선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서 FDM 방식의 3D프린터와 PLGA를 이용하여 기공을 가진 인공지지체를 제작할 때 발생하는 문제에 대해 연구하여 다음과 같은 결론을 도출할 수 있었다.
- 본 논문에서는 3SC실용트리즈를 이용하여 FDM방식의 3D 프린터와 생분해성 재료인 PLGA로 400 ㎛의 기공 크기를 갖는 인공지지체를 제작할 때 발생하는 실험 횟수에 관한 문제를 분석하고 해결방안을 제안하였다. 제안된 해결방안 중 가장 경제적이며 수행 가능한 머신 러닝을 이용한 해결방안을 선택하였다.
- 이 경우 실험해야 할 횟수가 너무 많고 시간이 많이 걸리기 때문에 현장상황에서 해결이 어려워진다. 이러한 문제를 해결하는 것이 본 연구의 목적이다.
가설 설정
- 2. 출력 요인과 수준을 일부만 변경하여 실험 횟수를 축소한다. 측정한 인공지지체의 기공 크기로 알고리즘을 도출하여 실험하지 않은 인공지지체의 기공 크기를 예측 가능한 회귀 모델을 생성한다.
제안 방법
- 1. 기공을 가진 인공지지체 제작에 발생하는 문제를 발생하는 문제를 3SC 실용트리즈를 이용하여 체계적으로 분석하였다. 그 결과 머신 러닝을 이용하여 출력 조건을 생성하는 방안을 도출하였다.
- 3수준으로 구성된 채움 밀도를 이용하여 머신 러닝을 수행하였고 회귀 모델을 생성하였다.
- 4. 목표한 400㎛에 만족하는 조건을 도출하여 실제 인공지지체를 출력하였고, 기공 크기를 측정하였다. 측정한 인공지지체의 기공 크기와 예측한 인공지지체의 기공 크기를 비교하여 오차가 1% 미만임을 확인하여 결과를 정량적으로 검증할 수 있었다.
- 회귀 모델로 실험되지 않은 출력 조건의 기공 크기를 예측하였다. 400㎛의 기공 크기를 만족하는 출력 조건을 찾아 인공지지체를 출력하였다. 측정된 인공지지체의 기공 크기와 예측한 인공지지체의 기공 크기를 비교하여 오차가 1 %미만임을 확인하여 결과를 정량적으로 검증하였다.
- 주 효과도로 5개의 출력 요인 중에서 채움 밀도의 기울기가 가장 심한 것을 확인하였고 5수준중에서 인공지지 체의 기공 크기에 가장 많은 영향을 주는 수준은 70 %, 75 %, 80 %로 확인할 수 있다. 70 %, 75 %, 80 %의 채움 밀도를 학습 데이터로 사용하여 파이썬 텐서플로우를 이용한 머신 러닝을 실행하여 회귀 모델을 생성한다. Table 2는 기공 크기에 가장 많은 영향을 주는 요인인 채움 밀도와 출력 수준을 나타내었다.
- 각 출력 요인들이 기공 크기에 영향을 주는 비율이 다르기 때문에 기공 크기에 가장 영향이 많은 요인을 주 효과도로 분석한 뒤 해당 요인의 출력 조건만 사용하였다. 주 효과도는 기울기가 클수록 영향을 많이 준다는 것을 의미한다.
- 기공을 가진 인공지지체 제작에 발생하는 문제를 발생하는 문제를 3SC 실용트리즈를 이용하여 체계적으로 분석하였다. 그 결과 머신 러닝을 이용하여 출력 조건을 생성하는 방안을 도출하였다.
- 출력 요인과 수준을 전부 변경하지 않고 일부만 실험한다. 그리고 실험한 인공지지체 출력 조건을 이용하여 시뮬레이션을 수행한다. 이 방안은 시뮬레이션 프로그램이 상당히 고가이다.
- 축소된 실험의 수로 인공지지체를 제작하여 사용된 제작 조건을 학습 데이터로 사용하였다. 그리고 파이썬 텐서플로우라는 라이브러리를 이용하여 선형 회귀 모델을 제작하였다.
- 본 연구에서 사용한 장비는 S3D의 타워라는 FDM 방식의 3D 프린터를 사용하였고 정확한 위치 제어를 위하여 교정을 실시하였다. 기어의 회전에 의한 노즐의 실제 이동 거리와 명령 이동 거리를 교정하는 방법을 사용하였다[4]. 명령된 이동 거리를 노즐의 실제 이동거리로 나누어 100을 곱하였고 해당 수치를 펌웨어(Firmware)에 적용 시켰다.
- 채움 밀도를 입력 값으로 설정하였고 기공 크기를 출력 값으로 설정하였다. 머신 러닝의 이동 간격은 0.01로 설정하였고 텐서플로우 라이브러리에서 5,000회의 머신 러닝을 수행하였다.
- 기어의 회전에 의한 노즐의 실제 이동 거리와 명령 이동 거리를 교정하는 방법을 사용하였다[4]. 명령된 이동 거리를 노즐의 실제 이동거리로 나누어 100을 곱하였고 해당 수치를 펌웨어(Firmware)에 적용 시켰다.
- 모순 분석, 이상해결책, 자원 분석을 이용하여 2가지의 해결방안을 도출하였다.
- 생성된 알고리즘을 이용하여 분할, 회귀, 차원 감소 등이 가능하다. 본 논문에서는 기존의 실험데이터로 가장 영향력 있는 요인만 선택하여 실험의 수를 축소하였다. 축소된 실험의 수로 인공지지체를 제작하여 사용된 제작 조건을 학습 데이터로 사용하였다.
- 본 연구에서 사용한 장비는 S3D의 타워라는 FDM 방식의 3D 프린터를 사용하였고 정확한 위치 제어를 위하여 교정을 실시하였다. 기어의 회전에 의한 노즐의 실제 이동 거리와 명령 이동 거리를 교정하는 방법을 사용하였다[4].
- 제안된 해결방안 중 가장 경제적이며 수행 가능한 머신 러닝을 이용한 해결방안을 선택하였다. 실험계획법의 주 효과도로 기공 크기에 영향을 가장 많이 주는 요인의 수준만 변경하여 실험의 횟수를 축소하였다. 출력된 인공지지체를 측정하고 인공지지체의 기공 크기와 출력 조건을 이용하여 회귀 모델을 생성하였다.
- 본 논문에서는 3SC실용트리즈를 이용하여 FDM방식의 3D 프린터와 생분해성 재료인 PLGA로 400 ㎛의 기공 크기를 갖는 인공지지체를 제작할 때 발생하는 실험 횟수에 관한 문제를 분석하고 해결방안을 제안하였다. 제안된 해결방안 중 가장 경제적이며 수행 가능한 머신 러닝을 이용한 해결방안을 선택하였다. 실험계획법의 주 효과도로 기공 크기에 영향을 가장 많이 주는 요인의 수준만 변경하여 실험의 횟수를 축소하였다.
- 회귀 모델을 이용하여 채움 밀도에 대한 예측 된 인공 지지체의 기공 크기를 검증하기 위하여 노즐 온도는 180 ℃, 베드 온도는 40 ℃, 출력 속도는 3 mm/s, 토출량은 100 %로 고정하였다. 채움 밀도를 1%씩 변경하여 인공지 지체를 5개씩 출력하였다. 출력된 인공지지체의 기공 크기를 측정한 뒤 평균을 도출하여 채움 밀도에 대한 기공 크기 변화를 확인하였다.
- 파이썬 텐서플로우를 이용하여 회귀 모델을 제작하였다[6]. 채움 밀도를 입력 값으로 설정하였고 기공 크기를 출력 값으로 설정하였다. 머신 러닝의 이동 간격은 0.
- 실험계획법의 주 효과도로 기공 크기에 영향을 가장 많이 주는 요인의 수준만 변경하여 실험의 횟수를 축소하였다. 출력된 인공지지체를 측정하고 인공지지체의 기공 크기와 출력 조건을 이용하여 회귀 모델을 생성하였다. 회귀 모델로 실험되지 않은 출력 조건의 기공 크기를 예측하였다.
- 채움 밀도를 1%씩 변경하여 인공지 지체를 5개씩 출력하였다. 출력된 인공지지체의 기공 크기를 측정한 뒤 평균을 도출하여 채움 밀도에 대한 기공 크기 변화를 확인하였다.
- 출력 요인과 수준을 일부만 변경하여 실험 횟수를 축소한다. 측정한 인공지지체의 기공 크기로 알고리즘을 도출하여 실험하지 않은 인공지지체의 기공 크기를 예측 가능한 회귀 모델을 생성한다. 이 방안은 현재 연구가 활발한 머신 러닝 기반의 모델을 이용한다면 축소된 실험 횟수의 기공 크기로 쉽게 회귀 모델을 생성할 수 있다는 장점이 있다.
- 파이썬 텐서플로우를 이용하여 회귀 모델을 제작하였다[6]. 채움 밀도를 입력 값으로 설정하였고 기공 크기를 출력 값으로 설정하였다.
- 출력된 인공지지체를 측정하고 인공지지체의 기공 크기와 출력 조건을 이용하여 회귀 모델을 생성하였다. 회귀 모델로 실험되지 않은 출력 조건의 기공 크기를 예측하였다. 400㎛의 기공 크기를 만족하는 출력 조건을 찾아 인공지지체를 출력하였다.
- 회귀 모델을 이용하여 채움 밀도에 대한 예측 된 인공 지지체의 기공 크기를 검증하기 위하여 노즐 온도는 180 ℃, 베드 온도는 40 ℃, 출력 속도는 3 mm/s, 토출량은 100 %로 고정하였다. 채움 밀도를 1%씩 변경하여 인공지 지체를 5개씩 출력하였다.
- 회귀 방식의 기계 학습 방안을 사용하였고 회귀 방안에서는 선형 회귀 방식을 사용하여 인공지지체의 기공 크기를 예측하는 모델을 생성하였다.
대상 데이터
- 본 연구에서는 지름 20 ㎜, 두께 2 ㎜의 인공지지체를 제작할 때의 출력 조건 데이터를 사용하였다. 노즐 온도, 베드 온도, 출력 속도, 채움 밀도, 토출량에 대한 5개의 출력 요인을 3 수준으로 출력한 출력 조건 데이터를 사용하였다.
- 본 연구에서는 지름 20 ㎜, 두께 2 ㎜의 인공지지체를 제작할 때의 출력 조건 데이터를 사용하였다. 노즐 온도, 베드 온도, 출력 속도, 채움 밀도, 토출량에 대한 5개의 출력 요인을 3 수준으로 출력한 출력 조건 데이터를 사용하였다.
- 본 논문에서는 기존의 실험데이터로 가장 영향력 있는 요인만 선택하여 실험의 수를 축소하였다. 축소된 실험의 수로 인공지지체를 제작하여 사용된 제작 조건을 학습 데이터로 사용하였다. 그리고 파이썬 텐서플로우라는 라이브러리를 이용하여 선형 회귀 모델을 제작하였다.
성능/효과
- 2. 실험계획법의 주 효과도를 이용하여 인공지지체의 기공 크기에 영향을 가장 많이 주는 요인을 확인할 수 있었고, 수준의 개수를 줄여 실험 횟수를 축소할 수 있었다.
- 3. 머신 러닝을 이용하여 출력 요인인 채움 밀도에 대한 기공 크기의 회귀 모델을 구축하였고, 구축된 회귀 모델을 이용하여 실험하지 않은 출력 조건에 대한 기공 크기를 예측할 수 있었다.
- 인공지지체를 5개씩 제작한 뒤 기공 크기를 측정한 뒤기공 크기 평균 데이터를 비교한 결과 예측한 인공지지체 기공 크기와 실제 실험을 수행하여 측정된 모든 인공 지지체 기공 크기의 오차범위가 1 % 미만인 것을 확인할 수 있다. 그리고 채움 밀도가 74 %일 때 인공 목표 기공 크기인 400 ㎛에 1 %이내 오차 범위 내에 만족함을 확인할 수 있다.
- 인공지지체를 5개씩 제작한 뒤 기공 크기를 측정한 뒤기공 크기 평균 데이터를 비교한 결과 예측한 인공지지체 기공 크기와 실제 실험을 수행하여 측정된 모든 인공 지지체 기공 크기의 오차범위가 1 % 미만인 것을 확인할 수 있다. 그리고 채움 밀도가 74 %일 때 인공 목표 기공 크기인 400 ㎛에 1 %이내 오차 범위 내에 만족함을 확인할 수 있다.
- 주 효과도로 5개의 출력 요인 중에서 채움 밀도의 기울기가 가장 심한 것을 확인하였고 5수준중에서 인공지지 체의 기공 크기에 가장 많은 영향을 주는 수준은 70 %, 75 %, 80 %로 확인할 수 있다. 70 %, 75 %, 80 %의 채움 밀도를 학습 데이터로 사용하여 파이썬 텐서플로우를 이용한 머신 러닝을 실행하여 회귀 모델을 생성한다.
- 머신 러닝의 선형 회귀에서는 비용, 가중치, 바이어스가 일정할 때 회귀 모델이 설정된다. 총 약 2500회부터 비용, 가중치, 바이어스가 일정함을 확인하여 회귀 모델이 생성되었음을 확인할 수 있다. Table 3는 머신 러닝을 수행 하면서 500회 단위로 출력된 비용, 가중치, 바이어스를 나타내었다.
- 400㎛의 기공 크기를 만족하는 출력 조건을 찾아 인공지지체를 출력하였다. 측정된 인공지지체의 기공 크기와 예측한 인공지지체의 기공 크기를 비교하여 오차가 1 %미만임을 확인하여 결과를 정량적으로 검증하였다.
- 목표한 400㎛에 만족하는 조건을 도출하여 실제 인공지지체를 출력하였고, 기공 크기를 측정하였다. 측정한 인공지지체의 기공 크기와 예측한 인공지지체의 기공 크기를 비교하여 오차가 1% 미만임을 확인하여 결과를 정량적으로 검증할 수 있었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.