JP2021026739A - 物性データ予測方法及び装置物性データ予測装置 - Google Patents
物性データ予測方法及び装置物性データ予測装置 Download PDFInfo
- Publication number
- JP2021026739A JP2021026739A JP2019147030A JP2019147030A JP2021026739A JP 2021026739 A JP2021026739 A JP 2021026739A JP 2019147030 A JP2019147030 A JP 2019147030A JP 2019147030 A JP2019147030 A JP 2019147030A JP 2021026739 A JP2021026739 A JP 2021026739A
- Authority
- JP
- Japan
- Prior art keywords
- raw materials
- value
- rubber composition
- data
- learning
- 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 87
- 238000000034 method Methods 0.000 title claims description 30
- 239000002994 raw material Substances 0.000 claims abstract description 177
- 239000000203 mixture Substances 0.000 claims abstract description 142
- 238000002156 mixing Methods 0.000 claims abstract description 115
- 239000004636 vulcanized rubber Substances 0.000 claims abstract description 87
- 229920001971 elastomer Polymers 0.000 claims abstract description 38
- 239000005060 rubber Substances 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000013329 compounding Methods 0.000 claims description 47
- 239000000470 constituent Substances 0.000 claims description 44
- 239000000463 material Substances 0.000 claims description 10
- 238000004073 vulcanization Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 5
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000000945 filler Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- 229920003048 styrene butadiene rubber Polymers 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241001441571 Hiodontidae Species 0.000 description 2
- 235000021355 Stearic acid Nutrition 0.000 description 2
- 239000002174 Styrene-butadiene Substances 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- 230000003712 anti-aging effect Effects 0.000 description 2
- 239000006229 carbon black Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- QIQXTHQIDYTFRH-UHFFFAOYSA-N octadecanoic acid Chemical compound CCCCCCCCCCCCCCCCCC(O)=O QIQXTHQIDYTFRH-UHFFFAOYSA-N 0.000 description 2
- OQCDKBAXFALNLD-UHFFFAOYSA-N octadecanoic acid Natural products CCCCCCCC(C)CCCCCCCCC(O)=O OQCDKBAXFALNLD-UHFFFAOYSA-N 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000010734 process oil Substances 0.000 description 2
- 239000008117 stearic acid Substances 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000011787 zinc oxide Substances 0.000 description 2
- 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
- 230000003213 activating effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design 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
- 238000010606 normalization Methods 0.000 description 1
- 239000004014 plasticizer Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000011514 reflex Effects 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が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。
しかし、実際にオリジナルデータを学習用データとして機械学習させた予測モデルでは、上記期待に十分に応えることはできず、依然として、配合比率が低い原材料の物性データの値に対する寄与は小さくなるように学習される場合が多い。
加硫ゴム組成物に用いる複数の原材料を、配合比率を変更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、加硫ゴム組成物を作製するとき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、前記物性データの値と前記配合比率の情報及び前記加工条件の情報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ときの加工条件の情報の入力を受け、入力された前記配合比率の情報及び前記加工条件の情報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、を備える。
前記学習用入力データとして用いる前記配合比率の情報は、予め用意された学習用オリジナルデータ中の前記原材料の配合比率を、前記原材料毎に、前記複数の加硫ゴム組成物における該原材料の配合比率のうちの最大配合比率と最小配合比率との間で規格化した値であり、
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時に用いる前記構成原材料の配合比率の情報も、前記最大配合比率と前記最小配合比率との間で規格化した値である。
前記学習用入力データで定められる前記原材料の名称の少なくとも1つは、前記学習用オリジナルデータで定められている複数の原材料の名称を、原材料の材料特性が同一である条件を満足するか否かの判定に基づいて1つの名称に統合した名称であり、前記原材料の名称の前記少なくとも1つにおける配合比率の値は、統合した複数の原材料の名称に対応する配合比率の値の合算値であり、
前記構成原材料の名称の少なくとも1つは、複数の構成原材料の名称を、構成原材料の材料特性が前記条件を満足するか否かに基づいて1つの名称に統合した名称であり、前記構成原材料の名称の前記少なくとも1つにおける配合比率の値は、統合した複数の構成原材料の配合比率の値の合算値である、ことが好ましい。
前記条件は、前記原材料あるいは前記構成原材料における前記原材料物性値の近似度が所定の値以上であることを含む、ことが好ましい。
前記原材料特性は、化学組成物の組成比率であり、
前記条件は、前記原材料あるいは前記構成原材料における前記組成比率の近似度が所定の値以上であることを含む、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、配合比率を変更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、加硫ゴム組成物を作製するとき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、前記物性データの値と前記配合比率の情報及び前記加工条件の情報との間の関係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ときの加工条件の情報の入力を受け、入力された前記配合比率の情報及び前記加工条件の情報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予測部と、
予め用意された学習用オリジナルデータ中の前記原材料の配合比率を、前記原材料毎に、前記複数の加硫ゴム組成物における該原材料の配合比率のうちの最大配合比率と最小配合比率との間で規格化した値を前記学習用入力データの前記配合比率の情報として作成し、さらに、入力された前記構成原材料の配合比率を、前記最大配合比率と前記最小配合比率とを用いて規格化した値を、前記構成原材料の配合比率の情報として作成する前処理部と、
を備える。
図3及び図4において、加硫ゴム組成物は、原材料A〜Hで構成されている。原材料Aは例えばSBR(スチレンブタジエンゴム)、原材料Bは例えばカーボンブラック、原材料Cは例えば亜鉛華、原材料Dは例えばステアリン酸、原材料Eは例えば老化防止剤、原材料F例えばはプロセスオイル、配合剤Gは例えば硫黄、配合剤Hは例えば加硫促進剤である。
このように、複数の加硫ゴム組成物の原材料の配合比率は、原材料ごとに、最大配合比率と最小配合比率によって規格化されるので、最大配合比率の値を規格化により1とし、最小配合比率の値を規格化により0とした場合、配合比率の値は0〜1の範囲に設定される。このため、1つの加硫ゴム組成物の配合比率の中で、他の原材料の配合比率に比べて極端に小さい配合比率であっても、その値は大きくなる。
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。
トレッドゴムの学習用オリジナルデータの配合比率は、ゴム原材料としてSBRの配合比率、フィラー原材料として1種類のカーボンブラックの配合比率、この他に亜鉛華、ステアリン酸、老化防止剤、プロセスオイル、硫黄、促進剤の配合比率を含んでいる。
学習用オリジナルデータは、加硫ゴム組成物の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組を1000組含んでいる。
物性データは、20℃における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)である。
一方、比較例として、配合比率を規格化することなく、学習用オリジナルデータをそのまま学習用入力データとして、予測モデルに機械学習させた。機械学習した予測モデルに、実施例において用いた2つの予測対象加硫ゴム組成物の配合比率の情報と加工条件の情報を与えて、物性データの予測値を算出させた。物性データの予測値の評価については、予測値の、実験により得られた物性データの実験値に対する比の値で評価した。物性データは、弾性率及びtanδを含むので、弾性率の比及びtanδの比のうち、値が1から大きく離れている方の比を評価値とした。
これより、上述の物性データ予測方法では、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 (6)
- 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、配合比率を変更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、加硫ゴム組成物を作製するとき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、前記物性データの値と前記配合比率の情報及び前記加工条件の情報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ときの加工条件の情報の入力を受け、入力された前記配合比率の情報及び前記加工条件の情報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、を備え、
前記学習用入力データとして用いる前記配合比率の値は、予め用意された学習用オリジナルデータ中の前記原材料の配合比率を、前記原材料毎に、前記複数の加硫ゴム組成物における該原材料の配合比率のうちの最大配合比率と最小配合比率との間で規格化した値であり、
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時に用いる前記構成原材料の配合比率の値も、前記最大配合比率と前記最小配合比率とを用いて規格化した値である、ことを特徴とする物性データ予測方法。 - 前記複数の加硫ゴム組成物は、前記学習用オリジナルデータ中の同じ加硫ゴム組成物内における原材料の配合比率の最小値が、前記原材料の配合比率の最大値の10%以下となる配合比率を有する加硫ゴム組成物を少なくとも1つ含む、請求項1に記載の物性データ予測方法。
- 前記学習用入力データ及び前記学習用オリジナルデータは、原材料の名称毎の配合比率の情報を備え、
前記学習用入力データで定められる前記原材料の名称の少なくとも1つは、前記学習用オリジナルデータで定められている複数の原材料の名称を、原材料の材料特性が同一である条件を満足するか否かの判定に基づいて1つの名称に統合した名称であり、前記原材料の名称の前記少なくとも1つにおける配合比率の値は、統合した複数の原材料の名称に対応する配合比率の値の合算値であり、
前記構成原材料の名称の少なくとも1つは、複数の構成原材料の名称を、構成原材料の材料特性が前記条件を満足するか否かに基づいて1つの名称に統合した名称であり、前記構成原材料の名称の前記少なくとも1つにおける配合比率の値は、統合した複数の構成原材料の名称に対応する配合比率の値の合算値である、請求項1又は2に記載の物性データ予測方法。 - 前記原材料特性は、異なる複数種類の原材料物性値を含み、
前記条件は、前記原材料あるいは前記構成原材料における前記原材料物性値の近似度が所定の値以上であることを含む、請求項3に記載の物性データ予測方法。 - 前記学習用オリジナルデータに用いた前記原材料、及び前記予測対象加硫ゴム組成物における前記構成原材料は、複数の化学組成物の混合物であり、
前記原材料特性は、化学組成物の組成比率であり、
前記条件は、前記原材料あるいは前記構成原材料における前記組成比率の近似度が所定の値以上であることを含む、請求項3または4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、配合比率を変更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、加硫ゴム組成物を作製するとき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、前記物性データの値と前記配合比率の情報及び前記加工条件の情報との間の関係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ときの加工条件の情報の入力を受け、入力された前記配合比率の情報及び前記加工条件の情報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予測部と、
予め用意された学習用オリジナルデータ中の前記原材料の配合比率を、前記原材料毎に、前記複数の加硫ゴム組成物における該原材料の配合比率のうちの最大配合比率と最小配合比率との間で規格化した値を前記学習用入力データの前記配合比率の情報として作成し、さらに、入力された前記構成原材料の配合比率を、前記最大配合比率と前記最小配合比率とを用いて規格化した値を、前記構成原材料の配合比率の情報として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 |
---|---|---|---|
JP2019147030A JP7348489B2 (ja) | 2019-08-09 | 2019-08-09 | 物性データ予測方法及び装置物性データ予測装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019147030A JP7348489B2 (ja) | 2019-08-09 | 2019-08-09 | 物性データ予測方法及び装置物性データ予測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021026739A true JP2021026739A (ja) | 2021-02-22 |
JP7348489B2 JP7348489B2 (ja) | 2023-09-21 |
Family
ID=74664759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019147030A Active JP7348489B2 (ja) | 2019-08-09 | 2019-08-09 | 物性データ予測方法及び装置物性データ予測装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7348489B2 (ja) |
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
- 2019-08-09 JP JP2019147030A patent/JP7348489B2/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 |
Also Published As
Publication number | Publication date |
---|---|
JP7348489B2 (ja) | 2023-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021079985A1 (ja) | 特性予測装置 | |
JP7218519B2 (ja) | 物性データ予測方法及び物性データ予測装置 | |
JP6953926B2 (ja) | ゴム状弾性体の性能の予測方法 | |
Abdelsalam et al. | Effect of carbon black loading on mechanical and rheological properties of natural rubber/styrene-butadiene rubber/nitrile butadiene rubber blends | |
JP2020038493A (ja) | 物性データ予測方法及び物性データ予測装置 | |
Ghoreishy et al. | Modeling the hyperviscoelastic behavior of a tire tread compound reinforced by silica and carbon black | |
JP2022088015A (ja) | 物性予測システム、物性予測装置、及び物性予測方法 | |
US20160017132A1 (en) | Method And System For Predicting Biocomposite Formulations And Processing Considerations Based On Product To Be Formed From Biocomposite Material | |
Milani et al. | Simple kinetic numerical model based on rheometer data for Ethylene–Propylene–Diene Monomer accelerated sulfur crosslinking | |
JP7348488B2 (ja) | 物性データ予測方法及び物性データ予測装置 | |
JP7482470B2 (ja) | ゴム材料の物性推定方法、システム及びプログラム | |
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 | |
Robertson et al. | The fatigue threshold of rubber and its characterization using the cutting method | |
Ghosh et al. | Prediction of rolling resistance for truck bus radial tires with nanocomposite based tread compounds using finite element simulation | |
Stoček et al. | Characterisation of cut and chip behaviour for NR, SBR and BR compounds with an instrumented laboratory device | |
JP7348489B2 (ja) | 物性データ予測方法及び装置物性データ予測装置 | |
Sresungsuwan et al. | Prediction of mechanical properties of compatibilized styrene/natural‐rubber blend by using reaction conditions: Central composite design vs. artificial neural networks | |
JP7352079B2 (ja) | 物性データ予測方法及び物性データ予測装置 | |
Kaliyathan et al. | Influence of carbon black on cure properties and mechanical strength of natural rubber/butadiene rubber blends | |
JP2016080500A (ja) | 破壊強度予測方法及びタイヤ用ゴム組成物 | |
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 | |
WO2023095008A1 (en) | Predictive method based upon machine learning for the development of composites for tyre tread compounds | |
Meşe et al. | Investigating effect of chrome tanned leather scraps in ethylene propylene diene monomer rubber | |
Milani et al. | Direct and closed form analytical model for the prediction of reaction kinetic of EPDM accelerated sulphur vulcanization | |
US20220208311A1 (en) | System for determining feature of acrylonitrile butadiene styrene using artificial intellectual and operation method thereof |
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: 7348489 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |