JP2024029918A - プラスチックリサイクル支援装置及びプラスチックリサイクル支援方法 - Google Patents
プラスチックリサイクル支援装置及びプラスチックリサイクル支援方法 Download PDFInfo
- Publication number
- JP2024029918A JP2024029918A JP2022132386A JP2022132386A JP2024029918A JP 2024029918 A JP2024029918 A JP 2024029918A JP 2022132386 A JP2022132386 A JP 2022132386A JP 2022132386 A JP2022132386 A JP 2022132386A JP 2024029918 A JP2024029918 A JP 2024029918A
- Authority
- JP
- Japan
- Prior art keywords
- plastic
- deterioration
- physical property
- sample
- physical properties
- 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
- 239000004033 plastic Substances 0.000 title claims abstract description 175
- 229920003023 plastic Polymers 0.000 title claims abstract description 175
- 238000004064 recycling Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims description 36
- 230000000704 physical effect Effects 0.000 claims abstract description 193
- 230000006866 deterioration Effects 0.000 claims abstract description 136
- 238000005211 surface analysis Methods 0.000 claims abstract description 58
- 239000000654 additive Substances 0.000 claims abstract description 31
- 238000011084 recovery Methods 0.000 claims abstract description 14
- 238000002156 mixing Methods 0.000 claims abstract description 13
- 230000000996 additive effect Effects 0.000 claims abstract description 7
- 239000000203 mixture Substances 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013329 compounding Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims 2
- 239000002699 waste material Substances 0.000 abstract description 22
- 230000008520 organization Effects 0.000 abstract 1
- 239000000463 material Substances 0.000 description 36
- 238000004458 analytical method Methods 0.000 description 16
- 238000002441 X-ray diffraction Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000010365 information processing Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000004698 Polyethylene Substances 0.000 description 2
- 239000004743 Polypropylene Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229920000573 polyethylene Polymers 0.000 description 2
- -1 polypropylene Polymers 0.000 description 2
- 229920001155 polypropylene Polymers 0.000 description 2
- 239000004793 Polystyrene Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 229920005992 thermoplastic resin Polymers 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B17/00—Recovery of plastics or other constituents of waste material containing plastics
- B29B17/0005—Direct recuperation and re-use of scrap material during moulding operation, i.e. feed-back of used material
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B17/00—Recovery of plastics or other constituents of waste material containing plastics
- B29B17/0026—Recovery of plastics or other constituents of waste material containing plastics by agglomeration or compacting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B7/00—Mixing; Kneading
- B29B7/02—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type
- B29B7/22—Component parts, details or accessories; Auxiliary operations
- B29B7/28—Component parts, details or accessories; Auxiliary operations for measuring, controlling or regulating, e.g. viscosity control
- B29B7/286—Component parts, details or accessories; Auxiliary operations for measuring, controlling or regulating, e.g. viscosity control measuring properties of the mixture, e.g. temperature, density
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B7/00—Mixing; Kneading
- B29B7/30—Mixing; Kneading continuous, with mechanical mixing or kneading devices
- B29B7/58—Component parts, details or accessories; Auxiliary operations
- B29B7/72—Measuring, controlling or regulating
- B29B7/726—Measuring properties of mixture, e.g. temperature or density
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B7/00—Mixing; Kneading
- B29B7/80—Component parts, details or accessories; Auxiliary operations
- B29B7/88—Adding charges, i.e. additives
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/30—Administration of product recycling or disposal
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B17/00—Recovery of plastics or other constituents of waste material containing plastics
- B29B17/02—Separating plastics from other materials
- B29B2017/0213—Specific separating techniques
- B29B2017/0279—Optical identification, e.g. cameras or spectroscopy
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B7/00—Mixing; Kneading
- B29B7/02—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type
- B29B7/22—Component parts, details or accessories; Auxiliary operations
- B29B7/24—Component parts, details or accessories; Auxiliary operations for feeding
- B29B7/242—Component parts, details or accessories; Auxiliary operations for feeding in measured doses
- B29B7/244—Component parts, details or accessories; Auxiliary operations for feeding in measured doses of several materials
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B7/00—Mixing; Kneading
- B29B7/30—Mixing; Kneading continuous, with mechanical mixing or kneading devices
- B29B7/58—Component parts, details or accessories; Auxiliary operations
- B29B7/60—Component parts, details or accessories; Auxiliary operations for feeding, e.g. end guides for the incoming material
- B29B7/603—Component parts, details or accessories; Auxiliary operations for feeding, e.g. end guides for the incoming material in measured doses, e.g. proportioning of several materials
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29K—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES B29B, B29C OR B29D, RELATING TO MOULDING MATERIALS OR TO MATERIALS FOR MOULDS, REINFORCEMENTS, FILLERS OR PREFORMED PARTS, e.g. INSERTS
- B29K2105/00—Condition, form or state of moulded material or of the material to be shaped
- B29K2105/26—Scrap or recycled material
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/62—Plastics recycling; Rubber recycling
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Sustainable Development (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Separation, Recovery Or Treatment Of Waste Materials Containing Plastics (AREA)
- Processes Of Treating Macromolecular Substances (AREA)
Abstract
【課題】使用履歴の不明な廃プラスチックであったとしても、所望の物性の再生プラスチックにリサイクルするための添加剤の配合を精度よく推定可能とする。【解決手段】プラスチックに添加剤を配合して所望の物性を有する再生プラスチックにリサイクルするプラスチックリサイクルを支援するプラスチックリサイクル支援装置100であって、物性・劣化推定モデルを用いて、プラスチックの表面分析データより抽出される組織構造特徴量から当該プラスチックの物性及び劣化度を推定する物性・劣化推定器140と、物性回復モデルを用いて、プラスチックの物性、劣化度及び添加剤の配合条件から再生プラスチックの物性を推定する配合推定器150と、を有する。【選択図】図3
Description
本発明は、プラスチックリサイクル支援装置及びプラスチックリサイクル支援方法に関する。
資源の有効利用やCO2排出量削減の観点から、プラスチックのリサイクル率の向上が求められている。
特許文献1には、リサイクル熱可塑性樹脂の製造に使用する回収材の対象を広げるため、回収材の状態を示す指標と樹脂設計の目標値とに基づき、回収材に追加する追加材料の配合組成を算出することが開示されている。この算出にはあらかじめ用意した関係式が用いられる。
通常、プラスチックは添加剤を加えることで物性を制御することができる。しかしながら、再生プラスチックの場合は、原料となる廃プラスチックがどのような物性を有するのかが未知であるため、所望の物性の再生プラスチックを得るための最適な添加剤の配合を知ることが困難である。さらに、廃プラスチックは、酸化や熱履歴などによる劣化を生じていることが多いため、廃プラスチックの劣化の度合いを把握し、劣化に応じて添加剤の配合を最適化する必要があるが、その手法が明らかでない。
本発明の目的は、使用履歴の不明な廃プラスチックであったとしても、所望の物性の再生プラスチックにリサイクルできるかどうかを、データに基づき判断することを可能とすることである。また、使用履歴の不明な廃プラスチックであったとしても、所望の物性の再生プラスチックにリサイクルするための添加剤の配合を精度よく推定可能とすることである。
本発明の一実施態様であるプラスチックリサイクル支援装置は、プラスチックに添加剤を配合して所望の物性を有する再生プラスチックにリサイクルするプラスチックリサイクルを支援するプラスチックリサイクル支援装置であって、物性・劣化推定モデルを用いて、プラスチックの表面分析データより抽出される組織構造特徴量から当該プラスチックの物性及び劣化度を推定する物性・劣化推定器と、物性回復モデルを用いて、プラスチックの物性、劣化度及び添加剤の配合条件から再生プラスチックの物性を推定する配合推定器と、を有し、物性・劣化推定器は、サンプルの表面分析データより抽出された組織構造特徴量からサンプルの物性及び劣化度を推定し、配合推定器は、物性・劣化推定器によって推定されたサンプルの物性及び劣化度と、再生プラスチックの所望の物性とから、サンプルに配合する添加剤の配合条件を逆推定する。
信頼度の高いプラスチックリサイクルプロセスを実現する。利用可能な廃プラスチックの範囲が広がることにより、リサイクル率の向上につながる。その他の課題と新規な特徴は、本明細書の記述および添付図面から明らかになるであろう。
以下、図面を参照しながら本発明の実施例について説明する。
本実施例のプラスチックリサイクル支援のスキームを図1Aに示す。本実施例のプラスチックリサイクル支援では、母材となる廃プラスチックの表面分析データを用いて母材の組織構造について特徴量(以下、組織構造特徴量という)を複数抽出し、抽出された組織構造特徴量から母材の物性や劣化度を推定する(第1の推定)。第1の推定にあたっては、物性・劣化推定モデルを用いる。物性・劣化推定モデルは、母材の組織構造特徴量を説明変数とし、母材の物性及び劣化度を目的変数とするモデルである。以下では、物性・劣化推定モデルとして機械学習の手法を用いて学習させたモデルを用いる例を説明する。続いて、推定された母材の物性及び劣化度に基づき、所望の物性を有する再生プラスチック(コンパウンド)を得るための、廃プラスチック(母材)に配合するべき添加剤の配合条件を推定する(第2の推定)。第2の推定にあたっては、物性回復モデルを用いる。物性回復モデルは、母材の物性、劣化度及び添加剤の配合条件を説明変数とし、コンパウンドの物性を目的変数とするモデルである。以下では、物性回復モデルとして、機械学習の手法を用いて学習させたモデルを用いる例を説明する。
図1Bに、第1の推定に使用する、組織構造特徴量を抽出するための表面分析手法、物性、劣化度、添加剤の例を示す。これらは例示であって、本発明はこれらに限定されるものではない。なお、プラスチックの劣化について一般化された評価、計測手法は知られていない。一例として、プラスチックに加速劣化試験を実施し、劣化度を加速劣化試験の条件に基づいて定める。例えば、より長時間の加速劣化試験を行ったプラスチックの劣化度が大きくなるよう、劣化度を定量的に定めることができる。
ここで、表面分析データから、母材の組織構造特徴量を抽出する例を説明する。図2は、母材に対してX線回折を行って得られたXRDスペクトラムである。横軸は回折角度、縦軸は回折X線強度を示している。このようなXRDスペクトラムに対して、例えば、(数1)に示す擬フォークト関数をフィッティング関数としてフィッティングする。
擬フォークト関数をフィッティングすることで、XRDスペクトラムに含まれるピーク1つあたり、4つの組織構造特徴量(Δ2θ0:ピーク位置、A:ピーク高さ、Hk:ピーク幅、η:ローレンツ成分)が得られる。なお、図2のスペクトラム例には85のピークが含まれており、各ピークについて、これら4つの組織構造特徴量が抽出されることになる。
図3にプラスチックリサイクル支援システムを示す。プラスチックリサイクル支援システムは、プラスチックリサイクル支援装置100を備え、ネットワーク200を介して、端末210と通信可能に接続されている。端末210はディスプレイなどの表示装置211、キーボードなどの入力装置212を備えている。ユーザは端末210を通じて、プラスチックリサイクル支援装置100にアクセスし、図1Aに示したスキームを用いて、所望の物性を有するコンパウンドを得ることが可能な廃プラスチックであるかの判定を行い、可能であれば当該廃プラスチック(母材)に添加する添加剤の配合条件を決定する。廃プラスチックの表面分析データや物性データは、端末210からプラスチックリサイクル支援装置100に送信する。図3では、表面分析装置として、示差走査熱量計(DSC)221、フーリエ変換赤外線分光光度計(FTIR)222、X線回折装置(XRD)223、物性測定装置として、耐衝撃性測定装置224、メルトマスフローレイト(MFR)測定装置225を示している。これらは例示であり、本システムはこれらの装置に限定されるものではない。
プラスチックリサイクル支援装置100は、図4に示すようなプロセッサ(CPU)11、メモリ12、ストレージ装置13、入力装置14、出力装置15、通信装置16、バス17を主要な構成として含む情報処理装置により実現される。プロセッサ11は、メモリ12にロードされたプログラムに従って処理を実行することによって、所定の機能を提供する機能部(機能ブロック)として機能する。ストレージ装置13は、機能部で使用するデータやプログラムを格納する。ストレージ装置13には、例えばHDD(Hard Disk Drive)やSSD(Solid State Drive)のような不揮発性記憶媒体が用いられる。入力装置14は、キーボード、ポインティングデバイスなどであり、出力装置15はディスプレイなどである。通信装置16は、ネットワーク200を介して端末210や他の情報処理装置と通信を可能にする。これらはバス17により互いに通信可能に接続されている。
なお、プラスチックリサイクル支援装置100は、1台の情報処理装置で実現する必要はなく、複数台の情報処理装置で実現してもよい。また、プラスチックリサイクル支援装置100の一部、あるいはすべての機能をクラウド上のアプリケーションとして実現してもよい。
以下、フローチャート及び図3に示すプラスチックリサイクル支援装置100の機能ブロック図を参照しながら、プラスチックリサイクル支援装置100の処理について説明する。
図5は、プラスチックリサイクル支援処理の全体を示すフローチャートである。ユーザは、リサイクルを行う廃プラスチックの種類、再生プラスチックの目標仕様を入力する(S01)。図11に端末210に表示される入力画面例を示す。入力画面500は、リサイクル対象とする廃プラスチック情報入力部501、目標仕様入力部502、予測条件入力部503~505を含んでいる。廃プラスチック情報入力部501から入力する情報には再生プラスチックの母材となる廃プラスチックの種類を含む。プラスチックには、ポリプロピレン(PP)、ポリエチレン(PE)、ポリスチレン(PS)、あるいはそれらのブレンドといった種類があり、母材の種類ごとにリサイクルがなされる。その他、廃プラスチックの出所情報についても入力することが望ましい。目標仕様入力部502からは再生プラスチックの目標仕様を入力する。目標仕様は、物性パラメータ名、目標値、許容範囲を含む。なお、以下では、目標仕様として定義された物性パラメータを目標物性パラメータといい、特記しない限り、許容範囲を含めた目標値を目標物性パラメータ値という。目標仕様とする物性パラメータの数は限定されない。さらに、予測条件入力部からは、プラスチックリサイクル支援処理において使用するモデルを選択する条件をあらかじめ入力しておき、プラスチックリサイクル支援装置100によるモデルの絞り込みを容易にする。ここでは、モデルの推定精度503、物性・劣化推定モデルの説明変数となる入力データを得るための表面分析に許容されるコスト504、時間505を入力する例を示している。
ユーザはリサイクルを行う廃プラスチックのサンプルを入手し(S02)、プラスチックリサイクル支援装置100はこのサンプルについて受け入れ判定を行う(S03)。サンプルは、入力ステップS01で入力された種類の廃プラスチックであるが、ユーザはサンプルの物性や劣化度についての情報を有しておらず、このサンプルから所望の特性を有するプラスチック(コンパウンド)に再生できるかどうかわからない。例えば、母材の物性が再生プラスチックの目標仕様から大幅に乖離していたり、劣化が著しく進行していたりする場合には、目標仕様を実現できない場合がある。そこで、受け入れ判定ステップ(S03)では、このサンプルが入力ステップS01で入力された目標物性パラメータ値を満たす可能性があるかどうかを判定し、目標物性パラメータ値を満たしうると判定される場合に受け入れ可とする。受け入れ判定ステップ(S03)の詳細については後述する。
受け入れ可となった廃プラスチックについてプラスチックリサイクル支援装置100は、配合最適化を行う(S04)。配合最適化ステップ(S04)では、物性・劣化推定器140の推定器141によってサンプルの物性及び劣化度が推定されているので、配合推定器150の逆推定器152が、物性回復モデルを用いて目標物性パラメータ値を満たす添加剤の配合条件を推定する。
図6は、受け入れ判定ステップ(S03)における受け入れ判定基準を決定するフローチャートである。本フローは主にモデル選択器160により実行される。モデル選択器160は、まず、入力ステップ(S01)で入力された廃プラスチックの種類、再生プラスチックの目標仕様に基づき、モデルデータベース163を検索する(S11)。モデルデータベース163には、過去にプラスチックリサイクル支援装置100が作成したモデルが蓄積されている。機械学習によるモデルの場合、適切な推論が可能か否かはモデルの学習に使用した学習データに依存する。このため、検索器161は、入力ステップ(S01)での入力内容について利用可能な学習済みモデルがモデルデータベース163に蓄積されていれば、そのようなモデルを候補モデルとして選択し(S12)、蓄積されていなければ候補モデルを構築する(S13)。検索器161は、ユーザから予測条件が入力されている場合(図11参照)には、それらの予測条件を満たすモデルを選択する。
候補モデルの構築ステップ(S13)の詳細を図7に示す。プラスチックの種類、目標物性パラメータ値に基づき、プラスチックデータベース170に格納されたデータを参照する(S21)。プラスチックDB170には、プラスチックの種類ごとに、プラスチックの表面分析データ、物性データ、劣化度データが格納されている。なお、同じサンプルに対して条件を変えて加速劣化試験を施したプラスチックのデータが格納されており、劣化度データはこの加速劣化試験の条件に基づいている。さらに、それらのプラスチックに対して添加剤を配合してリサイクルした再生プラスチックの物性データとそのときの添加剤の配合条件も格納されている。
プラスチックDB170に格納されているデータを学習データに用いて、物性・劣化推定モデル及び物性回復モデルを構築する(S22,S23)。物性・劣化推定モデルの場合は、第1モデル構築器110の学習器111が、例えば、プラスチックDB170に格納された、母材(加速劣化試験を施したプラスチック)の組織構造特徴量と母材の物性及び劣化度との組み合わせを学習データとする教師あり学習を行うことによって構築する。物性回復モデルの場合は、第2モデル構築器120の学習器121が、例えば、プラスチックDB170に格納された、母材の物性、劣化度及び添加剤の配合条件とコンパウンド(母材に当該配合条件で添加剤を配合してリサイクルした再生プラスチック)の物性との組み合わせを学習データとする教師あり学習を行うことによって構築する。
ここで、物性・劣化推定モデル及び物性回復モデルは複数のモデルを構築することが望ましい。一般に多種類の説明変数を用いることでモデルの推定精度は向上する可能性がある一方、多種類の表面分析を実施する必要があるとすれば分析データを取得するためのコスト、時間が大きくなる。また、説明変数によって推定精度の向上に寄与する程度は異なる。このため、組織構造特徴量を得るための表面分析手法、予測する物性パラメータを異ならせた複数のモデルを構築し、モデルの精度とモデルを利用するためのデータを取得するコストとを比較考量して、ユーザが最適のモデルを選択可能とすることが望ましい。
そこで、構築したモデルごとに、推定精度及びデータ取得コストを計算し(S24)、構築したモデルをモデルデータベース163に、プラスチックの種類、目標物性パラメータ値、推定精度及びデータ取得コストと関連付けて登録する(S25)。なお、モデルの推定精度の算出は、第1モデル構築器110の精度計算器112及び第2モデル構築器120の精度計算器122によりそれぞれ行われる。また、第1モデル構築器110及び第2モデル構築器120は、ユーザから予測条件が入力されている場合(図11参照)には、それらの予測条件を満たすモデルを構築する。
図6の説明に戻る。モデル選択器160は、選択または構築された候補モデルについて、推定精度及びデータ取得コストを端末210に提示する(S14)。図8に物性・劣化推定モデルについて、候補モデルを提示する表示画面例300を示す。
モデル301はそれぞれ候補モデルに対応しており、候補モデルごとに、パラメータ数302、表面分析手法303、時間304、測定コスト305、物性推定精度306、劣化推定精度307を表示する。パラメータ数302は、モデルの入力データとなるパラメータ(この場合は、組織構造特徴量)の数である。表面分析手法303は、入力データとなるパラメータ(組織構造特徴量)を得るために必要な表面分析手法である。モデルの入力となる組織構造特徴量に応じて複数種類の表面分析を要する場合がある。時間304、測定コスト305は、それぞれ表面分析手法303に特定された手法によりモデルへの入力データを取得するために必要な時間と費用を示している。物性推定精度306、劣化推定精度307は、それぞれモデルの出力データのうち、母材の物性についての推定精度、母材の劣化度についての推定精度を示している。推定精度としては、例えば、決定係数R2を使用することができる。
ユーザは、端末210に提示されたモデルの情報に基づき、使用するモデルを選択する。これにより、母材(廃プラスチック)の表面分析手法と分析に使用する組織構造特徴量が決定される(S15)。
配合推定器150の逆推定器152は、選択された物性回復モデルを用いて、入力ステップ(S01)で入力された目標物性パラメータ値から、母材の物性・劣化度の許容範囲を推定する(S16)。続いて、物性・劣化推定器140の逆推定器142は、選択された物性・劣化推定モデルを用いて、ステップS16で求められた母材の物性・劣化度の許容範囲を組織構造特徴量空間に変換し、許容範囲記憶器162に記憶する(S17)。なお、フローチャートでは、ステップS16では母材の物性・劣化度の許容範囲のみならず、母材の物性・劣化度の不可範囲も併せて求めて、それぞれステップS17で組織構造特徴量空間に変換しておくことが望ましい。こうしておくことで、後述するように、サンプルの組織構造特徴量から、モデルにより母材の物性から受け入れ可否を適切に判定できるものなのか、モデルでは適切に判定できないものなのかも含めて判定が可能になる。
ステップS17で求められた母材の物性・劣化度の許容範囲を示す組織構造特徴量空間が、受け入れ判定ステップ(S03)で使用する受け入れ判定基準である(図5参照)。すなわち、受け入れ判定ステップ(S03)では、ステップS15で決定された表面分析手法によって分析した分析データが、ステップS17で求められた組織構造特徴量空間に含まれる場合には、入力ステップS01で入力された目標仕様を満たすよう再生できる可能性が高く、受け入れ可能と判定する。
サンプルの受け入れ判定ステップ(S03)の詳細例を図9Aに示す。ユーザは、まず、ステップS15で決定された表面分析手法によってサンプルの表面分析を行う(S31)。表面分析データは端末210からプラスチックリサイクル支援装置100のデータ入力部182に入力される。特徴量抽出部181は、データ入力部182から表面分析データを受け取り、フィッティングにより組織構造特徴量を抽出する(S32)。その後、物性・劣化推定器140の推定器141は、入力データである組織構造特徴量を物性・劣化推定モデルに入力し、サンプル(母材)の物性及び劣化度を推定する(S33)。
ここで、物性・劣化推定モデルとして、第1の表面分析手法による分析データから得られる第1の組織構造特徴量と第2の表面分析手法による分析データから得られる第2の組織構造特徴量を入力データとするモデルを例にとる。実際には1つの表面分析手法による分析データから図2を用いて例示したように複数の組織構造特徴量が抽出できるのが通常であるが、説明の単純化のため、1つの表面分析手法から1つの組織構造特徴量が得られるとしている。図9Bにモデルの組織構造特徴量空間を模式的に示す。
この例では、モデルの組織構造特徴量空間は第1の組織構造特徴量と第2の組織構造特徴量とによって張られる空間400として定義される。領域401はモデルがサンプルを受け入れ可能と推定できる領域であり、領域402はモデルがサンプルを受け入れ不可と推定できる領域であり、それ以外の領域403はモデルがサンプルを受け入れ可能とも受け入れ不可とも判断できない領域である。例えば、モデルが学習データによって学習していない領域については、モデルの推論の信頼性は低下する。このような推論の信頼性の低い領域が領域403である。これらの領域の範囲は、モデル選択器160の許容範囲記憶器162に記憶されている。判定器130の比較器131は、分析データから得られた組織構造特徴量が、モデルの組織構造特徴量空間のどの領域に位置するかを判定する(S34,S35)。
比較器131は、分析データから得られた組織構造特徴量が領域401に位置する場合に受け入れ可と判断し(S36)、分析データから得られた組織構造特徴量が領域402に位置する場合に受け入れ不可と判断し(S37)、分析データから得られた組織構造特徴量が領域403に位置する場合にモデルでは推定不能と判断する。
比較器131が推定不能と判断する場合には、ユーザはサンプルの物性値を測定し、その結果をプラスチックデータベース170に格納する(S38)。比較器131は、実測した物性値がステップS16で求められた母材の物性の許容範囲であれば受け入れ可と判断し(S36)、実測した物性値等がステップS16で求められた母材の物性の許容範囲外であれば受け入れ不可と判断する(S40)。なお、サンプルについて測定した物性値を表面分析データとともにプラスチックデータベース170に格納しておくことで、以降のモデルの学習に活用することができる。
サンプルの受け入れ判定ステップ(S03)の別の詳細例を図10Aに示す。図9Aの例では、第1の表面分析手法による分析データから得られる第1の組織構造特徴量と第2の表面分析手法による分析データから得られる第2の組織構造特徴量を入力データとする物性・劣化推定モデルを例示した。これに対して、図10Aのフローチャートでは、まず第1の表面分析手法による分析データから得られる第1の組織構造特徴量を入力データとする第1の物性・劣化推定モデルを用いて受け入れ判定を行い、第1の物性・劣化推定モデルで判定できない場合に、第1の組織構造特徴量と、第2の表面分析手法による分析データから得られる第2の組織構造特徴量とを入力データとする第2の物性・劣化推定モデルを用いて受け入れ判定を行う。これにより、第1の物性・劣化推定モデルでサンプルの受け入れ可否を判定可能な場合には、より低コストに受け入れ判定が可能となる。
ユーザは、まず、第1の表面分析手法によってサンプルの表面分析を行う(S51)。表面分析データは端末210からプラスチックリサイクル支援装置100のデータ入力部182に入力される。特徴量抽出部181は、データ入力部182から表面分析データを受け取り、フィッティングにより第1の組織構造特徴量を抽出する(S52)。その後、物性・劣化推定器140の推定器141は、入力データである第1の組織構造特徴量を第1の物性・劣化推定モデルに入力し、サンプル(母材)の物性及び劣化度を推定する(S53)。
図10Bに第1の物性・劣化推定モデル及び第2の物性・劣化推定モデルの組織構造特徴量空間を模式的に示す。第2の物性・劣化推定モデルの組織構造特徴量空間は図9Bに示した組織構造特徴量空間と同一である。一方、第1の物性・劣化推定モデルの組織構造特徴量空間は1次元の空間となり、領域411~414に分割される。領域411は第1の物性・劣化推定モデルにより受け入れ可能と判定可能な領域であり、領域412は第1の物性・劣化推定モデルにより受け入れ不可と判定可能な領域であり、領域413,414は第1の物性・劣化推定モデルでは受け入れ判定できない領域である。領域413は、第2の組織構造特徴量により受け入れ可否が変化する領域であるから、第1の物性・劣化推定モデルの推論結果の信頼性は低くなっているはずである。領域414はモデルが学習データによって学習していない領域であるから、この領域においても推論結果の信頼性が低く、判定できない。
判定器130の比較器131は、分析データから得られた組織構造特徴量が、第1の物性・劣化推定モデルの1次元組織構造特徴量空間のどの領域に位置するかを判定する(S54,S55)。比較器131は、分析データから得られた第1の組織構造特徴量が領域411に位置する場合に受け入れ可と判断し(S56)、第1の組織構造特徴量が領域412に位置する場合に受け入れ不可と判断し(S57)、第1の組織構造特徴量が領域413,414に位置する場合に第1の物性・劣化推定モデルでは判定不能と判断する。
比較器131が判定不能と判断する場合には、比較器131は使用するモデルを第1の物性・劣化推定モデルから第2の物性・劣化推定モデルに切り替える(S58)。ユーザは、第2の表面分析手法によってサンプルの表面分析を行う(S59)。表面分析データは端末210からプラスチックリサイクル支援装置100のデータ入力部182に入力される。特徴量抽出部181は、データ入力部182から表面分析データを受け取り、フィッティングにより第2の組織構造特徴量を抽出する(S60)。その後、物性・劣化推定器140の推定器141は、入力データである第1の組織構造特徴量及び第2の組織構造特徴量を第2の物性・劣化推定モデルに入力し、サンプル(母材)の物性及び劣化度を推定する(S61)。ステップS61以降の処理は、図9Aに示したフローチャートにおけるステップS33以降の処理と同じであるため、重複する説明については省略する。
なお、本発明は上述した実施の形態に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施の形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施の形態の構成の一部を他の実施の形態の構成に置き換えることが可能であり、また、ある実施の形態の構成に他の実施の形態の構成を加えることも可能である。また、各実施の形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
11:プロセッサ(CPU)、12:メモリ、13:ストレージ装置、14:入力装置、15:出力装置、16:通信装置、17:バス、100:プラスチックリサイクル支援装置、110:第1モデル構築器、111:学習器、112:精度計算器、120:第2モデル構築器、121:学習器、122:精度計算器、130:判定器、131:比較器、140:物性・劣化推定器、141:推定器、142:逆推定器、150:配合推定器、151:推定器、152:逆推定器、160:モデル選択器、161:検索器、162:許容範囲記憶器、163:モデルデータベース、170:プラスチックデータベース、181:特徴量抽出部、182:データ入力部、200:ネットワーク、210:端末、211:表示装置、212:入力装置、221:示差走査熱量計、222:フーリエ変換赤外線分光光度計、223:X線回折装置、224:耐衝撃性測定装置、225:メルトマスフローレイト測定装置、300:表示画面例、301:モデル、302:パラメータ数、303:表面分析手法、204:時間、305:測定コスト、306:物性推定精度、307:劣化推定精度、400:空間、401,402,403,411,412,413,414:領域、500:入力画面、501:廃プラスチック情報入力部、502:目標仕様入力部、503,504,505:予測条件入力部。
Claims (14)
- プラスチックに添加剤を配合して所望の物性を有する再生プラスチックにリサイクルするプラスチックリサイクルを支援するプラスチックリサイクル支援装置であって、
物性・劣化推定モデルを用いて、プラスチックの表面分析データより抽出される組織構造特徴量から当該プラスチックの物性及び劣化度を推定する物性・劣化推定器と、
物性回復モデルを用いて、プラスチックの物性、劣化度及び添加剤の配合条件から再生プラスチックの物性を推定する配合推定器と、を有し、
前記物性・劣化推定器は、サンプルの表面分析データより抽出された組織構造特徴量から前記サンプルの物性及び劣化度を推定し、
前記配合推定器は、前記物性・劣化推定器によって推定された前記サンプルの物性及び劣化度と、前記再生プラスチックの所望の物性とから、前記サンプルに配合する添加剤の配合条件を逆推定するプラスチックリサイクル支援装置。 - 請求項1において、
前記サンプルの受け入れ可否を判定する判定器を有し、
前記判定器は、前記サンプルの表面分析データから抽出された組織構造特徴量が、前記再生プラスチックの所望の物性に応じた許容範囲に含まれるか否かによって前記サンプルの受け入れ可否を判定し、
前記許容範囲は、前記配合推定器が前記再生プラスチックの所望の物性から、前記サンプルに許容される物性及び劣化度の許容範囲を逆推定し、前記物性・劣化推定器が前記物性及び劣化度の許容範囲を組織構造特徴量空間に変換することにより定められるプラスチックリサイクル支援装置。 - 請求項2において、
複数の前記物性・劣化推定モデルを格納するモデルデータベースを有し、
前記物性・劣化推定モデルは、モデルに入力される組織構造特徴量を抽出するために必要な表面分析手法、時間及び測定コストと、物性推定精度と、劣化推定精度とを関連付けて格納されるプラスチックリサイクル支援装置。 - 請求項2において、
前記判定器は、前記サンプルの表面分析データから抽出された組織構造特徴量が前記物性・劣化推定モデルによっては推定不可能である領域の値である場合には、前記サンプルについて測定した物性が、前記配合推定器が前記再生プラスチックの所望の物性から逆推定して求めた前記サンプルに許容される物性の許容範囲を満たす場合に、前記サンプルは受け入れ可能と判定するプラスチックリサイクル支援装置。 - 請求項2において、
前記判定器は、前記サンプルの表面分析データから抽出された組織構造特徴量が、前記再生プラスチックの所望の物性に応じた第1の許容範囲に含まれるか否かによって前記サンプルの受け入れ可否を判定し、前記第1の許容範囲によって判定不可能な場合には、前記再生プラスチックの所望の物性に応じた第2の許容範囲に含まれるか否かによって前記サンプルの受け入れ可否を判定し、
前記第1の許容範囲は、前記物性・劣化推定器が第1の物性・劣化推定モデルを用いて前記物性及び劣化度の許容範囲を組織構造特徴量空間に変換することにより定められ、前記第2の許容範囲は、前記物性・劣化推定器が第2の物性・劣化推定モデルを用いて前記物性及び劣化度の許容範囲を組織構造特徴量空間に変換することにより定められ、
前記第1の物性・劣化推定モデルは、モデルに入力される組織構造特徴量を抽出するために必要な表面分析手法の種類が前記第2の物性・劣化推定モデルよりも少ないプラスチックリサイクル支援装置。 - 請求項5において、
前記判定器は、前記サンプルの表面分析データから抽出された組織構造特徴量が前記第2の物性・劣化推定モデルによっては推定不可能である領域の値である場合には、前記サンプルについて測定した物性が、前記配合推定器が前記再生プラスチックの所望の物性から逆推定して求めた前記サンプルに許容される物性の許容範囲を満たす場合に、前記サンプルは受け入れ可能と判定するプラスチックリサイクル支援装置。 - 請求項3において、
プラスチックの種類ごとに、プラスチックの表面分析データ、物性データ及び当該プラスチックに施した加速劣化試験の条件に基づく劣化度データを記憶するプラスチックデータベースと、
前記プラスチックデータベースに記憶された前記プラスチックの表面分析データから抽出された組織構造特徴量と当該プラスチックの物性データ及び劣化度データとの組み合わせを学習データとして前記物性・劣化推定モデルを構築する第1モデル構築器を有するプラスチックリサイクル支援装置。 - 請求項7において、
第2モデル構築器を有し、
前記プラスチックデータベースは、プラスチックの種類ごとに、さらに加速劣化試験後のプラスチックに添加剤を配合してリサイクルした再生プラスチックの物性データ及び当該添加剤の配合条件を記憶しており、
前記第2モデル構築器は、前記プラスチックデータベースに記憶された前記プラスチックの物性データ、劣化度データ及び添加剤の配合条件と前記再生プラスチックの物性データとの組み合わせを学習データとして前記物性回復モデルを構築するプラスチックリサイクル支援装置。 - プラスチックに添加剤を配合して所望の物性を有する再生プラスチックにリサイクルするプラスチックリサイクルを支援するプラスチックリサイクル支援装置を用いたプラスチックリサイクル支援方法であって、
前記プラスチックリサイクル支援装置は、物性・劣化推定モデルを用いて、プラスチックの表面分析データから抽出される組織構造特徴量から当該プラスチックの物性及び劣化度を推定する物性・劣化推定器と、物性回復モデルを用いて、プラスチックの物性、劣化度及び添加剤の配合条件から再生プラスチックの物性を推定する配合推定器と、を備え、
前記物性・劣化推定器は、サンプルの表面分析データより抽出された組織構造特徴量から前記サンプルの物性及び劣化度を推定し、
前記配合推定器は、前記物性・劣化推定器によって推定された前記サンプルの物性及び劣化度と、前記再生プラスチックの所望の物性とから、前記サンプルに配合する添加剤の配合条件を逆推定するプラスチックリサイクル支援方法。 - 請求項9において、
前記プラスチックリサイクル支援装置は、前記サンプルの受け入れ可否を判定する判定器を有し、
前記判定器は、前記サンプルの表面分析データから抽出された組織構造特徴量が、前記再生プラスチックの所望の物性に応じた許容範囲に含まれるか否かによって前記サンプルの受け入れ可否を判定し、
前記許容範囲は、前記配合推定器が前記再生プラスチックの所望の物性から、前記サンプルに許容される物性及び劣化度の許容範囲を逆推定し、前記物性・劣化推定器が前記物性及び劣化度の許容範囲を組織構造特徴量空間に変換することにより定められるプラスチックリサイクル支援方法。 - 請求項10において、
前記プラスチックリサイクル支援装置は、複数の前記物性・劣化推定モデルを格納するモデルデータベースを有し、
前記物性・劣化推定モデルは、モデルに入力される組織構造特徴量を抽出するために必要な表面分析手法、時間及び測定コストと、物性推定精度と、劣化推定精度とを関連付けて格納されるプラスチックリサイクル支援方法。 - 請求項10において、
前記判定器は、前記サンプルの表面分析データから抽出された組織構造特徴量が前記物性・劣化推定モデルによっては推定不可能である領域の値である場合には、前記サンプルについて測定した物性が、前記配合推定器が前記再生プラスチックの所望の物性から逆推定して求めた前記サンプルに許容される物性の許容範囲を満たす場合に、前記サンプルは受け入れ可能と判定するプラスチックリサイクル支援方法。 - 請求項11において、
前記プラスチックリサイクル支援装置は、プラスチックの種類ごとに、プラスチックの表面分析データ、物性データ及び当該プラスチックに施した加速劣化試験の条件に基づく劣化度データを記憶するプラスチックデータベースと、第1モデル構築器と、を備え、
前記第1モデル構築器は、前記プラスチックデータベースに記憶された前記プラスチックの表面分析データから抽出された組織構造特徴量と当該プラスチックの物性データ及び劣化度データとの組み合わせを学習データとして前記物性・劣化推定モデルを構築するプラスチックリサイクル支援方法。 - 請求項13において、
前記プラスチックリサイクル支援装置は、第2モデル構築器を備え、
前記プラスチックデータベースは、プラスチックの種類ごとに、さらに加速劣化試験後のプラスチックに添加剤を配合してリサイクルした再生プラスチックの物性データ及び当該添加剤の配合条件を記憶しており、
前記第2モデル構築器は、前記プラスチックデータベースに記憶された前記プラスチックの物性データ、劣化度データ及び添加剤の配合条件と前記再生プラスチックの物性データとの組み合わせを学習データとして前記物性回復モデルを構築するプラスチックリサイクル支援方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022132386A JP2024029918A (ja) | 2022-08-23 | 2022-08-23 | プラスチックリサイクル支援装置及びプラスチックリサイクル支援方法 |
US18/203,093 US20240066759A1 (en) | 2022-08-23 | 2023-05-30 | Plastic recycling supporting apparatus and plastic recycling supporting method |
EP23177720.2A EP4327999A1 (en) | 2022-08-23 | 2023-06-06 | Plastic recycling supporting apparatus and plastic recycling supporting method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022132386A JP2024029918A (ja) | 2022-08-23 | 2022-08-23 | プラスチックリサイクル支援装置及びプラスチックリサイクル支援方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024029918A true JP2024029918A (ja) | 2024-03-07 |
Family
ID=86732310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022132386A Pending JP2024029918A (ja) | 2022-08-23 | 2022-08-23 | プラスチックリサイクル支援装置及びプラスチックリサイクル支援方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240066759A1 (ja) |
EP (1) | EP4327999A1 (ja) |
JP (1) | JP2024029918A (ja) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3275462B2 (ja) * | 1993-07-14 | 2002-04-15 | 株式会社日立製作所 | リサイクルシステム及びリサイクル方法 |
EP1494843B1 (en) * | 2002-04-12 | 2010-02-24 | MBA Polymers, Inc. | Multistep separation of plastics |
US11865740B2 (en) * | 2020-06-15 | 2024-01-09 | Tata Consultancy Services Limited | Systematic disposal, classification and dynamic procurement of recyclable resin |
JP2022070134A (ja) * | 2020-10-26 | 2022-05-12 | 株式会社神戸製鋼所 | 機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び樹脂処理装置 |
-
2022
- 2022-08-23 JP JP2022132386A patent/JP2024029918A/ja active Pending
-
2023
- 2023-05-30 US US18/203,093 patent/US20240066759A1/en active Pending
- 2023-06-06 EP EP23177720.2A patent/EP4327999A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240066759A1 (en) | 2024-02-29 |
EP4327999A1 (en) | 2024-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6947981B2 (ja) | 推定方法、推定装置および推定プログラム | |
KR102394781B1 (ko) | 플라스틱 부품의 물성 예측 및 분석 방법 | |
Dongré et al. | Refinement of flow number as determined by asphalt mixture performance tester: Use in routine quality control–quality assurance practice | |
JP7468542B2 (ja) | 特性予測装置 | |
Ameri et al. | Evaluation and comparison of flow number calculation methods | |
Li et al. | Effect of filler in asphalt mastic on rheological behaviour and susceptibility to rutting | |
Slooten | Accurate assessment of the weight of evidence for DNA mixtures by integrating the likelihood ratio | |
CN111143981A (zh) | 虚拟试验模型验证系统及方法 | |
Kim et al. | A simplified performance-based specification for asphalt pavements | |
Azzopardi et al. | cwl_eval: An evaluation tool for information retrieval | |
Bressi et al. | Impact of different ageing levels on binder rheology | |
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 | |
Worthey et al. | Tree-based ensemble methods: predicting asphalt mixture dynamic modulus for flexible pavement design | |
CN104866932A (zh) | 基于预测模型适用性判断的时间序列预测方法 | |
JP2024029918A (ja) | プラスチックリサイクル支援装置及びプラスチックリサイクル支援方法 | |
Mihelčić et al. | Approximating incompletely defined utility functions of qualitative multi-criteria modeling method DEX | |
CN113011053A (zh) | 一种基于性能裕量的结构确信可靠性分析方法及系统 | |
Walubita et al. | Statistical Evaluation of the Material‐Source Effect on the Ductility and Elastic Recovery (ER) of Plant‐Mix Extracted Asphalt‐Binders | |
CN112381456B (zh) | 基于冲突数据融合的装备研制阶段测试性评估及系统 | |
JP2019003333A (ja) | バグ混入確率計算プログラム及びバグ混入確率計算方法 | |
CN112215246B (zh) | 道路交通诊断方法、装置、电子设备及机器可读存储介质 | |
CN114757166A (zh) | 自然语言理解系统的评估方法、装置及网络设备 | |
CN111026661A (zh) | 一种软件易用性全面测试方法及系统 | |
CN116298930B (zh) | 电池包健康度的测量方法、装置及服务器 | |
Mensching et al. | Relative comparison of complex dynamic modulus predictive models for non-conventional asphalt concrete mixtures |