요약 | 용존 가스 농도를 예측하기 위한 장치가 제공된다. 상기 장치는 수용액에 대한 라만 스펙트럼 데이터가 입력되면, 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 피크 데이터를 추출하는 피크추출부와, 상기 피크 데이터를 기초로 예측모델을 통해 상기 수용액에 포함된 가스 농도의 예측값을 산출하고, 산출된 예측값으로부터 가스 농도를 도출하여 출력하는 농도예측부를 포함한다. |
---|---|
Int. CL | G01N 21/65 (2006.01.01) G01N 21/59 (2006.01.01) G01J 3/44 (2006.01.01) G06N 3/08 (2006.01.01) G06N 20/00 (2019.01.01) |
CPC | G01N 21/65(2013.01) G01N 21/5907(2013.01) G01J 3/44(2013.01) G06N 3/08(2013.01) G06N 20/00(2013.01) |
출원번호/일자 | 1020200123589 (2020.09.24) |
출원인 | 서강대학교산학협력단 |
등록번호/일자 | |
공개번호/일자 | 10-2022-0040651 (2022.03.31) 문서열기 |
공고번호/일자 | |
국제출원번호/일자 | |
국제공개번호/일자 | |
우선권정보 | |
법적상태 | 공개 |
심사진행상태 | 수리 |
심판사항 | |
구분 | 국내출원/신규 |
원출원번호/일자 | |
관련 출원번호 | |
심사청구여부/일자 | Y (2021.07.02) |
심사청구항수 | 20 |
번호 | 이름 | 국적 | 주소 |
---|---|---|---|
1 | 서강대학교산학협력단 | 대한민국 | 서울특별시 마포구 |
번호 | 이름 | 국적 | 주소 |
---|---|---|---|
1 | 김동철 | 서울특별시 마포구 | |
2 | 강태욱 | 서울특별시 마포구 | |
3 | 곽태진 | 서울특별시 마포구 |
번호 | 이름 | 국적 | 주소 |
---|---|---|---|
1 | 특허법인 천지 | 대한민국 | 서울특별시 강남구 논현로**길 **, *층(역삼동, 신한빌딩) |
번호 | 이름 | 국적 | 주소 |
---|---|---|---|
최종권리자 정보가 없습니다 |
번호 | 서류명 | 접수/발송일자 | 처리상태 | 접수/발송번호 |
---|---|---|---|---|
1 | [특허출원]특허출원서 [Patent Application] Patent Application |
2020.09.24 | 수리 (Accepted) | 1-1-2020-1016567-91 |
2 | [심사청구]심사청구서·우선심사신청서 |
2021.07.02 | 수리 (Accepted) | 1-1-2021-0768146-76 |
3 | 선행기술조사의뢰서 Request for Prior Art Search |
2021.11.16 | 수리 (Accepted) | 9-1-9999-9999999-89 |
번호 | 청구항 |
---|---|
1 |
1 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치에 있어서, 수용액에 대한 라만 스펙트럼 데이터가 입력되면, 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 피크 데이터를 추출하는 피크추출부; 및 상기 피크 데이터를 기초로 예측모델을 통해 상기 수용액에 포함된 가스 농도의 예측값을 산출하고, 산출된 예측값으로부터 가스 농도를 도출하여 출력하는 농도예측부; 를 포함하는 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 장치 |
2 |
2 제1항에 있어서, 실험 데이터인 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 학습용 피크 데이터와 상기 학습용 피크 데이터에 대응하는 가스 농도를 추출하여 학습 데이터를 마련하고, 상기 학습 데이터 중 일부를 검사 데이터로 설정하고, 상기 학습 데이터를 이용하여 수용액에 포함된 가스 농도의 예측값을 산출하도록 예측모델을 학습시키고, 상기 검사 데이터를 이용하여 상기 학습 결과를 검사하는 모델생성부; 를 더 포함하는 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 장치 |
3 |
3 제2항에 있어서, 상기 모델생성부는 상기 학습 데이터 및 상기 검사 데이터 각각의 정확도 양자 모두가 기 설정된 조건을 만족할 때까지 상기 예측모델의 은닉계층 및 은닉노드의 수를 조절하면서, 상기 학습 데이터를 이용한 상기 예측모델에 대한 학습과, 상기 검사 데이터를 이용한 상기 예측모델에 대한 학습 성과의 검사를 반복하는 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 장치 |
4 |
4 제2항에 있어서, 상기 모델생성부는 상기 학습용 피크 데이터에 대응하는 가스 농도를 기 설정된 경계값을 기준으로 원핫인코딩 벡터로 변환하여 경계 레이블로 설정하고, 상기 학습용 피크 데이터를 예측모델에 입력하고, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하면, 경계손실함수 에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계 최적화를 수행하고, 상기 Lboaderselected는 경계 손실함수이고, 상기 Oi는 상기 예측모델의 예측값이고, 상기 vi는 상기 출력값에 대응하는 경계 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스인 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 장치 |
5 |
5 제4항에 있어서, 상기 모델생성부는 기 설정된 경계값을 기준으로 학습용 피크 데이터에 대응하는 가스 농도를 원핫인코딩 벡터로 변환하여 상기 경계레이블로 설정하고, 상기 학습용 피크 데이터의 은닉벡터에 대응하는 기준벡터를 증강 레이블로 설정하고, 상기 학습용 피크 데이터를 예측모델에 입력하고, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 마지막 은닉계층의 복수의 은닉노드의 출력값과, 출력층의 출력인 예측값을 산출하면, 경계증강손실함수 에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계 손실 및 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값과 증강 레이블과의 차이를 나타내는 증강 손실을 포함하는 경계증강 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계증강 최적화를 수행하고, 상기 Lboaderenhanced는 경계증강 손실함수이고, 상기 Oi는 상기 예측모델의 출력층의 출력인 예측값이고, 상기 vi는 상기 예측값에 대응하는 경계 레이블이고, 상기 hij는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값이고, 상기 rij는 상기 복수의 은닉노드의 출력값에 대응하는 증강 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스이고, 상기 j는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드에 대응하는 인덱스인 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 장치 |
6 |
6 제5항에 있어서, 상기 모델생성부는 상기 학습용 피크 데이터에 대응하는 가스 농도를 수치 레이블로 설정하고, 상기 학습용 피크 데이터를 예측모델에 입력하고, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하면, 상기 예측모델의 상기 예측값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하는 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 장치 |
7 |
7 제6항에 있어서, 상기 모델생성부는 수치손실함수 에 따라 상기 예측모델의 출력값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하며, 상기 Lvaule는 수치손실함수이고, 상기 Oi는 상기 예측모델의 출력인 예측값이고, 상기 Ci는 상기 예측값에 대응하는 수치 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스인 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 장치 |
8 |
8 제1항에 있어서, 상기 가스가 CO이면, 상기 파장은 1948 및 2063 이고, 상기 가스가 아세트산염(Acetate)이면 상기 파장은 928 이고, 상기 가스가 낙산염(Butyrate)이면, 상기 파장은 877 인 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 장치 |
9 |
9 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치에 있어서, 실험 데이터인 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 학습용 피크 데이터와 상기 학습용 피크 데이터에 대응하는 가스 농도를 추출하여 학습 데이터를 마련하고, 상기 학습 데이터를 이용하여 수용액에 포함된 가스 농도의 예측값을 산출하도록 인공신경망 알고리즘인 예측모델을 학습시키는 모델생성부;를 포함하는 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 장치 |
10 |
10 제9항에 있어서, 상기 모델생성부는 상기 학습용 피크 데이터에 대응하는 가스 농도를 수치 레이블로 설정하고, 상기 학습용 피크 데이터를 예측모델에 입력하고, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하면, 상기 예측모델의 상기 예측값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하되, 수치손실함수 에 따라 상기 예측모델의 출력값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하며, 상기 Lvaule는 수치 손실함수이고, 상기 Oi는 상기 예측모델의 출력인 예측값이고, 상기 Ci는 상기 예측값에 대응하는 수치 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스인 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 장치 |
11 |
11 제9항에 있어서, 상기 모델생성부는 학습용 피크 데이터에 대응하는 가스 농도를 기 설정된 경계값을 기준으로 원핫인코딩 벡터로 변환하여 경계 레이블로 설정하고, 상기 학습용 피크 데이터를 예측모델에 입력하고, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하면, 경계손실함수 에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계 최적화를 수행한 후, 기 설정된 경계값을 기준으로 학습용 피크 데이터에 대응하는 가스 농도를 원핫인코딩 벡터로 변환하여 상기 경계레이블로 설정하고, 상기 학습용 피크 데이터의 은닉벡터에 대응하는 기준벡터를 증강 레이블로 설정하고, 상기 학습용 피크 데이터를 예측모델에 입력하고, 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 마지막 은닉계층의 복수의 은닉노드의 출력값과, 출력층의 출력인 예측값을 산출하면, 경계증강손실함수 에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계 손실 및 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값과 증강 레이블과의 차이를 나타내는 증강 손실을 포함하는 경계증강 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계증강 최적화를 수행하고, 상기 Lboaderselected는 경계 손실함수이고, 상기 Lboaderenhanced는 경계증강 손실함수이고, 상기 Oi는 상기 예측모델의 출력층의 출력인 예측값이고, 상기 vi는 상기 예측값에 대응하는 경계 레이블이고, 상기 hij는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값이고, 상기 rij는 상기 복수의 은닉노드의 출력값에 대응하는 증강 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스이고, 상기 j는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드에 대응하는 인덱스인 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 장치 |
12 |
12 제10항에 있어서, 수용액에 내에 프로브를 통해 빛을 발광하고, 발광된 빛이 산란되어 나오는 것을 측정하여 라만 스펙트럼 데이터를 취득하고, 취득한 라만 스펙트럼 데이터를 제공하는 스펙트럼측정부; 상기 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 피크 데이터를 추출하는 피크추출부; 및 상기 피크 데이터를 기초로 상기 예측모델을 통해 상기 수용액에 포함된 가스 농도의 예측값을 산출하고, 산출된 예측값으로부터 가스 농도를 도출하여 출력하는 농도예측부; 를 더 포함하는 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 장치 |
13 |
13 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 방법에 있어서, 스펙트럼측정부가 수용액에 내에 프로브를 통해 빛을 발광하고, 발광된 빛이 산란되어 나오는 것을 측정하여 라만 스펙트럼 데이터를 취득하는 단계; 피크추출부가 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 피크 데이터를 추출하는 단계; 농도예측부가 상기 피크 데이터를 기초로 예측모델을 통해 상기 수용액에 포함된 가스 농도의 예측값을 산출하는 단계; 및 상기 농도예측부가 산출된 예측값으로부터 가스 농도를 도출하여 출력하는 단계;를 포함하는 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 방법 |
14 |
14 제13항에 있어서, 상기 라만 스펙트럼 데이터를 취득하는 단계 전, 상기 모델생성부가 실험 데이터로부터 학습 데이터 및 검사 데이터를 추출하는 단계; 상기 모델생성부가 상기 예측모델의 은닉계층 및 은닉노드의 수를 설정하는 단계; 상기 모델생성부가 상기 학습 데이터를 이용하여 설정된 수의 은닉계층 및 은닉노드를 가지는 예측모델에 대한 학습을 수행하고, 상기 검사 데이터를 이용하여 예측모델(PM)의 학습 성과를 검사하고, 상기 모델생성부가 상기 학습 데이터의 정확도 및 상기 검사 데이터의 정확도를 산출하는 단계; 상기 모델생성부가 상기 학습 데이터 정확도가 상기 검사 데이터의 정확도 보다 높으면서 상기 학습 데이터 정확도 및 상기 검사 데이터의 정확도 양자 모두가 임계치 이상인 조건을 만족하는지 여부를 판별하는 단계; 및 상기 판별 결과, 상기 조건을 만족하면, 상기 모델생성부가 현재 설정에 따라 은닉계층 및 은닉노드의 수를 결정하는 단계; 를 포함하는 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 방법 |
15 |
15 제14항에 있어서, 상기 조건을 만족하는지 여부를 판별하는 단계후, 상기 판별 결과, 상기 조건을 만족하지 않으면, 상기 모델생성부가 은닉계층 및 은닉노드의 수를 재설정한 후, 상기 정확도를 산출하는 단계 및 상기 조건을 만족하는지 여부를 판별하는 단계를 반복하는 단계; 더 포함하는 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 방법 |
16 |
16 제13항에 있어서, 상기 라만 스펙트럼 데이터를 취득하는 단계 전, 상기 모델생성부가 실험 데이터인 라만 스펙트럼 데이터로부터 가스의 종류에 상응하는 파장의 학습용 피크 데이터와 상기 학습용 피크 데이터에 대응하는 가스 농도를 추출하여 학습 데이터를 마련하는 단계; 상기 모델생성부가 상기 학습용 피크 데이터에 대응하는 가스 농도를 수치 레이블로 설정하는 단계; 상기 모델생성부가 상기 학습용 피크 데이터를 예측모델에 입력하는 단계; 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하는 단계; 상기 모델생성부가 상기 예측모델의 상기 예측값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하는 단계;를 더 포함하는 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 방법 |
17 |
17 제16항에 있어서, 상기 수치 최적화를 수행하는 단계는 상기 모델생성부가 수치손실함수 에 따라 상기 예측모델의 출력값과 수치 레이블의 차이인 수치 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 수치 최적화를 수행하며, 상기 Lvalue는 수치손실함수이고, 상기 Oi는 상기 예측모델의 출력인 예측값이고, 상기 Ci는 상기 예측값에 대응하는 수치 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스인 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 방법 |
18 |
18 제13항에 있어서, 상기 라만 스펙트럼 데이터를 취득하는 단계 전, 상기 모델생성부가 상기 학습용 피크 데이터에 대응하는 가스 농도를 기 설정된 경계값을 기준으로 원핫인코딩 벡터로 변환하여 경계 레이블로 설정하는 단계; 상기 모델생성부가 상기 학습용 피크 데이터를 예측모델에 입력하는 단계; 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 예측값을 산출하는 단계; 상기 모델생성부가 경계손실함수 에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계 최적화를 수행하는 단계;를 더 포함하며, 상기 Lboaderselected는 경계 손실함수이고, 상기 Oi는 상기 예측모델의 출력인 예측값이고, 상기 vi는 상기 예측값에 대응하는 경계 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스인 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 방법 |
19 |
19 제18항에 있어서, 상기 경계 최적화를 수행하는 단계 후, 상기 모델생성부가 기 설정된 경계값을 기준으로 학습용 피크 데이터에 대응하는 가스 농도를 원핫인코딩 벡터로 변환하여 상기 경계레이블로 설정하고, 상기 학습용 피크 데이터의 은닉벡터에 대응하는 기준벡터를 증강 레이블로 설정하는 단계; 상기 모델생성부가 상기 학습용 피크 데이터를 예측모델에 입력하는 단계; 상기 예측모델이 상기 학습용 피크 데이터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 마지막 은닉계층의 복수의 은닉노드의 출력값과, 출력층의 출력인 예측값을 산출하는 단계; 상기 모델생성부가 경계증강손실함수 에 따라 상기 예측모델의 출력인 예측값과 경계 레이블의 차이인 경계 손실 및 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값과 증강 레이블과의 차이를 나타내는 증강 손실을 포함하는 경계증강 손실이 최소가 되도록 상기 예측모델의 가중치를 수정하는 경계증강 최적화를 수행하는 단계;를 더 포함하며, 상기 Lboaderenhanced는 경계증강 손실함수이고, 상기 Oi는 상기 예측모델의 출력인 예측값이고, 상기 vi는 상기 예측값에 대응하는 경계 레이블이고, 상기 i는 상기 예측모델의 출력층의 출력노드에 대응하는 인덱스이고, 상기 hij는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드의 출력값이고, 상기 rij는 상기 복수의 은닉노드의 출력값에 대응하는 증강 레이블이고, 상기 j는 상기 예측모델의 마지막 은닉계층의 복수의 은닉노드에 대응하는 인덱스인 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 방법 |
20 |
20 제13항에 있어서, 상기 가스가 CO이면, 상기 파장은 1948 및 2063이고, 상기 가스가 아세트산염(Acetate)이면 상기 파장은 928 이고, 상기 가스가 낙산염(Butyrate)이면, 상기 파장은 877 인 것을 특징으로 하는 용존 가스 농도를 예측하기 위한 방법 |
지정국 정보가 없습니다 |
---|
패밀리정보가 없습니다 |
---|
순번 | 연구부처 | 주관기관 | 연구사업 | 연구과제 |
---|---|---|---|---|
1 | 과학기술정보통신부 | 서강대학교 | 기후변화대응기술개발(R&D) | 표면증강라만분광법을 이용한 비평형 용존 C1 가스 및 대사산물 실시간 모니터링 기술 개발 |
2 | 과학기술정보통신부 | 서강대학교 | 개인기초연구(과기정통부)(R&D) | 나노복합체의 복합 다종 자극에 의한 피로 및 부식 내구성 예측 및 설계 시스템 개발 |
등록사항 정보가 없습니다 |
---|
번호 | 서류명 | 접수/발송일자 | 처리상태 | 접수/발송번호 |
---|---|---|---|---|
1 | [특허출원]특허출원서 | 2020.09.24 | 수리 (Accepted) | 1-1-2020-1016567-91 |
2 | [심사청구]심사청구서·우선심사신청서 | 2021.07.02 | 수리 (Accepted) | 1-1-2021-0768146-76 |
3 | 선행기술조사의뢰서 | 2021.11.16 | 수리 (Accepted) | 9-1-9999-9999999-89 |
기술정보가 없습니다 |
---|
과제고유번호 | 1345330364 |
---|---|
세부과제번호 | 4299990314326 |
연구과제명 | 사회가치 창출을 위한 스마트 기계기술 교육연구팀 |
성과구분 | 출원 |
부처명 | 교육부 |
연구관리전문기관명 | 서강대학교 |
연구주관기관명 | 한국연구재단 |
성과제출연도 | 2020 |
연구기간 | 202009~202708 |
기여율 | 0 |
연구개발단계명 | 기초연구 |
6T분류명 | 위의 미래유망신기술(6T) 103개 세분류에 속하지 않는 기타 연구 |
과제고유번호 | 1711104218 |
---|---|
세부과제번호 | 2018M3D3A1A01055759 |
연구과제명 | 표면증강라만분광법을 이용한 비평형 용존 C1 가스 및 대사산물 실시간 모니터링 기술 개발 |
성과구분 | 출원 |
부처명 | 과학기술정보통신부 |
연구관리전문기관명 | 서강대학교 |
연구주관기관명 | 한국연구재단 |
성과제출연도 | 2020 |
연구기간 | 201804~202402 |
기여율 | 0.5 |
연구개발단계명 | 기초연구 |
6T분류명 | NT(나노기술) |
과제고유번호 | 1711107800 |
---|---|
세부과제번호 | 2020R1A2C2010986 |
연구과제명 | 나노복합체의 복합 다종 자극에 의한 피로 및 부식 내구성 예측 및 설계 시스템 개발 |
성과구분 | 출원 |
부처명 | 과학기술정보통신부 |
연구관리전문기관명 | 서강대학교 |
연구주관기관명 | 한국연구재단 |
성과제출연도 | 2020 |
연구기간 | 202003~202502 |
기여율 | 0.5 |
연구개발단계명 | 기초연구 |
6T분류명 | NT(나노기술) |
[1020200141488] | 스마트 약물 방출을 위한 전도성 혼합 하이드로젤 및 이의 제조방법 | 새창보기 |
---|---|---|
[1020200127526] | 암 세포 표적 및 근적외선에 의한 화학-광열 치료가 가능한 온도 감응성 고분자 기반의 나노 복합체 및 그 제조 방법 | 새창보기 |
[1020200123589] | 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치 및 이를 위한 방법 | 새창보기 |
[1020200118881] | 그래핀-황화구리 복합체를 포함하는 광열접착용 조성물, 이의 제조방법 및 이를 이용한 미세유체칩의 제조방법 | 새창보기 |
[KST2021001889][서강대학교] | 준지도 학습을 기반으로 한 이미지 분류를 위한 적대적 이미지 생성 모델 구축 시스템 및 방법 | 새창보기 |
---|---|---|
[KST2015187981][서강대학교] | 대면적 라만 분광 이미징 장치 및 그 방법 | 새창보기 |
[KST2018016381][서강대학교] | 타성 패턴 인식 시스템 및 방법 | 새창보기 |
[KST2020012261][서강대학교] | 학습 데이터에 대한 오버샘플링 방법 | 새창보기 |
[KST2020000752][서강대학교] | 실리콘 나노박막의 두께 측정 방법 | 새창보기 |
[KST2014052464][서강대학교] | 바이오 검출칩 및 이의 제조방법 | 새창보기 |
[KST2016021267][서강대학교] | SERS-기반 세포내 miRNA 검출용 조성물(Composition for SERS-based Detecting cellular miRNA) | 새창보기 |
[KST2017000049][서강대학교] | 표면 증강 라만 산란 방법(SERS)을 이용하여 순환 종양세포 및 순환 종양 줄기유사세포를 검출하는 방법 및 이를 이용한 시스템(Methods for Detecting Circulating Tumor Cells and Stem-like Circulating Tumor Cells Using Surface-Enhanced Raman Scattering and Systems Using Thereof) | 새창보기 |
[KST2018011564][서강대학교] | 생물의학용어 개체명 인식 시스템 및 방법 | 새창보기 |
[KST2019025588][서강대학교] | 컨볼루션 신경망을 이용한 샷 경계 검출 방법 및 장치 | 새창보기 |
[KST2014058699][서강대학교] | 표면증강라만분광 활성 입자를 이용한 액상-액상계면에서의 분석물 검출 방법 | 새창보기 |
[KST2017000051][서강대학교] | 금속 코아 간 초미세 보이드를 가지는 나노 갭 구조체 및 이를 이용한 분자 검출 장치 및 방법, 선택적 에칭을 통한 상기 나노 갭 구조체의 제조 방법(Nanogap structure having ultrasmall void between metal cores and molecular sensing apparatus and method using the same, and method for preparing the nanogap structure by selective etching) | 새창보기 |
[KST2019010411][서강대학교] | 군집화와 딥러닝을 이용한 멀티플렉싱 신호 처리 장치 및 방법 | 새창보기 |
[KST2019017468][서강대학교] | 금속 필름 위에 나노 입자를 고밀도로 조립시켜 대면적으로 나노갭이 존재하는 플라즈모닉 기판을 제조하는 방법 및 이에 따라 얻어진 플라즈모닉 기판 | 새창보기 |
[KST2020009316][서강대학교] | 영상 처리 장치 및 그 영상 처리 방법 | 새창보기 |
[KST2014034326][서강대학교] | 플라즈몬 기반 시각적 센싱의 감도 증폭 방법 및 감도 증폭 장치, 이를 이용한 플라즈몬 기반 시각적 센싱 방법 및 센서 (Method and apparatus for increasing sensitivity of plasmonic based optical sensing, plasmonic based optical sensing method and sensor) | 새창보기 |
[KST2015188029][서강대학교] | 태양전지의 결함 여부 검사 시스템 및 그 방법 | 새창보기 |
[KST2020006040][서강대학교] | 컨볼루션 신경망 기반의 입력 분류 장치 및 방법 | 새창보기 |
[KST2015187897][서강대학교] | 표면증강라만분광 활성 입자를 이용한 액상-액상계면에서의 분석물 검출용 장치 | 새창보기 |
[KST2018006083][서강대학교] | 토픽 가상화를 통한 매쉬업 콘텐츠를 제공하는 발행/구독 기반의 콘텐츠 전달 플랫폼 시스템, 매쉬업 서버 및 콘텐츠 전달 방법(A publish/subscribe-based contents delivery platform system which utilizes mashup through topic virtualization, a mashup server and a publish/subscribe-based contents delivery method) | 새창보기 |
[KST2018002135][서강대학교] | 라만 신호와 위상변화를 동시에 측정하는 시스템 및 그 방법(SIMULTANEOUS MEASUREMENT METHOD AND SYSTEM FOR RAMAN SIGNAL AND PHASE CHANGE) | 새창보기 |
[KST2019017467][서강대학교] | 유기 용매를 이용하여 초고속 고밀도로 자가 배열된 나노 입자 필름을 제조하는 방법 및 이를 이용한 유기 용매 상의 분자 검출 방법 | 새창보기 |
[KST2019025689][서강대학교] | 합성곱 신경망을 활용한 데이터 확장방법 및 장치 | 새창보기 |
[KST2019008400][서강대학교] | 그래프 기반 준지도 학습에서의 빠른 낮은 계수 표현을 기반으로 한 그래프 구축 방법 및 시스템 | 새창보기 |
[KST2020004901][서강대학교] | 이종 금속 나노 구조체를 활용한 표면증강라만산란법 기반 비평형 용존 C1 가스 검출 장치 및 방법 | 새창보기 |
[KST2020006913][서강대학교] | 수용액 상의 물질 종류와 물질 농도 예측 장치 및 그 예측 방법 | 새창보기 |
[KST2020011548][서강대학교] | 신경망 학습 방법 및 동작 방법 | 새창보기 |
[KST2018012399][서강대학교] | 멀티 모달의 상관관계를 이용한 동영상 특징 벡터 추출 방법 및 시스템 | 새창보기 |
[KST2019025628][서강대학교] | 이차원 물질의 도메인 구조 측정 시스템 및 그 방법 | 새창보기 |
[KST2020004905][서강대학교] | 금속 나노 구조체의 정전기적 인력을 활용한 표면증강라만산란법 기반 생물전환 대사산물 검출 장치 및 방법 | 새창보기 |
심판사항 정보가 없습니다 |
---|