Machine-Learning Jetting Prediction and Printability Maps Using Viscoelastic Rheology
연구 내용
점탄성 잉크의 Deborah number와 구동 파형 파라미터를 결합해 점적 거동을 예측하고, 인쇄성 맵을 생성하는 연구
산업에서 널리 쓰이는 인쇄성 평가 지표는 Ohnesorge number와 Weber number 중심으로 구성되어 점탄성 효과가 충분히 반영되지 않는 문제가 있습니다. 본 연구는 점탄성 잉크의 저장 탄성률과 손실 탄성률을 측정하고, Maxwell 모델 기반의 이완시간을 통해 Deborah number를 산출합니다. 이어서 Deborah number, Ohnesorge number 및 구동 파형 파라미터를 함께 입력으로 사용하여 점적 거동을 예측하는 머신러닝 모델을 구성합니다. drop watching 시스템으로 다양한 파형 조건에서 점적 데이터셋을 수집하고, 모델 비교를 통해 멀티레이어 퍼셉트론 기반 예측 성능을 확인합니다. 마지막으로 예측 결과를 바탕으로 Ohnesorge number와 Deborah number를 축으로 하는 인쇄성 맵을 구축하여 특정 산업 프린트헤드 조건에 맞춘 소재 선택과 공정 설계를 지원합니다.
관련 연구 성과
관련 논문
1편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 기존 인쇄성 맵이 점탄성 유체의 시간 의존 거동을 놓치기 때문에 점적 실패가 발생할 수 있음을 분석하고, 레올로지 기반의 추가 지표 도입 필요성을 설정했습니다. 이후 Maxwell 모델로부터 이완시간을 도출해 Deborah number를 계산하고, drop watching 기반 점적 관측 데이터와 구동 파형 변수를 결합한 학습 문제로 전환했습니다. 다음 단계에서는 여러 머신러닝 모델의 예측 정확도를 비교해 멀티레이어 퍼셉트론을 최종 예측기로 채택하고, 미지 잉크에서의 상관성과 일반화 가능성을 검증했습니다. 이후 이를 통해 Ohnesorge-Deborah 축 인쇄성 맵을 생성하여 소재-공정 연계를 제시하는 방향으로 확장했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Predicting inkjet jetting behavior for viscoelastic inks using machine learning