x5) is changed, the expected sensitivity is re-outputted from the artificial neural network model by re-inputting it into the artificial neural network.
상기 재출력된 예상 민감도가 상기 요구 민감도 범위 이내이면, 상기 인공 신경망에 기 입력된 전극 간격(x5)을 상기 복합재 센서의 설계 파라미터로 설정한다.If the re-output expected sensitivity is within the required sensitivity range, the electrode spacing (x5) previously input to the artificial neural network is set as a design parameter of the composite sensor.
한편, 상기 재출력된 예상 민감도가 상기 요구 민감도를 벗어나면, 상기 예상 민감도가 상기 요구 민감도 범위 이내에 들때까지 상기 전극 간격(x5)을 다시 변경하여 상기 인공 신경망에 재입력하고, 상기 예상 민감도를 재출력하는 과정을 반복할 수 있다. On the other hand, if the re-outputted expected sensitivity is out of the required sensitivity, the electrode interval (x5) is changed again until the expected sensitivity is within the required sensitivity range, and the expected sensitivity is re-entered into the artificial neural network. The printing process can be repeated.
따라서, 상기 인공 신경망 모델로부터 상기 예상 민감도에 적합한 최적의 전극 간격을 도출할 수 있다. Therefore, an optimal electrode spacing suitable for the expected sensitivity can be derived from the artificial neural network model.
상기와 같이, 상기 인공 신경망 모델을 이용하여 상기 설계자가 요구하는 요구 파라미터와 요구 민감도에 대응되는 전극 간격을 도출할 수 있으므로, 보다 용이하면서도 정확한 복합재 센서의 설계가 가능한 이점이 있다. As described above, since it is possible to derive the electrode spacing corresponding to the required parameter and the required sensitivity required by the designer using the artificial neural network model, there is an advantage in that a composite sensor can be designed more easily and accurately.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.Although the present invention has been described with reference to the embodiments shown in the drawings, this is only exemplary, and those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Therefore, the true technical scope of protection of the present invention should be determined by the technical spirit of the appended claims.
Claims (9)
실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중에서 복합재 센서의 섬유 조건, 초기 저항, 외력 인가시 최대 흡수 에너지 및 최대 하중 중 적어도 일부와 전극 조건을 입력 변수로 하고, 상기 복합재 센서의 민감도(Sensitivity)를 출력 변수로 하여 머신 러닝을 수행하여, 상기 복합재 센서의 민감도를 도출하는 인공 신경망 모델을 생성하는 인공 신경망 모델 생성단계와;
상기 복합재 센서의 설계시, 설계자가 요구하는 섬유 조건, 초기 저항, 외력 인가시 최대 흡수 에너지 및 최대 하중 중 적어도 일부와 전극 조건을 포함하는 요구 파라미터를 상기 인공 신경망 모델에 입력하여, 상기 인공 신경망 모델로부터 상기 복합재 센서의 예상 민감도를 출력하는 민감도 출력단계를 포함하는 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법.A method for setting design parameters of a composite sensor using machine learning in which each step is performed by a computer,
Among the learning data obtained through experiments or simulations, at least a part of the fiber condition, initial resistance, maximum absorbed energy and maximum load when an external force is applied and the electrode condition of the composite sensor are input variables, and the sensitivity of the composite sensor is used as an output variable. an artificial neural network model generation step of generating an artificial neural network model for deriving the sensitivity of the composite material sensor by performing machine learning with the method;
When designing the composite sensor, required parameters including at least a part of fiber conditions, initial resistance, maximum absorbed energy and maximum load upon application of an external force and electrode conditions required by the designer are input into the artificial neural network model, and the artificial neural network model A method for setting design parameters of a composite sensor using machine learning comprising a sensitivity output step of outputting an expected sensitivity of the composite sensor from
상기 민감도 출력단계에서 출력된 예상 민감도와 상기 설계자가 요구하는 요구 민감도 범위를 비교하는 비교단계를 더 포함하는 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법.The method of claim 1,
A method of setting design parameters of a composite sensor using machine learning, further comprising a comparison step of comparing the expected sensitivity output in the sensitivity output step with a required sensitivity range required by the designer.
상기 예상 민감도가 상기 요구 민감도 범위 이내이면, 상기 인공 신경망 모델에 입력된 전극 조건을 포함하는 요구 파라미터를 상기 복합재 센서의 설계 파라미터로 설정하고, 상기 설계 파라미터에 따라 상기 복합재 센서를 설계하는 설계단계를 더 포함하는 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법.The method of claim 2,
If the expected sensitivity is within the required sensitivity range, a design step of setting required parameters including electrode conditions input to the artificial neural network model as design parameters of the composite sensor and designing the composite sensor according to the design parameters. A method for setting design parameters of a composite sensor using machine learning, further comprising:
상기 예상 민감도가 상기 요구 민감도 범위를 벗어나면,
상기 예상 민감도가 상기 요구 민감도 범위 이내에 들때까지 상기 요구 파라미터 중에서 상기 전극 조건을 변경하여 상기 인공 신경망 모델에 재입력하여,
상기 인공 신경망 모델로부터 상기 복합재 센서의 예상 민감도를 재출력하는 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법.The method of claim 2,
If the expected sensitivity is out of the required sensitivity range,
Changing the electrode condition among the required parameters until the expected sensitivity is within the required sensitivity range and re-entering the artificial neural network model,
A method of setting design parameters of a composite sensor using machine learning for re-outputting an expected sensitivity of the composite sensor from the artificial neural network model.
상기 재출력된 예상 민감도가 상기 요구 민감도 범위 이내이면,
상기 인공 신경망 모델에 최종 입력된 전극 조건을 포함하는 요구 파라미터를 상기 복합재 센서의 설계 파라미터로 설정하고, 상기 설계 파라미터에 따라 상기 복합재 센서를 설계하는 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법.The method of claim 4,
If the re-output expected sensitivity is within the required sensitivity range,
Setting the design parameters of the composite sensor using machine learning to set the required parameters including the electrode conditions finally input to the artificial neural network model as the design parameters of the composite sensor and design the composite sensor according to the design parameters Setting the design parameters of the sensor Way.
상기 전극 조건은,
상기 복합재 센서에 구비된 전극들의 간격을 포함하는 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법.The method of claim 1,
The electrode condition is,
A method of setting design parameters of a composite sensor using machine learning including intervals of electrodes provided in the composite sensor.
상기 섬유 조건은,
상기 섬유의 종류, 섬유 플라이의 적층 개수, 상기 섬유의 배열 방향, 상기 섬유의 길이 및 상기 섬유의 직경 및 수지의 종류 중 적어도 하나를 포함하는 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법.The method of claim 1,
The fiber condition,
A method for setting design parameters of a composite sensor using machine learning including at least one of the type of fiber, the number of stacked fiber plies, the arrangement direction of the fiber, the length and diameter of the fiber, and the type of resin .
상기 외력은, 상기 복합재 센서에 낙하 물체가 낙하 충격시 가해지는 힘인 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법.The method of claim 1,
The external force is a method of setting design parameters of a composite sensor using machine learning, which is a force applied when a falling object falls on the composite sensor.
낙하 충격 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중에서 상기 복합재 센서의 섬유의 종류, 섬유 플라이의 적층 개수, 상기 섬유의 배열 방향, 상기 섬유의 길이 및 상기 섬유의 직경 및 수지의 종류 중 적어도 하나를 포함하는 섬유 조건, 초기 저항, 낙하 충격시 최대 흡수 에너지와 최대 하중 및 전극 간격을 입력 변수로 하고, 상기 복합재 센서의 민감도(Sensitivity)를 출력 변수로 하여 머신 러닝을 수행하여, 상기 복합재 센서의 민감도를 도출하는 인공 신경망 모델을 생성하는 인공 신경망 모델 생성단계와;
상기 복합재 센서의 설계시, 설계자가 요구하는 섬유 조건, 전극 간격, 초기 저항, 낙하 충격시 최대 흡수 에너지 및 최대 하중을 포함하는 요구 파라미터를 상기 인공 신경망 모델에 입력하여, 상기 인공 신경망 모델로부터 상기 복합재 센서의 예상 민감도를 출력하는 민감도 출력단계와;
상기 민감도 출력단계에서 출력된 예상 민감도와 상기 설계자가 요구하는 요구 민감도 범위를 비교하는 비교단계와;
상기 예상 민감도가 상기 요구 민감도 범위 이내이면, 상기 인공 신경망 모델에 입력된 전극 간격을 포함하는 요구 파라미터를 상기 복합재 센서의 설계 파라미터로 설정하고, 상기 설계 파라미터에 따라 상기 복합재 센서를 설계하는 설계단계를 포함하고,
상기 예상 민감도가 상기 요구 민감도 범위를 벗어나면, 상기 예상 민감도가 상기 요구 민감도 범위 이내에 들때까지 상기 요구 파라미터 중에서 상기 전극 간격을 변경하여 상기 인공 신경망 모델에 재입력하고, 상기 인공 신경망 모델로부터 상기 복합재 센서의 예상 민감도를 재출력하는 것을 반복하는 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법.In a method for setting design parameters of a composite sensor that detects deformation of the composite material by measuring resistance changes from a plurality of electrode pairs provided in a composite material formed by stacking a plurality of fiber plies in each step by a computer ,
Among the learning data obtained through drop impact experiments or simulations, at least one of the type of fiber of the composite sensor, the number of stacked fiber plies, the arrangement direction of the fiber, the length of the fiber, the diameter of the fiber, and the type of resin Deriving the sensitivity of the composite sensor by performing machine learning with the fiber condition, initial resistance, maximum absorbed energy at the time of drop impact, maximum load, and electrode spacing as input variables, and sensitivity of the composite sensor as an output variable An artificial neural network model generation step of generating an artificial neural network model to do;
When designing the composite material sensor, required parameters including fiber conditions, electrode spacing, initial resistance, maximum absorbed energy and maximum load at the time of impact from falling are input to the artificial neural network model, and the composite material is obtained from the artificial neural network model. a sensitivity output step of outputting expected sensitivity of the sensor;
a comparison step of comparing the expected sensitivity output in the sensitivity output step with a required sensitivity range requested by the designer;
If the expected sensitivity is within the required sensitivity range, a design step of setting a required parameter including an electrode spacing input to the artificial neural network model as a design parameter of the composite sensor and designing the composite sensor according to the design parameter. include,
If the expected sensitivity is out of the required sensitivity range, the electrode spacing is changed from among the required parameters and re-entered into the artificial neural network model until the expected sensitivity is within the required sensitivity range, and the composite sensor is obtained from the artificial neural network model. A method of setting design parameters of a composite sensor using machine learning that repeats re-outputting the expected sensitivity of .
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200090378A KR102472536B1 (en) | 2020-07-21 | 2020-07-21 | Method of selecting design parameter for composite sensor using machine learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200090378A KR102472536B1 (en) | 2020-07-21 | 2020-07-21 | Method of selecting design parameter for composite sensor using machine learning |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220011453A KR20220011453A (en) | 2022-01-28 |
| KR102472536B1 true KR102472536B1 (en) | 2022-11-30 |
Family
ID=80051278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200090378A KR102472536B1 (en) | 2020-07-21 | 2020-07-21 | Method of selecting design parameter for composite sensor using machine learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102472536B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023162467A1 (en) * | 2022-02-22 | 2023-08-31 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | Information processing method, information processing device, and information processing program |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017146673A (en) | 2016-02-15 | 2017-08-24 | 三菱重工業株式会社 | Structure design method and structure |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101149426B1 (en) * | 2010-05-04 | 2012-05-24 | 국방과학연구소 | Multi Layer Type Impact Resistance Pannel and the Making Method of It |
| KR101610710B1 (en) | 2014-09-03 | 2016-04-11 | 세종대학교산학협력단 | Self-detecting method for crack and damage with self-detecting hybrid fiber reinforced cement composite and self detecting system thereof |
| KR20190103750A (en) * | 2018-02-28 | 2019-09-05 | 조선대학교산학협력단 | Method for analysing the material data of composite fiber reinforced plastics with finite element method |
| WO2020217281A1 (en) * | 2019-04-22 | 2020-10-29 | 三菱電機株式会社 | Setting method for composite material laminate structure, method for manufacturing composite material laminate structure, setting device for composite material laminate structure |
-
2020
- 2020-07-21 KR KR1020200090378A patent/KR102472536B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017146673A (en) | 2016-02-15 | 2017-08-24 | 三菱重工業株式会社 | Structure design method and structure |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220011453A (en) | 2022-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102145246B1 (en) | System and method of predicting damage of carbon fiber composites | |
| Sriramula et al. | Quantification of uncertainty modelling in stochastic analysis of FRP composites | |
| Coelho et al. | A review of the behaviour and analysis of bolted connections and joints in pultruded fibre reinforced polymers | |
| Pyl et al. | Exploration of the design freedom of 3D printed continuous fibre-reinforced polymers in open-hole tensile strength tests | |
| Nikishkov et al. | Progressive fatigue damage simulation method for composites | |
| Simitses et al. | Structural similitude for laminated structures | |
| Sepe et al. | Numerical and experimental investigation of residual strength of a LVI damaged CFRP omega stiffened panel with a cut-out | |
| Żółkiewski | Testing composite materials connected in bolt joints | |
| KR20180129352A (en) | Monitoring method of CFRP damage | |
| KR102472536B1 (en) | Method of selecting design parameter for composite sensor using machine learning | |
| Schultz et al. | Test and analysis of a buckling-critical large-scale sandwich composite cylinder | |
| KR102361821B1 (en) | Method of detecting the location of damage for composite using machine learning | |
| Carraro et al. | Fatigue damage and stiffness evolution in composite laminates: a damage-based framework | |
| Goto et al. | Ultimate behavior of steel and CFT piers in two-span continuous elevated-girder bridge models tested by shake-table excitations | |
| Strungar et al. | Experimental studies of 3D woven composites interweaving types effect on the mechanical properties of a polymer composite material | |
| Damghani et al. | Experimental and numerical study of hybrid (CFRP-GFRP) composite laminates containing circular cut-outs under shear loading | |
| Liu et al. | A critical plane-based model for mixed-mode delamination growth rate prediction under fatigue cyclic loadings | |
| Chirica et al. | RETRACTED: Buckling behavior of the multiple delaminated composite plates under shear and axial compression | |
| Sreekanth et al. | Fatigue life evaluation of delaminated GFRP laminates using artificial neural networks | |
| Huang | Progressive flexural failure analysis of laminated composites with knitted fabric reinforcement | |
| Krmela et al. | Replacement of belt structure for FEA of tire | |
| KR102359901B1 (en) | Method of detecting the location of damage for composite according to fiber types using machine learning | |
| KR102393044B1 (en) | Method of classifying damage type for composite using machine learning | |
| Grassia et al. | Self-learning health monitoring algorithm in composite structures | |
| Bruyneel et al. | Predictive simulations of damage propagation in laminated composite materials and structures with SAMCEF |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |