| 1 |
1
데이터 분석 서버에서, 테일러-쿠엣 흐름에서의 입도를 예측하는 방법에 있어서, a) 테일러-쿠엣 흐름에서의 입도를 예측하기 위해 설계되고 유효성이 검증된 모델에 포함되는 여러 변수들 중에서 복수의 핵심 변수를 추출하는 단계;b) 복수의 핵심변수들 중 선택되는 핵심 변수를 입력값으로 하고, 핵심 변수 이외의 다른 변수들은 통제한 상태에서 시뮬레이션을 수행하여 핵심 변수의 값 변화에 따른 입도를 출력값으로 하는 데이터들을 획득하고, 상기 데이터들을 포함하는 데이터셋(dataset)을 생성하는 단계;c) 상기 데이터들을 커브 피팅(curve fitting)하여 추정된 입출력값 복수 개를 추가로 데이터셋에 포함시켜 트레이닝 데이터셋을 생성하는 단계;d) 머신러닝 모델을 트레이닝 데이터셋으로 학습시키는 단계; 및 e) 학습된 머신러닝 모델에 새로운 케이스를 입력하여 입도를 예측하는 단계를 포함하는 테일러-쿠동 흐름에서의 입도를 예측하는 방법
|
| 2 |
2
청구항 1에 있어서, 단계 b)를 반복하여 다양한 핵심 변수에의 값 변화에 따른 입도를 출력값으로 하는 데이터들을 획득하고, 데이터셋에 추가하는 단계를 더 포함하는, 테일러-쿠동 흐름에서의 입도를 예측하는 방법
|
| 3 |
3
청구항 1 또는 청구항 2에 있어서, 단계 a)의 모델은 집합체 균형방정식(PBE; population balance equation)의 사용자-서브루틴(user-subroutine)이 결합된 CFD(computational fluid dynamics)인, 테일러-쿠동 흐름에서의 입도를 예측하는 방법
|
| 4 |
4
청구항 3에 있어서, 핵심 변수는 PBE 모델의 경험 상수인 C1값, 테일러-쿠엣 흐름을 일으키는 동심환원관 형태의 반응용기에서 아우터 실린더와 이너 실린더 사이의 간극(gap size), 이너 실린더의 각속도(angular velocity) 및 점도(viscosity) 중 1 이상 선택되는 것인, 테일러-쿠동 흐름에서의 입도를 예측하는 방법
|
| 5 |
5
청구항 4에 있어서, 머신러닝 모델이 랜덤 포레스트(random forest), 엑스트라 트리(extra trees), 서포트 벡터 머신(support vector machine) 및 k-최근접 이웃 알고리즘(k-NN) 중에서 선택된 어느 하나인, 테일러-쿠동 흐름에서의 입도를 예측하는 방법
|
