JP7426531B1 - リサイクル高分子複合材料 - Google Patents

Abstract

【課題】所望の物性を有する高分子複合材料を提供する。【解決手段】本発明に係る組成提案システムは、第１の学習済みモデルＭ５－１に、第１の取得部１０１により取得されたリサイクル高分子材料の物性値を入力することで予測された、リサイクル高分子材料の記述子を含むパラメータを出力する予測部１０３と、仮想のリサイクル高分子複合材料の物性の目標値を設定する設定部１０７と、仮想のリサイクル高分子複合材料の物性値が、目標値に近づくように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを変更する最適化部１１２とを有し、最適化部１１２は、仮想のリサイクル高分子複合材料の物性値が予測される毎に、仮想のリサイクル高分子複合材料の記述子を含むパラメータを変更することで、仮想のリサイクル高分子複合材料に含まれる、リサイクル高分子材料とそれ以外の成分との質量比率を最適化する。【選択図】図３

Description

本発明は、組成提案システム、リサイクル高分子複合材料の製造方法及びリサイクル高分子複合材料に関する。

複数の高分子材料を含む組成物から形成される高分子複合材料は、自動車部品、家電製品、食品・医療容器、建材・土木産業材等の材料として広く使用されている。高分子複合材料として、例えば、プロピレン系重合体を含むプロピレン系樹脂組成物が用いられる。

プロピレン系樹脂組成物として、例えば、プロピレン単独重合体、プロピレンとプロピレン以外の単量体とのランダム共重合体、又はヘテロファジックプロピレン重合材料を含むプロピレン系重合体と、エチレン－α－オレフィン共重合体とを含むプロピレン樹脂組成物が開示されている（例えば、特許文献１参照）。

特開２０１８－１７８１０７号公報

ここで、高分子複合材料を製造する際、高分子複合材料の用途等に応じて、高分子複合材料等の任意の特性を満たすように、高分子複合材料の製造に用いる高分子の種類及び高分子複合材料の組成等を決める必要がある。高分子の種類及び高分子複合材料の組成等の決定には、実際に、実験で、種々の高分子を含む組成物を用いて高分子複合材料を製造してその物性を測定したり、最適な物性を有する高分子複合材料の組成を探したりする必要があるため、非常に多くの労力を要すると共に、原料や装置の準備が必要であった。

そのため、高分子複合材料の製造等の際に生じるエネルギー効率の向上を図る観点から、高分子複合材料の組成や構造等のパラメータから効率的に高分子複合材料の物性を提案できる方法が求められている。

特に、高分子複合材料の製造に、バージン高分子とリサイクルされた高分子（リサイクル高分子）を用いる場合、リサイクル高分子は、組成が一定でない場合が多いため、組成及びゴム量等の特性を正確に分析するのに手間がかかる。そのため、所望の物性を有する高分子複合材料を得るために、バージン高分子とリサイクル高分子をどの程度配合等すべきか特定するのは困難であった。

本発明の一態様は、所望の物性を有する高分子複合材料を提供することを目的とする。

本発明の一態様は、
リサイクル高分子材料を含むリサイクル高分子複合材料が所望の物性値を１つ以上満たすように、前記リサイクル高分子複合材料に含まれる構成成分の組成を提案する組成提案システムであって、
前記リサイクル高分子材料の物性値を取得する取得部と、
バージン高分子材料を含むバージン高分子複合材料の物性値と前記バージン高分子複合材料の記述子を含むパラメータとが対応付けられた第１の学習用データセットを用いて学習された第１の学習済みモデルに、前記取得部により取得された前記リサイクル高分子材料の物性値を入力することで、前記第１の学習済みモデルにより予測された、前記リサイクル高分子材料の記述子を含むパラメータを出力する予測部と、
仮想のリサイクル高分子複合材料の物性の目標値を設定する設定部と、
リサイクル高分子複合材料の記述子を含むパラメータと前記リサイクル高分子複合材料の物性値とが対応付けられた第２の学習用データセットを用いて学習された第２の学習済みモデルに、前記仮想のリサイクル高分子複合材料の記述子を含むパラメータを入力することで予測される、前記仮想のリサイクル高分子複合材料の物性値が、前記目標値に近づくように、前記仮想のリサイクル高分子複合材料の記述子を含むパラメータを変更する最適化部と、
を有し、
前記最適化部は、前記仮想のリサイクル高分子複合材料の物性値が予測される毎に、前記仮想のリサイクル高分子複合材料の記述子を含むパラメータを変更することで、前記仮想のリサイクル高分子複合材料に前記構成成分として含まれる、前記リサイクル高分子材料と前記リサイクル高分子材料以外の成分との質量比率を最適化する組成提案システムである。

本発明の他の態様は、
リサイクル高分子材料と前記リサイクル高分子材料以外の成分を構成成分として含み、
リサイクル高分子複合材料中のタルク量をＷｔとし、リサイクル高分子複合材料中のガラス繊維量をＷｇとし、リサイクル高分子複合材料中のゴム量をＷｒとした時、下記（I）～（IV）のパラメータを満たすリサイクル高分子複合材料である。
（I）：リサイクル高分子複合材料の密度が、１．０８ｇ／ｃｍ^３～１．１６ｇ／ｃｍ^３である。
（II）：リサイクル高分子複合材料の弾性率が、１２８×Ｗｔ＋２１３×Ｗｇ－１０２×Ｗｒ＋１０８１＞５０００ＭＰａである。
（III）：リサイクル高分子複合材料の曲げ強度が、－０．３７５×Ｗｔ＋１．５２×Ｗｇ－３．３０×Ｗｒ＋１０６＞８０ＭＰａである。
（IV）：リサイクル高分子複合材料の衝撃が、－０．１０２×Ｗｔ＋０．１４９×Ｗｇ＋０．１８０×Ｗｒ＋４．４９＞６である。

本発明の他の態様は、
リサイクル高分子材料と前記リサイクル高分子材料以外の成分を構成成分として含み、
リサイクル高分子複合材料中のタルク量をＷｔとし、リサイクル高分子複合材料中のガラス繊維量をＷｇとし、リサイクル高分子複合材料中のゴム量をＷｒとした時、下記（I）～（IV）のパラメータを満たすリサイクル高分子複合材料。
（I）：リサイクル高分子複合材料の密度が、１．２０ｇ／ｃｍ^３～１．２５ｇ／ｃｍ^３である。
（II）：リサイクル高分子複合材料の弾性率が、１２８×Ｗｔ＋２１３×Ｗｇ－１０２×Ｗｒ＋１０８１＞７５００ＭＰａである。
（III）：リサイクル高分子複合材料の曲げ強度が、－０．３７５×Ｗｔ＋１．５２×Ｗｇ－３．３０×Ｗｒ＋１０６＞１１５ＭＰａである。
（IV）：リサイクル高分子複合材料の衝撃が、－０．１０２×Ｗｔ＋０．１４９×Ｗｇ＋０．１８０×Ｗｒ＋４．４９＞９．０である。

本発明の他の態様は、
リサイクル高分子材料と前記リサイクル高分子材料以外の成分を構成成分として含み、
リサイクル高分子複合材料中のタルク量をＷｔとし、リサイクル高分子複合材料中のガラス繊維量をＷｇとし、リサイクル高分子複合材料中のゴム量をＷｒとした時、下記（I）～（IV）のパラメータを満たすリサイクル高分子複合材料。
（I）：リサイクル高分子複合材料の密度が、１．３０ｇ／ｃｍ^３～１．３５ｇ／ｃｍ^３である。
（II）：リサイクル高分子複合材料の弾性率が、１２８×Ｗｔ＋２１３×Ｗｇ－１０２×Ｗｒ＋１０８１＞１０，０００ＭＰａである。
（III）：リサイクル高分子複合材料の曲げ強度が、－０．３７５×Ｗｔ＋１．５２×Ｗｇ－３．３０×Ｗｒ＋１０６＞１４０ＭＰａである。
（IV）：リサイクル高分子複合材料の衝撃が、－０．１０２×Ｗｔ＋０．１４９×Ｗｇ＋０．１８０×Ｗｒ＋４．４９＞１１．０である。

本発明の一態様は、所望の物性を有する高分子複合材料を提供できる。

第１の学習装置及び第１の予測装置の概略構成を示すブロック図である。 第２の学習装置及び第２の予測装置の概略構成を示すブロック図である。 本発明の実施形態に係る組成提案システムの構成を示すブロック図である。 第１の学習装置、第２の学習装置、第１の予測装置、第２の予測装置及び組成提案システムのハードウェア構成を示すブロック図である。 第１の学習方法を説明するフローチャートである。 第１の予測方法を説明するフローチャートである。 第２の学習方法を説明するフローチャートである。 第２の予測方法を説明するフローチャートである。 本発明の実施形態に係る組成提案方法を説明するフローチャートである。 本発明の実施形態に係るリサイクル高分子複合材料の製造方法を説明するフローチャートである。 タルク量の実測値と予測値との関係を示す図である。 ゴム量の実測値と予測値との関係を示す図である。 曲げ弾性率の実測値と予測値との関係を示す図である。 曲げ強度の実測値と予測値との関係を示す図である。 常温シャルピー衝撃強度の実測値と予測値との関係を示す図である。 常温シャルピー衝撃強度の予測値と、曲げ弾性率ＦＭの予測値との関係を示す図である。 密度と実際の曲げ弾性率との関係を示す図である。 密度と実際の曲げ強度との関係を示す図である。 密度と実際の常温シャルピー衝撃強度と密度との関係を示す図である。

以下、本発明の実施形態について、詳細に説明する。なお、説明の理解を容易にするため、各図面において同一の構成要素に対しては同一の符号を付して、重複する説明は省略する。また、本実施形態において数値範囲を示す「～」は、別段の断わりがない限り、その前後に記載された数値を下限値及び上限値として含むことを意味する。

本実施形態に係る組成提案システムについて説明する。本実施形態に係る組成提案システムは、リサイクルされた高分子材料（リサイクル高分子材料）を含むリサイクル高分子複合材料が所望の物性値を１つ以上満たすように、リサイクル高分子複合材料に含まれる、リサイクル高分子材料等の構成成分の組成等を提案する。

高分子複合材料に含まれる高分子材料は、バージン高分子材料の他に、リサイクル高分子材料を用いて形成される場合がある。リサイクル高分子材料は、バージン高分子材料と異なり、その組成がリサイクルされる原料、製造条件、製造元等によって異なる場合がある。リサイクル高分子材料を用いる場合、所望の物性を有するリサイクル高分子複合材料を製造するために、入手されるリサイクル高分子材料ごとにその組成等を考慮して、リサイクル高分子複合材料の組成を決定する必要がある。

本実施形態に係る組成提案システムは、最初に、リサイクル高分子材料の物性値から、その記述子を含むパラメータを予測する。次に、本実施形態に係る組成提案システムは、予測したパラメータの特性を有するリサイクル高分子材料を含むリサイクル高分子複合材料の物性値を予測し、その物性値の予測結果に基づいて、リサイクル高分子複合材料のパラメータを最適化する。これにより、本実施形態に係る組成提案システムは、所望の物性値を有するリサイクル高分子複合材料に含まれる構成成分（例えば、リサイクル高分子材料等）の組成等の最適な記述子を提案できる。

なお、本実施形態において、高分子複合材料は、高分子材料と充填材とを構成成分として含む複合材料（組成物）である。高分子複合材料は、バージン高分子複合材料でもよいし、リサイクル高分子複合材料でもよいし、バージン高分子複合材料とリサイクル高分子複合材料の両方を含んでもよい。

本明細書において、バージン高分子材料、リサイクル高分子材料、バージン高分子複合材料及びリサイクル高分子複合材料は、以下の通り、定義する。

「バージン高分子材料」とは、新品の原料のみを用いて製造された高分子（バージン高分子）を含む材料であり、バージン高分子のみから構成されてもよい。

「リサイクル高分子材料」とは、リサイクルされた原料を含んで製造された高分子（リサイクル高分子）を含む材料であり、リサイクル高分子と他の成分を含んでもよいし、リサイクル高分子のみから構成されてもよい。リサイクル高分子材料は、リサイクルされた原料のみで製造された高分子材料でもよいし、新品の原料とリサイクルされた原料を含んで製造された高分子材料でもよい。リサイクル高分子材料は、リサイクルされる高分子の種類によって、バージン高分子と同一の高分子の他に、その高分子以外の成分（例えば、ポリオレフィンエラストマー及び充填材）を含む混合物である場合がある。例えば、リサイクル高分子材料がプロピレンである時、リサイクル高分子材料は、プロピレンと、プロピレン以外の成分（例えば、ポリオレフィンエラストマー及び充填材）を含む混合物を構成する場合がある。

「バージン高分子複合材料」とは、高分子材料として新品のバージン高分子材料を含み、リサイクル高分子材料を含まないバージン複合材料をいう。バージン高分子複合材料は、バージン高分子材料と充填材とを構成成分として含む混合物（組成物）であり、バージン高分子材料と繊維状充填材とを構成成分として含むバージン繊維強化複合材料であってよい。

「リサイクル高分子複合材料」とは、高分子材料としてリサイクル高分子材料を含み、リサイクル高分子材料と、リサイクルに由来しない充填材とを、構成成分として含む混合物であり、リサイクル高分子材料と、リサイクルに由来しない繊維状充填材とを、構成成分として含むリサイクル繊維強化複合材料であってよい。リサイクル高分子複合材料は、高分子材料がリサイクル高分子材料のみで製造された場合と、高分子材料がバージン高分子材料とリサイクル高分子材料を含んで製造された場合を含む。

ここで、本実施形態に係る組成提案システムを説明するに当たり、高分子複合材料について説明する。

＜高分子複合材料＞
高分子複合材料は、高分子材料と充填材とを構成成分として含む混合物（組成物）であり、高分子材料と繊維状充填材とを構成成分として含む繊維強化複合材料であってよい。高分子複合材料は、その用途等に応じて所定の形状に成形された成形物でもよい。本実施形態では、高分子材料が、プロピレン系重合体を含むプロピレン系樹脂組成物である場合について説明する。なお、高分子材料は、プロピレン系樹脂組成物に限定されず、プロピレン以外の高分子を含む組成物でもよい。

［プロピレン系樹脂組成物］
高分子材料であるプロピレン系樹脂組成物は、少なくとも１つのプロピレン系重合体（Ａ）を含む。

（プロピレン系重合体（Ａ））
プロピレン系重合体（Ａ）は、プロピレンに由来する単量体単位を有する重合体である。プロピレン系重合体（Ａ）としては、例えば、プロピレン単独重合体、プロピレンとプロピレン以外の単量体とのランダム共重合体、及びヘテロファジックプロピレン重合材料等が挙げられる。プロピレン系樹脂組成物は、プロピレン系重合体（Ａ）を１種のみ含有してもよく、２種以上含有してもよい。プロピレン系重合体（Ａ）は、プロピレン系樹脂組成物の成形体の剛性と耐衝撃性との観点から、プロピレン単独重合体及びヘテロファジックプロピレン重合材料からなる群より選ばれる少なくとも一種を含むことが好ましい。

（（プロピレン単独重合体））
プロピレン系重合体（Ａ）がプロピレン単独重合体を含む場合、当該プロピレン単独重合体の極限粘度数（η）は、プロピレン系樹脂組成物の溶融時の流動性と、プロピレン系組成物の成形体の靭性との観点から、０．１０ｄＬ／ｇ～２．００ｄＬ／ｇであることが好ましい。

なお、本実施形態において、極限粘度数（単位：ｄＬ／ｇ）は、以下の方法によって、テトラリンを溶媒として用いて、温度１３５℃で測定される値である。

ウベローデ型粘度計を用いて濃度０．１ｇ／ｄＬ、０．２ｇ／ｄＬ及び０．５ｇ／ｄＬの３点について還元粘度を測定する。還元粘度を濃度に対しプロットし、濃度をゼロに外挿する外挿法により、極限粘度数を求める。外挿法による極限粘度数の計算方法は、例えば、「高分子溶液、高分子実験学１１」（１９８２年共立出版株式会社刊）第４９１頁に記載されている。

上記プロピレン単独重合体の分子量分布（Ｍｗ／Ｍｎ）は、３．０以上であることが好ましい。プロピレン系重合体（Ａ）の分子量分布は、３．０～３０．０であることが好ましい。

本実施形態において、分子量分布は、下記条件のゲル・パーミエーション・クロマトグラフィー（ＧＰＣ）で測定される重量平均分子量（Ｍｗ）及び数平均分子量（Ｍｎ）を用いて算出される、数平均分子量（Ｍｎ）に対する重量平均分子量（Ｍｗ）の比（Ｍｗ／Ｍｎ）をいう。
（（条件））
装置：東ソー株式会社製 ＨＬＣ－８１２１ ＧＰＣ／ＨＴ
分離カラム：東ソー株式会社製 ＧＭＨＨＲ－Ｈ（Ｓ）ＨＴ ３本
測定温度：１４０℃
キャリア：オルトジクロロベンゼン
流量：１．０ｍＬ／分
試料濃度：約１ｍｇ／ｍＬ
試料注入量：４００μＬ
検出器：示差屈折
検量線作成方法：標準ポリスチレンを使用

プロピレン単独重合体は、例えば、重合触媒を用いて、プロピレンを重合することにより製造できる。

重合触媒としては、例えば、チーグラー型触媒；チーグラー・ナッタ型触媒；シクロペンタジエニル環を有する周期表第４族の遷移金属の化合物とアルキルアルミノキサンとからなる触媒；シクロペンタジエニル環を有する周期表第４族の遷移金属の化合物、当該遷移金属化合物と反応してイオン性の錯体を形成する化合物及び有機アルミニウム化合物からなる触媒；並びに無機粒子（シリカ、粘土鉱物等）に、触媒成分（シクロペンタジエニル環を有する周期表第４族の遷移金属の化合物、イオン性の錯体を形成する化合物、有機アルミニウム化合物等）を担持して、変性させた触媒が挙げられる。

重合方法としては、例えば、バルク重合、溶液重合及び気相重合が挙げられる。

重合方式としては、例えば、バッチ式、連続式及びこれらの組み合わせが挙げられる。重合方式は、複数の重合反応槽を直列に連結させた多段式であってもよい。

重合工程における各種条件（重合温度、重合圧力、単量体濃度、触媒投入量、重合時間等）は、目的とする重合体の分子構造に応じて、適宜決定すればよい。

重合工程の後、重合体中に含まれる残留溶媒、製造時に副生する超低分子量のオリゴマー等を除去するために、必要に応じて重合体を、重合体が融解する温度以下の温度で乾燥してもよい。

（（プロピレンとプロピレン以外の単量体とのランダム共重合体））
プロピレンとプロピレン以外の単量体とのランダム共重合体は、プロピレンに由来する単量体単位とプロピレン以外の単量体に由来する単量体単位とを含有するものである。ランダム共重合体は、ランダム共重合体の質量を基準として、プロピレン以外の単量体に由来する単量体単位を０．０１質量％～２０質量％含有することが好ましい。

プロピレン以外の単量体は、エチレンに由来する単量体等である。プロピレン以外の単量体としては、例えば、エチレン及び炭素数４～１２のα－オレフィンが挙げられる。中でも、エチレン及び炭素数４～１０のα－オレフィンから選択される少なくとも一種が好ましく、エチレン、１－ブテン、１－ヘキセン及び１－オクテンからなる群より選択される少なくとも一種がより好ましい。

なお、「α－オレフィン」とは、α位に炭素－炭素不飽和二重結合を有する脂肪族不飽和炭化水素を意味する。

ランダム共重合体としては、例えば、プロピレン－エチレンランダム共重合体、プロピレン－１－ブテンランダム共重合体、プロピレン－１－ヘキセンランダム共重合体、プロピレン－１－オクテンランダム共重合体、プロピレン－エチレン－１－ブテンランダム共重合体、プロピレン－エチレン－１－ヘキセンランダム共重合体及びプロピレン－エチレン－１－オクテンランダム共重合体が挙げられる。

プロピレン系重合体（Ａ）がプロピレンとプロピレン以外の単量体とのランダム共重合体を含む場合、前記ランダム共重合体の極限粘度数（η）は、プロピレン系樹脂組成物の溶融時の流動性の観点から、例えば、１．００ｄＬ／ｇ～１０．００ｄＬ／ｇであることが好ましい。

ランダム共重合体の分子量分布（Ｍｗ／Ｍｎ）は、３．０～３０．０であることが好ましい。

ランダム共重合体は、例えば、プロピレン単独重合体の製造において使用できる重合触媒、重合方法、重合方式に従って、プロピレン及びプロピレン以外の単量体を重合することにより製造できる。

（（ヘテロファジックプロピレン重合材料））
ヘテロファジックプロピレン重合材料は、プロピレンに由来する単量体単位を８０質量％以上含有する重合体（Ｉ）（但し、重合体（Ｉ）の全質量を１００質量％とする。）と、エチレン及び炭素数４～１２のα－オレフィンからなる群より選択される少なくとも一種のα－オレフィンに由来する単量体単位とプロピレンに由来する単量体単位とを含有する重合体（ＩＩ）を含む。ヘテロファジックプロピレン重合材料は、重合体（Ｉ）のマトリックスの中で、重合体（ＩＩ）が分散した構造を有する混合物を意味する。

ヘテロファジックプロピレン重合材料は、例えば、重合体（Ｉ）を形成する第１の重合工程と、重合体（ＩＩ）を形成する第２の重合工程を行うことにより製造できる。これらの重合工程において採用される、重合触媒、重合方法及び重合方式の例示は、上記と同様である。

重合体（Ｉ）は、例えば、プロピレン単独重合体であってもよく、プロピレン以外の単量体に由来する単量体単位を含んでいてもよい。重合体（Ｉ）が、プロピレン以外の単量体に由来する単量体単位を含む場合、この含有量は、重合体（Ｉ）の全質量を基準として、例えば、０．０１質量％以上２０質量％未満であってもよい。

プロピレン以外の単量体としては、例えば、エチレン及び炭素数４以上のα－オレフィンが挙げられる。中でも、エチレン及び炭素数４～１０のα－オレフィンからなる群より選択される少なくとも一種が好ましく、エチレン、１－ブテン、１－ヘキセン及び１－オクテンからなる群より選択される少なくとも一種がより好ましい。

プロピレン以外の単量体に由来する単量体単位を含む重合体としては、例えば、プロピレン－エチレン共重合体、プロピレン－１－ブテン共重合体、プロピレン－１－ヘキセン共重合体、プロピレン－１－オクテン共重合体、プロピレン－エチレン－１－ブテン共重合体、プロピレン－エチレン－１－ヘキセン共重合体及びプロピレン－エチレン－１－オクテン共重合体が挙げられる。

重合体（Ｉ）は、プロピレン系樹脂組成物の成形体の寸法安定性の観点から、プロピレン単独重合体、プロピレン－エチレン共重合体、プロピレン－１－ブテン共重合体、プロピレン－エチレン－１－ブテン共重合体が好ましく、プロピレン単独重合体がより好ましい。

重合体（Ｉ）の含有量は、ヘテロファジックプロピレン重合材料の全質量に対して、５０質量％～９９質量％であることが好ましい。

重合体（ＩＩ）は、エチレン及び炭素数４～１２のα－オレフィンからなる群より選択される少なくとも一種のα－オレフィンに由来する単量体単位を４０質量％以上含有し、かつ、プロピレンに由来する単量体単位を含有することが好ましい。

重合体（ＩＩ）において、エチレン及び炭素数４～１２のα－オレフィンからなる群より選択される少なくとも一種のα－オレフィンに由来する単量体単位の含有量は、４０～７０質量％であってよく、４５質量％～６０質量％であってもよい。

重合体（ＩＩ）において、エチレン及び炭素数４～１２のα－オレフィンからなる群より選択される少なくとも一種のα－オレフィンとしては、エチレン及び炭素数４～１０のα－オレフィンからなる群より選択される少なくとも一種が好ましく、エチレン、１－ブテン、１－ヘキセン、１－オクテン及び１－デセンからなる群より選択される少なくとも一種がより好ましく、エチレン及び１－ブテンからなる群より選択される少なくとも一種が更に好ましい。

重合体（ＩＩ）としては、例えば、プロピレン－エチレン共重合体、プロピレン－エチレン－１－ブテン共重合体、プロピレン－エチレン－１－ヘキセン共重合体、プロピレン－エチレン－１－オクテン共重合体、プロピレン－エチレン－１－デセン共重合体、プロピレン－１－ブテン共重合体、プロピレン－１－ヘキセン共重合体、プロピレン－１－オクテン共重合体及びプロピレン－１－デセン共重合体が挙げられる。中でも、プロピレン－エチレン共重合体、プロピレン－１－ブテン共重合体及びプロピレン－エチレン－１－ブテン共重合体が好ましく、プロピレン－エチレン共重合体がより好ましい。

重合体（ＩＩ）の含有量は、ヘテロファジックプロピレン重合材料の全質量を基準として、１質量％～５０質量％であることが好ましい。

ヘテロファジックプロピレン重合材料は、キシレン不溶（ＣＸＩＳ）成分及びキシレン可溶（ＣＸＳ）成分を含んでよい。

ヘテロファジックプロピレン重合材料中のＣＸＩＳ成分の含有量は、ヘテロファジックプロピレン重合材料の全質量に対して、５０質量％～９９質量％であることが好ましい。

ヘテロファジックプロピレン重合材料中のＣＸＳ成分の含有量は、ヘテロファジックプロピレン重合材料の全質量に対して、１質量％～５０質量％であることが好ましい。

本実施形態においては、ヘテロファジックプロピレン重合材料中のＣＸＩＳ成分は、主として重合体（Ｉ）から構成され、ヘテロファジックプロピレン重合材料中のＣＸＳ成分は、主として重合体（ＩＩ）から構成されると考えられる。

ヘテロファジックプロピレン重合材料としては、例えば、（プロピレン）－（プロピレン－エチレン）重合材料、（プロピレン）－（プロピレン－エチレン－１－ブテン）重合材料、（プロピレン）－（プロピレン－エチレン－１－ヘキセン）重合材料、（プロピレン）－（プロピレン－エチレン－１－オクテン）重合材料、（プロピレン）－（プロピレン－１－ブテン）重合材料、（プロピレン）－（プロピレン－１－ヘキセン）重合材料、（プロピレン）－（プロピレン－１－オクテン）重合材料、（プロピレン）－（プロピレン－１－デセン）重合材料、（プロピレン－エチレン）－（プロピレン－エチレン）重合材料、（プロピレン－エチレン）－（プロピレン－エチレン－１－ブテン）重合材料、（プロピレン－エチレン）－（プロピレン－エチレン－１－ヘキセン）重合材料、（プロピレン－エチレン）－（プロピレン－エチレン－１－オクテン）重合材料、（プロピレン－エチレン）－（プロピレン－エチレン－１－デセン）重合材料、（プロピレン－エチレン）－（プロピレン－１－ブテン）重合材料、（プロピレン－エチレン）－（プロピレン－１－ヘキセン）重合材料、（プロピレン－エチレン）－（プロピレン－１－オクテン）重合材料、（プロピレン－エチレン）－（プロピレン－１－デセン）重合材料、（プロピレン－１－ブテン）－（プロピレン－エチレン）重合材料、（プロピレン－１－ブテン）－（プロピレン－エチレン－１－ブテン）重合材料、（プロピレン－１－ブテン）－（プロピレン－エチレン－１－ヘキセン）重合材料、（プロピレン－１－ブテン）－（プロピレン－エチレン－１－オクテン）重合材料、（プロピレン－１－ブテン）－（プロピレン－エチレン－１－デセン）重合材料、（プロピレン－１－ブテン）－（プロピレン－１－ブテン）重合材料、（プロピレン－１－ブテン）－（プロピレン－１－ヘキセン）重合材料、（プロピレン－１－ブテン）－（プロピレン－１－オクテン）重合材料、（プロピレン－１－ブテン）－（プロピレン－１－デセン）重合材料、（プロピレン－１－ヘキセン）－（プロピレン－１－ヘキセン）重合材料、（プロピレン－１－ヘキセン）－（プロピレン－１－オクテン）重合材料、（プロピレン－１－ヘキセン）－（プロピレン－１－デセン）重合材料、（プロピレン－１－オクテン）－（プロピレン－１－オクテン）重合材料、及び（プロピレン－１－オクテン）－（プロピレン－１－デセン）重合材料が挙げられる。

なお、「（プロピレン）－（プロピレン－エチレン）重合材料」とは、「重合体（Ｉ）がプロピレン単独重合体であり、重合体（ＩＩ）がプロピレン－エチレン共重合体であるヘテロファジックプロピレン重合材料」を意味する。他の類似の表現においても同様である。

重合体（Ｉ）の極限粘度数（ηＩ）は、例えば、０．１０ｄＬ／ｇ～２．００ｄＬ／ｇであることが好ましい。

重合体（ＩＩ）の極限粘度数（ηＩＩ）は、１．００ｄＬ／ｇ～１０．００ｄＬ／ｇであることが好ましい。

重合体（Ｉ）の極限粘度数（ηＩ）に対する重合体（ＩＩ）の極限粘度数（ηＩＩ）の比（［η］ＩＩ／［η］Ｉ）は、１～２０であることが好ましい。

重合体（Ｉ）の極限粘度数（ηＩ）の測定方法としては、例えば、重合体（Ｉ）を形成した後に、重合体の極限粘度数を測定する方法が挙げられる。

重合体（ＩＩ）の極限粘度数（ηＩＩ）は、例えば、ヘテロファジックプロピレン重合材料の極限粘度数（ηＴｏｔａｌ）、重合体（Ｉ）の極限粘度数（ηＩ）並びに重合体（ＩＩ）及び重合体（Ｉ）の含有量を用いて、下記式（I）により算出できる。
ηＩＩ＝（ηＴｏｔａｌ－ηＩ×ＸＩ）／ＸＩＩ ・・・（I）

なお、式（I）中、ηＴｏｔａｌ、ηＩ、ＸＩ及びＸＩＩは、それぞれ、以下の意味である。
ηＴｏｔａｌ：ヘテロファジックプロピレン重合材料の極限粘度数（ｄＬ／ｇ）
ηＩ：重合体（Ｉ）の極限粘度数（ｄＬ／ｇ）
ＸＩ：ヘテロファジックプロピレン重合材料の全質量に対する重合体（Ｉ）の質量の比（重合体（Ｉ）の質量／ヘテロファジックプロピレン重合材料の質量）
ＸＩＩ：ヘテロファジックプロピレン重合材料の全質量に対する重合体（ＩＩ）の質量の比（重合体（ＩＩ）の質量／ヘテロファジックプロピレン重合材料の質量）

ここで、ＸＩ、ＸＩＩは、重合時の物質収支から求めることができる。

なお、ＸＩＩは、重合体（Ｉ）の融解熱量及びヘテロファジックプロピレン重合材料の融解熱量を測定し、下記式（II）を用いて算出してもよい。
ＸＩＩ＝１－（ΔＨｆ）Ｔ／（ΔＨｆ）Ｐ ・・・（II）

式（II）中、（ΔＨｆ）Ｔ、（ΔＨｆ）Ｐは、以下の意味である。
（ΔＨｆ）Ｔ：ヘテロファジックプロピレン重合材料の融解熱量（Ｊ／ｇ）
（ΔＨｆ）Ｐ：重合体（Ｉ）の融解熱量（Ｊ／ｇ）

ＣＸＩＳ成分の極限粘度数（ηＣＸＩＳ）は、０．１０ｄＬ／ｇ～２．００ｄＬ／ｇであることが好ましい。

ＣＸＳ成分の極限粘度数（ηＣＸＳ）は、１．００ｄＬ／ｇ～１０．００ｄＬ／ｇであることが好ましい。

ＣＸＩＳ成分の極限粘度数（ηＣＸＩＳ）に対するＣＸＳ成分の極限粘度数（ηＣＸＳ）の比（ηＣＸＳ／ηＣＸＩＳ）は、１～２０であることが好ましい。

重合体（Ｉ）の分子量分布（Ｍｗ（Ｉ）／Ｍｎ（Ｉ））は、３．０以上であることが好ましい。

ＣＸＩＳ成分の分子量分布（Ｍｗ（ＣＸＩＳ）／Ｍｎ（ＣＸＩＳ））は、３．０以上であることが好ましい。

プロピレン系重合体（Ａ）の温度２３０℃、荷重２．１６ｋｇｆでのメルトフローレート（ＭＦＲ）は、プロピレン系樹脂組成物の成形加工性の観点から、５ｇ／１０分～３００ｇ／１０分であることが好ましい。

なお、本実施形態において、ＭＦＲは、ＪＩＳ Ｋ７２１０に準拠して測定される値をいう。

（ポリオレフィンエラストマー（Ｂ））
プロピレン系樹脂組成物は、ポリオレフィンエラストマー（Ｂ）を含んでもよい。ポリオレフィンエラストマー（Ｂ）は、ポリオレフィンエラストマー（Ｂ）の全質量を１００質量％として、ポリオレフィンエラストマー（Ｂ）に含まれるエチレンに由来する単量体単位の含有量と炭素数４以上のα－オレフィンに由来する単量体単位の含有量との合計が１００質量％であってよい。

炭素数が４以上のα－オレフィンとしては、例えば、炭素数４～１２のα－オレフィンが挙げられる。炭素数が４～１２のα－オレフィンとしては、例えば、１－ブテン、１－ペンテン、１－ヘキセン、４－メチル－１－ペンテン、１－オクテン及び１－デセンが挙げられる。中でも、１－ブテン、１－ヘキセン、及び１－オクテンが好ましい。上記α－オレフィンは、ビニルシクロプロパン、ビニルシクロブタン等の環状構造を有するα－オレフィンであってよい。

ポリオレフィンエラストマー（Ｂ）としては、例えば、エチレン－１－ブテン共重合体、エチレン－１－ヘキセン共重合体、エチレン－１－オクテン共重合体、エチレン－１－デセン共重合体、エチレン－（３－メチル－１－ブテン）共重合体、及びエチレンと環状構造を有するα－オレフィンとの共重合体（エチレン－α－オレフィン共重合体）が挙げられる。

なお、エチレン－α－オレフィン共重合体は、エチレンに由来する単量体単位と、炭素数４以上のα－オレフィンに由来する単量体単位とを含有する共重合体であり、プロピレンに由来する単量体単位を含まないものを意味する。

ポリオレフィンエラストマー（Ｂ）において、炭素数が４以上のα－オレフィンに由来する単量体単位の含有量は、ポリオレフィンエラストマー（Ｂ）の全質量を基準として、１質量％～４９質量％であることが好ましい。

ポリオレフィンエラストマー（Ｂ）の温度１９０℃、荷重２．１６ｋｇｆでのＭＦＲは、０．１ｇ／１０分～８０ｇ／１０分であることが好ましい。

ポリオレフィンエラストマー（Ｂ）の密度は、プロピレン系樹脂組成物の成形体の耐衝撃性の観点から、０．８５０ｇ／ｃｍ^３～０．８９０ｇ／ｃｍ^３であることが好ましい。

ポリオレフィンエラストマー（Ｂ）は、重合触媒を用いて、エチレン及び炭素数４以上のα－オレフィンを重合することにより製造できる。

重合触媒としては、例えば、メタロセン触媒に代表される均一系触媒、及びチーグラー・ナッタ型触媒が挙げられる。

均一系触媒としては、例えば、シクロペンタジエニル環を有する周期表第４族の遷移金属の化合物とアルキルアルミノキサンとからなる触媒；シクロペンタジエニル環を有する周期表第４族の遷移金属の化合物、当該遷移金属化合物と反応してイオン性の錯体を形成する化合物及び有機アルミニウム化合物からなる触媒；並びに無機粒子（シリカ、粘土鉱物等）に、触媒成分（シクロペンタジエニル環を有する周期表第４族の遷移金属の化合物、イオン性の錯体を形成する化合物、有機アルミニウム化合物等）を担持して変性させた触媒が挙げられる。

チーグラー・ナッタ型触媒としては、例えば、チタン含有固体状遷移金属成分と有機金属成分とを組み合わせた触媒が挙げられる。

ポリオレフィンエラストマー（Ｂ）としては、市販品を用いてもよい。市販品としては、例えば、ダウ・ケミカル日本株式会社製エンゲージ（登録商標）、三井化学株式会社製タフマー（登録商標）、株式会社プライムポリマー製ネオゼックス（登録商標）、ウルトゼックス（登録商標）、住友化学株式会社製エクセレンＦＸ（登録商標）、スミカセン（登録商標）、及びエスプレンＳＰＯ（登録商標）が挙げられる。

（充填材（Ｃ））
プロピレン系樹脂組成物は、充填材（Ｃ）を含んでよい。プロピレン系樹脂組成物に含まれる充填材（Ｃ）は、例えば、プロピレン系樹脂組成物の成形体の寸法安定性を高める機能を有する。充填材（Ｃ）としては、無機充填材及び有機充填材が挙げられる。プロピレン系樹脂組成物は、充填材（Ｃ）を１種のみ含有してもよく、２種以上含有してもよい。

無機充填材としては、ガラス、含水珪酸マグネシウム（タルク（３ＭｇＯ・４ＳｉＯ_２・Ｈ_２Ｏ））、ケイ酸塩鉱物、アルミナ、シリカ、二酸化ケイ素、酸化チタン、酸化鉄、酸化アルミニウム、酸化マグネシウム、酸化アンチモン、バリウム・フェライト、ストロンチウム・フェライト、酸化ベリリウム、水酸化マグネシウム、水酸化アルミニウム、塩基性炭酸マグネシウム、炭酸カルシウム、炭酸マグネシウム、炭酸塩鉱物、硫酸カルシウム、硫酸マグネシウム、塩基性硫酸マグネシウム、亜硫酸カルシウム、カーボンブラック及び硫化カドミウムが挙げられる。

有機充填材としては、ポリエステル、芳香族ポリアミド、セルロース及びビニロンが挙げられる。

充填材（Ｃ）は、成形体の剛性、耐衝撃性及び寸法安定性の観点から、無機充填材が好ましく、板状ケイ酸塩鉱物であるフィラー（タルク）がより好ましい。

充填材の形状は、板状であってよく、繊維状であってよく、針状であってよい。

充填材（Ｃ）の平均粒子径Ｄ_５０は、成形体の剛性、耐衝撃性及び寸法安定性の観点から、例えば、０．５μｍ～２０．０μｍとしてよい。

なお、平均粒子径Ｄ_５０は、ＪＩＳ Ｒ１６２９に規定された方法に従い、レーザー回析法又は遠心沈降法により測定された体積基準の粒子径分布測定データに基づいて決定されるものであり、該粒子径分布測定データにおいて、粒子径が小さい側からの粒子数の累積が５０％に達したときの粒子径（５０％相当粒子径）を意味する。このように定義される粒子径は、一般に「５０％相当粒子径」と称され、「Ｄ５０」で表記される。

充填材（Ｃ）の含有量は、プロピレン系樹脂組成物の成形体の寸法安定性の観点から、プロピレン系重合体（Ａ）及びポリオレフィンエラストマー（Ｂ）の合計１００質量部に対して、１０質量部～６０質量部であってよい。

プロピレン系樹脂組成物は、上記以外の成分を含んでもよい。このような成分としては、例えば、中和剤、酸化防止剤、紫外線吸収剤、造核剤、滑剤、帯電防止剤、アンチブロッキング剤、加工助剤、有機系過酸化物、着色剤（無機顔料、有機顔料、顔料分散剤等）、発泡剤、発泡核剤、可塑剤、難燃剤、架橋剤、架橋助剤、高輝度化剤、抗菌剤及び光拡散剤が挙げられる。プロピレン系樹脂組成物は、これらの成分を１種のみ含有してもよく、２種以上含有してもよい。

［繊維状充填材］
繊維状充填材は、無機充填材又は有機充填材を繊維状に形成した充填材である。無機充填材又は有機充填材は、上述の充填材（Ｃ）で用いられる無機充填材又は有機充填材を用いてよい。繊維状充填材は、無機充填材を繊維状に形成した繊維状無機充填材であることが好ましい。繊維状無機充填材としては、例えば、ガラス繊維、炭素繊維等が用いられる。

高分子複合材料が、リサイクル高分子複合材料である場合、リサイクル高分子複合材料は、リサイクル高分子とリサイクル高分子以外の成分を構成成分として含み、リサイクル高分子複合材料中のフィラー（タルク）量をＷｔとし、リサイクル高分子複合材料中のガラス繊維量をＷｇとし、リサイクル高分子複合材料中のゴム量をＷｒとした時、下記（I）～（IV）のパラメータを満たす。
（I）：リサイクル高分子複合材料の密度が、１．０８ｇ／ｃｍ^３～１．１６ｇ／ｃｍ^３である。
（II）：リサイクル高分子複合材料の弾性率が、１２８×Ｗｔ＋２１３×Ｗｇ－１０２×Ｗｒ＋１０８１＞５０００ＭＰａである。
（III）：リサイクル高分子複合材料の曲げ強度が、－０．３７５×Ｗｔ＋１．５２×Ｗｇ－３．３０×Ｗｒ＋１０６＞８０ＭＰａである。
（IV）：リサイクル高分子複合材料の衝撃が、－０．１０２×Ｗｔ＋０．１４９×Ｗｇ＋０．１８０×Ｗｒ＋４．４９＞６である。

本実施形態に係る組成提案システムを説明するに当たり、組成提案システムで用いられる学習済みモデルを生成する学習装置と、生成した学習済みモデルを用いて予測する予測装置について説明する。学習装置及び予測装置は、説明変数及び目的変数が異なる２つの学習装置及び予測装置として、第１の学習装置及び第１の予測装置と、第２の学習装置及び第２の予測装置とを有する。

＜第１の学習装置＞
第１の学習装置について説明する。なお、ここでは、高分子複合材料に含まれる高分子材料であるプロピレン系重合体（Ａ）は、ヘテロファジックプロピレン重合材料とし、エラストマーを含んでもよく、充填材は、タルクとする。また、後述する、第１の予測装置２で用いる充填材も、第１の学習装置１と同様とする。

また、第１の学習装置１で用いる高分子材料又は高分子複合材料は、バージン高分子材料又はバージン高分子複合材料であり、高分子材料又は高分子複合材料の物性値と高分子材料又は高分子複合材料の記述子を含むパラメータは、バージン高分子材料又はバージン高分子複合材料の物性値とバージン高分子材料又はバージン高分子複合材料の記述子を含むパラメータである。

図１は、学習装置の概略構成を示すブロック図である。図１に示すように、第１の学習装置１は、取得部１１、前処理部１２、学習用データセット作成部１３、学習部１４及び表示部１５を備える。第１の学習装置１は、高分子材料又は高分子複合材料の物性値から高分子材料又は高分子複合材料の記述子を含むパラメータを予測する学習済みモデルＭ１を生成する。

第１の学習装置１では、入力される物性値が高分子材料の物性値である場合、高分子材料の記述子を含むパラメータを予測する学習済みモデルＭ１が生成される。入力される物性値が高分子複合材料の物性値である場合、高分子複合材料の記述子を含むパラメータを予測する学習済みモデルＭ１が生成される。

ここでは、入力される物性値が高分子複合材料の物性値であり、予測されるパラメータが高分子複合材料の記述子を含むパラメータである場合について説明するが、用いられる高分子複合材料が充填材を含まない場合には、第１の学習装置１の説明に用いる「高分子複合材料」は、「高分子材料」とみなす。

取得部１１は、高分子複合材料の物性値を説明変数として取得すると共に、高分子複合材料の記述子を含むパラメータを目的変数として取得する。

第１の学習装置１において説明変数として用いる高分子複合材料の物性値としては、成形性（流動性）、密度、降伏応力、引張強度、引張弾性率、曲げ強度、荷重たわみ温度、ロックウェル硬度、剛性、耐衝撃性、光沢性等が挙げられる。なお、成形性は、高分子複合材料のＭＦＲ等で評価できる。耐衝撃性は、常温又は低温におけるＩＺＯＤ衝撃強度、シャルピー衝撃試験で評価できる。

第１の学習装置１において目的変数として用いる高分子複合材料の記述子としては、高分子複合材料に含まれる構成成分の質量比率、構成成分の種類毎の特性値及び構造値等が挙げられる。

高分子複合材料の記述子は、高分子複合材料に含まれる構成成分の質量比率と、構成成分の種類毎の特性値及び構造値の少なくとも一方を含む。

構成成分は、一種の高分子を必須成分として含み、一種の高分子以外の成分を任意成分として含んでもよい。一種の高分子と、一種の高分子以外の成分は、いずれも複数含んでもよい。構成成分は、一種の高分子を含むため、構成成分の種類毎の特性値及び構造値は、一種の高分子の特性値及び構造値であってよい。

構成成分の質量比率は、構成成分の組成とその比率である。例えば、高分子複合材料に含まれる、ヘテロファジックプロピレン重合材料、ポリオレフィンエラストマー（Ｂ）及び充填材（Ｃ）のそれぞれの比率である。構成成分の質量比率は、高分子複合材料に含まれる、タルク量、ゴム量及びガラス繊維量等を含む。構成成分の質量比率は、タルク量、ゴム量及びガラス繊維量のうちの１つ以上を含んでよい。

構成成分の種類毎の特性値は、構成成分の極限粘度、ＭＦＲ等が挙げられる。

構成成分の極限粘度は、高分子複合材料に含まれる、少なくとも一種の高分子材料の極限粘度を含む。構成成分の極限粘度は、例えば、高分子複合材料に含まれる、ヘテロファジックプロピレン重合材料及びポリオレフィンエラストマー（Ｂ）の極限粘度である。

ヘテロファジックプロピレン重合材料の極限粘度は、ヘテロファジックプロピレン重合材料を構成する重合体（Ｉ）及び重合体（ＩＩ）の少なくとも一方の極限粘度であり、重合体（Ｉ）及び重合体（ＩＩ）の両方の極限粘度でもよい。

構成成分の種類毎の構造値は、構成成分の分子量、構成成分の含有量、構成成分に含まれる共重合体の単量体単位比率、共重合体の組成の比率等である。

構造値は、構成成分の含有量及び構成成分に含まれる共重合体の単量体単位比率の少なくとも一方を含むことが好ましい。共重合体の単量体単位比率は、エチレンに由来する単量体単位を含む共重合体（例えば、ヘテロファジックプロピレン重合材料及びポリオレフィンエラストマー（Ｂ）等）における共重合体の単量体単位比率でもよい。

構成成分の分子量は、高分子材料とその他の高分子の分子量を含む。構成成分の分子量は、例えば、高分子複合材料に含まれる、ヘテロファジックプロピレン重合材料及びポリオレフィンエラストマー（Ｂ）等の分子量である。

ヘテロファジックプロピレン重合材料の分子量は、ヘテロファジックプロピレン重合材料に含まれる重合体（Ｉ）及び重合体（ＩＩ）の少なくとも一方の分子量であり、重合体（Ｉ）及び重合体（ＩＩ）の両方の分子量でもよいし、重合体（Ｉ）又は重合体（ＩＩ）の分子量としてよい。

構成成分の含有量は、高分子材料とその他の高分子の含有量を含む。構成成分の含有量は、例えば、高分子複合材料に含まれる、ヘテロファジックプロピレン重合材料、ポリオレフィンエラストマー（Ｂ）及び充填材（Ｃ）の含有量である。

ヘテロファジックプロピレン重合材料の含有量は、ヘテロファジックプロピレン重合材料を構成する重合体（Ｉ）及び重合体（ＩＩ）の少なくとも一方の含有量であり、重合体（ＩＩ）の含有量のみでもよい。

構成成分に含まれる共重合体の単量体単位比率は、例えば、高分子複合材料に含まれるヘテロファジックプロピレン重合材料に含まれるエチレン量、ポリオレフィンエラストマー（Ｂ）に含まれるエチレン量である。なお、エチレン量は、ヘテロファジックプロピレン重合材料及びポリオレフィンエラストマー（Ｂ）等のエチレンに由来する単量体単位を含む共重合体における、共重合体の単量体単位比率である。

ヘテロファジックプロピレン重合材料に含まれるエチレン量は、ヘテロファジックプロピレン重合材料に含まれる重合体（Ｉ）及び重合体（ＩＩ）の少なくとも一方に含まれるエチレンに由来する構造単位の含有量であり、重合体（ＩＩ）に含まれるエチレンに由来する構造単位の含有量のみでもよい。

構成成分に含まれる共重合体の組成の比率は、高分子複合材料に含まれる、ヘテロファジックプロピレン重合材料及びポリオレフィンエラストマー（Ｂ）等に含まれる共重合体の組成の比率である。ヘテロファジックプロピレン重合材料に含まれる共重合体の組成の比率は、重合体（Ｉ）と重合体（ＩＩ）との比率としてもよい。

構成成分の種類毎の特性値及び構造値は、構成成分が高分子材料である場合、高分子材料の特性又は構造を示すパラメータを含むことが好ましい。そのため、特性値及び構造値は、高分子材料であるテロファジックプロピレン重合材料及びポリオレフィンエラストマー（Ｂ）等の特性又は構造を示すパラメータとして、例えば、これらの分子量及び共重合体の単量体単位比率と相関するパラメータ等を含んでよい。

分子量と相関するパラメータとして、例えば、極限粘度及びメルトフローレート（ＭＦＲ）等が挙げられる。

共重合体の単量体単位比率と相関するパラメータとして、例えば、密度及びガラス転移温度等が挙げられる。

構成成分の特性値及び構造値の少なくとも一方は、構成成分の種類毎の平均値を含むことが好ましく、構成成分の種類毎の特性値は、平均特性値を含み、構成成分の種類毎の構造値は、平均構造値を含むことが好ましい。

即ち、構成成分の分子量、構成成分の含有量、構成成分の極限粘度、構成成分に含まれる共重合体の単量体単位比率、共重合体の組成の比率は、それぞれ、構成成分の平均分子量、構成成分の平均含有量、構成成分の平均極限粘度、構成成分に含まれる共重合体の平均単量体単位比率、共重合体の組成の平均比率としてよい。

特性値及び構造値の平均値を用いると、高分子複合材料の構成成分として１つの高分子材料を含む場合と、２つ以上の高分子材料を含む場合とで、学習に用いる高分子複合材料の記述子を含むパラメータの数を揃えることができるため、学習済みモデルＭ１の予測精度が向上する場合がある。例えば、学習用データセットに２つのプロピレン材料を含む高分子複合材料が存在し、第１の成分の特性値及び構造値と、第２の成分の特性値及び構造値を高分子複合材料の記述子を含むパラメータとして用いる。この場合、他の学習用データセットに１つのプロピレン材料を含む高分子複合材料が存在する場合には、該材料の第２の成分は存在しないので、第２の成分の特性値及び構造値は欠損データとなる。学習に用いる高分子複合材料の記述子を含むパラメータに欠損データがある場合、得られる学習済みモデルの予測精度は低下する。このような場合、高分子複合材料の記述子を含むパラメータとして各成分毎の特性値及び構造値の平均値を用いる。これにより、２つのプロピレン材料を含む高分子複合材料と、１つのプロピレン材料を含む高分子複合材料とで、対応する記述子を含むパラメータの数を揃えることができ、学習データに欠損を生じないため、学習済みモデルの予測精度が向上する。

高分子複合材料の記述子は、追加の記述子として、算出した上記の各成分の特性値又は構造値（平均特性値又は平均構造値）と質量比率との交差項を含んでよい。なお、各成分の特性値又は構造値は、これらの平均特性値又は平均構造値でもよい。即ち、高分子複合材料の記述子は、追加の記述子として、算出した上記の各成分の特性値又は構造値と質量比率との積を合算した値を含んでよい。

なお、交差項は、説明変数である、高分子複合材料の物性値同士の間の交互作用（いわゆる相乗効果）を表現するのに有効である。非線形モデルを用いる場合は必ずしも含める必要はないが、学習データセット内のデータ数が少ない場合には、精度向上に寄与する場合があるため、交差項を用いることが好ましい。交差項を作る高分子複合材料の記述子は、目的変数である高分子複合材料の物性に対して効くと思われる記述子の組み合わせを適宜選択してもよいし、全てのパターンを試して予測精度が高い組み合わせを選択してもよい。

前処理部１２は、取得した高分子複合材料の物性（説明変数）及び高分子複合材料の記述子を含むパラメータ（目的変数）の前処理を行う。なお、第１の学習装置１は、取得部１１で、予め前処理された、高分子複合材料の物性及び高分子複合材料の記述子を含むパラメータが取得される場合、前処理部１２を備えなくてもよい。

前処理部１２は、取得部１１で取得した高分子複合材料が重複する場合、高分子複合材料の物性及び高分子複合材料の記述子を含むパラメータの重複する値は、平均値（中央値）を算出してよい。

前処理部１２は、物性値としては、成形性、密度、降伏応力、引張強度、引張弾性率、曲げ強度、荷重たわみ温度、ロックウェル硬度、剛性、耐衝撃性、光沢性等の平均値を算出してよい。前処理部１２は、高分子複合材料の記述子を含むパラメータとして、高分子複合材料の種類毎の特性値及び構造値の平均値を算出してよい。

学習用データセット作成部１３は、前処理された、高分子複合材料の物性を説明変数として、高分子複合材料の記述子を含むパラメータを目的変数として、それぞれ抽出して、学習用データセットに加える。学習用データセット作成部１３は、入力された、高分子複合材料の物性と高分子複合材料の記述子を含むパラメータとを紐付けて、学習用データセットを作成する。

なお、前処理部１２で、高分子複合材料の物性と高分子複合材料の記述子を含むパラメータの前処理が行われない場合には、学習用データセット作成部１３は、取得部１１で取得した、高分子複合材料の物性（説明変数）と高分子複合材料の記述子を含むパラメータ（目的変数）をそれぞれ抽出して、学習用データセットに加えてよい。

学習部１４は、高分子複合材料の物性（説明変数）と、高分子複合材料の記述子を含むパラメータ（目的変数）とが対応付けられた学習用データセットを用いて学習することで、学習済みモデルＭ１を生成する。

学習済みモデルＭ１は、不図示の記憶部に記憶されている学習用データセット（学習用データテーブル）を利用して予め機械学習が行われた学習済みモデルである。学習済みモデルＭ１は、第１の学習装置１の不図示の記憶部に記憶されている学習用データセットを利用して機械学習が行われることで得られる、高分子複合材料の物性（説明変数）と高分子複合材料の記述子を含むパラメータ（目的変数）との対応関係の学習結果が適用される。学習済みモデルＭ１は、高分子複合材料の物性を説明変数として入力データとし、高分子複合材料の記述子を含むパラメータを目的変数として出力データとし、高分子複合材料の物性と高分子複合材料の記述子を含むパラメータとの入出力関係をモデル化するためのプログラムである。なお、学習済みモデルＭ１は、関数等の数式で表してもよい。

学習済みモデルＭ１は、機械学習の中でも、教師あり学習のアルゴリズムを適用することが好ましい。教師あり学習として、例えば、線形回帰（Linear regression）、正則化回帰（Regularized Regression）、部分的最小二乗回帰、多項式回帰、カーネル回帰（Kernel Regression）、ロジスティック回帰（Logistic regression）、ランダムフォレスト（Random Forest）、勾配ブースティング回帰木（Gradient Boosting Regression Tree）、サポートベクターマシン（Support Vector Machine、ＳＶＭ）、ニューラルネットワーク（Neural Network）等が挙げられる。ニューラルネットワークは、ニューラルネットワークを３層よりも多層にした深層学習（ディープラーニング）を用いることができる。ニューラルネットワークの種類としては、例えば、畳み込みニューラルネットワーク（Convolutional Neural Network、ＣＮＮ）、回帰型（再帰型）ニューラルネットワーク（Recurrent Neural Network、ＲＮＮ）及び一般回帰ニューラルネットワーク（General Regression Neural Network）等を用いることができる。

表示部１５は、学習済みモデルＭ１の学習において用いられる学習用データセットの情報と、学習済みモデルＭ１に関する情報等を表示する。

第１の学習装置１は、１つの学習済みモデルＭ１で、高分子複合材料の記述子を含むパラメータを出力してよい。このため、第１の学習装置１は、出力する高分子複合材料の記述子を含むパラメータ毎に、それぞれの高分子複合材料の記述子を含むパラメータに応じた学習済みモデルＭ１を有することが好ましい。

このように、第１の学習装置１は、学習部１４を備えるため、高分子複合材料の物性値から高分子複合材料の記述子を含むパラメータを予測する学習済みモデルＭ１を生成する。第１の学習装置１により生成される学習済みモデルＭ１は、入力される、高分子複合材料の物性値から、高分子複合材料の記述子を含むパラメータを予測するように学習する。

また、第１の学習装置１は、学習済みモデルＭ１を生成するため、第１の学習装置１を用いることで、高分子複合材料の物性値から高分子複合材料の記述子を含むパラメータの予測に要する負担の軽減及び時間の削減を図れる。即ち、高分子複合材料を製造する際、高分子複合材料の用途等に応じて、成形性等の任意の特性を満たす高分子複合材料を製造するために、実際に、実験で、様々な高分子材料を含む高分子複合材料を製造してその物性の測定等が行われる。こうした工程が行われることで、高分子複合材料の製造に有効な高分子の種類及び組成物の組成等が決定されるため、非常に多くの労力を要すると共に、様々な材料の準備のため、費用の負担が大きかった。第１の学習装置１は、高分子複合材料の物性から高分子複合材料の記述子を含むパラメータを予測するために用いることで、高分子複合材料の記述子を含むパラメータの予測を、負担を減らしつつ効率的に行う。よって、第１の学習装置１は、高分子複合材料の記述子を含むパラメータを予測する際のエネルギー消費の低減を図れる。

＜第１の予測装置＞
第１の予測装置について説明する。図１は、予測装置の構成を示すブロック構成図である。図１に示すように、第１の予測装置２は、取得部２１、前処理部２２、学習済みモデルＭ２、予測部２３及び表示部２４を備える。第１の予測装置２は、リサイクル高分子材料の物性値からリサイクル高分子材料の記述子を含むパラメータを予測する。

リサイクル高分子材料は、上述の通り、バージン高分子と同一の高分子の他に、その高分子以外の成分を含んでいる場合がある。例えば、リサイクル高分子材料がプロピレンである場合、リサイクル高分子材料は、プロピレンと、プロピレン以外の成分として、例えば、ポリオレフィンエラストマー及び充填材等を含む混合物である場合があり、プロピレン以外の成分の含有量によってリサイクル高分子材料の物性が変わる。第１の予測装置２は、リサイクル高分子材料の物性値から、リサイクル高分子材料に含まれるリサイクル高分子とそれ以外の成分の組成等、リサイクル高分子材料の記述子を予測する。

取得部２１は、予測対象の、リサイクル高分子材料の物性値を説明変数として取得する。リサイクル高分子材料の物性値は、上述の第１の学習装置１で取得する高分子複合材料の物性値と同様であるため、詳細は省略する。

前処理部２２は、取得した、予測対象の、リサイクル高分子材料の物性値（説明変数）の前処理を行う。前処理の詳細は、第１の学習装置１の前処理部１２と同様であるため、詳細は省略する。

学習済みモデルＭ２は、予め準備した、高分子複合材料の物性値（説明変数）と、高分子複合材料の記述子を含むパラメータ（目的変数）とが対応付けられた学習用データセットを用いて学習されたものである。学習済みモデルＭ２は、上記の第１の学習装置１で生成した学習済みモデルＭ１を用いてよい。

予測部２３は、学習済みモデルＭ２に、取得部２１により取得された予測対象のリサイクル高分子材料の物性値を入力することで、学習済みモデルＭ２により予測された、予測対象のリサイクル高分子材料の記述子を含むパラメータを出力する。即ち、予測部２３は、１つの学習済みモデルＭ２から、予測対象のリサイクル高分子材料の１種類の物性値に対応した、予測対象のリサイクル高分子材料の記述子を含むパラメータを予測する。

リサイクル高分子材料の記述子を含むパラメータは、上述の第１の学習装置１で取得する高分子複合材料の記述子を含むパラメータと同様であるため、詳細は省略する。

また、予測部２３は、複数の学習済みモデルＭ２を用いることにより、予測対象のリサイクル高分子材料の物性値を含む群に対応した、予測対象のリサイクル高分子材料の記述子を含むパラメータを予測してよい。例えば、予測部２３は、予測対象のリサイクル高分子材料の複数の物性値に対応した、予測対象のリサイクル高分子材料の質量比率、特性値及び構造値等の予測値を予測してよい。ここでは、リサイクル高分子材料の同一の物性を入力として、それぞれの学習済みモデルからそれぞれのリサイクル高分子材料の記述子を含むパラメータの予測値を得てもよいし、同一の予測対象のリサイクル高分子材料から、各学習済みモデルに対応した個別の前処理部を経由してもよい。

また、予測部２３は、複数の、予測対象のリサイクル高分子材料の複数の物性値を含む群に対応した、予測対象のリサイクル高分子材料の記述子を含むパラメータを予測してよい。

表示部２４は、学習済みモデルＭ２により予測された、リサイクル高分子材料の記述子を含むパラメータを目的変数として表示する。

このように、第１の予測装置２は、予測部２３を備え、予測部２３において、学習済みモデルＭ２により、リサイクル高分子材料の物性値から、リサイクル高分子材料の記述子を含むパラメータを予測する。よって、第１の予測装置２は、入力される、リサイクル高分子材料の物性値に対応した、リサイクル高分子材料の記述子を含むパラメータを予測する。

また、第１の予測装置２は、予測部２３を備えることで、リサイクル高分子材料の物性値からリサイクル高分子材料の記述子を含むパラメータの予測に要する負担の軽減及び時間の削減を図りつつ、リサイクル高分子材料の記述子を含むパラメータを予測する。よって、第１の予測装置２は、リサイクル高分子材料の記述子を含むパラメータを効率的に予測するため、リサイクル高分子材料の記述子を含むパラメータを予測する際のエネルギー消費の低減を図れる。

＜第２の学習装置＞
第２の学習装置について説明する。図２は、第２の学習装置の概略構成を示すブロック図である。図２に示すように、第２の学習装置３は、取得部３１、前処理部３２、学習用データセット作成部３３、学習部３４及び表示部３５を備える。第２の学習装置３は、リサイクル高分子複合材料の記述子を含むパラメータからリサイクル高分子複合材料の物性値を予測する学習済みモデルＭ３を生成する。即ち、第２の学習装置３は、図１に示す第１の学習装置１の説明変数及び目的変数の高分子複合材料をリサイクル高分子複合材料に変更し、第１の学習装置１の説明変数及び目的変数を逆にして学習済みモデルを生成するものである。

取得部３１は、リサイクル高分子複合材料の記述子を含むパラメータを説明変数として取得すると共に、リサイクル高分子複合材料の物性値を目的変数として取得する。

第２の学習装置３において説明変数として取得するリサイクル高分子複合材料の記述子を含むパラメータと、第２の学習装置３において目的変数として取得するリサイクル高分子複合材料の物性値は、上述の第１の学習装置１で取得する高分子複合材料の記述子を含むパラメータ及び高分子複合材料の物性値と同様であるため、詳細は省略する。

前処理部３２は、取得したリサイクル高分子複合材料の記述子を含むパラメータ（説明変数）及びリサイクル高分子複合材料の物性値（目的変数）の前処理を行う。前処理部３２は、第１の学習装置１の前処理部１２と説明変数及び目的変数を逆にしたこと以外、前処理部１２と同様であるため、詳細は省略する。なお、第２の学習装置３は、取得部３１で、予め前処理された、リサイクル高分子複合材料の記述子を含むパラメータ及びリサイクル高分子材料の物性値が取得される場合、前処理部３２を備えなくてもよい。

学習用データセット作成部３３は、前処理された、リサイクル高分子複合材料の記述子を含むパラメータを説明変数として、リサイクル高分子複合材料の物性値を目的変数として、それぞれ抽出して、学習用データセットに加える。学習用データセット作成部３３は、入力された、リサイクル高分子複合材料の記述子を含むパラメータとリサイクル高分子複合材料の物性値を紐付けて、学習用データセットを作成する。

なお、前処理部３２で、リサイクル高分子複合材料の記述子を含むパラメータとリサイクル高分子複合材料の物性値の前処理が行われない場合には、第１の学習装置１の前処理部１２と同様、学習用データセット作成部１３は、取得部３１で取得した、リサイクル高分子複合材料の記述子を含むパラメータ（説明変数）とリサイクル高分子複合材料の物性値（目的変数）をそれぞれ抽出して、学習用データセットに加えてよい。

学習部３４は、リサイクル高分子複合材料の記述子を含むパラメータ（説明変数）と、リサイクル高分子複合材料の物性値（目的変数）とが対応付けられた学習用データセットを用いて学習することで、学習済みモデルＭ３を生成する。

学習済みモデルＭ３は、第１の学習装置１の学習済みモデルＭ１と説明変数及び目的変数を逆にしたこと以外、学習済みモデルＭ１と同様であるため、詳細は省略する。

表示部３５は、学習済みモデルＭ３の学習において用いられる学習用データセットの情報と、学習済みモデルＭ３に関する情報等を表示する。

第２の学習装置３は、１つの学習済みモデルＭ３でリサイクル高分子複合材料の１つの物性値を出力する。このため、第２の学習装置３は、出力するリサイクル高分子複合材料の物性値毎に、それぞれのリサイクル高分子複合材料の物性値に応じた学習済みモデルＭ３を有することが好ましい。

このように、第２の学習装置３は、学習部３４を備えるため、リサイクル高分子複合材料の物性値を予測する学習済みモデルＭ３を生成する。第２の学習装置３により生成される学習済みモデルＭ３は、入力される、リサイクル高分子複合材料の記述子を含むパラメータから、リサイクル高分子複合材料の物性値を予測するように学習する。

また、第２の学習装置３は、学習済みモデルＭ３を生成するため、第２の学習装置３を用いることで、リサイクル高分子複合材料の記述子を含むパラメータからリサイクル高分子複合材料の物性値の予測に要する負担の軽減及び時間の削減を図れる。第２の学習装置３は、リサイクル高分子複合材料の記述子を含むパラメータからリサイクル高分子複合材料の物性値を予測するために用いることで、リサイクル高分子複合材料の物性値の予測を、負担を減らしつつ効率的に行う。よって、第２の学習装置３は、リサイクル高分子複合材料の物性値を予測する際のエネルギー消費の低減を図れる。

＜第２の予測装置＞
第２の予測装置について説明する。図２は、第２の予測装置の構成を示すシステム構成図である。図２に示すように、第２の予測装置４は、取得部４１、前処理部４２、学習済みモデルＭ４、予測部４３及び表示部４４を備える。第２の予測装置４は、リサイクル高分子複合材料の記述子を含むパラメータからリサイクル高分子複合材料の物性値を予測する。即ち、第２の予測装置４は、図１に示す第１の予測装置２の説明変数及び目的変数を逆にしたものである。

取得部４１は、予測対象の、リサイクル高分子複合材料の記述子を含むパラメータを説明変数として取得する。リサイクル高分子複合材料の記述子を含むパラメータは、上述の第２の学習装置３で取得するリサイクル高分子複合材料の記述子を含むパラメータと同様であるため、詳細は省略する。

前処理部４２は、取得した、予測対象の、リサイクル高分子複合材料の記述子を含むパラメータ（説明変数）の前処理を行う。前処理の詳細は、第２の学習装置３の前処理部３２と同様であるため、詳細は省略する。

学習済みモデルＭ４は、予め準備した、リサイクル高分子複合材料の記述子を含むパラメータ（説明変数）と、リサイクル高分子複合材料の物性値（目的変数）とが対応付けられた学習用データセットを用いて学習されたものである。学習済みモデルＭ４は、上記の第２の学習装置３で生成した学習済みモデルＭ３を用いてよい。

予測部４３は、学習済みモデルＭ４に、取得部４１により取得された予測対象のリサイクル高分子複合材料の記述子を含むパラメータを入力することで、学習済みモデルＭ４により予測された、予測対象のリサイクル高分子複合材料の物性値を出力する。即ち、予測部４３は、１つの学習済みモデルＭ４から、予測対象のリサイクル高分子複合材料の記述子を含むパラメータに対応した、予測対象のリサイクル高分子複合材料の１種類の物性値を予測する。予測部４３は、上述の第１の予測装置２が備える予測部２３に入力される説明変数及び出力される目的変数を逆にしたこと以外、予測部２３と同様であるため、詳細は省略する。

表示部４４は、学習済みモデルＭ４により予測された、リサイクル高分子複合材料の物性値等を目的変数として表示する。

このように、第２の予測装置４は、予測部４３を備え、予測部４３において、学習済みモデルＭ４により、リサイクル高分子複合材料の記述子を含むパラメータから、リサイクル高分子複合材料の物性値を予測する。よって、第２の予測装置４は、入力される、リサイクル高分子複合材料の記述子を含むパラメータから、リサイクル高分子複合材料の物性値を予測する。

また、第２の予測装置４は、予測部４３を備えることで、リサイクル高分子複合材料の記述子を含むパラメータからリサイクル高分子複合材料の物性値の予測に要する負担の軽減及び時間の削減を図りつつ、リサイクル高分子複合材料の物性値を予測する。よって、第２の予測装置４は、リサイクル高分子複合材料の物性値を効率的に予測するため、リサイクル高分子複合材料の物性値を予測する際のエネルギー消費の低減を図れる。

＜組成提案システム＞
本実施形態に係る組成提案システムについて説明する。図３は、本実施形態に係る組成提案システムの構成を示すブロック図である。図３に示すように、組成提案システム１０は、第１の取得部１０１、前処理部１０２、予測部１０３、第２の取得部１０４、学習用データセット作成部１０５、学習部１０６、設定部１０７、第３の取得部１０８、物性予測部１０９、比較部１１０、判定部１１１、最適化部１１２、表示部１１３、第１の学習済みモデルＭ５－１及び第２の学習済みモデルＭ５－２を有する。組成提案システム１０は、少なくともリサイクル高分子材料を構成成分として含むリサイクル高分子複合材料が所望の物性値を１つ以上満たすように、リサイクル高分子複合材料に含まれる構成成分の組成を提案する。

第１の取得部１０１は、リサイクル高分子材料の物性値を説明変数として取得する。

第１の取得部１０１に最初に入力されるリサイクル高分子材料の物性値は、ランダムに取得された物性値でよく、例えば、リサイクル高分子材料の、ランダムに取得された、成形性（流動性）、密度、降伏応力、引張強度、引張弾性率、曲げ強度、荷重たわみ温度、ロックウェル硬度、剛性、耐衝撃性、光沢性等を用いてよい。また、最初に入力されるリサイクル高分子材料は、複数のリサイクル高分子材料に対応して、複数の群であってよい。

リサイクル高分子材料の物性値は、上述の第１の予測装置２で取得する高分子材料の物性値、又は第２の予測装置４で予測されるリサイクル高分子複合材料の物性値と同様であるため、詳細は省略する。

前処理部１０２は、第１の取得部１０１で取得した、リサイクル高分子材料の物性値の前処理を行う。なお、組成提案システム１０は、第１の取得部１０１で、予め前処理された、リサイクル高分子材料の物性値を取得する場合、前処理部１０２を備えなくてもよい。

前処理部１０２は、第１の取得部１０１で取得した、リサイクル高分子材料の物性値が重複する場合、リサイクル高分子材料の物性値の重複する値は平均値（中央値）を算出してよい。

前処理部１０２は、リサイクル高分子材料の物性値として、リサイクル高分子材料の種類毎の物性値の平均値を算出してよい。

予測部１０３は、第１の学習済みモデルＭ５－１に、前処理部１０２で取得したリサイクル高分子材料の物性値を入力して、リサイクル高分子材料の記述子を含むパラメータを予測する。予測部１０３は、第１の学習済みモデルＭ５－１に、前処理部１０２で取得したリサイクル高分子材料の物性値を入力することで、第１の学習済みモデルＭ５－１により予測された、リサイクル高分子材料の記述子を含むパラメータを出力する。

予測部１０３は、リサイクル高分子材料の物性値に対応した、リサイクル高分子材料の記述子を含むパラメータを含む群を予測してよい。リサイクル高分子材料の記述子を含むパラメータを含む群は、複数の第１の学習済みモデルＭ５－１により予測される、リサイクル高分子材料の記述子を含むパラメータの予測値の群である。例えば、予測部１０３は、複数の第１の学習済みモデルＭ５－１により、リサイクル高分子材料の、成形性（流動性）、密度、降伏応力、引張強度、引張弾性率、曲げ強度、荷重たわみ温度、ロックウェル硬度、剛性、耐衝撃性、光沢性等に対応した、構成成分の質量比率（例えば、ゴム量、タルク量及びガラス繊維量）、構成成分の種類毎の特性値及び構造値の予測値の群を予測してよい。

リサイクル高分子材料の記述子を含むパラメータは、上述の第１の予測装置２で予測されるリサイクル高分子材料の記述子を含むパラメータ、又は第２の予測装置４で取得されるリサイクル高分子複合材料の記述子を含むパラメータと同様であるため、詳細は省略する。

第１の学習済みモデルＭ５－１は、バージン高分子材料を含むバージン高分子複合材料の物性値とバージン高分子複合材料の記述子を含むパラメータとが対応付けられた学習用データセット（第１の学習用データセット）を用いて学習された学習済みモデルである。第１の学習済みモデルＭ５－１は、図１の第１の学習装置１の学習済みモデルＭ１、又は図１の第１の予測装置２の学習済みモデルＭ２を用いてよい。第１の学習済みモデルＭ５－１は、学習済みモデルＭ１又は学習済みモデルＭ２と同様であるため、詳細は省略する。

第２の取得部１０４は、予測部１０３で、第１の学習済みモデルＭ５－１により予測された、リサイクル高分子材料の記述子を含むパラメータを取得する。

学習用データセット作成部１０５は、第２の取得部１０４で取得された、リサイクル高分子材料の記述子を含むパラメータを、リサイクル高分子複合材料の記述子を含むパラメータとみなす。学習用データセット作成部１０５は、リサイクル高分子複合材料の記述子を含むパラメータを説明変数として、学習用データセットに加える。即ち、学習用データセット作成部１０５は、第２の取得部１０４で取得された、リサイクル高分子材料の記述子を含むパラメータをもとに、組成比に応じたリサイクル高分子複合材料の記述子を含むパラメータを作成し、リサイクル高分子複合材料の記述子を含むパラメータを説明変数として、学習用データセットに加える。

学習用データセットには、過去のリサイクル高分子複合材料の記述子を含むパラメータを説明変数として、過去のリサイクル高分子複合材料の物性値を目的変数として、既に収容されていてよい。学習用データセット作成部１０５は、第２の学習装置３の学習用データセット作成部３３を用いることができる。学習用データセット作成部１０５は、学習用データセット作成部３３と同様であるため、詳細は省略する。

学習部１０６は、リサイクル高分子複合材料の記述子を含むパラメータ（説明変数）と、リサイクル高分子複合材料の物性値（目的変数）とが対応付けられた学習用データセットを用いて学習することで、第２の学習済みモデルＭ５－２を生成する。

第２の学習済みモデルＭ５－２は、リサイクル高分子複合材料の記述子を含むパラメータとリサイクル高分子複合材料の物性値とが対応付けられた学習用データセット（第２の学習用データセット）を用いて学習された学習済みモデルである。第２の学習済みモデルＭ５－２は、図２の第２の学習装置３の学習済みモデルＭ３、又は図２の第２の予測装置４の学習済みモデルＭ４を用いてよい。第２の学習済みモデルＭ５－２は、学習済みモデルＭ３又は学習済みモデルＭ４と同様であるため、詳細は省略する。

学習部１０６は、図２の第２の学習装置３の学習部３４と同様であるため、詳細は省略する。

設定部１０７は、仮想のリサイクル高分子複合材料の物性の目標値を設定する。

目標値は、リサイクル高分子複合材料の用途等に応じて適宜設定されてよい。

第３の取得部１０８は、第２の取得部１０４で取得された、リサイクル高分子材料の記述子を含むパラメータを、学習用データセット作成部１０５と同様、リサイクル高分子複合材料の記述子を含むパラメータとみなし、説明変数として取得する。即ち、第３の取得部１０８は、第２の取得部１０４で取得された、リサイクル高分子材料の記述子を含むパラメータをもとに、組成比に応じたリサイクル高分子複合材料の記述子を含むパラメータを作成し、リサイクル高分子複合材料の記述子を含むパラメータを説明変数として取得する。

物性予測部１０９は、第２の学習済みモデルＭ５－２に、第３の取得部１０８により取得されたリサイクル高分子複合材料の記述子を含むパラメータを、仮想のリサイクル高分子複合材料の記述子を含むパラメータとし、この仮想のリサイクル高分子複合材料の記述子を含むパラメータを説明変数として入力する。物性予測部１０９は、第２の学習済みモデルＭ５－２により、仮想のリサイクル高分子複合材料の物性値を目的変数として出力する。即ち、物性予測部１０９は、１つの第２の学習済みモデルＭ５－２から、仮想のリサイクル高分子材料の記述子を含む１種類のパラメータに対応した、仮想のリサイクル高分子複合材料の物性値を予測する。

比較部１１０は、物性予測部１０９で予測された、仮想のリサイクル高分子複合材料の物性値を、設定部１０７で設定された、仮想のリサイクル高分子複合材料の物性の目標値と比較する。

判定部１１１は、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化する必要があるか否かを判定する。判定部１１１は、例えば、繰り返しの最適化が所定の回数行われたか否かを判定する。

所定の回数は、用いるリサイクル高分子複合材料の種類、組成等に応じて適宜設定されてよい。

また、判定部１１１は、同時に、物性予測部１０９で予測された、仮想のリサイクル高分子複合材料の物性値と、仮想のリサイクル高分子複合材料の物性の目標値との差が所定の範囲内であるかを判定してもよい。

なお、所定の範囲は、用いるリサイクル高分子複合材料の種類、組成等に応じて適宜設定してよい。例えば、所定の範囲は、仮想のリサイクル高分子複合材料の物性値が目標値と同一でもよいし、仮想のリサイクル高分子複合材料の物性の目標値との誤差が数％以下の範囲でもよい。また、仮想のリサイクル高分子複合材料の物性値が複数ある場合、仮想のリサイクル高分子複合材料の物性の少なくとも一つと目標値との誤差が数％以下の範囲でもよい。

最適化部１１２は、物性予測部１０９において予測された、仮想のリサイクル高分子複合材料の物性値が、目標値に近づくように、仮想のリサイクル高分子複合材料の記述子（例えば、質量比率、特性値及び構造値等）を含むパラメータを変更して最適化する。最適化部１１２は、仮想のリサイクル高分子複合材料の物性値が予測される毎に、仮想のリサイクル高分子複合材料の記述子を含むパラメータを変更することで、仮想のリサイクル高分子複合材料に構成成分として含まれる、リサイクル高分子材料とリサイクル高分子材料以外の成分との質量比率を最適化する。

即ち、最適化部１１２は、仮想のリサイクル高分子複合材料の物性値が望ましい方向に変更するように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化する。

構成成分は、上述の通り、リサイクル高分子材料とリサイクル高分子材料以外の成分を必須成分として含み、リサイクル高分子材料と、リサイクル高分子材料以外の成分は、いずれも、１つ以上含んでよい。リサイクル高分子複合材料の記述子として、例えば、リサイクル高分子複合材料に含まれる構成成分の種類、構成成分の質量比率が最適化される際、リサイクル高分子複合材料に構成成分として含まれるリサイクルプロピレン系重合体、ポリオレフィンエラストマー及び充填材の種類と、リサイクルプロピレン系重合体、ポリオレフィンエラストマー、充填材及びその他の構成成分の質量比率を最適化されることが好ましい。

リサイクル高分子複合材料の質量比率は、それぞれ、タルク量、ゴム量及びガラス繊維量の少なくとも１つ以上を含んでよい。なお、リサイクル高分子複合材料の質量比率が含まれる場合、バージン高分子複合材料及び仮想のリサイクル高分子複合材料は、リサイクル高分子複合材料と同様、タルク量、ゴム量及びガラス繊維量の少なくとも１つ以上を含んでよい。

リサイクル高分子複合材料の記述子は、リサイクル高分子複合材料に含まれる構成成分の特性値及び構造値の少なくとも一方を含んでよい。なお、リサイクル高分子複合材料の記述子が含まれる場合、バージン高分子複合材料及び仮想のリサイクル高分子複合材料の記述子は、それぞれ、リサイクル高分子複合材料と同様、構成成分の特性値及び構造値の少なくとも一方を含んでよい。

最適化部１１２は、最適化された、仮想のリサイクル高分子複合材料の記述子を、再度、仮想記述子として、第３の取得部１０８に入力する。

最適化部１１２は、例えば、米国Ａｎａｃｏｎｄａ社から配布されているソフトウェアであるＡｎａｃｏｎｄａ（登録商標）に含まれるライブラリを用いてよい。Ａｎａｃｏｎｄａ（登録商標）には、Ｐｙｔｈｏｎ（登録商標）及び機械学習で使用されるライブラリ群が含まれている。最適化部１１２は、仮想のリサイクル高分子複合材料の記述子を含むパラメータの最適化のため、ＰｙｔｈｏｎライブラリであるＯｐｔｕｎａ（登録商標）を用いて、良好な物性を有する仮想のリサイクル高分子複合材料の記述子を含むパラメータを提案できる。

即ち、最適化部１１２は、仮想のリサイクル高分子複合材料の記述子を含むパラメータと、仮想のリサイクル高分子複合材料の物性の予測値から、最適化した際の仮想のリサイクル高分子複合材料の望ましい質量比率、特性値及び構造値等を含む記述子を、ＰｙｔｈｏｎライブラリであるＯｐｔｕｎａ（登録商標）を用いて提案できる。

最適化部１１２は、仮想のリサイクル高分子複合材料の記述子を含むパラメータを、学習用データセット（第２の学習用データセット）に記録されている、リサイクル高分子複合材料の記述子を含むパラメータに変更することに限定されない。最適化部１１２は、学習用データセット（第２の学習用データセット）に記録されていない、リサイクル高分子複合材料の記述子を含むパラメータに変更してもよい。

即ち、最適化部１１２は、物性予測部１０９で予測された、仮想のリサイクル高分子複合材料の物性値に基づいて、仮想のリサイクル高分子複合材料の記述子を、学習用データセット（第２の学習用データセット）に記録されている高分子複合材料の質量比率、特性値及び構造値等に変更してもよいし、学習用データセット（第２の学習用データセット）に記録されていない高分子複合材料の質量比率、特性値及び構造値等に変更してもよい。

また、最適化部１１２は、仮想のリサイクル高分子複合材料の記述子を含むパラメータを、学習用データセット（第２の学習用データセット）に記録されているか否かに関わらず、特定の、仮想のリサイクル高分子複合材料の記述子を含むパラメータを回避するように変更してもよい。

即ち、最適化部１１２は、学習用データセット（第２の学習用データセット）に記録されているか否かに関わらず、特定のリサイクル高分子複合材料の記述子として、リサイクル高分子複合材料の特定の質量比率、特性値及び構造値等を回避するように変更してもよい。

最適化部１１２は、最適化した際の仮想のリサイクル高分子複合材料の望ましい質量比率、特性値及び構造値等を含む記述子を含むパラメータを実現するための、仮想のリサイクル高分子複合材料の記述子に構成成分として含まれる、リサイクル高分子材料とリサイクル高分子材料以外の成分との質量比率を、アルゴリズムを用いて最適化して提案することが好ましい。

アルゴリズムとしては、ランダムサーチ及び数理最適化処理等が挙げられるが、中でも、より効率的に最適化を行う点から、数理最適化処理が好ましい。

数理最適化処理として、遺伝的アルゴリズム、ベイス最適化及びＴＰＥ（Ｔｒｅｅ－ｓｔｒｕｃｔｕｒｅｄ Ｐａｒｚｅｎ Ｅｓｔｉｍａｔｏｒ）等を用いることができる。これらは１つのみを単独で用いてもよいし、２つ以上を併用してよい。これらの中でも、１回の処理当たりの計算速度とリサイクル高分子複合材料の物性の予測値の最適化効率のバランスの点から、遺伝的アルゴリズムが好ましい。

最適化部１１２は、仮想のリサイクル高分子複合材料の物性が望ましい方向に最大化するように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化してよい。

最適化部１１２は、物性予測部１０９で予測された、仮想のリサイクル高分子複合材料の物性の予測値から、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化した際、最適化された仮想のリサイクル高分子複合材料の組成の群（パレート最適解）を提案してよい。

即ち、最適化部１１２は、物性予測部１０９で予測された、仮想のリサイクル高分子複合材料の物性から、仮想のリサイクル高分子複合材料の組成の組合せを複数提案してよい。例えば、最適化部１１２は、仮想のリサイクル高分子複合材料に構成成分として含まれる、リサイクル高分子材料とリサイクル高分子材料以外の成分との質量比率の組合せを複数提案してよい。

最適化部１１２は、リサイクル高分子複合材料の２つ以上の物性値それぞれについて生成された第２の学習済みモデルＭ５－２に、仮想のリサイクル高分子複合材料の記述子を含むパラメータをそれぞれ入力することで予測される、仮想のリサイクル高分子複合材料の２つ以上の物性値のそれぞれが、２つ以上の物性それぞれの前記目標値に近づくように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを変更してよい。

リサイクル高分子複合材料の物性が２つ以上である場合でも、最適化部１１２は、２つ以上の物性についてのリサイクル高分子複合材料の組成の群（パレート最適解）を提案してよい。

仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化する方法として、以下の方法がある。

一つ目の最適化の方法として、仮想のリサイクル高分子複合材料の物性値を望ましい方向に最大化又は最小化するように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化させ、リサイクル高分子複合材料の記述子の群を提案する方法がある。

この最適化する方法は、仮想のリサイクル高分子複合材料の物性値を望ましい方向に最大化するように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化させることが好ましい。

この最適化する方法では、最適化部１１２は、最適化の対象となるリサイクル高分子複合材料の物性値の項目と、最適化の方向（最大化又は最小化）を指定することで、リサイクル高分子複合材料の物性値が良好となるように、リサイクル高分子複合材料の記述子を最適化できる。

例えば、最適化部１１２は、提案されたリサイクル高分子複合材料の組成Ｒから、第３の取得部１０８、物性予測部１０９を経由して、組成Ｒに対応するリサイクル高分子複合材料の物性の予測値の群Ｐを得る。このとき、最適化部１１２は、上記操作を繰り返すことにより、リサイクル高分子複合材料の仮想的な組成Ｒｊ（ｊ＝１、２・・・ｎ）と、リサイクル高分子複合材料の組成に対応するリサイクル高分子複合材料の物性値の予測値の群Ｐｊ（ｊ＝１、２・・・ｎ）との対が得られる。そして、最適化部１１２は、得られたリサイクル高分子複合材料の仮想的な組成Ｒｊと、組成に対応するリサイクル高分子複合材料の物性値の予測値の群Ｐｊとの対から、リサイクル高分子複合材料の物性値の予測値が良好となるリサイクル高分子複合材料の組成の群を選択できる。

例えば、数理最適化処理として遺伝的アルゴリズムを用いる。この場合、第２の取得部１０４に、初めに(ランダムに)入力される複数の仮想的な組成Ｒｊ（ｊ＝１、２・・・ｎ）と、対応する物性値の予測値の群Ｐｊ（ｊ＝１、２・・・ｎ）との対を第一世代とする。そして、予測値の群Ｐｊの値が望ましい（即ち、望ましい方向に最大化又は最小化されている）仮想組成Ｒｊの部分集合から、リサイクル高分子複合材料の記述子を含むパラメータを仮想組成間で組み替える交叉操作と、リサイクル高分子複合材料の記述子を含むパラメータの一部をランダムに置き換える突然変異操作を行う。これにより、最適化部１１２は、リサイクル高分子複合材料の物性値の予測値が良好となるリサイクル高分子複合材料の組成の群が得られる。こうして得られた組成の群と対応する予測値の群の対を第二世代として、上記操作を繰り返す。これにより、更にリサイクル高分子複合材料の物性値の予測値が良好となるリサイクル高分子複合材料の組成の群が得られる。

最適化部１１２は、上記の方法により、リサイクル高分子複合材料の物性値が望ましい方向に最大又は最小であるリサイクル高分子複合材料の記述子の群を仮想記述子の群として提案できる。

よって、最適化部１１２は、上記の方法により、多数の組み合わせが考えられるリサイクル高分子複合材料の中で、リサイクル高分子複合材料の物性値が望ましい方向に最大化又は最小化されたリサイクル高分子複合材料の記述子の群を提案できる。

二つ目の最適化する方法として、仮想のリサイクル高分子複合材料の物性値を望ましい値に近づけるように、リサイクル高分子複合材料の記述子の群を提案する方法がある。

この最適化する方法では、最適化部１１２は、最適化のための目的関数として、最適化の対象となる、リサイクル高分子複合材料の物性値の項目と、その目標値を指定することで、リサイクル高分子複合材料の物性値が良好となるように、リサイクル高分子複合材料の組成を最適化できる。

最適化部１１２は、リサイクル高分子複合材料の物性値ｋの目標値をＯｋ、リサイクル高分子複合材料の組成Ｒｊに対応するリサイクル高分子複合材料の物性値の予測値をＰｋ，ｊとした時、最適化のための目的関数ｆｋは、下記式（１）により求められる。
ｆｋ＝｜Ｏｋ－Ｐｋ，ｊ｜／｜Ｏｋ｜ ・・・（１）

そして、最適化部１１２は、上記の、第一の最適化する方法と同様の方法によって、目的関数ｆｋを最小化するように組成を最適化する。

最適化部１１２は、上記の方法により、リサイクル高分子複合材料の物性値を望ましい値（目標値）に近づけるようなリサイクル高分子複合材料の記述子の群を仮想記述子の群として提案できる。

リサイクル高分子複合材料の物性値が２つ以上である場合でも、最適化部１１２は、上記と同様に、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化する方法を用い、リサイクル高分子複合材料の記述子の群を提案できる。

即ち、最適化部１１２は、リサイクル高分子複合材料の２つ以上の物性値それぞれについて、第２の学習済みモデルＭ５－２に、仮想のリサイクル高分子複合材料の記述子を含むパラメータをそれぞれ入力することで予測される、仮想のリサイクル高分子複合材料の２つ以上の物性値が、それぞれ、最大化又は最小化するように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化させ、リサイクル高分子複合材料の記述子の群を提案してよい。

また、最適化部１１２は、リサイクル高分子複合材料の２つ以上の物性それぞれについて、第２の学習済みモデルＭ５－２に、仮想のリサイクル高分子複合材料の記述子を含むパラメータをそれぞれ入力することで予測される、仮想のリサイクル高分子複合材料の２つ以上の物性値が、２つ以上の物性値のそれぞれの目標値に近づくように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化させ、リサイクル高分子複合材料の記述子の群を提案してよい。

表示部１１３は、仮想のリサイクル高分子複合材料の記述子を含むパラメータに関する情報を表示する。リサイクル高分子複合材料の記述子は、１回以上、最適化部１１２により提案されて判定部１１１で再度判定された、リサイクル高分子複合材料の記述子でもよいし、最適化部１１２により最適化されていない、リサイクル高分子複合材料の記述子でもよい。判定部１１１において、物性予測部１０９で予測されたリサイクル高分子複合材料の物性が、目標値の所定の範囲内である場合、最初に第２の取得部１０４で取得された、リサイクル高分子複合材料の記述子を表示してよい。

表示部１１３は、例えば、最適化部１１２により提案された、リサイクル高分子複合材料の記述子の群を、マップ、ランキング形式、最適な組み合わせ順等、リサイクル高分子複合材料の記述子のリストで表示してよい。

このように、組成提案システム１０は、予測部１０３、設定部１０７、物性予測部１０９、比較部１１０、判定部１１１及び最適化部１１２を備える。組成提案システム１０は、比較部１１０において、物性予測部１０９で予測された仮想のリサイクル高分子複合材料の物性値を設定部１０７で設定された目標値と比較して、判定部１１１において、仮想のリサイクル高分子複合材料の物性が目標値の所定の範囲内にあるかと判定する。組成提案システム１０は、最適化部１１２において、第２の学習済みモデルＭ５－２に仮想のリサイクル高分子複合材料の記述子を含むパラメータを入力することで予測される、仮想のリサイクル高分子複合材料の物性値が、目標値に近づくように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化する。

組成提案システム１０は、判定部１１１において、物性予測部１０９で得られた仮想のリサイクル高分子複合材料の物性が目標値の所定の範囲内にあると判定されるまで、最適化部１１２において、仮想のリサイクル高分子複合材料の物性値が、目標値に近づくように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化する操作を繰り返す。これにより、組成提案システム１０は、仮想のリサイクル高分子複合材料の記述子を含むパラメータを、設定される目標値と略同等の物性を有するリサイクル高分子複合材料の記述子を含むパラメータと略同等にできる。このため、組成提案システム１０は、仮想のリサイクル高分子複合材料の物性値から、目標値として設定されるリサイクル高分子複合材料と略同等の物性を有するリサイクル高分子複合材料の記述子を含むパラメータを提案できる。

よって、組成提案システム１０は、設定される、リサイクル高分子複合材料の所望の物性値が得られる、リサイクル高分子複合材料の記述子を含むパラメータを提案できる。

また、組成提案システム１０は、最適化部１１２を備えることで、仮想のリサイクル高分子複合材料の記述子を、仮想のリサイクル高分子複合材料の所望の物性を満たすように最適化する際に要する負担の軽減及び時間の削減を図ることができる。よって、組成提案システム１０は、所望の物性を満たすリサイクル高分子複合材料の記述子を含むパラメータを効率良く提案できるため、リサイクル高分子複合材料の製造及び物性の確認等に要するエネルギー消費の低減を図ることができる。

組成提案システム１０は、第１の取得部１０１により取得されるリサイクル高分子複合材料、第１の学習済みモデルＭ５－１で用いられるバージン高分子複合材料、第２の学習済みモデルＭ５－２で用いられるリサイクル高分子複合材料及び物性予測部１０９により取得される仮想のリサイクル高分子複合材料（「リサイクル高分子複合材料等」ともいう。）の質量比率として、それぞれ、タルク量、ゴム量及びガラス繊維量の少なくとも１つ以上を含むことができる。リサイクル高分子材料は、組成比が一定ではないことが多いが、タルク量、ゴム量及びガラス繊維量は、比較的、大きな変化が生じ難く、リサイクル高分子材料を含むリサイクル高分子複合材料の性能の予測に用い易い。組成提案システム１０は、リサイクル高分子複合材料等の質量比率に、タルク量、ゴム量及びガラス繊維量の少なくとも１つ以上を含むことで、リサイクル高分子複合材料の物性値の予測性能を高めることができるので、所望の物性値を有するリサイクル高分子複合材料の記述子を含むパラメータをより高精度に提案できる。

組成提案システム１０は、リサイクル高分子複合材料等の記述子として、それぞれ、これらに含まれる構成成分の特性値及び構造値の少なくとも一方を含むことができる。構成成分の特性値及び構造値は、リサイクル高分子複合材料等の記述子として使用し易いため、組成提案システム１０は、所望の物性値を有するリサイクル高分子複合材料の記述子として、構成成分の特性値及び構造値の少なくとも一方を含むパラメータを容易に提案できる。

組成提案システム１０は、最適化部２９で、特定の、仮想のリサイクル高分子複合材料の記述子を含むパラメータを回避するように変更できる。これにより、組成提案システム１０は、仮想のリサイクル高分子複合材料の記述子が重複することを避けつつ、リサイクル高分子複合材料の記述子を含むパラメータを提案できる。

組成提案システム１０は、最適化部２９で、数理最適化処理を行って、仮想のリサイクル高分子複合材料の記述子に構成成分として含まれる、リサイクル高分子とリサイクル高分子以外の成分との質量比率を提案できる。これにより、組成提案システム１０は、最適化部１１２で、リサイクル高分子複合材料の記述子を含むパラメータをより効率的に最適化を行うことができるので、リサイクル高分子複合材料の記述子を含むパラメータをより効率良く提案できる。

組成提案システム１０は、最適化部１１２で、数理最適化処理として、遺伝的アルゴリズム、ベイズ最適化及びＴＰＥの何れかを用いることができる。組成提案システム１０は、最適化部１１２で、数理最適化処理に、遺伝的アルゴリズム、ベイズ最適化及びＴＰＥの何れかを用いても、リサイクル高分子複合材料の記述子を含むパラメータの最適化を行い、リサイクル高分子複合材料の記述子を含むパラメータを提案できる。

組成提案システム１０は、最適化部１１２で、仮想のリサイクル高分子複合材料の物性が望ましい方向に最大化するように、仮想のリサイクル高分子複合材料の記述子を含むパラメータの最適化を行うことができる。これにより、組成提案システム１０は、最適化部１１２で、リサイクル高分子複合材料の記述子を含むパラメータの最適化を適切に行うことができるので、リサイクル高分子複合材料の記述子を含むパラメータを適切に提案できる。

組成提案システム１０は、最適化部１１２で、仮想のリサイクル高分子複合材料に構成成分として含まれる、リサイクル高分子材料とリサイクル高分子材料以外の成分との質量比率の組合せを複数提案できる。組成提案システム１０は、リサイクル高分子複合材料の記述子を含むパラメータの候補を、使用者に一度にまとめて複数提供できる。

組成提案システム１０は、最適化部１１２で、第２の学習済みモデルＭ５－２に、仮想のリサイクル高分子複合材料の記述子を含むパラメータを入力することで予測される、仮想のリサイクル高分子複合材料の２つ以上の物性のそれぞれが、２つ以上の物性それぞれの目標値に近づくように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを変更できる。これにより、組成提案システム１０は、所望の物性値を有するリサイクル高分子複合材料の記述子を含むパラメータを適切に提案できる。

組成提案システム１０は、最適化部１１２で、２つ以上の物性値についてパレート解を提案できる。組成提案システム１０は、リサイクル高分子複合材料の物性値が２つ以上である場合でも、２つ以上の物性値についてのリサイクル高分子複合材料の組成の群を提案できる。

組成提案システム１０は、リサイクル高分子複合材料等の質量比率として、リサイクル高分子複合材料等の構成成分の種類毎の平均値を含むことができる。組成提案システム１０は、リサイクル高分子複合材料等の質量比率に、これらの構成成分の種類毎の平均値を用いることで、所望の物性値を有するリサイクル高分子複合材料の記述子を含むパラメータをより適切に提案できる。

組成提案システム１０は、バージン高分子材料及びリサイクル高分子材料に、二種類以上の単量体単位を含む共重合体を含むことができる。これにより、組成提案システム１０は、バージン高分子材料及びリサイクル高分子材料が共重合体を含む場合でも、所望の物性値を有するリサイクル高分子複合材料の記述子を含むパラメータを提案できる。

組成提案システム１０は、リサイクル高分子複合材料等には、それぞれ、プロピレン系重合体、ポリオレフィンエラストマー及び充填材を含む組成物を用いることができる。組成提案システム１０は、リサイクル高分子複合材料等が、プロピレン系重合体、ポリオレフィンエラストマー及び充填材を含む組成物で構成される場合でも、所望の物性値を有するリサイクル高分子複合材料の記述子を含むパラメータを提案できる。

組成提案システム１０は、プロピレン系重合体が、プロピレンに由来する単量体単位とエチレンに由来する単量体単位とを含む共重合体を含むことができる。組成提案システム１０は、リサイクル高分子複合材料等に含まれるプロピレン系重合体がエチレンを含む共重合体で構成されている場合でも、所望の物性値を有するリサイクル高分子複合材料の記述子を含むパラメータを提案できる。

なお、上記の、第１の学習装置１、第１の予測装置２、第２の学習装置３及び第２の予測装置４は、第１の学習システム、第１の予測システム、第２の学習システム及び第２の予測システムとして構成されてもよい。即ち、第１の学習装置１及び第２の学習装置３は、各構成を装置内に備えた、ＰＣ（Personal Computer）等の単独の装置としているが、各構成の１つ以上は装置の外側に配置してネットワークを介して接続されてもよい。

例えば、学習用データセットはクラウド上に設けられてもよい。この場合、第１の学習装置１及び第２の学習装置３は、ネットワークを介して接続される学習用データセットにより学習システムとして構成される。

同様に、第１の予測装置２、第２の予測装置４も、各構成の１つ以上は装置の外側に配置してネットワークを介して接続されてもよい。

＜ハードウェア構成＞
次に、第１の学習装置１、第１の予測装置２、第２の学習装置３、第２の予測装置４及び組成提案システム１０のハードウェア構成の一例について説明する。図４は、第１の学習装置１、第１の予測装置２、第２の学習装置３、第２の予測装置４及び組成提案システム１０のハードウェア構成を示すブロック図である。図４に示すように、第１の学習装置１、第１の予測装置２、第２の学習装置３、第２の予測装置４及び組成提案システム１０は、情報処理装置（コンピュータ）で構成され、物理的には、演算処理部であるＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ：プロセッサ）１００１、主記憶装置であるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１００２及びＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１００３、入力デバイスである入力装置１００４、出力装置１００５、通信モジュール１００６並びにハードディスク等の補助記憶装置１００７等を含むコンピュータシステムとして構成することができる。これらは、バス１００８で相互に接続されている。なお、出力装置１００５及び補助記憶装置１００７は、外部に設けられていてもよい。

ＣＰＵ１００１は、第１の学習装置１、第１の予測装置２、第２の学習装置３、第２の予測装置４及び組成提案システム１０の全体の動作を制御し、各種の情報処理を行う。ＣＰＵ１００１は、ＲＯＭ１０３又は補助記憶装置１００７に格納された、例えば、後述する、学習方法、予測方法及び組成提案方法、又は学習プログラム、予測プログラム及び組成提案プログラムを実行して、学習、予測及び組成提案を行うことができる。

ＲＡＭ１００２は、ＣＰＵ１００１のワークエリアとして用いられ、主要な制御パラメータや情報を記憶する不揮発ＲＡＭを含んでもよい。

ＲＯＭ１０３は、基本入出力プログラム等を記憶する。学習プログラム、予測プログラム又は組成提案プログラムはＲＯＭ１０３に保存されてもよい。

入力装置１００４は、キーボード、マウス、操作ボタン、タッチパネル、表示画面等の入力デバイスであり、使用者に入力された情報を指示信号として受け付け、その指示信号をＣＰＵ１００１に出力する。

出力装置１００５は、モニタディスプレイ等の表示装置、スピーカー、プリンタ等の印刷装置等である。出力装置１００５では、例えば、モニタディスプレイ等の表示装置に学習結果、予測結果及び組成提案結果等の情報が表示され、入力装置１００４や通信モジュール１００６を介した入力操作に応じて表示する画面が更新される。

通信モジュール１００６は、ネットワークカード等のデータ送受信デバイスであり、外部のデータ収録サーバ等からの情報を取り込み、他の電子機器に解析情報を出力する通信インタフェースとして機能する。

補助記憶装置１００７は、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、及びＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等の記憶装置であり、例えば、第１の学習装置１、第１の予測装置２、第２の学習装置３、第２の予測装置４及び組成提案システム１０の動作に必要な各種のデータ、ファイル等を格納する。

第１の学習装置１、第１の予測装置２、第２の学習装置３、第２の予測装置４及び組成提案システム１０の各機能は、ＲＡＭ１００２等の主記憶装置又は補助記憶装置１００７から所定のコンピュータソフトウェア（学習プログラム、予測プログラム及び組成提案プログラムを含む）を読み込ませ、ＣＰＵ１００１により実行することで、ＲＡＭ１００２等の主記憶装置又は及び補助記憶装置１００７等におけるデータの読み出し及び書き込みを行うと共に、入力装置１００４、出力装置１００５及び通信モジュール１００６を動作させることで実現される。

よって、図１～図３に示す、第１の学習装置１、第１の予測装置２、第２の学習装置３、第２の予測装置４及び組成提案システム１０の各部は、第１の学習装置１、第１の予測装置２、第２の学習装置３、第２の予測装置４及び組成提案システム１０を備えたコンピュータにおいて、プロセッサが予め記憶されている所定のコンピュータソフトウェア（学習プログラム、予測プログラム及び組成提案プログラムを含む）を実行することで、ソフトウェア及びハードウェアが協働して実現される。

学習プログラム、予測プログラム及び組成提案プログラムは、例えばコンピュータが備える主記憶装置又は補助記憶装置１００７内に格納させておくことができる。また、学習プログラム、予測プログラム及び組成提案プログラムは、インターネット等の通信回線に接続されたコンピュータ上に格納し、学習プログラム、予測プログラム及び組成提案プログラムの一部又は全部を通信回線を介してダウンロードさせることで提供してもよい。さらに、学習プログラム、予測プログラム及び組成提案プログラムは、通信回線を介して提供又は配布するように構成してもよい。

学習プログラム、予測プログラム及び組成提案プログラムは、その一部又は全部が、ＣＤ－ＲＯＭ及びＤＶＤ－ＲＯＭ等の光ディスク、フラッシュメモリ等の半導体メモリ等、持ち運び可能な記憶媒体に格納された状態から、コンピュータ内に記録（インストールを含む）してもよい。

＜第１の学習方法＞
次に、第１の学習方法について説明する。第１の学習方法は、図１に示すような構成を有する第１の学習装置１において、高分子複合材料の物性（説明変数）と、高分子複合材料の記述子を含むパラメータ（目的変数）とが対応付けられた学習用データセットを用いて、高分子材料を含む高分子複合材料の記述子を含むパラメータを予測する学習済みモデルを生成する方法である。

図５は、第１の学習方法を説明するフローチャートである。図５に示すように、取得部１１により、高分子材料又は高分子複合材料の物性値を説明変数として取得すると共に、高分子材料又は高分子複合材料の記述子を含むパラメータを目的変数として取得する（第１の学習情報の取得工程：ステップＳ１１）。

次に、前処理部１２により、取得した高分子材料又は高分子複合材料の物性値及び高分子材料又は高分子複合材料の記述子を含むパラメータの前処理を行う（第１の学習情報の前処理工程：ステップＳ１２）。

次に、学習用データセット作成部１３により、前処理された、高分子材料又は高分子複合材料の物性値を説明変数とし、高分子材料又は高分子複合材料の記述子を含むパラメータを目的変数として、それぞれ抽出して、学習用データセットに加える（第１の学習用データセットの作成工程：ステップＳ１３）。

学習用データセット作成部１３により、入力された、高分子材料又は高分子複合材料の物性値と高分子材料又は高分子複合材料の記述子を含むパラメータとを紐付けて、学習用データセットが作成される。

次に、学習部１４により、高分子材料又は高分子複合材料の物性値と高分子材料又は高分子複合材料の記述子を含むパラメータとが対応付けられた学習用データセットを用いて、学習済みモデルＭ１を生成する（第１の学習工程：ステップＳ１４）。

学習部１４は、学習用データセットに含まれる、高分子材料又は高分子複合材料の物性値の入力に応じて、高分子材料又は高分子複合材料の物性値に紐付けられた高分子材料又は高分子複合材料の記述子を含むパラメータと合致した出力となるように、学習済みモデルＭ１を生成する。

次に、表示部１５により、学習済みモデルＭ１の学習において用いられる学習用データの情報と、学習済みモデルＭ１に関する情報とが表示される（第１の学習情報の表示工程：ステップＳ１５）。

第１の学習方法は、第１の学習工程（ステップＳ１４）を含むことで、高分子材料又は高分子複合材料の記述子を含むパラメータを予測する学習済みモデルＭ１を生成する。よって、学習方法は、第１の学習工程（ステップＳ１４）において生成した学習済みモデルＭ１を用いることで、入力される、高分子材料又は高分子複合材料の物性値から、高分子材料又は高分子複合材料の記述子を含むパラメータを予測するように学習する。

また、第１の学習方法は、第１の学習工程（ステップＳ１４）を含み、第１の学習工程（ステップＳ１４）において、学習済みモデルＭ１を生成する。このため、第１の学習方法を用いれば、高分子材料又は高分子複合材料の物性値から高分子材料又は高分子複合材料の記述子を含むパラメータを予測するために用いることで、高分子材料又は高分子複合材料の記述子を含むパラメータの予測に要する負担の軽減及び時間の削減を図る。よって、第１の学習方法を用いれば、高分子材料又は高分子複合材料の記述子を含むパラメータを予測する際のエネルギー消費の低減を図れる。

＜第１の予測方法＞
次に、第１の予測方法について説明する。第１の予測方法は、図１に示すような構成を有する第１の予測装置２において、学習済みモデルＭ２により、リサイクル高分子材料の物性値から予測対象のリサイクル高分子材料の記述子を含むパラメータを予測する方法である。

図６は、第１の予測方法を説明するフローチャートである。図６に示すように、取得部２１により、予測対象の、リサイクル高分子材料の物性値を説明変数として取得する（第１の予測情報の取得工程：ステップＳ２１）。

次に、前処理部１２により、取得した、予測対象の、リサイクル高分子材料の物性値の前処理を行う（第１の予測情報の前処理工程：ステップＳ２２）。

次に、予測部２３により、学習済みモデルＭ２に、前処理された、予測対象のリサイクル高分子材料の物性値を入力することで、学習済みモデルＭ２により予測された、予測対象のリサイクル高分子材料の記述子を含むパラメータを出力する（第１の予測工程：ステップＳ２３）。

次に、表示部２４により、第１の予測工程Ｓ２３において、学習済みモデルＭ２により予測された、リサイクル高分子材料の記述子を含むパラメータに関する情報が表示される（第１の予測情報の表示工程：ステップＳ２４）。

第１の予測方法は、第１の予測工程（ステップＳ２４）を含むことで、学習済みモデルＭ２により、リサイクル高分子材料又は高分子複合材料の物性から、リサイクル高分子材料又は高分子複合材料の記述子を含むパラメータを目的変数として予測する。よって、第１の予測方法は、入力される、リサイクル高分子材料又は高分子複合材料の物性値に対応した、リサイクル高分子材料又は高分子複合材料の記述子を含むパラメータを予測する。

また、第１の予測方法は、第１の予測工程（ステップＳ２４）を含むことで、リサイクル高分子材料の物性値からリサイクル高分子材料の記述子を含むパラメータの予測に要する負担の軽減及び時間の削減を図りつつ、リサイクル高分子材料の記述子を含むパラメータを予測する。よって、第１の予測方法は、リサイクル高分子材料の記述子を含むパラメータを効率的に予測するため、リサイクル高分子材料の記述子を含むパラメータを予測する際のエネルギー消費の低減を図れる。

＜第２の学習方法＞
次に、第２の学習方法について説明する。学習方法は、図２に示すような構成を有する第２の学習装置３において、リサイクル高分子材料を含むリサイクル高分子複合材料の記述子を含むパラメータ（説明変数）とリサイクル高分子複合材料の物性（目的変数）とが対応付けられた学習用データセットを用いて、リサイクル高分子複合材料の記述子を含むパラメータからリサイクル高分子複合材料の物性値を予測する学習済みモデルＭ３を生成する方法である。

図７は、第２の学習方法を説明するフローチャートである。図７に示すように、取得部３１により、リサイクル高分子複合材料の記述子を含むパラメータを説明変数として取得すると共に、リサイクル高分子複合材料の物性値を目的変数として取得する（第２の学習情報の取得工程：ステップＳ３１）。

次に、前処理部３２により、取得したリサイクル高分子複合材料の記述子を含むパラメータ（説明変数）及びリサイクル高分子複合材料の物性値（目的変数）の前処理を行う（第２の学習情報の前処理工程：ステップＳ３２）。

次に、学習用データセット作成部３３により、前処理された、リサイクル高分子複合材料の記述子を含むパラメータを説明変数として、リサイクル高分子複合材料の物性値を目的変数として、それぞれ抽出して、学習用データセットに加える（第２の学習用データセットの作成工程：ステップＳ３３）。

学習用データセット作成部３３により、入力された、リサイクル高分子複合材料の記述子を含むパラメータとリサイクル高分子複合材料の物性値を紐付けて、学習用データセットが作成される。

次に、学習部３４により、リサイクル高分子複合材料の記述子を含むパラメータとリサイクル高分子複合材料の物性とが対応付けられた学習用データセットを用いて、学習済みモデルＭ３を生成する（第２の学習工程：ステップＳ３４）。

学習部３４により、学習用データセットに含まれる、リサイクル高分子複合材料の記述子を含むパラメータの入力に応じて、リサイクル高分子複合材料の記述子を含むパラメータに紐付けられたリサイクル高分子複合材料の物性値と合致した出力となるように、学習済みモデルＭ３が生成される。

次に、表示部３５により、学習済みモデルＭ３の学習において用いられる学習用データの情報と、学習済みモデルＭ３に関する情報とが表示される（第２の学習情報の表示工程：ステップＳ３５）。

第２の学習方法は、第２の学習工程（ステップＳ３４）を含むことで、リサイクル高分子複合材料の物性値を予測する学習済みモデルＭ３を生成する。よって、学習方法は、第２の学習工程（ステップＳ３３）において生成した学習済みモデルＭ３を用いることで、入力される、リサイクル高分子複合材料の記述子を含むパラメータから、リサイクル高分子複合材料の物性値を予測するように学習する。

また、第２の学習方法は、第２の学習工程（ステップＳ３４）を含み、第２の学習工程（ステップＳ３４）において、学習済みモデルＭ３を生成する。このため、第２の学習方法を用いれば、リサイクル高分子複合材料の記述子を含むパラメータからリサイクル高分子複合材料の物性値を予測するために用いることで、リサイクル高分子複合材料の物性値の予測に要する負担の軽減及び時間の削減を図る。よって、第２の学習方法を用いれば、リサイクル高分子複合材料の物性値を予測する際のエネルギー消費の低減を図れる。

＜第２の予測方法＞
次に、第２の予測方法について説明する。第２の予測方法は、図２に示すような構成を有する第２の予測装置４において、学習済みモデルＭ４により、リサイクル高分子複合材料の記述子を含むパラメータから、予測対象のリサイクル高分子複合材料の物性値を予測する方法である。

図８は、第２の予測方法を説明するフローチャートである。図８に示すように、取得部４１により、予測対象の、リサイクル高分子複合材料の記述子を含むパラメータを説明変数として取得する（第２の予測情報の取得工程：ステップＳ４１）。

次に、前処理部４２により、取得した、予測対象の、リサイクル高分子複合材料の記述子を含むパラメータの前処理を行う（第２の予測情報の前処理工程：ステップＳ４２）。

次に、予測部４３により、学習済みモデルＭ４に、前処理された、予測対象のリサイクル高分子複合材料の記述子を含むパラメータを入力することで、学習済みモデルＭ４により予測された、予測対象のリサイクル高分子複合材料の物性値を出力する（第２の予測工程：ステップＳ４３）。

次に、表示部４４により、第２の予測工程Ｓ４３において、学習済みモデルＭ４により予測された、リサイクル高分子複合材料の物性値等に関する情報が表示される（第２の予測情報の表示工程：ステップＳ４４）。

第２の予測方法は、第２の予測工程（ステップＳ４３）を含むことで、学習済みモデルＭ４により、リサイクル高分子複合材料の記述子を含むパラメータから、リサイクル高分子複合材料の物性値を予測する。よって、第２の予測方法は、入力される、リサイクル高分子複合材料の記述子を含むパラメータから、リサイクル高分子複合材料の物性値を予測する。

また、第２の予測方法は、第２の予測工程（ステップＳ４３）を含むことで、リサイクル高分子複合材料の記述子を含むパラメータからリサイクル高分子複合材料の物性値の予測に要する負担の軽減及び時間の削減を図りつつ、リサイクル高分子複合材料の物性値を予測する。よって、第２の予測方法は、リサイクル高分子複合材料の物性値を効率的に予測するため、リサイクル高分子複合材料の物性値を予測する際のエネルギー消費の低減を図れる。

＜組成提案方法＞
次に、本実施形態に係る組成提案方法について説明する。本実施形態に係る組成提案方法は、図３に示すような構成を有する組成提案システム１０において、学習済みモデルＭ５により、リサイクル高分子複合材料の組成を提案する方法である。

図９は、本実施形態に係る組成提案方法を説明するフローチャートである。図９に示すように、第１の取得部１０１により、リサイクル高分子材料の物性値を説明変数として取得する（取得工程：ステップＳ１０１）。

最初に取得されるリサイクル高分子材料の物性値は、ランダムに取得された物性値でよく、例えば、リサイクル高分子材料の、ランダムに取得された、成形性（流動性）、密度、降伏応力、引張強度、引張弾性率、曲げ強度、荷重たわみ温度、ロックウェル硬度、剛性、耐衝撃性、光沢性等を用いてよい。また、最初に入力されるリサイクル高分子材料は、複数のリサイクル高分子材料に対応して、複数の群であってよい。

リサイクル高分子材料は、外部より入手したリサイクル高分子材料、使用可能なリサイクル高分子材料のリスト等から、リサイクル高分子材料をランダムに選択する。このとき、リサイクル高分子材料は、１種類でもよいし、複数種類でもよい。

次に、前処理部１０２により、取得工程（ステップＳ１０１）で取得した、リサイクル高分子材料の物性値の前処理を行う（前処理工程：ステップＳ１０２）。なお、前処理工程（ステップＳ１０２）は、必要に応じて行えばよく、取得工程（ステップＳ１０１）で、予め前処理された、リサイクル高分子材料の物性値を取得する場合、前処理工程（ステップＳ１０２）は、行わなくてよい。

次に、予測部１０３により、第１の学習済みモデルＭ５－１に、前処理工程（ステップＳ１０２）において前処理された、リサイクル高分子材料の物性値を入力することで、リサイクル高分子材料の記述子を含むパラメータを目的変数として予測する（予測工程：ステップＳ１０３）。

予測工程（ステップＳ１０３）では、複数の第１の学習済みモデルＭ５－１を用いて、リサイクル高分子材料の物性値に対応した、リサイクル高分子材料の記述子を含むパラメータの予測値の群を予測してよい。

予測工程（ステップＳ１０３）では、リサイクル高分子材料の質量比率は、タルク量及びゴム量の少なくとも１つ以上を含んでよい。

予測工程（ステップＳ１０３）では、リサイクル高分子材料の記述子は、リサイクル高分子材料に含まれる構成成分の特性値及び構造値の少なくとも一方を含んでよい。

次に、第２の取得部１０４により、予測部１０３で、第１の学習済みモデルＭ５－１により予測された、リサイクル高分子材料の記述子を含むパラメータを取得する（第２の取得工程：ステップＳ１０４）。

次に、学習用データセット作成部１０５により、第２の取得部１０４で取得された、リサイクル高分子材料の記述子を含むパラメータを、リサイクル高分子複合材料の記述子を含むパラメータとみなす。学習用データセット作成部１０５により、リサイクル高分子複合材料の記述子を含むパラメータを説明変数として、学習用データセットに加える（学習用データセット作成工程：ステップＳ１０５）。

即ち、学習用データセット作成部１０５により、第２の取得部１０４で取得された、リサイクル高分子材料の記述子を含むパラメータをもとに、組成比に応じたリサイクル高分子複合材料の記述子を含むパラメータを作成し、リサイクル高分子複合材料の記述子を含むパラメータを説明変数として、学習用データセットに加える。

学習用データセットには、過去のリサイクル高分子複合材料を用いて、過去のリサイクル高分子複合材料の記述子を含むパラメータを説明変数として、過去のリサイクル高分子複合材料の物性値を目的変数として、既に収容されていてよい。学習用データセット作成工程（ステップＳ１０５）は、第２の学習方法の学習用データセット作成工程（ステップＳ３３）と同様に行ってよい。

次に、学習部１０６により、リサイクル高分子複合材料の記述子を含むパラメータ（説明変数）と、リサイクル高分子複合材料の物性値（目的変数）とが対応付けられた学習用データセットを用いて学習することで、第２の学習済みモデルＭ５－２を生成する（学習工程：ステップＳ１０６）。

第２の学習済みモデルＭ５－２は、リサイクル高分子複合材料の記述子を含むパラメータとリサイクル高分子複合材料の物性値とが対応付けられた第２の学習用データセットを用いて学習された学習済みモデルである。第２の学習済みモデルＭ５－２は、第２の学習方法で生成する学習済みモデルＭ３、又は第２の予測方法で使用する学習済みモデルＭ４を用いてよい。第２の学習済みモデルＭ５－１は、学習済みモデルＭ３又は学習済みモデルＭ４と同様であるため、詳細は省略する。

学習工程（ステップＳ１０６）は、第２の学習方法の第２の学習工程（ステップＳ３４）と同様であるため、詳細は省略する。

次に、設定部１０７により、仮想のリサイクル高分子複合材料の物性の目標値を設定する（物性の目標値設定工程：ステップＳ１０７）。

目標値は、上述の通り、リサイクル高分子複合材料の用途等に応じて適宜設定されてよい。

次に、第３の取得部１０８により、第２の取得工程（ステップＳ１０４）で取得された、リサイクル高分子材料の記述子を含むパラメータを、学習用データセット作成工程（ステップＳ１０５）と同様、リサイクル高分子複合材料の記述子を含むパラメータとみなし、説明変数として取得する（第３の取得工程：ステップＳ１０８）。

即ち、第３の取得部１０８により、第２の取得工程（ステップＳ１０４）で取得された、リサイクル高分子材料の記述子を含むパラメータをもとに、組成比に応じたリサイクル高分子複合材料の記述子を含むパラメータを作成し、リサイクル高分子複合材料の記述子を含むパラメータを説明変数として取得する。

次に、物性予測部１０９により、第２の学習済みモデルＭ５－２に、第３の取得工程（ステップＳ１０８）により取得された、リサイクル高分子複合材料の記述子を含むパラメータを、仮想のリサイクル高分子複合材料の記述子を含むパラメータとし、この仮想のリサイクル高分子複合材料の記述子を含むパラメータを説明変数として入力する。物性予測部１０９により、第２の学習済みモデルＭ５－２を用いて、仮想のリサイクル高分子複合材料の物性値を目的変数として予測する（物性予測工程：ステップＳ１０９）。

物性予測工程（ステップＳ１０９）では、１つの第２の学習済みモデルＭ５－２から、仮想のリサイクル高分子複合材料の記述子を含む１種類のパラメータに対応した、仮想のリサイクル高分子複合材料の物性値を予測する。

物性予測工程（ステップＳ１０９）では、複数の第２の学習済みモデルＭ５－２を用いて、仮想のリサイクル高分子複合材料の記述子を含むパラメータに対応した、リサイクル高分子複合材料の物性の予測値の群を予測してよい。

次に、比較部１１０により、物性予測工程（ステップＳ１０９）において予測された、仮想のリサイクル高分子複合材料の物性を、物性の目標値設定工程（ステップＳ１０７）において設定した、仮想のリサイクル高分子複合材料の物性の目標値と比較する（比較工程：ステップＳ１１０）。

次に、判定部１１１により、物性予測工程（ステップＳ１０９）で予測した、仮想のリサイクル高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われたか否かを判定する（第１判定工程：ステップＳ１１１）。

所定の回数は、用いるリサイクル高分子複合材料の種類、組成等に応じて適宜設定されてよい。

仮想のリサイクル高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われた場合（ステップＳ１１１：Ｙｅｓ）、判定部１１１は、仮想のリサイクル高分子複合材料の記述子を含むパラメータを変更する必要がないと判断する。

次に、判定部１１１により、仮想のリサイクル高分子複合材料の物性値と目標値との差が所定の範囲内であるか否かは判定する（第２判定工程：ステップＳ１１２）。なお、図９に示す本実施形態に係る組成提案方法では、判定部１１１により、第１判定工程（ステップＳ１１１）及び第２判定工程（ステップＳ１１２）が行われているが、第２判定工程（ステップＳ１１１２）は省略してもよい。

仮想のリサイクル高分子複合材料の物性値と目標値との差が所定の範囲内である場合（ステップＳ１１２：Ｙｅｓ）、判定部１１１は、仮想のリサイクル高分子複合材料の記述子を含むパラメータを変更する必要がないと判断する。

第３の取得工程（ステップＳ１０８）において取得した、仮想のリサイクル高分子複合材料の記述子を含むパラメータは変更されず、維持される。

次に、表示部１１３により、仮想のリサイクル高分子複合材料の記述子を含むパラメータに関する情報が表示される（表示工程：ステップＳ１１３）。

一方、仮想のリサイクル高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われていない場合（ステップＳ１１１：Ｎｏ）、又は仮想のリサイクル高分子複合材料の物性が目標値との差が所定の範囲内でない場合（ステップＳ１１２：Ｎｏ）、判定部１１１は、仮想のリサイクル高分子複合材料の記述子を含むパラメータを変更して最適化する必要があると判断する。

次に、最適化部１１２により、予測工程（ステップＳ１０９）において予測された、仮想のリサイクル高分子複合材料の物性値が、物性の目標値設定工程（ステップＳ１０７）において設定した目標値に近づくように、仮想のリサイクル高分子複合材料の記述子（例えば、質量比率、特性値及び構造値等）を含むパラメータを最適なパラメータになるように変更して最適化する（最適化工程：ステップＳ１１４）。

最適化工程（ステップＳ１１４）では、最適化部１１２により、第３の取得工程（ステップＳ１０８）において、仮想のリサイクル高分子複合材料の物性値が予測される毎に、仮想のリサイクル高分子複合材料の記述子を含むパラメータを変更することで、仮想のリサイクル高分子複合材料に構成成分として含まれる、リサイクル高分子材料とリサイクル高分子材料以外の成分との質量比率を最適化する。

構成成分は、上述の通り、リサイクル高分子材料とリサイクル高分子材料以外の成分を必須成分として含み、リサイクル高分子材料と、リサイクル高分子材料以外の成分は、いずれも、１つ以上含んでよい。リサイクル高分子複合材料の記述子として、例えば、リサイクル高分子複合材料に含まれる構成成分の種類、構成成分の質量比率が最適化される際、リサイクル高分子複合材料に構成成分として含まれるリサイクルプロピレン系重合体及びポリオレフィンエラストマーの種類と、リサイクルプロピレン系重合体、ポリオレフィンエラストマー及びその他の構成成分の質量比率を最適化されることが好ましい。

最適化工程（ステップＳ１１４）では、リサイクル高分子複合材料の質量比率は、タルク量、ゴム量及びガラス繊維量の少なくとも１つ以上を含んでよい。なお、リサイクル高分子複合材料の質量比率が含まれる場合、バージン高分子複合材料及び仮想のリサイクル高分子複合材料は、リサイクル高分子複合材料と同様、タルク量、ゴム量及びガラス繊維量の少なくとも１つ以上を含んでよい。

最適化工程（ステップＳ１１４）では、リサイクル高分子複合材料の記述子は、リサイクル高分子複合材料に含まれる構成成分の特性値及び構造値の少なくとも一方を含んでよい。なお、リサイクル高分子複合材料の記述子が含まれる場合、バージン高分子複合材料及び仮想のリサイクル高分子複合材料の記述子は、それぞれ、リサイクル高分子複合材料と同様、構成成分の特性値及び構造値の少なくとも一方を含んでよい。

最適化工程（ステップＳ１１４）では、最適化部１１２により、例えば、米国Ａｎａｃｏｎｄａ社から配布されているソフトウェアであるＡｎａｃｏｎｄａ（登録商標）に含まれるライブラリを用いてよい。Ａｎａｃｏｎｄａ（登録商標）には、Ｐｙｔｈｏｎ（登録商標）及び機械学習で使用されるライブラリ群が含まれている。最適化部１１２は、仮想のリサイクル高分子複合材料の記述子を含むパラメータの最適化のため、ＰｙｔｈｏｎライブラリであるＯｐｔｕｎａ（登録商標）を用いて、良好な物性を有する仮想のリサイクルリサイクル高分子複合材料の記述子を含むパラメータを提案できる。

最適化工程（ステップＳ１１４）では、最適化部１１２により、仮想のリサイクル高分子複合材料の記述子を含むパラメータを、学習用データセットに記録されている、リサイクル高分子複合材料の記述子を含むパラメータに変更することに限定しなくてもよい。最適化部１１２により、学習用データセットに記録されていない、リサイクル高分子複合材料の記述子を含むパラメータに変更してもよい。

最適化工程（ステップＳ１１４）では、最適化部１１２により、仮想のリサイクル高分子複合材料の記述子を含むパラメータを、学習用データセットに記録されているか否かに関わらず、特定の、仮想のリサイクル高分子複合材料の記述子を含むパラメータを回避するように変更してもよい。

最適化工程（ステップＳ１１４）では、最適化した際の仮想のリサイクル高分子複合材料の望ましい記述子（目標値から所定の範囲内）を含むパラメータを実現するために、仮想のリサイクル高分子複合材料の記述子に構成成分として含まれる、リサイクル高分子材料とリサイクル高分子材料以外の成分との質量比率を、ランダムサーチ及び数理最適化手法等のアルゴリズムを用いて最適化することが好ましい。

最適化工程（ステップＳ１１４）では、予測工程（ステップＳ１０８）において予測された、仮想のリサイクル高分子複合材料の物性の予測値から、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化した際、最適化された仮想のリサイクル高分子複合材料の組成の群（パレート最適解）を提案してよい。

最適化工程（ステップＳ１１４）では、最適化部１１２により、リサイクル高分子複合材料の２つ以上の物性それぞれについて生成された第２の学習済みモデルＭ５－２により予測される、仮想のリサイクル高分子複合材料の２つ以上の物性値のそれぞれが、２つ以上の物性のそれぞれの目標値に近づくように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを変更してよい。

リサイクル高分子複合材料の物性が２つ以上である場合でも、最適化部１１２により、２つ以上の物性についてのリサイクル高分子複合材料の組成の群（パレート最適解）を提案してよい。

最適化工程（ステップＳ１１４）では、最適化部１１２により、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化する方法として、仮想のリサイクル高分子複合材料の物性を望ましい方向に最大化又は最小化するように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化させ、リサイクル高分子複合材料の記述子の群を提案する方法を用いてよい。

また、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化する他の方法として、仮想のリサイクル高分子複合材料の物性を望ましい値に近づけるように、リサイクル高分子複合材料の記述子の群を提案する方法を用いてよい。

最適化工程（ステップＳ１１４）において、最適化部１１２により、リサイクル高分子複合材料の記述子を含むパラメータを最適化した後、再度、第３の取得工程（ステップＳ１０８）に移行する。そして、第３の取得部１０８により、最適化された、仮想のリサイクル高分子複合材料の記述子を仮想記述子とし、この仮想記述子を含むパラメータを説明変数として第３の取得部１０８に入力し、上記と同様の工程を行う。

そして、第１判定工程（ステップＳ１１１）において、仮想のリサイクル高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われ、第２判定工程（ステップＳ１１２）において、仮想のリサイクル高分子複合材料の記述子を含むパラメータと目標値との差が所定の範囲内と判定されるまで、最適化工程（ステップＳ１１４）において、仮想のリサイクル高分子複合材料の記述子の最適化を繰り返し行われる。

最終的に、第１判定工程（ステップＳ１１１）において、仮想のリサイクル高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われ、第２判定工程（ステップＳ１１２）において、仮想のリサイクル高分子複合材料の記述子を含むパラメータと目標値との差が所定の範囲内と判定された後、上述の通り、表示部１１３により、最適化工程（ステップＳ１１４）において、提案された、仮想のリサイクル高分子複合材料の記述子を含むパラメータに関する情報が表示される（表示工程：ステップＳ１１３）。

本実施形態に係る組成提案方法は、予測工程（ステップＳ１０３）、特性の目標値設定工程（ステップＳ１０７）、比較工程（ステップＳ１１０）、及び最適化工程（ステップＳ１１４）を含む。組成提案方法は、予測工程（ステップＳ１０３）において、第１の学習済みモデルＭ５－１にリサイクル高分子材料の物性値を入力することで、リサイクル高分子材料の記述子を含むパラメータを予測する。組成提案方法は、第３の取得工程（ステップＳ１０８）において、得られたリサイクル高分子材料の記述子を含むパラメータに基づいて、仮想のリサイクル高分子複合材料の記述子を含むパラメータを取得する。

組成提案方法は、最適化工程（ステップＳ１１４）において、第２の学習済みモデルＭ５－２に仮想のリサイクル高分子複合材料の記述子を含むパラメータを入力することで予測される、仮想のリサイクル高分子複合材料の物性値が、目標値に近づくように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化する。これにより、組成提案方法は、仮想のリサイクル高分子複合材料の記述子を含むパラメータを、設定される目標値と略同等の物性を有するリサイクル高分子複合材料の記述子を含むパラメータと略同等にできる。このため、組成提案方法は、仮想のリサイクル高分子複合材料の物性値から、目標値として設定されるリサイクル高分子複合材料と略同等の物性を有するリサイクル高分子複合材料の記述子を含むパラメータを提案できる。

よって、本実施形態に係る組成提案方法は、所望の物性を有するリサイクル高分子複合材料が得られる、リサイクル高分子複合材料の記述子を含むパラメータを提案できる。

また、本実施形態に係る組成提案方法は、最適化工程（ステップＳ１１４）を含むことで、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化する際に要する負担の軽減及び時間の削減を図ることができる。よって、本実施形態に係る組成提案方法は、所望の物性を満たすリサイクル高分子複合材料の記述子を含むパラメータと略同等のリサイクル高分子複合材料の記述子を含むパラメータを効率良く提案できるため、リサイクル高分子複合材料の製造及び物性の確認等に要するエネルギー消費の低減を図ることができる。

本実施形態に係る組成提案方法は、第１判定工程（ステップＳ１１１）を含み、第１判定工程（ステップＳ１１１）において、第３の取得工程（ステップＳ１０８）で取得した、仮想のリサイクル高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われたか否かを判定する。本実施形態に係る組成提案方法は、第１判定工程（ステップＳ１１１）において、仮想のリサイクル高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われたと判定されるまで、最適化工程（ステップＳ１１４）において、仮想のリサイクル高分子複合材料の物性値が、目標値に近づくように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化する操作を繰り返す。これにより、本実施形態に係る組成提案方法は、仮想のリサイクル高分子複合材料の物性値からリサイクル高分子複合材料の記述子を含むパラメータを提案できる。よって、本実施形態に係る組成提案方法は、設定される、リサイクル高分子複合材料の所望の物性が得られる、リサイクル高分子複合材料の記述子を含むパラメータを提案できる。

本実施形態に係る組成提案方法は、第２判定工程（ステップＳ１１２）を含む。これにより、本実施形態に係る組成提案方法は、第２判定工程（ステップＳ１１２）において、物性予測工程（ステップＳ１０６）で得られた仮想のリサイクル高分子複合材料の物性が目標値の所定の範囲内にあると判定されるまで、最適化工程（ステップＳ１１４）において、仮想のリサイクル高分子複合材料の物性値が、目標値に近づくように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化する操作を繰り返すことができる。

本実施形態に係る組成提案方法は、比較工程（ステップＳ１１０）を含む。本実施形態に係る組成提案方法は、比較工程（ステップＳ１１０）において、物性予測工程（ステップＳ１０６）で予測された仮想のリサイクル高分子複合材料の物性値を物性の目標値設定工程（ステップＳ１０７）で設定された目標値と比較する。本実施形態に係る組成提案方法は、第２判定工程（ステップＳ１１２）において、仮想のリサイクル高分子複合材料の物性値が目標値の所定の範囲内にあるかと判定できる。これにより、本実施形態に係る組成提案方法は、最適化工程（ステップＳ１１４）において、第２の学習済みモデルＭ５－２に仮想のリサイクル高分子複合材料の記述子を含むパラメータを入力することで予測される、仮想のリサイクル高分子複合材料の物性値が、目標値に近づくように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化できる。

また、組成提案方法は、比較工程（ステップＳ１１０）において、第３の取得工程（ステップＳ１０８）において取得した、仮想のリサイクル高分子複合材料の記述子を、物性の目標値設定工程（ステップＳ１０７）で設定された目標値と比較して、第２判定工程（ステップＳ１１２）において、仮想のリサイクル高分子複合材料の記述子が目標値の所定の範囲内にあるかと判定できる。これにより、本実施形態に係る組成提案方法は、最適化工程（ステップＳ１１４）において、仮想のリサイクル高分子複合材料の物性値が、目標値に近づくように、仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化できる。

本実施形態に係る組成提案方法は、上記のような特性を有するため、リサイクル高分子を構成成分として含み、所望の物性を有するリサイクル高分子複合材料の製造に用いることができる。

＜リサイクル高分子複合材料の製造方法＞
本実施形態に係るリサイクル高分子複合材料の製造方法について説明する。本実施形態に係るリサイクル高分子複合材料の製造方法は、上述の本実施形態に係る組成提案方法を用いて、リサイクル高分子複合材料を製造する方法である。図１０は、本実施形態に係るリサイクル高分子複合材料の製造方法を説明するフローチャートである。図１０に示すように、図３に示す組成提案システム１０で得られた、仮想のリサイクル高分子複合材料の記述子を含むパラメータを得る（取得工程：ステップＳ２０１）。

次に、パラメータを満たす、リサイクル高分子材料とリサイクル高分子材料以外の成分を原料として準備する（原料準備工程：ステップＳ２０２）。

次に、原料準備工程（ステップＳ２０２）で準備した、それぞれの原料を混合して、パラメータを満たすリサイクル高分子複合材料を得る（リサイクル高分子複合材料の作製工程）。

リサイクル高分子複合材料は、リサイクル高分子材料と、繊維状充填材と、その他必要に応じて含まれるリサイクル高分子材料以外の成分を、リサイクル高分子複合材料に含まれる構成成分として含み、所望の物性値を有する。

＜リサイクル高分子複合材料＞
本実施形態に係るリサイクル高分子複合材料は、上述の本実施形態に係るリサイクル高分子複合材料の製造方法により製造できる。本実施形態に係るリサイクル高分子複合材料は、例えば、リサイクル高分子材料とリサイクル高分子材料以外の成分を構成成分として含み、リサイクル高分子複合材料中のタルク量をＷｔとし、リサイクル高分子複合材料中のガラス繊維量をＷｇとし、リサイクル高分子複合材料中のゴム量をＷｒとした時、以下に示す第１パラメータ～第３パラメータの何れか１つ以上を満たす。

第１パラメータは、下記（I）～（IV）のパラメータである。
（I）：リサイクル高分子複合材料の密度が、１．０８ｇ／ｃｍ^３～１．１６ｇ／ｃｍ^３である。
（II）：リサイクル高分子複合材料の弾性率が、１２８×Ｗｔ＋２１３×Ｗｇ－１０２×Ｗｒ＋１０８１＞５０００ＭＰａである。
（III）：リサイクル高分子複合材料の曲げ強度が、－０．３７５×Ｗｔ＋１．５２×Ｗｇ－３．３０×Ｗｒ＋１０６＞８０ＭＰａである。
（IV）：リサイクル高分子複合材料の衝撃が、－０．１０２×Ｗｔ＋０．１４９×Ｗｇ＋０．１８０×Ｗｒ＋４．４９＞６である。

第２パラメータは、下記（I）～（IV）のパラメータである。
（I）：リサイクル高分子複合材料の密度が、１．２０ｇ／ｃｍ^３～１．２５ｇ／ｃｍ^３である。
（II）：リサイクル高分子複合材料の弾性率が、１２８×Ｗｔ＋２１３×Ｗｇ－１０２×Ｗｒ＋１０８１＞７５００ＭＰａである。
（III）：リサイクル高分子複合材料の曲げ強度が、－０．３７５×Ｗｔ＋１．５２×Ｗｇ－３．３０×Ｗｒ＋１０６＞１１５ＭＰａである。
（IV）：リサイクル高分子複合材料の衝撃が、－０．１０２×Ｗｔ＋０．１４９×Ｗｇ＋０．１８０×Ｗｒ＋４．４９＞９．０である。

第３パラメータは、下記（I）～（IV）のパラメータである。
（I）：リサイクル高分子複合材料の密度が、１．３０ｇ／ｃｍ^３～１．３５ｇ／ｃｍ^３である。
（II）：リサイクル高分子複合材料の弾性率が、１２８×Ｗｔ＋２１３×Ｗｇ－１０２×Ｗｒ＋１０８１＞１０，０００ＭＰａである。
（III）：リサイクル高分子複合材料の曲げ強度が、－０．３７５×Ｗｔ＋１．５２×Ｗｇ－３．３０×Ｗｒ＋１０６＞１４０ＭＰａである。
（IV）：リサイクル高分子複合材料の衝撃が、－０．１０２×Ｗｔ＋０．１４９×Ｗｇ＋０．１８０×Ｗｒ＋４．４９＞１１．０である。

以上の通り、実施形態を説明したが、上記実施形態は、例として提示したものであり、上記実施形態により本発明が限定されるものではない。上記実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の組み合わせ、省略、置き換え、変更等を行うことが可能である。これら実施形態やその変形は、発明の範囲や要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

以下、実施例を示して実施形態を更に具体的に説明するが、実施形態はこれらの実施例及び比較例により限定されるものではない。

＜実施例１＞
（１）学習用データセット１の生成
後述する学習装置（図１に示す第１の学習装置１及び図２に示す第２の学習装置３で用いる学習用データセットを以下の手順により生成した。なお、本実施例では、高分子複合材料であるガラス繊維強化複合材料に含まれる高分子材料であるプロピレン系重合体（Ａ）にヘテロファジックプロピレン重合材料を用い、繊維状充填材にガラス繊維を用いた。

（プロピレン系樹脂組成物の物性の取得）
ＷＯ２０２０／１４９２８４に記載の方法に従って、プロピレン系樹脂組成物を２軸押出することによってプロピレン系樹脂組成物を得た。プロピレン系樹脂組成物の物性値として、プロピレン系樹脂組成物を成形して形成したペレットの、ＭＦＲ、射出成型品の密度、引張強度、引張弾性率、曲げ強度、曲げ弾性率、ＨＤＴ、常温ノッチ付シャルピー衝撃強度及びロックウェル硬度を測定した。

（学習用データセット１の作成）
作成したプロピレン系樹脂組成物の物性値と、プロピレン系樹脂組成物の記述子として、タルク量、ゴム量を対応させた学習用データセットを作成した。

（学習済みモデルＭ１の生成）
図１に示す第１の学習装置１を用いて、学習済みモデルＭ１を生成した。

（２）第１の学習装置
（２－１）学習部
学習用データセットを用いて学習部１４において学習し、学習済みモデルＭ１を生成した（学習工程）。

学習済みモデルＭ１として、ポリプロピレン系樹脂材料のタルク量予測用の学習済みモデルＭ１－１と、ゴム量予測用の学習済みモデルＭ１－２とを生成した。

（タルク量予測用の学習済みモデルＭ１－１の生成）
２００件の学習用データセットについて、前処理部１２で標準化処理を行い、５×５二重交差検証法によってデータセットを学習用データセットと検証用データセットに分割し、ハイパーパラメータの最適化と、タルク量予測用の学習済みモデルＭ１－１の予測精度の検証を行った。

そして、回帰式構築用データを用い、サポートベクトル回帰(Support Vector Regression；ＳＶＲ)により学習済みモデルＭ１を生成した。生成したタルク量予測用の学習済みモデルＭ１－１には、学習プログラムが含まれており、学習プログラムにはＰｙｔｈｏｎをプログラム言語として用いた。

図１１に、タルク量の実測値と、検証用データを用いて、回帰式構築用データで構築された学習済みモデルにより予測されたタルク量の予測値との関係を表す。なお、実測値は、実際に測定されたタルク量である。タルク量の実測値と予測値との間の決定係数Ｒ２＝０．９９であった。決定係数Ｒ２は、５×５二重交差検証法にて算出した。実際のタルク量と予測されたタルク量との間の平均絶対誤差ＲＭＳＥ（Root Mean Square Error）は、０．４６であり、最適ハイパーパラメータは、Ｃが７１０．９６８０７１３９９４６４２であり、εが０．００５７７２４９６６７８７０３０３１５であり、γが０．００３３６７３４３１５１１１２３６４であった。

（ゴム量予測用の学習済みモデルＭ１－２の生成）
２００個の学習用データセットについて、前処理部２２で標準化処理を行い、５×５二重交差検証法によってデータセットを学習用データセット及び検証用データセットに分割し、ハイパーパラメータの最適化と学習済みモデルの予測精度の検証を行った。

そして、回帰式構築用データを用い、サポートベクトル回帰(Support Vector Regression；ＳＶＲ)により、ゴム量予測用の学習済みモデルＭ１－２を生成した。生成したゴム量予測用の学習済みモデルＭ１－２には、学習プログラムが含まれており、学習プログラムにはＰｙｔｈｏｎをプログラム言語として用いた。

図１２に、ゴム量の実測値と、検証用データを用いて、回帰式構築用データで構築された学習済みモデルにより予測されたゴム量の予測値との関係を表す。なお、実測値は、実際に測定されたゴム量である。ゴム量の実測値と予測値との間の決定係数Ｒ２＝０．９６であった。決定係数Ｒ２は、５×５二重交差検証法にて算出した。実際のゴム量と予測されたゴム量との間の平均絶対誤差ＲＭＳＥ（Root Mean Square Error）は、１．１３であり、最適ハイパーパラメータは、Ｃが３３８．２９８４０１９４１８１９４であり、εが０．０００４９７７６３５７０４３８９４２６であり、γが０．００８９５７２７３４９５６０３１２１であった。

図１１、図１２より、プロピレン系樹脂組成物のタルク量、ゴム量について、それぞれ、精度の良い学習済みモデルＭ１が得られることが確認できた。

（３）第１の予測装置２
図１に示す第１の学習装置１で生成した学習済みモデルＭ１を用いて、図２に示す第１の予測装置２を作成した。作成した第１の予測装置２により、リサイクルされた高分子材料（リサイクル高分子材料）の物性値を予測した。

（１）学習用データセット２の生成
後述する第２の学習装置３で用いる学習用データセット２を以下の手順により生成した。

（リサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の特性の取得）
学習用データセット２に用いるリサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の特性である、タルク量、ゴム量及びガラス繊維量について、前述の第１の予測装置２を用いて予測した、タルク量、ゴム量と配合するガラス繊維量をもとに算出した。

（リサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の記述子の算出）
リサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の記述子として、リサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の原料の種類ごとの平均構造値、組成比率をそれぞれ下記に従って算出した。

リサイクル高分子材料Ａ－ｉ（ｉ＝１、２・・・ｎ）のそれぞれの特性値がＰ部含有量Ｐｃｏｎｔ，ｉ、フィラー含有量Ｆｃｏｎｔ，ｉ、ゴム含有量Ｒｃｏｎｔ，ｉ、であり、組成比率がＸＡｉであるとき、記述子として下記に示す５つの平均構造値を算出した。なお、Ｐｃｏｎｔは、Ｐ部含有量を示す。
・ａｖ．Ｐｃｏｎｔ＝Σ_ｉ（１００－Ｆｃｏｎｔ，ｉ―Ｒｃｏｎｔ，ｉ）×ＸＡｉ／１００
・ａｖ．Ｆｃｏｎｔ＝Σ_ｉＦｃｏｎｔ，ｉ×ＸＡｉ／１００
・ａｖ．Ｒｃｏｎｔ＝Σ_ｉＲｃｏｎｔ，ｉ×ＸＡｉ／１００

（その他の組成比率に関する記述子）
ガラス繊維について、組成比率の合計値を算出した。

（リサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の記述子の計算）
用いたリサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の記述子の計算結果を以下に示す。リサイクルガラス繊維強化樹脂材料は、リサイクル高分子材料Ａ－１、リサイクル高分子材料Ａ－２、リサイクル高分子材料Ａ－３、酸変性高分子材料Ａ―４及びガラス繊維Ｂからなり、それぞれの質量比がＡ－１：Ａ－２：Ａ－３：Ａ－４：Ｂ＝３０：２０：２０：１．５：２８．５である組成物（混合物）の記述子を算出した。但し、リサイクル高分子材料Ａ－１、Ａ－２及びＡ－３と、ガラス繊維Ｂの合計を１００質量部とした。それぞれの原料の特性は、それぞれ下記の通りとした。
Ａ－１：タルク量＝１．８、ゴム量＝１８．８
Ａ－２：タルク量＝５．８、ゴム量＝２６．２
Ａ－３：タルク量＝１７．０、ゴム量＝１９．６
Ａ－４：タルク量＝０、ゴム量＝０

まず、下記に示す４種類の記述子を算出した。
（Ａ）．リサイクル高分子材料について
（Ａ－１）．リサイクルガラス繊維強化樹脂材料中のＰ部の含量ａｖ．Ｐｃｏｎｔ＝（１００－１．８－１８．８）×３０／１００＋（１００－５．８－２６．２）×２０／１００＋（１００－１７．０－１９．６）×２０／１００＋（１００―０－０）×１．５／１００＝５１．６
（Ａ－２）．リサイクルガラス繊維強化樹脂材料中のタルク量ａｖ．Ｆｃｏｎｔ＝１．８×３０／１００＋５．８×２０／１００＋１７．０×２０／１００＝５．１
（Ａ－３）．リサイクルガラス繊維強化樹脂材料中のゴム量ａｖ．Ｒｃｏｎｔ＝１８．８×３０／１００＋２６．２×２０／１００＋１９．６×２０／１００＝１４．８
（Ｂ）．ガラス繊維について
リサイクルガラス繊維強化樹脂材料中のガラス繊維の含有量Ｇｃｏｎｔ＝２８．５

（リサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の物性の取得）
ＷＯ２０２２／０８０３６３に記載の方法に従って、リサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料を２軸押出することによって、リサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料を得た。リサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の物性値として、射出成型品の曲げ弾性率、曲げ強度及び常温シャルピー衝撃強度を測定した。

（学習用データセット２の作成）
作成したリサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の記述子を含むパラメータと、リサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の物性値である、曲げ弾性率、曲げ強度及び常温シャルピー衝撃強度を対応させた学習用データセット２を作成した。

（学習済みモデルＭ２の生成）
そして、図２に示した第２の学習装置３を用いて、学習済みモデルＭ３を生成した。

（２）第２の学習装置
（２－１）前処理部
作成した学習用データセット２を標準化処理を行った。
（２－２）学習部
学習用データセット２を用いて学習部３４において学習し、学習済みモデルＭ３を生成した（学習工程）。

学習済みモデルＭ３として、リサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の曲げ弾性率予測用の学習済みモデルＭ３－１と、曲げ強度予測用の学習済みモデルＭ３－２と、常温シャルピー衝撃強度予測用の学習済みモデルＭ３－３とを生成した。

（曲げ弾性率予測用の学習済みモデルＭ３－１の生成）
リサイクル高分子材料を含むガラス繊維強化樹脂材料２７個の学習用データセットについて、前処理部３２で標準化処理を行い、５×５二重交差検証法によってデータセットを学習用データセット及び検証用データセットに分割し、ハイパーパラメータの最適化と学習済みモデルＭ３－１の予測精度の検証を行った。

そして、回帰式構築用データを用い、サポートベクトル回帰(Support Vector Regression；ＳＶＲ)により学習済みモデルＭ３を生成した。生成した、曲げ弾性率予測用の学習済みモデルＭ３－１には、学習プログラムが含まれており、学習プログラムにはＰｙｔｈｏｎをプログラム言語として用いた。

図１３に、曲げ弾性率の実測値と、検証用データを用いて、回帰式生成用データで生成された、曲げ弾性率予測用の学習済みモデルＭ３－１により予測された曲げ弾性率の予測値との関係を表す。なお、実測値は、実際に測定された曲げ弾性率である。実際の曲げ弾性率と予測された曲げ弾性率との間の決定係数Ｒ２＝０．９９であった。決定係数Ｒ２は、５×５二重交差検証法にて算出した。実際の曲げ弾性率と予測された曲げ弾性率との間の平均絶対誤差ＲＭＳＥ（Root Mean Square Error）は、１７１ＭＰａであり、最適ハイパーパラメータは、Ｃが８６０．７７７３６１７５９５９４８であり、εが０．００６５５６３２３８５９５２１４５１であり, γが０．０００１９０３６４６４１０３８１９７５４であった。

（曲げ強度予測用の学習済みモデルＭ３－２の生成）
２７件の学習用データセットについて、前処理部３２で標準化処理を行い、５×５二重交差検証法によってデータセットを学習用データセットと検証用データセットに分割し、ハイパーパラメータの最適化と曲げ強度予測用の学習済みモデルＭ３－２の予測精度の検証を行った。

そして、回帰式構築用データを用い、サポートベクトル回帰(Support Vector Regression；ＳＶＲ)により、曲げ強度予測用の学習済みモデルＭ３－２を生成した。生成した曲げ強度予測用の学習済みモデルＭ３－２には、学習プログラムが含まれており、学習プログラムにはＰｙｔｈｏｎをプログラム言語として用いた。

図１４に、曲げ強度の実測値と、検証用データを用いて、回帰式生成用データを用いて生成された曲げ強度予測用の学習済みモデルＭ３－２により予測された曲げ強度の予測値との関係を表す。なお、実測値は、実際に測定された曲げ強度である。実際の曲げ強度と予測された曲げ強度との間の決定係数Ｒ２＝０．９５であった。決定係数Ｒ２は、５×５二重交差検証法にて算出した。実際の曲げ強度と予測された曲げ強度との間の平均絶対誤差ＲＭＳＥ（Root Mean Square Error）は、４．７ＭＰａであり、最適ハイパーパラメータは、Ｃが４９４．２９６６３６１４８６２８０７であり、εが０．０１４７２２０４５１２９４０５９５６であり, γが０．００２０６２２８０４４０２４２４５１であった。

（常温シャルピー衝撃強度予測用の学習済みモデルＭ３－３の生成）
２７個の学習用データセットについて、前処理部３２で標準化処理を行い、５×５二重交差検証法によってデータセットを学習用データセットと検証用データセットに分割し、ハイパーパラメータの最適化と、常温シャルピー衝撃強度予測用の学習済みモデルＭ３－３の予測精度の検証を行った。

そして、回帰式構築用データを用い、サポートベクトル回帰(Support Vector Regression；ＳＶＲ)により、常温シャルピー衝撃強度予測用の学習済みモデルＭ３－３を生成した。生成した常温シャルピー衝撃強度予測用の学習済みモデルＭ３－３には、学習プログラムが含まれており、学習プログラムにはＰｙｔｈｏｎをプログラム言語として用いた。

図１５に、常温シャルピー衝撃強度の実測値と、検証用データを用いて、回帰式構築用データで生成された、常温シャルピー衝撃強度予測用の学習済みモデルＭ３－３により予測された常温シャルピー衝撃強度の予測値との関係を表す。なお、実測値は、実際に測定された常温シャルピー衝撃強度である。実際の常温シャルピー衝撃強度と予測された常温シャルピー衝撃強度との間の決定係数Ｒ２＝０．４８であった。決定係数Ｒ２は、５×５二重交差検証法にて算出した。実際の常温シャルピー衝撃強度と予測された常温シャルピー衝撃強度との間の平均絶対誤差ＲＭＳＥ（Root Mean Square Error）は、１．３２ｋＪ／ｍ^２であり、最適ハイパーパラメータは、Ｃが３．１５１１９７０８１５４５４６９３であり、εが０．０４３６７１６０４５７７２６７８４であり、γが０．６２２７７６１１３５２９７０５２であった。

図１３～図１５より、曲げ弾性率、曲げ強度及び常温シャルピー衝撃強度について、精度の良い学習済みモデルが得られていることが確認できた。

（３）第２の予測装置４
図２に示す第２の学習装置３で生成した学習済みモデルＭ４を用いて、図２に示す第２の予測装置４を作成した。作成した第２の予測装置４によりリサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の物性を予測した。

予測結果と比較するため、対応するリサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料を用いて成形体を作製し、評価した。実験的にリサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の合成及び評価を行った例を合成例として、既述の学習済みモデルＭ４を用いてリサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の物性値の予測を行った例を利用例とした。

（３－１）合成例１及び利用例１
（合成例１）リサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の合成

（利用例１）リサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の物性値の予測
既述の予測装置（図１に示す第１の予測装置２及び図２に示す第２の予測装置４）を用いて、リサイクル高分子複合材料の物性値として、曲げ弾性率、曲げ強度及び常温シャルピー衝撃強度を予測した。曲げ弾性率の予測値は、９０５０ＭＰａであり、曲げ強度の予測値は、１５６であり、常温シャルピー衝撃強度の予測値は、１０．１ｋｊ／ｍ^２であった。

なお、学習済みモデルＭ２及びＭ４には、予測対象となるリサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の記述子を含むパラメータを入力しており、リサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の記述子を含むパラメータは、学習済みモデルＭ２及びＭ４を生成する際のリサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料の記述子を含むパラメータと同様にして算出した。

＜実施例２＞
（１）学習用データセットの生成
上記の実施例１と同様にして行った。
（２）学習装置
上記の実施例１と同様にして行った。
（３）予測装置
上記の実施例１と同様にして行った。

（４）組成提案システム
最適化のためのＰｙｔｈｏｎライブラリであるＯｐｔｕｎａを用いて、良好な特性を有するプロピレン系樹脂組成物の組成を提案した。以下、リサイクル高分子複合材料であるリサイクルガラス繊維強化樹脂材料の物性値を望ましい方向に最大化又は最小化するようなプロピレン系樹脂組成物の組成の群を提案した例（実施例２－１）を示す。

（実施例２－１）リサイクルガラス繊維強化樹脂材料の物性値を望ましい値に最大化又は最小化するようなプロピレン系樹脂組成物の組成の群の提案方法
仮想的な組成Ｒｊ（ｊ＝１、２・・・ｎ）と、組成に対応する複合材料の特性の予測値の群Ｐｊ（ｊ＝１、２・・・ｎ）との対を、以下のように得た。

リサイクル高分子材料及びガラス繊維を含むリサイクルガラス繊維強化樹脂材料について、使用可能な原料リストの中から、リサイクル高分子材料Ａ、ガラス繊維Ｂをそれぞれランダムに選択すると共に、組成比率をランダムに設定することによって、初期組成Ｒ１を得た。但し、初期組成Ｒ１中のリサイクル高分子材料Ａとガラス繊維Ｂの合計を１００質量部とした。このとき、それぞれの原料は、１種類又は複数種類とした。

上記の図１に示す第１の学習装置１及び図２に示す第２の学習装置３に記載の方法と同様の方法によって、初期組成Ｒ１の記述子を含むパラメータを算出した。そして、上記の第１の予測装置２及び第２の予測装置４を用いて、初期組成Ｒ１に対応した物性の予測値の群Ｐ１を得た。物性の予測値の群Ｐ１は、設定した学習済みモデルＭ２及びＭ４に対応する物性の予測値の群である。

仮想組成Ｒ１と、物性の予測値の群Ｐ１から、望ましい物性を有する組成Ｒ２を、最適化ライブラリＯｐｔｕｎａを用いて提案した。提案のためのアルゴリズムには、遺伝的アルゴリズムを用いた。

最適化のための目的関数としては、最適化の対象となる物性項目と、最適化の方向（最大化又は最小化）を指定することで、複数の物性値が良好となるように、リサイクルガラス繊維強化樹脂材料の組成を最適化した。

提案された組成Ｒ２から、対応するリサイクルガラス繊維強化樹脂材料の物性の予測値の群Ｐ２を得た。

以下、繰り返すことにより、仮想的なリサイクルガラス繊維強化樹脂材料の組成Ｒｊ（ｊ＝１，２・・・ｎ）と、組成に対応するリサイクルガラス繊維強化樹脂材料の物性の予測値の群Ｐｊ（ｊ＝１，２・・・ｎ）との対を得た。

得られた仮想的なリサイクルガラス繊維強化樹脂材料の組成Ｒｊ（ｊ＝１，２・・・ｎ）と、組成に対応するリサイクルガラス繊維強化樹脂材料の物性の予測値の群Ｐｊ（ｊ＝１，２・・・ｎ）との対から、リサイクルガラス繊維強化樹脂材料の物性の予測値が良好となる組成の群を選択した。

リサイクルガラス繊維強化樹脂材料について、遺伝的アルゴリズムを用いて、曲げ弾性率と常温シャルピー衝撃強度とからなる複数の物性が、ともに最大化方向となるように最適化された組成の群を提案した結果を、図１６に示す。図１６に示すように、曲げ弾性率と常温シャルピー衝撃強度とが共に最大化方向となるように最適化された組成の群（パレート最適解、図１６中、白丸）が得られた。

よって、組成提案システムは、多数の組み合わせが考えられるリサイクルガラス繊維強化樹脂材料の中で、物性が望ましい方向に最大化された組成の群（パレート最適解）を効率よく提案できることが確認された。

（実施例２－２）リサイクルガラス繊維強化樹脂材料の特性を望ましい値に近づけるような組成の群の提案方法
リサイクルガラス繊維強化樹脂材料の物性ｋの目標値をＯｋ、組成Ｒｊに対応するリサイクルガラス繊維強化樹脂材料の物性の予測値をＰｋ，ｊとした時に、最適化のための目的関数ｆｋを、下記式（４）のように定めた。
ｆｋ＝｜Ｏｋ－Ｐｋ，ｊ｜／｜Ｏｋ｜ ・・・（４）
（式中、｜Ｏｋ－Ｐｋ，ｊ｜及び｜Ｏｋ｜は、それぞれ、Ｏｋ－Ｐｋ，ｊ及びＯｋの絶対値を示す。）

上記の（実施例２－１）に記載の方法と同様の方法によって、最適化のための目的関数ｆｋを最小化するように組成を最適化することによって、リサイクルガラス繊維強化樹脂材料の物性を望ましい値に近づけるような、リサイクルガラス繊維強化樹脂材料に含まれるプロピレン系樹脂組成物の組成の群を提案できることが確認された。

（実施例３－１）ガラス繊維強化樹脂材料の複数の物性について、それぞれが望ましい値以上になるような組成比率の算出
前述のリサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料２７個の学習用データセットを用い、Ｒｉｄｇｅ回帰により学習済みモデルを生成した。さらに、タルク量、ガラス繊維量及びゴム成分量の３つの変数を説明変数として、曲げ弾性率、曲げ強度及びシャルピー衝撃強度の３つの変数を目的変数として、重回帰分析を行い、下記の重回帰式（５）～（７）を得た。
曲げ弾性率＝１２８Ｗｔ＋２１３Ｗｇ－１０２Ｗｒ＋１０８１ ・・・（５）
曲げ強度＝－０．３８Ｗｔ＋１．５２Ｗｇ－３．３０Ｗｒ＋１０６．３０ ・・・（６）
シャルピー常温衝撃＝－０．１０Ｗｔ＋０．１５Ｗｇ＋０．１８Ｗｒ＋４．４９・・・（７）
Ｗｔ：リサイクルガラス繊維強化樹脂材料中のタルクの質量パーセント
Ｗｇ：リサイクルガラス繊維強化樹脂材料中のガラス繊維の質量パーセント
Ｗｒ：リサイクルガラス繊維強化樹脂材料中のゴム成分の質量パーセント

得られた、上記の重回帰式（５）～（７）から、所望の物性を複数同時に満たすために必要なプロピレン系樹脂組成物の組成比を、下記のように算出できる。

（利用例３－１）
リサイクルガラス繊維強化樹脂材料の密度が１．１０ｇ／ｃｍ^３～１．１５ｇ／ｃｍ^３の時、下記式（８）～（１０）を全て満たすリサイクルガラス繊維強化樹脂材料は、曲げ弾性率＞５，０００ＭＰａ、曲げ強度＞９０ＭＰａ、常温シャルピー衝撃強度＞７．０ｋｊ／ｍ^２を全て満たすと予測される。
５０００＜１２８Ｗｔ＋２１３Ｗｇ－１０２Ｗｒ＋１０８１ ・・・（８）
９０＜－０．３８Ｗｔ＋１．５２Ｗｇ－３．３０Ｗｒ＋１０６．３０ ・・・（９）
７．０＜－０．１０Ｗｔ＋０．１５Ｗｇ＋０．１８Ｗｒ＋４．４９ ・・・（１０）

（利用例３－２）
リサイクルガラス繊維強化樹脂材料の密度が１．２０ｇ／ｃｍ^３～１．２５ｇ／ｃｍ^３の時、下記式（１１）～（１３）を全て満たすリサイクルガラス繊維強化樹脂材料は、曲げ弾性率＞７，５００ＭＰａ、曲げ強度＞１１５ＭＰａ、常温シャルピー衝撃強度＞９．０ｋｊ／ｍ^２を全て満たすと予測される。
７，５００＜１２８Ｗｔ＋２１３Ｗｇ－１０２Ｗｒ＋１０８１ ・・・（１１）
１１５＜－０．３８Ｗｔ＋１．５２Ｗｇ－３．３０Ｗｒ＋１０６．３０ ・・・（１２）
９．０＜－０．１０Ｗｔ＋０．１５Ｗｇ＋０．１８Ｗｒ＋４．４９ ・・・（１３）

（利用例３－３）
リサイクルガラス繊維強化樹脂材料の密度が１．３０ｇ／ｃｍ^３～１．３５ｇ／ｃｍ^３の時、下記式（１４）～（１６）を全て満たすリサイクルガラス繊維強化樹脂材料は、曲げ弾性率＞１０，０００ＭＰａ、曲げ強度＞１４０ＭＰａ、常温シャルピー衝撃強度＞１１．０ｋｊ／ｍ^２を全て満たすと予測される。
１０，０００＜１２８Ｗｔ＋２１３Ｗｇ－１０２Ｗｒ＋１０８１ ・・・（１４）
１４０＜－０．３８Ｗｔ＋１．５２Ｗｇ－３．３０Ｗｒ＋１０６．３０ ・・・（１５）
１１．０＜－０．１０Ｗｔ＋０．１５Ｗｇ＋０．１８Ｗｒ＋４．４９ ・・・（１６）

図１７～図１９に前述のリサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料２７個の学習用データセットの実際の曲げ弾性率、曲げ強度及び常温シャルピー衝撃強度と、密度との関係を示す。なお、図中、黒丸のプロットのサンプルは、上記の重回帰式（５）～（７）を全て満たし、白丸のプロットのサンプルは、上記の重回帰式（５）～（７）を満足しないものを表す。

図１７～図１９に示すように、利用例３－１～３－３のリサイクルガラス繊維強化樹脂材料のうち、上記の重回帰式（５）～（７）を全て満たす組成を有するプロピレン系樹脂組成物を用いれば、リサイクルガラス繊維強化樹脂材料は、所望の物性を有するといえる。よって、上記の重回帰式（５）～（７）を全て満足する組成比において、物性バランスに優れるリサイクル高分子材料を含むリサイクルガラス繊維強化樹脂材料が得られるといえる。

なお、本発明の実施形態の態様は、例えば、以下の通りである。
＜１＞ リサイクル高分子材料を含むリサイクル高分子複合材料が所望の物性値を１つ以上満たすように、前記リサイクル高分子複合材料に含まれる構成成分の組成を提案する組成提案システムであって、
前記リサイクル高分子材料の物性値を取得する取得部と、
バージン高分子材料を含むバージン高分子複合材料の物性値と前記バージン高分子複合材料の記述子を含むパラメータとが対応付けられた第１の学習用データセットを用いて学習された第１の学習済みモデルに、前記取得部により取得された前記リサイクル高分子材料の物性値を入力することで、前記第１の学習済みモデルにより予測された、前記リサイクル高分子材料の記述子を含むパラメータを出力する予測部と、
仮想のリサイクル高分子複合材料の物性の目標値を設定する設定部と、
リサイクル高分子複合材料の記述子を含むパラメータと前記リサイクル高分子複合材料の物性値とが対応付けられた第２の学習用データセットを用いて学習された第２の学習済みモデルに、前記仮想のリサイクル高分子複合材料の記述子を含むパラメータを入力することで予測される、前記仮想のリサイクル高分子複合材料の物性値が、前記目標値に近づくように、前記仮想のリサイクル高分子複合材料の記述子を含むパラメータを変更する最適化部と、
を有し、
前記最適化部は、前記仮想のリサイクル高分子複合材料の物性値が予測される毎に、前記仮想のリサイクル高分子複合材料の記述子を含むパラメータを変更することで、前記仮想のリサイクル高分子複合材料に前記構成成分として含まれる、前記リサイクル高分子材料と前記リサイクル高分子材料以外の成分との質量比率を最適化する組成提案システム。
＜２＞ 前記リサイクル高分子複合材料、前記バージン高分子複合材料、前記高分子複合材料及び前記仮想のリサイクル高分子複合材料の質量比率が、それぞれ、タルク量、ゴム量及びガラス繊維量の少なくとも１つ以上を含む＜１＞に記載の組成提案システム。
＜３＞ 前記リサイクル高分子複合材料、前記バージン高分子複合材料、前記高分子複合材料及び前記仮想のリサイクル高分子複合材料の記述子が、それぞれ、前記リサイクル高分子複合材料、前記バージン高分子複合材料、前記高分子複合材料及び前記仮想のリサイクル高分子複合材料に含まれる前記構成成分の特性値及び構造値の少なくとも一方を含む＜１＞又は＜２＞に記載の組成提案システム。
＜４＞ 前記最適化部は、特定の、前記仮想のリサイクル高分子複合材料の記述子を含むパラメータを回避するように変更する＜１＞～＜３＞の何れか１つに記載の組成提案システム。
＜５＞ 前記最適化部は、前記仮想のリサイクル高分子複合材料の記述子に前記構成成分として含まれる、前記リサイクル高分子材料と前記リサイクル高分子材料以外の成分との質量比率を、数理最適化処理を行うことで提案する＜１＞～＜４＞の何れか１つに記載の組成提案システム。
＜６＞ 前記数理最適化処理が、遺伝的アルゴリズム、ベイズ最適化及びＴＰＥの何れかである＜５＞に記載の組成提案システム。
＜７＞ 前記最適化部は、前記仮想のリサイクル高分子複合材料の物性が望ましい方向に最大化するように、前記仮想のリサイクル高分子複合材料の記述子を含むパラメータを最適化する＜１＞～＜６＞の何れか１つに記載の組成提案システム。
＜８＞ 前記最適化部は、前記仮想のリサイクル高分子複合材料に前記構成成分として含まれる、前記リサイクル高分子材料と前記リサイクル高分子材料以外の成分との質量比率の組合せを複数提案する＜１＞～＜７＞の何れか１つに記載の組成提案システム。
＜９＞ 前記最適化部は、前記高分子複合材料の２つ以上の物性それぞれについて生成された前記第２の学習済みモデルに、前記仮想のリサイクル高分子複合材料の記述子を含むパラメータをそれぞれ入力することで予測される、前記仮想のリサイクル高分子複合材料の前記２つ以上の物性のそれぞれが、前記２つ以上の物性それぞれの前記目標値に近づくように、前記仮想のリサイクル高分子複合材料の記述子を含むパラメータを変更する＜１＞～＜８＞の何れか１つに記載の組成提案システム。
＜１０＞ 前記最適化部は、前記２つ以上の物性についてパレート解を提案する＜９＞に記載の組成提案システム。
＜１１＞ 前記質量比率が、前記構成成分の種類毎の平均値を含む＜１＞～＜１０＞の何れか１つに記載の組成提案システム。
＜１２＞ 前記バージン高分子材料及び前記リサイクル高分子材料が、二種類以上の単量体単位を含む共重合体を含む＜１＞～＜１１＞の何れか１つに記載の組成提案システム。
＜１３＞ 前記リサイクル高分子複合材料、前記バージン高分子複合材料、前記高分子複合材料及び前記仮想のリサイクル高分子複合材料が、それぞれ、プロピレン系重合体及び充填材を構成成分として含む繊維強化複合材料である＜１＞～＜１２＞の何れか１つに記載の組成提案システム。
＜１４＞ 前記プロピレン系重合体が、プロピレンに由来する単量体単位とエチレンに由来する単量体単位とを含む共重合体を含む＜１３＞に記載の組成提案システム。
＜１５＞ ＜１＞～＜１４＞の何れか１つに記載の組成提案システムで得られた、前記仮想のリサイクル高分子複合材料の記述子を含むパラメータを得る工程と、
前記パラメータを満たす、前記リサイクル高分子材料と前記リサイクル高分子材料以外の成分を原料として準備する工程と、
それぞれの前記原料を混合して、前記パラメータを満たす、前記リサイクル高分子複合材料を得る工程と、
を含むリサイクル高分子複合材料の製造方法。
＜１６＞ リサイクル高分子材料と前記リサイクル高分子材料以外の成分を構成成分として含み、
リサイクル高分子複合材料中のタルク量をＷｔとし、リサイクル高分子複合材料中のガラス繊維量をＷｇとし、リサイクル高分子複合材料中のゴム量をＷｒとした時、下記（I）～（IV）のパラメータを満たすリサイクル高分子複合材料。
（I）：リサイクル高分子複合材料の密度が、１．０８ｇ／ｃｍ^３～１．１６ｇ／ｃｍ^３である。
（II）：リサイクル高分子複合材料の弾性率が、１２８×Ｗｔ＋２１３×Ｗｇ－１０２×Ｗｒ＋１０８１＞５０００ＭＰａである。
（III）：リサイクル高分子複合材料の曲げ強度が、－０．３７５×Ｗｔ＋１．５２×Ｗｇ－３．３０×Ｗｒ＋１０６＞８０ＭＰａである。
（IV）：リサイクル高分子複合材料の衝撃が、－０．１０２×Ｗｔ＋０．１４９×Ｗｇ＋０．１８０×Ｗｒ＋４．４９＞６である。
＜１７＞ リサイクル高分子材料と前記リサイクル高分子材料以外の成分を構成成分として含み、
リサイクル高分子複合材料中のタルク量をＷｔとし、リサイクル高分子複合材料中のガラス繊維量をＷｇとし、リサイクル高分子複合材料中のゴム量をＷｒとした時、下記（I）～（IV）のパラメータを満たすリサイクル高分子複合材料。
（I）：リサイクル高分子複合材料の密度が、１．２０ｇ／ｃｍ^３～１．２５ｇ／ｃｍ^３である。
（II）：リサイクル高分子複合材料の弾性率が、１２８×Ｗｔ＋２１３×Ｗｇ－１０２×Ｗｒ＋１０８１＞７５００ＭＰａである。
（III）：リサイクル高分子複合材料の曲げ強度が、－０．３７５×Ｗｔ＋１．５２×Ｗｇ－３．３０×Ｗｒ＋１０６＞１１５ＭＰａである。
（IV）：リサイクル高分子複合材料の衝撃が、－０．１０２×Ｗｔ＋０．１４９×Ｗｇ＋０．１８０×Ｗｒ＋４．４９＞９．０である。
＜１８＞ リサイクル高分子材料と前記リサイクル高分子材料以外の成分を構成成分として含み、
リサイクル高分子複合材料中のタルク量をＷｔとし、リサイクル高分子複合材料中のガラス繊維量をＷｇとし、リサイクル高分子複合材料中のゴム量をＷｒとした時、下記（I）～（IV）のパラメータを満たすリサイクル高分子複合材料。
（I）：リサイクル高分子複合材料の密度が、１．３０ｇ／ｃｍ^３～１．３５ｇ／ｃｍ^３である。
（II）：リサイクル高分子複合材料の弾性率が、１２８×Ｗｔ＋２１３×Ｗｇ－１０２×Ｗｒ＋１０８１＞１０，０００ＭＰａである。
（III）：リサイクル高分子複合材料の曲げ強度が、－０．３７５×Ｗｔ＋１．５２×Ｗｇ－３．３０×Ｗｒ＋１０６＞１４０ＭＰａである。
（IV）：リサイクル高分子複合材料の衝撃が、－０．１０２×Ｗｔ＋０．１４９×Ｗｇ＋０．１８０×Ｗｒ＋４．４９＞１１．０である。

１ 第１の学習装置
２ 第１の予測装置
３ 第２の学習装置
４ 第２の予測装置
１０ 組成提案システム
１１、２１、３１、４１、５１ 取得部
１２、２２、３２、４２、１０２ 前処理部
１３、３３ 学習用データセット作成部
１４、３４、１０６ 学習部
１５、２４、３５、４４、１１３ 表示部
２３、４３、１０３ 予測部
１０１ 第１の取得部
１０４ 第２の取得部
１０５ 学習用データセット作成部
１０７ 設定部
１０８ 第３の取得部
１０９ 物性予測部
１１０ 比較部
１１１ 判定部
１１２ 最適化部
Ｍ１、Ｍ２、Ｍ３、Ｍ４ 学習済みモデル
Ｍ５－１ 第１の学習済みモデル
Ｍ５－２ 第２の学習済みモデル

Claims (4)

1. リサイクル高分子材料、繊維状充填材及び充填材を構成成分として含むリサイクル高分子複合材料であって、
   前記リサイクル高分子複合材料は、リサイクルガラス繊維強化複合材料であり、
   前記リサイクル高分子材料は、プロピレン系重合体としてヘテロファジックプロピレン重合材料を有し、
   前記繊維状充填材は、ガラス繊維を有し、
   前記充填材は、タルクを有し、
   リサイクル高分子複合材料中のタルク量をＷｔとし、リサイクル高分子複合材料中のガラス繊維量をＷｇとし、リサイクル高分子複合材料中のゴム量をＷｒとした時、前記リサイクル高分子複合材料は、下記（I）～（IV）のパラメータを満たす、組成を有するリサイクル高分子複合材料。
   （I）：リサイクル高分子複合材料の密度が、１．１０ｇ／ｃｍ^３～１．１５ｇ／ｃｍ^３である。
   （II）：リサイクル高分子複合材料の曲げ弾性率が、１２８×Ｗｔ＋２１３×Ｗｇ－１０２×Ｗｒ＋１０８１＞５０００ＭＰａである。
   （III）：リサイクル高分子複合材料の曲げ強度が、－０．３７５×Ｗｔ＋１．５２×Ｗｇ－３．３０×Ｗｒ＋１０６＞９０ＭＰａである。
   （IV）：リサイクル高分子複合材料の常温シャルピー衝撃強度が、－０．１０２×Ｗｔ＋０．１４９×Ｗｇ＋０．１８０×Ｗｒ＋４．４９＞７．０である。
2. リサイクル高分子材料、繊維状充填材及び充填材を構成成分として含むリサイクル高分子複合材料であって、
   前記リサイクル高分子複合材料は、リサイクルガラス繊維強化複合材料であり、
   前記リサイクル高分子材料は、プロピレン系重合体としてヘテロファジックプロピレン重合材料を有し、
   前記繊維状充填材は、ガラス繊維を有し、
   前記充填材は、タルクを有し、
   リサイクル高分子複合材料中のタルク量をＷｔとし、リサイクル高分子複合材料中のガラス繊維量をＷｇとし、リサイクル高分子複合材料中のゴム量をＷｒとした時、前記リサイクル高分子複合材料は、下記（I）～（IV）のパラメータを満たす、組成を有するリサイクル高分子複合材料。
   （I）：リサイクル高分子複合材料の密度が、１．２０ｇ／ｃｍ^３～１．２５ｇ／ｃｍ^３である。
   （II）：リサイクル高分子複合材料の曲げ弾性率が、１２８×Ｗｔ＋２１３×Ｗｇ－１０２×Ｗｒ＋１０８１＞７５００ＭＰａである。
   （III）：リサイクル高分子複合材料の曲げ強度が、－０．３７５×Ｗｔ＋１．５２×Ｗｇ－３．３０×Ｗｒ＋１０６＞１１５ＭＰａである。
   （IV）：リサイクル高分子複合材料の常温シャルピー衝撃強度が、－０．１０２×Ｗｔ＋０．１４９×Ｗｇ＋０．１８０×Ｗｒ＋４．４９＞９．０である。
3. リサイクル高分子材料、繊維状充填材及び充填材を構成成分として含むリサイクル高分子複合材料であって、
   前記リサイクル高分子複合材料は、リサイクルガラス繊維強化複合材料であり、
   前記リサイクル高分子材料は、プロピレン系重合体としてヘテロファジックプロピレン重合材料を有し、
   前記繊維状充填材は、ガラス繊維を有し、
   前記充填材は、タルクを有し、
   リサイクル高分子複合材料中のタルク量をＷｔとし、リサイクル高分子複合材料中のガラス繊維量をＷｇとし、リサイクル高分子複合材料中のゴム量をＷｒとした時、前記リサイクル高分子複合材料は、下記（I）～（IV）のパラメータを満たす、組成を有するリサイクル高分子複合材料。
   （I）：リサイクル高分子複合材料の密度が、１．３０ｇ／ｃｍ^３～１．３５ｇ／ｃｍ^３である。
   （II）：リサイクル高分子複合材料の曲げ弾性率が、１２８×Ｗｔ＋２１３×Ｗｇ－１０２×Ｗｒ＋１０８１＞１０，０００ＭＰａである。
   （III）：リサイクル高分子複合材料の曲げ強度が、－０．３７５×Ｗｔ＋１．５２×Ｗｇ－３．３０×Ｗｒ＋１０６＞１４０ＭＰａである。
   （IV）：リサイクル高分子複合材料の常温シャルピー衝撃強度が、－０．１０２×Ｗｔ＋０．１４９×Ｗｇ＋０．１８０×Ｗｒ＋４．４９＞１１．０である。
4. 前記（II）～（IV）のパラメータを満たす式は、前記リサイクル高分子複合材料２７個の学習用データセットを用い、Ｒｉｄｇｅ回帰により生成した学習済みモデルに、タルク量、ガラス繊維量及びゴム成分量の３つの変数を説明変数とし、曲げ弾性率、曲げ強度及び常温シャルピー衝撃強度の３つの変数を目的変数として、重回帰分析を行うことで得られる請求項１～３の何れか一項に記載のリサイクル高分子複合材料。

Images