JP2021026608A - 物性データ予測方法及び物性データ予測装置 - Google Patents
物性データ予測方法及び物性データ予測装置 Download PDFInfo
- Publication number
- JP2021026608A JP2021026608A JP2019145528A JP2019145528A JP2021026608A JP 2021026608 A JP2021026608 A JP 2021026608A JP 2019145528 A JP2019145528 A JP 2019145528A JP 2019145528 A JP2019145528 A JP 2019145528A JP 2021026608 A JP2021026608 A JP 2021026608A
- Authority
- JP
- Japan
- Prior art keywords
- physical property
- rubber composition
- data
- property data
- value
- 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.)
- Granted
Links
- 230000000704 physical effect Effects 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims description 28
- 239000000203 mixture Substances 0.000 claims abstract description 187
- 239000004636 vulcanized rubber Substances 0.000 claims abstract description 128
- 238000002156 mixing Methods 0.000 claims abstract description 85
- 229920001971 elastomer Polymers 0.000 claims abstract description 71
- 239000005060 rubber Substances 0.000 claims abstract description 71
- 239000002994 raw material Substances 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000013329 compounding Methods 0.000 claims description 28
- 238000004073 vulcanization Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000000470 constituent Substances 0.000 claims description 5
- 239000000463 material Substances 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 description 8
- 239000000945 filler Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 4
- 239000003921 oil Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 241001441571 Hiodontidae Species 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000377 silicon dioxide Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 244000043261 Hevea brasiliensis Species 0.000 description 1
- 101001139126 Homo sapiens Krueppel-like factor 6 Proteins 0.000 description 1
- 101000661816 Homo sapiens Suppression of tumorigenicity 18 protein Proteins 0.000 description 1
- 101000661807 Homo sapiens Suppressor of tumorigenicity 14 protein Proteins 0.000 description 1
- 239000005062 Polybutadiene Substances 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000006229 carbon black Substances 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009661 fatigue test Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 108090000237 interleukin-24 Proteins 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229920003052 natural elastomer Polymers 0.000 description 1
- 229920001194 natural rubber Polymers 0.000 description 1
- 239000004014 plasticizer Substances 0.000 description 1
- 229920002857 polybutadiene Polymers 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 229920003048 styrene butadiene rubber Polymers 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
Description
従来より、複数のゴム材料、充填材、及びオイル等を試行錯誤により配合して加硫ゴム組成物を試作して物性データを実験して計測することが行われている。このため、加硫ゴム組成物の配合情報と物性データの値とを紐付けたデータは多数蓄積されている。この蓄積データを活用して、コンピュータに機械学習させて、物性データの値を予測することができる。
したがって、本来、同一の加硫ゴム組成物であっても、配合比率の情報と物性データの値が異なって学習データに含まれることは、機械学習した予測モデルから予測対象加硫ゴム組成物の物性データの値を精度よく予測する上で好ましくない。
加硫ゴム組成物に用いる複数の原材料を用いて作製された複数の加硫ゴム組成物に関する物性データの値を学習用出力データとし、前記加硫ゴム組成物における前記原材料それぞれの前記配合比率の情報と、前記加硫ゴム組成物の加工条件の情報と、を学習用入力データとする学習データを用いて、前記物性データと前記配合率及び前記加工条件との間の関係をコンピュータ内の予測モデルに機械学習させるステップと、
予測対象加硫ゴム組成物の加硫前の未加硫ゴム組成物を構成する構成原材料の配合比率の情報と、前記予測対象加硫ゴム組成物を作製するための加工における加工条件と、を用いて、前記予測対象加硫ゴム組成物の物性データの値を前記予測モデルに予測させるステップと、
前記予測モデルに機械学習させる前に、前記物性データの値と、前記原材料それぞれの前記配合比率の情報及び前記加工条件の情報とを組として、複数の前記加硫ゴム組成物の組を含んだオリジナルデータを取得し、前記オリジナルデータ中の加硫ゴム組成物における配合比率の情報及び該情報に対応する加硫ゴム組成物における物性データの値が、前記オリジナルデータ中の他のいずれかの加硫ゴム組成物における配合比率の情報及び該情報に対応する物性データの値と同一とみなされる条件を満足するか否かを判定することにより、前記条件を満足する加硫ゴム組成物の群を少なくとも1つ抽出し、抽出した前記加硫ゴム組成物の群における前記物性データの値を1つの値に統一することにより、前記オリジナルデータから前記学習用出力データを作成するステップと、を備える。
前記物性データの値が同一とみなされる条件は、前記配合比率の情報が同一とみなされる条件を満足する加硫ゴム組成物の総数に対して0より大きく1以下の所定の数を乗算した値を設定数とし、前記加硫ゴム組成物の群の総数が、前記設定数になるように、前記物性データの値が同一とみなされる条件を設定する、ことが好ましい。
加硫ゴム組成物に用いる複数の原材料を、設定された配合比率で配合し、設定された加工条件で加工することにより作製される複数の加硫ゴム組成物に関する物性データの値を学習用出力データとし、前記加硫ゴム組成物における前記原材料それぞれの前記配合比率の情報と、前記加工条件のそれぞれの情報と、を学習用入力データとする学習データを用いて、前記物性データの値を予測モデルに機械学習させる機械学習部と、
予測対象加硫ゴム組成物の加硫前の未加硫ゴム組成物を構成する構成原材料の配合比率の情報と、前記予測対象加硫ゴム組成物を作製するための加工における加工条件と、を用いて、前記予測対象加硫ゴム組成物の物性データの値を予測する予測モデルを備える予測部と、
前記予測モデルに機械学習させる前に、前記物性データの値と、前記原材料それぞれの前記配合比率の情報及び前記加工条件の情報とを組として、複数の前記加硫ゴム組成物における前記組を含んだオリジナルデータを用意し、前記オリジナルデータ中の加硫ゴム組成物における配合比率の情報及び該情報に対応する加硫ゴム組成物における物性データの値が、前記オリジナルデータ中の他のいずれかの加硫ゴム組成物における配合比率の情報及び該情報に対応する物性データの値と同一とみなされる条件を満足するか否かを判定することにより、前記条件を満足する加硫ゴム組成物の群を抽出し、抽出した前記加硫ゴム組成物の群における物性データの値を1つの値に統一することにより、前記オリジナルデータから前記学習用出力データを作成する前処理部と、
を備える。
図1は、コンピュータの物性データ予測方法の一例を示す図である。図2は、物性データ予測方法を行う一実施形態の物性データ予測装置の主な構成の一例を示す図である。物性データ予測装置100は、CPU102及びメモリ104を備えるコンピュータで構成される。物性データ予測装置100は、メモリ104に記憶するプログラムを起動することにより、機能を発揮する前処理部106、機械学習部108、及び予測部110をソフトウェアモジュールとして少なくとも形成する。物性データ予測装置100は、図示されないディスプレイと接続され、さらに、マウス及びキーボードを含む入力操作デバイスと接続されている。
加硫ゴム組成物は、原材料A〜Dと1つの物性データの値が示されている。ここで、原材料A,Bは、例えば、異なるゴム材料であり、原材料C,Dは、例えばカーボンやシリカ等のフィラー材である。この他に、加硫促進剤やオイル等の可塑剤を原材料として加えることができる。
これに対して、加硫ゴム組成物No.2における配合比率は、加硫ゴム組成物No.1における配合比率とやや異なり、物性データの値も、加硫ゴム組成物No.1における配合比率とやや相違する。同様に、加硫ゴム組成物No.3,4における配合比率及び物性データの値も、加硫ゴム組成物No.1,2における配合比率及び物性データの値とやや相違する。
図3(b)に示す加硫ゴム組成物No.1及びNo.2が、同一とみなされる加硫ゴム組成物の群である。ここで、配合比率に関する同一とみなされる条件と、物性データの値に関する同一とみなされる条件は互いに異なり、一例として、配合比率に関する同一とみなされる条件は、対応する配合比率同士の比が0.95〜1.05の範囲にあるとし、物性データの値に関する同一とみなされる条件は、物性データの値同士の比が0.93〜1.07の範囲にあるとして、以下説明する。なお、配合比率に関する同一とみなされる条件は、対応する配合比率同士の比が0.97〜1.03の範囲にあることがより好ましい。物性データの値同士の比が0.95〜1.05の範囲にあることがより好ましい。
図3(a)に示す硫ゴム組成物No.1と加硫ゴム組成物No.2は、互いに、対応する配合比率同士の比が同一とみなされる条件(比が0.95〜1.05)を満足する。しかし、加硫ゴム組成物No.3は、加硫ゴム組成物No.1に対して、対応する配合比率同士の比が同一とみなされる条件(比が0.95〜1.05)を満足しない。具体的には、加硫ゴム組成物No.3の原材料Bの配合率0.370の、加硫ゴム組成物No.1の原材料Bの配合率0.350に対する比は1.057となっている。加硫ゴム組成物No.3の原材料Bの配合率0.370の、加硫ゴム組成物No.2の原材料Bの配合率0.362に対する比が0.95〜1.05の範囲内にあるとしても、加硫ゴム組成物No.1及びNo.2の群と同一とみなされる条件を満足しない。
一方、加硫ゴム組成物No.4は、加硫ゴム組成物No.1,2に対して、対応する配合比率同士の比が同一とみなされる条件(比が0.95〜1.05)を満足するが、加硫ゴム組成物No.1に対して、対応する物性データの値の比が1.08となっており、物性データの値に関する同一とみなされる条件(比が0.93〜1.07)を満足しない。
このため、同一とみなされる条件を満足する加硫ゴム組成物は、No.1とNo.2になる。
このような同一とみなされる条件を満足する加硫ゴム組成物の群は、あらかじめクラスター分析を用いながら、同一とみなされる条件に基づいて、同一とみなされる条件を満足する加硫ゴム組成物の群を設定することができる。
このように抽出された加硫ゴム組成物No.1、No2の物性データの値は、1つの値に統一される。このとき、配合率は統一しない。図3(b)に示す例では、加硫ゴム組成物No.1、No2の物性データの値の平均値10.3(=(10.0+10.5)/2)に統一される。
このようにして同一とみなされる加硫ゴム組成物の群の物性データの値は1つの値に統一されて学習用データが作成される。
第1の範囲は、0.95〜1.05の範囲内にあることが好ましい。この範囲内に第1の範囲を設定することにより、基準とする加硫ゴム組成物を精度よく抽出することができる。
タイヤに用いるトレッドゴムを加硫ゴム組成物として、上述の物性データ予測方法を行って、その効果を確認した。
トレッドゴムのオリジナルデータの配合比率は、ゴム原材料として、ブタジエンゴム、スチレンブタジエンゴム、天然ゴムを少なくとも含むゴム原材料の配合比率、フィラー原材料として、比表面積が異なる50種類のカーボンブラック、及び、比表面積が異なる30種類のシリカを少なくとも含むフィラー原材料の配合比率、加硫促進剤として、20種類の加硫促進剤の配合比率、可塑剤としてオイルや樹脂を少なくとも含む200種類の可塑剤の配合比率を含んでいる。
オリジナルデータは、加硫ゴム組成物の配合比率及び加工条件の情報と物性データの値との組を30000セット含んでいる。
物性データは、20℃おける2%伸張時の弾性率、及び20℃における周波数20Hzのtanδ(損失正接)を含んでいる。
一方、比較例として、前処理をせずに、オリジナルデータを学習用データとして、予測部110の予測モデルに機械学習をさせた。
これより、上述の物性データ予測方法では、加硫ゴム組成物の物性データの値を、コンピュータに予測させる際に、精度よく加硫ゴム組成物の物性データの値を予測させることができることがわかる。
102 CPU
104 メモリ
106 前処理部
108 機械学習部
110 予測部
Claims (7)
- 予め設定された複数の原材料を組み合わせて配合した未加硫ゴム組成物から作製される加硫ゴム組成物の物性データの値を、コンピュータに予測させる物性データ予測方法であって、
加硫ゴム組成物に用いる複数の原材料を用いて作製された複数の加硫ゴム組成物に関する物性データの値を学習用出力データとし、前記加硫ゴム組成物における前記原材料それぞれの前記配合比率の情報と、前記加硫ゴム組成物の加工条件の情報と、を学習用入力データとする学習データを用いて、前記物性データと前記配合率及び前記加工条件との間の関係をコンピュータ内の予測モデルに機械学習させるステップと、
予測対象加硫ゴム組成物の加硫前の未加硫ゴム組成物を構成する構成原材料の配合比率の情報と、前記予測対象加硫ゴム組成物を作製するための加工における加工条件と、を用いて、前記予測対象加硫ゴム組成物の物性データの値を前記予測モデルに予測させるステップと、
前記予測モデルに機械学習させる前に、前記物性データの値と、前記原材料それぞれの前記配合比率の情報及び前記加工条件の情報とを組として、複数の前記加硫ゴム組成物の組を含んだオリジナルデータを取得し、前記オリジナルデータ中の加硫ゴム組成物における配合比率の情報及び該情報に対応する加硫ゴム組成物における物性データの値が、前記オリジナルデータ中の他のいずれかの加硫ゴム組成物における配合比率の情報及び該情報に対応する物性データの値と同一とみなされる条件を満足するか否かを判定することにより、前記条件を満足する加硫ゴム組成物の群を少なくとも1つ抽出し、抽出した前記加硫ゴム組成物の群における前記物性データの値を1つの値に統一することにより、前記オリジナルデータから前記学習用出力データを作成するステップと、を備える、
ことを特徴とする物性データ予測方法。 - 抽出された前記加硫ゴム組成物の群において、いずれの加硫ゴム組成物の対についても、前記対における対応する配合比率同士の値の比は、第1の範囲内にあり、前記対における対応する物性データ同士の値の比は、第2の範囲内にあり、前記第1の範囲と前記第2の範囲は異なる、請求項1に記載の物性データ予測方法。
- 前記第1の範囲は、前記第2の範囲よりも狭い、請求項2に記載の物性データ予測方法。
- 前記第1の範囲は、0.95〜1.05の範囲内にある、請求項2または3に記載の物性データ予測方法。
- 前記条件は、配合比率の情報が同一とみなされる条件と、物性データの値が同一とみなされる条件と、を含み、
前記物性データの値が同一とみなされる条件は、前記配合比率の情報が同一とみなされる条件を満足する加硫ゴム組成物の総数に対して0より大きく1以下の所定の数を乗算した値を設定数とし、前記加硫ゴム組成物の群の総数が、前記設定数になるように、前記物性データの値が同一とみなされる条件を設定する、請求項1〜4のいずれか1項に記載の物性データ予測方法。 - 前記物性データの値として統一する値は、前記加硫ゴム組成物の群における前記物性データの値の平均値あるいは中間値である、請求項1〜5のいずれか1項に記載の物性データ予測方法。
- 予め設定された複数の原材料を組み合わせて配合した未加硫ゴム組成物から作製される加硫ゴム組成物の物性データの値を予測する、コンピュータで構成された物性データ予測装置であって、
加硫ゴム組成物に用いる複数の原材料を、設定された配合比率で配合し、設定された加工条件で加工することにより作製される複数の加硫ゴム組成物に関する物性データの値を学習用出力データとし、前記加硫ゴム組成物における前記原材料それぞれの前記配合比率の情報と、前記加工条件のそれぞれの情報と、を学習用入力データとする学習データを用いて、前記物性データの値を予測モデルに機械学習させる機械学習部と、
予測対象加硫ゴム組成物の加硫前の未加硫ゴム組成物を構成する構成原材料の配合比率の情報と、前記予測対象加硫ゴム組成物を作製するための加工における加工条件と、を用いて、前記予測対象加硫ゴム組成物の物性データの値を予測する予測モデルを備える予測部と、
前記予測モデルに機械学習させる前に、前記物性データの値と、前記原材料それぞれの前記配合比率の情報及び前記加工条件の情報とを組として、複数の前記加硫ゴム組成物における前記組を含んだオリジナルデータを用意し、前記オリジナルデータ中の加硫ゴム組成物における配合比率の情報及び該情報に対応する加硫ゴム組成物における物性データの値が、前記オリジナルデータ中の他のいずれかの加硫ゴム組成物における配合比率の情報及び該情報に対応する物性データの値と同一とみなされる条件を満足するか否かを判定することにより、前記条件を満足する加硫ゴム組成物の群を抽出し、抽出した前記加硫ゴム組成物の群における物性データの値を1つの値に統一することにより、前記オリジナルデータから前記学習用出力データを作成する前処理部と、
を備えることを特徴とする物性データ予測装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019145528A JP7348488B2 (ja) | 2019-08-07 | 2019-08-07 | 物性データ予測方法及び物性データ予測装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019145528A JP7348488B2 (ja) | 2019-08-07 | 2019-08-07 | 物性データ予測方法及び物性データ予測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021026608A true JP2021026608A (ja) | 2021-02-22 |
JP7348488B2 JP7348488B2 (ja) | 2023-09-21 |
Family
ID=74663113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019145528A Active JP7348488B2 (ja) | 2019-08-07 | 2019-08-07 | 物性データ予測方法及び物性データ予測装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7348488B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT202100030077A1 (it) * | 2021-11-29 | 2023-05-29 | Bridgestone Europe Nv Sa | Metodo predittivo basato su machine learning per lo sviluppo di composti per mescole di battistrada per pneumatici |
JP7397949B1 (ja) * | 2022-11-11 | 2023-12-13 | 住友化学株式会社 | 学習装置及び予測装置 |
Citations (6)
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 |
JP2003058582A (ja) * | 2001-08-21 | 2003-02-28 | Bridgestone Corp | 設計・配合のシミュレーションシステム |
JP2017188032A (ja) * | 2016-04-08 | 2017-10-12 | 住友ゴム工業株式会社 | ポリマー組成物の性能の予測方法 |
JP2019016025A (ja) * | 2017-07-04 | 2019-01-31 | 株式会社日立製作所 | 情報処理システム |
WO2019048965A1 (ja) * | 2017-09-06 | 2019-03-14 | 株式会社半導体エネルギー研究所 | 物性予測方法および物性予測システム |
JP2019086817A (ja) * | 2017-11-01 | 2019-06-06 | 株式会社日立製作所 | 設計支援装置及び設計支援方法 |
-
2019
- 2019-08-07 JP JP2019145528A patent/JP7348488B2/ja active Active
Patent Citations (6)
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 |
JP2003058582A (ja) * | 2001-08-21 | 2003-02-28 | Bridgestone Corp | 設計・配合のシミュレーションシステム |
JP2017188032A (ja) * | 2016-04-08 | 2017-10-12 | 住友ゴム工業株式会社 | ポリマー組成物の性能の予測方法 |
JP2019016025A (ja) * | 2017-07-04 | 2019-01-31 | 株式会社日立製作所 | 情報処理システム |
WO2019048965A1 (ja) * | 2017-09-06 | 2019-03-14 | 株式会社半導体エネルギー研究所 | 物性予測方法および物性予測システム |
JP2019086817A (ja) * | 2017-11-01 | 2019-06-06 | 株式会社日立製作所 | 設計支援装置及び設計支援方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT202100030077A1 (it) * | 2021-11-29 | 2023-05-29 | Bridgestone Europe Nv Sa | Metodo predittivo basato su machine learning per lo sviluppo di composti per mescole di battistrada per pneumatici |
WO2023095101A1 (en) * | 2021-11-29 | 2023-06-01 | Bridgestone Europe Nv/Sa | Predictive method based upon machine learning for the development of composites for tyre tread compounds |
JP7397949B1 (ja) * | 2022-11-11 | 2023-12-13 | 住友化学株式会社 | 学習装置及び予測装置 |
Also Published As
Publication number | Publication date |
---|---|
JP7348488B2 (ja) | 2023-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020038495A (ja) | 物性データ予測方法及び物性データ予測装置 | |
CN108237669A (zh) | 用于调节成型机的方法 | |
US9990450B2 (en) | Simulation method for high polymer material | |
WO2021079985A1 (ja) | 特性予測装置 | |
JP6953926B2 (ja) | ゴム状弾性体の性能の予測方法 | |
Ghoreishy et al. | Modeling the hyperviscoelastic behavior of a tire tread compound reinforced by silica and carbon black | |
JP2021026608A (ja) | 物性データ予測方法及び物性データ予測装置 | |
US9134292B2 (en) | Method for simulating rubber material | |
JP2020038493A (ja) | 物性データ予測方法及び物性データ予測装置 | |
JP2022088015A (ja) | 物性予測システム、物性予測装置、及び物性予測方法 | |
Grellmann et al. | Fracture mechanics and statistical mechanics of reinforced elastomeric blends | |
JP2020030683A (ja) | ゴム材料設計方法、ゴム材料設計装置、及びプログラム | |
JP6492440B2 (ja) | 特定物質の解析結果の評価方法、特定物質の解析結果の評価用コンピュータプログラム、特定物質の解析方法、特定物質のシミュレーション方法及び特定物質のシミュレーション用コンピュータプログラム | |
JP7352079B2 (ja) | 物性データ予測方法及び物性データ予測装置 | |
EP4383263A1 (en) | Device for simulating viscoelastic property of polymer composite material | |
JP2022500527A (ja) | ポリマー製品の製造に関する予測を改善するための方法 | |
JP7348489B2 (ja) | 物性データ予測方法及び装置物性データ予測装置 | |
JP2020030680A (ja) | ゴム材料設計方法、ゴム材料設計装置、及びプログラム | |
WO2023095008A1 (en) | Predictive method based upon machine learning for the development of composites for tyre tread compounds | |
EP4078299A1 (en) | Manufacturing or controlling a technical system using an optimized parameter set | |
Romano | Advanced experimental investigations and finite element analysis of rubber friction on model surfaces and rough substrates | |
Cruz et al. | Artificial neural network modeling for predicting the carbon black content derived from unserviceable tires for elastomeric composite production | |
JP2022123344A (ja) | ゴム配合の設計方法およびシステム | |
JP7360016B2 (ja) | データ処理方法、データ処理装置、及びプログラム | |
JP2022101852A (ja) | 解析システム、解析装置、及び解析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220706 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230508 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230606 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230712 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230808 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230821 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7348488 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |