KR20220104416A - 기상 합성으로 생성된 분말 크기 예측 방법 - Google Patents
기상 합성으로 생성된 분말 크기 예측 방법 Download PDFInfo
- Publication number
- KR20220104416A KR20220104416A KR1020210006651A KR20210006651A KR20220104416A KR 20220104416 A KR20220104416 A KR 20220104416A KR 1020210006651 A KR1020210006651 A KR 1020210006651A KR 20210006651 A KR20210006651 A KR 20210006651A KR 20220104416 A KR20220104416 A KR 20220104416A
- Authority
- KR
- South Korea
- Prior art keywords
- powder
- computational simulation
- process conditions
- information
- computational
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 146
- 239000012808 vapor phase Substances 0.000 title claims abstract description 7
- 239000002245 particle Substances 0.000 title claims description 56
- 239000000843 powder Substances 0.000 claims abstract description 156
- 238000005094 computer simulation Methods 0.000 claims abstract description 124
- 230000008569 process Effects 0.000 claims abstract description 76
- 238000004519 manufacturing process Methods 0.000 claims abstract description 50
- 230000008859 change Effects 0.000 claims abstract description 36
- 238000010801 machine learning Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012546 transfer Methods 0.000 claims abstract description 20
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 8
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 239000000112 cooling gas Substances 0.000 abstract description 11
- 239000007789 gas Substances 0.000 description 25
- 239000002243 precursor Substances 0.000 description 11
- 238000001816 cooling Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 239000000470 constituent Substances 0.000 description 5
- 239000012071 phase Substances 0.000 description 5
- 229910021586 Nickel(II) chloride Inorganic materials 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- QMMRZOWCJAIUJA-UHFFFAOYSA-L nickel dichloride Chemical compound Cl[Ni]Cl QMMRZOWCJAIUJA-UHFFFAOYSA-L 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000001308 synthesis method Methods 0.000 description 3
- 239000012159 carrier gas Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 150000001247 metal acetylides Chemical class 0.000 description 1
- 150000004767 nitrides Chemical class 0.000 description 1
- 230000006911 nucleation Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/1031—Investigating individual particles by measuring electrical or magnetic effects
Landscapes
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
전산 모사 및 머신러닝을 이용하여 기상 합성으로 생성된 분말의 크기를 예측하는 방법이 개시된다. 이는 입자거동방정식(GDE) 기반의 제2 전산모사를 수행하기 전에 열전달 해석 기반의 제1 전산모사를 수행하여 분말의 온도 변화 정보를 획득하고, 획득한 분말의 온도 변화 정보를 이용하여 제2 전산모사를 수행함으로써 예측한 분말 크기의 정확도를 향상시킬 수 있다. 또한, 실제 분말 제조시 분말의 온도 변화에 영향을 미치는 플라즈마의 파워 및 냉각 가스의 투입량 등의 공정 조건들을 열전달 해석 기반의 제1 전산모사 수행시 적용할 수 있기 때문에 공정 조건에 따라 변화하는 분말의 크기 분포 변화도 예측 가능하다.
Description
본 발명은 분말 크기 예측 방법에 관한 것으로, 더욱 상세하게는 전산 모사 및 머신러닝을 이용하여 기상 합성으로 생성된 분말의 크기를 예측하는 방법에 관한 것이다.
3D 프린팅 또는 촉매 기술 등에 사용되는 적정한 분말의 크기를 예측하기 위해 머신러닝(machine learning) 방식이 이용된다. 분말의 크기를 예측하기 위한 머신러닝 모델을 훈련하기 위해서는 머신러닝 모델을 훈련시키기 위한 많은 데이터가 요구되나, 이러한 데이터를 수집하기 위해 실제 실험을 통해 얻은 결과 데이터를 이용하기에는 많은 비용과 시간이 요구된다.
이러한 비용과 시간을 절감하기 위해 분말의 크기를 예측할 수 있는 전산모사 기법이 이용된다. 일반적으로 분말의 크기를 예측할 수 있는 전산모사 기법으로 입자거동방정식(General Dynamic Equation, GDE)을 이용한 전산모사 기법이 이용되고 있다.
입자거동방정식(GDE)을 이용한 분말 크기 예측 방법은 열역학, 동역학적인 현상들을 타임스텝마다 계산하고, 일정한 냉각률(cooling rate)에 의해 실온까지 냉각시키면서 온도 변화를 계산하여 분말의 크기 분포(size distribution)를 수집하는 방식으로, 입자거동방정식(GDE)에 사용되는 열역학, 동역학적인 식들은 주로 온도를 기반으로 하여 값이 결정된다. 허나, 이러한 입자거동방정식(GDE)만을 이용한 분말 크기 예측 방법은 단순히 추정한 냉각률을 전산모사에 입력하기 때문에 반응기 내에서 분말이 갖는 온도의 변화를 알 수 없어 정확한 분말의 크기 분포를 획득할 수 없는 단점을 갖는다.
본 발명이 이루고자 하는 기술적 과제는 기상 합성으로 생성된 분말 크기를 열전달해석 기반의 제1 전산모사, 절점 입자거동방정식 기반의 제2 전산모사 및 머신러닝 모델의 훈련을 통해 예측함으로써 실제 실험으로 발생되는 비용 및 시간을 절감할 수 있는 기상 합성으로 생성된 분말 크기 예측 방법을 제공하는데 있다.
상술한 과제를 해결하기 위한 본 발명의 분말 크기 예측 방법은 제1 전산모사 기법을 이용하여 공정 조건에 따라 제조되는 분말의 시간에 따른 온도 변화 정보 및 질량농도 정보를 추출하는 단계, 상기 추출된 분말의 시간에 따른 온도 변화 정보 및 질량농도 정보를 이용하여 제2 전산모사 기법을 통해 상기 공정 조건에 따른 분말의 중간 입도(d50) 정보를 추출하는 단계 및 상기 추출된 분말의 중간 입도를 이용하여 머신러닝 모델을 훈련시키는 단계를 포함한다.
상기 제1 전산모사 기법을 이용하는 단계는, 상기 분말 제조를 위한 분말 제조 반응기를 모델링하는 단계, 상기 분말 제조를 위한 공정 조건을 생성하는 단계 및 상기 공정 조건을 상기 분말 제조 반응기에 입력하여 상기 제1 전산모사를 수행하는 단계를 포함할 수 있다.
상기 모델링 단계에서 모델링되는 상기 분말 제조 반응기는 기상 합성법(Vapor-phase synthesis)을 이용하여 분말을 제조하기 위한 분말 제조 반응기일 수 있다.
상기 공정 조건을 생성하는 단계는, 상기 분말 제조 반응기에 입력되는 입력 데이터들을 선정하는 단계, 상기 입력 데이터들의 데이터값에 대한 범위를 한정하는 단계 및 상기 한정된 범위 내에서 상기 입력 데이터들을 임의로 조합하여 다수의 공정 조건을 생성하는 단계를 포함할 수 있다.
상기 제1 전산모사 기법은 열전달 해석(Heat Transfer Analysis) 기법을 이용한 전산모사 기법일 수 있다.
상기 제2 전산모사 기법을 이용하는 단계는, 상기 제2 전산모사를 수행하기 위해 요구되는 전산정보와 상기 분말의 시간에 따른 온도 변화 정보 및 질량정보를 수집하는 단계, 상기 전산정보와 상기 분말의 시간에 따른 온도 변화 정보 및 질량정보를 이용하여 상기 제2 전산모사를 수행하는 단계, 상기 공정 조건에 따른 분말의 크기 분포를 수집하는 단계 및 상기 수집된 분말의 크기 분포를 이용하여 상기 공정 조건별 중간 입도를 계산하는 단계를 포함할 수 있다.
상기 제2 전산모사 기법은 입자거동방정식(General Dynamic Equation)을 기반으로 한 절점 입자거동방정식(Nodal General Dynamic Equation) 기법을 이용한 전산모사 기법일 수 있다.
상기 머신러닝 모델을 훈련시키는 단계는, 상기 공정 조건을 입력으로 하고, 상기 공정 조건에 따라 추출된 분말의 중간 입도 정보를 출력으로 하는 머신러닝 모델을 반복하여 훈련시키는 단계 및 상기 훈련된 머신러닝을 이용하여 상기 공정 조건에 따른 중간 입도를 예측하는 단계를 포함할 수 있다.
상기 머신러닝 모델은 인공 신경망(Artificial Neural Network)의 알고리즘을 이용하여 훈련될 수 있다.
상술한 본 발명에 따르면, 입자거동방정식 기반의 제2 전산모사를 수행하기 전에 열전달 해석 기반의 제1 전산모사를 수행하여 분말의 온도 변화 정보를 획득하고, 획득한 분말의 온도 변화 정보를 이용하여 제2 전산모사를 수행함으로써 예측한 분말 크기의 정확도를 향상시킬 수 있다.
또한, 실제 분말 제조시 분말의 온도 변화에 영향을 미치는 플라즈마의 파워 및 냉각 가스의 투입량 등의 공정 조건들을 열전달 해석 기반의 제1 전산모사 수행시 적용할 수 있기 때문에 공정 조건에 따라 변화하는 분말의 크기 분포 변화도 예측 가능하다.
본 발명의 기술적 효과들은 이상에서 언급한 것들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 분말 크기 예측 방법을 개략적으로 나타낸 순서도이다.
도 2는 본 발명의 제1 전산모사 단계를 간략히 나타낸 순서도이다.
도 3은 본 발명의 제2 전산모사 단계를 간략히 나타낸 순서도이다.
도 4는 본 발명의 머신러닝 훈련 단계를 간략히 나타낸 순서도이다.
도 5는 본 발명의 실시예에 따른 분말 크기 예측 방법을 나타낸 순서도이다.
도 6은 본 발명의 제1 전산모사를 위한 분말 제조 반응기의 모델링을 나타낸 도면이다.
도 7은 도 6에 도시한 분말 제조 반응기의 전산모사 수행 결과를 나타낸 도면이다.
도 8은 본 발명의 제2 전산모사를 통해 수집한 분말의 크기 분포를 나타낸다.
도 2는 본 발명의 제1 전산모사 단계를 간략히 나타낸 순서도이다.
도 3은 본 발명의 제2 전산모사 단계를 간략히 나타낸 순서도이다.
도 4는 본 발명의 머신러닝 훈련 단계를 간략히 나타낸 순서도이다.
도 5는 본 발명의 실시예에 따른 분말 크기 예측 방법을 나타낸 순서도이다.
도 6은 본 발명의 제1 전산모사를 위한 분말 제조 반응기의 모델링을 나타낸 도면이다.
도 7은 도 6에 도시한 분말 제조 반응기의 전산모사 수행 결과를 나타낸 도면이다.
도 8은 본 발명의 제2 전산모사를 통해 수집한 분말의 크기 분포를 나타낸다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
이하, 본 발명에 따른 실시 예들을 첨부도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 분말 크기 예측 방법을 개략적으로 나타낸 순서도이다.
도 1을 참조하면, 본 발명에 따른 분말 크기 예측 방법은 제1 전산모사를 수행하는 단계(S100), 제2 전산모사를 수행하는 단계(S200) 및 머신러닝 모델을 훈련시키는 단계(S300)를 포함한다.
제1 전산모사를 수행하는 단계(S100)에서는 공정 조건에 따라 제조되는 분말의 시간에 따른 온도 변화 정보 및 분말을 제조하기 위한 구성물질의 농도 등 제2 전산모사를 수행하기 위한 다양한 정보가 추출될 수 있다.
일예로, 분말 제조를 위한 공정으로 기상 합성법(vapor-phase synthesis)을 이용한 분말 제조 공정이 이용될 수 있다. 또한, 제1 전산모사 기법은 열전달 해석(Heat Transfer Analysis) 기법을 이용한 전산모사 기법일 수 있다. 열전달 해석 기법은 온도차에 의한 열흐름과 이에 따른 온도분포 및 변화 정보 등을 수집하기 위해 이용되는 전산모사 기법이다. 이러한 열전달 해석 기법을 통해 분말의 시간에 따른 온도 변화 정보 등이 수집될 수 있다.
도 2는 본 발명의 제1 전산모사 단계를 간략히 나타낸 순서도이다.
도 2를 참조하면, 본 발명에 따른 제1 전산모사를 수행하는 단계(S100)는 제1 전산모사를 수행하기 위한 분말 제조 반응기를 모델링하는 단계(S110), 분말 제조를 위한 공정 조건을 생성하는 단계(S120) 및 공정 조건을 분말 제조 반응기에 입력하여 제1 전산모사를 수행하는 단계(S130)를 포함할 수 있다.
제1 전산모사를 수행하기 위한 분말 제조 반응기의 모델링 단계(S110)에서는 일예로, 분말 제조를 위한 실제 기상 합성법을 이용한 분말 제조 반응기가 모델링될 수 있다. 즉, 모델링을 통해 보다 정확한 정보를 수집하기 위해서는 실제 기상 합성법을 이용한 분말 제조 반응기와 최대한 근접하도록 모델링하여 모델링 차이에 따른 오차를 줄이는 것이 바람직하다.
모델링 후에는 제1 전산모사를 수행하기 위한 필요한 정보들이 수집될 수 있다. 일예로, 모델링된 분말 제조 반응기를 열전달 해석 기법을 이용하여 전산모사를 수행하기 위해 열전달 해석에 필요한 기본 정보들이 수집될 수 있다. 기본 정보들은 일예로, 전구체의 화학 반응식 및 반응속도식, 전산모사에 고려되는 물질들의 열물리학적 성질 등이 포함될 수 있다.
분말 제조를 위한 공정 조건 생성 단계(S120)에서는 분말 제조 반응기를 이용해 분말을 제조하기 위한 공정 조건이 선정될 수 있다.(S121) 즉, 공정 조건은 열전달 해석을 위해 모델링된 분말 제조 반응기에 입력되는 입력 데이터일 수 있다. 일예로, 공정 조건을 위한 입력 데이터로는 전구체의 가스 종류, 전구체 가스의 투입량, 플라즈마 가스, 냉각 가스 및 마이크로웨이브 파워 등 분말을 제조하기 위해 필요한 공정 조건일 수 있다.
입력 데이터가 선정되면, 선정된 입력 데이터의 데이터값에 대한 범위가 설정될 수 있다.(S122) 일예로, 전구체 가스, 플라즈마 가스 또는 냉각 가스의 종류에 따른 가스 투입량의 최대 최소값, 입력되는 마이크로웨이브 파워의 최대 최소값이 설정될 수 있다.
입력 데이터들의 데이터값에 대한 범위를 설정한 후에는 설정된 범위 내에서 입력 데이터들을 조합함으로써 분말 제조를 위한 하나의 공정 조건이 형성될 수 있고, 이러한 입력 데이터들을 임의로 조합하여 다수의 공정 조건들이 선정될 수 있다.(S123)
분말 제조를 위한 공정 조건이 선정되면, 모델링된 분말 제조 반응기와 선정된 공정 조건을 이용하여 제1 전산모사가 수행(S130)될 수 있다. 제1 전산모사는 상기한 바와 같이 열전달 해석 기법을 이용한 전산모사 기법으로, 제1 전산모사 수행을 통해 생성 분말의 반응기 내에서의 시간에 따른 온도 변화, 반응기 내부의 기체 중 각 구성물질의 농도 및 압력 등의 정보가 수집될 수 있다.
일예로, 열전달 해석 전산모사의 기능 중 입자 추적(particle tracking) 기능을 이용하여 분말의 시간에 따른 온도 변화를 추출할 수 있다. 입자 추적 기능은 입자를 임의의 지점에서 생성시켜 입자가 모델링된 반응기 외부로 나갈 때까지 입자의 여러 정보를 표시해주는 기능으로써, 이러한 입자 추적 기능을 이용하여 분말이 플라즈마 생성 지점으로부터 반응기 외부로 나갈 때까지 분말의 시간에 따른 온도 변화를 알아낼 수 있다.
이러한 제1 전산모사를 통해 추출된 정보들, 일예로 분말의 반응기 내에서의 시간에 따른 온도 변화, 반응기 내부의 기체 중 각 구성물질의 농도 및 압력 등의 정보는 후술하는 제2 전산모사를 수행하기 위한 입력 데이터로써 이용될 수 있다.
제2 전산모사를 수행하는 단계(S200)에서는 제1 전산모사를 통해 추출된 정보를 이용하여 공정 조건에 따른 분말의 중간 입도(d50) 정보가 추출될 수 있다. 여기서 중간 입도(d50)는 제2 전산모사를 통해 수집된 분말의 크기 분포로부터 부피 누적의 50%가 되는 지점의 직경을 지칭한다. 일예로, 중간 입도(d50)가 5nm인 분말의 경우, 5nm보다 큰 50% 입자와 5nm보다 작은 50%입자가 존재함을 의미한다. 즉, 중간 입도(d50)는 분말의 생산 및 응용에서 평균 입도를 나타내는데 사용되는 전형적인 특성으로, 제조되는 분말의 크기를 측정하는데 사용된다.
도 3은 본 발명의 제2 전산모사 단계를 간략히 나타낸 순서도이다.
도 3을 참조하면, 본 발명에 따른 제2 전산모사를 수행하는 단계(S200)는 제2 전산모사를 수행하기 위해 요구되는 전산정보 및 제1 전산모사 결과를 수집하는 단계(S210), 전산정보와 분말의 시간에 따른 온도 변화 정보를 이용하여 제2 전산모사를 수행하는 단계(S220), 공정 조건에 따른 분말의 크기 분포를 수집하는 단계(S230) 및 출력된 분말의 크기 분포를 이용하여 공정 조건별 중간 입도(d50)를 계산하는 단계(S240)를 포함할 수 있다.
일예로, 제2 전산모사 기법은 입자거동방정식(General Dynamic Equation, GDE))을 기반으로 한 절점 입자거동방정식(Nodal General Dynamic Equation, NGDE) 기법을 이용한 전산모사 기법이 이용될 수 있다. 즉, 절점 입자거동방정식(NGDE) 기법을 이용한 전산모사는 분말의 성장에 관련된 핵생성(nucleation), 응집(coagulation), 응축(condensation) 등을 고려하여 경계조건에 따라 분말의 크기 분포를 계산하는 입자거동방정식(GDE)을 기반으로 하는 전산모사 방식으로, 연속된 크기 분포를 제시하지 않는 대신에 이산화 된 중심점(discrete node)으로 간략화 된 크기 분포를 제시하는 것으로 입자거동방정식(GDE)의 계산 과정을 간략히 한 전산모사를 지칭한다.
상기한 절점 입자거동방정식(NGDE)을 이용한 제2 전산모사를 수행하기 위해 전산모사를 위한 전산정보가 수집될 수 있다.(S210) 전산정보는 제2 전산모사를 수행에 필요한 정보들로써 일예로, 목표 분말 성분의 원자량, 밀도, 표면장력, 포화증기압 및 캐리어 가스(carrier gas)의 서덜랜드 상수(Sutherland's constant) 등의 정보를 포함할 수 있다.
전산정보가 수집되면, 수집된 전산정보와 제1 전산모사 수행을 통해 수집된 분말의 반응기 내에서의 시간에 따른 온도 변화, 반응기 내부의 기체 중 각 구성물질의 농도 및 압력 등의 정보를 이용하여 절점 입자거동방정식(NGDE) 기반의 제2 전산모사가 수행될 수 있다.(S220)
제2 전산모사를 수행하면 공정 조건에 따른 분말의 크기 분포 정보를 추출할 수 있으며,(S230) 추출된 분말의 크기 분포로부터 부피 누적의 50%일 때의 직경인 중간 입도(d50)을 계산할 수 있다.(S240) 따라서, 제2 전산모사 수행에 의해 공정 조건별 중간 입도(d50) 정보를 수집할 수 있다.
상술한 바와 같이, 본 발명에 따른 분말 크기 예측 방법은 제1 전산모사를 통해 분말의 시간에 따른 온도 변화 및 반응기 내의 질량농도 등 정보를 수집하고, 수집한 정보를 이용하여 제2 전산모사를 통해 공정 조건에 따른 분말의 중간 입도(d50) 정보를 수집할 수 있다.
일예로, 종래의 입자거동방정식(GDE)을 이용한 분말 크기 예측 방법은 열역학, 동역학적인 현상들을 타임스텝마다 계산하고, 일정한 냉각률에 의해 실온까지 냉각시키면서 온도 변화를 계산하여 분말의 크기 분포를 수집한다. 즉, 전산모사에서 사용하는 열역학, 동역학적인 식들은 주로 온도를 기반으로 하여 값이 결정되는데 종래의 입자거동방정식(GDE)을 이용한 분말 크기 예측 방법은 단순히 추정한 냉각률을 전산모사에 입력하기 때문에 반응기 내에서 분말이 갖는 온도의 변화를 알 수 없어 정확한 분말의 크기 분포를 획득할 수 없는 단점을 갖는다.
허나, 본 발명에 따른 분말 크기 예측 방법은 절점 입자거동방정식(NGDE) 기반의 제2 전산모사를 수행하기 전에 열전달 해석 기반의 제1 전산모사를 수행하여 분말이 겪는 온도의 변화 정보를 획득하고, 획득한 온도 변화 정보를 시간에 따른 온도의 식으로 선형 회귀 분석한 정보를 제2 전산모사에 입력하여 분말의 크기 분포를 획득하기 때문에 실제 분말 제조 공정에 따른 분말의 크기와의 정확도를 향상시킬 수 있다.
또한, 실제 분말 제조시 플라즈마의 파워 및 냉각 가스의 투입량 등의 공정 조건에 따라 분말의 온도가 변화하는데, 이러한 공정 조건들을 열전달 해석 기반의 제1 전산모사 수행시 적용할 수 있기 때문에 공정 조건에 따라 변화하는 분말의 크기 분포도 예측 가능한 효과를 갖는다.
도 4는 본 발명의 머신러닝 훈련 단계를 간략히 나타낸 순서도이다.
도 4를 참조하면, 본 발명에 따른 머신러닝 모델을 훈련시키는 단계(S300)에서는 제1 전산모사 및 제2 전산모사를 통해 수집한 공정 조건에 따른 중간 입도(d50) 정보를 이용하여 머신러닝 모델을 훈련한다.(S310) 즉, 다양한 공정 조건을 머신러닝의 입력으로 하고, 각각의 공정 조건을 제1 전산모사 및 제2 전산모사를 이용하여 획득한 중간 입도(d50) 정보를 머신러닝의 출력으로 하는 머신러닝 모델을 반복 훈련시킨다.
머신러닝 모델의 훈련이 완료되면, 머신러닝 모델에 임의의 공정 조건을 입력하여 분말의 중간 입도(d50)를 예측하고, 예측한 중간 입도(d50)와 실제 제조 공정을 통해 획득한 중간 입도(d50)를 비교하여 머신러닝 모델의 예측 성능을 평가한다.(S320)
실시예
도 5는 본 발명의 실시예에 따른 분말 크기 예측 방법을 나타낸 순서도이다.
도 5를 참조하여 본 발명의 실시예에 따른 분말 크기 예측 방법을 설명한다.
우선, 제1 전산모사를 수행하기 위해 분말 제조 반응기의 모델링 생성 및 전산모사에 필요한 정보를 수집한다.
도 6은 본 발명의 제1 전산모사를 위한 분말 제조 반응기의 모델링을 나타낸 도면이다.
도 7은 도 6에 도시한 분말 제조 반응기의 전산모사 수행 결과를 나타낸 도면이다.
도 6 및 도 7을 참조하면, 제1 전산모사를 수행하기 위해 모델링되는 반응기는 일예로, 기상 합성법 중 플라즈마 고온환원법을 이용한 분말 제조 공정에 따른 분말 제조 반응기일 수 있다. 분말 제조를 위한 플라즈마 고온환원법은 고온, 고활성 및 초급냉의 특성을 이용하여 산화물, 질화물, 탄화물 등의 다양한 형태의 분말을 제조하는 방식으로, 원료가 초고온에서 분해되기 때문에 고체, 액체, 기체의 상태에 관계없이 합성할 수 있고, 반응시간이 매우 짧은 특징을 갖는다. 이러한 플라즈마 고온환원법은 전구체의 유량, 냉각가스의 유량 및 플라즈마 파워 등의 공정 조건이 분말의 성분, 형태, 크기 등을 결정하는 주요 변수로 작용한다.
분말 제조 반응기의 모델링과 동시에 전산모사에 필요한 정보를 수집한다. 수집에 필요한 정보는 일예로, 전구체의 화학 반응식 및 반응속도식, 전산모사에 고려되는 물질들의 열물리학적 성질 등의 정보일 수 있다.
계속해서, 제1 전산모사를 수행하기 위해 입력되는 공정 조건을 설정한다. 모델링된 분말 제조 반응기에 입력하기 위한 공정 조건은 일예로, 전구체 NiCl2의 양, 전구체와 같이 나오는 N2 가스의 양, 플라즈마 가스 Ar의 양, 플라즈마 가스 N2의 양, 플라즈마 가스와 같이 나오는 H2 가스의 양, 첫번째 냉각 가스 N2의 양, 두번째 냉각 가스 N2의 양 및 가열을 위한 마이크로웨이브 파워 등 총 8개의 입력 데이터를 선정한다.
입력 데이터가 선정되면 표 1에서와 같이 각각의 입력 데이터에 최대 최소값을 설정하여 입력되는 수치의 범위를 한정한다.
| 입력 데이터 | 범위 |
| precursor NiCl2 (g/min) | 0.5 ~ 1.5 |
| precursor N2 (lpm at 300K) | 5 ~ 25 |
| plasma gas H2 (lpm at 300K) | 5 ~ 25 |
| plasma gas Ar (lpm at 300K) | 0 ~ 30 |
| plasma gas N2 (lpm at 300K) | 0 ~ 30 |
| cooling gas 1 N2 (lpm at 300K) | 10 ~ 50 |
| cooling gas 2 N2 (lpm at 300K) | 10 ~ 70 |
| microwave (W) | 1000 ~ 5000 |
표 1에 나타낸 입력 데이터와 범위를 이용하여 분말 제조 반응기에 입력되는 공정 조건을 임의로 선정한다. 일예로, 공정 조건은 (1.25, 25, 20, 0, 15, 10, 60, 2000)와 같이 선정될 수 있다. 여기서, 각각의 수치는 표 1에 나타낸 입력 데이터 범위 내에서 선정된 수치를 입력 데이터 순서대로 나타낸 값이다.
선정된 공정 조건을 모델링된 분말 제조 반응기에 입력한 후, 제1 전산모사를 수행한다.
도 7에서와 같이, 열전달 해석 기법을 기반으로 한 제1 전산모사를 수행하게 되면 수행한 결과로부터 시간에 따른 온도 변화, 반응기 내부의 기체 중 구성물질의 농도(N2, Ar, 전구체, 목표 분말의 구성물질 등) 및 압력 등의 정보를 수집할 수 있다. 아래의 표 2는 제1 전산모사를 통해 수집한 반응기 내 기체의 질량농도를 나타낸다.
| 반응기 내의 기체 | 질량분율(Mass fraction) |
| Ni | 4.35e-03 |
| Ar | 0 |
| NiCl2 | 1.08e-05 |
| N2 | 9.78e-01 |
| H2 | 1.23e-02 |
| HCl | 5.40e-03 |
| O2 | 4.63e-24 |
또한, 제1 전산모사를 통해 시간에 따른 분말의 온도 데이터값을 수집하고, 수집한 데이터값을 이용하여 시간을 변수로 하는 4차식을 선형 회귀(linear regression) 분석하면 분말의 시간에 따른 온도를 아래의 수학식 1과 같이 나타낼 수 있다.
제1 전산모사를 통해 분말의 시간에 따른 온도 변화 정보 및 질량 농도 정보 등이 수집되면 절점 입자거동방정식(NGDE)을 기반으로 한 제2 전산모사를 수행한다. 제2 전산모사를 수행하기 위해 전산모사시 요구되는 전산정보를 수집한다. 전산정보는 일예로, 목표 분말 성분의 원자량, 밀도, 표면장력, 포화증기압 및 캐리어 가스의 서덜랜드 상수(Sutherland's constant) 등의 정보일 수 있다.
수집된 전산정보와 제1 전산모사 수행을 통해 수집된 분말의 시간에 따른 온도 변화 정보 및 질량 농도 정보 등을 이용하여 제2 전산모사를 수행한다.
제2 전산모사를 수행하면, 선정된 공정 조건에 따른 분말의 크기 분포 데이터를 수집할 수 있다.
도 8은 본 발명의 제2 전산모사를 통해 수집한 분말의 크기 분포를 나타낸다.
일예로, 공정 조건이 (1.25, 25, 20, 0, 15, 10, 60, 2000)일 경우, 상기 공정 조건을 이용하여 제2 전산모사를 수행하면 도 8에 도시한 분말의 크기 분포를 얻을 수 있다. 도시한 분말의 크기 분포를 이용하여 부피 누적의 50%가 되는 지점의 직경인 중간 입도(d50)를 계산하면, 101nm의 중간 입도(d50)를 구할 수 있다. 즉, (1.25, 25, 20, 0, 15, 10, 60, 2000)의 공정 조건을 이용하여 제1 전산모사 및 제2 전산모사를 수행하면 분말 제조시 101nm의 중간 입도(d50)를 갖는 분말 크기를 예측할 수 있다. 상기한 공정 조건 외에 임의의 공정 조건을 다수 선정하여 제1 전산모사 및 제2 전산모사를 수행함으로써 공정 조건별 중간 입도(d50) 정보를 수집할 수 있다.
임의의 공정 조건을 이용하여 수집된 다수의 중간 입도(d50) 정보는 아래의 표 3과 같이 나타낼 수 있다.
| NiCl2 | prec_N2 | plsm_H2 | plsm_Ar | plsm_N2 | cool1_N2 | cool2_N2 | MW | d50 |
| 1.25 | 25 | 20 | 0 | 15 | 10 | 60 | 2 | 101.6292 |
| 0.5 | 20 | 5 | 15 | 0 | 50 | 30 | 4 | 58.7773 |
| 0.75 | 20 | 15 | 20 | 0 | 30 | 50 | 5 | 80.84045 |
| 0.5 | 20 | 25 | 20 | 0 | 30 | 70 | 1 | 68.09175 |
| 1.5 | 13 | 15 | 0 | 15 | 10 | 30 | 2 | 120.1881 |
| 1 | 20 | 15 | 15 | 0 | 40 | 50 | 3 | 85.52912 |
| 1.25 | 5 | 20 | 15 | 0 | 40 | 10 | 1 | 115.1128 |
| 0.75 | 5 | 5 | 15 | 0 | 50 | 10 | 2 | 84.1539 |
| 1 | 5 | 20 | 0 | 30 | 10 | 70 | 4 | 104.0676 |
| 0.5 | 8 | 25 | 0 | 10 | 40 | 10 | 4 | 66.5895 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... |
상기와 같이 공정 조건에 따른 중간 입도(d50) 정보가 모두 수집되면, 공정 조건을 입력으로 하고, 중간 입도(d50)를 출력으로 하는 머신러닝 모델을 훈련한다. 일예로, 머신러닝 모델을 훈련시키기 위해 임의의 공정 조건을 약 2000개 정도의 데이터 세트를 선정하고, 선정된 데이터 세트를 이용하여 머신러닝 모델을 훈련한다. 일예로, 머신러닝 모델은 인공 신경망을 이용하여 훈련될 수 있으나, 머신러닝 모델을 훈련시키기 위해 다양한 훈련 알고리즘이 이용될 수 있다. 훈련된 머신러닝 모델을 이용하여 신뢰성 테스트를 진행한 결과 평균제곱근상대오차(1-RRMSE)가 0.921로 계산되어 머신러닝 모델의 높은 신뢰성이 확인되었다.
신뢰성 확인 후, 훈련된 머신러닝 모델을 이용하여 공정 조건에 따른 분말의 중간 입도(d50)를 예측하고, 예측된 중간 입도(d50)와 실제 공정에 따른 분말의 중간 입도(d50)를 비교한다. 비교 테스트를 수행할 공정 조건으로, 공정 조건1=(1.02, 20, 15, 0, 40, 30, 60, 5000), 공정 조건2=(1.33, 20, 15, 0, 40, 30, 60, 5000) 두 개의 공정 조건을 선정하였으며, 각각에 대해 예측값과 실제값을 비교하였다.
공정 조건 1,2에 대한 예측값과 실제값을 아래의 표 4에 나타내었다.
| 공정 조건1 | 공정 조건2 | |
| 실제 실험의 d50(nm) | 90.7 | 82.4 |
| 예측 d50(nm) | 90.3 | 81.1 |
표 4에서와 같이, 공정 조건 1,2 모두 본 발명에 의한 예측값과 실제 실험에 의한 실제값의 차이가 작아 본 발명에 의한 분말 크기 예측의 정확도가 높음을 확인할 수 있다.
상술한 바와 같이, 본 발명에 따른 기상 합성으로 생성된 분말 크기 예측 방법은 입자거동방정식(GDE) 기반의 제2 전산모사를 수행하기 전에 열전달 해석 기반의 제1 전산모사를 수행하여 분말의 온도 변화 정보를 획득하고, 획득한 분말의 온도 변화 정보를 이용하여 제2 전산모사를 수행함으로써 예측한 분말 크기의 정확도를 향상시킬 수 있다.
또한, 실제 분말 제조시 분말의 온도 변화에 영향을 미치는 플라즈마의 파워 및 냉각 가스의 투입량 등의 공정 조건들을 열전달 해석 기반의 제1 전산모사 수행시 적용할 수 있기 때문에 공정 조건에 따라 변화하는 분말의 크기 분포 변화도 예측 가능하다.
한편, 본 명세서와 도면에 개시된 본 발명의 실시 예들은 이해를 돕기 위해 특정 예를 제시한 것에 지나지 않으며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.
Claims (9)
- 제1 전산모사 기법을 이용하여 공정 조건에 따라 제조되는 분말의 시간에 따른 온도 변화 정보 및 질량농도 정보를 추출하는 단계;
상기 추출된 분말의 시간에 따른 온도 변화 정보 및 질량농도 정보를 이용하여 제2 전산모사 기법을 통해 상기 공정 조건에 따른 분말의 중간 입도(d50) 정보를 추출하는 단계; 및
상기 추출된 분말의 중간 입도를 이용하여 머신러닝 모델을 훈련시키는 단계를 포함하는 분말 크기 예측 방법. - 제1항에 있어서, 상기 제1 전산모사 기법을 이용하는 단계는,
상기 분말 제조를 위한 분말 제조 반응기를 모델링하는 단계;
상기 분말 제조를 위한 공정 조건을 생성하는 단계; 및
상기 공정 조건을 상기 분말 제조 반응기에 입력하여 상기 제1 전산모사를 수행하는 단계를 포함하는 분말 크기 예측 방법. - 제2항에 있어서, 상기 모델링 단계에서 모델링되는 상기 분말 제조 반응기는 기상 합성법(Vapor-phase synthesis)을 이용하여 분말을 제조하기 위한 분말 제조 반응기인 것인 분말 크기 예측 방법.
- 제2항에 있어서, 상기 공정 조건을 생성하는 단계는,
상기 분말 제조 반응기에 입력되는 입력 데이터들을 선정하는 단계;
상기 입력 데이터들의 데이터값에 대한 범위를 한정하는 단계; 및
상기 한정된 범위 내에서 상기 입력 데이터들을 임의로 조합하여 다수의 공정 조건을 생성하는 단계를 포함하는 분말 크기 예측 방법. - 제1항에 있어서,
상기 제1 전산모사 기법은 열전달 해석(Heat Transfer Analysis) 기법을 이용한 전산모사 기법인 것인 분말 크기 예측 방법. - 제1항에 있어서, 상기 제2 전산모사 기법을 이용하는 단계는,
상기 제2 전산모사를 수행하기 위해 요구되는 전산정보와 상기 분말의 시간에 따른 온도 변화 정보 및 질량정보를 수집하는 단계;
상기 전산정보와 상기 분말의 시간에 따른 온도 변화 정보 및 질량정보를 이용하여 상기 제2 전산모사를 수행하는 단계;
상기 공정 조건에 따른 분말의 크기 분포를 수집하는 단계; 및
상기 수집된 분말의 크기 분포를 이용하여 상기 공정 조건별 중간 입도를 계산하는 단계를 포함하는 분말 크기 예측 방법. - 제1항에 있어서,
상기 제2 전산모사 기법은 입자거동방정식(General Dynamic Equation)을 기반으로 한 절점 입자거동방정식(Nodal General Dynamic Equation) 기법을 이용한 전산모사 기법인 것인 분말 크기 예측 방법. - 제1항에 있어서, 상기 머신러닝 모델을 훈련시키는 단계는,
상기 공정 조건을 입력으로 하고, 상기 공정 조건에 따라 추출된 분말의 중간 입도 정보를 출력으로 하는 머신러닝 모델을 반복하여 훈련시키는 단계; 및
상기 훈련된 머신러닝을 이용하여 상기 공정 조건에 따른 중간 입도를 예측하는 단계를 포함하는 분말 크기 예측 방법. - 제1항에 있어서,
상기 머신러닝 모델은 인공 신경망(Artificial Neural Network)의 알고리즘을 이용하여 훈련하는 것인 분말 크기 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210006651A KR102503778B1 (ko) | 2021-01-18 | 2021-01-18 | 기상 합성으로 생성된 분말 크기 예측 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210006651A KR102503778B1 (ko) | 2021-01-18 | 2021-01-18 | 기상 합성으로 생성된 분말 크기 예측 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220104416A true KR20220104416A (ko) | 2022-07-26 |
| KR102503778B1 KR102503778B1 (ko) | 2023-02-24 |
Family
ID=82609890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210006651A KR102503778B1 (ko) | 2021-01-18 | 2021-01-18 | 기상 합성으로 생성된 분말 크기 예측 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102503778B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101983476B1 (ko) * | 2017-11-23 | 2019-05-29 | 울산과학기술원 | 영상 정보 기반 입도 분포 추정 장치 및 방법 |
| KR20200079063A (ko) * | 2018-12-24 | 2020-07-02 | 주식회사 엔이피 | 철계금속과립분말을 제조하는 방법 및 이를 개별요소법 분체동역학 모델링으로 해석하는 방법 |
| JP6764982B1 (ja) * | 2019-07-29 | 2020-10-07 | 清水建設株式会社 | 分布推定システム、分布推定方法、および、分布推定プログラム |
| KR20200125459A (ko) | 2019-04-25 | 2020-11-04 | 가부시끼가이샤 히다치 세이사꾸쇼 | 입자 거동 시뮬레이션 방법, 및 입자 거동 시뮬레이션 시스템 |
-
2021
- 2021-01-18 KR KR1020210006651A patent/KR102503778B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101983476B1 (ko) * | 2017-11-23 | 2019-05-29 | 울산과학기술원 | 영상 정보 기반 입도 분포 추정 장치 및 방법 |
| KR20200079063A (ko) * | 2018-12-24 | 2020-07-02 | 주식회사 엔이피 | 철계금속과립분말을 제조하는 방법 및 이를 개별요소법 분체동역학 모델링으로 해석하는 방법 |
| KR20200125459A (ko) | 2019-04-25 | 2020-11-04 | 가부시끼가이샤 히다치 세이사꾸쇼 | 입자 거동 시뮬레이션 방법, 및 입자 거동 시뮬레이션 시스템 |
| JP6764982B1 (ja) * | 2019-07-29 | 2020-10-07 | 清水建設株式会社 | 分布推定システム、分布推定方法、および、分布推定プログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102503778B1 (ko) | 2023-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Miron et al. | Accelerated molecular dynamics with the bond-boost method | |
| WO2018138880A1 (ja) | モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム | |
| US12042998B2 (en) | Systems and methods for adjusting a three-dimensional (3D) model during additive manufacturing | |
| CN109991387A (zh) | 一种模拟γ-TiAl合金在非等温条件下的相场分析法 | |
| CN113360983A (zh) | 一种边坡可靠度分析与风险评估方法 | |
| Do et al. | Demand estimation in water distribution systems: solving underdetermined problems using genetic algorithms | |
| CN109242037A (zh) | 一种烟叶品质相似度度量方法 | |
| CN113642666A (zh) | 一种基于样本扩充和筛选的主动增强软测量方法 | |
| Chaparro et al. | Development of thermodynamically consistent machine-learning equations of state: Application to the Mie fluid | |
| CN108389136B (zh) | 一种考虑多重不确定性的天然气概率-模糊能流分析方法 | |
| KR102503778B1 (ko) | 기상 합성으로 생성된 분말 크기 예측 방법 | |
| JP2013137774A (ja) | プロセスの状態予測方法およびプロセス状態予測システム | |
| CN115026310B (zh) | 一种基于支持向量回归的slm增材制造铺粉孔隙率预测方法 | |
| CN116341399A (zh) | 一种基于物理约束神经网络的热工水力换热系数预测方法 | |
| Chen et al. | On the particle discretization in hypersonic nonequilibrium flows with the direct simulation Monte Carlo method | |
| Ding et al. | Semi-Lagrangian nodal discontinuous Galerkin method for the BGK Model | |
| Sivan et al. | Non-steady-state diffusion in two-dimensional periodic channels | |
| Tang et al. | Modeling Maximum Stresses in Each Layer for Layer-by-Layer Deposition of the Direct Metal Laser Sintering Process for Different Scanning Patterns | |
| Yi et al. | Multi-objective PID control for non-Gaussian stochastic distribution system based on two-step intelligent models | |
| CN108563856B (zh) | 一种基于自由节点b样条建模的自适应采样方法 | |
| JP2009199209A (ja) | フィードバック制御ゲインの設定方法及び設定支援プログラム | |
| Richard et al. | Comparison of thermo-hydraulic performance among different 3D printed periodic open cellular structures | |
| Fan et al. | Modelling, analysis, and numerical methods for a geometric inverse source problem in variable-order time-fractional subdiffusion. | |
| JP2020027319A (ja) | 評価装置、評価方法、および、コンピュータプログラム | |
| Bertolazzo et al. | Density and Diffusion Anomalies in a repulsive lattice gas |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |