JP2021521463A5 - - Google Patents

Claims (24)

1. ポリマーのラマンスペクトルに基づいて前記ポリマーの品質を決定するための方法であって、前記方法は、
   ポリマー特性コンピューティングデバイスによって、ラマン分光計からポリマーサンプルのラマンスペクトルを得るステップであって、前記ラマンスペクトルが、１つまたは複数のポリマー特性または特徴に対応する化学および構造フィンガープリントの複数の山と谷を含む、得るステップと、
   前記ポリマー特性コンピューティングデバイスによって、前記得られた化学および構造フィンガープリントを、格納されているポリマー特性および特徴データと比較することにより、前記１つまたは複数のポリマー特性または特徴を計算するステップであって、前記計算するステップが、前記ポリマー特性コンピューティングデバイスにより１つまたは複数の訓練された機械学習アルゴリズムを実行することによって実行される、計算するステップと、
   前記ポリマー特性コンピューティングデバイスによって、１つまたは複数の計算されたポリマー特性または特徴に基づいて、前記ポリマーサンプルの前記品質が所定の品質閾値を満たしているかどうかを決定するステップと
   を含み、
   前記１つまたは複数の訓練された機械学習アルゴリズムが、
   前記ポリマー特性コンピューティングデバイスによって、複数の既知のポリマーサンプルの各々に対するラマンスペクトルと測定されたポリマー特性および特徴との両方を受け取り、
   前記ポリマー特性および特徴データの少なくとも一部を形成するために、前記ポリマー特性コンピューティングデバイスによって、前記受け取ったラマンスペクトルの前記構造および化学フィンガープリントの前記１つまたは複数の山および／または谷を、前記測定されたポリマー特性および特徴と相関させ、
   前記構造および化学フィンガープリントの前記相関した１つまたは複数の山および／または谷を認識することと前記ポリマー特性および特徴を計算することとを学習するように、前記ポリマー特性コンピューティングデバイスによって、１つまたは複数の機械学習アルゴリズムを実行し、
   前記ポリマー特性コンピューティングデバイスによって、前記計算されたポリマー特性および特徴と前記測定されたポリマー特性および特徴との間の誤差を最小化するように１つまたは複数のハイパーパラメータを調節し、
   前記１つまたは複数の訓練された機械学習アルゴリズムを形成するために、前記ポリマー特性コンピューティングデバイスによって、少なくとも前記実行するステップおよび前記調節するステップを繰り返す
   ことによって訓練されている、
   前記方法。
2. 前記計算するステップの前に、前記ポリマー特性コンピューティングデバイスによって、前記得られた化学および構造フィンガープリントの前記山および／または谷を、関連するポリマー特性または特徴または関連しないポリマー特性または特徴のいずれかとして分類するステップをさらに含む、請求項１に記載の方法。
3. 前記計算するステップの前に、前記ポリマー特性コンピューティングデバイスによって、前記ポリマーサンプルの前記得られたラマンスペクトルを、１つまたは複数の訓練された機械学習アルゴリズムが読み取ることができるフォーマットに変換するステップをさらに含む、請求項１に記載の方法。
4. 前記決定するステップの後に、前記ポリマー特性コンピューティングデバイスによって、前記１つまたは複数の計算されたポリマー特性または特徴を報告するステップをさらに含む、請求項１に記載の方法。
5. 前記ポリマーサンプルがポリオレフィンを含む、請求項１に記載の方法。
6. 前記ポリオレフィンがポリプロピレンである、請求項５に記載の方法。
7. 前記ポリマーサンプルが、ペレットの形態である、請求項１に記載の方法。
8. 前記１つまたは複数のポリマー特性が、分子量、メルトフローレート、ラメラ厚さ、結晶度、キシレン可溶性、１つまたは複数の引張特性、および１つまたは複数の圧縮特性からなる群から選択された１つまたは複数の特性である、請求項１に記載の方法。
9. 前記ポリマー特性コンピューティングデバイスによって、前記１つまたは複数の計算されたポリマー特性または特徴に基づいて、前記ポリマーの製造プロセスを調節するステップをさらに含む、請求項１に記載の方法。
10. 前記ポリマー特性コンピューティングデバイスによって、前記１つまたは複数の訓練された機械学習アルゴリズムを１つまたは複数のアンサンブル技法により強化するステップをさらに含む、請求項１に記載の方法。
11. 前記ポリマー特性コンピューティングデバイスによって、少なくとも前記実行するステップおよび前記調節するステップを繰り返すことにより、前記１つまたは複数の訓練された機械学習アルゴリズムを改良するステップをさらに含む、請求項１に記載の方法。
12. 少なくとも１つのプロセッサによって実行されたとき、前記プロセッサに以下のステップを実行させる機械実行可能コードを含む、ポリマーのラマンスペクトルに基づいて前記ポリマーの品質を決定するための命令を格納した非一過性コンピュータ可読媒体であって、前記ステップが、
    １つまたは複数の機械学習アルゴリズムを訓練するステップと、
    ラマン分光計からポリマーサンプルのラマンスペクトルを得るステップであって、前記ラマンスペクトルが、１つまたは複数のポリマー特性または特徴に対応する化学および構造フィンガープリントの複数の山と谷を含む、得るステップと、
    前記得られた化学および構造フィンガープリントを、格納されているポリマー特性および特徴データと比較することによって、前記１つまたは複数のポリマー特性または特徴を計算するステップであって、前記計算するステップが、１つまたは複数の訓練された機械学習アルゴリズムを実行することによって実行される、計算するステップと、
    前記１つまたは複数の計算されたポリマー特性または特徴に基づいて、前記ポリマーサンプルの前記品質が所定の品質閾値を満たしているかどうかを決定するステップと
    を含み、
    前記訓練するステップが、
    複数の既知のポリマーサンプルの各々に対するラマンスペクトルと測定されたポリマー特性および特徴との両方を受け取るステップと、
    前記ポリマー特性および特徴データの少なくとも一部を形成するために、前記受け取ったラマンスペクトルの前記構造および化学フィンガープリントの１つまたは複数の山および／または谷を、前記測定されたポリマー特性および特徴と相関させるステップと、
    前記構造および化学フィンガープリントの前記相関した１つまたは複数の山および／または谷を認識することと前記ポリマー特性および特徴を計算することとを学習するように１つまたは複数の機械学習アルゴリズムを実行するステップと、
    前記計算されたポリマー特性および特徴と前記測定されたポリマー特性および特徴との間の誤差を最小化するように１つまたは複数のハイパーパラメータを調節するステップと、
    前記１つまたは複数の訓練された機械学習アルゴリズムを形成するために、少なくとも前記実行するステップおよび前記調節するステップを繰り返すステップと
    を含む、非一過性コンピュータ可読媒体。
13. 前記計算するステップの前に、前記ポリマー特性コンピューティングデバイスによって、前記得られた化学および構造フィンガープリントの前記山および／または谷を、関連するポリマー特性または特徴または関連しないポリマー特性または特徴のいずれかとして分類するステップをさらに含む、請求項１２に記載の媒体。
14. 前記決定するステップの後に、前記ポリマー特性コンピューティングデバイスによって、前記１つまたは複数の計算されたポリマー特性または特徴を報告するステップをさらに含む、請求項１２に記載の媒体。
15. 前記ポリマーサンプルがポリオレフィンを含む、請求項１２に記載の媒体。
16. 前記１つまたは複数のポリマー特性が、分子量、メルトフローレート、ラメラ厚さ、結晶度、キシレン可溶性、１つまたは複数の引張特性、および１つまたは複数の圧縮特性からなる群から選択された１つまたは複数の特性である、請求項１２に記載の媒体。
17. プロセッサと、
    メモリと、を備え、前記メモリが、前記メモリに格納されたプログラムされた命令を実行するように構成された前記プロセッサに結合され、前記プログラムされた命令が、
    ラマン分光計からポリマーサンプルのラマンスペクトルを得るステップであって、前記ラマンスペクトルが、１つまたは複数のポリマー特性または特徴に対応する化学および構造フィンガープリントの複数の山と谷を含む、得るステップと、
    前記得られた化学および構造フィンガープリントを、格納されているポリマー特性および特徴データと比較することによって、前記１つまたは複数のポリマー特性または特徴を計算するステップであって、前記計算するステップが、１つまたは複数の訓練された機械学習アルゴリズムを実行することによって実行される、計算するステップと、
    前記１つまたは複数の計算されたポリマー特性または特徴に基づいて、前記ポリマーサンプルの品質が所定の品質閾値を満たしているかどうかを決定するステップと
    を含む、ポリマー特性コンピューティングデバイスであって、
    前記プロセッサが、前記得るステップの前に、１つまたは複数の機械学習アルゴリズムを訓練するステップをさらに含む、前記メモリに格納されたプログラムされた命令を実行するようにさらに構成され、前記訓練するステップが、
    複数の既知のポリマーサンプルの各々に対するラマンスペクトルと測定されたポリマー特性および特徴との両方を受け取るステップと、
    前記ポリマー特性および特徴データの少なくとも一部を形成するために、前記受け取ったラマンスペクトルの前記構造および化学フィンガープリントの前記１つまたは複数の山および／または谷を、前記測定されたポリマー特性および特徴と相関させるステップと、
    前記構造および化学フィンガープリントの前記相関した１つまたは複数の山および／または谷を認識することと前記ポリマー特性および特徴を計算することとを学習するように１つまたは複数の機械学習アルゴリズムを実行するステップと、
    前記計算されたポリマー特性および特徴と前記測定されたポリマー特性および特徴との間の誤差を最小化するように１つまたは複数のハイパーパラメータを調節するステップと、
    前記１つまたは複数の訓練された機械学習アルゴリズムを形成するために、少なくとも前記実行するステップおよび前記調節するステップを繰り返すステップと
    を含む、前記デバイス。
18. 前記プロセッサが、前記計算するステップの前に、前記ポリマー特性コンピューティングデバイスによって、前記得られた化学および構造フィンガープリントの前記山および／または谷を、関連するポリマー特性または特徴または関連しないポリマー特性または特徴のいずれかとして分類するステップをさらに含む、前記メモリに格納されたプログラムされた命令を実行するようにさらに構成される、請求項１７に記載のデバイス。
19. 前記プロセッサが、前記決定するステップの後に、前記ポリマー特性コンピューティングデバイスによって、前記１つまたは複数の計算されたポリマー特性または特徴を報告するステップをさらに含む、前記メモリに格納されたプログラムされた命令を実行するようにさらに構成される、請求項１７に記載のデバイス。
20. 前記ポリマーサンプルがポリオレフィンを含む、請求項１７に記載のデバイス。
21. 前記１つまたは複数のポリマー特性が、分子量、メルトフローレート、ラメラ厚さ、結晶度、キシレン可溶性、１つまたは複数の引張特性、および１つまたは複数の圧縮特性からなる群から選択された１つまたは複数の特性である、請求項１７に記載のデバイス。
22. 前記１つまたは複数のポリマー特徴が、１つまたは複数の添加剤の量および１つまたは複数のコモノマーの量からなる群から選択された１つまたは複数の特徴である、請求項１に記載の方法。
23. 前記１つまたは複数のポリマー特徴が、１つまたは複数の添加剤の量および１つまたは複数のコモノマーの量からなる群から選択された１つまたは複数の特徴である、請求項１２に記載の媒体。
24. 前記１つまたは複数のポリマー特徴が、１つまたは複数の添加剤の量および１つまたは複数のコモノマーの量からなる群から選択された１つまたは複数の特徴である、請求項１７に記載のデバイス。