JP2001349883A - 金属材料の特性予測方法 - Google Patents
金属材料の特性予測方法Info
- Publication number
- JP2001349883A JP2001349883A JP2000173249A JP2000173249A JP2001349883A JP 2001349883 A JP2001349883 A JP 2001349883A JP 2000173249 A JP2000173249 A JP 2000173249A JP 2000173249 A JP2000173249 A JP 2000173249A JP 2001349883 A JP2001349883 A JP 2001349883A
- Authority
- JP
- Japan
- Prior art keywords
- metal material
- heat treatment
- processing
- properties
- conditions
- 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
Links
Landscapes
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
(57)【要約】
【課題】 予測精度の高い金属材料の特性予測方法を提
供する。 【解決手段】 加工に供される金属材料について、その
加工前の金属材料の有する特性と、その加工前の金属材
料に供される加工条件より、その加工後の金属材料の有
する特性を知るための金属材料の特性予測方法であっ
て、その特性予測の手法には、予め準備した金属材料に
よる以下の教師データを用いて学習させたニューラルネ
ットワークの手法を用いる金属材料の特性予測方法であ
る。 （１）予め準備した金属材料の有する特性 （２）前記予め準備した金属材料に供すべく設定した加
工条件 （３）前記予め準備した金属材料を上記設定した加工条
件にて加工した後の、その加工後の金属材料の有する特
性
供する。 【解決手段】 加工に供される金属材料について、その
加工前の金属材料の有する特性と、その加工前の金属材
料に供される加工条件より、その加工後の金属材料の有
する特性を知るための金属材料の特性予測方法であっ
て、その特性予測の手法には、予め準備した金属材料に
よる以下の教師データを用いて学習させたニューラルネ
ットワークの手法を用いる金属材料の特性予測方法であ
る。 （１）予め準備した金属材料の有する特性 （２）前記予め準備した金属材料に供すべく設定した加
工条件 （３）前記予め準備した金属材料を上記設定した加工条
件にて加工した後の、その加工後の金属材料の有する特
性
Description
【０００１】
【発明の属する技術分野】本発明は、加工や熱処理に供
される金属材料について、その金属材料の加工後や熱処
理後の特性を予測する方法に関するものである。
される金属材料について、その金属材料の加工後や熱処
理後の特性を予測する方法に関するものである。
【０００２】
【従来の技術】従来、金属材料の特性予測は、鍛造、圧
延等の加工により塑性変形した材料の温度、ひずみ変化
を、すべり線場法、上解法、下解法、差分法、有限要素
法、境界要素法、個別要素法などを用いて解析し、特定
のまたは複合的に、静的粒成長モデル、動的再結晶モデ
ル、準動的再結晶モデル、静的再結晶モデル，強度予測
モデル等を採用し、それぞれの理論より導かれる予測式
を用いて求めていた。さらに、これら予測式内のパラメ
ータ的定数項を実測値と合うように調整することで、あ
る程度の予測精度を達成していた。
延等の加工により塑性変形した材料の温度、ひずみ変化
を、すべり線場法、上解法、下解法、差分法、有限要素
法、境界要素法、個別要素法などを用いて解析し、特定
のまたは複合的に、静的粒成長モデル、動的再結晶モデ
ル、準動的再結晶モデル、静的再結晶モデル，強度予測
モデル等を採用し、それぞれの理論より導かれる予測式
を用いて求めていた。さらに、これら予測式内のパラメ
ータ的定数項を実測値と合うように調整することで、あ
る程度の予測精度を達成していた。
【０００３】現在、上記の方法を使って計算値として得
られた温度、ひずみ変化と同等な加工を施すことで、機
械制御による被加工材の特性制御方法が提案されてい
る。この提案はリアルタイムに特性予測をしながら、加
工条件を決定できるという点で優れたものである。
られた温度、ひずみ変化と同等な加工を施すことで、機
械制御による被加工材の特性制御方法が提案されてい
る。この提案はリアルタイムに特性予測をしながら、加
工条件を決定できるという点で優れたものである。
【０００４】
【発明が解決しようとする課題】上述した金属材料の特
性予測方法は、ある簡便なモデルから導かれる予測式を
用いるもので、計算に要する時間が短い点では有利であ
るものの、被加工材がもつ特性や実際に行われる加工条
件が、仮定したモデル内に納まらない場合は、予測精度
の点で限界があるという問題があった。つまり、予測精
度が低い場合、最適加工条件を決定するための評価対象
として、予測結果を取上げることが出来ない。
性予測方法は、ある簡便なモデルから導かれる予測式を
用いるもので、計算に要する時間が短い点では有利であ
るものの、被加工材がもつ特性や実際に行われる加工条
件が、仮定したモデル内に納まらない場合は、予測精度
の点で限界があるという問題があった。つまり、予測精
度が低い場合、最適加工条件を決定するための評価対象
として、予測結果を取上げることが出来ない。
【０００５】本発明の目的は、上記加工に加え、供され
る熱処理までをも考慮して、その予測精度限界の問題を
解決し、さらにその先の、金属材料の特性予測の基盤と
なる技術を提供することである。
る熱処理までをも考慮して、その予測精度限界の問題を
解決し、さらにその先の、金属材料の特性予測の基盤と
なる技術を提供することである。
【０００６】
【課題を解決するための手段】本発明者は、上記予測精
度限界の問題を検討し、ニューラルネットワークの手法
を採用することで予測精度を大きく改善できることを見
いだし本発明に到達した。
度限界の問題を検討し、ニューラルネットワークの手法
を採用することで予測精度を大きく改善できることを見
いだし本発明に到達した。
【０００７】すなわち、本発明の第１発明は、加工に供
される金属材料について、その加工前の金属材料の有す
る特性と、その加工前の金属材料に供される加工条件よ
り、その加工後の金属材料の有する特性を知るための金
属材料の特性予測方法であって、その特性予測の手法に
は、予め準備した金属材料による以下の教師データを用
いて学習させたニューラルネットワークの手法を用いる
ことを特徴とする金属材料の特性予測方法である。 （１）予め準備した金属材料の有する特性 （２）前記予め準備した金属材料に供すべく設定した加
工条件 （３）前記予め準備した金属材料を上記設定した加工条
件にて加工した後の、その加工後の金属材料の有する特
性
される金属材料について、その加工前の金属材料の有す
る特性と、その加工前の金属材料に供される加工条件よ
り、その加工後の金属材料の有する特性を知るための金
属材料の特性予測方法であって、その特性予測の手法に
は、予め準備した金属材料による以下の教師データを用
いて学習させたニューラルネットワークの手法を用いる
ことを特徴とする金属材料の特性予測方法である。 （１）予め準備した金属材料の有する特性 （２）前記予め準備した金属材料に供すべく設定した加
工条件 （３）前記予め準備した金属材料を上記設定した加工条
件にて加工した後の、その加工後の金属材料の有する特
性
【０００８】そして、本発明の第２発明は、熱処理に供
される金属材料について、その熱処理前の金属材料の有
する特性と、その熱処理前の金属材料に供される熱処理
条件より、その熱処理後の金属材料の有する特性を知る
ための金属材料の特性予測方法であって、その特性予測
の手法には、予め準備した金属材料による以下の教師デ
ータを用いて学習させたニューラルネットワークの手法
を用いることを特徴とする金属材料の特性予測方法であ
る。 （１）予め準備した金属材料の有する特性 （２）前記予め準備した金属材料に供すべく設定した熱
処理条件 （３）前記予め準備した金属材料を上記設定した熱処理
条件にて熱処理した後の、その熱処理後の金属材料の有
する特性
される金属材料について、その熱処理前の金属材料の有
する特性と、その熱処理前の金属材料に供される熱処理
条件より、その熱処理後の金属材料の有する特性を知る
ための金属材料の特性予測方法であって、その特性予測
の手法には、予め準備した金属材料による以下の教師デ
ータを用いて学習させたニューラルネットワークの手法
を用いることを特徴とする金属材料の特性予測方法であ
る。 （１）予め準備した金属材料の有する特性 （２）前記予め準備した金属材料に供すべく設定した熱
処理条件 （３）前記予め準備した金属材料を上記設定した熱処理
条件にて熱処理した後の、その熱処理後の金属材料の有
する特性
【０００９】そして、本発明の第３発明は、加工かつ熱
処理に供される金属材料について、その加工前かつ熱処
理前の金属材料の有する特性と、その加工前かつ熱処理
前の金属材料に供される加工条件および熱処理条件よ
り、その加工後かつ熱処理後の金属材料の有する特性を
知るための金属材料の特性予測方法であって、その特性
予測の手法には、予め準備した金属材料による以下の教
師データを用いて学習させたニューラルネットワークの
手法を用いることを特徴とする金属材料の特性予測方法
である。 （１）予め準備した金属材料の有する特性 （２）前記予め準備した金属材料に供すべく設定した加
工条件および熱処理条件 （３）前記予め準備した金属材料を上記設定した加工条
件および熱処理条件にて加工かつ熱処理した後の、その
加工後かつ熱処理後の金属材料の有する特性
処理に供される金属材料について、その加工前かつ熱処
理前の金属材料の有する特性と、その加工前かつ熱処理
前の金属材料に供される加工条件および熱処理条件よ
り、その加工後かつ熱処理後の金属材料の有する特性を
知るための金属材料の特性予測方法であって、その特性
予測の手法には、予め準備した金属材料による以下の教
師データを用いて学習させたニューラルネットワークの
手法を用いることを特徴とする金属材料の特性予測方法
である。 （１）予め準備した金属材料の有する特性 （２）前記予め準備した金属材料に供すべく設定した加
工条件および熱処理条件 （３）前記予め準備した金属材料を上記設定した加工条
件および熱処理条件にて加工かつ熱処理した後の、その
加工後かつ熱処理後の金属材料の有する特性
【００１０】
【発明の実施の形態】本発明の重要な特徴は、金属組織
の様々な非線形的振舞いをニューラルネットワークの手
法を用いて再現、予測するということにある。つまり、
加工や熱処理にて変化する金属材料の特性は、その加工
条件、そして熱処理条件も絡むことで、非常に複雑かつ
様々な非線形的振舞いを示す。主に鋼といった合金材料
ともなると、その加工条件や熱処理条件に依る組織変態
という挙動もあり、少しの加工条件や熱処理条件の差に
よってもその現れる特性の変化は大きいものである。
の様々な非線形的振舞いをニューラルネットワークの手
法を用いて再現、予測するということにある。つまり、
加工や熱処理にて変化する金属材料の特性は、その加工
条件、そして熱処理条件も絡むことで、非常に複雑かつ
様々な非線形的振舞いを示す。主に鋼といった合金材料
ともなると、その加工条件や熱処理条件に依る組織変態
という挙動もあり、少しの加工条件や熱処理条件の差に
よってもその現れる特性の変化は大きいものである。
【００１１】そこで、本発明者は、上記挙動を呈する金
属材料の特性予測方法について、その挙動予測に最適な
手法を検討したところ、ニューラルネットワークの手法
を取入れることが最適であることを知見した。
属材料の特性予測方法について、その挙動予測に最適な
手法を検討したところ、ニューラルネットワークの手法
を取入れることが最適であることを知見した。
【００１２】ニューラルネットワークとは、非線形現象
を近似する方法であり、生物の神経回路動作をコンピュ
ータアルゴリズムとしてモデル化したものである。つま
り、生物の神経回路が学習によって原因と結果の相関を
繋ぐように、教師データと呼ばれる入力値と出力値をニ
ューラルネットワークに学習させることで、最適近似解
を導く学習済みのニューラルネットワーク、つまり原因
と結果の相関関係を得ることが出来るものである。
を近似する方法であり、生物の神経回路動作をコンピュ
ータアルゴリズムとしてモデル化したものである。つま
り、生物の神経回路が学習によって原因と結果の相関を
繋ぐように、教師データと呼ばれる入力値と出力値をニ
ューラルネットワークに学習させることで、最適近似解
を導く学習済みのニューラルネットワーク、つまり原因
と結果の相関関係を得ることが出来るものである。
【００１３】以下、本発明を具体的に説明する。まず、
加工に供される金属材料の、その加工後の特性を予測す
る場合、それに応じたニューラルネットワークの構築
（学習）を行なう。その学習のための教師データを得る
ために、（１）予め準備した金属材料の有する特性を調
べ、（２）前記予め準備した金属材料に供すべく設定し
た加工条件で加工し、（３）上記加工条件にて加工した
後の、その加工後の金属材料の有する特性を調べる。こ
れら手順で得られた教師データ（加工条件および加工前
後の金属材料の特性）は、金属材料の加工前特性と加工
後特性の相関関係をあらわすものであり、これをニュー
ラルネットワークの学習に用いる。
加工に供される金属材料の、その加工後の特性を予測す
る場合、それに応じたニューラルネットワークの構築
（学習）を行なう。その学習のための教師データを得る
ために、（１）予め準備した金属材料の有する特性を調
べ、（２）前記予め準備した金属材料に供すべく設定し
た加工条件で加工し、（３）上記加工条件にて加工した
後の、その加工後の金属材料の有する特性を調べる。こ
れら手順で得られた教師データ（加工条件および加工前
後の金属材料の特性）は、金属材料の加工前特性と加工
後特性の相関関係をあらわすものであり、これをニュー
ラルネットワークの学習に用いる。
【００１４】そして、上記学習済みのニューラルネット
ワークを使い、加工後の金属材料の特性を実際に予測す
るには、（１）加工後の特性を知りたい対象となる金属
材料が有する特性を調べ、（２）その供する加工条件を
設定し、（３）上記金属材料の特性と設定した加工条件
を、学習済みのニューラルネットワークへ入力値として
代入することで、上記金属材料を上記設定した加工条件
にて加工した後の、その加工後の金属材料の有する特性
を出力値として予測、得ることが出来る。
ワークを使い、加工後の金属材料の特性を実際に予測す
るには、（１）加工後の特性を知りたい対象となる金属
材料が有する特性を調べ、（２）その供する加工条件を
設定し、（３）上記金属材料の特性と設定した加工条件
を、学習済みのニューラルネットワークへ入力値として
代入することで、上記金属材料を上記設定した加工条件
にて加工した後の、その加工後の金属材料の有する特性
を出力値として予測、得ることが出来る。
【００１５】なお、金属材料の特性とは、その材料形
状、材料寸法、組織（結晶粒径、析出物など）、ポアソ
ン比、熱伝導率、比熱、熱膨張率、強度、耐力、延び、
ヤング率といった機械的特性など、その材料自身が有す
る外内面的な性質のことであり、予測したい特性種や数
に応じて、上記そして他の特性群の中から必要なもの
を、教師データ等に用いることとなる。
状、材料寸法、組織（結晶粒径、析出物など）、ポアソ
ン比、熱伝導率、比熱、熱膨張率、強度、耐力、延び、
ヤング率といった機械的特性など、その材料自身が有す
る外内面的な性質のことであり、予測したい特性種や数
に応じて、上記そして他の特性群の中から必要なもの
を、教師データ等に用いることとなる。
【００１６】また、加工条件とは、その加工開始温度、
加工終了温度、加工時間、加工回数、加工時に与える材
料へのひずみ、そして加工前、加工後の材料形状に加
え、加工中の材料温度変化、形状変化などであり、予測
したい金属材料の特性種や数に応じて、上記そして他の
加工条件群の中から必要なものを、教師データ等に用い
ることとなる。
加工終了温度、加工時間、加工回数、加工時に与える材
料へのひずみ、そして加工前、加工後の材料形状に加
え、加工中の材料温度変化、形状変化などであり、予測
したい金属材料の特性種や数に応じて、上記そして他の
加工条件群の中から必要なものを、教師データ等に用い
ることとなる。
【００１７】次に、熱処理に供される金属材料の、その
熱処理後の特性を予測する場合について述べておく。そ
れに応じたニューラルネットワークの構築（学習）を行
なうための教師データを得るために、（１）予め準備し
た金属材料の有する特性を調べ、（２）前記予め準備し
た金属材料に供すべく設定した熱処理条件で熱処理し、
（３）上記熱処理条件にて熱処理した後の、その熱処理
後の金属材料の有する特性を調べる。これら手順で得ら
れた教師データ（熱処理条件および熱処理前後の金属材
料の特性）は、金属材料の熱処理前特性と熱処理後特性
の相関関係をあらわすものであり、これをニューラルネ
ットワークの学習に用いる。
熱処理後の特性を予測する場合について述べておく。そ
れに応じたニューラルネットワークの構築（学習）を行
なうための教師データを得るために、（１）予め準備し
た金属材料の有する特性を調べ、（２）前記予め準備し
た金属材料に供すべく設定した熱処理条件で熱処理し、
（３）上記熱処理条件にて熱処理した後の、その熱処理
後の金属材料の有する特性を調べる。これら手順で得ら
れた教師データ（熱処理条件および熱処理前後の金属材
料の特性）は、金属材料の熱処理前特性と熱処理後特性
の相関関係をあらわすものであり、これをニューラルネ
ットワークの学習に用いる。
【００１８】そして、上記学習済みのニューラルネット
ワークを使い、熱処理後の金属材料の特性を予測するに
は、（１）熱処理後の特性を知りたい対象となる金属材
料が有する特性を調べ、（２）その供する熱処理条件を
設定し、（３）上記金属材料の特性と設定した熱処理条
件を、学習済みのニューラルネットワークへ入力値とし
て代入することで、上記金属材料を上記設定した熱処理
条件にて熱処理した後の、その熱処理後の金属材料の有
する特性を出力値として予測、得ることが出来る。
ワークを使い、熱処理後の金属材料の特性を予測するに
は、（１）熱処理後の特性を知りたい対象となる金属材
料が有する特性を調べ、（２）その供する熱処理条件を
設定し、（３）上記金属材料の特性と設定した熱処理条
件を、学習済みのニューラルネットワークへ入力値とし
て代入することで、上記金属材料を上記設定した熱処理
条件にて熱処理した後の、その熱処理後の金属材料の有
する特性を出力値として予測、得ることが出来る。
【００１９】なお、熱処理条件とは、その熱処理開始温
度、熱処理終了温度、熱処理時間、加熱方法、冷却方
法、加熱速度、冷却速度、そして温度−保持時間の相関
データといったものであり、予測したい金属材料の特性
種や数に応じて、上記そして他の熱処理条件群の中から
必要なものを、教師データ等に用いることとなる。
度、熱処理終了温度、熱処理時間、加熱方法、冷却方
法、加熱速度、冷却速度、そして温度−保持時間の相関
データといったものであり、予測したい金属材料の特性
種や数に応じて、上記そして他の熱処理条件群の中から
必要なものを、教師データ等に用いることとなる。
【００２０】また、本発明においては、加工と熱処理を
共に行なった場合の、その金属材料の特性を予測するに
も有効である。すなわち、加工または熱処理の工程のみ
を施した場合の、その工程前後での特性関係に加え、例
えば加工から始めて次に熱処理を行なう工程の場合の、
そして、熱処理から始めて次に加工を行なう工程の場合
の、その工程前後での特性関係においても適用できる。
加工−熱処理−加工、熱処理−加工−熱処理といった無
数の工程パターンにも対応できるのであって、その組合
わせや回数に制限されず、その工程前の金属材料の特性
とその工程条件にて工程後の金属材料の特性が予測可能
である。
共に行なった場合の、その金属材料の特性を予測するに
も有効である。すなわち、加工または熱処理の工程のみ
を施した場合の、その工程前後での特性関係に加え、例
えば加工から始めて次に熱処理を行なう工程の場合の、
そして、熱処理から始めて次に加工を行なう工程の場合
の、その工程前後での特性関係においても適用できる。
加工−熱処理−加工、熱処理−加工−熱処理といった無
数の工程パターンにも対応できるのであって、その組合
わせや回数に制限されず、その工程前の金属材料の特性
とその工程条件にて工程後の金属材料の特性が予測可能
である。
【００２１】この場合であれば、まず、それに応じたニ
ューラルネットワークの構築（学習）を行なうための教
師データを得るために、（１）予め準備した金属材料の
有する特性を調べ、（２）前記予め準備した金属材料に
供すべく設定した加工および熱処理条件（工程条件）で
加工かつ熱処理し、（３）上記工程条件にて加工かつ熱
処理した後の、その工程後の金属材料の有する特性を調
べる。これら手順で得られた教師データ（加工−熱処理
工程条件および工程前後の金属材料の特性）は、金属材
料の工程前特性と工程後特性の相関関係をあらわすもの
であり、これをニューラルネットワークの学習に用い
る。
ューラルネットワークの構築（学習）を行なうための教
師データを得るために、（１）予め準備した金属材料の
有する特性を調べ、（２）前記予め準備した金属材料に
供すべく設定した加工および熱処理条件（工程条件）で
加工かつ熱処理し、（３）上記工程条件にて加工かつ熱
処理した後の、その工程後の金属材料の有する特性を調
べる。これら手順で得られた教師データ（加工−熱処理
工程条件および工程前後の金属材料の特性）は、金属材
料の工程前特性と工程後特性の相関関係をあらわすもの
であり、これをニューラルネットワークの学習に用い
る。
【００２２】そして、上記学習済みのニューラルネット
ワークを使い、所定の加工−熱処理工程パターンでのそ
の工程後の金属材料の特性を予測するには、（１）上記
工程後の特性を知りたい対象となる金属材料が有する特
性を調べ、（２）その供する加工条件および熱処理条件
を設定し、（３）上記金属材料の特性と設定した加工・
熱処理条件を、学習済みのニューラルネットワークへ入
力値として代入することで、上記金属材料を上記設定し
た工程条件にて加工・熱処理した後の、その工程後の金
属材料の有する特性を出力値として予測、得ることが出
来る。
ワークを使い、所定の加工−熱処理工程パターンでのそ
の工程後の金属材料の特性を予測するには、（１）上記
工程後の特性を知りたい対象となる金属材料が有する特
性を調べ、（２）その供する加工条件および熱処理条件
を設定し、（３）上記金属材料の特性と設定した加工・
熱処理条件を、学習済みのニューラルネットワークへ入
力値として代入することで、上記金属材料を上記設定し
た工程条件にて加工・熱処理した後の、その工程後の金
属材料の有する特性を出力値として予測、得ることが出
来る。
【００２３】本発明の一例を示しておく。例えば図１
は、熱間加工後の金属材料の材料温度、材料形状、結晶
粒径、強度、伸びを予測するための流れを示すものであ
る。この場合のニューラルネットワーク学習のための教
師データは、予測したい特性に応じて、熱間加工前後の
金属材料の材料温度（熱間加工のための材料加熱温度お
よび加熱時間）、材料形状、結晶粒径、強度、伸び、そ
して熱間加工条件として、その加工温度、加工回数、加
工時間を選定した上で、予め準備した金属材料を所定の
設定条件で加工し、得るものである（図１：左列）。
は、熱間加工後の金属材料の材料温度、材料形状、結晶
粒径、強度、伸びを予測するための流れを示すものであ
る。この場合のニューラルネットワーク学習のための教
師データは、予測したい特性に応じて、熱間加工前後の
金属材料の材料温度（熱間加工のための材料加熱温度お
よび加熱時間）、材料形状、結晶粒径、強度、伸び、そ
して熱間加工条件として、その加工温度、加工回数、加
工時間を選定した上で、予め準備した金属材料を所定の
設定条件で加工し、得るものである（図１：左列）。
【００２４】これら教師データによるニューラルネット
ワークの学習終了後（図１：中列）、それを用いて、教
師データとは別条件での特性予測を行い（図１：右
列）、その得られた予測特性と、同条件下にて実際に加
工して得られた実測データとを比較する。この時点で目
標予測精度が得られない場合は、同実測データを教師デ
ータとして追加し、特性予測システムに再学習させる。
この過程を何度か繰返すことで、目標とした予測精度が
達成でき、この熱間加工工程のエキスパートシステムが
構築できる。
ワークの学習終了後（図１：中列）、それを用いて、教
師データとは別条件での特性予測を行い（図１：右
列）、その得られた予測特性と、同条件下にて実際に加
工して得られた実測データとを比較する。この時点で目
標予測精度が得られない場合は、同実測データを教師デ
ータとして追加し、特性予測システムに再学習させる。
この過程を何度か繰返すことで、目標とした予測精度が
達成でき、この熱間加工工程のエキスパートシステムが
構築できる。
【００２５】また同様に、熱処理後の金属材料の特性予
測においても、事前に得た熱処理試験データを教師デー
タとしてエキスパートシステムへ取り入れることによ
り、予測精度に優れた熱処理特性予測システムの構築が
可能である（図２）。そして、加工に続いて熱処理を行
なうような工程含め（図３）、無数の工程パターンにも
対応した特性予測システムの構築が可能である
測においても、事前に得た熱処理試験データを教師デー
タとしてエキスパートシステムへ取り入れることによ
り、予測精度に優れた熱処理特性予測システムの構築が
可能である（図２）。そして、加工に続いて熱処理を行
なうような工程含め（図３）、無数の工程パターンにも
対応した特性予測システムの構築が可能である
【００２６】本発明の予測方法は、従来方法よりも予測
精度が高いので、要求される特性を得るための加工・熱
処理工程の最適化に有効である。そして、パフォーマン
ス（予測計算速度）も高いので、鍛造、圧延、熱処理等
の実機設備にフィードバック、フィードフォワード機能
として取り入れることが可能である。
精度が高いので、要求される特性を得るための加工・熱
処理工程の最適化に有効である。そして、パフォーマン
ス（予測計算速度）も高いので、鍛造、圧延、熱処理等
の実機設備にフィードバック、フィードフォワード機能
として取り入れることが可能である。
【００２７】
【発明の効果】本発明によれば金属材料の特性予測精度
を飛躍的に改善することができるので、目標とする品質
を得るために繰返されてきた試行回数を低減するのに欠
くことの出来ない技術となる。本発明の工業的価値は高
い。
を飛躍的に改善することができるので、目標とする品質
を得るために繰返されてきた試行回数を低減するのに欠
くことの出来ない技術となる。本発明の工業的価値は高
い。
【図１】本発明の一例を示す構成図である。
【図２】本発明の一例を示す構成図である。
【図３】本発明の一例を示す構成図である。
Claims (3)
- 【請求項１】 加工に供される金属材料について、その
加工前の金属材料の有する特性と、その加工前の金属材
料に供される加工条件より、その加工後の金属材料の有
する特性を知るための金属材料の特性予測方法であっ
て、その特性予測の手法には、予め準備した金属材料に
よる以下の教師データを用いて学習させたニューラルネ
ットワークの手法を用いることを特徴とする金属材料の
特性予測方法。 （１）予め準備した金属材料の有する特性 （２）前記予め準備した金属材料に供すべく設定した加
工条件 （３）前記予め準備した金属材料を上記設定した加工条
件にて加工した後の、その加工後の金属材料の有する特
性 - 【請求項２】 熱処理に供される金属材料について、そ
の熱処理前の金属材料の有する特性と、その熱処理前の
金属材料に供される熱処理条件より、その熱処理後の金
属材料の有する特性を知るための金属材料の特性予測方
法であって、その特性予測の手法には、予め準備した金
属材料による以下の教師データを用いて学習させたニュ
ーラルネットワークの手法を用いることを特徴とする金
属材料の特性予測方法。 （１）予め準備した金属材料の有する特性 （２）前記予め準備した金属材料に供すべく設定した熱
処理条件 （３）前記予め準備した金属材料を上記設定した熱処理
条件にて熱処理した後の、その熱処理後の金属材料の有
する特性 - 【請求項３】 加工かつ熱処理に供される金属材料につ
いて、その加工前かつ熱処理前の金属材料の有する特性
と、その加工前かつ熱処理前の金属材料に供される加工
条件および熱処理条件より、その加工後かつ熱処理後の
金属材料の有する特性を知るための金属材料の特性予測
方法であって、その特性予測の手法には、予め準備した
金属材料による以下の教師データを用いて学習させたニ
ューラルネットワークの手法を用いることを特徴とする
金属材料の特性予測方法。 （１）予め準備した金属材料の有する特性 （２）前記予め準備した金属材料に供すべく設定した加
工条件および熱処理条件 （３）前記予め準備した金属材料を上記設定した加工条
件および熱処理条件にて加工かつ熱処理した後の、その
加工後かつ熱処理後の金属材料の有する特性
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000173249A JP2001349883A (ja) | 2000-06-09 | 2000-06-09 | 金属材料の特性予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000173249A JP2001349883A (ja) | 2000-06-09 | 2000-06-09 | 金属材料の特性予測方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2001349883A true JP2001349883A (ja) | 2001-12-21 |
Family
ID=18675521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000173249A Pending JP2001349883A (ja) | 2000-06-09 | 2000-06-09 | 金属材料の特性予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2001349883A (ja) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008007809A (ja) * | 2006-06-28 | 2008-01-17 | Toyota Central Res & Dev Lab Inc | 鋼材組織の予測方法、鋼材組織の予測装置、及びプログラム |
| KR100841888B1 (ko) * | 2007-04-12 | 2008-06-27 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | 압연 라인의 재질 예측 및 재질 제어 장치 |
| US7617709B2 (en) | 2004-10-14 | 2009-11-17 | Toshiba Mitsubishi-Electric Industrial Systems Corporation | Apparatus for controlling materials quality in rolling, forging, or leveling process |
| WO2018062398A1 (ja) * | 2016-09-30 | 2018-04-05 | 株式会社Uacj | アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体 |
| JP2020173581A (ja) * | 2019-04-10 | 2020-10-22 | 株式会社豊田中央研究所 | データ分析方法、データ分析装置、およびコンピュータプログラム |
| JP2021025075A (ja) * | 2019-08-01 | 2021-02-22 | 日本製鉄株式会社 | 加熱炉における金属片の抽出温度予測装置、方法及びプログラム、並びに予測モデルの学習装置 |
| JP2021025110A (ja) * | 2019-08-08 | 2021-02-22 | 中日本炉工業株式会社 | 温度プロファイル設定システム |
| TWI729627B (zh) * | 2019-12-17 | 2021-06-01 | 財團法人金屬工業研究發展中心 | 扣件尺寸的線上預測方法與扣件尺寸的線上預測系統 |
| JP2021181095A (ja) * | 2020-05-18 | 2021-11-25 | Ｊｆｅスチール株式会社 | 圧延荷重予測方法、圧延方法、熱延鋼板の製造方法、及び圧延荷重予測モデルの生成方法 |
| JPWO2021240900A1 (ja) * | 2020-05-26 | 2021-12-02 | ||
| WO2022196663A1 (ja) * | 2021-03-17 | 2022-09-22 | 昭和電工株式会社 | 材料特性予測方法及びモデル生成方法 |
-
2000
- 2000-06-09 JP JP2000173249A patent/JP2001349883A/ja active Pending
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7617709B2 (en) | 2004-10-14 | 2009-11-17 | Toshiba Mitsubishi-Electric Industrial Systems Corporation | Apparatus for controlling materials quality in rolling, forging, or leveling process |
| JP2008007809A (ja) * | 2006-06-28 | 2008-01-17 | Toyota Central Res & Dev Lab Inc | 鋼材組織の予測方法、鋼材組織の予測装置、及びプログラム |
| KR100841888B1 (ko) * | 2007-04-12 | 2008-06-27 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | 압연 라인의 재질 예측 및 재질 제어 장치 |
| WO2018062398A1 (ja) * | 2016-09-30 | 2018-04-05 | 株式会社Uacj | アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体 |
| CN109843460A (zh) * | 2016-09-30 | 2019-06-04 | 株式会社Uacj | 铝制品的特性预测装置、铝制品的特性预测方法、控制程序、以及记录介质 |
| JPWO2018062398A1 (ja) * | 2016-09-30 | 2019-07-25 | 株式会社Uacj | アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体 |
| JP7230654B2 (ja) | 2019-04-10 | 2023-03-01 | 株式会社豊田中央研究所 | データ分析方法、データ分析装置、およびコンピュータプログラム |
| JP2020173581A (ja) * | 2019-04-10 | 2020-10-22 | 株式会社豊田中央研究所 | データ分析方法、データ分析装置、およびコンピュータプログラム |
| JP2021025075A (ja) * | 2019-08-01 | 2021-02-22 | 日本製鉄株式会社 | 加熱炉における金属片の抽出温度予測装置、方法及びプログラム、並びに予測モデルの学習装置 |
| JP7428868B2 (ja) | 2019-08-01 | 2024-02-07 | 日本製鉄株式会社 | 加熱炉における金属片の抽出温度予測装置、及び予測モデルの学習装置 |
| JP2021025110A (ja) * | 2019-08-08 | 2021-02-22 | 中日本炉工業株式会社 | 温度プロファイル設定システム |
| TWI729627B (zh) * | 2019-12-17 | 2021-06-01 | 財團法人金屬工業研究發展中心 | 扣件尺寸的線上預測方法與扣件尺寸的線上預測系統 |
| JP2021181095A (ja) * | 2020-05-18 | 2021-11-25 | Ｊｆｅスチール株式会社 | 圧延荷重予測方法、圧延方法、熱延鋼板の製造方法、及び圧延荷重予測モデルの生成方法 |
| JP7230880B2 (ja) | 2020-05-18 | 2023-03-01 | Ｊｆｅスチール株式会社 | 圧延荷重予測方法、圧延方法、熱延鋼板の製造方法、及び圧延荷重予測モデルの生成方法 |
| JPWO2021240900A1 (ja) * | 2020-05-26 | 2021-12-02 | ||
| WO2021240900A1 (ja) * | 2020-05-26 | 2021-12-02 | Ｊｆｅスチール株式会社 | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 |
| JP7103514B2 (ja) | 2020-05-26 | 2022-07-20 | Ｊｆｅスチール株式会社 | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 |
| WO2022196663A1 (ja) * | 2021-03-17 | 2022-09-22 | 昭和電工株式会社 | 材料特性予測方法及びモデル生成方法 |
| JP7190615B1 (ja) * | 2021-03-17 | 2022-12-15 | 昭和電工株式会社 | 材料特性予測方法及びモデル生成方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gupta et al. | Prediction of flow stress in dynamic strain aging regime of austenitic stainless steel 316 using artificial neural network | |
| JP2001349883A (ja) | 金属材料の特性予測方法 | |
| Cho et al. | A study on the hot-deformation behavior and dynamic recrystallization of Al–5 wt.% Mg alloy | |
| Vafaeenezhad et al. | Application of constitutive description and integrated ANFIS–ICA analysis to predict hot deformation behavior of Sn-5Sb lead-free solder alloy | |
| Yang et al. | Flow behavior and processing maps of a low-carbon steel during hot deformation | |
| McBride et al. | Modelling tensile properties of gamma-based titanium aluminides using artificial neural network | |
| TW202212020A (zh) | 品質設計方法與電子裝置 | |
| Yekta et al. | Modelling of hysteresis loop and magnetic behaviour of Fe-48Ni alloys using artificial neural network coupled with genetic algorithm | |
| Feng et al. | Three different mathematical models to predict the hot deformation behavior of TA32 titanium alloy | |
| Hasan et al. | ANN modeling of nickel base super alloys for time dependent deformation | |
| CN114169189A (zh) | 一种近α型钛合金热塑性大变形过程中的织构预测方法 | |
| KR102457539B1 (ko) | 구조물 성능기반 재료의 역설계 방법 | |
| Huang et al. | Comparison between four flow stress models characterizing the constitutive behavior of hot deformation of 40Mn steel | |
| Zahran | Using neural networks to predict the hardness of aluminum alloys | |
| JP4269778B2 (ja) | 圧延加工の金属組織予測方法 | |
| CN111861041A (zh) | 一种预测Nb微合金钢动态再结晶型流变应力的方法 | |
| CN113111911A (zh) | 基于主成分分析与门控循环单元网络的缺陷深度检测方法 | |
| Yang et al. | Performance of two different constitutive models and microstructural evolution of GH4169 superalloy | |
| Lu et al. | Estimation of screw’s physical properties using neural network | |
| US20060266125A1 (en) | Method of predicting damage of dies | |
| Bailer-Jones et al. | Static and dynamic modelling of materials forging | |
| JPH06288884A (ja) | 材料の変形抵抗測定方法 | |
| JP2849026B2 (ja) | 連続焼鈍設備急速冷却炉の鋼板板温度制御方法 | |
| Fujita et al. | Prediction of hardness distribution in forged steel by neural network model | |
| CN117786943A (zh) | 壁温超温预测方法和装置 |