KR20210114993A - 금속 재료의 설계 지원 방법, 예측 모델의 생성 방법, 금속 재료의 제조 방법 및, 설계 지원 장치 - Google Patents

금속 재료의 설계 지원 방법, 예측 모델의 생성 방법, 금속 재료의 제조 방법 및, 설계 지원 장치 Download PDF

Info

Publication number
KR20210114993A
KR20210114993A KR1020217025687A KR20217025687A KR20210114993A KR 20210114993 A KR20210114993 A KR 20210114993A KR 1020217025687 A KR1020217025687 A KR 1020217025687A KR 20217025687 A KR20217025687 A KR 20217025687A KR 20210114993 A KR20210114993 A KR 20210114993A
Authority
KR
South Korea
Prior art keywords
design
conditions
condition
predictive model
searched
Prior art date
Application number
KR1020217025687A
Other languages
English (en)
Other versions
KR102674519B1 (ko
Inventor
카즈히로 나카츠지
오사무 야마구치
히로유키 다카기
Original Assignee
제이에프이 스틸 가부시키가이샤
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 제이에프이 스틸 가부시키가이샤 filed Critical 제이에프이 스틸 가부시키가이샤
Publication of KR20210114993A publication Critical patent/KR20210114993A/ko
Application granted granted Critical
Publication of KR102674519B1 publication Critical patent/KR102674519B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
    • C21D1/26—Methods of annealing
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D11/00—Process control or regulation for heat treatments
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
    • C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
    • C21D8/0221—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the working steps
    • C21D8/0226—Hot rolling
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
    • C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
    • C21D8/0247—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the heat treatment
    • C21D8/0263—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the heat treatment following hot rolling
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/001—Ferrous alloys, e.g. steel alloys containing N
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/002—Ferrous alloys, e.g. steel alloys containing In, Mg, or other elements not provided for in one single group C22C38/001 - C22C38/60
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/02—Ferrous alloys, e.g. steel alloys containing silicon
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/04—Ferrous alloys, e.g. steel alloys containing manganese
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/06—Ferrous alloys, e.g. steel alloys containing aluminium
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/12—Ferrous alloys, e.g. steel alloys containing tungsten, tantalum, molybdenum, vanadium, or niobium
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/14—Ferrous alloys, e.g. steel alloys containing titanium or zirconium
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/60—Ferrous alloys, e.g. steel alloys containing lead, selenium, tellurium, or antimony, or more than 0.04% by weight of sulfur
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22F—CHANGING THE PHYSICAL STRUCTURE OF NON-FERROUS METALS AND NON-FERROUS ALLOYS
    • C22F1/00—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Materials Engineering (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Thermal Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)

Abstract

금속 재료의 제조 조건도 고려하면서, 정밀도 좋게 예측값을 얻는 것을 가능하게 하고, 설계에 걸리는 시간적 부하를 저감 가능한 설계 지원 방법을 제공한다. 본 발명에 따른 설계 지원 방법은, 소망의 특성을 갖는 금속 재료의 설계를 계산기에 의해 지원하는 설계 지원 방법으로서, 금속 재료의 성분 조성 및 제조 조건을 포함하는 설계 조건과 금속 재료의 특성값을 관련지은 과거의 실적 데이터에 기초하여 구축되고, 설계 조건으로부터 특성값을 예측하는 예측 모델을 이용하여, 소망의 특성이 얻어지는 설계 조건을 탐색하는 탐색 스텝과, 탐색 스텝에 의해 탐색된, 소망의 특성에 대응하는 설계 조건 중, 적어도 성분 조성 및 제조 조건을 제시하는 제시 스텝을 포함하고, 탐색 스텝에 있어서, 상이한 복수의 학습 데이터 세트에 기초하는 복수의 예측값의 편차가 저감되도록 설계 조건을 탐색한다.

Description

금속 재료의 설계 지원 방법, 예측 모델의 생성 방법, 금속 재료의 제조 방법 및, 설계 지원 장치
본 발명은, 소망의 특성을 갖는 금속 재료의 설계 지원 방법, 예측 모델의 생성 방법, 금속 재료의 제조 방법 및, 설계 지원 장치에 관한 것이다.
신규로 재료를 설계하는 경우, 유저는, 설계 조건을 경험적으로 정하는 스텝과, 재료의 시작(experimentally producing) 결과에 기초하여 설계를 재검토하는 스텝을, 시행 착오하면서 반복 실행한다. 따라서, 유저가 설계의 결과를 파악하기까지 시간을 필요로 하고, 결과적으로, 충분한 특성을 갖는 재료를 설계하기까지 걸리는 시간적 부하가 증대한다. 더하여, 설계 내용은 유저의 경험에 의존하기 때문에, 유저가 쌓아올려 온 과거의 경험이 신규 발상의 방해가 되기도 한다.
최근, 기계 학습을 이용한 예측 모델의 정밀도 향상이 현저하다. 전술한 시간적 부하를 저감하기 위해, 신규 재료의 개발의 지원으로서 기계 학습의 기술이 활용되고 있다. 예측 모델에 의해 시작 전에 재료의 특성의 예측값이 파악 가능하기 때문에, 개발에 걸리는 시간적 부하의 저감이 기대되고 있다. 예를 들면, 특허문헌 1에서는, 물리 시뮬레이션에 의해 특성값을 계산하고, 순방향 모델의 갱신을 반복함으로써 최적의 설계 조건을 탐색하는 방법이 제안되어 있다.
또한, 예측 모델을 응용하여 역해석을 행함으로써, 소망의 특성을 갖는 재료를 얻기 위한 설계 조건을 예측하는 기술이 제안되어 있다. 예를 들면, 특허문헌 2에서는, 뉴럴 네트워크를 이용하여, 소망의 특성값을 갖는 알루미늄의 제조 조건을 역해석하는 방법이 제안되어 있다. 또한, 특허문헌 2에는, 뉴럴 네트워크의 학습 결과가, 학습 데이터 세트의 조건 범위 내로부터 얻어지고, 뉴럴 네트워크는, 그의 조건으로부터 벗어나는 범위에 대해서는 예측할 수 없는 취지가 기재되어 있다. 즉, 특허문헌 2에서는, 학습 데이터 세트로부터 괴리하는 제조 조건은 탐색하지 않도록 고려하여 역해석하는 것이 제안되어 있다. 비특허문헌 1에서는, 유기 화합물의 화학 구조로부터 특성값을 예측하는 예측 모델을 구축하고, 역해석에 의해 소망의 특성을 갖는 유기 화합물의 화학 구조를 특정하는 방법이 제안되어 있다.
일본공개특허공보 2011-103036호 국제공개 2018/062398호 공보
타케다 세이지 등 「AI에 의한 신물질 탐색 수법」2018년도 인공지능학회 전국대회(제32회) 3E1-02
그러나, 특허문헌 1에 기재된 방법에서는, 특성값의 계산에 전자장 해석 모델을 이용하고 있기 때문에 계산 시간이 증대하여, 탐색을 충분히 행할 수 없다. 또한, 특허문헌 2에 기재된 방법에서는, 학습 데이터 세트로부터 떨어진 제조 조건을 탐색하고자 하지 않기 때문에, 새로운 제조 조건의 영역에서의 제안은 할 수 없고, 종래의 제조 조건에 기초하는 좁은 영역에서의 제안에 머물러 버린다. 또한, 복수의 학습 데이터 세트에 기초하는 복수의 예측값의 편차가 평가되어 있지 않기 때문에, 당해 편차를 저감하면서 정밀도 좋게 예측값을 얻는 것은 곤란하다. 또한, 비특허문헌 1에 기재된 유기 화합물의 화학 구조를 특정하는 방법과 달리, 금속 재료의 설계에 있어서는, 열처리 온도 등을 포함하는 여러가지 제조 조건이 금속 재료의 특성값에 영향을 미친다. 따라서, 설계하는 대상의 설계 조건으로서 금속 재료의 제조 조건도 고려한 예측 모델을 구축할 필요가 있다.
상기와 같은 문제점을 감안하여 이루어진 본 발명의 목적은, 금속 재료의 제조 조건도 고려하면서, 정밀도 좋게 예측값을 얻는 것을 가능하게 하여, 설계에 걸리는 시간적 부하를 저감 가능한 설계 지원 방법, 예측 모델의 생성 방법, 금속 재료의 제조 방법 및, 설계 지원 장치를 제공하는 것에 있다.
상기 과제를 해결하기 위해 본 발명의 일 실시 형태에 따른 설계 지원 방법은,
소망의 특성을 갖는 금속 재료의 설계를 계산기에 의해 지원하는 설계 지원 방법으로서,
상기 금속 재료의 성분 조성 및 제조 조건을 포함하는 설계 조건과 상기 금속 재료의 특성값을 관련지은 과거의 실적 데이터에 기초하여 구축되고, 상기 설계 조건으로부터 상기 특성값을 예측하는 예측 모델을 이용하여, 상기 소망의 특성이 얻어지는 상기 설계 조건을 탐색하는 탐색 스텝과,
상기 탐색 스텝에 의해 탐색된, 상기 소망의 특성에 대응하는 상기 설계 조건 중, 적어도 성분 조성 및 제조 조건을 제시하는 제시 스텝
을 포함하고,
상기 탐색 스텝에 있어서, 상이한 복수의 학습 데이터 세트에 기초하는 복수의 예측값의 편차가 저감되도록 상기 설계 조건을 탐색한다.
상기 과제를 해결하기 위해 본 발명의 일 실시 형태에 따른 예측 모델의 생성 방법은,
상기의 설계 지원 방법에 이용되는 상기 예측 모델의 생성 방법으로서,
상기 설계 조건과 상기 특성값을 관련지은 상기 과거의 실적 데이터를 취득하는 취득 스텝과,
당해 취득 스텝에 의해 취득된 상기 과거의 실적 데이터에 기초하여, 상기 설계 조건으로부터 상기 특성값을 예측하는 상기 예측 모델을 구축하는 구축 스텝
을 포함한다.
상기 과제를 해결하기 위해 본 발명의 일 실시 형태에 따른 금속 재료의 제조 방법은,
상기의 설계 지원 방법에 의해 탐색된 상기 설계 조건에 기초하여 상기 금속 재료를 제조하는 스텝을 포함한다.
상기 과제를 해결하기 위해 본 발명의 일 실시 형태에 따른 설계 지원 장치는,
소망의 특성을 갖는 금속 재료의 설계를 지원하는 설계 지원 장치로서,
상기 금속 재료의 성분 조성 및 제조 조건을 포함하는 설계 조건과 상기 금속 재료의 특성값을 관련지은 과거의 실적 데이터에 기초하여 구축되고, 상기 설계 조건으로부터 상기 특성값을 예측하는 예측 모델을 이용하여, 상기 소망의 특성이 얻어지는 상기 설계 조건을 탐색하는 탐색부와,
상기 탐색부에 의해 탐색된, 상기 소망의 특성에 대응하는 상기 설계 조건 중, 적어도 성분 조성 및 제조 조건을 제시하는 제시부
를 구비하고,
상기 탐색부는, 상이한 복수의 학습 데이터 세트에 기초하는 복수의 예측값의 편차가 저감되도록 상기 설계 조건을 탐색한다.
본 발명의 일 실시 형태에 따른 설계 지원 방법, 예측 모델의 생성 방법, 금속 재료의 제조 방법 및, 설계 지원 장치에 의하면, 금속 재료의 제조 조건도 고려하면서, 설계에 걸리는 시간적 부하를 저감 가능하다.
도 1은, 본 발명의 제1 실시 형태에 따른 설계 지원 장치의 구성을 나타내는 기능 블록도이다.
도 2는 제1 실시 형태에 따른 철강 재료의 냉연 코일의 제조 프로세스를 나타내는 개략도이다.
도 3은 제1 실시 형태에 따른 예측 모델의 개략을 나타내는 도면이다.
도 4는 도 1의 설계 지원 장치에 의한 동작의 제1예를 나타내는 플로우차트이다.
도 5는 도 1의 설계 지원 장치에 의한 동작의 제2예를 나타내는 플로우차트이다.
도 6은 Vk(x)를 계산하기 위한 방법의 일 예를 설명하기 위한 개략도이다.
도 7은 제4 실시 형태에 따른 예측 모델의 개략을 나타내는 도면이다.
도 8a는 화상 데이터와 특징량 벡터의 대응 관계의 제1예를 나타내는 개략도이다.
도 8b는 화상 데이터와 특징량 벡터의 대응 관계의 제2예를 나타내는 개략도이다.
도 8c는 화상 데이터와 특징량 벡터의 대응 관계의 제3예를 나타내는 개략도이다.
도 8d는 화상 데이터와 특징량 벡터의 대응 관계의 제4예를 나타내는 개략도이다.
도 9는 특징량 벡터를 화상 데이터로 변환하는 방법의 일 예를 나타내는 개략도이다.
도 10은 인장 강도의 실적값 및 예측값에 따른 산포도를 나타낸다.
(발명을 실시하기 위한 형태)
(제1 실시 형태)
이하, 본 발명의 제1 실시 형태에 대해서 설명한다. 제1 실시 형태에 있어서 설계하는 금속 재료는 예를 들면 철강이지만, 금속 재료는 철강에 한정되지 않고, 임의의 금속이라도 좋다.
도 1은, 본 발명의 제1 실시 형태에 따른 설계 지원 장치(1)의 구성을 나타내는 기능 블록도이다. 도 1에 나타내는 바와 같이, 제1 실시 형태에 따른 설계 지원 장치(1)는, 취득부(11)와, 예측 모델 구축부(12)와, 탐색부(13)와, 제시부(14)를 갖는 계산기이다. 설계 지원 장치(1)는, 소망의 특성을 갖는 금속 재료의 설계를 지원한다.
취득부(11)는, 예를 들면, 후술하는 예측 모델을 구축하기 위해 필요한, 철강 재료의 제조에 따른 과거의 실적 데이터를 취득한다. 취득부(11)는, 실적 데이터를 취득하기 위한 통신 인터페이스를 포함해도 좋다. 이 경우, 취득부(11)는, 예를 들면 복수의 외부 장치 등으로부터 소정의 통신 프로토콜에서 실적 데이터를 수신해도 좋다. 실적 데이터는, 예를 들면, 철강 재료의 성분 조성 및 제조 조건을 포함하는 설계 조건과 철강 재료의 특성값을 관련지은 데이터를 포함한다. 제조 조건은, 예를 들면, 제조 조건에 있어서의 설정값 및 실적값 등을 포함한다.
취득부(11)가 취득하는 철강 재료의 성분 조성의 데이터는, 예를 들면, 전로 또는 2차 정련에 있어서 강 중 성분으로서 용해시키는 원소의 첨가 비율을 포함한다. 이러한 원소는, 예를 들면 C, Si, Mn, P, S, Al, N, Cr, V, Sb, Mo, Cu, Ni, Ti, Nb, B, Ca, 및 Sn을 포함한다.
취득부(11)가 취득하는 제조 조건의 데이터는, 예를 들면, 철강 재료의 제조 프로세스의 각 공정에 있어서의 제(諸)조건에 기초한다. 도 2는, 제1 실시 형태에 따른 철강 재료의 냉연 코일의 제조 프로세스를 나타내는 개략도이다. 철강의 제조 프로세스에 있어서, 우선 원료의 철광석(raw iron ore)이, 석회석 및 코크스와 함께 고로(blast furnace)에 장입되어, 용융 상태의 선철(pig iron)이 생성된다. 고로에서 출선된 선철은, 제강 공장의 전로에 있어서 탄소 등의 성분 조정이 되어, 2차 정련에 의해 최종적인 성분 조정이 이루어진다. 얻어진 용강(molten steel)을 연속 주조기 등으로 주조하고, 판 성형하기 전의 슬래브라고 칭하는 반제품을 제조한다. 그 후, 가열로에 있어서의 가열 공정, 열간 압연 공정, 냉각 공정, 산 세정 공정, 냉간 압연 공정, 어닐링 공정 및, 도금 공정 등의 복수의 처리 공정을 거쳐, 제품인 냉연 코일이 제조된다. 이들 복수의 처리 공정의 조합은, 제조하는 제품에 따라서 상위하다. 철강 재료의 특성은, 성분에 관한 조건을 제외하면, 주조 후의 슬래브의 가열로부터 후의 공정인, 열간 압연 공정, 냉각 공정, 냉간 압연 공정 등의 하 공정의 제조 조건에 따라 대체로 정해진다. 그래서, 제1 실시 형태에서는, 제조 조건으로서, 슬래브 생성 이후의 공정에 있어서의 조건을 예로서 취급한다.
전술의 각 공정에 있어서의 제조건, 즉 제조 조건은, 예를 들면 이하를 포함한다.
Figure pct00001
취득부(11)가 취득하는 철강 재료의 특성값의 데이터는, 예를 들면 항복점(N/㎟), 인장 강도(N/㎟), 신장(％), r값, n값, 구멍 확장율(％), BH량(N/㎟), 및 항복비를 포함한다. 이들 특성값은, 예를 들면 제조된 철강 재료 제품 중의 일부로부터 철강 재료의 특성을 평가하는 샘플링 시험을 실시함으로써 얻을 수 있다.
취득부(11)는, 취득한 각 특성값의 실적값을 실적 데이터로 하여, 각 실적 데이터를 대응지어 관리한다. 보다 구체적으로는, 취득부(11)는, 제조되는 철강 재료 제품의 단위마다, 철강 재료의 성분 조성의 실적 데이터, 제조 조건의 실적 데이터 및, 철강 재료의 특성값의 실적 데이터를 일원적으로 관련지어, 이들을 집약하여 취급 가능하게 한다.
취득부(11)는, 후술하는 최적의 설계 조건의 탐색에 있어서, 예를 들면, 철강 재료의 성분 조성의 범위 및, 제조 조건의 범위를 포함하는 제약 조건을 입력 정보로서 취득해도 좋다. 제약 조건은, 철강 재료의 특성값의 범위를 추가로 포함해도 좋다. 제약 조건은, 제조 프로세스에 있어서의 상이한 공정 간에 발생하는 강판의 물리량의 변화와 모순되지 않는 것을 보증하는 조건을 추가로 포함해도 좋다. 예를 들면, 강판의 온도는, 가열 공정을 거치는 경우를 제외하고 공정이 진행됨에 따라서 저하한다. 예를 들면, 제약 조건은, 이러한 온도 강하 현상과 모순되지 않도록 제조 조건을 제약하는 조건을 포함해도 좋다. 취득부(11)는, 예를 들면 철강 재료의 유저가 소정의 제약 조건을 입력 정보로서 입력하기 위한 입력 인터페이스를 포함해도 좋다.
도 3은, 제1 실시 형태에 따른 예측 모델의 개략을 나타내는 도면이다. 예측 모델 구축부(12)는, 취득부(11)에 의해 취득된 과거의 실적 데이터에 기초하여, 설계 조건으로부터 철강 재료의 특성값을 예측하는 도 3에 나타내는 바와 같은 예측 모델을 구축한다. 보다 구체적으로는, 예측 모델 구축부(12)는, 취득된 과거의 실적 데이터에 기초하여, 철강 재료의 성분 조성 및 제조 조건을 설명 변수로 한 철강 재료의 특성값의 예측 모델을 구축한다. 예측 모델은, 뉴럴 네트워크, 국소 회귀 모델, 커넬 회귀 모델 및, 랜덤 포레스트 등을 포함하는 기계 학습 기술을 이용한 모델을 포함한다. 예측 모델 구축부(12)는, 복수의 특성값이 있는 경우, 뉴럴 네트워크 등의 복수의 목적 변수를 취급하는 것이 가능한 예측 모델을 선택해도 좋고, 특성값마다 예측 모델을 구축해도 좋다. 예측 모델 구축부(12)에 의해 구축된 예측 모델은, 학습 완료 모델로서, 후술하는 최적의 설계 조건의 탐색에 사용된다.
탐색부(13)는, 예측 모델 구축부(12)에 의해 구축되고, 설계 조건으로부터 철강 재료의 특성값을 예측하는 도 3에 나타내는 바와 같은 예측 모델을 이용하여, 소망의 특성이 얻어지는 최적의 설계 조건을 탐색한다. 소망의 특성은, 예를 들면, 최대화가 바람직한 특성값에 있어서는 당해 특성값이 최대가 되는 바와 같은 특성이라도 좋고, 최소화가 바람직한 특성값에 있어서는 당해 특성값이 최소가 되는 바와 같은 특성이라도 좋다. 그 외에도, 소망의 특성은, 예를 들면, 유저에 의한 제품 요구에 대응하여 유저에 의해 자의적으로 결정되는 임의의 특성이라도 좋다.
제시부(14)는, 탐색부(13)에 의해 탐색된, 소망의 특성에 대응하는 설계 조건을 유저에게 제시한다. 유저는, 제시부(14)에 의해 제시된 철강 재료의 성분 조성 및 제조 조건을, 철강 재료의 제조 시의 목표값 또는 참고값으로 하여, 철강 재료를 효율적으로 설계할 수 있다. 또한, 설계 조건에 성분 조성 및 제조 조건 이외의 추가의 조건이 포함되는 경우에는, 제시부(14)는 적어도 성분 조성 및 제조 조건을 제시하고, 추가의 조건에 대해서는 그의 일부 또는 전체를 적절히 제시한다.
도 4는, 도 1의 설계 지원 장치(1)에 의한 동작의 제1예를 나타내는 플로우차트이다. 도 4는, 과거의 실적 데이터에 기초하여 도 3에 나타내는 바와 같은 예측 모델을 설계 지원 장치(1)가 생성하는 플로우를 나타낸다.
스텝 S101에서는, 설계 지원 장치(1)는, 철강 재료에 포함되는 성분 조성 및 제조 조건을 포함하는 설계 조건과 철강 재료의 특성값을 관련지은 과거의 실적 데이터를 취득부(11)에 의해 취득한다.
스텝 S102에서는, 설계 지원 장치(1)는, 스텝 S101에 있어서 취득된 과거의 실적 데이터에 기초하여, 설계 조건으로부터 철강 재료의 특성값을 예측하는 예측 모델을 예측 모델 구축부(12)에 의해 구축한다.
도 5는, 도 1의 설계 지원 장치(1)에 의한 동작의 제2예를 나타내는 플로우차트이다. 도 5는, 도 4의 플로우에 의해 구축된 예측 모델을 이용하여 설계 지원 장치(1)가 최적인 설계 조건을 탐색하여, 유저에게 제시하는 플로우를 나타낸다.
스텝 S201에서는, 설계 지원 장치(1)의 탐색부(13)는, 예를 들면 철강 재료의 성분 조성의 범위, 제조 조건의 범위 및, 철강 재료의 특성값의 범위를 포함하는 제약 조건을 입력 정보로 하여 취득부(11)로부터 취득한다.
스텝 S202에서는, 설계 지원 장치(1)의 탐색부(13)는, 예측 모델 구축부(12)에 의해 구축된 전술의 예측 모델을 예측 모델 구축부(12)로부터 취득한다.
스텝 S203에서는, 설계 지원 장치(1)의 탐색부(13)는, 스텝 S201에 있어서 취득된 제약 조건 및, 스텝 S202에 있어서 취득된 예측 모델에 기초하여, 철강 재료에 대하여 소망의 특성이 얻어지는 최적의 설계 조건을 탐색한다.
스텝 S204에서는, 설계 지원 장치(1)의 제시부(14)는, 스텝 S203에 있어서 탐색된 소망의 특성에 대응하는 최적의 설계 조건 및, 대응하는 특성값을 탐색부(13)로부터 취득하여 유저에게 제시한다.
그 후, 유저는, 스텝 S203에 있어서 탐색되고, 스텝 S204에 있어서 제시된 설계 조건에 기초하여 철강 재료를 제조한다.
이하에서는, 도 5의 스텝 S201 내지 스텝 S203에 있어서의 설계 지원 장치(1)의 탐색부(13)에 의한 처리의 내용을 보다 구체적으로 설명한다.
도 5의 스텝 S201에 있어서, 탐색부(13)는, 예를 들면 이하의 표 2에 나타내는 바와 같은 제약 조건을 입력 정보로 하여 취득부(11)로부터 취득한다. 보다 구체적으로는, 탐색부(13)는, 설계 조건인 철강 재료의 성분 조성의 상한값 및 하한값, 그리고 제조 조건의 상한값 및 하한값을 제약 조건으로 하여 취득한다.
Figure pct00002
추가로, 탐색부(13)는, 철강 재료의 특성값의 상한값 및 하한값을 제약 조건으로 하여 취득한다.
Figure pct00003
탐색부(13)는, 도 5의 스텝 S202에 있어서 예측 모델 구축부(12)로부터 취득한 학습 완료의 예측 모델을 이용하여, 도 5의 스텝 S203에 있어서 최적의 설계 조건을 제약 조건의 범위 내에서 탐색한다. 이러한 문제는 최적화 문제로서, 문제는 하기와 같이 서술할 수 있다.
Figure pct00004
(식 1)
단, 식 1에 있어서, x는 벡터로서 나타나는 설계 조건, k는 특성의 종류, fk(x)는 특성의 예측값, αk는 미리 설정되는 가중치 계수이다. 평가 함수에 있어서의 특성의 예측값의 함수 fk(x)는, 예측 모델 구축부(12)에 의해 구축된 예측 모델에 기초한다. F는 도 5의 스텝 S201에 있어서 취득된 제약 조건을 충족하는 설계 조건 x의 집합이다. 따라서, 탐색부(13)는, 제약 조건을 충족하는 범위 내에서, 최적의 설계 조건을 탐색하게 된다. Lk, Uk는 각각 도 5의 스텝 S201에 있어서 취득된 특성값의 하한값 및 상한값이다. 탐색부(13)는, 메타휴리스틱스, 유전적 알고리즘, 수리 계획법 및, 군지능 등을 이용한 방법에 의해, 이러한 최적화 문제를 푼다.
탐색부(13)는, 식 1에 있어서의 평가 함수를 최대화하는 문제로서 최적의 설계 조건을 탐색하지만, 문제의 설정 방법은 이에 한정되지 않는다. 탐색부(13)는, 예를 들면 가중치 계수(αk)의 부호를 마이너스로 하고, 식 1에 있어서의 평가 함수의 절대값을 최소화하는 문제로서 최적의 설계 조건을 탐색해도 좋다. 예를 들면, 최대화가 바람직한 특성은, 인장 강도 및 신장을 포함한다. 예를 들면, 최소화가 바람직한 특성은, 항복비를 포함한다.
탐색부(13)는, 식 1에서 얻어진 설계 조건 x를 최적해(解)로서 산출하지만, 이에 한정되지 않는다. 탐색부(13)는, 계산 시간에 소정의 조건을 정하여, 대응하는 시간 내에 얻어지는 가장 우수한 해로서 설계 조건 x를 산출해도 좋다. 탐색부(13)는, 대응하는 시간 내에 얻어진 해를 전체 보존하고, 마지막에 전체 출력해도 좋다.
이상과 같은 제1 실시 형태에 따른 설계 지원 장치(1)에 의하면, 금속 재료의 제조 조건도 고려하면서, 설계에 걸리는 시간적 부하를 저감 가능하다. 보다 구체적으로는, 설계 지원 장치(1)는, 설계 조건과 철강 재료의 특성값을 관련지은 과거의 실적 데이터에 기초하여 예를 들면 예측 모델 구축부(12)에 의해 구축된 학습 완료의 예측 모델을 이용하여 철강 재료의 특성값의 계산을 실행한다. 이에 따라, 설계 지원 장치(1)는, 다수의 설계 조건에 기초하는 철강 재료의 특성값의 계산을 고속으로 실행 가능하여, 소정의 시간 내라도 충분히 탐색을 실행하는 것이 가능하다. 설계 지원 장치(1)는, 철강 재료의 우수한 특성값에 대응하는 설계 조건을 탐색하는 것이 가능하다.
설계 지원 장치(1)는, 소망의 특성에 대응하는 최적의 설계 조건이 식 1에 나타내는 바와 같이 제약 조건을 충족함으로써, 가령 제조 비용의 관점에서 철강 재료로의 첨가물의 양 및 제조 설비의 능력에 한계가 있는 바와 같은 경우라도, 역해석에 의해 얻어진 설계 조건을 유효하게 이용할 수 있다. 설계 지원 장치(1)는, 제약 조건을 정함으로써, 되는대로 탐색하는 것이 아니라, 제약 조건의 범위 내에서 효율적으로 탐색할 수 있다.
제1 실시 형태에서는, 예측 모델을 구축하는 예측 모델 구축부(12)를 설계 지원 장치(1)가 일체적으로 갖는 것으로서 설명했지만, 설계 지원 장치(1)의 구성은 이에 한정되지 않는다. 설계 지원 장치(1)는, 예측 모델 구축부(12)를 갖지 않아도 좋다. 즉, 설계 지원 장치(1)는, 취득부(11) 및 예측 모델 구축부(12)를 이용한 예측 모델의 구축에 관한 기능을 갖지 않아도 좋다. 이 경우, 예를 들면, 취득부(11) 및 예측 모델 구축부(12)에 대응하는 구성부를 갖는 외부 장치가 전술한 실적 데이터를 취득하여 예측 모델을 생성하고, 당해 외부 장치로부터 임의의 방법에 의해 예측 모델을 설계 지원 장치(1)가 취득하는 바와 같은 태양도 가능하다.
제1 실시 형태에서는, 탐색부(13)는, 제약 조건을 충족하는 범위 내에서, 최적의 설계 조건을 탐색하는 것으로서 설명했지만, 이에 한정되지 않는다. 예를 들면, 철강 재료로의 첨가물의 양 및 제조 설비의 능력에 한계가 없는 바와 같은 경우라면, 탐색부(13)는, 취득부(11)으로부터 제약 조건을 취득하지 않고, 제약 조건을 고려하지 않고 식 1의 최적화 문제를 풀어도 좋다.
식 1에서는, 평가 함수는 각 특성의 최대값 또는 최소값의 하중합으로서 나타나 있지만, 식 1의 내용은 이에 한정되지 않는다. 식 1은, 각 특성의 목표값 refk에 기초하여, 이하의 식 2에 의해 치환되어도 좋다.
Figure pct00005
(식 2)
식 2에 의해, 탐색부(13)는, 각 특성의 목표값 refk에 가까울수록 평가가 높은 설계 조건을 탐색하는 것도 가능해진다.
(제2 실시 형태)
이하, 본 발명의 제2 실시 형태에 대해서 설명한다. 제2 실시 형태에 따른 설계 지원 장치(1)의 구성 및 기본적인 기능은, 도 1 내지 도 5를 이용하여 설명한 제1 실시 형태에 관한 상기의 내용과 동일하다. 따라서, 제1 실시 형태에 있어서 설명한 대응하는 내용은, 제2 실시 형태에 있어서도 마찬가지로 해당된다. 제1 실시 형태와 동일한 구성에 대해서는 동일한 부호를 붙이고, 설명은 생략한다. 이하에서는, 제1 실시 형태와 상이한 점에 대해서 주로 설명한다. 제2 실시 형태에서는 제1 실시 형태와 달리, 식 1의 평가 함수에 있어서 학습 데이터 기인의 특성의 예측값의 편차가 고려된다. 본 명세서에 있어서, 「예측값의 편차」는, 예를 들면, 상이한 복수의 학습 데이터 세트에 기초하는 복수의 예측값의 편차를 포함한다.
예를 들면 충분히 데이터가 있고, 모든 탐색 영역에 있어서의 예측 모델의 정밀도가 보증되어 있는 경우, 철강 재료의 특성에 관하여, 실측값에 대한 예측값의 편차의 증대가 억제된다. 그러나, 지금까지 실시되고 있지 않은 설계의 영역을 탐색부(13)가 탐색하는 경우, 이러한 학습 데이터 기인의 예측값의 편차가 증대할 우려가 있다. 따라서, 제2 실시 형태에 따른 설계 지원 장치(1)는, 식 1을 하기의 문제 설정으로 변경하여 최적화 문제를 푼다.
Figure pct00006
(식 3)
여기에서, Vk(x)는, 예측 모델의 학습 데이터 세트가 상이함으로써 예측값이 변화하는 불안정성을 계산한 「예측값의 편차」를 나타낸다. βk는 미리 설정되는 가중치 계수이다. 이와 같이, 제2 실시 형태에 따른 평가 함수는, 2개의 함수의 가중치합으로 구성된다.
도 6은, Vk(x)를 계산하기 위한 방법의 일 예를 설명하기 위한 개략도이다. 탐색부(13)는, 예를 들면 도 6에 나타내는 바와 같은 방법 등을 포함하는 임의의 방법에 의해 Vk(x)를 계산한다. 예를 들면, 도 6에 나타내는 방법에서는, 모델 학습용 데이터 세트로부터 랜덤으로 복수의 샘플을 추출한 예측 평가용의 데이터 세트가 복수 작성된다. 여기에서, 추출하는 샘플의 수는 원래의 모델 학습용 데이터 세트의 7할∼9할 정도에 상당하는 수이다. 그리고, 각각의 데이터 세트를 학습 데이터로 한 예측 평가용의 예측 모델이 복수 작성된다. 여기에서, 예측 평가용의 예측 모델은, 예측 모델 구축부(12)에 의해 구축된 것이다. 이들 예측 평가용의 예측 모델은, 최적의 설계 조건을 탐색하는 도 5의 스텝 S203의 전에 미리 작성된다. 다음으로, 도 5의 스텝 S203과 마찬가지로 설계 조건 x에 있어서의 평가 함수를 계산할 때에는, 각각의 예측 평가용의 예측 모델을 이용하여 예측값을 계산하고, 그들 복수의 예측값의 분산을 Vk(x)로 한다.
예를 들면, 예측값은, 특성의 종류 k가 1∼K까지의 값을 취하고, 예측 모델의 번호 i가 1∼N까지의 값을 취함으로써, K×N개 얻어진다. 예를 들면, 예측값 yik는, K행 N열의 행열로 나타낼 수 있다. 이 때, Vk(x)는, 이하의 식 4에 의해 나타난다.
Figure pct00007
(식 4)
여기에서, 식 4의 우변의 괄호 내에 있어서의 제2항은, 예측값 y1k∼yNk의 평균값이다. 식 4에서는, 예측값 yik의 값을 직접 이용하여 계산이 행해져도 좋고, 예를 들면, 예측값 yik의 K행 N열의 행열에 있어서, 행마다 정규화가 행해진 후의 값을 이용하여 계산이 행해져도 좋다.
예측값의 분산 Vk(x)가 큰 경우, 설계 조건 x에 있어서, 학습에 사용하는 데이터가 변화하면 예측값도 크게 변화하여, 예측의 정밀도가 낮은, 즉 예측이 안정되어 있지 않다고 할 수 있다. 이러한 상황은, 설계 조건 x의 예측에 필요한 학습 데이터가 부족하기 때문에, 예측이 특정의 소수의 학습 데이터에 의존하고 있는 것에 기인한다고 생각된다. 따라서, 실제로 설계 조건 x로 구한 특성값과 fk(x)에 의해 구한 특성의 예측값이 괴리될 가능성이 크다.
한편으로, 예측값의 분산 Vk(x)가 작은 경우, 학습에 사용하는 데이터가 변화해도 마찬가지의 예측값이 도출된다. 따라서, 특정의 소수의 학습 데이터에 의존하는 일 없이, 정밀도가 좋은 안정된 예측이 가능해진다. 이에 따라, fk(x)에 의해 구한 특성의 예측값은 확실할 것이라고 평가할 수 있다.
이상과 같은 제2 실시 형태에 따른 설계 지원 장치(1)에 의하면, 도 5의 스텝 S203에 있어서, 학습 데이터 기인의 예측값의 편차가 최소화된다. 이와 같이, 예측값의 확실성을 고려하기 위해 상기 문제 설정의 목적 함수로서 Vk(x)를 조합해 넣음으로써, 우수한 특성값의 예측값이 탐색될 뿐만 아니라, 학습 데이터 기인의 예측값의 편차가 작아지도록 탐색이 실행된다. 따라서, 탐색부(13)에 의한 탐색에 의해 얻어진 설계 조건을 실제로 검증한 결과, 특성의 실적값이 특성의 예측값과 크게 상이할 우려가 저감한다. 즉, 정밀도 좋게 예측값을 얻는 것이 가능해진다.
제1 실시 형태와 마찬가지로, 각 특성의 목표값 refk에 기초하여, 식 3을 대신하여 이하의 식 5가 채용되어도 좋다.
Figure pct00008
(식 5)
식 5에 의해, 탐색부(13)는, 각 특성의 목표값 refk에 가까울수록 평가가 높고, 또한 예측값의 확실성이 보증된 설계 조건을 탐색하는 것도 가능해진다.
상기의 제2 실시 형태에서는, 학습 데이터 기인의 예측값의 편차가 최소화되는 것으로 설명했지만, 이에 한정되지 않는다. 도 5의 스텝 S203에 있어서, 학습 데이터 기인의 예측값의 편차가 저감하도록 설계 조건이 탐색되어도 좋다. 이 때, 예를 들면 소정의 제1 문턱값이 형성되고, 학습 데이터 기인의 예측값의 편차가 당해 소정의 제1 문턱값보다도 작아지도록 설계 조건이 탐색되어도 좋다. 소정의 제1 문턱값은, 예를 들면 설계 지원 장치(1) 또는 유저에 의해 적절히 정해지는 값을 포함한다.
(제3 실시 형태)
이하, 본 발명의 제3 실시 형태에 대해서 설명한다. 제3 실시 형태에 따른 설계 지원 장치(1)의 구성 및 기본적인 기능은, 도 1 내지 도 6을 이용하여 설명한 제1 실시 형태에 관한 상기의 내용 및, 제2 실시 형태에 관한 상기의 내용과 동일하다. 따라서, 제1 실시 형태 및 제2 실시 형태에 있어서 설명한 대응하는 내용은, 제3 실시 형태에 있어서도 마찬가지로 해당된다. 제1 실시 형태 및 제2 실시 형태와 동일한 구성에 대해서는 동일한 부호를 붙이고, 설명은 생략한다. 이하에서는, 제1 실시 형태 및 제2 실시 형태와 상이한 점에 대해서 주로 설명한다. 제3 실시 형태에서는 제1 실시 형태 및 제2 실시 형태와 달리, 탐색의 대상이 되는 설계 조건과 과거의 실적 데이터에 있어서의 설계 조건의 차가 평가 함수에 있어서 고려된다.
예를 들면, 제1 실시 형태의 문제 설정에서는 탐색의 방침으로서 예측값만이 고려되어 있다. 이 경우, 탐색부(13)는, 종래 실시해 온 설계 조건에 가까운 범위를 탐색하는 경향이 있고, 새로운 설계 조건을 적극적으로 탐색하지 않을 우려도 있다. 제3 실시 형태에서는, 탐색부(13)가 새로운 설계 조건을 적극적으로 보다 확실히 탐색하도록, 상기 문제 설정의 목적 함수로서 이하의 함수 D(x)가 조합되어 넣어진다.
Figure pct00009
(식 6)
여기에서, γ는 미리 설정되는 가중치 계수이다. 이와 같이, 평가 함수는 3개의 함수의 가중치합으로 구성된다. D(x)는, 예측 모델 구축 시에 사용한 실적 데이터의 설계 조건으로부터의 괴리의 크기이고, 예를 들면, 이하의 식 7에 의해 나타난다.
Figure pct00010
(식 7)
여기에서, hsi는 s번째의 실적 데이터의 i번째의 설계 조건을 나타낸다. δi는 i번째의 설계 조건에 따른 계수이다.
식 7은, 탐색의 대상이 되는 설계 조건과 예측 모델 작성 시에 사용한 실적 데이터의 설계 조건의 거리를, 실적 데이터마다 적산하는 것을 나타내고 있다. 식 7에 의해, 탐색부(13)는, 실적 데이터와 유사한 설계 조건을 탐색하는 것이 아니라, 지금까지 실시하고 있지 않은 설계 조건의 새로운 영역을 보다 적극적으로 탐색한다. 식 6에 의해, 도 5의 스텝 S203에 있어서, 학습 데이터 기인의 예측값의 편차가 최소화되는 범위 내에서, 탐색의 대상이 되는 설계 조건과 과거의 실적 데이터에 있어서의 설계 조건의 차가 최대화된다. 탐색부(13)는, 과거의 실적 데이터와 상이한 새로운 영역을 포함하여 설계 조건을 탐색해도 좋다. 이상에 의해, 탐색부(13)는, 우수한 특성의 예측값을 탐색할 뿐만 아니라, 예측의 확실성을 고려하면서, 지금까지의 설계 조건으로부터 떨어진 방향으로 보다 적극적으로 탐색할 수 있다.
탐색부(13)는, 설계 조건의 소정의 항목의 계수 δi의 값이 커짐으로써, 대응하는 설계 조건에 있어서, 다른 설계 조건보다도 실적 데이터로부터 보다 떨어진 범위를 탐색할 수 있다. 예를 들면, 유저가, 설계 조건으로서 제조 조건보다도 철강 재료의 성분 조성을 종래로부터 크게 변경하여 새로운 설계 조건을 찾고 싶은 경우, 제조 조건에 관한 계수 δi를 작게 하고, 철강 재료의 성분 조성에 관한 계수 δi를 크게 해도 좋다. 예를 들면, 유저가, 설계 조건으로서 철강 재료의 성분 조성보다도 제조 조건을 종래로부터 크게 변경하여 새로운 설계 조건을 찾고 싶은 경우, 철강 재료의 성분 조성에 관한 계수 δi를 작게 하고, 제조 조건에 관한 계수 δi를 크게 해도 좋다.
이상과 같은 제3 실시 형태에 따른 설계 지원 장치(1)에 의하면, 도 5의 스텝 S203에 있어서, 탐색부(13)가 새로운 설계 조건을 보다 적극적으로 탐색한다. 이에 따라, 유저는, 완전히 새로운 특성이 얻어지는 설계 조건을 발견할 수도 있다. 또한, 유저는, 동등한 특성값에 대하여 상이한 설계 조건을 발견할 수 있으면, 설계의 자유도를 증대시킬 수도 있다.
제1 실시 형태 및 제2 실시 형태와 마찬가지로, 각 특성의 목표값 refk에 기초하여, 식 6을 대신하여 이하의 식 8이 채용되어도 좋다.
Figure pct00011
(식 8)
식 8에 의해, 탐색부(13)는, 각 특성의 목표값 refk에 가까울수록 평가가 높고, 또한 예측값의 확실성을 고려한 상태에서, 지금까지 실시하고 있지 않은 설계 조건의 영역을 보다 적극적으로 탐색할 수 있다.
여기에서, 상기의 제3 실시 형태에서는, 제2 실시 형태의 목적 함수에 D(x)를 추가하는 예를 나타냈지만, 그의 변형된 실시 형태로서, 제1 실시 형태의 목적 함수에 D(x)만을 추가해도 마찬가지로 실시 가능하다. 그 경우의 평가 함수는 식 6을 대신하여 이하와 같이 나타난다.
Figure pct00012
(식 9)
이 경우에 있어서는, 도 5의 스텝 S203에 있어서, 최적의 설계 조건을 제약 조건의 범위 내에서 탐색할 때에, 탐색의 대상이 되는 설계 조건과 과거의 실적 데이터에 있어서의 설계 조건의 차가 최대화된다. 이상에 의해, 탐색부(13)는, 우수한 특성의 예측값을 탐색할 뿐만 아니라, 지금까지의 설계 조건으로부터 떨어진 방향으로 보다 적극적으로 탐색할 수 있다. 이 경우, 식 6에 대하여 Vk(x)의 항이 없음으로써, 조건 탐색의 자유도가 높아진다.
또한, 식 8에 대응하는 목적 함수는 이하와 같이 나타난다.
Figure pct00013
(식 10)
식 10에 의해, 탐색부(13)는, 각 특성의 목표값 refk에 가까울수록 평가가 높고, 또한 예측값의 확실성을 고려한 상태에서, 지금까지 실시하고 있지 않은 설계 조건의 영역을 보다 적극적으로 탐색할 수 있다.
상기의 제3 실시 형태에서는, 탐색의 대상이 되는 설계 조건과 과거의 실적 데이터에 있어서의 설계 조건의 차가 최대화된다고 설명했지만, 이에 한정되지 않는다. 도 5의 스텝 S203에 있어서, 탐색의 대상이 되는 설계 조건과 과거의 실적 데이터에 있어서의 설계 조건의 차가 증가하도록 설계 조건이 탐색되어도 좋다. 이 때, 예를 들면 소정의 제2 문턱값이 형성되고, 탐색의 대상이 되는 설계 조건과 과거의 실적 데이터에 있어서의 설계 조건의 차가 당해 소정의 제2 문턱값보다도 커지도록 설계 조건이 탐색되어도 좋다. 소정의 제2 문턱값은, 예를 들면 설계 지원 장치(1) 또는 유저에 의해 적절히 정해지는 값을 포함한다.
(제4 실시 형태)
이하, 본 발명의 제4 실시 형태에 대해서 설명한다. 제4 실시 형태에 따른 설계 지원 장치(1)의 구성 및 기본적인 기능은, 도 1 내지 도 6을 이용하여 설명한 제1 실시 형태에 관한 상기의 내용, 그리고 제2 실시 형태 및 제3 실시 형태에 관한 상기의 내용과 동일하다. 따라서, 제1 실시 형태 내지 제3 실시 형태에 있어서 설명한 대응하는 내용은, 제4 실시 형태에 있어서도 마찬가지로 해당된다. 제1 실시 형태 내지 제3 실시 형태와 동일한 구성에 대해서는 동일한 부호를 붙이고, 설명은 생략한다. 이하에서는, 제1 실시 형태 내지 제3 실시 형태와 상이한 점에 대해서 주로 설명한다. 제4 실시 형태에서는 제1 실시 형태 내지 제3 실시 형태와 상이하고, 도 3에 나타내는 예측 모델에 대한 입력으로서 철강 재료의 금속 조직의 화상 데이터가 이용된다.
금속 조직의 화상 데이터에서는, 철강 재료의 경우, 예를 들면 페라이트, 마르텐사이트 및, 베이나이트 등을 포함하는 금속 조직의 조직 입경 및 조직 분율 등을 설계 지원 장치(1)가 평가할 수 있는 사이즈 및 해상도가 요구된다. 또한, 설계 지원 장치(1)는, 석출물 등의 조직도 평가하는 경우에는, 그에 따른 사이즈 및 해상도가 상이한 화상 데이터를 별도로 사용하여, 복수의 화상 데이터를 처리해도 좋다.
도 7은, 제4 실시 형태에 따른 예측 모델의 개략을 나타내는 도면이다. 도 7에서는, 예측 모델은, 예를 들면 뉴럴 네트워크가 이용된 모델이다.
예측 모델의 예측 정밀도는, 최적의 설계 조건을 탐색하는데에 있어서 중요하다. 제1 실시 형태 내지 제3 실시 형태에서는, 취득부(11)는, 학습 시의 예측 모델의 입력으로서, 도 3에 나타내는 바와 같이, 철강 재료의 성분 조성 및 제조 조건을 취득하지만, 이에 한정되지 않는다. 도 7에 나타내는 바와 같이, 제4 실시 형태에서는, 취득부(11)는, 이들의 설계 조건에 더하여, 학습 시의 예측 모델의 입력에 이용하기 위해, 철강 재료의 금속 조직의 화상 데이터를 추가로 취득해도 좋다. 예측 모델 구축부(12)는, 취득부(11)가 취득한 화상 데이터에도 기초하여 예측 모델을 구축한다. 탐색부(13)는, 당해 예측 모델을 이용하여 설계 조건을 탐색한다.
여기에서, 화상 데이터를 입력으로서 취급하는 경우, 예를 들면 예측 모델 구축부(12)는, 당해 화상 데이터를 소정의 방법으로 정량화한다. 가령, 예측 모델 구축부(12)가 화상의 화소 정보를 벡터로서 취출하여 입력으로 하면, 동일한 특성을 갖는 금속 조직의 화상 데이터라도 화소 정보가 조금이라도 틀리면, 상이한 벡터의 입력값이 얻어진다. 따라서, 학습용의 화상 데이터마다 예측 모델의 파라미터 학습이 부가적으로 발생하여, 학습 효율이 악화된다.
그래서, 예를 들면 예측 모델 구축부(12)는, 합성곱 뉴럴 네트워크를 이용하여, 금속 조직의 화상 데이터를 픽셀수보다도 적은 특징량 벡터로 변환한다. 예측 모델 구축부(12)는, 변환한 특징량 벡터를 예측 모델의 입력값으로 한다. 이상에 의해, 화상 데이터가 저차원의 특징량 벡터로 변환된다. 따라서, 특성값이 유사한 철강 재료의 금속 조직의 화상 데이터는, 동일 또는 유사한 벡터가 되어, 학습 효율이 향상된다.
도 8a는, 화상 데이터와 특징량 벡터의 대응 관계의 제1예를 나타내는 개략도이다. 도 8b는, 화상 데이터와 특징량 벡터의 대응 관계의 제2예를 나타내는 개략도이다. 도 8c는, 화상 데이터와 특징량 벡터의 대응 관계의 제3예를 나타내는 개략도이다. 도 8d는, 화상 데이터와 특징량 벡터의 대응 관계의 제4예를 나타내는 개략도이다. 도 8a 내지 도 8d를 참조하면서, 화상 데이터가 저차원의 특징량 벡터로 변환될 때의 구체예에 대해서 주로 설명한다.
예를 들면, 도 8a에 나타내는 바와 같은 제1 화상 데이터가 얻어지면, 예측 모델 구축부(12)는, 합성곱 뉴럴 네트워크를 이용하여, 금속 조직의 제1 화상 데이터를 픽셀수보다도 적은 제1 특징량 벡터(0.11, 0.47, 0.94, 0.83)로 변환한다.
예를 들면, 도 8b에 나타내는 제2 화상 데이터가 얻어지면, 예측 모델 구축부(12)는, 합성곱 뉴럴 네트워크를 이용하여, 금속 조직의 제2 화상 데이터를 픽셀수보다도 적은 제2 특징량 벡터(0.10, 0.31, 0.54, 0.89)로 변환한다.
예를 들면, 도 8c에 나타내는 바와 같은 제3 화상 데이터가 얻어지면, 예측 모델 구축부(12)는, 합성곱 뉴럴 네트워크를 이용하여, 금속 조직의 제3 화상 데이터를 픽셀수보다도 적은 제3 특징량 벡터(0.56, 0.91, 0.35, 0.92)로 변환한다.
예를 들면, 도 8d에 나타내는 바와 같은 제4 화상 데이터가 얻어지면, 예측 모델 구축부(12)는, 합성곱 뉴럴 네트워크를 이용하여, 금속 조직의 제4 화상 데이터를 픽셀수보다도 적은 제4 특징량 벡터(0.41, 0.91, 0.38, 0.20)로 변환한다.
도 8a 내지 도 8d에서는, 4개의 금속 조직의 화상 데이터가 나타나 있지만, 예측 모델에 대한 입력으로서 이용되는 금속 조직의 화상 데이터의 수는, 임의의 수라도 좋다. 도 8a 내지 도 8d에서는, 각 특징량 벡터에 대하여 4개의 요소가 나타나 있지만, 특징량 벡터의 요소의 수는, 임의의 수라도 좋다.
도 7의 2점 쇄선 포위부로 나타내는 바와 같이, 예측 모델 구축부(12)는, 학습 시의 입력으로서, 철강 재료의 성분 조성 및 제조 조건에 더하여 금속 조직의 화상 데이터를 이용하고, 또한 출력으로서 특성값을 이용하여, 합성곱 뉴럴 네트워크 부분도 포함하여 동시에 학습을 행한다. 한편으로, 도 7의 파선 포위부로 나타내는 바와 같이, 예를 들면 탐색부(13)는, 설계 조건의 탐색 시에는, 합성곱 뉴럴 네트 부분을 제외한 모델을 이용한다. 이 때, 탐색부(13)가 탐색하는 설계 조건에는, 화상 데이터가 아니라 상기의 특징량 벡터가 포함된다.
도 9는, 특징량 벡터를 화상 데이터로 변환하는 방법의 일 예를 나타내는 개략도이다. 탐색부(13)에 의한 탐색에 의해 얻어진 특징량 벡터는, 예를 들면 이하의 방법에 의해 화상 데이터로 변환되어도 좋다. 예를 들면, 탐색부(13)는, 학습 완료의 모델에 학습용의 화상 데이터를 입력했을 때의 특징량 벡터를, 도 8a 내지 도 8d와 마찬가지로 계산한다. 탐색부(13)는, 화상 데이터와 특징량 벡터를 관련지은 데이터를 임의의 기억 장치에 격납한다. 탐색부(13)는, 기억 장치를 참조하면서, 기억된 특징량 벡터 중에서 탐색에 의해 얻어진 설계 조건에 포함되는 특징량 벡터에 근사한 것을 선택한다.
예를 들면, 탐색부(13)는, 탐색에 의해 얻어진 설계 조건에 포함되는 특징량 벡터로서, (0.40, 0.90, 0, 40, 0.20)을 얻는다. 이 때, 탐색부(13)는, 기억 장치를 참조하면서, 기억된 특징량 벡터 중에서 특징량 벡터(0.40, 0.90, 0, 40, 0.20)에 근사한 제4 특징량 벡터(0.41, 0.91, 0.38, 0.20)를 선택한다. 탐색부(13)는, 기억 장치를 참조하면서, 선택한 제4 특징량 벡터와 대응하는 금속 조직의 제4 화상 데이터를 설계 조건으로 하여 제시부(14)에 출력한다.
이상과 같은 제4 실시 형태에 따른 설계 지원 장치(1)에 의하면, 도 5의 스텝 S203에 있어서, 탐색된 설계 조건은, 철강 재료의 금속 조직의 화상 데이터에 기초하는 특징량 벡터를 포함한다. 설계 지원 장치(1)는, 이와 같이 금속 조직의 화상 데이터를 이용함으로써, 철강 재료의 성분 조성 및 제조 조건과는 상이한, 금속 조직의 화상 데이터에 특유의 설계 조건을 취득할 수 있다. 따라서, 예측 모델의 예측 정밀도가 향상된다.
이 때, 유저는, 이러한 화상 데이터로부터 금속 조직에 관한 어떠한 파라미터가 얻어지는지를 교사 데이터로서 설계 지원 장치(1)에 입력할 필요는 없다. 설계 지원 장치(1)는, 금속 조직의 화상 데이터의 차이를 특징량 벡터의 차로서 표현할 수 있기 때문에, 그의 차이가 금속 조직에 관한 어떠한 파라미터에 기인하는 것인지를 구체적으로 특정하고 있지 않아도, 그러한 차이를 출력의 특성값에 반영시킬 수 있다.
(실시예)
이하, 자동차용 냉연 강판에 대한 철강 재료의 설계의 예를, 주로 전술의 제3 실시 형태에 기초하여 나타낸다. 본 실시예에서는 철강 재료의 특성으로서 인장 강도가 선택되고, 소망의 특성값로서 인장 강도의 최대값을 포함하는 설계 조건이 탐색되었다.
표 4는 특성에 영향을 주는 철강 재료의 성분 조성(단위: 질량％)의 예, 표 5는 특성에 영향을 주는 제조 조건의 예, 표 6은 특성의 종류 및 특성값의 예를 나타낸다. 표 4, 표 5, 표 6의 실적 데이터 항목을 취득하고, 이러한 실적 데이터를 이용하여 기계 학습을 행함으로써, 설계 조건을 입력으로 하고, 특성을 출력으로 하는 예측 모델을 구축했다.
Figure pct00014
Figure pct00015
Figure pct00016
본 실시예에서는 학습용 데이터 500건을 이용하여, 뉴럴 네트워크로 불리는 기계 학습 수법을 이용하여, 특성으로서 인장 강도를 예측하는 예측 모델을 작성했다. 도 10은, 인장 강도의 실적값 및 예측값에 따른 산포도를 나타낸다. 산포도의 가로축은 인장 강도의 실적값이고, 세로축이 인장 강도의 예측값이다. 뉴럴 네트워크의 숨겨진 층은 1층으로 하고, 그의 노드수는 15개였다. 각 설명 변수의 수치는 표준화되어 있다. 예측 정밀도는 RMSE(Root Mean Square Error)로 71.94였다.
표 7은, 설계 조건을 탐색할 때에 이용하는 설계 조건의 제약 조건을 나타낸다.
Figure pct00017
표 7을 참조하면, 제약 조건은, 철강 재료의 성분 조성의 범위 및 제조 조건의 범위를 포함하고 있다. 이들에 더하여, 제약 조건은, 제조 프로세스에 있어서의 상이한 공정 간에 발생하는 강판의 물리량의 변화와 모순되지 않는 것을 보증하는 조건을 포함해도 좋다. 예를 들면, 제약 조건은, 가열 온도＞마무리 압연 온도＞권취 온도라는 조건을 포함해도 좋다.
표 8은, 설계 조건을 탐색할 때에 이용하는 특성값의 제약 조건을 나타낸다.
Figure pct00018
이상에 의해, 학습 완료의 예측 모델 및, 제약 조건(F, Lk, Uk)이 취득되었기 때문에, 설계 지원 장치(1)는, 제3 실시 형태의 식 6 및 식 7에 나타내는 바와 같은 최적화 문제로서 최적의 설계 조건을 탐색하여, 우수한 특성값에 대응하는 설계 조건을 얻었다. 설계 지원 장치(1)는, 탐색의 알고리즘으로서 군지능의 입자군 최적화를 이용했다. 입자의 수는 1000개, 해의 갱신은 500회로 했다. 또한, 최적화 문제의 각 가중치 계수는 α＝1, β＝6.0, γ＝0.5로 했다. V(x)의 계산에 사용하는 모델은 50개로 하고, 학습용 데이터의 80％를 랜덤으로 선택하여 학습에 사용했다. 또한, 식 7의 D(x) 중의 δi에 대해서, 철강 재료의 성분 조성의 설계 조건에 따른 δi는 1, 제조 조건에 따른 δi는 0으로 했다. 여기에서, D(x)의 계산에는 표준화 처리한 값을 이용했다.
표 9는, 설계 지원 장치(1)에 의해 탐색된 설계 조건을 나타낸다. 당해 설계 조건에서의 인장 강도는 1545㎫이고, 실적 데이터에서는 최대 인장 강도가 1498㎫인 점에서, 인장 강도가 보다 높은 새로운 탐색 영역에 포함되는 신규의 설계 조건이 발견된 것이 된다.
Figure pct00019
표 10은, 제1 실시 형태 및 제2 실시 형태에서도 마찬가지로 최적화 문제를 풀었을 때의 결과와, 제3 실시 형태에서의 상기의 결과를 비교한 표이다. 제1 실시 형태에서는 α＝1로 했다. 제2 실시 형태에서는 α＝1, β＝6.0으로 했다. 제약 조건 및 입자군 최적화의 각 파라미터는 상기의 제3 실시 형태의 경우와 마찬가지이다.
Figure pct00020
제1 실시 형태에서는, 높은 인장 강도에 대응하는 설계 조건을 탐색하고자 하면, 특성의 예측값의 편차가 커지는 경향이 있어, 인장 강도의 실적값이 예측값과 상이할 리스크가 크다. 한편으로, 제2 실시 형태에서는, 예측값의 편차를 고려하고 있지 않은 제1 실시 형태와 비교하여, 예측값의 편차가 보다 적은 설계 조건이 탐색되고 있다. 또한, 제3 실시 형태에서는, 예측값의 편차가 작게 억제되고, 또한, 제2 실시 형태와 비교하여 실적 데이터로부터 보다 떨어진 탐색 영역에 있어서의 설계 조건을 탐색할 수 있는 것을 알 수 있다.
본 발명을 제도면 및 실시 형태에 기초하여 설명해 왔지만, 당업자이면 본 발명에 기초하여 여러 가지의 변형 및 수정을 행하는 것이 용이한 것에 주의해야 한다. 따라서, 이들 변형 및 수정은 본 발명의 범위에 포함되는 것에 유의해야 한다. 예를 들면, 각 수단, 각 스텝 등에 포함되는 기능 등은 논리적으로 모순되지 않도록 재배치 가능하고, 복수의 수단 및 스텝 등을 1개로 조합합거나, 혹은 분할하거나 하는 것이 가능하다.
예를 들면, 본 발명은, 전술한 설계 지원 장치(1)의 각 기능을 실현하는 처리 내용을 서술한 프로그램 또는 프로그램을 기록한 기억 매체로서도 실현될 수 있다. 본 발명의 범위에는, 이들도 포함된다고 이해되어야 한다.
1 : 설계 지원 장치
11 : 취득부
12 : 예측 모델 구축부
13 : 탐색부
14 : 제시부

Claims (7)

  1. 소망의 특성을 갖는 금속 재료의 설계를 계산기에 의해 지원하는 설계 지원 방법으로서,
    상기 금속 재료의 성분 조성 및 제조 조건을 포함하는 설계 조건과 상기 금속 재료의 특성값을 관련지은 과거의 실적 데이터에 기초하여 구축되고, 상기 설계 조건으로부터 상기 특성값을 예측하는 예측 모델을 이용하여, 상기 소망의 특성이 얻어지는 상기 설계 조건을 탐색하는 탐색 스텝과,
    상기 탐색 스텝에 의해 탐색된, 상기 소망의 특성에 대응하는 상기 설계 조건 중, 적어도 성분 조성 및 제조 조건을 제시하는 제시 스텝
    을 포함하고,
    상기 탐색 스텝에 있어서, 상이한 복수의 학습 데이터 세트에 기초하는 복수의 예측값의 편차가 저감하도록 상기 설계 조건을 탐색하는,
    설계 지원 방법.
  2. 제1항에 있어서,
    상기 성분 조성의 범위 및, 상기 제조 조건의 범위를 포함하는 제약 조건을 입력 정보로서 취득하는 취득 스텝을 포함하고,
    상기 탐색 스텝에 있어서, 상기 소망의 특성에 대응하는 상기 설계 조건은 상기 제약 조건을 충족하는,
    설계 지원 방법.
  3. 제1항 또는 제2항에 있어서,
    상기 탐색 스텝에 있어서, 탐색의 대상이 되는 상기 설계 조건과 상기 과거의 실적 데이터에 있어서의 상기 설계 조건의 차가 증가하도록, 상기 과거의 실적 데이터와 상이한 새로운 영역을 포함하여 상기 설계 조건을 탐색하는,
    설계 지원 방법.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 설계 조건은, 상기 금속 재료의 금속 조직의 화상 데이터에 기초하는 특징량 벡터를 포함하고,
    상기 탐색 스텝에 있어서, 탐색된 상기 설계 조건은, 상기 특징량 벡터를 포함하는,
    설계 지원 방법.
  5. 제1항 내지 제4항 중 어느 한 항에 기재된 설계 지원 방법에 이용되는 상기 예측 모델의 생성 방법으로서,
    상기 설계 조건과 상기 특성값을 관련지은 상기 과거의 실적 데이터를 취득하는 취득 스텝과,
    당해 취득 스텝에 의해 취득된 상기 과거의 실적 데이터에 기초하여, 상기 설계 조건으로부터 상기 특성값을 예측하는 상기 예측 모델을 구축하는 구축 스텝
    을 포함하는,
    예측 모델의 생성 방법.
  6. 제1항 내지 제4항 중 어느 한 항에 기재된 설계 지원 방법에 의해 탐색된 상기 설계 조건에 기초하여 상기 금속 재료를 제조하는 스텝을 포함하는,
    금속 재료의 제조 방법.
  7. 소망의 특성을 갖는 금속 재료의 설계를 지원하는 설계 지원 장치로서,
    상기 금속 재료의 성분 조성 및 제조 조건을 포함하는 설계 조건과 상기 금속 재료의 특성값을 관련지은 과거의 실적 데이터에 기초하여 구축되고, 상기 설계 조건으로부터 상기 특성값을 예측하는 예측 모델을 이용하여, 상기 소망의 특성이 얻어지는 상기 설계 조건을 탐색하는 탐색부와,
    상기 탐색부에 의해 탐색된, 상기 소망의 특성에 대응하는 상기 설계 조건 중, 적어도 성분 조성 및 제조 조건을 제시하는 제시부
    를 구비하고,
    상기 탐색부는, 상이한 복수의 학습 데이터 세트에 기초하는 복수의 예측값의 편차가 저감되도록 상기 설계 조건을 탐색하는,
    설계 지원 장치.
KR1020217025687A 2019-01-21 2019-12-02 금속 재료의 설계 지원 방법, 예측 모델의 생성 방법, 금속 재료의 제조 방법 및, 설계 지원 장치 KR102674519B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
PCT/JP2019/001675 WO2020152750A1 (ja) 2019-01-21 2019-01-21 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置
JPPCT/JP2019/001675 2019-01-21
PCT/JP2019/047091 WO2020152993A1 (ja) 2019-01-21 2019-12-02 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置

Publications (2)

Publication Number Publication Date
KR20210114993A true KR20210114993A (ko) 2021-09-24
KR102674519B1 KR102674519B1 (ko) 2024-06-11

Family

ID=

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011103036A (ja) 2009-11-10 2011-05-26 Hitachi Ltd 設計モデル活用型設計探査方法及び装置
KR20180062398A (ko) 2016-11-30 2018-06-08 가부시키가이샤 다이후쿠 검사 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011103036A (ja) 2009-11-10 2011-05-26 Hitachi Ltd 設計モデル活用型設計探査方法及び装置
KR20180062398A (ko) 2016-11-30 2018-06-08 가부시키가이샤 다이후쿠 검사 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
타케다 세이지 등 「AI에 의한 신물질 탐색 수법」2018년도 인공지능학회 전국대회(제32회) 3E1-02

Also Published As

Publication number Publication date
BR112021014096A2 (pt) 2021-09-21
JPWO2020152993A1 (ja) 2021-02-18
WO2020152750A1 (ja) 2020-07-30
MX2021008722A (es) 2021-08-24
CN113330468A (zh) 2021-08-31
WO2020152993A1 (ja) 2020-07-30
JP7028316B2 (ja) 2022-03-02
EP3916651A1 (en) 2021-12-01
EP3916651A4 (en) 2022-04-06
US20220100932A1 (en) 2022-03-31

Similar Documents

Publication Publication Date Title
JP7028316B2 (ja) 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置
CN108676955B (zh) 一种转炉炼钢终点碳含量和温度控制方法
Zhang et al. Backtracking Search Algorithm with three constraint handling methods for constrained optimization problems
JP6976456B2 (ja) 材料設計装置、材料設計方法、及び材料設計プログラム
Wang et al. Applying input variables selection technique on input weighted support vector machine modeling for BOF endpoint prediction
KR101011546B1 (ko) 예측식 작성장치 및 예측식 작성방법
Cui et al. An improved Lagrangian relaxation approach to scheduling steelmaking-continuous casting process
CN106802977A (zh) 一种用于烧结矿性能指标预测及综合质量评价方法
JP2022528657A (ja) 多目的原油混合用オンライン最適化方法
Wang et al. Strip hardness prediction in continuous annealing using multiobjective sparse nonlinear ensemble learning with evolutionary feature selection
CN113128124A (zh) 基于改进神经网络的多牌号C-Mn钢力学性能预测方法
WO2020148918A1 (ja) 金属材料の設計支援方法及び設計支援装置
KR102674519B1 (ko) 금속 재료의 설계 지원 방법, 예측 모델의 생성 방법, 금속 재료의 제조 방법 및, 설계 지원 장치
CN115456264B (zh) 一种中小型转炉的终点碳含量和终点温度预测方法
Tian et al. Application of genetic algorithm combined with BP neural network in soft sensor of molten steel temperature
Zhang et al. Deep learning-based prediction framework of temperature control time for wide-thick slab hot rolling production
Peet et al. Neural network modelling of hot deformation of austenite
Jun et al. Prediction of hot metal temperature based on data mining
JP2022014876A (ja) 厚鋼板の製造仕様決定支援装置および製造仕様探索方法、コンピュータプログラム、コンピュータ読み取り可能な記録媒体ならびに厚鋼板の製造方法
CN116127345B (zh) 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法
Ban et al. Multiobjective Operation Optimization of Reheating Furnace based on Data Analytics
Han et al. Case based reasoning for converter steelmaking dynamic oxygen volume control
Liu et al. Application of XGBoost and kernel principal component analysis to forecast oxygen content in ESR
Shi et al. Process metallurgy and data-driven prediction and feedback of blast furnace heat indicators
Yang et al. Prediction on molten steel end temperature during tapping in BOF based on LS-SVM and PSO

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right