JP2000048002A

JP2000048002A - 鋼材の相変態図推定装置、鋼材の相変態図予測方法及び記録媒体

Info

Publication number: JP2000048002A
Application number: JP10217278A
Authority: JP
Inventors: Mitsunae Fujita; 充苗藤田; Naruaki Kasugai; 考昌春日井; Hiroyuki Kamisaka; 博亨上坂; Yoshiaki Matsuzaki; 義昭松崎
Original assignee: Fujitsu Ltd; National Research Institute for Metals
Current assignee: Fujitsu Ltd; National Research Institute for Metals
Priority date: 1998-07-31
Filing date: 1998-07-31
Publication date: 2000-02-18

Abstract

(57)【要約】【課題】鋼材の組成から相変態図パターンを予測するこ
とである。【解決手段】学習済のニューラルネットワークからなる
臨界冷却時間予測部１２は、鋼材の元素組成が入力され
ると、その組成から鋼材の臨界冷却時間Ｃｚ’、Ｃ
ｐ’、Ｃｆ’、Ｃｅ’を予測する。同様に学習済のニュ
ーラルネットワークからなる相変態図パターン予測部１
６は、臨界冷却時間予測部１２から出力される臨界冷却
時間Ｃｚ’、Ｃｐ’、Ｃｆ’、Ｃｅ’に基づいて相変態
図パターンを予測する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、鋼材の組成から相
変態図パターンを推定する相変態図推定装置、相変態図
パターンの予測方法及び相変態図パターンを予測するプ
ログラムを記録した記録媒体に関する。

【０００２】

【従来の技術】高温相が出現する温度から溶融温度近く
の温度に加熱した鋼材を種々速度で冷却していったとき
に、その鋼材がどのような相構造となるかを示すものと
して連続冷却相変態図が知られている。相変態図におけ
るＺｗ、Ｆ、Ｐ等は、鋼材がどのような微細構造を持つ
かを示すものである。微細構造とは、結晶構造を持つも
の、全く結晶構造を持たないものなどを示すものであ
る。個々の鋼材の相変態図が分かれば、その鋼材をどの
ような速度で冷却すれば、どの相ができるかが分かるの
で、鋼材の物理的特性、つまり硬度、靱性、引張強さ等
を推定することができる。

【０００３】図１６は、鋼材を基準となる温度から、特
定の相が最初に現れるような温度勾配で冷却していった
とき、あるいはベイナイトＺｗが現れないようなゆっく
りとした温度勾配で冷却していったときに、それぞれの
温度勾配を示す曲線上で温度が臨界温度（基準となる規
格化した温度）に達するまでの時間（これを臨界冷却時
間と呼ぶ）を示す図である。

【０００４】同図に示す、Ｃｚ’はベイナイトＺｗが最
初に現れる臨界冷却時間、Ｃｆ’はフェライトＦが最初
に現れる臨界冷却時間、Ｃｐ’はパーライトＰが最初に
現れる臨界冷却時間、Ｃｅ’はベイナイトＺｗが現れな
いようにゆっくり冷却したときの臨界冷却時間を示して
いる。

【０００５】ところで、鋼材を冷却していったときに現
れる相は鋼材の組成により異なり、例えば溶接鋼材の相
の変化は図１７に示すような６種類のパターンに分類す
ることができる。尚、図１７は縦軸が温度、横軸が時間
を表している。

【０００６】クラス（Ｃｌａｓｓ）Ｉの相変態図は、ベ
イナイトＺｗとフェライトＦとバーライトＰとが現れ、
クラスIIの相変態図はベイナイトＺｗとフェライトＦと
パーライトＰが現れる。クラスIIIの相変態図はベイナ
イトＺｗとフェライトＦが現れ、Ｐ、つまりパーライト
反応が生じない。クラスIVの相変態図はパーライトＰが
フェライトＦより先に現れる。クラスＶの相変態図は、
ベイナイトＺｗのみが現れ、クラスVIの相変態図は、パ
ーライトＰのみが現れる。

【０００７】このような６種類の相変態図が既知のとき
に、ある組成の鋼材に６種類の相変態図の内のどの相変
態図を適用できるかが分かれば、その鋼材をどのような
温度で加熱し、どのように冷却すれば、所望の特性、つ
まり硬度、靱性、引張強さ等が得られるかを推定するこ
とができる。鋼材の組成が指定されたとき、その鋼材の
相変態図を入手あるいは作成することができればよい
が、それができない場合には、ハンドブック等を参考に
してできるだけ組成の近い鋼材の相変態図を探し、その
相変態図から鋼材の特性を推定する必要がある。

【０００８】

【発明が解決しようとする課題】上述したようなハンド
ブックを用いて相変態図を求める方法は、ユーザが知り
たい鋼材の組成に近い組成の鋼材の相変態図をハンドブ
ックから探しだし、その相変態図から所望の組成の鋼材
の特性を予測する必要がある。その場合、組成が近いか
否かをどのような基準で判断するかが問題となり、人に
より判断結果が異なることも考えられ、鋼材の特性を正
確に予測することは困難である。また、ハンドブックか
ら該当する相変態図を探すのは面倒であるばかりでな
く、ハンドブックが手元になければ特性を予測すること
ができない。

【０００９】本発明の課題は、鋼材の組成からその相変
態図を簡単に予測できるようにすることである。

【００１０】

【課題を解決するための手段】本発明の鋼材の相変態図
推定装置は、鋼材の元素組成から臨界冷却時間を予測す
る第１のニューラルネットワークからなる臨界冷却時間
予測部と、臨界冷却時間予測部から出力される臨界冷却
時間に基づいて相変態図パターンを予測する第２のニュ
ーラルネットワークからなる相変態図パターン予測部と
を備える。

【００１１】例えば、既知の鋼材の組成と臨界冷却時間
を、予め臨界冷却時間予測部に与えて学習させ、同様に
その臨界冷却時間と鋼材の相変態図パターンを示すデー
タを、予め相変態図パターン予測部に与えて学習させ
る。そして、相変態図パターンが未知の鋼材の元素組成
を臨界冷却時間予測部に入力して臨界冷却時間を予測
し、相変態図パターン予測部によりその臨界冷却時間か
ら相変態図パターンを予測する。

【００１２】これにより、未知の鋼材の組成から相変態
図パターンを予測することが可能となるので、ユーザが
特性を知りたい鋼材の組成に近いと思われる鋼材の相変
態図パターンをハンドブック等から探す作業が不要とな
る。また、人が判断するのではないので、相変態図パタ
ーンを高い精度で予測することができる。

【００１３】

【発明の実施の形態】以下、本発明の実施の形態を、図
面を参照して説明する。図１は、実施の形態の溶接用鋼
材の相変態図推定装置の構成を示す図である。同図にお
いて、入力部１１は、鋼材に添加する元素組成を入力す
る入力部であり、本実施の形態では１１種類の元素組成
を指定できるようになっている。

【００１４】臨界冷却時間予測部１２は、ベイナイトＺ
ｗの臨界冷却時間Ｃｚ’、パーライトＰの臨界冷却時間
Ｃｐ’、フェライトＦの臨界冷却時間Ｃｆ’、ベイナイ
トＺｗが生じないようにゆっくり冷却したときの臨界冷
却時間Ｃｅ’を、それぞれ予測する４個のニューラルネ
ットワークで構成されている。４個のニューラルネット
ワークは、それぞれ入力可能な元素数分の入力ユニット
（入力層）１３と、複数の中間ユニット（中間層）１４
と、１つの出力ユニット（出力層）１５とで構成されて
いる。この臨界冷却時間予測部１２に、既知の鋼材の元
素の組成を入力データとし、臨界冷却時間Ｃｚ’、Ｃ
ｐ’、Ｃｆ’、Ｃｅ’を教師データとして与え、ニュー
ラルネットワークにバックプロパゲーション法により予
め学習を行わせることで、未知の組成の鋼材の臨界冷却
時間Ｃｚ’、Ｃｐ’、Ｃｆ’、Ｃｅ’を予測することが
できる。

【００１５】相変態図パターン予測部１６は、臨界冷却
時間予測部１２の出力数分の入力ユニット１７と、複数
の中間ユニット１８と、相変態図パターン数分の出力ユ
ニット１９とからなるニューラルネットワークで構成さ
れている。

【００１６】出力値判定部２０は、相変態図パターン予
測部１６から出力される６個の出力値を比較して、入力
された組成の鋼材の相変態図パターンが、図１６の６種
類の相変態図パターンの内の何れに該当するかを判定す
る。

【００１７】図２は、本実施の形態の鋼材の相変態図推
定装置の元素の種類とその組成（ｗｔ％）の入力画面を
示す図である。入力画面には、選択可能なＣ、Ｓｉ、Ｍ
ｎ等の１５種類の元素が表示されるので、それぞのチェ
ックボックスをマウス等でクリックして元素名を選択
し、各元素の組成を入力する。この入力画面で選択され
た元素の組成が入力部１１に入力される。

【００１８】次に、図３は、臨界冷却時間予測部１２の
入出力を示す図である。上述したように臨界冷却時間予
測部１２は、４種類の臨界冷却時間Ｃｚ’、Ｃｐ’、Ｃ
ｆ’、Ｃｅ’の演算を行う４個のニューラルネットワー
クで構成されている。それぞれのニューラルネットワー
クは、Ｃ、Ｓｉ、Ｍｎ等の元素の組成が入力される１１
個の入力ユニット１３ａ１〜１３ａ１１と、１１個の入
力ユニット１３ａ１〜１３ａ１１の出力に重み係数を掛
けたものの積和演算を行って演算結果を出力する７個の
中間ユニット１４ａ１〜１４ａ７と、７個の中間ユニッ
ト１４ａ１〜１４ａ７の出力に重み係数を掛けたものの
積和演算を行って、演算結果を臨界冷却時間Ｃｚ’、Ｃ
ｐ’、Ｃｆ’またはＣｅ’として出力する１つの出力ユ
ニット１５とで構成されている。

【００１９】例えば、臨界冷却時間Ｃｚ’を出力するニ
ューラルネットワークの中間ユニット１４ａ１には、１
１個の入力ユニット１３ａ１〜１３ａ１１の出力が入力
されており、中間ユニット１４ａ１はそれら１１個の入
力ユニット１３ａ１〜１３ａ１１の出力に重み係数を掛
けたものの積和演算を行って演算結果を出力する。出力
ユニット１５には、７個の中間ユニット１４ａ１〜１４
ａ７の出力が入力されており、出力ユニット１５はそれ
ら７個の中間ユニット１４ａ１１〜１４ａ７の出力に重
み係数を掛けたものの積和演算を行って、演算結果を臨
界冷却時間Ｃｚ’として出力する。

【００２０】次に、図４は、相変態図パターン予測部１
６の入出力を示す図である。相変態図パターン予測部１
６は、臨界冷却時間Ｃｚ’、Ｃｐ’、Ｃｆ’、Ｃｅ’の
予測値がそれぞれ入力される４個の入力ユニット１７ａ
１〜１７ａ４と、それら４個の入力ユニット１７ａ１〜
１７ａ４の出力が、それぞれ入力される８個の中間ユニ
ット１８ａ１〜１８ａ８と、それら８個の中間ユニット
１８ａ１〜１８ａ８の出力が、それぞれ入力される６個
の出力ユニット１９ａ１〜１９ａ６とで構成されてい
る。

【００２１】例えば、中間ユニット１８ａ１には、４個
の入力ユニット１７ａ１〜１７ａ４の出力が入力されて
おり、中間ユニット１８ａ１は、それらの入力ユニット
１７ａ１〜１７ａ４の出力に重み係数を掛けたものの積
和演算を行って、演算結果を６個の出力ユニット１９ａ
１〜１９ａ６に出力する。出力ユニット１９ａ１は、中
間ユニット１８ａ１〜１８ａ８の８個の出力に重み係数
を掛けたものの積和演算を行って、演算結果を相変態
（ＣＣＴ）図パターン１の予測値として出力する。同様
に出力ユニット１９ａ２は、中間ユニット１８ａ１〜１
８ａ８の８個の出力に重み係数を掛けたものの積和演算
を行って、演算結果を相変態図パターン２の予測値とし
て出力する。以下同様に出力ユニット１９ａ３〜１９ａ
６は、それぞれ相変態図パターン３〜６の予測値を出力
する。なお、上記の相変態図パターン１〜６は、図１６
のクラスＩ〜VIの相変態図パターンに該当する。

【００２２】ここで、鋼材の元素組成が入力されたされ
たとき、上述したニューラルネットワークを用いて相変
態図パターンを予測するときの相変態図推定装置の処理
内容を、図５のフローチャートを参照して説明する。

【００２３】先ず、ユーザは鋼材に添加する微量元素の
種類とその組成を、図２の入力画面から入力する（図
５、Ｓ１）。相変態図推定装置は、入力された各元素の
組成を０〜１の間の値に正規化する（Ｓ２）。そして、
その正規化した各元素毎の組成を、臨界冷却時間Ｃ
ｚ’、Ｃｐ’、Ｃｆ’、Ｃｅ’の予測を行う４個のニュ
ーラルネットワーク（ＮＮ）に入力する（Ｓ３）。

【００２４】臨界冷却時間予測部１２の４個のニューラ
ルネットワークは、上述したように元素の組成から、そ
れぞれ０〜１の値に正規化した臨界冷却時間Ｃｚ’、Ｃ
ｐ’、Ｃｆ’、Ｃｅ’を予測する。

【００２５】臨機冷却時間予測部１２の４個のニューラ
ルネットワークから、それぞれ正規化された臨界冷却時
間Ｃｚ’、Ｃｐ’、Ｃｆ’、Ｃｅ’が出力されたなら、
それらの出力値を取得し（Ｓ４）、取得した出力値を相
変態図パターン予測部１６へ出力する（Ｓ５）。

【００２６】相変態図パターン予測部１６は、上述した
ように臨界冷却時間予測部１２の４個のニューラルネッ
トワークから出力される臨界冷却時間Ｃｚ’、Ｃｐ’、
Ｃｆ’、Ｃｅ’に基づいて相変態図パターンに対応す
る、０〜１の値に正規化した６個の値を出力する。

【００２７】そして、相変態図パターン予測部１６から
出力される６個の出力値を取得し（Ｓ６）、それらの出
力値の中で最も大きい値を示す出力ユニットに対応する
相変態図パターンを、その鋼材の相変態図パターンと判
定し、その相変態図パターンを表示する（Ｓ７）。

【００２８】我々は、鋼材の相変態図パターを予測する
にあたって、最初にニューラルネットワークを１段で構
成して、鋼材の組成からその相変態図パターンを直接予
測することが可能か否かを検討した。そして、ニューラ
ルネットワークに鋼材の組成を入力データとして与え、
相変態図パターンを示すデータを教師データとして与え
てニューラルネットワークを学習させた場合に、学習結
果と教師データが一致するか否かをシュミレーションに
より確認した。

【００２９】その学習結果を示したものが図６〜図９で
ある。図６において、ＣＣＴ−ＮＯは鋼材のサンプル番
号を示しており、ＯＵＴのＰ１〜Ｐ６は、相変態図パタ
ーン番号を示す教師データ、ＯＵＴ２のＰ１〜Ｐ６は、
ニューラルネットワークから出力される相変態図パター
ン番号を示す実行結果データ、正誤表は、実行結果デー
タが教師データと一致したか否かを示している。なお、
図７〜図９の各データも図６と同じ順序で並んでおり、
各図の左から順にサンプル番号、６個の教師データ、６
個の実行結果データ、正誤表を示している。また、鋼材
に添加される元素の組成の正規化された値の一例を上げ
ると、図６の１番目のサンプルweld１の元素の組成の正
規化された値はＣ＝0.065693、Ｓｉ＝0.306818、Ｍｎ＝
0.653659、Ｎｉ＝0.04716 である。

【００３０】図６〜図９から１８８個のサンプルの中で
実行結果が誤りであったのは２２個あり、学習結果の正
解率は８８．３％である。これでは相変態図パターンを
正確に予測することが難しい。

【００３１】そこで、我々は、上述したようにニューラ
ルネットワークを２段構成とし、第１のニューラルネッ
トワーク（臨界冷却時間予測部１２）に既知の鋼材の組
成を入力し、その鋼材の臨界冷却時間を教師データとし
て与えて学習を行わせた。さらに、第２のニューラルネ
ットワーク（相変態図パターン予測部１６）に、第１の
ニューラルネットワークの出力を入力し、鋼材の相変態
図パターンを示すデータを教師データとして与えて学習
を行わせて、臨界冷却時間から相変態図パターンを予測
するようにした。

【００３２】図１０〜図１４は、臨界冷却時間予測部１
２から出力される臨界冷却時間Ｃｚ’、Ｃｐ’、Ｃ
ｆ’、Ｃｅ’を入力し、鋼材の相変態図パターンを示す
データを教師データとして与えて、相変態図パターン予
測部１６に学習を行わせたときの学習結果を示す図であ
る。

【００３３】図１０において、臨界冷却時間の対数log
(cz')、log(cp')、log(cf')、log(ce')は、臨界冷却時
間予測部１２から出力される臨界冷却時間Ｃｚ’、Ｃ
ｐ’、Ｃｆ’、Ｃｅ’の対数値であり、ＯＵＴ、Ｐ１〜
Ｐ６は相変態図パターンを示す教師データ、ＯＵＴ２、
Ｐ１〜Ｐ６は相変態図パターンを示す実行結果データ、
正誤表は実行結果が教師データと一致したか否かを示し
ている。

【００３４】図１１〜図１４の各データも図１０と同じ
順序で並んでおり、それぞれの図面の左から順にサンプ
ル番号、４個の臨界冷却時間データ、６個の教師デー
タ、６個の実行結果データ、１つの正誤表を示してい
る。

【００３５】図１０〜図１４の１８８個のサンプルの実
行結果は教師データと全て一致しており、学習結果の正
解率は１００％であった。この学習結果に基づいて鋼材
の相変態図パターンを予測することで、未知の鋼材につ
いて相変態図パターンを正確に予測できることが裏付け
られた。

【００３６】上述した実施の形態によれば、鋼材の組成
からその鋼材の相変態図パターンを正確に予測すること
ができるので、その相変態図パターンを用いて鋼材の物
理特定を推定することができる。

【００３７】上述した鋼材の相変態図推定装置の実行す
るプログラムを可搬型の情報処理装置、例えばパーソナ
ルコンピュータに搭載し、その情報処理装置を携帯する
こで、鋼材を選定する現場で鋼材の組成から相変態図パ
ターンを正確に予測することが可能となる。

【００３８】さらに、鋼材の相変態図パターンを予測す
るプログラムを、図１５に示すフロッピーディスク１５
１、ＣＤＲＯＭ１５２等の記録媒体に格納しておいて、
その記録媒体を情報処理装置（パーソナルコンピュータ
等）１５３の媒体駆動装置（フロッピーディスクドライ
バー、ＣＤＲＯＭドライバー等）１５４により読み取
り、読み取ったプログラムを実行するようにしてもよ
い。あるいは鋼材の相変態図パターンを予測するプログ
ラムをプログラム提供者のコンピュータのハードディス
ク等の記憶装置に記憶しておいて、通信によりユーザの
コンピュータに転送してユーザのハードディスク等に記
憶し、そのプログラムを用いて相変態図パターンを予測
するようにしても良い。

【００３９】なお、上述した実施の形態は、Ｃｚ’、Ｃ
ｆ’、Ｃｐ’、Ｃｅ’の４種類の臨界冷却時間を用いて
相変態図パターンを予測したが、４種類全ての臨界冷却
時間を用いずに、例えばＣｚ’、Ｃｆ’、Ｃｐ’の３種
類の臨界冷却時間から相変態図パターンを予測するよう
にしてもよい。

【００４０】上述した実施の形態は、本発明を溶接用鋼
材に適用した場合であるが、これに限らず他の種類の鋼
材にも適用できる。その場合、相変態図は上述した６種
類の相変態図に限らず、鋼材の種類に応じて鋼材の物理
特性を推定することのできる相変態図を用いればよい。
そして、その鋼材の物理特性を定める上で必要な相が現
れる臨界冷却時間を鋼材の組成から予測し、その臨界冷
却時間から相変態図を予測すればよい。

【００４１】さらに、上述した実施の形態は、臨界冷却
時間予測部１２を４個のニューラルネットワークで構成
したが、入力ユニット１３を共通にし、中間ユニットを
それぞれ別にして、全体として１つのニューラルネット
ワークで構成してもよい。また、ニューラルネットワー
クの構造は、実施の形態に示した階層型のものに限らず
それ以外の構造であってもよい。

【００４２】

【発明の効果】本発明によれば、鋼材の組成からその鋼
材の相変態図パターンをより正確に予測することが可能
となる。

【図面の簡単な説明】

【図１】実施の形態の相変態図推定装置の構成を示す図
である。

【図２】元素の種類とその組成（ｗｔ％）の入力画面を
示す図である。

【図３】臨界冷却時間予測部１２の入出力を示す図であ
る。

【図４】相変態図パターン予測部１６の入出力を示す図
である。

【図５】相変態図推定装置の処理内容を示すフローチャ
ートである。

【図６】鋼材の組成から直接相変態図パターンを求めた
場合の学習結果を示す図（その１）である。

【図７】鋼材の組成から直接相変態図パターンを求めた
場合の学習結果を示す図（その２）である。

【図８】鋼材の組成から直接相変態図パターンを求めた
場合の学習結果を示す図（その３）である。

【図９】鋼材の組成から直接相変態図パターンを求めた
場合の学習結果を示す図（その４）である。

【図１０】臨界冷却時間から相変態図パターンを求めた
場合の学習結果を示す図（その１）である。

【図１１】臨界冷却時間から相変態図パターンを求めた
場合の学習結果を示す図（その２）である。

【図１２】臨界冷却時間から相変態図パターンを求めた
場合の学習結果を示す図（その３）である。

【図１３】臨界冷却時間から相変態図パターンを求めた
場合の学習結果を示す図（その４）である。

【図１４】臨界冷却時間から相変態図パターンを求めた
場合の学習結果を示す図（その５）である。

【図１５】プログラムを記録媒体に記録した場合の説明
図である。

【図１６】臨界冷却時間の説明図である。

【図１７】相変態図である。

【符号の説明】

１１入力部１２臨界冷却時間予測部１６相変態図パターン予測部２０出力値判定部

───────────────────────────────────────────────────── フロントページの続き (72)発明者春日井考昌茨城県つくば市千現１−２−１科学技術庁金属材料技術研究所内 (72)発明者上坂博亨神奈川県川崎市中原区上小田中４丁目１番１号富士通株式会社内 (72)発明者松崎義昭神奈川県川崎市中原区上小田中４丁目１番１号富士通株式会社内Ｆターム(参考） 2G055 AA03 BA05 BA20 CA09 CA22 CA29 EA04 EA08 EA10

Claims

【特許請求の範囲】

【請求項１】鋼材の元素組成から臨界冷却時間を予測す
る第１のニューラルネットワークからなる臨界冷却時間
予測部と、前記臨界冷却時間予測部から出力される臨界冷却時間に
基づいて前記鋼材の相変態図パターンを予測する第２の
ニューラルネットワークからなる相変態図パターン予測
部とを備えることを特徴とする鋼材の相変態図推定装
置。
【請求項２】前記臨界冷却時間予測部は、既知の鋼材の
組成を入力データとし、前記既知の鋼材の臨界冷却時間
を教師データとして学習を行った学習済のニューラルネ
ットワークであり、該学習結果に基づいて、入力された
組成の鋼材の臨界冷却時間を予測することを特徴とする
請求項１記載の鋼材の相変態図推定装置。
【請求項３】前記臨界冷却時間予測部は、出力する臨界
冷却時間数分のニューラルネットワークで構成され、そ
れぞれのニューラルネットワークは、入力可能な元素数
に対応する複数の入力ユニットと、複数の中間ユニット
と、臨界冷却時間を出力する１つの出力ユニットからな
ることを特徴とする請求項１または２記載の鋼材の相変
態図推定装置。
【請求項４】前記相変態図パターン予測部は、前記臨界
冷却時間予測部の出力数に対応する入力ユニットと、複
数の中間ユニットと、相変態図パターン数に対応する出
力ユニットとからなるニューラルネットワークで構成さ
れることを特徴とする請求項１，２または３記載の鋼材
の相変態図推定装置。
【請求項５】前記臨界冷却時間は、Ｃｚ’、Ｃｐ’、Ｃ
ｆ’、Ｃｅ’からなることを特徴とする請求項１、２，
３または４記載の相変態図推定装置。
【請求項６】第１のニューラルネットワークにより鋼材
の元素組成から臨界冷却時間を予測し、第２のニューラルネットワークにより前記臨界冷却時間
から相変態図パターンを予測することを特徴とする鋼材
の相変態図予測方法。
【請求項７】鋼材の元素組成から臨界冷却時間を予測す
る第１のニューラルネットワークと、前記臨界冷却時間予測部から出力される臨界冷却時間に
基づいて前記鋼材の相変態図パターンを予測する第２の
ニューラルネットワークとからなるプログラムを記録し
たコンピュータ読み取り可能な記録媒体。