http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
용매 증발 과정 중 마이크로웨이브 처리가 PVDF 복합재료 필름의 결정화 형태에 미치는 영향
홍현수 ( Hyunsoo Hong ),김성수 ( Seong-su Kim ) 한국복합재료학회 2020 Composites research Vol.33 No.1
본 연구에서는 Poly(vinylidene fluoride) (PVDF) 필름 제작 과정 중 마이크로웨이브 처리 과정을 도입하여 β 결정성 향상에 어떠한 영향을 미치는지 분석하였다. 또한, 나노 입자 보강제로써 금속산화물인 TiO<sub>2</sub>를 혼합하여 PVDF 복합재료 필름을 만들어, 전기적 음성도 차이로 인한 반데르발스 힘을 통해 β 결정 형성을 추가적으로 향상 시키려고 하였다. FTIR과 XRD 분석을 통하여 해당 필름 시편들에 대해 결정화도(Crystallinity) 및 결정성(Crystalline)을 분석하였다. 이러한 분석 결과를 바탕으로, 용매 증발 과정 중 마이크로웨이브 처리 과정이 PVDF 필름의 결정화도를 높여주는 것을 확인하였고, 추가적인 연신(Stretching) 공정을 통해 α 결정에서 β 결정 변화(Crystalline phase change)가 발생함으로써 결과적으로 더 많은 β 결정성을 나타내었다. 그리고 금속산화물을 넣은 PVDF 복합재료 필름이 Neat PVDF 필름보다 상대적으로 더 높은 β 결정성을 나타내는 것을 확인하였다. In this paper, the microwave irradiation process was conducted during the Poly(vinylidene fluoride) (PVDF) nano-composite film fabrication process to analyze how the β-crystalline is increased. TiO<sub>2</sub> was added as a nanoparticle reinforcement to further improve the β-crystalline conformation of the PVDF films by van der Waals force due to the difference of electronegativity between PVDF and the metal oxide nanoparticle. The crystalline conformation of the fabricated films was analyzed by X-ray diffraction and Fourier transform infrared spectroscopy. According to these analysis results, it was confirmed that the microwave irradiation process during the solvent evaporation process increases the crystallinity of the PVDF films, and more β-crystalline can be obtained after additional film stretching process. It was also found that the PVDF nano-composite films with the metal oxide have relatively higher β-crystalline conformation rather than the neat PVDF films.
홍현수(Hong, Hyun-Soo),박승(Park, Seung),홍성대(Hong, Sung-Dae) 한국산학기술학회 2010 한국산학기술학회논문지 Vol.11 No.9
본 연구에서는, 델파이기법을 이용하여 생체인식 시스템 분야에 대한, 미래 핵심기술을 도출하고, 도출된 각 기술들의 중요도, 난이도 및 기술 수준을 분석하였다. 델파이 조사를 위한 전문가 그룹은, 생체인식 분야 산학연 전문 가 중, 논문실적과 인지도가 뛰어난 30명을 선정하여 구성하였다. 조사 결과, 미래 핵심기술로는 생체신호 DB화 기 술, 생체신호분석 기술 등 10개 기술이 도출되었고, 중요도가 높은 기술로는 반도체 마이크로센서 제작기술, 생체센서 등으로 조사되었다. 또한, 각 기술별 국내 실현 가능 시기와 해당 기술의 세부목표 성능을 구체화 하였다. 본 연구 결 과는, 생체인식 시스템 분야의 연구 개발 시, 우선순위 판단과 방향 설정에 기여할 것으로 판단된다. This paper suggested the future technologies of biometrics system by using Delphi method. The level of technology were also evaluated. The group for the Delphi analysis consisted of 30 experts involved in biometrics. This study also suggested the 10 future core technologies of biometrics system including Body-signal DB technology and Bio-signal analysis technology, etc. From the technological importance point of view, several technologies were suggested as critical ones including the manufacturing technology of semiconductor micro-sensor and bio-sensor, etc. This research also forecasted the realization time of each technology and gave shape the detail goal performances. This research will be able to contribute to deciding the priority order and setting the direction of biometrics R&D planning.
합성곱 신경망 기반의 딥러닝을 이용한 섬유 강화 복합재료의 적층 각도 예측
홍현수 ( Hyunsoo Hong ),김원기 ( Wonki Kim ),전도윤 ( Do Yoon Jeon ),이관호 ( Kwanho Lee ),김성수 ( Seong Su Kim ) 한국복합재료학회 2023 Composites research Vol.36 No.1
섬유 강화 복합재료는 방향성을 가지고 있기 때문에 적층 순서에 따라서 구조물의 기계적인 특성은 매우 달라질 수 있다. 따라서, 상황과 용도에 따른 복합재료 구조물의 적층 설계는 필수적이다. 그러나 제작된 복합재료 구조물의 적층 각도는 제작 환경이나 구조물 형상에 따라 설계 값과 편차를 가지는 경우가 많으며, 이는 구조적 성능에 영향을 끼칠 수 있다. 따라서 구조물의 신뢰성 확보를 위해서는 적층 설계 뿐만 아니라 제작된 복합재료의 적층각에 대한 분석 또한 매우 중요하다. 본 연구에서는 합성곱 신경망(Convolutional neural network; CNN) 기반의 딥러닝(Deep learning)을 이용하여 섬유 강화 복합재료의 실제 단면 이미지로부터 적층 각도를 예측하였다. 여러 적층 각도를 가지는 탄소 섬유 강화 복합재료 시편을 제작하고, 광학 현미경을 이용하여 Micro-scale로 실제 단면을 촬영하였다. 다양한 적층 각도에 따른 복합재료 시편의 단면 이미지 데이터를 이용하여 합성곱 신경망 기반의 딥러닝 모델에 대하여 학습을 수행하였다. 그 결과 높은 정확도로 실제 섬유 강화 복합재료 단면 이미지로부터 적층 각도를 예측할 수 있었다. Fiber-reinforced composites have anisotropic material properties, so the mechanical properties of composite structures can vary depending on the stacking sequence. Therefore, it is essential to design the proper stacking sequence of composite structures according to the functional requirements. However, depending on the manufacturing condition or the shape of the structure, there are many cases where the designed stacking angle is out of range, which can affect structural performance. Accordingly, it is important to analyze the stacking angle in order to confirm that the composite structure is correctly fabricated as designed. In this study, the stacking angle was predicted from real cross-sectional images of fiber-reinforced composites using convolutional neural network (CNN)-based deep learning. Carbon fiber-reinforced composite specimens with several stacking angles were fabricated and their cross-sections were photographed on a micro-scale using an optical microscope. The training was performed for a CNN-based deep learning model using the cross-sectional image data of the composite specimens. As a result, the stacking angle can be predicted from the actual cross-sectional image of the fiber-reinforced composite with high accuracy.