JP7190615B1 - 材料特性予測方法及びモデル生成方法 - Google Patents
材料特性予測方法及びモデル生成方法 Download PDFInfo
- Publication number
- JP7190615B1 JP7190615B1 JP2022544832A JP2022544832A JP7190615B1 JP 7190615 B1 JP7190615 B1 JP 7190615B1 JP 2022544832 A JP2022544832 A JP 2022544832A JP 2022544832 A JP2022544832 A JP 2022544832A JP 7190615 B1 JP7190615 B1 JP 7190615B1
- Authority
- JP
- Japan
- Prior art keywords
- model
- prediction
- material properties
- material property
- evaluation temperature
- 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
- 239000000463 material Substances 0.000 title claims abstract description 310
- 238000000034 method Methods 0.000 title claims description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 115
- 239000013077 target material Substances 0.000 claims abstract description 58
- 238000005259 measurement Methods 0.000 claims abstract description 39
- 238000004519 manufacturing process Methods 0.000 claims abstract description 33
- 239000000203 mixture Substances 0.000 claims abstract description 31
- 238000010801 machine learning Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 78
- 230000004913 activation Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000013459 approach Methods 0.000 claims description 6
- 239000011521 glass Substances 0.000 claims description 6
- 239000002861 polymer material Substances 0.000 claims description 6
- 239000007769 metal material Substances 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 25
- 230000000052 comparative effect Effects 0.000 description 14
- 238000012795 verification Methods 0.000 description 14
- 229910000838 Al alloy Inorganic materials 0.000 description 11
- 238000013213 extrapolation Methods 0.000 description 11
- 230000035882 stress Effects 0.000 description 9
- 230000014759 maintenance of location Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 238000000137 annealing Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 229910052796 boron Inorganic materials 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 239000013585 weight reducing agent Substances 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052797 bismuth Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000009477 glass transition Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052745 lead Inorganic materials 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000005482 strain hardening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229910052718 tin Inorganic materials 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
- 229910052726 zirconium Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/20—Metals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
- G01N33/386—Glass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/44—Resins; Plastics; Rubber; Leather
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
前記対象材料の材料組成または製造条件に係る情報を含む説明変数と、前記対象材料の材料特性に係る情報を含む目的変数との対応関係を機械学習により取得した学習済みモデルを設定するモデル設定ステップと、
前記モデル設定ステップにて設定された前記学習済みモデルに、材料特性を予測したい対象材料に関する説明変数を入力して、前記説明変数の情報に係る目的変数を出力して、前記目的変数に基づき前記予測したい対象材料の前記材料特性を予測する予測ステップと、
を含み、
前記説明変数は、前記目的変数に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方に係る情報をさらに含む、
材料特性予測方法。
[1]に記載の材料特性予測方法。
前記ニューラルネットワークの活性化関数に、双曲線正接関数またはシグモイド関数を含むS字形関数が用いられる、
[2]に記載の材料特性予測方法。
[1]に記載の材料特性予測方法。
前記カーネル法のカーネル関数に逆正弦関数が用いられる、
[4]に記載の材料特性予測方法。
前記対象材料の材料組成または製造条件に係る情報を含む説明変数と、前記対象材料の材料特性に係る情報を含む目的変数との対応関係を機械学習により取得した学習済みモデルを設定するモデル設定機能と、
前記モデル設定機能により設定された前記学習済みモデルに、材料特性を予測したい対象材料に関する説明変数を入力して、前記説明変数の情報に係る目的変数を出力して、前記目的変数に基づき前記予測したい対象材料の前記材料特性を予測する予測機能と、
をコンピュータに実現させ、
前記説明変数は、前記目的変数に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方に係る情報をさらに含む、
材料特性予測プログラム。
前記対象材料の材料組成または製造条件に係る情報を含む説明変数と、前記対象材料の材料特性に係る情報を含む目的変数との対応関係を機械学習により取得した学習済みモデルと、
前記学習済みモデルに、材料特性を予測したい対象材料に関する説明変数を入力して、前記説明変数の情報に係る目的変数の情報を出力して、前記目的変数に基づき前記予測したい対象材料の前記材料特性を予測する予測部と、
を備え、
前記説明変数は、前記目的変数に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方に係る情報をさらに含む、
材料特性予測装置。
前記対象材料の材料組成または製造条件と、材料特性と、前記材料特性を測定したときの測定条件と、に係る情報を含む教師データセットを取得する教師データ作成ステップと、
前記教師データ作成ステップにて作成された前記教師データセットを用いて、前記材料組成または製造条件、及び前記測定条件に係る情報を前記モデルの入力とし、前記材料特性に係る情報を前記モデルの出力として、前記モデルの入出力関係が前記教師データセットの入出力関係に近づくように機械学習を行い、学習済みモデルを生成するモデル学習ステップと、
を含み、
前記測定条件は、前記モデルの出力に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方を含む、
モデル生成方法。
前記対象材料の材料組成または製造条件と、材料特性と、前記材料特性を測定したときの測定条件と、に係る情報を含む教師データセットを取得する教師データ作成機能と、
前記教師データ作成機能により作成された前記教師データセットを用いて、前記材料組成または製造条件、及び前記測定条件に係る情報を前記モデルの入力とし、前記材料特性に係る情報を前記モデルの出力として、前記モデルの入出力関係が前記教師データセットの入出力関係に近づくように機械学習を行い、学習済みモデルを生成するモデル学習機能と、
をコンピュータに実現させ、
前記測定条件は、前記モデルの出力に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方を含む、
モデル生成プログラム。
前記対象材料の材料組成または製造条件と、材料特性と、前記材料特性を測定したときの測定条件と、に係る情報を含む教師データセットを作成する教師データ作成部と、
前記教師データ作成部により作成された前記教師データセットを用いて、前記材料組成または製造条件、及び前記測定条件に係る情報を前記モデルの入力とし、前記材料特性に係る情報を前記モデルの出力として、前記モデルの入出力関係が前記教師データセットの入出力関係に近づくように機械学習を行い、学習済みモデルを生成するモデル学習部と、を備え、
前記測定条件は、前記モデルの出力に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方を含む、
モデル生成装置。
下記のように実施例1、比較例1を設定し、予測モデルの入力情報への材料特性評価温度と評価温度保持時間の追加有無による材料特性の予測精度への影響を検証した。
図9は、予測モデルの学習と予測に用いた検証用データセットを示す図である。図9に示すように、検証用データセットして、図6に示した公開データベースから取得したデータを用いて、材料組成(Si、Feなど)、製造条件(焼鈍、人工時効など)、測定条件(材料特性評価温度及び評価温度保持時間)、材料特性(引張強度、0.2%耐力)が関連付けられるデータセットを1組として、246組の検証用データセットを作成した。図9に示すように、検証用データセットには、室温、-80℃、-28℃、100℃、149℃、204℃、260℃、316℃、371℃の9種類の材料特性評価温度のデータなどが含まれる。
図11は、比較例1において用いた予測モデル30の構成を示す図である。図11に示すように、図2を参照して説明した本実施形態の予測モデル11A、すなわち三層ニューラルネットワークの入力情報から、材料特性評価温度及び評価温度保持時間を除外するモデルを作成した。すなわち、予測モデル30の入力層に入力される説明変数としては、図9に示した検証用データセットの「材料組成」、及び「製造条件」のみを含み、「測定条件」は含まれない。すなわち、予測モデル30の入力層のノード数は19ノードである。予測モデル30の出力層から出力される目的変数としては、図9に示した検証用データセットの「材料特性」の2つ(引張強度、0.2%耐力)を、9種類の材料特性評価温度別に含む。すなわち、予測モデル30の出力層のノード数は2×9=18ノードである。中間層の活性化関数には双曲線正接関数を適用し、出力層の活性化関数には線形関数を適用した。比較例1のニューラルネットワークの構造では、入力の値1組に対して、出力ノードの値の全て(9組)が揃っている場合にしか学習・予測に使用することができないので、カテゴリー1のデータのみ学習と予測に用いることができる。ここでは、予測用データは実施例1で用いたものと同一の27組のカテゴリー1データを用い、学習用データは残り36組のカテゴリー1データを用いる。
下記のように実施例2、3及び実施例4、5を設定し、予測モデルの活性化関数の変更による材料特性の予測精度への影響を検証した。
図9に示した検証用データセットを用いて、図10に示した予測モデル11Aの材料特性評価温度に対する内挿予測を行った。具体的には、246組の検証用データセットを、75%(185組)の学習用データと、25%(61組)の予測用データとにランダムに分割した。活性化関数には双曲線正接関数を適用した。
活性化関数にシグモイド関数を適用したこと以外は、実施例2と同様に内挿予測と外挿予測を行った。
活性化関数に線形関数を適用したこと以外は、実施例2と同様に内挿予測と外挿予測を行った。
活性化関数に正規化線形ユニット関数を適用したこと以外は、実施例2と同様に内挿予測と外挿予測を行った。
11 学習済みモデル
11A 予測モデル
12 予測部
20 モデル生成装置
21 教師データ作成部
22 モデル学習部
Claims (10)
- 対象材料の材料特性を予測するための材料特性予測方法であって、
前記対象材料の材料組成または製造条件に係る情報を含む説明変数と、前記対象材料の材料特性に係る情報を含む目的変数との対応関係を機械学習により取得した学習済みモデルを設定するモデル設定ステップと、
前記モデル設定ステップにて設定された前記学習済みモデルに、材料特性を予測したい対象材料に関する説明変数を入力して、前記説明変数の情報に係る目的変数を出力して、前記目的変数に基づき前記予測したい対象材料の前記材料特性を予測する予測ステップと、
を含み、
前記説明変数は、前記目的変数に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方に係る情報をさらに含む、
材料特性予測方法。 - 前記学習済みモデルがニューラルネットワークである、
請求項1に記載の材料特性予測方法。 - 前記予測ステップにおいて予測される前記材料特性は、金属材料、ポリマー材料、またはガラス材料における、前記材料特性評価温度または前記評価温度保持時間に応じてS字形に変動する特性であり、
前記ニューラルネットワークの活性化関数に、双曲線正接関数またはシグモイド関数を含むS字形関数が用いられる、
請求項2に記載の材料特性予測方法。 - 前記学習済みモデルの機械学習手法としてカーネル法を適用した手法が用いられる、
請求項1に記載の材料特性予測方法。 - 前記予測ステップにおいて予測される前記材料特性は、金属材料、ポリマー材料、またはガラス材料における、前記材料特性評価温度または前記評価温度保持時間に応じてS字形に変動する特性であり、
前記カーネル法のカーネル関数に逆正弦関数が用いられる、
請求項4に記載の材料特性予測方法。 - 対象材料の材料特性を予測するための材料特性予測プログラムであって、
前記対象材料の材料組成または製造条件に係る情報を含む説明変数と、前記対象材料の材料特性に係る情報を含む目的変数との対応関係を機械学習により取得した学習済みモデルを設定するモデル設定機能と、
前記モデル設定機能により設定された前記学習済みモデルに、材料特性を予測したい対象材料に関する説明変数を入力して、前記説明変数の情報に係る目的変数を出力して、前記目的変数に基づき前記予測したい対象材料の前記材料特性を予測する予測機能と、
をコンピュータに実現させ、
前記説明変数は、前記目的変数に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方に係る情報をさらに含む、
材料特性予測プログラム。 - 対象材料の材料特性を予測するための材料特性予測装置であって、
前記対象材料の材料組成または製造条件に係る情報を含む説明変数と、前記対象材料の材料特性に係る情報を含む目的変数との対応関係を機械学習により取得した学習済みモデルと、
前記学習済みモデルに、材料特性を予測したい対象材料に関する説明変数を入力して、前記説明変数の情報に係る目的変数の情報を出力して、前記目的変数に基づき前記予測したい対象材料の前記材料特性を予測する予測部と、
を備え、
前記説明変数は、前記目的変数に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方に係る情報をさらに含む、
材料特性予測装置。 - 対象材料の材料特性を予測するためのモデルを生成するためのモデル生成方法であって、
前記対象材料の材料組成または製造条件と、材料特性と、前記材料特性を測定したときの測定条件と、に係る情報を含む教師データセットを取得する教師データ作成ステップと、
前記教師データ作成ステップにて作成された前記教師データセットを用いて、前記材料組成または製造条件、及び前記測定条件に係る情報を前記モデルの入力とし、前記材料特性に係る情報を前記モデルの出力として、前記モデルの入出力関係が前記教師データセットの入出力関係に近づくように機械学習を行い、学習済みモデルを生成するモデル学習ステップと、
を含み、
前記測定条件は、前記モデルの出力に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方を含む、
モデル生成方法。 - 対象材料の材料特性を予測するためのモデルを生成するためのモデル生成プログラムであって、
前記対象材料の材料組成または製造条件と、材料特性と、前記材料特性を測定したときの測定条件と、に係る情報を含む教師データセットを取得する教師データ作成機能と、
前記教師データ作成機能により作成された前記教師データセットを用いて、前記材料組成または製造条件、及び前記測定条件に係る情報を前記モデルの入力とし、前記材料特性に係る情報を前記モデルの出力として、前記モデルの入出力関係が前記教師データセットの入出力関係に近づくように機械学習を行い、学習済みモデルを生成するモデル学習機能と、
をコンピュータに実現させ、
前記測定条件は、前記モデルの出力に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方を含む、
モデル生成プログラム。 - 対象材料の材料特性を予測するためのモデルを生成するためのモデル生成装置であって、
前記対象材料の材料組成または製造条件と、材料特性と、前記材料特性を測定したときの測定条件と、に係る情報を含む教師データセットを作成する教師データ作成部と、
前記教師データ作成部により作成された前記教師データセットを用いて、前記材料組成または製造条件、及び前記測定条件に係る情報を前記モデルの入力とし、前記材料特性に係る情報を前記モデルの出力として、前記モデルの入出力関係が前記教師データセットの入出力関係に近づくように機械学習を行い、学習済みモデルを生成するモデル学習部と、
を備え、
前記測定条件は、前記モデルの出力に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方を含む、
モデル生成装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022194020A JP2023039965A (ja) | 2021-03-17 | 2022-12-05 | 材料特性予測方法及びモデル生成方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021043191 | 2021-03-17 | ||
JP2021043191 | 2021-03-17 | ||
PCT/JP2022/011453 WO2022196663A1 (ja) | 2021-03-17 | 2022-03-15 | 材料特性予測方法及びモデル生成方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022194020A Division JP2023039965A (ja) | 2021-03-17 | 2022-12-05 | 材料特性予測方法及びモデル生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2022196663A1 JPWO2022196663A1 (ja) | 2022-09-22 |
JP7190615B1 true JP7190615B1 (ja) | 2022-12-15 |
Family
ID=83322132
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022544832A Active JP7190615B1 (ja) | 2021-03-17 | 2022-03-15 | 材料特性予測方法及びモデル生成方法 |
JP2022194020A Pending JP2023039965A (ja) | 2021-03-17 | 2022-12-05 | 材料特性予測方法及びモデル生成方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022194020A Pending JP2023039965A (ja) | 2021-03-17 | 2022-12-05 | 材料特性予測方法及びモデル生成方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240136026A1 (ja) |
EP (1) | EP4310719A1 (ja) |
JP (2) | JP7190615B1 (ja) |
CN (1) | CN117043777A (ja) |
WO (1) | WO2022196663A1 (ja) |
Citations (2)
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 |
WO2018062398A1 (ja) * | 2016-09-30 | 2018-04-05 | 株式会社Uacj | アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020095310A (ja) | 2018-12-10 | 2020-06-18 | 国立研究開発法人物質・材料研究機構 | 高分子を探索し製造する方法 |
US11705894B2 (en) | 2019-08-27 | 2023-07-18 | Keithley Instruments, Llc | Pulsed high current technique for characterization of device under test |
-
2022
- 2022-03-14 US US18/548,405 patent/US20240136026A1/en active Pending
- 2022-03-15 JP JP2022544832A patent/JP7190615B1/ja active Active
- 2022-03-15 CN CN202280020868.0A patent/CN117043777A/zh active Pending
- 2022-03-15 WO PCT/JP2022/011453 patent/WO2022196663A1/ja active Application Filing
- 2022-03-15 EP EP22771408.6A patent/EP4310719A1/en active Pending
- 2022-12-05 JP JP2022194020A patent/JP2023039965A/ja active Pending
Patent Citations (2)
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 |
WO2018062398A1 (ja) * | 2016-09-30 | 2018-04-05 | 株式会社Uacj | アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体 |
Also Published As
Publication number | Publication date |
---|---|
CN117043777A (zh) | 2023-11-10 |
WO2022196663A1 (ja) | 2022-09-22 |
JP2023039965A (ja) | 2023-03-22 |
JPWO2022196663A1 (ja) | 2022-09-22 |
US20240136026A1 (en) | 2024-04-25 |
EP4310719A1 (en) | 2024-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maca et al. | Forecasting SPEI and SPI drought indices using the integrated artificial neural networks | |
Yao et al. | On the properties of small sample of GM (1, 1) model | |
Yazdani et al. | Analysis in material selection: influence of normalization tools on COPRAS-G | |
CN110415036B (zh) | 用户等级的确定方法、装置、计算机设备和存储介质 | |
CN113392594B (zh) | 一种基于abc极限学习机的力学性能区间预测方法及装置 | |
Layton et al. | Business cycle dynamics with duration dependence and leading indicators | |
JP2022132895A (ja) | 合金材料の特性を予測する製造支援システム、予測モデルを生成する方法およびコンピュータプログラム | |
Chehade et al. | Conditional Gaussian mixture model for warranty claims forecasting | |
CN112912523A (zh) | 材料探索装置、方法及程序 | |
Sarkar et al. | Investment and financing decisions with learning-curve technology | |
Klimczak et al. | Inverse problem in stochastic approach to modelling of microstructural parameters in metallic materials during processing | |
JP7190615B1 (ja) | 材料特性予測方法及びモデル生成方法 | |
Nanthiya et al. | Gold Price Prediction using ARIMA model | |
JP7359493B2 (ja) | ハイパーパラメータ調整装置、ハイパーパラメータ調整プログラムを記録した非一時的な記録媒体、及びハイパーパラメータ調整プログラム | |
Raza et al. | Application of extreme learning machine algorithm for drought forecasting | |
Tran et al. | Effects of Data Standardization on Hyperparameter Optimization with the Grid Search Algorithm Based on Deep Learning: A Case Study of Electric Load Forecasting | |
CN113408183A (zh) | 基于预测模型的车辆基地短期复合预测方法 | |
JP5564604B1 (ja) | 予測装置、予測方法及びコンピュータプログラム | |
Ormaniec et al. | Estimating value at risk: LSTM vs. GARCH | |
Mahata et al. | Atomistic simulation assisted error-inclusive Bayesian machine learning for probabilistically unraveling the mechanical properties of solidified metals | |
Wang et al. | Error-guided method combining adaptive learning kriging model and parallel-tempering-based importance sampling for system reliability analysis | |
KR102668873B1 (ko) | 인공지능 기반 약물성값 차이 예측 모델을 이용하여 추천 화합물을 제공하는 방법 및 서버 | |
Sinha et al. | Forecasting Short Time Series using Rolling Grey Bayesian Framework | |
Menvouta et al. | mCube: Multinomial Micro-level reserving Model | |
Dias et al. | Multi objective decision-making methodologies applied to GREENSCOPE sustainability indicators |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220803 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220803 |
|
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: 20221108 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221205 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7190615 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20230131 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20230201 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
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 |