JP2021026608A - 物性データ予測方法及び物性データ予測装置 - Google Patents

Abstract

【課題】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、原材料毎の配合比率を用いて精度よく予測する。【解決手段】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コンピュータ内の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、前記原材料の配合比率の情報及び前記加工条件の情報とを組として、複数の組を含んだオリジナルデータを取得し、この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物性データの値が他の組と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学習用出力データを作成する。【選択図】図１

Description

本発明は、加硫ゴム組成物の物性データの値を予測する物性データ予測方法及び物性データ予測装置に関する。

近年、コンピュータに機械学習をさせて、入力されたデータから種々の予測を行う技術が活発に提案されている。複数のゴム材料、充填材、及びオイル等を原材料として配合して作製される加硫ゴム組成物についても、その物性データの値を予測することを、上記技術に適用することが考えられる。
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。

例えば、ニューラルネットワークの手法を用いて、設計・配合等の実験データの要因群と特性群との写像関係を学習し、要因条件から特性値を推定するとともに、任意の特性データに対して、それを作り出す要因データの最適値を効率的にかつ容易に求める方法を提供する技術が知られている（特許文献１）。

特開２００３−５８５８２号公報

この技術におけるニューラルネットワークの学習では、用意したデータを全て一律に読み取って複数の学習データに用いる。例えば、複数の学習データとして、加硫ゴム組成物の原材料の配合比率の情報と物性データの値とを紐付けた多数の蓄積された実験データセットが用いられる。この蓄積された実験データセットは、実験の日時が異なる多数のデータを集めたものである。実験データでは、実験する度に、基準となる加硫ゴム組成物の配合比率の情報と物性データの値を比較のための基準として、基準となる加硫ゴム組成物の配合比率から配合比率を変更した検討対象の加硫ゴム組成物の物性データの値を取得することが通常行われる。このため、複数の学習データには、基準となる加硫ゴム組成物の配合比率の情報と物性データの値の組が多数存在する。

しかし、基準となる加硫ゴム組成物の配合比率の情報と物性データの値は、必ずしも常に一定とは限らず、変動する。基準となる加硫ゴム組成物における配合比率は、予め設定された範囲にあるものの、過去の配合比率と現在の配合比率では、ばらつく場合もある。物性データの値についても、実験により取得されるデータであるため、日時等が異なることによりばらつきがある。
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。

そこで、本発明は、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物性データ予測方法及び物性データ予測装置を提供することを目的とする。

本発明の一態様は、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る。当該予測方法は、
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。

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、ことが好ましい。

前記第１の範囲は、前記第２の範囲よりも狭い、ことが好ましい。

前記第１の範囲は、０．９５〜１．０５の範囲内にある、ことが好ましい。

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、ことが好ましい。

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、ことが好ましい。

本発明の他の一態様は、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る。当該物性データ予測装置は、
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。

上述の物性データ予測方法及び物性データ予測装置によれば、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。

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。 一実施形態の物性データ予測装置の主な構成の一例を説明する図である。 （ａ），（ｂ）は、一実施形態の物性データ予測方法で用いるそれぞれの原材料を説明する図である。

以下、一実施形態の物性データ予測方法及び装置物性データ予測装置について詳細に説明する。

一実施形態の物性データ予測方法は、コンピュータに、複数の加硫ゴム組成物に関する物性データの値と要因データとの関連付けを機械学習させ、機械学習したコンピュータの予測モデルを用いて、予測対象加硫ゴム組成物の物性データの値を予測する方法である。
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。

物性データ予測装置１００の前処理部１０６は、機械学習のために、図１に示すように、加硫ゴム組成の物性データの値と、加硫ゴム組成物を構成する原材料それぞれの配合比率の情報及び加工条件の情報とを組として、複数の加硫ゴム組成物の組を含んだオリジナルデータを取得する（図１ ＳＴ１０）。オリジナルデータは、メモリ１０４に記憶保持されている。オリジナルデータは、加硫ゴム組成物の情報（配合比率及び加工条件）と対応させて、実験により得られた物性データの値を含む実験データを多数蓄積保存したデータライブラリから、物性データ予測装置１００に転送されたものであってもよい。

配合比率の情報は、加硫ゴム組成物における原材料それぞれの名称と、原材料それぞれの配合比率を含む。加工条件とは、例えば、未加硫ゴムを含む原材料を混ぜる混合機械装置の種類、混合する際の温度、混合する機械の混合回転数、混合圧力、及び、混合する機械への原材料の投入量合計量、を少なくとも１つ含む混合処理条件、あるいは、混合した未加硫ゴムを加硫するときの加硫温度、加硫時間、を少なくとも１つ含む加硫条件を含む。加硫ゴム組成物に関する物性データは、例えば、ゴム弾性、ｔａｎδ、比重、ムーニービス粘度、ムーニースコーチ、レオメータ測定結果、リュプケＪＩＳ硬度、モジュラス、破断強度、破断エネルギ、フィラー分散度、反撥弾性係数、定歪試験結果、摩耗試験結果、疲労試験結果、及びクラック成長特性の少なくとも１つを含む。

次に、前処理部１０６は、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この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、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この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（図１ ＳＴ１２）。これにより、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抽出する。同一とみなされる条件は、物性データ予測装置１００を操作するオペレータから、図示されない入力操作デバイスにより入力されて設定することができる。判定の結果として、同一とみなされる条件を満足する加硫ゴム組成物の群の情報（配合比率、物性データ）が図示されないディスプレイに画面表示される。

同一とみなされる条件を満足するか否かの判定では、配合比率の情報と物性データの値を纏めて同一か否かを判定してもよいが、配合比率の情報が同一であるか否かの判定と、物性データの値が同一であるか否かの判定を別々に行ってもよい。配合比率の情報について同一とみなされる条件は、例えば配合比率が複数あり、比較する配合比率同士の比がいずれも所定の範囲内にあることとしてもよいし、比較する配合比率同士の相関係数を算出して、この相関係数が所定の値以上であることとしてもよい。物性データの値の同一とみなされる条件は、物性データが１つの場合、比較する物性データの値同士の比が所定の範囲内にあることとしてもよく、物性データが複数ある場合、比較する物性データの値同士の比がいずれも所定の範囲内にあることとしてもよいし、比較する物性データの値同士の相関係数を算出して、この相関係数が所定の値以上であることとしてもよい。配合比率の情報及び物性データの値の同一とみなされる条件は、比較する配合比率及び物性データの値同士の比がいずれも所定の範囲内にあることとしてもよいし、比較する配合比率同士及び物性データの値同士の相関係数を算出して、この相関係数が所定の値以上であることとしてもよい。

次に、前処理部１０６は、抽出した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、オリジナルデータから学習用出力データを作成する（図１ ＳＴ１４）。統一する物性データの値は、例えば、同一とみなされる条件を満足する加硫ゴム組成物における物性データの代表値であって、平均値あるいは中間値が挙げられる。

この後、機械学習部１０８は、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、加硫ゴム組成物における原材料それぞれの配合比率の情報と、加工条件それぞれの情報と、を学習用入力データとする学習データを用いて、配合比率の情報及び加工条件の情報と、物性データの値との間の関係を、コンピュータ内の予測部１１０内にある予測モデルに機械学習させる（図１ ＳＴ１６）。予測モデルの機械学習として、例えば、ニューラルネットワークによる深層学習（ディープラーニング）が用いられる。また、木構造を利用したランダムフォレストを用いることができる。モデルは、畳み込むニューラルネットワーク、スタッグドオートエンコーダ等、公知のモデルを用いることができる。こうして、予測モデルの機械学習は完了する。

次に、予測部１１０は、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、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、予測対象加硫ゴム組成物の物性データを予測モデルに予測させる（図１ ＳＴ１８）。

このように、予測モデルが機械学習をするときの学習用データは、オリジナルデータそのものではなく、オリジナルデータ中で加硫ゴム組成物における配合比率の情報及びこの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、互いに同一とみなされる条件を満足する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作成されたデータである。これにより、本来同一と見なされるべき加硫ゴム組成物の物性データの値は、１つの値に統一されるので、機械学習した予測部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ことができる。

図３（ａ）は、オリジナルデータの一部分を簡略化して記載した一例を示す図である。図３（ａ）に示すように、加硫ゴム組成物として、Ｎｏ．１〜Ｎｏ．４が示されている。
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。

加硫ゴム組成物Ｎｏ．１の原材料Ａの重量基準の配合率は、全重量を１として、０．４３０であり、加硫ゴム組成物Ｎｏ．１の原材料Ｂの重量基準の配合率は０．３５０を意味している。

物性データは、例えば所定の温度における所定の伸張時におけるゴム弾性率である。図３（ａ）に示す例では、１つの物性データを備えるが、複数の物性データを備えてもよい。加硫ゴム組成物Ｎｏ．１における物性データの値は１０．０であることを示している。
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）は、オリジナルデータから学習用データとして抽出した一例を示す図である。
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。

なお、実際のオリジナルデータでは、日時を変えて実験を行うことにより得られる基準となる加硫ゴム組成物の物性データの値は変動し、また、原材料の配合比率も変動するが、元来、同じ加硫ゴム組成物として実験を行っているので、物性データの値及び配合比率は、ばらつきはあるものの、ある値を中心にその周りに分布する。このため、本来同一とされる１つの加硫ゴム組成物に対して、同一とみなされる条件を満足する加硫ゴム組成物の群が１つのグループとして作成され、複数のグループが作成されることはない。
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。

このように、学習用データは、オリジナルデータそのものではなく、オリジナルデータ中で加硫ゴム組成物における配合比率の情報及びこの情報に対応する物性データの値が、互いに同一とみなされる条件を満足する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作成されたデータである。したがって、基準となる加硫ゴム組成物の配合比率の情報及び物性データの値の変動を抑えた学習用データを得ることができ、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ことができる。特に、物性データの値を１つの値に統一することで、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ことができる。

上述したように、比較対象の加硫ゴム組成物同士を同一とみなす条件が、配合率に関する条件と物性データの値に関する条件とを別々に設ける場合、抽出された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、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の値同士の値の比は、第２の範囲内にある場合、第１の範囲と前記第２の範囲は異なるように設定されることが好ましい。加硫ゴム組成物の配合比率のばらつきと、物性データの値のばらつきとは、異なる場合が多く、ばらつきの程度を考慮して、第１の範囲と前記第２の範囲を異なるように設定することにより、同一とみなす加硫ゴム組成物の群を精度よく抽出することができる。

上記第１の範囲は、上記第２の範囲よりも狭い、ことが好ましい。物性データの値のばらつきは、実験によって求めるが、実験日時が異なれば、変化し易く、その振れ幅は大きい。これに対して、配合比率は、目標の配合比率が設計指針によって予め定まっており、そのばらつきは比較的小さい。このため、基準とする加硫ゴム組成物を精度よく抽出するために第１の範囲は第２の範囲よりも狭いことが好ましい。
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。

また、比較対象の加硫ゴム組成物が同一とみなされる条件が、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、を含む場合、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、抽出される加硫ゴム組成物の群の総数が、上記設定数になるように、物性データの値が同一とみなされる条件は設定される、ことが好ましい。たとえば、上記第１の範囲を固定する一方、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中から、上記第２の範囲を種々変更して設定した第２の範囲に対する、物性データの値が同一とみなされる条件を満足する加硫ゴム組成物の数を求めることにより、第２の範囲を設定することができる。これにより、物性データの値のばらつきの大きさに応じて第２の範囲を自在に設定することができ、同一とみなされる加硫ゴム組成物の総数を適度な数として確保することができる。

同一とみなされる加硫ゴム組成物の群において物性データの値に設定される統一した値は、加硫ゴム組成物の群における物性データの値の平均値あるいは中間値である、ことが好ましい。

（実施例、比較例）
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。

実施例として、加硫ゴム組成物が同一とみなされる条件を配合比率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に分け、配合比率が同一とみなされる条件として、上述の第１の範囲を０．９７〜１．０３とし、物性データの値が同一とみなされる条件として、上述の第２の範囲を０．９〜１．１とした。

このような条件によりオリジナルデータに前処理を行うことにより、基準となる加硫ゴム組成物の群を２００グループ抽出した。すなわち、基準となる加硫ゴム組成物のデータが２００個、オリジナルデータに含まれていることを示す。したがって、基準となる加硫ゴム組成物の群の物性データの値を、各グループごとに１つの代表値に統一した。代表値は、平均値を用いた。こうして前処理をすることによりオリジナルデータから作成した学習用データを用いて、予測部１１０の予測モデルに機械学習をさせた。
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。

機械学習をさせた実施例及び比較例の予測モデルそれぞれに、異なる配合比率を持つ４種類のトレッドゴムの物性データの値を予測させた。これらの４種類のトレッドゴムの物性データ（上記弾性率及び上記ｔａｎδ）の値は、予め実験により取得した。

４種類のトレッドゴムの上記弾性率及び上記ｔａｎδの実験値と、予測モデルで予測した対応する予測値との間の誤差のうち、大きい誤差を％表示で表わすと、実施例の場合、６〜７％であったのに対して、比較例の場合、８〜１５％であり、実施例における誤差は、比較例における誤差に比べて小さかった。
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。

以上、本発明の物性データ予測方法及び物性データ予測装置について詳細に説明したが、本発明は上記実施形態に限定されず、本発明の主旨を逸脱しない範囲において、種々の改良や変更してもよいのはもちろんである。

１００ 物性データ予測装置
１０２ ＣＰＵ
１０４ メモリ
１０６ 前処理部
１０８ 機械学習部
１１０ 予測部

Claims (7)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
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。

Images