JPH0554162A - Vitrification judging device - Google Patents
Vitrification judging deviceInfo
- Publication number
- JPH0554162A JPH0554162A JP3215729A JP21572991A JPH0554162A JP H0554162 A JPH0554162 A JP H0554162A JP 3215729 A JP3215729 A JP 3215729A JP 21572991 A JP21572991 A JP 21572991A JP H0554162 A JPH0554162 A JP H0554162A
- Authority
- JP
- Japan
- Prior art keywords
- vitrification
- neural network
- input
- output
- glass
- 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.)
- Pending
Links
Classifications
-
- C—CHEMISTRY; METALLURGY
- C03—GLASS; MINERAL OR SLAG WOOL
- C03B—MANUFACTURE, SHAPING, OR SUPPLEMENTARY PROCESSES
- C03B5/00—Melting in furnaces; Furnaces so far as specially adapted for glass manufacture
- C03B5/16—Special features of the melting process; Auxiliary means specially adapted for glass-melting furnaces
- C03B5/24—Automatically regulating the melting process
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Organic Chemistry (AREA)
- Glass Melting And Manufacturing (AREA)
- Glass Compositions (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、物質のガラス化の有無
を判定する装置に関する。ガラスの組成設計をする場合
には、1)ガラス化する組成であるかどうか、2)目的の物
性を実現できるかどうか、という２つの重要なポイント
がある。ガラスは、それを合成するときに混合するいく
つかの化合物の組成比が最終産物の物性に重大な影響を
与える「加成性」が成り立つとされている。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an apparatus for determining the presence or absence of vitrification of a substance. When designing the composition of glass, there are two important points: 1) whether or not the composition is vitrified, and 2) whether or not the desired physical properties can be realized. It is said that glass has "additivity" in which the composition ratio of some compounds mixed when synthesizing it has a significant influence on the physical properties of the final product.
【０００２】従って、ガラスを構成する化合物の組成比
が決定すれば、ガラスが出来るか否かの判断のあと物性
の予測ができる。板ガラスなどの実用ガラスにおいて
は、ガラス化する組成範囲から大きくはずれた設計をす
ることは稀であるが、光学ガラスなどにおいてはその組
成は多種多様で、目的とする物性を得るための組成比が
必ずしもガラス化に適しているとは限らない。 従っ
て、任意の組成比の場合のガラス化の判定を速やかに行
うことは、ガラスの設計過程において重要である。Therefore, if the composition ratio of the compounds constituting the glass is determined, it is possible to predict the physical properties after judging whether or not glass is formed. In practical glass such as plate glass, it is rare that the design greatly deviates from the composition range to be vitrified, but in optical glass and the like, the composition is diverse, and the composition ratio for obtaining the desired physical properties is It is not always suitable for vitrification. Therefore, it is important in the glass design process to quickly determine vitrification in the case of an arbitrary composition ratio.
【０００３】[0003]
【従来の技術】図５は、従来のガラス化の判定方法を説
明する図である。従来、ガラス化の判定の為には、本図
に示したような、実験値に基づいて作成されたガラス化
範囲を示すチャート図（三角図等）を用いて、紙面上で
チャート図を読み取る作業をしていた。2. Description of the Related Art FIG. 5 is a diagram for explaining a conventional vitrification determination method. Conventionally, for the determination of vitrification, a chart diagram (triangular diagram etc.) showing a vitrification range created based on experimental values as shown in this figure is used to read the chart diagram on the paper surface. I was working.
【０００４】上記の三角図は各頂点が成分元素を表し、
対辺からの高さがその成分の混合比率を示す図で、図中
で示す線により、ガラス化する領域（の領域）と,
ガラス化しない領域（の領域）を分割している。In the above triangular diagram, each vertex represents a constituent element,
In the figure where the height from the opposite side shows the mixing ratio of the components, the line shown in the figure shows
The region (the region of) which is not vitrified is divided.
【０００５】[0005]
【発明が解決しようとする課題】然しながら、上記チャ
ート図は３成分以下のガラスのガラス化範囲しか表現で
きず、４成分以上のガラス化については３成分系からの
類推により判断を行っていた。However, the above charts can only express the vitrification range of glass with three or less components, and vitrification with four or more components was judged by analogy with the three-component system.
【０００６】然も、１枚のチャート図では１組の成分、
例えば、SiO2とCs2OとTl2Oの組み合わせしか表現できな
いため、組成毎に１枚のチャートを作成する必要があ
る。一方、ガラス組成の組み合わせは膨大で、実用的な
組成だけでも数千件を越えるため、任意のガラスのガラ
ス化判定のためには大量のチャート図を検索する必要が
あった。さらに、チャート図が紙上に記述されている事
から計算機等の自動機器からの参照が極めて困難であっ
た。Of course, in one chart diagram, one set of components,
For example, since only a combination of SiO 2 , Cs 2 O, and Tl 2 O can be expressed, it is necessary to create one chart for each composition. On the other hand, the number of combinations of glass compositions is enormous, and since there are thousands of practical compositions alone, it is necessary to search a large number of charts to determine the vitrification of any glass. Further, since the chart diagram is described on paper, it is extremely difficult to refer to it from an automatic device such as a computer.
【０００７】従って、ガラス化の判定の為には人手によ
って数千件のチャート図を検索し、場合によっては推測
で組成決定を行うという問題点を生じていた。本発明は
上記従来の欠点に鑑み、前記従来のガラス化判定方法の
難点を解消し、３成分, 或いは、それ以上の組み合わせ
のガラスに関しても、短時間に、人手を介することなく
ガラス化判定を行う装置を提供することを目的とするも
のである。Therefore, in order to determine the vitrification, there has been a problem that several thousand charts are manually searched, and in some cases the composition is determined by guess. In view of the above-mentioned conventional drawbacks, the present invention eliminates the disadvantages of the conventional vitrification determination method, and three components, or, even with respect to the glass of more than, in a short time, vitrification determination without human intervention It is intended to provide a device for performing.
【０００８】[0008]
【課題を解決するための手段】図１は、本発明の原理構
成図である。上記の問題点は下記の如くに構成したガラ
ス化判定装置によって解決される。FIG. 1 is a block diagram showing the principle of the present invention. The above problems can be solved by the vitrification determination device configured as follows.
【０００９】例えば、３層構造のニューラルネット 1の
入力層 10 に、例えば、ガラス組成物質の各成分元素の
組成比率を入力し、出力層 13 に、上記入力層 10 に入
力したガラス組成の各成分元素の組成比率に対するガラ
ス化の有無を示すデータ (所謂、教師パターン) を与え
て、該３層構造のニューラルネット 1の学習を行い、こ
の学習済の３層構造のニューラルネット 1に未知の組成
比率を入力して、該３層構造のニューラルネット 1の出
力を出力層 13 で採取し、その出力に基づいてガラス化
の有無に関する評点を計算して、ガラス化可能性の評価
を行うように構成する。For example, the composition ratio of each component element of the glass composition material is input to the input layer 10 of the neural network 1 having a three-layer structure, and the output layer 13 is supplied with each of the glass compositions input to the input layer 10. Data indicating the presence or absence of vitrification with respect to the composition ratio of the component elements (so-called teacher pattern) is given to learn the neural network 1 of the three-layer structure, and the learned neural network 1 of the three-layer structure is unknown. Input the composition ratio, collect the output of the neural network 1 of the three-layer structure in the output layer 13, calculate the score regarding the presence or absence of vitrification based on the output, and evaluate the vitrification possibility. To configure.
【００１０】[0010]
【作用】先ず、図４は、３層構造のニューラルネットの
構造例図で、本発明の基本となるニューラルネットの構
造を示している。本発明で用いたニューラルネットは、
例えば、３層構造をもつパーセプトロンモデルである。First, FIG. 4 is a structural example of a neural network having a three-layer structure and shows the structure of a neural network which is the basis of the present invention. The neural network used in the present invention is
For example, it is a perceptron model having a three-layer structure.
【００１１】そして、前述のチャート図（図５参照）
は、従来ガラス化の判定に用いられていた三角図であ
る。前述のように、三角図は各頂点が成分元素を表し、
対辺からの高さがその成分の混合比率を示す図で、図中
で示す線により、ガラス化する領域（の領域）とし
ない領域（の領域）を分割している。Then, the above chart (see FIG. 5)
[Fig. 3] is a triangular diagram that has been conventionally used for determining vitrification. As mentioned above, in the triangle diagram, each vertex represents a component element,
In the figure, the height from the opposite side shows the mixture ratio of the components, and the area shown in the figure divides the area (the area) that vitrifies and the area that does not.
【００１２】本発明では、例えば、上記の三角図から、
各成分の混合比率をニューラルネット 1の入力層 10 に
入力して、出力層 13 に教師パターンとして、ガラス化
の有無を示すデータを与えて、該３層構造のニューラル
ネット 1の学習を行う。In the present invention, for example, from the above triangular diagram,
The mixing ratio of each component is input to the input layer 10 of the neural network 1, and the output layer 13 is provided with data indicating the presence or absence of vitrification as a teacher pattern to learn the neural network 1 having the three-layer structure.
【００１３】この学習の行われた３層構造のニューラル
ネット 1の入力層 10 に、未知の組成比率を入力して、
該３層構造のニューラルネット 1の出力を出力層 13 で
採取し、その出力に基づいてガラス化の有無に関する評
点を計算することにより、ガラス化判定の評点を、該出
力層13 から取り出すことができるようにしたものであ
る。An unknown composition ratio is input to the input layer 10 of the three-layered neural network 1 on which learning is performed,
The output of the neural network 1 having the three-layer structure is sampled in the output layer 13, and the score regarding the presence or absence of vitrification is calculated based on the output, whereby the score of the vitrification determination can be extracted from the output layer 13. It was made possible.
【００１４】従って、本発明では、この評点の判定にニ
ューラルネットを用いたことにより、従来の紙上のチャ
ート図検索の方法に比較して、人手によるデータの検索
が不要となるばかりでなく、３成分以上の組成をもつガ
ラスのガラス化判定も可能となる。しかもデータが計算
機内部に表現されたことにより、他の計算機システムと
のデータの共有も可能となり、計算機によるガラス材料
設計機能が大幅に向上するという効果がある。Therefore, in the present invention, since the neural network is used for the judgment of the score, not only manual retrieval of data is unnecessary as compared with the conventional chart drawing retrieval method on paper, but also 3 It is also possible to determine vitrification of a glass having a composition equal to or more than the components. In addition, since the data is represented inside the computer, it is possible to share the data with other computer systems, and the glass material designing function by the computer is significantly improved.
【００１５】[0015]
【実施例】以下本発明の実施例を図面によって詳述す
る。前述の図１は、本発明の原理構成図であり、図２は
本発明の一実施例を示した図であり、図３は本発明の他
の実施例を示した図である。Embodiments of the present invention will now be described in detail with reference to the drawings. FIG. 1 is a diagram showing the principle of the present invention, FIG. 2 is a diagram showing an embodiment of the present invention, and FIG. 3 is a diagram showing another embodiment of the present invention.
【００１６】本発明においては、ガラス組成の各成分元
素の組成比率と、それに対するガラス化の有無を示すデ
ータを用いて、例えば、３層構造のニューラルネット 1
の学習を行い、この学習済の該３層構造のニューラルネ
ット 1に未知の組成比率を入力して、該３層構造のニュ
ーラルネット 1の出力を出力層 1３で採取し、その出力
に基づいてガラス化の有無に関する評点を計算して、ガ
ラス化可能性の評価を行う手段が、本発明を実施するの
に必要な手段である。尚、全図を通して同じ符号は同じ
対象物を示している。In the present invention, a neural network having a three-layer structure is used, for example, by using the composition ratio of each component element of the glass composition and the data indicating the presence or absence of vitrification.
Learning is performed, an unknown composition ratio is input to the learned neural network 1 having the three-layer structure, the output of the neural network 1 having the three-layer structure is sampled at the output layer 13, and based on the output. Means for evaluating the vitrification possibility by calculating a score relating to the presence or absence of vitrification is a necessary means for carrying out the present invention. The same reference numerals denote the same objects throughout the drawings.
【００１７】以下、図４，図１を参照しながら、図２，
図３を用いて、本発明のガラス化判定装置の構成と、判
定動作を説明する。本発明ではニューラルネットを用い
ていることから、作業の流れは「ニューラルネットの学
習」のフェイズと，「ニューラルネットを用いた認識」
のフェイズに分けることができる。未知の組成比のガラ
スのガラス化判定を行うに当たっては認識のフェイズだ
けを利用すればよいが、システムの構築のためには学習
のフェイズは欠かせない。従って、以降、学習のフェイ
ズと認識のフェイズに分けて本発明のガラス化判定装置
の動作を説明する。2, while referring to FIG. 4 and FIG.
The configuration of the vitrification determination device of the present invention and the determination operation will be described with reference to FIG. Since the neural network is used in the present invention, the work flow is in the “learning of neural network” phase and “recognition using neural network”.
Can be divided into phases. Only the recognition phase should be used to judge the vitrification of glass with an unknown composition ratio, but the learning phase is indispensable for the construction of the system. Therefore, hereinafter, the operation of the vitrification determination device of the present invention will be described separately for the learning phase and the recognition phase.
【００１８】(1) ニューラルネットの学習のフェイズ：
本発明では、前述の三角図等の実験データをニューラル
ネットに学習させることを重要な構成要素としている。
図１，図２は実験データとニューラルネットの入力層 1
0 の対応を示す。(1) Neural network learning phase:
In the present invention, it is an important constituent element that the neural network learns the experimental data such as the above-mentioned triangular diagram.
Figures 1 and 2 show experimental data and input layer of neural network 1
Indicates 0 correspondence.
【００１９】一種類の３成分ガラスのガラス化範囲を判
定するには、図１のように入力ユニット 101を３個有す
るニューラルネット 1を用いればよい。入力層 10 の各
ユニット 101は、個々の成分元素に対応しており、その
値は各成分の混合比率を表す。To determine the vitrification range of one type of three-component glass, a neural net 1 having three input units 101 as shown in FIG. 1 may be used. Each unit 101 of the input layer 10 corresponds to each component element, and the value represents the mixing ratio of each component.
【００２０】出力層 13 には、その時のガラス化の有無
を、教師データとして数値で入力する。例えば、ガラス
化する場合には「１」、ガラス化しない場合には「０」
等の数値を割り当てる。以上の様な入出力対を１組成(S
iO2,Tl2O,Cs2O)について１０ないし１５組作成し、これ
を用いてニューラルネット 1の学習を行う。In the output layer 13, the presence or absence of vitrification at that time is numerically input as teacher data. For example, "1" when vitrified, "0" when not vitrified
Assign numerical values such as. One composition of the above input / output pairs (S
10 to 15 sets of iO 2 , Tl 2 O, Cs 2 O) are created, and the neural network 1 is learned by using these.
【００２１】複数の３成分ガラスや、多成分（３成分以
上）のガラスのガラス化範囲を判定するには、図２の様
に多くの入力ユニット 101を有するニューラルネット 1
を用いればよい。In order to determine the vitrification range of a plurality of three-component glasses and a multi-component glass (three or more components), a neural network 1 having many input units 101 as shown in FIG.
Can be used.
【００２２】必要な入力ユニット 101に各成分の混合比
率を入力し、残りのユニットには“０”を入力する。出
力層 13 には、前述と同様にその時のガラス化の有無を
数値で入力する。さらに同様の学習を様々な組成につい
て行い学習を完了する。The mixing ratio of each component is input to the required input unit 101, and "0" is input to the remaining units. In the output layer 13, similarly to the above, the presence or absence of vitrification at that time is numerically input. Further, the same learning is performed for various compositions to complete the learning.
【００２３】図３は、本発明の応用版として、入力層 1
0 の各入力ユニット 101に入力するデータのデータ構造
が異なる場合の学習例を示す。本実施例においては、入
力層 10 には、主な成分元素比率と, 第３成分元素比
率, 及び第３成分元素種類をあらわすユニット 101,101
a,101bを準備する。各々のユニット 101,101a には上記
の場合と同様に各々の成分の混合比率を入力し、さらに
第３成分については成分元素種をあらかじめ定義した値
で第３成分元素種ユニット 101b に入力する。FIG. 3 shows an input layer 1 as an applied version of the present invention.
An example of learning when the data structure of the data input to each 0 input unit 101 is different is shown. In the present embodiment, the input layer 10 has units 101, 101 that represent the main component element ratio, the third component element ratio, and the third component element type.
Prepare a and 101b. Similar to the above case, the mixing ratio of each component is input to each unit 101, 101a, and the component element species for the third component are input to the third component element species unit 101b with a predefined value.
【００２４】出力層 13 にはその時のガラス化の有無を
数値で入力し、以下、上記の場合と同様に学習を行う。
本装置では、入力ユニットの数が大幅に節約できるが、
一つのニューラルネット 1で表現できる元素の組み合わ
せは少なくなるという特徴がある。The presence or absence of vitrification at that time is numerically input to the output layer 13, and thereafter learning is performed in the same manner as in the above case.
This device saves a lot of input units,
The feature is that the number of elements that can be represented by one neural network 1 is small.
【００２５】以上のように、入力層 10 に成分元素の比
率等、出力層 13 にその時のガラス化の有無を与えてニ
ューラルネット 1を学習させる。 (2) ニューラルネットの認識のフェイズ：上記の様にし
て構築されたニューラルネット 1を用いて、未知の組成
比のガラスのガラス化判定を行う。As described above, the neural network 1 is trained by giving the input layer 10 the ratio of the constituent elements and the output layer 13 with or without vitrification. (2) Neural network recognition phase: Using the neural network 1 constructed as described above, vitrification judgment of glass of unknown composition ratio is performed.
【００２６】入力層 10 の該当する成分のユニット 101
に、その成分の混合比率を入力する。これで認識を行え
ば、学習済のニューラルネット 1は学習したデータをも
とに計算を行い、出力層 13 に値を出力する。最終的に
ニューラルネット 1が出力する値をもとに評点を計算
し、ガラス化の有無を判定する。Unit 101 of the relevant component of the input layer 10
Input the mixing ratio of the component into. If this is done, the learned neural network 1 performs calculations based on the learned data and outputs the values to the output layer 13. Finally, the score is calculated based on the value output by the neural network 1, and the presence or absence of vitrification is determined.
【００２７】以上説明したように、本発明はガラス組成
の各成分元素の組成比率等と、それに対するガラス化の
有無を示すデータを用いて、例えば、３層構造のニュー
ラルネット 1で学習を行い、この学習済のニューラルネ
ット1に未知の組成比率等を入力してニューラルネット
の出力を採取し、その出力に基づいてガラス化の有無に
関する評点を計算して、ガラス化可能性の評価を行うよ
うにしたところに特徴がある。As described above, the present invention uses, for example, the composition ratio of each component element of the glass composition and the data indicating the presence or absence of vitrification, to perform learning with, for example, a neural network 1 having a three-layer structure. , Input the unknown composition ratio etc. into this learned neural net 1 and collect the output of the neural net, calculate the score regarding the presence or absence of vitrification based on the output, and evaluate the vitrification possibility There is a feature in doing so.
【００２８】[0028]
【発明の効果】本発明では、この評点の判定にニューラ
ルネットを用いたことにより、従来の紙上のチャート図
検索の方法に比較して、人手によるデータの検索が不要
となるばかりでなく、３成分以上の物質の組成をもつガ
ラスのガラス化判定も可能となる。然も、データが計算
機内部に表現されたことにより、他の計算機システムと
のデータの共有も可能となり、計算機によるガラス材料
設計機能が大幅に向上するという効果がある。According to the present invention, since the neural network is used for the determination of the score, not only manual retrieval of data is unnecessary as compared with the conventional chart drawing retrieval method on paper, but also 3 It is also possible to determine the vitrification of a glass having a composition of substances that are more than the components. However, since the data is represented inside the computer, it is possible to share the data with other computer systems, and the glass material designing function by the computer is significantly improved.
【図１】本発明の原理構成図FIG. 1 is a block diagram of the principle of the present invention.
【図２】本発明の一実施例を示した図FIG. 2 is a diagram showing an embodiment of the present invention.
【図３】本発明の他の実施例を示した図FIG. 3 is a diagram showing another embodiment of the present invention.
【図４】３層構造のニューラルネットの構造例図FIG. 4 is a structural example diagram of a three-layered neural network.
【図５】従来のガラス化の判定方法を説明する図FIG. 5 is a diagram illustrating a conventional method for determining vitrification.
1 ３層構造のニューラルネット, 又は、ニューラル
ネット 10 入力層 13 出力層 101,101a,101b 入力層の入力ユニット ガラス化領域を区別する線 ガラス化
領域 ガラス化しない領域1 Three-layer structure neural net or neural net 10 Input layer 13 Output layer 101, 101a, 101b Input unit of input layer Line that distinguishes the vitrification region Vitrification region Non-vitrification region
Claims (1)
(10)に、ガラス組成物質の各成分元素の組成比率、その
他を入力し、出力層(13)に、上記入力層(10)に入力した
ガラス組成の各成分元素の組成比率、その他に対するガ
ラス化の有無を示すデータを与えて、該多層構造のニュ
ーラルネット(1) の学習を行い、 この学習済の多層構造のニューラルネット(1) に未知の
組成比率、その他を入力して、該多層構造のニューラル
ネット(1) の出力を出力層(13)で採取し、その出力に基
づいてガラス化の有無に関する評点を計算して、ガラス
化可能性の評価を行うことを特徴とするガラス化判定装
置。1. An input layer of a multilayered neural network (1)
In (10), enter the composition ratio of each component element of the glass composition substance, other, the output layer (13), the composition ratio of each component element of the glass composition input to the input layer (10), the glass to the other The neural network (1) of the multi-layered structure is trained by giving data indicating presence / absence of the multi-layered structure, and the unknown composition ratio and others are input to the learned neural network (1) of the multi-layered structure. Vitrification characterized by collecting the output of the structure neural network (1) in the output layer (13), calculating the score regarding the presence or absence of vitrification based on the output, and evaluating the vitrification possibility Judgment device.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3215729A JPH0554162A (en) | 1991-08-28 | 1991-08-28 | Vitrification judging device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3215729A JPH0554162A (en) | 1991-08-28 | 1991-08-28 | Vitrification judging device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0554162A true JPH0554162A (en) | 1993-03-05 |
Family
ID=16677225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3215729A Pending JPH0554162A (en) | 1991-08-28 | 1991-08-28 | Vitrification judging device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0554162A (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008111475A1 (en) * | 2007-03-07 | 2008-09-18 | Asahi Glass Co., Ltd. | Process for producing optical glass device |
| JP2020200213A (en) * | 2019-06-10 | 2020-12-17 | 株式会社ニコン | Physical property predicting device, data generating device, physical property predicting method, and program |
-
1991
- 1991-08-28 JP JP3215729A patent/JPH0554162A/en active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008111475A1 (en) * | 2007-03-07 | 2008-09-18 | Asahi Glass Co., Ltd. | Process for producing optical glass device |
| JP2020200213A (en) * | 2019-06-10 | 2020-12-17 | 株式会社ニコン | Physical property predicting device, data generating device, physical property predicting method, and program |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mäkelä et al. | Documentation as a practice-led research tool for reflection on experiential knowledge | |
| Floden et al. | Responses to curriculum pressures: A policy-capturing study of teacher decisions about content. | |
| Rowe | Archaeological dating and cultural process | |
| US5546517A (en) | Apparatus for determining the structure of a hypermedia document using graph partitioning | |
| JPH0554162A (en) | Vitrification judging device | |
| KR890702132A (en) | Data processing device and editing device using it | |
| Wang | Diagramming design research | |
| JPH06124294A (en) | Personnel evaluating device and method | |
| DE102009002457A1 (en) | Search device and search program | |
| DE112008002690T5 (en) | The map information processing device | |
| LeBlanc | A structural approach to ceramic design analysis: A pilot study of the “Eastern Lapita Province” | |
| Merelo et al. | Blogosphere community formation, structure and visualization | |
| Frison | Linnaeus, Beckmann, Marx and the foundation of technology. Between natural and social sciences: A hypothesis of an ideal type: Second and Third parts: Beckmann, Marx, technology and classical economics | |
| JP2003296520A (en) | Personnel training plan support method, personnel training plan support program and personnel training plan support device | |
| Eilouti | A Reverse-Engineering Model for Architectural Design Analysis | |
| D’Agostino et al. | Classification and Recognition Approaches for the BIM Modeling of Architectural Elements | |
| Chang et al. | Interface design and knowledge acquisition for cartographic generalization | |
| Kraai | ONE MINERVAHAVEN: Metropolitan high-rise living in Amsterdam | |
| Slattery | Quantitative Assessment in Sustainable Digital Urban Planning using Multi-Criteria Decision Analysis | |
| Pedersen | Visualizing Transformation | |
| Sibilla | Advanced training on energy efficiency in historic heritage | |
| JPH0342777A (en) | Circuit diagram editor | |
| JPH01287704A (en) | Fuzzy arithmetic control system | |
| Marouda-Chatjoulis et al. | Modelling the process of deciding in real world problems | |
| JPH02287628A (en) | Membership function analyzer |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20001212 |