JP2022013215A - 高分子原材料データ解析装置および高分子原材料データ解析方法 - Google Patents
高分子原材料データ解析装置および高分子原材料データ解析方法 Download PDFInfo
- Publication number
- JP2022013215A JP2022013215A JP2020115628A JP2020115628A JP2022013215A JP 2022013215 A JP2022013215 A JP 2022013215A JP 2020115628 A JP2020115628 A JP 2020115628A JP 2020115628 A JP2020115628 A JP 2020115628A JP 2022013215 A JP2022013215 A JP 2022013215A
- Authority
- JP
- Japan
- Prior art keywords
- raw material
- polymer raw
- learning model
- structural information
- information
- 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.)
- Pending
Links
- 239000002994 raw material Substances 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 149
- 238000005457 optimization Methods 0.000 claims abstract description 102
- 238000012545 processing Methods 0.000 claims abstract description 30
- 239000000126 substance Substances 0.000 claims abstract description 30
- 239000000203 mixture Substances 0.000 claims abstract description 25
- 229920000642 polymer Polymers 0.000 claims description 158
- 230000008569 process Effects 0.000 claims description 84
- 238000007405 data analysis Methods 0.000 claims description 56
- 229920003048 styrene butadiene rubber Polymers 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 13
- 229920001971 elastomer Polymers 0.000 claims description 12
- 239000005060 rubber Substances 0.000 claims description 12
- 239000005062 Polybutadiene Substances 0.000 claims description 11
- 150000001993 dienes Chemical class 0.000 claims description 11
- 229920002857 polybutadiene Polymers 0.000 claims description 11
- 230000000704 physical effect Effects 0.000 abstract description 6
- PPBRXRYQALVLMV-UHFFFAOYSA-N Styrene Chemical compound C=CC1=CC=CC=C1 PPBRXRYQALVLMV-UHFFFAOYSA-N 0.000 description 36
- 238000004458 analytical method Methods 0.000 description 18
- KAKZBPTYRLMSJV-UHFFFAOYSA-N Butadiene Chemical compound C=CC=C KAKZBPTYRLMSJV-UHFFFAOYSA-N 0.000 description 14
- 230000009477 glass transition Effects 0.000 description 11
- 125000000391 vinyl group Chemical group [H]C([*])=C([H])[H] 0.000 description 11
- 229920002554 vinyl polymer Polymers 0.000 description 11
- 238000005259 measurement Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 7
- 238000000342 Monte Carlo simulation Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 229920005549 butyl rubber Polymers 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 229920003049 isoprene rubber Polymers 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 229920003244 diene elastomer Polymers 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 244000043261 Hevea brasiliensis Species 0.000 description 2
- 239000002174 Styrene-butadiene Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- MTAZNLWOLGHBHU-UHFFFAOYSA-N butadiene-styrene rubber Chemical compound C=CC=C.C=CC1=CC=CC=C1 MTAZNLWOLGHBHU-UHFFFAOYSA-N 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229920003052 natural elastomer Polymers 0.000 description 2
- 229920001194 natural rubber Polymers 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 229920001084 poly(chloroprene) Polymers 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000011115 styrene butadiene Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 229920001577 copolymer Polymers 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 229920005555 halobutyl Polymers 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
【課題】データベース化されていないにものについても、高分子原材料の機械特性および化学的性質等からミクロ構造を予測する高分子原材料データ解析装置および高分子原材料データ解析方法を提供する。
【解決手段】高分子原材料データ解析装置は、高分子原材料の特性および組成のうち少なくとも１つを含む構造情報と、高分子原材料の機械物性および化学特性のうち少なくとも１つを含む特性情報との関係を学習させて学習モデルを作成する学習モデル作成部と、学習モデルを用い、高分子原材料について構造情報と特性情報とに関する最適化処理を実施する演算部とを有する。演算部は高分子原材料について所定の特性情報が得られるまで最適化処理を実施する。
【選択図】図１
【解決手段】高分子原材料データ解析装置は、高分子原材料の特性および組成のうち少なくとも１つを含む構造情報と、高分子原材料の機械物性および化学特性のうち少なくとも１つを含む特性情報との関係を学習させて学習モデルを作成する学習モデル作成部と、学習モデルを用い、高分子原材料について構造情報と特性情報とに関する最適化処理を実施する演算部とを有する。演算部は高分子原材料について所定の特性情報が得られるまで最適化処理を実施する。
【選択図】図１
Description
本発明は、高分子原材料のミクロ構造の予測に利用される高分子原材料データ解析装置および高分子原材料データ解析方法に関し、特に、高分子原材料の機械特性および化学的性質等からミクロ構造を予測する高分子原材料データ解析装置および高分子原材料データ解析方法に関する。
現在、質量分析装置、ガスクロマトグラフ（ＧＣ）、液体クロマトグラフ（ＬＣ）、分光測定装置、蛍光Ｘ線分析装置、核磁気共鳴装置（ＮＭＲ）等の各種分析装置で得られたデータを多変量解析して、分析装置から得られたデータから、特定の物質の組成または構造等の特定することが試みられている。
一方で、特定の物質の機械特性および化学的性質等から組成または構造等のミクロ構造を予測することも試みられている。
例えば、特許文献１には、物質構造の探索方法が記載されている。特許文献１では、探索すべき材料の候補について、（イ）イメージによる実測またはシミュレーションにより得られた材料の反射、透過、散乱の少なくとも１つに関するデータをデータベース化し、（ロ）分析法による実測またはシミュレーションから決定、または、推定された当該材料の構造のデータをデータベース化し、（ハ）物性による実測またはシミュレーションにより得られた特性について、実際の測定または計算機シミュレーションによりデータをデータベース化し、（ニ）上記データの相互の紐づけを含んで蓄積した関連付け可能な相互関連情報をデータベース化し、上記（イ）から（ニ）までのデータベースを用いて、探索すべき材料に近いイメージ（イ）、構造（ロ）、物性（ハ）の何れかまたはそれらの組合せを、互いの情報距離情報（ニ）により、判定または抽出することが記載されている。
例えば、特許文献１には、物質構造の探索方法が記載されている。特許文献１では、探索すべき材料の候補について、（イ）イメージによる実測またはシミュレーションにより得られた材料の反射、透過、散乱の少なくとも１つに関するデータをデータベース化し、（ロ）分析法による実測またはシミュレーションから決定、または、推定された当該材料の構造のデータをデータベース化し、（ハ）物性による実測またはシミュレーションにより得られた特性について、実際の測定または計算機シミュレーションによりデータをデータベース化し、（ニ）上記データの相互の紐づけを含んで蓄積した関連付け可能な相互関連情報をデータベース化し、上記（イ）から（ニ）までのデータベースを用いて、探索すべき材料に近いイメージ（イ）、構造（ロ）、物性（ハ）の何れかまたはそれらの組合せを、互いの情報距離情報（ニ）により、判定または抽出することが記載されている。
上述のように、特許文献１に記載の物質構造の探索方法では、データベース化されたものについては物質構造を探索できるものの、データベース化されていないにものについては物質構造を探索できない。
本発明の目的は、データベース化されていないにものについても、高分子原材料の機械特性および化学的性質等からミクロ構造を予測する高分子原材料データ解析装置および高分子原材料データ解析方法を提供することにある。
上述の目的を達成するために、本発明の第１の態様は、高分子原材料の特性および組成のうち少なくとも１つを含む構造情報と、高分子原材料の機械物性および化学特性のうち少なくとも１つを含む特性情報との関係を学習させて学習モデルを作成する学習モデル作成部と、学習モデルを用い、高分子原材料について構造情報と特性情報とに関する最適化処理を実施する演算部とを有し、演算部は、高分子原材料について所定の特性情報が得られるまで最適化処理を実施し、最適化処理された学習モデルを用いて、高分子原材料の特性情報を得る、高分子原材料データ解析装置を提供するものである。
本発明の第２の態様は、高分子原材料の特性および組成のうち少なくとも１つを含む構造情報と、高分子原材料の機械物性および化学特性のうち少なくとも１つを含む特性情報との関係を学習させて学習モデルを作成する学習モデル作成部と、学習モデルを用い、高分子原材料について構造情報と特性情報とに関する最適化処理を実施する演算部と、最適化処理に用いる、高分子原材料の構造情報を判定する判定部と、判定部で修正が必要と判断された高分子原材料の構造情報を修正する修正部とを有し、演算部は、最適化処理された学習モデルを用いて、高分子原材料の特性情報を得る、高分子原材料データ解析装置を提供するものである。
高分子原材料は、ジエン系ゴムであることが好ましい。
ジエン系ゴムは、スチレンブタジエンゴムおよびブタジエンゴムのうち、少なくとも一方を含むことが好ましい。
高分子原材料は、ジエン系ゴムであることが好ましい。
ジエン系ゴムは、スチレンブタジエンゴムおよびブタジエンゴムのうち、少なくとも一方を含むことが好ましい。
本発明の第３の態様は、高分子原材料の特性および組成のうち少なくとも１つを含む構造情報と、高分子原材料の機械物性および化学特性のうち少なくとも１つを含む特性情報との関係を学習させて学習モデルを作成する学習モデル作成工程と、学習モデルを用い、高分子原材料について構造情報と特性情報とに関する最適化処理を実施する最適化処理工程と、最適化処理された学習モデルを用いて、高分子原材料の特性情報を得る取得工程とを有し、最適化処理工程は、高分子原材料について所定の特性情報が得られるまで最適化処理を実施する工程である、高分子原材料データ解析方法を提供するものである。
本発明の第４の態様は、高分子原材料の特性および組成のうち少なくとも１つを含む構造情報と、高分子原材料の機械物性および化学特性のうち少なくとも１つを含む特性情報との関係を学習させて学習モデルを作成する学習モデル作成工程と、学習モデルの最適化処理に用いる、高分子原材料の構造情報を判定する判定工程と、判定工程で修正が必要と判断された高分子原材料の構造情報を修正する修正工程と、学習モデルを用い、高分子原材料について構造情報と特性情報とに関する最適化処理を実施する最適化処理工程と、最適化処理された学習モデルを用いて、高分子原材料の特性情報を得る取得工程とを有する、高分子原材料データ解析方法を提供するものである。
高分子原材料は、ジエン系ゴムであることが好ましい。
ジエン系ゴムは、スチレンブタジエンゴムおよびブタジエンゴムのうち、少なくとも一方を含むことが好ましい。
高分子原材料は、ジエン系ゴムであることが好ましい。
ジエン系ゴムは、スチレンブタジエンゴムおよびブタジエンゴムのうち、少なくとも一方を含むことが好ましい。
本発明によれば、データベース化されていないにものについても、高分子原材料の機械特性および化学的性質等からミクロ構造を予測できる。
以下に、添付の図面に示す好適実施形態に基づいて、本発明の高分子原材料データ解析方法、および高分子原材料データ解析方法を詳細に説明する。
なお、以下に説明する図は、本発明を説明するための例示的なものであり、以下に示す図に本発明が限定されるものではない。
なお、以下に説明する図は、本発明を説明するための例示的なものであり、以下に示す図に本発明が限定されるものではない。
［高分子原材料データ解析装置］
図１は本発明の実施形態の高分子原材料データ解析装置の一例を示す模式図である。
高分子原材料データ解析装置１０は、コンピューター等のハードウェアを用いて構成される。高分子原材料データ解析方法には、例えば、図１に示す解析装置１０が用いられるが、高分子原材料データ解析方法をコンピューター等のハードウェアおよびソフトウェアを用いて実行することができれば高分子原材料データ解析装置１０に限定されるものではなく、高分子原材料データ解析方法の各工程を手順としてコンピューター等に実行させるためのプログラムでもよい。また、高分子原材料データ解析装置１０は図１に示す構成に限定されるものではない。以下、高分子原材料データ解析装置１０のことを、単に解析装置１０ともいう。
図１は本発明の実施形態の高分子原材料データ解析装置の一例を示す模式図である。
高分子原材料データ解析装置１０は、コンピューター等のハードウェアを用いて構成される。高分子原材料データ解析方法には、例えば、図１に示す解析装置１０が用いられるが、高分子原材料データ解析方法をコンピューター等のハードウェアおよびソフトウェアを用いて実行することができれば高分子原材料データ解析装置１０に限定されるものではなく、高分子原材料データ解析方法の各工程を手順としてコンピューター等に実行させるためのプログラムでもよい。また、高分子原材料データ解析装置１０は図１に示す構成に限定されるものではない。以下、高分子原材料データ解析装置１０のことを、単に解析装置１０ともいう。
解析装置１０は、処理部１２と、入力部１４と、表示部１６とを有する。処理部１２は、学習モデル作成部２０、演算部２２、判定部２４、修正部２６、表示制御部２７、メモリ２８、および制御部２９を有する。解析装置１０は、この他に図示はしないがＲＯＭ等を有する。
処理部１２は、制御部２９により制御される。また、処理部１２において、学習モデル作成部２０、演算部２２、判定部２４、修正部２６および表示制御部２７はメモリ２８に接続されており、学習モデル作成部２０、演算部２２、判定部２４、修正部２６、表示制御部２７のデータはメモリ２８に記憶することができる。
処理部１２は、制御部２９により制御される。また、処理部１２において、学習モデル作成部２０、演算部２２、判定部２４、修正部２６および表示制御部２７はメモリ２８に接続されており、学習モデル作成部２０、演算部２２、判定部２４、修正部２６、表示制御部２７のデータはメモリ２８に記憶することができる。
解析装置１０は、ＲＯＭ等に記憶されたプログラム（コンピュータソフトウェア）を、制御部２９で実行することにより、学習モデル作成部２０、演算部２２、判定部２４および修正部２６の各部を機能的に形成する。解析装置１０は、上述のように、プログラムが実行されることで各部位が機能するコンピューターによって構成されてもよいし、各部位が専用回路で構成された専用装置であってもよい。
解析装置１０は、高分子原材料の特性および組成のうち少なくとも１つを含む構造情報と、高分子原材料の機械物性および化学特性のうち少なくとも１つを含む特性情報との関係を学習させた学習モデルを作成し、学習モデルに最適化処理を実施して、最適化処理後の学習モデルを作成する。この最適化処理後の学習モデルを用いて、データベース化されていないにものについても、高分子原材料の機械物性および化学特性のうち少なくとも１つを含む特性情報から、高分子原材料の特性および組成のうち少なくとも１つを含む構造情報を予測することができる。しかも、上述の物性情報から構造情報に予測可能な、最適化処理後の学習モデルを得る時間を短くできる。
高分子原材料の構造情報は、高分子原材料の特性および組成のうち少なくとも１つを含むものである。高分子原材料の構造情報は、高分子原材料がジエン系ゴムの場合、ミクロ構造として、例えば、シス、トランス、ビニル、スチレンの割合がある。これ以外に構造情報としては、ダイアッド連鎖、トリアッド連鎖が挙げられる。スチレンブタジエンゴム場合、組成情報としては、ブタジエンの量とスチレンの量がある、また、組成情報には、質量平均分子量、粘度、分岐度、および分岐数等も含まれる。
高分子原材料の特性情報は、高分子原材料の機械物性および化学特性のうち少なくとも１つを含むものである。高分子原材料の機械物性は、例えば、弾性率、ポアソン比、粘性である。高分子原材料の化学特性は、例えば、ガラス転移温度（Ｔｇ）、結晶化温度等である。化学特性は化学的性質ともいう。
解析装置１０は、例えば、新たに合成されたスチレンブタジエンゴムについて、ガラス転移温度（Ｔｇ）、または粘度等を実測して求め、実測されたガラス転移温度（Ｔｇ）、または粘度を用いて、新たに合成されたスチレンブタジエンゴムの構造および組成等を高い予測精度で予測できる。
高分子原材料の特性情報は、高分子原材料の機械物性および化学特性のうち少なくとも１つを含むものである。高分子原材料の機械物性は、例えば、弾性率、ポアソン比、粘性である。高分子原材料の化学特性は、例えば、ガラス転移温度（Ｔｇ）、結晶化温度等である。化学特性は化学的性質ともいう。
解析装置１０は、例えば、新たに合成されたスチレンブタジエンゴムについて、ガラス転移温度（Ｔｇ）、または粘度等を実測して求め、実測されたガラス転移温度（Ｔｇ）、または粘度を用いて、新たに合成されたスチレンブタジエンゴムの構造および組成等を高い予測精度で予測できる。
解析装置１０に用いる、高分子原材料の特性および組成のうち少なくとも１つを含む構造情報は、例えば、一次元スペクトル情報が利用される。一次元スペクトル情報は、例えば、核磁気共鳴装置を用いて測定されたもの、ＧＣ（ガスクロマトグラ）の測定結果、およびＩＲ（赤外線吸収）スペクトルである。これ以外に、実測された一次元スペクトル情報のデータベースの情報を用いることもできる。
以下、解析装置１０の各部について説明する。
入力部１４は、マウスおよびキーボード等の各種情報をオペレータの指示により入力するための各種の入力デバイスである。表示部１６は、例えば、高分子原材料データ解析方法で得られた結果等を表示するものであり、公知の各種のディスプレイが用いられる。また、表示部１６には各種情報を出力媒体に表示するためのプリンタ等のデバイスも含まれる。
入力部１４は、マウスおよびキーボード等の各種情報をオペレータの指示により入力するための各種の入力デバイスである。表示部１６は、例えば、高分子原材料データ解析方法で得られた結果等を表示するものであり、公知の各種のディスプレイが用いられる。また、表示部１６には各種情報を出力媒体に表示するためのプリンタ等のデバイスも含まれる。
解析装置１０の学習モデル作成部２０は、高分子原材料の特性および組成のうち少なくとも１つを含む構造情報と、高分子原材料の機械特性および化学特性のうち少なくとも１つを含む特性情報との関係を学習させて学習モデルを作成するものである。
なお、学習モデルは、特に限定されるものではなく、機械学習の手法として、例えば、ニューラルネットワークを用いることができる。これ以外に各種の手法を用いることができる。例えば、畳み込みニューラルネットワーク（ＣＮＮ）、サポートベクターマシン、ランダムフォレスト、および非線形判別法等を用いてもよい。
学習モデルとして、どのような手法を用いるのが適当であるかは、解析対象である高分子原材料の分析データの性質等により異なるため、予め複数の機械学習手法を用意しておき、ユーザーが任意に選択できるようしてもよい。また、機械学習による判別分析または回帰分析は同じ種類のものを複数組み合わせたり、異なる種類のものを複数組み合わせたりすることができることがよく知られていることから、そうした組み合わせを利用してもよい。
学習モデル作成部２０で用いられる学習モデルは、例えば、メモリ２８に記憶させておき、学習モデル作成部２０がメモリ２８から学習モデルを読み出すようにしてもよい。
なお、学習モデルは、特に限定されるものではなく、機械学習の手法として、例えば、ニューラルネットワークを用いることができる。これ以外に各種の手法を用いることができる。例えば、畳み込みニューラルネットワーク（ＣＮＮ）、サポートベクターマシン、ランダムフォレスト、および非線形判別法等を用いてもよい。
学習モデルとして、どのような手法を用いるのが適当であるかは、解析対象である高分子原材料の分析データの性質等により異なるため、予め複数の機械学習手法を用意しておき、ユーザーが任意に選択できるようしてもよい。また、機械学習による判別分析または回帰分析は同じ種類のものを複数組み合わせたり、異なる種類のものを複数組み合わせたりすることができることがよく知られていることから、そうした組み合わせを利用してもよい。
学習モデル作成部２０で用いられる学習モデルは、例えば、メモリ２８に記憶させておき、学習モデル作成部２０がメモリ２８から学習モデルを読み出すようにしてもよい。
演算部２２は、学習モデル作成部２０で作成された学習モデルの学習を実行し、学習モデルによる結果を得るものである。演算部２２は、学習モデルの結果を、メモリ２８に記憶させる。
学習モデルの学習には、例えば、説明変数（入力データ）と、目的変数（出力データ）とがセットになった教師ありデータを用いる。教師ありデータを用いる場合、利用可能なデータを全て教師ありデータに利用するのではなく、利用可能なデータを教師ありデータと検証データに分ける。教師ありデータを用いて学習モデルを学習させる。検証データを用いて、教師ありデータを用いて学習させた学習モデルの予測性能を評価する。
教師ありデータと検証データに分ける方法としては、例えば、ホールドアウト検証、およびｋ－分割交差検証等を用いることができる。
なお、学習モデルの学習には、教師ありデータを用いることに限定されるものではなく、説明変数（入力データ）と、目的変数（出力データ）とがセットになっていない、教師なしデータを用いることもできる。
学習モデルの学習には、例えば、説明変数（入力データ）と、目的変数（出力データ）とがセットになった教師ありデータを用いる。教師ありデータを用いる場合、利用可能なデータを全て教師ありデータに利用するのではなく、利用可能なデータを教師ありデータと検証データに分ける。教師ありデータを用いて学習モデルを学習させる。検証データを用いて、教師ありデータを用いて学習させた学習モデルの予測性能を評価する。
教師ありデータと検証データに分ける方法としては、例えば、ホールドアウト検証、およびｋ－分割交差検証等を用いることができる。
なお、学習モデルの学習には、教師ありデータを用いることに限定されるものではなく、説明変数（入力データ）と、目的変数（出力データ）とがセットになっていない、教師なしデータを用いることもできる。
また、演算部２２は、学習モデルを用い、高分子原材料について構造情報と特性情報とに関する最適化処理を実施するものである。これにより、最適化処理された学習モデルが得られる。なお、最適化処理としては、特に限定されるものではなく、多目的最適化手法として、遺伝的アルゴリズム（ＧＡ）、またはモンテカルロ法等を用いることができる。
演算部２２は、最適化処理に用いる、高分子原材料の構造情報を作成するものである。最適化処理に用いる構造情報は、学習モデルの作成に用いた構造情報と同じ構成である。
高分子原材料が、例えば、スチレンブタジエンゴムの場合、構造情報としては、ブタジエンの量とスチレンの量、ならびにシス、トランス、ビニル、およびスチレンの割合、ならびにダイアッド構造等である。
最適化処理に用いる構造情報の作成方法は、特に限定されるものではなく、例えば、遺伝的アルゴリズム（ＧＡ）、またはモンテカルロ法等に基づいて、演算部２２で、学習モデルの作成に用いた構造情報と同じ構成の構造情報が作成される。作成する構造情報の数は、特に限定されるものではなく、最適化処理に用いるアルゴリズム等により、適宜決定されるものである。
なお、最適化処理に用いる構造情報の作成においては、構造情報が予め設定された範囲に収束する特性を示す場合には、その収束する特性を示すように上限値または下限値を選択してもよい。
また、上限値または下限値を固定して、他の構造情報の値を変動させる場合、上限値と下限値の間で、例えば、構造情報の値を上述のモンテカルロ法を用いてランダムに変動させても、構造情報の値をガウス分布に則って変動させても、構造情報の値を直交表を用いて変動させてもよい。
演算部２２は、最適化処理に用いる、高分子原材料の構造情報を作成するものである。最適化処理に用いる構造情報は、学習モデルの作成に用いた構造情報と同じ構成である。
高分子原材料が、例えば、スチレンブタジエンゴムの場合、構造情報としては、ブタジエンの量とスチレンの量、ならびにシス、トランス、ビニル、およびスチレンの割合、ならびにダイアッド構造等である。
最適化処理に用いる構造情報の作成方法は、特に限定されるものではなく、例えば、遺伝的アルゴリズム（ＧＡ）、またはモンテカルロ法等に基づいて、演算部２２で、学習モデルの作成に用いた構造情報と同じ構成の構造情報が作成される。作成する構造情報の数は、特に限定されるものではなく、最適化処理に用いるアルゴリズム等により、適宜決定されるものである。
なお、最適化処理に用いる構造情報の作成においては、構造情報が予め設定された範囲に収束する特性を示す場合には、その収束する特性を示すように上限値または下限値を選択してもよい。
また、上限値または下限値を固定して、他の構造情報の値を変動させる場合、上限値と下限値の間で、例えば、構造情報の値を上述のモンテカルロ法を用いてランダムに変動させても、構造情報の値をガウス分布に則って変動させても、構造情報の値を直交表を用いて変動させてもよい。
演算部２２は、高分子原材料について所定の特性情報が得られるまで最適化処理を実施する。最適化処理では、例えば、構造情報を設定変数とし、特性情報を目的変数とする。演算部２２において、特性情報が得られるまで最適化処理を実施する場合、例えば、構造情報の作成アルゴリズムを変更する等して、最適化処理に用いる構造情報を変更する。
演算部２２で用いる最適化処理のアルゴリズム、構造情報の作成方法等は、例えば、メモリ２８に記憶される。
また、演算部２２は、最適化処理後の学習モデルを用いて、特性情報から構造情報を得るものでもある。演算部２２は得られた構造情報を、例えば、メモリ２８に記憶させる。
演算部２２で用いる最適化処理のアルゴリズム、構造情報の作成方法等は、例えば、メモリ２８に記憶される。
また、演算部２２は、最適化処理後の学習モデルを用いて、特性情報から構造情報を得るものでもある。演算部２２は得られた構造情報を、例えば、メモリ２８に記憶させる。
判定部２４は．演算部２２で実施する最適化処理に用いる、高分子原材料の構造情報を判定するものである。
最適化処理において、多目的最適化手法として、遺伝的アルゴリズム（ＧＡ）、またはモンテカルロ法等を用いた場合、構造情報の実態を考慮することなく、演算部２２で構造情報を作成するため、実際に存在しない構造情報が作成されることがある。このように実際に存在しない構造情報を用いて最適化処理を実施した場合には、適切な最適化処理が実施されず、かつ最適化処理に多くの時間を要する。
また、構造情報が２種あり、各種が互いに関連している場合、組み合わせとして、実際に存在しないものが作成されることがある。この場合でも、適切な最適化処理が実施されない。そこで、判定部２４では、最適化処理に用いる、高分子原材料の構造情報を判定する。
最適化処理において、多目的最適化手法として、遺伝的アルゴリズム（ＧＡ）、またはモンテカルロ法等を用いた場合、構造情報の実態を考慮することなく、演算部２２で構造情報を作成するため、実際に存在しない構造情報が作成されることがある。このように実際に存在しない構造情報を用いて最適化処理を実施した場合には、適切な最適化処理が実施されず、かつ最適化処理に多くの時間を要する。
また、構造情報が２種あり、各種が互いに関連している場合、組み合わせとして、実際に存在しないものが作成されることがある。この場合でも、適切な最適化処理が実施されない。そこで、判定部２４では、最適化処理に用いる、高分子原材料の構造情報を判定する。
判定部２４では、高分子原材料の構造情報に対して、構造情報の判定条件として、例えば、予め閾値が設定されている。構造情報の判定条件は、メモリ２８に記憶されていてもよい。
構造情報の判定条件を満たす場合には、最適化処理に用いる、高分子原材料の構造情報を有効とし、最適化処理を実施し、学習モデルの最適化処理後、終了する。
一方、構造情報の判定条件を満たさない場合には、最適化処理に用いる、高分子原材料の構造情報を修正するか、または最適化処理に構造情報を利用しない。なお、高分子原材料の構造情報の修正には、構造情報の再作成を含む。
構造情報の判定条件を満たす場合には、最適化処理に用いる、高分子原材料の構造情報を有効とし、最適化処理を実施し、学習モデルの最適化処理後、終了する。
一方、構造情報の判定条件を満たさない場合には、最適化処理に用いる、高分子原材料の構造情報を修正するか、または最適化処理に構造情報を利用しない。なお、高分子原材料の構造情報の修正には、構造情報の再作成を含む。
高分子原材料の構造情報の判定方法としては、例えば、構造情報において、１つの構造情報が４つの要素で構成され、４つの要素の合計量が予め定まっている場合、合計量の大きさに基づき判定する。判定条件としては、合計量に対して閾値を予め設定し、閾値を、例えば、メモリ２８に記憶させる。高分子原材料の構造情報の判定方法としては、上述の合計量と、閾値とを比較し、閾値未満であれば、判定条件を満たすと判定する。一方、閾値を超える場合、判定条件を満たさないと判定する。判定条件を満たさない場合、合計量を修正するか、合計量を再設定（再作成）するか、または判定条件を満たさない構造情報は最適化処理に利用しない。
例えば、構造情報において、１つの構造情報が４つの要素で構成され、４つの要素の大小関係が予め定まっている場合、大小関係に基づき判定する。構造情報の判定条件としては、大小関係を予め設定し、大小関係を、例えば、メモリ２８に記憶させる。高分子原材料の構造情報の判定方法としては、上述の大小関係を求め、大小関係を満たせば、構造情報の判定条件を満たすと判定する。一方、大小関係を満たさない場合、構造情報の判定条件を満たさないと判定する。構造情報の判定条件を満たさない場合、大小関係を再設定するか、または構造情報の判定条件を満たさない構造情報は最適化処理に利用しない。なお、大小関係は、設定された要素の差分により特定できる。大小関係において値が大きい要素から値が小さい要素を引いた値が０を超えれば、大小関係を満たすと判定することができる。
例えば、構造情報において、１つの構造情報が４つの要素で構成され、４つの要素の大小関係が予め定まっている場合、大小関係に基づき判定する。構造情報の判定条件としては、大小関係を予め設定し、大小関係を、例えば、メモリ２８に記憶させる。高分子原材料の構造情報の判定方法としては、上述の大小関係を求め、大小関係を満たせば、構造情報の判定条件を満たすと判定する。一方、大小関係を満たさない場合、構造情報の判定条件を満たさないと判定する。構造情報の判定条件を満たさない場合、大小関係を再設定するか、または構造情報の判定条件を満たさない構造情報は最適化処理に利用しない。なお、大小関係は、設定された要素の差分により特定できる。大小関係において値が大きい要素から値が小さい要素を引いた値が０を超えれば、大小関係を満たすと判定することができる。
構造情報が２種あり、各種が互いに関連している場合、例えば、２種のうち、第１の特性が、Ａ、Ｂ、Ｃの３つの要素を含み、第２の特性が、ＡＡ、ＡＢ、ＡＣ、ＢＢ、ＢＣ、ＣＣの６つの要素を含むとする。この場合、第１の特性のＡと第２の特性ＡＡ、ＡＢとが関連し、第１の特性のＢと第２の特性のＡＢ、ＢＢ、ＢＣとが関連する。第１の特性のＣと第２の特性のＡＣ、ＢＣ、ＣＣとが関連する。第１の特性においてＡ＝４５、Ｂ＝５０、Ｃ＝５とする。
上述の第１の特性と、第２の特性との関連に対して、以下に示すように誤差ｘを含む関係式を判定部２４で作成する。作成した下記関係式を、例えば、メモリ２８に記憶させる。
判定部２４では、例えば、メモリ２８から下記関係式を読み出し、下記関係式を満たすか満たさないかを判定する。下記関係式を満たさない場合、判定部２４は、最適化処理に利用しないと判定し、演算部２２において最適化処理に用いない。
また、下記関係式を満たさない場合、判定部２４は、後述する修正部２６にて、上述の第１の特性の数値と第２の特性との数値とを下記関係式を満たすように修正してもよい。
なお、構造情報が、上述のように第１の特性と、第２の特性との２種ある場合、修正するのは、２種のうち、少なくとも一方でよいが両方でもよい。
一方、下記関係式を満たす場合、判定部２４は、演算部２２において最適化処理に利用させる。
上述の第１の特性と、第２の特性との関連に対して、以下に示すように誤差ｘを含む関係式を判定部２４で作成する。作成した下記関係式を、例えば、メモリ２８に記憶させる。
判定部２４では、例えば、メモリ２８から下記関係式を読み出し、下記関係式を満たすか満たさないかを判定する。下記関係式を満たさない場合、判定部２４は、最適化処理に利用しないと判定し、演算部２２において最適化処理に用いない。
また、下記関係式を満たさない場合、判定部２４は、後述する修正部２６にて、上述の第１の特性の数値と第２の特性との数値とを下記関係式を満たすように修正してもよい。
なお、構造情報が、上述のように第１の特性と、第２の特性との２種ある場合、修正するのは、２種のうち、少なくとも一方でよいが両方でもよい。
一方、下記関係式を満たす場合、判定部２４は、演算部２２において最適化処理に利用させる。
ＡＡ＋ＡＡ＋ＡＢ＋ＡＣ＝４５×２±ｘ
ＡＢ＋ＢＢ＋ＢＢ＋ＢＣ＝５０×２±ｘ
ＡＣ＋ＢＣ＋ＣＣ＋ＣＣ＝５×２±ｘ
ＡＢ＋ＢＢ＋ＢＢ＋ＢＣ＝５０×２±ｘ
ＡＣ＋ＢＣ＋ＣＣ＋ＣＣ＝５×２±ｘ
なお、構造情報の要素が割合で表される場合、合計量が１００となるように設定して、構造情報を作成してもよい。また、合計量が１００となるように、最適化処理を実施する前に、修正部２６で修正してもよい。また、合計量が１００を超えた場合、上述の最適化処理に利用することなく、構造情報を再度作成してもよい。
なお、最適化処理を施した学習モデルは、高分子原材料の組成情報または構造情報を予測する学習モデルとして利用する。例えば、メモリ２８に記憶させる。
また、判定部２４は、メモリ２８から最適化処理の判定条件を読み出し、最適化処理の判定条件に基づき、最適化処理の結果を評価することもできる。
また、判定部２４は、メモリ２８から最適化処理の判定条件を読み出し、最適化処理の判定条件に基づき、最適化処理の結果を評価することもできる。
判定部２４は．演算部２２による学習モデルの結果を判定することもできる。この場合、例えば、検証データを用いて、構造情報を入力して、特性情報を得る。得られた特性情報に基づき、学習モデルの結果を判定することができる。
学習モデルの結果の判定方法は、特に限定されるものではない。例えば、Ｒ２（決定係数）、ＲＭＳＥ（平方平均二乗誤差）、およびＭＡＥ（平均絶対誤差）等を用いることができる。
判定部２４は．最適化処理の結果を判定するものでもある。最適化処理の判定は、特に限定されるものではないが、学習モデルの最適化処理後に、例えば、構造情報から得られる特性情報が予め設定された範囲に存在するか否かで判定する。
学習モデルの結果の判定方法は、特に限定されるものではない。例えば、Ｒ２（決定係数）、ＲＭＳＥ（平方平均二乗誤差）、およびＭＡＥ（平均絶対誤差）等を用いることができる。
判定部２４は．最適化処理の結果を判定するものでもある。最適化処理の判定は、特に限定されるものではないが、学習モデルの最適化処理後に、例えば、構造情報から得られる特性情報が予め設定された範囲に存在するか否かで判定する。
修正部２６は、判定部２４で修正が必要と判断された高分子原材料の構造情報を修正するものである。
上述のように、例えば、２種のうち、第１の特性が、Ａ、Ｂ、Ｃの３つの要素を含み、第２の特性が、ＡＡ、ＡＢ、ＡＣ、ＢＢ、ＢＣ、ＣＣの６つの要素を含むとする。この場合、第１の特性のＡと第２の特性ＡＡ、ＡＢとが関連し、第１の特性のＢと第２の特性のＡＢ、ＢＢ、ＢＣとが関連する。第１の特性のＣと第２の特性のＡＣ、ＢＣ、ＣＣとが関連する。第１の特性においてＡ＝４５、Ｂ＝５５、Ｃ＝０とする。この場合、ＡＡ、ＡＢ、ＡＣ、ＢＢ、ＢＣ、ＣＣのうち、ＡＣ、ＢＣ、およびＣＣが０である。しかしながら、ＡＣ、ＢＣ、およびＣＣの値が、０ではない場合、ＡＣ、ＢＣ、ＣＣの値を０に修正する。
また、修正部２６では、上述の関係式を満たすように、Ａ、Ｂ、Ｃの値、ＡＡ、ＡＢ、ＡＣ、ＢＢ、ＢＣ、ＣＣの値を調整してもよい。
上述のように、例えば、２種のうち、第１の特性が、Ａ、Ｂ、Ｃの３つの要素を含み、第２の特性が、ＡＡ、ＡＢ、ＡＣ、ＢＢ、ＢＣ、ＣＣの６つの要素を含むとする。この場合、第１の特性のＡと第２の特性ＡＡ、ＡＢとが関連し、第１の特性のＢと第２の特性のＡＢ、ＢＢ、ＢＣとが関連する。第１の特性のＣと第２の特性のＡＣ、ＢＣ、ＣＣとが関連する。第１の特性においてＡ＝４５、Ｂ＝５５、Ｃ＝０とする。この場合、ＡＡ、ＡＢ、ＡＣ、ＢＢ、ＢＣ、ＣＣのうち、ＡＣ、ＢＣ、およびＣＣが０である。しかしながら、ＡＣ、ＢＣ、およびＣＣの値が、０ではない場合、ＡＣ、ＢＣ、ＣＣの値を０に修正する。
また、修正部２６では、上述の関係式を満たすように、Ａ、Ｂ、Ｃの値、ＡＡ、ＡＢ、ＡＣ、ＢＢ、ＢＣ、ＣＣの値を調整してもよい。
演算部２２で、最適化処理を施した学習モデルを用い、高分子原材料について、機械特性および化学特性等の特性情報から、高分子原材料の特性および組成等の構造情報を予測する。予測した結果を、例えば、メモリ２８に記憶し、データベース化する。
例えば、高分子原材料がスチレンブタジエンゴムで、機械特性が粘性の場合、演算部２２は、最適化処理を施した学習モデルに基づいて、例えば、新たに合成されたスチレンブタジエンゴムのガラス転移温度または粘性を用いて、シス、トランス、ビニル、スチレンの割合を予測することができる。最適化処理を施した学習モデルを用いて予測したシス、トランス、ビニル、スチレンの割合をメモリ２８に記憶させる。このように、解析装置１０は、データベース化されていないにものについても、特性情報から構造情報を得ることができる。
例えば、高分子原材料がスチレンブタジエンゴムで、機械特性が粘性の場合、演算部２２は、最適化処理を施した学習モデルに基づいて、例えば、新たに合成されたスチレンブタジエンゴムのガラス転移温度または粘性を用いて、シス、トランス、ビニル、スチレンの割合を予測することができる。最適化処理を施した学習モデルを用いて予測したシス、トランス、ビニル、スチレンの割合をメモリ２８に記憶させる。このように、解析装置１０は、データベース化されていないにものについても、特性情報から構造情報を得ることができる。
表示制御部２７は、学習モデル作成部２０で設定される説明変数の情報および目的変数の情報を表示部１６に表示させるものである。
また、演算部２２で予測された、高分子原材料の構造および組成のうち、少なくとも１つを表示部１６に表示させるものである。
表示制御部２７において、表示部１６に表示させる場合、メモリ２８から各種の情報を読み出して表示してもよい。また、表示制御部２７は、入力部１４を介して入力される各種の情報等も表示部１６に表示させることもできる。
また、演算部２２で予測された、高分子原材料の構造および組成のうち、少なくとも１つを表示部１６に表示させるものである。
表示制御部２７において、表示部１６に表示させる場合、メモリ２８から各種の情報を読み出して表示してもよい。また、表示制御部２７は、入力部１４を介して入力される各種の情報等も表示部１６に表示させることもできる。
解析装置１０は、ＲＯＭ等に記憶されたプログラム（コンピュータソフトウェア）を、制御部２９で実行することにより、上述の高分子原材料について、機械特性および化学特性等の特性情報から、高分子原材料の特性および組成等の構造情報を予測する。解析装置１０は、上述のようにプログラムが実行されることで各部位が機能するコンピューターによって構成されてもよいし、各部位が専用回路で構成された専用装置であってもよい。
［高分子原材料データ解析方法の第１の例］
図２は本発明の実施形態の高分子原材料データ解析方法の第１の例を工程順に示すフローチャートである。上述のように、高分子原材料データ解析方法は、例えば、解析装置１０が用いられる。
以下に説明する高分子原材料データ解析装置方法の第１の例において、特に説明しないが解析装置１０の処理部１２の各部で種々の処理がなされる。また、以下の説明では制御部２９により処理部１２の各部で種々の処理がなされることの説明を省略しているが、各部の一連の処理は制御部２９により制御される。
図２は本発明の実施形態の高分子原材料データ解析方法の第１の例を工程順に示すフローチャートである。上述のように、高分子原材料データ解析方法は、例えば、解析装置１０が用いられる。
以下に説明する高分子原材料データ解析装置方法の第１の例において、特に説明しないが解析装置１０の処理部１２の各部で種々の処理がなされる。また、以下の説明では制御部２９により処理部１２の各部で種々の処理がなされることの説明を省略しているが、各部の一連の処理は制御部２９により制御される。
高分子原材料データ解析方法では、高分子原材料をスチレンブタジエンゴムとし、高分子原材料の特性および組成のうち少なくとも１つを含む構造情報としては、例えば、ブタジエンの量とスチレンの量、ならびにシス、トランス、ビニル、およびスチレンの割合、ならびにダイアッド構造等である。また、高分子原材料の機械物性および化学特性のうち少なくとも１つを含む特性情報は、例えば、スチレンブタジエンゴムのガラス転移温度（Ｔｇ）等である。
なお、スチレンブタジエンゴムの構造情報の取得方法等は、特に限定されるものではなく、例えば、公知のデータベースから取得してもよく、ＧＣ（ガスクロマトグラフィー）を用いて実測して取得することもできる。また、スチレンブタジエンゴムの特性情報の取得方法等は、特に限定されるものではなく、例えば、公知のデータベースから取得してもよく、機械物性、化学特性に応じて各種の方法を用いて実測して取得することもできる。
なお、スチレンブタジエンゴムの構造情報の取得方法等は、特に限定されるものではなく、例えば、公知のデータベースから取得してもよく、ＧＣ（ガスクロマトグラフィー）を用いて実測して取得することもできる。また、スチレンブタジエンゴムの特性情報の取得方法等は、特に限定されるものではなく、例えば、公知のデータベースから取得してもよく、機械物性、化学特性に応じて各種の方法を用いて実測して取得することもできる。
高分子原材料の特性および組成のうち少なくとも１つを含む構造情報と、高分子原材料の機械物性および化学特性のうち少なくとも１つを含む特性情報との関係を学習させて学習モデルを作成する（ステップＳ１０）。
ステップＳ１０は学習モデル作成工程であり、ステップＳ１０において、具体的には、スチレンブタジエンゴムの、例えば、ブタジエンの量とスチレンの量、ならびにシス、トランス、ビニル、およびスチレンの割合、ならびにダイアッド構造等を入力データとし、スチレンブタジエンゴムのガラス転移温度（Ｔｇ）等を出力データとして学習モデルを作成する。学習モデルの作成については後に詳細に説明する。学習モデルは、高分子原材料の構造情報と、高分子原材料の物性情報とを関連付けるものである。後の工程で、学習モデルに対して最適化処理が施される。
ステップＳ１０は学習モデル作成工程であり、ステップＳ１０において、具体的には、スチレンブタジエンゴムの、例えば、ブタジエンの量とスチレンの量、ならびにシス、トランス、ビニル、およびスチレンの割合、ならびにダイアッド構造等を入力データとし、スチレンブタジエンゴムのガラス転移温度（Ｔｇ）等を出力データとして学習モデルを作成する。学習モデルの作成については後に詳細に説明する。学習モデルは、高分子原材料の構造情報と、高分子原材料の物性情報とを関連付けるものである。後の工程で、学習モデルに対して最適化処理が施される。
次に、最適化処理に用いる構造情報を作成する（ステップＳ１２）。ステップＳ１２で作成する最適化処理に用いる構造情報は、学習モデルの作成に用いた構造情報と同じ構成とする。このため、ブタジエンの量とスチレンの量、ならびにシス、トランス、ビニル、およびスチレンの割合、ならびにダイアッド構造等を用いて最適化処理に用いる構造情報を複数作成する。
次に、学習モデルを用い、上述のステップＳ１２で作成した複数の構造情報を用いて、構造情報と特性情報とに関する最適化処理を実施する（ステップＳ１４）。
ステップＳ１４は、構造情報を入力とし、特性情報を出力として、最適化処理を実施する最適化処理工程である。最適化処理では、構造情報のデータを複数作成し、複数の構造情報のデータを、学習モデルに入力して、出力として特性情報を得る。
最適化処理には、例えば、上述のように多目的最適化手法として、遺伝的アルゴリズム（ＧＡ）、またはモンテカルロ法等を用いる。
最適化処理工程は、高分子原材料について所定の特性情報が得られるまで最適化処理を実施する。この場合、最適化処理の結果を判定する（ステップＳ１６）。
ステップＳ１６における最適化処理の判定は、学習モデルの最適化処理後に、例えば、構造情報から得られる特性情報が予め設定された範囲に存在するか否かで判定される。
なお、最適化処理に用いる構造情報の作成工程（ステップＳ１２）においては、上述のように、構造情報が予め設定された範囲に収束する特性を示す場合には、その収束する特性を示すように上限値または下限値を選択してもよい。
また、上限値または下限値を固定して、他の構造情報の値を変動させる場合、上限値と下限値の間で、例えば、構造情報の値を上述のモンテカルロ法を用いてランダムに変動させても、構造情報の値をガウス分布に則って変動させても、構造情報の値を直交表を用いて変動させてもよい。
ステップＳ１４は、構造情報を入力とし、特性情報を出力として、最適化処理を実施する最適化処理工程である。最適化処理では、構造情報のデータを複数作成し、複数の構造情報のデータを、学習モデルに入力して、出力として特性情報を得る。
最適化処理には、例えば、上述のように多目的最適化手法として、遺伝的アルゴリズム（ＧＡ）、またはモンテカルロ法等を用いる。
最適化処理工程は、高分子原材料について所定の特性情報が得られるまで最適化処理を実施する。この場合、最適化処理の結果を判定する（ステップＳ１６）。
ステップＳ１６における最適化処理の判定は、学習モデルの最適化処理後に、例えば、構造情報から得られる特性情報が予め設定された範囲に存在するか否かで判定される。
なお、最適化処理に用いる構造情報の作成工程（ステップＳ１２）においては、上述のように、構造情報が予め設定された範囲に収束する特性を示す場合には、その収束する特性を示すように上限値または下限値を選択してもよい。
また、上限値または下限値を固定して、他の構造情報の値を変動させる場合、上限値と下限値の間で、例えば、構造情報の値を上述のモンテカルロ法を用いてランダムに変動させても、構造情報の値をガウス分布に則って変動させても、構造情報の値を直交表を用いて変動させてもよい。
ステップＳ１６において、最適化処理が判定条件を満たす場合、最適化処理後の学習モデルを用いて、特性情報から構造情報を得る（ステップＳ１８）。ステップＳ１８は構造情報を得る取得工程である。ステップＳ１８では、例えば、新たに合成されたスチレンブタジエンのガラス転移温度から、スチレンブタジエンゴムのシス、トランス、ビニル、スチレンの割合を得ることができ、これらを、例えば、メモリ２８に記憶させる。このように、データベース化されていないにものについても、特性情報から構造情報を得ることができる。
一方、ステップＳ１６において、最適化処理が判定条件を満たさない場合、高分子原材料について所定の特性情報が得られるまで最適化処理を実施する（ステップＳ１４）。所定の特性情報が得られるまで最適化処理を実施する場合、構造情報の作成（ステップＳ１２）において、例えば、構造情報の作成アルゴリズムを変更する等して、最適化処理に用いる構造情報を変更して、最適化処理を実施する（ステップＳ１４）。
一方、ステップＳ１６において、最適化処理が判定条件を満たさない場合、高分子原材料について所定の特性情報が得られるまで最適化処理を実施する（ステップＳ１４）。所定の特性情報が得られるまで最適化処理を実施する場合、構造情報の作成（ステップＳ１２）において、例えば、構造情報の作成アルゴリズムを変更する等して、最適化処理に用いる構造情報を変更して、最適化処理を実施する（ステップＳ１４）。
上述のステップＳ１０の学習モデルは、上述のように、特に限定されるものではなく、上述のように、ニューラルネットワークを用いることができる。学習モデルによる学習を実行する。
学習モデルの学習には、例えば、説明変数（入力データ）と、目的変数（出力データ）とがセットになった教師ありデータを用いる。より具体的には、ブタジエンの量とスチレンの量、ならびにシス、トランス、ビニル、およびスチレンの割合、ならびにダイアッド構造と、ガラス転移温度との関係がわかっているデータを用いる。教師ありデータを用いる場合、全てのデータを利用するのではなく、一部を教師ありデータに利用し、残りを検証データとして利用する。検証データを用いて学習モデルの予測性能を判定する。
なお、上述のように、教師ありデータと検証データに分ける方法としては、例えば、ホールドアウト検証、およびｋ－分割交差検証等を用いることができる。
学習モデルの学習には、例えば、説明変数（入力データ）と、目的変数（出力データ）とがセットになった教師ありデータを用いる。より具体的には、ブタジエンの量とスチレンの量、ならびにシス、トランス、ビニル、およびスチレンの割合、ならびにダイアッド構造と、ガラス転移温度との関係がわかっているデータを用いる。教師ありデータを用いる場合、全てのデータを利用するのではなく、一部を教師ありデータに利用し、残りを検証データとして利用する。検証データを用いて学習モデルの予測性能を判定する。
なお、上述のように、教師ありデータと検証データに分ける方法としては、例えば、ホールドアウト検証、およびｋ－分割交差検証等を用いることができる。
ステップＳ１０で学習モデルを作成した後、学習モデルを実行し、学習モデルの結果を判定してもよい。この場合、上述のように、検証データを、学習モデルに入力し、その結果として、例えば、ブタジエンの量とスチレンの量、ならびにシス、トランス、ビニル、およびスチレンの割合、ならびにダイアッド構造からガラス転移温度を得る。
この結果をもとに、学習モデルの予測性能、例えば、予測精度を評価するために、学習モデルの結果を判定する。学習モデルの結果の判定方法は、上述の各種の方法を用いることができる。
なお、予測精度について、判定条件として、予め閾値を設定しておき、予測精度が閾値を超える場合、判定条件を満たす学習モデルと判定する。判定条件を満たす場合、ステップＳ１０で作成された学習モデルを最終的な学習モデルとする。
この結果をもとに、学習モデルの予測性能、例えば、予測精度を評価するために、学習モデルの結果を判定する。学習モデルの結果の判定方法は、上述の各種の方法を用いることができる。
なお、予測精度について、判定条件として、予め閾値を設定しておき、予測精度が閾値を超える場合、判定条件を満たす学習モデルと判定する。判定条件を満たす場合、ステップＳ１０で作成された学習モデルを最終的な学習モデルとする。
一方、ステップＳ１０の学習モデルが判定条件を満たさない場合、ステップＳ１０で作成された学習モデルを再作成し、判定条件を満たすまで繰り返し学習モデルを作成してもよい。
この場合、学習モデルを再設定する。学習モデルの再設定では、例えば、上述のように、外れ値等の不要なデータを削除する。また、説明変数を変更する。説明変数を変更する場合、例えば、説明変数自体を変更すること、複数の説明変数がある場合、説明変数の組み合わせを変更すること、説明変数として、相関係数の閾値を変更し、数値高い相関係数を利用することが挙げられる。
学習モデルを再作成し、判定条件を満たす場合、再作成された学習モデルを最終的な学習モデルとする。最終的な学習モデルに対して、最適化処理を実施する。
この場合、学習モデルを再設定する。学習モデルの再設定では、例えば、上述のように、外れ値等の不要なデータを削除する。また、説明変数を変更する。説明変数を変更する場合、例えば、説明変数自体を変更すること、複数の説明変数がある場合、説明変数の組み合わせを変更すること、説明変数として、相関係数の閾値を変更し、数値高い相関係数を利用することが挙げられる。
学習モデルを再作成し、判定条件を満たす場合、再作成された学習モデルを最終的な学習モデルとする。最終的な学習モデルに対して、最適化処理を実施する。
［高分子原材料データ解析方法の第２の例］
図３は本発明の実施形態の高分子原材料データ解析方法の第２の例を工程順に示すフローチャートである。高分子原材料データ解析方法の第２の例は、例えば、解析装置１０が用いられる。
高分子原材料データ解析方法の第２の例は、高分子原材料データ解析方法の第１の例に比して、ステップＳ１２とステップＳ１４との間に、構造情報を判定する判定工程（ステップＳ２０）と、構造情報を修正する修正工程（ステップＳ２２）とを有する点以外は、高分子原材料データ解析方法の第１の例と同様の工程である。
図３は本発明の実施形態の高分子原材料データ解析方法の第２の例を工程順に示すフローチャートである。高分子原材料データ解析方法の第２の例は、例えば、解析装置１０が用いられる。
高分子原材料データ解析方法の第２の例は、高分子原材料データ解析方法の第１の例に比して、ステップＳ１２とステップＳ１４との間に、構造情報を判定する判定工程（ステップＳ２０）と、構造情報を修正する修正工程（ステップＳ２２）とを有する点以外は、高分子原材料データ解析方法の第１の例と同様の工程である。
構造情報を判定する工程（ステップＳ２０）は、ステップＳ１２で作成された構造情報を判定する工程である。ステップＳ２０は、上述のように、作成された構造情報を構造情報の判定条件に基づき判定する。上述のように、構造情報の判定条件を満たさない場合には、最適化処理に用いる、高分子原材料の構造情報を修正するか、または最適化処理に構造情報を利用しない。なお、判定方法は、例えば、高分子原材料データ解析方法の第１の例と同じ判定方法を用いることができる。
構造情報を修正する工程（ステップＳ２２）は、ステップＳ２０で修正が必要であると判定された構造情報を修正するものである。ステップＳ２２における構造情報の修正は、上述のとおりであるため、その詳細な説明は省略する。なお、上述のように構造情報を修正する工程（ステップＳ２２）には、構造情報を再設定（再作成）することも含まれる。
また、最適化処理工程（ステップＳ１４）は、高分子原材料について所定の特性情報が得られるまで最適化処理を実施する。この場合、最適化処理の結果を判定する（ステップＳ１６）。ステップＳ１６における最適化処理の判定は、例えば、高分子原材料データ解析方法の第１の例と同様にして判定することができる。
高分子原材料データ解析方法の第２の例においても、高分子原材料データ解析方法の第１の例と同様に、最適化処理後の学習モデルを用いて、特性情報から構造情報を得ることができる（ステップＳ１８）。例えば、新たに合成されたスチレンブタジエンのガラス転移温度から、スチレンブタジエンゴムのシス、トランス、ビニル、スチレンの割合を得ることができる。このように、データベース化されていないにものについても、特性情報から構造情報を得ることができる。
また、最適化処理工程（ステップＳ１４）は、高分子原材料について所定の特性情報が得られるまで最適化処理を実施する。この場合、最適化処理の結果を判定する（ステップＳ１６）。ステップＳ１６における最適化処理の判定は、例えば、高分子原材料データ解析方法の第１の例と同様にして判定することができる。
高分子原材料データ解析方法の第２の例においても、高分子原材料データ解析方法の第１の例と同様に、最適化処理後の学習モデルを用いて、特性情報から構造情報を得ることができる（ステップＳ１８）。例えば、新たに合成されたスチレンブタジエンのガラス転移温度から、スチレンブタジエンゴムのシス、トランス、ビニル、スチレンの割合を得ることができる。このように、データベース化されていないにものについても、特性情報から構造情報を得ることができる。
さらには、高分子原材料データ解析方法の第２の例では、構造情報の判定（ステップＳ２０）と、構造情報の修正（ステップＳ２２）とを設けることにより、最適化処理において、実際に存在しない構造情報を用いることを排除できる。このため、高分子原材料データ解析方法の第１の例に比して、最適化処理に用いる構造情報を適切なものにでき、学習モデルを用いて特性情報から構造情報を得る時間を短縮できる。これにより、より短時間で、高分子原材料について特性情報から構造情報を、高い予測精度で予測できる。
なお、最適化処理後の学習モデルを得る迄の時間を、高分子原材料データ解析方法の第１の例と、高分子原材料データ解析方法の第２の例とを比較した場合、高分子原材料データ解析方法の第１の例を１００としたとき、高分子原材料データ解析方法の第２の例では７０である。このように、高分子原材料データ解析方法の第２の例では、最適化処理後の学習モデルを得る迄の時間を短縮できる。
なお、最適化処理後の学習モデルを得る迄の時間を、高分子原材料データ解析方法の第１の例と、高分子原材料データ解析方法の第２の例とを比較した場合、高分子原材料データ解析方法の第１の例を１００としたとき、高分子原材料データ解析方法の第２の例では７０である。このように、高分子原材料データ解析方法の第２の例では、最適化処理後の学習モデルを得る迄の時間を短縮できる。
［高分子原材料］
高分子原材料としては、例えば、ジエン系ゴムである。ジエン系ゴムとしては、スチレンブタジエンゴムおよびブタジエンゴムのうち、少なくとも一方を含むことが好ましい。
高分子原材料の構造情報、物性情報は、特に限定されるものではない。例えば、実測された一次元スペクトル情報のデータベースの情報を用いることができる。これ以外に、ＧＣ（ガスクロマトグラ）の測定結果、およびＩＲ（赤外線吸収）スペクトルを利用することもできる。
高分子原材料としては、例えば、ジエン系ゴムである。ジエン系ゴムとしては、スチレンブタジエンゴムおよびブタジエンゴムのうち、少なくとも一方を含むことが好ましい。
高分子原材料の構造情報、物性情報は、特に限定されるものではない。例えば、実測された一次元スペクトル情報のデータベースの情報を用いることができる。これ以外に、ＧＣ（ガスクロマトグラ）の測定結果、およびＩＲ（赤外線吸収）スペクトルを利用することもできる。
〔ジエン系ゴム〕
上記ジエン系ゴムの具体例としては、天然ゴム（ＮＲ）、イソプレンゴム（ＩＲ）、ブタジエンゴム（ＢＲ）、スチレンブタジエンゴム（ＳＢＲ）、アクリロニトリル－ブタジエン共重合ゴム（ＮＢＲ）、ブチルゴム（ＩＩＲ）、ハロゲン化ブチルゴム（Ｂｒ－ＩＩＲ、Ｃｌ－ＩＩＲ）及びクロロプレンゴム（ＣＲ）等が挙げられる。
上記ジエン系ゴムは、本発明の効果がより優れる理由から、スチレンブタジエンゴム（ＳＢＲ）又はブタジエンゴム（ＢＲ）を含むのが好ましく、スチレンブタジエンゴム（ＳＢＲ）及びブタジエンゴム（ＢＲ）を含むのがより好ましい。
上記ジエン系ゴムの具体例としては、天然ゴム（ＮＲ）、イソプレンゴム（ＩＲ）、ブタジエンゴム（ＢＲ）、スチレンブタジエンゴム（ＳＢＲ）、アクリロニトリル－ブタジエン共重合ゴム（ＮＢＲ）、ブチルゴム（ＩＩＲ）、ハロゲン化ブチルゴム（Ｂｒ－ＩＩＲ、Ｃｌ－ＩＩＲ）及びクロロプレンゴム（ＣＲ）等が挙げられる。
上記ジエン系ゴムは、本発明の効果がより優れる理由から、スチレンブタジエンゴム（ＳＢＲ）又はブタジエンゴム（ＢＲ）を含むのが好ましく、スチレンブタジエンゴム（ＳＢＲ）及びブタジエンゴム（ＢＲ）を含むのがより好ましい。
本発明は、基本的に以上のように構成されるものである。以上、本発明の高分子原材料データ解析装置および高分子原材料データ解析方法について詳細に説明したが、本発明は上述の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、種々の改良または変更をしてもよいのはもちろんである。
１０ 高分子原材料データ解析装置（解析装置）
１２ 処理部
１４ 入力部
１６ 表示部
２０ 学習モデル作成部
２２ 演算部
２４ 判定部
２６ 修正部
２７ 表示制御部
２８ メモリ
２９ 制御部
１２ 処理部
１４ 入力部
１６ 表示部
２０ 学習モデル作成部
２２ 演算部
２４ 判定部
２６ 修正部
２７ 表示制御部
２８ メモリ
２９ 制御部
Claims (8)
- 高分子原材料の特性および組成のうち少なくとも１つを含む構造情報と、高分子原材料の機械物性および化学特性のうち少なくとも１つを含む特性情報との関係を学習させて学習モデルを作成する学習モデル作成部と、
前記学習モデルを用い、前記高分子原材料について前記構造情報と前記特性情報とに関する最適化処理を実施する演算部とを有し、
前記演算部は、前記高分子原材料について所定の特性情報が得られるまで前記最適化処理を実施し、前記最適化処理された前記学習モデルを用いて、高分子原材料の特性情報を得る、高分子原材料データ解析装置。 - 高分子原材料の特性および組成のうち少なくとも１つを含む構造情報と、高分子原材料の機械物性および化学特性のうち少なくとも１つを含む特性情報との関係を学習させて学習モデルを作成する学習モデル作成部と、
前記学習モデルを用い、前記高分子原材料について前記構造情報と前記特性情報とに関する最適化処理を実施する演算部と、
前記最適化処理に用いる、前記高分子原材料の前記構造情報を判定する判定部と、
前記判定部で修正が必要と判断された前記高分子原材料の構造情報を修正する修正部とを有し、
前記演算部は、前記最適化処理された前記学習モデルを用いて、高分子原材料の特性情報を得る、高分子原材料データ解析装置。 - 前記高分子原材料は、ジエン系ゴムである、請求項１または２に記載の高分子原材料データ解析装置。
- 前記ジエン系ゴムは、スチレンブタジエンゴムおよびブタジエンゴムのうち、少なくとも一方を含む、請求項３に記載の高分子原材料データ解析装置。
- 高分子原材料の特性および組成のうち少なくとも１つを含む構造情報と、高分子原材料の機械物性および化学特性のうち少なくとも１つを含む特性情報との関係を学習させて学習モデルを作成する学習モデル作成工程と、
前記学習モデルを用い、前記高分子原材料について前記構造情報と前記特性情報とに関する最適化処理を実施する最適化処理工程と、
前記最適化処理された前記学習モデルを用いて、高分子原材料の特性情報を得る取得工程とを有し、
前記最適化処理工程は、前記高分子原材料について所定の特性情報が得られるまで前記最適化処理を実施する工程である、高分子原材料データ解析方法。 - 高分子原材料の特性および組成のうち少なくとも１つを含む構造情報と、高分子原材料の機械物性および化学特性のうち少なくとも１つを含む特性情報との関係を学習させて学習モデルを作成する学習モデル作成工程と、
前記学習モデルの最適化処理に用いる、前記高分子原材料の前記構造情報を判定する判定工程と、
前記判定工程で修正が必要と判断された前記高分子原材料の構造情報を修正する修正工程と、
前記学習モデルを用い、前記高分子原材料について前記構造情報と前記特性情報とに関する最適化処理を実施する最適化処理工程と、
前記最適化処理された前記学習モデルを用いて、高分子原材料の特性情報を得る取得工程とを有する、高分子原材料データ解析方法。 - 前記高分子原材料は、ジエン系ゴムである、請求項５または６に記載の高分子原材料データ解析方法。
- 前記ジエン系ゴムは、スチレンブタジエンゴムおよびブタジエンゴムのうち、少なくとも一方を含む、請求項７に記載の高分子原材料データ解析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020115628A JP2022013215A (ja) | 2020-07-03 | 2020-07-03 | 高分子原材料データ解析装置および高分子原材料データ解析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020115628A JP2022013215A (ja) | 2020-07-03 | 2020-07-03 | 高分子原材料データ解析装置および高分子原材料データ解析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022013215A true JP2022013215A (ja) | 2022-01-18 |
Family
ID=80169823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020115628A Pending JP2022013215A (ja) | 2020-07-03 | 2020-07-03 | 高分子原材料データ解析装置および高分子原材料データ解析方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2022013215A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2023183283A (ja) * | 2022-06-15 | 2023-12-27 | Dic株式会社 | 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム |
-
2020
- 2020-07-03 JP JP2020115628A patent/JP2022013215A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2023183283A (ja) * | 2022-06-15 | 2023-12-27 | Dic株式会社 | 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ballabio et al. | A MATLAB toolbox for Self Organizing Maps and supervised neural network learning strategies | |
| Hazama et al. | Covariance-based locally weighted partial least squares for high-performance adaptive modeling | |
| Ratcliff et al. | Modeling confidence and response time in recognition memory. | |
| WO2021073541A1 (zh) | 一种基于光谱相似度的校正集和验证集的选择及建模方法 | |
| Neunhoeffer et al. | How cross-validation can go wrong and what to do about it | |
| EP0660210A2 (en) | Methods and apparatus for the testing, monitoring and improvement of manufacturing process effectiveness | |
| Lauzon-Gauthier et al. | The Sequential Multi-block PLS algorithm (SMB-PLS): Comparison of performance and interpretability | |
| Lin et al. | Ordered homogeneity pursuit lasso for group variable selection with applications to spectroscopic data | |
| US20220113250A1 (en) | Method for Near-Infrared Spectral Wavelength Selection Based on Improved Team Progress Algorithm | |
| WO2016151620A1 (ja) | シミュレートシステム、シミュレート方法およびシミュレート用プログラム | |
| WO2020065806A1 (ja) | 処理装置、処理方法、およびプログラム | |
| JP2022013215A (ja) | 高分子原材料データ解析装置および高分子原材料データ解析方法 | |
| US6931366B2 (en) | Method and apparatus for analyzing a design | |
| Lu et al. | Multiple objective optimization in reliability demonstration tests | |
| Cravero et al. | Computer-aided design of polymeric materials: Computational study for characterization of databases for prediction of mechanical properties under polydispersity | |
| Brunelli | A synopsis of resampling techniques | |
| Stamper et al. | A comparison of model selection metrics in datashop | |
| JP2022013310A (ja) | 高分子原材料データ解析装置および高分子原材料データ解析方法 | |
| CN112883284B (zh) | 一种基于网络和数据分析的在线学习系统及测试题推荐方法 | |
| Walter et al. | Multi-criteria detection of bad smells in code with UTA method | |
| WO2023175921A1 (ja) | モデル分析装置、モデル分析方法、及び、記録媒体 | |
| JP2022013303A (ja) | 高分子原材料データ解析装置および高分子原材料データ解析方法 | |
| WO2021235111A1 (ja) | 分析データ管理システムにおける教師用データ生成方法 | |
| Flåten et al. | A method for validation of reference sets in SIMCA modelling | |
| RU2470352C1 (ru) | Способ статистического регулирования технологического процесса (варианты) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230607 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240730 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240920 |