姚遠、黃柏勳、吳承軒 / 國立清華大學化學工程學系；
陳孟歆、陳彥銘、陳峙宇 / 工研院材化所
此篇文章針對高分子材料反應押出製程結合AI，提出遞迴式深度嵌入網路(RDEN)以整合多種螺桿組態下的生產資料，進行模擬預測產品品質指標。模型以自編碼器(Autoencoder)將各螺桿組態壓縮為精簡的潛在向量(Latent Vector)，保留輸送(Conveying)、捏合(Kneading)與混合(Mixing)元件的關鍵結構資訊，提出深度學習模型與優化演算法，進一步建立雙螺桿押出模擬預測模型，用於螺桿排列與操作條件的協同設計，顯著提升押出過程的設計效率。
【內文精選】
雙螺桿押出之模擬框架與資料生成方法
考量之變數共四項：連續螺桿元件之排列、螺桿換段區（機筒第2區）溫度、螺桿轉速與進料流率。為檢視螺桿位置之影響，設計重點鎖定螺桿軸上525 mm~685 mm的特定區段，於其中選取8個連續位置作為實驗設計因子。此設定可用以探討不同螺桿組態如何與操作條件交互作用，進而影響製程結果。其中對於螺桿單元的候選元件如圖二。
圖二、 候選螺桿元件之示意圖
依據所提出之取樣策略，共產生50,000筆資料點。根據模擬結果，記錄之品質（輸出）變數包括：累積應變(Cumulative Strain)、總耗散能(Total Dissipated Energy)、剪切率(Shear Rate)、平均停留時間(Mean Residence Time）、應變增量(∆Cumulative Strain)、耗散能增量(∆Total Dissipated Energy)。其中兩個「增量」變數定義為設計區段末端與前端之差（即區段出口值減入口值）。
模型結果
模型判別以均方根誤差(Root Mean Square Error; RMSE)與R2分數評估模型之預測表現。RMSE反映預測值與實際值之間的平均偏差量級，計算上為誤差平方和之平均再開根號；數值愈小，預測愈精準。其單位與原始資料一致，因而直觀易解。R2用以衡量模型對資料變異的解釋度，值愈接近1，代表整體預測準確度愈高，適合評估迴歸模型之整體表現。
由自編碼器潛在變數之散布圖（圖八）可見，螺桿元件會依其功能在嵌入空間中形成明顯群聚。尤值注意者，在捏合功能之元件中，當正、反轉之單元角度愈大，其於散布圖中的位置亦相互靠近；此結果對應指出：在90°時，正轉與反轉捏合元件所造成之效應相當接近。進一步觀察潛在變數1 (Latent 01)的分布方向，亦可清楚辨識轉動方向的變化趨勢，顯示模型已捕捉到具體的物理意義---以上為部分節錄資料，完整內容請見下方附檔。
圖八、 潛在變數散布圖
★本文節錄自《工業材料雜誌》468期，更多資料請見下方附檔。