KR20230021585A - 데이터베이스, 재료 데이터 처리 시스템 및 데이터베이스의 작성 방법 - Google Patents
데이터베이스, 재료 데이터 처리 시스템 및 데이터베이스의 작성 방법 Download PDFInfo
- Publication number
- KR20230021585A KR20230021585A KR1020220089326A KR20220089326A KR20230021585A KR 20230021585 A KR20230021585 A KR 20230021585A KR 1020220089326 A KR1020220089326 A KR 1020220089326A KR 20220089326 A KR20220089326 A KR 20220089326A KR 20230021585 A KR20230021585 A KR 20230021585A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- database
- data processing
- composition
- variable
- Prior art date
Links
- 239000000463 material Substances 0.000 title claims abstract description 209
- 238000000034 method Methods 0.000 title claims abstract description 108
- 238000012545 processing Methods 0.000 title claims description 156
- 239000000203 mixture Substances 0.000 claims abstract description 92
- 230000008569 process Effects 0.000 claims abstract description 78
- 230000005415 magnetization Effects 0.000 claims abstract description 59
- 230000005291 magnetic effect Effects 0.000 claims description 67
- 238000013178 mathematical model Methods 0.000 claims description 58
- 230000007704 transition Effects 0.000 claims description 46
- 238000003860 storage Methods 0.000 claims description 21
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 239000013078 crystal Substances 0.000 claims description 16
- 238000010438 heat treatment Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 15
- 230000008520 organization Effects 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 7
- 230000004907 flux Effects 0.000 claims description 5
- 230000035699 permeability Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 8
- 239000000523 sample Substances 0.000 description 81
- 238000005259 measurement Methods 0.000 description 61
- 238000010586 diagram Methods 0.000 description 28
- 238000004364 calculation method Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 150000001875 compounds Chemical class 0.000 description 11
- 238000002411 thermogravimetry Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 10
- 238000002441 X-ray diffraction Methods 0.000 description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 239000000696 magnetic material Substances 0.000 description 7
- 230000007423 decrease Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 229910045601 alloy Inorganic materials 0.000 description 5
- 239000000956 alloy Substances 0.000 description 5
- 238000000550 scanning electron microscopy energy dispersive X-ray spectroscopy Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 230000005307 ferromagnetism Effects 0.000 description 4
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 3
- 238000004455 differential thermal analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000005294 ferromagnetic effect Effects 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 239000011261 inert gas Substances 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 239000013077 target material Substances 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 229910010293 ceramic material Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 238000002149 energy-dispersive X-ray emission spectroscopy Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 230000001590 oxidative effect Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 239000011802 pulverized particle Substances 0.000 description 2
- 229910052761 rare earth metal Inorganic materials 0.000 description 2
- 150000002910 rare earth metals Chemical class 0.000 description 2
- 239000013074 reference sample Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 229910000859 α-Fe Inorganic materials 0.000 description 2
- 238000007088 Archimedes method Methods 0.000 description 1
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910020599 Co 3 O 4 Inorganic materials 0.000 description 1
- 229910000640 Fe alloy Inorganic materials 0.000 description 1
- 238000003991 Rietveld refinement Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 229910001566 austenite Inorganic materials 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000113 differential scanning calorimetry Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910001172 neodymium magnet Inorganic materials 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000002907 paramagnetic material Substances 0.000 description 1
- 230000005408 paramagnetism Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 229910052596 spinel Inorganic materials 0.000 description 1
- 239000011029 spinel Substances 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005979 thermal decomposition reaction Methods 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/14—Details of searching files based on file metadata
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2291—User-Defined Types; Storage management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
재료 조직에 관한 데이터의 질의 변동을 억제하고, 정보 과학을 이용한 신 재료·대체 재료의 개발에 이바지하는 데이터베이스를 제공한다.
개개의 시료에 고유한 식별자가 연관지어진 데이터를 저장하는 데이터베이스이며, 데이터는, 개개의 시료에 있어서의 조성 데이터, 프로세스 데이터 및 특성 데이터의 적어도 하나를 나타내는 제1 데이터와, 개개의 시료에 있어서의 조직 데이터를 나타내는 제2 데이터를 포함한다. 조직 데이터는, 개개의 시료에 있어서의 자화 온도 의존성에 기초하는 특징량을 포함하고 있다.
개개의 시료에 고유한 식별자가 연관지어진 데이터를 저장하는 데이터베이스이며, 데이터는, 개개의 시료에 있어서의 조성 데이터, 프로세스 데이터 및 특성 데이터의 적어도 하나를 나타내는 제1 데이터와, 개개의 시료에 있어서의 조직 데이터를 나타내는 제2 데이터를 포함한다. 조직 데이터는, 개개의 시료에 있어서의 자화 온도 의존성에 기초하는 특징량을 포함하고 있다.
Description
본 개시는, 데이터베이스, 재료 데이터 처리 시스템 및 데이터베이스의 작성 방법에 관한 것이다.
재료 개발의 분야에서는, 원하는 재료 특성을 실현하기 위해서, 재료의 조성 및 제작 조건을 이론적 예측 및 실험에 기초하여 적정화하는 것이 행하여져 왔다. 종래, 이러한 조성·제작 조건의 적정화는, 재료 개발자의 경험에 의존하는 경우가 많았다. 그러나, 재료의 고성능화가 진전함에 수반하여 재료를 구성하는 원소의 종류가 증가하고, 조직이 복잡화했기 때문에, 원하는 재료 특성을 얻기 위하여 필요한 실험 횟수가 증가하여, 재료 개발에 요하는 시간, 노동력, 비용의 증가가 현저해져 왔다.
이들의 과제에 비해, 데이터 마이닝 등의 정보 과학을 이용하여 신 재료나 대체 재료를 효율적으로 탐색하는 머티리얼즈 인포메틱스(Materials Informatics)가 주목받고 있다. 또한, 일본에서는, 머티리얼즈 인티그레이션(Materials Integration)에 의한 재료 개발이 검토되고 있다. 머티리얼즈 인티그레이션이란, 재료 과학의 성과에, 이론, 실험, 해석, 시뮬레이션, 데이터베이스 등의 과학 기술을 융합하여, 재료의 연구 개발을 지원하는 것을 목표로 하는 종합적인 재료 기술 툴이라고 정의된다.
특허문헌 1은, 복수의 조성으로 이루어지는 재료, 또는, 복수의 제조 조건의 조합에 의해 제조되는 재료를 포함하는 설계 대상 재료를 설계하기 위한 재료 설계 장치를 개시하고 있다. 이 장치는, 설계 대상 재료의 설계 조건을 포함하는 입력 정보와 재료 특성값을 포함하는 출력 정보의 대응 관계를 기계 학습에 의해 취득한 학습 완료 모델을 이용하고 있다.
비특허문헌 1은, 재료의 조성 및 재료의 제조 조건(프로세스)에 기초하여, 재료의 조직 및 특성을 예측하고, 거기에서 또한 재료의 성능을 예측하는 시스템을 기재하고 있다. 이 시스템에는, 재료에 관한 「조성」, 「프로세스」, 「조직」 및 「특성」 등의 일련의 데이터와, 데이터를 보충하는 메타데이터가 저장된다.
고세키 도시히코 「재료 데이터와 머티리얼즈 인티그레이션」 정보 관리 Vol.59, No.3, p.165(2016).
특허문헌 1에 기재되어 있는 장치에서는, 재료의 「조성」 및 「프로세스」로부터 재료의 「특성」을 예측하기 위한 모델이 제작된다. 비특허문헌 1은, 재료의 「특성」이 재료의 「조성」과 재료의 「조직」에 의해 결정되는 것에 착안하고, 재료의 「조직」의 데이터를 「프로세스」 및 「특성」의 데이터와 조합하여 이용하는 것을 기재하고 있다. 재료의 「조직」에 관한 데이터는, 상세히 후술하는 것처럼, 예를 들어 X선 회절법, 광학 현미경 또는 주사 전자 현미경을 사용한 측정·관찰에 의해 얻어진다.
그러나, 이러한 「조직」에 관한 데이터에는, 조직을 측정·관찰하는 사람의 기능에 크게 의존하여 데이터의 신뢰성이 크게 변동한다는 과제와, 대량의 데이터를 기계적으로 취득하는 것이 어렵다는 과제가 있다.
본 개시의 실시 형태는, 상기의 과제를 해결하는 것이 가능한 데이터베이스, 재료 데이터 처리 시스템 및 데이터베이스의 작성 방법을 제공한다.
본 개시의 데이터베이스는, 비한정적으로 예시적인 양태에 있어서, 개개의 시료에 고유한 식별자가 연관지어진 데이터를 저장하는 데이터베이스이며, 상기 데이터는, 상기 개개의 시료에 있어서의 조성 데이터, 프로세스 데이터 및 특성 데이터의 적어도 하나를 나타내는 제1 데이터와, 상기 개개의 시료에 있어서의 조직 데이터를 나타내는 제2 데이터를 포함한다. 상기 조직 데이터는, 상기 개개의 시료에 있어서의 자화 온도 의존성에 기초하는 특징량을 포함하고 있다.
한 실시 형태에 있어서, 상기 자화 온도 의존성에 기초하는 특징량은, 자기 상전이에 관한 특징량이다.
한 실시 형태에 있어서, 상기 자기 상전이에 관한 특징량은, 퀴리 온도 및 네엘 온도의 적어도 한쪽을 포함한다.
한 실시 형태에 있어서, 상기 제1 데이터는, 상기 조성 데이터로서, 상기 개개의 시료에 포함되는 원소의 종류 및 상기 원소의 조성 비율을 포함하고, 상기 프로세스 데이터로서, 상기 개개의 시료를 제조하는 공정에서 실행된 열처리 조건을 규정하는 파라미터를 포함한다.
한 실시 형태에 있어서, 상기 제1 데이터는, 상기 특성 데이터로서, 상기 개개의 잔류 자속 밀도, 보자력, 포화 자화 및 투자율의 적어도 하나를 포함한다.
한 실시 형태에 있어서, 상기 제2 데이터는, 상기 조직 데이터로서, 상기 개개의 시료에 포함되는 주상의 결정 구조를 규정하는 파라미터를 포함한다.
본 개시의 재료 데이터 처리 시스템은, 비한정적으로 예시적인 양태에 있어서, 상기의 적어도 하나의 데이터베이스와, 상기 데이터베이스에 액세스하여 저장되어 있는 상기 데이터를 읽어낼 수 있는 데이터 처리 장치를 구비하고, 상기 데이터 처리 장치는, 재료의 자화 온도 의존성에 기초하는 특징량을 포함하는 조직의 변수의 입력을 받아, 상기 재료의 특성을 규정하는 변수, 상기 재료의 조성을 규정하는 변수, 및/또는, 상기 재료의 프로세스를 규정하는 변수를 출력한다.
본 개시의 다른 재료 데이터 처리 시스템은, 비한정적으로 예시적인 양태에 있어서, 상기의 적어도 하나의 데이터베이스와, 상기 데이터베이스에 액세스하여 저장되어 있는 상기 데이터를 읽어낼 수 있는 데이터 처리 장치를 구비하고, 상기 데이터 처리 장치는, 재료의 특성을 규정하는 변수의 입력을 받아, 상기 재료의 자화 온도 의존성에 기초하는 특징량을 포함하는 조직의 변수를 출력한다.
본 개시의 또 다른 재료 데이터 처리 시스템은, 비한정적으로 예시적인 양태에 있어서, 상기의 적어도 하나의 데이터베이스와, 상기 데이터베이스에 액세스하여 저장되어 있는 상기 데이터를 읽어낼 수 있는 데이터 처리 장치를 구비하고, 상기 데이터 처리 장치는, 재료의 조성을 규정하는 변수 및/또는 프로세스를 규정하는 변수의 입력을 받아, 상기 재료의 자화 온도 의존성에 기초하는 특징량을 포함하는 조직의 변수를 출력한다.
한 실시 형태에 있어서, 상기 데이터 처리 장치는, 상기 데이터베이스에 저장되어 있는 상기 데이터에 기초하는 수리 모델에 기초하여, 상기 설명 변수의 입력값으로부터 상기 목적 변수의 출력값을 산출하고, 상기 수리 모델은, 상기 조직을 규정하는 설명 변수로서 상기 자화 온도 의존성에 기초하는 특징량을 포함하고, 또한, 목적 변수로서 상기 조성, 프로세스 및 성능의 적어도 하나를 포함한다.
한 실시 형태에 있어서, 상기 데이터 처리 장치는, 상기 데이터베이스에 저장되어 있는 상기 데이터에 기초하는 수리 모델에 기초하여, 목적 변수의 입력값으로부터 설명 변수의 출력값을 산출하고, 상기 수리 모델은, 상기 조직을 규정하는 설명 변수로서 상기 자화 온도 의존성에 기초하는 특징량을 포함하고, 또한, 목적 변수로서 상기 조성, 프로세스 및 특성의 적어도 하나를 포함한다.
본 개시의 또 다른 재료 데이터 처리 시스템은, 비한정적으로 예시적인 양태에 있어서, 상기의 적어도 하나의 데이터베이스와, 상기 데이터베이스에 액세스하여 저장되어 있는 상기 데이터를 읽어낼 수 있는 데이터 처리 장치를 구비하고, 상기 데이터 처리 장치는, 목적 변수인 상기 제1 데이터의 상기 조성 데이터, 상기 프로세스 데이터 및 상기 특성 데이터의 적어도 하나로부터 규정되는 제1 변수와, 설명 변수인 상기 제2 데이터의 상기 자화 온도 의존성에 기초하는 특징량을 포함하는 상기 조직 데이터로부터 규정되는 제2 변수에 기초하여 수리 모델을 생성하는 수리 모델 설정부를 갖는다.
본 개시의 또 다른 재료 데이터 처리 시스템은, 비한정적으로 예시적인 양태에 있어서, 입력값으로부터 수리 모델에 기초하여 출력값을 생성하여 출력하는 재료 데이터 처리 시스템이며, 상기 수리 모델은, 재료의 조성 데이터, 프로세스 데이터 및 특성 데이터의 적어도 하나로부터 규정되는 제1 변수와, 조직 데이터로부터 규정되는 제2 변수를 포함하고, 상기 제2 변수는, 자화 온도 의존성에 기초하는 특징량을 포함한다.
한 실시 형태에 있어서, 프로세서와, 상기 프로세서에 접속되어, 상기 프로세서의 동작을 규정하는 프로그램을 기억하는 메모리를 구비하고, 상기 프로세서는, 상기 프로그램에 따라서 상기 수리 모델에 기초하는 연산을 실행하고, 상기 재료의 조성, 프로세스, 특성 및 조직을 규정하는 적어도 하나의 변수인 상기 입력값으로부터, 상기 재료의 조성, 프로세스, 특성 및 조직을 규정하는 적어도 하나의 변수인 상기 출력값을 구한다.
본 개시의 데이터베이스의 작성 방법은, 비한정적으로 예시적인 양태에 있어서, 개개의 시료에 고유한 식별자에 연관지어진 데이터이며, 상기 개개의 시료에 대하여 취득된 조성, 프로세스 및 특성의 적어도 하나의 데이터 및 상기 개개의 시료에 대하여 취득된 조직의 데이터를 수집하는 스텝과, 수집한 상기 데이터를 기억 장치에 기억시키는 스텝을 포함하고, 상기 데이터가, 상기 시료에 대하여 취득된 자화 온도 의존성에 기초하는 특징량을 포함하는 경우, 상기 특징량을, 적어도 상기 조직이 데이터로서 상기 식별자에 관련짓는다.
본 개시의 실시 형태에 따르면, 조직에 관한 데이터의 취득이 용이해지고, 데이터를 채취하는 자의 기능에 의해 데이터의 질이 변동하는 것이 억제될 수 있다. 또한, 기계적으로 데이터를 취득하는 것도 가능해진다.
도 1은, 본 개시에 의한 데이터베이스에 등록되는 데이터의 종류를 설명하기 위한 모식도이다.
도 2는, 시료 측정부에 자장 구배를 부여한 TG(Thermogravity) 측정 장치의 일례를 도시하는 모식도이다.
도 3은, 본 개시의 실시 형태에 있어서의 재료 데이터 처리 시스템의 구성예를 모식적으로 도시하는 도면이다.
도 4는, 데이터 처리 장치(200)의 하드웨어 구성예를 도시하는 블록도이다.
도 5는, 클라우드 서버(300)가 데이터베이스(100)를 구비하는 구성예를 도시하는 블록도이다.
도 6은, 복수의 데이터베이스(100)와, 복수의 데이터 처리 장치(200)를 구비하는 재료 데이터 처리 시스템(1000)의 예를 모식적으로 도시하는 도면이다.
도 7a는, 열중량 측정 장치의 온도 프로파일(파선) 및 측정값(실선)을 나타내는 그래프의 예이다.
도 7b는, 도 7a의 측정 데이터에 기초하는, TG 측정값의 온도 의존성의 예를 나타내는 그래프이다.
도 7c는, 도 7b에 도시되는 TG 측정값의 곡선 온도에서의 1계 미분을 나타내는 그래프이다.
도 8a는, 제조 프로세스 중 열처리 조건이 다른 Y3.1Sm5.3Fe69.2Co13.9Ti4.1Cu4.5 합금 시료에 대해서, TG 측정값을 온도로 미분한 값의 온도 의존성을 나타내는 그래프이다.
도 8b는, 종축이 화살표 D의 피크가 발생하는 온도(ThMn12형 화합물상의 퀴리 온도 TC), 횡축이 열처리 온도의 그래프이다.
도 9a는, 본 개시의 실시 형태에 있어서의 데이터베이스에 등록하는 항목을 나타내는 테이블의 일부의 예를 도시하는 도면이다.
도 9b는, 본 개시의 실시 형태에 있어서의 데이터베이스에 등록하는 항목을 나타내는 테이블의 일부의 예를 도시하는 도면이다.
도 9c는, 본 개시의 실시 형태에 있어서의 데이터베이스에 등록하는 항목을 나타내는 테이블의 일부의 예를 도시하는 도면이다.
도 9d는, 본 개시의 실시 형태에 있어서의 데이터베이스에 등록하는 항목을 나타내는 테이블의 일부의 예를 도시하는 도면이다.
도 10은, 본 개시의 실시 형태에 있어서의 데이터베이스에 각종 데이터를 등록하는 처리의 예를 모식적으로 도시하는 도면이다.
도 11은, 본 개시의 실시 형태에 있어서의 재료 데이터 처리 시스템의 기본적인 구성예를 모식적으로 도시하는 도면이다.
도 12는, 본 개시의 실시 형태에 의한 재료 데이터 처리 시스템의 제1 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다.
도 13은, 본 개시의 실시 형태에 의한 재료 데이터 처리 시스템의 제2 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다.
도 14는, 본 개시의 실시 형태에 의한 재료 데이터 처리 시스템의 제3 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다.
도 15는, 본 개시의 실시 형태에 의한 재료 데이터 처리 시스템의 제4 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다.
도 16은, 본 개시의 실시 형태에 의한 재료 데이터 처리 시스템의 제5 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다.
도 17은, 본 개시의 실시 형태에 의한 재료 데이터 처리 시스템의 제6 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다.
도 2는, 시료 측정부에 자장 구배를 부여한 TG(Thermogravity) 측정 장치의 일례를 도시하는 모식도이다.
도 3은, 본 개시의 실시 형태에 있어서의 재료 데이터 처리 시스템의 구성예를 모식적으로 도시하는 도면이다.
도 4는, 데이터 처리 장치(200)의 하드웨어 구성예를 도시하는 블록도이다.
도 5는, 클라우드 서버(300)가 데이터베이스(100)를 구비하는 구성예를 도시하는 블록도이다.
도 6은, 복수의 데이터베이스(100)와, 복수의 데이터 처리 장치(200)를 구비하는 재료 데이터 처리 시스템(1000)의 예를 모식적으로 도시하는 도면이다.
도 7a는, 열중량 측정 장치의 온도 프로파일(파선) 및 측정값(실선)을 나타내는 그래프의 예이다.
도 7b는, 도 7a의 측정 데이터에 기초하는, TG 측정값의 온도 의존성의 예를 나타내는 그래프이다.
도 7c는, 도 7b에 도시되는 TG 측정값의 곡선 온도에서의 1계 미분을 나타내는 그래프이다.
도 8a는, 제조 프로세스 중 열처리 조건이 다른 Y3.1Sm5.3Fe69.2Co13.9Ti4.1Cu4.5 합금 시료에 대해서, TG 측정값을 온도로 미분한 값의 온도 의존성을 나타내는 그래프이다.
도 8b는, 종축이 화살표 D의 피크가 발생하는 온도(ThMn12형 화합물상의 퀴리 온도 TC), 횡축이 열처리 온도의 그래프이다.
도 9a는, 본 개시의 실시 형태에 있어서의 데이터베이스에 등록하는 항목을 나타내는 테이블의 일부의 예를 도시하는 도면이다.
도 9b는, 본 개시의 실시 형태에 있어서의 데이터베이스에 등록하는 항목을 나타내는 테이블의 일부의 예를 도시하는 도면이다.
도 9c는, 본 개시의 실시 형태에 있어서의 데이터베이스에 등록하는 항목을 나타내는 테이블의 일부의 예를 도시하는 도면이다.
도 9d는, 본 개시의 실시 형태에 있어서의 데이터베이스에 등록하는 항목을 나타내는 테이블의 일부의 예를 도시하는 도면이다.
도 10은, 본 개시의 실시 형태에 있어서의 데이터베이스에 각종 데이터를 등록하는 처리의 예를 모식적으로 도시하는 도면이다.
도 11은, 본 개시의 실시 형태에 있어서의 재료 데이터 처리 시스템의 기본적인 구성예를 모식적으로 도시하는 도면이다.
도 12는, 본 개시의 실시 형태에 의한 재료 데이터 처리 시스템의 제1 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다.
도 13은, 본 개시의 실시 형태에 의한 재료 데이터 처리 시스템의 제2 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다.
도 14는, 본 개시의 실시 형태에 의한 재료 데이터 처리 시스템의 제3 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다.
도 15는, 본 개시의 실시 형태에 의한 재료 데이터 처리 시스템의 제4 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다.
도 16은, 본 개시의 실시 형태에 의한 재료 데이터 처리 시스템의 제5 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다.
도 17은, 본 개시의 실시 형태에 의한 재료 데이터 처리 시스템의 제6 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다.
특허문헌 1에 기재되어 있는 장치는, 데이터베이스에 상당하는 「설계 조건 내지 재료 특성 테이블」을 구비하고 있다. 이 테이블에는, 철 합금 신연재에 있어서의 「C(탄소)」, 「B(붕소)」, 「N(질소)」, 「Si(실리콘)」 등의 조성에 관한 정보, 「주조」, 「열간 가공」, 「열처리」 등의 제조 방법에 있어서의 각 공정의 조건, 「오스테나이트 결정 입도」, 「페라이트 결정 입도」 등의 조직, 「0.2％ 내력」, 「인장 강도」 등의 재료 특성에 관한 데이터가 저장된다.
종래, 「조직」에 관한 데이터는, 예를 들어 금속 재료나 세라믹스 재료의 경우, 재료 중에 존재하는 상(화합물)의 종류, 각 상의 비율, 각 상의 사이즈, 조성 등의 정보를 포함한다. 이들 정보 중, 상의 종류 및 비율을 구하는 방법으로서는, X선 회절법(XRD: X-Ray Diffraction)이 사용된다. 각 상의 사이즈는, 재료를 단면 연마하고, 광학 현미경 또는 주사 전자 현미경(SEM: Scanning Electron Microscope)으로 관찰한 후, 화상 해석으로 구해진다. 각 상의 조성은, SEM에 부속되는 에너지 분산 분광 장치(EDX: Energy Dispersive X-ray spectroscopy) 또는 전자선 프로브 마이크로 애널라이저(EPMA: Electron Probe Micro Analyzer) 등에 의해 구하는 경우가 많다.
그러나, 재료 중에서 착안하는 상의 사이즈가 극히 작은 경우, SEM/EDX, 혹은 EPMA에서 조성을 평가하려고 하면, 입사하는 전자선의 넓이에 따라, 착안하는 상의 주위에 존재하는 다른 상에 있어서의 조성의 정보가 중첩해 버려, 정확한 정보를 얻는 것이 곤란해진다. 또한, SEM/EDX 및 EPMA는, 관찰 시료의 전처리와 관찰에 시간이 걸릴 뿐만 아니라, 시료 전처리와 관찰에 있어서의 관찰자의 기능 및 주관(어느 영역을 평가할 것인지)에 따라 데이터의 질이 크게 변동하는 경우가 있다. 또한, 얻어진 데이터로부터 상 비율, 각 상의 조성을 구하기 위해서는, 화상 처리 등의 번잡한 수속이 필요해지기 때문에, 데이터 과학의 이용에 필요한 대량의 데이터를 얻는 것이 어렵다.
한편, XRD에서 얻어진 회절 피크로부터 격자 상수를 구하거나, 리트벨트 해석 등의 정밀한 측정에 의해 결정 구조의 상세 정보를 얻거나 하는 것이 가능하다. 그러나, 예를 들어 자성 재료의 경우에는, 동일한 재료 중에 존재하는 다른 상의 결정 구조 차이가 특정한 초격자 반사의 유무만에 반영되는 경우가 있고, 착안하는 상이 미량밖에 존재하지 않는 경우에는, 검출하는 것이 곤란하다. 또한, 동일한 결정 구조를 갖지만 조성이 다른 복수의 상이 재료 중에 모두 존재하고 있었던 경우, 이들을 분리하는 것이 곤란하다.
이와 같이, 미세한 구성 상에 따라 특성이 민감하게 영향을 받는 재료, 특히 자성 재료의 경우, 측정자의 기능이나 주관에 크게 의존하지 않고, 조직에 관한 데이터를 효율적이고 또한 감도 좋게 취득하는 것이 어렵다는 과제가 있다. 이것은, 특히 자성 재료의 분야에 있어서, 머티리얼즈 인포메틱스를 구사하여 신 재료나 대체 재료를 탐색하는 것을 매우 곤란한 것으로 할 가능성이 있다.
본 개시에 의한 데이터베이스, 재료 데이터 처리 시스템 및 데이터베이스의 작성 방법은, 상기의 과제를 해결하는 것을 가능하게 한다. 이하, 이 점을 설명한다.
<데이터베이스에 있어서의 데이터의 종류>
먼저, 도 1을 참조하여, 본 개시에 의한 데이터베이스의 실시 형태에서 사용하는 데이터의 종류를 설명한다. 본 개시에 의한 데이터베이스는, 개개의 시료에 고유한 식별자가 연관지어진 데이터를 저장한다. 이 데이터베이스가 저장하는 데이터는, 제1 데이터와 제2 데이터를 포함한다. 제1 데이터는, 조성 데이터, 프로세스 데이터(제작 조건) 및 특성 데이터의 적어도 하나를 포함한다. 도 1의 예에 있어서, 제1 데이터는, 조성 데이터, 프로세스 데이터 및 특성 데이터의 모두를 포함하고 있지만, 이들의 모두를 포함할 필요는 없다. 또한, 제1 데이터는, 조성 데이터, 프로세스 데이터 및 특성 데이터 이외의 데이터를 포함하고 있어도 된다.
도 1에 도시하는 바와 같이, 제2 데이터는, 조직 데이터를 포함한다. 본 개시의 데이터베이스에서는, 이 제2 데이터(조직 데이터)의 내용에 특징을 갖고 있다.
이하, 「조성 데이터」, 「프로세스 데이터」, 「특성 데이터」 및 「조직 데이터」를 설명한다.
「조성 데이터」는, 재료의 「조성」을 규정하는 정보이고, 구성 원소의 종류 및 조성 비율을 포함한다. 또한, 「조성 데이터」는, 불가피적 불순물 또는 함유량이 제어된 미량 원소(의도적으로 첨가된 원소에 더하여, 불순물을 포함함)의 종류 및 조성을 규정하는 정보를 포함할 수 있다.
「프로세스 데이터」는, 재료의 「프로세스」를 규정하는 정보이고, 재료를 제조하는 공정에서의 여러가지 제조 조건(온도, 분위기, 열 이력, 인가 압력 등)에 관한 정보를 포함한다.
「특성 데이터」는, 재료의 「특성」을 규정하는 정보이고, 재료의 기계적 특성, 물리적·화학적 성질 등을 포함한다. 여기에서는, 「특성 데이터」를 재료의 「성능」과 구별하고 있다. 「성능」은, 재료가 부재로서 사용된 경우에 나타내는 대후성이나 신뢰성에 관한 성질이고, 재료의 사용 환경에 의존하는 평가 항목이다. 본 명세서에서는, 「특성」을 규정하는 정보 및/또는 특징량을 「재료 특성」이라고 칭하는 경우가 있다.
「조직 데이터」는, 재료의 「조직」을 규정하는 정보이고, 일반적으로는, 재료를 구성하는 각 상의 비율, 결정 구조, 분자 구조, 단결정/다결정/아몰퍼스의 구별, 다결정의 경우에 있어서의 결정립의 형상 및 사이즈, 결정 방위, 입계, 쌍정 또는 적층 결함, 전이 등의 결함의 종류 및 밀도, 입계 및 입자 내의 용질 원소의 편석 등에 관한 정보를 포함할 수 있다. 본 명세서에서는, 「조직」을 규정하는 정보 및/또는 특징량을 「조직 특징」이라고 칭하는 경우가 있다.
<자화 온도 의존성에 기초하는 특징량>
본 개시의 데이터베이스에서는, 종래, 재료의 「특성」을 규정하는 정보(특성 데이터)로서 다루어지고 있었던 「자기 상전이」에 관한 정보를, 재료의 「조직」을 규정하는 지표(조직 데이터)로서 활용한다. 구체적으로는, 조직 데이터가, 개개의 시료에 있어서의 자화 온도 의존성에 기초하는 특징량을 포함하도록 데이터베이스가 구성된다. 이것에 의해 실현하는 이점은 이하와 같다.
먼저, 자기 상전이에 관한 정보인 「자화 온도 의존성에 기초하는 특징량」에 대하여 설명한다. 자기 상전이의 대표예는 「강자성-상자성 전이」이다. 이러한 자기 상전이가 일어나는 온도는, 퀴리 온도(TC) 또는 퀴리점이라고 불린다. 재료의 퀴리 온도는, 재료를 구성하는 상의 결정 구조 및 조성 등에 강하게 의존한다. 전술한 바와 같이, 종래, 퀴리 온도는, 자성 재료의 「특성」을 나타내는 지표로서 사용되어 왔다. 예를 들어, 영구 자석 재료의 경우, 일반적으로는 퀴리 온도가 높은 쪽이 고온까지 안정적으로 사용할 수 있다는 점에서 우수한 재료라고 판단된다. 또한, 감온 자성 재료나 자기 냉동 재료에서는, 기능시키고 싶은 온도로 퀴리 온도를 설정하는 것이 요구되고 있다.
이러한 종래의 기술 상식에 반하여, 본 발명자들은, 자기 상전 그 자체가 재료 중의 자성 상의 결정 구조나 조성을 반영하는 고유의 물성인 것에 착안하여, 재료의 「특성」의 우열을 판단하는 지표(특성 데이터)가 아닌, 결정 구조 및 조성과 같은 「조직」을 반영한 지표(조직 데이터)로서, 자기 상전이의 측정값을 활용하는 것을 착상하였다. 후술하는 바와 같이, 「자기 상전이」에 관한 정보, 즉 「자화 온도 의존성에 기초하는 특징량」의 취득은, 데이터를 채취하는 사람이 개인적인 기능에 따라 데이터의 질이 변동하는 것이 적고, 기계적으로 데이터를 취득하는 것도 가능하다. 이러한 측정값을 「조직」의 특징량으로서 이용함으로써, 종래의 데이터베이스로부터는 구축할 수 없었던 것과 같은 수리 모델을 구축하는 것이 가능해지고, 머티리얼즈 인포메틱스에 의한 재료 개발을 추진하는 것이 기대된다.
본 개시에 의한 데이터베이스, 재료 데이터 처리 시스템 및 데이터베이스의 작성 방법의 실시 형태에 있어서, 대상으로 하는 재료는, 영구 자석 및 연자성 재료 등의 자성 재료에 한정되지는 않는다. 예를 들어, 재료 중에 생성되는 상의 적어도 하나가 자기 상전이를 발생할 수 있는 경우에도, 본 개시의 데이터베이스, 재료 데이터 처리 시스템 및 데이터베이스의 작성 방법은 유효하게 적용될 수 있다. 또한, 「자기 상전이를 갖는 상의 존재가 재료 중에 확인할 수 없다」라고 하는 정보도, 재료의 조직을 규정하는 유익한 정보가 될 수 있다.
<자화 온도 의존성에 기초하는 특징량의 추출>
자화 온도 의존성에 기초하는 특징량이 자기 상전이에 관한 특징량인 예에 대하여 설명한다. 이 예에 있어서, 자기 상전이에 관한 특징량은, 「강자성-상자성 전이」에 따라 발생하는 조직적 특징을 나타내는 특징량이고, 퀴리 온도에 따라 규정될 수 있다. 또한, 본 개시에 있어서의 「강자성」은, 「페로 자성」뿐만 아니라, 「페리 자성」도 포함하는 것으로 한다. 「반강자성-상자성 전이」에 의해 발생하는 조직적 특징을 나타내는 특징량을 이용해도 된다. 그러한 특징량은, 네엘 온도에 의해 규정된다.
「강자성-상자성 전이」 혹은 「퀴리 온도」의 검출은, 예를 들어 시료 진동형 자속계(VSM)를 사용하여, 시료가 되는 재료로부터 발생하는 자속량의 온도 의존성을 구함으로써 실행할 수 있다. 또한, 열자기 천칭과 같이 외부로부터 부여한 자계에 따라 재료가 받는 힘의 크기 온도 의존성을 구하는 방법, 혹은, 시차 주사 열량계(DSC)를 사용하여 자기 상전이에 수반하는 엔트로피의 변화를 측정하는 방법에 의해서도 실행 가능하다. 이들 방법 중에서, 열자기 천칭, 특히 열중량 측정 장치(TG: Thermogravity)를 사용하는 측정 방법은, 간편하고 또한 고감도에서의 측정이 가능하다는 점에서 유용하다. 이하, TG 장치를 사용하여, 자기 상전이에 관한 특징량을 추출하는 예를 설명한다.
도 2는, 시료 측정부에 자장 구배를 부여한 TG 장치의 일례를 도시하는 모식도이다. 도 2의 TG 장치(10)는, 측정 시료(12)를 보유 지지하는 홀더(14)를 일단에 갖는 빔부(16)와, 측정 시료(12)를 가열하는 히터(18)를 갖는 전기로(20)와, 빔부(16)의 타단에 접속되어서 측정 시료(12)의 중량 변화를 검출하는 중량 측정부(22)를 구비하고 있다. 빔부(16)는, 지지점으로서 기능하는 지지부(24)에 의해 지지되어 있다.
일반적인 TG 장치에서는, 중량 측정부(22)가, 측정 시료(12)를 가열한 때에 측정 시료(12)에서 일어나는 열분해 등의 반응에 수반하는 중량 변화를 측정한다. 자기 상전이에 관한 특징량을 추출하는 경우에는, 측정 시에 측정 시료(12)의 외부로부터 자장 구배를 부여한다. 이에 의해, 도 2의 흰 화살표로 나타내는 바와 같이 측정 시료(12)에 자기적인 흡인력을 미치게 할 수 있다. 그 결과, 측정 시료(12)의 중량에는 자기 흡인력이 중첩되어, 중량 측정부(22)가 측정하는 「중량」의 값에는, 측정 시료(12)에 달하는 자기적 흡인력도 포함되게 된다. 자기적 흡인력은, 측정 시료(12)의 「자화」의 크기에 대응한다. 이 때문에, 측정 시료(12)에서 강자성으로부터 상자성에 대한 상전이가 발생하면, 측정 시료(12)의 자화가 급격하게 변화하기 때문에, 중량 측정부(22)에 의해 측정되는 「중량」의 변화로서 상전이를 검출하는 것이 가능해진다.
도 2의 예에 있어서, 측정 시료(12)와 중량 측정부(22)가 수평 방향으로 배치되어 있지만, 연직 방향으로 배치되어 있어도 된다. TG 장치(10)에는, 시차 열분석(DTA) 또는 시차 주사 열량 분석(DSC)이 동시에 가능한 기능이 부가될 수 있다. 이 경우, 측정 시료(12)와 참조 시료를 장치에 세트하여 측정하는 경우가 있다. 본 실시 양태에 있어서의 참조 시료로서는, 알루미나 등의 상자성 재료(측정 온도 범위의 전역에서 강자성이 발현하지 않는 재료)를 사용하는 것이 바람직하다.
측정 시료(12)에 자장 구배를 부여하는 자장 인가의 구성은, 개개의 시료 측정 사이에서의 재현성을 확보 가능한 한, 임의이다. 이러한 자장 인가는, 희토류 자석 등의 영구 자석을 장치에 마련함으로써 용이하게 실현할 수 있다. 자장 구배의 크기는, 측정 시료(12)의 양 등에 의해 적절히 선정된다. 어떤 실시 양태에 있어서, 0.1mT/mm 정도일 수 있다. 자장 구배가 큰 쪽이 높은 감도로 상전이를 검출할 수 있다. 따라서, 자장 구배는, 0.5mT/mm 이상인 것이 바람직하고, 1mT/mm 이상인 것이 더욱 바람직하다.
측정 시료(12)는, 예를 들어 알루미나제의 용기(팬)에 넣어서 TG 장치(10)의 홀더(14)에 세트될 수 있다. 예를 들어 Nd-Fe-B계 소결 자석과 같이, 자기적인 이방성을 갖는 측정 재료를 벌크체인 채로 측정하면, 세트하는 방향에 의해 자기적인 흡인력이 변동할 수 있다. 이러한 변동을 억제하기 위해서는, 측정 시료(12)를 분쇄하고, 체를 사용하여 특정한 입도 범위의 분말 입자를 회수하여, 분말을 측정 시료(12)로 하는 것이 바람직하다. 분쇄 입도는, 측정 재료에 의해 적절히 선정되지만, 어떤 실시 양태에 있어서, 500㎛ 이하이다. 역 산화성 재료를 측정하는 경우에는, 측정 시의 불활성 가스에 포함되는 미량의 산소에 기인하는 측정 시료의 산화에 의한 중량 증가를 억제할 수 있도록, 분쇄 입도를 거칠게 해도 된다.
자기적 흡인력의 온도 변화는, 측정 시료의 온도를 상승시킬 때, 및 저하시킬 때의 적어도 한쪽에서 측정할 수 있다. 측정 시의 분위기는, 측정 시료에 의해 적절히 선택된다. 측정 시료가, 예를 들어 희토류 자석과 같은 역 산화성의 재료의 경우, 측정 중의 산화 반응에 의한 중량 변화나, 반응에 의한 새로운 강자성 상의 발생을 회피하기 위해서, 아르곤 가스 등의 불활성 가스가 채용될 수 있다. 또한, 불활성 가스 중의 불순물을 제거하기 위한 게터재 등을 장치에 내장해도 된다.
또한, TG 장치 등의 열자기 천칭에는, 공지된 시료 자동 교환 기능을 부가 할 수 있다. 이러한 양태 하, 측정 시료명 및 측정 조건 등의 정보를 미리 등록해 둠으로써, 측정을 자동화할 수 있고, 효율적으로 대량의 측정을 행할 수 있다. 이와 같이, 자화 온도 의존성에 기초하는 특징량의 추출은, 광학 현미경, SEM/EDX, EPMA, 혹은 XRD에 의한 회절 피크로부터의 결정 구조의 해석 등의, 종래의 조직 데이터 취득 방법에 비하여, 측정자의 기량이나 주관에 의존하지 않는 데이터의 취득이 용이하다.
<실시 형태>
이하, 본 개시의 실시 형태를 설명한다. 단, 필요 이상으로 상세한 설명은 생략하는 경우가 있다. 예를 들어, 이미 잘 알려진 사항의 상세한 설명 및 실질적으로 동일한 구성에 관한 중복되는 설명을 생략하는 경우가 있다. 이것은, 이하의 설명이 불필요하게 용장해지는 것을 피하고, 당업자의 이해를 용이하게 하기 위해서이다. 또한, 발명자는, 당업자가 본 개시를 충분히 이해하기 위하여 첨부 도면 및 이하의 설명을 제공하는 것이며, 이들에 의해 특허 청구 범위에 기재된 주제를 한정하는 것을 의도하는 것은 아니다. 이하의 설명에 있어서, 동일하거나 또는 유사한 기능을 갖는 구성 요소에 대해서는, 동일한 참조 부호를 붙이고 있다.
이하의 실시 형태는 예시이고, 본 개시의 기술은 이하의 실시 형태에 한정되지는 않는다. 예를 들어, 이하의 실시 형태에서 나타내는 수치, 형상, 재료, 스텝, 스텝의 순서, 표시 화면의 레이아웃 등은, 어디까지나 일례이고, 기술적으로 모순이 발생하지 않는 한에 있어서 여러가지 개변이 가능하다. 또한, 기술적으로 모순이 발생하지 않는 한에 있어서, 하나의 양태와 다른 양태를 조합하는 것이 가능하다.
[데이터베이스의 기본 구성]
본 개시의 데이터베이스는, 개개의 시료에 고유한 식별자가 연관지어진 데이터를 저장하는 데이터베이스이다. 데이터베이스는, 컴퓨터가 프로그램에 따라서 처리하는 것이 가능한 구조를 갖는 데이터의 세트이고, 컴퓨터 등의 하드웨어 자원을 이용하여 처리된다. 데이터베이스는, 기억 장치에 저장된 여러가지 데이터를 구성 요소로 하기 위해서, 이하, 간단화를 위해서, 데이터베이스의 데이터를 저장하는 기억 장치를 데이터베이스라고 칭하는 경우가 있다. 본 개시에 있어서의 데이터베이스의 구조는, 저장하는 데이터가, 개개의 시료에 있어서의 조성 데이터, 프로세스 데이터 및 특성 데이터의 적어도 하나를 나타내는 제1 데이터와, 개개의 시료에 있어서의 조직 데이터를 나타내는 제2 데이터를 포함하도록 구성되어 있다(도 1 참조). 각 데이터는, 디지털 데이터의 포맷을 갖고 있지만, 그 포맷의 내용은 특별히 한정되지는 않는다. 본 실시 형태에 있어서의 조직 데이터는, 개개의 시료에 있어서의 자화 온도 의존성에 기초하는 특징량을 포함하고 있고, 적어도 이 점에 있어서, 종래의 데이터베이스와는 전혀 다르다. 이 특징량은, 예를 들어 도 2를 참조하면서 설명한 장치에 의해 측정할 수 있다. 전술한 바와 같이, 종래의 조직 데이터의 취득에 비하여, 자화 온도 의존성에 기초하는 특징량에 대해서는, 측정자의 기량이나 주관에 의하는 일 없이, 필요한 데이터를 대량으로 취득하는 것이 용이해진다.
자화 온도 의존성에 기초하는 특징량의 예는, 자기 상전이에 관한 특징량을 포함한다. 자화 온도 의존성에 기초하는 특징량의 구체예는, 퀴리 온도 및 네엘 온도의 적어도 한쪽이다.
어떤 양태에 있어서, 제1 데이터는, 조성 데이터로서, 개개의 시료에 포함되는 원소의 종류 및 원소의 조성 비율을 포함한다. 또한, 제1 데이터는, 프로세스 데이터로서, 개개의 시료를 제조하는 공정에서 실행된 열처리 조건을 규정하는 파라미터를 포함할 수 있다. 또한, 제1 데이터는, 특성 데이터로서, 개개의 잔류 자속 밀도, 보자력, 포화 자화 및 투자율의 적어도 하나를 포함하고 있어도 된다. 한편, 제2 데이터는, 조직 데이터로서, 개개의 시료에 포함되는 주상의 결정 구조를 규정하는 파라미터를 포함할 수 있다.
[재료 데이터 처리 시스템의 구성]
도 3은, 본 개시의 재료 데이터 처리 시스템의 개요를 설명하기 위한 모식도이다. 본 실시 형태에 있어서의 재료 데이터 처리 시스템(1000)은, 데이터베이스(100)와, 데이터 처리 장치(200)를 구비한다. 데이터 처리 장치(200)는, 데이터베이스(100)에 액세스하여, 데이터베이스(100)에 저장되어 있는 데이터를 읽어낼 수 있다. 또한, 데이터 처리 장치(200)은, 유저에 의한 여러가지 입력을 받아, 신 재료 또는 대체 재료의 개발에 유용한 출력을 제공하도록 구성되어 있다.
데이터베이스(100)는, 반도체 메모리, 자기 기억 장치 또는 광학 기억 장치 등의 하나 또한 복수의 기억 장치에 저장되고, 상술한 데이터 구조를 갖고 있다. 데이터베이스(100)를 구성하는 기억 장치는, 복수의 다른 위치에 분산하고 있어도 된다. 데이터베이스(100)에 포함되는 데이터는, 도 1의 제1 데이터 및 제2 데이터를 포함한다. 데이터베이스(100)에 저장되는 데이터는, 예를 들어 실제로 제작된 개개의 재료로부터 측정기 또는 시험기 등의 장치를 사용하여 취득될 수 있다. 또한, 이들의 데이터는, 후술하는 네트워크를 통하여, 다른 기억 장치에 기억되어 있는 각종 정보(문헌 정보 등)로부터 수집되어도 된다.
데이터베이스(100)는, 예를 들어 몇 년, 10년, 20년 또는 그 이상의 긴 연월 동안, 설계, 개발 및 제조의 단계에서 취득된 방대한 데이터를 축적할 수 있다. 재료 메이커 또는 시험 장치 메이커 등으로 구성되는 컨소시엄이 설립되어, 많은 기업이 데이터베이스(100)에 액세스할 수 있으면, 많은 기업으로부터 수집되는 방대한 데이터의 집합은 빅 데이터로서 관리될 수 있다.
데이터 처리 장치(200)는, 예를 들어 본체(201) 및 표시 장치(220)를 구비한다. 데이터 처리 장치의 본체(201)에는, 데이터베이스(100)에 축적된 방대한 데이터 중에서, 예를 들어 목적으로 하는 원하는 재료 특성에 유사한 재료 특성을 갖는 재료에 연관지어진 데이터를 검색하기 위하여 이용되는 소프트웨어(또는 펌웨어)가 실장되어 있어도 된다. 그러한 소프트웨어는, 예를 들어 광디스크 등의 컴퓨터가 판독 가능한 기록 매체에 기록되어서 패키지 소프트웨어로서 판매되거나, 인터넷을 통해 제공되거나 할 수 있다. 또한, 데이터 처리 장치(200)가 실행하는 동작의 예에 대해서는, 후에 상세하게 설명한다.
표시 장치(220)는, 예를 들어 액정 디스플레이 또는 유기 EL(Electro-Luminescence) 디스플레이일 수 있다. 표시 장치(220)는, 본체(201)로부터 출력되는 데이터에 기초하여, 여러가지 정보를 표시하는 것이 가능하다.
데이터 처리 장치(200)의 일례는, 퍼스널 컴퓨터 또는 태블릿 단말기이다. 데이터 처리 장치(200)는, 재료 데이터 처리 시스템으로서 기능하는 전용의 장치여도 된다.
도 4는, 데이터 처리 장치(200)의 하드웨어 구성예를 도시하는 블록도이다. 데이터 처리 장치(200)는, 입력 장치(210), 표시 장치(220), 통신 I/F(230), 기억 장치(240), 프로세서(250), ROM(Read Only Memory)(260) 및 RAM(Random Access Memory)(270)을 구비한다. 이들 구성 요소는, 버스(280)를 통해 서로 접속된다.
입력 장치(210)는, 유저로부터의 지시를 데이터로 변환하여 컴퓨터에 입력하기 위한 장치이다. 입력 장치(210)는, 예를 들어 키보드, 마우스 또는 터치 패널이다.
통신 I/F(230)는, 데이터 처리 장치(200)와 데이터베이스(100) 사이에서 데이터 통신을 행하기 위한 인터페이스이다. 예를 들어, 통신 I/F(230)는, USB, IEEE1394(등록 상표) 또는 이더넷(등록 상표) 등에 준거한 유선 통신을 행할 수 있다. 통신 I/F(230)는, Bluetooth(등록 상표) 규격 및/또는 Wi-Fi(등록 상표) 규격에 준거한 무선 통신을 행할 수 있다. 어느 규격도, 2.4GHz대의 주파수를 이용한 무선 통신 규격을 포함한다.
기억 장치(240)는, 예를 들어 반도체 메모리, 자기 기억 장치 또는 광학 기억 장치, 또는 그것들의 조합이다. 광학 기억 장치의 예는, 광디스크 드라이브이다. 자기 기억 장치의 예는, 하드디스크 드라이브(HDD) 또는 자기 테이프 기록 장치이다.
프로세서(250)는, 하나 또는 복수의 반도체 집적 회로이고, 중앙 연산 처리 장치(CPU) 또는 마이크로 프로세서라고도 칭해진다. 프로세서(250)는, ROM(260)에 저장된, 최적 재료를 검색하기 위한 명령군을 기술한 컴퓨터 프로그램을 축차 실행하고, 원하는 처리를 실현한다. 프로세서(250)는, CPU를 탑재한 FPGA(Field Programmable Gate Array), GPU(Graphic Processer Unit), ASIC(Application Specific Integrated Circuit) 또는 ASSP(Application Specific Standard Product)를 포함하는 용어로서 넓게 해석된다.
ROM(260)은, 예를 들어 기입 가능한 메모리(예를 들어 PROM), 재기입 가능한 메모리(예를 들어 플래시 메모리) 또는 판독 전용의 메모리이다. ROM(260)은, 프로세서의 동작을 제어하는 프로그램을 기억하고 있다. ROM(260)은, 단일의 기록 매체일 필요는 없고, 복수의 기록 매체의 집합일 수 있다. 복수의 집합체의 일부는 제외 가능한 메모리여도 된다.
RAM(270)은, ROM(260)에 저장된 제어 프로그램을 부트 시에 일단 전개하기 위한 작업 영역을 제공한다. RAM(270)은, 단일의 기록 매체일 필요는 없고, 복수의 기록 매체의 집합일 수 있다.
도 3의 예에 있어서, 데이터베이스(100)는, 데이터 처리 장치(200)와는 다른 별도의 하드웨어이다. 그러나, 방대한 데이터를 기억한 기억 매체를 데이터 처리 장치(200)의 본체(201)에 읽어들임으로써, 당해 기억 매체를 데이터베이스(100)로서 기능시키는 것도 가능하다.
또한, 데이터베이스(100)는, 클라우드 서버가 구비하고 있어도 된다. 도 5는, 클라우드 서버(300)가 데이터베이스(100)를 구비하는 구성예를 도시하는 블록도이다. 도 5에 도시되는 예에 있어서, 재료 데이터 처리 시스템(1000)은, 복수의 데이터 처리 장치(200)와, 클라우드 서버(300)의 데이터베이스(100)를 구비한다. 클라우드 서버(300)는, 프로세서(310), 메모리(320), 통신 I/F(330) 및 데이터베이스(100)를 갖는다. 전술한 제1 데이터 및 제2 데이터는, 클라우드 서버(300) 상의 데이터베이스(100)에 저장될 수 있다. 복수의 데이터 처리 장치(200)는, 예를 들어 사내에 구축된 로컬 에어리어 네트워크(LAN)(400)를 통해 서로 접속될 수 있다. 로컬 에어리어 네트워크(400)는, 인터넷 프로바이더 서비스(IPS)를 통해 인터넷(500)에 접속된다. 개개의 데이터 처리 장치(200)는, 인터넷(500)을 경유하여 클라우드 서버(300)의 데이터베이스(100)에 액세스 가능하게 된다.
도 5의 예에 있어서, 데이터 처리 장치(200)가 구비하는 프로세서(250)(도 4 참조) 대신에, 혹은 당해 프로세서와 협동하여, 클라우드 서버(300)가 구비하는 프로세서(310)가, 처리에 필요한 연산을 실행해도 된다. 또한, 동일한 LAN에 접속된 복수의 데이터 처리 장치(200)가 협동하여 데이터의 처리를 실행해도 된다.
이와 같이, 실시 형태에 있어서의 재료 데이터 처리 시스템(1000)은, 하나의 부지 내에 놓인 하드웨어에 의해 실현될 필요는 없고, 데이터베이스(100) 및 데이터 처리 장치(200) 각각이, 다른 위치에 분산 배치된 복수의 하드웨어 자원에 의해 실현되어 있어도 된다. 도 6은, 복수의 데이터베이스(100)와, 복수의 데이터 처리 장치(200)를 구비하는 재료 데이터 처리 시스템(1000)의 예를 모식적으로 도시하고 있다. 이 예에 있어서, 분산 배치된 데이터베이스(100) 및 데이터 처리 장치(200)는, 인터넷(500)을 통해 접속되어 있다. 인터넷(500) 대신에, 혹은, 인터넷(500)과 함께, 다른 네트워크가 사용되고 있어도 된다.
본 개시의 실시 형태에 있어서의 데이터베이스(100)의 제작 방법의 일례는, 먼저, 개개의 시료에 대하여 취득된 조성, 프로세스 및 특성의 적어도 하나의 데이터 및 개개의 시료에 대하여 취득된 조직의 데이터를 수집하는 스텝과, 수집한 상기 데이터를 기억 장치에 기억시키는 스텝을 포함한다. 이들의 데이터는, 개개의 시료에 고유한 식별자에 연관지어진다. 본 개시에 특징적인 점은, 이 데이터가 시료에 대하여 취득된 자화 온도 의존성에 기초하는 특징량을 포함하는 경우, 이 특징량을 적어도 조직의 데이터로서 식별자에 관련짓는 것에 있다.
또한, 자화 온도 의존성에 기초하는 특징량은, 데이터베이스에 도입될 때, 조직의 데이터로서 식별자에 관련 지어지는 것은 필수적이지만, 이것은, 특성 데이터 등의 다른 데이터로서 식별자에 관련짓는 것을 배제하는 것은 아니다.
[자화 온도 의존성에 기초하는 특징량의 추출예 1]
이어서, 도 7a로부터 도 7c를 참조하면서 구체적인 재료에 대해서, 자화 온도 의존성에 기초하는 특징량의 추출예를 설명한다. 여기에서는, 어떤 제조 조건에서 제작된 Ca-La-Co계 육방정 페라이트 자석용 가소체가 측정 대상의 시료이다. 이 시료(가소체)는 Fe2O3, CaO, Co3O4 등의 미가공 원료를 혼합하고, 소성함으로써 얻어졌다.
도 7a는, TG 측정 중에 있어서의 온도 프로파일(파선) 및 TG 측정값(실선)을 나타내는 그래프의 예이다. 그래프의 횡축은 측정 시간 t[초], 좌 종축은 TG 측정값 w[mg(밀리그램)], 우 종축은 온도 T[℃]이다. 측정은, 도 2에 도시된 바와 같은 장치를 사용하여 행하였다. 여기서, 온도 T는, TG 장치의 히터에 의해 제어된다. 도 7a의 데이터는, 시료를 50℃에서 750℃까지 10℃/분으로 승온한 후, 750℃에서 5분간 유지하고, 그 후, 50℃까지 -10℃/분으로 강온하도록 하여 취득하였다. 도 7a에 도시하는 온도 T(파선)는 TG 측정 장치에 있어서의 시료 설치부의 온도 실측값이다. TG 측정값 w는, 시료인 가소체의 중량과, 알루미나제의 용기(팬)의 중량과, 자기적 흡인력이 중첩한 크기를 갖고 있다. 팬 및 시료의 중량은, 온도에 따라 변화하지 않는다. 이 때문에, TG 측정값 w의 변화는, 시료가 받는 자력의 크기의 변화, 즉 시료의 자화 크기 변화에 대응하고 있다.
도 7a로부터 알 수 있는 바와 같이, TG 측정값 w는, 승온 중, 온도 T가 약 300℃를 초과하여 상승하는 과정에서 급격하게 저하되고 있다. 승온 중, 온도 T가 약 500℃에 달한 후는, TG 측정값 w의 저하는 수렴되고, 대략 일정한 값을 나타내고 있다. 이것은, 온도 T의 상승에 의해, 시료인 가소체의 자화가 저하되는 것을 나타내고 있다. 온도 프로파일은, 측정 개시로부터의 시간(측정 시간)이 약 4100초까지는 승온의 과정에 있지만, 그 후는 강온으로 옮겨진다. 강온 중, 온도 T가 약 500℃보다도 낮아지면, TG 측정값 w의 증가가 관찰된다. 이것은, 온도 T의 저하에 의해, 시료인 가소체의 자화가 상승하는 것을 나타내고 있다.
도 7b는, 도 7a의 측정 데이터에 기초하는, TG 측정값의 온도 의존성을 나타내는 그래프이다. 이 그래프에서는, 측정 시의 승온 과정의 일부(온도 T가 실온으로부터 약 760℃까지의 범위)가 표시되어 있다. 그래프의 횡축은 온도 T, 종축은 TG 측정값 w이다. 도 7b의 그래프에 있어서, TG 측정값 w는, 화살표 A 및 화살표 B로 나타내는 위치(온도)에서 급격하게 변화하고 있다. 이 TG 측정값(중량)의 급격한 변화는, 시료에 포함되는 상(강자성 상)의 강자성-상자성 전이에 기인하고 있다. TG 측정값(중량)의 변화량은, 시료 중의 강자성 상의 자화 및 체적 비율을 반영하고 있다.
도 7c는, 도 7b에 도시되는 곡선의 온도 T에서의 1계 미분을 나타내는 그래프이다. 도 7c에 도시되는 곡선은, 측정 장치에 의한 1차 데이터로부터 계산에 의해 얻어지는 2차 데이터이고, 이 곡선을 해석함으로써 추출되는 특징량도, 2차 데이터에 상당한다. 이하, 이러한 특징량의 예를 설명한다.
도 7c에는, 도 7b의 화살표 A 및 화살표 B에 상당하는 화살표 A 및 화살표 B가 동일 위치(온도)에 도시되어 있다. 도 7c의 화살표 A 및 화살표 B의 위치에서 극솟값을 취하는 온도를 퀴리 온도(TC)라고 규정할 수 있다. 또한, 퀴리 온도(TC)는, 다른 방법에 의해 결정되어도 된다. XRD 등 다른 방법에 의한 해석 결과로부터, 화살표 A의 위치에서는, 마그네토플럼바이트상의 강자성-상자성 전이가 발생하고, 화살표 B의 위치에서는, 스피넬상의 강자성-상자성 전이가 발생하고 있었던 것을 확인하였다.
본 개시의 실시 형태에서는, 퀴리 온도 TC를 「특징량」으로서 이용하기 위해서, 여러가지 데이터로부터 퀴리 온도 TC를 취득하는 수순은 통일해 두는 것이 바람직하다. 예를 들어, 도 7c의 화살표 A, 화살표 B의 위치에서 나타내는 피크의 극값을 취하는 온도를 퀴리 온도 TC로 해도 되고, 다른 해석 방법을 채용하여 퀴리 온도 TC를 결정해도 된다. 어떤 수순에 기초하여 얻어진 퀴리 온도 TC의 값은, 측정 시에 있어서의 시료의 승온측과 강온측에서 다르거나, 승온 속도의 차이로 값이 다르거나 하는 경우가 있다. 퀴리 온도 TC 등의, 개개의 시료에 있어서의 자화 온도 의존성에 기초하는 특징량을, 재료의 「조직」을 규정하는 정보로서 데이터베이스에 등록하는 경우, 측정 조건 및/또는 해석에 사용하는 부분(특히 승온 시인지 강온 시인지)를 일의적으로 정해 두는 것이 유용하다. 또한, 측정 조건에 관한 정보를 메타데이터로서 데이터베이스에 기억해도 된다.
특징량의 추출은, 개개의 데이터에 대하여 개별로 행해도 되고, 해석용의 프로그램을 사용하여 자동적으로 행해도 된다. 또한, 측정에서 얻어지는 1차 데이터(생 데이터), 혹은 1차 데이터를 해석함으로써 얻어지는 퀴리 온도 TC 등의 특징량은, 후술하는 데이터베이스에 자동적으로 등록하는 워크플로우 시스템을 활용해도 된다. 또한, 단말 장치로부터의 입력에 의해, 개별로 개개의 데이터를 등록해도 된다.
[자화 온도 의존성에 기초하는 특징량의 추출예 2]
이어서, 도 8a 및 도 8b를 참조하여, 자화 온도 의존성에 기초하는 특징량의 다른 추출예를 설명한다. 여기에서는, ThMn12형 화합물인 (Y,Sm)(Fe,Co,Ti)12계 합금에 관한 측정 및 해석의 예를 설명한다. (Y,Sm)(Fe,Co,Ti)12계 합금은, 저희토류 조성을 갖는 고성능 영구 자석 재료로서 기대되고 있는 재료이다.
도 8a는, 제조 프로세스 중 열처리 조건이 다른 Y3.1Sm5.3Fe69.2Co13.9Ti4.1Cu4.5 합금 시료에 대해서, TG 측정값을 온도로 미분한 값의 온도 의존성을 나타내는 그래프이다. 이 그래프의 횡축은 측정 중의 시료 온도, 종축은 TG 측정값(중량)을 온도로 미분한 값이다. 시료 사이의 데이터의 차이를 용이하게 판별하기 위해서, 각 데이터의 원점 높이를 어긋나게 하여 기재하고 있다. 도 8a의 그래프에서는, 시료 온도가 300℃에서 550℃의 영역만이 기재되어 있다.
도 8a에 도시되는 곡선에서는, 화살표 C 및 화살표 D에서 나타내는 2개 피크가 관찰된다. 화살표 D의 피크는, 주상인 ThMn12형 화합물 상의 강자성-상자성 전이에 기인하고 있다. 한편, 화살표 C의 피크는, 문헌 등으로부터, Th2Ni17형 화합물 상 및/또는 Nd3(Fe1-xTix)29형 화합물 상의 강자성-상자성 전이에 기인하고 있다고 생각된다. 여기서, Th2Ni17형 화합물 상은, Fe의 덤벨 구조의 주기성이 무너지고 있는, 소위 "불규칙 2-17상"을 포함할 수 있다. 이들의 상은, XRD 회절 피크가 ThMn12형 화합물 상의 XRD 회절 피크와 잘 닮아 있기 때문에, 예를 들어 1100℃ 1h의 시료에서는, 통상의 XRD 측정만으로는 존재를 확인하는 것이 곤란해지는 경우가 있다. 그러나, 도 8a에 도시되는 바와 같은 자화 온도 의존성에 기초하면, 특징량으로서 명료하게 관측 가능한 정보의 취득이 가능해진다.
도 8a의 화살표 C 및 화살표 D의 피크의 위치(온도)는, 열처리 조건에 의해 다르다. 도 8b는, 종축이 화살표 D의 피크가 발생하는 온도(ThMn12형 화합물 상의 퀴리 온도 TC), 횡축이 열처리 온도의 그래프이다. 피크 위치(즉 TC)를 정확하게 결정하기 위해서, 측정 시의 미소한 노이즈의 영향을 제거하는 것이 바람직하다. 이러한 노이즈의 영향을 양허하기 위해서, 예를 들어 도 8a의 각 곡선을, 데이터의 이동 평균값을 사용하여 평준화하는 것이 바람직하다.
도 8b로부터, 열처리를 행하지 않은 as-cast의 시료와 열처리 후의 각 시료 사이에서, 퀴리 온도 TC가 크게 변화하는 것을 알 수 있다. as-cast의 시료와 열처리 온도 1100℃의 시료에 대하여 SEM/EDX의 분석을 하였다. 그것에 의하여, ThMn12형 화합물 상의 (Fe+Co+Ti+Cu)에 대한 Ti의 몰비를 구한 바, as-cast의 시료에서는 0.048이었던 것에 비해, 1100℃ 열처리 후의 시료에서는, 0.060이었다. 이렇게 해서, 양자의 퀴리 온도 TC의 차이는, 시료 합금 중에 포함되는 ThMn12형 화합물 상의 조성 비율을 반영하고 있는 것을 확인하였다.
이와 같이, 자화 온도 의존성에 기초하는 특징량은, 조직의 정보를 나타내는 데이터로서 유효하다.
또한, 자화 온도 의존성에 기초하는 특징량은, 상술한 예에 나타낸 바와 같은, 퀴리 온도 및 네엘 온도의 적어도 한쪽을 포함하는 「자기 상전이에 관한 특징량」에 한정되지는 않는다. 예를 들어, 도 7a로부터 도 7c 및 도 8a의 그래프에 나타내는 곡선의 형상의 전체 혹은 일부를 근사하는 함수가 「자화 온도 의존성에 기초하는 특징량」으로서 채용되어도 된다.
<데이터베이스의 작성 방법>
본 실시 형태에 있어서의 데이터베이스의 작성 방법은, 개개의 시료에 대하여 취득된 조성, 프로세스 및 특성의 적어도 하나의 데이터(제1 데이터)와, 개개의 시료에 대하여 취득된 조직의 데이터(제2 데이터)를 수집하는 스텝과, 수집한 데이터를 기억 장치에 기억시키는 스텝을 포함한다. 여기서, 수집한 데이터를 기억 장치에 기억시키는 스텝이란, 데이터베이스에 데이터를 입력(등록)하는 행위에 상당한다. 상기의 데이터는, 모두, 식별자에 연관지어진다. 특히 본 개시의 실시 형태에서 중요한 점은, 상기의 데이터가, 시료에 대하여 취득된 자화 온도 의존성에 기초하는 특징량을 포함하는 경우에는, 그 특징량을 적어도 조직의 데이터로서 식별자에 관련짓는 점에 있다.
예를 들어, 상기의 데이터가, 퀴리 온도 TC 등의 조직 데이터에 포함되는 특징량을 포함하는 경우, 이 특징량이 다른 데이터와 함께 데이터베이스에 등록될 때, 조직의 데이터로서 식별자에 연관지어진다. 이하, 이 점을 구체적으로 설명한다.
도 9a, 도 9b, 도 9c 및 도 9d는, 전체로서, 데이터베이스에 등록되는 데이터의 구조예를 도시하는 테이블의 일부의 일례를 기재하고 있다. 테이블은, 복수의 로우 및 복수의 칼럼을 갖고 있다. 개개의 시료 데이터는, 로우 단위로 모아진다. 따라서, 데이터베이스에 등록되는 시료의 개수가 증가함에 따라서, 테이블에 포함되는 로우 수가 증가해 간다. 또한, 도 9a로부터 도 9d에 나타내는 데이터는, 어디까지나 데이터베이스의 구성예를 도시하는 것이고, 기재되어 있는 수치 등은, 실험으로 측정된 값을 나타내는 것은 아니다.
도 9a의 테이블에 있어서의 우측 단부의 칼럼은, 검은 화살표로 나타낸 바와 같이, 도 9b의 테이블에 있어서의 좌측 단부의 칼럼에 계속된다. 마찬가지로, 도 9b의 테이블에 있어서의 우측 단부의 칼럼은, 검은 화살표로 나타낸 바와 같이, 도 9c의 테이블에 있어서의 좌측 단부의 칼럼에 계속된다. 또한, 도 9c의 테이블에 있어서의 우측 단부의 칼럼은, 검은 화살표로 나타낸 바와 같이, 도 9d의 테이블에 있어서의 좌측 단부의 칼럼에 계속된다. 이들의 도면에 도시되는 테이블은, 본 실시 형태에 있어서의 데이터베이스의 구조의 일례를 나타내는 것이고, 본 개시에 있어서의 데이터베이스의 구조를 한정하지 않는다.
데이터베이스에 데이터가 등록되는 개개의 시료에 대해서는, 도 9a의 테이블에 도시되는 바와 같이, 고유의 식별자(ID)가 부여된다. 이 예에 있어서, 각 시료에는 「실험 No.」를 특정하는 번호도 부여되어 있다. 식별자로서 사용되는 부호의 형태는 임의이다.
각 데이터는, 식별자에 관련 지어져서 데이터베이스에 등록된다. 본 개시의 실시 형태에서는, 전술한 바와 같이, 등록되는 데이터는, 「조성 데이터」, 「프로세스 데이터」, 「조직 데이터」, 「특성 데이터」 등의 카테고리로 나눌 수 있다. 구체적으로는, 조성 데이터는, 도 9a의 테이블에 있어서의 「조성」의 칼럼에 기록된다. 프로세스 데이터는, 도 9b의 테이블에 있어서의 「제작 조건」의 칼럼에 기록된다. 조직 데이터는, 도 9c의 테이블에 있어서의 「조직」의 칼럼에 기록된다. 특성 데이터는, 도 9d의 테이블에 있어서의 「특성」의 칼럼에 기록된다.
「조성」 및 「프로세스」의 칼럼에는, 실험 또는 시작의 실시 내용에 기초하여, 출발 재료의 조성, 및/또는, 제조 프로세스에 있어서의 각 공정의 설정 조건 등이 등록될 수 있다. 각 공정의 설정 조건에는, 예를 들어 세라믹스 재료에 있어서의 소결 보조제의 종류 및 양 등의 항목도 설정할 수 있다.
「특성」의 칼럼에는, 제품의 사양이 되는 최종적인 재료의 특성에 관한 정보가 저장된다. 예를 들어, 영구 자석의 경우에는, 잔류 자속 밀도 Br, 보자력 HcJ, 최대 자기 에너지 적(BH)max 등이 해당한다. 또한, 본 발명에서는, 퀴리 온도 TC를 「조직」을 나타내는 지표로서 활용하지만, 이것은 「재료 특성」으로부터 퀴리 온도 TC를 배제하는 것을 필수로 하는 것은 아니다.
도 9c에 도시하는 바와 같이, 「조직」의 칼럼에는, 자기 상전이에 관한 특징량이 반드시 저장된다. 이것은, 예를 들어 퀴리 온도 TC 등의 「자기 상전이에 관한 특징량」을 데이터베이스에 입력할 때, 입력한 「자기 상전이에 관한 특징량」이 「조직 데이터」인 것을 나타내는 것과 같은 구조를 데이터베이스가 갖고 있는 것을 의미하고 있다.
또한, 「조직」의 칼럼에는, XRD 측정 결과로부터 구한 각 상의 종류나 격자 상수, DTA 또는 DSC에서 관측되는 상변태 온도 등도 저장될 수 있다. SEM/EDX에서 취득한 화상 데이터나 조성 데이터로부터 얻어진 특징량 등의 「조직」에 관련하는 다른 특징량을 저장해도 된다.
또한, 자기 상전이에 관한 특징량은, 각 시료에 대해서 1개로 한정되지는 않는다. 도 9c의 예에 있어서는, 자기 상전이에 관한 특징량은, 제1 퀴리 온도 Tc(1)와, 제2 퀴리 온도 Tc(2)를 포함하고 있다.
본 실시 형태에서는, 자기 상전이에 관한 특징량을 저장하는 「조직 데이터」의 카테고리는 필수이지만, 「조성 데이터」, 「프로세스 데이터」, 「특성 데이터」의 카테고리의 어느 것은, 반드시 필요하지는 않다. 이들의 카테고리에 등록하는 수치 등의 정보 이외에, 예를 들어 시료 제작 시에 장치에 부속되어 있는 계측기의 데이터로부터 얻어지는 정보를, 상기의 카테고리와는 다른 별개의 카테고리의 데이터로서 데이터베이스에 등록해도 된다.
또한, 도 9a 내지 도 9d에 예시되는 테이블에 포함되는 데이터의 모두가, 하나의 기억 장치에 기억되어 있을 필요는 없다. 각 데이터는, 식별자 등에 의해 관련 지어져 있으면, 복수의 위치에 분산하여 배치된 기억 장치 또는 데이터 서버에 기억되어 있어도 된다.
이어서, 도 10을 참조하여, 본 실시 형태에 있어서의 데이터베이스(100)에 각종 데이터를 등록하는 처리의 예를 설명한다. 등록되는 데이터의 예는, 도 10에 도시하는 바와 같이, 재료 제작, 조직 평가, 재료 평가를 위한 실험·시작에 의해 얻어진 데이터(측정 데이터), 혹은, 이러한 측정 데이터로부터 추출되는 특징량을 포함한다. 또한, 등록되는 데이터의 예는, 또한, 문헌으로부터 얻어지는 정보, 시뮬레이션에 의한 결과를 포함할 수 있다.
도 10에 있어서, 데이터베이스(100)에 입력되는 「조성 데이터」 및 「프로세스 데이터」의 예는, 각각, 상기의 실험·시작 등을 실행할 때의 설정값이다. 한편, 데이터베이스(100)에 입력되는 「조직 데이터」 및 「특성 데이터」의 예는, 실험·시작 등으로부터 얻어지는 1차 데이터에 한정되지는 않고, 데이터 전처리에 의해 얻어지는 2차 데이터가 포함될 수 있다. 예를 들어, 아르키메데스법으로 측정한 밀도 등, 측정에 의해 구체적인 수치가 얻어지는 경우에는, 그것들을 1차 데이터로 하여, 그대로 데이터베이스에 입력(등록)해도 된다. 여기서, 「데이터 전처리」는, 예를 들어 스무딩 처리, 피크 추출, 해석에 의한 특징량의 추출」 등의 각종의 처리를 포함할 수 있다. 또한, 도 7c를 참조하면서 설명한 바와 같이, 1차 데이터(생 데이터)를 해석함으로써 특징량(2차 데이터)을 추출하는 것을 「데이터 전처리」로서 실행해도 된다. 그 경우에는, 데이터 전처리 후의 2차 데이터를 데이터베이스에 입력(등록)해도 된다.
또한, 2차 데이터를 데이터베이스(100)에 입력하는 경우, 1차 데이터(생 데이터)를 메타데이터로서 연관 지어서 데이터베이스에 저장해 두는 것은 유용하다. 또한, 복수의 1차 데이터 및/또는 2차 데이터를 사용한 계산에서 얻어지는 데이터, 예를 들어 치수와 중량으로부터 계산되는 밀도 등을 데이터베이스에 등록해도 된다. 또한, 측정에 의해 얻어지는 데이터(도 7a-도 7c, 도 8a)의 곡선을 규정하는 파라미터 또는 파라미터의 세트를, 조직 데이터의 특징량으로서, 데이터베이스에 등록해도 된다. 그러한 특징량에는, 예를 들어 「퀴리 온도」 등과 같은 공지된 용어에 맞출 수 없는 것도 포함될 수 있다.
<재료 데이터 처리 시스템의 구성>
본 개시의 실시 형태에 있어서의 재료 데이터 처리 시스템(1000)은, 도 3, 도 5 및 도 6을 참조하여 설명한 바와 같이, 적어도 하나의 데이터베이스(100)와, 이러한 데이터베이스(100)에 액세스하여 저장되어 있는 데이터를 읽어낼 수 있는 데이터 처리 장치(200)를 구비한다. 그리고, 이 데이터 처리 장치(200)는, 상기의 데이터를 이용하여, 후술하는 예에 나타내는 바와 같이, 여러가지 데이터 처리의 동작을 실행할 수 있다.
데이터베이스(100)에 등록한 데이터에 대한 데이터 처리에 의해, 데이터베이스(100) 내의 데이터는, 가시화 또는 기계 학습과 같은 데이터 과학적 방법을 사용한 해석에 사용된다. 1차 데이터가 그대로 특징량을 나타내는 경우에는, 1차 데이터가 그대로 사용될 수 있다. 다른 1차 데이터로부터 계산된 양, 예를 들어 치수 및 중량으로부터 계산된 재료의 밀도가 특징량으로서 해석에 사용되고 있어도 된다. 1차 데이터가 스펙트럼이나 히스테리시스 곡선의 경우에는, 그것들로부터 도출한 퀴리 온도 TC 등의 특징량이 해석에 활용될 수 있다.
구체적으로는, 본 개시의 실시 형태에 있어서의 재료 데이터 처리 시스템(1000)은, 입력값으로부터 수리 모델에 기초하여 출력값을 생성하여 출력하도록 구성되어 있다. 수리 모델은, 재료의 조성 데이터, 프로세스 데이터 및 특성 데이터의 적어도 하나로부터 규정되는 제1 변수와, 조직 데이터로부터 규정되는 제2 변수를 포함하고, 제2 변수는, 자화 온도 의존성에 기초하는 특징량을 포함할 수 있다.
또한, 이러한 재료 데이터 처리 시스템(1000)의 기능 블록은, 도 11에 도시하는 바와 같이, 프로세서(420)와, 프로세서(420)에 접속된 메모리(440)를 구비함으로써 실현될 수 있다. 메모리(440)는, 프로세서(420)의 동작을 규정하는 프로그램을 기억한다. 그리고, 프로세서(420)는, 메모리(440)가 기억하는 프로그램에 따라서 「수리 모델」에 기초하는 연산을 실행한다.
수리 모델은, 착안하는 설명 변수와 목적 변수에 대하여, 임의의 알고리즘을 사용해서 제작될 수 있다. 수리 모델을 생성하는 알고리즘으로서는, 국소 회귀, 랜덤 포레스트, 서포트 벡터 머신, 뉴럴 네트워크 등의 통계적 방법이나 기계 학습적 방법 등을 적용할 수 있다. 수리 모델은, 도 3, 도 5 및 도 6에 도시되어 있는 데이터베이스(100)에 저장되어 있는 데이터를 사용하여 미리 작성되어 있어도 되고, 입력 데이터와 출력 데이터를 선택할 때에 작성해도 된다. 또한, 수리 모델은, 데이터베이스(100)에 등록하는 데이터의 축적에 수반하여, 적절히 수정해도 된다.
또한, 수리 모델은, 도 11의 메모리(440)가 기억하고 있는 프로그램(알고리즘)과, 메모리(440)가 기억하고 있는 수치 파라미터(뉴럴 네트워크의 가중 계수 등)의 세트에 의해 규정된다. 이러한 알고리즘은, 재료의 조성, 프로세스, 특성 및 조직을 규정하는 적어도 하나의 변수인 입력값으로부터, 재료의 조성, 프로세스, 특성 및 조직을 규정하는 적어도 하나의 변수인 출력값을 구하도록 구성될 수 있다. 수리 모델을 특정하기 위하여 필요한 수치 파라미터의 세트는, 통신 회선 또는 기억 매체를 통해, 복수의 컴퓨터에 전개하는 것이 가능하다.
이러한 재료 데이터 처리 시스템(1000)은, 「재료 특성 예측 장치」, 「물성 예측 장치」, 「재료 설계 장치」로서 기능할 수 있다.
[재료 데이터 처리 시스템의 제1 예]
먼저, 도 12를 참조하여, 재료 데이터 처리 시스템(1000)의 제1 예를 설명한다. 도 12는, 제1 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다. 도 12의 데이터베이스(100)는, 도 10을 참조하면서 설명한 데이터의 입력(등록)에 의해 제작된 데이터베이스이다. 도 12에 있어서의 「데이터 입력」은, 도 10에 있어서의 「설정값」, 「1차 데이터」 및 「2차 데이터」를 데이터베이스(100)에 입력하는 것에 대응하고 있다.
제1 예에서는, 데이터 처리 장치(200)가, 데이터베이스(100)에 저장된 데이터의 일부 또는 전부를 포함하는 데이터 세트로부터, 예를 들어 퀴리 온도 TC 등의 자기 상전이에 관한 특징량을 포함하는 「조직」 카테고리에 등록된 하나 또는 복수의 특징량을 설명 변수, 「특성」 카테고리에 등록된 하나 또는 복수의 특징량을 목적 변수로 하여, 수리 모델을 도출·설정한다. 따라서, 데이터 처리 장치(200)는, 수리 모델 설정부로서도 기능할 수 있다.
이렇게 하여 얻어진 수리 모델을 사용하여, 실험 등으로 새롭게 얻어진 「조직 특징」의 값을 데이터 처리 장치(200)에 입력함으로써, 「재료 특성」의 예측값이 출력된다. 구체적으로는, 예를 들어 도 4에 도시되는 바와 같은 하드웨어 구성을 갖는 데이터 처리 장치(200)에 있어서, 도 4의 입력 장치(210) 등에 의해 입력된 「조직 특징」의 값에 기초하여, 프로세서(250)가 수리 모델을 이용한 연산을 행하고, 그 결과로서 얻어진 「재료 특성」의 예측 결과를, 예를 들어 표시 장치(220) 등에 표시할 수 있다.
이 예에 있어서, 도 12의 데이터 처리 장치(200)는, 데이터베이스(100)의 데이터를 활용하여 수리 모델을 도출하고, 그 수리 모델에 기초하는 재료 특성 계산을 실행한다. 그러나, 데이터 처리 장치(200)는, 다른 데이터 처리 장치(200)가 도출한 수리 모델을 통신 등에 의해 취득하고, 그 수리 모델에 기초하는 재료 특성 계산을 실행해도 된다.
또한, 수리 모델을 도출할 때에 사용되는 데이터베이스(100)에 있어서의 조직 데이터는, 자화 온도 의존성에 기초하는 특징량을 포함하고 있는 것이 필수적이지만, 그러한 데이터베이스(100)를 이용하여 도출된 수리 모델을 사용하여 데이터 처리 장치(200)가 재료 특성 계산을 행할 때, 입력되는 조직의 특징량이 자화 온도 의존성에 기초하는 특징량을 포함하고 있는 것은 반드시 필요하지는 않다. 수리 모델이 입력값으로부터와 출력값을 추정하는 모델을 학습에 의해 구축하는 과정에 있어서, 조직의 특징량이 자화 온도 의존성에 기초하는 특징량을 포함함으로써, 수리 모델의 예측 정밀도가 향상되거나, 수리 모델 도출에 필요한 데이터양이 저감하거나 하는 효과가 기대된다. 그렇게 하여 도출된 수리 모델을 사용하여 재료 특성의 계산을 행할 때, 입력되는 조직의 특징량이 자화 온도 의존성에 기초하는 특징량을 포함하는 것이 바람직하다고 기대되지만, 자화 온도 의존성에 기초하는 특징량을 결여하고 있어도, 재료 특성의 예측을 행하는 것이 가능하다.
[재료 데이터 처리 시스템의 제2 예]
이어서, 도 13을 참조하여, 재료 데이터 처리 시스템(1000)의 제2 예를 설명한다. 도 13은, 제2 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다. 이 예에서는, 데이터 처리 장치(200)가, 데이터베이스(100)에 저장된 데이터의 일부 또는 전부를 포함하는 데이터 세트로부터, 퀴리 온도 TC 등의 자기 상전이에 관한 특징량을 포함하는 「조직」 카테고리에 등록된 하나 또는 복수의 특징량을 설명 변수, 「특성」 카테고리에 등록된 하나 또는 복수의 특징량을 목적 변수로서, 수리 모델을 도출·설정한다.
이렇게 하여 얻어진 수리 모델을 사용하여, 요구되는 재료 특성의 값(요구값)을 입력하고, 공지된 방법 등을 사용하여 역문제를 풂으로써, 「조직 특징」의 후보가 출력된다. 구체적으로는, 데이터 처리 장치(200)의 프로세서(250)가, 입력 장치(210) 등에 의해 입력된 재료 특성의 요구값에 기초하여, 수리 모델을 이용한 연산을 행하고, 그 결과로서 얻어진 「조직 특징」의 후보를, 표시 장치(220) 등에 표시할 수 있다.
또한, 역문제를 푸는 대신, 데이터베이스(100)에 저장된 데이터의 일부 또는 전부를 포함하는 데이터 세트로부터, 「특성」카테고리에 등록된 하나 또는 복수의 특징량을 설명 변수로서, 퀴리 온도TC 등의 자기 상전이에 관한 특징량을 포함하는 「조직」카테고리에 등록된 하나 또는 복수의 특징량을 목적 변수로 하는, 수리 모델을 도출·설정 해도 된다. 그러한 수리 모델을 도출·설정한 경우, 정 문제를 풂으로써, 얻고 싶은 「특성」의 입력으로부터, 그러한 특성 실현에 필요한 「조직」의 후보의 출력을 얻는 것이 가능하다.
[재료 데이터 처리 시스템의 제3 예]
이어서, 도 14를 참조하여, 재료 데이터 처리 시스템(1000)의 제3 예를 설명한다. 도 14는, 제3 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다. 이 예에서는, 데이터 처리 장치(200)가, 데이터베이스(100)에 저장된 데이터의 일부 또는 전부를 포함하는 데이터 세트로부터, 퀴리 온도 TC 등의 자기 상전이에 관한 특징량을 포함하는 「조직」 카테고리에 등록된 하나 또는 복수의 특징량을 설명 변수, 「특성」 카테고리에 등록된 하나 또는 복수의 특징량을 목적 변수로 하여, 수리 모델을 도출·설정한다.
이어서, 퀴리 온도 TC 등 자기 상전이에 관한 특징량을 포함하는 「조직」 카테고리에 등록된 하나 또는 복수의 항목에 대해서, 조직 특징의 망라 예측점을 생성한다. 그리고, 전술한 수리 모델을 사용하여, 생성한 각 예측점에 대응하는 「특성」 카테고리에 등록된 항목의 하나 또는 복수에 대해서, 재료 특성이 예측되는 값을 계산한다.
그 후, 실현하고 싶은 「재료 특성」의 값(요구값)을 데이터 처리 장치(200)에 입력하면, 얻어진 일련의 「특성」 카테고리에 등록된 하나 또는 복수의 특징량의 예측값 중에서, 입력한 요구값에 가까운 것이 추출되고, 후보가 되는 「조직」으로서도 도 4의 표시 장치(220) 등에 출력된다. 추출의 판단 기준이 되는 요구값과 예측값의 차분은 목적에 따라서 적절히 설정된다. 이 예에 있어서, 도 14의 데이터 처리 장치(200)는, 데이터베이스(100)의 데이터를 활용하여 수리 모델을 도출하고, 그 수리 모델에 기초하는 조직 특징의 망라 예측점 생성, 재료 특성(예측) 계산 및 재료 특성의 요구값-예측값 비교를 실행한다. 또한, 데이터 처리 장치(200)는, 다른 데이터 처리 장치(200)가 도출한 수리 모델을 통신 등에 의해 취득하고, 그 수리 모델에 기초하는 조직 특징의 망라 예측점 생성, 재료 특성(예측) 계산 및 재료 특성의 요구값-예측값 비교를 실행해도 된다.
또한, 수리 모델과 조직 특징의 망라 예측점을 사용하여 계산한 재료 특성의 예측값은, 미리 데이터베이스(100) 또는 다른 기억 장치가 기억하고 있어도 된다.
[재료 데이터 처리 시스템의 제4 예]
이어서, 도 15를 참조하여, 재료 데이터 처리 시스템(1000)의 제4 예를 설명한다. 도 15는, 제4 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다. 이 예에서는, 데이터 처리 장치(200)가, 데이터베이스(100)에 저장된 데이터의 일부 또는 전부를 포함하는 데이터 세트로부터, 「조성」 카테고리 및/또는 「프로세스」 카테고리에 등록된 하나 또는 복수의 특징량을 설명 변수, 퀴리 온도 TC 등의 자기 상전이에 관한 특징량을 포함하는 「조직」 카테고리에 등록된 하나 또는 복수의 특징량을 목적 변수로 하여, 수리 모델을 도출·설정한다.
이렇게 하여 얻어진 수리 모델을 사용하여, 실험 등에서 새롭게 설정하는 「조성·재료 프로세스」로부터 「조직」의 예측값이 출력된다. 구체적으로는, 데이터 처리 장치(200)의 프로세서(250)가, 입력 장치(210) 등에 의해 입력된 조성·프로세스의 값에 기초하여, 수리 모델을 이용한 연산을 행하고, 그 결과로서 얻어진 조직의 예측값을 표시 장치(220) 등에 표시할 수 있다.
이 예에 있어서, 도 15의 데이터 처리 장치(200)는, 데이터베이스(100)의 데이터를 활용하여 수리 모델을 도출하고, 그 수리 모델에 기초하는 조직 계산을 실행한다. 또한 데이터 처리 장치(200)는, 다른 데이터 처리 장치(200)가 도출한 수리 모델을 통신 등에 의해 취득하고, 그 수리 모델에 기초하는 조직 계산을 실행해도 된다.
[재료 데이터 처리 시스템의 제5 예]
이어서, 도 16을 참조하여, 재료 데이터 처리 시스템(1000)의 제5 예를 설명한다. 도 16은, 제5 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다. 이 예에서는, 데이터베이스(100)에 저장된 데이터의 일부 또는 전부를 포함하는 데이터 세트로부터, 「조성」 카테고리 및/또는 「프로세스」 카테고리에 등록된 하나 또는 복수의 특징량을 설명 변수, 퀴리 온도 TC 등의 자기 상전이에 관한 특징량을 포함하는 「조직」 카테고리에 등록된 하나 또는 복수의 특징량을 목적 변수로 하여, 수리 모델을 도출·설정한다.
이렇게 하여 얻어진 수리 모델을 사용하여, 구해지는 조직 특징의 값(요구값)을 데이터 처리 장치(200)에 입력하면, 데이터 처리 장치(200)는, 공지된 방법 등을 사용하여 역문제를 풂으로써, 입력된 조직 특징을 실현할 수 있는 「조성」 및/또는 「프로세스」의 후보를 출력한다.
또한, 이 예에 있어서, 얻고 싶은 조직 특징의 값은, 예를 들어 구해지는 재료 특성의 값으로부터 도 13 또는 도 14를 참조하여 설명한 데이터 처리에 의해 구한 것이어도 된다. 또한, 출력되는 「조성」 및/또는 「프로세스」의 후보를 선택할 때, 조성의 범위 또는 값을 고정하는 등의 경계 조건을 미리 설정해도 된다.
이 예에 있어서, 도 16의 데이터 처리 장치(200)는, 데이터베이스(100)의 데이터를 활용하여 수리 모델을 도출하고, 그 수리 모델에 기초하는 조성·프로세스 계산을 실행한다. 또한, 데이터 처리 장치(200)는, 다른 데이터 처리 장치(200)가 도출한 수리 모델을 통신 등에 의해 취득하고, 그 수리 모델에 기초하는 조성·프로세스 계산을 실행해도 된다.
[재료 데이터 처리 시스템의 제6 예]
이어서, 도 17을 참조하여, 재료 데이터 처리 시스템(1000)의 제6 예를 설명한다. 도 17은, 제6 예에 있어서의 데이터 처리의 예를 도시하는 기능 블록도이다. 이 예에서는, 데이터 처리 장치(200)가, 데이터베이스에 저장된 데이터의 일부 또는 전부를 사용한 데이터 세트로부터, 「조성」 카테고리 및/또는 「프로세스」 카테고리에 등록된 하나 또는 복수의 특징량을 설명 변수, 퀴리 온도 TC 등의 자기 상전이에 관한 특징량을 포함하는 「조직」 카테고리에 등록된 하나 또는 복수의 특징량을 목적 변수로 하여, 수리 모델을 도출·설정한다.
이어서, 「조성」 카테고리 및/또는 「프로세스」 카테고리에 등록된 하나 또는 복수의 항목에 대하여 망라 예측점을 생성하고, 전술한 수리 모델을 사용하여, 생성한 각 예측점에 대응하는 「조직」 카테고리에 등록된 항목의 하나 또는 복수에 대해서, 특징량의 예측값을 계산한다. 그 후, 얻고 싶은 「조직」의 값(요구값)을 입력하면, 얻어진 퀴리 온도 TC 등의 자기 상전이에 관한 특징량을 포함하는 일련의 「조직」 카테고리에 등록된 하나 또는 복수의 특징량의 예측값 중에서, 입력한 요구값에 가까운 것이 추출되고, 「조성」 및/또는 「프로세스」의 후보로서 출력된다. 후보 추출의 판단 기준이 되는 요구값과 예측값의 차분은, 목적에 따라서 적절히 설정된다.
이 예에 있어서, 도 17의 데이터 처리 장치(200)는, 데이터베이스(100)의 데이터를 활용하여 수리 모델을 도출하고, 그 수리 모델에 기초하는 조성·프로세스의 망라 예측점 생성, 조직 특징(예측) 계산 및 재료 특성의 요구값-예측값 비교를 실행한다. 또한, 데이터 처리 장치(200)는, 다른 데이터 처리 장치(200)가 도출한 수리 모델을 통신 등에 의해 취득하고, 그 수리 모델에 기초하는 조성·프로세스의 직망라 예측점 생성, 조직 특징(예측) 계산 및 재료 특성의 요구값-예측값 비교를 실행해도 된다.
또한, 이 예에 있어서도, 얻고 싶은 조직 특징의 값은, 예를 들어 구해지는 재료 특성의 값으로부터 도 13 또는 도 14를 참조하여 설명한 데이터 처리에 의해 구한 것이어도 된다. 또한, 예를 들어 출력되는 「조성」 및/또는 「프로세스」의 후보를 선택할 때, 조성의 범위 또는 값을 고정하는 등의 경계 조건을 미리 설정해도 된다.
수리 모델과 「조성」 및/또는 「프로세스」의 망라 예측점을 사용하여 계산한 「조직」의 예측값은 미리 데이터베이스화해 두어도 상관없다.
또한, 도 14 또는 도 17을 참조하면서 설명한 「망라 예측점」을 얻기 위해서는, 예를 들어 이하를 실행하면 된다. 먼저, 도 14에 있어서의 「조직」, 도 17에 있어서의 「조성·프로세스」에 등록된 각 항목의 일부 또는 전부에 대해서, 실현 가능하다고 생각되는 범위를 설정한다. 그 후, 각각의 항목에 대하여, 랜덤 또는 소정의 간격 폭에서 복수의 수를 설정한다. 그리고, 각 항목의 복수의 수치끼리의 모든 조합을 제작한다. 도 14 또는 도 17의 예에 있어서, 설정한 「조직」 또는 「조성·프로세스」의 망라 예측점에 수리 모델을 적용함으로써 얻어지는 「재료 특성」이나 「조직 특징」의 결과는, 이러한 「망라 예측점」을 얻기 위하여 사용한 데이터를 저장하는 데이터베이스에 저장해도 되고, 다른 데이터베이스에 저장하여, 그것들을 필요할 때에 활용해도 된다.
또한, 「조직 특징」의 데이터를 통해, 「조성」, 「프로세스」, 및/또는, 「재료 특성」을 관련지은 해석을 행해도 된다. 예를 들어, 제4 예(도 15)를 활용하여 「조성」 및 「프로세스」로부터 「조직 특징」을 예측하고, 또한 제1 예(도 12)에 의해 예측한 「조직 특징」으로부터 「재료 특성」을 예측해도 된다. 또한, 제2 예(도 13)에 의해, 「재료 특성」의 요구값으로부터 「조직 특징」의 후보를 구하고, 또한 제6 예(도 17)에 의해, 구한 「조직 특징」으로부터 「조성」 「프로세스」의 후보를 얻어도 된다. 이들은, 조합의 예시 일부에 지나지 않고, 「조직 특징」을 통해 「조성」 「프로세스」와 「재료 특성」을 관련짓기 위한 제1 내지 제5 예의 조합 방법에 제한은 없다.
본 개시의 데이터베이스, 재료 데이터 처리 시스템 및 데이터베이스의 작성 방법은, 데이터 마이닝 등의 정보 과학을 이용하여 신 재료나 대체 재료를 효율적으로 탐색하는 머티리얼즈 인포메틱스에 적합하게 이용되고, 신 재료 또는 대체 재료의 개발에 이용될 수 있다.
100: 데이터베이스,
200: 데이터 처리 장치,
201: 본체,
220: 표시 장치,
210: 입력 장치,
220: 표시 장치,
230: 통신 I/F,
240: 기억 장치,
250: 프로세서,
260: ROM(Read Only Memory),
270: RAM(Random Access Memory),
280: 버스,
500: 인터넷,
1000: 재료 데이터 처리 시스템
200: 데이터 처리 장치,
201: 본체,
220: 표시 장치,
210: 입력 장치,
220: 표시 장치,
230: 통신 I/F,
240: 기억 장치,
250: 프로세서,
260: ROM(Read Only Memory),
270: RAM(Random Access Memory),
280: 버스,
500: 인터넷,
1000: 재료 데이터 처리 시스템
Claims (15)
- 개개의 시료에 고유한 식별자가 연관지어진 데이터를 저장하는 데이터베이스이며,
상기 데이터는,
상기 개개의 시료에 있어서의 조성 데이터, 프로세스 데이터 및 특성 데이터의 적어도 하나를 나타내는 제1 데이터와,
상기 개개의 시료에 있어서의 조직 데이터를 나타내는 제2 데이터를
포함하고,
상기 조직 데이터는, 상기 개개의 시료에 있어서의 자화 온도 의존성에 기초하는 특징량을 포함하고 있는, 데이터베이스. - 제1항에 있어서, 상기 자화 온도 의존성에 기초하는 특징량은, 자기 상전이에 관한 특징량인, 데이터베이스.
- 제2항에 있어서, 상기 자기 상전이에 관한 특징량은, 퀴리 온도 및 네엘 온도의 적어도 한쪽을 포함하는, 데이터베이스.
- 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 제1 데이터는,
상기 조성 데이터로서, 상기 개개의 시료에 포함되는 원소의 종류 및 상기 원소의 조성 비율을 포함하고,
상기 프로세스 데이터로서, 상기 개개의 시료를 제조하는 공정에서 실행된 열처리 조건을 규정하는 파라미터를 포함하는,
데이터베이스. - 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 제1 데이터는,
상기 특성 데이터로서, 상기 개개의 시료의 잔류 자속 밀도, 보자력, 포화 자화 및 투자율의 적어도 하나를 포함하는,
데이터베이스. - 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 제2 데이터는,
상기 조직 데이터로서, 상기 개개의 시료에 포함되는 주상의 결정 구조를 규정하는 파라미터를 포함하는,
데이터베이스. - 제1항 내지 제3항 중 어느 한 항에 기재된 적어도 하나의 데이터베이스와,
상기 데이터베이스에 액세스하여 저장되어 있는 상기 데이터를 읽어낼 수 있는 데이터 처리 장치를
구비하고,
상기 데이터 처리 장치는,
재료의 자화 온도 의존성에 기초하는 특징량을 포함하는 조직의 변수의 입력을 받고,
상기 재료의 특성을 규정하는 변수, 상기 재료의 조성을 규정하는 변수, 및/또는, 상기 재료의 프로세스를 규정하는 변수를 출력하는, 재료 데이터 처리 시스템. - 제1항 내지 제3항 중 어느 한 항에 기재된 적어도 하나의 데이터베이스와,
상기 데이터베이스에 액세스하여 저장되어 있는 상기 데이터를 읽어낼 수 있는 데이터 처리 장치를
구비하고,
상기 데이터 처리 장치는,
재료의 특성을 규정하는 변수의 입력을 받아,
상기 재료의 자화 온도 의존성에 기초하는 특징량을 포함하는 조직의 변수를 출력하는, 재료 데이터 처리 시스템. - 제1항 내지 제3항 중 어느 한 항에 기재된 적어도 하나의 데이터베이스와,
상기 데이터베이스에 액세스하여 저장되어 있는 상기 데이터를 읽어낼 수 있는 데이터 처리 장치를
구비하고,
상기 데이터 처리 장치는,
재료의 조성을 규정하는 변수 및/또는 프로세스를 규정하는 변수의 입력을 받아,
상기 재료의 자화 온도 의존성에 기초하는 특징량을 포함하는 조직의 변수를 출력하는, 재료 데이터 처리 시스템. - 제7항에 있어서, 상기 데이터 처리 장치는,
상기 데이터베이스에 저장되어 있는 상기 데이터에 기초하는 수리 모델에 기초하여, 설명 변수의 입력값으로부터 목적 변수의 출력값을 산출하고,
상기 수리 모델은, 상기 조직을 규정하는 설명 변수로서 상기 자화 온도 의존성에 기초하는 특징량을 포함하고, 또한, 목적 변수로서 상기 조성, 프로세스 및 특성의 적어도 하나를 포함하는, 재료 데이터 처리 시스템. - 제7항에 있어서, 상기 데이터 처리 장치는,
상기 데이터베이스에 저장되어 있는 상기 데이터에 기초하는 수리 모델에 기초하여, 목적 변수의 입력값으로부터 설명 변수의 출력값을 산출하고,
상기 수리 모델은, 상기 조직을 규정하는 설명 변수로서 상기 자화 온도 의존성에 기초하는 특징량을 포함하고, 또한, 목적 변수로서 상기 조성, 프로세스 및 특성의 적어도 하나를 포함하는, 재료 데이터 처리 시스템. - 제1항 내지 제3항 중 어느 한 항에 기재된 적어도 하나의 데이터베이스와,
상기 데이터베이스에 액세스하여 저장되어 있는 상기 데이터를 읽어낼 수 있는 데이터 처리 장치를
구비하고,
상기 데이터 처리 장치는,
목적 변수인 상기 제1 데이터의 상기 조성 데이터, 상기 프로세스 데이터 및 상기 특성 데이터의 적어도 하나로부터 규정되는 제1 변수와,
설명 변수인 상기 제2 데이터의 상기 자화 온도 의존성에 기초하는 특징량을 포함하는 상기 조직 데이터로부터 규정되는 제2 변수에
기초하여 수리 모델을 생성하는 수리 모델 설정부를 갖는, 재료 데이터 처리 시스템. - 제12항에 있어서, 프로세서와,
상기 프로세서에 접속되어, 상기 프로세서의 동작을 규정하는 프로그램을 기억하는 메모리를
구비하고,
상기 프로세서는, 상기 프로그램에 따라서 상기 수리 모델에 기초하는 연산을 실행하고, 상기 재료의 조성, 프로세스, 특성 및 조직을 규정하는 적어도 하나의 변수인 입력값으로부터, 상기 재료의 조성, 프로세스, 특성 및 조직을 규정하는 적어도 하나의 변수인 출력값을 구하는, 재료 데이터 처리 시스템. - 입력값으로부터 수리 모델에 기초하여 출력값을 생성하여 출력하는 재료 데이터 처리 시스템이며,
상기 수리 모델은,
재료의 조성 데이터, 프로세스 데이터 및 특성 데이터의 적어도 하나로부터 규정되는 제1 변수와,
조직 데이터로부터 규정되는 제2 변수를
포함하고,
상기 제2 변수는, 자화 온도 의존성에 기초하는 특징량을 포함하는, 재료 데이터 처리 시스템. - 개개의 시료에 고유한 식별자가 연관지어진 데이터이며, 상기 개개의 시료에 대하여 취득된 조성, 프로세스 및 특성의 적어도 하나의 데이터 및 상기 개개의 시료에 대하여 취득된 조직의 데이터를 수집하는 스텝과,
수집한 상기 데이터를 기억 장치에 기억시키는 스텝을
포함하고,
상기 데이터가, 상기 시료에 대하여 취득된 자화 온도 의존성에 기초하는 특징량을 포함하는 경우, 상기 특징량을, 적어도 상기 조직의 데이터로서 상기 식별자에 관련짓는, 데이터베이스의 작성 방법.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JPJP-P-2021-128755 | 2021-08-05 | ||
| JP2021128755A JP7188512B1 (ja) | 2021-08-05 | 2021-08-05 | データベース、材料データ処理システム、およびデータベースの作成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230021585A true KR20230021585A (ko) | 2023-02-14 |
Family
ID=84441436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220089326A KR20230021585A (ko) | 2021-08-05 | 2022-07-20 | 데이터베이스, 재료 데이터 처리 시스템 및 데이터베이스의 작성 방법 |
Country Status (4)
| Country | Link |
|---|---|
| US (2) | US11803522B2 (ko) |
| JP (1) | JP7188512B1 (ko) |
| KR (1) | KR20230021585A (ko) |
| CN (1) | CN115599761B (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7409464B1 (ja) | 2022-11-01 | 2024-01-09 | 株式会社プロテリアル | 材料データ処理装置及び方法 |
| JP7409472B1 (ja) | 2022-12-14 | 2024-01-09 | 株式会社プロテリアル | 材料データ処理装置及び方法 |
| CN115983738B (zh) * | 2023-03-21 | 2023-06-27 | 广东仁懋电子有限公司 | 一种用于提升氮化镓制备效率的方法和装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020090848A1 (ja) | 2018-10-30 | 2020-05-07 | 昭和電工株式会社 | 材料設計装置、材料設計方法、及び材料設計プログラム |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9120245B1 (en) * | 2007-05-09 | 2015-09-01 | The United States Of America As Represented By The Secretary Of The Air Force | Methods for fabrication of parts from bulk low-cost interface-defined nanolaminated materials |
| US9765271B2 (en) * | 2012-06-27 | 2017-09-19 | James J. Myrick | Nanoparticles, compositions, manufacture and applications |
| US20150266778A1 (en) * | 2012-10-04 | 2015-09-24 | Rutgers, The State University Of New Jersey | Granite-like composite materials and methods of preparation thereof |
| GB2507571A (en) * | 2012-11-05 | 2014-05-07 | Element Six Abrasives Sa | A polycrystalline superhard body with polycrystalline diamond (PCD) |
| AU2014342154A1 (en) * | 2013-10-31 | 2016-06-02 | Vermeer Manufacturing Company | Hardfacing incorporating carbide particles |
| WO2017164376A1 (ja) * | 2016-03-25 | 2017-09-28 | 国立研究開発法人産業技術総合研究所 | 磁性材料とその製造法 |
| CN111386161B (zh) * | 2017-09-25 | 2022-05-17 | 国立研究开发法人产业技术综合研究所 | 磁性材料及其制造法 |
| US11575006B2 (en) * | 2018-03-20 | 2023-02-07 | The Regents Of The University Of California | Van der Waals integration approach for material integration and device fabrication |
| CN110516701A (zh) * | 2019-07-12 | 2019-11-29 | 上海大学 | 基于数据挖掘快速预测钙钛矿居里温度的方法 |
| JP7285483B2 (ja) * | 2019-08-29 | 2023-06-02 | トヨタ自動車株式会社 | 飽和磁化予測方法及び飽和磁化予測シミュレーションプログラム |
| JP7267883B2 (ja) | 2019-09-18 | 2023-05-02 | 株式会社日立製作所 | 材料特性予測システムおよび材料特性予測方法 |
| US11427902B2 (en) * | 2019-09-19 | 2022-08-30 | Cornerstone Intellectual Property, Llc | Additive manufacturing of iron-based amorphous metal alloys |
| US11127942B2 (en) * | 2019-10-25 | 2021-09-21 | Lyten, Inc. | Systems and methods of manufacture of carbon based structures incorporated into lithium ion and lithium sulfur (li s) battery electrodes |
-
2021
- 2021-08-05 JP JP2021128755A patent/JP7188512B1/ja active Active
-
2022
- 2022-07-15 CN CN202210837515.1A patent/CN115599761B/zh active Active
- 2022-07-20 KR KR1020220089326A patent/KR20230021585A/ko not_active Application Discontinuation
- 2022-08-02 US US17/879,067 patent/US11803522B2/en active Active
-
2023
- 2023-06-05 US US18/205,762 patent/US11934360B2/en active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020090848A1 (ja) | 2018-10-30 | 2020-05-07 | 昭和電工株式会社 | 材料設計装置、材料設計方法、及び材料設計プログラム |
Non-Patent Citations (1)
| Title |
|---|
| 고세키 도시히코 「재료 데이터와 머티리얼즈 인티그레이션」 정보 관리 Vol.59, No.3, p.165(2016). |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230325365A1 (en) | 2023-10-12 |
| JP2023023329A (ja) | 2023-02-16 |
| JP7188512B1 (ja) | 2022-12-13 |
| CN115599761A (zh) | 2023-01-13 |
| US11803522B2 (en) | 2023-10-31 |
| CN115599761B (zh) | 2024-04-16 |
| US11934360B2 (en) | 2024-03-19 |
| US20230041536A1 (en) | 2023-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20230021585A (ko) | 데이터베이스, 재료 데이터 처리 시스템 및 데이터베이스의 작성 방법 | |
| Abuzaid et al. | Critical resolved shear stress for slip and twin nucleation in single crystalline FeNiCoCrMn high entropy alloy | |
| Zhao | Combinatorial approaches as effective tools in the study of phase diagrams and composition–structure–property relationships | |
| Franco et al. | Predicting the tricritical point composition of a series of LaFeSi magnetocaloric alloys via universal scaling | |
| Zhang et al. | Atomic mobilities and diffusivities in the fcc, L12 and B2 phases of the Ni-Al system | |
| Li et al. | Generalized stacking fault energy of γ-Fe | |
| Carvajal-Nunez et al. | Determination of elastic properties of polycrystalline U3Si2 using resonant ultrasound spectroscopy | |
| Pilchak et al. | AnyStitch: a tool for combining electron backscatter diffraction data sets | |
| JP4365600B2 (ja) | 鋼材の製品品質設計装置及び鋼材製品の製造方法 | |
| JP7255741B2 (ja) | 材料設計装置、およびマテリアルズインフォマティクスによる材料開発方法 | |
| DeGeorge et al. | Time temperature transformation diagram for secondary crystal products of Co-based Co-Fe-B-Si-Nb-Mn soft magnetic nanocomposite | |
| Martinelli et al. | Microstructural evolution throughout the structural transition in 1111 oxypnictides | |
| WO2013128646A1 (ja) | 熱間加工予測システムおよび熱間加工予測方法 | |
| Pang et al. | Correlation between grain‐boundary segregation and grain‐boundary plane orientation in Nb‐doped TiO2 | |
| JP7409464B1 (ja) | 材料データ処理装置及び方法 | |
| JP7409472B1 (ja) | 材料データ処理装置及び方法 | |
| JP6863152B2 (ja) | 靱性予測装置、靱性予測方法、およびプログラム | |
| WO2019111636A1 (ja) | 誘電体材料の検出方法、検出装置、検出プログラムおよび誘電体組成物 | |
| JP5522060B2 (ja) | 品質予測装置、操業条件決定方法、品質予測方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体 | |
| Ghosh et al. | Structure imaging and vanadium substitution in cubic TiCr2 Laves phase | |
| JP2018005588A (ja) | 不良原因探索システム、及び不良要因探索方法 | |
| Dam et al. | A regression-based feature selection study of the Curie temperature of transition-metal rare-earth compounds: prediction and understanding | |
| Avdeev et al. | Wombat and Echidna: the powder diffractometers | |
| Lade et al. | Implementing Six Sigma approach for Quality evaluation of a RMC plant at Mumbai, India | |
| Lauzon-Gauthier et al. | A Database approach for predicting and monitoring baked anode properties |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| A302 | Request for accelerated examination | ||
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal |