| 1 |
1
전자장치에 의해 수행되는 인공지능 기반의 석출경화형 합금 설계 방법에 있어서, 상기 인공지능 기반의 석출경화형 합금 설계 방법은,복수의 변수들을 가공하는 입력변수 가공단계; 상기 입력변수 가공단계에서 생성된 입력변수들에 대응하는 데이터를 학습하는 인공신경망 학습단계; 상기 인공신경망 학습단계에서 생성된 출력변수들을 가공하는 출력변수 가공단계; 및상기 출력변수 가공단계에서 가공된 출력변수들을 이용하여 석출경화형 합금의 기계적 성질 및 전기적 성질을 추정하는 성질 추정단계를 포함하며,상기 입력변수 가공단계는, 복수의 석출경화형 합금들 각각이 포함하는 복수의 금속물질들에 대한 데이터에서 제1 금속물질의 양에 대응하는 데이터를 제거하는 조성변수 가공단계; 및 상기 복수의 석출경화형 합금들 각각에 대응하는 복수의 공정정보들이 서로 다른 코드값을 가지도록 하는 공정정보 코드화단계를 포함하는 인공지능 기반의 석출경화형 합금 설계 방법
|
| 2 |
2
제1 항에 있어서,상기 제1 금속물질은 상기 복수의 금속물질들 중 가장 큰 weight % 또는 가장 큰 atomic %를 차지하는 금속물질인 인공지능 기반의 석출경화형 합금 설계 방법
|
| 3 |
3
제1 항에 있어서,상기 복수의 금속물질들은 Cu, Ni, Si, Mg, Sn, Al, Zn, Fe, Ti, Cr, Zr, Mn, Ag, P, Co, 및 Pb를 포함하는 인공지능 기반의 석출경화형 합금 설계 방법
|
| 4 |
4
제3 항에 있어서,상기 제1 금속물질은 Cu인 인공지능 기반의 석출경화형 합금 설계 방법
|
| 5 |
5
제4 항에 있어서,상기 복수의 공정정보들은 용체화 처리조건, 열처리 조건, 가공 공정 조건, 및 시효조건 중 적어도 어느 하나에 대응하는 정보를 포함하는 인공지능 기반의 석출경화형 합금 설계 방법
|
| 6 |
6
제1 항에 있어서,상기 입력변수 가공단계는 무처리공정 데이터 증강 단계를 더 포함하고,상기 무처리공정 데이터 증강 단계는 상기 복수의 석출경화형 합금들을 생성하기 위한 시간을 포함하는 공정이 이루어 지지 않았을 경우, 상기 시간 외에 다른 변수들이 의미 있도록 하는 학습데이터를 생성하는 인공지능 기반의 석출경화형 합금설계 방법
|
| 7 |
7
제6 항에 있어서,상기 학습데이터는 열처리 시간은 0이면서, 열처리 온도가 서로 다른 복수의 데이터들을 포함하고, 상기 학습데이터는 상기 인공신경망 학습단계를 통해 학습되는 인공지능 기반의 석출경화형 합금설계 방법
|
| 8 |
8
제6 항에 있어서,상기 입력변수 가공단계에서 생성된 상기 입력변수들은 평균 0, 분산 1을 만족시키도록 선형 변환되는 인공지능 기반의 석출경화형 합금설계 방법
|
| 9 |
9
제1 항에 있어서,상기 인공신경망 학습단계에서 이용되는 인공 신경망은 제1 은닉층 및 제2 은닉층을 포함하는 완전연결 신경망이며, 상기 제1 은닉층 및 상기 제2 은닉층 각각은 40개 이상 80개 이하의 뉴런들을 포함하는 인공지능 기반의 석출경화형 합금설계 방법
|
| 10 |
10
제9 항에 있어서,상기 뉴런들에 가해지는 활성화 함수는 시그모이드(sigmoid) 함수, 쌍곡탄젠트(tanh) 함수, ELU(Exponential Linear Unit) 함수, 및 선형 함수 중 적어도 어느 하나를 포함하는 인공지능 기반의 석출경화형 합금설계 방법
|
| 11 |
11
복수의 전자장치들을 포함하는 인공지능 기반의 석출경화형 합금 설계 시스템에 있어서, 상기 인공지능 기반의 석출경화형 합금 설계 시스템은,복수의 변수들을 가공하여 복수의 입력변수들을 생성하고, 인공 신경망을 이용하여 상기 복수의 입력변수들에 대응하는 데이터를 학습하며, 상기 인공 신경망에 의해서 생성된 복수의 출력변수들을 가공하고,상기 가공된 복수의 출력변수들을 이용하여 석출경화형 합금의 기계적 성질 및 전기적 성질을 추정하며,상기 복수의 입력변수들은, 복수의 석출경화형 합금들 각각이 포함하는 복수의 금속물질들에 대한 데이터에서 제1 금속물질의 양에 대응하는 데이터를 제거하여 생성된 복수의 조성변수들; 및 각각이 복수의 공정정보들에 대응하며 서로 다른 값을 가지는 복수의 코드값들을 포함하는 인공지능 기반의 석출경화형 합금 설계 시스템
|
| 12 |
12
제11 항에 있어서,상기 제1 금속물질은 상기 복수의 금속물질들 중 가장 큰 weight % 또는 가장 큰 atomic %를 차지하는 금속물질인 인공지능 기반의 석출경화형 합금 설계 시스템
|
| 13 |
13
제11 항에 있어서,상기 복수의 금속물질들은 Cu, Ni, Si, Mg, Sn, Al, Zn, Fe, Ti, Cr, Zr, Mn, Ag, P, Co, 및 Pb를 포함하는 인공지능 기반의 석출경화형 합금 설계 시스템
|
| 14 |
14
제13 항에 있어서,상기 제1 금속물질은 Cu인 인공지능 기반의 석출경화형 합금 설계 시스템
|
| 15 |
15
제14 항에 있어서,상기 복수의 공정정보들은 용체화 처리조건, 열처리 조건, 가공 공정 조건, 및 시효조건 중 적어도 어느 하나에 대응하는 정보를 포함하는 인공지능 기반의 석출경화형 합금 설계 시스템
|
| 16 |
16
제11 항에 있어서,상기 복수의 입력변수들은 무처리공정 데이터를 더 포함하고,상기 무처리공정 데이터는 상기 복수의 석출경화형 합금들을 생성하기 위한 시간을 포함하는 공정이 이루어 지지 않았을 경우, 상기 시간 외에 다른 변수들이 의미 있도록 하는 학습데이터인 인공지능 기반의 석출경화형 합금설계 시스템
|
| 17 |
17
제16 항에 있어서,상기 학습데이터는 열처리 시간은 0이면서, 열처리 온도가 서로 다른 복수의 데이터들을 포함하고, 상기 학습데이터는 상기 인공 신경망을 통해 학습되는 인공지능 기반의 석출경화형 합금설계 시스템
|
| 18 |
18
제16 항에 있어서,상기 복수의 입력변수들은 평균 0, 분산 1을 만족시키도록 선형 변환되는 인공지능 기반의 석출경화형 합금설계 시스템
|
| 19 |
19
제11 항에 있어서,상기 인공 신경망은 제1 은닉층 및 제2 은닉층을 포함하는 완전연결 신경망이며, 상기 제1 은닉층 및 상기 제2 은닉층 각각은 40개 이상 80개 이하의 뉴런들을 포함하는 인공지능 기반의 석출경화형 합금설계 시스템
|
| 20 |
20
제19 항에 있어서,상기 뉴런들에 시그모이드(sigmoid) 함수, 쌍곡탄젠트(tanh) 함수, ELU(Exponential Linear Unit) 함수, 및 선형 함수 중 적어도 어느 하나가 적용되는 인공지능 기반의 석출경화형 합금설계 시스템
|
