KR102633477B1 - Search optimization system and method for optimal process conditions for AI-based composite materials - Google Patents
Search optimization system and method for optimal process conditions for AI-based composite materials Download PDFInfo
- Publication number
- KR102633477B1 KR102633477B1 KR1020210135413A KR20210135413A KR102633477B1 KR 102633477 B1 KR102633477 B1 KR 102633477B1 KR 1020210135413 A KR1020210135413 A KR 1020210135413A KR 20210135413 A KR20210135413 A KR 20210135413A KR 102633477 B1 KR102633477 B1 KR 102633477B1
- Authority
- KR
- South Korea
- Prior art keywords
- process condition
- condition data
- suitability
- search
- optimal
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 302
- 230000008569 process Effects 0.000 title claims abstract description 266
- 238000005457 optimization Methods 0.000 title claims abstract description 90
- 239000002131 composite material Substances 0.000 title claims abstract description 70
- 230000000704 physical effect Effects 0.000 claims abstract description 89
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 42
- 238000012937 correction Methods 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000009795 derivation Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims 1
- 239000002994 raw material Substances 0.000 description 23
- 230000006870 function Effects 0.000 description 16
- 239000000463 material Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000003786 synthesis reaction Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 239000000945 filler Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
Abstract
본 발명은 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템 및 그 방법에 관한 것으로서, 더욱 상세하게는, 물성 예측 인공지능과 수리적 최적화 방법을 결합하여 원하는 물성이 예측되는 복합 소재의 최적 공정 조건을 효율적이며 자동화된 방법으로 탐색함으로써, 지수적 시간이 요구되던 탐색 시간을 선형 시간으로 단축할 수 있는 탐색 최적화 시스템 및 그 방법에 관한 것이다.The present invention relates to an artificial intelligence-based search optimization system and method for optimal process conditions for composite materials. More specifically, the optimal process for composite materials in which desired physical properties are predicted by combining artificial intelligence for predicting physical properties and mathematical optimization methods. It relates to a search optimization system and method that can reduce the search time from exponential time to linear time by searching conditions in an efficient and automated manner.
Description
본 발명은 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템 및 그 방법에 관한 것으로, 더욱 상세하게는 물성 예측 인공지능과 수리적 최적화 방법을 결합하여 원하는 물성이 예측되는 복합 소재의 최적 공정 조건을 효율적이며 자동화된 방법으로 탐색할 수 있는 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템 및 그 방법에 관한 것이다.The present invention relates to a search optimization system and method for optimal process conditions of composite materials based on artificial intelligence. More specifically, the optimal process conditions for composite materials in which desired physical properties are predicted by combining physical property prediction artificial intelligence and mathematical optimization methods. It relates to a search optimization system and method for optimal process conditions of artificial intelligence-based composite materials that can be searched in an efficient and automated manner.
종래의 복합 소재에 대한 합성은 실험적 방법, 다시 말하자면, 실험자의 경험 또는, 직관에 의존하여 다양한 실험 조건(공정 조건)을 변경하면서 수행되었다.Synthesis of conventional composite materials was performed by experimental methods, that is, by changing various experimental conditions (process conditions) depending on the experimenter's experience or intuition.
이러한 종래의 방법의 경우, 실험 조건이 다양할 경우, 조건에 대한 조합이 지수적으로 증가하게 되고, 실제 물질을 합성해야 해당 공정 조건을 평가할 수 있기 때문에 모든 조합에 대한 검증으로 인한 시간과 비용이 많이 소모되는 문제점이 있다.In the case of this conventional method, when the experimental conditions are diverse, the combination of conditions increases exponentially, and because the process conditions can be evaluated only by synthesizing actual materials, the time and cost due to verification of all combinations is high. There is a problem with it being consumed a lot.
이러한 문제점을 해소하기 위하여, 종래에는 다양한 가상 탐색 방법론이 제안되었지만, 실험 조건과 복합 소재의 특성에 대한 관계식을 정의할 수 있는 경우에 대해서만 수행할 수 있는 한계점이 있다.In order to solve this problem, various virtual search methodologies have been proposed in the past, but there is a limitation that they can only be performed when relationships for experimental conditions and properties of composite materials can be defined.
특히, 복합 소재의 경우, 다양한 실험 조건에 대한 복잡한 화학 및 물리적 작용을 통해 소재의 특성인 물성이 나타나기 때문에, 기존의 가상 탐색 방법론을 이용해서는 실험 조건의 최적화가 불가능하다.In particular, in the case of composite materials, the material properties, which are characteristic of the material, appear through complex chemical and physical actions under various experimental conditions, so optimization of experimental conditions is impossible using existing virtual exploration methodologies.
즉, 복합 소재 합성을 위한 공정 조건의 경우, 많은 수의 요인을 포함하기 때문에, 실험자의 직관에 기반한 탐색이나 모든 경우의 수를 탐색하는 것은 매우 비효율적인 뿐 아니라, 불가능하다.In other words, because the process conditions for composite material synthesis include a large number of factors, it is not only very inefficient but also impossible to search based on the experimenter's intuition or to search for all cases.
이와 관련해서, 국내 공개 특허 제10-2018-0014471호("신규 물질의 구조 생성 방법 및 장치")에서는 신소재 개발을 위한 신규 물질의 구조를 생성하는 방법 및 장치를 개시하고 있다.In this regard, Korean Patent Publication No. 10-2018-0014471 (“Method and device for generating structures of new materials”) discloses a method and device for generating structures of new materials for the development of new materials.
본 발명은 상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 학습된 심층 인공신경망을 통한 물성 예측 모델과 유효한 공정 조건을 탐색할 수 있도록 복합 소재의 합성 과정에 존재하는 제약 조건을 수리적 관계식으로 정의한 가상 탐색 방법론과 결합하여, 공정 조건과 소재의 특성에 대한 관계식이 알려지지 않을 경우에도, 원하는 물성이 예측되는 복합 소재의 최적 공정 조건을 효율적이며 자동화된 방법으로 탐색할 수 있는 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템 및 그 방법을 제공하는 것이다.The present invention was conceived to solve the problems of the prior art as described above, and the purpose of the present invention is to exist in the synthesis process of composite materials to explore physical property prediction models and effective process conditions through a learned deep artificial neural network. By combining the constraints with a virtual search methodology defined by mathematical relationships, the optimal process conditions for composite materials with desired properties can be searched in an efficient and automated way, even when the relationships between process conditions and material properties are unknown. The goal is to provide a search optimization system and method for optimal process conditions for artificial intelligence-based composite materials.
본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템은, 기저장된 물성 예측 AI 모델을 이용하여, 입력되는 공정 조건 데이터에 대한 예측 물성을 출력하는 물성 예측부(100), 상기 물성 예측부(100)에 의한 예측 물성에 대한 적합도를 산출하여 점수화하는 적합도 산출부(200), 기설정된 공정 조건에 대한 제약조건 정보를 이용하여, 상기 물성 예측부(100)에 입력된 상기 공정 조건 데이터를 분석하고, 분석 결과에 따라, 각 공정 조건 데이터 별 산출 적합도에 대한 패널티 보정을 수행하는 적합도 보정부(300) 및 기설정된 최적화 조건 정보를 이용하여, 상기 최적화 조건 정보를 만족하는 공정 조건 데이터를 도출하여, 최적 공정 조건으로 선정하는 최적 탐색부(400)를 포함하는 것이 바람직하다.The search optimization system for optimal process conditions of artificial intelligence-based composite materials according to an embodiment of the present invention uses a pre-stored property prediction AI model to output predicted properties for input process condition data (a property prediction unit ( 100), a
더 나아가, 상기 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템은 상기 최적 탐색부(400)에 의해 상기 최적화 조건 정보를 만족하는 공정 조건 데이터가 도출되지 않을 경우, 기저장된 수리적 최적화 알고리즘을 이용하여, 상기 적합도 보정부(300)에 의한 각 상기 공정 조건 데이터 별 최종 적합도에 비례하여 신규 공정 조건 데이터를 생성하는 신규 조건 생성부(500)를 더 포함하는 것이 바람직하다.Furthermore, the search optimization system for the optimal process conditions of the artificial intelligence-based composite material uses a pre-stored mathematical optimization algorithm when process condition data satisfying the optimization condition information is not derived by the
더 나아가, 상기 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템은 기저장된 복합 소재 관련 데이터베이스를 이용하여, 다수 개의 임의의 공정 조건 데이터를 생성하는 초기 조건 생성부(10)를 더 포함하되, 상기 물성 예측부(100)는 최초로, 상기 초기 조건 생성부(10)로부터 공정 조건 데이터가 입력되며, 이 후, 상기 신규 조건 생성부(500)로부터 공정 조건 데이터가 입력되는 것이 바람직하다.Furthermore, the artificial intelligence-based search optimization system for optimal process conditions for composite materials further includes an
더 나아가, 상기 적합도 산출부(200)는 원하는 목적 물성 관련 정보를 이용하여 적합도 함수를 정의하고, 정의한 상기 적합도 함수를 이용하여, 각 공정 조건 데이터 별 상기 예측 물성에 대한 적합도를 산출하여 점수화하는 것이 바람직하다.Furthermore, the
더 나아가, 상기 최적 탐색부(400)는 상기 최적화 조건 정보로 최소 적합도를 설정하여, 상기 적합도 보정부(300)에 의한 최종 적합도가 최소 적합도 이상일 경우, 해당하는 공정 조건 데이터를 최적 공정 조건으로 선정하는 제1 조건 도출부(410)를 포함하는 것이 바람직하다.Furthermore, the
더 나아가, 상기 최적 탐색부(400)는 상기 최적화 조건 정보로 최대 탐색 시간을 설정하여, 상기 제1 조건 도출부(410)의 판단 결과에 따라, 상기 최종 적합도가 최소 적합도 미만이지만, 해당하는 공정 조건 데이터까지의 탐색 시간이 최대 탐색 시간 이상일 경우, 해당하는 공정 조건 데이터를 최적 공정 조건으로 선정하는 제2 조건 도출부(420)를 포함하는 것이 바람직하다.Furthermore, the
본 발명의 또 다른 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 방법은, 컴퓨터로 구현되는 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템에 의해 각 단계가 수행되는 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 방법에 있어서, 물성 예측부에서, 기저장된 물성 예측 AI 모델을 이용하여, 입력되는 공정 조건 데이터에 대한 예측 물성을 출력하는 예측 물성 출력 단계(S100), 적합도 산출부에서, 원하는 목적 물성 관련 정보를 이용하여 적합도 함수를 정의하고, 정의한 상기 적합도 함수를 이용하여, 상기 예측 물성 출력 단계(S100)에 의한 예측 물성에 대한 적합도를 산출하여 점수화하는 적합도 산출 단계(S200), 적합도 보정부에서, 기설정된 공정 조건에 대한 제약조건 정보를 이용하여, 상기 예측 물성 출력 단계(S100)에 의해 입력된 상기 공정 조건 데이터를 분석하여, 분석 결과에 따라, 각 공정 조건 데이터 별 해당하는 산출 적합도에 대한 패널티 보정을 수행하는 적합도 보정 단계(S300) 및 최적 탐색부에서 기설정된 최적화 조건 정보를 이용하여, 상기 최적화 조건 정보를 만족하는 공정 조건 데이터를 도출하여 최적 공정 조건으로 선정하는 최적 탐색 단계(S400)를 포함하는, 것이 바람직하다.In the search optimization method for optimal process conditions of artificial intelligence-based composite materials according to another embodiment of the present invention, each step is performed by a search optimization system for optimal process conditions of artificial intelligence-based composite materials implemented on a computer. In the search optimization method for the optimal process conditions of an artificial intelligence-based composite material, a predicted property output step ( S100), in the suitability calculation unit, a suitability function is defined using information related to the desired target physical property, and using the defined suitability function, the suitability for the predicted physical property by the predicted physical property output step (S100) is calculated and scored. In the suitability calculation step (S200), the suitability correction unit analyzes the process condition data input by the predicted physical property output step (S100) using constraint information for the preset process conditions, and according to the analysis results, Using the optimization condition information preset in the suitability correction step (S300) and the optimization search unit, which performs penalty correction for the calculation suitability corresponding to each process condition data, process condition data that satisfies the optimization condition information is derived to determine the optimum It is preferable to include an optimal search step (S400) for selecting process conditions.
더 나아가, 상기 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 방법은 기저장된 복합 소재 관련 데이터베이스를 이용하여, 다수 개의 임의의 공정 조건 데이터를 생성하는 초기 조건 생성 단계(S10)를 더 포함하되, 상기 예측 물성 출력 단계(S100)는 최초 탐색 시, 상기 초기 조건 생성 단계(S10)에 의해 상기 공정 조건 데이터가 입력되는 것이 바람직하다.Furthermore, the search optimization method for the optimal process conditions of the artificial intelligence-based composite material further includes an initial condition generation step (S10) of generating a plurality of random process condition data using a pre-stored composite material-related database. , In the predicted physical property output step (S100), it is preferable that the process condition data is input through the initial condition generation step (S10) during the first search.
더 나아가, 상기 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 방법은 상기 최적 탐색 단계(S400)를 수행하고 난 후, 상기 최적화 조건 정보를 만족하는 공정 조건 데이터가 도출되지 않을 경우, 기저장된 수리적 최적화 알고리즘을 이용하여, 상기 적합도 보정 단계(S300)에 의한 각 공정 조건 데이터 별 최종 적합도에 비례하여 신규 공정 조건 데이터를 생성하는 신규 조건 생성 단계(S500)를 더 포함하되, 상기 예측 물성 출력 단계(S100)는 최초 탐색 이 후, 상기 신규 조건 생성 단계(S500)에 의해 상기 공정 조건 데이터가 입력되는 것이 바람직하다.Furthermore, the search optimization method for the optimal process conditions of the artificial intelligence-based composite material is, if process condition data satisfying the optimization condition information is not derived after performing the optimal search step (S400), pre-stored It further includes a new condition generation step (S500) of generating new process condition data in proportion to the final suitability for each process condition data by the suitability correction step (S300) using a mathematical optimization algorithm, wherein the predicted physical property output step is After the initial search (S100), it is preferable that the process condition data is input through the new condition creation step (S500).
더 나아가, 상기 최적 탐색 단계(S400)는 상기 적합도 보정 단계(S300)에 의한 최종 적합도가 기설정된 최소 적합도 이상인지 판단하여, 판단 결과에 따라 이상일 경우, 해당하는 공정 조건 데이터를 상기 최적 공정 조건으로 선정하는 제1 탐색 단계(S410)를 포함하는 것이 바람직하다.Furthermore, the optimal search step (S400) determines whether the final suitability by the suitability correction step (S300) is higher than the preset minimum suitability, and if it is higher according to the determination result, the corresponding process condition data is used as the optimal process condition. It is desirable to include a first search step (S410) of selection.
더 나아가, 상기 최적 탐색 단계(S400)는 상기 제1 탐색 단계(S410)의 판단 결과에 따라 미만일 경우, 해당하는 공정 조건 데이터까지의 탐색 시간이 기설정된 최대 탐색 시간 이상인지 판단하여, 판단 결과에 따라 이상일 경우, 해당하는 공정 조건 데이터를 상기 최적 공정 조건으로 선정하는 제2 탐색 단계(S420)를 포함하는 것이 바람직하다.Furthermore, the optimal search step (S400) determines whether the search time to the corresponding process condition data is greater than or equal to the preset maximum search time if the determination result of the first search step (S410) is less than the determined result. Accordingly, if there is an abnormality, it is preferable to include a second search step (S420) in which the corresponding process condition data is selected as the optimal process condition.
상기와 같은 구성에 의한 본 발명의 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템 및 그 방법은 물성 예측 인공지능과 수리적 최적화 방법을 결합하여 원하는 물성이 예측되는 복합 소재의 최적 공정 조건을 효율적이며 자동화된 방법으로 탐색할 수 있는 장점이 있다.The search optimization system and method for the optimal process conditions of the artificial intelligence-based composite material of the present invention with the above configuration combine the artificial intelligence for predicting physical properties and the mathematical optimization method to determine the optimal processing conditions for the composite material for which the desired physical properties are predicted. It has the advantage of being able to search in an efficient and automated way.
즉, 학습된 심층 인공신경망을 통한 물성 예측 모델과 유효한 공정 조건을 탐색할 수 있도록 복합 소재의 합성 과정에 존재하는 제약 조건을 수리적 관계식으로 정의한 가상 탐색 방법론과 결합하여, 공정 조건과 소재의 특성에 대한 관계식이 알려지지 않을 경우에도, 원하는 물성이 예측되는 복합 소재의 최적 공정 조건을 효율적이며 자동화된 방법으로 탐색할 수 있다.In other words, by combining the physical property prediction model through a learned deep artificial neural network with a virtual search methodology that defines the constraints existing in the synthesis process of composite materials through mathematical relationships to explore valid process conditions, the process conditions and material characteristics are combined. Even when the relational equation is not known, the optimal processing conditions for composite materials for which desired properties are predicted can be searched in an efficient and automated manner.
이를 통해서, 공정 조건과 소재 특성 간의 관계가 알려지지 않았거나, 매우 복잡한 복합 소재에 대한 공정 조건을 가상 탐색하여, 최적 공정 조건을 선정할 수 있다.Through this, the optimal process conditions can be selected by virtually exploring the process conditions for composite materials where the relationship between process conditions and material properties is unknown or very complex.
또한, 실험적 방법에 의해 낭비되는 시간이나 비용 없이, 효율적으로 복합 소재 합성을 위한 최적 공정 조건을 추정할 수 있다.In addition, the optimal process conditions for composite material synthesis can be efficiently estimated without wasting time or cost through experimental methods.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템을 나타낸 구성 예시도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 방법을 나타낸 순서 예시도이다.Figure 1 is an exemplary configuration diagram showing a search optimization system for optimal process conditions of an artificial intelligence-based composite material according to an embodiment of the present invention.
Figure 2 is an exemplary flow diagram showing a search optimization method for optimal process conditions of an artificial intelligence-based composite material according to an embodiment of the present invention.
이하 첨부한 도면들을 참조하여 본 발명의 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템 및 그 방법을 상세히 설명한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다.Hereinafter, the search optimization system and method for optimal process conditions of the artificial intelligence-based composite material of the present invention will be described in detail with reference to the attached drawings. The drawings introduced below are provided as examples so that the idea of the present invention can be sufficiently conveyed to those skilled in the art. Accordingly, the present invention is not limited to the drawings presented below and may be embodied in other forms. Additionally, like reference numerals refer to like elements throughout the specification.
이때, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다.At this time, if there is no other definition in the technical and scientific terms used, they have the meaning commonly understood by those skilled in the art to which this invention pertains, and the gist of the present invention is summarized in the following description and attached drawings. Descriptions of known functions and configurations that may be unnecessarily obscure are omitted.
더불어, 시스템은 필요한 기능을 수행하기 위하여 조직화되고 규칙적으로 상호 작용하는 장치, 기구 및 수단 등을 포함하는 구성 요소들의 집합을 의미한다.In addition, a system refers to a set of components including devices, mechanisms, and means that are organized and interact regularly to perform necessary functions.
본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템 및 그 방법은, 물성 예측 인공지능과 수리적 최적화 방법을 결합하여 원하는 물성이 예측되는 복합 소재의 최적 공정 조건을 효율적이며 자동화된 방법으로 탐색할 수 있을 뿐 아니라, 공정 조건과 소재 특성 간의 관계가 알려지지 않았거나, 매우 복잡한 복합 소재에 대한 공정 조건을 가상 탐색하여, 최적 공정 조건을 선정할 수 있는 기술에 관한 것이다.An artificial intelligence-based search optimization system and method for optimal process conditions of composite materials according to an embodiment of the present invention combines physical property prediction artificial intelligence and mathematical optimization methods to determine optimal process conditions for composite materials for which desired physical properties are predicted. It is about a technology that can not only search in an efficient and automated way, but also select optimal process conditions by virtually exploring the process conditions for composite materials where the relationship between process conditions and material properties is unknown or very complex. .
즉, 종래에는 복합 소재에 대한 합성은 실험자의 경험 또는, 직관에 의존하여 다양한 실험 조건(공정 조건)을 변경하면서 수행되어 왔기 때문에, 실험 조건이 다양할 경우, 조건에 대한 조합이 지수적으로 증가하게 되고, 모든 조합에 대한 검증으로 인한 시간과 비용이 많이 소모되는 문제점이 있다.In other words, conventionally, the synthesis of composite materials has been performed by changing various experimental conditions (process conditions) depending on the experimenter's experience or intuition, so when the experimental conditions are diverse, the combination of conditions increases exponentially. However, there is a problem in that verification of all combinations consumes a lot of time and money.
이러한 문제점을 해소하기 위하여, 본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템 및 그 방법은, 기존의 물성 예측 인공지능 모델을 역으로 활용하고, 이와 수리적 최적화 방법을 결합하여, 원하는 물성을 갖는 복합 소재를 합성하기 위한 최적 공정 조건의 탐색을 최적화할 수 있는 시스템 및 그 방법에 관한 것이다.In order to solve this problem, the search optimization system and method for the optimal process conditions of artificial intelligence-based composite materials according to an embodiment of the present invention reversely utilizes the existing artificial intelligence model for predicting physical properties and mathematical optimization. It relates to a system and method that can optimize the search for optimal process conditions for synthesizing composite materials with desired physical properties by combining methods.
일 예를 들자면, 종래에 A 복합 소재의 특정한 물성, 그리고 이 물성을 갖기 위한 공정 조건(원료/함량/실험 조건)을 알고 있을 경우에는, 이를 유용하게 활용할 수 있지만, 이와 상이한 원료/함량/실험 조건을 토대로 동일한 물성 또는, 상이한 물성을 갖는 B 복합 소재에 대한 정보를 수집하기 위해서는, 실험자의 경험 또는, 직관에 의존하여 다양한 실험 조건(공정 조건)을 변경하면서 수행되는 문제점이 있다.For example, if the specific physical properties of composite material A and the process conditions (raw materials/content/experimental conditions) for obtaining these properties are known, these can be utilized effectively, but different raw materials/content/experiments are used. In order to collect information on B composite materials with the same physical properties or different physical properties based on conditions, there is a problem in that various experimental conditions (process conditions) are changed depending on the experimenter's experience or intuition.
이에 반해, 본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템 및 그 방법은, 임의의 공정 조건 데이터(원료/함량/실험 조건)를 이용하여 원하는 목적 물성과의 적합도를 산출하되, 이를 반복 수행함으로써, 최적 공정 조건을 도출함으로써, 매우 복잡한 복합 소재에 대한 공정 조건을 가상 탐색하여, 최적 공정 조건을 선정할 수 있다.On the other hand, the search optimization system and method for the optimal process conditions of artificial intelligence-based composite materials according to an embodiment of the present invention use arbitrary process condition data (raw materials/content/experiment conditions) to achieve the desired target properties. By calculating the degree of suitability and repeatedly performing this process to derive the optimal process conditions, the process conditions for very complex composite materials can be virtually explored and the optimal process conditions can be selected.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템을 나타낸 구성 예시도로서, 도 1을 참조로 하여 본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템을 상세히 설명한다.Figure 1 is an example configuration diagram showing a search optimization system for optimal process conditions of an artificial intelligence-based composite material according to an embodiment of the present invention. With reference to Figure 1, an artificial intelligence-based composite material according to an embodiment of the present invention is shown. The search optimization system for optimal processing conditions for materials is explained in detail.
본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템은 도 1에 도시된 바와 같이, 물성 예측부(100), 적합도 산출부(200), 적합도 보정부(300) 및 최적 탐색부(400)를 포함하여 구성되는 것이 바람직하다. 이 때, 각 구성들은 컴퓨터를 포함하는 다수의 연산처리수단에 각각 구비되거나 또는, 하나의 연산처리수단에 통합 구비되어 동작을 수행하는 것이 바람직하다.As shown in FIG. 1, the search optimization system for the optimal process conditions of an artificial intelligence-based composite material according to an embodiment of the present invention includes a physical
각 구성에 대해서 자세히 알아보자면,To learn more about each configuration,
상기 물성 예측부(100)는 미리 저장된 물성 예측 AI 모델을 이용하여, 입력되는 공정 조건 데이터(원료/함량/실험 조건)에 대한 예측 물성을 출력하는 것이 바람직하다.The physical
상기 물성 예측 AI 모델은, 사전에 복합 소재 관련 데이터, 상세하게는, 다양한 복합 소재를 이루는 원료 데이터, 함량 데이터, 실험 조건 데이터와 각 복합 소재의 물성 정보를 포함하는 학습 데이터에 대해서 학습 처리하여 생성된 학습 결과 모델로서, 상기 공정 조건 데이터를 입력 데이터로 입력받으면, 상기 공정 조건 데이터에 해당하는 복합 소재의 물성 정보를 출력 데이터로 출력받게 된다.The property prediction AI model is generated by learning and processing data related to composite materials in advance, specifically, learning data including raw material data, content data, experimental condition data, and physical property information of each composite material making up various composite materials. As a learning result model, when the process condition data is input as input data, the physical property information of the composite material corresponding to the process condition data is output as output data.
이를 통해서, 상기 물성 예측부(100)는 상기 물성 예측 AI 모델을 이용하여, 입력되는 상기 공정 조건 데이터에 대한 예측 물성 정보를 출력하게 된다.Through this, the physical
이 때, 본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템은, 상기 물성 예측부(100)로 입력되는 상기 공정 조건 데이터에 대해서 최초에는 임의로 생성된 다수 개의 공정 조건 데이터가 입력되지만, 이 후, 임의로 생성된 다수 개의 공정 조건 데이터를 활용하여 생성되는 공정 조건 데이터를 입력받아 동작을 수행하게 된다.At this time, the search optimization system for the optimal process conditions of the artificial intelligence-based composite material according to an embodiment of the present invention initially generates a plurality of randomly generated data for the process condition data input to the physical
이를 위해, 본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템은, 도 1에 도시된 바와 같이, 상기 물성 예측부(100)로 입력되는 최초의 공정 조건 데이터를 생성하기 위한 초기 조건 생성부(10)를 더 포함하여 구성되는 것이 바람직하다.To this end, the search optimization system for optimal process conditions of artificial intelligence-based composite materials according to an embodiment of the present invention is, as shown in FIG. 1, the first process condition data input to the physical
상기 초기 조건 생성부(10)는 상기 공정 조건 데이터에 들어가는 각 변수들, 다시 말하자면, 어느 하나의 복합 소재를 이루고자 하는 원료 데이터들(고분자류, 필러류, 첨가제류 등), 각 원료 데이터들의 함량비, 해당하는 각 함량의 원료 데이터들에 대한 실험 조건들(압출, 사출, 온도, 시간 등)에 대해 균등 분포(uniform distribution) 또는, 정규 분포(normal distribution) 기반의 난수를 이용하여 공정 조건 데이터를 생성하는 것이 바람직하다.The
이 때, 상기 초기 조건 생성부(10)를 통해서 상기 공정 조건 데이터를 둘 이상의 N개를 생성하는 것이 바람직하며, 생성된 상기 공정 조건 데이터는 {x_1[m], ~ , x_N[m]}(x_i는 V행 1열 벡터)로 표현하는 것이 바람직하다.At this time, it is preferable to generate two or more N pieces of process condition data through the
다시 말하자면, 상기 물성 예측부(100)는 최초에는, 상기 초기 조건 생성부(10)에 의해 생성된 상기 공정 조건 데이터를 입력받아, 상기 물성 예측 AI 모델을 이용하여 각 공정 조건 데이터에 대한 예측 물성 정보를 출력하는 것이 바람직하다.In other words, the physical
상기 적합도 산출부(200)는 상기 물성 예측부(100)에 의한 예측 물성 정보(N개의 예측 물성 정보)에 대한 각각의 적합도를 산출하여 점수화하는 것이 바람직하다.It is preferable that the
상세하게는, 상기 적합도 산출부(200)는 실험자(관리자, 사용자 등)로부터 입력되는 원하는 목적 물성 관련 정보를 이용하여 적합도 함수를 정의하고, 정의한 상기 적합도 함수를 이용하여, 각 공정 조건 데이터 별 상기 예측 물성 정보에 대한 적합도를 산출하여 점수화하는 것이 바람직하다. 이 때, 점수화한 적합도는 상기 물성 예측부(100)로 입력된 상기 공정 조건 데이터의 개수와 같은 N개의 스코어가 연산되게 된다.In detail, the
다시 말하자면, 상기 적합도 산출부(200)는 원하는 목적 물성 관련 정보인 원하는 굴곡강도, 원하는 밀도, 원하는 열변형 온도, 원하는 인장강도_항복에 대한 상한값, 하한값을 입력 설정하고, 각 물성마다의 가중치를 설정(일 예를 들자면, 굴곡강도는 1, 밀도는 - 2, 열변형 온도는 2, 인장강도_항복은 2로 설정)하여 사용자 정의 함수, 즉, 적합도 함수를 정의하게 된다. 이를 토대로 각 공정 조건 데이터 별 상기 예측 물성 정보에 대한 적합도를 산출한 후, 이에 대한 점수화를 수행하게 된다.In other words, the
일 예를 들자면, 원하는 굴곡강도의 상한값은 222.2, 하한값은 26.3이고, 원하는 밀도의 상한값은 1.977, 하한값은 0.811이고, 원하는 열변형 온도의 상한값은 187.7이고, 하한값은 41.7이고, 원하는 인장강도_항복의 상한값은 163.4이고 하한값은 5.8일 때, 어느 하나의 공정 조건 데이터의 굴곡강도, 밀도, 열변형 온도, 인장강도_항복의 예측값을 토대로 적합도를 산출하고, 각 물성마다 설정된 가중치값을 반영하여 점수화하게 된다. 이렇게 점수화한 적합도는 {f_1[m], ~ , f_N[m] }(f_i 는 스칼라)로 표현하는 것이 바람직하다.For example, the upper limit of the desired flexural strength is 222.2, the lower limit is 26.3, the upper limit of the desired density is 1.977, the lower limit is 0.811, the upper limit of the desired heat distortion temperature is 187.7, the lower limit is 41.7, and the desired tensile strength_yield When the upper limit of is 163.4 and the lower limit is 5.8, the degree of suitability is calculated based on the predicted values of flexural strength, density, heat distortion temperature, and tensile strength_yield of any one process condition data, and the score is scored by reflecting the weight value set for each physical property. I do it. It is desirable to express the fitness scored in this way as {f_1[m], ~ , f_N[m] } (f_i is a scalar).
상기 적합도 보정부(300)는 미리 설정된 공정 조건에 대한 제약조건 정보를 이용하여, 상기 물성 예측부(100)에 입력된 상기 공정 조건 데이터를 분석하여, 분석 결과에 따라 각 공정 조건 데이터 별로 점수화한 산출 적합도에 대한 패널티 보정을 수행하는 것이 바람직하다.The
간단하게 예를 들자면, 상기 적합도 산출부(200)를 통해서 A 공정 조건 데이터의 적합도가 15로 산출될 경우, 상기 적합도 보정부(300)에서의 분석 결과에 따라 패널티 보정이 이루어져 최종 적합도는 12로 보정될 수도 있다.To give a simple example, when the suitability of process condition data A is calculated as 15 through the
즉, 상기 적합도 보정부(300)는 상기 물성 예측부(100)에 입력된 상기 공정 조건 데이터를 분석하여, 각각의 공정 조건 데이터에 패널티를 부여하여 상기 적합도 산출부(200)를 통해서 물성에 의해 계산된 적합도에 패널티가 적용되게 된다.That is, the
이를 위해 미리 설정된 공정 조건에 대한 제약조건 정보로는, 실험자(관리자, 사용자 등)로부터 입력받는 것이 바람직하며, 최대 5개의 원료를 적용하거나, 함량의 총합이 100%가 이루어지거나, 각 원료 제품군이 적어도 1개씩 포함되거나, 특정 원료 제품군의 개수를 제한하는 등을 설정할 수 있으며, 이 역시 원하는 목적 물성 관련 정보를 토대로 설정되는 것이 가장 바람직하다.For this purpose, it is advisable to receive input from the experimenter (manager, user, etc.) as constraint information for the preset process conditions. Up to 5 raw materials can be applied, the total content is 100%, or each raw material product group is It can be set to include at least one item at a time or to limit the number of specific raw material product groups, and it is also most desirable to set this based on information related to the desired physical properties.
상기 적합도 보정부(300)는 상기 제약조건 정보를 토대로, 상기 물성 예측부(100)에 입력된 상기 공정 조건 데이터를 분석하여, 6개의 원료를 적용하거나, 함량의 총합이 90%에 해당하거나, 적용되지 않은 원료 제품군이 존재하거나, 특정 원료 제품군의 개수가 제한 개수를 초과하는 등 제약조건을 벗어날 경우에는, 벗어난 각 제약조건에 미리 설정되어 있는 패널티 점수를 이용하여 점수화한 산출 적합도에 대한 패널티 보정을 수행하게 된다. 이렇게 패널티 보정된 적합도는 {q_1[m], ~ , q_N[m] }(q_i 는 스칼라)로 표현하는 것이 바람직하다.The
이 때, 각 제약조건 별로 미리 설정되어 있는 패널티 점수 역시도, 실험자(관리자, 사용자 등)로부터 입력받는 것이 바람직하다.At this time, it is desirable to also receive input from the experimenter (administrator, user, etc.) for the penalty score preset for each constraint condition.
물론, 상기 물성 예측부(100)에 입력된 상기 공정 조건 데이터에 따라, 상기 제약조건을 벗어나지 않을 경우, 상기 적합도 보정부(300)에서 패널티 보정이 이루어지지 않고, 상기 적합도 산출부(200)에 의해 점수화한 산출 적합도가 그대로 유지될 수도 있다.Of course, if the constraints are not exceeded according to the process condition data input to the physical
상기 최적 탐색부(400)는 미리 설정된 최적화 조건 정보를 이용하여, 상기 최적화 조건 정보를 만족하는 공정 조건 데이터를 도출하여, 최적 공정 조건으로 선정하는 것이 바람직하다.It is preferable that the
이 때, 상기 최적 탐색부(400)는 도 1에 도시된 바와 같이, 제1 조건 도출부(410)와 제2 조건 도출부(420)를 포함하여 구성되는 것이 바람직하다.At this time, the
상기 제1 조건 도출부(410)는 상기 최적화 조건 정보로 최소 적합도를 설정하여, 각 공정 조건 데이터들에 대해서 상기 적합도 보정부(300)에 의한 최종 적합도가 최소 적합도 이상인지 판단하여, 최소 적합도 이상일 경우, 해당하는 공정 조건 데이터를 최적 공정 조건으로 선정하는 것이 바람직하다.The first
상기 최소 적합도는 실험자(관리자, 사용자 등)로부터 입력받는 것이 바람직하며, 원하는 목적 물성 관련 정보를 토대로 설정되는 것이 가장 바람직하다.The minimum suitability is preferably input from the experimenter (manager, user, etc.), and is most preferably set based on information related to the desired target properties.
이 때, 상기 최종 적합도는 상기 물성 예측부(100)에 입력된 상기 공정 조건 데이터에 따라, 패널티 보정된 적합도일수도, 패널티 보정되지 않은 적합도일 수도 있다.At this time, the final fitness may be a penalty-corrected fitness or a non-penalty-corrected fitness depending on the process condition data input to the physical
상기 제2 조건 도출부(420)는 상기 제1 조건 도출부(410)에 의해서 최적 공정 조건으로 선정되지 못한 나머지 공정 조건 데이터들 중, 다시 말하자면, 상기 적합도 보정부(300)에 의한 최종 적합도가 최소 적합도 미만일 경우, 상기 최적화 조건 정보로 최대 탐색 시간을 설정하여 다시 한번 최적 공정 조건 여부를 판단하게 된다.The second
상세하게는, 상기 제2 조건 도출부(420)는 상기 최적화 조건 정보로 최대 탐색 시간을 설정하여, 상기 제1 조건 도출부(410)의 판단 결과에 따라, 각 공정 조건 데이터들에 대해서 상기 적합도 보정부(300)에 의한 최종 적합도가 최소 적합도 미만이지만, 해당하는 공정 조건 데이터를 탐색하기까지의 시간, 즉, 해당하는 공정 조건 데이터가 탐색되기까지의 시간이 최대 탐색 시간 이상일 경우, 더 이상의 탐색을 멈추고 해당하는 공정 조건 데이터를 최적 공정 조건으로 선정하는 것이 바람직하다.In detail, the second
이는 상술한 바와 같이, 본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템은 원하는 목적 물성과의 적합도를 산출하되, 이를 반복 수행함으로써, 최적 공정 조건을 도출하기 때문에, 최대 탐색 시간을 설정한 후, 이를 이용하여 탐색을 종료하는 것이 바람직하다.As described above, the search optimization system for the optimal process conditions of an artificial intelligence-based composite material according to an embodiment of the present invention calculates the degree of suitability with the desired target physical properties, and performs this repeatedly to derive the optimal process conditions. Therefore, it is desirable to set the maximum search time and then use it to end the search.
또한, 상기 최적 탐색부(400)는 상기 최적화 조건 정보로 최대 반복 횟수를 더 포함하여 구성될 수도 있다. 이 경우, 상기 제1 조건 도출부(410)의 판단 결과에 따라, 상기 최적 공정 조건으로 선정되지 못한 상기 공정 조건 데이터들 중 최대 반복 횟수 이상일 경우, 더 이상의 탐색을 멈추고 해당하는 공정 조건 데이터를 최적 공정 조건으로 선정하거나, 상기 제2 조건 도출부(420)까지 수행하고 난 후, 상기 최적 공정 조건으로 선정되지 못한 상기 공정 조건 데이터들 중 최대 반복 횟수 이상일 경우, 더 이상의 탐색을 멈추고 해당하는 공정 조건 데이터를 최적 공정 조건으로 선정할 수도 있다.Additionally, the
이 때, 상기 제2 조건 도출부(420)에 의해서도 최적 공정 조건이 선정되지 못할 경우, 다시 말하자면, 상기 최적 탐색부(400)에 의해 최초 상기 물성 예측부(100)에 입력된 상기 공정 조건 데이터들에 의한 최종 적합도가 최소 적합도 미만이고, 아직 최대 탐색 시간이 지나지 않았을 경우, 본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템은 신규 공정 조건 데이터를 생성하여 이를 상기 물성 예측부(100)에 입력하여 상기의 과정들을 반복 수행하는 것이 바람직하다.At this time, if the optimal process conditions cannot be selected even by the second
이를 위해, 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템은 신규 조건 생성부(500)를 더 포함하여 구성되는 것이 바람직하다.To this end, as shown in FIG. 1, the search optimization system for optimal process conditions for artificial intelligence-based composite materials according to an embodiment of the present invention is preferably configured to further include a
상기 신규 조건 생성부(500)는 상기 최적 탐색부(400)에 의해 상기 최적화 조건 정보를 만족하는 공정 조건 데이터가 도출되지 않을 경우, 미리 저장된 수리적 최적화 알고리즘을 이용하여, 상기 적합도 보정부(300)에 의한 각 상기 공정 조건 데이터 별 최종 적합도에 비례하여 신규 공정 조건 데이터를 생성하는 것이 바람직하다.If process condition data satisfying the optimization condition information is not derived by the
일 예를 들자면, 상기 수리적 최적화 알고리즘으로 PSO(Particle Swarm Optimization)를 적용할 경우, N개의 공정 조건 데이터들 중에서 i번째 공정 조건 데이터는 xi라는 벡터로 표현되며, 반복에서의 공정 조건은 하기의 식에 따라 생성된다.For example, when PSO (Particle Swarm Optimization) is applied as the mathematical optimization algorithm, the ith process condition data among the N process condition data is expressed as a vector called x i , and the process condition in the repetition is as follows. It is created according to the formula.
x_i[m+1] = x_i[m] + r_1(p_i - x_i[m]) + r_2(g-x_i [m])x_i[m+1] = x_i[m] + r_1(p_i - x_i[m]) + r_2(g-x_i [m])
(여기서, p_i는 i번째 인덱스에 대해 현재까지 최대의 적합도를 보여주었던 공정 조건 데이터, 즉, {x_i[0], ~, x_i[m] } 각각의 적합도인 {q_i[0], ~, q_i[m]) } 중 최대인 q_i[m_max]≥q_i[0]~q_i[m], p_i=x_i[m_max]를 의미하며,(Here, p_i is the process condition data that showed the maximum suitability to date for the ith index, that is, {x_i[0], ~, x_i[m] }, and each suitability {q_i[0], ~, q_i [m]) } means q_i[m_max]≥q_i[0]~q_i[m], which is the maximum, p_i=x_i[m_max],
g는 모든 N개의 공정 조건 데이터들 중에서 최대의 적합도를 나타내었던 공정 조건 데이터, 즉, {x_1[m], ~ , x_N[m] } 각각의 적합도인 {q_1[m], ~, q_N[m]) } 중 최대인 q_imax[m] ≥q_1[m]~q_N[m], g=x_imax[m]를 의미하며,g is the process condition data that showed the maximum suitability among all N process condition data, that is, {x_1[m], ~, x_N[m] }, which is the suitability of each {q_1[m], ~, q_N[m ]) } means the largest of q_imax[m] ≥q_1[m]~q_N[m], g=x_imax[m],
r_1, r_2는 PSO 매개변수 상수, 각 국소 정보(p_i)와 전역 정보(g)의 가중치 상수를 의미함.)r_1, r_2 refer to PSO parameter constants and weight constants of each local information (p_i) and global information (g).)
하기의 표 1은 반복 수행에 따라 계산된 적합도와 그에 따른 국소 정보와 전역 정보의 변화를 나타낸 예시표이다.Table 1 below is an example table showing the fitness calculated according to repeated performance and the corresponding changes in local information and global information.
상기 신규 조건 생성부(500)는 상기 적합도 보정부(300)에 의한 각 상기 공정 조건 데이터 별 최종 적합도에 비례하여 신규 공정 조건 데이터를 생성하고, 생성한 상기 신규 공정 조건 데이터를 상기 물성 예측부(100)로 입력하여 상술한 과정을 반복 수행하면서, 원하는 목적 물성을 달성할 수 있는 상기 최적 공정 조건을 선정하는 것이 바람직하다.The
도 2는 본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 방법을 나타낸 순서 예시도로서, 도 2를 참조로 하여 본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 방법을 상세히 설명한다.Figure 2 is an example sequence showing a search optimization method for optimal process conditions of an artificial intelligence-based composite material according to an embodiment of the present invention. With reference to Figure 2, an artificial intelligence-based composite material according to an embodiment of the present invention is shown. The search optimization method for the optimal processing conditions of the material is explained in detail.
본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 방법은 도 2에 도시된 바와 같이, 예측 물성 출력 단계(S100), 적합도 산출 단계(S200), 적합도 보정 단계(S300) 및 최적 탐색 단계(S400)를 포함하여 구성되는 것이 바람직하다.As shown in FIG. 2, the search optimization method for the optimal process conditions of an artificial intelligence-based composite material according to an embodiment of the present invention includes a predicted physical property output step (S100), a suitability calculation step (S200), and a suitability correction step ( It is preferable that it includes an optimal search step (S300) and an optimal search step (S400).
각 단계에 대해서 자세히 알아보자면,To learn more about each step,
상기 예측 물성 출력 단계(S100)는 상기 물성 예측부(100)에서, 미리 저장된 물성 예측 AI 모델을 이용하여, 입력되는 공정 조건 데이터에 대한 예측 물성을 출력하게 된다.In the predicted physical property output step (S100), the physical
이 때, 본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 방법은 상기 예측 물성 출력 단계(S100)로 입력되는 상기 공정 조건 데이터에 대해서 최초에는 임의로 생성된 다수 개의 공정 조건 데이터가 입력되지만, 이 후, 임의로 생성된 다수 개의 공정 조건 데이터를 활용하여 생성되는 공정 조건 데이터를 입력받아 동작을 수행하게 된다.At this time, the search optimization method for the optimal process conditions of the artificial intelligence-based composite material according to an embodiment of the present invention initially generates a plurality of randomly generated process condition data input to the predicted physical properties output step (S100). Process condition data is input, but then the operation is performed by receiving process condition data generated using a plurality of randomly generated process condition data.
이를 위해, 도 2에 도시된 바와 같이, 초기 조건 생성 단계(S10)를 더 포함하여 수행하여, 최초 탐색 시, 상기 초기 조건 생성 단계(S10)에 의한 상기 공정 조건 데이터가 상기 예측 물성 출력 단계(S100)로 입력되게 된다.To this end, as shown in FIG. 2, an initial condition generation step (S10) is further included, so that during the first search, the process condition data by the initial condition generation step (S10) is used in the predicted physical property output step ( S100).
상기 초기 조건 생성 단계(S10)는 상기 초기 조건 생성부(10)에서, 상기 공정 조건 데이터에 들어가는 각 변수들, 다시 말하자면, 어느 하나의 복합 소재를 이루고자 하는 원료 데이터들(고분자류, 필러류, 첨가제류 등), 각 원료 데이터들의 함량비, 해당하는 각 함량의 원료 데이터들에 대한 실험 조건들(압출, 사출, 온도, 시간 등)에 대해 균등 분포(uniform distribution) 또는, 정규 분포(normal distribution) 기반의 난수를 이용하여 공정 조건 데이터를 생성하게 된다. 이 때, 상기 초기 조건 생성부(10)를 통해서 상기 공정 조건 데이터를 둘 이상의 N개를 생성하는 것이 바람직하며, 생성된 상기 공정 조건 데이터는 {x_1[m], ~ , x_N[m]}(x_i는 V행 1열 벡터)로 표현하는 것이 바람직하다.The initial condition generation step (S10) is performed in the
상기 적합도 산출 단계(S200)는 적합도 산출부(200)에서, 원하는 목적 물성 관련 정보를 이용하여 적합도 함수를 정의하고, 정의한 상기 적합도 함수를 이용하여, 상기 예측 물성 출력 단계(S100)에 의한 적합도를 산출하여 점수화하게 된다.In the suitability calculation step (S200), the
상기 적합도 산출 단계(S200)는 실험자(관리자, 사용자 등)로부터 입력되는 원하는 목적 물성 관련 정보를 이용하여 적합도 함수를 정의하고, 정의한 상기 적합도 함수를 이용하여, 각 공정 조건 데이터 별 상기 예측 물성 정보에 대한 적합도를 산출하여 점수화하게 된다. 이 때, 점수화한 적합도는 상기 예측 물성 출력 단계(S100)에 의해 입력받은 상기 공정 조건 데이터의 개수와 같은 N개의 스코어가 연산되게 된다.The suitability calculation step (S200) defines a suitability function using information related to the desired target physical properties input from the experimenter (manager, user, etc.), and uses the defined suitability function to calculate the predicted physical properties for each process condition data. The degree of suitability is calculated and scored. At this time, the scored suitability is calculated by N scores equal to the number of process condition data input through the predicted physical property output step (S100).
상세하게는, 상기 적합도 산출 단계(S200)는 원하는 목적 물성 관련 정보인 원하는 굴곡강도, 원하는 밀도, 원하는 열변형 온도, 원하는 인장강도_항복에 대한 상한값, 하한값을 입력 설정하고, 각 물성마다의 가중치를 설정(일 예를 들자면, 굴곡강도는 1, 밀도는 - 2, 열변형 온도는 2, 인장강도_항복은 2로 설정)하여 사용자 정의 함수, 즉, 적합도 함수를 정의하게 된다. 이를 토대로 각 공정 조건 데이터 별 상기 예측 물성 정보에 대한 적합도를 산출한 후, 이에 대한 점수화를 수행하게 된다.In detail, the suitability calculation step (S200) inputs and sets the upper and lower limits for the desired bending strength, desired density, desired heat distortion temperature, and desired tensile strength_yield, which are information related to the desired target properties, and sets the weight for each property. (For example, flexural strength is set to 1, density is set to -2, heat distortion temperature is set to 2, and tensile strength_yield is set to 2) to define a user-defined function, that is, a fitness function. Based on this, the degree of suitability for the predicted physical property information for each process condition data is calculated and then scored.
일 예를 들자면, 원하는 굴곡강도의 상한값은 222.2, 하한값은 26.3이고, 원하는 밀도의 상한값은 1.977, 하한값은 0.811이고, 원하는 열변형 온도의 상한값은 187.7이고, 하한값은 41.7이고, 원하는 인장강도_항복의 상한값은 163.4이고 하한값은 5.8일 때, 어느 하나의 공정 조건 데이터의 굴곡강도, 밀도, 열변형 온도, 인장강도_항복의 예측값을 토대로 적합도를 산출하고, 각 물성마다 설정된 가중치값을 반영하여 점수화하게 된다. 이렇게 점수화한 적합도는 {f_1[m], ~ , f_N[m] }(f_i 는 스칼라)로 표현하는 것이 바람직하다.For example, the upper limit of the desired flexural strength is 222.2, the lower limit is 26.3, the upper limit of the desired density is 1.977, the lower limit is 0.811, the upper limit of the desired heat distortion temperature is 187.7, the lower limit is 41.7, and the desired tensile strength_yield When the upper limit of is 163.4 and the lower limit is 5.8, the degree of suitability is calculated based on the predicted values of flexural strength, density, heat distortion temperature, and tensile strength_yield of any one process condition data, and the score is scored by reflecting the weight value set for each physical property. I do it. It is desirable to express the fitness scored in this way as {f_1[m], ~ , f_N[m] } (f_i is a scalar).
상기 적합도 보정 단계(S300)는 상기 적합도 보정부(300)에서, 미리 설정된 공정 조건에 대한 제약조건 정보를 이용하여, 상기 예측 물성 출력 단계(S100)에 의해 입력된 상기 공정 조건 데이터를 분석하여, 분석 결과에 따라 각 공정 조건 데이터 별로 점수화한 산출 적합도에 대한 패널티 보정을 수행하게 된다.In the suitability correction step (S300), the
상기 적합도 보정 단계(S300)는 상기 예측 물성 출력 단계(S100)에 의해 입력된 상기 공정 조건 데이터를 분석하여, 각각의 공정 조건 데이터에 패널티를 부여하여 상기 적합도 산출 단계(S200)를 통해서 각 공정 조건 데이터의 물성에 의해 계산된 적합도에 패널티가 적용되게 된다.The suitability correction step (S300) analyzes the process condition data input through the predicted physical properties output step (S100), assigns a penalty to each process condition data, and performs the suitability calculation step (S200) to determine each process condition. A penalty is applied to the fitness calculated based on the physical properties of the data.
이를 위해 미리 설정된 공정 조건에 대한 제약조건 정보로는, 실험자(관리자, 사용자 등)로부터 입력받는 것이 바람직하며, 최대 5개의 원료를 적용하거나, 함량의 총합이 100%가 이루어지거나, 각 원료 제품군이 적어도 1개씩 포함되거나, 특정 원료 제품군의 개수를 제한하는 등을 설정할 수 있으며, 이 역시 원하는 목적 물성 관련 정보를 토대로 설정되는 것이 가장 바람직하다.For this purpose, it is advisable to receive input from the experimenter (manager, user, etc.) as constraint information for the preset process conditions. Up to 5 raw materials can be applied, the total content is 100%, or each raw material product group is It can be set to include at least one item at a time or to limit the number of specific raw material product groups, and it is also most desirable to set this based on information related to the desired physical properties.
상기 적합도 보정 단계(S300)는 상기 제약조건 정보를 토대로, 상기 예측 물성 출력 단계(S100)에 의해 입력된 상기 공정 조건 데이터를 분석하여, 6개의 원료를 적용하거나, 함량의 총합이 90%에 해당하거나, 적용되지 않은 원료 제품군이 존재하거나, 특정 원료 제품군의 개수가 제한 개수를 초과하는 등 제약조건을 벗어날 경우에는, 벗어난 각 제약조건에 미리 설정되어 있는 패널티 점수를 이용하여 점수화한 산출 적합도에 대한 패널티 보정을 수행하게 된다. 이렇게 패널티 보정된 적합도는 {q_1[m], ~ , q_N[m] }(q_i 는 스칼라)로 표현하는 것이 바람직하다.The suitability correction step (S300) analyzes the process condition data input by the predicted physical property output step (S100) based on the constraint information, and applies 6 raw materials, or the total content is equal to 90%. Or, if there is a raw material product group that is not applied, or the number of a specific raw material product group exceeds the limit, etc., the calculated suitability score is calculated using the penalty score preset for each constraint that is out of bounds. Penalty correction is performed. It is desirable to express this penalty-corrected fitness as {q_1[m], ~ , q_N[m] } (q_i is a scalar).
이 때, 각 제약조건 별로 미리 설정되어 있는 패널티 점수 역시도, 실험자(관리자, 사용자 등)로부터 입력받는 것이 바람직하다.At this time, it is desirable to also receive input from the experimenter (administrator, user, etc.) for the penalty score preset for each constraint condition.
물론, 상기 예측 물성 출력 단계(S100)에 의해 입력된 상기 공정 조건 데이터에 따라, 상기 제약조건을 벗어나지 않을 경우, 패널티 보정이 이루어지지 않고, 상기 적합도 산출 단계(S200)를 통해서 점수화한 산출 적합도가 그대로 유지될 수도 있다.Of course, if the constraints are not exceeded according to the process condition data input through the predicted physical properties output step (S100), penalty correction is not performed, and the calculated suitability scored through the suitability calculation step (S200) is It may remain the same.
상기 최적 탐색 단계(S400)는 상기 최적 탐색부(400)에서, 미리 설정된 최적화 조건 정보를 이용하여, 상기 최적화 조건 정보를 만족하는 공정 조건 데이터를 도출하여, 최적 공정 조건으로 선정하게 된다.In the optimal search step (S400), the
이를 위해, 상기 최적 탐색 단계(S400)는 도 2에 도시된 바와 같이, 제1 탐색 단계(S410) 및 제2 탐색 단계(S420)를 포함하여 구성되게 된다.To this end, the optimal search step (S400) is comprised of a first search step (S410) and a second search step (S420), as shown in FIG. 2.
상기 제1 탐색 단계(S410)는 상기 최적화 조건 정보로 최소 적합도를 설정하여, 각 공정 조건 데이터들에 대해서 상기 적합도 보정 단계(S300)에 의한 최종 적합도가 최소 적합도 이상인지 판단하여, 최소 적합도 이상일 경우, 해당하는 공정 조건 데이터를 최적 공정 조건으로 선정하게 된다.The first search step (S410) sets the minimum suitability with the optimization condition information, and determines whether the final suitability by the suitability correction step (S300) for each process condition data is greater than or equal to the minimum suitability. , the corresponding process condition data is selected as the optimal process condition.
상기 최소 적합도는 실험자(관리자, 사용자 등)로부터 입력받는 것이 바람직하며, 원하는 목적 물성 관련 정보를 토대로 설정되는 것이 가장 바람직하며, 이 때, 상기 최종 적합도는 상기 예측 물성 출력 단계(S100)에 의해 입력된 상기 공정 조건 데이터에 따라, 패널티 보정된 적합도일수도, 패널티 보정되지 않은 적합도일 수도 있다.The minimum suitability is preferably input from the experimenter (manager, user, etc.), and is most preferably set based on information related to the desired target properties. In this case, the final suitability is input through the predicted property output step (S100). Depending on the process condition data, it may be penalty-corrected fitness or non-penalty-corrected fitness.
상기 제2 탐색 단계(S420)는 상기 제1 탐색 단계(S410)에 의해 최적 공정 조건으로 선정되지 못한 나머지 공정 조건 데이터들 중, 다시 말하자면, 상기 적합도 보정 단계(S300)에 의한 최종 적합도가 최소 적합도 미만일 경우, 상기 최적화 조건 정보로 최대 탐색 시간을 설정하여 다시 한번 최적 공정 조건 여부를 판단하게 된다.In the second search step (S420), among the remaining process condition data that were not selected as optimal process conditions by the first search step (S410), in other words, the final suitability by the suitability correction step (S300) is the minimum suitability. If it is less than that, the maximum search time is set using the optimization condition information and the optimal process conditions are determined again.
즉, 상기 제2 탐색 단계(S420)는 상기 최적화 조건 정보로 최대 탐색 시간을 설정하여, 상기 제1 탐색 단계(S410)의 판단 결과에 따라, 각 공정 조건 데이터들에 대해서 상기 적합도 보정 단계(S300)에 의한 최종 적합도가 최소 적합도 미만이지만, 해당하는 공정 조건 데이터를 탐색하기까지의 시간, 즉, 해당하는 공정 조건 데이터가 탐색되기까지의 시간이 최대 탐색 시간 이상일 경우, 더 이상의 탐색을 멈추고 해당하는 공정 조건 데이터를 최적 공정 조건으로 선정하게 된다.That is, the second search step (S420) sets the maximum search time with the optimization condition information, and according to the determination result of the first search step (S410), the suitability correction step (S300) for each process condition data. ) is less than the minimum fitness, but if the time to search for the corresponding process condition data, that is, the time until the corresponding process condition data is searched, is more than the maximum search time, further search is stopped and the corresponding process condition data is searched. The process condition data is selected as the optimal process condition.
본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 방법은, 입력되는 공정 조건 데이터에 의한 예측 물성과 원하는 목적 물성과의 적합도를 산출하되, 이를 반복 수행함으로써, 최적 공정 조건을 도출하기 때문에, 최대 탐색 시간을 설정한 후, 이를 이용하여 탐색을 종료하는 것이 바람직하다.The search optimization method for the optimal process conditions of an artificial intelligence-based composite material according to an embodiment of the present invention calculates the degree of suitability between the predicted properties and the desired target properties based on input process condition data, and performs this repeatedly to determine the optimal process condition. Because process conditions are derived, it is desirable to set the maximum search time and then use it to end the search.
더불어, 상기 최적 탐색 단계(S400)는 상기 최적화 조건 정보로 최소 적합도, 최대 탐색 시간 외에 최대 반복 횟수를 더 포함하여 구성될 수도 있다.In addition, the optimal search step (S400) may be configured to further include the maximum number of iterations in addition to the minimum suitability and maximum search time as the optimization condition information.
이를 통해서, 상기 제1 탐색 단계(S410)의 판단 결과에 따라, 각 공정 조건 데이터들에 대해서 상기 적합도 보정 단계(S300)에 의한 최종 적합도가 최소 적합도 미만이지만, 최대 반복 횟수 이상일 경우, 더 이상의 탐색을 멈추고 해당하는 공정 조건 데이터를 최적 공정 조건으로 선정하거나, 또는, 해당하는 공정 조건 데이터가 탐색되기까지의 시간이 최대 탐색 시간 미만이지만, 최대 반복 횟수 이상일 경우, 더 이상의 탐색을 멈추고 해당하는 공정 조건 데이터를 최적 공정 조건으로 선정할 수도 있다.Through this, according to the judgment result of the first search step (S410), if the final suitability by the suitability correction step (S300) for each process condition data is less than the minimum suitability but is greater than the maximum number of repetitions, no further search is performed. stop and select the corresponding process condition data as the optimal process condition, or, if the time until the corresponding process condition data is searched is less than the maximum search time but is more than the maximum number of repetitions, stop further search and select the corresponding process condition data Data can also be used to select optimal process conditions.
또한, 본 발명의 일 실시예에 따른 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 방법은, 상기 최적 탐색 단계(S400)를 수행하고 난 후, 상기 최적 탐색 단계(S400)를 통해서 상기 최적화 조건 정보를 만족하는 공정 조건 데이터가 도출되지 않을 경우, 도 2에 도시된 바와 같이, 신규 조건 생성 단계(S500)를 더 포함하여 구성되는 것이 바람직하다.In addition, the search optimization method for the optimal process conditions of an artificial intelligence-based composite material according to an embodiment of the present invention is to optimize the optimization through the optimal search step (S400) after performing the optimal search step (S400). If process condition data that satisfies the condition information is not derived, it is preferable to further include a new condition creation step (S500), as shown in FIG. 2.
상기 신규 조건 생성 단계(S500)는 미리 저장된 수리적 최적화 알고리즘을 이용하여, 상기 최적 탐색 단계(S400)를 통해서 상기 최적 탐색 단계(S400)를 통해서 상기 최적 공정 조건으로 선정되지 않은 공정 조건 데이터들 중 상기 적합도 보정 단계(S300)에 의한 각 공정 조건 데이터 별 최종 적합도에 비례하여 신규 공정 조건 데이터를 생성하게 된다.The new condition creation step (S500) uses a pre-stored mathematical optimization algorithm to determine the process condition data that has not been selected as the optimal process condition through the optimal search step (S400). New process condition data is generated in proportion to the final suitability for each process condition data in the suitability correction step (S300).
이렇게 생성한 상기 신규 공정 조건 데이터는 상기 예측 물성 출력 단계(S100)로 입력되어, 최초 탐색 이 후, 상기 신규 조건 생성 단계(S500)에 의해 상기 공정 조건 데이터가 입력되어 탐색 공정이 반복 수행되며, 이를 통해서, 원하는 목적 물성을 달성할 수 있는 상기 최적 공정 조건을 선정하게 된다.The new process condition data generated in this way is input to the predicted physical property output step (S100), and after the initial search, the process condition data is input through the new condition creation step (S500) and the search process is repeatedly performed, Through this, the optimal process conditions that can achieve the desired target properties are selected.
이상과 같이 본 발명에서는 구체적인 구성 소자 등과 같은 특정 사항들과 한정된 실시예 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것 일 뿐, 본 발명은 상기의 일 실시예에 한정되는 것이 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.As described above, the present invention has been described with reference to specific details such as specific components and drawings of limited embodiments, but this is only provided to facilitate a more general understanding of the present invention, and the present invention is not limited to the above-mentioned embodiment. No, those skilled in the art can make various modifications and variations from this description.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허 청구 범위뿐 아니라 이 특허 청구 범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.Accordingly, the spirit of the present invention should not be limited to the described embodiments, and all matters that are equivalent or equivalent to the claims of this patent as well as the claims described below shall fall within the scope of the spirit of the present invention. .
10 : 초기 조건 생성부
100 : 물성 예측부
200 : 적합도 산출부
300 : 적합도 보정부
400 : 최적 탐색부
410 : 제1 조건 도출부 420 : 제2 조건 도출부
500 : 신규 조건 생성부10: Initial condition generation unit
100: Physical property prediction unit
200: Fitness calculation unit
300: Fit correction unit
400: Optimal search unit
410: first condition derivation unit 420: second condition derivation unit
500: New condition creation section
Claims (11)
외부로부터 입력되는 원하는 다양한 목적 물성 관련 정보를 이용하여, 각 목적 물성마다 가중치를 설정하여 적합도 함수를 정의하고, 정의한 적합도 함수를 이용하여, 상기 물성 예측부(100)에 의해 출력한 예측 물성에 대한 적합도를 산출하여 점수화하는 적합도 산출부(200);
기설정된 공정 조건에 대한 제약조건 정보를 이용하여, 상기 물성 예측부(100)에 입력된 공정 조건 데이터를 비교하되,
각 공정 조건 데이터 별로 제약조건을 벗어날 경우, 각 제약조건 별 기설정되어 있는 패널티 점수를 적용하여, 해당하는 공정 조건 데이터에 패널티를 부여하는 분석을 수행하고,
분석 결과를 기반으로, 상기 적합도 산출부(200)에 의해 점수화한 상기 예측 물성의 산출 적합도에 대한 패널티 보정을 수행하는 적합도 보정부(300); 및
기설정된 최적화 조건 정보를 이용하여, 상기 적합도 보정부(300)에 의해 패널티 보정을 수행한 최종 적합도가 상기 최적화 조건 정보를 만족하는지 판단하여, 만족할 경우, 해당하는 최종 적합도에 상응하는 공정 조건 데이터를 도출하여, 최적 공정 조건으로 선정하는 최적 탐색부(400);를 포함하며,
상기 최적 탐색부(400)에서 상기 최종 적합도가 상기 최적화 조건 정보를 만족하지 않아 상기 최종 적합도에 상응하는 공정 조건 데이터가 도출되지 않을 경우, 기 저장된 수리적 최적화 알고리즘인 PSO(Particle Swarm Optimization)를 이용하여, 최적 공정 조건으로 선정되지 않은 적어도 하나 이상의 공정 조건 데이터에 대해 상기 적합도 보정부(300)에 의해 패널티 보정을 수행한 각 공정 조건 데이터 별 최종 적합도에 비례하여 신규 공정 조건 데이터를 생성하는 신규 조건 생성부(500);를 더 포함하고,
상기 물성 예측부(100)에 입력되는 공정 조건 데이터는,
최초에는, 기저장된 복합 소재 관련 데이터베이스를 이용하여 다수 개의 임의의 공정 조건 데이터를 생성하는 초기 조건 생성부(10)로부터 생성된 공정 조건 데이터가 입력되고,
이후에는, 상기 신규 조건 생성부(500)로부터 생성된 신규 공정 조건 데이터가 입력되며,
상기 최적 탐색부(400)는,
상기 최적화 조건 정보로 최소 적합도를 설정하여, 상기 적합도 보정부(300)에 의한 최종 적합도가 최소 적합도 이상일 경우, 해당하는 공정 조건 데이터를 상기 최적 공정 조건으로 선정하는 제1 조건 도출부(410); 및
상기 최적화 조건 정보로 최대 탐색 시간을 설정하여, 상기 제1 조건 도출부(410)의 판단 결과에 따라, 상기 최종 적합도가 최소 적합도 미만이지만, 해당하는 공정 조건 데이터가 탐색되기까지의 탐색 시간이 기설정된 최대 탐색 시간 이상일 경우, 더 이상의 탐색을 멈추고 해당하는 공정 조건 데이터를 상기 최적 공정 조건으로 선정하는 제2 조건 도출부(420);
를 포함하는, 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템.
A property prediction unit 100 that outputs predicted properties for a composite material corresponding to input process condition data using a pre-stored property prediction AI model;
Using information related to various desired target properties input from the outside, a fitness function is defined by setting a weight for each target property, and using the defined fitness function, the predicted property output by the property prediction unit 100 is calculated. A suitability calculation unit 200 that calculates suitability and scores it;
Compare the process condition data input to the physical property prediction unit 100 using constraint information for preset process conditions,
If the constraints for each process condition data are outside of the constraints, a penalty score preset for each constraint is applied and an analysis is performed to impose a penalty on the corresponding process condition data.
Based on the analysis results, a fitness correction unit 300 that performs penalty correction on the calculated fitness of the predicted physical properties scored by the fitness calculation unit 200; and
Using preset optimization condition information, the fitness correction unit 300 determines whether the final fitness for which penalty correction is performed satisfies the optimization condition information, and if so, process condition data corresponding to the final fitness is provided. It includes an optimal search unit 400 that derives and selects optimal process conditions,
If process condition data corresponding to the final suitability is not derived because the final suitability does not satisfy the optimization condition information in the optimization search unit 400, PSO (Particle Swarm Optimization), a pre-stored mathematical optimization algorithm, is used. , New condition generation that generates new process condition data in proportion to the final suitability for each process condition data for which penalty correction was performed by the suitability correction unit 300 for at least one process condition data that was not selected as the optimal process condition. It further includes part 500;
The process condition data input to the physical property prediction unit 100 is,
Initially, process condition data generated from the initial condition generator 10, which generates a plurality of arbitrary process condition data using a pre-stored composite material-related database, is input,
Afterwards, new process condition data generated from the new condition generator 500 is input,
The optimal search unit 400,
a first condition derivation unit 410 that sets a minimum suitability with the optimization condition information and, when the final suitability by the suitability correction unit 300 is greater than or equal to the minimum suitability, selects the corresponding process condition data as the optimal process condition; and
The maximum search time is set with the optimization condition information, and according to the judgment result of the first condition derivation unit 410, the final suitability is less than the minimum suitability, but the search time until the corresponding process condition data is searched is a second condition derivation unit 420 that stops further search and selects the corresponding process condition data as the optimal process condition when the set maximum search time is longer than the set maximum search time;
A search optimization system for optimal process conditions of artificial intelligence-based composite materials, including.
물성 예측부에서, 기저장된 물성 예측 AI 모델을 이용하여, 입력되는 공정 조건 데이터에 해당하는 복합 소재에 대한 예측 물성을 출력하는 예측 물성 출력 단계(S100);
적합도 산출부에서, 외부로부터 입력되는 원하는 다양한 목적 물성 관련 정보를 이용하여, 각 목적 물성마다 가중치를 설정하여 적합도 함수를 정의하고, 정의한 상기 적합도 함수를 이용하여, 상기 예측 물성 출력 단계(S100)에 의한 예측 물성에 대한 적합도를 산출하여 점수화하는 적합도 산출 단계(S200);
적합도 보정부에서, 기설정된 공정 조건에 대한 제약조건 정보를 이용하여, 상기 예측 물성 출력 단계(S100)에 의해 입력된 상기 공정 조건 데이터를 비교하되, 각 공정 조건 데이터 별로 제약조건을 벗어날 경우, 각 제약조건 별 기설정되어 있는 패널티 점수를 적용하여, 해당하는 공정 조건 데이터에 패널티를 부여하는 분석을 수행하고,
분석 결과를 기반으로, 상기 적합도 산출 단계(S200)에 의해 점수화한 산출 적합도에 대한 패널티 보정을 수행하는 적합도 보정 단계(S300); 및
최적 탐색부에서 기설정된 최적화 조건 정보를 이용하여, 상기 적합도 보정부에 의해 패널티 보정을 수행한 최종 적합도가 상기 최적화 조건 정보를 만족하는지 판단하여, 만족할 경우, 해당하는 최종 적합도에 상응하는 공정 조건 데이터를 도출하여 최적 공정 조건으로 선정하는 최적 탐색 단계(S400);를 포함하며,
상기 최적 탐색 단계(S400)를 수행하고 난 후, 상기 최종 적합도가 상기 최적화 조건 정보를 만족하지 않아 상기 최종 적합도에 상응하는 공정 조건 데이터가 도출되지 않을 경우, 기 저장된 수리적 최적화 알고리즘인 PSO(Particle Swarm Optimization)를 이용하여, 최적 공정 조건으로 선정되지 않은 적어도 하나 이상의 공정 조건 데이터에 대해 상기 적합도 보정 단계(S300)에 의해 패널티 보정을 수행한 각 공정 조건 데이터 별 최종 적합도에 비례하여 신규 공정 조건 데이터를 생성하는 신규 조건 생성 단계(S500);를 더 포함하고,
상기 예측 물성 출력 단계(S100)에서 입력되는 공정 조건 데이터는,
최초에는, 기저장된 복합 소재 관련 데이터베이스를 이용하여 다수 개의 임의의 공정 조건 데이터를 생성하는 초기 조건 생성부(10)로부터 생성된 공정 조건 데이터가 입력되고,
이후에는, 상기 신규 조건 생성 단계(S500)에 의해 생성된 상기 신규 공정 조건 데이터가 입력되며,
상기 최적 탐색 단계(S400)는,
상기 적합도 보정 단계(S300)에 의한 최종 적합도가 기설정된 최소 적합도 이상인지 판단하여, 판단 결과에 따라 최소 적합도 이상일 경우, 해당하는 공정 조건 데이터를 상기 최적 공정 조건으로 선정하는 제1 탐색 단계(S410); 및
상기 제1 탐색 단계(S410)의 판단 결과에 따라 최소 적합도 미만일 경우, 해당하는 공정 조건 데이터가 탐색되기까지의 탐색 시간이 기설정된 최대 탐색 시간 이상인지 판단하여, 판단 결과에 따라 이상일 경우, 더 이상의 탐색을 멈추고 해당하는 공정 조건 데이터를 상기 최적 공정 조건으로 선정하는 제2 탐색 단계(S420);를 포함하는,
인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 방법.In the search optimization method for the optimal process conditions of artificial intelligence-based composite materials, where each step is performed by a computer-implemented search optimization system for optimal process conditions of artificial intelligence-based composite materials,
A predicted physical property output step (S100) in which the physical property prediction unit outputs the predicted physical properties for the composite material corresponding to the input process condition data using a pre-stored physical property prediction AI model;
In the fitness calculation unit, a fitness function is defined by setting a weight for each target property using information related to various desired target properties input from the outside, and using the defined fitness function, the predicted property output step (S100) is performed. A suitability calculation step (S200) in which the suitability for the predicted physical properties is calculated and scored;
In the suitability correction unit, the process condition data input by the predicted physical properties output step (S100) is compared using constraint information for the preset process conditions. However, if each process condition data deviates from the constraints, each By applying the penalty score preset for each constraint, an analysis is performed to assign a penalty to the corresponding process condition data,
Based on the analysis results, a fitness correction step (S300) of performing penalty correction on the calculated fitness scored by the fitness calculation step (S200); and
Using the optimization condition information preset in the optimization search unit, it is determined whether the final fitness for which penalty correction was performed by the fitness correction unit satisfies the optimization condition information, and if so, process condition data corresponding to the final fitness. It includes an optimal search step (S400) of deriving and selecting the optimal process conditions,
After performing the optimal search step (S400), if the final suitability does not satisfy the optimization condition information and process condition data corresponding to the final suitability is not derived, the pre-stored mathematical optimization algorithm PSO (Particle Swarm) Optimization), new process condition data are generated in proportion to the final suitability for each process condition data for which penalty correction was performed in the suitability correction step (S300) for at least one process condition data that was not selected as the optimal process condition. It further includes a new condition creation step (S500),
The process condition data input in the predicted physical property output step (S100) is,
Initially, process condition data generated from the initial condition generator 10, which generates a plurality of arbitrary process condition data using a pre-stored composite material-related database, is input,
Afterwards, the new process condition data generated by the new condition creation step (S500) is input,
The optimal search step (S400) is,
A first search step (S410) that determines whether the final suitability by the suitability correction step (S300) is higher than the preset minimum suitability, and if it is higher than the minimum suitability according to the judgment result, selects the corresponding process condition data as the optimal process condition. ; and
If it is less than the minimum suitability according to the judgment result of the first search step (S410), it is determined whether the search time until the corresponding process condition data is searched is more than the preset maximum search time, and if it is abnormal according to the judgment result, no further Including a second search step (S420) of stopping the search and selecting the corresponding process condition data as the optimal process condition.
Search optimization method for optimal process conditions for artificial intelligence-based composite materials.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210135413A KR102633477B1 (en) | 2021-10-13 | 2021-10-13 | Search optimization system and method for optimal process conditions for AI-based composite materials |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210135413A KR102633477B1 (en) | 2021-10-13 | 2021-10-13 | Search optimization system and method for optimal process conditions for AI-based composite materials |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230052390A KR20230052390A (en) | 2023-04-20 |
| KR102633477B1 true KR102633477B1 (en) | 2024-02-06 |
Family
ID=86143956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210135413A KR102633477B1 (en) | 2021-10-13 | 2021-10-13 | Search optimization system and method for optimal process conditions for AI-based composite materials |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102633477B1 (en) |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102523472B1 (en) | 2016-08-01 | 2023-04-18 | 삼성전자주식회사 | Method and apparatus for searching new material |
| KR102214634B1 (en) * | 2018-10-22 | 2021-02-10 | 한국화학연구원 | Properties prediction system based on artificial intelligence |
-
2021
- 2021-10-13 KR KR1020210135413A patent/KR102633477B1/en active IP Right Grant
Non-Patent Citations (2)
| Title |
|---|
| N. K. Kulkarni et al., Particle Swarm Optimization Applications to Mechnical Engineering- A Review, Mater. Today: Proc. Vol.2, pp2631-2639(2015)* |
| T. M. C. Jegan et al., Electrochemical machining process parameter optimization using particle swarm optimization, Comput. Intell. Vol.33, pp1019-1037(2017)* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230052390A (en) | 2023-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7668788B2 (en) | Resource assignment optimization using direct encoding and genetic algorithms | |
| Deb | Nonlinear goal programming using multi-objective genetic algorithms | |
| CN109886589A (en) | A method of low-carbon Job-Shop is solved based on whale optimization algorithm is improved | |
| Tian et al. | Redundancy allocation for multi-state systems using physical programming and genetic algorithms | |
| Kabir et al. | Chemical reaction optimization for RNA structure prediction | |
| CN111369000A (en) | High-dimensional multi-target evolution method based on decomposition | |
| Peng et al. | Handling multi-objective optimization problems with unbalanced constraints and their effects on evolutionary algorithm performance | |
| CN111178487A (en) | Power optimization scheduling method and device, computer equipment and storage medium | |
| Vargas et al. | Solving multi-objective structural optimization problems using GDE3 and NSGA-II with reference points | |
| Cosma et al. | On the two-stage transportation problem with fixed charge for opening the distribution centers | |
| O'Neil et al. | A hybrid column-generation and genetic algorithm approach for solving large-scale multimission selective maintenance problems in serial K-out-of-n: G systems | |
| Asilian Bidgoli et al. | Machine learning-based framework to cover optimal Pareto-front in many-objective optimization | |
| KR102633477B1 (en) | Search optimization system and method for optimal process conditions for AI-based composite materials | |
| Liu et al. | A study on decision making of cutting stock with frustum of cone bars | |
| Lu et al. | An efficient multiobjective backtracking search algorithm for single machine scheduling with controllable processing times | |
| Lin et al. | A two-level optimization framework for cyclic scheduling of ethylene cracking furnace system | |
| Kaminsky et al. | Multi-period process flexibility with inventory | |
| Curteanu et al. | Optimization strategy based on genetic algorithms and neural networks applied to a polymerization process | |
| de Carvalho Miranda et al. | Development of an adaptive genetic algorithm for simulation optimization | |
| Schmiedle et al. | Priorities in multi-objective optimization for genetic programming | |
| CN109214882A (en) | A kind of Method of Commodity Recommendation | |
| Soto et al. | Top-Based Adaptive Enumeration in Constraint Programming | |
| Norozi et al. | Application of intelligence based genetic algorithm for job sequencing problem on parallel mixed-model assembly line | |
| Rahimian | Measuring efficiency in DEA by differential evolution algorithm | |
| Mirzazadeh et al. | Assignment model with multi-objective linear programming for allocating choice ranking using recurrent neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |