JP7139782B2 - ゴム材料設計方法、ゴム材料設計装置、及びプログラム - Google Patents
ゴム材料設計方法、ゴム材料設計装置、及びプログラム Download PDFInfo
- Publication number
- JP7139782B2 JP7139782B2 JP2018156549A JP2018156549A JP7139782B2 JP 7139782 B2 JP7139782 B2 JP 7139782B2 JP 2018156549 A JP2018156549 A JP 2018156549A JP 2018156549 A JP2018156549 A JP 2018156549A JP 7139782 B2 JP7139782 B2 JP 7139782B2
- Authority
- JP
- Japan
- Prior art keywords
- combination
- raw materials
- optimization
- learning
- rubber composition
- 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
Description
従来より、複数のゴム材料、充填材、及びオイル等を試行錯誤により配合して加硫ゴム組成物を試作して物性データを計測することが行われている。このため、加硫ゴム組成物の配合情報と物性データとを紐付けたデータが多数蓄積されている。この蓄積データを活用して、コンピュータに機械学習させて、物性データを予測することができる。
しかし、多成分系材料は、一般に、数10種類のゴム材料、数10種類のフィラー材を含む充填材、オイル等を含む数10種類の添加剤等、極めて多数の原材料の中から、適宜選択されるので、上記制約条件を課しても、目標とする機械的挙動の最適値を与える多成分材料の構成比率を、極めて多数の原材料から抽出して求めることは、極めて困難である。しかも、ニューラルネットワーク用いた変換系では、機械学習に用いた学習データによっては、機械的挙動の出力の精度が悪くなる部分もあるため、実際の機械的挙動と対応するような精度の高い最適化をできない場合も多い。
当該ゴム材料設計方法は、
前記未加硫ゴム組成物を加工することにより作製される複数の加硫ゴム組成物それぞれに関する前記特徴量を学習用出力データとし、前記原材料の配合の組み合わせを学習用入力データとする学習データを用いて、前記原材料の配合の組み合わせに対する前記特徴量をコンピュータ内の予測モジュールに機械学習させるステップと、
前記機械学習した前記予測モジュールを用いて、前記加硫ゴム組成物の前記特徴量を目的関数とし、前記原材料の配合の組み合わせを設計変数として、前記目的関数の設定された目標値を実現する前記配合の組み合わせを前記コンピュータの最適化モジュールが抽出する最適化のステップと、を有し、
前記最適化のステップは、
前記最適化モジュールが、前記学習用入力データにおいて前記原材料の配合量によって配合の組み合わせがつくられた原材料同士を組とする配合の組み合わせ候補を複数作成するステップと、
前記最適化のステップで作成する前記原材料の配合の組み合わせが、前記組み合わせ候補を少なくとも1つ以上含む制約条件の下、前記組み合わせ候補を少なくとも1つ以上含む前記前記原材料の配合の組み合わせを前記設計変数として作成して、前記予測モジュールが、前記設計変数に対する前記特徴量の出力値を算出するステップと、
前記最適化モジュールが、前記予測モジュールに前記設計変数として入力した前記原材料の配合の組み合わせと前記特徴量の出力値とを用いることにより、目標値を実現する前記配合の組み合わせを抽出するステップと、を有する。
前記配合の組み合わせ候補となる原材料は、前記グループそれぞれの中の原材料同士である、ことが好ましい。
前記配合の組み合わせ候補となる原材料は、前記グループが互いに異なる原材料同士である、ことが好ましい。
前記最適化モジュールが、前記最適化のステップによって得られた前記設計変数として用いた前記配合の組み合わせと複数の前記目的関数との間の関係を可視化して画面表示するステップを、さらに有する、ことが好ましい。
当該プログラムは、
加硫ゴム組成物に用いる複数の原材料の配合を組み合わせて加工することにより作製される複数の加硫ゴム組成物に関する物性データを学習用出力データとし、前記原材料の配合の組み合わせを学習用入力データとする学習データを用いて、前記特徴量を前記プログラムの起動により前記コンピュータに形成された予測モジュールに前記原材料の配合の組み合わせに対する前記特徴量を機械学習させる手順と、
前記機械学習した前記予測モジュールを用いて、前記加硫ゴム組成物の前記特徴量を目的関数とし、前記原材料の配合の組み合わせを設計変数として、前記目的関数の設定された目標値を実現する前記配合の組み合わせを前記プログラムの起動により前記コンピュータに形成された最適化モジュールが抽出する最適化の手順と、を有し、
前記最適化の手順は、
前記最適化モジュールが、前記学習用入力データにおいて、前記原材料の配合量によって配合の組み合わせがつくられた原材料同士を組とする配合の組み合わせ候補を複数作成する手順と、
前記最適化の手順で作成する前記原材料の配合の組み合わせが、前記組み合わせ候補を少なくとも1つ以上含む制約条件の下、前記組み合わせ候補を少なくとも1つ以上含む前記前記原材料の配合の組み合わせを前記設計変数として作成して、前記予測モジュールが、前記設計変数に対する前記特徴量の出力値を算出する手順と、
前記最適化モジュールが、前記予測モジュールに前記設計変数として入力した前記原材料の配合の組み合わせと前記特徴量の出力値とを用いることにより、目標値を実現する前記配合の組み合わせを抽出する手順と、を有する。
当該ゴム材料設計装置は、
加硫ゴム組成物に用いる複数の原材料の配合を組み合わせて加工することにより作製される複数の加硫ゴム組成物に関する物性データを学習用出力データとし、前記原材料の配合の組み合わせを学習用入力データとする学習データを用いて、前記原材料の配合の組み合わせに対する前記特徴量を機械学習する予測ユニットと、
前記機械学習した前記予測ユニットを用いて、前記加硫ゴム組成物の前記特徴量を目的関数とし、前記原材料の配合の組み合わせを設計変数として、前記目的関数の設定された目標値を実現する前記配合の組み合わせを抽出する最適化ユニットと、を備え、
前記最適化ユニットは、前記学習用入力データにおいて、前記原材料の配合量によって配合の組み合わせがつくられた原材料同士を組とする配合の組み合わせ候補を複数作成する部分と、
前記最適化ユニットが作成する前記原材料の配合の組み合わせが、前記組み合わせ候補を少なくとも1つ以上含む制約条件の下前記組み合わせ候補を少なくとも1つ以上含む前記前記原材料の配合の組み合わせを前記設計変数として作成し、前記予測モジュールに、前記設計変数に対する前記特徴量の出力値を算出させる部分と、
前記予測モジュールに前記設計変数として入力した前記原材料の配合の組み合わせと前記特徴量の出力値とを用いることにより、目標値を実現する前記配合の組み合わせを抽出する部分と、を有する。
図1は、一実施形態のゴム材料設計方法のフローの例を示す図である。図1に示す例では、予め、過去、新規な物性を得るために試行錯誤して設定した加硫前の原材料の配合組み合わせと、加硫後の加硫ゴム組成物の物性データである加硫ゴム組成物の特徴量と、をセットにした数100~数1000セットの蓄積データを準備する。蓄積データにおける特徴量は、物性データに限られない。例えば、原材料のコストのデータでもよい。
この蓄積データを学習データとして用いて、コンピュータ内に形成される予測モジュールに、加硫前の原材料の配合組み合わせに対する加硫後の加硫ゴム組成物の物性データである加硫ゴム組成物の特徴量を機械学習させる。原材料の配合組み合わせを学習用入力データとし、加硫ゴム組成物の特徴量を学習用出力データとする。
次に、機械学習した予測モジュールを用いて、特徴量が目標値になるように、原材料の配合の組み合わせを設計変数として複数の組み合わせを作成し、そのときの特徴量が目標値になるように、原材料の配合の組み合わせを探索する。
このとき、設計変数として作成する原材料の配合の組み合わせに制約条件を課す。すなわち、原材料の配合の組み合わせを制限なく作成するのではなく、学習用入力データにおいて原材料の配合量によって配合の組み合わせがつくられた原材料同士を抽出し、抽出した原材料同士を組とする配合の組み合わせ候補を複数作成し、この複数の組み合わせ候補を少なくとも1つ以上含む原材料の配合の組み合わせを作成する。以下、具体的に説明する。
次に、特徴量を学習用出力データとし、これに対応する原材料の配合の組み合わせを学習用入力データとして用いて、原材料の配合の組み合わせに対する特徴量(原材料の配合の組み合わせと特徴量との間の関係)をコンピュータ内の予測モジュールに機械学習させる(ステップS12)。
この後、最適化モジュールは、上記制約条件にしたがって原材料の配合の種々の組み合わせを作成する(ステップS16)。例えば、原材料の配合の組み合わせを、作成した複数の組み合わせ候補の少なくとも1つを、今から作成する配合の組み合わせの一要素として用いて所定数の原材料の配合の組み合わせを作成する。すなわち、制約条件とは、最適計算のために作成する原材料の配合の組み合わせが、組み合わせ候補を少なくとも1つ以上含むことである。組み合わせ候補については、学習用入力データにおいて原材料の配合量によって配合の組み合わせがつくられた原材料同士の組を組み合わせ候補として定める。また、原材料の配合の組み合わせの作成では、最適化演算の方法に応じて、実験計画法やラテンハイパーキューブ法を利用することができる。
最適化モジュールは、作成した原材料の配合の組み合わせを用いて予測モジュールに特徴量を予測させることで、予測モジュールによる特徴量の予測値(出力値)を取得する(ステップS18)。
また、原材料の配合の組み合わせと最適化演算を合わせて、実験計画法やラテンハイパーキューブ法を利用することも好ましい。この場合、原材料の配合の組み合わせは、応答曲面法を利用して求めるので、設計変数の空間を網羅的にカバーするように、作成することが好ましい。
次に、最適化モジュールは、特徴量の目標値を実現する、原材料の最適な配合の組み合わせの抽出をする(ステップS22)。
図2は、一実施形態のゴム材料設計方法を実施するゴム材料設計装置の構成の一例を示す図である。
図2に示すゴム材料設計装置10は、CPU12、ROM(Read Only Memory)14、RAM(Random Access Memory)16、及び入出力部18、を有するコンピュータである。入出力部18には、マウス及びキーボードを含む入力操作系30及びディスプレイ32と接続されている。
ROM14に記憶されたプログラムをゴム材料設計装置10であるコンピュータであるが呼び出して起動することにより、予測モジュール20及び最適化モジュール22が形成される。予測モジュール20および最適化モジュール22は、ゴム材料設計装置10における予測ユニットおよび最適化ユニットに相当する。
予測モジュール20は、準備された学習用入力データ及び学習用出力データを用いて原材料の配合の組み合わせに対する特徴量を機械学習するように構成される。予測モジュール20は、予め設定された予測モデルを用いて原材料の配合の組み合わせに対する特徴量を機械学習する。予測モデルは、周知のディープラーニングに代表されるニューラルネットワークを用いたモデル、複数の決定木を使用して、「分類」または「回帰」をする、周知のランダムフォレスト法を用いたモデル、LASSO回帰を用いたモデルを含む。また、予測モデルとして、多項式あるいはクリギング、RBF(Radial Base Function)を用いた非線形関数を用いることもできる。
制約条件設定部22aは、最適化演算のために作成する原材料の配合の組み合わせを複数作成するために、組み合わせる原材料に対して制限を加える制約条件を設定するように構成される。原材料は、学習用入力データで用いた全ての原材料である。
図4に示す例では、学習用入力データにおいて原材料の配合量によって配合の組み合わせがつくられた原材料同士を組とする配合の組み合わせを2つ作成している。1つの原材料の組み合わせは、ゴム材料1,2,3であり、もう1つの原材料の組み合わせはゴム材料10,11である。ゴム材料1,2,3とゴム材料10,11は、学習用入力データにおいて、同時に用いることがないゴム材料である。このようなゴム材料において、原材料の配合の組み合わせ候補を複数作成する。例えば、ゴム材料1,2,3において、配合量が順に50重量部、38重量部、12重量部の組み合わせが一つの配合の組み合わせ候補となる。ゴム材料1,2,3において、配合量が順に75重量部、18重量部、7重量部の組み合わせがさらに一つの配合の組み合わせ候補となる。さらに、ゴム材料1,2,3において、配合量が順に88重量部、7重量部、5重量部の組み合わせがさらに一つの配合の組み合わせ候補となる。ゴム材料10,11においても、同様に、ゴム材料10,11において、配合量が順に25重量部、75重量部の組み合わせ、ゴム材料10,11において、配合量が順に63重量部、37重量部の組み合わせ、ゴム材料10,11において、配合量が順に80重量部、20重量部の組み合わせがそれぞれ、配合の組み合わせ候補となる。
図4に示す例は、ゴム材料に関する配合の組み合わせ候補の例であるが、充填材等も配合の組み合わせ候補を作成することができる。
例えば、ゴム材料1,2,3において、配合量が順に50重量部、38重量部、12重量部の配合の組み合わせ候補を識別番号1とし、ゴム材料10,11において、配合量が順に25重量部、75重量部の組み合わせ候補を識別番号101としたとき、配合組み合わせ作成・特徴量取得部22bは、最適演算のために作成する原材料の配合の組み合わせとして、識別番号1と識別番号101の配合の組み合わせ候補を組み合わせたものを作成する。この場合、識別番号1の配合の組み合わせ候補と識別番号101の配合の組み合わせ候補との配合比率を設定することもできる。すなわち、配合組み合わせ作成・特徴量取得部22bが最適演算のために作成する原材料の配合の組み合わせは、配合の組み合わせ候補を一要素として含む。
なお、配合の組み合わせ候補は、50重量部、38重量部、12重量部のように、整数の数値で設定しているが、例えば48~52重量部を50重量部とみなして、48重量部や52重量部であっても、同じ50重量部の配合の組み合わせ候補と定めることもできる。また、重量部の数値が小数を含む場合でも、四捨五入等を行って整数の数値として配合の組み合わせ候補を定めることもできる。
例えば、実験計画法やラテンハイパーキューブ法を用いる場合、原材料の配合の組み合わせの数を多くして、設計変数の空間内に網羅的に配合の組み合わせのデータを分布させ、このデータから応答曲面関数を作成して、特徴量の目標値に最も近いデータを、内挿補間等を行って抽出することにより、最適な配合量を抽出する。
まず、最適演算部22cによる最適化演算の前に、制約条件設定部22aは、学習用入力データにおいて原材料の配合量によって配合の組み合わせがつくられた原材料同士を組とする配合の組み合わせ候補を複数作成する(ステップS100)。
これにより、配合組み合わせ作成・特徴量取得部22bで作成される配合の組み合わせには、配合の組み合わせ候補が含まれる。
ステップS102で得られる原材料の配合の組み合わせは、第1世代の組み合わせとなる。
(ステップS106)。この判定において、特徴量の目標値を実現するような配合の組み合わせが存在すると判定し、最適化演算を終了してもよいと判定した場合、最適化演算は終了し、特徴量の目標値を実現する原材料の配合の組み合わせが、最適な組み合わせとして、ディスプレイ32に表示される。
こうして、第2世代の配合の組み合わせが設定される。第2世代の配合の組み合わせの数は、第1世代の配合の組み合わせと同じ数を維持する。こうして、第2世代でも、配合の組み合わせ候補を少なくとも1つ以上含む配合の組み合わせが作成される。
図6に示す例は、自己組織化マップであるが、自己組織化マップに代えて、散布図を用いて、設計変数として採用した配合の組み合わせと複数の目的関数である特徴量との間の関係を可視化することも好ましい。
なお、組み合わせ候補に含まれない原材料は、それぞれの配合量を用いて、配合の組み合わせが作成され、最適化演算が行われる。
また、一実施形態によれば、ゴム材料と充填材との相性等を考慮して、配合の組み合わせ候補となる原材料は、グループが互いに異なる原材料同士とすることも好ましい。すなわち、グループが異なる原材料同士で、配合の組み合わせ候補を作成してもよい。
原材料の数を制限する場合、学習用入力データとして用いた原材料の配合の組み合わせの中の、組み合わせのそれぞれで用いた原材料の数のうちの最大数に応じて設定された数を上限として、原材料の数を制限することが好ましい。
また、2つの原材料同士の組み合わせを作成しない場合、学習用入力データとして用いた原材料の配合の組み合わせの中で組み合わせが存在しない2つの原材料同士を、組み合わせを作成しない対象とすることが好ましい。
また、2つの原材料同士が常にセットとなるように組み合わせを作成する場合、学習用入力データとして用いた原材料の配合の組み合わせの中で常にセットとなる2つの原材料同士を、組み合わせを作成するセットとすることが好ましい。
学習用入力データとして用いる過去の蓄積データでは、原材料をセットとして用いることが好ましくなかったり、原材料をセットとして用いることが好ましい等の理由により原材料の組み合わせを制限している場合が多い。このような事情を考慮せず、原材料の組み合わせを作成することは、現実的なゴム材料を設計する上で好ましくない。
プログラムは、予め設定された複数の原材料の群の中から原材料を組み合わせて配合した未加硫ゴム組成物から作製される加硫ゴム組成物を特徴付ける特徴量の目標値を実現するために、前記原材料の組み合わせを、コンピュータに算出させるプログラムである。
このプログラムは、
加硫ゴム組成物に用いる複数の原材料の配合を組み合わせて加工することにより作製される複数の加硫ゴム組成物に関する物性データを学習用出力データとし、原材料の配合の組み合わせを学習用入力データとする学習データを用いて、原材料の配合の組み合わせに対する特徴量を、プログラムの起動によりコンピュータに形成された予測モジュール20に機械学習させる手順と、
機械学習した予測モジュール20を用いて、加硫ゴム組成物の特徴量を目的関数とし、原材料の配合の組み合わせを設計変数として、目的関数の設定された目標値を実現する配合の組み合わせをプログラムの起動によりコンピュータに形成された最適化モジュール22が抽出する最適化の手順と、を有する。
最適化の手順は、
最適化モジュール22が、学習用入力データにおいて、原材料の配合量によって配合の組み合わせがつくられた原材料同士を組とする配合の組み合わせ候補を複数作成する手順と、
最適化の手順で作成する原材料の配合の組み合わせが、組み合わせ候補を少なくとも1つ以上含む制約条件の下、組み合わせ候補を少なくとも1つ以上含む原材料の配合の組み合わせを設計変数として作成して、予測モジュール20が、設計変数に対する特徴量の出力値を算出する手順と、
最適化モジュール22が、予測モジュール20に設計変数として入力した原材料の配合の組み合わせと特徴量の出力値とを用いることにより、目標値を実現する配合の組み合わせを抽出する手順と、を有する。
12 CPU
14 ROM(Read Only Memory)
16 RAM(Random Access Memory)
18 入出力部
20 予測モジュール
22 最適化モジュール
22a 制約条件設定部
22b 配合組み合わせ作成・特徴量取得部
22c 最適化演算部
30 入力操作系
32 ディスプレイ
Claims (9)
- 未加硫ゴム組成物から作製される加硫ゴム組成物を特徴付ける特徴量の目標値を実現するために、前記未加硫ゴム組成物における原材料の配合の組み合わせを、コンピュータに算出させるゴム材料設計方法であって、
前記未加硫ゴム組成物は、予め設定された複数の原材料の群の中から原材料を組み合わせて配合したものであり、
前記未加硫ゴム組成物を加工することにより作製される複数の加硫ゴム組成物それぞれに関する前記特徴量を学習用出力データとし、前記原材料の配合の組み合わせを学習用入力データとする学習データを用いて、前記原材料の配合の組み合わせに対する前記特徴量をコンピュータ内の予測モジュールに機械学習させるステップと、
前記機械学習した前記予測モジュールを用いて、前記加硫ゴム組成物の前記特徴量を目的関数とし、前記原材料の配合の組み合わせを設計変数として、前記目的関数の設定された目標値を実現する前記配合の組み合わせを前記コンピュータの最適化モジュールが抽出する最適化のステップと、を有し、
前記最適化のステップは、
前記最適化モジュールが、前記学習用入力データにおいて前記原材料の配合量によって配合の組み合わせがつくられた原材料同士を組とする配合の組み合わせ候補を複数作成するステップと、
前記最適化のステップで作成する前記原材料の配合の組み合わせが、前記組み合わせ候補を少なくとも1つ以上含む制約条件の下、前記組み合わせ候補を少なくとも1つ以上含む前記前記原材料の配合の組み合わせを前記設計変数として作成して、前記予測モジュールが、前記設計変数に対する前記特徴量の出力値を算出するステップと、
前記最適化モジュールが、前記予測モジュールに前記設計変数として入力した前記原材料の配合の組み合わせと前記特徴量の出力値とを用いることにより、目標値を実現する前記配合の組み合わせを抽出するステップと、を有する
ことを特徴とするゴム材料設計方法。 - 前記最適化モジュールは、前記組み合わせ候補それぞれに対して識別番号を付与し、前記識別番号を用いて前記設計変数となる前記原材料の配合の組み合わせを作成し、前記識別番号は、前記組み合わせ候補のうち、所定の原材料の総配合量の大小の順番に応じて順位付けた番号である、請求項1に記載のゴム材料設計方法。
- 前記原材料の群は、ゴム原材料のグループ、充填材のグループ、及び加硫助剤のグループを少なくとも含み、
前記配合の組み合わせ候補となる原材料は、前記グループそれぞれの中の原材料同士である、請求項1または2に記載のゴム材料設計方法。 - 前記原材料の群は、ゴム原材料のグループ、充填材のグループ、及び加硫助剤のグループを少なくとも含み、
前記配合の組み合わせ候補となる原材料は、前記グループが互いに異なる原材料同士である、請求項1~3のいずれか1項に記載のゴム材料設計方法。 - 前記最適化のステップは、進化的アルゴリズムを用いて前記目標値を実現する前記配合の組み合わせを抽出する、請求項1~4のいずれか1項に記載のゴム材料設計方法。
- 前記最適化のステップは、遺伝的アルゴリズムを用いて前記目標値を実現する前記配合の組み合わせを抽出する、請求項5に記載のゴム材料設計方法。
- 前記目的関数は、複数設定されており、
前記最適化モジュールが、前記最適化のステップによって得られた前記設計変数として用いた前記配合の組み合わせと複数の前記目的関数との間の関係を可視化して画面表示するステップを、さらに有する、請求項1~6のいずれか1項に記載のゴム材料設計方法。 - 未加硫ゴム組成物から作製される加硫ゴム組成物の特徴量の目標値を実現するために、前記未加硫ゴム組成物における原材料の組み合わせを、コンピュータに算出させるプログラムであって、
前記未加硫ゴム組成物は、予め設定された複数の原材料の群の中から原材料を組み合わせて配合したものであり、
加硫ゴム組成物に用いる複数の原材料の配合を組み合わせて加工することにより作製される複数の加硫ゴム組成物に関する物性データを学習用出力データとし、前記原材料の配合の組み合わせを学習用入力データとする学習データを用いて、前記特徴量を前記プログラムの起動により前記コンピュータに形成された予測モジュールに前記原材料の配合の組み合わせに対する前記特徴量を機械学習させる手順と、
前記機械学習した前記予測モジュールを用いて、前記加硫ゴム組成物の前記特徴量を目的関数とし、前記原材料の配合の組み合わせを設計変数として、前記目的関数の設定された目標値を実現する前記配合の組み合わせを前記プログラムの起動により前記コンピュータに形成された最適化モジュールが抽出する最適化の手順と、を有し、
前記最適化の手順は、
前記最適化モジュールが、前記学習用入力データにおいて、前記原材料の配合量によって配合の組み合わせがつくられた原材料同士を組とする配合の組み合わせ候補を複数作成する手順と、
前記最適化の手順で作成する前記原材料の配合の組み合わせが、前記組み合わせ候補を少なくとも1つ以上含む制約条件の下、前記組み合わせ候補を少なくとも1つ以上含む前記前記原材料の配合の組み合わせを前記設計変数として作成して、前記予測モジュールが、前記設計変数に対する前記特徴量の出力値を算出する手順と、
前記最適化モジュールが、前記予測モジュールに前記設計変数として入力した前記原材料の配合の組み合わせと前記特徴量の出力値とを用いることにより、目標値を実現する前記配合の組み合わせを抽出する手順と、を有する
ことを特徴とするプログラム。 - 未加硫ゴム組成物から作製される加硫ゴム組成物の特徴量の目標値を実現するために、前記未加硫ゴム組成物における原材料の組み合わせを算出するゴム材料設計装置であって、
前記未加硫ゴム組成物は、予め設定された複数の原材料の群の中から原材料を組み合わせて配合したものであり、
加硫ゴム組成物に用いる複数の原材料の配合を組み合わせて加工することにより作製される複数の加硫ゴム組成物に関する物性データを学習用出力データとし、前記原材料の配合の組み合わせを学習用入力データとする学習データを用いて、前記原材料の配合の組み合わせに対する前記特徴量を機械学習する予測ユニットと、
前記機械学習した前記予測ユニットを用いて、前記加硫ゴム組成物の前記特徴量を目的関数とし、前記原材料の配合の組み合わせを設計変数として、前記目的関数の設定された目標値を実現する前記配合の組み合わせを抽出する最適化ユニットと、を備え、
前記最適化ユニットは、前記学習用入力データにおいて、前記原材料の配合量によって配合の組み合わせがつくられた原材料同士を組とする配合の組み合わせ候補を複数作成する部分と、
前記最適化ユニットが作成する前記原材料の配合の組み合わせが、前記組み合わせ候補を少なくとも1つ以上含む制約条件の下前記組み合わせ候補を少なくとも1つ以上含む前記前記原材料の配合の組み合わせを前記設計変数として作成し、前記予測モジュールに、前記設計変数に対する前記特徴量の出力値を算出させる部分と、
前記予測モジュールに前記設計変数として入力した前記原材料の配合の組み合わせと前記特徴量の出力値とを用いることにより、目標値を実現する前記配合の組み合わせを抽出する部分と、を有する
ことを特徴とするゴム材料設計装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018156549A JP7139782B2 (ja) | 2018-08-23 | 2018-08-23 | ゴム材料設計方法、ゴム材料設計装置、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018156549A JP7139782B2 (ja) | 2018-08-23 | 2018-08-23 | ゴム材料設計方法、ゴム材料設計装置、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020030683A JP2020030683A (ja) | 2020-02-27 |
JP7139782B2 true JP7139782B2 (ja) | 2022-09-21 |
Family
ID=69622906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018156549A Active JP7139782B2 (ja) | 2018-08-23 | 2018-08-23 | ゴム材料設計方法、ゴム材料設計装置、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7139782B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022169242A (ja) * | 2021-04-27 | 2022-11-09 | 昭和電工マテリアルズ株式会社 | 設計支援装置、設計支援方法及び設計支援プログラム |
JP7424544B2 (ja) * | 2021-06-10 | 2024-01-30 | 株式会社レゾナック | 情報処理システム、材料組成探索方法、材料組成探索装置、及びプログラム |
JP7157402B1 (ja) * | 2022-05-26 | 2022-10-20 | 株式会社エクサウィザーズ | 情報処理方法及びプログラム |
JP2023184080A (ja) | 2022-06-17 | 2023-12-28 | 富士通株式会社 | 演算プログラム、演算方法、および情報処理装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003058579A (ja) | 2001-08-21 | 2003-02-28 | Bridgestone Corp | 設計・配合の最適化方法 |
JP2017045105A (ja) | 2015-08-24 | 2017-03-02 | 横浜ゴム株式会社 | タイヤの金型形状設計方法、タイヤの金型形状設計装置、およびプログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1055348A (ja) * | 1996-08-08 | 1998-02-24 | Bridgestone Corp | 多成分系材料最適化解析装置および方法 |
-
2018
- 2018-08-23 JP JP2018156549A patent/JP7139782B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003058579A (ja) | 2001-08-21 | 2003-02-28 | Bridgestone Corp | 設計・配合の最適化方法 |
JP2017045105A (ja) | 2015-08-24 | 2017-03-02 | 横浜ゴム株式会社 | タイヤの金型形状設計方法、タイヤの金型形状設計装置、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2020030683A (ja) | 2020-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7139782B2 (ja) | ゴム材料設計方法、ゴム材料設計装置、及びプログラム | |
JP6509303B1 (ja) | 情報処理装置、方法、およびプログラム | |
García et al. | MOPSOhv: A new hypervolume-based multi-objective particle swarm optimizer | |
Tashkova et al. | Parameter estimation with bio-inspired meta-heuristic optimization: modeling the dynamics of endocytosis | |
JP6815296B2 (ja) | ニューラルネットワーク評価装置、ニューラルネットワーク評価方法、およびプログラム | |
JP7215017B2 (ja) | ゴム材料設計方法、ゴム材料設計装置、及びプログラム | |
TWI756645B (zh) | 產生塗料、清漆、印刷油墨、研磨樹脂、顏料濃縮物、或其它塗覆材料之組合物的方法、電腦系統、電腦程式、及系統 | |
CN112446167A (zh) | 指导半导体制造过程的方法和电子设备 | |
Liu | Identifying and correcting the defects of the Saaty analytic hierarchy/network process: A comparative study of the Saaty analytic hierarchy/network process and the Markov chain-based analytic network process | |
US20240054385A1 (en) | Experiment point recommendation device, experiment point recommendation method, and semiconductor device manufacturing device | |
JP4971478B2 (ja) | 情報分析システムおよびプログラム | |
JP2021026478A (ja) | 物性情報推測方法、物性情報推測モデル生成方法、物性情報推測装置、物性情報推測モデル生成装置、物性情報推測プログラム、及び物性情報推測モデル生成プログラム | |
WO2021220775A1 (ja) | 材料の特性値を推定するシステム | |
Salles et al. | Towards the next generation of species delimitation methods: an overview of Machine Learning applications | |
Daneshpajouh et al. | A clustering-based visual analysis tool for genetic algorithm | |
CN111797989A (zh) | 基于知识的工艺智能推荐方法 | |
JP2014026459A (ja) | 物質特性可視化法、物質特性可視化装置、物質特性可視化プログラム、および記録媒体 | |
Al-Maamari et al. | Experimental and modeling investigations of the viscosity of crude oil binary blends: New Models Based on the Genetic Algorithm Method | |
Siragusa et al. | Linear time algorithms to construct populations fitting multiple constraint distributions at genomic scales | |
WO2022196207A1 (ja) | マップ画像生成装置、制御方法、及び非一時的なコンピュータ可読媒体 | |
Akinlana | New Developments in Statistical Optimal Designs for Physical and Computer Experiments | |
JP7548000B2 (ja) | 解析システム、解析装置、及び解析方法 | |
Limmun et al. | The construction of robust mixture‐process experimental designs via genetic algorithm | |
Clementi et al. | MAURO: A Novel Strategy for Optimizing Mixture Properties | |
CN115841852B (zh) | 一种催化重整反应规则的确定方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210819 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220708 |
|
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: 20220809 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220822 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7139782 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |