JP6792061B2 - 複数の繊維の逆シミュレーション - Google Patents

Description

本発明は、複数の繊維を逆シミュレーションするための、コンピュータ実施方法に関する。本方法は、特に、巻き髪又は頭髪を逆シミュレーションするために適用されてよい。本方法はまた、織布繊維若しくは不織布繊維、ブラシ、又は繊維材料を組み込んでいるその他の製品を逆シミュレーションするために適用され得る。

物理的システムのコンピュータシミュレーションは、多くの技術分野において周知であり、かつ使用されている。シミュレーションの適用としては、コンピュータグラフィクス及び構造シミュレーションが挙げられる（しかし、これらに限定されない）。一般に、システムの実世界挙動を可能な限り正確に捕捉し、かつ予測するために、コンピュータシミュレーションが可能な限り現実的であることが望ましい。

本発明は、特に、複数の繊維をシミュレーションすることに関する。考慮される要素のシアー数及びそれらの間の相互作用の潜在的な複雑性の両方故に、繊維の集合体をシミュレーションすることは挑戦的であり得る。実世界におけるこれらの繊維の機械的挙動により忠実な方法にて、毛髪繊維などの繊維をシミュレートすることが望ましい。繊維のより良好なシミュレーションは、毛髪のコンピュータグラフィクスアニメーション、ブラシなどの繊維を含有する物品の構造シミュレーション、及び多くのその他の適用に有用であり得る。

この種類の周知のシミュレーションアプローチは、「フォワード」シミュレーションのプロセスを使用する。これは、その挙動を制御するパラメータについての既存の知識に基づいて、複数の繊維の挙動をシミュレーションすることを伴う。これは、パラメータを決定することが困難であり得る、時間を浪費し得る、又は、場合によっては所与の繊維に関して不可能であり得る、という点で、問題を提示している。実際の繊維における侵襲的検査及び／又は破壊試験を、時折必要とする場合がある。場合によっては、得られたパラメータは、試験条件に感受的であり得る、又は測定値の変動に感受的であり得、潜在的に不正確性をもたらし得る。

パラメータを決定するより良好な方法を見出すことが望ましい。

本発明者らは、繊維の集合体の逆シミュレーションにより、繊維機械的パラメータを決定し得る、と認識した。ここで、「逆」シミュレーションとは、順方向シミュレーションのために使用されるこれらのものに対する類似の計算モデルを使用して、繊維の挙動の観察に基づいて繊維のパラメータが推定されることを可能にする、通常の順方向シミュレーションの反転を意味する。このような逆シミュレーションはまた、繊維の機械的特性を分析する又は予測することが重要であるその他の適用において、より広範な有用性を有し得る。

本発明は、請求項により定義されるものである。本発明の第１の態様により、複数の繊維を逆シミュレーションするためのコンピュータ実施方法が提供され、本方法は、
繊維の機械的挙動を記述するための計算モデルを提供するステップと、
前記複数の繊維の目標構成又は動的挙動を記述する、目標幾何学的情報を取得するステップと、
前記計算モデル及び前記目標幾何学的情報を使用して、前記複数の繊維の挙動を逆シミュレーションし、前記複数の繊維のための、繊維機械的パラメータの目標セットを計算し、これにより、前記計算された、繊維機械的パラメータの目標セットを伴う繊維が、前記目標構成又は動的挙動を示すステップと、を含む。

繊維機械的パラメータの目標セットが計算され、これにより、これらの繊維機械的パラメータが複数の繊維に付与されている場合、前記複数の繊維は目標構成又は動的挙動を示し得る。

あるいは、目標構成又は動的挙動が実際の物理的繊維に関する場合、繊維機械的パラメータの目標セットがこのような繊維を記述することができる。

目標幾何学的情報は、複数の繊維の画像又はビデオを含んでよい。

複数の繊維の画像は、定常状態の静的構成における繊維を示してよい。複数の繊維のビデオは、インパルス又は振動運動などの機械的刺激に応答して動く繊維を示してよい。

目標幾何学的情報は、各繊維の複数の区分の三次元位置の記述を含んでよい。

三次元位置情報は、画像やビデオなどの視覚入力に代えて提供されてもよいが、好ましくは、この視覚入力に加えて提供される。

計算モデルは、各繊維を区分連鎖としてモデルし得る。

幾何学的形状はまた、所定の種類の繊維間で連結分布を含んでよい。あるいは、連結分布は、幾何学的情報において暗黙であってよい、及び／又はシミュレーションによりその幾何学的情報から決定されてよい。

幾何学的情報は、各繊維の複数の区分のそれぞれの速度を更に含んでよい。

幾何学的情報は、繊維の実際の試料から取得されてよく、また幾何学的情報を取得するステップは、好ましくは、マイクロコンピュータ断層撮影、レーザ走査、ＩＲ画像法、及び光コヒーレンス断層撮影のうち、少なくとも１つを含む。マイクロコンピュータ断層撮影はまた、時折、マイクロ−ＣＴ、高分解能エックス線断層撮影、高分解能ＣＴ（ＨＲＣＴ）、又は高分解能マイクロＣＴとも称される。

本方法にて繊維の実際の試料から幾何学的情報を取得することで、繊維形状のより正確な捕捉が可能になり得る。

計算モデルは、各繊維のためのＣｏｓｓｅｒａｔロッド、各繊維のための、有限要素に基づいた記述、各繊維のためのＫｉｒｃｈｏｆｆロッド、及び各繊維のための発振器ネットワークのうち、少なくとも１つを含んでよい。

所望により、各繊維のための発振器ネットワークは、立方体又は四面体の発振器ネットワーク備えてよい。

計算モデルはまた、好ましくは、温度、湿度、及び確率的な風の影響を含むが、これらに限定されない環境条件を考慮する。

複数の繊維の挙動を逆シミュレーションすることは、好ましくは、目標幾何学的情報をニューラルネットワークの入力へと適用することを含む。

ニューラルネットワークへの入力は、複数の繊維の画像又はビデオを含んでよい。

好適なトレーニングされたニューラルネットワークは、繊維パラメータに関する第１の推定セットを生じさせることにおいて、特に良好であり得ることが見出された。

ニューラルネットワークの出力は、好ましくは、繊維機械的パラメータの目標セットにおける各パラメータに関する値の範囲を含む。

本アプローチは、ニューラルネットワークを効果的に使用して、繊維機械的パラメータを決定するために検索する必要のあるパラメータ空間のサイズを、減少させる。

値の各範囲は、最大値と最小値との範囲により定義されてよい。

ニューラルネットワークは、多層ニューラルネットワークを含んでよい。ニューラルネットワークは反復接続を含んでよく、前記ネットワークの１つの層の出力信号は、前記ネットワークの先行する層の入力信号に接続される。

ニューラルネットワークは、好ましくは、３０ないし１８００の範囲にて多数の接続点を含む。

複数の繊維の挙動を逆シミュレーションすることは、所望により、複数の繊維機械的パラメータの変更されたセットを発生することと、変更されたセットのそれぞれに関して、計算モデルを使用して、前記変更されたセットにより複数の繊維において発生する構成又は動的挙動をシミュレーションすること、及び目標セットとして、前記目標幾何学的情報に最も近い前記構成又は動的挙動を発生させる、変更されたセットを選択することと、を含む。

これは、合成による分析アプローチを適用し、好ましくは、異なる繊維機械的パラメータのセットを用いて順方向シミュレーションを反復することにより、繊維機械的パラメータの目標セットを導出する。

複数の繊維の挙動を逆シミュレーションすることは、好ましくは、目標幾何学的情報をニューラルネットワークの入力信号に適用することを含み、ニューラルネットワークの出力信号は、好ましくは、繊維機械的パラメータの目標セットにおける各パラメータに関する値の範囲を含み、また複数の繊維機械的パラメータの変更されたセットは、好ましくは、各パラメータに関する、ニューラルネットワークにより出力された値の範囲に基づいて発生する。

本アプローチでは、ニューラルネットワークを用いて探索されるパラメータ空間を減少させ、また次に、前記減少させたパラメータ空間内で繊維機械的パラメータを推定するために、合成による分析技術が適用される。

いくつかの実施形態では、各パラメータのための範囲の中点値に基づいて、複数の繊維機械的パラメータの変更されたセットを発生させてよい。例えば、最適化アルゴリズムにおける各パラメータのための初期値として、前記中点値を使用してよい。

複数の、繊維機械的パラメータの変更されたセットを発生することは、所望により、シミュレーションされたアニーリング又は進化的アルゴリズムなどの、極小値の回避に好適な最適化アルゴリズムを使用することを含む。

ニューラルネットワークを使用して発生させた減少したパラメータ空間が、多くの極小値を有し得る、ということが見出された。勾配降下などの最適化法を、本パラメータ空間に使用することができるが、局所的最小での「固定」を被り得て、結果として部分最適である繊維機械的パラメータのセットをもたらす。極小値を回避するための測定値を含む最適化アルゴリズムは、全体的に最適なパラメータセットを見出す機会が多い場合がある。

繊維機械的パラメータの目標セットは、好ましくは、繊維間の１つ以上の摩擦係数と、繊維間の凝集測度と、繊維間の付着測度と、のうちの少なくとも１つ、いずれか２つ、又は３つ全てを含む。

本発明者らは、一般には繊維の、及び特に毛髪繊維の、機械的パラメータのより良好な特性が必要とされている、と認識した。以前のアプローチが個々の繊維の剛性又は可撓性に焦点を当てていたのに対して、本発明者らは、繊維間の相互作用の正確な特性が、複数の繊維のシミュレーションの全体の正確性に関して重要であることを、見出した。繊維からなる本体の挙動は、繊維間の衝突（接触点）の複雑なネットワークにより、またそれらが衝突する場合に繊維がどのように相互作用するかにより、影響を受ける。摩擦力、凝集力、付着力が、繊維間の相互作用を制御する３つの最も重要なパラメータであることが、見出されてきた。

付着力とは、互いに接触している２つの毛髪繊維の分離に対抗する力を意味し、接触点においては液体が存在しない。

凝集力とは、互いに接触している２つの毛髪繊維の分離に対抗する力を意味し、接触点において、それらの間に液体が存在する。凝集力は、毛細管力及びラプラス圧力に依存する。

凝集力及び付着力は、好ましくは、繊維機械的パラメータのセットにおいて、接触領域により正規化される。

好ましくは、第１の、繊維機械的パラメータのセットは、２つ以上の摩擦係数を含み、各摩擦係数は、異なる相互配向に関係する。これにより、異方性の摩擦効果を説明することができる。

繊維機械的パラメータの目標セットは、好ましくは、繊維に関連したヤング弾性率、繊維に関する剪断弾性率又は捩り弾性率、及び繊維に関する曲げ弾性率、のうち少なくとも１つ、いずれか２つ、又は３つ全てを更に含む。

繊維間の相互作用を特徴づけるパラメータは、好ましくは、個々の繊維機械的特性の正確な特徴づけと組み合わされる。特に、十分な詳細にて、個々の繊維の可撓性を特徴づけることが有利である。この関連で、ヤング弾性率、曲げ弾性率、及び捩り弾性率が、最も重要なパラメータであることが見出されてきた。捩り弾性率は、剪断弾性率に関連する。

繊維機械的パラメータの目標セットは、好ましくは、繊維に関連した直径、繊維の材料密度、及び繊維に関する断面形状又は楕円率、のうち少なくとも１つ、いずれか２つ、又は３つ全てを更に含む。

相互作用を特徴づけかつ個々の繊維の可撓性を特徴づける、上述したパラメータに、これらのその他の繊維機械的パラメータを組み合わせることが、有利である。

本発明の第２の態様により、ニューラルネットワークをトレーニングするためのコンピュータ実施方法が提供され、本方法は、
（ｉ）複数の繊維の種類のそれぞれに関して、
繊維の前記種類に関連する、繊維機械的パラメータのセットを取得するステップと、
これらの繊維機械的パラメータを有する複数の繊維の構成又は動的挙動を記述する、トレーニング幾何学的情報を取得するステップと、並びに
（ｉｉ）前記繊維機械的パラメータのセット及び前記トレーニング幾何学的情報を使用して、前記ニューラルネットワークをトレーニングして、繊維の幾何学的情報からの機械的パラメータを推定し、
前記トレーニング幾何学的情報は、前記繊維機械的パラメータのそれぞれのセットを有する複数の繊維の前記挙動をコンピュータシミュレーションすることによって発生する、合成トレーニング幾何学的情報を含むこと、とを含む。

不可視データを汎用化することが可能なニューラルネットワークの首尾良いトレーニングは、使用可能となる十分なトレーニングデータを必要とする。実際のトレーニングデータを大量に生成することは困難であり得る、又は時間の浪費であり得る。本発明者らは、合成トレーニングデータを生成する方法として、繊維の順方向シミュレーションを使用できることを認識した。これにより、使用可能なトレーニングデータの量及び豊富さを劇的に増加させることができ、それにより、ニューラルネットワークのその後の能力を向上させて、繊維の機械パラメータに関する正確な推定を行うことができる。

トレーニング幾何学的情報は、好ましくは、複数の繊維の画像又はビデオを含む。

ニューラルネットワークにより推定される機械的パラメータ情報は、繊維機械的パラメータのセットにおける各パラメータのための値の範囲を含んでよい。

トレーニング幾何学的情報を取得するステップは、好ましくは、対応する繊維機械的パラメータのセットを有する複数の繊維の挙動をコンピュータシミュレーションすること、及びシミュレーションされた挙動の可視表現をレンダリングすることを含む。

この方法にて、順方向シミュレーションを使用してシミュレーションし、また次に、仮想の構成又は挙動にて、仮想繊維の１つ以上の画像（又はビデオ）をレンダリングする。順方向シミュレーションは物理的に現実的である故に、レンダリングされた仮想画像又は仮想ビデオを、実際の繊維の画像又はビデオに綿密に類似させることができる。

コンピュータプログラムが１つ以上の物理的計算装置において実行されるとき、１つ以上の物理的計算装置に、先行する請求項のいずれか１つに記載の全てのステップを実行させるように動作可能な、コンピュータ読み取り可能コードを含むコンピュータプログラムを含む、非一過性のコンピュータ読み取り可能記憶媒体もまた、提供される。

本発明はここで実施例により説明され、添付図面に関して説明される。
本発明の実施形態が実行され得る際の、代表的なコンピュータシステムを示す概略ブロック図である。 本発明の実施形態に使用されてよい、順方向シミュレーション方法における論理的情報フローを示す流れ図である。 一実施形態にて使用されてよい順方向シミュレーション方法のフローチャートである。 本発明の第１の態様による、逆シミュレーションにおける論理的情報フローを示す流れ図である。 第１の態様の一実施形態による、より詳細な流れ図である。 第１の態様の一実施形態による、逆シミュレーション方法の詳細な実施例を示すフローチャートである。 本発明の第２の態様の実施形態による、ニューラルネットワークをトレーニングする方法を示すフローチャートである。

本願は、その全体が本明細書に参考として組み込まれる、欧州特許出願第１６１８８９４７．２号（２０１６年９月１５日出願）の利益を主張するものであり、その全体が参照により本明細書に組み込まれる。

添付図面の図１は、本発明の実施形態が実行され得る際の、代表的なコンピュータシステム１００を概略的に示す。代表的なコンピュータシステム１００は、コンピュータ読み取り可能記憶媒体１０２、メモリ１０４、プロセッサ１０６、及び１つ以上のインターフェース１０８を備え、これらは全て、１つ以上の通信バス１１０を通じて一緒に連結している。代表的なコンピュータシステム１００は、例えば、デスクトップコンピュータ、パーソナルコンピュータ、ラップトップコンピュータ、タブレット、スマートフォン、スマートウォッチ、仮想現実ヘッドセット、サーバ、メインフレームコンピュータ等などの、従来のコンピュータシステムの形態をとってよい。

コンピュータ読み取り可能記憶媒体１０２及び／又はメモリ１０４は、１つ以上のコンピュータプログラム（若しくはソフトウェア若しくはコード）並びに／又はデータを記憶してよい。コンピュータ読み取り可能記憶媒体１０２に格納されたコンピュータプログラムは、コンピュータシステム１００が機能するためにプロセッサ１０６が実行されるための、オペレーティングシステムを含んでよい。コンピュータ読み取り可能記憶媒体１０２及び／又はメモリ１０４に格納されたコンピュータプログラムは、本発明の実施形態によるコンピュータプログラム、又はプロセッサ１０６により実行された場合に、前記プロセッサ１０６が本発明の実施形態による方法を実行させるコンピュータプログラムを含んでよい。

プロセッサ１０６は、コンピュータ読み取り可能記憶媒体１０２及び／又はメモリ１０４に格納されたコンピュータプログラムに属しているようなものなどの、１つ以上のコンピュータ読み取り可能プログラム指導を実行するのに好適な、任意のデータ演算処理装置であってよい。１つ以上のコンピュータ読み取り可能プログラム指導の実行の一部として、プロセッサ１０６は、コンピュータ読み取り可能記憶媒体１０２及び／又はメモリ１０４へとデータを記憶させてよい、及び／又はそこからデータを読み取ってよい。プロセッサ１０６は、互いに同時に又は協働して動作する、単一のデータ演算処理装置又は複数のデータ演算処理装置を含んでよい。プロセッサ１０６は、１つ以上のコンピュータ読み取り可能プログラム指導の実行の一部として、コンピュータ読み取り可能記憶媒体１０２及び／又はメモリ１０４へとデータを記憶させてよい、及び／又はそこからデータを読み取ってよい。

１つ以上のインターフェース１０８は、ネットワークにわたって、コンピュータシステム１００がその他のコンピュータシステムと通信することを可能にする、ネットワークインターフェースを含んでよい。前記ネットワークは、１つのコンピュータシステムから別のコンピュータシステムへとデータを伝達又は通信するのに好適な、任意の種類のネットワークであってよい。例えば、ネットワークは、ローカルエリアネットワーク、広域通信ネットワーク、メトロポリタンエリアネットワーク、インターネット、無線通信ネットワーク等のうち、１つ以上を含むことができる。コンピュータシステム１００は、任意の好適な通信機構／通信プロトコルを介して、ネットワークにわたって、その他のコンピュータシステムと通信してよい。プロセッサ１０６は、１つ以上の通信バス１１０を介してネットワークインターフェースと通信し、ネットワークにわたって、前記ネットワークインターフェースが別のコンピュータシステムへとデータを送信してよい、及び／又は別のコンピュータシステムに指令を出してよい。同様に、１つ以上の通信バス１１０は、プロセッサ１０６が、ネットワークにわたって、その他のコンピュータシステムからネットワークインターフェースを介してコンピュータシステム１００により受信されたデータ及び／又は指令上で動作することを、可能にする。

インターフェース１０８は、代替的に又は追加的に、ユーザ入力インターフェース及び／又はユーザ出力インターフェースを含んでよい。ユーザ入力インターフェースは、システム１００のユーザ又は操作員からの入力を受信するように、配置されてよい。ユーザは、マウス（又はその他のポインティング装置、トラックボール、若しくはキーボード）などの１つ以上のユーザ入力装置（図示せず）を介して、この入力を提供してよい。ユーザ出力インターフェースは、表示装置（又はモニタ若しくはスクリーン）（図示せず）上で、システム１００のユーザ又は操作者に、図形出力／可視出力を提供するように配置されてよい。プロセッサ１０６は、ユーザ出力インターフェースに指示を出して、表示装置に所望の図形出力を示させる、画像信号／ビデオ信号を形成してよい。表示装置は、表示装置に触る又は表示装置を押すことにより、ユーザが入力を提供することを可能にする、接触式であってよい。

本発明の実施形態に従って、インターフェース１０８は、代替的に又は追加的に、実際の繊維の、繊維機械的パラメータを測定するための測定システムに対する、インターフェースを含んでよい。いくつかの実施形態では、インターフェース１０８は、複数の実際の繊維の形状を捕捉するための、３−Ｄ走査器などの形状捕捉システムに対する、インターフェースを含んでよい。いくつかの実施形態では、インターフェース１０８は、複数の実際の繊維の画像又はビデオを捕捉するためのカメラに対する、インターフェースを含んでよい。

図１に示した上記のコンピュータシステム１００のアーキテクチャは、単に例示的なものであり、かつ代替的構成要素を使用する、又はより多くの構成要素（若しくはより少ない構成要素）を使用する異なるアーキテクチャを有する前記システムが、代わりに使用されてよい、と理解されよう。

以下、本発明は、前記繊維が毛髪である実施形態との関係において、説明されるであろう。しかし、当業者には明らかであり得るように、本発明の範囲はこのような実施例に限定されるものではなく、またあらゆる種類の繊維をシミュレーションすることに使用することができる。

本発明による逆シミュレーション方法のいくつかの実施形態が、種々の方法にて順方向シミュレーションを利用する故に、本発明の実施形態における使用に好適な順方向シミュレーション方法の実施例を最初に説明することが、好都合である。

図２は、本発明の実施形態に使用されてよい、順方向シミュレーションにおける論理的情報フローを示す。複数の繊維のシミュレーション２４０は、情報の３つの部分である、計算モデル２１０、繊維機械的パラメータ２２０のセット及び初期の幾何学的情報２３０、に依存する。シミュレーション２４０はこれらを組み合わせて、複数の繊維の構成における変化をシミュレーションする。新規の構成は、最終的な幾何学的情報２５０により表される。

計算モデル２１０は、好ましくは、各繊維を、個々の区分の連鎖としてモデルする。第１の幾何学的情報２３０は、各繊維の区分のそれぞれに関する初期位置を提供する。シミュレーション２４０は、これらの初期位置（及び所望により、同様に初期速度に関する情報）から出発して、時間内に漸増的に先に送達され、計算モデル２１０を使用して繊維系の機械的挙動を記述する。計算モデル２１０の機械的応答は、繊維機械的パラメータ２２０の値により制御される。

本実施例では、繊維は毛髪繊維であり、その目的は、毛髪繊維がどのように挙動するか−例えば、重力下でそれらがどのように垂れ下がり、定常状態（静止状態）の幾何学的構成に到達するか、又はインパルス若しくは振動運動などの機械的刺激入力又は摂動に、それらがどのように応答するか、をシミュレーションすることである。毛髪繊維は、毛髪の小さい巻き髪又は完全な頭髪を形成してよい。シミュレーションされる挙動は、毛髪の実際の（即ち、物理的に実現可能な）変更又は操作の仮想表現であってよい。

図３は、代表的な順方向シミュレーション方法のフローチャートである。ステップ３１０では、計算モデル２１０が提供される。計算モデル２１０は、プロセッサ１０６により検索される場所から、記憶媒体１０２内に格納されてよい。次に、ステップ３２０では、プロセッサ１０６は、計算モデル２１０と共に使用するための、所定の種類の繊維に関連した第１の繊維機械的パラメータのセットを取得する。ステップ３３０では、プロセッサ１０６は、シミュレーションされる複数の繊維の初期形状及び初期位置を記述する、第１の幾何学的情報２３０を取得する。次に、ステップ３４０では、プロセッサ１０６は、計算モデル２１０、繊維機械的パラメータ２２０、及び第１の幾何学的情報２３０を使用して、繊維の挙動をシミュレーションする。シミュレーションの出力は、繊維の得られた形状、位置及び／又は運動を記述する、第２の幾何学的情報である。所望により、ステップ３５０では、プロセッサ１０６は、シミュレーションにより生成された第２の幾何学的情報に基づいて、繊維の１つ以上の画像をレンダリングする。

図３に示す実施形態では、第１の幾何学的情報２３０は、繊維の実際の試料から取得される。具体的には、プロセッサ１０６は、光コヒーレンス断層撮影（ＯＣＴ）装置３７０から、幾何学的情報を取得する。ＯＣＴ装置３７０は、インターフェース１０８を介して、コンピュータシステム１００にインターフェース接続している。光コヒーレンス断層撮影は、材料の屈折率における相異に対して敏感であるので、毛髪本体の３−Ｄ形状を捕捉するために使用することができる。ＯＣＴは、個々の構造を高分解能にて分解することを可能にし得る。幾何学的情報を発生させるために使用される繊維の実際の試料は、毛髪の小さい巻き髪又は完全な頭髪であってよい。

図３の方法では、繊維機械的パラメータがデータベース３６０から取得されることが仮定され、前記データベース３６０は、複数の異なる毛髪の種類のそれぞれに関して、繊維機械的パラメータを格納する。これは、欧州特許出願第１６１８８９４７．２号に、より詳細に記載されている。しかし、以下にて更に詳細に記載されるように、順方向シミュレーションが本発明の実施形態による逆シミュレーションにおいて使用される場合、繊維機械的パラメータは異なって取得され得る。

本実施例では、繊維機械的パラメータのセットは、６つのパラメータを含む、毛髪の機械的フィンガープリントを含む。３つのパラメータは、毛髪繊維間の相互作用を定義し、これらは、繊維間の少なくとも１つの摩擦係数、繊維間の凝集力、及び繊維間の付着力である。３つの更なるパラメータは、個々の繊維機械的特性を定義し、これらは、繊維のヤング弾性率、繊維の捩り弾性率、及び繊維の曲げ弾性率である。好ましくは、繊維機械的パラメータのセットはまた、繊維の直径、繊維の断面形状の楕円率、及び各繊維の材料密度をも含む。これらの繊維的機械パラメータは、実際の毛髪試料から各パラメータを直接測定するための代表的方法と共に、欧州特許出願第１６１８８９４７．２号に、より詳細に記載されている。

本実施例では、各繊維を記述する計算モデルは、Ｃｏｓｓｅｒａｔロッドに基づき、区分へと離散化する。Ｃｏｓｓｅｒａｔロッドモデル自体は、当業者に熟知されているであろう。本モデルはまた、毛髪繊維系における減衰の測定をも含み、これは、繊維と空気若しくはその他の気体物質及び／又は水若しくはその他の液体との相互作用を記述する。減衰効果は、温度及び湿度などの、環境的条件の関数であり、このため、これは繊維の機能的パラメータの一部ではなく、むしろ、計算モデルのグローバルパラメータである。

多くの変形形態が、上記の実施例に実行できる。例えば、異なる方法にて、３−Ｄの繊維の幾何学的情報を取得してよい。可能な代替法の中では、レーザ走査及びマイクロコンピュータ断層撮影（μ−ＣＴ）があり、これら両方は、欧州特許出願第１６１８８９４７．２号に記載されている。一般原則として、単一の毛髪繊維を分解する十分な分解能を有する任意のＣＴ可変要素を、使用することができる。

図４は、本発明の第１の態様の実施形態による、逆シミュレーションに従った論理的情報フローを示す、概略流れ図である。目標幾何学的情報２３５が、本方法へと入力される。これは、例えば、顧客に関してスタイリストが達成を望む所望のヘアスタイル、又は巻き毛の所望の動的挙動を表し得る。この目標幾何学的情報２３５は逆シミュレーション４１０により使用されて、繊維機械的パラメータ２２５の目標セットを導出する。目標セットは、−達成される場合−、作成される（目標幾何学的情報により定義されるような）所望のヘアスタイルを可能にし得る、繊維機械的パラメータのセットである。

本質的に、逆シミュレーション方法は、計算モデルを用いて、目標幾何学的情報から、繊維機械的パラメータの目標セットを推定する。目標幾何学的情報が（先行する実施例におけるように）仮想である場合、次に、逆シミュレーションの出力は、仮想繊維機械的パラメータのセットである。しかし、目標幾何学的情報が実際に観察された幾何学的情報である場合、次に、繊維機械的パラメータの「目標」セットは、前記観察された繊維の、実際の繊維機械的パラメータであり得る。

好ましい実施形態では、図５にて示すように、逆シミュレーション４１０は２つの工程を含み、第１工程４１２は、ニューラルネットワークを使用してパラメータ空間を減少させ、また第２工程４１４は、合成による分析を使用して、減少させたパラメータ空間内から繊維機械的パラメータを決定する。

この好ましい実施形態を、ここで、図６に関してより詳細に説明する。これは、一実施形態による逆シミュレーションのための方法を示す、組み合わされた情報及びプロセスの流れ図である。ステップ６１０では、計算モデルが提供される。計算モデルは、図２の方法にて使用されるような計算モデル２１０と同一であってもよく、またプロセッサ１０６により、記憶媒体１０２から同様に検索されてよい。

ステップ６２０では、プロセッサ１０６は、複数の繊維の目標の動的挙動を記述する、目標幾何学的情報を取得する。図６に示すように、目標幾何学的情報は、カメラ６２５から取得される複数の繊維のビデオを含んでよい。本ビデオは、所謂「フリーフロー」実験のビデオであってよく、ここで、毛髪繊維の巻き毛は、水平軌道上にてスレッドに取り付けられる。巻き毛は、スレッド上でクランプから吊るされ、これにより、毛髪繊維がスレッドよりも下に吊り下がる。スレッドは、左から右へと移動して再び後ろに移動し、毛髪繊維を振動させる。この簡易実験のビデオは、毛髪繊維の機械的挙動についての潜在的な情報を含み、本方法は、巻き毛の繊維機械的パラメータを決定するために利用され得る。

目標幾何学的情報は、好ましくは、繊維の三次元的位置の実質的に完全な記述をも含み、複数の区分として、各繊維に類似する。この三次元の記述は、ＯＣＴ又は上述のその他の好適な方法のうち１つを使用して、取得することができる。

本方法は、次に、逆シミュレーションが実施されるステップ６３０、５３０、及び４１４に進む。

ステップ６３０では、プロセッサ１０６は、いくつかの、又は全ての目標幾何学的情報を、多層ニューラルネットワークの入力層へと適用する。本実施形態では、本ステップは、フリーフロー試験のビデオを、ニューラルネットワークの入力装置へと入力することを含む。ニューラルネットワークの出力は、繊維機械的パラメータのセットにおける各パラメータに関する値の範囲を含む。即ち、ニューラルネットワークは、繊維機械的パラメータの値のそれぞれが展開される範囲を、フリーフロー試験のビデオから推定する。本タスクを実行するためのニューラルネットワークのトレーニングを、以下により詳細に記載する。

次に、ステップ５３０にて、プロセッサ１０６は、ステップ６３０にてニューラルネットワークにより認められたパラメータの範囲に基づいて、合成による分析方法を初期化する。本実施形態では、本方法は、各パラメータ値が、ニューラルネットワークにより認められたそれぞれの範囲の平均である、繊維機械的パラメータのセットにより初期化される。これにより、ニューラルネットワークにより決定されたパラメータ空間の中心から、合成による分析方法を開始することが確実となる。

合成による分析工程の詳細な実行は、図６における点線の長方形４１４内に示される。

代表的な実施形態では、反復アプローチが適用される。ステップ３４０では、プロセッサ１０６は、ステップ５３０にて決定される、初期の繊維機械的パラメータのセットを有する複数の繊維の挙動を、シミュレーションする。これは、順方向シミュレーション（図２との関係における、上記の順方向シミュレーション３４０と同一）の場合である。挙動がシミュレーションされる方法は、目標幾何学的情報の形態に依存する。上記の、フリーフロー試験の実施例を使用して、プロセッサ１０６は、同一の（仮想の）フリーフロー試験において、初期の繊維機械的パラメータのセットを有する複数の繊維の応答を、シミュレーションする。シミュレーションの出力は、得られた幾何学的情報であり、−場合によっては、シミュレーションされたフリーフロー試験における仮想繊維の巻き毛の動作を記述する。所望により、順方向シミュレーションはまた、得られた幾何学的情報を、ビデオとして仮想的にレンダリングすることを含む。

ステップ５１０では、プロセッサ１０６は、この得られた形状と、ステップ６２０にて得られた目標の形状とを比較する。２つの形状が、依然として十分に類似していないと想定されると、本方法はステップ５２０へと進む。本ステップでは、プロセッサ１０６は、繊維機械的パラメータのセットを変更する。本方法は、次に、新規に変更された繊維機械的パラメータの適用から得られた挙動を、プロセッサがシミュレートするために、再びステップ３４０に戻る。再び、本方法はステップ５１０に進み、新規に得られた幾何学的情報が、目標の形状に十分良好に適合しているかどうかを確認する。各反復において、繊維機械的パラメータは、得られた幾何学的情報を、目標幾何学的情報に向かって伝導させる目的により、変更される。これはパラメータを調節する多数の可能な方式を使用して、多数の方法により達成することができる。このような方式には、勾配降下法、モンテカルロ法、及び遺伝的アルゴリズムが挙げられるが、これらに限定されない。しかし、シミュレーションされたアニーリングなどの、極小値の回避のために設計された最適化アルゴリズムを使用することが、好ましい場合がある。

更新ステップ５２０では、繊維機械的パラメータは常に変更され、これにより、ステップ６３０において、それらがニューラルネットワークにより決定された範囲内に維持される、ということに留意されたい。

ステップ５１０にて、本方法が、最終的に、現在得られた幾何学的情報が目標の形状に十分に類似したことを決定した場合に、反復が終了する。その時点で、最終の反復からの変更された繊維機械的パラメータは、繊維機械的パラメータの目標として選択される（ステップ５５０）。

現在得られた幾何学的情報と目標幾何学的情報との間の比較は、ステップ５１０において、多数の方法にて実施することができ、またいくつかの可能なルールに基づいて、反復を終了させることができる。例えば、反復は、現在の幾何学的情報目標幾何学的情報との間の二乗差の和が既定義の閾値未満となるまで、継続してよい。あるいは、反復は、二乗差の和が止んで反復間で減少するまで、継続してよい。当業者は、二乗差の和が、単に、形状の質を評価するために使用される多数の可能な好適な測定基準のうちの１つであることを、理解するであろう。

好ましい実施形態では、三次元位置情報又はビデオデータのいずれか一方に適用されるＬ２測定基準を使用して、形状を比較することができる。実際には、ニューラルネットワーク工程４１２においてビデオデータを使用すること、及び合成による分析工程４１４において三次元位置情報（利用可能な場合）を使用することが有利である、と見出されてきた。

図６の方法は、目標幾何学的情報が、実際の繊維の幾何学的情報で観察された場合に、侵襲が少なく、かつ潜在的により正確な繊維機械的パラメータの決定方法を提供することができる。しかし、本方法は、目標幾何学的情報が、仮想の又は所望の構成若しくは動的挙動を表す場合に、潜在的に更により有用である。この場合、所望の繊維が実世界において依然として存在していない故に、実際の繊維における実際の物理的測定値が生じる可能性はない。逆シミュレーション方法は、次に、所望の／仮想の構成／挙動を達成するために生成されなければならない繊維機械的パラメータを推定する方法を、提供する。これは、より少ない縮れ、より大きい弾力、又はより少ないもつれにて、毛髪の巻き毛を移動させることを（実施例により）可能にし得る、繊維機械的パラメータを推定するために、使用され得る。

上記の実施形態に対する種々の変更が可能である。

図６の実施例では、逆シミュレーション４１０は、順方向シミュレーション３４０を反復すること、及び各反復における繊維機械的パラメータを更新することにより行われた。しかし、一般に、反復アプローチに従う必要はない。例えば、複数のシミュレーション３４０を平行して実行することができ、それぞれは、異なる繊維機械的パラメータを使用する。これは、上記と類似した様式にて、平行シミュレーションのそれぞれを反復することにより、反復アプローチと組み合わせることができる。これは、より高速及び／又はより広範な、パラメータ空間の探索を可能にし得る。

当業者が理解するであろうように、合成による分析方法のための前処理ステップとしてニューラルネットワークを使用することは、必ずしも必要ではない。いくつかの実施形態では、ニューラルネットワークを単独で使用して、繊維機械的パラメータを推定してよい。同様に、その他の実施形態では、合成による分析方法を分離に使用してよい。しかし、上記のように、前処理ステップとしてニューラルネットワークを使用することが、合成による分析が正確な結果を収束して速度を増大させ、それにより、全体のプロセスの効率を向上させることができる、と見出されてきた。

場合によっては、いくつかのパラメータは逆シミュレーションにより決定されてよく、またその他のパラメータは物理的測定値により決定されてよいことにも、留意されたい。例えば、繊維の直径及び／又は繊維の楕円形の断面は、直接の物理的測定により、決定されてよい。これは、単純なオフライン形式の測定を行うことにより、逆シミュレーションに関するパラメータ空間の次元の数を減少させることを、手助けし得る。これにより、本方法の全体の効率を向上させることができる。

既に言及したように、本発明の範囲は、毛髪繊維の逆シミュレーションに限定されるものではない。逆シミュレーションされる複数の繊維は、任意の種類の繊維であってよい。例えば、それらは、織布又は不織布の繊維材料である繊維、又はブラシの剛毛を形成する繊維であってよい。繊維の形状は、分離にて観察されないことが必要である−例えば、繊維とその他の固体対象物、液体、又は気体との相互作用が観察されて、逆シミュレーション方法への入力を提供してよい。一実施形態では、シミュレーションされる繊維は、歯ブラシの剛毛を含み、また前記観察は、歯、歯茎又はその他の口腔組織との相互作用を観察することを含む。逆シミュレーションの出力は、次に、歯ブラシの剛毛の機械的パラメータを含む。

ニューラルネットワーク４１２の使用を支持して、繊維機械的パラメータに関する情報を推定するために、最初にニューラルネットワークをトレーニングする必要性ある。ニューラルネットワークをトレーニングするための一般的な方法が知られており、また当業者に熟知されているであろう。特に有利と思われる１つのトレーニング手順が、図７に示されている。これは、本発明の第２の態様の実施形態による、ニューラルネットワークをトレーニングする方法に関する示すフローチャートを示す。

ニューラルネットワークは、好ましくは、複数の異なる種類の繊維にわたってトレーニングされる。ステップ７１０では、プロセッサ１０６は、繊維の各種類に関して、この繊維の種類に関連する繊維機械的パラメータのセットを取得する。ステップ７２０及び７３０では、プロセッサ１０６は、これらの繊維機械的パラメータを有する繊維の動的挙動を記述する、それぞれのトレーニング幾何学的情報を取得する。

一般に、パラメータ及びトレーニング幾何学的情報は、任意の好適な方法にて取得することができる。（第２の態様によるものではないが、依然として第１の態様において使用するためのニューラルネットワークのトレーニングに使用するのに好適な）一実施例では、トレーニング幾何学的情報は、複数の異なる種類の実際の繊維において行われる、それぞれのフリーフロー試験のビデオを含んでよい。関連する繊維機械的パラメータを、次に、同一の実際の繊維試料から直接測定してよい。

しかし、本発明者らは、十分な実際のトレーニングデータを取得して、ニューラルネットワークから高度の認識正確性を達成することが困難であり得る、又は少なくとも手間がかかり得る、ということを認識した。それらは、合成データが適切に現実的であるならば、この困難性は、合成トレーニングデータを発生させて使用することによって克服し得る、と更に認識された。これは、図７の実施形態において採択されたアプローチである。

ステップ７２０では、プロセッサ１０６は、ステップ７１０にて取得された繊維機械的パラメータを採用し、またこれらのパラメータを有する繊維の挙動をシミュレーションする。本方法は、順方向シミュレーション３４０の場合、各繊維の種類に関する実行を伴う。各シミュレーションの出力は、既に上述したフリーフロー試験などの、シミュレーションされた標準試験における繊維の動的挙動の記述である。

ステップ７３０では、プロセッサ１０６は、この挙動の可視表示をレンダリングする。本実施例では、前記可視表示は、（仮想）フリーフロー試験を示すビデオである。レンダリングは、好ましくは、コンピュータグラフィクス技術を使用して、得られた合成ビデオが物理的に及び視覚的に現実的であることを確実にし、ニューラルネットワークのためのトレーニングデータとしてその有用性を最大化する。繊維の、写真のように現実的な描写の画像及びビデオをレンダリングするための１つの好適な技術は、欧州特許出願第１４１８９６６１．３号（特許公報第ＥＰ３０１２８０５号）に記載されている。

ステップ７４０では、プロセッサ１０６は、ステップ７１０からの繊維機械的パラメータ、及びステップ７３０からの合成的にレンダリングされたトレーニング幾何学的情報を使用して、ニューラルネットワークをトレーニングする。ニューラルネットワークは、従って、繊維の幾何学的情報からの機械的パラメータ情報を認識する又は推定するように、トレーニングされる。

本実施形態では、ニューラルネットワークは、より深い習熱に好適であると理解され得るような、再帰接続及び数百の節点の順序を伴う多層ニューラルネットワークである。ニューラルネットワークが非常に複雑である場合（即ち、節点が多すぎる場合）、トレーニングデータの過剰適合の危険性があり得る。ニューラルネットワークの正確な特性は、当業者に理解されるように、トレーニングのために使用されるトレーニングデータの数量及び種類における、いくらかの程度に依存する。多様なトレーニングデータの集積が多い場合、より多くの節点が好適であり得る。集積が少ない、又は高クラスタ（極めて多様ではない）のトレーニングデータでは、より少ない節点がより良好に作用し得る。トレーニングには、周知の逆伝播法又は別の好適な技術を使用することができる。

図７の方法によって生成された合成トレーニングデータを、ニューラルネットワークをトレーニングするために単独で使用することができる、又は実際のトレーニングデータと組み合わせることができる、ということに留意されたい。

前述の実施形態は本発明を限定するよりもむしろ本発明を示し、かつ添付の請求項の範囲から逸脱することなく、当業者が多くの代替的実施形態を設計することができる、ということに留意しなければならない。請求項において、括弧間に位置する参照記号は、請求項を限定するものとして解釈されるべきではない。用語「含む（comprising）」とは、請求項に列挙されたようなもの以外の要素又はステップの存在を除外するものではない。要素に先行する用語「ａ」又は「ａｎ」とは、複数のこのような要素の存在を除外するものではない。実施形態は、いくつかの異なる要素を含むハードウェアの手段により実施されてよい。請求項がいくつかの手段を列挙する装置では、これらの手段のいくつかは、１つの同一のハードウェア項目により具体化されてよい。特定の測定値が、相互に異なる独立請求項において引用されている単独の要素は、これらの測定値の組み合わせが有利に使用され得ないことを示すものではない。なお、「Ａ、Ｂ、及びＣのうち少なくとも１つ」を含む添付の請求項の列挙は、（Ａ及び／若しくはＢ）並びに／又はＣとして解釈されるべきである。

なお、一般に、種々の実施形態は、ハードウェア若しくは特殊目的用回路、ソフトウェア、論理、又はこれらの任意の組み合わせにおいて、実施されてよい。例えば、いくつかの態様はハードウェアにおいて実行されてよいが、一方で、その他の態様は、これらが実施例を限定していないにもかかわらず、コントローラ、マイクロプロセッサ、又はその他の計算装置により実行されてよい、ファームウェア又はソフトウェアにおいて実行されてよい。本明細書に記載された種々の態様が、ブロック図、フローチャートとして、又はいくつかのその他の図解表示を使用して、示されかつ記載されてよい一方で、本明細書に記載されたこれらのブロック、装置、システム、技術、又は方法が、非限定例として、ハードウェア、ソフトウェア、ファームウェア、特殊目的用回路若しくは論理、汎用ハードウェア、若しくはコントローラ、若しくはその他の計算装置、又はこれらのいくつかの組み合わせにおいて実行されてよい、ということが良好に理解されている。

本明細書に記載された実施形態は、プロセッサ全体においてなどの、装置のデータプロセッサにより実行可能なコンピュータソフトウェア、若しくはハードウェア、又はソフトウェアとハードウェアとの組み合わせにより、実行されてよい。更にこの関連で、図におけるような論理フローの任意のブロックが、プログラムステップ、若しくは相互接続された論理回路、ブロック及び関数、又はプログラムステップの組み合わせ、及び論理回路、ブロック及び関数を表し得る、ということに留意しなければならない。ソフトウェアは、メモリチップとしてのこのような物理的媒体上に格納されてよい、又はプロセッサ内で実行されるメモリブロック、ハードディスク又はフロッピーディスクなどの磁気媒体、及び例えばＤＶＤ及びそのデータ可変要素、ＣＤなどの光学的媒体内に格納されてよい。

メモリは、局所的技術環境に対して好適な任意の種類であってよく、また半導体系記憶装置、磁気記憶装置及びシステム、光学的記憶装置及びシステム、固定記憶装置及び脱着式記憶装置などの、任意の好適なデータ記憶技術を使用して、実行されてよい。データプロセッサは、局所的技術環境に対して好適な任意の種類であってよく、また非限定例として、汎用コンピュータ、特殊目的コンピュータ、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰｓ）、特定用途向け集積回路（ＡＳＩＣ）、ゲートレベル回路、及びマルチコア・プロセッサ・アーキテクチャに基づいたプロセッサのうち１つ以上を含んでよい。

本明細書で議論されているような実施形態は、集積回路モジュールなどの種々の構成要素において実施されてよい。集積回路の設計は、概して高自動化プロセスである。複雑で強力なソフトウェアツールは、エッチング形成が可能な状態にあり、かつ半導体基板上に形成され得る状態にある半導体回路の設計へと、論理レベル設計を変換するために、利用可能である。

本明細書にて開示された寸法及び値は、列挙された正確な数値に厳密に限定されるものとして理解されるべきではない。その代わりに、特に指示がない限り、このような寸法はそれぞれ、列挙された値とその値を囲む機能的に同等な範囲との両方を意味することが意図されている。例えば、「４０ｍｍ」として開示される寸法は、「約４０ｍｍ」を意味することが意図される。

Claims (15)

1. 複数の繊維の逆シミュレーションのためのコンピュータ実施方法であって、
   繊維の機械的挙動を記述するための計算モデルを提供するステップと、
   前記複数の繊維の目標構成又は動的挙動を記述する、目標幾何学的情報を取得するステップであって、前記目標幾何学的情報は、前記複数の繊維の三次元位置情報を含む、該ステップと、
   前記計算モデル及び前記目標幾何学的情報を使用して、前記複数の繊維の挙動を逆シミュレーションし、前記複数の繊維のための、繊維機械的パラメータの目標セットを計算し、これにより、前記計算された繊維機械的パラメータの目標セットを伴う繊維が、前記目標構成又は動的挙動を示すステップと、
   を含むことを特徴とする方法。
2. 前記目標幾何学的情報は、複数の繊維の画像又はビデオを含むことを特徴とする請求項１に記載のコンピュータ実施方法。
3. 前記目標幾何学的情報は、前記繊維のそれぞれの複数の区分の、前記三次元位置の記述を含むことを特徴とする請求項１又は２に記載のコンピュータ実施方法。
4. 前記複数の繊維の前記挙動を逆シミュレーションすることは、前記目標幾何学的情報をニューラルネットワークの前記入力へと適用することを含むことを特徴とする請求項１ないし３のいずれか１つに記載のコンピュータ実施方法。
5. 前記ニューラルネットワークへの前記入力は、複数の繊維の画像又はビデオを含むことを特徴とする請求項４に記載のコンピュータ実施方法。
6. 前記ニューラルネットワークの前記出力は、前記繊維機械的パラメータの目標セットにおける各パラメータに関する値の範囲を含むことを特徴とする請求項４又は５に記載のコンピュータ実施方法。
7. 前記複数の繊維の前記挙動を逆シミュレーションすることは、
   複数の繊維機械的パラメータの変更されたセットを発生させることと、
   前記変更されたセットのそれぞれに関して、前記計算モデルを使用して、当該変更されたセットにより、前記複数の繊維において生成される前記構成又は動的挙動をシミュレーションすることと、
   前記目標セットとして、前記目標幾何学的情報に最も近い、前記構成又は動的挙動を生成する、前記変更されたセットを選択することと、を含むことを特徴とする請求項１ないし６のいずれか１つに記載のコンピュータ実施方法。
8. 前記複数の繊維の前記挙動を逆シミュレーションすることは、前記目標幾何学的情報をニューラルネットワークの前記入力へと適用することを含み、
   前記ニューラルネットワークの前記出力は、前記繊維機械的パラメータの目標セットにおける各パラメータに関する値の範囲を含み、
   前記複数の繊維機械的パラメータの変更されたセットは、各パラメータに関する、前記ニューラルネットワークにより出力された値の前記範囲に基づいて発生することを特徴とする請求項７に記載のコンピュータ実施方法。
9. 複数の繊維機械的パラメータの変更されたセットを発生することは、シミュレーションされたアニーリング又は進化的アルゴリズムなどの、極小値の回避に好適な最適化アルゴリズムを使用することを含むことを特徴とする請求項７又は８に記載のコンピュータ実施方法。
10. 前記繊維機械的パラメータの目標セットは、
    前記繊維間の１つ以上の摩擦係数と、
    前記繊維間の凝集測度と、
    前記繊維間の付着測度と、
    のうち少なくとも１つ、いずれか２つ、又は３つ全てを含むことを特徴とする請求項１ないし９のいずれか１つに記載のコンピュータ実施方法。
11. 前記繊維機械的パラメータの目標セットは、
    前記繊維に関するヤング弾性率と、
    前記繊維に関する剪断弾性率又は捩り弾性率と、
    前記繊維に関する曲げ弾性率と、
    のうち少なくとも１つ、いずれか２つ、又は３つ全てを更に含むことを特徴とする請求項１０に記載のコンピュータ実施方法。
12. 前記繊維機械的パラメータの目標セットは、
    前記繊維に関する直径と、
    前記繊維の材料密度と、
    前記繊維に関する断面形状又は楕円率と、
    のうち少なくとも１つ、いずれか２つ、又は３つ全てを更に含むことを特徴とする請求項１０又は１１に記載の方法。
13. ニューラルネットワークをトレーニングするためのコンピュータ実施方法であって、
    （ｉ）複数の繊維の種類のそれぞれに関して、
    前記繊維の種類に関連する繊維機械的パラメータのセットを取得するステップと、
    これらの繊維機械的パラメータを有する複数の繊維の構成又は動的挙動を記述する、トレーニング幾何学的情報を取得するステップと、
    （ｉｉ）前記繊維機械的パラメータのセット及び前記トレーニング幾何学的情報を使用して、前記ニューラルネットワークをトレーニングして、繊維の幾何学的情報からの機械的パラメータ情報を推定するステップと、
    を含み、
    前記トレーニング幾何学的情報が、前記繊維機械的パラメータのそれぞれのセットを有する複数の繊維の前記挙動をコンピュータシミュレーションすることによって発生する、合成トレーニング幾何学的情報を含むことを特徴とする方法。
14. 前記トレーニング幾何学的情報を取得するステップは、
    前記繊維機械的パラメータのそれぞれのセットを有する複数の繊維の前記挙動をコンピュータシミュレーションすることと、
    前記シミュレーションされた挙動の可視表現をレンダリングすることと、
    を含むことを特徴とする請求項１３に記載のコンピュータ実施方法。
15. コンピュータプログラムが１つ以上の物理的計算装置において実行されるとき、前記１つ以上の物理的計算装置に、請求項１ないし１４のいずれか１つに記載の全ての前記ステップを実行させるように動作可能な、コンピュータ読み取り可能プログラムコードを含むコンピュータプログラムを含むことを特徴とする非一過性のコンピュータ読み取り可能記憶媒体。

Images