Skip to main content

용융 방사(Melt Spinning) 공정-구조(Structure)-물성(Property) 관계 및 AI 모델링 기초

Melt Spinning 공정의 Structure와 Property 관계를 이해하고, 이를 바탕으로 Inverse Design Model 개발에 도움이 될 정보를 정리한 문서이다.

방사(Spinning) 공정​

물성​

Melt Index​

  • MFI(Melt Flow Index)는 Polymer의 Molecular Weight에 대한 간접적 척도이자 용융 상태에서의 유동성(Fluidity)을 직접적으로 나타내는 지표이다.

  • 특정 조건에서 10분 동안 Capillary Die를 통해 압출되는 Polymer의 Mass(g)로 정의된다.

공정 변수​

Denier​

  • 섬유의 Linear Mass Density를 나타내는 단위로, 섬유 9,000미터당 Mass(g)로 정의된다.
  • 섬유의 굵기를 나타낸다.

Spinbeam / Manifold Temp​

  • Spinbeam은 Polymer 칩을 녹여 Spinneret에 도달하기 전까지 용융 상태의 온도를 일정하게 유지하는 가열 구역이다.

  • Manifold는 용융된 Polymer를 각 Spinneret 구멍으로 균일하게 분배하는 역할을 한다.

Godet Roller Speed / Temp​

  • Godet Roller는 Spinneret에서 압출된 Filament를 끌어당겨 연신(Drawing)하는 가열 롤러이다.

  • 롤러 간의 속도 및 온도 차이는 최종 섬유의 기계적 물성을 결정하는 핵심 Variable이다.

Draw Ratio (DR)​

  • 연신 구역의 최종 속도를 초기 속도로 나눈 비율(GR2_Speed / GR1_Speed)로, 섬유에 가해지는 기계적 연신 정도를 나타낸다.

  • DR은 Independent Variable이 아니므로, 개별 롤러 속도와 DR을 모두 Model Feature로 사용하면 Multicollinearity를 유발할 수 있다.

Final Roller Speed​

  • 최종적으로 완성된 실을 감는 Winder의 속도이다. 압출량과 함께 목표 Denier를 결정하는 데 중요한 역할을 한다.

물성​

TENACITY (강도)​

  • 섬유가 끊어지기 전까지 견딜 수 있는 최대 Tensile Stress를 Denier로 나눈 값이다.

ELONGATION (신도)​

  • 섬유가 끊어지기 전까지 늘어날 수 있는 최대 비율(%)이다. Tenacity와는 일반적으로 Trade-off 관계에 있다.

CRYSTALLINITY (결정화도)​

  • Polymer 내에서 분자 사슬이 규칙적으로 배열된 Crystalline 영역의 비율이다. Tenacity, Stiffness, Thermal Stability 등에 직접적인 영향을 미친다.

Artificial Intelligence & Machine Learning​

2.1. 기본 개념: AI, ML, Deep Learning​

  • AI

    • 인간의 지능(학습, 추론, 문제 해결 등)을 모방하는 컴퓨터 시스템을 구축하는 포괄적인 학문 분야.

  • ML

    • 명시적인 프로그래밍 없이, Data로 패턴을 학습하여 특정 작업을 수행하는 Model 구축하는 AI 핵심 분야

    • 핵심 원리: Representation(Data 표현 및 평가) & Generalization(일반화)

  • Deep Learning

    • 여러 계층(Layer)의 인공신경망(Artificial Neural Network, ANN)을 사용하여 복잡한 패턴을 학습하는 ML의 한 분야(Subset)

2.2. Machine Learning Model의 분류​

  • 학습 방식에 따른 분류 (By Supervision)

    • Supervised Learning (지도 학습): 정답(Label)이 있는 Data로 학습하여 예측 Model 생성

      • Classification (분류), Regression (회귀)

    • Unsupervised Learning (비지도 학습): Label이 없는 Data에서 숨겨진 Pattern이나 Structure 발견

      • Clustering (군집화), Dimension Reduction (차원 축소)

    • Semi-supervised Learning (반지도 학습): Supervised + Unsupervised

    • Reinforcement Learning (강화 학습): Agent가 환경과 상호작용하며 보상(Reward)을 최대화하는 방향으로 행동 학습

2.3. Modeling의 핵심 요소​

Data​

  • Model의 성능을 결정하는 가장 중요한 요소

  • 주요 이슈:

    • Sampling Noise / Bias: Data가 모집단을 대표하지 못하는 문제

    • Overfitting / Underfitting: Model이 Training Data에만 과도하게 최적화(Overfitting)되거나, Data의 Pattern을 충분히 학습하지 못하는(Underfitting) 문제

Parameter와 Hyperparameter​

  • Model Parameter

    • Model이 Data로부터 학습하는 내부 Variable

    • 사용자가 직접 설정할 수 없으며, 학습 과정의 결과물이다.

    • 예: Linear Regression의 계수(Coefficients), Neural Network의 가중치(Weights)

  • Hyperparameter

    • Model의 학습 과정을 제어하기 위해 사용자가 직접 설정하는 외부 값

    • 최적의 Model 성능을 위해 Tuning 과정이 필요하다.

    • 예: Learning Rate, Epochs 수, Hidden Layer의 수, k-NN의 k 값

    • Tuning 기법:

      • Grid Search: 지정된 모든 Hyperparameter 조합 탐색

      • Random Search: 지정된 범위 내에서 무작위로 조합 탐색

      • Bayesian Optimization: 더 유망한 영역을 효율적으로 탐색하는 고급 기법