JP7416155B1 - 樹脂組成物の物性予測装置及び方法 - Google Patents
樹脂組成物の物性予測装置及び方法 Download PDFInfo
- Publication number
- JP7416155B1 JP7416155B1 JP2022139907A JP2022139907A JP7416155B1 JP 7416155 B1 JP7416155 B1 JP 7416155B1 JP 2022139907 A JP2022139907 A JP 2022139907A JP 2022139907 A JP2022139907 A JP 2022139907A JP 7416155 B1 JP7416155 B1 JP 7416155B1
- Authority
- JP
- Japan
- Prior art keywords
- physical property
- data
- predicted
- flame retardant
- resin 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
- 230000000704 physical effect Effects 0.000 title claims abstract description 201
- 239000011342 resin composition Substances 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 100
- 239000003063 flame retardant Substances 0.000 claims abstract description 54
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 claims abstract description 52
- 239000000463 material Substances 0.000 claims abstract description 40
- 229920005601 base polymer Polymers 0.000 claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000002156 mixing Methods 0.000 claims description 30
- 238000013329 compounding Methods 0.000 claims description 27
- 239000003112 inhibitor Substances 0.000 claims description 26
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 25
- 239000010949 copper Substances 0.000 claims description 25
- 229910052802 copper Inorganic materials 0.000 claims description 25
- 239000003963 antioxidant agent Substances 0.000 claims description 24
- 238000004132 cross linking Methods 0.000 claims description 23
- 238000013075 data extraction Methods 0.000 claims description 23
- 239000000314 lubricant Substances 0.000 claims description 22
- 230000003078 antioxidant effect Effects 0.000 claims description 19
- 238000010894 electron beam technology Methods 0.000 claims description 14
- 239000012752 auxiliary agent Substances 0.000 claims description 8
- 229910052736 halogen Inorganic materials 0.000 claims description 6
- 150000002367 halogens Chemical class 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000010586 diagram Methods 0.000 abstract description 10
- 238000003860 storage Methods 0.000 description 14
- 239000000945 filler Substances 0.000 description 9
- 239000003086 colorant Substances 0.000 description 8
- 230000006866 deterioration Effects 0.000 description 7
- 239000000203 mixture Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 239000011248 coating agent Substances 0.000 description 3
- 238000000576 coating method Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 239000003431 cross linking reagent Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010382 chemical cross-linking Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 238000000547 structure data Methods 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
- 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
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/02—Details
- G01N3/06—Special adaptations of indicating or recording means
- G01N3/066—Special adaptations of indicating or recording means with electrical indicating or recording means
-
- 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
- G01N2203/0017—Tensile
-
- 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
-
- 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
- G01N2203/0218—Calculations based on experimental data
-
- 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
- G01N2203/06—Indicating or recording means; Sensing means
- G01N2203/067—Parameter measured for estimating the property
-
- 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
- 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
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Processes Of Treating Macromolecular Substances (AREA)
- Processing And Handling Of Plastics And Other Materials For Molding In General (AREA)
- Compositions Of Macromolecular Compounds (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】樹脂組成物の伸びや引張強度を精度よく予測可能な樹脂組成物の物性予測装置及び方法を提供する。【解決手段】ベースポリマ、難燃剤、難燃助剤、及びその他材料を用いて製造される樹脂組成物の物性を予測する物性予測装置１であって、説明変数データ６１と予測対象の物性の情報を含む物性データ１４との関係を機械学習し、説明変数データ６１と物性データ１４との相関性を表す回帰モデル７を作成する回帰モデル作成処理部２２と、回帰モデル７を用いて予測対象の物性を予測する物性予測処理部２３とを備え、物性予測処理部２３によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、説明変数データ６１は、ベースポリマ、難燃剤、及び難燃助剤の各配合量の情報を含む。【選択図】図１
Description
本発明は、樹脂組成物の物性予測装置及び方法に関する。
近年、機械学習の学習結果を利用して材料を設計する方法や装置が提案されている（例えば、特許文献１参照）。このような方法や装置を用いることで、例えば、原料の配合量等に応じた物性を予測することが可能になり、材料の開発期間を短縮し、開発コストを抑制することが可能になる。
ところで、電線の被覆材料として用いられる樹脂組成物を設計する際には、物性として伸びや引張強度を精度よく予測することが望まれる場合がある。電線の被覆材料として用いられる樹脂組成物には、ベースポリマに加えて、難燃剤、難燃助剤、酸化防止剤、銅害防止剤、滑剤、着色剤、架橋助剤等の多くの材料が使用されている。このような樹脂組成物においては、樹脂組成物の物性を予測する場合に、単純に全ての材料の配合量を用いても、物性の予測精度が十分に得られない場合があった。
そこで、本発明は、樹脂組成物の伸びや引張強度を精度よく予測可能な樹脂組成物の物性予測装置及び方法を提供することを目的とする。
本発明は、上記課題を解決することを目的として、ベースポリマ、難燃剤、難燃助剤、及びその他材料を用いて製造される樹脂組成物の物性を予測する物性予測装置であって、説明変数データと予測対象の物性の情報を含む物性データとの関係を機械学習し、前記説明変数データと前記物性データとの相関性を表す回帰モデルを作成する回帰モデル作成処理部と、前記回帰モデルを用いて予測対象の物性を予測する物性予測処理部と、を備え、前記物性予測処理部によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、前記説明変数データは、前記ベースポリマ、前記難燃剤、及び前記難燃助剤の各配合量の情報を含む、樹脂組成物の物性予測装置を提供する。
また、本発明は、上記課題を解決することを目的として、ベースポリマ、難燃剤、難燃助剤、及びその他材料を用いて製造される樹脂組成物の物性を予測する物性予測方法であって、説明変数データと予測対象の物性の情報を含む物性データとの関係を機械学習し、前記説明変数データと前記物性データとの相関性を表す回帰モデルを作成する回帰モデル作成処理工程と、前記回帰モデルを用いて予測対象の物性を予測する物性予測処理工程と、を備え、前記物性予測処理工程で予測する物性が予測対象の初期の伸びまたは引張強度である場合、前記説明変数データに、前記ベースポリマ、前記難燃剤、及び前記難燃助剤の各配合量の情報を含ませる、樹脂組成物の物性予測方法を提供する。
本発明によれば、樹脂組成物の伸びや引張強度を精度よく予測可能な樹脂組成物の物性予測装置及び方法を提供できる。
［実施の形態］
以下、本発明の実施の形態を添付図面にしたがって説明する。
以下、本発明の実施の形態を添付図面にしたがって説明する。
（樹脂組成物の物性予測装置１の概略構成）
図１は、本実施の形態に係る樹脂組成物の物性予測装置１（以下、単に物性予測装置１という）の概略構成図である。物性予測装置１は、ベースポリマ、難燃剤、難燃助剤、及びその他材料を用いて製造される樹脂組成物の物性を予測する装置である。
図１は、本実施の形態に係る樹脂組成物の物性予測装置１（以下、単に物性予測装置１という）の概略構成図である。物性予測装置１は、ベースポリマ、難燃剤、難燃助剤、及びその他材料を用いて製造される樹脂組成物の物性を予測する装置である。
ここでは、物性の予測対象となる樹脂組成物が、電線の被覆材料であり、電子線照射により架橋されるノンハロゲン系の樹脂組成物である場合について説明する。また、本実施の形態では、予測対象となる物性は、予測対象の樹脂組成物の初期の伸びまたは引張強度とする。なお、ここでいう「初期」とは、樹脂組成物に劣化が生じていない状態をいう。
図１に示すように、物性予測装置１は、制御部２と、記憶部３と、表示器４と、入力装置５と、を有している。本実施の形態では、物性予測装置１は、パーソナルコンピュータにより構成されている。
制御部２は、ＣＰＵ等の演算素子、メモリ、インターフェイス、ソフトウェア、記憶装置等を適宜組み合わせて実現されている。本実施の形態では、制御部２は、データ取得処理部２０、データ抽出処理部２１、回帰モデル作成処理部２２、物性予測処理部２３、及び予測物性提示処理部２４を有している。各部の詳細については後述する。
記憶部３は、メモリや記憶装置の所定の記憶領域により実現されている。表示器４は、例えば液晶ディスプレイ等であり、入力装置５は、例えばキーボードやマウス等である。なお、表示器４をタッチパネルで構成し、表示器４が入力装置５を兼ねる構成としてもよい。また、表示器４や入力装置５は、物性予測装置１と別体に構成され、無線通信等により物性予測装置１と相互に通信可能に構成されていてもよい。この場合、表示器４または入力装置５は、タブレットやスマートフォン等の携帯端末で構成されていてもよい。
（データベース６について）
次に、データベース６について説明する。データベース６は、機械学習に用いる情報を含む全体の情報を統合したデータベースである。図２は、データベース６の一例を示す図である。なお、図２はデータベース６の概念を示すものであり、実際の実験データ等を記載したものではない。図２に示すように、データベース６は、少なくとも、配合量データ１１と、照射量データ１３と、物性データ１４と、を含んでいる。図示例では、データベース６は、樹脂組成物を識別するためのＩＤデータ（ＩＤ）１２を含んでいる。なお、データベース６は、これら以外の情報を含んでもよく、例えば、樹脂組成物の製造条件を表すデータ（所謂、プロセスデータ）や、樹脂組成物の組織の状態を表すデータ（所謂、組織データ）等をさらに含んでいてもよい。
次に、データベース６について説明する。データベース６は、機械学習に用いる情報を含む全体の情報を統合したデータベースである。図２は、データベース６の一例を示す図である。なお、図２はデータベース６の概念を示すものであり、実際の実験データ等を記載したものではない。図２に示すように、データベース６は、少なくとも、配合量データ１１と、照射量データ１３と、物性データ１４と、を含んでいる。図示例では、データベース６は、樹脂組成物を識別するためのＩＤデータ（ＩＤ）１２を含んでいる。なお、データベース６は、これら以外の情報を含んでもよく、例えば、樹脂組成物の製造条件を表すデータ（所謂、プロセスデータ）や、樹脂組成物の組織の状態を表すデータ（所謂、組織データ）等をさらに含んでいてもよい。
配合量データ１１は、樹脂組成物を構成する各材料の配合量の情報を含む。より具体的には、配合量データ１１は、ベースポリマの配合量の情報を含むベースポリマ配合量データ１１ａ、フィラー（すなわち、難燃剤及び難燃助剤）の配合量の情報を含むフィラー配合量データ１１ｂ、及びその他材料の各配合量の情報を含むその他材料配合量データ１１ｃを含んでいる。本実施の形態では、その他材料は、酸化防止剤、銅害防止剤、滑剤、架橋助剤、着色剤を含んでいる。なお、その他材料として、架橋剤、安定剤等の他の材料を含んでいてもよい。
本実施の形態では、電子線照射による架橋を用いる樹脂組成物を物性の予測対象としているため、データベース６は、架橋の際の電子線の照射量の情報を含む照射量データ１３を有している。照射量データ１３は、製造条件を表すデータであり、所謂プロセスデータの一部であるといえる。なお、電子線照射による架橋を行わない樹脂組成物を対象とする場合、照射量データ１３は省略することができる。
本実施の形態では、予測対象の物性が伸びまたは引張強度であるため、物性データ１４は、少なくとも、予測対象となる樹脂組成物の伸びまたは引張強度を含んでいる。なお、物性データ１４として、初期の伸びと引張強度に加え、伸びや引張強度の特定環境下での劣化特性を含んでいてもよい。図示例では、劣化特性として、熱老化時の伸びと引張強度を示しているが、これに限らず、耐油性、耐燃料性、耐寒性など、さまざまな環境下での劣化特性を含んでもよい。
（データ取得処理部２０）
データ取得処理部２０は、外部から入力された各種データをデータベース６に登録し記憶部３に記憶するデータ取得処理（図６（ａ）参照）を行う。各種データの入力は、入力装置５により行われてもよいし、外部装置からの通信（有線通信あるいは無線通信、あるいはネットワークを介した通信等）により行われてもよいし、さらには、ＵＳＢメモリ等のメディアを介して行われてもよい。また、データ取得処理部２０は、外部装置にデータを要求する信号を送信するなど、積極的にデータの取得を行うよう構成されていてもよい。
データ取得処理部２０は、外部から入力された各種データをデータベース６に登録し記憶部３に記憶するデータ取得処理（図６（ａ）参照）を行う。各種データの入力は、入力装置５により行われてもよいし、外部装置からの通信（有線通信あるいは無線通信、あるいはネットワークを介した通信等）により行われてもよいし、さらには、ＵＳＢメモリ等のメディアを介して行われてもよい。また、データ取得処理部２０は、外部装置にデータを要求する信号を送信するなど、積極的にデータの取得を行うよう構成されていてもよい。
（データ抽出処理部２１）
データ抽出処理部２１は、予測対象の物性（物性予測処理部２３によって予測する物性）に応じて、種々のデータを含むデータベース６から、機械学習時に説明変数として用いる説明変数データ６１、及び機械学習時に目的変数として用いる目的変数データ６２を抽出して学習用データ６ａを生成するデータ抽出処理を行う（図３、図６（ｂ）参照）。
データ抽出処理部２１は、予測対象の物性（物性予測処理部２３によって予測する物性）に応じて、種々のデータを含むデータベース６から、機械学習時に説明変数として用いる説明変数データ６１、及び機械学習時に目的変数として用いる目的変数データ６２を抽出して学習用データ６ａを生成するデータ抽出処理を行う（図３、図６（ｂ）参照）。
データ抽出処理部２１は、物性予測処理部２３によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、説明変数データ６１が、少なくとも、ベースポリマ、難燃剤、難燃助剤の各配合量の情報（すなわち、ベースポリマ配合量データ１１ａ及びフィラー配合量データ１１ｂ）を含むようにデータ抽出を行う。そして、本実施の形態では、データ抽出処理部２１は、物性予測処理部２３によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、説明変数データ６１が、酸化防止剤、銅害防止剤、及び滑剤の各配合量の情報を含まないようにデータ抽出を行う。
これは、比較的配合量が多いベースポリマ、難燃剤、難燃助剤の配合量の情報を説明変数として用いることで、予測精度の向上が図れるためである。そして、酸化防止剤、銅害防止剤、及び滑剤は、配合量が少なく、かつ配合量の変動が少ないこともあり、初期の伸びまたは引張強度に与える影響が小さく、これらの配合量の情報を説明変数に含めてしまうと、機械学習の際のノイズとなり予測精度が低下してしまうおそれがある。そのため、物性予測処理部２３によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、酸化防止剤、銅害防止剤、及び滑剤の各配合量の情報を説明変数から省くことで、予測精度の向上を図ることが可能になる。
本実施の形態では、電子線照射により架橋されるノンハロゲン系の樹脂組成物を予測対象としているため、データ抽出処理部２１は、説明変数データ６１が、照射量データ１３を含むようにデータ抽出を行うよう構成されている。さらに、電子線照射により架橋されるノンハロゲン系の樹脂組成物では、その他材料として架橋助剤が含まれており、この架橋助剤が伸びや引張強度に影響を与える場合があるため、データ抽出処理部２１では、説明変数データ６１が、架橋助剤の配合量の情報を含むようにデータ抽出を行っている。
ただし、照射量データ１３や架橋助剤の配合量の情報を説明変数データ６１に含めることは必須ではない。例えば、電子線照射により架橋されるノンハロゲン系の樹脂組成物を予測対象とする場合であっても、電子線の照射量が常に一定である（あるいは照射量の変動がほとんどない）場合などは、照射量データ１３を説明変数データ６１から省いてよい。また、添加する架橋助剤の配合量が微量であったり、架橋助剤の配合量の変動が非常に小さかったりする場合等には、架橋助剤の配合量の情報も説明変数データ６１から省いてもよい。
電子線照射による架橋を行わない樹脂組成物が予測対象であれば、当然ながら、照射量データ１３や架橋助剤の配合量の情報は省略可能である。なお、例えば化学架橋により架橋を行う樹脂組成物が予測対象となる場合には、架橋剤の配合量の情報を説明変数データ６１に含めてもよく、必要に応じて他のデータ（プロセスデータや組織データ等）を説明変数データ６１に追加してもよい。
本実施の形態では、説明変数データ６１として、さらに着色剤の配合量の情報を含めるようにしたが、着色剤の配合量の情報については省略可能である。また、上述のように、電子線照射により架橋されるノンハロゲン系の樹脂組成物を予測対象とする場合であっても、架橋助剤の配合量を説明変数データ６１から省くことが可能である。つまり、説明変数データ６１は、少なくとも、ベースポリマ、難燃剤、難燃助剤の各配合量の情報（ベースポリマ配合量データ１１ａ及びフィラー配合量データ１１ｂ）を含んでいればよく、その他材料の配合量の情報（その他材料配合量データ１１ｃ）を含まなくてもよい。
図３に示すように、例えば、物性予測処理部２３によって予測する物性が予測対象の「初期の伸び」である場合、データ抽出処理部２１は、説明変数データ６１にベースポリマ配合量データ１１ａ、フィラー配合量データ１１ｂ、その他材料配合量データ１１ｃ中の架橋助剤と着色剤の配合量の情報、及び照射量データ１３を含ませ、その他材料配合量データ１１ｃ中の酸化防止剤、銅害防止剤、及び滑剤の配合量の情報を除外するようにデータ抽出を行う。そして、物性データ１４のうち予測対象となる初期の伸びのデータのみを目的変数データ６２として抽出する。
なお、データ抽出処理部２１は、予測対象の物性が初期の伸びまたは引張強度でないときには、酸化防止剤、銅害防止剤、及び滑剤のいずれかの配合量の情報を説明変数データ６１に含めてもよい。例えば、予測対象の物性が樹脂組成物の伸びまたは引張強度の特定環境下での劣化特性（劣化後の伸びや引張強度、あるいは初期に対する劣化後の伸びや引張強度の低下率など）である場合には、その他材料の影響が大きくなる場合がある。このような場合には、説明変数データ６１として、ベースポリマ、難燃剤、難燃助剤の配合量の情報に加え、酸化防止剤、銅害防止剤、及び滑剤のうち１つ以上の配合量の情報を含めてもよい。
（回帰モデル作成処理部２２）
回帰モデル作成処理部２２は、データ抽出処理部２１で抽出した学習用データ６ａ（説明変数データ６１及び目的変数データ６２）を用いて機械学習を行い、回帰モデル７を作成する回帰モデル作成処理（図７（ａ）参照）を行う。
回帰モデル作成処理部２２は、データ抽出処理部２１で抽出した学習用データ６ａ（説明変数データ６１及び目的変数データ６２）を用いて機械学習を行い、回帰モデル７を作成する回帰モデル作成処理（図７（ａ）参照）を行う。
図４（ａ）に示すように、回帰モデル作成処理部２２には、データ抽出処理部２１が抽出した説明変数データ６１及び目的変数データ６２（図３の右側に示した「学習用データ６ａ」と同じもの）が入力される。
回帰モデル作成処理部２２は、入力された説明変数データ６１の各パラメータに対する目的変数データ６２のパラメータの相関性を、機械学習により自ら学習するための学習アルゴリズム等のソフトウェアを含んでいる。学習アルゴリズムは特に限定されず、公知の学習アルゴリズムを用いることができ、例えば、３層以上の層をなすニューラルネットワークを用いた所謂ディープランニング等を用いることができる。回帰モデル作成処理部２２が学習するものは、説明変数データ６１と、目的変数データ６２との相関性を表すモデル構造に相当する。
回帰モデル作成処理部２２は、予測対象の物性が初期の伸びまたは引張強度である場合、説明変数データ６１として入力されたベースポリマ配合量データ１１ａ、フィラー配合量データ１１ｂ、その他材料配合量データ１１ｃ中の架橋助剤と着色剤の配合量の情報、及び照射量データ１３と、目的変数データ６２として入力された物性データ１４（初期の伸びまたは引張強度）との相関性を表す回帰モデル７を作成する。
より具体的には、回帰モデル作成処理部２２は、入力された学習用データ６ａを基に、説明変数データ６１と目的変数データ６２とを含むデータ集合に基づく学習を反復実行し、両者の相関性を自動的に解釈する。なお、学習の開始時には相関性は未知の状態であるが、学習を進めるに従って説明変数データ６１に対する目的変数データ６２の相関性を徐々に解釈し、その結果として得られた学習済みモデルである回帰モデル７を用いることで、説明変数データ６１に対する目的変数データ６２の相関性を解釈可能になる。
回帰モデル作成処理部２２は、作成した回帰モデル７を記憶部３に記憶する。本実施の形態では、回帰モデル作成処理部２２は、学習用データ６ａが更新される度に、回帰モデル７を更新する。ただし、これに限らず、例えば後述する物性予測処理を実行する際に、学習用データ６ａの更新分をまとめて学習し、回帰モデル７を更新するようにしてもよい。
（物性予測処理部２３）
物性予測処理部２３は、回帰モデル７により、予測元となる予測元データ８に応じた物性データ１４を予測する物性予測処理（図７（ｂ）参照）を行う。以下、予測元データ８として用いる配合量データ１１を予測元配合量データ１１ｄという。物性予測処理部２３は、予測した物性データ１４を予測データ９として記憶部３に記憶する。以下、予測した物性データ１４を予測物性データ１４ａという。
物性予測処理部２３は、回帰モデル７により、予測元となる予測元データ８に応じた物性データ１４を予測する物性予測処理（図７（ｂ）参照）を行う。以下、予測元データ８として用いる配合量データ１１を予測元配合量データ１１ｄという。物性予測処理部２３は、予測した物性データ１４を予測データ９として記憶部３に記憶する。以下、予測した物性データ１４を予測物性データ１４ａという。
図４（ｂ）に示すように、物性予測処理では、物性予測処理部２３に、回帰モデル７と、予測元データ８とが入力される。なお、図示していないが、本実施の形態では、予測元データ８として、予測元配合量データ１１ｄに加えて、照射量データ１３も用いる。物性予測処理部２３は、回帰モデル７を用いて、予測元データ８に対応した物性データ１４を求め、得られた物性データ１４（予測物性データ１４ａ）を予測データ９として記憶部３に記憶する。ここで得られた予測データ９は、予測元データ８の材料及び照射量で樹脂組成物を製造した場合に、予測される樹脂組成物の物性（例えば、初期の伸びまたは引張強度）を表している。
（予測物性提示処理部２４）
予測物性提示処理部２４は、予測データ９を提示する予測物性提示処理を行う。予測物性提示処理では、例えば、予測データ９を表示器４に表示する。なお、予測物性提示処理では、予測データ９以外のデータ、例えば、説明変数データ６１として用いた項目等もあわせて提示するように構成されていてもよい。
予測物性提示処理部２４は、予測データ９を提示する予測物性提示処理を行う。予測物性提示処理では、例えば、予測データ９を表示器４に表示する。なお、予測物性提示処理では、予測データ９以外のデータ、例えば、説明変数データ６１として用いた項目等もあわせて提示するように構成されていてもよい。
（樹脂組成物の物性予測方法）
（メインルーチン）
図５は、本実施の形態に係る樹脂組成物の物性予測方法のフロー図である。なお、図５において、実線で示す矢印は、制御の流れを表しており、破線で示す矢印は、信号やデータの入出力を表している。
（メインルーチン）
図５は、本実施の形態に係る樹脂組成物の物性予測方法のフロー図である。なお、図５において、実線で示す矢印は、制御の流れを表しており、破線で示す矢印は、信号やデータの入出力を表している。
図５に示すように、本実施の形態に係る樹脂組成物の物性予測方法では、まず、ステップＳ１にて、制御部２が、新たなデータが入力されたかを判定する。ステップＳ１でＮＯ（Ｎ）と判定された場合、ステップＳ５に進む。ステップＳ１でＹＥＳ（Ｙ）と判定された場合、ステップＳ２に進み、データ取得処理を行う。
ステップＳ２のデータ取得処理では、図６（ａ）に示すように、データ取得処理部２０が、各種データ（配合量データ１１、照射量データ１３、及び物性データ１４）を受信し（ステップＳ２１）、受信した各種データをデータベース６に登録し記憶部３に記憶する（ステップＳ２２）。その後、リターンする。
ステップＳ２のデータ取得処理を行った後、ステップＳ３にて、データ抽出処理を行う。ステップＳ３のデータ抽出処理では、図６（ｂ）に示すように、データ取得処理部２０が、予測対象の物性が初期の伸びまたは引張強度であるかを判定する（ステップＳ３１）。なお、予測対象の物性の指定は、例えば入力装置５により行われてもよい。ステップＳ３１でＹＥＳ（Ｙ）と判定された場合、ステップＳ３２にて、データ取得処理部２０が、データベース６から、説明変数データ６１として、ベースポリマ配合量データ１１ａ、フィラー配合量データ１１ｂ、その他材料配合量データ１１ｃ中の架橋助剤と着色剤の配合量、及び照射量データ１３を抽出する。このとき、その他材料配合量データ１１ｃ中の酸化防止剤、銅害防止剤、及び滑剤の配合量については除外される。その後、ステップＳ３４に進む。
ステップＳ３１でＮＯ（Ｎ）と判定された場合、ステップＳ３３にて、データ取得処理部２０が、データベース６から、予測対象の物性に応じて説明変数データ６１を抽出する。例えば、予測対象の物性が伸びや引張強度の劣化特性である場合、説明変数データ６１として、その他材料配合量データ１１ｃ中の酸化防止剤、銅害防止剤、及び滑剤の少なくとも１つの配合量を含むように抽出を行ってもよい。その後、ステップＳ３４に進む。ステップＳ３４では、データ取得処理部２０が、目的変数データ６２として、データベース６から、予測対象の物性データ１４を抽出する。図示していないが、抽出した説明変数データ６１と目的変数データ６２とを関連付けて学習用データ６ａを生成し、記憶部３に記憶してもよい。その後、リターンし、図５のステップＳ４に進む。
ステップＳ４では、回帰モデル作成処理を行う。回帰モデル作成処理では、図７（ａ）に示すように、まず、ステップＳ４１にて、回帰モデル作成処理部２２が、未学習の学習用データ６ａ（ステップＳ３で抽出された説明変数データ６１及び目的変数データ６２）を機械学習に用いて、回帰モデル７の更新を行う。なお、ステップＳ４１は、回帰モデル７が未作成である場合には、回帰モデル７が新たに作成される。その後、ステップＳ４２にて、更新（あるいは作成）した回帰モデル７を記憶部３に記憶し、リターンする。
樹脂組成物の物性予測を行う際には、入力装置５等により、予測元データ８を入力する（ステップＳ１０）。なお、予め予測元データ８となるデータ（配合量データ１１及び照射量データ１３）を樹脂組成物の物性予測装置１に入力しておき、入力装置５により予測元データ８として用いるデータを選択するよう構成してもよい。
ステップＳ５では、制御部２が、予測元データ８が入力されたかを判定する。ステップＳ５でＮＯと判定された場合、リターンする（ステップＳ１に戻る）。ステップＳ５でＹＥＳと判定された場合、ステップＳ６に進む。
ステップＳ６では、物性予測処理を行う。物性予測処理では、図７（ｂ）に示すように、まず、ステップＳ６１にて、物性予測処理部２３が、回帰モデル７により、予測元データ８に対応する物性データ１４（予測物性データ１４ａ）を予測し、予測データ９とする。その後、ステップＳ６２にて、得られた予測データ９を記憶部３に記憶する。その後、リターンし、図５のステップＳ７に進む。
ステップＳ７では、予測物性提示処理を行う。予測物性提示処理では、例えば、ステップＳ６で予測した予測データ９を、表示器４に表示する等して、予測データ９を提示する。その後、リターンする（ステップＳ１に戻る）。
（初期の伸びまたは引張強度の予測に好適な説明変数の検討）
初期の伸びまたは引張強度の予測に好適な説明変数について、検討を行った。検討では、図８（ａ）に示すように、１７種のベースポリマ、１７種のフィラー（難燃剤及び難燃助剤）、２種の酸化防止剤、１種の銅害防止剤、５種の滑剤、１種の着色剤、１種の架橋助剤、及び照射量のデータを含むデータを学習用データ６ａとして用い、交差検証法（Cross-validation）により、使用する説明変数データ６１を削減した際の回帰モデル７の予測精度の変化について検討した。検討に際しては、全データのうち７割を学習用データ６ａ、残りの３割をテストデータに分割し、分割された学習用データ６ａを用いて回帰モデル７を作成した後、作成した回帰モデル７でテストデータの評価を行い、平均絶対誤差率ＭＡＰＥを算出した。このようなデータの分割と回帰モデル７の作成、評価を３０回繰り返し、平均絶対誤差率（ＭＡＰＥ）の平均値を算出した。なお、平均絶対誤差率が小さいほど、予測精度の高い優れた回帰モデル７が作成できているといえる。予測対象の物性としては、初期の伸び及び引張強度とした。
初期の伸びまたは引張強度の予測に好適な説明変数について、検討を行った。検討では、図８（ａ）に示すように、１７種のベースポリマ、１７種のフィラー（難燃剤及び難燃助剤）、２種の酸化防止剤、１種の銅害防止剤、５種の滑剤、１種の着色剤、１種の架橋助剤、及び照射量のデータを含むデータを学習用データ６ａとして用い、交差検証法（Cross-validation）により、使用する説明変数データ６１を削減した際の回帰モデル７の予測精度の変化について検討した。検討に際しては、全データのうち７割を学習用データ６ａ、残りの３割をテストデータに分割し、分割された学習用データ６ａを用いて回帰モデル７を作成した後、作成した回帰モデル７でテストデータの評価を行い、平均絶対誤差率ＭＡＰＥを算出した。このようなデータの分割と回帰モデル７の作成、評価を３０回繰り返し、平均絶対誤差率（ＭＡＰＥ）の平均値を算出した。なお、平均絶対誤差率が小さいほど、予測精度の高い優れた回帰モデル７が作成できているといえる。予測対象の物性としては、初期の伸び及び引張強度とした。
全ての配合量の情報を説明変数データ６１として使用した実施例１、酸化防止剤、銅害防止剤、及び滑剤の一部（５種のうち３種）を説明変数データ６１から省いた実施例２、及び、酸化防止剤、銅害防止剤、及び滑剤の全てを説明変数データ６１から省いた実施例３について、それぞれ検討を行った。図８（ａ）では、実施例２で説明変数データ６１から除外するデータをデータセット１、実施例３で説明変数データ６１から除外するデータをデータセット２として示している。検討により得られた平均絶対誤差率の平均値を一括して図８（ｂ）に示す。
図８（ｂ）に示すように、実施例１，２と比較して、実施例３が最も平均絶対誤差率が小さくなっており、予測精度の高い回帰モデル７が得られていることが分かった。この結果から、予測対象の物性が初期の伸びまたは引張強度である場合には、説明変数データ６１から酸化防止剤及び銅害防止剤を省くことで予測精度を向上でき、説明変数データ６１から酸化防止剤、銅害防止剤、及び滑剤を省くことで予測精度をさらに向上できることが確認できた。
（実施の形態の作用及び効果）
以上説明したように、本実施の形態に係る物性予測装置１では、説明変数データ６１と物性データ１４との関係を機械学習し、説明変数データ６１と物性データ１４との相関性を表す回帰モデル７を作成する回帰モデル作成処理部２２と、回帰モデル７を用いて予測対象の物性を予測する物性予測処理部２３と、を備え、物性予測処理部２３によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、説明変数データ６１は、ベースポリマ、難燃剤、及び難燃助剤の各配合量の情報を含んでいる。
以上説明したように、本実施の形態に係る物性予測装置１では、説明変数データ６１と物性データ１４との関係を機械学習し、説明変数データ６１と物性データ１４との相関性を表す回帰モデル７を作成する回帰モデル作成処理部２２と、回帰モデル７を用いて予測対象の物性を予測する物性予測処理部２３と、を備え、物性予測処理部２３によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、説明変数データ６１は、ベースポリマ、難燃剤、及び難燃助剤の各配合量の情報を含んでいる。
比較的配合量が多いベースポリマ、難燃剤、難燃助剤の配合量の情報を説明変数として用いることで、予測精度の向上が図れる。さらに、説明変数データ６１から、酸化防止剤、銅害防止剤、及び滑剤の各配合量の情報を除外することで、初期の伸びまたは引張強度をより高精度に予測することが可能になる。
（実施の形態のまとめ）
次に、以上説明した実施の形態から把握される技術思想について、実施の形態における符号等を援用して記載する。ただし、以下の記載における各符号等は、特許請求の範囲における構成要素を実施の形態に具体的に示した部材等に限定するものではない。
次に、以上説明した実施の形態から把握される技術思想について、実施の形態における符号等を援用して記載する。ただし、以下の記載における各符号等は、特許請求の範囲における構成要素を実施の形態に具体的に示した部材等に限定するものではない。
［１］ベースポリマ、難燃剤、難燃助剤、及びその他材料を用いて製造される樹脂組成物の物性を予測する物性予測装置（１）であって、説明変数データ（６１）と予測対象の物性の情報を含む物性データ（１４）との関係を機械学習し、前記説明変数データ（６１）と前記物性データ（１４）との相関性を表す回帰モデル（７）を作成する回帰モデル作成処理部（２２）と、前記回帰モデル（７）を用いて予測対象の物性を予測する物性予測処理部（２３）と、を備え、前記物性予測処理部（２３）によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、前記説明変数データ（６１）は、前記ベースポリマ、前記難燃剤、及び前記難燃助剤の各配合量の情報を含む、樹脂組成物の物性予測装置（１）。
［２］前記その他材料が、酸化防止剤、銅害防止剤のうち１つ以上を含み、前記物性予測処理部（２３）によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、前記説明変数データ（６１）は、前記酸化防止剤及び前記銅害防止剤の各配合量の情報を含まない、［１］に記載の樹脂組成物の物性予測装置（１）。
［３］前記その他材料が、酸化防止剤、銅害防止剤、滑剤のうち１つ以上を含み、前記物性予測処理部（２３）によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、前記説明変数データ（６１）は、前記酸化防止剤、前記銅害防止剤、及び前記滑剤の各配合量の情報を含まない、［１］に記載の樹脂組成物の物性予測装置（１）。
［４］少なくとも前記ベースポリマ、前記難燃剤、前記難燃助剤、及び前記その他材料の各配合量の情報を含む配合量データ（１１）、及び、少なくとも予測対象の物性の情報を含む物性データ（１４）を含むデータベースと、前記物性予測処理部（２３）によって予測する物性に応じて、前記データベース（６）から前記説明変数データ（６１）を抽出するデータ抽出処理部（２１）と、を備え、前記データ抽出処理部（２１）は、前記物性予測処理部（２３）によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、前記説明変数データが、少なくとも、前記ベースポリマ、前記難燃剤、及び前記難燃助剤の各配合量の情報を含み、かつ、前記酸化防止剤、前記銅害防止剤、及び前記滑剤の情報を含まないようにデータ抽出を行う、［３］に記載の樹脂組成物の物性予測装置（１）。
［５］予測対象の前記樹脂組成物が、電子線照射により架橋されるノンハロゲン系の樹脂組成物であり、前記説明変数データは、架橋の際の電子線の照射量の情報を含む、［１］に記載の樹脂組成物の物性予測装置（１）。
［６］前記その他材料が、架橋助剤を含み、前記物性予測処理部（２３）によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、前記説明変数データ（６１）は、前記架橋助剤の各配合量の情報を含む、［５］に記載の樹脂組成物の物性予測装置（１）。
［７］ベースポリマ、難燃剤、難燃助剤、及びその他材料を用いて製造される樹脂組成物の物性を予測する物性予測方法であって、説明変数データ（６１）と予測対象の物性の情報を含む物性データ（１４）との関係を機械学習し、前記説明変数データ（６１）と前記物性データ（１４）との相関性を表す回帰モデル（７）を作成する回帰モデル作成処理工程と、前記回帰モデル（７）を用いて予測対象の物性を予測する物性予測処理工程と、を備え、前記物性予測処理工程で予測する物性が予測対象の初期の伸びまたは引張強度である場合、前記説明変数データ（６１）に、前記ベースポリマ、前記難燃剤、及び前記難燃助剤の各配合量の情報を含ませる、樹脂組成物の物性予測方法。
（付記）
以上、本発明の実施の形態を説明したが、上記に記載した実施の形態は特許請求の範囲に係る発明を限定するものではない。また、実施の形態の中で説明した特徴の組合せの全てが発明の課題を解決するための手段に必須であるとは限らない点に留意すべきである。また、本発明は、その趣旨を逸脱しない範囲で適宜変形して実施することが可能である。
以上、本発明の実施の形態を説明したが、上記に記載した実施の形態は特許請求の範囲に係る発明を限定するものではない。また、実施の形態の中で説明した特徴の組合せの全てが発明の課題を解決するための手段に必須であるとは限らない点に留意すべきである。また、本発明は、その趣旨を逸脱しない範囲で適宜変形して実施することが可能である。
１…樹脂組成物の物性予測装置（物性予測装置）
２…制御部
３…記憶部
６…データベース
６ａ…学習用データ
７…回帰モデル
８…予測元データ
９…予測データ
１１…配合量データ
１１ａ…ベースポリマ配合量データ
１１ｂ…フィラー配合量データ
１１ｃ…その他材料配合量データ
１４…物性データ
２０…データ取得処理部
２１…データ抽出処理部
２２…回帰モデル作成処理部
２３…物性予測処理部
２４…予測物性提示処理部
６１…説明変数データ
６２…目的変数データ
２…制御部
３…記憶部
６…データベース
６ａ…学習用データ
７…回帰モデル
８…予測元データ
９…予測データ
１１…配合量データ
１１ａ…ベースポリマ配合量データ
１１ｂ…フィラー配合量データ
１１ｃ…その他材料配合量データ
１４…物性データ
２０…データ取得処理部
２１…データ抽出処理部
２２…回帰モデル作成処理部
２３…物性予測処理部
２４…予測物性提示処理部
６１…説明変数データ
６２…目的変数データ
Claims (7)
- ベースポリマ、難燃剤、難燃助剤、及びその他材料を用いて製造される樹脂組成物の物性を予測する物性予測装置であって、
説明変数データと予測対象の物性の情報を含む物性データとの関係を機械学習し、前記説明変数データと前記物性データとの相関性を表す回帰モデルを作成する回帰モデル作成処理部と、
前記回帰モデルを用いて予測対象の物性を予測する物性予測処理部と、を備え、
前記物性予測処理部によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、前記説明変数データは、前記ベースポリマ、前記難燃剤、及び前記難燃助剤の各配合量の情報を含む、
樹脂組成物の物性予測装置。 - 前記その他材料が、酸化防止剤、銅害防止剤のうち１つ以上を含み、
前記物性予測処理部によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、前記説明変数データは、前記酸化防止剤及び前記銅害防止剤の各配合量の情報を含まない、
請求項１に記載の樹脂組成物の物性予測装置。 - 前記その他材料が、酸化防止剤、銅害防止剤、滑剤のうち１つ以上を含み、
前記物性予測処理部によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、前記説明変数データは、前記酸化防止剤、前記銅害防止剤、及び前記滑剤の各配合量の情報を含まない、
請求項１に記載の樹脂組成物の物性予測装置。 - 少なくとも前記ベースポリマ、前記難燃剤、前記難燃助剤、及び前記その他材料の各配合量の情報を含む配合量データ、及び、少なくとも予測対象の物性の情報を含む物性データを含むデータベースと、
前記物性予測処理部によって予測する物性に応じて、前記データベースから前記説明変数データを抽出するデータ抽出処理部と、を備え、
前記データ抽出処理部は、前記物性予測処理部によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、前記説明変数データが、少なくとも、前記ベースポリマ、前記難燃剤、及び前記難燃助剤の各配合量の情報を含み、かつ、前記酸化防止剤、前記銅害防止剤、及び前記滑剤の情報を含まないようにデータ抽出を行う、
請求項３に記載の樹脂組成物の物性予測装置。 - 予測対象の前記樹脂組成物が、電子線照射により架橋されるノンハロゲン系の樹脂組成物であり、
前記説明変数データは、架橋の際の電子線の照射量の情報を含む、
請求項１に記載の樹脂組成物の物性予測装置。 - 前記その他材料が、架橋助剤を含み、
前記物性予測処理部によって予測する物性が予測対象の初期の伸びまたは引張強度である場合、前記説明変数データは、前記架橋助剤の各配合量の情報を含む、
請求項５に記載の樹脂組成物の物性予測装置。 - ベースポリマ、難燃剤、難燃助剤、及びその他材料を用いて製造される樹脂組成物の物性を予測する物性予測方法であって、
説明変数データと予測対象の物性の情報を含む物性データとの関係を機械学習し、前記説明変数データと前記物性データとの相関性を表す回帰モデルを作成する回帰モデル作成処理工程と、
前記回帰モデルを用いて予測対象の物性を予測する物性予測処理工程と、を備え、
前記物性予測処理工程で予測する物性が予測対象の初期の伸びまたは引張強度である場合、前記説明変数データに、前記ベースポリマ、前記難燃剤、及び前記難燃助剤の各配合量の情報を含ませる、
樹脂組成物の物性予測方法。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022139907A JP7416155B1 (ja) | 2022-09-02 | 2022-09-02 | 樹脂組成物の物性予測装置及び方法 |
| US18/239,426 US20240077393A1 (en) | 2022-09-02 | 2023-08-29 | Resin composition physical property estimation device and resin composition physical property estimation method |
| CN202311111625.0A CN117649893A (zh) | 2022-09-02 | 2023-08-30 | 树脂组合物的物性预测装置及方法 |
| JP2023215340A JP2024035839A (ja) | 2022-09-02 | 2023-12-21 | 複合材料の物性予測装置及び方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022139907A JP7416155B1 (ja) | 2022-09-02 | 2022-09-02 | 樹脂組成物の物性予測装置及び方法 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023215340A Division JP2024035839A (ja) | 2022-09-02 | 2023-12-21 | 複合材料の物性予測装置及び方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP7416155B1 true JP7416155B1 (ja) | 2024-01-17 |
| JP2024035451A JP2024035451A (ja) | 2024-03-14 |
Family
ID=89534266
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022139907A Active JP7416155B1 (ja) | 2022-09-02 | 2022-09-02 | 樹脂組成物の物性予測装置及び方法 |
| JP2023215340A Pending JP2024035839A (ja) | 2022-09-02 | 2023-12-21 | 複合材料の物性予測装置及び方法 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023215340A Pending JP2024035839A (ja) | 2022-09-02 | 2023-12-21 | 複合材料の物性予測装置及び方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20240077393A1 (ja) |
| JP (2) | JP7416155B1 (ja) |
| CN (1) | CN117649893A (ja) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021015134A1 (ja) | 2019-07-23 | 2021-01-28 | 昭和電工株式会社 | 材料設計システム、材料設計方法、及び材料設計プログラム |
| WO2021079985A1 (ja) | 2019-10-25 | 2021-04-29 | コニカミノルタ株式会社 | 特性予測装置 |
-
2022
- 2022-09-02 JP JP2022139907A patent/JP7416155B1/ja active Active
-
2023
- 2023-08-29 US US18/239,426 patent/US20240077393A1/en active Pending
- 2023-08-30 CN CN202311111625.0A patent/CN117649893A/zh active Pending
- 2023-12-21 JP JP2023215340A patent/JP2024035839A/ja active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021015134A1 (ja) | 2019-07-23 | 2021-01-28 | 昭和電工株式会社 | 材料設計システム、材料設計方法、及び材料設計プログラム |
| WO2021079985A1 (ja) | 2019-10-25 | 2021-04-29 | コニカミノルタ株式会社 | 特性予測装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117649893A (zh) | 2024-03-05 |
| US20240077393A1 (en) | 2024-03-07 |
| JP2024035839A (ja) | 2024-03-14 |
| JP2024035451A (ja) | 2024-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zuber et al. | Selecting likely causal risk factors from high-throughput experiments using multivariable Mendelian randomization | |
| Kaya et al. | Process capability analyses with fuzzy parameters | |
| Perkel et al. | Interpretation of dielectric loss data on service aged polyethylene based power cable systems using VLF test methods | |
| Kaya et al. | Fuzzy process capability analyses with fuzzy normal distribution | |
| Titman | Transition probability estimates for non-Markov multi-state models | |
| Schlüter et al. | Direct access to the optimal regularization parameter in distribution of relaxation times analysis | |
| EP4027260A1 (en) | Material design device, material design method, and material design program | |
| Lee | Using fuzzy-set qualitative comparative analysis | |
| Milani et al. | A closed form solution for the vulcanization prediction of NR cured with sulphur and different accelerators | |
| 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 | |
| CN114757660B (zh) | 一种基于应用分析的冷轧钢带制备方法及系统 | |
| Sasaki et al. | A dyadic perspective of expressive suppression: Own or partner suppression weakens relationships. | |
| JP7416155B1 (ja) | 樹脂組成物の物性予測装置及び方法 | |
| Medina et al. | A fuzzy inference-based approach for estimating power transformers risk index | |
| Sampson et al. | Controlling the local false discovery rate in the adaptive Lasso | |
| Xia et al. | Transformed contribution ratio test for the number of factors in static approximate factor models | |
| Hermann et al. | Bayesian prediction of crack growth based on a hierarchical diffusion model | |
| Pattnaik et al. | Optimization of multiple responses in the lost wax process using Taguchi method and grey relational analysis | |
| JP2024035450A (ja) | 樹脂組成物の物性予測方法及び装置 | |
| Wong et al. | Forward selection two sample binomial test | |
| Chauvel et al. | Survival model construction guided by fit and predictive strength | |
| CN110929999B (zh) | 一种考虑不同设备耐受特性的电压暂降严重程度计算方法 | |
| Cirillo et al. | Effect of outliers on the GFI quality adjustment index in structural equation model and proposal of alternative indices | |
| JP7352079B2 (ja) | 物性データ予測方法及び物性データ予測装置 | |
| JP2024035452A (ja) | 樹脂組成物の耐久物性予測方法及び装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231023 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20231023 |
|
| 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: 20231205 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231218 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7416155 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |