(The) study of AI-based property prediction for PEO-collagen nanofibers in skin mask applications

국문 초록 (Abstract)

콜라겐 기반 나노섬유는 전기방사(electrospinning)를 통해 제작되며, 첨단 스킨 마스크 응용 분야에서 매우 유망한 소재로 부상했다. 이는 콜라겐 자체의 본질적인 생체 적합성과 더불어, 나노섬유 매트의 특징인 높은 다공성 및 큰 표면적-대-부피 비율과 같은 바람직한 물리적 특성 때문이다. 그러나 최적화되고 재현 가능한 나노섬유 특성을 달성하는 것은 중요한 과제이다. 이러한 어려움은 인가 전압, 유속, 습도 등 수많은 공정 변수 때문일 뿐만 아니라, 폴리머 블렌드 자체 내의 복잡한 물리화학적 상호작용으로 인해 상당히 가중되며, 이 모든 복잡성으로 인해 많은 시간이 소요되는 시행착오(trial-and-error) 방식이 필요하다. 본 연구는 이러한 한계를 극복하기 위해 콜라겐-PEO 전기방사 공정에서 나노섬유 특성을 정확하게 예측하는 AI 기반 전략을 제안한다. 광범위한 통제된 조건에서 나노섬유를 제작하여 체계적인 실험 데이터 세트를 구축하였다. 이 데이터 세트는 입력 변수와 결과 섬유 특성 간의 복잡한 관계를 매핑할 수 있는 기계 학습(ML) 모델을 개발하고 훈련하는 데 사용되었다. 개발된 예측 모델은 평균 섬유 직경 및 형태를 예측하는 데 있어 높은 정확도(R2 > 0.96) 를 입증하였다. 나아가, 이 모델은 공정을 좌우하는 가장 영향력 있는 변수를 식별하고 그 영향을 정량화하는 데 활용되었다. 이러한 AI 기반 접근 방식은 공정 최적화를 위한 강력하고 효율적인 경로를 제공하여 실험 비용과 개발 시간을 크게 줄여준다. 또한, 맞춤형 특성을 가진 나노섬유 매트의 인 실리코(in silico) 설계를 가능하게 하여, 치료 효능이 향상된 기능성 차세대 스킨 마스크 응용 제품의 제작을 가속화할 것이다.

다국어 초록 (Multilingual Abstract)

Collagen-based nanofibers, fabricated via electrospinning, have emerged as highly promising materials for advanced skin mask applications. This is due to their inherent biocompatibility (owing to the collagen) and desirable physical properties such as high porosity and a large surface area-to-volume ratio, which are characteristic of nanofiber mats. However, achieving optimal and reproducible nanofiber properties is a significant challenge. This difficulty is not only due to the numerous process parameters (e.g., applied voltage, flow rate, humidity) but is significantly compounded by the complex physicochemical interactions within the polymer blend itself and this overall complexity necessitates a time-consuming, trial-and-error approach. This study proposes an AI-driven strategy to overcome these limitations by accurately predicting nanofiber properties in the Collagen-PEO electrospinning process. A systematic experimental dataset was established by fabricating nanofibers under a wide range of controlled conditions. This dataset was used to develop and train a machine learning (ML) model capable of mapping the intricate relationships between input parameters and resultant fiber characteristics. The developed predictive model demonstrates high accuracy (R² > 0.96) in forecasting average fiber diameter and morphology. Furthermore, the model was utilized to identify the most influential parameters governing the process and quantify their impact. This AI-driven approach provides a powerful and efficient pathway for process optimization, significantly reducing experimental costs and development time. It enables the in silico design of nanofiber mats with tailored properties, accelerating the fabrication of functional, next-generation skin mask applications with enhanced therapeutic efficacy.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1. Electrospinning 1
• 1.2. Collagen 10
• 1.3. Artificial Intelligence 18
• 1.3.1. Definition of Artificial Intelligence and Machine Learning 18
• 1.3.2. Decision Tree 20
• 1.3.3. XGBoost 21
• 1.4. Motivation and Purpose of the Research 24
• Chapter 2. Dataset and Preprocess 26
• 2.1. Introduction 27
• 2.2. Experimental Details 29
• 2.2.1. Materials and Solution 29
• 2.2.2. Measurement of Solution Properties 30
• 2.2.3. Electrospinning Process and Dataset Construction 32
• 2.2.4. Image Analysis and Diameter Measurement 34
• 2.3. Results and Discussion 37
• 2.4. Conclusion 52
• Chapter 3. Model Learning & Evaluate 54
• 3.1. Introduction 55
• 3.2. Experimental Details 57
• 3.2.1. Assessment of Prediction Accuracy 58
• 3.2.2. Partial Dependence Plot Analysis 62
• 3.2.3. Feature Importance Analysis 64
• 3.3. Results and Discussion 65
• 3.3.1. Accuracy Evaluate 65
• 3.3.2. Partial Dependence Plot Analysis of Models 72
• 3.3.3. Feature Importance Analysis of Models 76
• 3.4. Conclusion 85
• Chapter 4. Conclusion 88
• References 90
• Korean in Abstract 101