본 연구는 전기투석과 용매추출을 융합한 희유금속 회수 공정에서 분리막과 음이온교환막의 개질을 통해 유기상 과 수상에 대한 분리막의 낮은 젖음성 및 AEM을 통한 수소이온 투과로 인한 금속이온의 회수 효율 감소를 개선하였다. 구체 적으로, 분리막 표면 중 한면은 polydopamine (PDA) 통한 친수성 개질, 다른 면은 SiO2 또는 graphene oxide를 통한 친유성 개질을 함으로써 분리막의 젖음성을 개선하였다. 또한, 음이온교환막의 표면을 polyethyleneimine, PDA, poly(vinylidene fluoride) 등을 이용, 개질해 수분 흡수(Water uptake) 감소 및 기공구조 변화를 통해 수소이온 수송을 억제해 수소이온 투과를 억 제할 수 있다. 개질된 막 표면 형상과 화학적 특성 및 조성은 주사전자현미경과 푸리에변환 적외선 분광법을 통해 확인되었 고, 이를 구리 이온 회수 시스템에 적용해 향상된 추출 및 탈거 효율과 수소이온 수송 억제능을 확인하였다.

수산화리튬(LiOH)에 대한 수요는 현재의 대안들에 비해 환경에 대한 효율성과 안전성 때문에 매년 증가하고 있 다. 리튬은 다른 염분과 염수 호수에서 발견될 수 있으며, 나중에 합성되어 다양한 용도로 LiOH를 생성한다. 리튬 이온을 분 리 및 회수하기 위해 다양한 방법이 사용되며, 그 중 가장 일반적인 방법은 전기투석법(ED)이다. ED는 이온을 한쪽에서 다 른 쪽으로 밀어내는 구동력으로서 그 층의 전위차에 작용하는 멤브레인 기반 분리 기술이다. ED의 이온교환막(IEM)은 유체 역학적 부피에 따라 상이한 이온의 선택성이 달라지기 때문에 공정을 효율적으로 만든다. 본 총설에서는 리튬이온의 회수를 향상시키기 위한 ED와 IEM의 서로 다른 변화 전략이 논의된다.

본 연구에서는 비가열 떡 제조업체 3곳을 대상으로 원 재료, 제조설비 및 계절별 제조공정에 대한 미생물 오염 도를 분석하였고, 여름철 불림 시간에 따른 미생물 오염 도 및 불림 수 온도 조절을 통한 미생물 저감 효과를 확 인하고자 하였다. 3업체의 원재료 일반세균수는 2.69-5.08 log CFU/g 범위로 검출되었으나 제조공정 중 불림공정에 서 미생물 오염도가 급격히 증가함을 확인하였다. 계절에 따른 제조공정별 미생물 오염도 분석결과, 여름철 불림공 정에서 일반세균 및 대장균군이 7.01 및 3.96 log CFU/g 로 다른 계절에 비해 유의적으로 높게 나타났고, 이후 공 정에서도 높은 오염도를 유지하여 냉동공정에서 일반세균 이 6.24 log CFU/g로 법적인 기준을 초과하여 검출되었다. 여름철 불림 초기 수온은 19.1oC에서 불림 12시간 후 26.8oC까지 상승하였고, 불림시간에(3, 6, 9, 12 h) 따른 제조공정별 미생물 오염도 분석결과, 불림시간이 길어질수 록 미생물 오염도가 유의적으로 높게 나타났고, 불림 9시 간 이후부터 냉동공정의 일반세균 수치가 냉동식품의 법 적인 기준을 초과하여 검출되었다. 여름철 불림 수의 온 도 상승을 억제하기 위하여 얼음팩을 이용하여 불림 수온 을 조절한 결과, 불림 12시간까지 20.1oC로 유지되어 조 절 전보다 약 7oC가량 낮게 나타났다. 이에 따른 제조공 정별 미생물 오염도 분석결과, 3업체의 불림 12시간 이후 냉동공정 일반세균 평균값이 4.42 log CFU/g로 조절 전보 다 1.77 log CFU/g 감소한 것으로 확인되었다. 이상의 결 과로 볼 때, 안전한 비가열 냉동떡 생산을 위해서는 업체 에 맞는 불림시간 및 불림 수 온도조절 등의 선행요건 관 리기준 설정이 필요하며, 이러한 선행요건 관리기준의 적 용으로 비가열 냉동떡 제조 HACCP system의 안전성이 확립될 수 있을 것으로 판단되었다.

The injection molding process is a process in which thermoplastic resin is heated and made into a fluid state, injected under pressure into the cavity of a mold, and then cooled in the mold to produce a product identical to the shape of the cavity of the mold. It is a process that enables mass production and complex shapes, and various factors such as resin temperature, mold temperature, injection speed, and pressure affect product quality. In the data collected at the manufacturing site, there is a lot of data related to good products, but there is little data related to defective products, resulting in serious data imbalance. In order to efficiently solve this data imbalance, undersampling, oversampling, and composite sampling are usally applied. In this study, oversampling techniques such as random oversampling (ROS), minority class oversampling (SMOTE), ADASYN(Adaptive Synthetic Sampling), etc., which amplify data of the minority class by the majority class, and complex sampling using both undersampling and oversampling, are applied. For composite sampling, SMOTE+ENN and SMOTE+Tomek were used. Artificial neural network techniques is used to predict product quality. Especially, MLP and RNN are applied as artificial neural network techniques, and optimization of various parameters for MLP and RNN is required. In this study, we proposed an SA technique that optimizes the choice of the sampling method, the ratio of minority classes for sampling method, the batch size and the number of hidden layer units for parameters of MLP and RNN. The existing sampling methods and the proposed SA method were compared using accuracy, precision, recall, and F1 Score to prove the superiority of the proposed method.

Companies are making design changes by improving product quality and function to succeed while meeting customer requirements continuously. Design changes are changing the product BOM's amount, item, specification, and shape while causing a change in the product's structure. At this time, the problem of inventory exhaustion of parts before design change is a big topic. If the inventory exhaustion fails, the pieces before the design change become unused and are discarded, resulting in a decrease in asset value, and the quality cost of the design change affects the company's profits. Therefore, it is necessary to decide to minimize quality costs while minimizing waste inventory costs at the time of application of design changes. According to the analysis, priorities should be prioritized according to urgency because the quantity of items before the design change affects the applied lead time.

In the case of a die-casting process, defects that are difficult to confirm by visual inspection, such as shrinkage bubbles, may occur due to an error in maintaining a vacuum state. Since these casting defects are discovered during post-processing operations such as heat treatment or finishing work, they cannot be taken in advance at the casting time, which can cause a large number of defects. In this study, we propose an approach that can predict the occurrence of casting defects by defect type using machine learning technology based on casting parameter data collected from equipment in the die casting process in real time. Die-casting parameter data can basically be collected through the casting equipment controller. In order to perform classification analysis for predicting defects by defect type, labeling of casting parameters must be performed. In this study, first, the defective data set is separated by performing the primary clustering based on the total defect rate obtained during the post-processing. Second, the secondary cluster analysis is performed using the defect rate by type for the separated defect data set, and the labeling task is performed by defect type using the cluster analysis result. Finally, a classification learning model is created by collecting the entire labeled data set, and a real-time monitoring system for defect prediction using LabView and Python was implemented. When a defect is predicted, notification is performed so that the operator can cope with it, such as displaying on the monitoring screen and alarm notification.

Recently, many studies have been conducted to improve quality by applying machine learning models to semiconductor manufacturing process data. However, in the semiconductor manufacturing process, the ratio of good products is much higher than that of defective products, so the problem of data imbalance is serious in terms of machine learning. In addition, since the number of features of data used in machine learning is very large, it is very important to perform machine learning by extracting only important features from among them to increase accuracy and utilization. This study proposes an anomaly detection methodology that can learn excellently despite data imbalance and high-dimensional characteristics of semiconductor process data. The anomaly detection methodology applies the LIME algorithm after applying the SMOTE method and the RFECV method. The proposed methodology analyzes the classification result of the anomaly classification model, detects the cause of the anomaly, and derives a semiconductor process requiring action. The proposed methodology confirmed applicability and feasibility through application of cases.

PURPOSES : In this study, emissions from asphalt mixture production and construction processes are calculated and used to estimate the emission from each asphalt pavement layer. The calculated emissions for the processes are used as fundamental data to estimate the total emission from the entire life cycle of pavement engineering in South Korea. METHODS : A design proposal and the Korean standard, which provide quantitative information for activities, were used to estimate the amount of construction materials and energy consumption. Subsequently, the LCI DB from NAPA and the LCIA DB from EPA were utilized in conjunction with the estimated quantity to assess the effect of the emissions to determine their environmental impact categories. RESULTS : Calculation results show that 5.84 million ton of CO2eq is discharged from production and construction processes, whereas 3.24 million ton of CO2eq is discharged from operation processes in the pavement engineering sector. The total GHG emission, i.e., 9.08 million ton of CO2eq, is approximately 1.25% of the national GHG emission in 2018. The asphalt mixture production process results in the highest GHG emission in the life cycle of asphalt pavements. CONCLUSIONS : An LCI DB that accounts for the industrial characteristics of South Korea must be established to provide more reliable emission data to be used for national GHG reduction plans, including those for the pavement engineering sector.

사출성형공정은 열가소성 수지를 가열하여 유동상태로 만들어 금형의 공동부에 가압 주입한 후에 금형 내에서 냉각시키는 공정으로, 금형의 공동모양과 동일한 제품을 만드는 방법이다. 대량생산이 가능하고, 복잡한 모양이 가능한 공정으로, 수지온도, 금형온도, 사출속도, 압력 등 다양한 요소들이 제품의 품질에 영향을 미친다. 제조현장에서 수집되는 데이터는 양품과 관련된 데이터는 많은 반면, 불량품과 관련된 데이터는 적어서 데이터불균형이 심각하다. 이러한 데이터불균형을 효율적으로 해결하기 위하여 언더샘플링, 오버샘플링, 복합샘플링 등이 적용되고 있다. 본 연구에서는 랜덤오버샘플링(ROS), 소수 클래스 오버 샘플링(SMOTE), ADASTN 등의 소수클래스의 데이터를 다수클래스만큼 증폭시키는 오버샘플링 기법을 활용하고, 데이터마이닝 기법을 활용하여 품질예측을 하고자 한다.