[논문]기계학습에 기반한 고분자 복합수지의 기계적 물성 거동 예측

이나경; 신용범; 신동일

doi:10.7842/kigas.2021.25.2.64

초록
AI-Helper

수소연료전지자동차를 비롯한 자동차 분야에서 성형 가공성과 기계적 특성이 우수한 고분자 복합수지에 대한 연구는 특정 기계적 특성을 갖춘 재료의 설계지원을 위한 Computer-Aided Engineering (CAE)으로 확대되고 있다. CAE 자동화는 소재의 기계적 특성 및 거동 예측이 선행되어야 하는데, 고분자 복합수지의 기계적 물성 예측은 단일물질과 달리, 바탕재와 보강재 간의 관계로만 설명하기에는 물성 거동이 복잡하기에, 수식으로 설명하기 어렵다. 본 연구에서는 큰 소성 구간과 조성에 예민하여 예측이 어려웠던 고분자 복합수지의 조성에 따른 응력-변형률 선도를 데이터의 기계학습을 기반으로 예측하였다. 개발모델은 바탕재, 보강재 종류 및 조성간의 복잡한 상관관계를 찾아, 학습한 시험 데이터가 없는 조건에서도 전체 응력-변형률 곡선을 의미있게 예측한다. 학습하지 않은 조성과 구성에 대해서도 고분자 복합수지의 기계적 특성을 예측하는 개발 모델을 기반으로 향후 소재 설계 AI 시스템을 완성할 수 있을 것으로 기대한다.

Abstract ▼ AI-Helper

Research on polymer matrix composites with excellent molding processability and mechanical properties in the automotive field including hydrogen fuel cell electric vehicles is expanding to Computer-Aided Engineering (CAE) to support the design of materials with specific mechanical properties. CAE au...

Research on polymer matrix composites with excellent molding processability and mechanical properties in the automotive field including hydrogen fuel cell electric vehicles is expanding to Computer-Aided Engineering (CAE) to support the design of materials with specific mechanical properties. CAE automation requires the prediction of the mechanical properties and behavior of materials. Unlike single materials, the mechanical properties prediction of polymer matrix composites is difficult to explain with formulas because the mechanical behavior is complicated to be explained only by the relationship between the matrix and the filler. In this study, the stress-strain curve according to the composition of polymer matrix composites, which was difficult to predict due to its sensitivity to large plastic deformation and composition, was predicted based on machine learning of the test data. The developed model finds a complex correlation between matrix and filler types and compositions, and predicts the total stress-strain curve meaningfully even in the absence of learned test data. It is expected that the material design AI system can be completed in the future based on the developed model that predicts the mechanical properties of polymer matrix composites even for the combination and composition that have not been learned.

주제어

표/그림 (10)

그림 Fig. 1. Stress-strain curve of polymer matrix composites.
표 Table 1. Combination of matrix and filler used in tensile test
표 Table 2. Tensile test conditions
그림 Fig. 2. Overview of the proposed modeling system.
그림 Fig. 3. Flowchart of the proposed modeling.
그림 Fig. 4. Individual model of polymer matrix composites stress-strain curve prediction model.
표 Table 3. Prediction range of the proposed model
그림 Fig. 5. Integrated model for predicting stress-strain curves according to the composition of 16 kinds of polymer matrix composites.
그림 Fig. 6. Results of individual prediction models: a) PC 80 wt%/Al2O5Si 20 wt%; b) PC 85wt%/Si₃N₄, 15wt%; c) PA6,6 50wt%/Al₂O₅Si 50wt%; d) PA6 90wt%/Al₂O₃ 10wt%; e) PA6,6 80wt%/Al₂O₃, 20wt%; f) PA6 60wt%/Al₂O₃, 40wt%
그림 Fig. 7. Prediction of integrated model for predicting stress-strain curves according to the composition of 16 kinds of polymer matrix composites: a) PP 40wt%/Al₂O₅Si 60wt%; b) PP 90wt%/Al₂O₃, 10wt%; c) PP 90wt%/Al₂O₅Si 10wt%; d) PA6,6 90wt%/Al₂O₅Si 10wt%; e) PA6,6 90wt%/Al₂O₃ 10wt%; f) PP 90wt%/Al₂O₅Si 10wt%

참고문헌 (8)

삼정KPMG 경제연구원, "자동차 경량화 트렌드의 중심이동, 소재의 경량화", Issue monitor, 96, (2018)
Liu, S., Li, D., Yang, Y., and Jiang, L., "Fabrication, mechanical properties and failure mechanism of random and aligned nanofiber membrane with different parameters", Nanotechnology Reviews, 8, 218-226, (2019)

상세보기
Abadi, M. et al., "TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems", arXiv preprint, (2015)
Messler, R. W., The Essence of Materials for Engineers, Jones & Bartlett Learning, (2011)
LeCun, Y., Bengio, Y., and Hinton, G., "Deep learning", Nature, 521, (2015)
Sneok, J., Larochelle, H., and Adams, R. P., "Practical Bayesian Optimization of Machine Learning Algorithms", Advances in Neural Information Processing Systems, 25, 2960-2968, (2012)
Kingma, D. P., and Ba, J., "ADAM: A method for stochastic opimization", International Conference for Learning Representations, (2015)
Botchkarev, A., "Performance Metrics (Error Measures) in Machine Learning Regression, Forecasting and Prognostics: Properties and Typology", Interdisciplinary Journal of Information, 14, 45-79, (2019)

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

기계학습에 기반한 고분자 복합수지의 기계적 물성 거동 예측
Prediction of Mechanical Properties and Behavior of Polymer Matrix Composites Based on Machine Learning 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (10)

표/그림 (10)

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

기계학습에 기반한 고분자 복합수지의 기계적 물성 거동 예측 Prediction of Mechanical Properties and Behavior of Polymer Matrix Composites Based on Machine Learning 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (10) 모든 표/그림 보기

표/그림 (10) 슬라이드로 보기

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

신동일 (51)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

기계학습에 기반한 고분자 복합수지의 기계적 물성 거동 예측
Prediction of Mechanical Properties and Behavior of Polymer Matrix Composites Based on Machine Learning 원문보기

초록
AI-Helper

표/그림 (10)

표/그림 (10)