Image-based statistical learning of liquid pinch-off dynamics

Abstract

Functional materials used in many industrial processes are made of various raw materials such as polymers, metals, and carbon particles to improve their functions. As a result, they show various rheological behaviors such as viscoelasticity and yield behavior. Frequently, such behaviors can be identified in the pinch-off dynamics of the fluids. The rheological behaviors of fluids appear visually characteristic in the thinning behaviors. So it is important to analyze the thinning behaviors of fluids visually. This thesis describes research on analyzing the overall thinning behaviors of fluids using Machine Learning methods. First, fluid thinning behavior images were acquired using DoS-CaBER(Dripping onto Substrate - Capillary Break-up Extensional Rheometer). Then, image pre-processing methods were developed for effective Machine Learning. PCA(Principal Component Analysis) was used as a machine learn ing algorithm to obtain new rheological information from the images. As a result, PCs(Principal Components) and Eigen-thinning, which explain the fluid thinning behavior, were obtained. The accuracy of PCs was verified through a PCA-based classification model, and the rheological complexity of PCs was confirmed through a comparison between conventional rheological properties and PCs. Also, we did application tests. The PCs were used for two prediction tests. The first test was to predict the flow ratio of fluids in complex micro-channels. It showed that PCs are useful predictive indicators when simple, fast, and rough predictions are required. The second test was to predict the mixing ratio of the mixture. The feasibility of the predictive model was confirmed when the rheological property dominant in the PCs had a linear change according to the mixing ratio. Finally, the advantages, limitations, and future development directions of the proposed machine learning method were explained.

많은 산업공정에서 사용되는 기능성 소재들은 기능의 향상을 위해 고분자,금속,탄소 입자들과 같은 다양한 원재료로 만들어진다. 이에따라 점탄성 및 항복 거동 등 다양한 유변학적 거동을 보인다. 이러한 유변학적 거동들이 유체가 얇아지는 거동에서 특징적인 형태로 나타남이 선행연구에서 확인이 되었다. 따라서 유체의 얇아지는 거동을 시각적으로 분석하는 것은 중요하다. 본 학위논문은 간단한 기계학습 방식들을 사용하여 유체의 얇아지는 거동을 분석하는 연구를 다루고있다. 우선, 유체의 얇아지는 거동의 이미지들을 DoS-CaBER(Dripping onto Substarte-Capillary Break-up Extensional Rheometer)를 사용하여 획득하였다. 다음으로, 효과적인 기계학습을 위해 이미지들의 전처리 과정을 개발하였다. 새로운 유변학적 정보들을 얻기위해 주성분분석(PCA)을 기계학습 알고리즘으로 사용하였다. 결과적으로 유체의 거동특성을 설명하는 주성분들과 고유의 얇아짐 이미지(Eigen-thinning)을 확보하였다. 주성분들을 활용한 분류모델을 통해 주성분들의 정확도를 검증하였으며, 전통적인 유변물성들과 주성분들의 비교를 통해 주성분들의 유변학적 복합성을 확인하였다. 우리는 또한 활용평가들을 진행하였다. 주성분들은 두가지 예측 평가에 사용 되었다. 첫 번째는 복잡 미세관을 흐르는 유체의 흐름정도를 예측하는 평가였다. 이 평가를 통해 주성분들이 간단하고 빠르면서 대략적인 예측이 요구되는 경우에 유용한 예측 지표가 될 수 있음을 확인하였다. 두 번째는 혼합유체의 혼합비율을 예측하는 실험이었으며, 주성분에서 지배적으로 나타나는 유변물성이 혼합비에 따라 선형적인 변화를 가질 경우 혼합비율 예측의 가능성을 확인하였다. 마지막으로 제안한 기계학습 방법의 이점과 한계점 도출을 통해 향후 연구방향의 일부를 제시하였다.