CN112912969A - 热力学的平衡状态的预测装置、预测方法以及预测程序 - Google Patents

热力学的平衡状态的预测装置、预测方法以及预测程序 Download PDF

Info

Publication number
CN112912969A
CN112912969A CN201980070275.3A CN201980070275A CN112912969A CN 112912969 A CN112912969 A CN 112912969A CN 201980070275 A CN201980070275 A CN 201980070275A CN 112912969 A CN112912969 A CN 112912969A
Authority
CN
China
Prior art keywords
prediction
model
learning
thermodynamic equilibrium
equilibrium state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201980070275.3A
Other languages
English (en)
Inventor
奥野克树
奥野好成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Resonac Holdings Corp
Original Assignee
Showa Denko KK
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Showa Denko KK filed Critical Showa Denko KK
Publication of CN112912969A publication Critical patent/CN112912969A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C1/00—Making non-ferrous alloys
    • C22C1/02—Making non-ferrous alloys by melting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/26—Composites
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mechanical Engineering (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种预测装置，其具备：模型，所述模型基于对象材料的设计条件有关的解释变量的输入，输出热力学的平衡状态有关的目标变量；学习用数据生成部，所述学习用数据生成部生成学习用数据，所述学习用数据包含规定的设计条件的输入、和基于该设计条件能够产生的热力学的平衡状态的输出；模型学习部，所述模型学习部使用通过学习用数据生成部生成的学习用数据，进行机器学习以使模型的输入输出关系接近学习用数据的输入输出关系；解释变量设定部，所述解释变量设定部设定对象材料的热力学的平衡状态的预测所使用的预测用解释变量；以及预测部，所述预测部基于对利用模型学习部完成了机器学习的模型输入预测用解释变量，从模型输出作为热力学的平衡状态的预测结果的预测用目标变量。

Description

热力学的平衡状态的预测装置、预测方法以及预测程序
技术领域
本发明涉及热力学的平衡状态的预测装置、预测方法以及预测程序。
背景技术
作为通过计算机模拟预测合金、陶瓷、水溶液、化学反应等热力学的平衡状态的方法，已知CALPHAD(CALculation of PHAse Diagram and Thermodynamics)方法(例如专利文献1)。
现有技术文献
专利文献
专利文献1:(日本)特开2014-48208号公报
发明内容
发明所要解决的课题
CALPHAD方法为探索作为平衡状态赋予最小的吉布斯能的状态的模拟方法，计算花费时间。对于1个材料组成进行热力学的平衡计算来预测状态图时，CALPHAD方法能够在实际的时间内实施，对于大多数的材料组成，预测状态图来实施筛选过于花费时间，并不现实。例如如果对于合金材料，要算出用于筛选10000种的解释变量(组成、制造条件的组)的全部合金组成的状态图，则各组的计算花费约90秒，因此合计需要约250小时的时间。
本发明的目的在于提供能够以短时间计算热力学的平衡状态的热力学的平衡状态的预测装置、预测方法以及预测程序。
用于解决课题的手段
本发明的实施方式具备以下所示的构成。
[1]一种预测装置，其为对象材料的热力学的平衡状态的预测装置，其具备：
模型，所述模型基于上述对象材料的设计条件有关的解释变量的输入，输出上述热力学的平衡状态有关的目标变量；
学习用数据生成部，所述学习用数据生成部生成学习用数据，所述学习用数据包含规定的设计条件的输入、和基于该设计条件能够产生的上述热力学的平衡状态的输出；
模型学习部，所述模型学习部使用通过上述学习用数据生成部生成的上述学习用数据，进行机器学习以使上述模型的输入输出关系接近上述学习用数据的输入输出关系；
解释变量设定部，所述解释变量设定部设定上述对象材料的热力学的平衡状态的预测所使用的预测用解释变量；以及
预测部，所述预测部基于对利用上述模型学习部完成了机器学习的上述模型输入上述预测用解释变量，从上述模型输出作为上述热力学的平衡状态的预测结果的预测用目标变量。
[2]根据[1]所述的预测装置，其具备：状态图显示部，所述状态图显示部基于通过上述预测部输出的上述预测用目标变量，生成并显示上述热力学的平衡状态的状态图。
[3]根据[1]或[2]所述的预测装置，
上述模型为多层神经网络，
上述模型学习部使用深度学习进行上述模型的学习。
[4]根据[3]所述的预测装置，
作为上述模型的输出的上述目标变量为上述对象材料的热力学的平衡状态中的相分率，
上述多层神经网络的输出层的神经元使用了归一化指数(softmax)函数。
[5]根据[1]～[4]中任一项所述的预测装置，
上述学习用数据生成部生成由上述设计条件的规定范围的组合形成的上述解释变量，使用CALPHAD方法，算出上述目标变量，生成包含上述生成的上述解释变量和上述算出的上述目标变量的上述学习用数据。
[6]根据[1]～[5]中任一项所述的预测装置，
上述对象材料为铝合金，
上述解释变量包含上述铝合金的组成和制造条件，
上述目标变量包含上述铝合金的热力学的平衡状态下的相分率。
[7]
一种预测方法，其为对象材料的热力学的平衡状态的预测方法，其包括下述步骤：
学习用数据生成步骤，基于上述对象材料的设计条件有关的解释变量的输入，关于输出上述热力学的平衡状态有关的目标变量的模型，生成学习用数据，所述学习用数据包含规定的设计条件的输入、以及基于该设计条件能够产生的上述热力学的平衡状态的输出；
模型学习步骤，使用由上述学习用数据生成步骤生成的上述学习用数据，进行机器学习以使上述模型的输入输出关系接近上述学习用数据的输入输出关系；
解释变量设定步骤，设定上述对象材料的热力学的平衡状态的预测所使用的预测用解释变量；以及
预测步骤，基于由上述解释变量设定步骤设定的上述预测用解释变量的、对于利用上述模型学习步骤完成了机器学习的上述模型的输入，从上述模型输出作为上述热力学的平衡状态的预测结果的预测用目标变量。
[8]一种预测程序，其为对象材料的热力学的平衡状态的预测程序，其所述预测程序用于使计算机实现下述功能：
学习用数据生成功能，基于上述对象材料的设计条件有关的解释变量的输入，关于输出上述热力学的平衡状态有关的目标变量的模型，生成学习用数据，所述学习用数据包含规定的设计条件的输入、以及基于该设计条件能够产生的上述热力学的平衡状态的输出；
模型学习功能，使用由上述学习用数据生成功能生成的上述学习用数据，进行机器学习以使上述模型的输入输出关系接近上述学习用数据的输入输出关系；
解释变量设定功能，设定上述对象材料的热力学的平衡状态的预测所使用的预测用解释变量；以及
预测功能，基于由上述解释变量设定功能设定的上述预测用解释变量的、对于利用上述模型学习功能完成了机器学习的上述模型的输入，从上述模型输出作为上述热力学的平衡状态的预测结果的预测用目标变量。
发明的效果
根据本发明，能够提供能够以短时间计算热力学的平衡状态的热力学的平衡状态的预测装置、预测方法以及预测程序。
附图说明
图1为表示实施方式涉及的预测装置的概略构成的框图。
图2为表示4元系的学习用数据的一例的图。
图3为表示使用了图2所示的4元系的学习数据的情况下的学习结果的图。
图4为表示9元系的学习用数据的一例的图。
图5为表示使用了图4所示的9元系的学习数据的情况下的学习结果的图。
图6为表示预测装置的硬件构成的框图。
图7为通过实施方式涉及的预测装置1实施的热力学的平衡状态的预测处理的流程图。
具体实施方式
以下，一边参照附图一边对于实施方式进行说明。为了使说明的理解变得容易，在各附图中对于同一构成要素，尽可能附上同一符号，省略重复的说明。
参照图1～图5，说明实施方式涉及的热力学的平衡状态的预测装置1(以下，也简单表述为“预测装置1”)的构成。图1为表示实施方式涉及的预测装置1的概略构成的框图。预测装置1为用于预测由多个组成形成的材料、或者包含通过多个制造条件的组合而制造的材料的对象材料的热力学系平衡状态、状态图的装置。在本实施方式中，作为预测对象材料的一例，举出铝合金进行说明。
如图1所示那样，预测装置1具备模型2、学习用数据生成部3、模型学习部4、解释变量设定部5、预测部6以及状态图显示部7。
模型2基于对象材料的设计条件有关的解释变量(铝合金的组成、制造条件)的输入，输出热力学的平衡状态有关的目标变量(热力学的平衡状态中的化合物的相分率)。模型2为具有监督的学习模型，作为进行热力学的平衡状态的预测的前阶段，通过模型学习部4进行机器学习，学习解释变量与目标变量的对应关系，即模型2的输入输出关系。
在本实施方式中，模型2如图1所示那样，为具有输入层、多个中间层以及输出层的多层神经网络。模型2的输入层的各神经元与解释变量的各项目相同数目设定，输入各项目的数值。图1中，作为制造条件的温度T(℃)以及作为原料组成的3种添加元素Si、Cu、Mg的重量百分率(wt％)的数值被输入输入层的各神经元。模型2的输出层的各神经元与目标变量的各项目相同数目设定，输出各项目的数值。
此外，模型2的多层神经网络的输出层使用了归一化指数函数。即，模型2的多个输出分别为0～1的范围，并且多个输出的总和成为1。如上述那样，在本实施方式中，模型2的输出为热力学的平衡状态中的各化合物的相分率，因此通过将归一化指数函数用于输出层，从而模型2的输出值能够不进行追加运算而作为相分率利用，能够降低计算成本。
学习用数据生成部3生成模型2的学习用数据。学习用数据包含规定的设计条件的输入、以及基于该设计条件能够产生的热力学的平衡状态的输出。学习用数据生成部3生成由铝合金的设计条件(组成、制造条件)的规定范围的组合形成的解释变量，使用CALPHAD方法算出目标变量，生成包含生成的解释变量和算出的目标变量的学习用数据。
图2为表示4元系的学习用数据的一例的图。图2的学习用数据中，作为解释变量，包含铝合金的组成中的3种添加元素Si、Cu、Mg的重量百分率(wt％)，以及制造条件中温度(℃)的4个项目，作为目标变量，为包含基于输入的3种组成的9种化合物的相分率的4元系的学习用数据。在采用4元系的学习用数据的情况下，如图1例示那样，模型2的输入层的神经元的数目为4个，输出层的神经元的数目为9个。
另外，解释变量的组成Si、Cu、Mg的重量百分率为生成将例如各元素的数值在规定范围内进行了调整的数值组，为各元素的数值组的全部组合。此外，解释变量的温度的数值为在规定的温度范围(例如0～1000℃)内进行了调整的数值组。在这些组成的全部组合的各自中，组合温度的数值组来生成解释变量的组。目标变量的化合物的数目根据解释变量所包含的组成的内容来决定。
图4为表示9元系的学习用数据的一例的图。图4的学习用数据中，作为解释变量，包含作为铝合金的组成的8种添加元素Si、Fe、Cu、Mn、Mg、Cr、Ni、Zn的重量百分率以及制造条件的温度(℃)的9个项目，作为目标变量，为包含基于输入的8种组成的35种化合物的相分率的9元系的学习用数据。在采用9元系的学习用数据的情况下，模型2的输入层的神经元的数目为9个，输出层的神经元的数目为35个。
另外，作为解释变量所包含的组成的种类，不限于上述3种添加元素、8种等，能够设定为任意种类和数目。此外，解释变量所包含的制造条件的项目可以为温度以外的项目，可以包含气体气氛等。
模型学习部4使用通过学习用数据生成部3生成的学习用数据，进行机器学习以使模型2的输入输出关系接近学习用数据的输入输出关系。在本实施方式中，模型学习部4使用深度学习进行模型2的机器学习。
图3为表示使用了图2所示的4元系的学习数据的情况下的学习结果的图。图3的(a)表示由学习用数据的目标变量生成的状态图，(b)表示其放大图。图3的(c)表示由基于学习用数据的解释变量的输入学习完成的模型2的输出生成的状态图，(d)为其放大图。状态图为目标变量的Si、Cu、Mg的重量百分率的各组合，各自贯穿目标变量的温度范围而生成的。另外，图3的例子中，目标变量实际上为9个项目，但是为了记载的方便，图示代表性的项目。图3所示的各状态图的横轴显示温度(℃)，纵轴表示热力学的平衡状态中的各化合物的相分率。如果将图3的(a)、(b)与(c)、(d)进行比较，则可知4元系中，学习完成的模型2的输出靠近学习用数据。
图5为表示使用了图4所示的9元系的学习数据的情况下的学习结果的图。图5的(a)表示由学习用数据的目标变量生成的状态图，(b)表示由基于学习用数据的解释变量的输入的学习完成的模型2的输出生成的状态图。另外，图5的例子中，目标变量实际上为35个项目，但是为了记载的方便，图示代表性的项目。如果将图5的(a)与(b)进行比较，则可知即使在使用了9元系的学习数据的情况下，与使用了4元系的学习数据的情况同样地，学习完成的模型2的输出靠近学习用数据。
另外，利用模型学习部4进行的模型2的机器学习可以为以消除学习用数据的各数据集的输出误差的方式进行学习的构成，基于图3(c)、图5(b)所例示的模型2输出的状态图可以为以接近图3(a)、图5(a)所例示的学习用数据的状态图的方式进行学习的构成。
解释变量设定部5设定对象材料的热力学的平衡状态的预测所使用的预测用的解释变量。解释变量设定部5能够通过在例如显示装置上的GUI等中显示各种设计条件的输入画面以促进设计者输入，从而能够设定解释变量。
预测部6为将通过解释变量设定部5设定的预测用解释变量输入至利用模型学习部4完成了机器学习的模型2，从而将作为热力学的平衡状态的预测结果的预测用的目标变量从模型2输出。
状态图显示部7基于通过预测部6输出的预测用的目标变量，生成对象材料的热力学的平衡状态的状态图来表示。
图6为表示预测装置1的硬件构成的框图。如图6所示那样，预测装置1物理上，能够作为包含CPU(中央处理单元(Central Processing Unit))101、GPU(图形处理单元(Graphics Processing Unit))108、作为主存储装置的RAM(随机存取存储器(RandomAccess Memory))102和ROM(只读储存器(Read Only Memory))103、作为输入器件的键盘和鼠标等输入装置104、显示器等输出装置105、网卡等作为数据收发器件的通信模块106、硬盘等辅助存储装置107、等的计算机系统来构成。
图1所示的预测装置1的各功能通过在CPU101、RAM102等硬件上读入规定的计算机软件(预测程序)，从而基于CPU101的控制，使通信模块106、输入装置104、输出装置105工作的同时，进行RAM102、辅助存储装置107中的数据的读出和写入来实现。即，通过使本实施方式的预测程序在计算机上执行，从而预测装置1作为图1的模型2、学习用数据生成部3、模型学习部4、解释变量设定部5、预测部6、状态图显示部7起作用。
本实施方式的预测程序存储于例如计算机所具备的存储装置内。另外，预测程序其一部分或全部也可以成为介由通信线路等传送介质来传送，通过计算机所具备的通信模块106等被接收并记录(包含安装)的构成。此外，预测程序其一部分或全部也可以成为从CD-ROM、DVD-ROM、闪存等能够携带的存储介质所存储的状态被记录(包含安装)至计算机内的构成。
图7为通过实施方式涉及的预测装置1实施的热力学的平衡状态的预测处理的流程图。
在步骤S1中，通过学习用数据生成部3，生成模型2的学习用数据(学习用数据生成步骤)。学习用数据生成部3根据设计者的组成、制造条件(温度等)的指定范围的输入，以网罗该指定范围内的方式生成解释变量的组，使用生成的全部解释变量的组，通过CALPHAD方法算出目标变量，与解释变量相关联，生成例如，图2、图4所示的4元系、9元系的学习用数据。
步骤S2中，通过模型学习部4，使用由步骤S1生成的学习用数据，进行模型2的机器学习(模型学习步骤)。模型学习部4根据学习用数据的解释变量的输入，以成为与该解释变量相关联的目标变量一致的输出的方式，调整多层神经网络的各层间的权重(weight)，进行模型2的学习。模型学习部4使用例如深度学习进行模型2的学习。
步骤S3中，通过解释变量设定部5，设定对象材料的热力学的平衡状态的预测所使用的预测用的解释变量(解释变量设定步骤)。
步骤S4中，通过预测部6，使用学习完成的模型2来预测对象材料的热力学的平衡状态(预测步骤)。预测部6将由步骤S3设定的解释变量输入至利用步骤S2完成了机器学习的模型2，取得作为由模型2输出的热力学的平衡状态的预测结果的预测用的目标变量。
步骤S5中，通过状态图显示部7，基于由预测部6输出的预测用的目标变量，生成对象材料的热力学的平衡状态的状态图来显示。
说明本实施方式的效果。本实施方式的预测装置1具备：模型2，所述模型2基于对象材料的设计条件有关的解释变量的输入，输出热力学的平衡状态有关的目标变量；学习用数据生成部3，所述学习用数据生成部3生成学习用数据，所述学习用数据包含规定的设计条件的输入、和基于该设计条件能够产生的热力学的平衡状态的输出；模型学习部4，所述模型学习部4使用通过学习用数据生成部3生成的学习用数据，进行机器学习以使模型2的输入输出关系接近学习用数据的输入输出关系；解释变量设定部5，所述解释变量设定部5设定对象材料的热力学的平衡状态的预测所使用的预测用解释变量；以及预测部6，所述预测部6基于对利用模型学习部4完成了机器学习的模型2输入预测用解释变量，从模型2输出作为热力学的平衡状态的预测结果的预测用目标变量。
通过该构成，从而仅向学习完成的模型2输入预测用的目标变量，由此作为与该目标变量相应的热力学的平衡状态的预测结果的预测用目标变量从模型2输出，因此与以往的CALPHAD方法等的模拟相比，能够显著地降低直至算出目标变量的计算成本，能够以短时间计算热力学的平衡状态。例如如果要算出为了筛选10000种解释变量(组成、制造条件的组)的全部组成的状态图，则在模拟的情况下，各组的计算花费约90秒，因此合计需要约250小时的时间，但是在本实施方式的情况下，各组的计算时间为约3毫秒，因此合计约30秒完成。
此外，通过该构成，利用学习完成的模型2的泛化能力，即使对于与学习用数据的解释变量不同的未知的输入也能够输出适当的预测用的目标变量，因此能够高精度地进行热力学的平衡状态的预测。即，以往的模拟方法中，在未知的输入的情况下，需要再次进行模拟运算，与此相对，在本实施方式中，如果获得学习完成的模型2，则即使不进行模型2的追加学习，对于未知的输入也能够获得适当的输出。由此，能够以短时间并且高精度实施组成的网罗的解析，由此以往的模拟中并不实际的大量的组成的筛选也成为可能，进一步最合适的设计条件的提出成为可能。
此外，本实施方式的预测装置1具备：状态图显示部7，所述状态图显示部7基于通过预测部6输出的预测用目标变量，生成热力学的平衡状态的状态图并显示。通过该构成，能够对于设计者视觉上展现对象材料的热力学的平衡状态的预测结果，因此设计者能够容易理解预测结果。
此外，本实施方式的预测装置1中，模型2为多层神经网络，模型学习部4使用深度学习进行模型的学习，因此能够高速并且高精度地进行学习，能够更高精度地预测热力学的平衡状态。
此外，本实施方式的预测装置1中，作为模型2的输出的目标变量为对象材料的热力学的平衡状态中的相分率，模型2的多层神经网络的输出层的神经元基于归一化指数函数，算出输出值。通过该构成，从而能够维持以使输出的总和总是1，由此在将相分率作为模型2的输出的本实施方式中，能够将各输出直接作为相分率使用，进一步能够降低计算成本。
此外，在本实施方式的预测装置1中，学习用数据生成部3生成解释变量，使用CALPHAD方法，算出目标变量来生成学习用数据，由此能够精度良好地算出目标变量，能够提高学习用数据的精度。
以上，参照具体例的同时对于本实施方式进行说明。然而，本公开并不限定于这些具体例。这些具体例中本领域技术人员适当施加了设计变更的例子只要具备本公开的特征，就包含于本公开的范围内。上述各具体例所具备的各要素及其配置、条件、形状等并非限定于例示的情况，能够适当变更。上述各具体例所具备的各要素只要不产生技术上的冲突，就能够适当变更组合。
上述实施方式中，预测装置1中，作为预测热力学系平衡状态的对象材料，列举了铝合金，但是也可以将铝合金以外的合金系作为对象材料。作为这样的合金系，可举出Fe合金、Cu合金、Ni合金、Co合金、Ti合金、Mg合金、Mn合金、Zn合金等。此外，也可以将陶瓷、水溶液、化学反应等将合金除外的物质作为对象材料。
上述实施方式中，作为模型2，例示多层神经网络，作为模型2的机器学习方法，例示了深度学习，但是模型2、学习方法并不限于此，还能够使用遗传算法等其它具有监督的学习模型、随机森林回归、核岭回归等其它机器学习方法。
上述实施方式中，例示了学习用数据生成部3利用CALPHAD方法计算模型2的学习用数据来生成的构成，但可以不是进行热力学计算等的模拟结果，而是使用实验结果来生成学习用数据的构成。可举出例如，对于改变组成而制造的各种合金材料，在保持于各种温度以达到平衡状态之后，为了将该平衡状态冻结，骤冷至低温，通过各种分析，算出合金材料中的化合物的种类和相分率的方法。作为分析的方法，考虑了下述方法：例如由通过X射线衍射测定得到的峰位置特定化合物的种类，由峰强度比算出相分率的方法；在扫描型电子显微镜(Scanning Electron Microscope(SEM))、透射型电子显微镜(TransmissionElectron Microscope(TEM))这样的电子显微镜观察中，对于观察到的对象视野，进行能量分散型X射线分析(Energy dispersive X-ray spectrometry(EDS))，特定相的种类，并且由观察像中的各相粒子的各自的合计面积率算出相分率的方法。
上述实施方式中，例示了预测装置1通过状态图显示部7，最终输出热力学的平衡状态的状态图的构成，预测装置1可以为将从预测部6输出的预测结果的数值输出，没有输出状态图的构成。
上述实施方式中，例示了模型2的输出为热力学的平衡状态中的化合物的相分率的构成，但模型2的输出只要是热力学的平衡状态有关的信息即可，可以为相分率以外的信息。
本国际申请主张基于2018年10月31日申请的日本专利申请2018-206017号的优先权，将2018-206017号的全部内容引入本国际申请中。
符号的说明
1 热力学的平衡状态的预测装置
2 模型
3 学习用数据生成部
4 模型学习部
5 解释变量设定部
6 预测部
7 状态图显示部。

Claims (8)

1.一种预测装置，其为对象材料的热力学的平衡状态的预测装置，其具备：
模型，所述模型基于所述对象材料的设计条件有关的解释变量的输入，输出所述热力学的平衡状态有关的目标变量；
学习用数据生成部，所述学习用数据生成部生成学习用数据，所述学习用数据包含规定的设计条件的输入、和基于该设计条件能够产生的所述热力学的平衡状态的输出；
模型学习部，所述模型学习部使用通过所述学习用数据生成部生成的所述学习用数据，进行机器学习以使所述模型的输入输出关系接近所述学习用数据的输入输出关系；
解释变量设定部，所述解释变量设定部设定所述对象材料的热力学的平衡状态的预测所使用的预测用解释变量；以及
预测部，所述预测部基于对利用所述模型学习部完成了机器学习的所述模型输入所述预测用解释变量，从所述模型输出作为所述热力学的平衡状态的预测结果的预测用目标变量。
2.根据权利要求1所述的预测装置，其具备：
状态图显示部，所述状态图显示部基于通过所述预测部输出的所述预测用目标变量，生成并显示所述热力学的平衡状态的状态图。
3.根据权利要求1或2所述的预测装置，
所述模型为多层神经网络，
所述模型学习部使用深度学习进行所述模型的学习。
4.根据权利要求3所述的预测装置，
作为所述模型的输出的所述目标变量为所述对象材料的热力学的平衡状态中的相分率，
所述多层神经网络的输出层的神经元使用了归一化指数函数。
5.根据权利要求1～4中任一项所述的预测装置，
所述学习用数据生成部生成由所述设计条件的规定范围的组合形成的所述解释变量，使用CALPHAD方法，算出所述目标变量，生成包含所述生成的所述解释变量和所述算出的所述目标变量的所述学习用数据。
6.根据权利要求1～5中任一项所述的预测装置，
所述对象材料为铝合金，
所述解释变量包含所述铝合金的组成和制造条件，
所述目标变量包含所述铝合金的热力学的平衡状态下的相分率。
7.一种预测方法，其为对象材料的热力学的平衡状态的预测方法，其包括下述步骤：
学习用数据生成步骤，基于所述对象材料的设计条件有关的解释变量的输入，关于输出所述热力学的平衡状态有关的目标变量的模型，生成学习用数据，所述学习用数据包含规定的设计条件的输入、以及基于该设计条件能够产生的所述热力学的平衡状态的输出；
模型学习步骤，使用由所述学习用数据生成步骤生成的所述学习用数据，进行机器学习以使所述模型的输入输出关系接近所述学习用数据的输入输出关系；
解释变量设定步骤，设定所述对象材料的热力学的平衡状态的预测所使用的预测用解释变量；以及
预测步骤，基于由所述解释变量设定步骤设定的所述预测用解释变量的、对于利用所述模型学习步骤完成了机器学习的所述模型的输入，从所述模型输出作为所述热力学的平衡状态的预测结果的预测用目标变量。
8.一种预测程序，其为对象材料的热力学的平衡状态的预测程序，所述预测程序用于使计算机实现以下功能：
学习用数据生成功能，基于所述对象材料的设计条件有关的解释变量的输入，关于输出所述热力学的平衡状态有关的目标变量的模型，生成学习用数据，所述学习用数据包含规定的设计条件的输入、以及基于该设计条件能够产生的所述热力学的平衡状态的输出；
模型学习功能，使用由所述学习用数据生成功能生成的所述学习用数据，进行机器学习以使所述模型的输入输出关系接近所述学习用数据的输入输出关系；
解释变量设定功能，设定所述对象材料的热力学的平衡状态的预测所使用的预测用解释变量；以及
预测功能，基于由所述解释变量设定功能设定的所述预测用解释变量的、对于利用所述模型学习功能完成了机器学习的所述模型的输入，从所述模型输出作为所述热力学的平衡状态的预测结果的预测用目标变量。
CN201980070275.3A 2018-10-31 2019-10-24 热力学的平衡状态的预测装置、预测方法以及预测程序 Pending CN112912969A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018206017 2018-10-31
JP2018-206017 2018-10-31
PCT/JP2019/041716 WO2020090617A1 (ja) 2018-10-31 2019-10-24 熱力学的平衡状態の予測装置、予測方法、及び予測プログラム

Publications (1)

Publication Number Publication Date
CN112912969A true CN112912969A (zh) 2021-06-04

Family

ID=70462444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980070275.3A Pending CN112912969A (zh) 2018-10-31 2019-10-24 热力学的平衡状态的预测装置、预测方法以及预测程序

Country Status (5)

Country Link
US (1) US20210406433A1 (zh)
EP (1) EP3876241A4 (zh)
JP (1) JP6963119B2 (zh)
CN (1) CN112912969A (zh)
WO (1) WO2020090617A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115479210A (zh) * 2021-06-14 2022-12-16 丰田自动车株式会社 压力容器的形变解析装置及压力容器的制造方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111681714B (zh) * 2020-07-02 2023-06-20 兰州大学 一种在定向凝固包晶合金中生长非典型三次枝晶的方法
JP2022132895A (ja) * 2021-03-01 2022-09-13 株式会社Uacj 合金材料の特性を予測する製造支援システム、予測モデルを生成する方法およびコンピュータプログラム
WO2023095680A1 (ja) 2021-11-24 2023-06-01 株式会社レゾナック 予測装置、学習装置、予測方法、学習方法、予測プログラム及び学習プログラム
WO2024085071A1 (ja) * 2022-10-17 2024-04-25 株式会社レゾナック 組成最適化装置、組成最適化方法及び組成最適化プログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1055348A (ja) * 1996-08-08 1998-02-24 Bridgestone Corp 多成分系材料最適化解析装置および方法
US20140236548A1 (en) * 2013-02-18 2014-08-21 Rolls-Royce Plc Method and system for designing a material
US20160034614A1 (en) * 2014-08-01 2016-02-04 GM Global Technology Operations LLC Materials property predictor for cast aluminum alloys
US20180113967A1 (en) * 2016-10-26 2018-04-26 Northwestern University System and Method for Predicting Fatigue Strength of Alloys

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663498B (zh) * 2012-04-28 2014-06-18 武汉大学 一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法
JP5749233B2 (ja) 2012-08-31 2015-07-15 株式会社東芝 材料組織の予測方法及び予測システム
CA2927074C (en) * 2013-10-10 2022-10-11 Scoperta, Inc. Methods of selecting material compositions and designing materials having a target property
JP6630640B2 (ja) * 2016-07-12 2020-01-15 株式会社日立製作所 材料創成装置、および材料創成方法
JP6730216B2 (ja) * 2017-03-23 2020-07-29 株式会社日立製作所 エレベータ管理システム、及び、エレベータの管理方法
JP6711784B2 (ja) 2017-06-02 2020-06-17 小澤　隆 建築図面作成システム及び建築図面作成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1055348A (ja) * 1996-08-08 1998-02-24 Bridgestone Corp 多成分系材料最適化解析装置および方法
US20140236548A1 (en) * 2013-02-18 2014-08-21 Rolls-Royce Plc Method and system for designing a material
US20160034614A1 (en) * 2014-08-01 2016-02-04 GM Global Technology Operations LLC Materials property predictor for cast aluminum alloys
CN105320804A (zh) * 2014-08-01 2016-02-10 通用汽车环球科技运作有限责任公司 用于铸造铝合金的材料性质预测器
US20180113967A1 (en) * 2016-10-26 2018-04-26 Northwestern University System and Method for Predicting Fatigue Strength of Alloys

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115479210A (zh) * 2021-06-14 2022-12-16 丰田自动车株式会社 压力容器的形变解析装置及压力容器的制造方法
CN115479210B (zh) * 2021-06-14 2024-04-05 丰田自动车株式会社 压力容器的形变解析装置及压力容器的制造方法

Also Published As

Publication number Publication date
JP6963119B2 (ja) 2021-11-05
JPWO2020090617A1 (ja) 2021-09-02
US20210406433A1 (en) 2021-12-30
EP3876241A4 (en) 2022-01-19
WO2020090617A1 (ja) 2020-05-07
EP3876241A1 (en) 2021-09-08

Similar Documents

Publication Publication Date Title
CN112912969A (zh) 热力学的平衡状态的预测装置、预测方法以及预测程序
Zeng et al. Revealing high-fidelity phase selection rules for high entropy alloys: A combined CALPHAD and machine learning study
Risal et al. Improving phase prediction accuracy for high entropy alloys with machine learning
Huang et al. Machine-learning and high-throughput studies for high-entropy materials
Raabe et al. Accelerating the design of compositionally complex materials via physics-informed artificial intelligence
JPWO2020090848A1 (ja) 材料設計装置、材料設計方法、及び材料設計プログラム
JPWO2021015134A1 (ja) 材料設計システム、材料設計方法、及び材料設計プログラム
Kaufmann et al. Phase mapping in EBSD using convolutional neural networks
Tamura et al. Materials informatics approach to understand aluminum alloys
Jain et al. Machine-learning-guided phase identification and hardness prediction of Al-Co-Cr-Fe-Mn-Nb-Ni-V containing high entropy alloys
Carneiro et al. Prediction of mechanical properties of steel tubes using a machine learning approach
Singh et al. Phase prediction and experimental realisation of a new high entropy alloy using machine learning
Zhang et al. Machine learning prediction of ore deposit genetic type using magnetite geochemistry
Wan et al. Machine learning paves the way for high entropy compounds exploration: challenges, progress, and outlook
Fatriansyah et al. Prediction and optimization of mechanical properties of Ni based and Fe–Ni based super alloys via neural network approach with alloying composition parameter
Zhu et al. A multi-algorithm integration machine learning approach for high cycle fatigue prediction of a titanium alloy in aero-engine
Roy et al. Rapid discovery of high hardness multi-principal-element alloys using a generative adversarial network model
Peng et al. Uncertainty quantification of machine learning predicted creep property of alumina-forming austenitic alloys
Wei et al. Divide and conquer: Machine learning accelerated design of lead-free solder alloys with high strength and high ductility
Kim et al. Estimating the phase volume fraction of multi-phase steel via unsupervised deep learning
Maruyama et al. Artificial intelligence for materials research at extremes
Gao et al. Data-driven machine learning for alloy research: recent applications and prospects
Kandavalli et al. Design of high bulk moduli high entropy alloys using machine learning
LeSar Materials informatics: an emerging technology for materials development
Jarosz et al. Metamodeling and optimization of a blister copper two-stage production process

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Tokyo, Japan

Applicant after: Lishennoco Co.,Ltd.

Address before: Tokyo, Japan

Applicant before: Showa electrical materials Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230703

Address after: Tokyo, Japan

Applicant after: Showa electrical materials Co.,Ltd.

Address before: Tokyo, Japan

Applicant before: SHOWA DENKO Kabushiki Kaisha