Real-Time Characterization of Complex Fluids during Processing via Machine Learning of Sensor Signals = 센서 신호의 기계 학습을 통한 공정 중 복잡 유체의 실시간 특성 분석

다국어 초록 (Multilingual Abstract)

In modern society, complex fluids such as polymer melts, colloidal suspensions, slurries, liquid crystals, and emulsions are widely used in continuous processes for high value industries. These fluids, which are typically non-Newtonian, exhibit complex rheological behaviors including shear thinning, shear thickening, yield stress, viscoelasticity, normal stresses, and thixotropy. As a result, it is significantly more challenging to determine optimal processing conditions for these complex fluids compared to simple Newtonian fluids like water or oil.
Furthermore, in real industrial processes, unintended variations in raw material grade or composition can occur, and the internal structure and resulting rheological properties of the fluids may change during processing. These dynamic changes complicate process control, potentially leading to reduced product quality, increased defect rates, and ultimately resulting in economic inefficiency and environmental issues.
This dissertation proposes a real-time characterization approach for complex fluids during processing by applying machine learning (ML) to sensor signals. The central hypothesis is that fluids with distinct rheological properties generate unique sensor signals, and that these signals can be learned and classified using ML techniques.
To validate the proposed approach, two experimental systems were investigated. First, lithium-ion battery anode slurries with varying internal structures and compositions were circulated through a pipe system. Pressure and flow rate signals were collected and classified using an echo state network, a type of recurrent neural network. The effects of different preprocessing methods, diagnostic time, and sensor types on model performance were also examined.
Second, pressure signals were acquired during the extrusion of polymer blends with systematically varied compositions. These signals were analyzed using MultiRocket-Hydra, a convolutional neural network, to perform regression and classification tasks. The suitability of both tasks for real-world industrial scenarios was confirmed, and the impact of diagnostic time on model performance was evaluated.
This study is the first to demonstrate that complex fluids can be effectively diagnosed using a purely data-driven approach based on sensor signals. It is also expected to serve as a valuable early-stage diagnostic framework for controlling and optimizing complex fluid processes across a wide range of industrial applications.

국문 초록 (Abstract)

현대 사회에서 고부가 가치 산업의 연속 공정에서 사용되는 유체는 대부분 고분자 용융체, 콜로이드 현탁액, 액정, 이멀션 등 복잡 유체가 사용된다. 해당 유체들은 비뉴톤 유체로 전단 박화, 전단 농화, 항복력, 점탄성, 수직응력, 그리고 틱소트로피를 보인다. 따라서, 복잡 유체에 대해서는 물이나 기름 같은 뉴톤 유체에 비해 최적 공정 조건을 찾기가 상당히 어렵다.
게다가 실제 산업 공정에서는, 의도치 않게 원자재의 등급이 변화하거나, 조성이 변화하거나, 유체의 내부 구조와 이로 정해지는 유변 물성이 공정 중에 바뀔 수 있다. 이러한 동적인 변화는 공정 제어를 어렵게 하여, 생산된 제품의 질을 떨어뜨리거나, 불량률을 높이고, 최종적으로 경제적 비효율성 또는 환경 문제로 이어진다.
본 논문은 센서 신호에 기계학습을 적용함으로써 복잡 유체를 실시간으로 특성화하는 접근 방법을 제안한다. 핵심 가설은 서로 다른 유변 물성을 가지는 유체들은 고유의 센서 신호를 가지고, 이를 기계 학습 기술로 학습하고 구분할 수 있다는 것이다.
제안된 방법을 검증하기 위하여 두 가지 실험 시스템이 확인되었다. 첫번째로는 리튬 이온 배터리 음극 슬러리의 내부 구조와 조성을 바꾸면서 파이프 시스템에서 순환시켰다. 압력과 유량 시그널을 취득한 후 echo state network라는 순환 신경망으로 분류하였다. 서로 다른 전처리 방법, 진단 시간, 센서 종류에 따른 모델의 성능도 확인되었다.
두 번째로는, 조성이 체계적으로 바뀌는 고분자 혼합체를 압출하는 과정에서 압력 신호를 취득하였다. 해당 신호들을 MultiRocket-Hydra라는 합성곱 신경망으로 회귀 분석, 또는 분류하였다. 두 경우에 대해 실제 공정에 적용할 때의 적합성이 확인되었고, 진단 시간에 따른 모델의 성능이 평가되었다.
본 연구는 복잡 유체를 순전히 센서 신호에 대한 데이터 기반 의사결정 접근 방식으로 진단할 수 있다는 것을 처음으로 보여준다. 또한 다양한 산업의 복잡 유체 공정을 제어하고 최적화하기 위해 선행적으로 사용될 수 있는 귀중한 진단 기법이 될 것으로 기대된다.

목차 (Table of Contents)

• Table of Contents
• Abstract i
• Table of Contents iv
• List of Figures vi
• List of Tables x
• Chapter 1. General Introduction 1
• Chapter 2. Identification of Battery Slurry Aging and Composition During Pipe Flow 6
• 2.1. Introduction 6
• 2.2. Experimental Setup 9
• 2.2.1 Battery Slurry Preparation 9
• 2.2.2 Pipe System Configuration 15
• 2.3. Signal Preprocessing 18
• 2.4. Machine Learning Model: Echo State Network 31
• 2.5. Results and Discussion 36
• 2.5.1 Classification of Aging-induced Slurry Changes 36
• 2.5.2 Classification of Slurry Composition Changes 43
• 2.6. Conclusion 49
• Chapter 3. Identification of Polymer Blend Composition during Extrusion 52
• 3.1. Introduction 52
• 3.2. Experimental Setup 59
• 3.2.1 Polymer Blend Preparation 59
• 3.2.2 Extruder Configuration 62
• 3.3. Machine Learning Model: MultiRocket-Hydra 66
• 3.3.1 Overview 66
• 3.3.2 MultiRocket 70
• 3.3.3 Hydra 72
• 3.3.4 Data segmentation 74
• 3.4. Results and Discussion 76
• 3.4.1 Regression-Based Prediction 76
• 3.4.2 Classification-Based Prediction 90
• 3.5. Conclusion 99
• Chapter 4. Concluding Remarks 101
• Bibliography 104
• Abstract (Korean) 110