KR20230110533A - 정상 상태 혼합 탱크 내의 단일-상 혼합 품질을 예측하기 위한 컴퓨터 써로게이트 모델 - Google Patents
정상 상태 혼합 탱크 내의 단일-상 혼합 품질을 예측하기 위한 컴퓨터 써로게이트 모델 Download PDFInfo
- Publication number
- KR20230110533A KR20230110533A KR1020237018835A KR20237018835A KR20230110533A KR 20230110533 A KR20230110533 A KR 20230110533A KR 1020237018835 A KR1020237018835 A KR 1020237018835A KR 20237018835 A KR20237018835 A KR 20237018835A KR 20230110533 A KR20230110533 A KR 20230110533A
- Authority
- KR
- South Korea
- Prior art keywords
- steady
- state
- configuration
- blending
- training
- Prior art date
Links
- 238000002156 mixing Methods 0.000 title claims abstract description 432
- 238000012549 training Methods 0.000 claims abstract description 150
- 238000010801 machine learning Methods 0.000 claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 35
- 239000000203 mixture Substances 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims description 110
- 239000012530 fluid Substances 0.000 claims description 29
- 239000000126 substance Substances 0.000 claims description 15
- 238000013019 agitation Methods 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009295 crossflow filtration Methods 0.000 description 3
- 229940088679 drug related substance Drugs 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000126 in silico method Methods 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000012465 retentate Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
- B01F35/20—Measuring; Control or regulation
- B01F35/22—Control or regulation
- B01F35/2201—Control or regulation characterised by the type of control technique used
- B01F35/2204—Controlling the mixing process by fuzzy control, i.e. a prescribed fuzzy rule
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F27/00—Mixers with rotary stirring devices in fixed receptacles; Kneaders
- B01F27/80—Mixers with rotary stirring devices in fixed receptacles; Kneaders with stirrers rotating about a substantially vertical axis
- B01F27/808—Mixers with rotary stirring devices in fixed receptacles; Kneaders with stirrers rotating about a substantially vertical axis with stirrers driven from the bottom of the receptacle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
- B01F35/20—Measuring; Control or regulation
- B01F35/22—Control or regulation
- B01F35/2201—Control or regulation characterised by the type of control technique used
- B01F35/2206—Use of stored recipes for controlling the computer programs, e.g. for manipulation, handling, production or composition in mixing plants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
- B01F35/20—Measuring; Control or regulation
- B01F35/22—Control or regulation
- B01F35/221—Control or regulation of operational parameters, e.g. level of material in the mixer, temperature or pressure
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
- B01F35/55—Baffles; Flow breakers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
- B01F35/71—Feed mechanisms
- B01F35/717—Feed mechanisms characterised by the means for feeding the components to the mixer
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G13/00—Roller-ways
- B65G13/075—Braking means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G23/00—Driving gear for endless conveyors; Belt- or chain-tensioning arrangements
- B65G23/02—Belt- or chain-engaging elements
- B65G23/04—Drums, rollers, or wheels
- B65G23/08—Drums, rollers, or wheels with self-contained driving mechanisms, e.g. motors and associated gearing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F2215/00—Auxiliary or complementary information in relation with mixing
- B01F2215/04—Technical information in relation with mixing
- B01F2215/0404—Technical information in relation with mixing theories or general explanations of phenomena associated with mixing or generalizations of a concept by comparison of equivalent methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Mechanical Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Mixers Of The Rotary Stirring Type (AREA)
- Feedback Control In General (AREA)
- Accessories For Mixers (AREA)
- Coloring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Rollers For Roller Conveyors For Transfer (AREA)
Abstract
정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위해서, CFD 모델을 기초로 하는, 써로게이트 기계 학습 모델을 이용하는 시스템 및 방법이 제공된다. 예시적인 방법이 각각의 훈련 정상 상태 혼합 구성과 연관된 복수의 정상 상태 혼합 인자를 기초로 복수의 훈련 정상 상태 혼합 구성에 대한 복수의 훈련 CFD 모델을 생성하는 단계; 각각의 개별적인 훈련 CFD 모델을 이용하여, 각각의 훈련 정상 상태 혼합 구성에 대한 혼합 품질을 계산하는 단계; 각각의 훈련 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 포함하는 훈련 데이터세트, 및 각각의 훈련 정상 상태 혼합 구성에 대한 계산된 혼합 품질을 생성하는 단계; 및 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 기초로 정상 상태 혼합 구성에 대한 혼합 품질을 예측하기 위해서, 훈련 데이터세트를 이용하여, 기계 학습 모델을 훈련시키는 단계를 포함한다.
Description
관련 출원에 대한 상호 참조
본원은 2020년 11월 24일자로 출원되고 명칭이 "COMPUTER SURROGATE MODEL TO PREDICT THE SINGLE-PHASE MIXING QUALITY IN STEADY STATE MIXING TANKS"인 가출원 제63/117,789호에 대한 우선권을 주장하고, 그 개시 내용의 전체는 본원에 참조로 포함된다.
본 개시 내용은 일반적으로 혼합 품질을 예측하기 위한 써로게이트 기계 학습 모델의 훈련에 관한 것이다.
혼합은 신약 물질의 개발에 있어서 중요한 단계이다. 혼합 품질이 낮으면 하류 약물 물질이 사양에 미치지 못하고/못하거나 작업 중에 자본이 낭비될 수 있다. 하류 제품의 품질을 보장하기 위해서는 높은 수준의 혼합이 요구된다. 이는, 교반 장치를 이용하여 일정한 속도로 탱크를 지속적으로 교반하면서 유입 스트림(예를 들어, 버퍼 유동, 농축물(retentate) 유동 등)을 탱크 내에서 혼합함으로써 달성된다. 결과물은 탱크를 빠져나와 후속 단계로 이동된다. 일반적으로, 내부 배플의 이용, 탱크에 대해 각도를 이루어 교반기의 배치, 접선방향 또는 반경방향 블레이드의 이용 등과 같은, 여러 구성을 이용하여 혼합 정도를 개선한다. 탱크 내의 그리고 탱크 출구 내의 미량 농도의, 일반적으로 "표준 편차"로 표시되는, 혼합 품질은 탱크 형상, 작업 부피, 유입구 및 배출구 구성 그리고 유량, 교반 속도 및 약물 물질 특성과 복잡하게 관련되며, 이는 일반적으로 오랜 시간과 비용이 많이 드는 현장 연구를 거쳐야만 실현된다. 이러한 연구와 관련된 비용과 시간을 줄이기 위해서 전산 유체 역학(CFD)을 기반으로 하는 인-실리코 모델(In-silico model)이 사용되었지만, 실험을 줄일 수 있는 반면, CFD 모델링은 프로세서 집약적이고, 시간이 많이 소요되며, 때로는 비용이 많이 든다(예를 들어, 제3자 공급업체가 필요한 경우).
본 개시 내용은, 고비용의 그리고 시간 소모적인 전산 유체 역학(CFD) 시뮬레이션 없이, 모든 입력 매개변수를 변경할 수 있는 능력을 가지고 정상 상태 조건에서 혼합 품질을 예측하는 써로게이트 모델을 제공한다. 써로게이트 모델링은, 교반되는 탱크 내의 혼합 품질에 대한 이해를 제공하는 신규 예측 툴이다. 써로게이트 모델은 특정 동작에 대한 최적의 작업 부피 및 임펠러 속도를 예측하기 위해서 사용될 수 있고, 특성화 시간(characterization time)을 상당히 줄일 수 있다. 본원에 제공된 써로게이트 모델은 혼합 프로세스의 혼합 특성의 지속적이고 신뢰 가능한 예측을 가능하게 하여, 항상 모든 환자에 대한 공급을 보장하는 데 도움을 준다. 써로게이트 모델은 또한, 올바른 최초의 (예측 및 방지) 개발 철학에 따라, 주어진 제품에 대한 혼합 시스템을 선택하고 권장할 때, 엔지니어링 팀이 신속하고 신뢰 가능한 과학적-기반의 판단을 할 수 있게 한다. 또한, 시간 소모적이고 계산 집약적인 CFD 모델링과 비교하여, 본원에 제공된 써로게이트 모델은 프로세스 변수(유량, 믹서 RPM, 유체 특성 등)의 변화에 응답하여 즉각적인 결과를 출력할 수 있다.
유리하게는, 본원에 제공된 써로게이트 모델을 이용한 예측은, 비용이 많이 들고 시간 소모적인 CFD 또는 현장 연구 없이도, 변수의 임의의 조합을 유연하게 평가할 수 있는 혼합 품질에 대한 즉각적인 통찰력을 제공한다. 또한, 써로게이트 모델을 이용하여 예측함으로써, 제3자의 개입을 감소시켜 상당한 시간 및 비용이 절감될 수 있다.
양태에서, 방법이 제공되고, 이러한 방법은, 하나 이상의 프로세서로, 유입 스트림이 탱크 내에서 혼합되는 복수의 훈련 정상 상태 혼합 구성을 위한 복수의 훈련 CFD 모델을 생성하는 단계로서, 각각의 훈련 CFD 모델은 각각의 훈련 정상 상태 혼합 구성과 연관된 복수의 정상 상태 혼합 인자를 기초로 생성되는, 단계; 하나 이상의 프로세서로, 각각의 개별적인 훈련 CFD 모델을 이용하여, 각각의 훈련 정상 상태 혼합 구성에 대한 혼합 품질을 계산하는 단계; 하나 이상의 프로세서로, 각각의 훈련 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 포함하는 훈련 데이터세트, 및 각각의 훈련 정상 상태 혼합 구성에 대한 계산된 혼합 품질을 생성하는 단계; 및 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 기초로 정상 상태 혼합 구성에 대한 혼합 품질을 예측하기 위해서, 하나 이상의 프로세서로, 훈련 데이터세트를 이용하여 기계 학습 모델을 훈련시키는 단계를 포함한다.
다른 양태에서, 컴퓨터 시스템이 제공되고, 이러한 컴퓨터 시스템은, 하나 이상의 프로세서; 및 하나 이상의 프로세서에 통신 가능하게 커플링되고 실행 가능 명령어를 저장하는 비-일시적 프로그램 메모리를 포함하고, 상기 명령어가 하나 이상의 프로세서에 의해서 실행될 때, 프로세서는, 유입 스트림이 탱크 내에서 혼합되는 복수의 훈련 정상 상태 혼합 구성을 위한 복수의 훈련 CFD 모델을 생성하고, 각각의 훈련 CFD 모델은 각각의 훈련 정상 상태 혼합 구성과 연관된 복수의 정상 상태 혼합 인자를 기초로 생성되며; 각각의 개별적인 훈련 CFD 모델을 이용하여, 각각의 훈련 정상 상태 혼합 구성에 대한 혼합 품질을 계산하고; 각각의 훈련 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 포함하는 훈련 데이터세트, 및 각각의 훈련 정상 상태 혼합 구성에 대한 계산된 혼합 품질을 생성하고; 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 기초로 정상 상태 혼합 구성에 대한 혼합 품질을 예측하기 위해서, 훈련 데이터세트를 이용하여 기계 학습 모델을 훈련시킨다.
또 다른 양태에서, 컴퓨터-판독 가능 명령어를 저장하는 비-일시적 컴퓨터 판독 가능 저장 매체가 제공되고, 상기 명령어가 하나 이상의 프로세서에 의해서 실행될 때, 하나 이상의 프로세서는, 유입 스트림이 탱크 내에서 혼합되는 복수의 훈련 정상 상태 혼합 구성을 위한 복수의 훈련 CFD 모델을 생성하고, 각각의 훈련 CFD 모델은 각각의 훈련 정상 상태 혼합 구성과 연관된 복수의 정상 상태 혼합 인자를 기초로 생성되며; 각각의 개별적인 훈련 CFD 모델을 이용하여, 각각의 훈련 정상 상태 혼합 구성에 대한 혼합 품질을 계산하고; 각각의 훈련 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 포함하는 훈련 데이터세트, 및 각각의 훈련 정상 상태 혼합 구성에 대한 계산된 혼합 품질을 생성하고; 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 기초로 정상 상태 혼합 구성에 대한 혼합 품질을 예측하기 위해서, 훈련 데이터세트를 이용하여 기계 학습 모델을 훈련시킨다.
도 1은 일부 예에서, 본원에서 설명된 시스템 및 방법이 구현될 수 있는 예시적인 정상 상태 혼합 탱크를 도시한다.
도 2는 본원에서 설명된 일부 예에 따른, 혼합 품질을 예측하기 위해서 써로게이트 기계 학습 모델의 훈련에서 사용되는 다양한 정상 상태 혼합 인자들 사이의 관계를 도시한다.
도 3은 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위해서 써로게이트 기계 학습 모델을 훈련시키는 예시적인 방법의 흐름도를 도시한다.
도 4a는 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위한 선형 회귀 써로게이트 모델을 위한 실제 테스트 데이터 및 예측된 테스트 데이터를 도시하고, 도 4b는 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위한 신경망 회귀 써로게이트 모델을 위한 실제 테스트 데이터 및 예측된 테스트 데이터를 도시한다.
도 5a는 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위한 선형 회귀 써로게이트 모델의 훈련에서 사용되는 사례의 수를 기초로 하는 훈련 데이터 및 테스팅 데이터에 대한 결정 계수의 변화를 도시하고, 도 5b는 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위한 신경망 회귀 써로게이트 모델의 훈련에서 사용되는 사례의 수를 기초로 하는 훈련 데이터 및 테스팅 데이터에 대한 결정 계수의 변화를 도시한다.
도 6은 본원에서 설명된 일부 예에 따른, 다양한 사례의 수에 대한 정상 상태 혼합 탱크 내의 혼합 품질을 예측하도록 훈련된 써로게이트 모델에 의해서 예측된 표준 편차에 비교되는, 전산 유체 역학(CFD) 모델에 의해서 예측된 표준 편차를 도시한다.
도 7은 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위해서 써로게이트 기계 학습 모델을 훈련시키기 위한 예시적인 시스템의 블록도를 도시한다.
도 8은 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위해서 써로게이트 기계 학습 모델을 훈련시키기 위해서 사용되는 예시적인 입력 및 출력의 개략도를 도시한다.
도 9는 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위해서 써로게이트 기계 학습 모델을 훈련시키는 예시적인 방법의 흐름도를 도시한다.
도 2는 본원에서 설명된 일부 예에 따른, 혼합 품질을 예측하기 위해서 써로게이트 기계 학습 모델의 훈련에서 사용되는 다양한 정상 상태 혼합 인자들 사이의 관계를 도시한다.
도 3은 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위해서 써로게이트 기계 학습 모델을 훈련시키는 예시적인 방법의 흐름도를 도시한다.
도 4a는 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위한 선형 회귀 써로게이트 모델을 위한 실제 테스트 데이터 및 예측된 테스트 데이터를 도시하고, 도 4b는 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위한 신경망 회귀 써로게이트 모델을 위한 실제 테스트 데이터 및 예측된 테스트 데이터를 도시한다.
도 5a는 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위한 선형 회귀 써로게이트 모델의 훈련에서 사용되는 사례의 수를 기초로 하는 훈련 데이터 및 테스팅 데이터에 대한 결정 계수의 변화를 도시하고, 도 5b는 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위한 신경망 회귀 써로게이트 모델의 훈련에서 사용되는 사례의 수를 기초로 하는 훈련 데이터 및 테스팅 데이터에 대한 결정 계수의 변화를 도시한다.
도 6은 본원에서 설명된 일부 예에 따른, 다양한 사례의 수에 대한 정상 상태 혼합 탱크 내의 혼합 품질을 예측하도록 훈련된 써로게이트 모델에 의해서 예측된 표준 편차에 비교되는, 전산 유체 역학(CFD) 모델에 의해서 예측된 표준 편차를 도시한다.
도 7은 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위해서 써로게이트 기계 학습 모델을 훈련시키기 위한 예시적인 시스템의 블록도를 도시한다.
도 8은 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위해서 써로게이트 기계 학습 모델을 훈련시키기 위해서 사용되는 예시적인 입력 및 출력의 개략도를 도시한다.
도 9는 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위해서 써로게이트 기계 학습 모델을 훈련시키는 예시적인 방법의 흐름도를 도시한다.
이제 도면을 참조하면, 도 1은 일부 예에서, 본원에서 설명된 시스템 및 방법이 구현될 수 있는 예시적인 정상 상태 혼합 탱크(100)를 도시한다. 도 1에 도시된 바와 같이, 탱크(100)의 전체 부피가 탱크(100)의 작업 부피(102)인 것은 아니다. 탱크(100)는 하나 이상의 전환부 판(104), 와류 차단부(106), 임펠러(108), 버퍼 유입구(110), TFF 출구(112), 및 농축물 유입구(114)를 포함한다.
도 2는 본원에서 설명된 일부 예에 따른, 혼합 품질을 예측하기 위해서 써로게이트 기계 학습 모델의 훈련에서 사용되는 다양한 정상 상태 혼합 인자들 사이의 관계를 도시한다. 도 3에 도시된 바와 같이, 정상 상태 혼합 인자는 부피(L), 속도(rpm), 접선방향 유동 여과, 또는 TFF(분당 리터, 또는 LPM), 농축물(LPM), 장비(즉, 상이한 크기들, 형상들 및/또는 목적들을 갖는 상이한 탱크들 또는 임펠러들을 구분하기 위한 정수), 및 표준 편차를 포함한다. 정상 상태 혼합 인자는 여러 예에서 부가적인 또는 대안적인 측정값을 포함할 수 있다. 도 2에 도시된 바와 같이, 정상 상태 혼합 인자들과 서로 간의 임의의 관계, 및 각각의 정상 상태 혼합 인자와 응답(즉, 혼합 품질의 측정) 사이의 임의의 관계는 일반적으로 시각적으로 구별될 수 없다. 따라서, 이하에서 더 구체적으로 설명되는 바와 같이, 기계 학습 접근 방식을 이용하여, 용이하게 가시적으로 구별될 수 없는 가능한 관계를 일반화할 수 있다.
도 3은 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위해서 써로게이트 기계 학습 모델을 훈련시키는 예시적인 방법의 흐름도를 도시한다. 딥 러닝 기술을 기초로 하는 써로게이트 모델을 구성하는 프로세스 중에, 도 3에 도시된 바와 같이, 이하의 단계가 수행된다. 첫 번째로, 결과의 반복 가능성을 보장하도록 랜덤 시드(random seed)가 설정될 수 있다. 다음에, 전체 이용 가능 CFD 실행을 훈련(90%) 및 테스트 세트(10%)로 무작위로 분할할 수 있지만, 분할 프로세스는, 표준 편차 > 1(단락) 및 표준 편차 < 1(플러그 플로우 거동) 모두가 양 세트에서 동일하게 나타나도록 보장하는 것에 의해서, 계층화된다.
이어서, 훈련 세트를 이용하여 모델을 보정(훈련)할 수 있다. 정상 상태(입력의 수 + 배출의 수 -1)에서, 독립적인 유량들이 수치적 특징으로서 이용될 수 있다. 또한, 임펠러 속도, 탱크 작업 부피, 및 유체 레이놀즈 수가 수치적 특징으로서 이용될 수 있다. 탱크 및 교반기 형태가 카테고리 특징으로서 이용될 수 있다. 다른 한편으로, 평균 연령의 표준 편차의 값이 수치적 라벨로서 이용될 수 있다. 9차 이하의 다항식 조합을 수치적 특징에 부가할 수 있으며, 평균이 0이고 표준 편차가 1인 정규 분포를 사용하여 입력 데이터를 정규화할 수 있다. 이어서, 몇몇 가능한 층 크기, 학습 속도 및 l2 정규화기 계수로, 다층 퍼셉트론(MLP) 신경망을 구성할 수 있다. 또한, 교차 검증 방법을 사용하여 그리드 검색 모델을 구축함으로써, 학습 세트를 이용하여 최적의 모델 매개변수를 찾을 수 있다. 이는, 훈련 세트의 모든 파라미터를 교차-검증하여 가장 신뢰할 수 있는 보정된 모델을 보장할 것이다. 이어서, 가장 잘 검증된 모델 결과를 테스트 세트에 적용하여, 평균 절대 오류를 포함하는, 모델 품질을 보고할 수 있다.
도 4a는 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위한 (릿지 회귀 방법론(Ridge regression methodology)을 기초로 하는) 선형 회귀 써로게이트 모델을 위한 실제 테스트 데이터 및 예측된 테스트 데이터를 도시하고, 도 4b는 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위한 신경망 회귀 써로게이트 모델(구체적으로, 인공 딥 신경망(Artificial Deep Neural Network))을 위한 실제 테스트 데이터 및 예측된 테스트 데이터를 도시한다. 도 4a에 비교하여 도 4b에 도시된 바와 같이, 신경망 회귀 써로게이트 모델은 일반적으로 평균 연령의 표준 편차를 선형 회귀 써로게이트 모델보다 더 정확하게 예측한다.
도 5a는 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위한 선형 회귀 써로게이트 모델(예를 들어, 도 4a에 대해서 설명된 선형 회귀 써로게이트 모델) 의 훈련에서 사용되는 사례의 수를 기초로 하는 훈련 데이터 및 테스팅 데이터에 대한 결정 계수의 변화를 도시하고, 도 5b는 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위한 신경망 회귀 써로게이트 모델(예를 들어, 도 4b에 대해서 설명된 신경망 회귀 써로게이트 모델)의 훈련에서 사용되는 사례의 수를 기초로 하는 훈련 데이터 및 테스팅 데이터에 대한 결정 계수의 변화를 도시한다. 도 6은 본원에서 설명된 일부 예에 따른, 다양한 사례의 수에 대한 정상 상태 혼합 탱크 내의 혼합 품질을 예측하도록 훈련된 써로게이트 모델에 의해서 예측된 표준 편차에 비교되는, 전산 유체 역학(CFD) 모델에 의해서 예측된 표준 편차를 도시한다. 인공 딥 신경망 써로게이트 모델의 예측은 응답(즉, 혼합 품질의 측정값)을 알고 있는 경우에 상응하는 청색 원으로 도시되어 있고, 써로게이트 모델이 응답을 예측하기 위해서 사용된, 응답을 알지 못하는 경우인 오렌지색 십자가로 또한 도시되어 있다.
도 7은 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위해서 써로게이트 기계 학습 모델을 훈련시키 위한 예시적인 시스템(700)의 블록도를 도시한다. 도 7에 도시된 하이-레벨 아키텍처는, 이하에서 설명하는 바와 같이, 하드웨어 및 소프트웨어 애플리케이션 모두 뿐만 아니라, 다양한 하드웨어 및 소프트웨어 구성요소들 사이의 데이터 통신을 위한 다양한 데이터 통신 채널을 포함할 수 있다.
시스템(700)은 전산 유체 역학(CFD) 컴퓨팅 장치(702), 및 써로게이트 모델 컴퓨팅 장치(704) 뿐만 아니라, 일부 예에서 하나 이상의 다른 컴퓨팅 장치(706)를 포함할 수 있다. 컴퓨팅 장치(702, 704, 및 706)는, 유선 또는 무선 네트워크일 수 있는 네트워크(708)를 통해서 서로 통신할 수 있다.
일반적으로, CFD 컴퓨팅 장치(702)는 하나 이상의 프로세서(710), 및 (예를 들어, 메모리 제어기를 통해서) 하나 이상의 프로세서(710)가 접근할 수 있는 메모리(712)(예를 들어, 휘발성 메모리, 비-휘발성 메모리)를 포함할 수 있다. 하나 이상의 프로세서(710)가 메모리(712)와 상호 작용하여, 예를 들어, 메모리(712)에 저장된 컴퓨터-판독 가능 명령어를 획득할 수 있다. 메모리(712)에 저장된 컴퓨터-판독 가능 명령어는, 하나 이상의 프로세서(710)가 CFD 모델링 애플리케이션(714)을 포함하는 하나 이상의 애플리케이션을 실행하게 할 수 있다. CFD 모델링 애플리케이션의 실행은 복수의 다양한 정상 상태 혼합 구성과 관련된 정상 상태 혼합 인자를 수신하는 것, 정상 상태 혼합 인자를 기초로 각각의 정상 상태 혼합 구성에 대한 CFD 모델을 생성하는 것, 그리고 각각의 정상 상태 혼합 구성에 대한 CFD 모델을 기초로 각각의 정상 상태 혼합 구성에 대한 혼합 품질의 측정값을 계산하는 것을 포함할 수 있다. CFD 모델링 애플리케이션의 실행은 결정된 혼합 품질의 측정값 및 각각의 정상 상태 혼합 구성에 대한 CFD 모델을 훈련 CFD 모델 데이터베이스(716) 및/또는 테스트 CFD 모델 데이터베이스(718)에 저장하는 것을 추가로 포함할 수 있다. 예를 들어, 일부 예에서, CFD 모델링 애플리케이션(714)에 의해 생성된 데이터의 90%가 훈련 CFD 모델 데이터베이스(716)에 저장될 수 있는 한편, CFD 모델링 애플리케이션에 의해 생성된 데이터의 10%가 테스트 CFD 모델 데이터베이스(718)에 저장될 수 있다. 다른 예에서, CFD 모델링 애플리케이션(714)에 의해 생성된 데이터의 상이한 퍼센트가 각각의 데이터베이스(714 및 716)에 저장될 수 있거나, 또는 CFD 모델링 애플리케이션(714)에 의해 생성된 데이터의 전부가 훈련 CFD 모델 데이터베이스(716)에 저장될 수 있다. 또한, 일부 예에서, 메모리(712)에 저장된 컴퓨터-판독 가능 명령어는 방법(900)의 임의의 단계를 실행하기 위한 명령어를 포함할 수 있으며, 이는 도 9와 관련하여 아래에서 더 상세히 설명된다.
일반적으로, 써로게이트 모델 컴퓨팅 장치(704)는 하나 이상의 프로세서(720), 및 (예를 들어, 메모리 제어기를 통해서) 하나 이상의 프로세서(720)가 접근할 수 있는 메모리(722)(예를 들어, 휘발성 메모리, 비-휘발성 메모리)를 포함할 수 있다. 하나 이상의 프로세서(720)가 메모리(722)와 상호 작용하여, 예를 들어, 메모리(722)에 저장된 컴퓨터-판독 가능 명령어를 획득할 수 있다. 메모리(722)에 저장된 컴퓨터-판독 가능 명령어는, 하나 이상의 프로세서(720)가, 써로게이트 모델 훈련 애플리케이션(724), 써로게이트 기계 학습 모델(726), 및 정상 상태 혼합 품질 예측기 애플리케이션(728)을 포함하는, 하나 이상의 애플리케이션을 실행하게 할 수 있다. 써로게이트 모델 훈련 애플리케이션(724)의 실행은, 이하에서 도 8과 관련하여 보다 상세하게 설명되는 바와 같이, 훈련 CFD 모델 데이터베이스(716)에 접근하는 것, 그리고 주어진 정상 상태 혼합 구성에 대한 정상 상태 혼합 인자를 기초로 혼합 품질을 예측하기 위한 써로게이트 기계 학습 모델(726)을 훈련시키기 위한 훈련 데이터로서 각각의 정상 상태 혼합 구성에 대한 정상 상태 혼합 인자 및 계산된 혼합 품질의 측정값을 사용하는 것을 포함할 수 있다. 정상 상태 혼합 품질 예측기 애플리케이션(728)의 실행은, 새로운 정상 상태 혼합 구성에 대한 혼합 품질의 측정값을 예측하기 위해, 훈련된 써로게이트 기계 학습 모델(726)을 새로운 정상 상태 혼합 구성에 적용하는 것을 포함할 수 있다. 또한, 일부 예에서, 메모리(722)에 저장된 컴퓨터-판독 가능 명령어는 테스트 CFD 모델 데이터베이스(718)에 접근하기 위한 그리고 훈련된 써로게이트 기계 학습 모델(726)을 테스트 CFD 모델 데이터에 대해 테스트하기 위한 명령어를 추가로 포함할 수 있다. 예를 들어, CFD 모델링 애플리케이션(714)에 의해 계산되고 테스트 CFD 모델 데이터베이스에 저장된 주어진 정상 상태 구성에 대한 혼합 품질의 측정값을 훈련된 써로게이트 기계 학습 모델(726)을 사용하여 동일한 정상 상태 구성에 대해 예측된 혼합 품질의 측정값과 비교하여, 훈련된 기계 학습 모델(726)의 정확도의 측정값을 결정할 수 있다. 또한, 메모리(722)에 저장된 컴퓨터-판독 가능 명령어는 방법(900)의 임의의 단계를 실행하기 위한 명령어를 포함할 수 있으며, 이는 도 9와 관련하여 아래에서 더 상세히 설명된다.
다른 컴퓨팅 장치(706)가 시스템(700)에 포함되는 예에서, 이러한 다른 컴퓨팅 장치(706)의 각각은 하나 이상의 프로세서(730), 및 (예를 들어, 메모리 제어기를 통해서) 하나 이상의 프로세서(730)가 접근할 수 있는 메모리(732)(예를 들어, 휘발성 메모리, 비-휘발성 메모리)를 포함할 수 있다. 하나 이상의 프로세서(730)가 메모리(732)와 상호 작용하여, 예를 들어, 메모리(732)에 저장된 컴퓨터-판독 가능 명령어를 획득할 수 있다. 메모리(732)에 저장된 컴퓨터-판독 가능 명령어는, 하나 이상의 프로세서(730)가 주어진 정상 상태 혼합 구성에 대한 정상 상태 혼합 인자들을 수신하게 하고, 주어진 정상 상태 혼합 인자 구성에 대한 정상 상태 혼합 인자를 써로게이트 모델 컴퓨팅 장치(704)로 전송하게 하고, (즉, 훈련된 써로게이트 기계 학습 모델(726)을 컴퓨팅 장치(706)로부터의 정상 상태 혼합 인자에 적용하는 써로게이트 모델 컴퓨팅 장치(704)의 정상 상태 혼합 품질 예측기 애플리케이션(728)을 기초로) 예측된 혼합 품질의 측정값을 써로게이트 모델 컴퓨팅 장치(704)로부터 수신하게 한다. 또한, 일부 예에서, 메모리(732)에 저장된 컴퓨터-판독 가능 명령어는 방법(900)의 임의의 단계를 실행하기 위한 명령어를 포함할 수 있으며, 이는 도 9와 관련하여 아래에서 더 상세히 설명된다.
이제 도 8을 참조하면, 전술한 바와 같이, 써로게이트 모델 훈련 애플리케이션(724)은 체계(800)에 따라 써로게이트 기계 학습 모델(726)을 훈련할 수 있고, 정상 상태 혼합 품질 예측기 애플리케이션(728)은 체계(800)에 따라 훈련된 써로게이트 기계 학습 모델(726)을 동작시킬 수 있다.
써로게이트 모델 훈련 애플리케이션(724)은, 새로운 정상 상태 혼합 구성(즉, 혼합 품질이 예측되어야 하는 정상 상태 혼합 구성)에 대한 정상 상태 혼합 인자(802)뿐만 아니라 복수의 훈련 정상 상태 혼합 구성에 대한 CFD 모델을 사용하여 생성된 훈련 데이터(804)를 포함하는, 다양한 입력 신호를 수신할 수 있다. 훈련 데이터(804)는 각 훈련 정상 상태 혼합 구성에 대한 훈련 정상 상태 혼합 인자(806)뿐만 아니라, CFD 모델을 사용하여 계산된 각각의 훈련 정상 상태 혼합 구성에 대한 혼합 품질의 훈련 측정값(808)을 포함할 수 있다. 정상 상태 혼합 인자(802 및 806)는, 탱크 형태, 교반기 형태, 작업 부피, 유입구 구성, 배출구 구성, 각각의 유입구에 대한 유입 유량, 각각의 배출구에 대한 배출 유량, 교반 속도, 임펠러 속도, 각각의 물질에 대한 유체 레이놀즈 수, 및/또는 혼합에 관련된 각각의 물질에 대한 다른 화학적 및 약학적 특성 또는, 유입 스트림이 탱크 내에서 혼합되는 각각의 정상 상태 혼합 구성과 관련된 임의의 다른 적절한 정상 상태 혼합 인자 중 하나 이상을 포함할 수 있다. CFD 모델을 사용하여 계산된 혼합 품질의 훈련 측정값(808)은 각각의 정상 상태 혼합 구성에 대한 탱크 내의 미량 농도의 표준 편차 측정값, 또는 각각의 정상 상태 혼합 구성에 대한 임의의 다른 적합한 혼합 품질의 측정값을 포함할 수 있다.
일반적으로, 특징 추출 함수(810)가 이러한 입력 신호 중 적어도 일부에 대해 동작하여, 특징 벡터, 또는 각각의 정상 상태 혼합 구성에 대한 다양한 정상 상태 혼합 인자와 관련된 논리적 매개변수 그룹을 생성할 수 있다. 예를 들어, 특징 추출 함수(810)는, 더 빠른 교반 속도에서 더 높은 혼합 품질에 상응하는 결과를 나타내는 특징 벡터를 생성할 수 있다. 다른 예에서, 특징 추출 함수(810)는, 특정 화학적 또는 제약적 특성을 갖는 물질에 대해 작업 부피가 증가될 때, 그 결과가 낮은 혼합 품질에 상응한다는 것을 나타내는 특징 벡터를 생성할 수 있다. 이러한 결과는 특징 벡터에 대한 라벨의 세트로서 이용될 수 있다.
따라서, 특징 추출 함수(810)는, 각각의 훈련 정상 상태 혼합 구성에 대한 훈련 정상 상태 혼합 인자(806) 및 CFD 모델을 이용하여 계산된 바와 같은 각각의 훈련 정상 상태 혼합 구성에 대한 혼합 품질의 훈련 측정값(808)을 이용하여, 특징 벡터(812)를 생성할 수 있다. 일반적으로, 써로게이트 모델 훈련 애플리케이션(724)은 감독되는 학습, 비-감독 학습, 강화 학습, 또는 임의의 다른 적절한 기술을 이용하여 써로게이트 기계 학습 모델(726)을 훈련시킬 수 있다. 또한, 써로게이트 모델 훈련 애플리케이션(724)은 써로게이트 기계 학습 모델(726)을 표준 회귀 모델로서 훈련시킬 수 있다.
시간에 경과하여, 써로게이트 모델 훈련 애플리케이션(724)이 써로게이트 기계 학습 모델(726)을 훈련시킴에 따라, 훈련된 써로게이트 기계 학습 모델(726)은, 정상 상태 혼합 구성과 관련된 정상 상태 혼합 인자(802)를 기초로, 주어진 정상 상태 혼합 구성에 대한 혼합 품질의 측정값(814)을 예측하도록 학습할 수 있다. 예를 들어, 정상 상태 혼합 품질 예측기 애플리케이션(728)은 (예를 들어, 써로게이트 모델 컴퓨팅 장치(704)의 사용자 인터페이스를 통해서) 새로운 정상 상태 혼합 구성에 대한 정상 상태 혼합 인자(802)를 입력으로 수신할 수 있고, 훈련된 써로게이트 기계 학습 모델(726)을 새로운 정상 상태 혼합 구성에 대한 정상 상태 혼합 인자(802)에 적용할 수 있다. 이어서, 훈련된 써로게이트 기계 학습 모델(726)은 정상 상태 혼합 인자(802)를 이용하여 새로운 정상 상태 혼합 구성에 대한 예측된 정상 상태 혼합 품질(814)을 생성할 수 있고, 예측된 혼합 품질의 측정값(814)의 표시를 정상 상태 혼합 품질 예측기 애플리케이션(728)에 전송할 수 있고, 정상 상태 혼합 품질 예측기 애플리케이션은 예측된 혼합 품질의 측정값(814)을 사용자에게 표시할 수 있거나, 예측된 혼합 품질의 측정값(814)을 다른 장치(예를 들어, 다른 컴퓨팅 장치(706))에 전송할 수 있거나, 예측된 혼합 품질의 측정값(814)을 저장할 수 있거나, 기타 등등을 할 수 있다.
일부 예에서, CFD 모델이 테스팅 정상 상태 혼합 구성의 정상 상태 혼합 인자를 이용하여 테스팅 정상 상태 혼합 구성에 대해서 생성될 수 있고, CFD 모델은 테스팅 정상 상태 혼합 품질에 대한 혼합 품질을 계산할 수 있다. 이어서, 훈련된 써로게이트 기계 학습 모델(726)은 테스팅 정상 상태 혼합 구성의 정상 상태 혼합 인자에 적용될 수 있고, 테스팅 정상 상태 혼합 구성의 정상 상태 혼합 인자를 이용하여 혼합 품질 측정값을 예측할 수 있다. 이러한 예측된 혼합 품질의 측정값은 이어서 CFD 모델에 의해서 동일한 테스팅 정상 상태 혼합 구성에 대해 계산된 혼합 품질의 측정값과 비교될 수 있다. 혼합 품질의 예측된 측정값과 계산된 측정값 사이의 임의의 차이는 써로게이트 기계 학습 모델(726)의 후속 훈련에서, 즉 써로게이트 기계 학습 모델(726)의 성능을 개선하기 위한 미세-조정에서 사용될 수 있다.
도 9는 본원에서 설명된 일부 예에 따른, 정상 상태 혼합 탱크 내의 혼합 품질을 예측하기 위해서 써로게이트 기계 학습 모델을 훈련시키는 예시적인 방법(900)의 흐름도를 도시한다. 방법(900)의 하나 이상의 단계가 컴퓨터-판독 가능 메모리(예를 들어, 메모리(712, 722, 및/또는 732))에 저장되고 하나 이상의 프로세서(예를 들어, 프로세서(710, 720, 및/또는 730))에서 실행될 수 있는 명령어의 세트로서 구현될 수 있다.
이러한 방법은, 복수의 훈련 CFD 모델이, 유입 스트림이 탱크 내에서 혼합되는 복수의 훈련 정상 상태 혼합 구성에 대해서 생성될 때(블록(902)) 시작될 수 있다. 각각의 훈련 CFD 모델은 각각의 트레이닝 정상 상태 혼합 구성과 관련된 복수의 정상 상태 혼합 인자를 기초로 생성될 수 있다. 예를 들어, 정상 상태 혼합 인자는, 탱크 형태, 교반기 형태, 작업 부피, 유입구 구성, 배출구 구성, 각각의 유입구에 대한 유입 유량, 각각의 배출구에 대한 배출 유량, 교반 속도, 임펠러 속도, 각각의 물질에 대한 유체 레이놀즈 수, 및/또는 혼합에 관련된 각각의 물질에 대한 다른 화학적 및 약학적 특성 또는, 유입 스트림이 탱크 내에서 혼합되는 주어진 정상 상태 혼합 구성과 관련된 임의의 다른 적절한 정상 상태 혼합 인자 중 하나 이상을 포함할 수 있다.
혼합 품질은 각각의 훈련 CFD 모델을 사용하여 각각의 정상 상태 혼합 구성에 대해 계산될 수 있다(블록(904)). 예를 들어, 혼합 품질은 탱크 내의 미량 농도의 표준 편차의 측정값일 수 있다.
각각의 훈련 정상 상태 혼합 구성과 관련된 정상 상태 혼합 인자 및 각각의 훈련 정상 상태 혼합 구성에 대한 계산된 혼합 품질을 포함하는 훈련 데이터 세트가 생성될 수 있다(블록(906)).
훈련 데이터세트를 이용하여, 기계 학습 모델이, 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 기초로 정상 상태 혼합 구성에 대한 혼합 품질을 예측하도록 훈련될 수 있다(블록(908)). 일부 예에서, 기계 학습 모델이 딥 러닝 모델일 수 있다.
일부 예에서, 방법(900)은 훈련된 기계 학습 모델을 새로운 정상 상태 혼합 구성과 연관된 새로운 정상 상태 혼합 인자에 적용하는 단계(블록(910)); 및 훈련된 기계 학습 모델을 새로운 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자에 적용하는 것을 기초로 새로운 정상 상태 혼합 구성에 대한 혼합 품질을 예측하는 단계(블록(912))를 추가로 포함할 수 있다.
또한, 일부 예에서, 방법(900)은 유입 스트림이 탱크 내에서 혼합되는 테스팅 정상 상태 혼합 구성을 위한 적어도 하나의 테스팅 CFD 모델을 생성하는 단계를 추가로 포함할 수 있다. 블록(902)에서 생성된 복수의 훈련 CFD 모델과 마찬가지로, 테스팅 CFD 모델은 테스팅 정상 상태 혼합 구성과 관련된 복수의 정상 상태 혼합 인자를 기초로 생성될 수 있다. 이어서, 혼합 품질이 테스팅 CFD 모델을 이용하여 테스팅 정상 상태 혼합 구성에 대해서 계산될 수 있다. 이어서, 블록(908)에서 훈련된 기계 학습 모델은 테스팅 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자에 적용될 수 있고, 혼합 품질이, 훈련된 기계 학습 모델을 이용하여, 테스팅 정상 상태 혼합 구성에 대해서 예측될 수 있다. 이어서, 훈련된 기계 학습 모델은, 테스팅 CFD 모델을 이용하여 테스팅 정상 상태 혼합 구성에 대해 계산된 혼합 품질을 훈련된 기계 학습 모델을 이용하여 테스팅 정상 상태 혼합 구성에 대해 예측된 혼합 품질과 비교하는 것을 기초로 평가될 수 있다. 예를 들어, 훈련된 기계 학습 모델은, 테스팅 정상 상태 혼합 구성에 대해서 테스팅 CFD 모델에 의해서 계산된 혼합 품질이 테스팅 정상 상태 혼합 구성에 대해서 훈련된 기계 학습 모델에 의해서 예측된 혼합 품질과 어떻게 밀접하게 매칭되는지를 기초로 평가될 수 있다. 일부 예에서, 훈련된 기계 학습 모델은, 예를 들어 예측된 혼합 품질이 계산된 혼합 품질과 문턱값 양의 초과로 상이한 경우, 평가를 기초로 수정될 수 있다.
양태
본 개시 내용에서 설명된 기술의 실시형태는, 단독적으로 또는 조합하여, 이하의 양태 중 임의의 수를, 포함할 수 있다.
1. 방법으로서, 하나 이상의 프로세서로, 유입 스트림이 탱크 내에서 혼합되는 복수의 훈련 정상 상태 혼합 구성에 대한 복수의 훈련 전산 유체 역학(CFD) 모델을 생성하는 단계로서, 각각의 훈련 CFD 모델은 각각의 훈련 정상 상태 혼합 구성과 연관된 복수의 정상 상태 혼합 인자를 기초로 생성되는, 단계; 상기 하나 이상의 프로세서로, 각각의 개별적인 훈련 CFD 모델을 이용하여, 각각의 훈련 정상 상태 혼합 구성에 대한 혼합 품질을 계산하는 단계; 상기 하나 이상의 프로세서로, 각각의 훈련 정상 상태 혼합 구성과 연관된 상기 정상 상태 혼합 인자를 포함하는 훈련 데이터세트, 및 각각의 훈련 정상 상태 혼합 구성에 대한 상기 계산된 혼합 품질을 생성하는 단계; 및 상기 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 기초로 정상 상태 혼합 구성에 대한 혼합 품질을 예측하기 위해서, 상기 하나 이상의 프로세서로, 상기 훈련 데이터세트를 이용하여 기계 학습 모델을 훈련시키는 단계를 포함하는, 방법.
2. 양태 1에 있어서, 하나 이상의 프로세서로, 상기 훈련된 기계 학습 모델을 새로운 정상 상태 혼합 구성과 연관된 새로운 정상 상태 혼합 인자에 적용하는 단계; 및 상기 하나 이상의 프로세서로, 상기 훈련된 기계 학습 모델을 상기 새로운 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자에 적용하는 단계를 기초로, 상기 새로운 정상 상태 혼합 구성에 대한 혼합 품질을 예측하는 단계를 추가로 포함하는, 방법.
3. 양태 1 또는 양태 2에 있어서, 상기 정상 상태 혼합 인자는, 탱크 형태, 교반기 형태, 작업 부피, 유입구 구성, 배출구 구성, 각각의 유입구에 대한 유입 유량, 각각의 배출구에 대한 배출 유량, 교반 속도, 임펠러 속도, 각각의 물질에 대한 유체 레이놀즈 수, 및 각각의 물질에 대한 다른 화학적 및 약학적 특성 중 하나 이상을 포함하는, 방법.
4. 양태 1 내지 양태 3 중 어느 한 양태에 있어서, 상기 혼합 품질은 상기 탱크 내의 미량 농도의 표준 편차의 측정값인, 방법.
5. 양태 1 내지 양태 4 중 어느 한 양태에 있어서, 상기 하나 이상의 프로세서로, 유입 스트림이 탱크 내에서 혼합되는 테스팅 정상 상태 혼합 구성에 대한 테스팅 전산 유체 역학(CFD) 모델을 생성하는 단계로서, 상기 테스팅 CFD 모델은 상기 테스팅 정상 상태 혼합 구성과 연관된 복수의 정상 상태 혼합 인자를 기초로 생성되는, 단계; 상기 하나 이상의 프로세서로, 상기 테스팅 CFD 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대한 혼합 품질을 계산하는 단계; 상기 하나 이상의 프로세서로, 상기 훈련된 기계 학습 모델을 상기 테스팅 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자에 적용하는 단계; 상기 하나 이상의 프로세서로, 상기 훈련된 기계 학습 모델을 상기 테스팅 정상 상태 혼합 구성과 연관된 상기 정상 상태 혼합 인자에 적용하는 것을 기초로, 상기 테스팅 정상 상태 혼합 구성에 대한 혼합 품질을 예측하는 단계; 및 상기 하나 이상의 프로세서로, 상기 테스팅 CFD 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대해서 계산된 혼합 품질과 상기 훈련된 기계 학습 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대해서 예측된 혼합 품질을 비교함으로써, 상기 훈련된 기계 학습 모델을 평가하는 단계를 추가로 포함하는, 방법.
6. 양태 1 내지 양태 5 중 어느 한 양태에 있어서, 상기 기계 학습 모델이 딥 러닝 모델인, 방법.
7. 컴퓨터 시스템으로서, 하나 이상의 프로세서; 및 하나 이상의 프로세서에 통신 가능하게 커플링되고 실행 가능 명령어를 저장하는 비-일시적 프로그램 메모리를 포함하고, 상기 명령어가 하나 이상의 프로세서에 의해서 실행될 때, 프로세서는, 유입 스트림이 탱크 내에서 혼합되는 복수의 훈련 정상 상태 혼합 구성을 위한 복수의 훈련 전산 유체 역학(CFD) 모델을 생성하고, 각각의 훈련 CFD 모델은 각각의 훈련 정상 상태 혼합 구성과 연관된 복수의 정상 상태 혼합 인자를 기초로 생성되며; 각각의 개별적인 훈련 CFD 모델을 이용하여, 각각의 훈련 정상 상태 혼합 구성에 대한 혼합 품질을 계산하고; 각각의 훈련 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 포함하는 훈련 데이터세트, 및 각각의 훈련 정상 상태 혼합 구성에 대한 계산된 혼합 품질을 생성하고; 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 기초로 정상 상태 혼합 구성에 대한 혼합 품질을 예측하기 위해서, 훈련 데이터세트를 이용하여 기계 학습 모델을 훈련시키는, 컴퓨터 시스템.
8. 양태 7에 있어서, 상기 하나 이상의 프로세서 중, 하나 이상의 프로세서의 제1 세트가 복수의 훈련 전산 유체 역학(CFD) 모델을 생성하고, 상기 하나 이상의 프로세서 중, 하나 이상의 프로세서의 제2 세트가 상기 기계 학습 모델을 훈련시키는, 컴퓨터 시스템.
9. 양태 7 또는 양태 8에 있어서, 상기 실행 가능 명령어는, 상기 하나 이상의 프로세서에 의해서 실행될 때, 추가적으로 상기 프로세서가, 상기 훈련된 기계 학습 모델을 새로운 정상 상태 혼합 구성과 연관된 새로운 정상 상태 혼합 인자에 적용하게 하고; 상기 훈련된 기계 학습 모델을 상기 새로운 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자에 적용하는 것을 기초로, 상기 새로운 정상 상태 혼합 구성에 대한 혼합 품질을 예측하게 하는, 컴퓨터 시스템.
10. 양태 9에 있어서, 상기 하나 이상의 프로세서 중, 하나 이상의 프로세서의 제3 세트가 상기 훈련된 기계 학습 모델을 상기 새로운 정상 상태 혼합 구성과 연관된 새로운 정상 상태 혼합 인자에 적용하고, 상기 새로운 정상 상태 혼합 구성에 대한 혼합 품질을 예측하는, 컴퓨터 시스템.
11. 양태 7 내지 양태 10 중 어느 한 양태에 있어서, 상기 정상 상태 혼합 인자는, 탱크 형태, 교반기 형태, 작업 부피, 유입구 구성, 배출구 구성, 각각의 유입구에 대한 유입 유량, 각각의 배출구에 대한 배출 유량, 교반 속도, 임펠러 속도, 각각의 물질에 대한 유체 레이놀즈 수, 및 각각의 물질에 대한 다른 화학적 및 약학적 특성 중 하나 이상을 포함하는, 컴퓨터 시스템.
12. 양태 7 내지 양태 11 중 어느 한 양태에 있어서, 상기 혼합 품질은 상기 탱크 내의 미량 농도의 표준 편차의 측정값인, 컴퓨터 시스템.
13. 양태 7 내지 양태 12 중 어느 한 양태에 있어서, 상기 실행 가능 명령어는, 상기 하나 이상의 프로세서에 의해서 실행될 때, 추가적으로 상기 프로세서가, 유입 스트림이 탱크 내에서 혼합되는 테스팅 정상 상태 혼합 구성에 대한 테스팅 전산 유체 역학(CFD) 모델을 생성하게 하고, 상기 테스팅 CFD 모델은 상기 테스팅 정상 상태 혼합 구성과 연관된 복수의 정상 상태 혼합 인자를 기초로 생성되며; 상기 테스팅 CFD 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대한 혼합 품질을 계산하게 하며; 상기 훈련된 기계 학습 모델을 상기 테스팅 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자에 적용하게 하고; 상기 훈련된 기계 학습 모델을 상기 테스팅 정상 상태 혼합 구성과 연관된 상기 정상 상태 혼합 인자에 적용하는 것을 기초로, 상기 테스팅 정상 상태 혼합 구성에 대한 혼합 품질을 예측하게 하며; 상기 테스팅 CFD 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대해서 계산된 혼합 품질과 상기 훈련된 기계 학습 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대해서 예측된 혼합 품질을 비교함으로써, 상기 훈련된 기계 학습 모델을 평가하게 하는, 컴퓨터 시스템.
14. 양태 7 내지 양태 13 중 어느 한 양태에 있어서, 상기 기계 학습 모델이 딥 러닝 모델인, 컴퓨터 시스템.
15. 컴퓨터-판독 가능 명령어를 저장하는 비-일시적 컴퓨터 판독 가능 저장 매체로서, 상기 명령어가 하나 이상의 프로세서에 의해서 실행될 때, 상기 하나 이상의 프로세서는, 유입 스트림이 탱크 내에서 혼합되는 복수의 훈련 정상 상태 혼합 구성을 위한 복수의 훈련 전산 유체 역학(CFD) 모델을 생성하고, 각각의 훈련 CFD 모델은 각각의 훈련 정상 상태 혼합 구성과 연관된 복수의 정상 상태 혼합 인자를 기초로 생성되며; 각각의 개별적인 훈련 CFD 모델을 이용하여, 각각의 훈련 정상 상태 혼합 구성에 대한 혼합 품질을 계산하고; 각각의 훈련 정상 상태 혼합 구성과 연관된 상기 정상 상태 혼합 인자를 포함하는 훈련 데이터세트, 및 각각의 훈련 정상 상태 혼합 구성에 대한 상기 계산된 혼합 품질을 생성하고; 상기 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 기초로 정상 상태 혼합 구성에 대한 혼합 품질을 예측하기 위해서, 훈련 데이터세트를 이용하여 기계 학습 모델을 훈련시키는, 비-일시적 컴퓨터 판독 가능 저장 매체.
16. 양태 15에 있어서, 상기 컴퓨터-판독 가능 명령어는, 상기 하나 이상의 프로세서에 의해서 실행될 때, 추가적으로 상기 프로세서가, 상기 훈련된 기계 학습 모델을 새로운 정상 상태 혼합 구성과 연관된 새로운 정상 상태 혼합 인자에 적용하게 하고; 상기 훈련된 기계 학습 모델을 상기 새로운 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자에 적용하는 것을 기초로, 상기 새로운 정상 상태 혼합 구성에 대한 혼합 품질을 예측하게 하는, 비-일시적 컴퓨터 판독 가능 저장 매체.
17. 양태 15 또는 양태 16에 있어서, 상기 정상 상태 혼합 인자는, 탱크 형태, 교반기 형태, 작업 부피, 유입구 구성, 배출구 구성, 각각의 유입구에 대한 유입 유량, 각각의 배출구에 대한 배출 유량, 교반 속도, 임펠러 속도, 각각의 물질에 대한 유체 레이놀즈 수, 및 각각의 물질에 대한 다른 화학적 및 약학적 특성 중 하나 이상을 포함하는, 비-일시적 컴퓨터 판독 가능 저장 매체.
18. 양태 15 내지 양태 17항 중 어느 한 양태에 있어서, 상기 혼합 품질은 상기 탱크 내의 미량 농도의 표준 편차의 측정값인, 비-일시적 컴퓨터 판독 가능 저장 매체.
19. 양태 15 내지 양태 18 중 어느 한 양태에 있어서, 상기 컴퓨터-판독 가능 명령어는, 상기 하나 이상의 프로세서에 의해서 실행될 때, 추가적으로 상기 프로세서가, 유입 스트림이 탱크 내에서 혼합되는 테스팅 정상 상태 혼합 구성에 대한 테스팅 전산 유체 역학(CFD) 모델을 생성하게 하고, 상기 테스팅 CFD 모델은 상기 테스팅 정상 상태 혼합 구성과 연관된 복수의 정상 상태 혼합 인자를 기초로 생성되며; 상기 테스팅 CFD 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대한 혼합 품질을 계산하게 하며; 상기 훈련된 기계 학습 모델을 상기 테스팅 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자에 적용하게 하고; 상기 훈련된 기계 학습 모델을 상기 테스팅 정상 상태 혼합 구성과 연관된 상기 정상 상태 혼합 인자에 적용하는 것을 기초로, 상기 테스팅 정상 상태 혼합 구성에 대한 혼합 품질을 예측하게 하며; 상기 테스팅 CFD 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대해서 계산된 혼합 품질과 상기 훈련된 기계 학습 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대해서 예측된 혼합 품질을 비교함으로써, 상기 훈련된 기계 학습 모델을 평가하게 하는, 비-일시적 컴퓨터 판독 가능 저장 매체.
20. 양태 15 내지 양태 19 중 어느 한 양태에 있어서, 상기 기계 학습 모델이 딥 러닝 모델인, 비-일시적 컴퓨터 판독 가능 저장 매체.
Claims (20)
- 방법으로서,
하나 이상의 프로세서로, 유입 스트림이 탱크 내에서 혼합되는 복수의 훈련 정상 상태 혼합 구성에 대한 복수의 훈련 전산 유체 역학(CFD) 모델을 생성하는 단계로서, 각각의 훈련 CFD 모델은 각각의 훈련 정상 상태 혼합 구성과 연관된 복수의 정상 상태 혼합 인자를 기초로 생성되는, 단계;
상기 하나 이상의 프로세서로, 각각의 개별적인 훈련 CFD 모델을 이용하여, 각각의 훈련 정상 상태 혼합 구성에 대한 혼합 품질을 계산하는 단계;
상기 하나 이상의 프로세서로, 각각의 훈련 정상 상태 혼합 구성과 연관된 상기 정상 상태 혼합 인자를 포함하는 훈련 데이터세트, 및 각각의 훈련 정상 상태 혼합 구성에 대한 상기 계산된 혼합 품질을 생성하는 단계; 및
상기 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 기초로 정상 상태 혼합 구성에 대한 혼합 품질을 예측하기 위해서, 상기 하나 이상의 프로세서로, 상기 훈련 데이터세트를 이용하여 기계 학습 모델을 훈련시키는 단계
를 포함하는, 방법. - 제1항에 있어서,
상기 하나 이상의 프로세서로, 상기 훈련된 기계 학습 모델을 새로운 정상 상태 혼합 구성과 연관된 새로운 정상 상태 혼합 인자에 적용하는 단계; 및
상기 하나 이상의 프로세서로, 상기 훈련된 기계 학습 모델을 상기 새로운 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자에 적용하는 단계를 기초로, 상기 새로운 정상 상태 혼합 구성에 대한 혼합 품질을 예측하는 단계를 추가로 포함하는, 방법. - 제1항에 있어서,
상기 정상 상태 혼합 인자는, 탱크 형태, 교반기 형태, 작업 부피, 유입구 구성, 배출구 구성, 각각의 유입구에 대한 유입 유량, 각각의 배출구에 대한 배출 유량, 교반 속도, 임펠러 속도, 각각의 물질에 대한 유체 레이놀즈 수, 및 각각의 물질에 대한 다른 화학적 및 약학적 특성 중 하나 이상을 포함하는, 방법. - 제1항에 있어서,
상기 혼합 품질은 상기 탱크 내의 미량 농도의 표준 편차의 측정값인, 방법. - 제1항에 있어서,
상기 하나 이상의 프로세서로, 유입 스트림이 탱크 내에서 혼합되는 테스팅 정상 상태 혼합 구성에 대한 테스팅 전산 유체 역학(CFD) 모델을 생성하는 단계로서, 상기 테스팅 CFD 모델은 상기 테스팅 정상 상태 혼합 구성과 연관된 복수의 정상 상태 혼합 인자를 기초로 생성되는, 단계;
상기 하나 이상의 프로세서로, 상기 테스팅 CFD 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대한 혼합 품질을 계산하는 단계;
상기 하나 이상의 프로세서로, 상기 훈련된 기계 학습 모델을 상기 테스팅 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자에 적용하는 단계;
상기 하나 이상의 프로세서로, 상기 훈련된 기계 학습 모델을 상기 테스팅 정상 상태 혼합 구성과 연관된 상기 정상 상태 혼합 인자에 적용하는 것을 기초로, 상기 테스팅 정상 상태 혼합 구성에 대한 혼합 품질을 예측하는 단계; 및
상기 하나 이상의 프로세서로, 상기 테스팅 CFD 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대해서 계산된 혼합 품질과 상기 훈련된 기계 학습 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대해서 예측된 혼합 품질을 비교함으로써, 상기 훈련된 기계 학습 모델을 평가하는 단계를 추가로 포함하는, 방법. - 제1항에 있어서,
상기 기계 학습 모델이 딥 러닝 모델인, 방법. - 컴퓨터 시스템으로서,
하나 이상의 프로세서; 및
상기 하나 이상의 프로세서에 통신 가능하게 커플링되고 실행 가능 명령어를 저장하는 비-일시적 프로그램 메모리
를 포함하고,
상기 명령어가 상기 하나 이상의 프로세서에 의해서 실행될 때, 상기 프로세서는,
유입 스트림이 탱크 내에서 혼합되는 복수의 훈련 정상 상태 혼합 구성을 위한 복수의 훈련 전산 유체 역학(CFD) 모델을 생성하고, 각각의 훈련 CFD 모델은 각각의 훈련 정상 상태 혼합 구성과 연관된 복수의 정상 상태 혼합 인자를 기초로 생성되며;
각각의 개별적인 훈련 CFD 모델을 이용하여, 각각의 훈련 정상 상태 혼합 구성에 대한 혼합 품질을 계산하고;
각각의 훈련 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 포함하는 훈련 데이터세트, 및 각각의 훈련 정상 상태 혼합 구성에 대한 계산된 혼합 품질을 생성하고;
정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 기초로 정상 상태 혼합 구성에 대한 혼합 품질을 예측하기 위해서, 훈련 데이터세트를 이용하여 기계 학습 모델을 훈련시키는, 컴퓨터 시스템. - 제7항에 있어서,
상기 하나 이상의 프로세서 중, 하나 이상의 프로세서의 제1 세트가 복수의 훈련 전산 유체 역학(CFD) 모델을 생성하고, 상기 하나 이상의 프로세서 중, 하나 이상의 프로세서의 제2 세트가 상기 기계 학습 모델을 훈련시키는, 컴퓨터 시스템. - 제7항에 있어서,
상기 실행 가능 명령어는, 상기 하나 이상의 프로세서에 의해서 실행될 때, 추가적으로 상기 프로세서가,
상기 훈련된 기계 학습 모델을 새로운 정상 상태 혼합 구성과 연관된 새로운 정상 상태 혼합 인자에 적용하게 하고;
상기 훈련된 기계 학습 모델을 상기 새로운 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자에 적용하는 것을 기초로, 상기 새로운 정상 상태 혼합 구성에 대한 혼합 품질을 예측하게 하는, 컴퓨터 시스템. - 제9항에 있어서,
상기 하나 이상의 프로세서 중, 하나 이상의 프로세서의 제3 세트가 상기 훈련된 기계 학습 모델을 상기 새로운 정상 상태 혼합 구성과 연관된 새로운 정상 상태 혼합 인자에 적용하고, 상기 새로운 정상 상태 혼합 구성에 대한 혼합 품질을 예측하는, 컴퓨터 시스템. - 제7항에 있어서,
상기 정상 상태 혼합 인자는, 탱크 형태, 교반기 형태, 작업 부피, 유입구 구성, 배출구 구성, 각각의 유입구에 대한 유입 유량, 각각의 배출구에 대한 배출 유량, 교반 속도, 임펠러 속도, 각각의 물질에 대한 유체 레이놀즈 수, 및 각각의 물질에 대한 다른 화학적 및 약학적 특성 중 하나 이상을 포함하는, 컴퓨터 시스템. - 제7항에 있어서,
상기 혼합 품질은 상기 탱크 내의 미량 농도의 표준 편차의 측정값인, 컴퓨터 시스템. - 제7항에 있어서,
상기 실행 가능 명령어는, 상기 하나 이상의 프로세서에 의해서 실행될 때, 추가적으로 상기 프로세서가,
유입 스트림이 탱크 내에서 혼합되는 테스팅 정상 상태 혼합 구성에 대한 테스팅 전산 유체 역학(CFD) 모델을 생성하게 하고, 상기 테스팅 CFD 모델은 상기 테스팅 정상 상태 혼합 구성과 연관된 복수의 정상 상태 혼합 인자를 기초로 생성되며;
상기 테스팅 CFD 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대한 혼합 품질을 계산하게 하며;
상기 훈련된 기계 학습 모델을 상기 테스팅 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자에 적용하게 하고;
상기 훈련된 기계 학습 모델을 상기 테스팅 정상 상태 혼합 구성과 연관된 상기 정상 상태 혼합 인자에 적용하는 것을 기초로, 상기 테스팅 정상 상태 혼합 구성에 대한 혼합 품질을 예측하게 하며;
상기 테스팅 CFD 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대해서 계산된 혼합 품질과 상기 훈련된 기계 학습 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대해서 예측된 혼합 품질을 비교함으로써, 상기 훈련된 기계 학습 모델을 평가하게 하는, 컴퓨터 시스템. - 제7항에 있어서,
상기 기계 학습 모델이 딥 러닝 모델인, 컴퓨터 시스템. - 컴퓨터-판독 가능 명령어를 저장하는 비-일시적 컴퓨터 판독 가능 저장 매체로서,
상기 명령어가 하나 이상의 프로세서에 의해서 실행될 때, 상기 하나 이상의 프로세서는,
유입 스트림이 탱크 내에서 혼합되는 복수의 훈련 정상 상태 혼합 구성을 위한 복수의 훈련 전산 유체 역학(CFD) 모델을 생성하고, 각각의 훈련 CFD 모델은 각각의 훈련 정상 상태 혼합 구성과 연관된 복수의 정상 상태 혼합 인자를 기초로 생성되며;
각각의 개별적인 훈련 CFD 모델을 이용하여, 각각의 훈련 정상 상태 혼합 구성에 대한 혼합 품질을 계산하고;
각각의 훈련 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 포함하는 훈련 데이터세트, 및 각각의 훈련 정상 상태 혼합 구성에 대한 계산된 혼합 품질을 생성하고;
정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자를 기초로 정상 상태 혼합 구성에 대한 혼합 품질을 예측하기 위해서, 훈련 데이터세트를 이용하여 기계 학습 모델을 훈련시키는, 비-일시적 컴퓨터 판독 가능 저장 매체. - 제15항에 있어서,
상기 컴퓨터-판독 가능 명령어는, 상기 하나 이상의 프로세서에 의해서 실행될 때, 추가적으로 상기 프로세서가,
상기 훈련된 기계 학습 모델을 새로운 정상 상태 혼합 구성과 연관된 새로운 정상 상태 혼합 인자에 적용하게 하고;
상기 훈련된 기계 학습 모델을 상기 새로운 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자에 적용하는 것을 기초로, 상기 새로운 정상 상태 혼합 구성에 대한 혼합 품질을 예측하게 하는, 비-일시적 컴퓨터 판독 가능 저장 매체. - 제15항에 있어서,
상기 정상 상태 혼합 인자는, 탱크 형태, 교반기 형태, 작업 부피, 유입구 구성, 배출구 구성, 각각의 유입구에 대한 유입 유량, 각각의 배출구에 대한 배출 유량, 교반 속도, 임펠러 속도, 각각의 물질에 대한 유체 레이놀즈 수, 및 각각의 물질에 대한 다른 화학적 및 약학적 특성 중 하나 이상을 포함하는, 비-일시적 컴퓨터 판독 가능 저장 매체. - 제15항에 있어서,
상기 혼합 품질은 상기 탱크 내의 미량 농도의 표준 편차의 측정값인, 비-일시적 컴퓨터 판독 가능 저장 매체. - 제15항에 있어서,
상기 컴퓨터-판독 가능 명령어는, 상기 하나 이상의 프로세서에 의해서 실행될 때, 추가적으로 상기 프로세서가,
유입 스트림이 탱크 내에서 혼합되는 테스팅 정상 상태 혼합 구성에 대한 테스팅 전산 유체 역학(CFD) 모델을 생성하게 하고, 상기 테스팅 CFD 모델은 상기 테스팅 정상 상태 혼합 구성과 연관된 복수의 정상 상태 혼합 인자를 기초로 생성되며;
상기 테스팅 CFD 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대한 혼합 품질을 계산하게 하며;
상기 훈련된 기계 학습 모델을 상기 테스팅 정상 상태 혼합 구성과 연관된 정상 상태 혼합 인자에 적용하게 하고;
상기 훈련된 기계 학습 모델을 상기 테스팅 정상 상태 혼합 구성과 연관된 상기 정상 상태 혼합 인자에 적용하는 것을 기초로, 상기 테스팅 정상 상태 혼합 구성에 대한 혼합 품질을 예측하게 하며;
상기 테스팅 CFD 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대해서 계산된 혼합 품질과 상기 훈련된 기계 학습 모델을 이용하여 상기 테스팅 정상 상태 혼합 구성에 대해서 예측된 혼합 품질을 비교함으로써, 상기 훈련된 기계 학습 모델을 평가하게 하는, 비-일시적 컴퓨터 판독 가능 저장 매체. - 제15항에 있어서,
상기 기계 학습 모델이 딥 러닝 모델인, 비-일시적 컴퓨터 판독 가능 저장 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202063117789P | 2020-11-24 | 2020-11-24 | |
| US63/117,789 | 2020-11-24 | ||
| PCT/US2021/052501 WO2022115150A1 (en) | 2020-11-24 | 2021-09-29 | Computer surrogate model to predict the single-phase mixing quality in steady state mixing tanks |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230110533A true KR20230110533A (ko) | 2023-07-24 |
Family
ID=78303044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237018835A KR20230110533A (ko) | 2020-11-24 | 2021-09-29 | 정상 상태 혼합 탱크 내의 단일-상 혼합 품질을 예측하기 위한 컴퓨터 써로게이트 모델 |
Country Status (9)
| Country | Link |
|---|---|
| US (2) | US20240005147A1 (ko) |
| EP (1) | EP4251310A1 (ko) |
| JP (1) | JP2023553547A (ko) |
| KR (1) | KR20230110533A (ko) |
| CN (1) | CN116547062A (ko) |
| AU (1) | AU2021385477A1 (ko) |
| CA (1) | CA3201339A1 (ko) |
| IL (1) | IL302747A (ko) |
| WO (1) | WO2022115150A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220097985A1 (en) * | 2020-09-30 | 2022-03-31 | Goodrich Corporation | Variable braking systems and devices |
Family Cites Families (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US417794A (en) * | 1889-12-24 | Nikola Tesla | Armature For Electrlc Machines | |
| DE1278936B (de) | 1964-07-08 | 1968-09-26 | Demag Zug Gmbh | Verzoegerungsvorrichtung fuer Laufrollen |
| US3789960A (en) | 1972-05-18 | 1974-02-05 | Mc Donnell Douglas Corp | Roller brake system |
| US4000808A (en) | 1973-06-06 | 1977-01-04 | Jacques Pradon | Device for lowering bulk materials |
| US4000796A (en) | 1975-05-23 | 1977-01-04 | Arcan Eastern Limited | Braking device |
| US5147020A (en) | 1991-06-17 | 1992-09-15 | Lucas Western Inc. | Conveyor roller brake |
| US5375689A (en) | 1993-05-21 | 1994-12-27 | Fki Industries, Inc. | Controlled flow gravity conveyor system and method |
| JPH08251949A (ja) * | 1995-03-15 | 1996-09-27 | Canon Inc | 振動駆動装置 |
| TWI259182B (en) | 1998-11-17 | 2006-08-01 | Cytec Tech Corp | Process for preparing triazines using a combination of Lewis acids with reaction promoters |
| AU781006C (en) | 1999-11-02 | 2007-06-28 | Rollerbrake (Pty) Ltd. | Conveyor idler |
| EP1243528A1 (de) | 2001-03-21 | 2002-09-25 | Erhard Schmale | Bremsrolle einer Rollenbahn |
| US7021456B2 (en) | 2003-12-05 | 2006-04-04 | Rapistan Systems Advertising Corp. | Conveyor roller with brake |
| MX2007002827A (es) | 2005-03-25 | 2007-04-27 | Yazaki Ind Chem Co Ltd | Transportador por gravedad de rueda o rodillo capaz de controlar el frenado con respecto a un objeto que esta siendo transportado. |
| TW200833577A (en) | 2007-02-08 | 2008-08-16 | Hong Chuan Ind Co Ltd | Highly weather-resistant rolling wheel unit of conveying apparatus |
| EP2377783A1 (de) | 2010-04-14 | 2011-10-19 | Interroll Holding AG | Förderrolle mit Fliehkraftbetätigter Magnetbremse. |
| DK2517986T3 (da) | 2011-04-26 | 2013-11-11 | Interroll Holding Ag | Bremserulle |
| EP2922775B1 (de) | 2013-07-18 | 2016-09-28 | Interroll Holding AG | Rolle mit einer wirbelstrombremse |
| DE102014003430B4 (de) | 2014-03-11 | 2020-07-23 | Interroll-Holding Ag | Bremsvorrichtung für einen Rollenförderer, Rollenförder und Verfahren zum Herstellen einer Bremsvorrichtung |
| AT516925B1 (de) * | 2015-03-12 | 2021-08-15 | Tgw Mechanics Gmbh | Fördereinrichtung mit verbesserter Verdrahtung von Antriebsmotor und Bremse einer Förderrolle sowie Betriebsverfahren dafür |
| US10093487B2 (en) | 2016-04-25 | 2018-10-09 | Kamran Ramezani | Motor shaped as a roller |
| DE102017007923B4 (de) | 2017-06-09 | 2020-12-17 | Interroll Holding Ag | Steuervorrichtung, Transportgutförderer und Verfahren zum Steuern eines Transportgutförderers |
| US10600005B2 (en) * | 2018-06-01 | 2020-03-24 | Sas Institute Inc. | System for automatic, simultaneous feature selection and hyperparameter tuning for a machine learning model |
| US10472174B1 (en) * | 2018-11-26 | 2019-11-12 | Toyota Motor Engineering & Manufacturing North America, Inc. | Induced magnetic field tote transfer chimney and methods of use |
| DE102018132705A1 (de) | 2018-12-18 | 2020-06-18 | Interroll Holding Ag | Förderrolle und Herstellverfahren |
| EP3670398B1 (en) | 2018-12-20 | 2021-08-25 | Interroll Holding AG | Braking device for a conveyor roller and method for braking a conveyor roller |
| DE102018133481A1 (de) | 2018-12-21 | 2020-06-25 | Interroll Holding Ag | Förderanordnung mit integrierter Sensorfunktionseinheit |
| RU198420U1 (ru) * | 2020-02-12 | 2020-07-06 | Закрытое акционерное общество "Инженерно-технический центр "КРОС" | Ролик тормозной магнитный для роликовых гравитационных конвейеров |
-
2021
- 2021-09-29 JP JP2023530587A patent/JP2023553547A/ja active Pending
- 2021-09-29 IL IL302747A patent/IL302747A/en unknown
- 2021-09-29 CA CA3201339A patent/CA3201339A1/en active Pending
- 2021-09-29 AU AU2021385477A patent/AU2021385477A1/en active Pending
- 2021-09-29 CN CN202180079011.1A patent/CN116547062A/zh active Pending
- 2021-09-29 KR KR1020237018835A patent/KR20230110533A/ko unknown
- 2021-09-29 EP EP21795203.5A patent/EP4251310A1/en active Pending
- 2021-09-29 US US18/038,041 patent/US20240005147A1/en active Pending
- 2021-09-29 WO PCT/US2021/052501 patent/WO2022115150A1/en active Application Filing
- 2021-11-24 US US17/534,654 patent/US11643273B1/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023553547A (ja) | 2023-12-22 |
| CA3201339A1 (en) | 2022-06-02 |
| WO2022115150A1 (en) | 2022-06-02 |
| CN116547062A (zh) | 2023-08-04 |
| US20240005147A1 (en) | 2024-01-04 |
| IL302747A (en) | 2023-07-01 |
| AU2021385477A1 (en) | 2023-06-15 |
| EP4251310A1 (en) | 2023-10-04 |
| US11643273B1 (en) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bezzo et al. | A general methodology for hybrid multizonal/CFD models: Part II. Automatic zoning | |
| Buffo et al. | Simulation of polydisperse multiphase systems using population balances and example application to bubbly flows | |
| WO2009030756A2 (en) | Method for prediction in an oil/gas production system | |
| Nauman | Residence time distributions | |
| Buffo et al. | Solution of bivariate population balance equations with high-order moment-conserving method of classes | |
| KR20230110533A (ko) | 정상 상태 혼합 탱크 내의 단일-상 혼합 품질을 예측하기 위한 컴퓨터 써로게이트 모델 | |
| Solsvik et al. | Evaluation of weighted residual methods for the solution of a population balance model describing bubbly flows: The least-squares, Galerkin, tau, and orthogonal collocation methods | |
| CN106703796A (zh) | 一种获取油藏的动态储量及水体大小的方法及装置 | |
| CN106703797A (zh) | 一种获取气藏的动态储量及水体大小的方法及装置 | |
| Kostoglou et al. | On a generalized framework for turbulent collision frequency models in flotation: The road from past inconsistencies to a concise algebraic expression for fine particles | |
| CN116685996A (zh) | 化学配制剂的数据驱动的多标准优化 | |
| Heeb et al. | Turbulent mixing with multiple second‐order chemical reactions | |
| Wells et al. | Direct Simulation and Mass Flow Stochastic Algorithms to Solve a Sintering-Coagulation Equation. | |
| Mickler et al. | Online monitoring, simulation and prediction of multiphase flows | |
| Dias et al. | Transient behavior and gelation of free radical polymerizations in continuous stirred tank reactors | |
| Negi et al. | Machine learning algorithm for assessing reusability in component based software development | |
| Soligo et al. | Non-Newtonian turbulent jets at low-Reynolds number | |
| Kanse Nitin et al. | RTD Studies in Plug Flow Reactor and its Simulation with Comparing Non Ideal Reactors | |
| Rawatlal et al. | Unsteady‐state residence‐time distribution in perfectly mixed vessels | |
| Tarcsay et al. | Development of Compartment Models for Diagnostic Purposes | |
| Vangheluwe | Modelling and Simulation Concepts | |
| Jongen | Extension of the age‐of‐fluid method to unsteady and closed‐flow systems | |
| Di Capaci et al. | CFD Analysis of Inline Mixing of Non-ideal Liquid Mixtures | |
| Botelho et al. | Estimation of kinetic parameters of a polymerization reactor using real data | |
| Varet et al. | METRIX: a new tool to evaluate the quality of software source codes |