JP6969713B1 - 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 - Google Patents
鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 Download PDFInfo
- Publication number
- JP6969713B1 JP6969713B1 JP2021546241A JP2021546241A JP6969713B1 JP 6969713 B1 JP6969713 B1 JP 6969713B1 JP 2021546241 A JP2021546241 A JP 2021546241A JP 2021546241 A JP2021546241 A JP 2021546241A JP 6969713 B1 JP6969713 B1 JP 6969713B1
- Authority
- JP
- Japan
- Prior art keywords
- steel pipe
- forming
- crushing strength
- coated
- strength
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/20—Investigating strength properties of solid materials by application of mechanical stress by applying steady bending forces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0014—Type of force applied
- G01N2203/0023—Bending
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0058—Kind of property studied
- G01N2203/0069—Fatigue, creep, strain-stress relations or elastic constants
- G01N2203/0075—Strain-stress relations or elastic constants
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/0202—Control of the test
- G01N2203/0212—Theories, calculations
- G01N2203/0216—Finite elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/0202—Control of the test
- G01N2203/0212—Theories, calculations
- G01N2203/0218—Calculations based on experimental data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/026—Specifications of the specimen
- G01N2203/0262—Shape of the specimen
- G01N2203/0274—Tubular or ring-shaped specimens
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/026—Specifications of the specimen
- G01N2203/0298—Manufacturing or preparing specimens
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Immunology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Bending Of Plates, Rods, And Pipes (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
敷設時の曲げひずみに加えて、鋼管成形時の造管ひずみ、及び塗装条件を考慮して鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を精度高く予測することができる、鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法を提供する。鋼管圧潰強度予測モデルの生成方法により生成された鋼管圧潰強度予測モデルに、予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件及び敷設時の曲げひずみを含む鋼管製造特性を入力して塗装鋼管の加圧曲げ時の圧潰強度を予測する（ステップＳ１〜ステップＳ５）。
Description
本発明は、鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法に関する。
外圧が作用するような環境下で使用される鋼管（パイプ）では、外圧の作用によって圧潰（コラプスとも呼ぶ）が生じる場合がある。例えば、海底パイプラインで、鋼管（ラインパイプ）にこのような圧潰が生じると、構造物の損傷や損壊事故へ繋がり、経済や環境に大きな影響を及ぼす。このコラプスの発生は、海底パイプラインの敷設時に内圧がかかっていない状況下で、敷設による曲げひずみが重畳した場合が最も危険であり、その際の外圧曲げ時の圧潰強度を予測する推定式も開発されている。
ここで、外圧曲げ時の圧潰強度を予測する推定式は、例えば、非特許文献１に記載されている。非特許文献１では、ＤＮＶ ＯＳ−Ｆ１０１など規格が制定され、評価対象鋼管の外径形状のOvality、材料肉厚の中心あるいは肉厚の１／４（内面側）から採取した降伏応力（０．５％歪に対応する応力）、ヤング率、ポアソン比、敷設時の曲げひずみのデータから外圧曲げ時の圧潰強度を予測する推定式（D 400章 Local Buckling -External over pressure only 401節 式（5.10））が提案されている。
ＯＦＦＳＨＯＲＥ ＳＴＡＮＤＡＲＤ ＤＮＶ−ＯＳ−Ｆ１０１，ＳＵＢＭＡＲＩＮＥ ＰＩＰＥＬＩＮＥ ＳＹＳＴＥＭＳ，ＤＥＴ ＮＯＲＳＫＥ ＶＥＲＩＴＡＳ，２０１０年１０月，ＳＥＣ５，ｐ４１−５６
しかしながら、この非特許文献１に記載された外圧曲げ時の圧潰強度を予測する推定式にあっては、以下の問題点があった。
即ち、特に、海底パイプラインで使用する鋼管は防食のため塗装（コーティング）が施される。この塗装時には鋼管を加熱して実施する場合があり、塗装条件によっては塗装鋼管の圧縮特性、ひいては塗装鋼管の圧潰特性が変化する。また、塗装鋼管の圧潰強度は、鋼管成形後の鋼管の形状及び鋼管成形後の鋼管の強度特性（引張強度、圧縮強度、ヤング率、ポアソン比など）のみならず、鋼管成形時の造管ひずみ（鋼管成形時のひずみ履歴）にも依存している。これは、鋼管成形時の造管ひずみは、鋼管成形後の鋼管の形状及び鋼管成形後の鋼管の強度特性に大きな影響を与え、ひいては塗装鋼管の圧潰特性にも大きな影響を与えるからである。
即ち、特に、海底パイプラインで使用する鋼管は防食のため塗装（コーティング）が施される。この塗装時には鋼管を加熱して実施する場合があり、塗装条件によっては塗装鋼管の圧縮特性、ひいては塗装鋼管の圧潰特性が変化する。また、塗装鋼管の圧潰強度は、鋼管成形後の鋼管の形状及び鋼管成形後の鋼管の強度特性（引張強度、圧縮強度、ヤング率、ポアソン比など）のみならず、鋼管成形時の造管ひずみ（鋼管成形時のひずみ履歴）にも依存している。これは、鋼管成形時の造管ひずみは、鋼管成形後の鋼管の形状及び鋼管成形後の鋼管の強度特性に大きな影響を与え、ひいては塗装鋼管の圧潰特性にも大きな影響を与えるからである。
一方、非特許文献１では、鋼管成形時の造管ひずみ及び塗装条件は考慮されておらず、塗装鋼管の外圧曲げ時の圧潰強度の予測値の精度が悪く、実測した塗装鋼管の外圧曲げ時の圧潰強度と予測した塗装鋼管の外圧曲げ時の圧潰強度の予測値とが一致せず、その差異が大きい。このため、鋼管設計時に過度に安全側の設計になる、あるいは予測よりも低い外圧で圧潰が生じ、大きな事故になるおそれがある。
従って、本発明はこの従来の問題点を解決するためになされたものであり、その目的は、敷設時の曲げひずみに加えて、鋼管成形時の造管ひずみ、及び塗装条件を考慮して鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を精度高く予測することができる、鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法を提供することにある。
上記課題を解決するために、本発明の一態様に係る鋼管圧潰強度予測モデルの生成方法は、 鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみを含む過去の鋼管製造特性を入力データとし、この入力データに対する過去の鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を出力データとした複数の学習用データを機械学習させて、鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を予測する鋼管圧潰強度予測モデルを生成することを要旨とする。
また、本発明の別の態様に係る鋼管の圧潰強度予測方法は、前述の鋼管圧潰強度予測モデルの生成方法により生成された鋼管圧潰強度予測モデルに、予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみを含む鋼管製造特性を入力して鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を予測することを要旨とする。
また、本発明の別の態様に係る鋼管の製造特性決定方法は、前述の鋼管の圧潰強度予測方法により予測された塗装鋼管の外圧曲げ時の圧潰強度が、要求される目標の塗装鋼管の外圧曲げ時の圧潰強度に漸近するように、鋼管製造特性に含まれる鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみのうちの少なくとも一つを逐次変更し、鋼管製造特性を決定することを要旨とする。
また、本発明の別の態様に係る鋼管の製造方法は、鋼管を成形し、成形された鋼管に塗装して塗装鋼管を形成する塗装鋼管形成工程と、前述の鋼管の圧潰強度予測方法により、前記塗装鋼管形成工程で形成された塗装鋼管の外圧曲げ時の圧潰強度を予測する圧潰強度予測工程と、該圧潰強度予測工程により予測された塗装鋼管の外圧曲げ時の圧潰強度を前記塗装鋼管形成工程で形成された塗装鋼管に紐付ける性能予測値付与工程とを備えることを要旨とする。
更に、本発明の別の態様に係る鋼管の製造方法は、前述の鋼管の製造特性決定方法により決定された鋼管製造特性に基づいて塗装鋼管の製造条件を決定し、その決定された塗装鋼管の製造条件で塗装鋼管を製造することを要旨とする。
本発明に係る鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法によれば、敷設時の曲げひずみに加えて、鋼管成形時の造管ひずみ、及び塗装条件を考慮して鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を精度高く予測することができる。
以下、本発明の実施の形態を図面を参照して説明する。以下に示す実施形態は、本発明の技術的思想を具体化するための装置や方法を例示するものであって、本発明の技術的思想は、構成部品の材質、形状、構造、配置等を下記の実施形態に特定するものではない。また、図面は模式的なものである。そのため、厚みと平面寸法との関係、比率等は現実のものとは異なることに留意すべきであり、図面相互間においても互いの寸法の関係や比率が異なる部分が含まれている。
図１には、本発明の一実施形態に係る鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、及び鋼管の製造特性決定方法が適用される鋼管製造特性決定装置の概略構成の機能ブロック図が示されている。
図１に示す鋼管製造特性決定装置１は、鋼管成形後に塗装してなる塗装鋼管の鋼管圧潰強度予測モデルの生成、生成された鋼管圧潰強度予測モデルを用いた鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を予測、予測された塗装鋼管の外圧曲げ時の圧潰強度が要求される目標の塗装鋼管の外圧曲げ時の圧潰強度に漸近するような鋼管製造特性の決定を行う。
図１に示す鋼管製造特性決定装置１は、鋼管成形後に塗装してなる塗装鋼管の鋼管圧潰強度予測モデルの生成、生成された鋼管圧潰強度予測モデルを用いた鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を予測、予測された塗装鋼管の外圧曲げ時の圧潰強度が要求される目標の塗装鋼管の外圧曲げ時の圧潰強度に漸近するような鋼管製造特性の決定を行う。
図１に示す鋼管製造特性決定装置１は、演算装置２と、入力装置８と、記憶装置９と、出力装置１０とを備えたコンピュータシステムである。演算装置２は、後述するが、ＲＡＭ３、ＲＯＭ４、及び演算処理部５を備え、これらＲＡＭ３、ＲＯＭ４、及び演算処理部５と、入力装置８、記憶装置９、及び出力装置１０とがバス１１によって接続されている。演算装置２と、入力装置８、記憶装置９、及び出力装置１０とは、この接続の態様に限らず、無線により接続されてもよく、あるいは有線と無線とを組み合わせた態様で接続されてもよい。
入力装置８は、例えば、キーボード、ペンタブレット、タッチパッド、マウス等、本システムのオペレータによって種々の情報が入力される入力ポートとして機能する。入力装置８には、例えば、鋼管圧潰強度予測モデルの生成指令、鋼管製造特性の演算指令、外圧曲げ時の圧潰強度の予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる鋼管製造特性、目標の塗装鋼管の外圧曲げ時の圧潰強度、及び鋼管製造特性決定モード情報が入力される。
ここで、鋼管は、一般的に、板状の鋼板を円管形状に曲げ加工して成形し製造され、その後、表面に塗装され塗装鋼管を形成する。
ここで、鋼管は、一般的に、板状の鋼板を円管形状に曲げ加工して成形し製造され、その後、表面に塗装され塗装鋼管を形成する。
入力装置８に入力される鋼管製造特性のうちの鋼管成形後の鋼管形状は、鋼板を円管形状に成形した後の鋼管の形状を意味する。当該鋼管成形後の鋼管形状は、ここでは具体的には、鋼管の最大外径Ｄｍａｘ（ｍｍ）、鋼管の最小外径Ｄｍｉｎ（ｍｍ）、鋼管の平均外径Ｄａｖｅ（ｍｍ）、鋼管の平均管板厚ｔ（ｍｍ）、及び鋼管の外径形状の真円度（Ovality）ｆＯ（％）である。鋼管成形後の鋼管形状は、実測されたものが入力装置８に入力される。この鋼管成形後の鋼管形状は、予測する塗装鋼管の外圧曲げ時の圧潰強度に大きく影響を及ぼすため、入力するようにした。
なお、塗装鋼管の外圧曲げ時の圧潰強度とは、塗装鋼管が圧潰するときの負荷応力（ＭＰａ）を意味し、ここでいう「圧潰」とは、負荷応力が最大値を示しこれ以上に外圧に対し形状を保てなくなるまで変形した状態をいうものとする。
なお、塗装鋼管の外圧曲げ時の圧潰強度とは、塗装鋼管が圧潰するときの負荷応力（ＭＰａ）を意味し、ここでいう「圧潰」とは、負荷応力が最大値を示しこれ以上に外圧に対し形状を保てなくなるまで変形した状態をいうものとする。
また、鋼管成形後の鋼管強度特性は、鋼板を管形状に成形した後の鋼管の強度特性を意味する。当該鋼管成形後の鋼管強度特性は、ここでは具体的には、鋼管のヤング率Ｅ（ＧＰａ）、鋼管のポアソン比μ（−）、鋼管の引張強度ＹＳ（ＭＰａ）、鋼管の圧縮強度０．２３％ＹＳ（０．２３％歪に対応する応力）、及び鋼管の圧縮強度０．５％ＹＳ（０．５％歪に対応する応力）である。この鋼管成形後の鋼管強度特性は、予測する塗装鋼管の外圧曲げ時の圧潰強度に大きく影響を及ぼすため、入力するようにした。鋼管成形後の鋼管強度特性は、鋼管成形前の鋼板の強度特性から有限要素解析によってシミュレーションして得られたものや、実測したものが入力される。
また、鋼管成形時の造管ひずみは、鋼管成形時における引張ひずみ（％）あるいは圧縮ひずみ（％）である。この鋼管成形時の造管ひずみは、鋼管成形後の鋼管形状及び鋼管成形後の鋼管強度特性に大きく影響を大きく影響を及ぼし、その結果、予測する塗装鋼管の外圧曲げ時の圧潰強度に大きく影響を及ぼすため、入力するようにした。鋼管成形時の造管ひずみは、鋼管成形前の鋼板の強度特性から有限要素解析によって成形シミュレーションして得られたものや実測したものが入力される。
また、塗装条件は、ここでは塗装時の最高温度（℃）及び保持時間（ｍｉｎ）である。この塗装条件は、実測したものが入力される。
また、塗装条件は、ここでは塗装時の最高温度（℃）及び保持時間（ｍｉｎ）である。この塗装条件は、実測したものが入力される。
成形した鋼管に塗装を施すのは、防食のためであり、特に海底パイプラインで使用する鋼管は耐食性を優れたものとするため、成形後に塗装を施すのが一般的である。この塗装における塗装条件（最高温度（℃）及び保持時間（ｍｉｎ））は、鋼管成形後の鋼管強度特性に影響し、塗装鋼管の圧潰性能に直接影響するため、入力装置８に入力するようにした。塗装のコーティング加熱の影響により、鋼管の材質が変化（転位の堆積・回復・ひずみ時効など）することで、鋼管成形後の鋼管の圧潰強度（塗装前の圧潰性能）からその圧潰強度が増加又は低下する。
また、敷設時の曲げひずみは、塗装鋼管を例えば海底に塗装鋼管を敷設した際の引張ひずみ（％）あるいは圧縮ひずみ（％）である。圧潰の発生は、海底パイプラインの敷設時に内圧がかかっていない状況下で敷設による曲げひずみが重畳した場合が最も危険である。
また、敷設時の曲げひずみは、塗装鋼管を例えば海底に塗装鋼管を敷設した際の引張ひずみ（％）あるいは圧縮ひずみ（％）である。圧潰の発生は、海底パイプラインの敷設時に内圧がかかっていない状況下で敷設による曲げひずみが重畳した場合が最も危険である。
また、記憶装置９は、例えば、ハードディスクドライブ、半導体ドライブ、光学ドライブ等で構成され、本システムにおいて必要な情報（後述する鋼管圧潰強度予測モデル生成部６及び鋼管製造特性演算部７による機能の実現に必要な情報）を記憶する装置である。鋼管圧潰強度予測モデル生成部６による機能の実現に必要な情報としては、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる過去の鋼管製造特性を入力データとし、この入力データに対する過去の鋼管成形後に塗装してなる塗装鋼管の圧潰強度を出力データとした複数の学習用データが挙げられる。
また、鋼管製造特性演算部７による機能の実現に必要な情報としては、鋼管圧潰強度予測モデル生成部６によって生成された鋼管圧潰強度予測モデルが挙げられる。また、当該機能の実現に必要な情報としては、鋼管圧潰強度予測モデルに入力される入力装置８に入力された加圧曲げ時の圧潰強度の予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる鋼管製造特性、目標の鋼管成形後に塗装してなる塗装鋼管の加圧曲げ時の圧潰強度が挙げられる。また、当該機能の実現に必要な情報として、鋼管製造特性決定モード情報（最適な鋼管製造特性を決定するモードか否かの情報）も挙げられる。
また、出力装置１０は、演算装置２からの出力データ、例えば、圧潰強度予測部７２で予測された鋼管成形後に塗装してなる塗装鋼管の加圧曲げ時の圧潰強度（予測値）の情報や鋼管製造特性決定部７３で決定された鋼管製造特性の情報を出力する出力ポートとして機能する。出力装置１０は、例えば、液晶ディスプレイや有機ディスプレイ等の任意のディスプレイを備えることで、出力データに基づく画面を表示可能である。
次に、演算装置２は、図１に示すように、ＲＡＭ３と、ＲＯＭ４と、演算処理部５とを備えている。ＲＯＭ４は、鋼管圧潰強度予測モデル生成プログラム４１と、鋼管製造特性演算プログラム４２とを記憶している。演算処理部５は、演算処理機能を有し、ＲＡＭ３及びＲＯＭ４とバス１１により接続されている。また、ＲＡＭ３、ＲＯＭ４、及び演算処理部５は、バス１１を介して入力装置８、記憶装置９、及び出力装置１０に接続されている。
演算処理部５は、機能ブロックとして、鋼管圧潰強度予測モデル生成部６と、鋼管製造特性演算部７とを備えている。
演算処理部５は、機能ブロックとして、鋼管圧潰強度予測モデル生成部６と、鋼管製造特性演算部７とを備えている。
演算処理部５の鋼管圧潰強度予測モデル生成部６は、記憶装置９に記憶された、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる過去の鋼管製造特性を入力データとし、この入力データに対する過去の鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を出力データとした複数の学習用データを機械学習させて、鋼管圧潰強度予測モデルを生成する。機械学習の手法は、ここではニューラルネットワークであり、鋼管圧潰強度予測モデルは、ニューラルネットワークにより構築された予測モデルである。
ここで、鋼管圧潰強度予測モデル生成部６は、機能ブロックとして、学習用データ取得部６１と、前処理部６２と、モデル生成部６３と、結果保存部６４とを備えている。そして、鋼管圧潰強度予測モデル生成部６は、入力装置８に鋼管圧潰強度予測モデルの生成指令が入力され、鋼管圧潰強度予測モデルの生成指令を受けた際に、ＲＯＭ４に記憶されている鋼管圧潰強度予測モデル生成プログラム４１を実行し、学習用データ取得部６１、前処理部６２、モデル生成部６３、及び結果保存部６４の各機能を実行する。鋼管圧潰強度予測モデル生成部６が各機能を実行する度に、鋼管圧潰強度予測モデルは更新される。
鋼管圧潰強度予測モデル生成部６による学習用データ取得部６１、前処理部６２、モデル生成部６３、及び結果保存部６４の各機能の実行処理が本発明の一実施形態に係る鋼管圧潰強度予測モデルの生成方法に対応する。この鋼管圧潰強度予測モデルの生成方法は、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件及び敷設時の曲げひずみを含む過去の鋼管製造特性を入力データとし、この入力データに対する過去の鋼管成形後に塗装してなる塗装鋼管の加圧曲げ時の圧潰強度を出力データとした複数の学習用データを機械学習させて、鋼管成形後に塗装してなる塗装鋼管の加圧曲げ時の圧潰強度を予測する鋼管圧潰強度予測モデルを生成する。
ここで、学習用データ取得部６１は、記憶装置９に記憶された、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる過去の鋼管製造特性を入力データとし、この入力データに対する過去の鋼管成形後に塗装してなる塗装鋼管の圧潰強度を出力データとした複数の学習用データを取得する処理を行う。各学習用データは、入力データと出力データの組からなる。
また、前処理部６２は、学習用データ取得部６１が取得した複数の学習用データを、鋼管圧潰強度予測モデル生成用に加工する。具体的には、前処理部６２は、学習用データを構成する鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる過去の鋼管製造特性の実績情報と、過去の鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度の実績情報とを、ニューラルネットワークモデルに読み込ませるために、０〜１の間で標準化（正規化）を行う。
また、モデル生成部６３は、前処理部６２で前処理した複数の学習用データを機械学習させて、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる過去の鋼管製造特性を入力データとして含み、過去の鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を出力データとする鋼管圧潰強度予測モデルを生成する処理を行う。本実施形態では、機械学習の手法としてここではニューラルネットワークを採用するため、鋼管圧潰強度予測モデルとしてニューラルネットワークモデルを生成する。すなわち、モデル生成部６３は、鋼管圧潰強度予測モデル生成用に加工された学習用データにおける入力実績データ（鋼管製造特性の過去の実績データ）と出力実績データ（鋼管成形後の塗装鋼管の外圧曲げ時の圧潰強度の過去の実績データ）とを結び付ける鋼管圧潰強度予測モデルとしてのニューラルネットワークモデルを作成する。ニューラルネットワークモデルは、例えば、関数式で表現される。
具体的には、モデル生成部６３は、ニューラルネットワークモデルに用いられるハイパーパラメータの設定を行うと共に、それらハイパーパラメータを用いたニューラルネットワークモデルによる学習を行う。ハイパーパラメータとして通常、隠れ層の数、各々の隠れ層におけるニューロン数、各々の隠れ層におけるドロップアウト率、各々の隠れ層における活性化関数が設定されるが、これに限定されない。
図２には、本発明の一実施形態に係る鋼管圧潰強度予測モデルの生成方法で生成されるニューラルネットワークモデルである鋼管圧潰強度予測モデルの処理フローが示されている。
ニューラルネットワークモデルである鋼管圧潰強度予測モデルは、入力側から順に入力層１０１、中間層１０２、及び出力層１０３を含んでいる。
モデル生成部６３が、ハイパーパラメータを用いたニューラルネットワークモデルによる学習を行うに際し、入力層１０１には、前処理部６２で加工された学習用データを構成する鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる過去の鋼管製造特性の実績情報、即ち、０〜１の間で標準化された過去の鋼管製造特性の実績情報が格納される。
ニューラルネットワークモデルである鋼管圧潰強度予測モデルは、入力側から順に入力層１０１、中間層１０２、及び出力層１０３を含んでいる。
モデル生成部６３が、ハイパーパラメータを用いたニューラルネットワークモデルによる学習を行うに際し、入力層１０１には、前処理部６２で加工された学習用データを構成する鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる過去の鋼管製造特性の実績情報、即ち、０〜１の間で標準化された過去の鋼管製造特性の実績情報が格納される。
中間層１０２は、複数の隠れ層で構成され、各々の隠れ層には複数のニューロンが配置されている。
出力層１０３は、中間層１０２により伝達されたニューロンの情報が結合され、最終的な鋼管成形後に塗装してなる塗装鋼管の加圧曲げ時の圧潰強度として出力される。この出力した結果と、読み込まれた過去の塗装鋼管の加圧曲げ時の圧潰強度の実績とに基づき、ニューラルネットワークモデル内の重み係数が徐々に最適化されることで学習が行われる。
結果保存部６４は、学習用データ、ニューラルネットワークモデルのパラメータ（重み係数）、及び学習用データに対するニューラルネットワークモデルの出力結果を、記憶装置９に記憶させる。
出力層１０３は、中間層１０２により伝達されたニューロンの情報が結合され、最終的な鋼管成形後に塗装してなる塗装鋼管の加圧曲げ時の圧潰強度として出力される。この出力した結果と、読み込まれた過去の塗装鋼管の加圧曲げ時の圧潰強度の実績とに基づき、ニューラルネットワークモデル内の重み係数が徐々に最適化されることで学習が行われる。
結果保存部６４は、学習用データ、ニューラルネットワークモデルのパラメータ（重み係数）、及び学習用データに対するニューラルネットワークモデルの出力結果を、記憶装置９に記憶させる。
演算処理部５の鋼管製造特性演算部７は、鋼管圧潰強度予測モデル生成部６で生成された鋼管圧潰強度予測モデルに、予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみを含む鋼管製造特性を入力して鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を予測する処理を行う。そして、鋼管製造特性演算部７は、鋼管製造特性決定モード情報が鋼管製造特性決定モードであるときに、予測された塗装鋼管の加圧曲げ時の圧潰強度が、要求される目標の塗装鋼管の加圧曲げ時の圧潰強度に漸近するように、鋼管製造特性をなす鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみのうちの少なくとも一つを逐次変更し、鋼管製造特性を決定する処理を行う。
この処理を行うため、鋼管製造特性演算部７は、図１に示すように、機能ブロックとして、情報読取部７１、圧潰強度予測部７２、鋼管製造特性決定部７３、及び結果出力部７４を備えている。
情報読取部７１は、鋼管圧潰強度予測モデル生成部６によって生成された鋼管圧潰強度予測モデル、鋼管圧潰強度予測モデルに入力される圧潰強度の予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる鋼管製造特性の情報、目標の塗装鋼管の加圧曲げ時の圧潰強度の情報、及び鋼管製造特性決定モード情報を読み込む処理を行う。
情報読取部７１は、鋼管圧潰強度予測モデル生成部６によって生成された鋼管圧潰強度予測モデル、鋼管圧潰強度予測モデルに入力される圧潰強度の予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる鋼管製造特性の情報、目標の塗装鋼管の加圧曲げ時の圧潰強度の情報、及び鋼管製造特性決定モード情報を読み込む処理を行う。
また、圧潰強度予測部７２は、情報読取部７１で読み込んだ圧潰強度の予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる鋼管製造特性を、情報読取部７１で読み込んだ鋼管圧潰強度予測モデルに入力して、鋼管成形後に塗装してなる塗装鋼管の加圧曲げ時の圧潰強度を予測する処理を行う。
また、鋼管製造特性決定部７３及び圧潰強度予測部７２は、情報読取部７１で読み込んだ鋼管製造特性決定モード情報が鋼管製造特性決定モードであるときに、予測された塗装鋼管の加圧曲げ時の圧潰強度が、要求される目標の塗装鋼管の加圧曲げ時の圧潰強度に漸近するように、鋼管製造特性をなす鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみのうちの少なくとも一つを逐次変更して鋼管製造特性を決定し、結果出力部７４に決定された鋼管製造特性の情報を出力する処理を行う。また、鋼管製造特性決定部７３は、情報読取部７１で読み込んだ鋼管製造特性決定モード情報が鋼管製造特性決定モードでないときに、圧潰強度予測部７２で予測された塗装鋼管の加圧曲げ時の圧潰強度の情報（予測値）を結果出力部７４に出力する処理を行う。
また、結果出力部７４は、決定された鋼管製造特性の情報あるいは予測された塗装鋼管の圧潰強度の情報（予測値）を出力装置１０に出力する処理を行うとともに、これらの情報を記憶装置９に記憶させる処理を行う。
また、結果出力部７４は、決定された鋼管製造特性の情報あるいは予測された塗装鋼管の圧潰強度の情報（予測値）を出力装置１０に出力する処理を行うとともに、これらの情報を記憶装置９に記憶させる処理を行う。
次に、本発明の一実施形態に適用される鋼管製造特性決定装置１における演算処理部５の鋼管製造特性演算部７の処理の流れを図３を参照して説明する。
鋼管製造特性演算部７は、入力装置８に鋼管製造特性の演算指令が入力され、鋼管製造特性の演算指令を受けると、ＲＯＭ４に記憶されている鋼管製造特性演算プログラム４２を実行し、情報読取部７１、圧潰強度予測部７２、鋼管製造特性決定部７３、及び結果出力部７４の各機能を実行する。
鋼管製造特性演算部７は、入力装置８に鋼管製造特性の演算指令が入力され、鋼管製造特性の演算指令を受けると、ＲＯＭ４に記憶されている鋼管製造特性演算プログラム４２を実行し、情報読取部７１、圧潰強度予測部７２、鋼管製造特性決定部７３、及び結果出力部７４の各機能を実行する。
先ず、鋼管製造特性演算部７の情報読取部７１は、ステップＳ１において、記憶装置９に記憶されている、鋼管圧潰強度予測モデル生成部６によって生成された鋼管圧潰強度予測モデルを読み込む。
次いで、情報読取部７１は、ステップＳ２において、図示しない上位計算機から入力され、記憶装置９に記憶されている、要求される目標の鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度の情報を読み込む。
次いで、情報読取部７１は、ステップＳ３において、オペレータによって入力装置８に入力され、記憶装置９に記憶されている鋼管圧潰強度予測モデルに入力される予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる鋼管製造特性の情報を読み込む。
次いで、情報読取部７１は、ステップＳ２において、図示しない上位計算機から入力され、記憶装置９に記憶されている、要求される目標の鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度の情報を読み込む。
次いで、情報読取部７１は、ステップＳ３において、オペレータによって入力装置８に入力され、記憶装置９に記憶されている鋼管圧潰強度予測モデルに入力される予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる鋼管製造特性の情報を読み込む。
次いで、情報読取部７１は、ステップＳ４において、オペレータによって入力装置８に入力され、記憶装置９に記憶されている鋼管製造特性決定モード情報（鋼管製造特性を決定するモードか否かの情報）を読み込む。
その後、圧潰強度予測部７２は、ステップＳ５において、ステップＳ１で読み込まれた鋼管圧潰強度予測モデルに、ステップＳ３で読み込まれた予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる鋼管製造特性を入力して、塗装鋼管の加圧曲げ時の圧潰強度を予測する。
その後、圧潰強度予測部７２は、ステップＳ５において、ステップＳ１で読み込まれた鋼管圧潰強度予測モデルに、ステップＳ３で読み込まれた予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる鋼管製造特性を入力して、塗装鋼管の加圧曲げ時の圧潰強度を予測する。
このステップＳ１〜ステップＳ５は、本発明の一実施形態に係る、鋼管圧潰強度予測モデルの生成方法により生成された鋼管圧潰強度予測モデルに、予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる鋼管製造特性を入力して塗装鋼管の加圧曲げ時の圧潰強度を予測する鋼管の圧潰強度予測方法に対応する。
続いて、鋼管製造特性決定部７３は、ステップＳ６において、ステップＳ４で読み込んだ鋼管製造特性決定モード情報（鋼管製造特性を決定するモードか否かの情報）が鋼管製造特性決定モード（鋼管製造特性を決定するモード）か否かを判定する。
続いて、鋼管製造特性決定部７３は、ステップＳ６において、ステップＳ４で読み込んだ鋼管製造特性決定モード情報（鋼管製造特性を決定するモードか否かの情報）が鋼管製造特性決定モード（鋼管製造特性を決定するモード）か否かを判定する。
そして、ステップＳ６における判定結果がＹＥＳのとき（鋼管製造特性決定モードのとき）は、ステップＳ７に移行し、ステップＳ６における判定結果がＮＯのとき（鋼管製造特性決定モードでないとき）は、ステップＳ９に移行する。
ステップＳ７では、鋼管製造特性決定部７３は、ステップＳ５で予測された塗装鋼管の加圧曲げ時の圧潰強度（予測値）と、ステップＳ２で読み込まれた、要求される目標の塗装鋼管の加圧曲げ時の圧潰強度（目標値）との差異が所定の閾値以内か否かを判定する。
ここで、この所定の閾値は、おおむね０．５％〜１％に設定される。
ステップＳ７では、鋼管製造特性決定部７３は、ステップＳ５で予測された塗装鋼管の加圧曲げ時の圧潰強度（予測値）と、ステップＳ２で読み込まれた、要求される目標の塗装鋼管の加圧曲げ時の圧潰強度（目標値）との差異が所定の閾値以内か否かを判定する。
ここで、この所定の閾値は、おおむね０．５％〜１％に設定される。
そして、ステップＳ７における判定結果がＹＥＳのとき（予測値と目標値との差異が所定の閾値以内と判定した場合）は、ステップＳ８に移行し、ステップＳ７における判定結果がＮＯのとき（予測値と目標値との差異が所定の閾値より大きいと判定した場合）は、ステップＳ１０に移行する。
ステップＳ１０では、鋼管製造特性決定部７３は、ステップＳ３で読み込まれた圧潰強度の予測対象となる塗装鋼管の鋼管製造特性における鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみのうちの少なくとも１つを変更し、ステップＳ５に戻す。
ステップＳ１０では、鋼管製造特性決定部７３は、ステップＳ３で読み込まれた圧潰強度の予測対象となる塗装鋼管の鋼管製造特性における鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみのうちの少なくとも１つを変更し、ステップＳ５に戻す。
ステップＳ５に戻ってくると、圧潰強度予測部７２は、ステップＳ１０で鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみのうちの少なくとも１つが変更された鋼管製造特性を、ステップＳ１で読み込まれた鋼管圧潰強度予測モデルに入力して、塗装鋼管の加圧曲げ時の圧潰強度を再度予測する。そして、鋼管製造特性決定部７３は、ステップＳ６を経た後、ステップＳ７において、ステップＳ５で再度予測された塗装鋼管の加圧曲げ時の圧潰強度（予測値）と、ステップＳ２で読み込まれた、要求される目標の塗装鋼管の加圧曲げ時の圧潰強度（目標値）との差異が所定の閾値以内か否かを判定する。そして、その判定結果がＹＥＳになるまでステップＳ１０、ステップＳ５、ステップＳ６、及びステップＳ７の一連のステップを繰り返し実行する。
一方、ステップＳ７における判定結果がＹＥＳのとき（予測値と目標値との差異が所定の閾値以内と判定した場合）は、ステップＳ８に移行する。ステップＳ８では、鋼管製造特性決定部７３は、予測値と目標値との差異が所定の閾値以内と判定したときの鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、敷設時の曲げひずみからなる鋼管製造特性を鋼管製造特性として決定する。
このステップＳ６、ステップＳ７、ステップＳ１０、ステップＳ５、ステップＳ６、ステップＳ７及びステップＳ８は、本発明の一実施形態に係る鋼管の製造特性決定方法に対応する。この鋼管の製造特性決定方法は、予測された鋼管成形後に塗装してなる塗装鋼管の加圧曲げ時の圧潰強度が、要求される目標の塗装鋼管の加圧曲げ時の圧潰強度に漸近するように、鋼管製造特性に含まれる鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみのうちの少なくとも一つを逐次変更し、鋼管製造特性を決定する。
そして、ステップＳ９において、鋼管製造特性演算部７の結果出力部７４は、ステップＳ６における判定結果がＹＥＳのとき（鋼管製造特性決定モードのとき）は、ステップＳ８で決定された鋼管製造特性の情報を出力装置１０に出力する。一方、結果出力部７４は、ステップＳ６における判定結果がＮＯのとき（鋼管製造特性決定モードでないとき）は、ステップＳ５で予測された鋼管成形後に塗装してなる塗装鋼管の加圧曲げ時の圧潰強度の情報（予測値）を出力装置１０に出力する。
これにより、鋼管製造特性演算部７の処理が終了する。
これにより、鋼管製造特性演算部７の処理が終了する。
このように、本発明の一実施形態に係る鋼管圧潰強度予測モデルの生成方法は、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみを含む過去の鋼管製造特性を入力データとし、この入力データに対する過去の鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を出力データとした複数の学習用データを機械学習させて、鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を予測する（鋼管圧潰強度予測モデル生成部６）。
これにより、敷設時の曲げひずみに加えて、鋼管成形時の造管ひずみ、及び塗装条件を考慮して鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を精度高く予測するに際しての、鋼管圧潰強度予測モデルを適切に生成することができる。
これにより、敷設時の曲げひずみに加えて、鋼管成形時の造管ひずみ、及び塗装条件を考慮して鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を精度高く予測するに際しての、鋼管圧潰強度予測モデルを適切に生成することができる。
また、塗装鋼管の外圧曲げ時の圧潰強度を予測する鋼管圧潰強度予測モデルの生成に際し、塗装鋼管の外圧曲げ時の圧潰強度に大きな影響を与える塗装条件も考慮しているから、鋼管圧潰強度予測モデルの精度もより高くすることができる。
また、塗装鋼管の外圧曲げ時の圧潰強度を予測する鋼管圧潰強度予測モデルの生成に際し、塗装鋼管の外圧曲げ時の圧潰強度に大きな影響を与える敷設時の曲げひずみを考慮しているから、鋼管圧潰強度予測モデルの精度もより高くすることができる。
また、塗装鋼管の外圧曲げ時の圧潰強度を予測する鋼管圧潰強度予測モデルの生成に際し、塗装鋼管の外圧曲げ時の圧潰強度に大きな影響を与える敷設時の曲げひずみを考慮しているから、鋼管圧潰強度予測モデルの精度もより高くすることができる。
また、本発明の一実施形態に係る鋼管の圧潰強度予測方法は、鋼管圧潰強度予測モデルの生成方法により生成された鋼管圧潰強度予測モデルに、予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみを含む鋼管製造特性を入力して鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を予測する（ステップＳ１〜ステップＳ５）。
これにより、敷設時の曲げひずみに加えて、鋼管成形時の造管ひずみ、及び塗装条件を考慮して鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を精度高く予測する。
これにより、敷設時の曲げひずみに加えて、鋼管成形時の造管ひずみ、及び塗装条件を考慮して鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を精度高く予測する。
また、本発明の一実施形態に係る鋼管の製造特性決定方法は、予測された塗装鋼管の外圧曲げ時の圧潰強度が、要求される目標の塗装鋼管の外圧曲げ時の圧潰強度に漸近するように、鋼管製造特性に含まれる鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみのうちの少なくとも一つを逐次変更し、鋼管製造特性を決定する（ステップＳ６、ステップＳ７、ステップＳ１０、ステップＳ５、ステップＳ６、ステップＳ７及びステップＳ８）。
これにより、予測された塗装鋼管の外圧曲げ時の圧潰強度が、要求される目標の塗装鋼管の外圧曲げ時の圧潰強度に漸近するときの、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる鋼管製造特性を決定することができる。
これにより、予測された塗装鋼管の外圧曲げ時の圧潰強度が、要求される目標の塗装鋼管の外圧曲げ時の圧潰強度に漸近するときの、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる鋼管製造特性を決定することができる。
また、塗装鋼管を製造するに際して、出力装置１０で出力されたステップＳ５で予測された塗装鋼管の加圧曲げ時の圧潰強度の情報（予測値）を成形工程で成形された塗装鋼管に紐付けることができる。
つまり、本発明の一実施形態に係る鋼管の製造方法は、鋼管を成形し、成形された鋼管に塗装して塗装鋼管を形成する塗装鋼管形成工程と、鋼管の圧潰強度予測方法（ステップＳ１〜ステップＳ５）により、塗装鋼管形成工程で形成された塗装鋼管の加圧曲げ時の圧潰強度を予測する圧潰強度予測工程と、圧潰強度予測工程により予測された塗装鋼管の加圧曲げ時の圧潰強度を塗装鋼管形成工程で形成された塗装鋼管に紐付ける性能予測値付与工程とを備えていてもよい。
つまり、本発明の一実施形態に係る鋼管の製造方法は、鋼管を成形し、成形された鋼管に塗装して塗装鋼管を形成する塗装鋼管形成工程と、鋼管の圧潰強度予測方法（ステップＳ１〜ステップＳ５）により、塗装鋼管形成工程で形成された塗装鋼管の加圧曲げ時の圧潰強度を予測する圧潰強度予測工程と、圧潰強度予測工程により予測された塗装鋼管の加圧曲げ時の圧潰強度を塗装鋼管形成工程で形成された塗装鋼管に紐付ける性能予測値付与工程とを備えていてもよい。
ここで、性能予測値付与工程における予測された塗装鋼管の加圧曲げ時の圧潰強度の塗装鋼管への紐付けは、例えば、塗装鋼管に予測された塗装鋼管の加圧曲げ時の圧潰強度（予測値）をマーキングによって付与したり、塗装鋼管に予測された塗装鋼管の加圧曲げ時の圧潰強度（予測値）を記載した札を貼り付けることなどによって達成される。
これにより、塗装鋼管を取り扱う者は、当該塗装鋼管の加圧曲げ時の圧潰強度（予測値）を把握することができる。
これにより、塗装鋼管を取り扱う者は、当該塗装鋼管の加圧曲げ時の圧潰強度（予測値）を把握することができる。
また、塗装鋼管を製造するに際して、出力装置１０で出力されたステップＳ８で決定された最適な鋼管製造特性の情報に基づいて塗装鋼管の製造条件（造管方法の選択、造管時の曲げ率、造管時のひずみ量、塗装時の昇温速度、塗装時の最高到達温度、塗装時の最高到達温度保持時間、塗装時の最高到達温度保持時間経過後の冷却速度など）を決定し、その決定された塗装鋼管の製造条件で塗装鋼管を製造するようにしてもよい。
つまり、本発明の一実施形態に係る鋼管の製造方法は、塗装鋼管の製造特性決定方法（ステップＳ６、ステップＳ７、ステップＳ１０、ステップＳ５、ステップＳ６、ステップＳ７及びステップＳ８）により決定された最適な鋼管製造特性に基づいて塗装鋼管の製造条件を決定し、その決定された塗装鋼管の製造条件で塗装鋼管を製造するようにしてもよい。
つまり、本発明の一実施形態に係る鋼管の製造方法は、塗装鋼管の製造特性決定方法（ステップＳ６、ステップＳ７、ステップＳ１０、ステップＳ５、ステップＳ６、ステップＳ７及びステップＳ８）により決定された最適な鋼管製造特性に基づいて塗装鋼管の製造条件を決定し、その決定された塗装鋼管の製造条件で塗装鋼管を製造するようにしてもよい。
これにより、製造された塗装鋼管が、決定された最適な鋼管製造特性を満足し、その結果、予測される塗装鋼管の加圧曲げ時の圧潰強度（予測値）が要求される目標の塗装鋼管の加圧曲げ時の圧潰強度に漸近したものとなり、耐圧潰性能に優れた塗装鋼管となり、構造物の損傷や損壊事故を回避することができる。
以上、本発明の実施形態について説明してきたが、本発明はこれに限定されずに種々の変更、改良を行うことができる。
例えば、鋼管圧潰強度予測モデルの生成方法おいて、鋼管圧潰強度予測モデルを生成する際に、入力データとなる過去の鋼管製造特性は、過去の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみを含めばよく、それら以外の過去の鋼管製造特性、例えば、過去の鋼管成形前の鋼板の強度特性を含んでいても良い。
例えば、鋼管圧潰強度予測モデルの生成方法おいて、鋼管圧潰強度予測モデルを生成する際に、入力データとなる過去の鋼管製造特性は、過去の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみを含めばよく、それら以外の過去の鋼管製造特性、例えば、過去の鋼管成形前の鋼板の強度特性を含んでいても良い。
また、鋼管圧潰強度予測モデルの生成方法において、鋼管圧潰強度予測モデルを生成する際に、入力データとなる過去の鋼管成形後の鋼管形状は、鋼管の最大外径Ｄｍａｘ（ｍｍ）、鋼管の最小外径Ｄｍｉｎ（ｍｍ）、鋼管の平均外径Ｄａｖｅ（ｍｍ）、鋼管の平均管板厚ｔ（ｍｍ）、及び鋼管の外径形状の真円度（Ovality）ｆＯ（％）に限られない。
また、鋼管圧潰強度予測モデルの生成方法おいて、鋼管圧潰強度予測モデルを生成する際に、入力データとなる鋼管成形後の鋼管強度特性は、鋼管のヤング率Ｅ（ＧＰａ）、鋼管のポアソン比μ（−）、鋼管の引張強度ＹＳ（ＭＰａ）、鋼管の圧縮強度０．２３％ＹＳ（０．２３％歪に対応する応力）、及び鋼管の圧縮強度０．５％ＹＳ（０．５％歪に対応する応力）に限られない。
また、鋼管圧潰強度予測モデルの生成方法おいて、鋼管圧潰強度予測モデルを生成する際に、入力データとなる鋼管成形後の鋼管強度特性は、鋼管のヤング率Ｅ（ＧＰａ）、鋼管のポアソン比μ（−）、鋼管の引張強度ＹＳ（ＭＰａ）、鋼管の圧縮強度０．２３％ＹＳ（０．２３％歪に対応する応力）、及び鋼管の圧縮強度０．５％ＹＳ（０．５％歪に対応する応力）に限られない。
また、鋼管の圧潰強度予測方法において、鋼管圧潰強度予測モデルに、予測対象の塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみを入力するようにしてある。しかし、鋼管製造特性は、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみを含めばよく、それら以外の鋼管製造特性、例えば、鋼管成形前の鋼板の強度特性を入力するようにしてもよい。
また、鋼管の圧潰強度予測方法において、鋼管圧潰強度予測モデルに入力される鋼管成形後の鋼管形状は、鋼管の最大外径Ｄｍａｘ（ｍｍ）、鋼管の最小外径Ｄｍｉｎ（ｍｍ）、鋼管の平均外径Ｄａｖｅ（ｍｍ）、鋼管の平均管板厚ｔ（ｍｍ）、及び鋼管の外径形状の真円度（Ovality）ｆＯ（％）に限られない。
また、鋼管の圧潰強度予測方法において、鋼管圧潰強度予測モデルに入力される鋼管成形後の鋼管形状は、鋼管の最大外径Ｄｍａｘ（ｍｍ）、鋼管の最小外径Ｄｍｉｎ（ｍｍ）、鋼管の平均外径Ｄａｖｅ（ｍｍ）、鋼管の平均管板厚ｔ（ｍｍ）、及び鋼管の外径形状の真円度（Ovality）ｆＯ（％）に限られない。
また、鋼管の圧潰強度予測方法において、鋼管圧潰強度予測モデルに入力される鋼管成形後の鋼管強度特性は、鋼管のヤング率Ｅ（ＧＰａ）、鋼管のポアソン比μ（−）、鋼管の引張強度ＹＳ（ＭＰａ）、鋼管の圧縮強度０．２３％ＹＳ（０．２３％歪に対応する応力）、及び鋼管の圧縮強度０．５％ＹＳ（０．５％歪に対応する応力）に限られない。
また、機械学習の手法はニューラルネットワークとしてあるが、ニューラルネットワークによる学習に限らず、決定木学習、ロジスティック回帰、Ｋ近似法、サポートベクターマシン回帰、Ｑ学習、ＳＡＲＳＡ法など各種教師有り学習、教師無し学習、強化学習など適用可能である。
また、機械学習の手法はニューラルネットワークとしてあるが、ニューラルネットワークによる学習に限らず、決定木学習、ロジスティック回帰、Ｋ近似法、サポートベクターマシン回帰、Ｑ学習、ＳＡＲＳＡ法など各種教師有り学習、教師無し学習、強化学習など適用可能である。
本発明の効果を検証すべく、表２に示す条件で塗装鋼管の加圧曲げ時の圧潰強度を予測した。
実施例１〜２では、次の複数の学習用データを機械学習させて鋼管圧潰強度予測モデルを生成した。各学習用データは、過去の鋼管成形後の鋼管形状（鋼管の最大外径Ｄｍａｘ（ｍｍ）、鋼管の最小外径Ｄｍｉｎ（ｍｍ）、鋼管の平均外径Ｄａｖｅ（ｍｍ）、鋼管の平均管板厚ｔ（ｍｍ）、及び鋼管の外径形状の真円度（Ovality）ｆＯ（％））、過去の鋼管成形後の鋼管強度特性（鋼管のヤング率Ｅ（ＧＰａ）、鋼管のポアソン比μ（−）、鋼管の引張強度ＹＳ（ＭＰａ）、鋼管の圧縮強度０．２３％ＹＳ（０．２３％歪に対応する応力）、及び鋼管の圧縮強度０．５％ＹＳ（０．５％歪に対応する応力））、鋼管成形時の造管ひずみ（鋼管成形時における引張ひずみ（％））、塗装条件（最高温度（℃）及び保持時間（ｍｉｎ））及び敷設時の曲げひずみ（％）を入力データとし、この入力データに対する過去の鋼管成形後に塗装して成る塗装鋼管の外圧曲げ時の圧潰強度（ＭＰａ）を出力データとしたものである。
そして、実施例１では、生成された鋼管圧潰強度予測モデルに、表１に示す供試材１の鋼管成形後の鋼管形状（鋼管の最大外径Ｄｍａｘ（ｍｍ）、鋼管の最小外径Ｄｍｉｎ（ｍｍ）、鋼管の平均外径Ｄａｖｅ（ｍｍ）、鋼管の平均管板厚ｔ（ｍｍ）、及び鋼管の外径形状の真円度（Ovality）ｆＯ（％））、鋼管成形後の鋼管強度特性（鋼管のヤング率Ｅ（ＧＰａ）、鋼管のポアソン比μ（−）、鋼管の引張強度ＹＳ（ＭＰａ）、鋼管の圧縮強度０．２３％ＹＳ（０．２３％歪に対応する応力）、及び鋼管の圧縮強度０．５％ＹＳ（０．５％歪に対応する応力））、鋼管成形時の造管ひずみ（鋼管成形時における引張ひずみ（％））、塗装条件（最高温度（℃）及び保持時間（ｍｉｎ））、及び敷設時の曲げひずみ（％）を入力して、鋼管成形後の外圧曲げ時の圧潰強度を予測した。
また、実施例２では、生成された鋼管圧潰強度予測モデルに、表１に示す供試材２の鋼管成形後の鋼管形状（鋼管の最大外径Ｄｍａｘ（ｍｍ）、鋼管の最小外径Ｄｍｉｎ（ｍｍ）、鋼管の平均外径Ｄａｖｅ（ｍｍ）、鋼管の平均管板厚ｔ（ｍｍ）、及び鋼管の外径形状の真円度（Ovality）ｆＯ（％））、鋼管成形後の鋼管強度特性（鋼管のヤング率Ｅ（ＧＰａ）、鋼管のポアソン比μ（−）、鋼管の引張強度ＹＳ（ＭＰａ）、鋼管の圧縮強度０．２３％ＹＳ（０．２３％歪に対応する応力）、及び鋼管の圧縮強度０．５％ＹＳ（０．５％歪に対応する応力））、鋼管成形時の造管ひずみ（鋼管成形時における引張ひずみ（％））、塗装条件（最高温度（℃）及び保持時間（ｍｉｎ））、及び敷設時の曲げひずみ（％）を入力して、鋼管成形後の外圧曲げ時の圧潰強度を予測した。
また、実施例１では、表１に示す供試材１の実際の外圧曲げ時の圧潰強度を実測した（実管試験結果）。
また、実施例２では、表１に示す供試材２の実際の外圧曲げ時の圧潰強度を実測した（実管試験結果）。
また、実施例１では、表１に示す供試材１の実際の外圧曲げ時の圧潰強度を実測した（実管試験結果）。
また、実施例２では、表１に示す供試材２の実際の外圧曲げ時の圧潰強度を実測した（実管試験結果）。
また、比較例１では、非特許文献１で示された予測式に、表１に示す供試材１の鋼管成形後の鋼管形状（鋼管の最大外径Ｄｍａｘ（ｍｍ）、鋼管の最小外径Ｄｍｉｎ（ｍｍ）、鋼管の平均外径Ｄａｖｅ（ｍｍ）、鋼管の平均管板厚ｔ（ｍｍ）、及び鋼管の外径形状の真円度（Ovality）ｆＯ（％））、鋼管成形後の鋼管強度特性（鋼管のヤング率Ｅ（ＧＰａ）、鋼管のポアソン比μ（−）、及び鋼管の引張強度ＹＳ（ＭＰａ））、及び敷設時の曲げひずみ（％）を入力して、塗装鋼管の鋼管成形後の曲げ加工時における圧潰強度を予測した。
また、比較例２では、非特許文献１で示された予測式に、表１に示す供試材２の鋼管成形後の鋼管形状（鋼管の最大外径Ｄｍａｘ（ｍｍ）、鋼管の最小外径Ｄｍｉｎ（ｍｍ）、鋼管の平均外径Ｄａｖｅ（ｍｍ）、鋼管の平均管板厚ｔ（ｍｍ）、及び鋼管の外径形状の真円度（Ovality）ｆＯ（％））、及び鋼管成形後の鋼管強度特性（鋼管のヤング率Ｅ（ＧＰａ）、鋼管のポアソン比μ（−）、及び鋼管の引張強度ＹＳ（ＭＰａ））、及び敷設時の曲げひずみ（％）を入力して、塗装鋼管の鋼管成形後の曲げ加工時における圧潰強度を予測した。
また、比較例１では、表１に示す供試材１の実際の外圧曲げ時の圧潰強度を実測した（実管試験結果）。
また、比較例２では、表１に示す供試材２の実際の外圧曲げ時の圧潰強度を実測した（実管試験結果）。
また、比較例１では、表１に示す供試材１の実際の外圧曲げ時の圧潰強度を実測した（実管試験結果）。
また、比較例２では、表１に示す供試材２の実際の外圧曲げ時の圧潰強度を実測した（実管試験結果）。
実施例１〜２及び比較例１〜２における実管試験結果の判定基準は同様であり、実験で得られた実際の圧潰強度と規格基準値との差異を評価し、実際の圧潰強度が規格基準値を下回ったものをＮＧ、実際の圧潰強度が規格基準値よりも１０％未満の範囲で上回ったものをＣ、実際の圧潰強度が規格基準値よりも１０％以上かつ２０％未満の範囲で上回ったものをＢ、実際の圧潰強度が規格基準値よりも２０％以上上回ったものをＡとした。
その結果、実施例１では、塗装鋼管の実際の外圧曲げ時の圧潰強度（実管試験結果）が規格基準値（所定規格値）を２０％以上上回り判定結果はＡであり、また、鋼管圧潰強度予測モデルを用いた塗装鋼管の外圧曲げ時の圧潰強度の予測値も規格基準値（所定規格値）を２０％以上上回り判定結果はＡで、実験評価と予測結果が一致した。
その結果、実施例１では、塗装鋼管の実際の外圧曲げ時の圧潰強度（実管試験結果）が規格基準値（所定規格値）を２０％以上上回り判定結果はＡであり、また、鋼管圧潰強度予測モデルを用いた塗装鋼管の外圧曲げ時の圧潰強度の予測値も規格基準値（所定規格値）を２０％以上上回り判定結果はＡで、実験評価と予測結果が一致した。
また、実施例２では、塗装鋼管の実際の外圧曲げ時の圧潰強度（実管試験結果）が規格基準値（所定規格値）を１０％以上かつ２０％未満の範囲で上回り判定結果はＢであり、鋼管圧潰強度予測モデルを用いた塗装鋼管の外圧曲げ時の圧潰強度の予測値も規格基準値（所定規格値）を１０％以上かつ２０％未満の範囲で上回判定結果はＢで、実験評価と予測結果が一致した。
一方、比較例１では、塗装鋼管の実際の外圧曲げ時の圧潰強度（実管試験結果）が規格基準値（所定規格値）を２０％以上上回り判定結果はＡであったが、非特許文献１で示された予測式を用いた塗装鋼管の外圧曲げ時の圧潰強度の予測値は規格基準値（所定規格値）を１０％未満の範囲で上回り判定結果はＣで、実験評価と予測結果が不一致であった。
一方、比較例１では、塗装鋼管の実際の外圧曲げ時の圧潰強度（実管試験結果）が規格基準値（所定規格値）を２０％以上上回り判定結果はＡであったが、非特許文献１で示された予測式を用いた塗装鋼管の外圧曲げ時の圧潰強度の予測値は規格基準値（所定規格値）を１０％未満の範囲で上回り判定結果はＣで、実験評価と予測結果が不一致であった。
また、比較例２では、塗装鋼管の実際の外圧曲げ時の圧潰強度（実管試験結果）が規格基準値（所定規格値）を１０％以上かつ２０％未満の範囲で上回り判定結果はＢであったが、非特許文献１で示された予測式を用いた塗装鋼管の外圧曲げ時の圧潰強度の予測値は規格基準値（所定規格値）を１０％未満の範囲で上回り判定結果はＣで、実験評価と予測結果が不一致であった。
これにより、実施例１〜２で説明したように、本発明では、塗装鋼管の加圧曲げ時の圧潰強度の予測値とも実験結果と一致し、予測精度が高いことが確認された。
これにより、実施例１〜２で説明したように、本発明では、塗装鋼管の加圧曲げ時の圧潰強度の予測値とも実験結果と一致し、予測精度が高いことが確認された。
１ 鋼管製造特性決定装置
２ 演算装置
３ ＲＡＭ
４ ＲＯＭ
５ 演算処理部
６ 鋼管圧潰強度予測モデル生成部
７ 鋼管製造特性演算部
８ 入力装置
９ 記憶装置
１０ 出力装置
１１ バス
４１ 鋼管圧潰強度予測モデル生成プログラム
４２ 鋼管製造特性演算プログラム
６１ 学習用データ取得部
６２ 前処理部
６３ モデル生成部
６４ 結果保存部
７１ 情報読取部
７２ 圧潰強度予測部
７３ 鋼管製造特性決定部
７４ 結果出力部
１０１ 入力層
１０２ 中間層
１０３ 出力層
２ 演算装置
３ ＲＡＭ
４ ＲＯＭ
５ 演算処理部
６ 鋼管圧潰強度予測モデル生成部
７ 鋼管製造特性演算部
８ 入力装置
９ 記憶装置
１０ 出力装置
１１ バス
４１ 鋼管圧潰強度予測モデル生成プログラム
４２ 鋼管製造特性演算プログラム
６１ 学習用データ取得部
６２ 前処理部
６３ モデル生成部
６４ 結果保存部
７１ 情報読取部
７２ 圧潰強度予測部
７３ 鋼管製造特性決定部
７４ 結果出力部
１０１ 入力層
１０２ 中間層
１０３ 出力層
Claims (6)
- 鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみを含む過去の鋼管製造特性を入力データとし、この入力データに対する過去の鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を出力データとした複数の学習用データを機械学習させて、鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を予測する鋼管圧潰強度予測モデルを生成することを特徴とする鋼管圧潰強度予測モデルの生成方法。
- 前記機械学習の手法はニューラルネットワークであり、前記鋼管圧潰強度予測モデルは、ニューラルネットワークにより構築された予測モデルであることを特徴とする請求項１に記載の鋼管圧潰強度予測モデルの生成方法。
- 請求項１又は２に記載の鋼管圧潰強度予測モデルの生成方法により生成された鋼管圧潰強度予測モデルに、予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみを含む鋼管製造特性を入力して鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を予測することを特徴とする鋼管の圧潰強度予測方法。
- 請求項３に記載された鋼管の圧潰強度予測方法により予測された塗装鋼管の外圧曲げ時の圧潰強度が、要求される目標の塗装鋼管の外圧曲げ時の圧潰強度に漸近するように、鋼管製造特性に含まれる鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみのうちの少なくとも一つを逐次変更し、鋼管製造特性を決定することを特徴とする鋼管の製造特性決定方法。
- 鋼管を成形し、成形された鋼管に塗装して塗装鋼管を形成する塗装鋼管形成工程と、請求項３に記載の鋼管の圧潰強度予測方法により、前記塗装鋼管形成工程で形成された塗装鋼管の外圧曲げ時の圧潰強度を予測する圧潰強度予測工程と、該圧潰強度予測工程により予測された塗装鋼管の外圧曲げ時の圧潰強度を前記塗装鋼管形成工程で形成された塗装鋼管に紐付ける性能予測値付与工程とを備えることを特徴とする鋼管の製造方法。
- 請求項４に記載の鋼管の製造特性決定方法により決定された鋼管製造特性に基づいて塗装鋼管の製造条件を決定し、その決定された塗装鋼管の製造条件で塗装鋼管を製造することを特徴とする鋼管の製造方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020153332 | 2020-09-11 | ||
| JP2020153332 | 2020-09-11 | ||
| PCT/JP2021/018338 WO2022054336A1 (ja) | 2020-09-11 | 2021-05-14 | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6969713B1 true JP6969713B1 (ja) | 2021-11-24 |
| JPWO2022054336A1 JPWO2022054336A1 (ja) | 2022-03-17 |
Family
ID=78605672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021546241A Active JP6969713B1 (ja) | 2020-09-11 | 2021-05-14 | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230315934A1 (ja) |
| EP (1) | EP4212846B1 (ja) |
| JP (1) | JP6969713B1 (ja) |
| KR (1) | KR20230044510A (ja) |
| CN (1) | CN116018509A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7323857B1 (ja) * | 2022-02-07 | 2023-08-09 | 日本製鉄株式会社 | 鋼管、鋼管群、パイプライン、及び鋼管製造方法 |
| WO2023149364A1 (ja) * | 2022-02-07 | 2023-08-10 | 日本製鉄株式会社 | 鋼管、鋼管群、パイプライン、及び鋼管製造方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018074433A1 (ja) * | 2016-10-18 | 2018-04-26 | 新日鐵住金株式会社 | 圧潰強度予測方法 |
| JP2019174452A (ja) * | 2018-03-27 | 2019-10-10 | Ｊｆｅスチール株式会社 | 鋼管の耐圧潰特性の評価方法 |
| WO2020148917A1 (ja) * | 2019-01-17 | 2020-07-23 | Ｊｆｅスチール株式会社 | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102284512B (zh) * | 2011-07-28 | 2013-07-17 | 郑州大学 | 一种大变形管线钢管制造工艺控制方法 |
| EP3059485A1 (en) * | 2015-02-17 | 2016-08-24 | J. van Beugen Beheer B.V. | Metal pipes with anticorrosive polyolefin covering layer |
-
2021
- 2021-05-14 US US18/024,418 patent/US20230315934A1/en active Pending
- 2021-05-14 EP EP21866297.1A patent/EP4212846B1/en active Active
- 2021-05-14 KR KR1020237007414A patent/KR20230044510A/ko unknown
- 2021-05-14 JP JP2021546241A patent/JP6969713B1/ja active Active
- 2021-05-14 CN CN202180054545.9A patent/CN116018509A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018074433A1 (ja) * | 2016-10-18 | 2018-04-26 | 新日鐵住金株式会社 | 圧潰強度予測方法 |
| JP2019174452A (ja) * | 2018-03-27 | 2019-10-10 | Ｊｆｅスチール株式会社 | 鋼管の耐圧潰特性の評価方法 |
| WO2020148917A1 (ja) * | 2019-01-17 | 2020-07-23 | Ｊｆｅスチール株式会社 | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 |
Non-Patent Citations (3)
| Title |
|---|
| OKATSU MITSUHIRO: "Development of a High-Deformability Linepipe with Resistance to Strain-aged Hardening by HOP(R) (Hea", JFE TECHNICAL REPORT, JPN6021027800, October 2008 (2008-10-01), pages 8 - 14, ISSN: 0004601815 * |
| 三牧 敏太郎: "油井管の曲げ圧潰強度のFEM解析と計算式", 日本機械学会論文集（A編）, vol. 62巻593号論文No.95-0049, JPN6021027801, January 1996 (1996-01-01), pages 212 - 218, ISSN: 0004601814 * |
| 津留 英司 EIJI TSURU: "創形創質工学 Processing for Quality Products", CURRENT ADVANCES IN MATERIALS AND PROCESSES, vol. 18, JPN6021027799, 2005, pages 356 - 359, ISSN: 0004601816 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7323857B1 (ja) * | 2022-02-07 | 2023-08-09 | 日本製鉄株式会社 | 鋼管、鋼管群、パイプライン、及び鋼管製造方法 |
| WO2023149364A1 (ja) * | 2022-02-07 | 2023-08-10 | 日本製鉄株式会社 | 鋼管、鋼管群、パイプライン、及び鋼管製造方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2022054336A1 (ja) | 2022-03-17 |
| EP4212846B1 (en) | 2024-10-23 |
| EP4212846A4 (en) | 2024-03-13 |
| KR20230044510A (ko) | 2023-04-04 |
| US20230315934A1 (en) | 2023-10-05 |
| CN116018509A (zh) | 2023-04-25 |
| EP4212846A1 (en) | 2023-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhan et al. | A novel approach based on the elastoplastic fatigue damage and machine learning models for life prediction of aerospace alloy parts fabricated by additive manufacturing | |
| JP6969713B1 (ja) | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 | |
| CN106096073A (zh) | 一种基于损伤力学非概率区间分析模型的金属疲劳裂纹全寿命预估方法 | |
| US20200401113A1 (en) | Determining optimal material and/or manufacturing process | |
| JP7103514B2 (ja) | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 | |
| El Mrabti et al. | Springback optimization of deep drawing process based on FEM-ANN-PSO strategy | |
| Mirzaali et al. | Optimization of tube hydroforming process using simulated annealing algorithm | |
| Dib et al. | Model prediction of defects in sheet metal forming processes | |
| Fan et al. | Prediction algorithm for springback of frame-rib parts in rubber forming process by incorporating Sobol within improved grey relation analysis | |
| CN107180123B (zh) | 一种高强度钢潜水器耐压球壳极限承载力估算方法 | |
| Bosetti et al. | Identification of johnson–cook and tresca's parameters for numerical modeling of aisi-304 machining processes | |
| Madhav et al. | Analysis of UOE forming process accounting for Bauschinger effect and welding | |
| Şenol et al. | Springback analysis in air bending process through experiment based artificial neural networks | |
| Hernández et al. | Compressive capacity of perforated tubular members using symbolic regression of DoE-FEM simulations | |
| WO2022054336A1 (ja) | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 | |
| Cai et al. | The prediction of part thickness using machine learning in aluminum hot stamping process with partition temperature control | |
| Mandal et al. | Capability of a feed-forward artificial neural network to predict the constitutive flow behavior of as cast 304 stainless steel under hot deformation | |
| Ilg et al. | Constitutive model parameter identification via full-field calibration | |
| Peng et al. | Coiled tubing working life prediction based on BP algorithm of artificial neural network | |
| JP2021174053A (ja) | 学習モデル作成装置、材料特性予測装置、および学習モデル作成方法ならびにプログラム | |
| Shen et al. | Lined pipe reeling mechanics design of experiment & machine learning model | |
| Strano et al. | Hierarchical metamodeling of the air bending process | |
| Lin et al. | Optimization of bending process parameters for seamless tubes using Taguchi method and finite element method | |
| Nonato | Multi-level uncertain fatigue analysis of a truss under incomplete available information | |
| Zou et al. | Robust Optimization of UOE Forming Process Considering Inhomogeneity of Material Properties |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210806 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210806 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210928 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211011 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6969713 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |