KR20200052393A - 인공지능 기반 물성예측 시스템 - Google Patents

인공지능 기반 물성예측 시스템 Download PDF

Info

Publication number
KR20200052393A
KR20200052393A KR1020180125990A KR20180125990A KR20200052393A KR 20200052393 A KR20200052393 A KR 20200052393A KR 1020180125990 A KR1020180125990 A KR 1020180125990A KR 20180125990 A KR20180125990 A KR 20180125990A KR 20200052393 A KR20200052393 A KR 20200052393A
Authority
KR
South Korea
Prior art keywords
information
physical property
unit
artificial intelligence
composition
Prior art date
Application number
KR1020180125990A
Other languages
English (en)
Other versions
KR102214634B1 (ko
Inventor
최우진
이재흥
조남정
박재성
김수진
김지선
박소현
엄민섭
조성근
이상진
함동석
Original Assignee
한국화학연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국화학연구원 filed Critical 한국화학연구원
Priority to KR1020180125990A priority Critical patent/KR102214634B1/ko
Publication of KR20200052393A publication Critical patent/KR20200052393A/ko
Application granted granted Critical
Publication of KR102214634B1 publication Critical patent/KR102214634B1/ko

Links

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
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • 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
    • 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

Abstract

본 발명은 인공지능 기반 물성예측 시스템에 관한 것으로, 상세하게는 다양한 복합수지에 대한 소재 정보-조성 정보-물성 정보-용도 정보 등을 입력받아, 저장 및 관리하고 있는 다양한 복합수지 관련 정보들에 인공지능 기반 모델 생성 알고리즘을 적용하여 분석 및 비교함으로써 사용자의 요구에 따라 적합한 정보를 판단하여 용이하게 제공할 수 있는 인공지능 기반 물성예측 시스템에 관한 것이다.

Description

인공지능 기반 물성예측 시스템 {Properties prediction system based on artificial intelligence}
본 발명은 인공지능 기반 물성예측 시스템에 관한 것으로서, 상세하게는 기능성 복합수지의 소재-조성-물성-용도 데이터베이스를 기반으로 다양한 인공지능 알고리즘(머신러닝, 딥 러닝 등)을 적용시켜, 조성 및 물성을 예측하여 제공할 수 있는 인공지능 기반 물성예측 시스템에 관한 것이다.
복합수지란, 두 종류 이상의 소재를 복합화한 재료를 의미하며, 일반적으로 두 종류 이상의 소재를 복합화한 후, 각 소재가 물리적/화학적으로 원래의 상을 유지하면서 원래의 소재보다 우수한 성능을 갖도록 하는 것을 의미한다.
그렇기 때문에, 수많은 소재의 복합화에 의한 복합수지의 물성 예측이나 최적 조성 및 용도를 제안하는 것은 많은 시간과 노력을 투자하여야 가능한 단점이 있다.
게다가 많은 시간과 노력에 비해, 그 결과에 대한 정확도 또는 신뢰도가 낮은 것이 현실이다.
이와 관련하여, 국내 공개특허 제10-2016-0060993호("화합물의 물성을 예측하는 방법 및 시스템")에서는 밀도 범함수 이론에 기초한 방법을 사용하여 높은 정확도로 화합물의 물성을 예측할 수 있는 방법을 개시하고 있다.
국내공개특허 제10-2016-0060993호(공개일자 2016.05.31.)
본 발명은 상술한 바와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은 기능성 복합수지의 소재-조성-물성-용도 데이터베이스를 기반으로 다양한 인공지능 알고리즘(머신러닝, 딥 러닝 등)을 적용시켜, 조성 및 물성을 예측하여 제공할 수 있는 인공지능 기반 물성예측 시스템을 제공하는 것이다.
본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템은, 복합수지에 대한 소재 관련 정보들을 저장하고 있는 제1DB부(10), 사용자의 요청에 따라, 상기 제1DB부(10)에 저장하고 있는 정보들을 토대로 생성한 인공지능 기반 물성모델 생성 알고리즘에 적용하는 모델생성부(100), 상기 모델생성부(100)에서 생성한 상기 물성모델에 의한 예측 물성 정보를 산출하는 물성계산부(200), 상기 물성계산부(200)에서 생성한 정보를 전달받아, 출력하는 출력부(300)를 포함하여 구성되는 것이 바람직하다.
더 나아가, 상기 인공지능 기반 물성예측 시스템은 복합수지에 대한 용도 관련 정보들을 저장하고 있는 제2DB부(20)를 더 포함하며, 상기 제2DB부(20)에서 저장하고 있는 정보들 중 상기 예측 물성 정보와 정합되는 용도 제안 정보를 상기 출력부(300)로 전달하는 것이 바람직하다.
더 나아가, 상기 모델생성부(100)는 사용자에게 복합수지에 대한 조성 정보의 입력을 요청하고 사용자의 입력에 따라, 상기 조성 정보에 해당하는 소재 정보를 분석하여, 상기 제1DB부(10)에 저장되어 있는 정보를 토대로 생성한 인공지능 기반 물성모델 생성 알고리즘에 적용하는 것이 바람직하다.
더 나아가, 상기 인공지능 기반 물성예측 시스템은 복합수지에 대한 조성 관련 정보를 이용하여 조성을 한정하는 조성 생성부(400)를 더 포함하여 구성되는 것이 바람직하다.
더 나아가, 상기 모델생성부(100)는 사용자에게 복합수지에 대한 조성범위 정보 또는 물성 정보의 입력을 요청하고 사용자의 입력에 따라, 상기 조성 생성부(400)에서 상기 조성범위 정보 또는 물성 정보를 전달받아, 조성을 한정하고, 한정한 조성 정보에 해당하는 소재 정보를 분석하여, 상기 제1DB부(10)에 저장되어 있는 정보를 토대로 생성한 인공지능 기반 물성모델 생성 알고리즘에 적용하는 것이 바람직하다.
더 나아가, 상기 인공지능 기반 물성예측 시스템은 상기 물성계산부(200)에서 산출한 상기 물성모델에 의한 예측 물성 정보들을 비교 판단하는 물성 비교판단부(500)를 더 포함하며, 상기 물성 비교판단부(400)의 판단 결과에 따른 최적 조성 정보를 생성하여 상기 출력부(300)로 전달하는 것이 바람직하다.
더 나아가, 상기 모델생성부(100)는 사용자에게 복합수지에 대한 용도 정보의 입력을 요청하고 사용자의 입력에 따라, 상기 제2DB부(20)에서 저장하고 있는 정보들 중 상기 용도 정보와 정합되는 용도 스펙 정보를 추출하고, 추출한 상기 용도 정보별 요구 물성 정보를 분석하되, 상기 조성 생성부(400)에서 상기 요구 물성 정보를 전달받아 조성을 한정하고, 한정한 조성 정보에 해당하는 소재 정보를 분석하여, 상기 제1DB부(10)에 저장되어 있는 정보들을 토대로 생성한 인공지능 기반 물성모델 생성 알고리즘에 적용하고, 상기 물성 비교판단부(400)에서 상기 물성모델에 의한 예측 물성 정보들을 비교 판단하여, 판단 결과에 따른 최적 조성 정보를 생성하여 상기 출력부(300)로 전달하는 것이 바람직하다.
더 나아가, 상기 인공지능 기반 물성예측 시스템은 복합수지에 대한 환경규제 관련 정보들을 저장하고 있는 제3DB부(30)를 더 포함하며, 상기 제3DB부(30)에서 저장하고 있는 정보들 중 입력된 조성 정보 또는 생성한 최적 조성 정보와 정합되는 환경규제 정보를 상기 출력부(300)로 전달하는 것이 바람직하다.
더 나아가, 상기 인공지능 기반 물성예측 시스템은 복합수지에 대한 가격 관련 정보들을 저장하고 있는 제4DB부(40)를 더 포함하며, 상기 제4DB부(40)에서 저장하고 있는 정보들 중 입력된 조성 정보 또는 생성한 최적 조성 정보와 정합되는 가격 정보를 상기 출력부(300)로 전달하는 것이 바람직하다.
더 나아가, 상기 모델생성부(100)의 인공지능 기반 물성모델 생성 알고리즘은 다중선형회귀분석(MLR, Multiple Linear Regression), 서포트 벡터 머신(SVM, Support Vector Machine), 최근접 이웃 분류(k-NN, k-Nearest Neighbor), 딥 러닝(Deep Learning), 유전 알고리즘(GA, Generic Algorithm), 부스트 트리(Boosted Trees), 생성적 적대 신경망(GAN, Generative Adversarial Network), 인공 신경망(ANN, Artificial Neural Network) 중 선택되는 어느 하나 이상인 것이 바람직하다.
본 발명의 인공지능 기반 물성예측 시스템은 기능성 복합수지의 소재-조성-물성-용도 데이터베이스를 기반으로 다양한 인공지능 알고리즘(머신러닝, 딥 러닝 등)을 적용시켜, 조성 및 물성을 예측하여 제공할 수 있는 장점이 있다.
상세하게는, 조성-물성의 예측 모델을 만들기 위하여, 다양한 인공지능 알고리즘을 적용할 수 있으며, 인공지능 알고리즘 적용시, 예측의 정확도를 향상시키기 위하여 특성 엔지니어링 기술을 적용할 수 있다.
즉, 주요 특성을 다양한 방식(다양한 인공지능 알고리즘에 적용)으로 만들고, 특성이 물성에 미치는 영향도를 분석하여 중요 특성 개발에 이용함으로써, 물성 예측 또는 최적 조성을 추출하는데 필요한 시간 및 노력을 절감할 수 있다.
특히, 소재-조성-물성-용도 데이터베이스 정보의 일부는 테스트 셋(Test set)으로 활용함으로써, 생성된 예측 모델의 정확도를 검증할 수도 있다.
이를 통해서, 사용자로부터 입력받은 다양한 복합수지의 정보들 중 특성 엔지니어링(Feature engineering)을 통해 여러 특성을 분석하여 주요 특성을 도출할 수 있으며, 이를 인공지능 기반 물성모델 생성 알고리즘에 적용시켜, 예측 물성 정보/최적 조성 정보를 제공할 수 있어, 물성 예측 또는 최적 조성을 추출하는데 필요한 시간 및 노력을 절감할 수 있다.
더 나아가, 환경규제 정보(원료/혼합물을 이용), 가격정보를 제공할 수 있어, 복합수지의 소재-조성-물성-용도 데이터베이스 기반의 통합 예측 시스템으로 활용할 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템을 간략하게 나타낸 도면이다.
도 2 내지 도 5는 본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템의 다양한 실시예를 나타낸 도면이다.
이하 첨부한 도면들을 참조하여 본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템을 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.
이 때, 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.
더불어, 시스템은 필요한 기능을 수행하기 위하여 조직화되고 규칙적으로 상호 작용하는 장치, 기구 및 수단 등을 포함하는 구성 요소들의 집합을 의미한다.
본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템은 다양한 복합수지에 대한 소재 정보-조성 정보-물성 정보-용도 정보 등을 입력받아, 저장 및 관리하고 있는 다양한 복합수지 관련 정보들과 분석 및 비교함으로써, 사용자의 요구에 따라 적합한 정보를 판단하여 용이하게 제공할 수 있는 인공지능 기반 물성예측 시스템이다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템을 나타낸 구성도이며, 도 1을 참조로 하여 본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템을 상세히 설명한다.
본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템은 도 1에 도시된 바와 같이, 모델생성부(100), 물성계산부(200) 출력부(300), 조성 생성부(400) 및 물성 비교판단부(500)를 포함하여 구성되는 것이 바람직하며, 상기 출력부(300)는 사용자가 소지하고 있는 단말기, 관리자라 소지하고 있는 단말기 등 다양한 복합수지에 대한 정보들을 제공받을 수 있는 단말기를 의미하며, 상기 출력부(300)와 모델생성부(100), 물성계산부(200)는 무선 또는 유선 네트워크를 이용하여 통신을 수행하여, 실시간으로 사용자 요구를 입력하거나 이에 따른 판단 정보를 전달받을 수 있다.
또한, 상기 모델생성부(100)와 물성계산부(200)는 하나의 MCU(Main Controller Unit)에 구성 적용되는 것이 바람직하다.
이 때, 통신을 수행하기 위하여, 상기 모델생성부(100), 물성계산부(200), 출력부(300), 조성 생성부(400)와 물성 비교판단부(500)는 각각 네트워크 관리부(미도시)를 더 포함하여 구성될 수 있으며, 무선 네트워크를 이용하여 통신을 수행할 경우, 상기 네트워크 관리부는 무선랜(WLAN, Wireless LAN), 와이파이(Wi-Fi, Wireless Fidelity), 와이브로(Wireless Broadband Internet), 와이맥스(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), 지그비(Zigbee), 블루투스(Bluetooth), UWB(Ultra-WideBand), IrDA(Infrared Data Association), 초광대역(Ultra Wild Band), SWAP(Shared Wireless Access Protocol), LTE(Long Term Evolution), 5G(Fifth-Generation) 등을 이용하여 무선 통신을 수행할 수 있다.
각 구성에 대해서 자세히 알아보기 앞서서, 본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템은 도 1에 도시된 바와 같이, 복합수지에 대한 소재 관련 정보들을 저장하고 있는 제1DB부(10)를 포함하여 구성되는 것이 바람직하다.
상기 제1DB부(10)는 상기 모델생성부(100)와 물성계산부(200)와 함께 하나의 MCU에 구성 적용되는 것이 바람직하다.
상기 모델생성부(100)는 사용자의 입력 정보를 상기 제1DB부(10)에서 저장한 정보를 토대로 생성한 인공지능 기반 물성모델 알고리즘에 적용시키는 것이 바람직하다.
상기 물성계산부(200)는 상기 모델생성부(100)에서 생성한 상기 물성모델에 의한 예측 물성 정보를 산출하는 것이 바람직하며, 상기 출력부(300)로 생성한 정보를 전달하여 출력되도록 하는 것이 바람직하다.
여기서, 상기 모델생성부(100)에 미리 저장되어 있는 인공지능 기반 물성모델 생성 알고리즘으로는, 다중선형회귀분석(MLR, Multiple Linear Regression), 서포트 벡터 머신(SVM, Support Vector Machine), 최근접 이웃 분류(k-NN, k-nearest neighbor), 딥 러닝(Deep learning), 유전 알고리즘(GA, Generic Algorithm), 부스트 트리(Boosted Trees), 생성적 적대 신경망(GAN, Generative Adversarial Network), 인공 신경망(ANN, Artificial Neural Network), 앙상블(Ensemble) 등을 의미하며, 상기 알고리즘들 중 선택되는 어느 하나 이상을 적용하여 물성모델을 생성하는 것이 바람직하다.
상세하게는, 상기 모델생성부(100)는 플라스틱 복합수지의 소재(성분) 원료인 매트릭스(주로 고분자), 분산상(주로 고분자, 필러), 첨가제 등의 성분, 함량(주로 부피분율, 질량분율), 고유물성과 공정조건 등의 특징을 적용하여, 새로운 물성모델을 생성하거나 학습을 통하여 자동으로 특징 추출을 학습하여 조성 또는 물성을 예측하는 것이 바람직하다.
상기 다중선형회귀분석의 경우, 학습 데이터를 통해 생성한 다중성형회귀분석 모델에 입력속성(소재, 함량, 공정조건 등)을 적용하여 상관계수를 계산함으로써, 출력속성(예측 물성)을 예측하는 방법이며, 이와 반대로 입력속성으로 물성을 넣고 상기 모델을 통하여 조성을 예측할 수도 있다.
상기 서포트 벡터 머신의 경우, 학습 데이터를 통해 생성한 서포트 벡터 머신의 커널(Kernel) 함수에 입력속성을 적용하여 입체공간 상에서 데이터를 분류할 수 있는 초평면(Hyperplane)을 만들어준 후, 초평면에 근접한 데이터(서포트 벡터) 특성의 마진(Margin)을 계산하여 근접 물성을 예측하는 방법으로, 커널 함수의 종류로는 선형 커널, 다항 커널, 가우시안 커널, 역탄젠트 커널, 시그모이드 커널 등이 있다.
상기 최근접 이웃 분류의 경우, 학습된 최근접 이웃 분류 모델에 입력속성을 적용하여 근접성 척도를 계산하고, 최근접 분류(소재, 함량, 공정조건 등)를 결정함으로써 입력속성의 예측 물성을 알아내는 알고리즘을 말한다. 즉, 데이터 간의 거리 유사도를 계산 후 근접 k개 중 최근접 이웃 다수를 결정함으로써 예측 물성을 알아낼 수 있다. 또한 이와 반대로 입력 속성으로 물성을 넣어 예측 소개 및 함량을 알아낼 수도 있다.
상기 딥 러닝의 경우, 학습된 딥 러닝 모델에 입력속성을 적용하여 생성된 은닉층(Hidden layer)에서 자동 특징추출(Feature extract)하여 입력속성에 따른 특징 세기를 계산하고, 이를 은닉층의 활성함수에 반영하여 출력속성인 물성을 예측할 수 있다. 활성함수는 로그시그모이드(LogSigmoid), 셀루(SeLU), 렐루(ReLu), 소프트플러스(Softplus), 로그소프트플로스맥스(Logsoftplusmax), 소프트쉬링크(Softshrink), 하이퍼볼릭 탄젠트 쉬링크(Hyperbolic tanhshrink), 소프트사인-Y(Softsign-Y), 로지스틱(Logistic), 소프트맥스(Softmax) 등이 적용 가능하며, 최적화 알고리즘은 Adagrad, Adam, Adamax, RMSProp, Rprop, SparseAdam, ASGD, SGD, LBFGS 등이 가능하다. 또한, 입력속성 물성에 대해 예측조성을 결과로 알아낼 수도 있다.
상기 유전 알고리즘의 경우, 학습된 유전 알고리즘 모델에 여러 개의 입력속성을 조합하여 적용함으로써 다양한 함수식을 만들고 진화연산(선택, 교차, 변이, 대치 등)을 한 후, 주요 변수를 추출하여 최적의 물성예측 모델을 탐색한다. 또한, 이와 반대로 입력속성 물성에 대해 예측조성을 결과로 알아낼 수도 있다.
상기 부스트 트리의 경우, 학습된 부스트 트리 모델에 입력속성을 투입한 기계학습에서 단순하고 약한 학습기들을 결합하여 보다 정확하고 강력한 학습기를 생성하는 방식이다. 정확도가 낮더라도 일단 모델을 만들고 드러난 약점은 두 번째 모델을 통해서 보완한 후, 이 둘을 합치면 처음보다는 정확한 모델이 만들어지고 그럼에도 여전히 남아있는 문제는 다음 모델에서 보완하여 예속 더하는 과정을 반복하는 원리이다.
상기 생성적 적대 신경망의 경우, 학습된 생성적 적대 신경망 모델에 입력속성을 적용하여 가상 물성 데이터를 생성하는 생성자(Generator)와 이를 실제 물성 데이터와 구별해 내는 구분자(Discriminator)를 생성하는 모델을 말하며, 생성자는 구분자의 정확도를 최소화시키려 하며, 구분자는 자신의 정확도를 최대로 높이기 위해 서로 경쟁함으로써 입력속성에 따른 출력속성을 예측할 수 있다. 이와 반대로 입력속성 물성에 대해 예측조성을 결과로 알아낼 수도 있다.
상기 인공 신경망의 경우, 학습된 인공 신경망에 입력속성을 적용하여 입력층과 출력층 간의 관계를 학습한 시냅스(특징, Feature)는 각기 다른 결합 세기를 갖는 인공 뉴런을 만들어내며, 학습한 인공 뉴런을 통해 입력속성에 따른 물성(또는 조성)을 예측할 수 있다.
상기 앙상블의 경우, 학습된 앙상블에 입력속성을 적용하여 다양한 예측모델들을 생성하고 그 모델에서 생성한 특징(Feature)을 가져다 조합하는 방법을 말하며, 새로운 입력속성에 대해 예측 모델들의 특징에 상관계수 투표를 통해 새로운 모델을 생성한다. 다양한 모델들의 예측 결과를 결합함으로써 단일 모형으로 분석했을 때 보다 신뢰성이 높은 예측 물성을 얻을 수 있다.
본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템은 도 1에 도시된 바와 같이, 복합수지에 대한 용도 관련 정보들을 저장하고 있는 제2DB부(20)를 더 포함하여 구성되는 것이 바람직하다.
상기 제2DB부(20)는 제1DB부(10)와 마찬가지로, 상기 모델생성부(100)와 물성계산부(200)와 함께 하나의 MCU에 구성 적용되는 것이 바람직하다.
상기 물성계산부(200)는 상기 제2DB부(20)에서 저장하고 있는 정보들 중 상기 예측 물성 정보와 정합되는 용도 제안 정보를 상기 출력부(300)로 전달하는 것이 바람직하다.
제 1 실시예(조성 정보 입력)
본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템은 도 2에 도시된 바와 같이, 사용자의 요청에 따라, 입력되는 조성 정보에 가장 최적화된 예측 물성 정보 및 용도 제안 정보를 출력할 수 있다.
상세하게는, 도 2에 도시된 바와 같이, 사용자의 복합수지에 대한 조성 정보를 입력함에 따라 상기 조성 정보에 해당하는 소재 정보를 분석하는 것이 바람직하다.
상기 모델생성부(100)는 상기 제1DB부(10)에서 저장한 정보들을 토대로 생성한 인공지능 기반 물성모델 생성 알고리즘에 적용되어, 물성모델을 생성할 수 있다.
이 후, 상기 물성계산부(200)는 상기 모델생성부(100)에서 생성한 상기 물성모델에 의한 예측 물성 정보를 산출하고, 상기 출력부(300)로 이를 전달하여 출력하는 것이 바람직하다.
이 때, 정확도와 신뢰도를 높이기 위하여, 사용자에게 복합수지에 대한 조성 정보 뿐 아니라, 제한 요소의 입력을 요청할 수 있다.
다시 말하자면, 특정 물성으로 한정하도록 물성 제한 요소의 입력을 요청할 수 있으며, 특정 공정으로 한정하도록 공정 제한 요소의 입력을 요청할 수 있다. 더불어, 가중치 설정의 입력을 요청할 수 있다. 가중치 설정이란, 조성+물성을 조합한 경우, 가중치(일 예를 들자면, 조성 중 필러 또는 물성 중 인장강도 등)에 따라 유사배합을 추출하여 물성(또는 조성)을 제시할 수 있도록 입력을 요청할 수 있다.
또한, 사용자로부터 입력받을 수 있는 조성 정보로는 1. 고분자 또는 필러, 첨가제, 2. 1.의 함량, 무게비 또는 부피비, 3. 1.의 형상, 구조, 크기 또는 길이, 4. 1.의 배향, 5. 원료 자체 물성, 밀도/비중, 표면에너지, 표면적, 기계적 물성, 전기적 물성, 열적 물성 등을 입력받을 수 있으며,
사용자로부터 입력받을 수 있는 공정 제한 요소로는, 1. 온도, 2. 압력, 3. 스크류 조합/속도, 4. 장비 종류, 5. 수지 투입량, 6. 투입구 위치, 7. 체류시간((residence time) = f(screw speed(rpm), screw configuration, feeding rate)) 등을 입력받을 수 있으며,
이러한 정보들을 입력받아 상기 물성계산부(200)에서 산출할 수 있는 상기 예측 물성 정보로는, 1. 기계적 물성(인장강도, 신율, 굴곡강도, 굴곡탄성률, 충격강도, 표면강도 등), 2. 물리적 물성(밀도, 용융지수 등), 3. 열적 물성(열변형온도, 열전도도, 유리전이온도 등), 4. 전기적 물성(전기전도도, 유전율 등), 5. 멀티-포인트 그래프 데이터(응력-변형, 탄성률 등), 이미지 물성(SEM, TEM 등)을 예로 들 수 있으나, 이는 본 발명의 일 실시예에 불과하다.
제 2 실시예(조성 범위 입력)
본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템은 도 3에 도시된 바와 같이, 조성 생성부(400)를 더 포함하여 구성되는 것이 바람직하다.
상기 조성 생성부(400)는 복합수지에 대한 조성 관련 정보를 이용하여 조성을 한정할 수 있다. 다시 말하자면, 상기 조성 생성부(400)는 조성 생성자(Generator)로서, 조성을 한정할 수 있다.
상기 조성 생성부(400)를 포함하여, 도 3에 도시된 바와 같이, 사용자의 요청에 따라, 입력되는 조성범위 정보에 가장 최적화된 예측 물성 정보 및 용도 제안 정보를 출력할 수 있다.
상세하게는, 도 3에 도시된 바와 같이, 사용자의 복합수지에 대한 입력정보(조성범위 정보 입력)에 따라, 상기 조성 생성부(400)에서 조성을 한정하는 것이 바람직하다.
한정한 상기 조성 정보에 해당하는 소재 정보는 상기 제1DB부(10)로부터 생성된 인공지능 기반 물성모델 생성 알고리즘이 적용되어 있는 상기 모델생성부(100)에 적용하는 것이 바람직하다.
이 후, 상기 물성계산부(200)는 상기 모델생성부(100)에서 생성한 상기 물성모델에 의한 예측 물성 정보를 산출하고, 상기 출력부(300)로 이를 전달하여 출력하는 것이 바람직하다.
이 때, 정확도와 신뢰도를 높이기 위하여, 상술한 제 1 실시예와 마찬가지로, 사용자에게 복합수지에 대한 조성범위 정보 뿐 아니라, 제한 요소의 입력을 요청할 수 있다.
다시 말하자면, 특정 물성으로 한정하도록 물성 제한 요소의 입력을 요청할 수 있으며, 특정 공정으로 한정하도록 공정 제한 요소의 입력을 요청할 수 있다. 더불어, 가중치 설정의 입력을 요청할 수 있다. 가중치 설정이란, 조성+물성을 조합한 경우, 가중치(일 예를 들자면, 조성 중 필러 또는 물성 중 인장강도 등)에 따라 유사배합을 추출하여 물성(또는 조성)을 제시할 수 있도록 입력을 요청할 수 있다.
제 3 실시예(물성 정보 입력)
본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템은 도 4에 도시된 바와 같이, 사용자의 요청에 따라, 입력되는 물성 정보에 가장 최적화된 조성 및 용도 제안 정보를 출력할 수 있다.
더불어, 도 4에 도시된 바와 같이, 물성 비교판단부(500)를 더 포함하여 구성되는 것이 바람직하다.
상기 물성 비교판단부(500)는 상기 물성계산부(200)에서 산출한 상기 물성모델에 의한 예측 물성 정보들을 비교 판단하여, 판단 결과에 따른 최적 조성 정보를 생성하여 상기 출력부(300)로 전달하는 것이 바람직하다.
상세하게는, 도 4에 도시된 바와 같이, 사용자에게 복합수지에 대한 물성 정보의 입력을 요청하고 사용자의 입력(물성 정보 입력)받은 후, 상기 조성 생성부(400)에서 조성을 한정하는 것이 바람직하다.
한정한 상기 조성 정보에 해당하는 소재 정보를 상기 제1DB부(10)로부터 생성된 인공지능 기반 물성모델 생성 알고리즘이 적용되어 있는 상기 모델생성부(100)에 적용하는 것이 바람직하다.
이 후, 상기 물성계산부(200)는 상기 모델생성부(100)에서 생성한 상기 물성모델에 의한 예측 물성 정보를 산출하고, 상기 출력부(300)로 이를 전달하여 출력하는 것이 바람직하다. 이 때, 상기 예측 물설 정보는, 한정한 상기 조성 정보별 예측 물성 정보이다.
이와 함께, 상기 물성 비교판단부(500)에서 상기 물성계산부(200)에서 산출한 상기 물성모델에 의한 예측 물성 정보들을 비교 판단하여, 판단 결과에 따른 최적 조성 정보를 생성하여 상기 출력부(300)로 전달하는 것이 바람직하다.
더불어, 정확도와 신뢰도를 높이기 위하여, 상술한 제 1 실시예와 마찬가지로, 사용자에게 복합수지에 대한 물성 정보뿐만 아니라, 제한 요소의 입력을 요청할 수 있다. 즉, 특정 조성으로 한정하도록 조성 제한 요소의 입력을 요청할 수 있으며, 특정 공정으로 한정하도록 공정 제한 요소의 입력을 요청할 수 있다. 더불어, 가중치 설정의 입력을 요청할 수 있다. 가중치 설정이란, 조성+물성을 조합한 경우, 가중치(일 예를 들자면, 조성 중 필러 또는 물성 중 인장강도 등)에 따라 유사배합을 추출하여 물성(또는 조성)을 제시할 수 있도록 입력을 요청할 수 있다.
제 4 실시예(용도 정보 입력)
본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템은 도 5에 도시된 바와 같이, 사용자의 요청에 따라, 입력되는 용도 정보에 가장 최적화된 예측 물성 정보 및 용도 제안 정보를 출력할 수 있다.
상세하게는, 도 5에 도시된 바와 같이, 사용자에게 복합수지에 대한 용도 정보의 입력을 요청하고 사용자의 입력(용도 정보 입력)받을 후, 상기 조성 생성부(400)에서 조성을 한정하는 것이 바람직하다.
더불어, 상기 모델생성부(100)는 상기 제2DB부(20)에서 저장하고 있는 정보들 중 상기 용도 정보와 정합되는 용도 스펙 정보를 추출하고, 추출한 상기 용도 정보별로 요구되는 요구 물성 정보를 분석할 수 있다.
한정한 상기 조성 정보에 해당하는 소재 정보를 상기 제1DB부(10)로부터 생성된 인공지능 기반 물성모델 생성 알고리즘이 적용되어 있는 상기 모델생성부(100)에 적용하는 것이 바람직하다.
이 후, 상기 물성계산부(200)는 상기 모델생성부(100)에서 생성한 상기 물성모델에 의한 예측 물성 정보를 산출하고, 상기 출력부(300)로 이를 전달하여 출력하는 것이 바람직하다. 이 때, 상기 예측 물설 정보는, 한정한 상기 조성 정보별 예측 물성 정보이다.
이와 함께, 상기 물성 비교판단부(500)에서 상기 물성계산부(200)에서 산출한 상기 물성모델에 의한 예측 물성 정보들을 비교 판단하여, 판단 결과에 따른 최적 조성 정보를 생성하여 상기 출력부(300)로 전달하는 것이 바람직하다.
더불어, 정확도와 신뢰도를 높이기 위하여, 사용자에게 복합수지에 대한 용도 정보 뿐 아니라, 제한 요소의 입력을 요청할 수 있다. 즉, 특정 물성으로 한정하도록 물성 제한 요소의 입력을 요청할 수 있으며, 특정 조성으로 한정하도록 조성 제한 요소의 입력을 요청할 수 있으며, 특정 공정으로 한정하도록 공정 제한 요소의 입력을 요청할 수 있다. 더불어, 가중치 설정의 입력을 요청할 수 있다. 가중치 설정이란, 조성+물성을 조합한 경우, 가중치(일 예를 들자면, 조성 중 필러 또는 물성 중 인장강도 등)에 따라 유사배합을 추출하여 물성(또는 조성)을 제시할 수 있도록 입력을 요청할 수 있다.
뿐만 아니라, 본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템은, 도 1에 도시된 바와 같이, 제3DB부(30) 및 제4DB부(40)를 더 포함하여 구성될 수 있다.
상기 제3DB부(30)는 복합수지에 대한 환경규제 관련 정보들을 저장하고 있는 것이 바람직하며, 상기 제4DB부(40)는 복합수지에 대한 가격 관련 정보들을 저장하고 있는 것이 바람직하다.
상기 제3DB부(30)와 제4DB부(40)도, 상기 모델생성부(100)와 물성계산부(200)와 함께 하나의 MCU에 구성 적용되는 것이 바람직하다.
본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템에서는, 상기 제3DB부(30)와 제4DB부(40)가 구성 적용된 MCU의 제어에 따라, 상기 제3DB부(30)에서 저장하고 있는 정보들 중 입력된 조성 정보 또는 생성한 최적 조성 정보와 정합되는 환경규제 정보들을 추출하여, 상기 출력부(300)로 전달할 수 있다.
또한, 상기 제4DB부(40)에서 저장하고 있는 정보들 중 입력된 조성 정보 또는 생성한 최적 조성 정보와 정합되는 가격 정보를 추출하여, 상기 출력부(300)로 전달할 수 있다.
즉, 다시 말하자면, 본 발명의 일 실시예에 따른 인공지능 기반 물성예측 시스템은, 다양한 복합수지에 대한 소재 정보-조성 정보-물성 정보-용도 정보 등을 입력받아, 저장 및 관리하고 있는 다양한 복합수지 관련 정보들과 분석/비교/정합하여, 사용자의 요구에 따라 적합한 정보를 판단하여 용이하게 제공할 수 있다.
한편, 본 발명의 실시예에 따른 인공지능 기반 물성예측 시스템은 다양한 전자적으로 정보를 처리하는 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 저장 매체에 기록될 수 있다. 저장 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
저장 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다. 저장 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 또한 상술한 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 전자적으로 정보를 처리하는 장치, 예를 들어 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
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 것일 뿐, 본 발명은 상기의 일 실시예에 한정되는 것이 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술되는 특허 청구 범위뿐 아니라 이 특허 청구 범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.
10 : 제1DB부 20 : 제2DB부
30 : 제3DB부 40 : 제4DB부
100 : 모델생성부
200 : 물성계산부
300 : 출력부
400 : 조성 생성부
500 : 물성 비교판단부

Claims (10)

  1. 복합수지에 대한 소재 관련 정보들을 저장하고 있는 제1DB부(10);
    사용자의 요청에 따라, 상기 제1DB부(10)에 저장하고 있는 정보들을 토대로 생성한 인공지능 기반 물성모델 생성 알고리즘에 적용하는 모델생성부(100);
    상기 모델생성부(100)에서 생성한 상기 물성모델에 의한 예측 물성 정보를 산출하는 물성계산부(200);
    상기 물성계산부(200)에서 생성한 정보를 전달받아, 출력하는 출력부(300);
    를 포함하여 구성되는 것을 특징으로 하는 인공지능 기반 물성예측 시스템.
  2. 제 1항에 있어서,
    상기 인공지능 기반 물성예측 시스템은
    복합수지에 대한 용도 관련 정보들을 저장하고 있는 제2DB부(20);
    를 더 포함하며,
    상기 제2DB부(20)에서 저장하고 있는 정보들 중 상기 예측 물성 정보와 정합되는 용도 제안 정보를 상기 출력부(300)로 전달하는 것을 특징으로 하는 인공지능 기반 물성예측 시스템.
  3. 제 2항에 있어서,
    상기 모델생성부(100)는
    사용자에게 복합수지에 대한 조성 정보의 입력을 요청하고 사용자의 입력에 따라,
    상기 조성 정보에 해당하는 소재 정보를 분석하여, 상기 제1DB부(10)에 저장되어 있는 정보를 토대로 생성한 인공지능 기반 물성모델 생성 알고리즘에 적용하는 것을 특징으로 하는 인공지능 기반 물성예측 시스템.
  4. 제 2항에 있어서,
    상기 인공지능 기반 물성예측 시스템은
    복합수지에 대한 조성 관련 정보를 이용하여 조성을 한정하는 조성 생성부(400);
    를 더 포함하여 구성되는 것을 특징으로 하는 인공지능 기반 물성예측 시스템.
  5. 제 4항에 있어서,
    상기 모델생성부(100)는
    사용자에게 복합수지에 대한 조성범위 정보 또는 물성 정보의 입력을 요청하고 사용자의 입력에 따라,
    상기 조성 생성부(400)에서 상기 조성범위 정보 또는 물성 정보를 전달받아, 조성을 한정하고,
    한정한 조성 정보에 해당하는 소재 정보를 분석하여, 상기 제1DB부(10)에 저장되어 있는 정보를 토대로 생성한 인공지능 기반 물성모델 생성 알고리즘에 적용하는 것을 특징으로 하는 인공지능 기반 물성예측 시스템.
  6. 제 5항에 있어서,
    상기 인공지능 기반 물성예측 시스템은
    상기 물성계산부(200)에서 산출한 상기 물성모델에 의한 예측 물성 정보들을 비교 판단하는 물성 비교판단부(500);
    를 더 포함하며,
    상기 물성 비교판단부(400)의 판단 결과에 따른 최적 조성 정보를 생성하여 상기 출력부(300)로 전달하는 것을 특징으로 하는 인공지능 기반 물성예측 시스템.
  7. 제 6항에 있어서,
    상기 모델생성부(100)는
    사용자에게 복합수지에 대한 용도 정보의 입력을 요청하고 사용자의 입력에 따라,
    상기 제2DB부(20)에서 저장하고 있는 정보들 중 상기 용도 정보와 정합되는 용도 스펙 정보를 추출하고, 추출한 상기 용도 정보별 요구 물성 정보를 분석하되,
    상기 조성 생성부(400)에서 상기 요구 물성 정보를 전달받아 조성을 한정하고, 한정한 조성 정보에 해당하는 소재 정보를 분석하여, 상기 제1DB부(10)에 저장되어 있는 정보들을 토대로 생성한 인공지능 기반 물성모델 생성 알고리즘에 적용하고,
    상기 물성 비교판단부(400)에서 상기 물성모델에 의한 예측 물성 정보들을 비교 판단하여, 판단 결과에 따른 최적 조성 정보를 생성하여 상기 출력부(300)로 전달하는 것을 특징으로 하는 인공지능 기반 물성예측 시스템.
  8. 제 1항 내지 제 7항 중 선택되는 어느 한 항에 있어서,
    상기 인공지능 기반 물성예측 시스템은
    복합수지에 대한 환경규제 관련 정보들을 저장하고 있는 제3DB부(30);
    를 더 포함하며,
    상기 제3DB부(30)에서 저장하고 있는 정보들 중 입력된 조성 정보 또는 생성한 최적 조성 정보와 정합되는 환경규제 정보를 상기 출력부(300)로 전달하는 것을 특징으로 하는 인공지능 기반 물성예측 시스템.
  9. 제 1항 내지 제 7항 중 선택되는 어느 한 항에 있어서,
    상기 인공지능 기반 물성예측 시스템은
    복합수지에 대한 가격 관련 정보들을 저장하고 있는 제4DB부(40);
    를 더 포함하며,
    상기 제4DB부(40)에서 저장하고 있는 정보들 중 입력된 조성 정보 또는 생성한 최적 조성 정보와 정합되는 가격 정보를 상기 출력부(300)로 전달하는 것을 특징으로 하는 인공지능 기반 물성예측 시스템.
  10. 제 1항에 있어서,
    상기 모델생성부(100)의 인공지능 기반 물성모델 생성 알고리즘은
    다중선형회귀분석(MLR, Multiple Linear Regression), 서포트 벡터 머신(SVM, Support Vector Machine), 최근접 이웃 분류(k-NN, k-Nearest Neighbor), 딥 러닝(Deep Learning), 유전 알고리즘(GA, Generic Algorithm), 부스트 트리(Boosted Trees), 생성적 적대 신경망(GAN, Generative Adversarial Network), 인공 신경망(ANN, Artificial Neural Network) 중 선택되는 어느 하나 이상인 것을 특징으로 하는 인공지능 기반 물성예측 시스템.
KR1020180125990A 2018-10-22 2018-10-22 인공지능 기반 물성예측 시스템 KR102214634B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180125990A KR102214634B1 (ko) 2018-10-22 2018-10-22 인공지능 기반 물성예측 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180125990A KR102214634B1 (ko) 2018-10-22 2018-10-22 인공지능 기반 물성예측 시스템

Publications (2)

Publication Number Publication Date
KR20200052393A true KR20200052393A (ko) 2020-05-15
KR102214634B1 KR102214634B1 (ko) 2021-02-10

Family

ID=70679027

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180125990A KR102214634B1 (ko) 2018-10-22 2018-10-22 인공지능 기반 물성예측 시스템

Country Status (1)

Country Link
KR (1) KR102214634B1 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102308311B1 (ko) * 2020-12-30 2021-10-06 대진첨단소재 주식회사 인공지능을 이용하여 물성을 예측하기 위한 시스템 및 시스템의 동작 방법
KR102308309B1 (ko) * 2020-12-30 2021-10-06 대진첨단소재 주식회사 재생 abs의 물성을 예측하기 위한 시스템 및 시스템의 동작 방법
KR102308305B1 (ko) * 2020-12-30 2021-10-06 대진첨단소재 주식회사 인공지능을 이용하여 abs의 특성을 결정하기 위한 시스템 및 시스템의 동작 방법
KR20220027497A (ko) * 2020-08-27 2022-03-08 경희대학교 산학협력단 역 해석 기능을 갖는 인공지능(ai) 기반 지능형 구조설계 방법
KR102482461B1 (ko) * 2021-12-01 2022-12-28 대진첨단소재 주식회사 인공지능 기반의 미지의 시료의 소재 분석 장치 및 이를 이용한 소재 분석 방법
KR102482465B1 (ko) * 2021-12-01 2022-12-28 대진첨단소재 주식회사 인공지능 기반의 복합 소재의 조성-공정 추천 장치 및 이를 이용한 복합 소재의 조성-공정 추천 방법
KR102516265B1 (ko) * 2021-09-27 2023-03-30 한국생산기술연구원 머신러닝을 이용한 복합수지 물성 예측 방법, 그를 수행하기 위한 컴퓨터 프로그램 매체
KR20230052390A (ko) * 2021-10-13 2023-04-20 한국화학연구원 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템 및 그 방법
JP7397949B1 (ja) * 2022-11-11 2023-12-13 住友化学株式会社 学習装置及び予測装置

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102581404B1 (ko) 2021-09-15 2023-09-20 포항공과대학교 산학협력단 계산과학과 베이지안 추론 기반의 소재 역설계를 통한 화합물의 조성 예측 방법
KR20230103050A (ko) 2021-12-31 2023-07-07 주식회사 대흥알앤티 인공지능 신경망 기반 고무의 물성 예측 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100079659A (ko) * 2008-12-31 2010-07-08 한국세라믹기술원 웹기반 소재물성정보 데이터베이스 구축방법
KR20120085178A (ko) * 2011-10-27 2012-07-31 주식회사 켐에쎈 화합물의 물성을 예측하는 방법 및 화합물의 물성을 예측하는 시스템
KR20160060993A (ko) 2014-11-21 2016-05-31 삼성전자주식회사 화합물의 물성을 예측하는 방법 및 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100079659A (ko) * 2008-12-31 2010-07-08 한국세라믹기술원 웹기반 소재물성정보 데이터베이스 구축방법
KR20120085178A (ko) * 2011-10-27 2012-07-31 주식회사 켐에쎈 화합물의 물성을 예측하는 방법 및 화합물의 물성을 예측하는 시스템
KR20160060993A (ko) 2014-11-21 2016-05-31 삼성전자주식회사 화합물의 물성을 예측하는 방법 및 시스템

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220027497A (ko) * 2020-08-27 2022-03-08 경희대학교 산학협력단 역 해석 기능을 갖는 인공지능(ai) 기반 지능형 구조설계 방법
KR102308311B1 (ko) * 2020-12-30 2021-10-06 대진첨단소재 주식회사 인공지능을 이용하여 물성을 예측하기 위한 시스템 및 시스템의 동작 방법
KR102308309B1 (ko) * 2020-12-30 2021-10-06 대진첨단소재 주식회사 재생 abs의 물성을 예측하기 위한 시스템 및 시스템의 동작 방법
KR102308305B1 (ko) * 2020-12-30 2021-10-06 대진첨단소재 주식회사 인공지능을 이용하여 abs의 특성을 결정하기 위한 시스템 및 시스템의 동작 방법
WO2022145918A1 (en) * 2020-12-30 2022-07-07 Daejin Advanced Materials Inc. System for determining feature of acrylonitrile butadiene styrene using artificial intellectual and operation thereof
KR102516265B1 (ko) * 2021-09-27 2023-03-30 한국생산기술연구원 머신러닝을 이용한 복합수지 물성 예측 방법, 그를 수행하기 위한 컴퓨터 프로그램 매체
KR20230052390A (ko) * 2021-10-13 2023-04-20 한국화학연구원 인공지능 기반 복합 소재의 최적 공정 조건에 대한 탐색 최적화 시스템 및 그 방법
KR102482461B1 (ko) * 2021-12-01 2022-12-28 대진첨단소재 주식회사 인공지능 기반의 미지의 시료의 소재 분석 장치 및 이를 이용한 소재 분석 방법
KR102482465B1 (ko) * 2021-12-01 2022-12-28 대진첨단소재 주식회사 인공지능 기반의 복합 소재의 조성-공정 추천 장치 및 이를 이용한 복합 소재의 조성-공정 추천 방법
WO2023101095A1 (ko) * 2021-12-01 2023-06-08 대진첨단소재 주식회사 인공지능 기반의 미지의 시료의 소재 분석 장치 및 이를 이용한 소재 분석 방법
WO2023101096A1 (ko) * 2021-12-01 2023-06-08 대진첨단소재 주식회사 인공지능 기반의 복합 소재의 조성-공정 추천 장치 및 이를 이용한 복합 소재의 조성-공정 추천 방법
JP7397949B1 (ja) * 2022-11-11 2023-12-13 住友化学株式会社 学習装置及び予測装置

Also Published As

Publication number Publication date
KR102214634B1 (ko) 2021-02-10

Similar Documents

Publication Publication Date Title
KR102214634B1 (ko) 인공지능 기반 물성예측 시스템
Sangari et al. Convergence analysis of two loss functions in soft-max regression
Kang et al. Nafm: neural and attentional factorization machine for web api recommendation
Katariya et al. Active evaluation of classifiers on large datasets
CN110674849A (zh) 基于多源域集成迁移的跨领域情感分类方法
Yasodha et al. Data mining classification technique for talent management using SVM
CN112287117A (zh) 一种基于数据自动生成的资产管理知识库构建方法
Schuman et al. Low size, weight, and power neuromorphic computing to improve combustion engine efficiency
Li et al. Task offloading for deep learning empowered automatic speech analysis in mobile edge-cloud computing networks
Gao et al. Evolution test by improved genetic algorithm with application to performance limit evaluation of automatic parallel parking system
US20220179910A1 (en) Using graph queries to obtain results from machine learning models
CN108491477B (zh) 基于多维云和用户动态兴趣的神经网络推荐方法
CN114398893A (zh) 一种基于对比学习的临床数据处理模型的训练方法及装置
Lu et al. Counting crowd by weighing counts: A sequential decision-making perspective
CN117216255A (zh) 分类模型训练方法以及相关设备
Xie et al. Joint gaussian mixture model for versatile deep visual model explanation
Yan et al. A novel adaptive differential evolution SVM model for predicting coal and gas outbursts
Deekshitha et al. URL Based Phishing Website Detection by Using Gradient and Catboost Algorithms
Deenadayalan et al. User Feature Similarity Supported Collaborative Filtering for Page Recommendation Using Hybrid Shuffled Frog Leaping Algorithm.
Kong et al. The risk prediction of mobile user tricking account overdraft limit based on fusion model of logistic and GBDT
CN112528015A (zh) 在消息交互传播中进行谣言判别的方法及装置
Monteiro et al. Monotonicity regularization: Improved penalties and novel applications to disentangled representation learning and robust classification
Su et al. Electricity Network Security Monitoring Based on Bee Colony Algorithm
Yang et al. A review: The effects of imperfect data on incremental decision tree
Qiuju PERSONAL CREDIT SCORING MODEL RESEARCHBASED ON THE RF-GA-SVM MODEL

Legal Events

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