JP7103514B2 - 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 PDF

Info

Publication number
JP7103514B2
JP7103514B2 JP2021519178A JP2021519178A JP7103514B2 JP 7103514 B2 JP7103514 B2 JP 7103514B2 JP 2021519178 A JP2021519178 A JP 2021519178A JP 2021519178 A JP2021519178 A JP 2021519178A JP 7103514 B2 JP7103514 B2 JP 7103514B2
Authority
JP
Japan
Prior art keywords
steel pipe
forming
crushing strength
strength
manufacturing
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
Application number
JP2021519178A
Other languages
English (en)
Other versions
JPWO2021240900A1 (ja
Inventor
隆洋 ▲崎▼本
久和 田近
恒久 半田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JFE Steel Corp
Original Assignee
JFE Steel Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by JFE Steel Corp filed Critical JFE Steel Corp
Publication of JPWO2021240900A1 publication Critical patent/JPWO2021240900A1/ja
Application granted granted Critical
Publication of JP7103514B2 publication Critical patent/JP7103514B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21C—MANUFACTURE OF METAL SHEETS, WIRE, RODS, TUBES OR PROFILES, OTHERWISE THAN BY ROLLING; AUXILIARY OPERATIONS USED IN CONNECTION WITH METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL
    • B21C37/00—Manufacture of metal sheets, bars, wire, tubes or like semi-manufactured products, not otherwise provided for; Manufacture of tubes of special shape
    • B21C37/06—Manufacture of metal sheets, bars, wire, tubes or like semi-manufactured products, not otherwise provided for; Manufacture of tubes of special shape of tubes or metal hoses; Combined procedures for making tubes, e.g. for making multi-wall tubes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21C—MANUFACTURE OF METAL SHEETS, WIRE, RODS, TUBES OR PROFILES, OTHERWISE THAN BY ROLLING; AUXILIARY OPERATIONS USED IN CONNECTION WITH METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL
    • B21C37/00—Manufacture of metal sheets, bars, wire, tubes or like semi-manufactured products, not otherwise provided for; Manufacture of tubes of special shape
    • B21C37/06—Manufacture of metal sheets, bars, wire, tubes or like semi-manufactured products, not otherwise provided for; Manufacture of tubes of special shape of tubes or metal hoses; Combined procedures for making tubes, e.g. for making multi-wall tubes
    • B21C37/08—Making tubes with welded or soldered seams
    • 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
    • G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G01N2203/0016—Tensile or compressive
    • 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
    • G01N2203/006—Crack, flaws, fracture or rupture
    • G01N2203/0067—Fracture or rupture
    • 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
    • G01N2203/026—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
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32193—Ann, neural base quality management
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Computer Hardware Design (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

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。そこで、海底パイプラインのような高い圧縮応力が作用するような使途向けの鋼管として、耐圧潰性能に優れた鋼管が要望されている。
ここで、耐圧潰性能を評価・予測する手法として、例えば、非特許文献１に記載の対象鋼管の耐圧潰性能を予測・評価する手法が知られている。非特許文献１では、対象鋼管の耐圧潰性能を予測・評価する手法として、ＤＮＶ－Ｆ０１など規格が制定され、評価対象鋼管（鋼管成形後の鋼管）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、ポアソン比のデータから耐圧潰性能を予測する式（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に示す対象鋼管の耐圧潰性能を予測・評価する手法にあっては、以下の問題点があった。
即ち、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は考慮されておらず、鋼管の圧潰強度の予測値の精度が悪く、実測した鋼管の圧潰強度と予測した鋼管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、鋼管成形時の造管ひずみを考慮して鋼管成形後の鋼管あるいは鋼管成形後に塗装してなる塗装鋼管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、及び鋼管成形時の造管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の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機械学習させて、鋼管成形後の鋼管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、及び鋼管成形時の造管ひずみを含む鋼管製造特性を入力して鋼管成形後の鋼管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鋼管成形後の鋼管の圧潰強度が、要求される目標の鋼管成形後の鋼管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、及び鋼管成形時の造管ひずみのうちの少なくとも一つを逐次変更し、最適な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、鋼管を成形する鋼管の成形工程と、前述の鋼管の圧潰強度予測方法により、前記成形工程で成形された鋼管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鋼管の圧潰強度を前記成形工程で成形された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。
また、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最適な鋼管製造特性に基づいて鋼管の製造条件を決定し、その決定された鋼管の製造条件で鋼管を製造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、及び塗装条件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、及び塗装条件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圧潰強度が、要求される目標の塗装鋼管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、及び塗装条件のうちの少なくとも一つを逐次変更し、最適な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。
また、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、鋼管成形時の造管ひずみを考慮して鋼管成形後の鋼管あるいは鋼管成形後に塗装してなる塗装鋼管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できる。
本発明の第１及び第２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である。 本発明の第１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を示す図である。 本発明の第１実施形態に適用される鋼管製造特性決定装置における演算処理部の鋼管製造特性演算部の処理の流れを説明するためのフローチャートである。 本発明の第２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により構築される鋼管圧潰強度予測モデルの処理フローを示す図である。 本発明の第２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における演算処理部の鋼管製造特性演算部の処理の流れを説明するためのフローチャートである。
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。
（第１実施形態）
図１には、本発明の第１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に示す第１実施形態に適用される鋼管製造特性決定装置１は、鋼管圧潰強度予測モデルの生成、及び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の鋼管の圧潰強度を予測を行う。また、鋼管製造特性決定装置１は、予測された鋼管成形後の鋼管の圧潰強度が要求される目標の鋼管成形後の鋼管の圧潰強度に漸近するような最適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を備えている。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とは、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、圧潰強度の予測対象となる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、及び鋼管成形時の造管ひずみからなる鋼管製造特性、目標の鋼管成形後の鋼管の圧潰強度、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、表面に塗装する場合もある。
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。鋼管成形後の鋼管形状は、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、予測する鋼管成形後の鋼管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、鋼管の圧潰強度とは、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。鋼管成形後の鋼管強度特性は、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、予測する鋼管成形後の鋼管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。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、予測する鋼管成形後の鋼管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、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。
ここで、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、例えば、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管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の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、例えば、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入力装置８に入力された圧潰強度の予測対象となる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、及び鋼管成形時の造管ひずみからなる鋼管製造特性、目標の鋼管成形後の鋼管の圧潰強度、及び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）が挙げられる。
また、出力装置１０は、演算装置２からの出力データ、例えば、後述する圧潰強度予測部７２で予測された鋼管成形後の鋼管の圧潰強度（予測値）の情報や鋼管製造特性決定部７３で決定された最適な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、及び鋼管成形時の造管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の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、本発明の第１実施形態に係る、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管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の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機械学習させて、鋼管成形後の鋼管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鋼管圧潰強度予測モデルの生成方法に対応する。
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、及び鋼管成形時の造管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の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、及び鋼管成形時の造管ひずみからなる過去の鋼管製造特性の実績情報を、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、及び鋼管成形時の造管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、過去の鋼管成形後の鋼管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（鋼管成形後の鋼管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、本発明の第１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、及び鋼管成形時の造管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。中間層１０２内に構成される隠れ層の数は特に限定されないが、経験的に隠れ層が多すぎると予測精度が低下することから、５層以下であることが好ましい。
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の鋼管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鋼管成形後の鋼管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、圧潰強度の予測対象となる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、及び鋼管成形時の造管ひずみからなる鋼管製造特性を入力して、当該鋼管製造特性に対応する鋼管成形後の鋼管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、予測された鋼管成形後の鋼管の圧潰強度が、要求される目標の鋼管成形後の鋼管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、及び鋼管成形時の造管ひずみのうちの少なくとも一つを逐次変更し、最適な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、記憶装置９に記憶され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を読み込む処理を行う。具体的に、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を読み込む処理を行う。また、情報読取部７１は、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、及び鋼管成形時の造管ひずみからなる鋼管製造特性の情報、目標の鋼管成形後の鋼管の圧潰強度の情報、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、及び鋼管成形時の造管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、鋼管成形後の鋼管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、予測された鋼管成形後の鋼管の圧潰強度が、要求される目標の鋼管成形後の鋼管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、及び鋼管成形時の造管ひずみのうちの少なくとも一つを逐次変更して最適な鋼管製造特性を決定し、結果出力部７４に決定された最適な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で予測された鋼管成形後の鋼管の圧潰強度の情報（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、決定された最適な鋼管製造特性の情報あるいは予測された鋼管成形後の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、本発明の第１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。
この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の鋼管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圧潰強度の予測対象となる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、及び鋼管成形時の造管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（最適な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で読み込まれた圧潰強度の予測対象となる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、及び鋼管成形時の造管ひずみからなる鋼管製造特性を入力して、鋼管成形後の鋼管の圧潰強度を予測する。
このステップＳ１～ステップＳ５は、本発明の第１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、及び鋼管成形時の造管ひずみからなる鋼管製造特性を入力して鋼管成形後の鋼管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（最適な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（最適な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で予測された鋼管成形後の鋼管の圧潰強度（予測値）と、ステップＳ２で読み込まれた、要求される目標の鋼管成形後の鋼管の圧潰強度（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、前述の所定の閾値は、目標値や製造条件によって異なるがおおむね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、及び鋼管成形時の造管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、及び鋼管成形時の造管ひずみのうちの少なくとも１つが変更された鋼管の鋼管製造特性を、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、鋼管成形後の鋼管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で再度予測された鋼管成形後の鋼管の圧潰強度（予測値）と、ステップＳ２で読み込まれた、要求される目標の鋼管成形後の鋼管の圧潰強度（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の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管ひずみからなる鋼管製造特性を最適な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、本発明の第１実施形態に係る、予測された鋼管成形後の鋼管の圧潰強度が、要求される目標の鋼管成形後の鋼管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、及び鋼管成形時の造管ひずみのうちの少なくとも一つを逐次変更し、最適な鋼管製造特性を決定する鋼管の製造特性決定方法に対応する。
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で決定された最適な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の鋼管の圧潰強度の情報（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。
このように、本発明の第１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、及び鋼管成形時の造管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の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機械学習させて、鋼管成形後の鋼管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（鋼管圧潰強度予測モデル生成部６）。
これにより、鋼管成形時の造管ひずみを考慮して鋼管成形後の鋼管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、本発明の第１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、及び鋼管成形時の造管ひずみからなる鋼管製造特性を入力して鋼管成形後の鋼管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、鋼管成形時の造管ひずみを考慮して鋼管成形後の鋼管の圧潰強度を精度高く予測することができる。
また、本発明の第１実施形態に係る鋼管の製造特性決定方法は、予測された鋼管成形後の鋼管の圧潰強度が、要求される目標の鋼管成形後の鋼管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、及び鋼管成形時の造管ひずみのうちの少なくとも一つを逐次変更し、最適な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、予測された鋼管成形後の鋼管の圧潰強度が、要求される目標の鋼管成形後の鋼管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、及び鋼管成形時の造管ひずみからなる最適な鋼管製造特性を決定することができる。
また、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で予測された鋼管成形後の鋼管の圧潰強度の情報（予測値）を成形工程で成形された鋼管に紐付けることができる。
つまり、本発明の第１実施形態に係る鋼管の製造方法は、鋼管を成形する鋼管の成形工程と、鋼管の圧潰強度予測方法（ステップＳ１～ステップＳ５）により、成形工程で成形された鋼管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鋼管の圧潰強度を成形工程で成形された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鋼管の圧潰強度の成形された鋼管への紐付けは、例えば、成形された鋼管に予測された鋼管の圧潰強度（予測値）をマーキングによって付与したり、成形された鋼管に予測された鋼管の圧潰強度（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、成形された鋼管を取り扱う者は、当該鋼管の圧潰強度（予測値）を把握することができる。
また、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、造管時のひずみ付与ひずみなど）を決定し、その決定された鋼管の製造条件で鋼管を製造するようにしてもよい。
つまり、本発明の第１実施形態に係る鋼管の製造方法は、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鋼管の製造条件を決定し、その決定された鋼管の製造条件で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、予測される鋼管の圧潰強度（予測値）が要求される目標の鋼管成形後の鋼管の圧潰強度に漸近したものとなり、耐圧潰性能に優れた鋼管となり、構造物の損傷や損壊事故を回避することができる。
（第２実施形態）
本発明の第２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、鋼管の製造特性決定方法、及び鋼管の製造方法について、図１及び図４乃至図５を参照して説明する。第１実施形態において既に説明した部材については説明を省略することがある。
図１に示す鋼管製造特性決定装置１は、第２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にも適用される。第２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を行う。第２実施形態に係る鋼管の圧潰強度予測方法は、生成された鋼管圧潰強度予測モデルを用いて鋼管成形後に塗装してなる塗装鋼管の圧潰強度を予測する。第２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圧潰強度が要求される目標の塗装鋼管の圧潰強度に漸近するような最適な鋼管製造特性の決定を行う。
図１に示す第２実施形態に係る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り、その基本構成は既に説明してあるので適宜説明を省略する。
入力装置８には、第１実施形態と同様に、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等が入力される。第２実施形態では、第１実施形態と異なり、鋼管成形後に塗装してなる塗装鋼管の圧潰強度を予測するので、鋼管製造特性として、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、及び鋼管成形時の造管ひずみの他に塗装条件が入力される。また、入力装置８には、目標の鋼管形後に塗装してなる塗装鋼管の圧潰強度等が入力される。
ここで、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管ひずみについては第１実施形態と同様であるが、塗装条件は、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、記憶装置９は、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及び塗装条件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、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、及び塗装条件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圧潰強度、及び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）が挙げられる。
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で決定された最適な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。
次に、演算装置２は、第１実施形態と同様の構成を有し、特に、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、及び塗装条件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、第１実施形態と同様に、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、第１実施形態と同様に、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、本発明の第２実施形態に係る、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、及び塗装条件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機械学習させて、鋼管成形後に塗装してなる塗装鋼管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鋼管圧潰強度予測モデルの生成方法に対応する。
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、及び塗装条件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、第１実施形態と同様に、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。
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、及び塗装条件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第１実施形態と同様に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。
図４には、本発明の第２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、及び塗装条件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、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、及び塗装条件からなる鋼管製造特性を入力して、当該鋼管製造特性に対応する鋼管成形後に塗装してなる塗装鋼管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圧潰強度が、要求される目標の塗装鋼管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、及び塗装条件のうちの少なくとも一つを逐次変更し、最適な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を読み込む処理を行う。また、情報読取部７１は、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、及び塗装条件からなる鋼管製造特性の情報、目標の塗装鋼管の圧潰強度の情報、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、及び塗装条件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圧潰強度が、要求される目標の塗装鋼管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、及び塗装条件のうちの少なくとも一つを逐次変更して最適な鋼管製造特性を決定し、結果出力部７４に決定された最適な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、決定された最適な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、本発明の第２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５を参照して説明する。
この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Ｓ１１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Ｓ１２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Ｓ１３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、及び塗装条件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Ｓ１４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（最適な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Ｓ１５において、ステップＳ１１で読み込まれた鋼管圧潰強度予測モデルに、ステップＳ１３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、及び塗装条件からなる鋼管製造特性を入力して、塗装鋼管の圧潰強度を予測する。
このステップＳ１１～ステップＳ１５は、本発明の第２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、及び塗装条件からなる鋼管製造特性を入力して塗装鋼管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Ｓ１６において、ステップＳ１４で読み込んだ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）が鋼管製造特性決定モード（最適な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Ｓ１６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Ｓ１７に移行し、ステップＳ１６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Ｓ１９に移行する。
ステップＳ１７では、鋼管製造特性決定部７３は、ステップＳ１５で予測された塗装鋼管の圧潰強度（予測値）と、ステップＳ１２で読み込まれた、要求される目標の塗装鋼管の圧潰強度（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Ｓ１７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Ｓ１８に移行し、ステップＳ１７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Ｓ２０に移行する。
ステップＳ２０では、鋼管製造特性決定部７３は、ステップＳ１３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、及び塗装条件のうちの少なくとも１つを変更し、ステップＳ１５に戻す。
ステップＳ１５に戻ってくると、圧潰強度予測部７２は、ステップＳ２０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、及び塗装条件のうちの少なくとも１つが変更された鋼管の鋼管製造特性を、ステップＳ１１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Ｓ１６を経た後、ステップＳ１７において、ステップＳ１５で再度予測された塗装鋼管の圧潰強度（予測値）と、ステップＳ１２で読み込まれた、要求される目標の塗装鋼管の圧潰強度（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Ｓ２０、ステップＳ１５、ステップＳ１６、及びステップＳ１７の一連のステップを繰り返し実行する。
一方、ステップＳ１７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Ｓ１８に移行する。ステップＳ１８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、及び塗装条件からなる鋼管製造特性を最適な鋼管製造特性として決定する。
このステップＳ１６、ステップＳ１７、ステップＳ２０、ステップＳ１５、ステップＳ１６、ステップＳ１７及びステップＳ１８は、本発明の第２実施形態に係る、予測された鋼管成形後に塗装してなる塗装鋼管の圧潰強度が、要求される目標の塗装鋼管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、及び塗装条件のうちの少なくとも一つを逐次変更し、最適な鋼管製造特性を決定する鋼管の製造特性決定方法に対応する。
そして、ステップＳ１９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Ｓ１６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Ｓ１８で決定された最適な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Ｓ１６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Ｓ１５で予測された鋼管成形後に塗装してなる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。
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、本発明の第２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、及び塗装条件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の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機械学習させて、鋼管成形後の鋼管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（鋼管圧潰強度予測モデル生成部６）。
これにより、鋼管成形時の造管ひずみを考慮して鋼管成形後に塗装してなる塗装鋼管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、本発明の第２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、及び塗装条件からなる鋼管製造特性を入力して鋼管成形後の鋼管の圧潰強度を予測する（ステップＳ１１～ステップＳ１５）。
これにより、鋼管成形時の造管ひずみを考慮して鋼管成形後に塗装してなる塗装鋼管の圧潰強度を精度高く予測することができる。
そして、塗装鋼管の圧潰強度を予測するに際して塗装鋼管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、塗装鋼管の圧潰強度の予測精度をより高めることができる。
また、本発明の第２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圧潰強度が、要求される目標の塗装鋼管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、及び塗装条件のうちの少なくとも一つを逐次変更し、最適な鋼管製造特性を決定する（ステップＳ１６、ステップＳ１７、ステップＳ２０、ステップＳ１５、ステップＳ１６、ステップＳ１７及びステップＳ１８）。
これにより、予測された塗装鋼管の圧潰強度が、要求される目標の塗装鋼管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、及び塗装条件からなる最適な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Ｓ１５で予測された塗装鋼管の圧潰強度の情報（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、本発明の第２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Ｓ１１～ステップＳ１５）により、塗装鋼管形成工程で形成された塗装鋼管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Ｓ１８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、本発明の第２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Ｓ１６、ステップＳ１７、ステップＳ２０、ステップＳ１５、ステップＳ１６、ステップＳ１７及びステップＳ１８）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圧潰強度（予測値）が要求される目標の塗装鋼管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、第１実施形態に係る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、及び鋼管成形時の造管ひずみとしている。しかし、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、及び鋼管成形時の造管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。
第２実施形態に係る鋼管圧潰強度予測モデルの生成方法おいても、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、及び塗装条件を含めばよく、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、第１実施形態及び第２実施形態に係る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、第１実施形態及び第２実施形態に係る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、第１実施形態に係る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、及び鋼管成形時の造管ひずみからなる鋼管製造特性を入力するようにしてある。この鋼管製造特性は、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管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、第２実施形態に係る鋼管の圧潰強度予測方法においても、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、及び塗装条件からなる鋼管製造特性を入力するようにしてある。この鋼管製造特性は、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、及び塗装条件を含めばよく、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、第１実施形態及び第２実施形態に係る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、第１実施形態及び第２実施形態に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、第１実施形態及び第２実施形態において、機械学習の手法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としてあるが、機械学習法であればよく、例えば決定木などであってもよい。
本発明の効果を検証すべく、表１に示す条件で鋼管の圧潰強度を予測した。
Figure 0007103514000001
実施例１～２では、鋼管圧潰強度予測モデルを、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））、及び過去の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（％））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の圧潰強度（ＭＰａ）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、生成した。
そして、実施例１～２では、生成された鋼管圧潰強度予測モデルに、表１に示す予測対象となる鋼管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））、及び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（％））を入力して、鋼管成形後の圧潰強度を予測した。
また、実施例１～２では、表１に示す鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管ひずみから鋼管成形後の実際の圧潰強度を実測した（実管試験結果）。実施例１～２、以下に示す実施例３～６及び比較例１～６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１～２では、実測した鋼管成形後の実際の圧潰強度（実管試験結果）が規格基準値（所定規格値）を下回り判定結果はＮＧであったが、鋼管圧潰強度予測モデルを用いた鋼管成形後の圧潰強度の予測値も規格基準値（所定規格値）を下回り判定結果はＮＧで、実験評価と結果が一致した。
また、実施例３～６では、鋼管圧潰強度予測モデルを、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））、過去の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（％））、及び塗装条件（最高温度（℃）及び保持時間（ｍｉｎ））を入力データとし、この入力データに対する過去の塗装鋼管の圧潰強度（ＭＰａ）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、生成した。
そして、実施例３～６では、生成された鋼管圧潰強度予測モデルに、表１に示す予測対象となる鋼管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（％））、及び塗装条件（最高温度（℃）及び保持時間（ｍｉｎ））を入力して、塗装鋼管の圧潰強度を予測した。
また、実施例３～６では、表１に示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、及び塗装条件から塗装鋼管の圧潰強度を実測した（実管試験結果）。
その結果、実施例３～５では、実測した塗装鋼管の実際の圧潰強度（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、また、鋼管圧潰強度予測モデルを用いた塗装鋼管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、実験評価と結果が一致した。また、実施例６では、実測した塗装鋼管の実際の圧潰強度（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、また、鋼管圧潰強度予測モデルを用いた塗装鋼管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％未満の範囲で上回り判定結果はＢで、実験評価と結果が一致した。
また、比較例１～２では、非特許文献１で示された予測式に、表１に示す予測対象となる鋼管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（０．５％歪に対応する降伏応力））を入力して、鋼管成形後の圧潰強度を予測した。
また、比較例３～６では、非特許文献１で示された予測式に、表１に示す予測対象となる塗装鋼管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（０．５％歪に対応する降伏応力））を入力して、塗装鋼管の圧潰強度を予測した。
その結果、比較例１では、実測した鋼管成形後の実際の圧潰強度（実管試験結果）が規格基準値（所定規格値）を下回り判定結果はＮＧであったが、非特許文献１の予測式を用いた鋼管成形後の圧潰強度の予測値は規格基準値（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、両者の間に差異が生じ、予測値と実験評価との結果が不一致であった。
また、比較例２では、実測した鋼管成形後の実際の圧潰強度（実管試験結果）が規格基準値（所定規格値）を下回り判定結果はＮＧであったが、非特許文献１の予測式を用いた鋼管成形後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であり、両者の間に差異が生じ、予測値と実験評価との結果が不一致であった。
また、比較例３では、実測した鋼管成形後の実際の圧潰強度（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の予測式を用いた鋼管成形後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であり、両者の間に差異が生じ、予測値と実験評価との結果が不一致であった。
また、比較例４では、実測した塗装鋼管の実際の圧潰強度（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の予測式を用いた塗装鋼管の圧潰強度の予測値は規格基準値（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、両者の間に差異が生じ、予測値と実験評価との結果が不一致であった。
また、比較例５では、実測した塗装鋼管の実際の圧潰強度（実管試験結果）が所定の規格値を２０％以上上回り判定結果はＡであったが、非特許文献１の予測式を用いた塗装鋼管の圧潰強度の予測値は規格基準値（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、両者の間に差異が生じ、予測値と実験評価との結果が不一致であった。
また、比較例６では、実測した塗装鋼管の実際の圧潰強度（実管試験結果）が規格基準値（所定規格値）を１０％未満の範囲で上回り判定結果はＣであったが、非特許文献１の予測式を用いた塗装鋼管の圧潰強度の予測値は規格基準値（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、両者の間に差異が生じ、予測値と実験評価との結果が不一致であった。
これにより、実施例１～６で説明したように、本発明では、鋼管成形後の鋼管の圧潰強度の予測値及び塗装鋼管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

Claims (12)

  1. 鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び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かあるいは実測して得られた鋼管成形時の造管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の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機械学習させて、鋼管成形後の鋼管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ものであり、
    前記鋼管成形後の鋼管形状は、前記鋼管成形後の前記鋼管の最大外径Ｄｍａｘ、前記鋼管成形後の前記鋼管の最小外径Ｄｍｉｎ、前記鋼管成形後の前記鋼管の平均外径Ｄａｖｅ、前記鋼管成形後の前記鋼管の平均板厚ｔ、及び前記鋼管成形後の前記鋼管の外径形状の真円度ｆＯであり、
    前記鋼管成形後の鋼管強度特性は、前記鋼管成形後の前記鋼管のヤング率Ｅ、前記鋼管成形後の前記鋼管のポアソン比μ、前記鋼管成形後の前記鋼管の引張強度ＹＳ、前記鋼管成形後の前記鋼管の圧縮強度０．２３％ＹＳ（０．２３％歪に対応する応力）、及び前記鋼管成形後の前記鋼管の圧縮強度０．５％ＹＳ（０．５％歪に対応する応力）であり、
    前記鋼管成形時の造管ひずみは、前記鋼管成形時における前記鋼板の引張ひずみあるいは圧縮ひずみであ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。
  2. 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。
  3. 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、及び鋼管成形時の造管ひずみを含む鋼管製造特性を入力して鋼管成形後の鋼管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。
  4. 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鋼管成形後の鋼管の圧潰強度が、要求される目標の鋼管成形後の鋼管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、及び鋼管成形時の造管ひずみのうちの少なくとも一つを逐次変更し、最適な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。
  5. 鋼管を成形する鋼管の成形工程と、請求項３に記載の鋼管の圧潰強度予測方法により、前記成形工程で成形された鋼管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鋼管の圧潰強度を前記成形工程で成形された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。
  6. 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最適な鋼管製造特性に基づいて鋼管の製造条件を決定し、その決定された鋼管の製造条件で鋼管を製造することを特徴とする鋼管の製造方法。
  7. 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かあるいは実測して得られた鋼管成形時の造管ひずみ、及び塗装条件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ものであり、
    前記鋼管成形後の鋼管形状は、前記鋼管成形後の前記鋼管の最大外径Ｄｍａｘ、前記鋼管成形後の前記鋼管の最小外径Ｄｍｉｎ、前記鋼管成形後の前記鋼管の平均外径Ｄａｖｅ、前記鋼管成形後の前記鋼管の平均板厚ｔ、及び前記鋼管成形後の前記鋼管の外径形状の真円度ｆＯであり、
    前記鋼管成形後の鋼管強度特性は、前記鋼管成形後の前記鋼管のヤング率Ｅ、前記鋼管成形後の前記鋼管のポアソン比μ、前記鋼管成形後の前記鋼管の引張強度ＹＳ、前記鋼管成形後の前記鋼管の圧縮強度０．２３％ＹＳ（０．２３％歪に対応する応力）、及び前記鋼管成形後の前記鋼管の圧縮強度０．５％ＹＳ（０．５％歪に対応する応力）であり、
    前記鋼管成形時の造管ひずみは、前記鋼管成形時における前記鋼板の引張ひずみあるいは圧縮ひずみであり、
    前記塗装条件は、塗装時の最高温度及び保持時間であ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。
  8. 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７に記載の鋼管圧潰強度予測モデルの生成方法。
  9. 請求項７又は８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、及び塗装条件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。
  10. 請求項９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圧潰強度が、要求される目標の塗装鋼管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、及び塗装条件のうちの少なくとも一つを逐次変更し、最適な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。
  11. 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９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。
  12. 請求項１０に記載の鋼管の製造特性決定方法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ことを特徴とする鋼管の製造方法。
JP2021519178A 2020-05-26 2021-02-08 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 Active JP7103514B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020091127 2020-05-26
JP2020091127 2020-05-26
PCT/JP2021/004588 WO2021240900A1 (ja) 2020-05-26 2021-02-08 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
JPWO2021240900A1 JPWO2021240900A1 (ja) 2021-12-02
JP7103514B2 true JP7103514B2 (ja) 2022-07-20

Family

ID=78744252

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021519178A Active JP7103514B2 (ja) 2020-05-26 2021-02-08 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 (7)

Country Link
US (1) US20230191466A1 (ja)
EP (1) EP4160182A4 (ja)
JP (1) JP7103514B2 (ja)
KR (1) KR20230002856A (ja)
CN (1) CN115667875A (ja)
BR (1) BR112022023698A2 (ja)
WO (1) WO2021240900A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001349883A (ja) 2000-06-09 2001-12-21 Hitachi Metals Ltd 金属材料の特性予測方法
US20030234239A1 (en) 2002-02-20 2003-12-25 Hsu-Tung Lee Method and system for assessing quality of spot welds
CN101701315A (zh) 2009-10-30 2010-05-05 中海石油金洲管道有限公司 海底管线钢管的制造方法
WO2015030210A1 (ja) 2013-08-30 2015-03-05 新日鐵住金株式会社 耐サワー性、耐圧潰特性及び低温靭性に優れた厚肉高強度ラインパイプ用鋼板とラインパイプ
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06259107A (ja) * 1993-03-02 1994-09-16 Kobe Steel Ltd プロセスラインにおける学習制御方法
EP1541252B1 (en) * 2002-05-24 2011-05-18 Nippon Steel Corporation Uoe steel pipe with excellent crash resistance, and method of manufacturing the uoe steel pipe
JP5983527B2 (ja) * 2013-05-13 2016-08-31 Ｊｆｅスチール株式会社 鋼板の曲げ加工後における、加工方向と直交する方向の引張特性の推定方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001349883A (ja) 2000-06-09 2001-12-21 Hitachi Metals Ltd 金属材料の特性予測方法
US20030234239A1 (en) 2002-02-20 2003-12-25 Hsu-Tung Lee Method and system for assessing quality of spot welds
CN101701315A (zh) 2009-10-30 2010-05-05 中海石油金洲管道有限公司 海底管线钢管的制造方法
WO2015030210A1 (ja) 2013-08-30 2015-03-05 新日鐵住金株式会社 耐サワー性、耐圧潰特性及び低温靭性に優れた厚肉高強度ラインパイプ用鋼板とラインパイプ
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
藤井 堅 他，海洋環境における鋼管杭の圧縮強度の経年変化予測法，土木学会論文集Ａ，日本，2010年，第６６巻， 第１号，pp. 92-105，[検索日:2021/11/15], <DOI:https://doi.org/10.2208/jsceja.66.92>, インターネット:https://doi.org/10.2208/jsceja.66.92 で入手可能

Also Published As

Publication number Publication date
JPWO2021240900A1 (ja) 2021-12-02
KR20230002856A (ko) 2023-01-05
EP4160182A4 (en) 2023-11-22
WO2021240900A1 (ja) 2021-12-02
EP4160182A1 (en) 2023-04-05
BR112022023698A2 (pt) 2022-12-20
CN115667875A (zh) 2023-01-31
US20230191466A1 (en) 2023-06-22

Similar Documents

Publication Publication Date Title
Sathish GAC-ANN Technique for Prediction of Spring Back Effect in Wipe Bending Process of Sheet Metal
Bahloul et al. A study on optimal design of process parameters in single point incremental forming of sheet metal by combining Box–Behnken design of experiments, response surface methods and genetic algorithms
Liu et al. Deep learning in sheet metal bending with a novel theory-guided deep neural network
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
Mirzaali et al. Optimization of tube hydroforming process using simulated annealing algorithm
El Mrabti et al. Springback optimization of deep drawing process based on FEM-ANN-PSO strategy
Şenol et al. Springback analysis in air bending process through experiment based artificial neural networks
Fan et al. Prediction algorithm for springback of frame-rib parts in rubber forming process by incorporating Sobol within improved grey relation analysis
Xiang et al. Cross-sectional performance prediction of metal tubes bending with tangential variable boosting based on parameters-weight-adaptive CNN
Bosetti et al. Identification of johnson–cook and tresca's parameters for numerical modeling of aisi-304 machining processes
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
Ingarao et al. Optimization methods for complex sheet metal stamping computer aided engineering
Bahloul et al. Comparison between three optimization methods for the minimization of maximum bending load and springback in wiping die bending obtained by an experimental approach
Zhang et al. Identification of constitutive parameters for thin-walled aluminium tubes using a hybrid strategy
Ilg et al. Constitutive model parameter identification via full-field calibration
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
CN113987938A (zh) 工艺参数优化方法、装置、设备以及存储介质
Lin et al. Optimization of bending process parameters for seamless tubes using Taguchi method and finite element method
Strano et al. Hierarchical metamodeling of the air bending process
JP6303815B2 (ja) 鍛造割れ予測方法、鍛造割れ予測プログラム、および記録媒体
Pham et al. Process parameter optimization for incremental forming of aluminum alloy 5052-H32 sheets using back-propagation neural network
Mohamed ElShazly et al. A Finite Element Analysis Verification of a Machine-Trained Mathematical Model of T-Tube Hydroforming
Barati et al. The effect of normal anisotropy on thin-walled tube bending
Zou et al. Robust Optimization of UOE Forming Process Considering Inhomogeneity of Material Properties
Mohamed ElShazly et al. Development of a Mathematical Model Using Machine Learning for Hydroforming of Non-Circular Protrusion Copper T-Tube

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210407

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211124

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211209

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220222

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220405

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: 20220607

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220620

R150 Certificate of patent or registration of utility model

Ref document number: 7103514

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150