JP7352079B2 - 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の値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、その物性データの値を予測することを、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実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の値とを紐付けたデータは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、新たな原材料の配合で作製される加硫ゴム組成物の物性データの値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が知られている（特許文献１）。

特開２００３－５８５８２号公報

この技術におけるニューラルネットワークの学習では、用意したデータを全て一律に読み取って複数の学習データに用いる。例えば、複数の学習データとして、加硫ゴム組成物の原材料の配合比率の情報と物性データの値とを紐付けた多数の蓄積された実験データセットが用いられる。物性データの値は、測定装置を用いて測定された値であるので、実験データセットには、物性データの値が正常な範囲を明らかに逸脱した異常値である物性データを含む場合もあれば、物性データの値は正常な範囲にあるが、他の物性データの値を考慮すると、有り得ない物性データの値を含む場合もある。このような正常な範囲にない物性データの値を含んだ物性データの値の組み合わせ及び他の物性データの値を考慮すると、有り得ない物性データの値を含む物性データの値の組み合わせは、以降、異常であるという。

しかし、学習データとして用意したデータに異常値を含む場合でも、用意したデータを全て一律に読み取って学習データとして用いるので、機械学習した予測モデルから予測対象加硫ゴム組成物の物性データの値を精度よく予測することはできない。

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予測対象の加硫ゴム組成物の物性データの値を、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の値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の値を、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、
複数の原材料を用いて作製された複数の加硫ゴム組成物に関する物性データの値と、前記加硫ゴム組成物における前記原材料それぞれの配合比率の情報と、前記加硫ゴム組成物の加工条件の情報と、の組みを複数組備えた第１オリジナルデータ内に、前記加硫ゴム組成物に関する前記物性データの値の組み合わせが異常である組みが有るか否かの判定をするステップと、
前記判定の結果に基づいて、前記複数組のうち前記物性データの値の組み合わせが異常と判定された組の、前記物性データの値と、前記加硫ゴム組成物における前記原材料それぞれの前記配合比率の情報と、前記加硫ゴム組成物の前記加工条件の情報を前記第１オリジナルデータから除去した修正オリジナルデータを作成し、作成した前記修正オリジナルデータ内の前記物性データの値を学習用出力データとし、前記修正オリジナルデータ内の前記加硫ゴム組成物における前記配合比率の情報と、前記加硫ゴム組成物の前記加工条件の情報と、を学習用入力データとした第１学習データを用いて、前記物性データと、前記配合比率及び前記加工条件との間の関係をコンピュータ内の第１予測モデルに機械学習をさせるステップと、
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配合比率の情報と、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の情報と、を用いて、前記予測対象加硫ゴム組成物の物性データの値を前記第１予測モデルに予測させるステップと、を備える。

前記判定をするとき、前記加硫ゴム組成物に関する前記物性データの値と、前記加硫ゴム組成物に関する前記物性データの値の組み合わせが異常であるか否かの情報と、の組みを複数組備えた第２オリジナルデータを用いて事前に機械学習した第２予測モデルを用いて前記判定を行う、ことが好ましい。

前記第２予測モデルは、前記第２オリジナルデータを用いて前記加硫ゴム組成物に関する前記物性データのツリー構造を構築したモデルであり、前記ツリー構造の末端にあるノードには、前記異常であるか否かの情報が付与され、
前記判定をするとき、前記第１オリジナルデータの前記物性データの値の組み合わせが前記ツリー構造のどの末端にあるノードに分類されるかにより、前記物性データの値の組み合わせが異常であるか否かの判定をする、ことが好ましい。

前記ツリー構造の構築は、アイソレーションフォレスト法を用いて行われる、ことが好ましい。

前記第２予測モデルは、前記第２オリジナルデータを用いて前記加硫ゴム組成物に関する前記物性データの値を学習用入力データとし、前記物性データの値に対応した前記第２オリジナルデータの前記物性データの値の組み合わせが異常であるか否かの情報を学習用出力データとして、前記物性データの値の組み合わせと前記物性データの値の組み合わせが異常であるか否かの情報との間の関係を機械学習したモデルである、ことが好ましい。

前記第１オリジナルデータ及び前記第２オリジナルデータに含まれる前記物性データは、ムーニー粘度、ムーニースコーチ時間、１００％伸張時応力、３００％伸長時応力、破断強度、破断伸び、損失正接、及び貯蔵弾性率のうち少なくとも２つ以上を含む、ことが好ましい。

前記第１オリジナルデータ及び前記第２オリジナルデータに含まれる前記物性データは、損失正接及び貯蔵弾性率を少なくとも含み、
前記判定では、前記損失正接の値と前記貯蔵弾性率の値との組み合わせが異常であるか否かを少なくとも判定する、ことが好ましい。

前記物性データは、破断強度及び破断伸びを少なくとも含み、
前記判定では、前記破断強度の値と前記破断伸びの値との組み合わせが異常であるか否かを少なくとも判定する、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の値を予測する、コンピュータで構成された物性データ予測装置である。当該物性データ予測装置は、
複数の原材料を用いて作製された複数の加硫ゴム組成物に関する物性データの値と、前記加硫ゴム組成物における前記原材料それぞれの配合比率の情報と、前記加硫ゴム組成物の加工条件の情報と、の組みを複数組備えた第１オリジナルデータの前記加硫ゴム組成物に関する前記物性データの値の組み合わせが異常であるか否かの判定をする判定部と、
前記判定の結果に基づいて、前記複数の組のうち、前記物性データの値の組み合わせが異常と判定された組の、前記物性データの値と、当該物性データの値に対応した前記加硫ゴム組成物における前記原材料それぞれの前記配合比率の情報と、当該物性データの値に対応した前記加硫ゴム組成物の前記加工条件の情報を、前記第１オリジナルデータから除去した修正オリジナルデータを作成し、さらに、作成した前記修正オリジナルデータ内の前記物性データの値を学習用出力データとし、前記修正オリジナルデータ内の前記加硫ゴム組成物における前記配合比率の情報と、前記加硫ゴム組成物の前記加工条件の情報と、を学習用入力データとした第１学習データを用いて、前記物性データと、前記配合比率及び前記加工条件との間の関係をコンピュータ内の第１予測モデルに第１機械学習をさせる機械学習部と、
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配合比率の情報と、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の情報と、を用いて、前記予測対象加硫ゴム組成物の物性データの値を予測する前記第１予測モデルを備える予測部と、
を備える。

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、加硫ゴム組成物の物性データの値を、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の値を予測させることができる。

一実施形態の物性データ予測方法の一例のフローを示す図である。 一実施形態の物性データ予測装置の主な構成の一例を説明する図である。 一実施形態の物性データ予測方法で用いる物性データの値の組み合わせが異常か否かの一例を説明する図である。 一実施形態の物性データ予測方法の判定で用いるツリー構造の一例を説明する図である。

以下、一実施形態の物性データ予測方法及び装置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の値と要因データとの間の関係を機械学習させ、機械学習したコンピュータの予測モデルを用いて、予測対象加硫ゴム組成物の物性データの値を予測する方法である。
図１は、一実施形態の物性データ予測方法の一例のフローを示す図である。図２は、物性データ予測方法を行う一実施形態の物性データ予測装置の主な構成の一例を示す図である。物性データ予測装置１００は、ＣＰＵ１０２及びメモリ１０４を備えるコンピュータで構成される。物性データ予測装置１００は、メモリ１０４に記憶するプログラムを読み出して起動することにより、機能を発揮する判定部１０６、機械学習部１０８、及び予測部１１０をソフトウェアモジュールとして少なくとも形成する。物性データ予測装置１００は、図示されないディスプレイと接続され、さらに、マウス及びキーボードを含む入力操作デバイスと接続されている。

物性データ予測装置１００の判定部１０６は、複数の原材料を用いて作製された複数の加硫ゴム組成物に関する物性データの値と、この加硫ゴム組成物における原材料それぞれの配合比率の情報と、加硫ゴム組成物の加工条件の情報と、の組みを複数組備えた第１オリジナルデータを取得する（図１ ＳＴ１０）。第１オリジナルデータは、図２に示す例では、物性データ予測装置１００の外部から入力される。例えば、第１オリジナルデータは、加硫ゴム組成物の情報（配合比率及び加工条件）と対応させて、実験により得られた物性データの値を含む実験データを多数蓄積保存したデータライブラリから、物性データ予測装置１００に転送される。また、第１オリジナルデータは、メモリ１０４に記憶保持されたものを呼び出してもよい。

配合比率の情報は、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。加工条件の情報とは、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。加硫ゴム組成物に関する物性データは、例えば、ゴム弾性、貯蔵弾性率（Ｅ’）、損失正接（ｔａｎδ）、比重、ムーニー粘度、ムーニースコーチ時間、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等の加硫ゴム組成物の特性に関するデータである。

次に、判定部１０６は、第１オリジナルデータ内に、加硫ゴム組成物に関する複数の物性データの値の組み合わせが異常であるか否かの判定をする（図１ ＳＴ１２）。物性データの値の組み合わせが異常であるか否かの判定は、後述するように、予め構築した予測モデル（第２予測モデル）を用いて行われることが好ましい。これにより、複数組の、物性データの値の組み合わせのうち、異常と判定される組みが特定される。

次に、判定部１０６は、上記判定の結果に基づいて、物性データの値の組み合わせが異常と判定された物性データの値と、この物性データの値に対応した加硫ゴム組成物における原材料それぞれの配合比率の情報と、加硫ゴム組成物の加工条件の情報を第１オリジナルデータから除去した修正オリジナルデータを作成する（図１ ＳＴ１４）。これにより、予測モデル（第１予測モデル）に、配合比率の情報及び加工条件の情報と、物性データの値との間の関係を機械学習させる際に、好ましくない異常値の物性データを除去することができる。判定部１０６は、作成した修正オリジナルデータを学習用データとして機械学習部１０８に送る。

この後、機械学習部１０８は、修正オリジナルデータ内の加硫ゴム組成物に関する物性データの値を学習用出力データとし、修正オリジナルデータ内の加硫ゴム組成物における原材料それぞれの配合比率の情報と、加工条件それぞれの情報と、を学習用入力データとする学習データを準備し、この学習データを用いて、配合比率の情報及び加工条件の情報と、物性データの値との間の関係を、コンピュータ内の予測部１１０内にある予測モデル（第１予測モデル）に機械学習させる（図１ ＳＴ１６）。予測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、予測モデル（第１予測モデル）の機械学習は完了する。

次に、予測部１１０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配合比率の情報と、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情報と、を用いて、予測対象加硫ゴム組成物の物性データを予測モデルに予測させる（図１ ＳＴ１８）。

このように、予測モデルが機械学習をするときの学習用データは、第１オリジナルデータそのものではなく、第１オリジナルデータ中で複数の物性データの値の組み合わせが異常と判定された組を除去した修正オリジナルデータを用いて予測モデル（第１予測モデル）を機械学習させるので、予測部１１０は予測対象加硫ゴム組成物の物性データの値を精度よく予測することができる。

ここで、図３は、物性データの値の組み合わせが異常であるか否かの一例を説明する図である。図３では、わかり易く説明するために、物性データとして貯蔵弾性率（Ｅ’）と損失正接（ｔａｎδ）との関係を示している。一般に、加硫ゴム組成物には、フィラー材としてカーボンを含むため、貯蔵弾性率が大きくなる程損失正接も大きくなる。しかし、貯蔵弾性率が小さいにも係らず、損失正接が過度に大きい場合や、貯蔵弾性率が大きいにも係らず、損失正接が過度に小さい場合がある。すなわち、図３に示す領域Ｒ１，Ｒ２の範囲内に、貯蔵弾性率の値、及び損失正接の値がある場合、貯蔵弾性率の値、及び損失正接の値の組み合わせが異常であると判定される領域である。しかし、有限個の物性データの組み合わせから、領域Ｒ１，Ｒ２を、正確に設定することは難しい。このため、一実施形態によれば、複数の加硫ゴム組成物に関する物性データの値と、複数の加硫ゴム組成物に関する物性データの値の組み合わせが異常であるか否かの情報と、の組みを複数組備えた第２オリジナルデータを用いて予測モデル（第２予測モデル）に機械学習をさせる。これにより、物性データの値が異常値と判定される領域Ｒ１，Ｒ２内に含まれるか否かを判定することができる。なお、第２オリジナルデータが備える物性データの値の組み合わせが異常であるか否かの情報は、過去の知見から、人によって予め判断されて入力されたものであるので、曖昧さがあり、必ずしも正しい情報とはいえない。しかし、このような曖昧さがある情報であっても、ある程度の高い確率で、異常であるか否かの正しい情報に一致すると考えられるので、第２オリジナルデータを用いて、予測モデル（第２予測モデル）に機械学習させることにより、物性データの値の組み合わせが異常と判定される領域Ｒ１，Ｒ２内に含まれるか否かを一義的に判定することができる。この判定結果を利用して、予測モデル（第１予測モデル）に機械学習させるための修正オリジナルデータを作成することができる。予測モデル（第２予測モデル）が判定する結果は、高い確率で、正しい情報に一致する。

一実施形態によれば、物性データの値の組み合わせが異常であるか否かの判定に用いる予測モデル（第２予測モデル）は、第２オリジナルデータを用いて複数の加硫ゴム組成物に関する物性データのツリー構造を構築したモデルであり、ツリー構造の末端にあるノードに、異常であるか否かの情報を付与される。判定部１０６が上述の判定をするとき、第１オリジナルデータの物性データの値の組み合わせがツリー構造のどの末端にあるノードに分類されるかにより、物性データの値の組み合わせが異常であるか否かの判定をする、ことが好ましい。ツリー構造を構築することにより、物性データの値の組み合わせが、ツリー構造のいずれかの末端のノードに分類され、末端のノードのそれぞれには、正常あるいは異常の情報が付与されるので、物性データの値の組み合わせが異常であることを容易に得ることができる。

図４は、一実施形態の物性データ予測方法の判定で用いるツリー構造の一例を説明する図である。図４では、わかり易く説明するために、ｐ，ｑを２つの物性データの値としている。図４に示す例では、物性データの値ｐが設定された値ｐ１より小さいか否かを判定し、判定結果が否定（ｆａｌｓｅ）である場合、末端のノードＤに進み、判定結果が肯定（ｔｒｕｅ）である場合、物性データの値ｑが設定された値ｑ１より小さいか否かを判定する。この判定結果が肯定（ｔｒｕｅ）である場合、末端のノードＡに進み、判定結果が否定（ｆａｌｓｅ）である場合、物性データの値ｐが設定された値ｐ２より小さいか否かを判定する。この判定結果が肯定（ｔｒｕｅ）である場合、末端のノードＢに進み、この判定結果が否定（ｆａｌｓｅ）である場合、末端のノードＣに進む。末端のノードＡ～Ｄには、正常あるいは異常の情報を付与するので、物性データの値ｐ，ｑがどの末端のノードに分類されるかにより、正常あるいは異常の判定をすることができる。

このようなツリー構造の構築は、機械学習によって行われ、一実施形態によれば、アイソレーションフォレスト法を用いて行われることが好ましい。アイソレーションフォレスト法は、例えば特開２０１９－７４９２７号公報に開示される公知の方法である。すなわち、予測モデル（第２予測モデル）は、アイソレーションフォレスト法により物性データの値の組み合わせを機械学習して、ツリー構造を構築することが好ましい。アイソレーションフォレスト法では、木の数、物性データの値のサンプリング数、パーティションの数をパラメータとして与えて、ツリー構造が自動的に構築される。

一実施形態によれば、上述の判定を行うために用いる予測モデル（第２予測モデル）は、第２オリジナルデータを用いて複数の加硫ゴム組成物に関する物性データの値を学習用入力データとし、この物性データの値に対応した第２オリジナルデータの物性データの値の組み合わせが異常であるか否かの情報を学習用出力データとして、物性データの値の組み合わせと上記情報との間の関係を機械学習したモデルであることも好ましい。この場合、機械学習では、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。これにより、物性データの値の組み合わせが異常であることを容易に予測することができる。

また、上述の判定を行うために、第２オリジナルデータの物性データの値の組み合わせを用いて、クラスター分析を行って、複数のクラスターを作成し、このクラスター毎に物性データの値の組み合わせが異常であるか否かの情報を付与してもよい。この場合、例えば、第１オリジナルデータの物性データの値の組み合わせが、どのクラスターに分類されるかを求めることにより、物性データの値の組み合わせが異常であるか否かを判定することができる。

第１オリジナルデータ及び第２オリジナルデータに含まれる物性データは、ムーニー粘度、ムーニースコーチ時間、１００％伸張時応力、３００％伸長時応力、破断強度、破断伸び、損失正接、及び貯蔵弾性率のうち少なくとも２つ以上を含む、ことが好ましい。これらの物性データは、加硫ゴム組成物において重要なパラメータであり、物性データの値の組み合わせによって異常であるか否かを判定することが容易にできるデータである。
ムーニー粘度は、ＪＩＳ Ｋ６３００－１：２０１３に準拠して測定され、ムーニースコーチ時間は、ＪＩＳ Ｋ６３００－１：２０１３に準拠して、例えばＬ形ロータを使用し、試験温度１２５℃の条件で測定され、１００％伸張時応力及び３００％伸長時応力は、ＪＩＳ Ｋ６２５１に準拠し、例えばＪＩＳ３号型ダンベル試験片を用いて、２０℃、引張り速度５００ｍｍ／分の条件で測定され、破断強度及び破断伸びは、ＪＩＳ Ｋ６２５１に準拠して、例えば室温（２０℃）で測定され、損失正接は、例えば６０℃、周波数２０Ｈｚ、初期歪み１０％、動歪±２％の条件下、貯蔵弾性率は、例えば２０℃、周波数２０Ｈｚ、初期歪み１０％、動歪±２％の条件下、ＪＩＳ Ｋ６３９４に準拠して測定される。
予測モデル（第２予測モデル）が機械学習のために用いる第２オリジナルデータは、上記物性データ全ての値を含んでもよいし、上記物性データのいずれか２つ以上の値の組み合わせを含んでもよい。

なお、一実施形態によれば、第１オリジナルデータ及び第２オリジナルデータに含まれる物性データは、損失正接及び貯蔵弾性率を少なくとも含み、判定部１０６が行う判定では、損失正接の値と貯蔵弾性率の値との組み合わせが異常であるか否かを判定することが好ましい。損失正接の値と貯蔵弾性率の値は、比較的互いに連動して変化するので、損失正接の値と貯蔵弾性率の値との組み合わせが異常であるか否かの判別は比較的容易であり、判定結果は、高い確率で正しい情報に一致する。例えば、再度、損失正接及び貯蔵弾性率を複数回実測した場合、損失正接及び貯蔵弾性率の少なくとも一方の値が、異常と判断された値に対して大きく変化することで、異常値であったことがわかる。
また、一実施形態によれば、第１オリジナルデータ及び第２オリジナルデータに含まれる物性データは、破断強度及び破断伸びを少なくとも含み、判定部１０６が行う判定では、破断強度の値と破断伸びの値との組み合わせが異常であるか否かを判定する、ことが好ましい。破断強度の値と破断伸びの値は、比較的互いに連動して変化するので、破断強度の値と破断伸びの値との組み合わせが異常であるか否かの判別は比較的容易であり、判定結果は、高い確率で正しい情報に一致する。

一実施形態によれば、判定部１０６は、ムーニー粘度、ムーニースコーチ、１００％伸張時応力、３００伸長時応力、破断強度、破断伸び、損失正接、及び貯蔵弾性率のすべてあるいはこれらの内のいくつかの値を用いて、値の組み合わせが異常であるか否かを１回の判定で行ってもよいし、上記物性データのいくつかの値の組み合わせが異常であるか否かを判定する第１の判定と、上記物性データの他のいくつかの値の組み合わせが異常であるか否かを判定する第２の判定とを別々に行って、いずれかの判定で異常であると判定された場合、判定に用いた物性データの値の組み合わせは異常である、と判定してもよい。また、第１の判定及び第２の判定に加えて、第３の判定、第４の判定等を別途行って、いずれかの判定で異常であると判定された場合、判定に用いた物性データの値の組み合わせは異常である、と判定してもよい。

例えば、比較的値が連動する損失正接の値と貯蔵弾性率の値の組み合わせについて異常か否かを判定する第１の判定と、比較的値が連動する破断強度の値と破断伸びの値との組み合わせについて異常か否かを判定する第２の判定とを別々に行って、いずれかの判定で異常であると判定した場合、判定に用いた損失正接の値、貯蔵弾性率の値、破断強度の値、及び破断伸びの値の組み合わせは異常である、と判定してもよい。

（実施例、従来例）
タイヤに用いるトレッドゴムを加硫ゴム組成物として、上述の物性データ予測方法を行って、その効果を確認した。
トレッドゴムのオリジナルデータの配合比率は、ゴム原材料として、ブタジエンゴム、スチレンブタジエンゴム、天然ゴムを少なくとも含むゴム原材料の配合比率、フィラー原材料として、比表面積が異なる５０種類のカーボンブラック、及び、比表面積が異なる３０種類のシリカを少なくとも含むフィラー原材料の配合比率、加硫促進剤として、２０種類の加硫促進剤の配合比率、可塑剤としてオイルや樹脂を少なくとも含む２００種類の可塑剤の配合比率を含んでいる。
オリジナルデータは、加硫ゴム組成物の配合比率及び加工条件の情報と物性データの値との組を３００００セット含んでいる。
このオリジナルデータのうち、２７０００セットを第１オリジナルデータセットとし、３０００セットを第２オリジナルデータセットとし、３０００セットの物性データの値の組み合わせについて、事前に異常か否かを人の知見により判定して、異常あるいは正常の情報を付与した。
物性データは、周波数２０Ｈｚの損失正接（６０℃）及び貯蔵弾性率（６０℃）と、２０℃における破断強度及び破断伸びと、を含み、さらに、デュロメータで測定されたゴム硬度（ＪＩＳ Ｋ６２５３－３：２０１２に準拠、タイプＡ）を含む。

実施例では、判定部１０６において、第２オリジナルデータを用いてアイソレーションフォレスト法でツリー構造を構築して、第１オリジナルデータの各データの損失正接（ｔａｎδ）、貯蔵弾性率（Ｅ’）、破断強度、及び破断伸びの値の組み合わせが異常であるか否かを判定し、異常と判定された組を第１オリジナルデータから除去した修正オリジナルデータを学習用データとして、予測モデル（第１予測モデル）に与えて、配合比率及び加工条件の情報と物性データの値との関係を機械学習をさせた。
一方、従来例では、第１オリジナルデータをそのまま学習データとして、予測モデル（第１予測モデル）に与えて、配合比率及び加工条件の情報と物性データの値との関係を機械学習をさせた。

実施例、従来例で作られた予測モデル（第１予測モデル）に、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配合比率の情報と、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情報と、を与えて、予測対象加硫ゴム組成物の物性データ（損失正接、貯蔵弾性率、破断強度、破断伸び、ゴム硬度）の値を予測した。一方、予測対象加硫ゴム組成物を実際に作製して、予測対象加硫ゴム組成物の物性データを実際に計測して実測値を取得した。予測対象加硫ゴム組成物は、３種類（ゴム組成物Ａ～Ｃ）である。下記表では、実測値を１００として、予測モデル（第１予測モデル）による予測値を指数で示している。下記表における「平均値」は、ゴム組成物Ａ～Ｃの各物性データの指数の単純平均値である。

上記表より、実施例の「平均値」は、従来例の「平均値」に対して、１００に近づいていることがわかる。したがって、本実施形態の物性データ予測方法では、従来に比べて精度よく加硫ゴム組成物の物性データの値を予測することができる、といえる。

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 ＣＰＵ
１０４ メモリ
１０６ 判定部
１０８ 機械学習部
１１０ 予測部

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の値を、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、
   複数の原材料を用いて作製された複数の加硫ゴム組成物に関する物性データの値と、前記加硫ゴム組成物における前記原材料それぞれの配合比率の情報と、前記加硫ゴム組成物の加工条件の情報と、の組みを複数組備えた第１オリジナルデータ内に、前記加硫ゴム組成物に関する前記物性データの値の組み合わせが異常である組みが有るか否かの判定をするステップと、
   前記判定の結果に基づいて、前記複数組のうち前記物性データの値の組み合わせが異常と判定された組の、前記物性データの値と、前記加硫ゴム組成物における前記原材料それぞれの前記配合比率の情報と、前記加硫ゴム組成物の前記加工条件の情報を前記第１オリジナルデータから除去した修正オリジナルデータを作成し、作成した前記修正オリジナルデータ内の前記物性データの値を学習用出力データとし、前記修正オリジナルデータ内の前記加硫ゴム組成物における前記配合比率の情報と、前記加硫ゴム組成物の前記加工条件の情報と、を学習用入力データとした第１学習データを用いて、前記物性データと、前記配合比率及び前記加工条件との間の関係をコンピュータ内の第１予測モデルに機械学習をさせるステップと、
   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配合比率の情報と、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の情報と、を用いて、前記予測対象加硫ゴム組成物の物性データの値を前記第１予測モデルに予測させるステップと、を備える
   ことを特徴とする物性データ予測方法。
2. 前記判定をするとき、前記加硫ゴム組成物に関する前記物性データの値と、前記加硫ゴム組成物に関する前記物性データの値の組み合わせが異常であるか否かの情報と、の組みを複数組備えた第２オリジナルデータを用いて事前に機械学習した第２予測モデルを用いて前記判定を行う、請求項１に記載の物性データ予測方法。
3. 前記第２予測モデルは、前記第２オリジナルデータを用いて前記加硫ゴム組成物に関する前記物性データのツリー構造を構築したモデルであり、前記ツリー構造の末端にあるノードには、前記異常であるか否かの情報が付与され、
   前記判定をするとき、前記第１オリジナルデータの前記物性データの値の組み合わせが前記ツリー構造のどの末端にあるノードに分類されるかにより、前記物性データの値の組み合わせが異常であるか否かの判定をする、請求項２に記載の物性データ予測方法。
4. 前記ツリー構造の構築は、アイソレーションフォレスト法を用いて行われる、請求項３に記載の物性データ予測方法。
5. 前記第２予測モデルは、前記第２オリジナルデータを用いて前記加硫ゴム組成物に関する前記物性データの値を学習用入力データとし、前記物性データの値に対応した前記第２オリジナルデータの前記物性データの値の組み合わせが異常であるか否かの情報を学習用出力データとして、前記物性データの値の組み合わせと前記物性データの値の組み合わせが異常であるか否かの情報との間の関係を機械学習したモデルである、請求項２に記載の物性データ予測方法。
6. 前記第１オリジナルデータ及び前記第２オリジナルデータに含まれる前記物性データは、ムーニー粘度、ムーニースコーチ時間、１００％伸張時応力、３００％伸長時応力、破断強度、破断伸び、損失正接、及び貯蔵弾性率のうち少なくとも２つ以上を含む、請求項２～５のいずれか１項に記載の物性データ予測方法。
7. 前記第１オリジナルデータ及び前記第２オリジナルデータに含まれる前記物性データは、損失正接及び貯蔵弾性率を少なくとも含み、
   前記判定では、前記損失正接の値と前記貯蔵弾性率の値との組み合わせが異常であるか否かを少なくとも判定する、請求項２～６のいずれか１項に記載の物性データ予測方法。
8. 前記物性データは、破断強度及び破断伸びを少なくとも含み、
   前記判定では、前記破断強度の値と前記破断伸びの値との組み合わせが異常であるか否かを少なくとも判定する、請求項１～７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の値を予測する、コンピュータで構成された物性データ予測装置であって、
   複数の原材料を用いて作製された複数の加硫ゴム組成物に関する物性データの値と、前記加硫ゴム組成物における前記原材料それぞれの配合比率の情報と、前記加硫ゴム組成物の加工条件の情報と、の組みを複数組備えた第１オリジナルデータの前記加硫ゴム組成物に関する前記物性データの値の組み合わせが異常であるか否かの判定をする判定部と、
   前記判定の結果に基づいて、前記複数の組のうち、前記物性データの値の組み合わせが異常と判定された組の、前記物性データの値と、当該物性データの値に対応した前記加硫ゴム組成物における前記原材料それぞれの前記配合比率の情報と、当該物性データの値に対応した前記加硫ゴム組成物の前記加工条件の情報を、前記第１オリジナルデータから除去した修正オリジナルデータを作成し、さらに、作成した前記修正オリジナルデータ内の前記物性データの値を学習用出力データとし、前記修正オリジナルデータ内の前記加硫ゴム組成物における前記配合比率の情報と、前記加硫ゴム組成物の前記加工条件の情報と、を学習用入力データとした第１学習データを用いて、前記物性データと、前記配合比率及び前記加工条件との間の関係をコンピュータ内の第１予測モデルに第１機械学習をさせる機械学習部と、
   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配合比率の情報と、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の情報と、を用いて、前記予測対象加硫ゴム組成物の物性データの値を予測する前記第１予測モデルを備える予測部と、
   を備えることを特徴とする物性データ予測装置。

Images