JPH1055348A - 多成分系材料最適化解析装置および方法 - Google Patents
多成分系材料最適化解析装置および方法Info
- Publication number
- JPH1055348A JPH1055348A JP22586396A JP22586396A JPH1055348A JP H1055348 A JPH1055348 A JP H1055348A JP 22586396 A JP22586396 A JP 22586396A JP 22586396 A JP22586396 A JP 22586396A JP H1055348 A JPH1055348 A JP H1055348A
- Authority
- JP
- Japan
- Prior art keywords
- optimization
- blending
- material model
- parameters
- parameter
- 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
- 239000000463 material Substances 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 title description 2
- 238000005457 optimization Methods 0.000 claims abstract description 67
- 238000002156 mixing Methods 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 39
- 239000000470 constituent Substances 0.000 claims abstract description 24
- 238000012821 model calculation Methods 0.000 claims abstract description 22
- 238000013461 design Methods 0.000 claims abstract description 19
- 238000013433 optimization analysis Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 abstract description 32
- 238000002474 experimental method Methods 0.000 description 41
- 239000000203 mixture Substances 0.000 description 28
- 238000013528 artificial neural network Methods 0.000 description 24
- 238000009472 formulation Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013329 compounding Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 229920001971 elastomer Polymers 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000005060 rubber Substances 0.000 description 2
- 244000043261 Hevea brasiliensis Species 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 239000006229 carbon black Substances 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229920003052 natural elastomer Polymers 0.000 description 1
- 229920001194 natural rubber Polymers 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 229920003051 synthetic elastomer Polymers 0.000 description 1
- 239000005061 synthetic rubber Substances 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- 238000004073 vulcanization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【課題】 非線形化予測手法による学習で精度の良い材
料モデルを作成し、最適化計算と組み合わせて有効な最
適材料設計を可能とする。 【解決手段】 最適化項目入力装置１は多成分系材料の
材料設計の目的関数となる物理量と制約条件としての構
成成分の配合パラメータの範囲とを定め、実験データ入
力装置２は配合パラメータおよび制約条件とその物理量
の実験データを入力し、材料モデル計算装置３は非線形
化予測手法によって多成分系材料の構成成分の配合パラ
メータおよび制約条件とその物理量とを関係づける材料
モデルを計算し、最適化計算装置４は計算結果の材料モ
デルおよび入力された項目に基づいて最適化手法を用い
て目的にあった多成分系材料の構成成分の配合パラメー
タを計算し、最適化結果出力装置５は計算結果の最適配
合パラメータを材料最適化設計案として出力する。
料モデルを作成し、最適化計算と組み合わせて有効な最
適材料設計を可能とする。 【解決手段】 最適化項目入力装置１は多成分系材料の
材料設計の目的関数となる物理量と制約条件としての構
成成分の配合パラメータの範囲とを定め、実験データ入
力装置２は配合パラメータおよび制約条件とその物理量
の実験データを入力し、材料モデル計算装置３は非線形
化予測手法によって多成分系材料の構成成分の配合パラ
メータおよび制約条件とその物理量とを関係づける材料
モデルを計算し、最適化計算装置４は計算結果の材料モ
デルおよび入力された項目に基づいて最適化手法を用い
て目的にあった多成分系材料の構成成分の配合パラメー
タを計算し、最適化結果出力装置５は計算結果の最適配
合パラメータを材料最適化設計案として出力する。
Description
【０００１】
【発明の属する技術分野】本発明は多成分系材料最適化
解析装置および方法に関し、特に多成分から構成される
材料（以下、多成分系材料という）の設計、例えばタイ
ヤ用ゴム配合設計等に利用できる多成分系材料最適化解
析装置および方法に関する。
解析装置および方法に関し、特に多成分から構成される
材料（以下、多成分系材料という）の設計、例えばタイ
ヤ用ゴム配合設計等に利用できる多成分系材料最適化解
析装置および方法に関する。
【０００２】
【従来の技術】材料設計は、目的とする材料の物理量
（物性値，特性値）を得るための構成成分の配合比率
（配合パラメータ）および制約条件（コスト，製造条件
等）を求めることである。従来は、経験的あるいは試行
錯誤的に配合パラメータおよび制約条件を求める場合が
多く、特に構成成分が３成分以上になると、その作業は
非常に困難となっていた。
（物性値，特性値）を得るための構成成分の配合比率
（配合パラメータ）および制約条件（コスト，製造条件
等）を求めることである。従来は、経験的あるいは試行
錯誤的に配合パラメータおよび制約条件を求める場合が
多く、特に構成成分が３成分以上になると、その作業は
非常に困難となっていた。
【０００３】このような従来の材料設計の改良法とし
て、階層型ニューラルネットワークを用いて材料特性を
指定すると、多成分系材料の構成成分の配合パラメータ
が自動的に求められるようにした材料設計システムが提
案されている（尾田十八・岡田裕康「ニューラルネット
ワークを用いた多成分系材料の材料設計法」、日本機械
学会［Ｎｏ．９４０−２５］第１回最適化シンポジウム
講演論文集［’９４−７−８，９，東京］ｐ５７−６２
参照）。
て、階層型ニューラルネットワークを用いて材料特性を
指定すると、多成分系材料の構成成分の配合パラメータ
が自動的に求められるようにした材料設計システムが提
案されている（尾田十八・岡田裕康「ニューラルネット
ワークを用いた多成分系材料の材料設計法」、日本機械
学会［Ｎｏ．９４０−２５］第１回最適化シンポジウム
講演論文集［’９４−７−８，９，東京］ｐ５７−６２
参照）。
【０００４】また、多成分系材料の構成成分の配合パラ
メータおよび制約条件とその物理量とを関係づける材料
モデルの作成に多項式を仮定して最小２乗法でその係数
を定める材料モデル計算と、最適化とを組み合わせた例
がある（岩崎学，「混合実験の計画と解析」，ｐ１０５
〜１１７，サイエンティスト社，１９９４参照）。
メータおよび制約条件とその物理量とを関係づける材料
モデルの作成に多項式を仮定して最小２乗法でその係数
を定める材料モデル計算と、最適化とを組み合わせた例
がある（岩崎学，「混合実験の計画と解析」，ｐ１０５
〜１１７，サイエンティスト社，１９９４参照）。
【０００５】
【発明が解決しようとする課題】上述した従来の階層型
ニューラルネットワークを用いた材料設計システムで
は、現実に存在する材料から少し外れた材料特性をイン
プットすると、マイナスの配合パラメータがアウトプッ
トされて活用が困難な場合もあるという問題点があっ
た。
ニューラルネットワークを用いた材料設計システムで
は、現実に存在する材料から少し外れた材料特性をイン
プットすると、マイナスの配合パラメータがアウトプッ
トされて活用が困難な場合もあるという問題点があっ
た。
【０００６】また、多項式を仮定する材料モデル計算を
使用する場合には、多項式を仮定する際に任意性が入る
こと、３ケ以上の構成成分から成る場合に多項式をどう
仮定したならばよいかを決めることが難しいこと等の問
題点があり、材料モデルの精度が高くならなかった。そ
のため、その材料モデルに基づいて求めた材料設計案も
有効なものとはならなかった。
使用する場合には、多項式を仮定する際に任意性が入る
こと、３ケ以上の構成成分から成る場合に多項式をどう
仮定したならばよいかを決めることが難しいこと等の問
題点があり、材料モデルの精度が高くならなかった。そ
のため、その材料モデルに基づいて求めた材料設計案も
有効なものとはならなかった。
【０００７】本発明の目的は、非線形化予測手法による
学習で精度の良い材料モデルを作成し、最適化計算手段
と組み合わせて有効な最適材料設計を可能とする多成分
系材料最適化解析装置を提供することにある。
学習で精度の良い材料モデルを作成し、最適化計算手段
と組み合わせて有効な最適材料設計を可能とする多成分
系材料最適化解析装置を提供することにある。
【０００８】また、本発明の他の目的は、非線形化予測
手法による学習で精度の良い材料モデルを作成し、最適
化計算ステップと組み合わせて有効な最適材料設計を可
能とする多成分系材料最適化解析方法を提供することに
ある。
手法による学習で精度の良い材料モデルを作成し、最適
化計算ステップと組み合わせて有効な最適材料設計を可
能とする多成分系材料最適化解析方法を提供することに
ある。
【０００９】
【課題を解決するための手段】本発明の多成分系材料最
適化解析装置は、材料設計の目的関数となる物理量と、
制約条件としての構成成分の配合パラメータの範囲とを
定める最適化項目入力手段と、非線形化予測手法によっ
て多成分系材料の構成成分の配合パラメータおよび制約
条件とその物理量とを関係づける材料モデルを計算する
材料モデル計算手段と、この材料モデル計算手段による
計算結果の材料モデルおよび前記最適化項目入力手段に
より入力された項目に基づいて最適化手法を用いて目的
にあった多成分系材料の構成成分の配合パラメータを計
算する最適化計算手段とを具備することを特徴とする。
適化解析装置は、材料設計の目的関数となる物理量と、
制約条件としての構成成分の配合パラメータの範囲とを
定める最適化項目入力手段と、非線形化予測手法によっ
て多成分系材料の構成成分の配合パラメータおよび制約
条件とその物理量とを関係づける材料モデルを計算する
材料モデル計算手段と、この材料モデル計算手段による
計算結果の材料モデルおよび前記最適化項目入力手段に
より入力された項目に基づいて最適化手法を用いて目的
にあった多成分系材料の構成成分の配合パラメータを計
算する最適化計算手段とを具備することを特徴とする。
【００１０】また、本発明の多成分系材料最適化解析方
法は、材料設計の目的関数となる物理量と、制約条件と
しての構成成分の配合パラメータの範囲とを定める最適
化項目入力ステップと、非線形化予測手法によって多成
分系材料の構成成分の配合パラメータおよび制約条件と
その物理量とを関係づける材料モデルの計算ステップ
と、この材料モデル計算ステップによる計算結果の材料
モデルおよび前記最適化項目入力ステップにより入力さ
れた項目に基づいて最適化手法を用いて目的にあった多
成分系材料の構成成分の配合パラメータを計算する最適
化計算ステップとを含むことを特徴とする。
法は、材料設計の目的関数となる物理量と、制約条件と
しての構成成分の配合パラメータの範囲とを定める最適
化項目入力ステップと、非線形化予測手法によって多成
分系材料の構成成分の配合パラメータおよび制約条件と
その物理量とを関係づける材料モデルの計算ステップ
と、この材料モデル計算ステップによる計算結果の材料
モデルおよび前記最適化項目入力ステップにより入力さ
れた項目に基づいて最適化手法を用いて目的にあった多
成分系材料の構成成分の配合パラメータを計算する最適
化計算ステップとを含むことを特徴とする。
【００１１】
【発明の実施の形態】次に、本発明について図面を参照
して詳細に説明する。
して詳細に説明する。
【００１２】図１は、本発明の一実施の形態に係る多成
分系材料最適化解析装置の構成を示すブロック図であ
る。本実施の形態に係る多成分系材料最適化解析装置
は、最適化項目入力装置１と、実験データ入力装置２
と、材料モデル計算装置３と、最適化計算装置４と、最
適化結果出力装置５とから、その主要部が構成されてい
る。
分系材料最適化解析装置の構成を示すブロック図であ
る。本実施の形態に係る多成分系材料最適化解析装置
は、最適化項目入力装置１と、実験データ入力装置２
と、材料モデル計算装置３と、最適化計算装置４と、最
適化結果出力装置５とから、その主要部が構成されてい
る。
【００１３】最適化項目入力装置１は、最大化または
最小化すべき物理量（これを目的関数ＯＢＪという），
最大化または最小化するときに制約を設ける物理量，
多成分系材料の構成成分の配合パラメータＸi （ｉ＝１
〜Ｎ）および製造条件（以下、これらを制約条件Ｇとい
う），多成分系材料の構成成分の配合パラメータＸi
（ｉ＝１〜Ｎ）および制約条件Ｇのとりうる範囲，最
適化に関する手法の選択およびそのときのパラメータ等
を入力する。例えば、多成分系材料がゴムである場合、
物理量として、硬さ，引張強さ，伸び，圧縮永久ひず
み，引張強さ変化率，伸び変化率，硬さ変化，体積変化
率，コスト等があり、構成成分として、天然ゴム，合成
ゴム，カーボンブラック，加硫剤，加硫促進剤，老化防
止剤，コスト等がある。
最小化すべき物理量（これを目的関数ＯＢＪという），
最大化または最小化するときに制約を設ける物理量，
多成分系材料の構成成分の配合パラメータＸi （ｉ＝１
〜Ｎ）および製造条件（以下、これらを制約条件Ｇとい
う），多成分系材料の構成成分の配合パラメータＸi
（ｉ＝１〜Ｎ）および制約条件Ｇのとりうる範囲，最
適化に関する手法の選択およびそのときのパラメータ等
を入力する。例えば、多成分系材料がゴムである場合、
物理量として、硬さ，引張強さ，伸び，圧縮永久ひず
み，引張強さ変化率，伸び変化率，硬さ変化，体積変化
率，コスト等があり、構成成分として、天然ゴム，合成
ゴム，カーボンブラック，加硫剤，加硫促進剤，老化防
止剤，コスト等がある。
【００１４】実験データ入力装置２は、多成分系材料の
構成成分の配合パラメータＸi （ｉ＝１〜Ｎ）および制
約条件Ｇとその物理量との実験データを入力する。
構成成分の配合パラメータＸi （ｉ＝１〜Ｎ）および制
約条件Ｇとその物理量との実験データを入力する。
【００１５】材料モデル計算装置３は、非線形化予測手
法の１つであるニューラルネットワークによって多成分
系材料の構成成分の配合パラメータＸi （ｉ＝１〜Ｎ）
および制約条件Ｇとその物理量とを関係づける材料モデ
ルを計算する。
法の１つであるニューラルネットワークによって多成分
系材料の構成成分の配合パラメータＸi （ｉ＝１〜Ｎ）
および制約条件Ｇとその物理量とを関係づける材料モデ
ルを計算する。
【００１６】図２は、材料モデル計算装置３の一例を示
す模式図である。この材料モデル計算装置３は、入力
層，中間層および出力層からなる３層のニューラルネッ
トワークで構成され、入力Ｉi （ｉ＝１〜Ｎ）が配合パ
ラメータＸi （ｉ＝１〜Ｎ）、出力Ｏk が物理量になる
ように設定されている。例えば、多成分系材料がゴムで
ある場合、入力層として１０個程度のＰＥ（Ｐｒｏｃｅ
ｓｓｉｎｇ Ｅｌｅｍｅｎｔ）数、中間層として３０個
程度のＰＥ数、出力層として１０個程度のＰＥ数とする
ことができる。なお、入力Ｉi と出力Ｏk との間には、
数１のような関係がある。
す模式図である。この材料モデル計算装置３は、入力
層，中間層および出力層からなる３層のニューラルネッ
トワークで構成され、入力Ｉi （ｉ＝１〜Ｎ）が配合パ
ラメータＸi （ｉ＝１〜Ｎ）、出力Ｏk が物理量になる
ように設定されている。例えば、多成分系材料がゴムで
ある場合、入力層として１０個程度のＰＥ（Ｐｒｏｃｅ
ｓｓｉｎｇ Ｅｌｅｍｅｎｔ）数、中間層として３０個
程度のＰＥ数、出力層として１０個程度のＰＥ数とする
ことができる。なお、入力Ｉi と出力Ｏk との間には、
数１のような関係がある。
【００１７】
【数１】
【００１８】ただし、Ｗjiは入力層と中間層との間の結
合係数、Ｖkjは中間層と出力層との間の結合係数、ｆ
（ｘ）＝｛１＋ｔａｎｈ（ｘ／ｕ0 ）｝（ｕ0 は定
数）、θjは中間層のオフセット、γk は出力層のオフ
セット、Ｎは入力層のＰＥ数（配合パラメータの数と等
しい）、ｍは中間層のＰＥ数を示す。
合係数、Ｖkjは中間層と出力層との間の結合係数、ｆ
（ｘ）＝｛１＋ｔａｎｈ（ｘ／ｕ0 ）｝（ｕ0 は定
数）、θjは中間層のオフセット、γk は出力層のオフ
セット、Ｎは入力層のＰＥ数（配合パラメータの数と等
しい）、ｍは中間層のＰＥ数を示す。
【００１９】最適化計算装置４は、最適化項目入力装置
１で入力した目的関数ＯＢＪを最適化する配合パラメー
タＸi （ｉ＝１〜Ｎ）（以下、最適配合パラメータＸi
（ｉ＝１〜Ｎ）と記述する）を計算する。ここでは、数
理計画法，遺伝的アルゴリズム等の最適化手法を用い
る。
１で入力した目的関数ＯＢＪを最適化する配合パラメー
タＸi （ｉ＝１〜Ｎ）（以下、最適配合パラメータＸi
（ｉ＝１〜Ｎ）と記述する）を計算する。ここでは、数
理計画法，遺伝的アルゴリズム等の最適化手法を用い
る。
【００２０】最適化結果出力装置５は、最適化計算の結
果として、最適化項目入力装置１で入力された項目を満
足するように最適化された多成分系材料の構成成分の最
適配合パラメータＸi OPT （ｉ＝１〜Ｎ）および制約条
件ＧOPT を出力する。
果として、最適化項目入力装置１で入力された項目を満
足するように最適化された多成分系材料の構成成分の最
適配合パラメータＸi OPT （ｉ＝１〜Ｎ）および制約条
件ＧOPT を出力する。
【００２１】図３を参照すると、本発明の一実施の形態
に係る多成分系材料最適化解析方法の手順は、配合パラ
メータ，目的関数および最大実験回数設定ステップ１０
１と、配合パラメータ範囲設定ステップ１０２と、カウ
ンタ初期化ステップ１０３と、過去実験データ利用可能
判定ステップ１０４と、実験計画ステップ１０５と、物
理量実験ステップ１０６と、ニューラルネットワーク学
習ステップ１０７と、最適化計算ステップ１０８と、実
験回数カウンタ加算ステップ１０９と、最大実験回数到
達判定ステップ１１０と、ループカウンタインクリメン
トステップ１１１と、配合パラメータ範囲再設定ステッ
プ１１２と、最適配合パラメータ出力ステップ１１３
と、同一配合有無判定ステップ１１４と、物理量実験お
よびデータベース登録ステップ１１５と、過去配合パラ
メータおよび物理量読込みステップ１１６と、ニューラ
ルネットワーク学習ステップ１１７と、全実験回数０設
定ステップ１１８とを含んでいる。
に係る多成分系材料最適化解析方法の手順は、配合パラ
メータ，目的関数および最大実験回数設定ステップ１０
１と、配合パラメータ範囲設定ステップ１０２と、カウ
ンタ初期化ステップ１０３と、過去実験データ利用可能
判定ステップ１０４と、実験計画ステップ１０５と、物
理量実験ステップ１０６と、ニューラルネットワーク学
習ステップ１０７と、最適化計算ステップ１０８と、実
験回数カウンタ加算ステップ１０９と、最大実験回数到
達判定ステップ１１０と、ループカウンタインクリメン
トステップ１１１と、配合パラメータ範囲再設定ステッ
プ１１２と、最適配合パラメータ出力ステップ１１３
と、同一配合有無判定ステップ１１４と、物理量実験お
よびデータベース登録ステップ１１５と、過去配合パラ
メータおよび物理量読込みステップ１１６と、ニューラ
ルネットワーク学習ステップ１１７と、全実験回数０設
定ステップ１１８とを含んでいる。
【００２２】図４を参照すると、材料モデル計算装置３
の処理は、学習データおよびテストデータ読込みステッ
プ２０１と、結合係数およびオフセット初期化ステップ
２０２と、学習データのニューラルネットワークへの入
力ステップ２０３と、中間層および出力層誤差計算ステ
ップ２０４と、結合係数およびオフセット更新ステップ
２０５と、テストデータによる学習結果テストステップ
２０６と、収束判定および繰り返し回数判定ステップ２
０７とからなる。
の処理は、学習データおよびテストデータ読込みステッ
プ２０１と、結合係数およびオフセット初期化ステップ
２０２と、学習データのニューラルネットワークへの入
力ステップ２０３と、中間層および出力層誤差計算ステ
ップ２０４と、結合係数およびオフセット更新ステップ
２０５と、テストデータによる学習結果テストステップ
２０６と、収束判定および繰り返し回数判定ステップ２
０７とからなる。
【００２３】図５を参照すると、最適化計算装置４の処
理は、配合パラメータ初期値設定ステップ３０１と、目
的関数および制約条件の初期値演算ステップ３０２と、
配合パラメータカウンタ初期化ステップ３０３と、配合
パラメータ変化ステップ３０４と、目的関数および制約
条件演算ステップ３０５と、感度演算ステップ３０６
と、配合パラメータカウンタインクリメントステップ３
０７と、全配合パラメータ終了判定ステップ３０８と、
配合パラメータ変化量予測ステップ３０９と、配合パラ
メータ更新および目的関数演算ステップ３１０と、目的
関数収束判定ステップ３１１と、最適配合パラメータ決
定ステップ３１２とを含んでいる。
理は、配合パラメータ初期値設定ステップ３０１と、目
的関数および制約条件の初期値演算ステップ３０２と、
配合パラメータカウンタ初期化ステップ３０３と、配合
パラメータ変化ステップ３０４と、目的関数および制約
条件演算ステップ３０５と、感度演算ステップ３０６
と、配合パラメータカウンタインクリメントステップ３
０７と、全配合パラメータ終了判定ステップ３０８と、
配合パラメータ変化量予測ステップ３０９と、配合パラ
メータ更新および目的関数演算ステップ３１０と、目的
関数収束判定ステップ３１１と、最適配合パラメータ決
定ステップ３１２とを含んでいる。
【００２４】次に、このように構成された本実施の形態
に係る多成分系材料最適化解析装置の動作について、多
成分系材料最適化解析方法とともに説明する。
に係る多成分系材料最適化解析装置の動作について、多
成分系材料最適化解析方法とともに説明する。
【００２５】まず、設計者は、最適化項目入力装置１を
用いて、多成分系材料のどの構成成分の配合パラメータ
Ｘi （ｉ＝１〜Ｎ）を変化させて、どのような物理量を
目的関数ＯＢＪとして、どの程度の実験回数（最大実験
回数Ｍmax ）以内で最適配合パラメータＸi OPT （ｉ＝
１〜Ｎ）を決定したいかを設定する（ステップ１０
１）。最大実験回数Ｍmax は、実験にかかる費用および
最適配合を求めるのに要する期間等によって定められる
定数である。
用いて、多成分系材料のどの構成成分の配合パラメータ
Ｘi （ｉ＝１〜Ｎ）を変化させて、どのような物理量を
目的関数ＯＢＪとして、どの程度の実験回数（最大実験
回数Ｍmax ）以内で最適配合パラメータＸi OPT （ｉ＝
１〜Ｎ）を決定したいかを設定する（ステップ１０
１）。最大実験回数Ｍmax は、実験にかかる費用および
最適配合を求めるのに要する期間等によって定められる
定数である。
【００２６】次に、設計者は、最適化項目入力装置１を
用いて、ステップ１０１で設定した配合パラメータＸi
（ｉ＝１〜Ｎ）のとりうる範囲Ｘi L ≦Ｘi ≦Ｘ
i U （ｉ＝１〜Ｎ）を設定する（ステップ１０２）。な
お、目的関数ＯＢＪに設定した物理量以外の物理量のと
りうる範囲を必要に応じて任意に設定することもでき
る。
用いて、ステップ１０１で設定した配合パラメータＸi
（ｉ＝１〜Ｎ）のとりうる範囲Ｘi L ≦Ｘi ≦Ｘ
i U （ｉ＝１〜Ｎ）を設定する（ステップ１０２）。な
お、目的関数ＯＢＪに設定した物理量以外の物理量のと
りうる範囲を必要に応じて任意に設定することもでき
る。
【００２７】続いて、設計者は、実験回数カウンタＭを
０、ループカウンタｈを１に初期化した後に（ステップ
１０３）、ステップ１０１で設定した配合パラメータＸ
i （ｉ＝１〜Ｎ）および目的関数ＯＢＪに選ぶ物理量に
関して過去の実験データを利用できるかどうかをデータ
ベース（図示せず）を参照して判断する（ステップ１０
４）。
０、ループカウンタｈを１に初期化した後に（ステップ
１０３）、ステップ１０１で設定した配合パラメータＸ
i （ｉ＝１〜Ｎ）および目的関数ＯＢＪに選ぶ物理量に
関して過去の実験データを利用できるかどうかをデータ
ベース（図示せず）を参照して判断する（ステップ１０
４）。
【００２８】過去の実験データを利用できない場合、設
計者は、ステップ１０５に制御を移し、過去の実験デー
タを利用できる場合はステップ１１６に制御を移す。
計者は、ステップ１０５に制御を移し、過去の実験デー
タを利用できる場合はステップ１１６に制御を移す。
【００２９】ステップ１０５では、設計者は、実験デー
タ入力装置２を用いて、各配合パラメータＸi （ｉ＝１
〜Ｎ）をどのように変化させて実験を行うかを実験計画
する。このときに、直交表または最適実験計画を用いて
実験に用いる構成成分の配合パラメータＸi （ｉ＝１〜
Ｎ）を決定する（Ｂｏｘ ａｎｄ Ｄｒａｐｅｒ；”Ｅ
ｍｐｒｉｃａｌ Ｍｏｄｅｌ Ｂｕｉｌｄｉｎｇ ａｎ
ｄ ＲｅｓｐｏｎｓｅＳｕｒｆａｃｅｓ”，ｐ１０５〜
１２７およびｐ４７７〜５０１，ＪｈｏｎＷｉｌｅｙ
＆ Ｓｏｎｓ，１９８７参照）。
タ入力装置２を用いて、各配合パラメータＸi （ｉ＝１
〜Ｎ）をどのように変化させて実験を行うかを実験計画
する。このときに、直交表または最適実験計画を用いて
実験に用いる構成成分の配合パラメータＸi （ｉ＝１〜
Ｎ）を決定する（Ｂｏｘ ａｎｄ Ｄｒａｐｅｒ；”Ｅ
ｍｐｒｉｃａｌ Ｍｏｄｅｌ Ｂｕｉｌｄｉｎｇ ａｎ
ｄ ＲｅｓｐｏｎｓｅＳｕｒｆａｃｅｓ”，ｐ１０５〜
１２７およびｐ４７７〜５０１，ＪｈｏｎＷｉｌｅｙ
＆ Ｓｏｎｓ，１９８７参照）。
【００３０】次に、設計者は、実験データ入力装置２を
用いて、ステップ１０６で決定した実験計画に沿って多
成分系材料の各構成成分を配合し、得られた多成分系材
料の物理量を測定する実験を行う（ステップ１０６）。
このときの全実験回数をｎh回であるとする。例えば、
直交表Ｌ27の場合は、ｎh ＝２７回の実験が必要にな
り、最適実験計画の場合は、ｎh を任意に選ぶことがで
きる。
用いて、ステップ１０６で決定した実験計画に沿って多
成分系材料の各構成成分を配合し、得られた多成分系材
料の物理量を測定する実験を行う（ステップ１０６）。
このときの全実験回数をｎh回であるとする。例えば、
直交表Ｌ27の場合は、ｎh ＝２７回の実験が必要にな
り、最適実験計画の場合は、ｎh を任意に選ぶことがで
きる。
【００３１】続いて、設計者は、材料モデル計算装置３
を用いて、入力層を多成分系材料の各構成成分の配合パ
ラメータＸi （ｉ＝１〜Ｎ）、出力層を多成分系材料の
物理量として、ニューラルネットワークでの学習を行う
（ステップ１０７）。
を用いて、入力層を多成分系材料の各構成成分の配合パ
ラメータＸi （ｉ＝１〜Ｎ）、出力層を多成分系材料の
物理量として、ニューラルネットワークでの学習を行う
（ステップ１０７）。
【００３２】詳しくは、材料モデル計算装置３は、多成
分系材料の各構成成分の種類，各構成成分の配合パラメ
ータＸi （ｉ＝１〜Ｎ）および物理量（実験値）からな
る数百ないしは数千件の学習データおよびテストデータ
を読み込む（ステップ２０１）。また、材料モデル計算
装置３は、ニューラルネットワークの結合係数Ｗji，Ｖ
kjおよびオフセットθj ，γk を初期化する（ステップ
２０２）。
分系材料の各構成成分の種類，各構成成分の配合パラメ
ータＸi （ｉ＝１〜Ｎ）および物理量（実験値）からな
る数百ないしは数千件の学習データおよびテストデータ
を読み込む（ステップ２０１）。また、材料モデル計算
装置３は、ニューラルネットワークの結合係数Ｗji，Ｖ
kjおよびオフセットθj ，γk を初期化する（ステップ
２０２）。
【００３３】次に、材料モデル計算装置３は、１件の学
習データの配合パラメータＸi （ｉ＝１〜Ｎ）をニュー
ラルネットワークに入力し（ステップ２０３）、当該学
習データの物理量を参照してニューラルネットワークの
中間層および出力層における誤差を計算し（ステップ２
０４）、学習データの物理量に近い出力Ｏk が得られる
ように結合係数Ｗji，Ｖkjおよびオフセットθj ，γk
を更新する（ステップ２０５）。
習データの配合パラメータＸi （ｉ＝１〜Ｎ）をニュー
ラルネットワークに入力し（ステップ２０３）、当該学
習データの物理量を参照してニューラルネットワークの
中間層および出力層における誤差を計算し（ステップ２
０４）、学習データの物理量に近い出力Ｏk が得られる
ように結合係数Ｗji，Ｖkjおよびオフセットθj ，γk
を更新する（ステップ２０５）。
【００３４】続いて、材料モデル計算装置３は、テスト
データの配合パラメータＸi （ｉ＝１〜Ｎ）をニューラ
ルネットワークに入力して学習結果のテストを行う（ス
テップ２０６）。
データの配合パラメータＸi （ｉ＝１〜Ｎ）をニューラ
ルネットワークに入力して学習結果のテストを行う（ス
テップ２０６）。
【００３５】次に、材料モデル計算装置３は、ニューラ
ルネットワークの出力Ｏk にテストデータの物理量に近
い物理量が得られるかどうかの収束判定を行うとともに
繰り返し回数を判定し（ステップ２０７）、収束してお
らずかつ繰り返し回数に到達していなければステップ２
０３に制御を戻し、収束するかまたは繰り返し回数に達
していれば処理を終了する。
ルネットワークの出力Ｏk にテストデータの物理量に近
い物理量が得られるかどうかの収束判定を行うとともに
繰り返し回数を判定し（ステップ２０７）、収束してお
らずかつ繰り返し回数に到達していなければステップ２
０３に制御を戻し、収束するかまたは繰り返し回数に達
していれば処理を終了する。
【００３６】ニューラルネットワークでの学習が終了す
ると、設計者は、最適化計算装置４を用いて、目的関数
ＯＢＪを最適化する最適配合パラメータＸi OPT （ｉ＝
１〜Ｎ）の計算を行う（ステップ１０８）。
ると、設計者は、最適化計算装置４を用いて、目的関数
ＯＢＪを最適化する最適配合パラメータＸi OPT （ｉ＝
１〜Ｎ）の計算を行う（ステップ１０８）。
【００３７】詳しくは、最適化計算装置４は、配合パラ
メータＸi （ｉ＝１〜Ｎ）の初期値を設定する（ステッ
プ３０１）。
メータＸi （ｉ＝１〜Ｎ）の初期値を設定する（ステッ
プ３０１）。
【００３８】続いて、最適化計算装置４は、ステップ３
０１で初期値として設定した配合パラメータＸi （ｉ＝
１〜Ｎ）を入力としてニューラルネットワークで計算さ
れた材料モデルによる想起を実行し、配合パラメータＸ
i （ｉ＝１〜Ｎ）に対応した物理量を予測し、その結果
を用いて目的関数ＯＢＪの初期値および制約条件Ｇの初
期値を演算する（ステップ３０２）。
０１で初期値として設定した配合パラメータＸi （ｉ＝
１〜Ｎ）を入力としてニューラルネットワークで計算さ
れた材料モデルによる想起を実行し、配合パラメータＸ
i （ｉ＝１〜Ｎ）に対応した物理量を予測し、その結果
を用いて目的関数ＯＢＪの初期値および制約条件Ｇの初
期値を演算する（ステップ３０２）。
【００３９】次に、最適化計算装置４は、配合パラメー
タカウンタｉを１に初期化した後（ステップ３０３）、
ステップ３０１で設定された配合パラメータＸi を各々
ΔＸi ずつ変化させる（ステップ３０４）。
タカウンタｉを１に初期化した後（ステップ３０３）、
ステップ３０１で設定された配合パラメータＸi を各々
ΔＸi ずつ変化させる（ステップ３０４）。
【００４０】続いて、最適化計算装置４は、配合パラメ
ータＸi をΔＸi 変化させた後の目的関数ＯＢＪおよび
制約条件Ｇをニューラルネットワークで計算された材料
モデルによる想起を実行して演算する（ステップ３０
５）。
ータＸi をΔＸi 変化させた後の目的関数ＯＢＪおよび
制約条件Ｇをニューラルネットワークで計算された材料
モデルによる想起を実行して演算する（ステップ３０
５）。
【００４１】次に、最適化計算装置４は、数２および数
３に従って、配合パラメータＸi の単位変化量に対する
目的関数ＯＢＪの変化量の割合である目的関数ＯＢＪの
感度ｄＯＢＪ／ｄＸi および配合パラメータＸi の単位
変化量に対する制約条件Ｇの変化量の割合である制約条
件Ｇの感度ｄＧ／ｄＸi をニューラルネットワークで計
算された材料モデルによる想起を実行して各配合パラメ
ータＸi 毎に演算する（ステップ３０６）。
３に従って、配合パラメータＸi の単位変化量に対する
目的関数ＯＢＪの変化量の割合である目的関数ＯＢＪの
感度ｄＯＢＪ／ｄＸi および配合パラメータＸi の単位
変化量に対する制約条件Ｇの変化量の割合である制約条
件Ｇの感度ｄＧ／ｄＸi をニューラルネットワークで計
算された材料モデルによる想起を実行して各配合パラメ
ータＸi 毎に演算する（ステップ３０６）。
【００４２】
【数２】
【００４３】
【数３】
【００４４】これらの感度ｄＯＢＪ／ｄＸi およびｄＧ
／ｄＸi によって、配合パラメータＸi をΔＸi 変化さ
せたときに目的関数ＯＢＪがどの程度変化するかを予測
することができる。
／ｄＸi によって、配合パラメータＸi をΔＸi 変化さ
せたときに目的関数ＯＢＪがどの程度変化するかを予測
することができる。
【００４５】次に、最適化計算装置４は、配合パラメー
タカウンタｉを１つインクリメントした後（ステップ３
０７）、全ての配合パラメータＸi （ｉ＝１〜Ｎ）につ
いて演算が終了したか否かを判断し（ステップ３０
８）、全ての配合パラメータＸi（ｉ＝１〜Ｎ）につい
て演算が終了していない場合には、ステップ３０４から
ステップ３０８を繰り返し実行する。
タカウンタｉを１つインクリメントした後（ステップ３
０７）、全ての配合パラメータＸi （ｉ＝１〜Ｎ）につ
いて演算が終了したか否かを判断し（ステップ３０
８）、全ての配合パラメータＸi（ｉ＝１〜Ｎ）につい
て演算が終了していない場合には、ステップ３０４から
ステップ３０８を繰り返し実行する。
【００４６】全ての配合パラメータＸi （ｉ＝１〜Ｎ）
について演算が終了すると、最適化計算装置４は、ニュ
ーラルネットワークで計算された材料モデルによる想起
を実行して求めた感度ｄＯＢＪ／ｄＸi （ｉ＝１〜Ｎ）
および感度ｄＧ／ｄＸi （ｉ＝１〜Ｎ）を用いて、数理
計画法等の最適化手法により制約条件Ｇを満たしながら
目的関数ＯＢＪを最小にする配合パラメータＸi （ｉ＝
１〜Ｎ）の変化量を予測する（ステップ３０９）。
について演算が終了すると、最適化計算装置４は、ニュ
ーラルネットワークで計算された材料モデルによる想起
を実行して求めた感度ｄＯＢＪ／ｄＸi （ｉ＝１〜Ｎ）
および感度ｄＧ／ｄＸi （ｉ＝１〜Ｎ）を用いて、数理
計画法等の最適化手法により制約条件Ｇを満たしながら
目的関数ＯＢＪを最小にする配合パラメータＸi （ｉ＝
１〜Ｎ）の変化量を予測する（ステップ３０９）。
【００４７】次に、最適化計算装置４は、予測された配
合パラメータＸi （ｉ＝１〜Ｎ）の変化量を用いて、各
配合パラメータＸi （ｉ＝１〜Ｎ）を更新するととも
に、更新した配合パラメータＸi （ｉ＝１〜Ｎ）を入力
としてニューラルネットワークで計算された材料モデル
による想起を実行して目的関数ＯＢＪを演算する（ステ
ップ３１０）。
合パラメータＸi （ｉ＝１〜Ｎ）の変化量を用いて、各
配合パラメータＸi （ｉ＝１〜Ｎ）を更新するととも
に、更新した配合パラメータＸi （ｉ＝１〜Ｎ）を入力
としてニューラルネットワークで計算された材料モデル
による想起を実行して目的関数ＯＢＪを演算する（ステ
ップ３１０）。
【００４８】続いて、最適化計算装置４は、ステップ３
１０で演算した目的関数ＯＢＪとステップ３０２で演算
した目的関数ＯＢＪとの差と、あらかじめインプットさ
れたしきい値とを比較することで目的関数ＯＢＪが収束
したか否かを判定し（ステップ３１１）、目的関数ＯＢ
Ｊが収束していない場合にはステップ３０９で予測され
た変化量を加味した配合パラメータＸi （ｉ＝１〜Ｎ）
をあらたな初期値として、ステップ３０３からステップ
３１１を繰り返し実行する。
１０で演算した目的関数ＯＢＪとステップ３０２で演算
した目的関数ＯＢＪとの差と、あらかじめインプットさ
れたしきい値とを比較することで目的関数ＯＢＪが収束
したか否かを判定し（ステップ３１１）、目的関数ＯＢ
Ｊが収束していない場合にはステップ３０９で予測され
た変化量を加味した配合パラメータＸi （ｉ＝１〜Ｎ）
をあらたな初期値として、ステップ３０３からステップ
３１１を繰り返し実行する。
【００４９】ステップ３１１で目的関数ＯＢＪが収束し
たと判断されたときには、最適化計算装置４は、ステッ
プ３０２で初期値として設定した配合パラメータＸi か
ら出発して制約条件Ｇを満たしながら目的関数ＯＢＪを
最適化する最適配合パラメータＸi OPT （ｉ＝１〜Ｎ）
を決定する（ステップ３１２）。なお、最適配合パラメ
ータＸi OPT （ｉ＝１〜Ｎ）は、次の２点を考慮して求
める。目的関数ＯＢＪが小さい値を有する（目的関数
ＯＢＪに選んだ物理量が小さい方が良いように設定、大
きい方が良い場合にはマイナスの符号を付けて対応す
る）。求められた配合の囲りで配合パラメータＸi を
少し動かしても目的関数ＯＢＪおよび制約条件Ｇが余り
変化しない。
たと判断されたときには、最適化計算装置４は、ステッ
プ３０２で初期値として設定した配合パラメータＸi か
ら出発して制約条件Ｇを満たしながら目的関数ＯＢＪを
最適化する最適配合パラメータＸi OPT （ｉ＝１〜Ｎ）
を決定する（ステップ３１２）。なお、最適配合パラメ
ータＸi OPT （ｉ＝１〜Ｎ）は、次の２点を考慮して求
める。目的関数ＯＢＪが小さい値を有する（目的関数
ＯＢＪに選んだ物理量が小さい方が良いように設定、大
きい方が良い場合にはマイナスの符号を付けて対応す
る）。求められた配合の囲りで配合パラメータＸi を
少し動かしても目的関数ＯＢＪおよび制約条件Ｇが余り
変化しない。
【００５０】最適化計算装置４による最適化計算が終了
すると、設計者は、実験回数カウンタＭにステップ１０
６で行った全実験回数ｎh を加えた後（ステップ１０
９）、実験回数カウンタＭがステップ１０１で設定した
最大実験回数Ｍmax より小さいかどうかを判定する（ス
テップ１１０）。実験回数カウンタＭが最大実験回数Ｍ
max より小さい場合には、設計者は、ループカウンタｈ
を１つインクリメントした後（ステップ１１１）、最適
化項目入力装置１を用いて、配合パラメータＸi（ｉ＝
１〜Ｎ）のとりうる範囲Ｘi L ≦Ｘi ≦Ｘi U （ｉ＝１
〜Ｎ）を再設定し（ステップ１１２）、ステップ１０５
に制御を戻す。もっと実験点を増やすことが可能な場合
には、設計者は、ステップ１０８で求められた最適配合
パラメータＸi OPT （ｉ＝１〜Ｎ）の周囲で配合パラメ
ータＸi （ｉ＝１〜Ｎ）のとりうる範囲Ｘi L ≦Ｘi ≦
Ｘi U を狭めた領域で再実験の実験計画を行い（ステッ
プ１０６）、最終的に、決定される最適配合パラメータ
Ｘi OPT （ｉ＝１〜Ｎ）の精度を向上させることができ
る。
すると、設計者は、実験回数カウンタＭにステップ１０
６で行った全実験回数ｎh を加えた後（ステップ１０
９）、実験回数カウンタＭがステップ１０１で設定した
最大実験回数Ｍmax より小さいかどうかを判定する（ス
テップ１１０）。実験回数カウンタＭが最大実験回数Ｍ
max より小さい場合には、設計者は、ループカウンタｈ
を１つインクリメントした後（ステップ１１１）、最適
化項目入力装置１を用いて、配合パラメータＸi（ｉ＝
１〜Ｎ）のとりうる範囲Ｘi L ≦Ｘi ≦Ｘi U （ｉ＝１
〜Ｎ）を再設定し（ステップ１１２）、ステップ１０５
に制御を戻す。もっと実験点を増やすことが可能な場合
には、設計者は、ステップ１０８で求められた最適配合
パラメータＸi OPT （ｉ＝１〜Ｎ）の周囲で配合パラメ
ータＸi （ｉ＝１〜Ｎ）のとりうる範囲Ｘi L ≦Ｘi ≦
Ｘi U を狭めた領域で再実験の実験計画を行い（ステッ
プ１０６）、最終的に、決定される最適配合パラメータ
Ｘi OPT （ｉ＝１〜Ｎ）の精度を向上させることができ
る。
【００５１】一方、ステップ１１０で実験回数カウンタ
Ｍが最大実験回数Ｍmax 以上の場合、設計者は、最適化
結果出力装置５を用いて、最後に得られた最適配合パラ
メータＸi OPT （ｉ＝１〜Ｎ）を出力する（ステップ１
１３）。
Ｍが最大実験回数Ｍmax 以上の場合、設計者は、最適化
結果出力装置５を用いて、最後に得られた最適配合パラ
メータＸi OPT （ｉ＝１〜Ｎ）を出力する（ステップ１
１３）。
【００５２】次に、設計者は、最適化結果出力装置５を
用いて、データベースを参照して過去の実験データ内に
同様な配合パラメータＸi （ｉ＝１〜Ｎ）があるかどう
かを判断し（ステップ１１４）、あった場合には、ただ
ちに処理を終了し、ない場合には、最適配合パラメータ
Ｘi OPT （ｉ＝１〜Ｎ）となるように各構成成分を配合
し、得られた多成分系材料の物理量を測定する実験を行
い、実験データをデータベースに登録する（ステップ１
１５）。
用いて、データベースを参照して過去の実験データ内に
同様な配合パラメータＸi （ｉ＝１〜Ｎ）があるかどう
かを判断し（ステップ１１４）、あった場合には、ただ
ちに処理を終了し、ない場合には、最適配合パラメータ
Ｘi OPT （ｉ＝１〜Ｎ）となるように各構成成分を配合
し、得られた多成分系材料の物理量を測定する実験を行
い、実験データをデータベースに登録する（ステップ１
１５）。
【００５３】他方、ステップ１０４で過去の実験データ
を利用できる場合には、設計者は、実験データ入力装置
２を用いて、ステップ１０１で設定した配合パラメータ
Ｘi（ｉ＝１〜Ｎ）および目的関数ＯＢＪに関連した過
去の配合パラメータＸi （ｉ＝１〜Ｎ）および物理量の
実験データを読み込む（ステップ１１６）。
を利用できる場合には、設計者は、実験データ入力装置
２を用いて、ステップ１０１で設定した配合パラメータ
Ｘi（ｉ＝１〜Ｎ）および目的関数ＯＢＪに関連した過
去の配合パラメータＸi （ｉ＝１〜Ｎ）および物理量の
実験データを読み込む（ステップ１１６）。
【００５４】次に、設計者は、ステップ１０７と同様
に、材料モデル計算装置３を用いて、入力層を多成分系
材料の各構成成分の配合パラメータＸi （ｉ＝１〜
Ｎ）、出力層を多成分系材料の物理量としてニューラル
ネットワークでの学習を行う（ステップ１１７）。
に、材料モデル計算装置３を用いて、入力層を多成分系
材料の各構成成分の配合パラメータＸi （ｉ＝１〜
Ｎ）、出力層を多成分系材料の物理量としてニューラル
ネットワークでの学習を行う（ステップ１１７）。
【００５５】ニューラルネットワークでの学習が終了す
ると、設計者は、全実験回数ｎh を０とした後（ステッ
プ１１８）、ステップ１０８に制御を移す。
ると、設計者は、全実験回数ｎh を０とした後（ステッ
プ１１８）、ステップ１０８に制御を移す。
【００５６】以下、ステップ１０４で過去の実験データ
を利用できない場合と同様に処理が行われる。
を利用できない場合と同様に処理が行われる。
【００５７】なお、上記実施の形態では、非線形化予測
手法としてニューラルネットワークを用いて材料モデル
を作成したが、ファジィ等の他の非線形化予測手法を用
いるようにすることもできる。
手法としてニューラルネットワークを用いて材料モデル
を作成したが、ファジィ等の他の非線形化予測手法を用
いるようにすることもできる。
【００５８】また、上記実施の形態では、多成分系材料
の最適配合を直接的に生成するようにしたが、多成分系
材料の構成成分の粒径，粒径比等のさらに抽象的な情報
が得られるようにすることもできる。
の最適配合を直接的に生成するようにしたが、多成分系
材料の構成成分の粒径，粒径比等のさらに抽象的な情報
が得られるようにすることもできる。
【００５９】
【発明の効果】以上説明したように、本発明の多成分系
材料最適化解析装置によれば、関数型を仮定することな
しに、３ケ以上の構成成分の配合パラメータおよび制約
条件と多成分系材料の物理量とに関する実験データを学
習しながら相互の関係を見出すことができる非線形化予
測手法による材料モデル計算手段と、材料モデル計算手
段で計算された材料モデルに基づいて最適化手法を用い
て目的にあった多成分系材料の構成成分の配合パラメー
タを計算する最適化計算手段とを組み合わせて材料最適
設計案を出力するようにしたので、３ケ以上の構成成分
の配合パラメータおよび制約条件と多成分系材料の物理
量との関係を容易に見出すことができるとともに、材料
モデルの精度が良く、有効性のある材料最適化設計案が
出力できるという効果がある。
材料最適化解析装置によれば、関数型を仮定することな
しに、３ケ以上の構成成分の配合パラメータおよび制約
条件と多成分系材料の物理量とに関する実験データを学
習しながら相互の関係を見出すことができる非線形化予
測手法による材料モデル計算手段と、材料モデル計算手
段で計算された材料モデルに基づいて最適化手法を用い
て目的にあった多成分系材料の構成成分の配合パラメー
タを計算する最適化計算手段とを組み合わせて材料最適
設計案を出力するようにしたので、３ケ以上の構成成分
の配合パラメータおよび制約条件と多成分系材料の物理
量との関係を容易に見出すことができるとともに、材料
モデルの精度が良く、有効性のある材料最適化設計案が
出力できるという効果がある。
【００６０】また、本発明の多成分系材料最適化解析方
法によれば、関数型を仮定することなしに、３ケ以上の
構成成分の配合パラメータおよび制約条件と多成分系材
料の物理量とに関する実験データを学習しながら相互の
関係を見出すことができる非線形化予測手法による材料
モデル計算ステップと、材料モデル計算ステップで計算
された材料モデルに基づいて最適化手法を用いて目的に
あった多成分系材料の構成成分の配合パラメータを計算
する最適化計算ステップとを組み合わせて材料最適設計
案を出力するようにしたので、３ケ以上の構成成分の配
合パラメータおよび制約条件と多成分系材料の物理量と
の関係を容易に見出すことができるとともに、材料モデ
ルの精度が良く、有効性のある材料最適化設計案が出力
できるという効果がある。
法によれば、関数型を仮定することなしに、３ケ以上の
構成成分の配合パラメータおよび制約条件と多成分系材
料の物理量とに関する実験データを学習しながら相互の
関係を見出すことができる非線形化予測手法による材料
モデル計算ステップと、材料モデル計算ステップで計算
された材料モデルに基づいて最適化手法を用いて目的に
あった多成分系材料の構成成分の配合パラメータを計算
する最適化計算ステップとを組み合わせて材料最適設計
案を出力するようにしたので、３ケ以上の構成成分の配
合パラメータおよび制約条件と多成分系材料の物理量と
の関係を容易に見出すことができるとともに、材料モデ
ルの精度が良く、有効性のある材料最適化設計案が出力
できるという効果がある。
【図１】本発明の一実施の形態に係る多成分系材料最適
化解析装置の構成を示すブロック図である。
化解析装置の構成を示すブロック図である。
【図２】図１中の材料モデル計算装置の構成を説明する
模式図である。
模式図である。
【図３】本発明の一実施の形態に係る多成分系材料最適
化解析方法の手順を示すフローチャートである。
化解析方法の手順を示すフローチャートである。
【図４】図１中の材料モデル計算装置における処理を示
すフローチャートである。
すフローチャートである。
【図５】図１中の最適化計算装置における処理を示すフ
ローチャートである。
ローチャートである。
１ 最適化項目入力装置 ２ 実験データ入力装置 ３ 材料モデル計算装置 ４ 最適化計算装置 ５ 最適化結果出力装置 １０１ 配合パラメータ，目的関数および最大実験回数
設定ステップ １０２ 配合パラメータ範囲設定ステップ １０３ カウンタ初期化ステップ １０４ 過去実験データ利用可能判定ステップ １０５ 実験計画ステップ １０６ 物理量実験ステップ １０７ ニューラルネットワーク学習ステップ １０８ 最適化計算ステップ １０９ 実験回数カウンタ加算ステップ １１０ 最大実験回数到達判定ステップ １１１ ループカウンタインクリメントステップ １１２ 配合パラメータ範囲再設定ステップ １１３ 最適配合パラメータ出力ステップ １１４ 同一配合有無判定ステップ １１５ 物理量実験およびデータベース登録ステップ １１６ 過去配合パラメータおよび物理量読込みステッ
プ １１７ ニューラルネットワーク学習ステップ １１８ 全実験回数０設定ステップ
設定ステップ １０２ 配合パラメータ範囲設定ステップ １０３ カウンタ初期化ステップ １０４ 過去実験データ利用可能判定ステップ １０５ 実験計画ステップ １０６ 物理量実験ステップ １０７ ニューラルネットワーク学習ステップ １０８ 最適化計算ステップ １０９ 実験回数カウンタ加算ステップ １１０ 最大実験回数到達判定ステップ １１１ ループカウンタインクリメントステップ １１２ 配合パラメータ範囲再設定ステップ １１３ 最適配合パラメータ出力ステップ １１４ 同一配合有無判定ステップ １１５ 物理量実験およびデータベース登録ステップ １１６ 過去配合パラメータおよび物理量読込みステッ
プ １１７ ニューラルネットワーク学習ステップ １１８ 全実験回数０設定ステップ
【数４】
Claims (2)
- 【請求項１】 材料設計の目的関数となる物理量と、制
約条件としての構成成分の配合パラメータの範囲とを定
める最適化項目入力手段と、 非線形化予測手法によって多成分系材料の構成成分の配
合パラメータおよび制約条件とその物理量とを関係づけ
る材料モデルを計算する材料モデル計算手段と、 この材料モデル計算手段による計算結果の材料モデルお
よび前記最適化項目入力手段により入力された項目に基
づいて最適化手法を用いて目的にあった多成分系材料の
構成成分の配合パラメータを計算する最適化計算手段と
を具備することを特徴とする多成分系材料最適化解析装
置。 - 【請求項２】 材料設計の目的関数となる物理量と、制
約条件としての構成成分の配合パラメータの範囲とを定
める最適化項目入力ステップと、 非線形化予測手法によって多成分系材料の構成成分の配
合パラメータおよび制約条件とその物理量とを関係づけ
る材料モデルの計算ステップと、 この材料モデル計算ステップによる計算結果の材料モデ
ルおよび前記最適化項目入力ステップにより入力された
項目に基づいて最適化手法を用いて目的にあった多成分
系材料の構成成分の配合パラメータを計算する最適化計
算ステップとを含むことを特徴とする多成分系材料最適
化解析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22586396A JPH1055348A (ja) | 1996-08-08 | 1996-08-08 | 多成分系材料最適化解析装置および方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22586396A JPH1055348A (ja) | 1996-08-08 | 1996-08-08 | 多成分系材料最適化解析装置および方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH1055348A true JPH1055348A (ja) | 1998-02-24 |
Family
ID=16836037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP22586396A Pending JPH1055348A (ja) | 1996-08-08 | 1996-08-08 | 多成分系材料最適化解析装置および方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH1055348A (ja) |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000014504A1 (fr) * | 1998-09-07 | 2000-03-16 | Bridgestone Corporation | Prediction de la performance d'un pneu |
| JP2000101183A (ja) * | 1998-09-18 | 2000-04-07 | Nippon Telegr & Teleph Corp <Ntt> | 分布帰還型半導体レーザのシミュレーション方法および装置、並びに当該シミュレーション方法の制御プログラムを記録した記録媒体 |
| JP2001009838A (ja) * | 1998-09-21 | 2001-01-16 | Bridgestone Corp | 空気入りタイヤの設計方法、タイヤ用加硫金型設計方法、タイヤ用加硫金型製造方法、空気入りタイヤの製造方法、最適化解析装置及びタイヤの最適化解析プログラムを記憶した記憶媒体 |
| JP2001121540A (ja) * | 1999-10-25 | 2001-05-08 | Bridgestone Corp | タイヤ設計方法、タイヤ用加硫金型設計方法、タイヤ用加硫金型製造方法、空気入りタイヤの製造方法、タイヤ設計プログラムを記録した記録媒体 |
| JP2001124667A (ja) * | 1999-10-25 | 2001-05-11 | Bridgestone Corp | 空気入りタイヤの設計方法、タイヤ用加硫金型設計方法、タイヤ用加硫金型製造方法、空気入りタイヤの製造方法、最適化解析装置及びタイヤの最適化解析プログラムを記憶した記憶媒体 |
| WO2002005143A1 (en) * | 2000-07-11 | 2002-01-17 | Pirelli Pneumatici S.P.A. | Method for designing a tyre |
| JP2004005367A (ja) * | 2002-04-10 | 2004-01-08 | Sumitomo Chem Co Ltd | 樹脂製品の設計方法 |
| JP2004505330A (ja) * | 1998-10-19 | 2004-02-19 | サイミックス テクノロジーズ、インク | 組合せ材料ライブラリのグラフィック設計 |
| JP2004086892A (ja) * | 2002-08-02 | 2004-03-18 | Japan Science & Technology Agency | 成分配合設計方法、成分配合設計プログラム及びそのプログラムを記録した記録媒体 |
| US8105304B2 (en) | 2003-06-20 | 2012-01-31 | Livedo Corporation | Folded disposable pants |
| US9107398B2 (en) | 2010-06-18 | 2015-08-18 | Comercializadora Kraviva S.P.A. | Metal alloys composed principally of copper and horseshoes made with said alloys |
| JP2017091526A (ja) * | 2015-11-04 | 2017-05-25 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | 新規物質探索方法および装置 |
| JP2020030680A (ja) * | 2018-08-23 | 2020-02-27 | 横浜ゴム株式会社 | ゴム材料設計方法、ゴム材料設計装置、及びプログラム |
| JP2020030683A (ja) * | 2018-08-23 | 2020-02-27 | 横浜ゴム株式会社 | ゴム材料設計方法、ゴム材料設計装置、及びプログラム |
| JP2020038493A (ja) * | 2018-09-04 | 2020-03-12 | 横浜ゴム株式会社 | 物性データ予測方法及び物性データ予測装置 |
| JP2020038495A (ja) * | 2018-09-04 | 2020-03-12 | 横浜ゴム株式会社 | 物性データ予測方法及び物性データ予測装置 |
| WO2020056405A1 (en) * | 2018-09-14 | 2020-03-19 | Northwestern University | Data-driven representation and clustering discretization method and system for design optimization and/or performance prediction of material systems and applications of same |
| WO2020090617A1 (ja) * | 2018-10-31 | 2020-05-07 | 昭和電工株式会社 | 熱力学的平衡状態の予測装置、予測方法、及び予測プログラム |
| JP2020177508A (ja) * | 2019-04-19 | 2020-10-29 | Tdk株式会社 | 予測システム、予測方法、および予測プログラム |
| JP2021004287A (ja) * | 2019-06-25 | 2021-01-14 | 旭化成株式会社 | 装置、方法、プログラム、樹脂組成物の製造方法、ポリイミドフィルムの製造方法、ディスプレイの製造方法、積層体の製造方法、および、フレキシブルデバイスの製造方法 |
| JP2021026739A (ja) * | 2019-08-09 | 2021-02-22 | 横浜ゴム株式会社 | 物性データ予測方法及び装置物性データ予測装置 |
| JP2021026608A (ja) * | 2019-08-07 | 2021-02-22 | 横浜ゴム株式会社 | 物性データ予測方法及び物性データ予測装置 |
| JP2021060367A (ja) * | 2019-10-09 | 2021-04-15 | 横浜ゴム株式会社 | 物性データ予測方法及び物性データ予測装置 |
| WO2021095722A1 (ja) * | 2019-11-11 | 2021-05-20 | 昭和電工マテリアルズ株式会社 | 情報処理システム、情報処理方法、および情報処理プログラム |
| WO2021095725A1 (ja) * | 2019-11-11 | 2021-05-20 | 昭和電工マテリアルズ株式会社 | 情報処理システム、情報処理方法、および情報処理プログラム |
| WO2021095742A1 (ja) * | 2019-11-12 | 2021-05-20 | 昭和電工マテリアルズ株式会社 | 入力データ生成システム、入力データ生成方法、及び入力データ生成プログラム |
| CN113737148A (zh) * | 2021-08-26 | 2021-12-03 | 武汉大学 | 一种优化分子束外延薄膜均匀性的方法 |
| JP2022526119A (ja) * | 2019-03-18 | 2022-05-23 | エボニック オペレーションズ ゲーエムベーハー | 塗料、ワニス、印刷インキ、研削用樹脂、色素濃縮物、または他のコーティング剤の組成物の生成方法 |
| US11797734B2 (en) | 2020-02-17 | 2023-10-24 | Fujitsu Limited | Information processing device, computer-readable recording medium recording mixture performance optimization program, and mixture performance optimization method for simplifying energy function formula by incorporating correlation formula into energy function formula |
| CN117373582A (zh) * | 2023-12-06 | 2024-01-09 | 小米汽车科技有限公司 | 基于仿真实验模型的材料成分预测方法、装置及存储介质 |
-
1996
- 1996-08-08 JP JP22586396A patent/JPH1055348A/ja active Pending
Cited By (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000014504A1 (fr) * | 1998-09-07 | 2000-03-16 | Bridgestone Corporation | Prediction de la performance d'un pneu |
| JP2000101183A (ja) * | 1998-09-18 | 2000-04-07 | Nippon Telegr & Teleph Corp <Ntt> | 分布帰還型半導体レーザのシミュレーション方法および装置、並びに当該シミュレーション方法の制御プログラムを記録した記録媒体 |
| JP2001009838A (ja) * | 1998-09-21 | 2001-01-16 | Bridgestone Corp | 空気入りタイヤの設計方法、タイヤ用加硫金型設計方法、タイヤ用加硫金型製造方法、空気入りタイヤの製造方法、最適化解析装置及びタイヤの最適化解析プログラムを記憶した記憶媒体 |
| US7199809B1 (en) | 1998-10-19 | 2007-04-03 | Symyx Technologies, Inc. | Graphic design of combinatorial material libraries |
| JP2004505330A (ja) * | 1998-10-19 | 2004-02-19 | サイミックス テクノロジーズ、インク | 組合せ材料ライブラリのグラフィック設計 |
| JP2001121540A (ja) * | 1999-10-25 | 2001-05-08 | Bridgestone Corp | タイヤ設計方法、タイヤ用加硫金型設計方法、タイヤ用加硫金型製造方法、空気入りタイヤの製造方法、タイヤ設計プログラムを記録した記録媒体 |
| JP2001124667A (ja) * | 1999-10-25 | 2001-05-11 | Bridgestone Corp | 空気入りタイヤの設計方法、タイヤ用加硫金型設計方法、タイヤ用加硫金型製造方法、空気入りタイヤの製造方法、最適化解析装置及びタイヤの最適化解析プログラムを記憶した記憶媒体 |
| WO2002005143A1 (en) * | 2000-07-11 | 2002-01-17 | Pirelli Pneumatici S.P.A. | Method for designing a tyre |
| EP1440789A3 (en) * | 2000-07-11 | 2005-06-01 | PIRELLI PNEUMATICI S.p.A. | Method for the production of tyres |
| JP2004005367A (ja) * | 2002-04-10 | 2004-01-08 | Sumitomo Chem Co Ltd | 樹脂製品の設計方法 |
| JP2004086892A (ja) * | 2002-08-02 | 2004-03-18 | Japan Science & Technology Agency | 成分配合設計方法、成分配合設計プログラム及びそのプログラムを記録した記録媒体 |
| US8105304B2 (en) | 2003-06-20 | 2012-01-31 | Livedo Corporation | Folded disposable pants |
| US9107398B2 (en) | 2010-06-18 | 2015-08-18 | Comercializadora Kraviva S.P.A. | Metal alloys composed principally of copper and horseshoes made with said alloys |
| JP2017091526A (ja) * | 2015-11-04 | 2017-05-25 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | 新規物質探索方法および装置 |
| US11017314B2 (en) | 2015-11-04 | 2021-05-25 | Samsung Electronics Co., Ltd. | Method and device for searching new material |
| JP2020030680A (ja) * | 2018-08-23 | 2020-02-27 | 横浜ゴム株式会社 | ゴム材料設計方法、ゴム材料設計装置、及びプログラム |
| JP2020030683A (ja) * | 2018-08-23 | 2020-02-27 | 横浜ゴム株式会社 | ゴム材料設計方法、ゴム材料設計装置、及びプログラム |
| JP2020038493A (ja) * | 2018-09-04 | 2020-03-12 | 横浜ゴム株式会社 | 物性データ予測方法及び物性データ予測装置 |
| JP2020038495A (ja) * | 2018-09-04 | 2020-03-12 | 横浜ゴム株式会社 | 物性データ予測方法及び物性データ予測装置 |
| WO2020056405A1 (en) * | 2018-09-14 | 2020-03-19 | Northwestern University | Data-driven representation and clustering discretization method and system for design optimization and/or performance prediction of material systems and applications of same |
| US11783100B2 (en) | 2018-09-14 | 2023-10-10 | Northwestern University | Integrated process-structure-property modeling frameworks and methods for design optimization and/or performance prediction of material systems and applications of same |
| WO2020090617A1 (ja) * | 2018-10-31 | 2020-05-07 | 昭和電工株式会社 | 熱力学的平衡状態の予測装置、予測方法、及び予測プログラム |
| CN112912969A (zh) * | 2018-10-31 | 2021-06-04 | 昭和电工株式会社 | 热力学的平衡状态的预测装置、预测方法以及预测程序 |
| JPWO2020090617A1 (ja) * | 2018-10-31 | 2021-09-02 | 昭和電工株式会社 | 熱力学的平衡状態の予測装置、予測方法、及び予測プログラム |
| JP2022526119A (ja) * | 2019-03-18 | 2022-05-23 | エボニック オペレーションズ ゲーエムベーハー | 塗料、ワニス、印刷インキ、研削用樹脂、色素濃縮物、または他のコーティング剤の組成物の生成方法 |
| JP2020177508A (ja) * | 2019-04-19 | 2020-10-29 | Tdk株式会社 | 予測システム、予測方法、および予測プログラム |
| JP2021004287A (ja) * | 2019-06-25 | 2021-01-14 | 旭化成株式会社 | 装置、方法、プログラム、樹脂組成物の製造方法、ポリイミドフィルムの製造方法、ディスプレイの製造方法、積層体の製造方法、および、フレキシブルデバイスの製造方法 |
| JP2021026608A (ja) * | 2019-08-07 | 2021-02-22 | 横浜ゴム株式会社 | 物性データ予測方法及び物性データ予測装置 |
| JP2021026739A (ja) * | 2019-08-09 | 2021-02-22 | 横浜ゴム株式会社 | 物性データ予測方法及び装置物性データ予測装置 |
| JP2021060367A (ja) * | 2019-10-09 | 2021-04-15 | 横浜ゴム株式会社 | 物性データ予測方法及び物性データ予測装置 |
| WO2021095722A1 (ja) * | 2019-11-11 | 2021-05-20 | 昭和電工マテリアルズ株式会社 | 情報処理システム、情報処理方法、および情報処理プログラム |
| WO2021095725A1 (ja) * | 2019-11-11 | 2021-05-20 | 昭和電工マテリアルズ株式会社 | 情報処理システム、情報処理方法、および情報処理プログラム |
| JP2021077187A (ja) * | 2019-11-12 | 2021-05-20 | 昭和電工マテリアルズ株式会社 | 入力データ生成システム、入力データ生成方法、及び入力データ生成プログラム |
| WO2021095742A1 (ja) * | 2019-11-12 | 2021-05-20 | 昭和電工マテリアルズ株式会社 | 入力データ生成システム、入力データ生成方法、及び入力データ生成プログラム |
| US11797734B2 (en) | 2020-02-17 | 2023-10-24 | Fujitsu Limited | Information processing device, computer-readable recording medium recording mixture performance optimization program, and mixture performance optimization method for simplifying energy function formula by incorporating correlation formula into energy function formula |
| CN113737148A (zh) * | 2021-08-26 | 2021-12-03 | 武汉大学 | 一种优化分子束外延薄膜均匀性的方法 |
| CN117373582A (zh) * | 2023-12-06 | 2024-01-09 | 小米汽车科技有限公司 | 基于仿真实验模型的材料成分预测方法、装置及存储介质 |
| CN117373582B (zh) * | 2023-12-06 | 2024-04-26 | 小米汽车科技有限公司 | 基于仿真实验模型的材料成分预测方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH1055348A (ja) | 多成分系材料最適化解析装置および方法 | |
| Lee | Prediction of concrete strength using artificial neural networks | |
| Sargent | Verification and validation of simulation models | |
| Kim et al. | Application of probabilistic neural networks for prediction of concrete strength | |
| Tao et al. | Enhanced Gaussian process metamodeling and collaborative optimization for vehicle suspension design optimization | |
| Ceylan et al. | Looking to the future: the next-generation hot mix asphalt dynamic modulus prediction models | |
| Zain et al. | An expert system for mix design of high performance concrete | |
| Chao et al. | Estimating project S-curves using polynomial function and neural networks | |
| Lakshminarayanan et al. | New product design via analysis of historical databases | |
| Burati et al. | Evaluation of procedures for quality assurance specifications | |
| Ferens et al. | Calibrating software cost models to department of defense databases—a review of ten studies | |
| Raimondo et al. | Cohesive analysis of a 3D benchmark for delamination growth under quasi‐static and fatigue loading conditions | |
| Westgard et al. | QC Validator® 2.0: a computer program for automatic selection of statistical QC procedures for applications in healthcare laboratories | |
| Rosen et al. | Constructing a bootstrap confidence interval for the unknown concentration in radioimmunoassay | |
| Ağca et al. | Lagrangian solution of maximum dispersion problems | |
| US7295940B2 (en) | Process control system to manage materials used in construction | |
| Beer | Engineering quantification of inconsistent information | |
| Meli | Functional metrics: problems and possible solutions | |
| Mensching et al. | Relative comparison of complex dynamic modulus predictive models for non-conventional asphalt concrete mixtures | |
| van der Veen et al. | GUM guidance on developing and using measurement models | |
| Borja Macías et al. | Model-based belief merging without distance measures | |
| Jain et al. | Verification and validation of simulation models | |
| Buck et al. | Advances in sequential Bayesian work sampling | |
| Lee | Characterisation of multiple interior noise metrics and translation of the voice of the customer | |
| Agwuocha et al. | A COMPUTER PROGRAM FOR ANALYZING CONCRETE MIXTURE EXPERIMENTS BASED ON OSADEBE’S REGRESSION MODEL |