1 |
1
적어도 하나의 프로세서에 의해 구동되는 복합재 설계 장치의 동작 방법으로서,복합재 데이터에 포함된 각 복합재를, 재료 물질들의 주요 물성치 및 비율을 포함하는 복합재 구성 정보로 변환하는 단계, 그리고변환된 복합재 구성 정보를 기초로 복합재 물성치를 예측하는 적어도 하나의 기계 학습 모델을 훈련시키는 단계를 포함하는 동작 방법
|
2 |
2
제1항에서,상기 주요 물성치는 각 재료 물질의 물성치 시트(property sheet)에서 공통적으로 발견되는 물성치인, 동작 방법
|
3 |
3
제1항에서,복합재들을 구성하는 재료 물질들을 특성에 따라 복수의 카테고리들로 분류하고, 카테고리별로 재료 물질들의 공통된 물성치를 해당 카테고리의 주요 물성치로 추출하는 단계를 더 포함하는, 동작 방법
|
4 |
4
제3항에서,상기 카테고리가 베이스 수지인 경우, 상기 주요 물성치는 용융흐름지수, 밀도, 탄성 계수, 항복 인장강도, 그리고 충격강도를 포함하는, 동작 방법
|
5 |
5
제3항에서,상기 카테고리가 탄성중합체인 경우, 상기 주요 물성치는 용융흐름지수, 밀도, 파괴 인장강도, 파괴 신율, 경도, 그리고 용융온도를 포함하는, 동작 방법
|
6 |
6
제3항에서,상기 변환된 복합재 구성 정보의 데이터 차원은상기 복합재 데이터에 포함된 복합재들이 분류된 카테고리의 수, 동일 카테고리의 재료 물질이 복합재에서 사용되는 최대 수, 각 카테고리에 속하는 재료 물질들의 주요 물성치 수에 따라, 결정되는, 동작 방법
|
7 |
7
제1항에서,상기 변환된 복합재 구성 정보의 데이터 차원은상기 복합재 데이터의 차원보다 축소되어 상기 기계 학습 모델의 훈련에 사용되는, 동작 방법
|
8 |
8
제1항에서,상기 적어도 하나의 기계 학습 모델은입력으로부터 복수의 물성치들을 예측하는 모델, 또는 입력으로부터 지정된 하나의 물성치를 예측하는 모델인, 동작 방법
|
9 |
9
제1항에서,상기 기계 학습 모델의 입력 데이터 차원에 맞게, 상기 복합재 데이터에 포함된 재료 물질들의 주요 물성치 및 비율을 조합해서, 대량의 가상 복합재들을 생성하는 단계, 그리고훈련된 상기 적어도 하나의 기계 학습 모델을 이용해서, 상기 대량의 가상 복합재들에서, 목표 물성치 값에 가까운 예측 값을 가지는 적어도 하나의 후보 복합재를 추출하는 단계를 포함하는, 동작 방법
|
10 |
10
적어도 하나의 프로세서에 의해 구동되는 복합재 설계 장치의 동작 방법으로서,복합재 데이터에 포함된 재료 물질들의 주요 물성치 및 비율을 조합해서, 대량의 가상 복합재들을 생성하는 단계, 그리고입력으로부터 물성치를 예측하도록 훈련된 기계 학습 모델에 각 가상 복합재의 구성 정보를 입력하고, 상기 기계 학습 모델에서 출력된 예측 값이 목표 물성치 값에 가까운 가상 복합재를 후보 복합재로 추출하는 단계를 포함하는 동작 방법
|
11 |
11
제10항에서,상기 대량의 가상 복합재를 생성하는 단계는상기 복합재 데이터를 기초로, 각 재료 물질이 복합재에 포함될 수 있는 가능 범위를 확인하고, 상기 가능 범위 내 임의 비율을 할당해서 상기 대량의 가상 복합재들을 생성하는, 동작 방법
|
12 |
12
제10항에서,상기 기계 학습 모델은상기 복합재 데이터에서 재료 물질들의 주요 물성치 및 비율을 포함하는 복합재 구성 정보로 차원 축소된 데이터를 이용하여, 적어도 하나의 물성치를 예측하도록 훈련된 모델인, 동작 방법
|
13 |
13
제10항에서,상기 후보 복합재로 추출하는 단계는일정 개수의 후보 복합재가 추출될 때까지, 상기 대량의 가상 복합재들에서 임의로 선택된 가상 복합재의 구성 정보를 입력하고, 상기 기계 학습 모델에서 출력된 예측 값과 상기 목표 물성치 값을 비교하는 절차를 반복하는, 동작 방법
|
14 |
14
제10항에서,상기 주요 물성치는 각 재료 물질의 물성치 시트(property sheet)에서 공통적으로 발견되는 물성치인, 동작 방법
|
15 |
15
제10항에서,상기 주요 물성치는 용융흐름지수, 밀도, 탄성 계수, 항복 인장강도, 충격강도, 파괴 인장강도, 파괴 신율, 경도, 그리고 용융온도 중 적어도 일부를 포함하는, 동작 방법
|
16 |
16
제10항에서,상기 후보 복합재로 추출된 가상 복합재의 구성 정보를, 재료 물질별 비율 정보로 후처리하여 제공하는 단계를 더 포함하는 동작 방법
|
17 |
17
적어도 하나의 프로세서에 의해 구동되는 복합재 설계 장치로서,복합재 데이터에 포함된 각 복합재를, 재료 물질들의 주요 물성치 및 비율을 포함하는 복합재 구성 정보로 변환하는 데이터 전처리기, 그리고변환된 복합재 구성 정보를 기초로 복합재 물성치를 예측하는 적어도 하나의 기계 학습 모델을 훈련시키는 훈련기를 포함하는, 복합재 설계 장치
|
18 |
18
제17항에서,상기 데이터 전처리기는복합재들을 구성하는 재료 물질들을 특성에 따라 복수의 카테고리들로 분류하고, 카테고리별로 각 재료 물질의 물성치 시트(property sheet)에서 공통적으로 발견되는 물성치를 해당 카테고리의 주요 물성치로 결정하며, 각 복합재를 구성하는 재료 물질의 주요 물성치 및 비율이 채워진 상기 복합재 구성 정보를 생성하는, 복합재 설계 장치
|
19 |
19
제17항에서,상기 기계 학습 모델의 입력 데이터 차원에 맞게, 상기 복합재 데이터에 포함된 재료 물질들의 주요 물성치 및 비율을 조합해서, 대량의 가상 복합재들을 생성하는 복합재 후보군 생성기, 그리고훈련된 상기 적어도 하나의 기계 학습 모델을 이용해서, 상기 대량의 가상 복합재들에서, 목표 물성치 값에 가까운 예측 값을 가지는 적어도 하나의 후보 복합재를 추출하는 후보 복합재 추출기를 더 포함하는, 복합재 설계 장치
|
20 |
20
제18항에서,상기 복합재 후보군 생성기는상기 복합재 데이터를 기초로, 각 재료 물질이 복합재에 포함될 수 있는 가능 범위를 확인하고, 상기 가능 범위 내 임의 비율을 할당해서 상기 대량의 가상 복합재들을 생성하는, 복합재 설계 장치
|