KR20210019018A - 중합체 생성물의 생성을 위한 생성 파라미터들을 결정하기 위한 방법 및 컴퓨터 시스템 - Google Patents
중합체 생성물의 생성을 위한 생성 파라미터들을 결정하기 위한 방법 및 컴퓨터 시스템 Download PDFInfo
- Publication number
- KR20210019018A KR20210019018A KR1020207036058A KR20207036058A KR20210019018A KR 20210019018 A KR20210019018 A KR 20210019018A KR 1020207036058 A KR1020207036058 A KR 1020207036058A KR 20207036058 A KR20207036058 A KR 20207036058A KR 20210019018 A KR20210019018 A KR 20210019018A
- Authority
- KR
- South Korea
- Prior art keywords
- production
- product
- parameters
- user
- polymer
- Prior art date
Links
- 229920000642 polymer Polymers 0.000 title claims abstract description 181
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 92
- 239000000203 mixture Substances 0.000 claims abstract description 69
- 238000009472 formulation Methods 0.000 claims abstract description 68
- 239000002994 raw material Substances 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 18
- 229920002635 polyurethane Polymers 0.000 claims description 17
- 239000004814 polyurethane Substances 0.000 claims description 17
- 238000010297 mechanical methods and process Methods 0.000 claims description 9
- 230000005226 mechanical processes and functions Effects 0.000 claims description 9
- 239000000470 constituent Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000004604 Blowing Agent Substances 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 239000012948 isocyanate Substances 0.000 claims description 3
- 150000002513 isocyanates Chemical class 0.000 claims description 3
- 229920005862 polyol Polymers 0.000 claims description 3
- 150000003077 polyols Chemical class 0.000 claims description 3
- 239000004970 Chain extender Substances 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 239000003054 catalyst Substances 0.000 claims description 2
- 239000003431 cross linking reagent Substances 0.000 claims description 2
- 239000003063 flame retardant Substances 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims description 2
- 239000000049 pigment Substances 0.000 claims description 2
- 239000004094 surface-active agent Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 17
- 239000000463 material Substances 0.000 description 7
- 239000006260 foam Substances 0.000 description 6
- 239000002984 plastic foam Substances 0.000 description 4
- 239000004417 polycarbonate Substances 0.000 description 4
- 229920000515 polycarbonate Polymers 0.000 description 4
- 229920000582 polyisocyanurate Polymers 0.000 description 4
- 239000011495 polyisocyanurate Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- JOYRKODLDBILNP-UHFFFAOYSA-N Ethyl urethane Chemical compound CCOC(N)=O JOYRKODLDBILNP-UHFFFAOYSA-N 0.000 description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 239000004202 carbamide Substances 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 description 1
- 229920005830 Polyurethane Foam Polymers 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920000162 poly(ureaurethane) Polymers 0.000 description 1
- 239000011496 polyurethane foam Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/0006—Controlling or regulating processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/0006—Controlling or regulating processes
- B01J19/0033—Optimalisation processes, i.e. processes with adaptive control systems
-
- C—CHEMISTRY; METALLURGY
- C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
- C08G—MACROMOLECULAR COMPOUNDS OBTAINED OTHERWISE THAN BY REACTIONS ONLY INVOLVING UNSATURATED CARBON-TO-CARBON BONDS
- C08G18/00—Polymeric products of isocyanates or isothiocyanates
- C08G18/06—Polymeric products of isocyanates or isothiocyanates with compounds having active hydrogen
- C08G18/08—Processes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J2219/00049—Controlling or regulating processes
- B01J2219/00243—Mathematical modelling
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Organic Chemistry (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Polymers & Plastics (AREA)
- Casting Or Compression Moulding Of Plastics Or The Like (AREA)
- Processing And Handling Of Plastics And Other Materials For Molding In General (AREA)
- Polyurethanes Or Polyureas (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 방법에 관한 것으로, 컴퓨터 시스템 상에서 중합체 생성물 특성들(4)에 기반하여 생성 파라미터들(1)을 계산하기 위한 예측 모델(7)이 제공되며, 이 생성 파라미터들(1)은, 중합체의 생성을 위한 원재료 구성부분들을 특정하는 제제 구성부분들(2)을 포함하고, 중합체의 생성 동안의 프로세스 특성들을 특정하는 처리 파라미터들(3)을 포함하고, 컴퓨터 시스템에 사용자 입력이 제공되고, 이 사용자 입력은 중합체 생성물 특성들(4)을 특정하는 사용자 생성물 파라미터 표적들(5)을 포함하고, 컴퓨터 시스템은, 사용자 생성물 파라미터 표적들(5)과 연관된 중합체 생성물의 생성을 위한 결과적인 생성 파라미터들(11)을 계산하기 위해 사용자 생성물 파라미터 표적들(5)을 예측 모델에 적용한다. 본 발명은 또한 대응하는 컴퓨터 시스템에 관한 것이다.
Description
본 발명은, 중합체 생성물의 생성을 위한 생성 파라미터들을 결정하기 위한 방법, 및 중합체 생성물의 생성을 위한 생성 파라미터들을 결정하기 위한 컴퓨터 시스템에 관한 것이다.
중합체 생성물들에 대한 광범위한 상이한 응용들이 존재한다. 여기서 그리고 이하에서의 중합체 생성물들은 실질적으로 중합체 물질, 즉, 하나 이상의 중합체로 이루어진다. 결과적으로, 그러한 중합체 생성물들에 대해 규정되는 광범위하고 매우 다양한 상이한 생성물 특성 사양들이 또한 존재한다. 이러한 상이한 사양들은, 개개의 중합체 생성물의 중량, 강성, 방출, 온도 내구성, 및 많은 다른 특징들에 대한 요망되는 값들 또는 값 범위들을 결정한다. 추가로, 중합체 생성물 특성들은, 중합체 생성물에 사용되는 물질 구성성분들을 특정하는 제제뿐만 아니라, 사용되는 생성 툴들의 특성들을 포함하는, 중합체 생성물의 생성 프로세스에서 적용되는 상이한 프로세스 파라미터들에 또한 의존한다.
사용되는 특정 제제들 및 프로세스 파라미터들 둘 모두와 결과적인 중합체 생성물의 특성들 사이의 상호의존성은 매우 복잡하다. 한편으로는 제제의 구성성분들 또는 프로세스 파라미터들과 다른 한편으로는 중합체 생성물 특성들 사이의 일부 상관관계들에 대한 일반적인 조제식들을 제공하는 일부 이론적인 고려사항들이 존재하지만, 이들은, 특정 생성물 사양에 따른 중합체 생성물을 획득하기 위해 대응하는 프로세스 파라미터들을 갖는 새로운 제제를 결정함에 있어 비교적 미미한 역할을 한다. 대신, 보통의 프로세스는, 알려진 특성들을 갖는 생성물을 초래하는 알려진 제제 및 알려진 프로세스 파라미터들로부터 진행한 다음 이전 경험 및 일반적인 고려사항들에 기반하여 조정들을 행하는 것을 수반한다. 이러한 조정들에 기반하여, 다수의 샘플 생성물들이 생성되고 그들의 관련 특성들이 실험적으로 결정된다. 이러한 접근법에 기반하여, 종종, 요망되는 생성물 특성들에 충분히 도달하거나 근접할 때까지 시행착오 주기가 반복된다. 이러한 프로세스는 생성 시간 및 노력의 관점에서 비용이 많이 들 뿐만 아니라 또한 그 프로세스가 실질적으로 체계적이지 않음으로 인해 주어진 수의 샘플 생성 실행 내에 요망되는 사양에 근접할 가능성을 평가하기가 매우 어렵다는 점에서 신뢰가능하지 않다는 것이 명백하다. 따라서, 이러한 종래 기술 접근법으로부터 진행하여, 사전 특정된 물질 및 다른 생성물 특성들을 갖는 생성물을 획득하기 위해, 사용자가 대응하는 프로세스 파라미터들로 적합한 제제를 결정할 수 있도록 과거의 제제들로부터의 지식이 사용될 수 있게 프로세스를 개선하는 것이 바람직하다.
결과적으로, 본 발명의 목표는, 중합체 생성물의 생성을 위한 생성 파라미터들을 결정하기 위한 방법 및 컴퓨터 시스템을 제공하는 것이며, 이 방법은, 더 적은 부가적인 실험들로 특정 물질 특성들을 획득하기에 적합한 생성 파라미터들의 더 정확한 결정을 허용한다.
중합체 생성물의 생성을 위한 생성 파라미터들을 결정하기 위한 방법에 관하여, 본 발명의 목표는, 청구항 제1항의 특징들을 갖는, 중합체 생성물의 생성을 위한 생성 파라미터들을 결정하기 위한 방법에 의해 달성된다. 중합체 생성물의 생성을 위한 생성 파라미터들을 결정하기 위한 컴퓨터 시스템에 관하여, 본 발명의 목표는, 청구항 제15항의 특징들을 갖는, 중합체 생성물의 생성을 위한 생성 파라미터들을 결정하기 위한 컴퓨터 시스템에 의해 달성된다.
본 발명은, 입력되는 제제 데이터 및 프로세스 파라미터들에 기반하여, 계산된 생성 파라미터들의 출력에 도달하는 것을 허용하는 수치 예측 모델을 활용함으로써 시행착오 주기가 감소될 수 있다는 인식에 기반한다. 본 발명은, 제제 데이터 또는 프로세스 파라미터들을 별개로 검토하는 것으로 충분한 것이 아니라, 변수 세트들 둘 모두가 통합된 방식으로 처리될 필요가 있다는 인식에 추가로 기반한다. 요망되는 생성물 특성들의 사양으로부터 진행하여, 수치 예측 모델은 이어서, 적합한 제제, 및 요망되는 생성물 특성들을 획득하기 위해 그 제제로부터의 물질을 처리하기 위한 대응하는 파라미터들 둘 모두를 제공할 수 있다. 따라서, 시행착오 주기가 상당한 정도로 생략될 수 있다. 결과적으로, 개발 시간 및 생성 비용들이 감소된다.
본 발명에 따른 방법은, 중합체 생성물의 생성을 위한 생성 파라미터들을 결정하기 위한 것이고, 여기서, 컴퓨터 시스템 상에서 중합체 생성물 특성들에 기반하여 생성 파라미터들을 계산하기 위한 예측 모델이 제공된다.
다시 말해서, 예측 모델은 컴퓨터 프로그램 또는 컴퓨터 프로그램에 대한 파라미터 세트이며, 이 컴퓨터 프로그램은 컴퓨터 디바이스 상에서 실행되고, 적어도 요망되는 중합체 생성물 특성들을 입력으로서 취하고 적어도 생성 파라미터들을 출력으로서 제공한다. 마이크로프로세서를 갖는 임의의 전자 디바이스가 본원에서의 의미에서의 컴퓨터 디바이스를 제공한다.
원칙적으로, 중합체 생성물은 실질적으로 하나 이상의 상이한 중합체 물질로 이루어지는 임의의 생성물일 수 있다. 그에 따라, 중합체 생성물 특성들은 임의의 중합체 생성물의 특성들일 수 있고, 중합체의 생성은 임의의 중합체 생성물의 생성을 지칭할 수 있다.
중합체 생성물은 폴리우레탄 생성물 또는 폴리이소시아누레이트 생성물일 수 있다. 그에 따라, 중합체 생성물 특성들은 폴리우레탄 또는 폴리이소시아누레이트 생성물 특성들일 수 있고, 중합체의 생성은 폴리우레탄 또는 폴리이소시아누레이트 생성일 수 있고, 중합체 제제는 폴리우레탄 또는 폴리이소시아누레이트 제제일 수 있다. 대안적으로 또는 그에 부가하여, 중합체 생성물은 발포체 생성물일 수 있다. 그에 따라, 대안적으로 또는 그에 부가하여, 중합체 생성물 특성들은 발포체 생성물 특성들일 수 있고, 중합체의 생성은 발포체 생성일 수 있고, 중합체 제제는 발포체 제제일 수 있다.
바람직하게는, 중합체 생성물은 폴리카르보네이트 생성물이다. 따라서, 중합체 생성물 특성들은 폴리카르보네이트 생성물 특성들일 수 있고, 중합체의 생성은 폴리카르보네이트 생성일 수 있고, 중합체 제제는 폴리카르보네이트 제제일 수 있다.
본 발명에 따른 방법에서, 생성 파라미터들은, 중합체의 생성을 위한 원재료 구성부분(portion)들을 특정하는 제제 구성부분들을 포함한다. 다시 말해서, 제제 구성부분들은, 중합체 생성물을 생성하기 위해 어떤 원재료가 어떤 비율로 사용되는지를 특정한다. 이는 또한, 중합체 생성물의 생성에 사용될 수 있지만 실질적으로는 중합체 생성물의 일부가 아닌 발포제들과 같은 물질에 관한 것이다. 생성 파라미터들은, 제제 구성부분들, 및 밀도 및/또는 수산기가와 같은 화학 성분들의 특성들로부터 취해지는 계산된/모의된 데이터를 더 포함할 수 있다.
본 발명에 따른 방법에서, 생성 파라미터들은 또한, 중합체의 생성 동안의 프로세스 특성들을 특정하는 처리 파라미터들을 포함한다. 바람직하게는, 처리 파라미터들은, 중합체의 생성 동안의 기계 프로세스 특성들을 특정하는 기계 처리 파라미터들을 포함한다. 본원에서의 의미에서, 기계는, 중합체의 생성의 임의의 단계 또는 모든 단계들을 위한 임의의 종류의 장치, 및 특히, 실험실 장치일 수 있다. 기계 처리 파라미터들은, 중합체 생성물을 획득하기 위해 원재료를 처리하는 기계 또는 기계들의 그룹에 대한 설정들을 포함할 수 있다. 기계 처리 파라미터들은 또한, 기계 또는 기계들의 그룹의 일정한 특성들을 포함할 수 있다. 이들은, 기계 또는 기계들의 그룹의 기하학적 구조 치수들, 최대 전력 등을 포함할 수 있다.
처리 파라미터들이 중합체의 생성 동안의 주변 특성들을 특정하는 주변 처리 파라미터들을 포함하는 것이 바람직하다. 그러한 주변 특성들은, 주변 환경으로부터 취해지는 임의의 센서 결과, 이를테면, 온도, 압력 또는 습도를 설명할 수 있다.
추가로, 본 발명에 따른 방법에서, 사용자 입력이 컴퓨터 시스템에 제공되며, 이 사용자 입력은, 사용자 생성물 파라미터 생성물 특성들을 특정하는 사용자 생성물 파라미터 표적들을 포함한다.
다시 말해서, 사용자 입력은, 예측 모델에 대해 중합체 생성물의 요망되는 특성들의 형태로 위에 언급된 입력 파라미터들을 제공한다. 사용자 생성물 파라미터 표적들은 또한 특정 개별 값들 대신 값 묶음(bracket)을 지칭할 수 있다. 사용자 생성물 파라미터 표적들은 또한, 예컨대, 알려진 중합체 생성물의 알려진 중합체 생성물 특성들을 참조하여 간접적으로 주어질 수 있다.
본 발명의 방법에 따르면, 컴퓨터 시스템은, 사용자 생성물 파라미터 표적들과 연관된 중합체 생성물의 생성을 위한 결과적인 생성 파라미터들을 계산하기 위해 사용자 생성물 파라미터 표적들을 예측 모델에 적용한다. 사용자 생성물 파라미터 표적들과 연관된 중합체 생성물은 또한, 사용자 생성물 파라미터 표적들을 실현하기 위한 중합체 생성물로서 표시될 수 있다. 이는, 결과적인 생성 파라미터들이, 생성 파라미터들에 따라 생성되는 중합체 생성물에 의해 사용자 생성물 파라미터 표적들에 적어도 근접하게 되도록 이루어진다는 것을 의미한다. 그러한 중합체 생성물 특성들이 그러한 중합체 생성물에 의해 실제로 실현되는 정도는 상이한 경우들에 대해 상이할 수 있다. 중합체 생성물을 생성하기 위한 결과적인 생성 파라미터들의 실제 적용이 발생할 수 있거나 발생하지 않을 수 있다는 것이 유의되어야 한다.
사용자 생성물 파라미터 표적들을 예측 모델에 적용하는 것은 또한, 예측 모델이, 중합체 생성물 특성들에 기반하여, 도출된 또는 중간 값들을 결정하는 것, 및 특히, 그러한 값들을 계산하는 것을 포함할 수 있다. 이러한 도출된 또는 중간 값들은 이어서, 사용자 생성물 파라미터 표적들의 중합체 생성물 특성들이 사용되는 것과 동일한 방식으로 결과적인 생성 파라미터들을 계산하는 데 사용될 수 있다. 다시 말해서, 사용자 생성물 파라미터 표적들을 예측 모델에 적용할 때 보조 값들이 계산되고 의존될 수 있다.
게다가, 생성 파라미터들은 또한, 원재료 구성부분들의 동적 거동을 설명하기 위한 제제 설명 데이터를 포함할 수 있다. 예컨대, 중합체의 생성이 발포체 생성이고, 발포체가 원재료 구성부분들에 따른 원재료들의 반응에 의해 생성되는 경우, 제제 설명 데이터는 그 반응과 관련된 특성들을 설명할 수 있다. 그에 따라, 제제 설명 데이터는, 시작 시간, 상승 시간, 및/또는 경화 시간을 특정할 수 있다. 또한, 폴리우레아 또는 폴리우레탄 발포체 생성물의 경우에, 제제 설명 데이터는 우레아 또는 우레탄 구성부분들 및/또는 우레아 및 우레탄 매듭(knot) 밀도를 특정할 수 있다.
중합체 생성물 특성들은 원칙적으로, 생성 파라미터들에 기인한 중합체 생성물의 임의의 물리적 또는 화학적 특성에 관한 것일 수 있다. 특히, 중합체 생성물 특성들은, 밀도, 압축 특성들, 복원 특성들, 압축 경도, 열 전도도, 압축 강도, 비틀림 강성, 및/또는 난연성을 포함할 수 있다.
원칙적으로, 본 발명에 따른 방법의 경우, 결과적인 생성 파라미터들은 임의의 임의적 방식으로 사용되거나 사용되지 않을 수 있다. 또한 방법의 바람직한 실시예에 따르면, 생성 파라미터들은, 생성 동안의 기계 프로세스 특성들을 특정하는 기계 처리 파라미터들을 포함한다. 본원에서, 추가로, 결과적인 생성 파라미터들의 기계 프로세스 특성들은, 원재료들로부터 기계에 의해 중합체 생성물이 생성되도록 제제 구성부분들을 따른 원재료들을 중합체의 생성을 위한 기계에 제공하도록 적용되는 것이 바람직하다. 기계 프로세스 특성들은 사용자에 의해 설정가능한 기계 프로세스 설정들을 포함하고, 결과적인 생성 파라미터들은, 원재료들로부터 기계에 의해 중합체 생성물이 생성되도록, 중합체의 생성을 위한 기계에서 기계 프로세스 설정들을 선택하게 적용되는 것이 바람직하다. 그에 따라, 이러한 바람직한 실시예에서, 방법은 실제 중합체 생성물의 생성에 이른다.
예측 모델은 단지 결과적인 생성 파라미터들을 계산하는 것일 수도 있다. 그러나, 방법의 추가적인 바람직한 실시예에 따르면, 예측 모델은, 사용자 생성물 파라미터 표적들이 예측 모델에 적용될 때 결과적인 생성 파라미터들에 대한 결과적인 신뢰 값을 결정하고, 이 신뢰 값은, 중합체 생성물의 사용자 생성물 파라미터 표적들에 관한 정확도를 설명한다. 이러한 신뢰 값은, 사용자 생성물 파라미터 표적들과 결과적인 생성 파라미터들에 따라 생성된 중합체 생성물의 실제 중합체 생성물 특성들 사이의 실제 차이의 고정된 정확한 척도가 아니다. 대신, 그것은, 결과적인 생성 파라미터들이 그 결과적인 생성 파라미터들에 대한 예측 모델의 품질에 기반하여 얼마나 신뢰가능하게 나타나는지의 척도이다. 그에 따라, 신뢰 값은 또한, 사용자 생성물 파라미터 표적들에 관한 예상 정확도로서 설명될 수 있다.
예측 모델은 단일 인스턴스의 생성 파라미터들, 즉, 단일 중합체 생성물의 생성을 위한 생성 파라미터들만을 계산하는 것일 수도 있다. 방법의 바람직한 실시예에서, 예측 모델은, 사용자 생성물 파라미터 표적들이 예측 모델에 적용될 때 사용자 생성물 파라미터 표적들과 연관된 복수의 중합체 생성물들의 생성을 위한 복수의 결과적인 생성 파라미터들을 계산한다. 이는 수 개의 후보 생성 파라미터들이 존재할 때 유리하며, 이는, 특정 사용자 생성물 파라미터 표적들에 관한 예측 모델의 품질에 따라 또한 그러할 수 있다. 이러한 경우에서, 복수의 결과적인 생성 파라미터들 중 어느 하나가 특정 실험적 생성에 사용될 수 있거나, 결과적인 생성 파라미터들의 바람직한 인스턴스의 선택이 전문가, 예컨대, 컴퓨터 시스템의 사용자의 고려사항들에 기반할 수 있다. 예측 모델 그 자체가 결과적인 생성 파라미터들의 각각의 인스턴스의 상대적인 정확도와 관련된 정보를 포함할 수 있는 것일 수도 있다. 본원에서, 추가로, 사용자 생성물 파라미터 표적들이 예측 모델에 적용될 때 결과적인 생성 파라미터들 각각에 대한 결과적인 신뢰 값을 예측 모델이 결정하는 것이 바람직하다.
방법의 추가적인 바람직한 실시예에서, 사용자 입력은 결과적인 생성 파라미터들에 대한 최소 신뢰 값을 특정하는 사용자 신뢰 한계를 포함하고, 결과적인 생성 파라미터들 각각에 대한 결과적인 신뢰 값은 적어도 사용자 신뢰 한계와 동일하다. 이러한 방식으로, 사용자는, 사용자가 예측 모델로부터 획득하기를 원하는 후보 생성 파라미터들에 대한 방식에 적어도 간접적으로 영향을 주거나 그를 결정할 수 있다. 특히, 심지어 실험실 생성이 비용이 많이 드는 환경들에서, 예상 정확도가 낮은 생성 파라미터들이 선험적으로 배제될 수 있다.
사용자는, 원재료들에 대해, 사용자 생성물 파라미터 표적들을 달성하기 위해 고려될 수 있는 어떠한 제한도 부과하지 않을 수도 있다. 그러나, 방법의 바람직한 실시예에 따르면, 사용자 입력은 컴퓨터 시스템에 미리 정의된 원재료들의 목록으로부터의 원재료들의 사용자 선택을 포함하며, 그에 의해, 중합체 제제에 대한 원재료들의 조합들을 정의하고, 그 제제 구성부분들은 원재료들의 사용자 선택으로부터 원재료 구성부분들을 특정한다. 그에 따라, 사용자는 사용자 생성물 파라미터 표적들을 달성하기 위해 예측 모델에 의해 생성될 그 원재료들을 제한할 수 있다. 이는, 일부 원재료들의 사용이 경제적, 논리적, 또는 다른 이유들로 인해 가능하지 않거나 효율적이지 않을 때, 또는 일부 다른 원재료들의 사용이 특히 바람직할 때 유용할 수 있다.
원칙적으로, 중합체의 생성에 사용되는 임의의 원재료는 그 원재료가 완성된 중합체 생성물에 존재하지 않는 경우라 하더라도 제제 구성부분들에 의해 특정될 수 있다. 방법의 추가적인 바람직한 실시예에 따르면, 사용자에 의해 선택되는 원재료들은 이소시아네이트 및 폴리올을 포함한다. 사용자에 의해 선택되는 원재료들은 또한, 복수의 이소시아네이트들 및/또는 복수의 폴리올들을 포함할 수 있다. 사용자에 의해 선택되는 원재료들은 또한 발포제를 포함할 수 있다. 바람직하게는, 사용자에 의해 선택되는 원재료들은, 사슬 연장제, 가교제, 폴리우레탄의 형성을 가속화하기 위한 촉매, 난연제, 안료, 및/또는 계면활성제를 더 포함한다. 추가로, 사용자에 의해 선택되는 원재료들은 임의의 종류의 충전제들을 포함할 수 있다.
사용자 생성물 파라미터 표적들은, 각각의 중합체 생성물 특성에 대한 하나의 특정 설정 값을 가질 뿐만 아니라 각각의 중합체 생성물 특성에 대한 복수의 설정 값들 또는 값 범위를 또한 제공함으로써 제공될 수 있다. 이러한 맥락에서, 방법의 바람직한 실시예는, 사용자 생성물 파라미터 표적들이 개개의 중합체 생성물 특성에 대한 적어도 하나의 생성물 파라미터 묶음을 포함하고, 이 생성물 파라미터 묶음은 그 중합체 생성물 특성에 대한 컴퓨터 시스템에 미리 정의된 최대 구성부분 범위 내의 하위 범위를 정의하고, 컴퓨터 시스템이, 각각의 생성물 파라미터 묶음 내의 복수의 생성물 파라미터 값들에 대해 결과적인 생성 파라미터들이 계산되도록 사용자 생성물 파라미터 표적들을 예측 모델에 적용하는 것을 특징으로 한다. 그에 따라, 그러한 생성물 파라미터 묶음이 제공될 때, 생성물 파라미터 묶음 내의 복수의 생성물 파라미터 값들에 대응하는 복수의 결과적인 생성 파라미터들이 또한 계산된다.
바람직하게는, 사용자 생성물 파라미터 표적들은, 개개의 중합체 생성물 특성들에 대한 복수의 생성물 파라미터 묶음을 포함한다. 복수의 중합체 생성물 특성들에 대해 그러한 개개의 생성물 파라미터 묶음이 제공될 때, 그에 따라서, 복수의 결과적인 생성 파라미터들은 복수의 생성물 파라미터 묶음으로부터의 생성물 파라미터 값들의 조합들의 세트에 대응할 수 있다.
하나의 그리고 동일한 중합체 생성물 특성에 대해 수 개의 생성물 파라미터 묶음이 또한 존재할 수 있다. 따라서, 사용자 생성물 파라미터 표적들은 적어도, 하나의 중합체 생성물 특성에 대해 복수의 겹치지 않는 생성물 파라미터 묶음을 포함하는 것이 바람직하다.
원칙적으로, 생성물 파라미터 묶음 내의 복수의 생성물 파라미터 값들은 임의적 방식으로 결정될 수 있다. 하나의 가능성은, 주어진 분해능 또는 세분성으로 생성물 파라미터 묶음을 스위핑하는 것이다. 그에 따라, 방법의 바람직한 실시예에 따르면, 사용자 생성물 파라미터 표적들은 각각의 생성물 파라미터 묶음에 대한 생성물 파라미터 분해능을 포함하고, 이 생성물 파라미터 분해능은 개개의 생성물 파라미터 묶음 내의 생성물 파라미터 값을 변화시키기 위한 단계 값을 정의하며, 컴퓨터 시스템은, 각각의 생성물 파라미터 묶음 내의 복수의 생성물 파라미터 값들이 단계 값에 따라 생성물 파라미터 값들을 변화시킴으로써 결정되도록, 사용자 생성물 파라미터 표적들을 예측 모델에 적용한다. 그러한 생성물 파라미터 분해능은 또한 생성물 파라미터 묶음마다 상이할 수 있다. 바람직하게는, 동일한 중합체 생성물 특성에 대한 2개의 생성물 파라미터 묶음의 개개의 생성물 파라미터 분해능이 상이하다.
기계 프로세스 특성들은 원칙적으로, 중합체 생성물의 생성에 수반되는 디바이스, 기계, 또는 공장에 적용되는 임의의 설정, 또는 그러한 디바이스, 기계, 또는 공장을 설명하는 임의의 일정한 특성에 관한 것일 수 있다. 특히, 사용자에 의해 설정가능한 기계 프로세스 설정들은, 중합체 생성물의 생성에서 기계의 동작을 가변적으로 조정하기 위한 기계 프로세스 설정들을 포함할 수 있다. 방법의 추가적인 바람직한 실시예에 따르면, 기계 프로세스 특성들, 바람직하게는, 사용자에 의해 설정가능한 기계 프로세스 설정들은, 구성요소 온도, 혼합 시간, 혼합 비율, 툴 온도, 배출 용량, 및/또는 라인 속도를 포함한다. 모든 설명된 기계 프로세스 특성들은 특히 중합체의 생성에 대한 것이다.
사용자 생성물 파라미터 표적들은, 예측 모델에 따라 특정될 수 있는 모든 중합체 생성물 특성들을 특정하는 것일 수도 있다. 또한, 사용자 생성물 파라미터 표적들은 특정가능한 생성물 특성들의 하위 세트만에 관한 것일 수도 있다. 따라서, 방법의 추가적인 바람직한 실시예에 따르면, 사용자 생성물 파라미터 표적들은, 선택가능한 중합체 생성물 특성들의 세트의 사용자에 의해 선택된 엄격한 하위 세트로 이루어진다. 또한, 사용자 생성물 파라미터 표적에 의해 특정되는 모든 각각의 중합체 생성물 특성에 동일한 중요도가 배정될 필요는 없다. 바람직하게는, 사용자 입력은 사용자 가중 인자들의 세트를 포함하며, 각각의 가중 인자는 사용자에 의해 선택되는 중합체 생성물 특성과 연관되고, 대응하는 사용자 생성물 파라미터 표적을 실현하기 위한 상대적인 중요도를 설명한다. 그에 따라, 각각의 사용자 생성물 파라미터 표적은 가중 인자에 기반하여 예측 모델에 의해 상이한 중요도로 처리될 수 있다.
원칙적으로, 예측 모델은, 임의의 방식으로 도달하고 임의의 고려사항들에 기반하여 생성될 수 있다. 그러나, 예측 모델이 바람직하게는 많은 양의 이력 제제 데이터에 기반할 수 있을 때 특히 도움이 된다. 그에 따라, 방법의 바람직한 실시예는, 컴퓨터 시스템 상에서 개개의 중합체 생성물에 대한 테스트 엔트리들을 포함하는 제제 데이터베이스가 제공되는 것을 특징으로 하며, 여기서, 각각의 테스트 엔트리는, 그 중합체 생성물과 연관된 중합체 생성물 특성 데이터를 포함하고, 그 중합체 생성물의 생성에 사용되는 원재료 구성부분들을 특정하는 제제 구성부분 데이터를 포함하고, 그 중합체 생성물의 생성 동안의 프로세스 특성들을 특정하는 처리 파라미터 데이터를 포함한다.
제제 데이터베이스는 단일 데이터베이스일 수 있거나, 상이한 종류들의 정보가 수 개의 데이터베이스들 각각에 저장되는 수 개의 데이터베이스들의 시스템일 수 있다.
중합체 생성물 특성 데이터는, 중합체 생성물 또는 복수의 그러한 생성물들로부터 측정되는 측정 데이터를 포함할 수 있다. 다시 말해서, 측정 데이터는, 테스트 엔트리에 따른 고화된 플라스틱 발포체 생성물의 테스트에 의해 획득되었을 수 있다. 고화된 플라스틱 발포체 생성물들의 이력 실험실 데이터베이스 및 대규모 생성 실행들이 그러한 데이터를 제공할 수 있다.
추가로, 중합체 생성물 특성 데이터는, 측정 데이터를 획득하기 위해 적용된 측정 프로세스를 설명하는 측정 환경 데이터를 포함할 수 있다. 이러한 측정 환경 데이터는, 측정 데이터를 획득할 때 적용된 측정 장치 특성들, 특히, 측정 장치 설정들을 설명할 수 있다. 측정 환경 데이터는 또한, 측정 데이터를 획득할 때의 주변 특성들을 포함할 수 있으며, 이 주변 특성들은 온도 및 압력을 포함할 수 있다.
추가로, 측정 데이터는 또한, 측정 데이터가 획득된 중합체 생성물의 취급 특성(usage property)들을 포함할 수 있으며, 이 취급 특성들은, 측정 데이터를 획득하기 전의 그 중합체 생성물의 취급을 설명한다. 예컨대, 이러한 취급 특성들은, 측정 데이터가 획득된 중합체 생성물의 저장 지속기간, 및 측정 데이터가 획득된 중합체 생성물의 저장 동안의 주변 특성들을 포함할 수 있다. 취급 특성들은 또한, 기계적 응력 및/또는 화학적 노출을, 바람직하게는 그 기계적 응력 및/또는 화학적 노출에 대한 시간 정보와 함께 포함할 수 있다. 취급 특성들은, 주어진 시간 범위 동안 가변적인 기계적 응력 및/또는 화학적 노출의 개개의 분포를 더 포함할 수 있다.
그러나, 중합체 특성 데이터에서 누락 값들이 발생할 수 있다. 바람직하게는, 중합체 특성 데이터는 재구성된 데이터를 포함한다. 따라서, 재구성된 데이터는 그러한 누락 값들을 채우는 역할을 한다. 그러한 재구성된 데이터는 분석 공식들을 적용함으로써 계산될 수 있다. 그러한 재구성된 데이터는 또한, 보간 또는 외삽, 통계적 분석, 및/또는 전문가 지식에 기반하여 결정될 수 있다. 누락 값들을 채우는 방식들은 통계적 분석들 및/또는 전문가 지식을 사용하는 것일 수 있다. 통계적 분석들은, 각각의 파라미터에 대한 주어진 값들에 기반하여 중간값, 평균 값, 기대 값들, 최소 또는 최대 값들을 제공할 수 있다. 전문가 지식은, 대응하는 생성 파라미터들 및 화학적 특성들을 갖는 유사한 제제들의 지식을 포함한다.
이력 및 측정 데이터를 사용하는 이점은, 그들에 기반하는 예측 모델이, 부정확한 것으로 밝혀질 수 있는 이론적 가정들에 의존할 필요가 없다는 것이다. 바람직하게는, 예측 모델은, 제제 데이터베이스에 대해 수치 해석 프로그램을 실행함으로써 생성된다. 원칙적으로, 임의의 종류의 수치 해석이 사용되어 예측 모델을 생성할 수 있다. 유리하게, 수치 해석 프로그램은 바람직하게는, 다변량 분석, 기계 학습, 심층 학습, 및/또는 인공 지능을 포함한다.
예측 모델이 중합체 생성물 특성들에 기반하여 생성 파라미터들을 계산하는 방식은 일반적으로 임의의 종류의 방식일 수 있다. 본 발명의 바람직한 실시예에 따르면, 예측 모델은, 입력 파라미터들로서의 중합체 생성물 특성들 및 출력 파라미터들로서의 생성 파라미터들과의 다중-변수 기능적 관계를 정의한다. 본원에서, 추가로, 컴퓨터 시스템이 예측 모델을 생성할 때, 입력 파라미터들과 출력 파라미터들 사이의 의존성은 제제 데이터베이스의 테스트 엔트리들에 예측 모델을 매칭시키기 위한 적합화(fitting) 알고리즘에 기반하는 것이 바람직하다. 이러한 적합화를 위해, 임의의 종류의 적합화 알고리즘이 사용될 수 있다. 예측 모델이 실제로 제제 데이터베이스의 테스트 엔트리들에 관해 어떤 의미에서든 최적일 필요는 없다는 것이 유의되어야 한다.
추가적인 바람직한 실시예에서, 예측 모델은, 제제 데이터베이스의 변경이 발생할 때, 특히, 새로운 테스트 엔트리가 제제 데이터베이스에 부가될 때 그리고/또는 새로운 데이터가 제제 데이터베이스의 기존 테스트 엔트리에 부가될 때, 특히 자동적으로 재-생성된다. 따라서, 임의의 진행 중인 새로운 측정이 예측 모델의 품질을 계속해서 증가시킨다.
제제 데이터베이스의 제제 구성부분들 및 처리 파라미터들 둘 모두를 조합된 그리고 그에 따라 단일화된 방식으로 분석하는 하나의 이점은, 한편으로는 제제 구성부분들 간의 하나 이상의 파라미터와 다른 한편으로는 처리 파라미터들 사이의 특정 관계들이 결정될 수 있다는 것이다. 그러한 관계들은, 이들이 개별적으로만 분석되는 경우에 발견되지 않은 채로 남아 있을 수 있다. 결과적으로, 본 발명의 추가적인 바람직한 실시예에 따르면, 컴퓨터 시스템이 예측 모델을 생성할 때, 컴퓨터 시스템은, 제제 구성부분 차원 및 처리 파라미터 차원 둘 모두를 수반하는 차원 축소를 실행한다. 바람직하게는, 차원 축소의 실행은, 생성 파라미터들보다 더 적은 주 구성요소들을 갖는 한 세트의 주 구성요소들을 결정하기 위해 주 구성요소 분석을 포함하고, 적어도 하나의 결정된 주 구성요소는 제제 구성부분 차원 및 처리 파라미터 차원 둘 모두를 포함한다.
일반적으로, 제제 데이터베이스로부터의 데이터의 수치 해석에 기반하여 예측 모델을 생성할 때, 예측 모델에 더 많은 데이터가 사용될수록 예측 모델은 보통 더 정확해진다. 그러나, 사용자 생성물 파라미터 표적의 특정 파라미터 구역만이 특정된 표적 생성물 특성들에 대해 관련성이 있는 것일 수도 있다. 그러한 상황들에서, 사용자 생성물 파라미터 표적의 그 파라미터 구역에 대한 예측 모델은, 예측 모델에 대한 데이터 기반이 관련 사용자 생성물 파라미터 표적에 대한 근접성 묶음 내로 제한될 때 더 정확할 수 있다. 이러한 방식으로, 근접성 묶음 밖의 이상치들이 관련 범위의 예측 모델에 영향을 주는 것이 방지된다. 따라서, 방법의 바람직한 실시예는, 사용자 입력이 개개의 사용자 생성물 파라미터 표적에 대한 적어도 하나의 근접성 묶음을 포함하고, 이 근접성 묶음은 그 사용자 생성물 파라미터 표적에 대한 컴퓨터 시스템에 미리 정의된 최대 특성 범위 내의 하위 범위를 정의하고, 컴퓨터 시스템이 예측 모델을 생성할 때, 입력 파라미터로서의 그 중합체 생성물 특성과의 기능적 관계를 결정하기 위해, 근접성 묶음 내의 그 중합체 생성물 특성이 있는 테스트 엔트리들만이 고려되는 것을 특징으로 한다.
본 발명에 따른 컴퓨터 시스템은, 중합체 생성물의 생성을 위한 생성 파라미터들을 결정하기 위한 것이다. 본 발명에 따른 컴퓨터 시스템은, 컴퓨터 배열부, 및 컴퓨터 배열부 상에 저장된 중합체 생성물 특성들에 기반하여 생성 파라미터들을 계산하기 위한 예측 모델을 포함하며, 이 생성 파라미터들은, 중합체의 생성을 위한 원재료 구성부분들을 특정하는 제제 구성부분들을 포함하고, 중합체의 생성 동안의 기계 프로세스 설정들을 특정하는 처리 파라미터들을 포함한다. 본 발명에 따른 컴퓨터 시스템에서, 컴퓨터 배열부는, 중합체 생성물 특성들을 특정하는 사용자 생성물 파라미터 표적들을 포함하는 사용자 입력을 수신하도록 구성되고, 사용자 생성물 파라미터 표적들과 연관된 중합체 생성물의 생성을 위한 결과적인 생성 파라미터들을 계산하기 위해 사용자 생성물 파라미터 표적들을 예측 모델에 적용하도록 추가로 구성된다. 컴퓨터 배열부는, 임의적 네트워크, 예컨대 인터넷에 의해 연결되는 하나 이상의 컴퓨터 디바이스를 포함할 수 있고, 따라서, 분산형 컴퓨터 배열부일 수 있다.
본 발명에 따른 컴퓨터 시스템의 바람직한 실시예들, 특징들, 및 이점들은 본 발명에 따른 방법의 바람직한 실시예들, 특징들, 및 이점들에 대응하고, 그 반대가 또한 가능하다.
추가적인 유리하고 바람직한 특징들은 도면들과 관련하여 다음의 설명에서 논의된다. 하기에서, 도면들에 다음이 도시된다.
도 1에서, 본 발명에 따른 방법의 실시예의 기능적 원리의 예시가 도시된다.
도 2에서, 본 발명의 실시예에 따른 컴퓨터 시스템이 도시된다.
도 1에서, 본 발명에 따른 방법의 실시예의 기능적 원리의 예시가 도시된다.
도 2에서, 본 발명의 실시예에 따른 컴퓨터 시스템이 도시된다.
본 발명에 따른 방법은, 본 예에서는 폴리우레탄인 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하는 데 사용된다. 더 일반적으로, 본 발명에 따른 방법의 사용자는, 여기서는 폴리우레탄 생성물인 중합체 생성물을 생성하기 위한 처리법을 식별하려고 시도한다. 요망되는 처리법은 생성 파라미터들(1)의 관점에서 이루어지며, 이는 여기서, 폴리우레탄 생성물의 생성에 사용되는 원재료의 개개의 비율을 설명하는 제제 구성부분들(2)의 관점에서 먼저 정의된다. 그에 따라, 생성 파라미터들(1)에 포함되는 제제 구성부분들(2)은, 제제 구성부분들(2)이 다차원적이라 하더라도, 여기서는 x-축인 하나의 축만을 따라 단순화된 방식으로 예시된다.
이러한 처리법은 두 번째로는 생성 파라미터들(1)에 또한 포함되는 처리 파라미터들(3)의 관점에서 설명되며, 이는, 제제 구성부분들(2)에 따른 구성성분들로부터 폴리우레탄 생성물을 생성하는 데 사용되는 기계의 특성들을 결정하며, 이는, 더 작은 규모로는 실험실의 기계 또는 더 큰 규모로는 공장의 기계의 설정들을 포함한다. 제제 구성부분들(2)처럼, 처리 파라미터들(3)이 또한, 처리 파라미터들(3)이 또한 다차원적이라 하더라도, 여기서는 y-축인 하나의 축만을 따라 단순화된 방식으로 예시된다.
제제 구성부분들(2) 및 처리 파라미터들(3)이 함께 그러한 처리법을 정의하는 생성 파라미터들(1)을 형성하지만, 생성 파라미터들(1)이 부가적인 정보를 포함하는 것이 가능하다.
사용자는, 여기서는 고화된 플라스틱 발포체 생성물 특성들인 중합체 생성물 특성들(4)을 설명하는 사용자 생성물 파라미터 표적들(5)에 따른 물리적 특성들을 결과적인 폴리우레탄 생성물이 나타내도록 특정 생성 파라미터들(1)을 식별하려고 노력한다. 그러한 중합체 생성물 특성들(4)은 여기서 폴리우레탄 생성물의 광범위한 물리적 또는 화학적 특성들, 이를테면, 밀도, 압축 강도, 치수 안정성, 내열성, 내화성 및 화재 시 방출을 포함한다. 도 1에서, 이러한 중합체 생성물 특성들(4) 전체가, 제제 구성부분들(2) 및 처리 파라미터들(3)에 대해 행해진 것처럼, 단지 명확화를 위해 하나의 축, 즉, z-축만을 따라 단순화된 방식으로 예시된다. 실제로, 중합체 생성물 특성들(4)은 값들의 어레이에 대응하고, 따라서, 다차원적이다.
사용자 생성물 파라미터 표적들(5)은, 특정 고객 요청으로부터 발생하거나, 또는 폴리우레탄 생성물이 특정 구성요소에서 사용되거나 더 큰 배열부에 대해 일부 특정 방식으로 사용될 수 있도록 결정될 수 있다.
이들이 설명하는 중합체 생성물 특성들(4)처럼, 사용자 생성물 파라미터 표적들(5)은, 실제로 이들이 수 개의 방향들로 연장된다 하더라도, 여기서는 중합체 생성물 특성들(4)에 대응하는 1차원 축을 따른 단일 값으로서 예시된다. 더욱이, 그리고 또한 도 1의 예시로부터 벗어나서, 사용자 생성물 파라미터 표적들(5)은 중합체 생성물 특성들(4)의 단일의 요망되는 값만을 특정하는 것이 아니라 오히려 값 묶음을 특정한다. 다시 말해서, 값 묶음 내의 임의의 값이 사용자 생성물 파라미터 표적들(5)에 따른 사양 내에 있는 것으로 간주된다.
신뢰 한계가 사용자 생성물 파라미터 표적들(5)과 연관되고 사용자 입력에 포함된다. 신뢰 한계는, 신뢰 값에 대한 하한, 즉, 제안된 방법에 의해 결정된 생성 파라미터들(1)에 따라 생성되는 중합체 생성물의 중합체 생성물 특성들(4)에 의해 사용자 생성물 파라미터 표적들(5)이 충족될 최소 예상 가능성을 설명한다. 생성 파라미터들(1)의 임의의 세트에 의해 연관된 신뢰 한계뿐만 아니라 임의의 신뢰 값이 숫자로 표현될 수 있다.
사용자는 이제, 도 2에 도시된, 컴퓨터 시스템의 컴퓨터 배열부(6)에 사용자 입력을 제공한다. 사용자 입력은, 고화된 플라스틱 발포체 생성물 특성들(4) 및 위의 신뢰 한계의 특정한 요망되는 값들을 특정하는 위의 사용자 생성물 파라미터 표적들(5)을 포함한다.
컴퓨터 시스템의 컴퓨터 디바이스(6)는, 사용자 생성물 파라미터 표적들(5)의 중합체 생성물 특성들(4)에 기반하여 생성 파라미터들(1)을 계산하기 위해, 컴퓨터 디바이스(6) 상에 저장된 예측 모델(7)을 활용한다. 이러한 예측 모델(7)은, 중합체 생성물 특성들(4)에 대응하는 1차원 입력, 및 제제 구성부분들(2) 및 처리 파라미터들(3)로 이루어진 2차원 입력을 갖는 함수로서 단순화된 방식으로 도 1에 도시된다. 실제로, 예측 모델(7)의 입력 및 출력 둘 모두가 다차원적일 수 있다.
사용자 생성물 파라미터 표적들(5)에 대해, 컴퓨터 시스템의 컴퓨터 디바이스(6)는 이제, 예측 모델(7)에 기반하여, 그리고 특히 사용자 생성물 파라미터 표적들(5)을 예측 모델(7)에 적용함으로써, 결과적인 생성 파라미터들(8)을 계산한다. 다시 말해서, 사용자 생성물 파라미터 표적들(5)은 예측 모델(7)에 의해 정의되는 함수에 대한 입력을 형성하고, 결과적인 생성 파라미터들(11)은 대응하는 출력을 형성한다.
이 경우에서, 도 1에 도시된 바와 같이, 사용자 생성물 파라미터 표적들(5)이 예측된 중합체 생성물 특성들(4)과 매칭하는 구역(12)이 존재한다. 이 경우에서는 비교적 보통의 매치 가능성만을 요구하는 위에 언급된 신뢰 한계에 기반하여, 컴퓨터 배열부(6)는, 구역(12)뿐만 아니라, 사용자 생성물 파라미터 표적들(5)과의 매치의 가능성이 있는, 구역(12)의 이웃(8)을 식별한다.
구역(12) 및 이웃(8)에 대응하는 복수의 생성 파라미터들(11)이 컴퓨터 배열부(6)에 의해 출력된다. 알 수 있는 바와 같이, 출력된 복수의 생성 파라미터들(11)은, 제제 구성부분들(2), 즉, 결과적인 제제 구성부분들(9)뿐만 아니라 처리 파라미터들, 즉, 결과적인 처리 파라미터들(10) 둘 모두에 대한 후보 값 묶음을 제공한다.
컴퓨터 디바이스(6)는, 폴리우레탄 생성물들의 생성 및 테스팅에 관한 이력 데이터로부터 컴파일된 폴리우레탄 제제들에 대한 복수의 테스트 엔트리들(15)이 있는 제제 데이터베이스(14)가 저장되는 메모리 유닛(13)을 포함한다. 예측 모델(7)은, 컴퓨터 디바이스(6)가, 제제 데이터베이스(14)의 데이터에 대해, 차원 축소 방법을 포함하는 다변량 분석, 예컨대 주 구성요소 분석, 및 적합화 단계를 수행함으로써 생성되었다. 도 1에서, 제제 데이터베이스(14)의 일부 예시적인 테스트 엔트리들(15)에 대한 테스트 폴리우레탄 생성물 특성 데이터(16)가 도시된다. 알 수 있는 바와 같이, 예측 모델(7)은, 예시적인 테스트 엔트리들(1)의 테스트 폴리우레탄 생성물 특성 데이터(16)에 대한 가장 적합한 근사치에 실질적으로 대응한다.
Claims (15)
- 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 방법으로서,
컴퓨터 시스템 상에서 중합체 생성물 특성들(4)에 기반하여 생성 파라미터들(1)을 계산하기 위한 예측 모델(7)이 제공되며, 상기 생성 파라미터들(1)은, 중합체의 생성을 위한 원재료 구성부분(portion)들을 특정하는 제제 구성부분들(2)을 포함하고, 중합체의 생성 동안의 프로세스 특성들을 특정하는 처리 파라미터들(3)을 포함하고, 상기 컴퓨터 시스템에 사용자 입력이 제공되고, 상기 사용자 입력은 상기 중합체 생성물 특성들(4)을 특정하는 사용자 생성물 파라미터 표적들(5)을 포함하고, 상기 컴퓨터 시스템은, 상기 사용자 생성물 파라미터 표적들(5)과 연관된 중합체 생성물의 생성을 위한 결과적인 생성 파라미터들(11)을 계산하기 위해 상기 사용자 생성물 파라미터 표적들(5)을 상기 예측 모델에 적용하는, 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 방법. - 제1항에 있어서,
상기 생성 파라미터들은 생성 동안의 기계 프로세스 특성들을 특정하는 기계 처리 파라미터들을 포함하고, 바람직하게는, 상기 결과적인 생성 파라미터들(11)의 상기 기계 프로세스 특성들은 상기 제제 구성부분들(2)에 따른 원재료들을 중합체의 생성을 위한 기계에 제공하도록 적용되고, 바람직하게는, 상기 기계 프로세스 특성들은 사용자에 의해 설정가능한 기계 프로세스 설정들을 포함하고, 상기 결과적인 생성 파라미터들(1)은, 상기 원재료들로부터 상기 기계에 의해 중합체 생성물이 생성되도록 중합체의 생성을 위한 상기 기계에서의 기계 프로세스 설정들을 선택하게 적용되는 것을 특징으로 하는, 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 방법. - 제1항 또는 제2항에 있어서,
상기 예측 모델(7)은, 상기 사용자 생성물 파라미터 표적들(5)이 상기 예측 모델(7)에 적용될 때 상기 결과적인 생성 파라미터들(11)에 대한 결과적인 신뢰 값을 결정하고, 상기 신뢰 값은 상기 중합체 생성물의 상기 사용자 생성물 파라미터 표적들(5)에 관한 정확도를 설명하는 것을 특징으로 하는, 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 방법. - 제1항 내지 제3항 중 어느 한 항에 있어서,
상기 예측 모델(7)은, 상기 사용자 생성물 파라미터 표적들(5)이 상기 예측 모델(7)에 적용될 때 상기 사용자 생성물 파라미터 표적들(5)과 연관된 복수의 중합체 생성물들의 생성을 위한 복수의 결과적인 생성 파라미터들(11)을 계산하고, 바람직하게는, 상기 예측 모델(7)은, 상기 사용자 생성물 파라미터 표적들(5)이 상기 예측 모델(7)에 적용될 때 상기 결과적인 생성 파라미터들(11) 각각에 대한 결과적인 신뢰 값을 결정하는 것을 특징으로 하는, 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 방법. - 제4항에 있어서,
상기 사용자 입력은 상기 결과적인 생성 파라미터들(11)에 대한 최소 신뢰 값을 특정하는 사용자 신뢰 한계를 포함하고, 상기 결과적인 생성 파라미터들(11) 각각에 대한 상기 결과적인 신뢰 값은 적어도 상기 사용자 신뢰 한계와 동일한 것을 특징으로 하는, 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 방법. - 제1항 내지 제5항 중 어느 한 항에 있어서,
상기 사용자 입력이 상기 컴퓨터 시스템에 미리 정의된 원재료들의 목록으로부터의 원재료들의 사용자 선택을 포함함으로써, 중합체 제제에 대한 원재료들의 조합들을 정의하고, 상기 제제 구성부분들(2)은 상기 원재료들의 사용자 선택으로부터의 원재료 구성부분들을 특정하는 것을 특징으로 하는, 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 방법. - 제6항에 있어서,
상기 원재료들의 사용자 선택은 이소시아네이트 및 폴리올을 포함하고, 특히, 발포제를 또한 포함하고, 바람직하게는, 사슬 연장제, 가교제, 폴리우레탄의 형성을 가속화하기 위한 촉매, 난연제, 안료, 및/또는 계면활성제를 더 포함하는 것을 특징으로 하는, 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 방법. - 제1항 내지 제7항 중 어느 한 항에 있어서,
상기 사용자 생성물 파라미터 표적들(5)은 개개의 중합체 생성물 특성(4)에 대한 적어도 하나의 생성물 파라미터 묶음을 포함하고, 상기 생성물 파라미터 묶음은 상기 중합체 생성물 특성(4)에 대한 상기 컴퓨터 시스템에 미리 정의된 최대 구성부분 범위 내의 하위 범위를 정의하고, 상기 컴퓨터 시스템은, 각각의 생성물 파라미터 묶음 내의 복수의 생성물 파라미터 값들에 대해 상기 결과적인 생성 파라미터들(11)이 계산되도록 상기 사용자 생성물 파라미터 표적들(5)을 상기 예측 모델(7)에 적용하고, 바람직하게는, 상기 사용자 생성물 파라미터 표적들(5)은 적어도, 하나의 중합체 생성물 특성(4)에 대한 복수의 겹치지 않는 생성물 파라미터 묶음을 포함하는 것을 특징으로 하는, 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 방법. - 제8항에 있어서,
상기 사용자 생성물 파라미터 표적들(5)은 상기 각각의 생성물 파라미터 묶음에 대한 생성물 파라미터 분해능을 포함하고, 상기 생성물 파라미터 분해능은 개개의 생성물 파라미터 묶음 내에서 생성물 파라미터 값을 변화시키기 위한 단계 값을 정의하고, 상기 컴퓨터 시스템은, 상기 각각의 생성물 파라미터 묶음 내의 상기 복수의 생성물 파라미터 값들이 상기 단계 값에 따라 상기 생성물 파라미터 값들을 변화시킴으로써 결정되도록 상기 사용자 생성물 파라미터 표적들(5)을 상기 예측 모델(7)에 적용하고, 바람직하게는, 동일한 중합체 생성물 특성(4)에 대한 2개의 생성물 파라미터 묶음의 개개의 생성물 파라미터 분해능이 상이한 것을 특징으로 하는, 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 방법. - 제1항 내지 제9항 중 어느 한 항에 있어서,
상기 프로세스 특성들, 바람직하게는 기계 프로세스 특성들, 특히, 사용자에 의해 설정가능한 기계 프로세스 설정들은, 구성요소 온도, 혼합 시간, 혼합 비율, 툴 온도, 배출 용량, 및/또는 라인 속도를 포함하는 것을 특징으로 하는, 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 방법. - 제1항 내지 제10항 중 어느 한 항에 있어서,
상기 사용자 생성물 파라미터 표적들(5)은 선택가능한 중합체 생성물 특성들(4)의 세트의 사용자에 의해 선택되는 엄격한 하위 세트로 이루어지고, 바람직하게는, 상기 사용자 입력은, 사용자 가중 인자들의 세트를 포함하고, 각각의 가중 인자는, 사용자에 의해 선택되는 중합체 생성물 특성(4)과 연관되고, 대응하는 사용자 생성물 파라미터 표적(5)을 실현하기 위한 상대적인 중요도를 설명하는 것을 특징으로 하는, 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 방법. - 제1항 내지 제11항 중 어느 한 항에 있어서,
상기 컴퓨터 시스템 상에서 개개의 중합체 생성물에 대한 테스트 엔트리들(15)을 포함하는 제제 데이터베이스(14)가 제공되고, 각각의 테스트 엔트리(15)는, 상기 중합체 생성물과 연관된 중합체 생성물 특성 데이터를 포함하고, 상기 중합체 생성물의 생성에 사용되는 원재료 구성부분들을 특정하는 제제 구성부분 데이터를 포함하고, 상기 중합체 생성물의 생성 동안의 프로세스 특성들을 특정하는 처리 파라미터 데이터를 포함하고, 바람직하게는, 상기 예측 모델(7)은, 상기 제제 데이터베이스(14)에 대해, 더 바람직하게는 기계 학습을 포함하는 수치 해석 프로그램을 실행함으로써 생성되는 것을 특징으로 하는, 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 방법. - 제10항에 있어서,
상기 예측 모델(7)은 입력 파라미터들로서의 상기 중합체 생성물 특성들(4) 및 출력 파라미터들로서의 상기 생성 파라미터들(1)과의 다중-변수 기능적 관계를 정의하고, 바람직하게는, 상기 컴퓨터 시스템이 상기 예측 모델(7)을 생성할 때, 상기 입력 파라미터들과 상기 출력 파라미터들 사이의 의존성은 제제 데이터베이스(4)의 테스트 엔트리들(15)에 상기 예측 모델(7)을 매칭시키기 위한 적합화(fitting) 알고리즘에 기반하는 것을 특징으로 하는, 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 방법. - 제11항에 있어서,
상기 컴퓨터 시스템이 상기 예측 모델(7)을 생성할 때, 상기 컴퓨터 시스템은, 제제 구성부분 차원 및 처리 파라미터 차원 둘 모두를 수반하는 차원 축소를 실행하고, 바람직하게는, 상기 차원 축소는, 상기 생성 파라미터들보다 더 적은 주 구성요소들을 갖는 한 세트의 주 구성요소들을 결정하기 위해 주 구성요소 분석을 포함하고, 적어도 하나의 결정된 주 구성요소는 상기 제제 구성부분 차원 및 상기 처리 파라미터 차원 둘 모두를 포함하는 것을 특징으로 하는, 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 방법. - 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 컴퓨터 시스템으로서,
컴퓨터 배열부(6), 및 상기 컴퓨터 배열부(6) 상에 저장되는 중합체 생성물 특성들(4)에 기반하여 생성 파라미터들(1)을 계산하기 위한 예측 모델(7)을 포함하며, 상기 생성 파라미터들(1)은, 중합체의 생성을 위한 원재료 구성부분들을 특정하는 제제 구성부분들(2)을 포함하고, 중합체의 생성 동안의 프로세스 특성들을 특정하는 처리 파라미터들(3)을 포함하고, 상기 컴퓨터 배열부(6)는, 상기 중합체 생성물 특성들(4)을 특정하는 사용자 생성물 파라미터 표적들(5)을 포함하는 사용자 입력을 수신하도록 구성되고, 상기 사용자 생성물 파라미터 표적들(5)과 연관된 중합체 생성물의 생성을 위한 결과적인 생성 파라미터들(11)을 계산하기 위해 상기 사용자 생성물 파라미터 표적들(5)을 상기 예측 모델(7)에 적용하도록 추가로 구성되는, 중합체 생성물의 생성을 위한 생성 파라미터들(1)을 결정하기 위한 컴퓨터 시스템.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP18178184.0A EP3584007A1 (en) | 2018-06-18 | 2018-06-18 | Method and computer system for determining production parameters for the production of a polymeric product |
| EP18178184.0 | 2018-06-18 | ||
| PCT/EP2019/065246 WO2019243115A1 (en) | 2018-06-18 | 2019-06-11 | Method and computer system for determining production parameters for the production of a polymeric product |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210019018A true KR20210019018A (ko) | 2021-02-19 |
Family
ID=62837563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020207036058A KR20210019018A (ko) | 2018-06-18 | 2019-06-11 | 중합체 생성물의 생성을 위한 생성 파라미터들을 결정하기 위한 방법 및 컴퓨터 시스템 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20210129106A1 (ko) |
| EP (2) | EP3584007A1 (ko) |
| JP (1) | JP2021528533A (ko) |
| KR (1) | KR20210019018A (ko) |
| CN (1) | CN112423876A (ko) |
| WO (1) | WO2019243115A1 (ko) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20240047014A1 (en) * | 2020-12-24 | 2024-02-08 | Basf Se | Formulation generation |
| EP4163921A1 (en) * | 2021-10-06 | 2023-04-12 | Covestro Deutschland AG | Program, information processing apparatus, system, server, terminal, and method for obtaining a recipe for obtaining a target polyurethane foam physical property |
| CN114201905B (zh) * | 2021-11-19 | 2022-12-09 | 苏州美昱高分子材料有限公司 | 一种改性粒子的生产方法和装置 |
| CN115113596B (zh) * | 2022-07-13 | 2023-09-08 | 浙江高裕家居科技股份有限公司 | 一种基于质量监测的聚氨酯材料生产参数调节方法及系统 |
| KR102601260B1 (ko) * | 2023-05-31 | 2023-11-13 | 송강산업(주) | 제지용 충전제의 선응집 효과를 개선시킨 기계적 반응 시스템 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5687090A (en) * | 1994-09-01 | 1997-11-11 | Aspen Technology, Inc. | Polymer component characterization method and process simulation apparatus |
| US6093211A (en) * | 1998-04-09 | 2000-07-25 | Aspen Technology, Inc. | Polymer property distribution functions methodology and simulators |
| US6862562B1 (en) * | 1999-10-05 | 2005-03-01 | Aspen Technology, Inc. | Computer method and apparatus for determining state of physical properties in a chemical process |
| US20050091021A1 (en) * | 2003-10-27 | 2005-04-28 | Anurag Gupta | Method and apparatus for controlling polyolefin reactor temperature |
| DE102006031268A1 (de) * | 2006-07-06 | 2008-01-10 | Krauss Maffei Gmbh | Vorrichtung und Verfahren zur benutzerspezifischen Überwachung und Regelung der Produktion |
| TW200902558A (en) * | 2007-02-16 | 2009-01-16 | Univation Tech Llc | Method for on-line monitoring and control of polymerization processes and reactors to prevent discontinuity events |
| US9110462B2 (en) * | 2010-05-04 | 2015-08-18 | Frito-Lay North America, Inc. | Batch control using bang-bang control |
| US9046882B2 (en) * | 2010-06-30 | 2015-06-02 | Rockwell Automation Technologies, Inc. | Nonlinear model predictive control of a batch reaction system |
| WO2012009630A1 (en) * | 2010-07-16 | 2012-01-19 | Georgia Tech Research Corporation | Fabricating parts from photopolymer resin |
| US10354929B2 (en) * | 2012-05-08 | 2019-07-16 | Kla-Tencor Corporation | Measurement recipe optimization based on spectral sensitivity and process variation |
| CN104813324B (zh) * | 2012-08-09 | 2017-09-05 | 珀金埃尔默健康科学公司 | 用于从质谱法输出识别聚合物物种的方法及设备 |
| US10494471B2 (en) * | 2013-03-15 | 2019-12-03 | Basf Se | System and method for forming a polyurethane foam including on demand introduction of additive to resin component |
| KR102202990B1 (ko) * | 2014-10-01 | 2021-01-13 | 어드밴스드 폴리머 모니터링 테크놀로지스, 인크. | 자동 연속 온라인 모니터링을 사용한 중합체 반응 및 가공의 제어를 위한 시스템 및 방법 |
| JP6959190B2 (ja) * | 2018-07-24 | 2021-11-02 | 旭化成エレクトロニクス株式会社 | 学習処理装置、学習処理方法、化合物半導体の製造方法およびプログラム |
-
2018
- 2018-06-18 EP EP18178184.0A patent/EP3584007A1/en not_active Ceased
-
2019
- 2019-06-11 CN CN201980041024.2A patent/CN112423876A/zh active Pending
- 2019-06-11 WO PCT/EP2019/065246 patent/WO2019243115A1/en unknown
- 2019-06-11 KR KR1020207036058A patent/KR20210019018A/ko unknown
- 2019-06-11 US US17/252,985 patent/US20210129106A1/en not_active Abandoned
- 2019-06-11 EP EP19729295.6A patent/EP3806993A1/en not_active Withdrawn
- 2019-06-11 JP JP2020570193A patent/JP2021528533A/ja not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021528533A (ja) | 2021-10-21 |
| WO2019243115A1 (en) | 2019-12-26 |
| US20210129106A1 (en) | 2021-05-06 |
| CN112423876A (zh) | 2021-02-26 |
| EP3584007A1 (en) | 2019-12-25 |
| EP3806993A1 (en) | 2021-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20210019018A (ko) | 중합체 생성물의 생성을 위한 생성 파라미터들을 결정하기 위한 방법 및 컴퓨터 시스템 | |
| US20210265023A1 (en) | Method and computer system for determining polymeric product properties | |
| US20180178430A1 (en) | Methods of setting a shaping machine | |
| US7239991B2 (en) | Manufacturing design and process analysis and simulation system | |
| US7917234B2 (en) | Manufacturing design and process analysis system | |
| US10324442B2 (en) | Iterative method and production control unit for controlling production process | |
| Zhang et al. | Fast adaptive modeling method for build time estimation in additive manufacturing | |
| CN1416540A (zh) | 过程控制系统 | |
| CN111024484B (zh) | 纤维增强复合材料随机力学性能预测方法 | |
| Jeang | Robust product design and process planning in using process capability analysis | |
| WO2018046948A1 (en) | Three-dimensional shape error detection | |
| EP3850593B1 (en) | Method for improving prediction relating to the production of a polymeric product | |
| Dao et al. | Error estimation of polynomial chaos approximations in transient structural dynamics | |
| Yu et al. | Offline prediction of process windows for robust injection molding | |
| Chandra | Software effort estimation: a fuzzy logic approach | |
| Skruch et al. | A Model-Based Approach to Testing Software Control Systems Described by Linear Differential Equations | |
| Wójcicki et al. | Minimization of energy consumption of a machine tool: a multi-level approach | |
| Gaido et al. | Evaluation of alternative injection strategies with variability consideration in injection molding | |
| Schnerr‐Häselbarth et al. | Automation of online quality control in injection moulding | |
| Nieciąg | Improvement of simulation method in validation of software of the coordinate measuring systems | |
| CN114650905A (zh) | 用于改进注入模制处理的方法和系统 | |
| Volar et al. | Application of Modern Experimental Strategy for Parameters of a Reconfigurable Die | |
| Pashchenko | Consistent approaches for structural identification of nonlinear systems and their implementation | |
| Nguyen et al. | Modeling of Product Formulations Using a Latent Variable Approach |