[논문 리뷰] Melt Index 예측 모델링 사례 - DNN, GPR

1. Data-based Melt Index Prediction in Styrene-Acrylonitrile Polymerization Process (2021.06)

- 실제 공정 데이터를 사용해 6가지 모델의 예측 성능 테스트 실시

- 학습 데이터 : 1,029개 / 테스트 데이터 : 115개

Y : MI 값

- 4시간마다 실험을 통해 얻어지며, 두 등급의 고분자에서 서로 다른 범위를 가짐)

X : 9개 측정 변수

- 각 단량체의 유량 및 재사용 단량체의 총 유량과 개시제 유량, 각 반응기의 온도 및 압력 등을 센서를 통하여 1시간마다 측정

 

- MI가 측정된 시간부터 이전 4시간 동안 입력 변수들의 평균값을 계산하여 모델의 입력으로 사용

- 두 가지 등급의 고분자 생산 데이터가 혼재되어 있으며 공정의 일시 중단 등 비정상 상태의 데이터 또한 포함

 

 - 여기서 ANN이란 사실 상 DNN이다.
 

2. Hybrid modeling approach for polymer melt index prediction (2022.07)

- White-box 서브모델 적용 후 Black-box 서브모델로 이어지는 연속적 구조인 hybrid model을 제안

   → 예측 및 일반화 성능을 향상

1. White-box : 공정과 polymer 제품의 현재 상태에 대한 정보를 계산함 (ex. weight-average and number-average molecular weights 등)

- Mechanic modeling을 통한 White-box의 output은 MI의 더 정확한 예측을 하게함

  → 이 변수와 특정된 데이터가 함께 Black-box의 입력값으로 사용

2. Black-box : MI를 추정하기 위한 머신러닝 모델 하이브리드 모델링

 

 
[ 데이터 설명 ] 

–약 17개월간 공정 및 품질 측정 자료 (2020년 1월 2일부터 2021년 5월 23일)

Y : MI 값 (펠레타이저에서 채취한 고분자 시료의 MI 및 색상)

- 4시간마다 측정

X : 27개 공정 변수

 

- 측정 오류 및 종료 데이터를 제거한 후 모델링에 사용할 수 있는 MI 측정 데이터 2285개

- reactor와 탱크의 온도, 압력 및 레벨, 단량체/개시제/재활용 스트림의 유량 측정, 프로세스에서 펌프 작동에 필요한 전류

- 센서를 통하여 1시간마다 측정

- MI가 측정된 시간부터 이전 4시간 동안 입력 변수들의 평균값을 계산하여 모델의 입력으로 사용

 

[ 전처리 ]

- 표준화

- 다중공선성 제거를 위한 PCA 적용

   : 44 PCs → 10 PCs(93.1%의 설명력)로 모델 계산 비용 절감

 
[ 모델링 ] 

–데이터 분리 비율 : Train : 80% / Test : 20%

–GPR 모델은 quasi-Newton optimization로 학습

–ANN 모델의 활성화 함수는 hyperbolic tangent

–Hybrid modeling과 data-only modeling 2가지 방식 모두 GPR 모델의 예측 성능이 가장 높았음

- 평가지표 : RMSE, MAPE, TIC, STD