고무 컴파운드 레오메트릭 특성의 조기 예측 : 측정시간 단축을 위한 머신러닝 프레임워크 = Early Prediction of Rheometric Properties in Rubber Compounds: A Machine Learning Framework for Measurement Time Reduction

국문 초록 (Abstract)

레오메트릭 측정은 고무 컴파운드의 최적 가황 특성을 결정하는 데 필수 적이지만, 기존 방식은 시간이 오래 걸려 제조 효율성을 저하시키고 품질 관리를 지연시킨다. 본 연구는 토크가 초기값보다 2단위(dNm) 증가하는 데 걸린 시간, 10% 가황도에 도달하는 데 걸린 시간, 90% 가황도에 도달 하는데 걸리는 시간, 가황 완료 후 가장 높은 토크 값등 주요 레오메트릭 특성을 정확하게 예측하면서 측정시간을 크게 단축할 수 있는 머신러닝 기 반 프레임워크를 제안한다. 천연고무, 스티렌-부타디엔 고무, 클로로프렌 고무, 에틸렌-프로필렌-다인 모노머 고무를 대상으로 1초 간격 토크-시간 데이터를 수집하였으며, 각 고무별 100배치를 무빙 다이 레오미터 측정 장 비로 산업현장 조건에서 측정하였다. 데이터 전처리에는 이상치 제거, 결측 치 보정, 스케일링, 피처엔지니어링을 포함하였다. Gradient Boosting Regressor, Extreme Gradient Boosting Regressor, CatBoost Regressor, Linear Regressor 을 적용하고 평균 절대 백분율 오차, 결정계수, 평균 절 대 오차, 평균 제곱근 오차 지표와 교차검증으로 성능을 평가하였다. 분석 결과, 전체 측정시간의 30∼70%만으로도 안정적인 특성 예측이 가능했으 며, 최적 종료 시점은 고무 종류와 예측 대상에 따라 달랐다. 본 접근법은 다양한 고무 조성과 가황 시스템에 적용 가능한 데이터 기반 방법론으로, 품질관리 주기 단축과 운영 비용 절감에 기여할 수 있다. 핵심어: 레오메트릭 특성, 머신러닝 에측, 측정시간 최적화, 고무 컴파운드, 가황반응 동역학, 토크-시간 곡선 분석

다국어 초록 (Multilingual Abstract)

Rheometric measurement is essential for determining the optimal curing characteristics of rubber compounds; however, conventional methods are time-consuming, reducing manufacturing efficiency and delaying quality control. This study proposes a machine learning–based framework that enables accurate prediction of key rheometric properties while significantly reducing measurement time. The target properties include the scorch time, defined as the time required for torque to increase by 2dNm from the initial value; the cure onset time, representing 10% cure; the optimum cure time, representing 90% cure; and the maximum torque, corresponding to the equilibrium torque after vulcanization. Torque–time data were collected at 1-s intervals for natural rubber, styrene–butadiene rubber, chloroprene rubber, and ethylene– propylene–diene monomer rubber, with 100 batches per compound measured under industrial conditions using a Moving Die Rheometer. Data preprocessing included outlier removal, missing-value imputation, scaling, and feature engineering. Gradient Boosting Regressor, Extreme Gradient Boosting Regressor, CatBoost Regressor, and Linear Regressor were implemented, and model performance was evaluated using mean absolute percentage error, coefficient of determination, mean absolute error, root mean square error, and cross-validation. The results demonstrated that stable predictions of rheometric properties can be achieved with only 30–70% of the full measurement time, although the optimal cutoff point varied depending on the rubber type and target property. The proposed approach provides a data-driven methodology applicable to diverse rubber formulations and vulcanization systems, offering potential benefits for shortening quality control cycles and reducing operational costs in industrial practice. Keywords: Rheometric properties, Machine learning prediction, Measurement time optimization, Rubber compounds, Vulcanization kinetics, Torque–time curve analysis

목차 (Table of Contents)

• Ⅰ. 서 론 1
• Ⅱ. 이론적 배경 및 선행 연구 5
• 2.1 고무 컴파운드 및 가황 시스템 5
• 2.2 고무 컴파운드 믹싱 7
• 2.3 고무 컴파운드의 가황 특성 기반 예측 연구 10
• Ⅲ. 연구방법론 14
• 3.1 데이터 수집 및 구성 14
• 3.2 조기 예측 프레임워크 16
• 3.3 머신러닝 모델 구조 18
• 3.4 입력 피처 구성 및 데이터 분포 특성 20
• 3.5 모델 학습 및 성능평가 23
• Ⅳ. 결과 26
• 4.1 NR 26
• 4.1.1 기초 통계량 분석 26
• 4.1.2 TS2 29
• 4.1.3 TC10 35
• 4.1.4 TC90 40
• 4.1.5 MH 45
• 4.1.6 결과 정리 51
• 4.2 SBR 52
• 4.2.1 기초 통계량 분석 52
• 4.2.2 TS2 55
• 4.2.3 TC10 60
• 4.2.4 TC90 66
• 4.2.5 MH 71
• 4.2.6 결과 정리 76
• 4.3 CR 77
• 4.3.1 기초 통계량 분석 77
• 4.3.2 TS2 80
• 4.3.3 TC10 86
• 4.3.4 TC90 91
• 4.3.5 MH 96
• 4.3.6 결과 정리 101
• 4.4 EPDM 102
• 4.4.1 기초 통계량 분석 102
• 4.4.2 TS2 105
• 4.4.3 TC10 111
• 4.4.4 TC90 116
• 4.4.5 MH 121
• 4.4.6 결과 정리 126
• Ⅴ. 논의 사항 128
• 5.1 레오메트릭 측정시간 단축의 가능성 및 검증 128
• 5.2 레오메트릭 특성별 모델 적합성 분석 129
• 5.2.1 TS 2 129
• 5.2.2 TC10 131
• 5.2.3 TC90 133
• 5.2.4 MH 134
• 5.2.5 모델 성능 해석 136
• 5.2.6 연구요약 및 시사점 137
• 5.3 산업현장 적용 가능성과 의의 140
• Ⅵ. 결론 142
• 참고 문헌 144
• 1. 국내 문헌 144
• 2. 해외 문헌 144