JP2017111658A - 設計支援装置 - Google Patents

Abstract

【課題】ＣＡＤデータに対する過去の解析結果を用いて、新たに入力されるＣＡＤデータに対する解析時間の短縮化を可能とする設計支援装置を提供する。【解決手段】過去のＣＡＤデータに対する解析結果データを、過去のＣＡＤデータを構成する複数の形状パラメータ及び解析条件と紐付けて格納するデータベース１０２，１０３と、複数の形状パラメータ及び解析条件を教師データとして学習する学習部１０６を備える。新たに入力されるＣＡＤデータを構成する形状パラメータ及び解析条件に対応する解析結果がデータベース１０２，１０３に格納されている場合、新たに入力されたＣＡＤデータに対する解析処理をスキップする解析処理実行判定部１０９を有する。【選択図】図１

Description

本発明は、設計支援装置に係り、特に、ＣＡＤデータや設計図面などの設計に関するデータと、解析結果や解析条件などの解析に関するデータをデータベースに登録し、新規のＣＡＤデータに対する解析処理を支援する設定支援装置に関する。

近年、製品開発において、製品の複雑化に伴い、設計した内容に対して高信頼性を確保するための高精度な解析が求められている。高精度な解析を行うには、例えば解析モデルの格子点数を増やして、詳細な計算が行えることが望ましい。しかしながら、格子点数が増大すると、解析に時間を要することになり、設計工数の増大を招く。そのため、解析に要する時間を短縮して解析結果を提示可能な技術が有効となる。
例えば、解析に要する時間を短縮し解析結果を提示する方法として、特許文献１に記載される技術が提案されている。特許文献１では、入力されるＣＡＤデータを複数の形状パーツに分割し、既成解析モデル（過去に生成した解析モデル）と比較する。この比較の結果、類似する形状パーツについては対応する既成解析モデルのメッシュデータを適用し、非類似の形状パーツについては自動でメッシュデータを生成すると共に、これら類似する形状パーツのメッシュデータと非類似の形状パーツのメッシュデータを結合することで解析モデルを生成するものである。

特開２００７―１２２２０５号公報

特許文献１では、過去の解析モデルを用いて、類似する形状パーツについて過去の解析モデルにおけるメッシュデータを適用することで、新たな解析モデル、すなわち、メッシュモデルを生成可能とするものである。
しかしながら、特許文献１では、生成された解析モデルを用いた解析時間の短縮化については、何ら考慮されていない。

そこで本発明は、ＣＡＤデータに対する過去の解析結果を用いて、新たに入力されるＣＡＤデータに対する解析時間の短縮化を可能とする設計支援装置を提供する。

上記課題を解決するため、本発明の設計支援装置は、過去のＣＡＤデータに対する解析結果データを、前記過去のＣＡＤデータを構成する複数の形状パラメータ及び解析条件と紐付けて格納するデータベースと、前記複数の形状パラメータ及び前記解析条件を教師データとして学習する学習部を、備え、新たに入力されるＣＡＤデータを構成する形状パラメータ及び解析条件に対応する解析結果が前記データベースに格納されている場合、前記新たに入力されたＣＡＤデータに対する解析処理をスキップする解析処理実行判定部を有することを特徴とする。
また、本発明の他の設計支援装置は、複数の形状パラメータを有し、過去に解析処理されたＣＡＤデータを格納するＣＡＤデータベースと、過去に入力されたＣＡＤデータに対する解析結果データを格納する解析結果データベースと、前記解析結果データベースに格納される解析結果データに含まれる解析条件と、当該解析結果データに対応するＣＡＤデータを構成する複数の形状パラメータと、を教師データとして学習する学習部と、前記学習部による学習結果として得られる重み係数を格納する学習結果データベースと、少なくとも、新たに入力されるＣＡＤデータに対する解析処理の要否を判定するためのルールを予め格納する解析条件格納部を備え、新たに入力されるＣＡＤデータから複数の形状パラメータを抽出し、当該抽出された形状パラメータと前記学習結果データベースに格納される重み係数に基づき解析結果の出力予測値を得ると共に、前記得られた解析結果の出力予測値が前記ルールを満たすか否かを判定する判定部を有し、前記判定部は、判定結果を表示部の画面上に表示又は、前記ルールを満たす解析結果の出力予測値に対応する前記新たに入力されるＣＡＤデータに対する解析処理をスキップすることを特徴とする。

本発明によれば、ＣＡＤデータに対する過去の解析結果を用いて、新たに入力されるＣＡＤデータに対する解析時間の短縮化を可能とする設計支援装置を提供することが可能となる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

本発明の一実施例に係る設計支援装置の全体概略構成図である。 図１に示す学習部の処理フローを説明するフローチャートである。 図１に示す判定部の処理フローを説明するフローチャートである。 ＣＡＤデータから学習パラメータを抽出した結果の一例を示す図である。 部品間の接続関係を示すテーブルである。 解析結果データから学習パラメータを抽出した結果の一例を示す図である。 学習部に設けられる第１ニューラルネットワークによる学習方法の一例を示す図である。 判定部に設けられる第２ニューラルネットワークにより、新規ＣＡＤデータから重み係数を用いて出力予測値を得る方法の一例を示す図である。 判定部による出力予測値に対する解析必要可否を判定する一例を示す図である。 学習時における表示部の画面表示例を示す図である。 判定時における表示部の画面表示例を示す図である。

本明細書において、「ＣＡＤデータを構成する形状パラメータ」とは、例えば、ＣＡＤデータを構成する部品の位置、厚さ又は長さ等の形状特徴、及びこれら部品間の接続関係に関する情報（データ）を含むものであり、これらのうち、少なくとも一つを含む場合もある。
また、「解析条件」とは、解析目的、格子点座標、及び格子点座標における物理量を含むものであり、これらのうち、少なくとも一つを含む場合もある。また、格子点の物理量毎に閾値を設定し、各物理量が閾値以上又は閾値以下である場合、解析処理の必要性の有無を規定するチェックルールも解析条件に含まれる。

本発明の一実施形態に係る設計支援装置は、ＣＡＤデータと解析結果データから教師データである学習すべきパラメータ（学習パラメータ）を抽出して、ＣＡＤデータと解析結果の関係を学習し、当該学習結果を用いて、新たに入力される新規ＣＡＤデータに対する過去の解析結果からの変化を予測（予測値として出力）し、解析の要否を判定表示及び上記新規ＣＡＤデータに対する解析処理のスキップのうち少なくとも一方を実行するものである。また、本実施形態に係る設計支援装置は、大別して、ＣＡＤデータと解析結果の関係を学習する学習部と、学習結果に基づき新たに入力される新規ＣＡＤデータに対する解析結果を予測し、解析処理の要否の表示及び／又は解析処理のスキップを行う解析処理実行判定部を備える。
このような本実施形態の設計支援装置によれば、ＣＡＤデータに対する過去の解析結果を用いて、新たに入力されるＣＡＤデータに対する解析時間の短縮化を図ることができる。

以下、図面を用いて本発明の実施例について説明する。

図１は、本発明の一実施例に係る設計支援装置の全体概略構成図である。
図１に示すように、設計支援装置１００は、データ入出力端末１０１、過去に入力され解析処理されたＣＡＤデータを格納するＣＡＤデータベース１０２、過去に入力されたＣＡＤデータに対する解析処理の結果を格納する解析結果データベース１０３、データ読込部１０４、学習パラメータ抽出部１０５、及び学習部１０６を備える。なお、学習部１０６は、詳細後述する例えば、第１ニューラルネットワークを有する。
また更に、設計支援装置１００は、学習部１０６による学習結果としての重み係数（学習重み）を格納する学習結果データベース１０７、新たに入力されるＣＡＤデータを格納する新規ＣＡＤデータベース１０８、判定部１０９、表示部１１０、及び解析条件格納１１１を備える。なお、判定部１０９は、詳細後述する例えば、第２ニューラルネットワークを有する。

以下では、第１ニューラルネットワーク及び第２ニューラルネットワークの一例として、ランメルハート型のニューラルネットワークを示す。ランメルハート型のニューラルネットワークでは、入力データ（ＣＡＤデータ）及び出力データ（解析結果）のペアを教師データとして、ニューラルネットワークに入力し、バックプロパゲーションにより重み係数を学習する。中間ノードが１段のみならず、多段構成のニューラルネットワークも含む。

データ読込部１０４、学習パラメータ抽出部１０５、学習部１０６、及び判定部１０９は、例えば、図示しない、各種処理プログラムを格納するＲＯＭ、演算過程のデータを一時的に格納するＲＡＭなどの記憶部、及び、ＲＯＭに格納される各種プログラムを読み出し実行するＣＰＵ等のプロセッサにより実現される。

ここで、設計支援装置１００の動作の概略を説明する。
データ読取部１０４は、データ入出力端末１０１から、ＣＡＤデータ及び解析結果の情報を読み取り、読み取ったＣＡＤデータをＣＡＤデータベース１０２に保存すると共に、読み取った解析結果の情報（解析結果データ）を解析結果データベース１０３に保存する。
学習パラメータ抽出部１０５は、ＣＡＤデータベース１０２に格納されるＣＡＤデータについて、ＣＡＤデータを構成する形状パラメータである、例えば、部品の位置、厚さ又は長さなどの形状特徴、部品間の接続関係に関するデータを、学習パラメータとして自動で抽出する。なお、学習パラメータ抽出部１０５による学習パラメータとしての形状パラメータの自動抽出に代えて、ユーザが表示部１１０に表示されるＣＡＤデータを構成する形状パラメータのうち、所望の部品を対話的に選択指定することで、学習パラメータを抽出する構成としても良い。ユーザによる対話的な学習パラメータとしての形状パラメータの抽出については後述する。
また、学習パラメータ抽出部１０４は、解析結果データベース１０３に格納される解析結果などの解析処理に関するデータから、解析条件である、解析目的、格子点座標、各格子点での物理量に関するデータを、学習パラメータとして抽出する。ここで物理量とは、例えば、温度、流速などである。

学習部１０６では、第１ニューラルネットワークに、学習パラメータ抽出部１０５にて抽出されたＣＡＤデータを構成する複数の形状パラメータ、及び解析条件を教師データとして、上記複数の形状パラメータを入力し、第１ニューラルネットワークからの出力と上記教師データである解析条件との差分に基づきバックプロパゲーション法により各ノード（ニューロン）における重み係数が修正されることで学習が実行される。この学習の結果得られた重み係数（学習重み）は、例えば、形状パラメータに紐付けられて、学習結果データベース１０７に格納される。なお、重み係数（学習重み）を、形状パラメータ毎に紐付けて格納することに代えて、形状パラメータを構成する部品毎、例えば、筐体、壁板、ねじ、ＩＧＢＴ（インバータ）、コンデンサ、バスバー毎に紐付けて格納するよう構成しても良い。

ユーザにより新たに新規ＣＡＤデータがデータ入出力端末１０１を介して入力されると、入力された新規ＣＡＤデータは、新規ＣＡＤデータベース１０８に格納される。
判定部１０９は、学習結果データベース１０７に格納される重み係数（学習重み）を読み出し、第２ニューラルネットワークの各ノード（ニューロン）に読み出した重み係数（学習重み）を設定する。その後、第２ニューラルネットワークの入力ノードに、新規ＣＡＤデータベース１０８に格納された新規ＣＡＤデータを入力し、解析結果の出力予測値を得る。判定部１０９は、得られた解析結果の出力予測値と、解析条格納部１１１に格納されるチェックルール（解析条件）を比較し、解析処理の必要性を判定する。判定部１０９は、判定結果を表示１１０の表示画面に表示する。また、判定部１０９は、判定結果が解析処理の必要性なしの場合には、解析処理のスキップを行う。
次に、設計支援装置１００を構成する学習部１０６による処理の詳細について説明する。図２は、図１に示す学習部１０６の処理フローを説明するフローチャートである。
ステップＳ１０１では、データ読込部１０４は、ＣＡＤデータベース１０２にアクセスし、ＣＡＤデータベース１０２に格納されるＣＡＤデータを読み出す。また、データ読込部１０４は、解析結果データベース１０３にアクセスし、解析結果データベース１０３に格納される解析結果データを読み出す。読み出されたＣＡＤデータ及び解析結果データを、データ読込部１０４は学習パラメータ抽出部１０５へ出力する。

ステップＳ１０２では、学習パラメータ抽出部１０５は、データ読込部１０４より入力されるＣＡＤデータから、ＣＡＤデータを構成する形状パラメータである、部品の位置、厚さ又は長さなどの形状特徴、部品間の接続関係に関するデータを、学習パラメータとして抽出する。

ここで、学習パラメータとして抽出されるＣＡＤデータを構成する形状パラメータについて具体的に説明する。図４に、ＣＡＤデータから学習パラメータを抽出した結果の一例を示し、図５に、部品間の接続関係を示すテーブルを示す。
図４の左図に示されるように、データ読込部１０４より入力されるＣＡＤデータは、ＣＡＤデータを構成する部品名２０１、部品の位置情報２０２、及び部品の厚み及び長さなどの形状特徴２０３を含んでいる。図４に示す例では、部品として、筐体、インバータ（ＩＧＢＴ）、コンデンサ、バスバー、仕切板を有し、筐体は、更に壁板とねじを含む。筐体の位置情報２０２は座標（０，０，０）として、壁板の位置情報２０２は座標（１０，２０，５０）として、ねじの位置情報２０２は座標（１００，３０，５０）として表現されている。これら各部品の部品名２０１及び部品の位置情報２０２はＣＡＤデータからテキスト変換により得られる。また、通常、部品の位置情報２０２は、例えば、座標系において最大値及び最小値、すなわち、部品の外接矩形の最大値及び最小値の２点の座標値で特定することができ、また、２点に限らず、４点、又は８点等の座標値として設定されるが、本実施例では、説明を分かり易くするため、各部品の重心の座標１点を用いて、部品の位置を特定する場合を一例として示している。
また、壁板の厚みは１０ｍｍであり長さは１５００ｍｍである。ねじは１０ｍｍの径を有し長さが２０ｍｍの形状特徴２０３を有する。

図４の右図は、学習パラメータ抽出部１０５にてＣＡＤデータから抽出された、学習パラメータとしてのＣＡＤデータを構成する形状パラメータを示している。図４の右図に示されるように、学習パラメータとして抽出されるＣＡＤデータを構成する形状パラメータは、部品データ２０４及び部品間の関係データ２０５を含んでいる。部品データ２０４として、筐体については位置情報（０，０，０）、壁板については、位置情報（１０，２０，５０）、厚み“１０”、及び長さ“１５００”、ねじについては、位置情報（１００，３０，５０）、径“１０”、及び長さ“２０”が抽出される。

また、部品間の関係データ２０５として、どの部品と部品が繋がっているかの情報が、“０”、“１”から成るベクトルで表現され抽出される。図５の部品間接続関係テーブルに示されるように、第１行目には、「筐体」、「壁板」、「ねじ」、及び「インバータ（ＩＧＢＴ）」の部品名が格納され、第２行目以降では、フラグ“１”が立った部品同士が接続関係にあることを示している。具体的には、第２行目は、筐体、壁板、及びねじが接続関係にあることを示し、また、第３行目は、筐体と壁板が接続関係にあることを示している。また、第４行目は、筐体とねじが接続関係にあることを示し、第５行目は、インバータ（ＩＧＢＴ）は、筐体、壁板及びねじの何れとも接続されていないことを示している。
図４の右図に示す部品間の関係データ２０５は、上述の部品間接続関係テーブルにより規定される各部品の接続関係をベクトルにて簡略的に示したものであり、筐体（１，１，１，０）、壁板（１，１，０，０）、ねじ（１，０，１，０）、インバータ（０，０，０，１）のベクトルとなる。構成部品の数が増加するほど、このベクトルを示す数列は長くなる。

図２に戻り、ステップＳ１０３では、学習パラメータ抽出部１０５は、データ読込部１０４より入力される解析結果データから、解析条件である、解析目的、格子点座標、各格子点での物理量に関するデータを、学習パラメータとして抽出する。
ここで、学習パラメータとして抽出される解析条件について具体的に説明する。図６に、解析結果データから学習パラメータを抽出した結果の一例を示す。
図６の左図に示されるように、データ読込部１０４より入力される解析結果データ（解析結果）３０１は、テキスト形式にて格子点座標３０２及び格子点での物理量に関するデータ３０３を含んでいる。図６に示す例では、格子点座標３０２として座標（１００，５００，２００）、格子点での物理量に関するデータ３０３として、温度４０℃、流速２.０ｍ／ｓの場合を示している。説明を解り易くするため、１つの格子点座標と当該格子点における物理量のみを示している。
図６の右図は、学習パラメータ抽出部１０５にて解析結果データ（解析結果）３０１から抽出された、学習パラメータとしての解析条件（解析結果）３０４を示している。図６の右図では、３組の格子点座標及び物理量が学習パラメータとして解析結果データ（解析結果）３０１から直接抽出された場合を示している。従ってこの場合、図６の左図には、図示しない他の２組の格子点座標３０２及び物理量３０３が含まれている。図６の右図に示すように、学習パラメータとして直接抽出された３組の解析条件（解析結果）３０４は、格子点座標が（１００，５００，２００）であり温度が「４０」及び流速が「２.０」、格子点座標が（２００，４００，６００）であり温度が「５０」及び流速が「１.２」、格子点座標が（１０，２００，１００）であり温度が「３０」及び流速が「２.５」である。

図２に戻り、ステップＳ１０４では、学習部１０６は、学習パラメータ抽出部１０５により抽出された学習パラメータに不足があるかを判定する。判定の結果、抽出された学習パラメータに、例えば、壁板の厚み、或はコンデンサのサイズなど、部品の形状特徴を示す形状パラメータが含まれていない場合は、ステップＳ１０５へ進み、エラーメッセージを表示部１１０の表示画面上に表示すると共にステップＳ１０１へ戻る（Ｓ１０５）。一方、判定の結果、抽出された学習パラメータに不足が無い場合はステップＳ１０６へ進む。

ステップＳ１０６では、学習部１０６は、ステップＳ１０２にて抽出された部品の位置、厚さ又は長さなどの形状特徴、部品間の接続関係に関するデータなどのＣＡＤデータを構成する形状パラメータを、学習パラメータとして、第１ニューラルネットワークの入力ノードに入力する。
また、ステップＳ１０７では、学習部１０６は、ステップＳ１０３にて抽出された解析目的、格子点座標、各格子点での物理量に関するデータなどの解析条件を、学習パラメータとして、第１ニューラルネットワークの出力ノードに入力する。

ステップＳ１０８では、第１ニューラルネットワークにより出力を計算する。
ステップＳ１０９では、学習部１０６は、第１ニューラルネットワークの出力結果と、出力ノードに目標値として入力された解析条件との差分を計算する。
ステップＳ１１０では、ステップＳ１０９にて計算された差分に基づき上述のバックプロパゲーション法により各ノード（ニューロン）における重み係数（学習重み）を更新する。
ステップＳ１１１では、学習部１０６は、更新された各ノード（ニューロン）における重み係数（学習重み）を、学習結果データとして、学習結果データベース１０７に形状パラメータに紐付けて格納し、学習処理を終了する。なお、上述のように、重み係数（学習重み）を、形状パラメータ毎に紐付けて格納することに代えて、形状パラメータを構成する部品毎、例えば、筐体、壁板、ねじ、ＩＧＢＴ（インバータ）、コンデンサ、バスバー毎に紐付けて格納するよう構成しても良い。

図７は、学習部に設けられる第１ニューラルネットワークによる学習方法の一例を示す図である。第１ニューラルネットワーク４０２として、一般的な多層バックプロパゲーションアルゴリズムを用いた例で説明する。先ず、第１ニューラルネットワーク４０２は、入力ノード４０３、中間ノード４０４、及び出力ノード４０５を備える。図７に示す例では、入力ノード４０３がｉ１〜ｉ５の５個のノードからなり、中間ノード４０４は、２段構成を有し各段に３個のノードを有し、出力ノード４０５がｊ１〜ｊ５の５個のノードからなる場合を想定している。但し、入力ノード４０３、中間ノード４０４、及び出力ノード４０５の個数はこれに限られず、適宜所望の個数を設定でき、また、中間ノード４０４の段数は２段に限らず、所望の段数に適宜設定できる。

上述のようにＣＡＤデータ４０１から抽出された部品の位置、厚さ又は長さなどの形状特徴、部品間の接続関係に関するデータなどの形状パラメータを学習パラメータとして、第１ニューラルネットワーク４０２の入力ノード４０３に入力する。また、上述のように解析目的、格子点座標、各格子点での物理量に関するデータなどの解析条件（解析結果）を学習パラメータとして出力ノード４０５に入力する。バックプロパゲーションニューラルネットワークである第１ニューラルネットワーク４０２は、入力ノードＯｉと重み係数（学習重み）Ｗｉｊの組合せにより出力Ｓｊを、以下の式（１）を計算し出力ノード４０５より出力結果４０６を出す。

その後、出力結果４０６と解析結果（解析条件）４０７との差分を計算した後、例えば、以下の式（２）及び式（３）により重み係数（学習重み）を更新する。

ここで、ηは、学習係数であり、値が大きいほど学習が急激であり、値が小さいほど学習がなだらかとなる。通常は０〜１の値をとる。δｊは、出力ノード４０５を構成するｊ１〜ｊ５の各ノードの誤差の値である。
上記式（１）〜式（３）に示すように、教師データである学習パラメータのうち、出力ノード４０５に入力される解析条件（解析結果）と、第１ニューラルネットワーク４０２の出力を比較し、その誤差（差分）が最小となるよう、重み係数（学習重み）Ｗｉｊを更新させた後、当該更新後の重み係数（学習重み）を学習結果データとして、学習結果データベース１０７に格納する。

次に、設計支援装置１００を構成する判定部１０９による処理の詳細について説明する。図３は、図１に示す判定部の処理フローを説明するフローチャートである。
ステップＳ２０１では、判定部１０９は、新規ＣＡＤデータベース１０８にアクセスし、新規ＣＡＤデータベース１０８に格納される新たに入力された新規ＣＡＤデータを読み出す。
ステップＳ２０２では、判定部１０９は、読み出された新規ＣＡＤデータから、新規ＣＡＤデータを構成する形状パラメータである、部品の位置、厚さ又は長さなどの形状特徴、部品間の接続関係に関するデータを、学習パラメータとして抽出する。

ステップＳ２０３では、判定部１０９は、ステップＳ２０２にて抽出された新規ＣＡＤデータを構成する形状パラメータを、学習パラメータとして、第２ニューラルネットワークの入力ノードに入力する。
ステップＳ２０４では、判定部１０９は、学習結果データベース１０７にアクセスし、テップＳ２０２にて抽出された新規ＣＡＤデータを構成する形状パラメータに紐付けられた重み係数（学習重み）が格納されているか、すなわち、学習結果データがあるか判定する。判定の結果、対応する学習結果データが学習結果データベース１０７に格納されていない場合には、判定処理を終了する。その後、新規ＣＡＤデータに対する解析処理を、従来と同様に実行する。一方、判定の結果、対応する学習結果データが学習結果データベース１０７に格納されている場合には、ステップＳ２０５へ進む。

ステップＳ２０５では、判定部１０９は、学習結果データベース１０７に格納される、新規ＣＡＤデータを構成する形状パラメータに紐付けられた重み係数（学習重み）を読み出す。読み出された重み係数（学習重み）は、判定部１０９により第２ニューラルネットワークの各ノードに設定される。
その後、ステップＳ２０６では、判定部１０９は、ステップＳ２０２にて抽出された新規ＣＡＤデータを構成する形状パラメータを、第２ニューラルネットワークの入力ノードに入力する。第２ニューラルネットワークは入力された形状パラメータと設定された重み係数（学習重み）との積和演算により、この積和演算結果を解析結果の出力予測値として、出力ノードより出力する。すなわち、第２ニューラルネットワークは出力を計算する。

ここで、第２ニューラルネットワークによる解析結果の出力予測値を得る方法について説明する。図８は、判定部に設けられる第２ニューラルネットワークにより、新規ＣＡＤデータから重み係数を用いて出力予測値を得る方法の一例を示す図である。図８に示すように、第２ニューラルネットワーク５０２は、入力ノード５０３、中間ノード５０４、及び出力ノード５０５を備える。図８に示す例では、入力ノード５０３がｉ１〜ｉ５の５個のノードからなり、中間ノード５０４は、２段構成を有し各段に３個のノードを有し、出力ノード５０５がｊ１〜ｊ５の５個のノードからなる場合を想定している。但し、入力ノード５０３、中間ノード５０４、及び出力ノード５０５の個数はこれに限られず、適宜所望の個数を設定でき、また、中間ノード５０４の段数は２段に限らず、所望の段数に適宜設定できる。

上述のように、判定部１０９は、ステップＳ２０５にて読み出された重み係数（学習重み）５０７を、第２ニューラルネットワーク５０２の各ノードに設定する。その後、新規ＣＡＤデータ５０１から抽出された部品の位置、厚さ又は長さなどの形状特徴、部品間の接続関係に関するデータなどの形状パラメータを、第２ニューラルネットワーク５０２の入力ノード５０３に入力する。第２ニューラルネットワーク５０２は、入力ノード５０３に入力された形状パラメータと設定された重み係数（学習重み）の積和演算により、出力ノード５０５から解析結果の出力予測値５０６を出力する。

図３に戻り、ステップＳ２０７では、判定部１０９は、解析条件格納部１１１にアクセスし、予め格納されるチェックルール（解析条件）に基づき、ステップＳ２０６で得られた解析結果の出力予測値を判定する。具体的には、判定部１０９は、解析条件格納部１１１に格納される解析条件である格子点の物理量に対する閾値と、ステップＳ２０６にて得られた解析結果の出力予測値とを比較し、上記チェックルール（解析条件）を満たすか否かを判定する。なお、上記チェックルール（解析条件）は、格子点の物理量毎に閾値を設定し、各物理量が閾値以上又は閾値以下である場合、解析処理の必要性の有無を規定するものである。
ステップＳ２０８では、判定部１０９は、ステップＳ２０７における判定結果を、表示部１１０の表示画面上に表示し、判定処理を終了する。なお、判定結果が上記チェクルールを満たす場合には、解析処理の必要性は無いことから、新規ＣＡＤデータに対する解析処理のスキップを行う。

なお、ステップＳ２０８では、判定結果を表示部１１０の表示画面上に表示する構成としたが、これに代えて、判定結果と共に解析結果の出力予測値を表示部１１０の表示画面上に表示する構成としても良い。

図９は、判定部１０９による解析結果の出力予測値に対する解析必要可否を判定する一例を示す図である。先ず、判定部１０９に備えられる第２ニューラルネットワーク５０２は、上述の図３に示したステップＳ２０５及びステップＳ２０６の処理により、学習結果データベース１０７に格納される、新規ＣＡＤデータを構成する形状パラメータに紐付けられた重み係数（学習重み）を読み出し、読み出された重み係数（学習重み）を各ノードに設定し、入力ノード５０３に入力される新規ＣＡＤデータを構成する形状パラメータと設定された重み係数（学習重み）との積和演算により、解析結果の出力予測値を出力ノード５０５より出力するものである。よって、仮に、新規ＣＡＤデータに含まれるコンデンサが配される位置での温度と流速を予測する場合、学習結果データベース１０７に格納される重み係数（学習重み）Ｗｉｊは、上述の式（２）及び式（３）に示したように、バックプロパゲーション法を用いた学習により更新された後の重み係数（学習重み）Ｗｉｊ（ｎｅｗ）である。新規ＣＡＤデータが入力された場合であっても、第２ニューラルネットワーク５０２では、新規ＣＡＤデータを構成する形状パラメータと過去に学習されたＣＡＤデータを構成する形状パラメータの差分を求め、上記更新後の重み係数（学習重み）Ｗｉｊ（ｎｅｗ）を用いて補間演算することにより、過去の解析結果に近い解析結果の出力予測値を得ることが可能となる。

図９に示す例は、インバータ（ＩＧＢＴ）、コンデンサ、バスバー、及び仕切板を筐体内に収容し構成される製品において、筺体内の上記各部品を空冷する場合における解析処理を行う場合であって、判定部１０９による解析結果の出力予測値に対する解析必要可否の一例である。
図９に示すように、例えば、新たに入力される新規ＣＡＤデータ６０１を構成する形状パラメータが、部品名がコンデンサ１及びコンデンサ２であり、コンデンサ１の位置情報が座標（１００，３０，５０）、コンデンサ２の位置情報が座標（２００，３０，５０）であって、これらコンデンサ１及びコンデンサ２の中間位置における解析処理を行う場合を想定している。

解析条件格納部１１１に格納されるチェックルール（解析条件）は、上述の図３に示したステップＳ２０７にて判定部１０９が第２ニューラルネットワーク５０２より出力される解析結果の出力予測値により、解析処理の必要性の有無を評価するためのチェックルール（解析条件）６０３である。図９に示すチェックルール（解析条件）６０３は、例えば、コンデンサ１とコンデンサ２との間に流れる風により冷却されているかどうかを判定するルールとして、テキスト形式にて「コンデンサ間の中間位置での温度が５０℃以下、流速２ｍ／ｓ以上であれば、解析の必要なし」（６０４）が規定され、解析条件格納部１１１に格納されている。
また、上記チェックルール（解析条件）は、例えば、テーブル形式にて解析条件格納部１１１に格納されている。図９に示すように、テーブル６０５は、第１行目に項目として、「物理量」、「閾値以上／以下」、「場所」、及び「解析の必要性」を有する。第２行目には、「物理量」の項目欄に「Ｔｅｍｐ」（温度）、「閾値」の項目欄に「５０」（５０℃）、「閾値以上／以下」の項目欄に「以下」、「場所」の項目欄に「コンデンサの中間」、及び「解析の必要性」の項目欄に「必要なし（０）」が、それぞれ設定されている。また、第３行目には、「物理量」の項目欄に「Ｆｌｏｗ」（流速）、「閾値」の項目欄に「２．０」（２.０ｍ／ｓ）、「閾値以上／以下」の項目欄に「以上」、「場所」の項目欄に「コンデンサの中間」、及び「解析の必要性」の項目欄に「必要なし（０）」が、それぞれ設定されている。
更にまた、ｉｆ−ｔｈｅｎルール形式にて、「（１５０，３０，５０），５０，２.０→ａｎａｌｙｓｉｓ ｆｌａｇ ＝ ０」（６０６）が、解析条件格納部１１１に格納されている。

図９に示すように、判定部１０９が、新規ＣＡＤデータベース１０８より新規ＣＡＤデータ６０１を構成する形状パラメータとして、部品名がコンデンサ１及びコンデンサ２であり、コンデンサ１の位置情報である座標（１００，３０，５０）、コンデンサ２の位置情報である座標（２００，３０，５０）を読み出す。判定部１０９は、これらコンデンサ１の座標（１００，３０，５０）とコンデンサ２の座標（２００，３０，５０）からコンデンサ１及びコンデンサ２との間の中間位置の座標（１５０，３０，５０）を求める。その後、判定部１０９は、上述の図３に示すステップＳ２０５にて、各ノードに重み係数（学習重み）が設定された第２ニューラルネットワーク５０２の入力ノード５０３に入力し、第２ニューラルネットワーク５０２は、上述の通り入力された形状パラメータであるコンデンサ間の中間位置と重み係数（学習重み）との積和演算を実行し、出力ノード５０５より解析結果の出力予測値６０２を出力する。

ここで得られる解析結果の出力予測値６０２は、図９に示すように、例えば、（１００，５００，２００），３０，２.５、（２００，４００，６００），４０，１.０、（１５０，３０，５０），４０，２.５、及び（１０，２００，１００），５０，２.０と複数存在する。判定部１０９は、格子点の座標でもあるコンデンサ間の中間位置の座標が（１５０，３０，５０）である解析結果の出力予測値（１５０，３０，５０），４０，２.５を抽出する。次に、判定部１０９は、抽出した出力予測値（１５０，３０，５０），４０，２.５より、格子点での物理量である温度４０℃及び流速２.５ｍ／ｓを取り出し（６０８）、解析条件格納部１１１に格納されるｉｆ−ｔｈｅｎルール形式のチェックルール６０６の前提部に規定される物理量である温度５０℃、流速２・０ｍ／ｓと比較する。取り出された物理量６０８中の温度４０℃は閾値である５０℃以下であり、且つ、取り出された物理量６０８中の流速２.５ｍ／ｓは閾値である２.０ｍ／ｓ以下であることから、ａｎａｌｙｓｉｓ ｆｌａｇに「０」を立てる。すなわち、テーブル６０５の「解析の必要性」の項目欄に設定される通り、「必要なし」と判定される。この処理は、上述の図３のステップＳ２０７にて示した処理ステップに相当する。
図９に示す例では、解析処理そのものを行う必要がないため、解析処理をスキップすることで解析処理に要する時間を省略することができる。これにより、新たに入力されるＣＡＤデータに対する解析時間の短縮化が可能となる。
なお、図９に示す例では空冷式による冷却を例としたため、ｉｆ−ｔｈｅｎルール形式のチェックルール６０６の前提部における物理量及びテーブル６０５に設定される物理量を、空気の温度及び風の流速（風速）としたがこれに限られるものでは無い。例えば、空冷式による冷却に代えて、水冷式による冷却を用いても良く、この場合、ｉｆ−ｔｈｅｎルール形式のチェックルール６０６の前提部における物理量及びテーブル６０５に設定される物理量は、冷却水の温度及び冷却水の流速となる。

図１０は、学習部１０６による学習時の表示部１１０の表示画面例である。
図１０に示すように、表示部１１０の表示画面７０１（学習時における表示画面）は、ＣＡＤデータを３次元の座標系と共に表示する第１表示領域７０２、第１表示領域７０２に表示されるＣＡＤデータに対する解析結果データが表示される第２表示領域７０３、及び各種コマンドを入力するための、「読込」ボタン７０４、「学習」ボタン７０５、「保存」ボタン７０６が表示される領域（以下、コマンド入力領域と称する）から構成される。

第１表示領域７０２に表示されるＣＡＤデータは、上述の図１に示すＣＡＤデータベース１０２より読み出された学習時における教師データを構成する既知のＣＡＤデータである。また、第２表示領域７０３に表示される解析結果データは、上述の図１に示す解析結果データベース１０３より読み出された学習時における教師データを構成する既知の解析結果データである。これら既知のＣＡＤデータ及び対応する既知の解析結果データのペアにて、学習部１０６に備えられる第１ニューラルネットワーク４０２の学習時における教師データを構成する。

また、第１表示領域７０２には、ＣＡＤデータの表示に加え、表示されるＣＡＤデータを構成する複数の形状パラメータ（部品名）を、階層的に表示する形状パラメータ階層表示領域７０２ａが設けられている。
図１０に示すように、ＣＡＤデータを構成する形状パラメータは、その部品である、「筐体」、「壁板」、「ねじ」、「ＩＧＢＴ」、「コンデンサ」、及び「バスバー」が階層的に表示されている。ユーザは、図示しないマウスなどの入力部により表示画面７０１上で、カーソルを形状パラメータ階層表示領域７０２ａ内の所望の部品位置に移動させクリックすると、当該選択指定された部品が、第１表示領域７０２に表示されるＣＡＤデータ中で、ブリンク表示或いはハイライト表示などにより、他の部品と識別可能に表示される。なお、この形状パラメータ階層表示領域７０２ａを用いて、ユーザが所望の部品を学習パラメータとして対話的に選択指定する構成としても良い。すなわち、学習パラメータ抽出部１０５により学習パラメータとして形状パラメータを自動抽出する構成に代えて、学習パラメータ抽出部１０５は、形状パラメータ階層表示領域７０２ａ内でユーザによる選択指定を受け付け、当該選択指定された部品（形状パラメータ）を学習パラメータとして抽出する構成としても良い。
なお、表示画面７０１上の最も上部に表示される領域には、第１表示領域７０２及び第２表示領域７０３が表示されるウィンドウ全体を、クローズ、縮小／拡大表示、表示部１１０のコントロールバーへの移動等を指定するためのボタンが表示される。

次に、コマンド入力領域に表示される、「読込」ボタン７０４、「学習」ボタン７０５、及び「保存」ボタン７０６と、上述の図２に示した学習部１０６の処理フローとの関係について説明する。
先ず、コマンド入力領域に表示される「読込」ボタン７０４が、ユーザにより図示しないマウスなどをクリックすることで、「読込」ボタン７０４がアクティブにされると、データ読込部１０４は、図２に示すステップＳ１０１を実行する。ステップＳ１０１の実行により、ＣＡＤデータベース１０２より読み出されたＣＡＤデータは、第１表示領域７０２に３次元の座標系と共に表示されると共に、当該ＣＡＤデータを構成する部品名が形状パラメータ階層表示領域７０２ａ内に表示される。

「学習」ボタン７０５が、ユーザにより図示しないマウスなどをクリックすることで、「学習」ボタン７０５がアクティブにされると、学習パラメータ抽出部１０５は、図２に示したステップＳ１０２及びステップＳ１０３を実行し、ＣＡＤデータから、部品の位置、厚さ又は長さなどの形状特徴、部品間の接続関係に関するデータなどのＣＡＤデータを構成する形状パラメータを、学習パラメータとして抽出する。また、学習パラメータ抽出部１０５は、解析目的、格子点座標、各格子点での物理量に関するデータなどの解析条件を、学習パラメータとして抽出する。なお、上述のように、ステップＳ１０２において、学習パラメータ抽出部１０５によるＣＡＤデータからの学習パラメータ（形状パラメータ）の自動抽出に代えて、形状パラメータ階層表示領域７０２ａ内に表示されるＣＡＤデータを構成する各部品に対し、ユーザによる対話的な選択指定により学習データとして抽出すべき形状パラメータを有する所望の部品を指定するよう構成しても良い。
続いて、学習部１０６は、図２に示すステップＳ１０４〜ステップＳ１１０までを実行する。

「保存」ボタン７０６が、ユーザにより図示しないマウスなどをクリックすることで、「保存」ボタン７０６がアクティブにされると、学習部１０６は、図２に示すステップＳ１１１を実行し、上述のステップＳ１１０により得られた第１ニューラルネットワーク４０２の各ノードにおける更新後の重み係数（学習重み）を、学習結果データとして、学習結果データベース１０７に格納する。

図１１は、判定部１０９による判定時の表示部１１０の表示画面例である。
図１１に示すように、表示部１１０の表示画面８０１（判定時における表示画面）は、新たに入力された新規ＣＡＤデータを３次元の座標系と共に表示する第３表示領域８０２、新規ＣＡＤデータに対する判定部１０９による判定結果を表示する第４表示領域８０３、及び各種コマンドを入力するための、「読込」ボタン８０４、「推定」ボタン８０５、「判定」ボタン８０６が表示されるコマンド入力領域から構成される。

第３表示領域８０２に表示される新規ＣＡＤデータは、図１に示す新規ＣＡＤデータベース１０８より読み出された新規ＣＡＤデータであり、部品であるコンデンサ１及びコンデンサ２の形状パラメータとして、これら部品の位置である座標（重心座標）も重畳表示される。また、第４表示領域８０３に表示される判定結果は、図１１に示すように、図３に示すステップＳ２０７にて説明した、解析結果の出力予測値が解析条件格納部１１１に格納されるチェックルールを満たすか否かの判定結果である。図１１においては、図９に示したｉｆ−ｔｈｅｎルール形式のチェックルール６０６及びテーブル６０５中の「解析の必要性」の項目欄に設定される「必要なし（０）」との判定結果の場合を示しており、「判定結果：ＯＫ（解析の必要なし）」が表示される。なお、第４表示領域８０３は、上述の判定結果を表示する構成に代えて、判定結果と共に、解析結果の出力予測値及び／又は予測される解析結果データを表示しても良い。この場合、予測される解析結果データは、例えば上述の図１０において示した第２表示領域７０３に表示される解析結果と同様に表示される。
なお、表示画面８０１上の最も上部に表示される領域には、第３表示領域８０２及び第４表示領域８０３が表示されるウィンドウ全体を、クローズ、縮小／拡大表示、表示部のコントロールバーへの移動等を指定するためのボタンが表示される。

次に、コマンド入力領域に表示される、「読込」ボタン８０４、「推定」ボタン８０５、及び「判定」ボタン８０６と、上述の図３に示した判定部１０９の処理フローとの関係について説明する。
まず、コマンド入力領域に表示される「読込」ボタン８０４が、ユーザにより図示しないマウスなどをクリックすることで、「読込」ボタン８０４がアクティブにされると、判定部１０９は、図３に示すステップＳ２０１を実行する。ステップＳ２０１の実行により、新規ＣＡＤデータベース１０８より読み出された新規ＣＡＤデータは、第３表示領域８０２に３次元の座標系と共に表示される。

「推定」ボタン８０５が、ユーザにより図示しないマウスなどをクリックすることで、「推定」ボタン８０５がアクティブにされると、判定部１０９は、図３に示したステップＳ２０２〜ステップＳ２０６までを実行する。ステップＳ２０６までの実行により、第２ニューラルネットワーク５０２は、解析結果の出力予測値を出力ノード５０５より出力する。
「判定」ボタン８０６が、ユーザにより図示しないマウスなどをクリックすることで、「判定」ボタン８０６がアクティブにされると、判定部１０９は、図３に示したステップＳ２０７及びステップＳ２０８を実行する。ステップＳ２０８の実行により、図１１に示すように、第４表示領域８０３に判定結果として、「判定結果：ＯＫ（解析の必要なし）」が表示される。

なお、本実施例では、学習部１０６に第１ニューラルネットワーク４０２（学習用）を、また、判定部１０９に第２ニューラルネットワーク５０２（判定用）を備える構成としたが、これに限られるものでは無い。例えば、学習部１０６に備えられる第１ニューラルネットワーク４０２を、上述の判定部１０９に備えられる第２ニューラルネットワーク５０２として動作させるよう構成しても良い。すなわち、この場合、学習部１０６のみがニューラルネットワークを有することとなる。また、これとは逆に、判定部１０９に備えられる第２ニューラルネットワーク５０２を、学習部１０６に備えられる第１ニューラルネットワーク４０２として動作させるよう構成しても良い。この場合、判定部１０９のみがニューラルネットワークを有することとなる。

以上の通り、本実施例によれば、ＣＡＤデータに対する過去の解析結果を用いて、新たに入力されるＣＡＤデータに対する解析時間の短縮化を図ることが可能となる。
また、本実施例によれば、過去の解析結果データ及び対応するＣＡＤデータを教師データとし、ニューラルネットワークを学習させ更新後の重み係数（学習重み）を得て、新たに入力されるＣＡＤデータを構成する形状パラメータと更新後の重み係数（学習重み）との積和演算により、解析結果の出力予測値が得られる。そして、この得られた解析結果の出力予測値が、予め解析条件格納部に格納されるチェックルール（解析条件）を満たす場合、解析処理をスキップする（解析処理を不要とする）ことで、解析処理時間の短縮化を図ることが可能となる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。

１００・・・設計支援装置
１０１・・・データ入出力端末
１０２・・・ＣＡＤデータベース
１０３・・・解析結果データベース
１０４・・・データ読込部
１０５・・・学習パラメータ抽出部
１０６・・・学習部
１０７・・・学習結果データベース
１０８・・・新規ＣＡＤデータベース
１０９・・・判定部
１１０・・・表示部
１１１・・・解析条件格納部
２０１・・・部品名
２０２・・・部品の位置情報
２０３・・・部品の形状特徴
２０４・・・部品データ
２０５・・・部品間の関係データ
３０１・・・解析結果データ（解析結果）
３０２・・・格子点座標
３０３・・・格子点での物理量に関するデータ
３０４・・・解析条件（解析結果）
４０１・・・ＣＡＤデータ
４０２・・・第１ニューラルネットワーク
４０３・・・入力ノード
４０４・・・中間ノード
４０５・・・出力ノード
４０６・・・出力結果
４０７・・・解析結果
４０８・・・重み係数（学習重み）
５０１・・・ＣＡＤデータ（新規ＣＡＤデータ）
５０２・・・第２ニューラルネットワーク
５０３・・・入力ノード
５０４・・・中間ノード
５０５・・・出力ノード
５０６・・・出力予測値
５０７・・・重み係数（学習重み）
７０１・・・表示画面
７０２・・・第１表示領域
７０２ａ・・・形状パラメータ階層表示領域
７０３・・・第２表示領域
８０１・・・表示画面
８０２・・・第３表示領域
８０３・・・第４表示領域

Claims (16)

1. 過去のＣＡＤデータに対する解析結果データを、前記過去のＣＡＤデータを構成する複数の形状パラメータ及び解析条件と紐付けて格納するデータベースと、
   前記複数の形状パラメータ及び前記解析条件を教師データとして学習する学習部を、備え、
   新たに入力されるＣＡＤデータを構成する形状パラメータ及び解析条件に対応する解析結果が前記データベースに格納されている場合、前記新たに入力されたＣＡＤデータに対する解析処理をスキップする解析処理実行判定部を有することを特徴とする設計支援装置。
2. 請求項１に記載の設計支援装置において、
   前記解析条件は、少なくとも解析目的、格子点座標、及び前記格子点座標における物理量のうちいずれか一つであることを特徴とする設計支援装置。
3. 請求項２に記載の設計支援装置において、
   前記形状パラメータは、少なくも前記ＣＡＤデータを構成する部品の位置、厚さ又は長さ等の形状特徴、及びこれら部品間の接続関係に関する情報のうちいずれか一つであることを特徴とする設計支援装置。
4. 請求項３に記載の設計支援装置において、
   前記解析処理実行判定部は、前記解析条件に含まれる前記格子点座標における物理量が予め設定された閾値以内の場合、前記新たに入力されたＣＡＤデータに対する解析処理をスキップすることを特徴とする設計支援装置。
5. 請求項４に記載の設計支援装置において、
   前記学習部は第１ニューラルネットワークを有し、
   前記解析処理実行判定部は第２ニューラルネットワークを備え、
   前記教師データによる学習にて得られる前記第１ニューラルネットワークの重み係数を格納する学習結果データベースを有することを特徴とする設計支援装置。
6. 請求項５に記載の設計支援装置において、
   前記学習結果データベースに格納される重み係数は、前記過去のＣＡＤデータを構成する形状パラメータ毎に紐付けて格納され、
   前記解析処理実行判定部は、前記学習結果データベースに格納される重み係数及び前記第２ニューラルネットワークにより、前記新たに入力されるＣＡＤデータを構成する形状パラメータに対応する解析結果の出力予測値を出力することを特徴とする設計支援装置。
7. 複数の形状パラメータを有し、過去に解析処理されたＣＡＤデータを格納するＣＡＤデータベースと、
   過去に入力されたＣＡＤデータに対する解析結果データを格納する解析結果データベースと、
   前記解析結果データベースに格納される解析結果データに含まれる解析条件と、当該解析結果データに対応するＣＡＤデータを構成する複数の形状パラメータと、を教師データとして学習する学習部と、
   前記学習部による学習結果として得られる重み係数を格納する学習結果データベースと、
   少なくとも、新たに入力されるＣＡＤデータに対する解析処理の要否を判定するためのルールを予め格納する解析条件格納部を備え、
   新たに入力されるＣＡＤデータから複数の形状パラメータを抽出し、当該抽出された形状パラメータと前記学習結果データベースに格納される重み係数に基づき解析結果の出力予測値を得ると共に、前記得られた解析結果の出力予測値が前記ルールを満たすか否かを判定する判定部を有し、
   前記判定部は、判定結果を表示部の画面上に表示又は、前記ルールを満たす解析結果の出力予測値に対応する前記新たに入力されるＣＡＤデータに対する解析処理をスキップすることを特徴とする設計支援装置。
8. 請求項７に記載の設計支援装置において、
   前記解析条件は、少なくとも解析目的、格子点座標、及び前記格子点座標における物理量のうちいずれか一つであることを特徴とする設計支援装置。
9. 請求項８に記載の設計支援装置において、
   前記解析条件格納部は、少なくとも前記格子点座標における物理量を解析条件として格納すると共に、前記ルールは前記物理量毎に予め設定された閾値を有し、
   前記判定部は、前記解析結果の出力予測値が前記物理量毎に予め設定された閾値以内の場合、対応する解析処理をスキップすることを特徴とする設計支援装置。
10. 請求項８に記載の設計支援装置において、
    前記解析条件格納部は、少なくとも前記格子点座標における物理量を解析条件として格納すると共に、前記ルールは前記物理量毎に予め設定された閾値を有し、
    前記判定部は、前記解析結果の出力予測値が前記物理量毎に予め設定された閾値以内の場合、前記表示部の画面上に前記判定結果と共に前記解析結果の出力予測値を表示することを特徴とする設計支援装置。
11. 請求項８に記載の設計支援装置において、
    前記学習部は第１ニューラルネットワークを有し、
    前記判定部は第２ニューラルネットワークを備え、
    前記学習部は、前記教師データによる学習にて得られる前記第１ニューラルネットワークの重み係数を前記学習結果データベースに格納することを特徴とする設計支援装置。
12. 請求項１１に記載の設計支援装置において、
    前記学習結果データベースに格納される重み係数は、前記ＣＡＤデータを構成する形状パラメータ毎に紐付けて格納されることを特徴とする設計支援装置。
13. 請求項１１に記載の設計支援装置において、
    前記判定部は、前記学習結果データベースに格納される重み係数及び前記第２ニューラルネットワークにより、前記新たに入力されるＣＡＤデータを構成する形状パラメータに対応する解析結果の出力予測値を出力することを特徴とする設計支援装置。
14. 請求項８に記載の設計支援装置において、
    前記表示部の画面上に、前記ＣＡＤデータベースに格納されるＣＡＤデータを表示する第１表示領域と、前記解析結果データベースに格納され前記第１表示領域に表示される前記ＣＡＤデータに対する解析結果データを表示する第２表示領域を有し、前記第１表示領域は、更に前記ＣＡＤデータを構成する複数の形状パラメータを階層的に表示する階層表示領域を備え、前記階層表示領域内の任意の形状パラメータへの指定入力を受け付け、当該指定された形状パラメータを前記教師データとして抽出することを特徴とする設計支援装置。
15. 請求項１４に記載の設計支援装置において、
    前記教師データとして抽出された形状パラメータを、前記第１表示領域内に表示される前記ＣＡＤデータを構成する他の形状パラメータと識別可能に表示することを特徴とする設計支援装置。
16. 請求項１０に記載の設計支援装置において、
    前記表示部の画面上に、新たに入力されるＣＡＤデータを表示する第３表示領域と、前記解析結果の出力予測値が前記物理量毎に予め設定された閾値以内であることを示す情報を表示する第４表示領域を備え、
    前記判定部は、前記解析結果の出力予測値が前記物理量毎に予め設定された閾値以内の場合、前記表示部の画面上に前記解析結果の出力予測値が前記物理量毎に予め設定された閾値以内であることを示す情報と共に前記解析結果の出力予測値を前記第４表示領域に表示することを特徴とする設計支援装置。

Images