JP7218519B2 - 物性データ予測方法及び物性データ予測装置 - Google Patents

Description

本発明は、加硫ゴム組成物の物性データを予測する物性データ予測方法及び物性データ予測装置に関する。

近年、コンピュータに機械学習をさせて、入力されたデータから種々の予測を行う技術が活発に提案されている。複数のゴム材料、充填材、及びオイル等を原材料として配合して作製される加硫ゴム組成物についても、その物性データを予測することを、上記技術に適用することが考えられる。
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。

例えば、ニューラルネットワークの手法を用いて、設計・配合等の実験データの要因群と特性群との写像関係を学習し、要因条件から特性値を推定するとともに、任意の特性データに対して、それを作り出す要因データの最適値を効率的にかつ容易に求める方法を提供する技術が知られている（特許文献１）。

特開２００３－５８５８２号公報

上記技術におけるニューラルネットワークの学習では、予め用意された学習データを用いて機械学習をするが、学習データ内には、サンプル数が少ない項目、例えば、水準として振りたい条件のバリエーション数（水準数）が少ない加工条件や、水準として振りたい原材料の配合比率のバリエーション数（水準数）が少ない原材料もあれば、サンプル数が多い項目もある。サンプル数が少ない項目の影響を受ける特性データの値を予測する場合、サンプル数が少ないことによる機械学習が十分でないため、予測データの精度は落ち易い。
この結果、精度よく特性データを予測させることができない、といった問題があった。

そこで、本発明は、予め設定された複数の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の物性データを、コンピュータに予測させる際に、精度よく加硫ゴム組成物の物性データ（特性データ）を予測させることができる物性データ予測方法及び物性データ予測装置を提供することを目的とする。

本発明の一態様は、予め設定された複数の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の物性データを、コンピュータに予測させる物性データ予測方法である。当該物性データ予測方法は、
加硫ゴム組成物に用いる複数の原材料を、設定された配合比率で配合し、設定された加工条件で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、前記加硫ゴム組成物における前記原材料それぞれの識別名称と、前記原材料それぞれの配合比率と、前記加工条件のそれぞれの情報と、を学習用入力データとする学習データを用いて、前記物性データ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、
予測対象加硫ゴム組成物の加硫前の未加硫ゴム組成物を構成する構成原材料の名称と、該構成原材料の配合比率と、前記予測対象加硫ゴム組成物を作製するための加工における加工条件と、を用いて、前記予測対象加硫ゴム組成物の物性データを前記予測モジュールに予測させるステップと、
前記予測モジュールによる機械学習をさせるステップの前に、前記学習用入力データとして用いる、前記原材料の配合比率及び前記加工条件の項目のうち、水準を振ったサンプル数が所定数より少ない項目の前記学習用入力データと、対応する前記物性データとの間の関係を回帰分析によって補間することにより、前記予測モジュールに機械学習させるための前記学習データを増やす前処理を行わせるステップと、
を備える。

前記前処理で行う回帰分析は、線形回帰式あるいは高次多項式による回帰式を用いて行う、ことが好ましい。

前記所定数は、１００～３００の範囲の値である、ことが好ましい。

前記前処理は、前記構成原材料の名称を、前記構成原材料の材料特性に基づいて、コンピュータに前記学習用入力データとして用いた前記識別名称の１つに分類する分類処理を含む、ことが好ましい。

前記学習データに用いた前記原材料及び前記予測対象加硫ゴム組成物における前記構成原材料は、複数の化学組成物の混合物であり、
前記分類処理では、前記化学組成物の組成比率を前記材料特性として用いて、前記構成原材料の名称を前記識別名称の１つに分類する、ことが好ましい。

前記構成原材料の名称は、前記化学組成物の前記組成比率と、前記学習データに用いた前記原材料における前記化学組成物の組成比率との間の相関係数に基づいて前記識別名称の１つに分類される、ことが好ましい。

前記学習データに用いた前記原材料及び前記構成原材料は、形状パラメータによって形状が特定される材料を含み、
前記分類処理では、前記形状パラメータを前記材料特性として用いて、前記構成原材料の名称を、前記学習データに用いた前記原材料の前記識別名称の１つに分類する、ことが好ましい。

前記学習データに用いた前記原材料及び前記構成原材料は、結合様式及び該結合様式の比率が異なるポリマーである複数の合成ゴムを含み、
前記分類処理では、前記結合様式の比率を前記材料特性として用いて、前記構成原材料の名称を、前記学習データに用いた前記原材料の前記識別名称の１つに分類する、ことが好ましい。

本発明の他の一態様は、予め設定された複数の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の物性データを予測する物性データ予測装置である。当該物性データ予測装置は、
加硫ゴム組成物に用いる複数の原材料を、設定された配合比率で配合し、設定された加工条件で加工することにより作製される、複数の加硫ゴム組成物の物性データを学習用出力データとし、前記原材料それぞれの識別名称と、前記原材料それぞれの配合比率と、前記加工条件のそれぞれの情報と、を学習用入力データとする学習データを用いて、前記物性データを機械学習する予測部と、
予測対象加硫ゴム組成物の加硫前の未加硫ゴム組成物を構成する構成原材料の名称と、該構成原材料の配合比率と、前記予測対象加硫ゴム組成物を作製するための加工における加工条件と、を用いて、前記予測対象加硫ゴム組成物の物性データを前記予測部に予測させるデータ操作部と、を備える。
前記データ操作部は、前記学習用入力データとして用いる、前記原材料の配合比率及び前記加工条件の項目のうち、サンプル数が所定数より少ない項目の前記学習用入力データと、対応する前記物性データとの間の関係を回帰分析によって補間することにより、前記予測部に機械学習させるための前記学習データを増やす前処理を行うように構成されている。

上述の物性データ予測方法及び物性データ予測装置によれば、精度よく加硫ゴム組成物の物性データ（特性データ）を予測させることができる。

（ａ）は、一実施形態の物性データ予測方法における予測モジュールに機械学習をさせるフローの一例を示す図であり、（ｂ）は、機械学習した予測モジュールを用いて、物性データを予測するフローの一例を示す図である。 回帰式と既存の学習用入力データである加工温度と物性データの関係の一例を示す図である。 一実施形態の物性データ予測方法のフローの一例を示す図である。 一実施形態の物性データ予測装置の構成の一例を示す図である。 （ａ）は、配合剤Ｉの配合比率に対するｔａｎδ（６０℃）のオリジナルの学習データのプロットと回帰直線の例を示し、（ｂ）は、配合剤Ｉの配合比率に対するゴム硬度のオリジナルの学習データのプロットと回帰直線の例を示す図である。 （ａ）は、配合剤Ｉ及び配合剤Ｍの配合比率の線形加算和に対するｔａｎδ（６０℃）のオリジナルの学習データのプロットと回帰直線の例を示し、（ｂ）は、配合剤Ｉ及び配合剤Ｍの配合比率の線形加算和に対するゴム硬度のオリジナルの学習データのプロットと回帰直線の例を示す図である。

以下、一実施形態の物性データ予測方法及び物性データ予測装置について詳細に説明する。

一実施形態の物性データ予測方法は、コンピュータに、複数の加硫ゴム組成物に関する物性データと要因データとの関連付けを機械学習させ、機械学習したコンピュータの予測モジュールを用いて、予測対象加硫ゴム組成物の物性データを予測する方法である。
図１（ａ）は、コンピュータの予測モジュールに機械学習をさせるフローの一例を示す図であり、図１（ｂ）は、機械学習した予測モジュールを用いて、物性データを予測するフローの一例を示す図である。コンピュータは、メモリから呼び出したプログラムを起動することにより、前処理モジュールと予測モジュールを少なくとも形成する。

コンピュータの前処理モジュールは、機械学習のために、図１（ａ）に示すように、学習用の未加硫ゴムを含む原材料の配合情報、原材料から加工して加硫ゴム組成物を作製するための加工条件、及び作製した加硫ゴム組成物の物性データを取得する（ステップＳ１０）。ここで、原材料とは、市販される１つの材料、１つの化学組成物で構成された化学組成物単体、あるいは、予め定めた組成比率の複数の化学組成物で構成された材料、を含む。配合情報とは、加硫ゴム組成物における原材料それぞれの名称と、原材料それぞれの配合比率を含む。加工条件とは、例えば、未加硫ゴムを含む原材料を混ぜる混合機械装置の種類、混合する際の温度、混合する機械の混合回転数、混合圧力、及び、混合する機械への原材料の投入量合計量、を少なくとも１つ含む混合処理条件、あるいは、混合した未加硫ゴムを加硫するときの加硫温度、加硫時間、を少なくとも１つ含む加硫条件を含む。加硫ゴム組成物の物性データは、例えば、ゴム弾性、ｔａｎδ、比重、ムーニービス粘度、ムーニースコーチ、レオメータ測定結果、リュプケＪＩＳ硬度、モジュラス、破断強度、破断エネルギ、フィラー分散度、反撥弾性係数、定歪試験結果、摩耗試験結果、疲労試験結果、及びクラック成長特性の少なくとも１つを含む。

次に、前処理モジュールは、学習用入力データのうち水準の少ない項目（原材料の名称、加工条件）について、水準数が増えて、その項目に関するサンプル数（組み合わせ数）が増えた学習データを作成する前処理を行う（ステップＳ１２）。すなわち、前処理は、学習用入力データとして用いる、原材料の配合比率及び加工条件の項目のうち、サンプル数が所定数より少ない項目の学習用入力データと、対応する物性データとの間の関係を回帰分析によって補間することにより、学習データの数を増やす処理を含む。
例えば、取得したデータにおいて、ある原材料の配合比率の水準数、あるいは加工条件の水準数（加工温度や加工時間等のバリエーション数）がたまたま少ない場合もある。この場合、前処理モジュールは、水準数を増やす前処理を行う。前処理では、配合比率あるいは加工条件が物性データに影響を与えるものであるか否かを、例えば、分散分析等を用いて行う。原材料の配合比率あるいは加工条件が物性データに影響を与えるパラメータであることが確認されると、予測モジュールは、回帰分析を行う。回帰分析の処理では、単回帰分析あるいは重回帰分析が行われる。
こうして、前処理モジュールは、サンプル数が所定数より少ない項目の学習用入力データと、対応する物性データとの間の関係を回帰分析によって補間することにより、学習データの数を増やす。

予測モジュールは、前処理して得られた学習用入力データと、加硫ゴム組成物の物性データ（学習用出力データ）と、を用いて機械学習をする（ステップＳ１４）。すなわち、予測モジュールは、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、前処理で作成された加硫ゴム組成物に用いる、前処理された原材料それぞれの識別名称と、原材料それぞれの配合比率と、加工条件のそれぞれの情報と、を学習用入力データとする学習データを用いて、物性データを機械学習することにより、学習用入力データと学習用出力データを関連付ける。予測モジュールにおけるモデルの機械学習として、例えば、ニューラルネットワークによる深層学習（ディープラーニング）が用いられる。また、木構造を利用したランダムフォレストを用いることができる。モデルは、畳み込むニューラルネットワーク、スタッグドオートエンコーダ等、公知のモデルを用いることができる。
こうして、予測モジュールは、機械学習が完了する。

次に、機械学習した予測モジュールは、入力したデータに基づいて物性データを予測する。
まず、前処理モジュールは、予測対象加硫ゴム組成物の加硫前の未加硫ゴム組成物を構成する構成原材料の名称と、この構成原材料の配合比率と、予測対象加硫ゴム組成物を作製するための加工における加工条件の入力を受ける（ステップＳ２０）。
入力を受けた前処理モジュールは、前処理をすることなく、予測対象加硫ゴム組成物の加硫前の未加硫ゴム組成物を構成する構成原材料の名称と、この構成原材料の配合比率と、予測対象加硫ゴム組成物を作製するための加工における加工条件とを、予測モジュールに入力する。
予測モジュールは、入力された名称と、配合比率と、加工条件とを用いて、予測対象加硫ゴム組成物の物性データを予測する（ステップＳ２４）。

このように、予測モジュールによる機械学習をさせるステップの前に、学習用入力データとして用いる、原材料の配合比率及び加工条件の項目のうち、サンプル数が所定数より少ない項目の学習用入力データと、対応する物性データとの間の関係を回帰分析によって
補間することにより、予測モジュールに機械学習させるための学習データを増やす前処理を前処理モジュールは行うので、サンプル数の少ない項目に関する学習データのサンプル数を増やすことができる。このため、加硫ゴム組成物の物性データを、コンピュータに予測させる際に、精度よく加硫ゴム組成物の物性データ（特性データ）を予測させることができる。

一実施形態によれば、前処理で行う回帰分析は、線形回帰式あるいは高次多項式による回帰式を用いて行う、ことが好ましい。線形回帰および高次多項式を用いることで、物性データの予測値を簡単に計算して、学習データを短時間に多数作成することができる。
学習用入力データとして、サンプル数が少ないか否かを判定する際の所定数は、例えば、１００～３００の範囲の数であることが好ましい。例えば、ある原材料の配合比率に関して、バリエーション数が４０程度しかない場合、サンプル数が少ないと判断して、バリエーション数が例えば１５０になるように、線形回帰式あるいは高次多項式により、配合比率のサンプルを増やす。この場合、他の項目の水準（例えば、加工条件）は変更させず一定にすることが好ましい。また、物性データの値が、例えば、原材料の配合比率と加工条件の加工温度の組み合わせのように、複数の項目の組み合わせにおける水準に依存する場合、単回帰分析による回帰式に代えて、重回帰分析による回帰式を用いることもできる。
このような回帰分析の処理内容は、例えば、オペレータの入力指示によって実行される。

回帰式を用いて学習データのサンプル数を増やす場合、水準の振り方は特に制限されないが、既存の水準に対して回帰式で内挿される範囲において水準を振ることが好ましい。
図２は、回帰式と加工温度と物性データの関係の一例を示す図である。図２では、学習用入力データである加工温度と物性データの値を示す点Ｐ１～Ｐ３を通る回帰式Ａが示されている。前処理では、回帰式Ａを用いて、図２に示す白丸で示す点の加工温度と物性データの値の組み合わせを、学習データのサンプルとして増やす。

図３は、図１（ｂ）に示すフローとは異なる物性データ予測方法のフローの一例を示す図である。図３に示すステップＳ２２における前処理では、予測対象加硫ゴム組成物の加硫前の未加硫ゴム組成物を構成する構成原材料の名称を、構成原材料の材料特性に基づいて、機械学習に用いた原材料の識別名称の１つに分類する分類処理を含むことが好ましい。
例えば、原材料に含まれる同じ化学組成物を略同じ組成比率で含んでいても、原料メーカーが異なれば構成原材料の名称も互いに異なる取り扱いをすると、原材料の名称の数は極めて膨大になる。これでは、精度の高い、効率のよい機械学習を予測モジュールにさせることはできない。このため、前処理モジュールでは、構成原材料の材料特性に基づいて、１つの名称に纏める。この場合、前処理モジュールは、図１（ａ）に示すステップＳ１２の前処理において、回帰分析によりサンプル数を増やす処理の他に、上記分類処理を行うことが好ましい。

例えば、学習データに用いた原材料及び予測対象加硫ゴム組成物における構成原材料は、複数の化学組成物の混合物である場合、分類処理では、化学組成物の組成比率を材料特性として用いて、構成原材料の名称を識別名称の１つに分類することが、効率よく予測する上で好ましい。化学組成物の組成比率がある程度近似する場合、同一の原材料とすることができる。例えば、同一とできるか否かの判断は、比べる組成比率間の相関係数を算出し、その相関係数が所定値以上の場合、同一原材料とすることができる。

学習データに用いた原材料及び構成原材料は、カーボンブラックやタルクのように、形状パラメータによって形状が特定される材料を含む場合もある。この場合、分類処理では、形状パラメータを材料特性として用いて、構成原材料の名称を、学習データに用いた原材料の識別名称の１つに分類することが好ましい。カーボンブラック等の形状パラメータを持つ粒子で構成された原材料は、名称が異なっていても、形状パラメータが略同じであることが多い。この場合、名称が異なることで、原材料の数が多くなりすぎることを抑制することができる。例えば、カーボンブラックは、カーボン粒子で構成されており、粒子のサイズや粒子で作られるストラクチャによって、ゴムにおけるカーボンブラックの分散度に影響を与える。したがって、形状パラメータの値の差分が、所定値以下である場合、同じ原材料として取り扱うことができる。この点で、粒子のサイズやストラクチャを含む形状パラメータを分類するための材料特性として用いて、構成原材料の名称を、学習データに用いた原材料の識別名称の１つに分類することが好ましい。形状パラメータは、原材料及び構成原材料の形状、形状サイズ、あるいは形状のアスペクト比を含むことが好ましい。原材料の１つであるタルクは、板状のフィラーである。このような板状フィラーのアスペクト比（板形状の縦横比）は、ゴムの物性データに影響を与えることからアスペクト比は、形状パラメータとして含まれることが好ましい。

一実施形態によれば、学習データに用いた原材料及び構成原材料は、結合様式及び該結合様式の比率が異なるポリマーである複数の合成ゴムを含む場合もある。この場合、分類処理では、結合様式の比率を材料特性として用いて、構成原材料の名称を、学習データに用いた原材料の識別名称の１つに分類することが好ましい。例えば、合成ゴムのジエン系ゴムは、スチレンブタジエンゴム、イソプレンゴム、ブタジエンゴムを含む。例えば、スチレンゴムやイソプレンゴムは、cis、trans、ビニル等の異なる結合様式を含む。このような結合様式の比率を材料特性として用いて、構成原材料の名称を、学習データに用いた原材料の識別名称の１つに効率よく分類することができ、ひいては、加硫ゴム組成物の物性データ（特性データ）を予測することを、効率よくかつ精度よく行なうことができる。
例えば、構成原材料の名称は、構成原材料における結合様式の比率と、学習データに用いた原材料における結合様式の比率との間の相関係数に基づいて、識別名称の１つに分類される、ことが好ましい。上記構成原材料の名称は、この構成材料と原材料との間の上記相関係数が所定値以上である原材料の識別名称の１つに分類される。このように相関係数を用いて分類することにより、精度のよい分類ができ、ひいては、加硫ゴム組成物の物性データ（特性データ）を予測することを、効率よくかつ精度よく行なうことができる。構成原材料の名称は、構成原材料における上記相関係数が予め定めた閾値を越える原材料の識別名称に分類されることが好ましい。
また、原材料の物性データがある程度近似する場合、同一の原材料とすることも好ましい。例えば、同一とできるか否かの判断は、比べる複数の物性値間の相関係数を算出し、その相関係数が所定値以上の場合、同一原材料とすることができる。

このように、分類処理は、予測モジュールに機械学習をさせる前の前処理において、取得した配合情報、加工条件に対して行うことが好ましい。機械学習における原材料の識別名称の数を制限して纏めることにより、効率のよい、精度の高い機械学習を予測モジュールにさせることができる。この場合、ステップＳ１２に示す前処理では、原材料の識別名称の数を減らし、配合比率や加工条件等の数値で表される水準数を増やして、学習データのサンプル数を調整する。

図４は、このような予測方法を行う物性データ予測装置１００の構成の一例を示す図である。物性データ予測装置１００は、予測部１０２とデータ操作部１０４とを備える。
予測部１０２は、複数の加硫ゴム組成物の物性データを学習用出力データとし、原材料それぞれの識別名称と、原材料それぞれの配合比率と、加工条件のそれぞれの情報と、を学習用入力データとする学習データを用いて、物性データを機械学習するように構成される。加硫ゴム組成物は、加硫ゴム組成物に用いる複数の原材料を、設定された配合比率で配合し、設定された加工条件で加工することにより作製される。予測部１０２は、コンピュータ内に形成される予測モジュールである。

データ操作部１０４は、予測対象加硫ゴム組成物の加硫前の未加硫ゴム組成物を構成する構成原材料の名称と、この構成原材料の配合比率と、予測対象加硫ゴム組成物を作製するための加工における加工条件と、を用いて、予測対象加硫ゴム組成物の物性データを予測部１０２に予測させるように予測部１０２を制御するように構成される。データ操作部１０４は、コンピュータ内に形成されるデータ操作モジュールである。

このデータ操作部１０４は、詳細には、前処理部１０４ａと、入力部１０４ｂと、を備える。
前処理部１０４ａは、予測部１０２に機械学習をさせる際に、学習用入力データとして用いる、原材料の配合比率及び加工条件の項目のうち、サンプル数が所定数より少ない項目の学習用入力データと、対応する物性データとの間の関係を回帰分析によって補間することにより、予測部１０２に機械学習させる学習データを増やす前処理を行うように構成されている。前処理部１０４ａは、前処理において上記分類処理を行ってもよい。
入力部１０４ｂは、前処理部１０４ａが作成した学習データを予測部１０２に入力するように構成される。入力部１０４ｂは、コンピュータ内に形成される入力モジュールである。

構成原材料の名称、配合比率、及び加工条件を用いて物性データを予測部１０２が予測した結果に対して実際の物性データを計測等により取得した場合、この構成原材料の名称、配合比率、及び加工条件を学習用入力データとし、実際の物性データを学習用出力データとして用いて予測部１０２に追加的に機械学習させるようにしてもよい。
以下、より具体的な例を挙げて説明する。

（前処理の例１）
前処理の例１は、オリジナルの学習用入力データとして用いる、原材料の配合比率の水準を振ったサンプル数（配合の組み合わせの数）が少ない項目が配合剤Ｉ（下記表１参照）であり、２００個の学習用入力データのうち、配合剤Ｉ以外の原材料の配合比率が同じ条件の下、配合剤Ｉの配合比率を振った組み合わせが４つしかない例である。下記表１にこの配合の組み合わせとして配合１～４の例を示す。このような配合の組み合わせによって実際の加硫ゴム組成物を作製する場合、以下のようにして加硫ゴム組成物を作製した。
加硫促進剤等の加硫系配合剤以外の配合剤とゴム材料を１．７リットルの密閉式バンバリーミキサーを用いて１５０℃付近に温度を上げてから、５分間混合した後に放出し、室温まで冷却してマスターバッチを得た。この混合を２回繰り返した。さらに、上記バンバリーミキサーを用いて、最終的に得られたマスターバッチに硫黄および加硫促進剤を混合し、未加硫ゴム組成物を得た。得られた未加硫ゴム組成物を所定の金型中で、１４０℃～１９０℃、で１０分～９０分間プレス加硫して加硫ゴム試験片を調製した。

表１の配合１～４により作製した加硫ゴム組成物における物性データとして、ゴム硬度及び粘弾性特性のｔａｎδ（６０℃）を実測した学習用出力データを得ている。ｔａｎδ（６０℃）は、加硫ゴム組成物の試験片について、ＪＩＳＫ６３９４：２００７に準じ、粘弾性スペクトロメーター（東洋精機製作所社製）を用いて、伸張変形歪率１０％±２％、振動数２０Ｈｚ、温度６０℃の条件で測定した値である。ゴム硬度は、加硫ゴム組成物の試験片を、ＪＩＳ Ｋ６２５３に準拠しデュロメータのタイプＡにより温度２０℃で測定した値である。

配合１～４の配合剤Ｉの配合比率に対するゴム硬度及びｔａｎδ（６０℃）の回帰分析を行うことで、ゴム硬度及びｔａｎδ（６０℃）の回帰直線を得ることができる。
図５（ａ）は、配合剤Ｉの配合比率に対するｔａｎδ（６０℃）のオリジナルの学習データのプロットと回帰直線の例を示し、図５（ｂ）は、配合剤Ｉの配合比率に対するゴム硬度のオリジナルの学習データのプロットと回帰直線の例を示す図である。図５（ａ），（ｂ）において、オリジナルの学習データは、“■”あるいは“●”で示されている。
さらに、図５（ａ），（ｂ）には、回帰直線上に位置する新規データが“〇”（「回帰分析から導いたデータ」）で示されている。この新規なデータが、学習データに追加される。図５（ａ），（ｂ）では、１５個の新規データが示されているが、新規データの個数を１００個新設した。すなわち、学習用入力データとして用いる、配合剤Ｉの配合比率の学習用入力データと、対応するゴム硬度及びｔａｎδ（６０℃）との間の関係を回帰分析によって補間することにより、学習データの数を増やした。

こうして、学習データの数を増やす前処理をして学習データの機械学習をした予測モジュールを用いた予測結果（「前処理あり」）と、前処理をせずに学習データの機械学習した予測モジュールを用いた予測結果（「前処理なし」）の差異を調べた。下記表２は、予測結果の実測結果に対する比率を示す。比率が１．００に近い程、予測結果が実測結果に近いことを示す。

表２より、前処理ありの場合の物性データｔａｎδ（６０℃）及び硬度の比率が、前処理なしの場合のｔａｎδ（６０℃）及び硬度の比率に較べて、１．００に近いことがわかる。

（前処理の例２）
前処理の例２は、オリジナルの学習用入力データとして用いる、原材料の配合比率の水準を振ったサンプル数（配合の組み合わせの数）が少ない項目が配合剤Ｉと配合剤Ｍ（下記表２参照）であり、２００個の学習用入力データのうち、配合剤Ｉと配合剤Ｍ以外の原材料の配合比率が同じ条件の下、配合剤Ｉと配合剤Ｍの配合比率を振った組み合わせが４つしかない例である。下記表３にこの配合の組み合わせとして配合５～８の例を示す。このような配合の組み合わせによって実際の加硫ゴム組成物を作製する場合、以下のようにして加硫ゴム組成物を作製した。
加硫促進剤等の加硫系配合剤以外の配合剤とゴム材料を１．７リットルの密閉式バンバリーミキサーを用いて１５０℃付近に温度を上げてから、５分間混合した後に放出し、室温まで冷却してマスターバッチを得た。さらに、上記バンバリーミキサーを用いて、最終的に得られたマスターバッチに硫黄および加硫促進剤を混合し、未加硫ゴム組成物を得た。得られた未加硫ゴム組成物を所定の金型中で、１４０℃～１９０℃、で１０分～９０分間プレス加硫して加硫ゴム試験片を調製した。

表３の配合５～８により作製した加硫ゴム組成物における物性データとして、ゴム硬度及び粘弾性特性のｔａｎδ（６０℃）を実測した学習用出力データを得ている。ｔａｎδ（６０℃）は、加硫ゴム組成物の試験片について、ＪＩＳＫ６３９４：２００７に準じ、粘弾性スペクトロメーター（東洋精機製作所社製）を用いて、伸張変形歪率１０％±２％、振動数２０Ｈｚ、温度６０℃の条件で測定した値である。ゴム硬度は、加硫ゴム組成物の試験片を、ＪＩＳ Ｋ６２５３に準拠しデュロメータのタイプＡにより温度２０℃で測定した値である。

配合５～８の配合剤Ｉの配合比率及び配合剤Ｍの配合比率に対するゴム硬度及びｔａｎδ（６０℃）の重回帰分析を行うことで、ゴム硬度及びｔａｎδ（６０℃）の回帰直線を得ることができる。
図６（ａ）は、配合剤Ｉ及び配合剤Ｍの配合比率の線形加算和（ａ・（配合剤Ｉの配合比率）＋ｂ・（配合剤Ｍの配合比率）：ａ、ｂは定数）に対するｔａｎδ（６０℃）のオリジナルの学習データのプロットと回帰直線の例を示し、図６（ｂ）は、配合剤Ｉ及び配合剤Ｍの配合比率の線形加算和（ｃ・（配合剤Ｉの配合比率）＋ｄ・（配合剤Ｍの配合比率）：ｃ、ｄは定数）に対するゴム硬度のオリジナルの学習データのプロットと回帰直線の例を示す図である。図６（ａ），（ｂ）において、オリジナルの学習データは、“■”あるいは“●”で示されている。
さらに、図６（ａ），（ｂ）には、回帰直線上に位置する新規データが“〇”（「回帰分析から導いたデータ」）で示されている。この新規なデータが、学習データに追加される。図６（ａ），（ｂ）では、１５個の新規データが示されているが、新規データの個数を１００個新設した。すなわち、学習用入力データとして用いる、配合剤Ｉの配合比率と配合率Ｍの配合比率の学習用入力データと、対応するゴム硬度及びｔａｎδ（６０℃）との間の関係を回帰分析によって補間することにより、学習データの数を増やした。ここで、回帰直線は、配合剤Ｉ及び配合剤Ｍの配合比率の線形加算和で表されるため、配合剤Ｉの配合比率及び配合剤Ｍの配合比率の線形加算和が、図６（ａ），（ｂ）に示す新規データの線形加算和の値になるように、オリジナルの学習用入力データの配合剤Ｉの配合比率及び配合剤Ｍの配合比率の、最大値及び最小値の範囲内で、配合剤Ｉの配合比率の値及び配合剤Ｍの配合比率の値を適宜設定した。

こうして、学習データの数を増やす前処理をして学習データの機械学習をした予測モジュールを用いた予測結果（「前処理あり」）と、前処理をせずに学習データの機械学習した予測モジュールを用いた予測結果（「前処理なし」）の差異を調べた。下記表４は、予測結果の実測結果に対する比率を示す。比率が１．００に近い程、予測結果が実測結果に近いことを示す。

表４より、前処理ありの場合の物性データｔａｎδ（６０℃）及び硬度の比率が、前処理なしの場合のｔａｎδ（６０℃）及び硬度の比率に較べて、１．００に近いことがわかる。
これより、前処理の効果は明らかである。

このように、加硫ゴム組成物の物性データをコンピュータが予測する際に、サンプル数（配合の組み合わせ数）の少ない項目についての水準を増やすことができるので、精度よく加硫ゴム組成物の物性データを予測させることができる。

以上、本発明の物性データ予測方法及び物性データ予測装置について詳細に説明したが、本発明は上記実施形態に限定されず、本発明の主旨を逸脱しない範囲において、種々の改良や変更してもよいのはもちろんである。

１００ 物性データ予測装置
１０２ 予測部
１０４ データ操作部
１０４ａ 前処理部
１０４ｂ 入力部

Claims (9)

1. 予め設定された複数の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の物性データを、コンピュータに予測させる物性データ予測方法であって、
   加硫ゴム組成物に用いる複数の原材料を、設定された配合比率で配合し、設定された加工条件で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、前記加硫ゴム組成物における前記原材料それぞれの識別名称と、前記原材料それぞれの配合比率と、前記加工条件のそれぞれの情報と、を学習用入力データとする学習データを用いて、前記物性データ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、
   予測対象加硫ゴム組成物の加硫前の未加硫ゴム組成物を構成する構成原材料の名称と、該構成原材料の配合比率と、前記予測対象加硫ゴム組成物を作製するための加工における加工条件と、を用いて、前記予測対象加硫ゴム組成物の物性データを前記予測モジュールに予測させるステップと、
   前記予測モジュールによる機械学習をさせるステップの前に、前記学習用入力データとして用いる、前記原材料の配合比率及び前記加工条件の項目のうち、水準を振ったサンプル数が所定数より少ない項目であり、且つ前記物性データに影響を与える前記学習用入力データと、対応する前記物性データとの間の関係を回帰分析によって補間することにより、前記予測モジュールに機械学習させるための前記学習データを増やす前処理を行わせるステップと、
   を備えることを特徴とする物性データ予測方法。
2. 前記前処理で行う回帰分析は、線形回帰式あるいは高次多項式による回帰式を用いて行う、請求項１に記載の物性データ予測方法。
3. 前記所定数は、１００～３００の範囲の値である、請求項１または２に記載の物性データ予測方法。
4. 前記前処理は、前記構成原材料の名称を、前記構成原材料の材料特性に基づいて、コンピュータに前記学習用入力データとして用いた前記識別名称の１つに分類する分類処理を含む、請求項１～３のいずれか１項に記載の物性データ予測方法。
5. 前記学習データに用いた前記原材料及び前記予測対象加硫ゴム組成物における前記構成原材料は、複数の化学組成物の混合物であり、
   前記分類処理では、前記化学組成物の組成比率を前記材料特性として用いて、前記構成原材料の名称を前記識別名称の１つに分類する、請求項４に記載の物性データ予測方法。
6. 前記構成原材料の名称は、前記化学組成物の前記組成比率と、前記学習データに用いた前記原材料における前記化学組成物の組成比率との間の相関係数に基づいて前記識別名称の１つに分類される、請求項５に記載の物性データ予測方法。
7. 前記学習データに用いた前記原材料及び前記構成原材料は、形状パラメータによって形状が特定される材料を含み、
   前記分類処理では、前記形状パラメータを前記材料特性として用いて、前記構成原材料の名称を、前記学習データに用いた前記原材料の前記識別名称の１つに分類する、請求項４～６のいずれか１項に記載の物性データ予測方法。
8. 前記学習データに用いた前記原材料及び前記構成原材料は、結合様式及び該結合様式の比率が異なるポリマーである複数の合成ゴムを含み、
   前記分類処理では、前記結合様式の比率を前記材料特性として用いて、前記構成原材料の名称を、前記学習データに用いた前記原材料の前記識別名称の１つに分類する、請求項４～７のいずれか１項に記載の物性データ予測方法。
9. 予め設定された複数の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の物性データを予測する物性データ予測装置であって、
   加硫ゴム組成物に用いる複数の原材料を、設定された配合比率で配合し、設定された加工条件で加工することにより作製される、複数の加硫ゴム組成物の物性データを学習用出力データとし、前記原材料それぞれの識別名称と、前記原材料それぞれの配合比率と、前記加工条件のそれぞれの情報と、を学習用入力データとする学習データを用いて、前記物性データを機械学習する予測部と、
   予測対象加硫ゴム組成物の加硫前の未加硫ゴム組成物を構成する構成原材料の名称と、該構成原材料の配合比率と、前記予測対象加硫ゴム組成物を作製するための加工における加工条件と、を用いて、前記予測対象加硫ゴム組成物の物性データを前記予測部に予測させるデータ操作部と、を備え、
   前記データ操作部は、前記学習用入力データとして用いる、前記原材料の配合比率及び前記加工条件の項目のうち、サンプル数が所定数より少ない項目であり、且つ前記物性データに影響を与える前記学習用入力データと、対応する前記物性データとの間の関係を回帰分析によって補間することにより、前記予測部に機械学習させるための前記学習データを増やす前処理を行うように構成されている、
   ことを特徴とする物性データ予測装置。

Images