지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2021.4
- 수록면
- 580 - 586 (7page)
이용수
이 논문의 연구 히스토리 (6)
2021
사출 성형 CAE 적확성 향상과 머신러닝을 활용한 최적화에 관한 연구
황순환
한국생산제조학회 학술발표대회 논문집
2021.12
학술대회자료
CAE와 Decision-tree를 이용한 사출성형 공정개선에 관한 연구
황순환
,
한성렬
,
이후진
한국산학기술학회 논문지
2021.04
학술저널
CAE 및 머신러닝 기법을 활용한 사출 성형 최적화에 관한 연구 : 사출 성형 최적화를 위한 프로세스 제안과 CAE 기반 빅데이터 생성 및 머신러닝을 활용한 사출 조건 최적화 구현
황순환
스마트융합컨설팅학과
2021.01
학위논문
사출성형 CAE를 이용한 스파이럴 금형의 형상 검증에 관한 연구
황순환
,
이후진
,
한성렬
한국기계기술학회지
2021.01
학술저널
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
현재 사출성형분야의 Computer Aided Testing(CAT) 방법론으로 CAE(Computer Aided Engineering)를 이용한 수치 해석 기법이 주를 이루고 있다. 그러나 최근 시뮬레이션에 추가로 인공지능 기법을 응용하는 방법론이 연구되고 있다. 우리는 지난 연구에서 다양한 Machine Learning 기법을 활용하여 사출 성형 공정에 따른 변형 결과를 비교하였으며, 최종적으로 MLP(Multi-Layer Perceptron) 예측모델을 생성하였고, HMA(Hybrid Metaheuristic Algorithm)를 이용하여 최적화 결과를 얻어냈다. 그러나 MLP는 예측 성능이 우수한 반면 블랙박스와 같이 결정 과정에 대한 설명이 부족하다. 본 연구에서는 Radiator Tank 부품에 대하여 사출 성형 해석 소프트웨어인 Autodesk Moldflow 2018을 이용하여 수치 해석 기법으로 데이터를 생성하고, Machine Learning 소프트웨어인 RapidMiner Studio version 9.5를 활용하여 여러 Machine Learning Algorithms 모델을 생성하여 평균 제곱근 오차를 비교하였다. Decision-tree는 Root Mean Square Error(RMSE) 값이 다른 Machine Learning 기법에 비해 양호한 예측 성능을 갖추고 있었다. Decision-tree의 크기를 결정하는 Maximal Depth에 따라 분류 기준을 높일 수 있지만 복잡성도 함께 증가시켰다. Decision-tree를 이용하여 구속 조건을 만족하는 중간 값을 선정하여 시뮬레이션을 진행한 결과 기존의 시뮬레이션만 진행한 것보다 7.7%의 개선 효과가 있었다.
목차
요약
Abstract
1. 서론
2. 본론
3. 실험 평가 및 분석
4. 결론
References
참고문헌 (8)
참고문헌 신청
S. H. Hwang, J. S. Kim, “Injection mold design of reverse engineering using injection molding analysis and machine learning”, Journal of Mechanical Science and Technology , Vol.8, pp.3803-3812, 2019. DOI: https://doi.org/10.1007/s12206-019-0723-1
D. Kozjeka, R. Vrabiča, D. Kraljb, P. Butalaa, N. Lavračc, “Data mining for fault diagnostics: A case for plastic injection molding”, Procedia CIRP , Vol.81, pp.809-814, 2019 DOI: https://doi.org/10.1016/j.procir.2019.03.204
K. C. Ke, M. S. Huang, “Quality prediction for injection molding by using a multilayer perceptron neural network”, Polymers , Vol.12, pp.1812, August, 2020 DOI: https://doi.org/10.3390/polym12081812
A. K. Kim, K. H Oh, J. Y Jung, B. H Kim, “Imbalanced classification of manufacturing quality conditions using cost-sensitive Decision-tree ensembles”, International Journal of Computer Integrated Manufacturing , pp.701-717, Dec, 2017 DOI: https://doi.org/10.1080/0951192X.2017.1407447
O. Ogorodnyk, O. V. Lyngstad, M. Larsen, K. Wang, K. Martinsen, “Application of machine learning methods for prediction of parts quality in thermoplastics injection molding”, International Workshop of Advanced Manufacturing and Automation , pp.237-244, Dec, 2018 DOI: https://doi.org/10.1080/0951192X.2017.1407447
D. Kozjeka, R. Vrabiča, D. Kraljb, P. Butalaa, N. Lavračc, “Data mining for fault diagnostics: A case for plastic injection molding”, Procedia CIRP , Vol.81, pp.809-814, 2019 DOI: https://doi.org/10.1016/j.procir.2019.03.204
K. C. Ke, M. S. Huang, “Quality prediction for injection molding by using a multilayer perceptron neural network”, Polymers , Vol.12, pp.1812, August, 2020 DOI: https://doi.org/10.3390/polym12081812
A. K. Kim, K. H Oh, J. Y Jung, B. H Kim, “Imbalanced classification of manufacturing quality conditions using cost-sensitive Decision-tree ensembles”, International Journal of Computer Integrated Manufacturing , pp.701-717, Dec, 2017 DOI: https://doi.org/10.1080/0951192X.2017.1407447
O. Ogorodnyk, O. V. Lyngstad, M. Larsen, K. Wang, K. Martinsen, “Application of machine learning methods for prediction of parts quality in thermoplastics injection molding”, International Workshop of Advanced Manufacturing and Automation , pp.237-244, Dec, 2018 DOI: https://doi.org/10.1080/0951192X.2017.1407447
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
사출 성형 CAE 적확성 향상과 머신러닝을 활용한 최적화에 관한 연구
한국생산제조학회 학술발표대회 논문집
2021 .12
-
사출 성형 시뮬레이션 실험계획을 이용한 머신 러닝 사례에 관한 연구
한국생산제조학회 학술발표대회 논문집
2018 .05
-
Decision Tree 기반의 미세먼지 농도별 이진 분류 모델
한국정보통신학회 종합학술대회 논문집
2020 .10
-
Predicting Machine Processing Time using Decision Tree
대한산업공학회 춘계공동학술대회 논문집
2017 .04
-
사출성형해석을 활용한 자동차 사출 부품 변형 문제 개선 연구
한국자동차공학회 춘계학술대회
2024 .06
-
CAE를 활용한 자동차 인테리어 부품 사출 후 변형 개선 연구
한국자동차공학회 추계학술대회 및 전시회
2021 .11
-
A Deep Learning for Predicting Injection Molding Performance
대한기계학회 춘추학술대회
2020 .12
-
Decision Tree의 인공지능 학습을 통한 최적 전략 도출 방법
한국에너지학회 학술발표회
2020 .11
-
사출성형해석을 이용한 역설계 제안
한국자동차공학회 추계학술대회 및 전시회
2021 .11
-
CAE 해석을 통한 사출성형 중 용융 수지의 압력과 금형의 변형량에 대한 비교
한국소성가공학회 학술대회 논문집
2019 .10
-
인공신경망에 의한 사출성형해석 데이터의 실험 데이터 전환을 통한 사출성형품의 품질 예측 모델 구축에 대한 연구
한국생산제조학회 학술발표대회 논문집
2021 .07
-
사출성형 공정의 균일 품질 확보를 위한 스마트 사출장비 모니터링 기술 연구
한국정밀공학회 학술발표대회 논문집
2023 .11
-
Decision Tree 기법을 이용한 회전체 최적 센서 위치 결정
한국정밀공학회 학술발표대회 논문집
2016 .05
-
사출성형 설비 및 공정 데이터 모니터링 기술 개발
한국정밀공학회 학술발표대회 논문집
2020 .09
-
3D 스캐너와 사출 성형 해석을 활용한 사출 성형 부품 변형 예측
한국자동차공학회 추계학술대회 및 전시회
2024 .11
-
자동차부품 경량화를 위한 사출성형 해석기법에 관한 연구
대한기계학회 춘추학술대회
2015 .04
-
사출성형해석을 활용한 자동차 인테리어 부품 성형 최적화 연구
한국자동차공학회 추계학술대회 및 전시회
2022 .11
-
미세사출성형의 딥러닝 예측분석을 통한 사출조건 최적화
한국기계가공학회 춘추계학술대회 논문집
2021 .06
-
Ensemble of Fuzzy Decision Tree for Efficient Indoor Space Recognition
한국컴퓨터정보학회논문지
2017 .04
-
머신러닝을 활용한 사출성형 품질 예측에 관한 연구
한국생산제조학회지
2022 .08
이 논문의 저자 정보
이 논문과 함께 이용한 논문
나트륨 섭취 저감화를 위한 실태조사 : 김치를 중심으로
편집부
시험결과보고서
2013
.07
농촌지역 초중고 학생들의 김치 섭취실태 및 기호도 분석 : 충청북도에 위치한 학교를 중심으로
문성원
,
이명기
,
나태균
Culinary Science & Hospitality Research
2011
.01
인공신경망을 활용한 최적 사출성형조건 예측에 관한 연구
양동철
,
이준한
,
윤경환
외 1명
소성·가공
2020
.08
단변량 지수 분석기반의 사출성형 불량원인 분석방법론 개발
구정인
,
윤주성
,
김동일
한국생산제조학회지
2019
.12
Temperature and Strain Rate Controls of AISI 4340 based on a 3D Processing Map in a Hot Forging Process
박준희
,
박동휘
,
신상윤
외 1명
Journal of the Korean Society for Precision Engineering
2022
.09
최근 본 자료
댓글(0)
0