JP2024029918A

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

Info

Publication number: JP2024029918A
Application number: JP2022132386A
Authority: JP
Inventors: 明佳倉田; Akiyoshi Kurata; 啓幸鈴木; Hiroyuki Suzuki; 俊介森; Shunsuke Mori
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2022-08-23
Filing date: 2022-08-23
Publication date: 2024-03-07
Also published as: US20240066759A1; EP4327999A1

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ＣＯ_２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。

特開２００２－３０８９９８号公報

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。

プラスチックリサイクル支援のスキームを説明するための図である。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、添加剤の例示である。ＸＲＤスペクトラムの例である。プラスチックリサイクル支援システムを示す図である。情報処理装置の構成例である。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。受け入れ判定基準を決定するフローチャートである。候補モデルの構築ステップの詳細を示すフローチャートである。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である。受け入れ判定ステップの詳細を示すフローチャートである。モデルの組織構造特徴量空間を模式的に示す図である。受け入れ判定ステップの詳細を示すフローチャートである。モデルの組織構造特徴量空間を模式的に示す図である。入力画面例である。

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（Δ２θ_０：ピーク位置、Ａ：ピーク高さ、Ｈ_ｋ：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Ｒ^２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

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。