Εφαρμογή μεθόδων μηχανικής μάθησης για την πρόβλεψη των ρεολογικών ιδιοτήτων πολυουρεθανικών αλυσίδων

Κοντούλη, Μυρτώ; Kontouli, Myrto

dc.contributor.author	Κοντούλη, Μυρτώ	el
dc.contributor.author	Kontouli, Myrto	en
dc.date.accessioned	2023-01-13T08:57:24Z
dc.date.available	2023-01-13T08:57:24Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56671
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24369
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Πολυουρεθάνες	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Τροποποιητές ρεολογίας	el
dc.subject	Μοριακό βάρος	el
dc.subject	Προεπεξεργασία δεδομένων	el
dc.subject	HEUR	en
dc.subject	Rheology modifiers	el
dc.subject	Molar weight	el
dc.subject	Neural networks	el
dc.subject	Data preprocessing	el
dc.title	Εφαρμογή μεθόδων μηχανικής μάθησης για την πρόβλεψη των ρεολογικών ιδιοτήτων πολυουρεθανικών αλυσίδων	el
heal.type	bachelorThesis
heal.classification	Machine Learning	en
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-03
heal.abstract	Οι τροποποιημένες υδρόφοβες αιθοξυλιωμένες ουρεθάνες (HEUR) χρησιμοποιούνται ως ρεολογικοί τροποποιητές στη βιομηχανία χρωμάτων και επικαλύψεων. Τα τελευταία χρόνια έχει δημιουργηθεί η ανάγκη για ακριβείς ποσοτικές προβλέψεις των ρεολογικών τους ιδιοτήτων κατά τα στάδια της παραγωγής, της επεξεργασίας και της αποθήκευσης. Κύριος σκοπός της διπλωματικής εργασίας είναι η εκπαίδευση εμπρόσθιων ρηχών νευρωνικών δικτύων, τα οποία μπορούν να προβλέπουν το μοριακό βάρος των πολυουρεθανών HEUR, που έχει άμεση συσχέτιση με τη ρεολογικά τους χαρακτηριστικά. Για την εκπαίδευση των νευρωνικών δικτύων χρησιμοποιούνται πειραματικά δεδομένα τα οποία έχουν παραχθεί από το εργαστήριο Τεχνικής Χημικής Διεργασιών, της Σχολής Χημικών Μηχανικών, του Εθνικού Μετσόβιου Πολυτεχνείου υπό την επίβλεψη του Αν. Καθηγητή Γ. Στεφανίδη. Επιπλέον, μέσω εφαρμογής μεθόδων μηχανικής μάθησης μελετάται η επίδραση δύο διαφορετικών τρόπων δειγματοληψίας στο μοριακό βάρος του παραγόμενου προϊόντος, εκ των οποίων ο πρώτος περιλαμβάνει τη λήψη στερεού δείγματος και την μετέπειτα διάλυσή του σε χλωροφόρμιο και ο δεύτερος την απευθείας δειγματοληψία σε προζυγισμένο φιαλίδιο με χλωροφόρμιο. Η εργασία πραγματοποιήθηκε σε περιβάλλον MATLAB και πιο συγκεκριμένα η εκπαίδευση των νευρωνικών δικτύων έγινε με το εργαλείο Neural Net Fitting του πακέτου Machine Learning and Deep Learning. Αρχικά, συλλέγεται το σύνολο των δεδομένων με μεταβλητές εισόδου τις συνθήκες της αντίδρασης και μεταβλητές εξόδου τo μοριακό βάρος των προϊόντων πολυμερισμού. Στη συνέχεια, μετά την κατάλληλη προεπεξεργασία των δεδομένων δημιουργείται μοντέλο παλινδρόμησης Gaussian Process συνάρτησης ARD Kernel, με σκοπό τη μείωση των μεταβλητών του συστήματος. Διαπιστώνεται από την ανάλυση ότι οι στροφές ανάμειξης έχουν μικρότερη επίδραση στο μοριακό βάρος και συνεπώς εξετάζεται η αφαίρεσή τους από τα δεδομένα εισόδου. Έπειτα εφαρμόζονται αλγόριθμοι μηχανικής μάθησης, και συγκεκριμένα ταξινόμησης (k–Nearest Neighbor) και κατηγοριοποίησης (DBSCAN, k-means) για να διερευνηθεί η διαφορά δειγματοληψίας στερεού δείγματος από την απευθείας διάλυση σε χλωροφόρμιο, στη δομή των δεδομένων. Το μοντέλο k-ΝΝ κατηγοριοποιεί με ακρίβεια (TPR) 99,9% και ανάκληση (PPV) 98,1% τα δεδομένα στον αντίστοιχό τους τρόπο δειγματοληψίας και τα μοντέλα DBSCAN και k-means ανιχνεύουν σε ικανοποιητικό βαθμό την επίδραση του τρόπου δειγματοληψίας στο μοριακό βάρος του προϊόντος. Συμπερασματικά, η διαφορά αυτή στα δεδομένα μπορεί να αναγνωριστεί ως ένα βαθμό από μεθόδους μη εποπτευόμενης μάθησης και επακριβώς από μεθόδους εποπτευόμενης μάθησης. Τέλος πραγματοποιείται εκπαίδευση νευρωνικών δικτύων και παραμετρική ανάλυση των κόμβων του κρυφού επιπέδου, με καλύτερη απόδοση να εμφανίζουν αυτά των 12 κόμβων. Ο βέλτιστος συνολικός συντελεστής συσχέτισης υπολογίζεται R2 = 0.93 και θεωρείται ικανοποιητικός δεδομένης της ανομοιογένειας του συνόλου των δεδομένων. Ταυτόχρονα σχηματίζονται το γράφημα του μέσου τετραγωνικού σφάλματος (MSE) ανά κύκλους εκπαίδευσης και το ιστόγραμμα κατανομής σφαλμάτων, η μορφή των οποίων υποδεικνύει πως η εκπαίδευση έχει πραγματοποιηθεί ορθά και το μοντέλο έχει επαρκή ικανότητα γενίκευσης.	el
heal.abstract	The hydrophobically modified urethane—ethoxylate (HEUR) are used as rheological modifiers in the paints and coatings industry. Their use creates the need for precise quantitative forecasts of their rheological modifiers during the various stages of production, processing and storing. The main purpose of this thesis is the forecast of the molecular weight of the polyurethanes HEUR, which indicates their rheological characteristics through the training of shallow feedforward neural networks. The data used for the training of the neural network, have been produced from the Chemical Process Engineering Laboratory of the School of Chemical Engineering of the National Technical University of Athens under the supervision of the Associate professor G.Stefanidis. In addition,the effect of two different sampling methods in the molecular weight of the produced product is studied with the help of machine learning methods. The first sampling method acquires a solid sample and its further solution in an organic solvent of chloroform. The second sampling method acquires the sample directly in a preweighted container of chloroform. The thesis was realized in a MATLAB environment. Specifically, the neural network training was completed with the Neural Net Fitting tool of the Machine Learning and Deep Learning library. Initially, the dataset is created by setting the conditions of the reaction as input variables and the molecular weight of the polymerization products as output variables. Next, after a pre-processing step of the dataset a new regression model of Gaussian Process with ARD Kernel is created with the purpose of decreasing the number of variables of the system (dimensionality reduction). Our analysis shows that the rotational speed has the least impact on the molecular weight of the product. Therefore, its removal from the input data is considered. Next the sorting machine learning algorithms (k – Nearest Neighbor) and categorization (DBSCAN, k-means) are applied to find out the effect of the sampling method on the dataset. The k-NN model classifies the data with 99,9% precision and 98,1% recall to their respective sampling methods. The K-Means and DBSCAN models detects to an acceptable degree the effect of the sampling methods. In conclusion, the change in the dataset cane be detected by non supervised learning methods to some degree and can be estimated accurately with supervised learning. Finally, we perform a parametric analysis examining the best number of nodes in the inner layer of the neural network; our analysisshows that 10 of 12 nodes show the optimal performance of the neural network. The best total correlation coefficient is calculated R2 = 0.93 and is considered acceptable considering the inhomogeneity of the dataset. At the same time the plot of mean square error (MSE) per training round and histogram of error distribution is created. These plots indicate that training has been completed correctly and the model has acceptable generalization.	en
heal.advisorName	Καβουσανάκης, Μιχάλης	el
heal.committeeMemberName	Στεφανίδης, Γεώργιος	el
heal.committeeMemberName	Χαμηλάκης, Στυλιανός	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Χημικών Μηχανικών. Τομέας Ανάλυσης, Σχεδιασμού και Ανάπτυξης Διεργασιών και Συστημάτων (ΙΙ)	el
heal.academicPublisherID	ntua
heal.numberOfPages	71 σ.	el
heal.fullTextAvailability	false