รายละเอียดโครงงาน
หลักสูตร/ปี พ.ศ. วิศวกรรมศาสตรบัณฑิต สาขาวิชาวิศวกรรมคอมพิวเตอร์ ปี พ.ศ. 2563
ภาคและปีการศึกษาที่สำเร็จการศึกษา ภาคปลาย ปีการศึกษา 2562
ประเภทโครงงาน
โครงงานวิศวกรรม
ชื่อโครงงานภาษาไทย
การทำนายความสัมพันธ์ระหว่าง โครงสร้างและคุณสมบัติของพอลิเมอร์
ชื่อโครงงานภาษาอังกฤษ
Relationship Prediction between Polymer Structure and Property
ผู้พัฒนา
5910503821 ฤกษชัย อองละออ
อาจารย์ที่ปรึกษาหลัก
สุภาพร เอื้อจงมานี
อาจารย์ที่ปรึกษาร่วม
-
บทคัดย่อ
พลาสติกเป็นวัสดุที่ใช้กันแพร่หลายมีองค์ประกอบเป็นพอลิเมอร์ การสร้างพอลิเมอร์ใหม่ขึ้นมาเพื่อให้ได้คุณสมบัติตามที่คาดไว้นั้นต้องทำการทดลองซึ่งใช้ต้นทุนและเวลาในการผลิต โครงงานนี้เสนอการเรียนรู้ด้วยเครื่องมาช่วยในการทำนายคุณสมบัติของพอลิเมอร์ว่ามีคุณสมบัติในแต่ละด้านเป็นอย่างไรก่อนนำไปผลิตจริง โดยใช้ข้อมูลการกระจายตัวของน้ำหนักโมเลกุลสามมิติของพอลิเมอร์ (Z) ที่แสดงตามปัจจัยต้นทาง 2 ตัว คือ น้ำหนักโมเลกุล และ อุณหภูมิ เพื่อนำไปทำนายคุณสมบัติ 2 ตัวคือ ความหนาแน่นและดัชนีการไหล โครงงานนี้เริ่มจากการสร้างแผนที่ความสัมพันธ์เพื่อแสดงคุณสมบัติแต่ละตัวตามปัจจัยต้นทาง พบว่า วิธีใช้ค่าเฉลี่ยแบบถ่วงน้ำหนักของการกระจายตัวของมวลโมเลกุล ณ ค่า Log MW และค่าอุณหภูมิ แต่ละค่า ของทุกข้อมูลการกระจายตัวของมวลโมเลกุล ให้แผนที่ความสัมพันธ์ที่ดีกว่า นอกจากนี้ โครงงานนี้ทดลองข้อมูลนำเข้า 5 แบบและวิธีการเรียนรู้ด้วยเครื่อง 4 วิธีคือ Regression, Decision Tree และ Neural Network , Convolution Neural Networkเพื่อนำไปทำนายคุณสมบัติแต่ละตัว พบว่าวิธี Convolution Neural Network และข้อมูลนำเข้าแบบ Z-matrix สามารถทำนายค่าความหนาแน่นและค่าดัชนีการไหลได้ถูกต้อง นอกจากวิธีการเรียนรู้ที่ส่งผลต่อความถูกต้อง แต่เนื่องจากคุณสมบัติแต่ละตัวขึ้นกับปัจจัยต้นทางที่แตกต่างกันทำให้ข้อมูลนำเข้าต่างรูปแบบมีผลต่อความถูกต้องเช่นกัน ผลลัพธ์จากงานนี้สามารถช่วยในการวิเคราะห์คุณสมบัติของพอลิเมอร์ผ่านข้อมูลได้ โดยไม่จำเป็นต้องไปทำการทดลองจริง ลดต้นทุนและเวลา ทำให้กระบวนการผลิตมีประสิทธิภาพมากขึ้น
Abstract
Plastic is common material used and composed of polymer. To form new polymer with desired properties requires laboratory experiments that increase cost and production time. This project proposes to apply machine learning to predict properties before actual experiment and production. The 3D Mass Weight Distribution of polymer (Z) based on two factors (molecule weight and temperature) is used to predict two properties: density and melt flow index. The project starts with constructing the relationship mapping of each property based on two factors. It is found that the relationship mapping from weighted average of Mass Weight Distribution of polymer (Z) at each Log MW and Temperature every datasets of Mass Weight Distribution of polymer provides the better result. Next, five input feature sets are designed and experimented, along with three machine learning algorithms to predict density and melt flow index. The results show that Convolution Neural Network and Z-matrix input predict density and melt flow index more accurately. Thus, learning methods affect accuracy. Moreover, different input features also have an effect on accuracy since each property depends on factors differently. The results from this project can help analyze polymer properties without actual laboratory experiments. Consequently, this decreases cost and time, and increases efficiency in production
คำสำคัญ (Keywords)
machine learning
deep learning
statistics
polymer
chemical
เว็บไซต์โครงงาน
-
วีดีโอคลิปของโครงงาน
ที่เก็บเวอร์ชันซอร์สโค้ด
-
สถานะการนำเข้าข้อมูล
ผู้นำเข้าข้อมูลครั้งแรก
ฤกษชัย
อองละออ
(b5910503821)
แก้ไขครั้งสุดท้าย
เมื่อ April 17, 2020, 11:31 p.m. โดย
ฤกษชัย
อองละออ
(b5910503821)
สถานะการอนุมัติ
รออนุมัติ