WO2018061239A1 - セメントの品質または製造条件の予測方法 - Google Patents

セメントの品質または製造条件の予測方法 Download PDF

Info

Publication number
WO2018061239A1
WO2018061239A1 PCT/JP2017/003988 JP2017003988W WO2018061239A1 WO 2018061239 A1 WO2018061239 A1 WO 2018061239A1 JP 2017003988 W JP2017003988 W JP 2017003988W WO 2018061239 A1 WO2018061239 A1 WO 2018061239A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
value
cement
learning
monitoring data
Prior art date
Application number
PCT/JP2017/003988
Other languages
English (en)
French (fr)
Inventor
諒一 末松
大亮 黒川
宙 平尾
Original Assignee
太平洋セメント株式会社
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 太平洋セメント株式会社 filed Critical 太平洋セメント株式会社
Priority to MYPI2019001547A priority Critical patent/MY191427A/en
Priority to JP2017528865A priority patent/JP6208403B1/ja
Publication of WO2018061239A1 publication Critical patent/WO2018061239A1/ja

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C04—CEMENTS; CONCRETE; ARTIFICIAL STONE; CERAMICS; REFRACTORIES
    • C04B—LIME, MAGNESIA; SLAG; CEMENTS; COMPOSITIONS THEREOF, e.g. MORTARS, CONCRETE OR LIKE BUILDING MATERIALS; ARTIFICIAL STONE; CERAMICS; REFRACTORIES; TREATMENT OF NATURAL STONE
    • C04B7/00—Hydraulic cements
    • C04B7/36—Manufacture of hydraulic cements in general
    • 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

Definitions

  • the present invention relates to a method for predicting cement quality or manufacturing conditions using a neural network.
  • cement Many qualities are required for cement, such as fluidity and workability before curing, and various chemical and physical characteristics after curing.
  • compressive strength of mortar at a material age of 28 days in accordance with “JIS R 5201 (Cement physical test method)” can be mentioned.
  • quality items such as compressive strength of the mortar described above, which take a long time to understand the quality test results, make it difficult to ship cement after confirming the quality test results.
  • quality control items in the manufacturing process such as the composition of the cement clinker (chemical composition and mineral composition) and the fineness of the cement are set at the cement manufacturing site, and the quality items based on the age of the material are controlled as prescribed. Management reference values based on experience are set for quality control items in the manufacturing process so as to satisfy the reference values.
  • the cement quality control method using quality control items in the manufacturing process as an index is indirect management based on limited alternative indices, so it is unavoidable that the management accuracy has some degree of ambiguity. Therefore, it is a method that must set management standards on the safe side excessively. Therefore, while suppressing the occurrence of over-spec products resulting from quality control trends set on the safe side, we can stably manufacture products with a specified quality, and also detect abnormal products that are out of quality standards.
  • various techniques for predicting cement quality with higher accuracy by utilizing various other information related to cement manufacturing in addition to information on quality control items in the manufacturing process have been proposed. .
  • Patent Document 1 As a cement quality prediction method including a neural network learning process, for example, Patent Document 1 has an input layer for inputting an actual measurement value of monitoring data and an output layer for outputting an estimated value of evaluation data. A method for predicting cement quality or manufacturing method using a neural network, and learning the neural network with a sufficiently large number of learning times such that ⁇ L ⁇ M using the learning data and the monitor data. Later, learning of the neural network is repeated while reducing the number of learning until ⁇ L ⁇ ⁇ M, and when the analytical determination value after learning is less than a preset value, cement manufacturing is performed in the input layer of the neural network.
  • cement quality or production conditions can be predicted in a short time and with high accuracy.
  • the analytical value determination value is There is a case where the prediction cannot be made because the predetermined set value is not satisfied. It is an object of the present invention to provide cement quality or manufacturing conditions (manufacturing necessary for manufacturing cement having appropriate quality in a short time and with high accuracy even when the analysis degree determination value does not satisfy a predetermined set value. It is to provide a method by which the above conditions) can be predicted.
  • the inventors of the present invention are methods for predicting cement quality or manufacturing conditions using a neural network, and using learning data and monitor data, ⁇ L ⁇ M (the meaning of this expression will be described later.) become as, after the learning of the neural network in a sufficiently large number of times of learning, in turn, the learning of the neural network while reducing the number of times of learning ⁇ L ⁇ ⁇ M Monitoring data when the analysis degree determination value does not satisfy (exceeds) the first set value and the analysis degree determination value satisfies a predetermined second set value (below).
  • the measured value of the monitoring data belongs to a numerical range formed by a specific limiting condition
  • the measured value of the monitoring data is input to the input layer of the neural network
  • the present invention provides the following [1] to [7].
  • a method for predicting cement quality or production conditions using a neural network having an input layer and an output layer, wherein the input layer is for inputting an actual value of monitoring data in cement production, The output layer is for outputting an estimated value of evaluation data related to evaluation of cement quality or production conditions, and a combination of the monitoring data and the evaluation data is (I)
  • the monitoring data is one or more types of data selected from data on cement clinker raw materials, data on cement clinker firing conditions, data on cement grinding conditions, and data on cement clinker, and A combination in which the evaluation data is one or more types of data selected from data on raw materials of cement clinker, data on firing conditions of cement clinker, data on grinding conditions of cement, data on cement clinker, and data on cement, or
  • a type in which the monitoring data is selected from data on cement clinker raw materials, data on cement clinker firing conditions, data on cement grinding conditions, data on cement clinker, and data on mixed
  • step (J) A step of performing step (J) when the number of times is equal to or less than a predetermined value;
  • the analytical value determination value is calculated using the following equation (1), and when the analytical value determination value is less than a predetermined first set value, the learning of the neural network is terminated, and the learned neural network
  • the actual value of the monitoring data for cement production is input to the network input layer, and the estimated value of the evaluation data related to the evaluation of the cement quality or manufacturing conditions is output from the output layer of the neural network to provide the cement quality.
  • the step (J) is performed.
  • a determination is made as to the number of times the step (A) has been performed.
  • step (K) when the number of times exceeds a preset number of times, and (K) Of all the analytical determination values calculated in step (I), when the smallest analytical determination value is less than a predetermined second set value, the smallest analytical determination value can be obtained.
  • step (L) is performed, and if the smallest analytical determination value is greater than or equal to a predetermined second set value, the cement quality Or the process of determining that the manufacturing conditions cannot be predicted and terminating the prediction, (L)
  • step (L) For all types of monitoring data used for learning the neural network, set a fixed value for monitoring data to set a predictable monitoring data area, Of the set fixed values of monitoring data, only the fixed value of one type of monitoring data is arbitrarily changed, and the value of the changed monitoring data and the fixed value of the monitoring data other than the changed monitoring data are After obtaining a plurality of estimated values of evaluation data by inputting to the input layer of the learned neural network, the value obtained by subtracting the smallest value from the largest value among the estimated values of the obtained evaluation data, and the process The mean square error ( ⁇ ) of the learning data used to calculate the analytic degree determination value in the step (I) in which the smallest analytical degree judgment value can be obtained among all the analytical degree judgment values calculated in (I).
  • the actual value of the monitoring data used as learning data in the coordinate space having all the two types of monitoring data as coordinate axes. Is an area that includes all of the monitoring data formed by connecting the plotted monitoring data in the coordinate space, and is formed by connecting the monitoring data so that the area is maximized.
  • the process (M) is performed, When the value obtained by subtracting the smallest value from the largest value is equal to or greater than the value obtained by multiplying the mean square error ( ⁇ L ) by 2, the quality of the cement or the production condition is 0 or 1 Determining that the prediction cannot be made and ending the prediction, (M) It is determined whether or not the actual value of monitoring data in cement production is included in the predictable monitoring data area, and when the actual value of monitoring data in cement manufacturing is included in the predictable monitoring data area, Evaluation data related to evaluation of cement quality or manufacturing conditions is input from the output layer of the neural network by inputting the actual value of monitoring data in cement manufacturing to the input layer of the learned neural network obtained in (K).
  • the mean square error ( ⁇ L ) of the learning data is an estimation of the evaluation data obtained by inputting the measured value of the monitoring data of the learning data to the input layer of the neural network after learning.
  • the mean square error ( ⁇ L ) between the value and the actual measurement value of the evaluation data of the learning data is the input of the neural network after learning the actual measurement value of the monitoring data of the learning data (This is the average estimated value of the evaluation data obtained by entering the layer.)
  • the predetermined first set value of the analytic degree determination value is 6% or less, and the predetermined second set value of the analytical degree determination value is larger than the first set value and 20 %.
  • the cement is Portland cement
  • the combination of the monitoring data and the evaluation data is (ii) the monitoring data is data relating to cement
  • the evaluation data is obtained by kneading cement and water.
  • the data relating to the cement which is a combination of data relating to the physical properties of the composition and the monitoring data described above, includes the Blaine specific surface area of the Portland cement, the sieve test residual amount, the wet f. It is one or more selected from CaO, mineral composition, and chemical composition, and the data relating to the physical properties of the composition obtained by kneading cement and water, which is the above evaluation data, is the compressive strength, bending strength, and flow of mortar.
  • the cement is a mixed cement
  • the combination of the monitoring data and the evaluation data is (ii) the monitoring data is data related to the cement and data related to the mixed material
  • the evaluation data is This is a combination of data relating to the physical properties of a composition obtained by kneading water, and the data relating to the cement, which is the above monitoring data, includes the Blaine specific surface area, the sieve test residual amount, the density, the wetness of the portrant cement contained in the mixed cement. f.
  • the data relating to the mixed material is one or more selected from the Blaine specific surface area of the mixed material, the amount of residual sieve test, the density, and the chemical composition.
  • the data on the physical properties of the kneaded composition is any one of the above [1] to [3], which is one or more selected from the compressive strength, bending strength, fluidity, heat of hydration, and setting time of the mortar.
  • step (A-1) two or more types of monitoring data aggregates comprising one or more types of arbitrarily selected monitoring data are prepared, and the two or more types of monitoring data aggregates are prepared.
  • a plurality of selection data which is a combination of the actual measurement value of the monitoring data and the actual measurement value of the evaluation data
  • an unlearned neural network different from the neural network used in steps (A) to (M) is learned and obtained.
  • the mean square error between the estimated value of the evaluation data obtained by inputting the actual value of the monitoring data of the selected data to the input layer of the selected neural network and the actual value of the evaluation data of the selected data is calculated.
  • cement quality or manufacturing conditions of the present invention By using the method for predicting cement quality or manufacturing conditions of the present invention, even in conditions that are difficult with a prediction method including a learning process of a conventional neural network, such as a small number of learning data, it is short and high. Cement quality or manufacturing conditions can be predicted with accuracy. Moreover, it is possible to optimize manufacturing conditions in real time based on the obtained estimated value, and to improve the stabilization of cement quality. Furthermore, high prediction accuracy can be maintained by continuing learning of the neural network.
  • FIG. 1 It is a flowchart which shows an example of the prediction method of this invention. It is a figure which shows the predictable monitoring data area
  • FIG. It is a figure which shows the predictable monitoring data area
  • FIG. 1 It is a figure which shows the predictable monitoring data area
  • the prediction method of the present invention includes a neural network having an input layer for inputting an actual measurement value of monitoring data in cement production and an output layer for outputting an estimated value of evaluation data related to evaluation of cement quality or production conditions. It is a method for predicting cement quality or production conditions using a network.
  • the neural network of the present invention may be a hierarchical neural network having an intermediate layer between an input layer and an output layer.
  • the monitoring data is one or more types of data selected from data on cement clinker raw materials, data on cement clinker firing conditions, data on cement grinding conditions, and data on cement clinker
  • the evaluation Combination wherein the data is one or more types of data selected from data on raw materials of cement clinker, data on firing conditions of cement clinker, data on grinding conditions of cement, data on cement clinker, and data on cement
  • Monitoring data includes data on raw materials of cement clinker, data on firing conditions of cement clinker, data on grinding conditions of cement, data on cement clinker, data on cement Combinations and represents one or more data selected from the data relating to the mixing member
  • the evaluation data is data on the physical properties of the composition obtained by kneading cement and water
  • Data on cement clinker raw material which is one of the monitoring data in the combination of (i), includes the chemical composition of the raw material of cement clinker, hydraulic modulus, residual amount of sieve test, brain specific surface area (fineness), Loss on ignition; Time at a predetermined time before the input to the kiln (for example, one time point before 5 hours, four time points before 3 hours, 4 hours before, 5 hours before, and 6 hours before) The chemical composition of the raw material of cement clinker (mixed raw material of cement clinker from which fine particles etc. have been extracted by the air current flowing during conveyance).
  • the chemical composition of the raw material of cement clinker (prepared raw material or raw material in kiln) is SiO 2 , Al 2 O 3 , Fe 2 O 3 , CaO, MgO, SO 3 , Na 2 O in the raw material of cement clinker. , K 2 O, Na 2 Oeq (total alkali), TiO 2 , P 2 O 5 , MnO, Cl, Cr, Zn, Pb, Cu, Ni, V, As, Zr, Mo, Sr, Ba, F, etc. It is a content rate.
  • Data relating to cement clinker firing conditions which is one of the monitoring data in the above combination (i), is the amount of cement clinker raw material inserted, the kiln kiln CFW, the kiln rotation speed, the outlet temperature, and the firing zone temperature. , Cement clinker temperature, kiln average torque, O 2 concentration, NO X concentration, clinker cooler temperature, preheater gas flow rate (which correlates with preheater temperature), and the like. These data are used singly or in combination of two or more.
  • One of the monitoring data in the combination of (i) above, “data on cement grinding conditions” is the grinding temperature, the amount of water spray in the finishing mill, the separator air volume, the type of gypsum, the amount of gypsum added, the input of cement clinker Examples thereof include the amount, the number of revolutions of the finishing mill, the temperature of the powder discharged from the finishing mill, the amount of the powder discharged from the finishing mill, the amount of the powder not discharged from the finishing mill, and the grindability.
  • Data on cement clinker which is one of the monitoring data in the combination of (i), includes the mineral composition of cement clinker, crystallographic properties (such as lattice constant and crystallite diameter) of each mineral, and two or more minerals Composition ratio, chemical composition, wet f. Examples thereof include CaO (free lime), capacity, and weight. These data are used singly or in combination of two or more.
  • the mineral composition of the cement clinker is 3CaO ⁇ SiO 2 (C 3 S), 2CaO ⁇ SiO 2 (C 2 S), 3CaO ⁇ Al 2 O 3 (C 3 A), 4CaO ⁇ Al 2 O 3 ⁇ Fe 2 O 3 (C 4 AF), f. CaO, f.
  • the ratio of the two or more mineral composition includes, for example, the ratio of C 3 S / C 2 S.
  • the mineral composition of the cement clinker can be obtained by, for example, the XRD-Riet belt method.
  • the chemical composition of the cement clinker means SiO 2 , Al 2 O 3 , Fe 2 O 3 , CaO, MgO, SO 3 , Na 2 O, K 2 O, Na 2 Oeq (total alkali), TiO 2 in the cement clinker. , P 2 O 5 , MnO, Cl, Cr, Zn, Pb, Cu, Ni, V, As, Zr, Mo, Sr, Ba, F, and the like.
  • monitoring data only one kind of data selected from among data relating to cement clinker raw material, data relating to cement clinker firing conditions, data relating to cement grinding conditions, and data relating to cement clinker is provided. However, it is preferable to use two or more (plural) of these four types of data from the viewpoint of improving the accuracy of prediction of evaluation data.
  • the evaluation data in the combination of (i), “data on raw materials of cement clinker”, “data on firing conditions of cement clinker”, “data on grinding conditions of cement”, and “data on cement clinker” are respectively This is the same as the above-mentioned monitoring data “data related to cement clinker raw material”, “data related to cement clinker firing conditions”, “data related to cement grinding conditions”, and “data related to cement clinker”.
  • the above-mentioned “data on cement clinker raw material”, “data on cement clinker firing conditions”, “data on cement grinding conditions”, and “data on cement clinker” can also serve as monitoring data.
  • Examples of the “data on cement” which is one of the evaluation data in the combination of (i) include the brain specific surface area, the sieve test residual amount, the gypsum hemihydrate, the color tone, and the like.
  • the monitoring data in the combination of (ii) is “data on raw materials of cement clinker”, “data on firing conditions of cement clinker”, “data on grinding conditions of cement”, and “data on cement clinker”, respectively. This is the same as “data regarding cement clinker raw material”, “data regarding firing conditions of cement clinker”, “data regarding grinding conditions of cement”, and “data regarding cement clinker”, which are monitoring data in the combination of (i).
  • Data relating to cement” which is monitoring data in the combination of (ii) includes chemical composition, mineral composition, crystallographic properties (such as lattice constant and crystallite diameter) of each mineral, wet f.
  • Portland cement base cement contained in mixed cement
  • examples thereof include CaO, mineral composition, chemical composition, gypsum hemihydrate, color tone, mixed cement mineral composition, and mixed material content.
  • Examples of the cement include (1) various Portland cements defined in “Japanese Industrial Standard (hereinafter referred to as“ JIS ”) R 5210 (Portland cement)”, and (2) the above various Portland cements and blast furnaces.
  • mixed cements made by mixing one or more kinds of mixed materials selected from slag powder, calcined shale powder, fly ash, limestone powder, and silica fume, and (3) Ecocement specified in “JIS R 5214 (Ecocement)” Etc.
  • the mixed cement include a blast furnace cement specified in “JIS R 5211 (Blast Furnace Cement)”, a fly ash cement specified in “JIS R 5213 (Fly Ash Cement)”, and a fly ash cement.
  • Examples include cement having a high fly ash content (the fly ash content is more than 30% by mass and not more than 60% by mass).
  • a mixed cement obtained by mixing Portland cement and fly ash is hereinafter referred to as “fly ash mixed cement”.
  • the “data regarding the mixed material” which is monitoring data in the combination of (ii) includes the brain specific surface area of the mixed material contained in the cement (for example, mixed cement), the sieve test residual amount (45 ⁇ m sieve test residual amount, etc. ), Density, chemical composition, loss on ignition, vitrification rate, and the like. These data are used singly or in combination of two or more.
  • the chemical composition of cement refers to SiO 2 , Al 2 O 3 , Fe 2 in cement raw materials (in the case of cement containing mixed materials, cement raw materials including mixed materials).
  • Cement (various Portland cements) the mineral composition of, 3CaO ⁇ SiO 2 (C 3 S), 2CaO ⁇ SiO 2 (C 2 S), 3CaO ⁇ Al 2 O 3 (C 3 A), 4CaO ⁇ Al 2 O 3 Fe 2 O 3 (C 4 AF), f.
  • the mineral composition of the mixed cement 3CaO ⁇ SiO 2 (C 3 S), 2CaO ⁇ SiO 2 (C 2 S), 3CaO ⁇ Al 2 O 3 (C 3 A), 4CaO ⁇ Al 2 O 3 ⁇ Fe 2 O 3 (C 4 AF), f. CaO, f.
  • the mineral composition of the mixed cement can be obtained, for example, by the XRD-Rietbelt method.
  • the chemical composition of the mixed material is SiO 2 , Al 2 O 3 , Fe 2 O 3 , CaO, MgO, SO 3 , Na 2 O, K 2 O, Na 2 Oeq (total alkali), TiO 2 in the mixed material. , P 2 O 5 , MnO, Cl, Cr, Zn, Pb, Cu, Ni, V, As, Zr, Mo, Sr, Ba, F, etc.
  • the color tone (color tone L value, color tone a value, color tone b value) is a value measured by the method of “JIS Z 8722 (color measurement method—reflection and transmission object color)” or the like.
  • the “physical properties of the composition obtained by kneading cement and water”, which is evaluation data in the combination of (ii), is the compression strength, bending strength, fluidity (flow value), heat of hydration, setting time, Examples thereof include drying shrinkage rate, stability, swelling in water, sulfate resistance, neutralization, ASR resistance, and the like.
  • the preferred monitoring data combinations that can be predicted with higher accuracy are the chemical composition of the cement clinker raw material, hydraulic modulus, sieve test residue, brane specific surface area, ignition Weight loss: Among the data on the firing conditions of cement clinker, kiln CFW entering kiln, kiln rotation speed, outlet temperature, firing zone temperature, cement clinker temperature, kiln average torque, O 2 concentration, NO X concentration, clinker cooler temperature, Preheater gas flow rate; among data on cement grinding conditions, grinding temperature, amount of water spray in finishing mill Separator air volume, amount of gypsum added, amount of cement clinker input, finishing mill speed, temperature of powder discharged from finishing mill, amount of powder discharged from finishing mill, powder not discharged from finishing mill Amount, grindability:
  • monitoring data combinations include the following (a) to (b).
  • the cement subject to prediction is Portland cement
  • the combination of the monitoring data includes cement brain surface area, sieve test residual amount (31 ⁇ m sieve test residual amount, 32 ⁇ m sieve test residual amount), wet f.CaO, mineral composition (C 3 S, C 2 S, C 3 A, C 4 AF, dihydrate gypsum, hemihydrate gypsum, f.CaO, f.MgO, CaCO 3 Amount) and chemical composition (amount of MgO, Na 2 O, K 2 O, Na 2 Oeq (total alkali), P 2 O 5 , TiO 2 ) or more
  • the target cement is fly ash mixed cement (mixed cement)
  • the combination of monitoring data is cement (mixed cement: fly ash mixed cement)
  • the specific surface area and density of the portrant cement (base cement) contained in the cement mixed cement
  • a specific type of monitoring data is selected from a plurality of types of monitoring data, and the selected monitoring data is used in steps (A) to (M), which will be described later. Can be further enhanced.
  • specific types of monitoring data one type or a combination of two or more types of monitoring data that can further improve the accuracy of prediction of evaluation data
  • the target cement is not particularly limited.
  • Various portland cements such as sandstone, moderately hot portland cement, low heat portland cement, and (2) one or more mixed materials selected from the above-mentioned various portland cements, blast furnace slag powder, calcined shale powder, fly ash, limestone powder and silica fume.
  • Various mixed cements for example, blast furnace cement and fly ash mixed cement specified in “JIS R 5211 (Blast Furnace Cement)”
  • JIS R 5214 Engel Cement
  • the manufacturing process of Portland cement is roughly divided into three processes: a raw material process, a firing process, and a finishing process.
  • the raw material process is a process in which cement raw materials such as limestone, clay, silica stone, and iron oxide raw materials are prepared at an appropriate ratio and finely pulverized by a raw material mill to obtain a mixed raw material of Portland cement clinker.
  • the firing step is a step in which the raw material for preparing Portland cement clinker is supplied to a rotary kiln via a suspension preheater and the like, sufficiently fired and then cooled to obtain a Portland cement clinker.
  • the finishing step is a step of obtaining Portland cement by adding an appropriate amount of gypsum and the like to the obtained Portland cement clinker and finely pulverizing with a finishing mill.
  • Step (A-1) This step is a step optionally performed before step (A) for the purpose of further improving the accuracy of evaluation data prediction.
  • step (A) two or more types of monitoring data aggregates composed of one or more kinds of arbitrarily selected monitoring data are prepared, and each of the two or more types of monitoring data aggregates is subjected to steps (A) to (M).
  • Steps (A) to (M) are performed by using a plurality of combinations of measured values of monitoring data and measured values of evaluation data (hereinafter also referred to as “selected data”) for selecting monitoring data suitable for use.
  • selected data measured values of evaluation data
  • Learning of an unlearned neural network different from the neural network used in the above, and an estimated value of the evaluation data obtained by inputting the actual measurement value of the monitoring data of the selected data to the input layer of the obtained neural network Root mean square error (RMSE) with the measured value of the evaluation data of the selected data is calculated, and the numerical value of the mean square error is the smallest Monitoring data in Tsu selection data, shall be used as the monitoring data in the step (A) ⁇ (M).
  • RMSE Root mean square error
  • One or more arbitrarily selected monitoring data includes the above-mentioned data on the cement clinker raw material, the data on the cement clinker firing conditions, the data on the cement grinding conditions, the data on the cement clinker, the data on the cement, and the mixture
  • the data is one or more (preferably 4 or more, more preferably 5 or more, particularly preferably 6 or more) data arbitrarily selected from those listed as data.
  • two or more (preferably three or more, more preferably four or more) monitoring data aggregates comprising one or more arbitrarily selected monitoring data are prepared, and the two or more monitoring data aggregates are prepared.
  • learning of an unlearned neural network is performed using a plurality of selection data, which is a combination of the actual measurement values of the monitoring data and the evaluation data of the aggregate.
  • a plurality of samples for selection are prepared, and measured values of monitoring data of the samples (one or more types of arbitrarily selected monitoring data) and measured values of evaluation data to be predicted are measured. These are used as selection data.
  • the actual value of the monitoring data is input to the input layer of the neural network, the estimated value of the evaluation data output from the output layer, and the evaluation data of the selection data corresponding to the estimated value of the evaluation data Learning of the neural network is performed by comparing and evaluating the actual measurement values and correcting the neural network by performing an arbitrary number of learnings.
  • the number of samples for selection is preferably 10 or more, more preferably 20 or more, still more preferably 30 or more, and particularly preferably 40 or more, from the viewpoint of selecting monitoring data that can be predicted with higher accuracy. .
  • the upper limit of the number of samples is not particularly limited, but is, for example, 10,000 from the viewpoint of workability.
  • the number of learning times of the neural network is not particularly limited, but is preferably 100 to 2,000 times, more preferably 200 to 1,500 times.
  • step (A) initial setting of the number of learning is performed.
  • the number of learning times to be set is not particularly limited, but is preferably a sufficiently large number so that overlearning (overlearning) of the neural network occurs. Specifically, it is usually 5,000 to 1,000,000 times, preferably 10,000 to 100,000 times.
  • step (A) it is preferable to set the number of learnings that causes over-learning of the neural network, specifically, the number of learnings such that ⁇ L ⁇ M (details will be described later). Since the number of learning times is increased / decreased, there is no problem even if the number of learning times initially set in the step (A) is the number of learning times normally performed for learning of the neural network.
  • a process (B) is implemented after completion
  • Step (B) the learning of the neural network is set in the previous step by using a plurality of combinations of the actual values of the monitoring data for learning and the actual values of the evaluation data (hereinafter also referred to as “learning data”). Do the learning times.
  • the number of the combinations is, for example, 5 or more, preferably 7 or more. Although the upper limit of the number of the said combination is not specifically limited, For example, it is 1,000.
  • the “number of learnings set in the previous step” is the number of learnings set in the step (A) or the new number of learnings reset in the step (D), and the most recent step ( The number of learning times set in the step (A) or the step (D)).
  • a plurality of samples for learning are prepared, and measured values of monitoring data of the samples and measured values of target evaluation data are measured and used as learning data.
  • the actual value of the monitoring data is input to the input layer of the neural network, the estimated value of the evaluation data output from the output layer, and the evaluation data of the learning data corresponding to the estimated value of the evaluation data
  • the neural network is learned by comparing and evaluating the actual measurement values and correcting the neural network by performing the set number of learning times.
  • the number of learning samples is preferably 10 or more, more preferably 20 or more, from the viewpoint of performing prediction with higher accuracy.
  • the upper limit of the number of samples is not particularly limited, but is, for example, 10,000 from the viewpoint of workability.
  • step (C) In step (C), ⁇ L and ⁇ M are calculated. From the magnitude relationship between ⁇ L and ⁇ M , it can be determined whether learning has been performed a sufficiently large number of times to cause over-learning of the neural network. Specifically, the estimated value of the evaluation data obtained by inputting the actual measurement value of the monitoring data of the learning data to the input layer of the neural network learned in the most recent step (B) and the evaluation data of the learning data The mean square error ( ⁇ L ) with the actual measurement value is calculated. Next, the estimated value of the monitoring data and the estimated value of the evaluation data obtained by inputting the measured value of the monitoring data of the monitoring data to the input layer of the neural network learned in the most recent step (B) The mean square error ( ⁇ M ) is calculated.
  • the monitor data is a combination of the actual measurement value of the monitoring data and the actual measurement value of the evaluation data obtained from a sample different from the sample used for obtaining the learning data. This is data for confirmation.
  • the number of samples of monitor data is preferably 5 to 50%, more preferably 10 to 30% of the number of samples of learning data. is there.
  • step (C) When the relationship between ⁇ L and ⁇ M calculated in the step (C) is ⁇ L ⁇ ⁇ M (“No” in the overlearning determination in FIG. 1), the number of learnings in the most recently performed step (B) is It can be determined that the number of times is not sufficiently large. In this case, step (D) is performed.
  • step (E) is performed.
  • Step (D) In the step (D), a learning number larger than any of the learning number set in the most recent step (A) and the reset number of learning times of the latest neural network is reset as a new learning number ( For example, a number obtained by multiplying the number of learning performed in the most recent step (B) by 2.0 is set as a new number of learning. After resetting the new number of learning, steps (B) to (C) are performed again.
  • step (E) the learning number obtained by reducing the number of learnings performed in the most recent neural network learning is reset as a new learning number (for example, performed in the most recent step (B) or step (F)).
  • the number obtained by multiplying the number of learning times by 0.95 is set as the new number of learning times.
  • learning of the latest neural network refers to learning performed in the near past. Specifically, it refers to learning performed in the nearer past in step (B) or step (F) described later.
  • a process (F) is implemented after completion
  • step (F) the learning data used in the latest step (B) is used to perform neural network learning for the number of learning times set in the latest step (E).
  • the contents to be implemented in the step (F) are the same as those in the step (B) except that the neural network learning is performed the number of times newly set in the step (E).
  • a process (G) is implemented after completion
  • step (G) end determination is performed using the neural network obtained in the learning of the latest step (F). Specifically, the actual value of the monitoring data of the learning data is input to the input layer of the neural network obtained by the learning in the latest step (F), and the estimated value of the evaluation data and the evaluation data of the learning data Obtained by inputting the mean square error ( ⁇ L ) from the actual measurement value and the actual measurement value of the monitoring data in the monitor data to the input layer of the neural network obtained by the learning of the most recent step (F).
  • ⁇ L mean square error
  • the mean square error ( ⁇ M ) between the estimated value of the evaluation data and the actually measured value of the evaluation data in the monitor data is calculated, and the relationship between the calculated ⁇ L and ⁇ M is ⁇ L ⁇ ⁇ M In this case (“Yes” in the end determination in FIG. 1), it can be determined that the number of times of learning in the most recent step (F) is no longer sufficiently large. In this case, step (I) described later is performed. When the calculated relationship between ⁇ L and ⁇ M is ⁇ L ⁇ M (“No” in the end determination in FIG. 1), the number of times of learning in the most recent step (F) is still a sufficiently large number. It can be judged that there was. In this case, the step (H) described later is performed.
  • Step (H) it is determined whether the neural network learning count in the most recent step (F) has exceeded a predetermined numerical value.
  • Step (H) is performed to avoid repeating steps (E) to (G) indefinitely. If the number of times the neural network has been learned in step (F) most recently performed in step (H) exceeds a predetermined value (“Yes” in FIG. 1), steps (E) to (G) are performed again. To do.
  • the step (J) or (K) described later is performed.
  • the predetermined numerical value is not particularly limited, and may be, for example, a numerical value equal to or less than 1/100 of the number of learning times set in the step (E), 1 or less, or 0 or less.
  • the analysis level can be determined depending on whether or not the analysis level determination value is less than a predetermined first set value.
  • the analysis degree determination value is calculated using the following formula (1).
  • the average of the training data square error between (sigma L) is the same as the mean square error calculated in the last step (G) (sigma L).
  • the average value of the estimated value of the evaluation data is the estimated value of the evaluation data obtained by inputting the actually measured value of the monitoring data of the learning data to the input layer of the neural network obtained in the latest step (F). Average value. It is possible to determine whether or not the cement quality and the like can be predicted with high accuracy by using the neural network that has been learned by determining the analysis degree.
  • a learned neural network determined to be sufficient for analysis is used in the prediction method of the present invention. Specifically, actual values of monitoring data for cement manufacturing are input to the input layer of the learned neural network, and the evaluation related to the evaluation of cement quality or manufacturing conditions is performed from the output layer of the learned neural network. By outputting estimated data, cement quality or production conditions can be predicted.
  • the analysis degree determination value is equal to or greater than a predetermined first set value (“No” in the first analysis degree determination in FIG. 1), the neural network learned using the learning data is used as it is, and the cement is used. It is determined that the quality and the like cannot be predicted with high accuracy, and the step (J) is performed.
  • the predetermined first set value is not particularly limited, but is preferably 6% or less, more preferably 5% or less, and particularly preferably 3% or less from the viewpoint of performing prediction with higher accuracy.
  • the degree of analysis determination value in step (I) is less than a predetermined first set value, or the number of times set in advance in step (J) is the number of times set in advance. Repeat until it exceeds.
  • the analytical determination value and the learned neural network obtained each time the step (I) is performed are used in the step (K).
  • step (J) it is determined whether or not the number of times step (A) has been performed is equal to or less than a preset numerical value. By performing the determination, it is possible to avoid repeating steps (A) to (I) indefinitely.
  • step (J) when the number of times the step (A) is performed is equal to or less than the preset number (“Yes” in the number determination of FIG. 1), the learning condition is initialized, and the steps (A) to (A) are performed again.
  • step (I) is performed, and when the number of times exceeds a preset number of times (“No” in the number of times determination of FIG. 1), step (K) is performed.
  • the number of times set in advance is not particularly limited, but is usually 5 times or more.
  • the upper limit of the preset number of times is preferably 100 times or less from the viewpoint of preventing steps (A) to (I) from being repeated a great deal.
  • a method for initializing learning conditions for example, a method of re-inputting learning data after randomly changing a threshold value of units constituting a neural network or a weight combining units, and obtaining learning data
  • Examples include a method of inputting new learning data after increasing the number of samples, changing the type of monitoring data to be used, or excluding inappropriate learning data.
  • step (K) the next prediction is performed depending on whether or not the smallest analysis degree determination value calculated in step (I) is less than a predetermined second set value. It can be determined whether or not.
  • L the determination of the step (K)
  • the process (I ) Is obtained as a learned neural network, and then step (L) is performed.
  • the predetermined second set value is larger than the first set value.
  • the upper limit is preferably 30% or less, more preferably 20%, from the viewpoint of performing prediction with higher accuracy.
  • a predictable monitoring data area used in step (M) is set.
  • a fixed value of monitoring data for setting a predictable monitoring data area is set for all types of monitoring data used for learning of the neural network.
  • the fixed value may be set arbitrarily, but from the viewpoint of performing prediction with higher accuracy, it is preferably a numerical value within the range between the maximum value and the minimum value of the actually measured values of the monitoring data of learning data and monitor data. More preferably, it is an average value of actually measured values of the monitoring data of learning data and monitor data.
  • the fluctuating monitoring data value is preferably a value fluctuated within the range between the maximum value and the minimum value of the actual measurement values of the monitoring data of learning data and monitoring data from the viewpoint of performing prediction with higher accuracy.
  • the number of values changed is not particularly limited, but is preferably 5 or more, more preferably 8 or more, and particularly preferably 10 or more from the viewpoint of performing prediction with higher accuracy.
  • a value obtained by subtracting the smallest value from the largest value and the smallest analytic degree judgment value among all the analytical degree judgment values calculated in the step (I) is compared.
  • the above comparison is performed on all types of monitoring data used for learning of the neural network, and the value obtained by subtracting the smallest value from the largest value is set to 2 in the mean square error ( ⁇ L ) of the learning data.
  • a coordinate space is created with all types of the two or more types of monitoring data as coordinate axes.
  • the value obtained by subtracting the smallest value from the largest value among the estimated values of the plurality of evaluation data described above is equal to or greater than a value obtained by multiplying the mean square error ( ⁇ L ) of the learning data by 2. kind, if it is two content and 32 ⁇ m sieve residue content of C 3 S, the content of C 3 S and X-axis, to create a coordinate space of the y-axis the 32 ⁇ m sieve residue amount.
  • the value obtained by subtracting the smallest value from the largest value among the estimated values of the plurality of evaluation data described above is the mean square error of the learning data.
  • Plot all measured values of the type of monitoring data that is greater than or equal to ( ⁇ L ) multiplied by 2 in the coordinate space and set the predictable monitoring data area by connecting the plotted monitoring data in the coordinate space To do.
  • the predictable monitoring data area is an area including all of the plotted monitoring data, and is an area formed by connecting the monitoring data so that the area is maximized (see FIG. 2). After setting the predictable monitoring data area, the process (M) is performed.
  • the type of monitoring data in which the value obtained by subtracting the smallest value from the largest value among the estimated values of the plurality of evaluation data described above is equal to or greater than the value obtained by multiplying the mean square error ( ⁇ L ) of the learning data by 2 When it is 0 or 1 (“No” in the sensitivity analysis of FIG. 1), it is determined that the quality of the cement or the manufacturing conditions cannot be predicted, and the prediction is terminated.
  • cement It is judged that the quality of the product can be predicted with high accuracy, and the actual value of the monitoring data in cement production is input to the input layer of the learned neural network obtained in the step (K), and the neural network By outputting an estimated value of evaluation data related to the evaluation of cement quality or manufacturing conditions from the output layer, the cement quality or manufacturing conditions can be predicted.
  • the actual value of monitoring data in cement production is not included in the predictable monitoring data area (“No” in the coordinate determination of FIG. 1), it is determined that the cement quality or manufacturing conditions cannot be predicted. Exit.
  • the monitoring data in cement production is judged to be significant at the significance level of 5% in the actual value of the monitoring data of a type not used as the coordinate axis of the coordinate space created in the step (L) (in the uncorrelated test). If there is a type of monitoring data that does not exist), there is no limitation on the actual measurement value of the monitoring data from the types of monitoring data that are not used as the coordinate axes.
  • monitoring data in cement production input to the input layer can be obtained even under conditions that are difficult with a prediction method including a learning process of a conventional neural network, such as a small number of learning data.
  • a prediction method including a learning process of a conventional neural network, such as a small number of learning data.
  • a prediction method including a learning process of a conventional neural network, such as a small number of learning data.
  • the neural network In order to maintain the prediction accuracy at a high level, the neural network periodically checks the magnitude of the difference between the estimated value of the evaluation data and the actually measured value corresponding to the estimated value, and based on the inspection result, It is preferable to update the neural network.
  • the update cycle is preferably once per hour, more preferably once every 30 minutes.
  • a neural network for predicting the physical properties of a composition formed by mixing cement and water preferably once a month, more preferably once a week, particularly preferably one day.
  • a cement clinker mineral composition or a composition obtained by kneading cement and water for example, by simply inputting monitoring data
  • the estimated value of the evaluation data such as the compressive strength of the mortar can be obtained within one hour.
  • cement can be manufactured.
  • the mineral composition of the cement clinker can be achieved by adjusting the raw material preparation, the firing conditions, and the like. It is also possible to correct the management target value of the cement manufacturing process based on the estimated value of the evaluation data. For example, when it is predicted that the mortar compressive strength will not reach the target value, the relationship between the monitoring data (factors) used for learning and the mortar compressive strength is analyzed, and the management target of the optimal cement manufacturing process is analyzed. By confirming the value, the quality of the cement can be achieved.
  • the monitoring data is artificially varied based on the evaluation data by connecting a computer for controlling the cement manufacturing process and a computer used for implementing the cement quality or manufacturing condition prediction method of the present invention.
  • the control system for this can also be automated.
  • examples of software for performing an operation using a neural network include “Neural Network Library” (trade name) manufactured by OLSOFT.
  • Example 1 For 75 normal Portland cements with different sampling times as selection and learning samples (hereinafter also simply referred to as “learning samples”), the materials are in accordance with “JIS R 5201 (Cement physical test method)”. The compressive strength of the mortar at the age of 28 days was measured and used as an actual measurement value of evaluation data in selection data and learning data (hereinafter also simply referred to as “learning data etc.”).
  • the above-mentioned 75 ordinary Portland cements have a Blaine specific surface area, a mineral composition (contents of C 3 S, C 2 S, C 3 A, and C 4 AF), a 32 ⁇ m sieve test residual amount, and The chemical composition (content ratio of MgO, total alkali (Na 2 O + 0.658 ⁇ K 2 O), P 2 O 5 , and TiO 2 ) was measured and used as an actual value of monitoring data in learning data and the like.
  • the normal Portland cement in the said Example 1 is a normal Portland cement prescribed
  • monitoring samples 22 normal Portland cements having different sampling times from the 75 samples were used as monitoring samples (hereinafter also referred to as “monitoring samples”), and the compression strength of mortar at the age of 28 days was used.
  • the thickness was measured in the same manner as the learning data, etc., and used as monitor data (measured value of evaluation data).
  • the Blaine specific surface area, mineral composition (contents of C 3 S, C 2 S, C 3 A, and C 4 AF) of the above 22 ordinary Portland cements, 32 ⁇ m sieve test residual amount, chemical composition (P 2 O 5 ))) was measured in the same manner as the learning data, etc., and used as monitor data (actual measurement value of monitoring data).
  • the neural network was learned using the learning data.
  • As the neural network a hierarchical neural network having an input layer, an intermediate layer, and an output layer was used.
  • the neural network is an unlearned one different from the neural network used for selecting the monitoring data.
  • neural network learning was performed 10,000 times using the learning data and the monitor data.
  • ⁇ L and ⁇ M were calculated using the obtained neural network, the relationship between ⁇ L and ⁇ M was ⁇ L ⁇ M.
  • the neural network is initialized, and the learning network and the monitor data are used to perform learning of the neural network by performing the number of learning times (rounded down) by multiplying the number of learning times by 0.95.
  • Compressive strength of mortar at the age of 28 days which is the actual measurement value of the learning data, and the Blaine specific surface area, mineral composition (C 3 S, C 2 S, Can it be used as monitoring data for setting a predictable monitoring data area for each of C 3 A and C 4 AF content), 32 ⁇ m sieve test residue, and chemical composition (P 2 O 5 content)? A determination of whether or not was made.
  • the monitoring data of 97 samples with different sampling dates (total of 75 samples for learning and 22 samples for monitoring) used for learning of the above neural network (normal portland cement brane specific surface area, mineral composition ( C 3 S, C 2 S, C 3 A, and C 4 AF content), 32 ⁇ m sieve test residual amount, chemical composition (P 2 O 5 content rate)
  • the average value obtained was used as a fixed value of the monitoring data.
  • Table 2 shows fixed values of the monitoring data.
  • Monitoring data used for neural network learning normal Portland cement brane specific surface area, mineral composition (contents of C 3 S, C 2 S, C 3 A, and C 4 AF), 32 ⁇ m sieve test residue, For each chemical composition (content ratio of P 2 O 5 ), only a fixed value of specific one type of monitoring data is arbitrarily changed, and the monitoring data value changed and monitoring other than the changed monitoring data are monitored. A fixed value of the data was input to the input layer of the learned neural network to obtain an estimated value of the mortar compressive strength (estimated value of the evaluation data).
  • one specific type of monitoring data is defined as the Blaine specific surface area of ordinary Portland cement
  • the Blaine specific surface area value and the Blaine ratio Fixed values of monitoring data other than surface area (mineral composition of ordinary Portland cement (contents of C 3 S, C 2 S, C 3 A, and C 4 AF), 32 ⁇ m sieve test residue, chemical composition (P 2 O 5 The average value of the actually measured values) was input to the learned neural network input layer to obtain an estimated value of the mortar compressive strength (estimated value of the evaluation data).
  • the values of 11 brain specific surface areas shown in Table 3 are monitored for 97 samples (total of 75 samples for learning and 22 samples for monitoring) used for learning of the neural network with different sampling dates.
  • Data of C 3 S content and 32 ⁇ m sieve test residual amount in the learning data (actually measured data) in a coordinate space with the C 3 S content rate as x axis and 32 ⁇ m sieve test residual amount as y axis was plotted.
  • An area formed by connecting each other was set as a predictable monitoring data area (see FIG. 2).
  • the compressive strength of the mortar at the age of 28 days according to “JIS R 5201 (cement physical test method)” is 62.1 N / mm 2 , which is different from the learning sample and the monitoring sample, and C
  • the monitoring data ordinary Portland cement brane specific surface area, mineral composition (C 3 S, C 2 S, C 3 A and C 4 AF content ratio), 32 ⁇ m sieve test residual quantity, actual measured values of chemical composition (P 2 O 5 content ratio)
  • the estimated compressive strength value of the mortar at the age of 28 days was output.
  • the estimated value of the obtained evaluation data was 62.4 ⁇ 2.4 (the deviation indicates 3 ⁇ ) N / mm 2 .
  • Example 1 In the neural network having an analysis degree judgment value of 6.88% obtained in Example 1, the compressive strength of the mortar of 28 days of age used in Example 1 is set without setting the predictable monitoring data area.
  • Monitoring data of ordinary Portland cement of 62.1 N / mm 2 brain specific surface area, mineral composition (contents of C 3 S, C 2 S, C 3 A, and C 4 AF) of ordinary Portland cement, 32 ⁇ m
  • the estimated value of the compressive strength of the mortar at the age of 28 days when the measured value of the sieve test residual amount and chemical composition (content ratio of P 2 O 5 ) is input to the input layer is 63.0 ⁇ 8.0. (The deviation shows 3 ⁇ .) N / mm 2 .
  • Example 1 Estimated value of evaluation data obtained in Example 1 (62.4 ⁇ 2.4 N / mm 2 ) and estimated value of evaluation data obtained in Comparative Example 1 (63.0 ⁇ 8.0 N / mm 2 ) As compared with Comparative Example 1, it can be seen that Example 1 is closer to the actually measured value (62.1 N / mm 2 ) of the evaluation data and has higher reliability.
  • Example 2 For 56 samples of fly ash mixed cement (fly ash content: 28.3 to 41.2% by mass) with different sampling times as selection and learning samples (learning samples), “JIS R 5201 (cement According to the physical test method), the compressive strength of the mortar at the age of 28 days was measured and used as an actual value of evaluation data in selection data and learning data (learning data, etc.).
  • the density, the brain specific surface area, and the 45 ⁇ m sieve test residual amount contained in the 56 fly ash mixed cements were measured.
  • the density and Blaine specific surface area of the Portland cement contained in said 56 fly ash mixed cements were measured as data regarding cement.
  • the density of the fly ash mixed cement and the content of the mixed material (fly ash) were measured. These were measured values of monitoring data in learning data or the like.
  • the selected monitoring data for each of the conditions 1 to 4 (monitoring data aggregates 1 to 4) for which data is selected (in Table 10, the selected monitoring data is indicated by “ ⁇ ” for each of the conditions 1 to 4).
  • the unlearned neural network was trained using the actual measured value and the actual measured value of the evaluation data, and the learning was performed 1200 times.
  • Mean square error between the estimated value of the evaluation data obtained by inputting the actual measurement value of the selected monitoring data to the input layer of the neural network after learning (“RMSE” in Table 1) Calculated).
  • the results are shown in Table 10.
  • the combination of the monitoring data selected in condition 1 with the smallest mean square error value (fly ash density, brain specific surface area, 45 ⁇ m sieve test residual amount; portland cement density, brain specific surface area
  • the density of the fly ash mixed cement and the content of the mixed material (fly ash) were used as monitoring data (learning data and monitoring data) used for learning of the neural network.
  • fly ash mixed cements (fly ash content: 28.3 to 41.2% by mass) having different sampling times from the above 56 samples were used as monitor samples (monitor samples). Then, the compressive strength of the mortar at the age of 28 days was measured in the same manner as the learning data, etc., and used as monitor data (actual value of evaluation data).
  • the neural network was learned using the learning data.
  • As the neural network a hierarchical neural network having an input layer, an intermediate layer, and an output layer was used.
  • the neural network is an unlearned one different from the neural network used for selecting the monitoring data.
  • neural network learning was performed 10,000 times using the learning data and the monitor data.
  • ⁇ L and ⁇ M were calculated using the obtained neural network, the relationship between ⁇ L and ⁇ M was ⁇ L ⁇ M.
  • the neural network is initialized, and the learning network and the monitor data are used to perform learning of the neural network by performing the number of learning times (rounded down) by multiplying the number of learning times by 0.95.
  • Compressive strength of the mortar at the age of 28 days which is the actual value of the evaluation data of the learning data, and the actual value of the monitoring data of the learning data, the density of the fly ash, the specific surface area of the brain, the residual amount of the 45 ⁇ m sieve test; For each of density, brain specific surface area; density of fly ash mixed cement and content of mixed material (fly ash), it was determined whether or not the data can be used as monitoring data for setting a predictable monitoring data area. .
  • the monitoring data (fly ash density, brain specific surface area, 45 ⁇ m sieve) of 62 samples (total of 56 learning samples and 6 monitoring samples) with different sampling dates used for learning the neural network described above. Calculate the average value of the test residue amount; Portland cement density, Blaine specific surface area; fly ash mixed cement density; mixed material (fly ash) content), and fix the obtained average value to the monitoring data Value.
  • Table 11 shows fixed values of the monitoring data.
  • Monitoring data used for neural network learning fly ash density, brain specific surface area, 45 ⁇ m sieve test residue; Portland cement density, brane specific surface area; fly ash mixed cement density, mixed material (fly ash)
  • fly ash density a specific type of monitoring data
  • Portland cement density a specific type of monitoring data
  • brane specific surface area a specific type of monitoring data
  • fly ash mixed cement density mixed material (fly ash)
  • one type of monitoring data is determined as the density of fly ash
  • a density value and a fixed value of monitoring data other than the density Fly ash specific surface area, 45 ⁇ m sieve test residual volume; Portland cement density, brane specific surface area; fly ash mixed cement density, mixed material (fly ash) content
  • the density values shown in Table 12 are the numerical ranges of the measured values of the monitoring data of 62 samples (total of 56 learning samples and 6 monitoring samples) used for learning the neural network.
  • the value is arbitrarily changed (the value which is changed so that the maximum value and the minimum value of the actually measured values are equally divided by 10).
  • Brine specific surface area of fly ash 45 ⁇ m sieve test residue amount; Portland cement density, Blaine specific surface area; fly ash mixed cement density, mixed material (fly ash) content, mortar
  • An estimated value of compressive strength was obtained.
  • Tables 12 to 18 show specific one type of changed monitoring data and estimated values of the mortar compression strength obtained from the monitoring data and fixed values of the monitoring data other than the changed monitoring data.
  • An area formed by connecting each other was set as a predictable monitoring data area (see FIG. 3).
  • the mortar has a compressive strength of 44.3 N / mm 2 at the age of 28 days according to “JIS R 5201 (Cement physical test method)”, which is different from the above-mentioned learning sample and monitoring sample, Monitoring data (fly ash) for samples of fly ash mixed cement (fly ash content: 28.3 to 41.2 mass%) in which the density of ash and the density of fly ash mixed cement are included in the predictable monitoring data area Density, brane specific surface area, 45 ⁇ m sieve test residual amount; Portland cement density, brane specific surface area; fly ash mixed cement density, mixed material (fly ash) content) Input into the input layer and compress the mortar of the sample at the age of 28 days And output the estimated value is.
  • the estimated value of the obtained evaluation data was 44.6 ⁇ 1.4 (the deviation indicates 3 ⁇ ) N / mm 2 .
  • Example 2 In the neural network with the analytic degree determination value obtained in Example 2 of 6.13%, the compressive strength of the mortar of 28 days old used in Example 2 is not set without setting the predictable monitoring data area.
  • Monitoring data of fly ash mixed cement of 44.3 N / mm 2 (fly ash density, brane specific surface area, 45 ⁇ m sieve test residual amount; Portland cement density, brane specific surface area; fly ash mixed cement density, mixed material
  • the estimated value of the compressive strength of the mortar at the age of 28 days when the measured value of the content ratio of fly ash) is input to the input layer is 44.9 ⁇ 4.3 (deviation indicates 3 ⁇ ) N / It was mm 2.
  • Example 2 An estimated value (44.6 ⁇ 1.4 N / mm 2 ) of the evaluation data obtained in Example 2 and an estimated value (44.9 ⁇ 4.3 N / mm 2 ) of the evaluation data obtained in Comparative Example 2 As compared with Comparative Example 2, it can be seen that Example 2 is closer to the actually measured value (44.3 N / mm 2 ) of the evaluation data and has higher reliability.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Ceramic Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Materials Engineering (AREA)
  • Structural Engineering (AREA)
  • Organic Chemistry (AREA)
  • Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)

Abstract

短時間でかつ高い精度でセメントの品質を予測することができる方法を提供する。　入力層及び出力層を有するニューラルネットワーク、学習データ及びモニターデータを用いて、σＬ＜σＭとなるような、十分に大きい学習回数でニューラルネットワークの学習を行った後に、学習回数を減らしながらニューラルネットワークの学習をσＬ≧σＭとなるまで繰り返し、かつ、解析度判定値が第一の設定値を満たさない場合であって、解析度判定値が予め定めた第二の設定値を満たす場合、監視データの実測値が特定の限定条件によって形成される数値範囲内に属する場合であれば、ニューラルネットワークの入力層に当該の監視データの実測値を入力し、出力層から評価データの推測値を出力するセメントの品質または製造条件の予測方法。

Description

セメントの品質または製造条件の予測方法
　本発明は、ニューラルネットワークを用いたセメントの品質または製造条件の予測方法に関する。
　硬化前の流動性、作業性や、硬化後の種々の化学的、物理的特性等、セメントには多くの品質が求められている。
　重要な品質項目として、例えば、「ＪＩＳ　Ｒ　５２０１（セメントの物理試験方法）」に準拠した材齢２８日におけるモルタルの圧縮強さ等が挙げられる。しかし、上記モルタルの圧縮強さ等の材齢を要素とする品質項目は、品質試験結果が判明するまでに長期の時間を要するため、品質試験結果を確認した後にセメントを出荷することが困難であるという問題があった。
　このため、セメントの製造現場では、セメントクリンカーの組成（化学組成や鉱物組成）やセメントの粉末度等の製造工程での品質管理項目を設定し、材齢を要素とする品質項目が所定の管理基準値を満足するように、それら製造工程での品質管理項目に、経験に基づいた管理基準値を設定している。
　しかし、製造工程での品質管理項目を指標としたセメントの品質管理方法は、限られた代替指標による間接的管理であることから、管理精度にある程度のあいまいさを有していることは避けられず、過剰に安全側に管理基準を設定せざるを得ない方法である。
　そこで、そのような過剰に安全側に設定した品質管理傾向から生じる過剰スペックの製品の発生を抑制しながら、所定の品質の製品を安定的に製造し、さらに、品質規格を外れた異常品の製造を防止するため、上記製造工程での品質管理項目の情報に加えて、セメント製造に関する種々のその他の情報を活用して、より高精度にセメントの品質を予測する技術が種々提案されている。
　ニューラルネットワークの学習プロセスを含むセメントの品質予測方法として、例えば、特許文献１には、監視データの実測値を入力するための入力層と、評価データの推測値を出力するための出力層を有するニューラルネットワークを用いたセメントの品質または製造方法の予測方法であって、学習データとモニターデータを用いて、σＬ＜σＭとなるような、十分に大きい学習回数でニューラルネットワークの学習を行った後に、学習回数を減らしながらニューラルネットワークの学習をσＬ≧σＭとなるまで繰り返し、学習後の解析度判定値が予め定めた設定値未満である場合に、ニューラルネットワークの入力層に、セメント製造における監視データの実測値を入力して、学習後のニューラルネットワークの出力層から、セメントの品質または製造条件の評価に関連する評価データの推測値を出力する、セメントの品質または製造条件の予測方法が記載されている。該予測方法によれば、短時間でかつ高い精度でセメントの品質または製造条件を予測することができる。
特許第５３２３２９０号公報
　特許文献１に記載された予測方法で、監視データの実測値や評価データの実測値を十分に得ることができない等の、学習データの数が不十分である場合等において、解析度判定値が予め定めた設定値を満たさないために、予測できない場合があった。
　本発明の目的は、解析度判定値が予め定めた設定値を満たさない場合でも、短時間でかつ高い精度でセメントの品質または製造条件（適正な品質を有するセメントを製造するために必要な製造上の諸条件）を予測することができる方法を提供することである。
　本発明者らは、上記課題を解決するために鋭意検討した結果、ニューラルネットワークを用いたセメントの品質または製造条件の予測方法であって、学習データとモニターデータを用いて、σＬ＜σＭ（この式の意味は後で説明する。）となるような、十分に大きい学習回数でニューラルネットワークの学習を行った後に、今度は、学習回数を減らしながらニューラルネットワークの学習をσＬ≧σＭとなるまで繰り返し、かつ、解析度判定値が第一の設定値を満たさない（超える）場合であって、解析度判定値が予め定めた第二の設定値を満たす（以下）場合、監視データの実測値が特定の限定条件によって形成される数値範囲内に属する場合であれば、ニューラルネットワークの入力層に当該の監視データの実測値を入力し、出力層から評価データの推測値を出力する方法によれば、上記目的を達成しうることを見出し、本発明を完成した。
　すなわち、本発明は、以下の［１］～［７］を提供するものである。
［１］　入力層及び出力層を有するニューラルネットワークを用いたセメントの品質または製造条件の予測方法であって、上記入力層は、セメント製造における監視データの実測値を入力するためのものであり、上記出力層は、セメントの品質または製造条件の評価に関連する評価データの推測値を出力するためのものであり、上記監視データと上記評価データの組み合わせが、
（ｉ）上記監視データが、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、及びセメントクリンカーに関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、セメントクリンカーに関するデータ、及びセメントに関するデータの中から選ばれる一種以上のデータである組み合わせ、または、
（ｉｉ）上記監視データが、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、セメントクリンカーに関するデータ、セメントに関するデータ、及び混合材に関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、セメントと水を混練してなる組成物の物性に関するデータである組み合わせ、であり、
　（Ａ）学習回数の初期設定を行う工程と、
　（Ｂ）監視データの実測値と評価データの実測値の組み合わせである学習データを複数用いて、ニューラルネットワークの学習を、前工程で設定された学習回数行う工程と、
　（Ｃ）学習データの監視データの実測値を、直近の工程（Ｂ）の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均２乗誤差（σＬ）、及び、ニューラルネットワークの学習結果の信頼性を確認するための監視データの実測値と評価データの実測値の組み合わせであるモニターデータの中の監視データの実測値を、直近の工程（Ｂ）の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均２乗誤差（σＭ）を算出し、算出されたσＬとσＭの関係がσＬ≧σＭである場合、工程（Ｄ）を実施し、算出されたσＬとσＭの関係がσＬ＜σＭである場合、工程（Ｅ）を実施する工程と、
　（Ｄ）直近の工程（Ａ）で設定された学習回数および再設定された直近のニューラルネットワークの学習回数のいずれの学習回数よりも大きい学習回数を新たな学習回数として再設定し、再度工程（Ｂ）～（Ｃ）を実施する工程と、
　（Ｅ）直近のニューラルネットワークの学習で実施された学習回数を減らした学習回数を、新たな学習回数として再設定する工程と、
　（Ｆ）直近の工程（Ｂ）で用いられた学習データを用いて、ニューラルネットワークの学習を直近の工程（Ｅ）で設定された学習回数行う工程と、
　（Ｇ）学習データの監視データの実測値を、直近の工程（Ｆ）の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均２乗誤差（σＬ）、及び、モニターデータの中の監視データの実測値を、直近の工程（Ｆ）の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均２乗誤差（σＭ）を算出し、算出されたσＬとσＭの関係がσＬ≧σＭである場合、工程（Ｉ）を実施し、算出されたσＬとσＭの関係がσＬ＜σＭである場合、工程（Ｈ）を実施する工程と、
　（Ｈ）直近の工程（Ｆ）におけるニューラルネットワークの学習回数が予め定めた数値を超えている場合、再度工程（Ｅ）～（Ｇ）を実施し、直近の工程（Ｆ）におけるニューラルネットワークの学習回数が予め定めた数値以下の場合、工程（Ｊ）を実施する工程と、
　（Ｉ）下記式（１）を用いて解析度判定値を算出し、該解析度判定値が予め定めた第一の設定値未満である場合、ニューラルネットワークの学習を終了し、学習済みのニューラルネットワークの入力層に、セメント製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、セメントの品質または製造条件の評価に関連する評価データの推測値を出力してセメントの品質または製造条件を予測し、上記解析度判定値が予め定めた第一の設定値以上である場合、工程（Ｊ）を実施する工程と、
　（Ｊ）工程（Ａ）を実施した回数の大きさについての判定を行い、該回数が予め設定した回数以下である場合、学習条件の初期化を行って、再度工程（Ａ）～（Ｉ）を行い、該回数が予め設定した回数を超える場合、工程（Ｋ）を実施する工程と、
　（Ｋ）工程（Ｉ）において算出した全ての解析度判定値のうち、最も小さい解析度判定値が予め定めた第二の設定値未満である場合、最も小さい解析度判定値を得ることができた工程（Ｉ）におけるニューラルネットワークを、学習済みのニューラルネットワークとした後、工程（Ｌ）を実施し、最も小さい解析度判定値が予め定めた第二の設定値以上である場合、セメントの品質または製造条件を予測することはできないと判断して予測を終了する工程と、
　（Ｌ）　ニューラルネットワークの学習に用いた全ての種類の監視データについて、予測可能監視データ領域を設定するための、監視データの固定値を設定し、
　設定された監視データの固定値のうち、１種の監視データの固定値のみを任意に変動させて、変動させた監視データの値と、変動させた監視データ以外の監視データの固定値を、学習済みのニューラルネットワークの入力層に入力して評価データの推測値を複数得た後、得られた複数の評価データの推測値のうち、最も大きい値から最も小さい値を減じた値と、工程（Ｉ）において算出した全ての解析度判定値のうち、最も小さい解析度判定値を得ることができた工程（Ｉ）における、解析度判定値の算出に用いた学習データの平均二乗誤差（σＬ）に２を乗じた値を比較することを、ニューラルネットワークの学習に用いた全ての種類の監視データに対して行い、上記最も大きい値から最も小さい値を減じた値が、上記平均二乗誤差（σＬ）に２を乗じた値以上である監視データの種類が２種以上である場合、該２種以上の監視データの全種類を座標軸とする座標空間に、学習データとして使用した監視データの実測値をプロットし、座標空間において、プロットされた監視データ同士を結ぶことで形成される監視データの全てを包含する領域であって、該領域が最大となるように監視データ同士を結ぶことで形成される領域を、予測可能監視データ領域として設定した後、工程（Ｍ）を実施し、
　上記最も大きい値から最も小さい値を減じた値が、上記平均二乗誤差（σＬ）に２を乗じた値以上である監視データの種類が０または１種である場合、セメントの品質または製造条件を予測することはできないと判断して予測を終了する工程と、
　（Ｍ）セメント製造における監視データの実測値が、上記予測可能監視データ領域に含まれるかどうかを判定し、セメント製造における監視データの実測値が、上記予測可能監視データ領域に含まれる場合、工程（Ｋ）で得た学習済みのニューラルネットワークの入力層に、セメント製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、セメントの品質または製造条件の評価に関連する評価データの推測値を出力してセメントの品質または製造条件を予測し、セメント製造における監視データの実測値が、上記予測可能監視データ領域に含まれない場合、セメントの品質または製造条件を予測することはできないと判断して予測を終了する工程と、を含むことを特徴とするセメントの品質または製造条件の予測方法。
Figure JPOXMLDOC01-appb-M000002
 （上記式（１）中、学習データの平均２乗誤差（σＬ）とは、学習データの監視データの実測値を学習後のニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均２乗誤差（σＬ）である。評価データの推測値の平均値とは、学習データの監視データの実測値を学習後のニューラルネットワークの入力層に入力して得られた評価データの推測値の平均値である。）
［２］　上記解析度判定値の予め定めた第一の設定値が６％以下であり、上記解析度判定値の予め定めた第二の設定値が上記第一の設定値よりも大きくかつ２０％以下である前記［１］に記載のセメントの品質または製造条件の予測方法。
［３］　上記ニューラルネットワークが、上記入力層と上記出力層の間に中間層を有する階層型のニューラルネットワークである前記［１］または［２］に記載のセメントの品質または製造条件の予測方法。
［４］　上記セメントがポルトランドセメントであり、上記監視データと上記評価データの組み合わせが、（ｉｉ）上記監視データが、セメントに関するデータであり、かつ、上記評価データが、セメントと水を混練してなる組成物の物性に関するデータである組み合わせであり、上記監視データである、セメントに関するデータは、ポルトランドセメントのブレーン比表面積、ふるい試験残分量、湿式ｆ．ＣａＯ、鉱物組成、及び化学組成の中から選ばれる一種以上であり、上記評価データである、セメントと水を混練してなる組成物の物性に関するデータは、モルタルの圧縮強さ、曲げ強度、流動性、水和熱、及び凝結時間の中から選ばれる一種以上である前記［１］～［３］のいずれかに記載のセメントの品質または製造条件の予測方法。
［５］　上記セメントが混合セメントであり、上記監視データと上記評価データの組み合わせが、（ｉｉ）上記監視データが、セメントに関するデータ及び混合材に関するデータであり、かつ、上記評価データが、セメントと水を混練してなる組成物の物性に関するデータである組み合わせであり、上記監視データである、セメントに関するデータは、混合セメントに含まれるポルトラントセメントのブレーン比表面積、ふるい試験残分量、密度、湿式ｆ．ＣａＯ、鉱物組成、及び化学組成、混合セメントのブレーン比表面積、ふるい試験残分量、密度、鉱物組成、及び化学組成、並びに、混合セメント中の混合材の含有率の中から選ばれる一種以上であり、上記監視データである、混合材に関するデータは、混合材のブレーン比表面積、ふるい試験残分量、密度、及び化学組成の中から選ばれる一種以上であり、上記評価データである、セメントと水を混練してなる組成物の物性に関するデータは、モルタルの圧縮強さ、曲げ強度、流動性、水和熱、及び凝結時間の中から選ばれる一種以上である前記［１］～［３］のいずれかに記載のセメントの品質または製造条件の予測方法。
［６］　工程（Ａ）の前に、（Ａ－１）任意に選択した１種以上の監視データからなる監視データ集合体を、２種以上用意し、該２種以上の監視データ集合体の各々について、
　監視データの実測値と評価データの実測値の組み合わせである選択データを複数用いて、工程（Ａ）～（Ｍ）において用いられるニューラルネットワークとは異なる未学習のニューラルネットワークの学習を行い、得られたニューラルネットワークの入力層に、選択データの監視データの実測値を入力して得られた評価データの推測値と、選択データの評価データの実測値との平均２乗誤差を算出し、平均２乗誤差の数値が最も小さかった選択データにおける監視データを、工程（Ａ）～（Ｍ）における監視データとして用いる工程、を含む前記［１］～［５］のいずれかに記載のセメントの品質または製造条件の予測方法。
［７］　上記監視データの値を人為的に変動させて得られた上記評価データの推測値に基づいて、セメントの製造条件を最適化する前記［１］～［６］のいずれかに記載のセメントの品質または製造条件の予測方法。
　本発明のセメントの品質または製造条件の予測方法を用いれば、学習データの数が少ない等の、従来のニューラルネットワークの学習プロセスを含む予測方法では困難であった条件においても、短時間でかつ高い精度でセメントの品質または製造条件を予測することができる。
　また、得られた推測値を基にリアルタイムで製造条件を最適化することが可能であり、セメントの品質の安定化の向上を図ることができる。
　さらに、ニューラルネットワークの学習を継続することによって、高い予測の精度を維持することができる。
本発明の予測方法の一例を示すフロー図である。 実施例１のニューラルネットワークの学習の工程（Ｌ）において設定された予測可能監視データ領域を示す図である。 実施例２のニューラルネットワークの学習の工程（Ｌ）において設定された予測可能監視データ領域を示す図である。
　以下、本発明について詳細に説明する。
　本発明の予測方法は、セメント製造における監視データの実測値を入力するための入力層と、セメントの品質または製造条件の評価に関連する評価データの推測値を出力するための出力層を有するニューラルネットワークを用いて、セメントの品質または製造条件を予測する方法である。
　本発明のニューラルネットワークは、入力層と出力層の間に中間層を有する階層型のニューラルネットワークであってもよい。
　上記監視データと上記評価データの組み合わせとしては、以下の（ｉ）または（ｉｉ）が挙げられる。
（ｉ）上記監視データがセメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、及びセメントクリンカーに関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、セメントクリンカーに関するデータ、及びセメントに関するデータの中から選ばれる一種以上のデータである組み合わせ
（ｉｉ）上記監視データが、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、セメントクリンカーに関するデータ、セメントに関するデータ、及び混合材に関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、セメントと水を混練してなる組成物の物性に関するデータである組み合わせ
　前記（ｉ）の組み合わせにおける監視データの一つである「セメントクリンカーの原料に関するデータ」は、セメントクリンカーの調合原料の化学組成、水硬率、ふるい試験残分量、ブレーン比表面積（粉末度）、強熱減量；キルンへの投入時から所定の時間前の時点（例えば、５時間前の１つの時点や、３時間前、４時間前、５時間前、及び６時間前の４つの時点のような複数の時点）のセメントクリンカーの原料（搬送中に向流する空気流によって微粒分等が抜き取られたセメントクリンカーの調合原料。以後、セメントクリンカーの窯入原料と称す。）の化学組成、水硬率、供給量；廃棄物のような特殊な原料からなるセメントクリンカーの副原料の供給量、調合原料のブレンディングサイロの貯留量（残量）、調合原料のストレージサイロの貯留量（残量）、原料ミルと調合原料のブレンディングサイロの間に位置するサイクロンの電流値（サイクロンの回転数を表し、サイクロンを通過する原料の速度と相関関係があるもの）；セメントクリンカーの窯入原料と副原料を混合してなる原料の化学組成、水硬率、ブレーン比表面積、ふるい試験残分量、脱炭酸率、水分量、等が挙げられる。これらのデータは、１種を単独でまたは２種以上を組み合わせて用いられる。
　ここで、セメントクリンカーの原料（調合原料または窯入原料）の化学組成とは、セメントクリンカーの原料中のＳｉＯ２、Ａｌ２Ｏ３、Ｆｅ２Ｏ３、ＣａＯ、ＭｇＯ、ＳＯ３、Ｎａ２Ｏ、Ｋ２Ｏ、Ｎａ２Ｏｅｑ（全アルカリ）、ＴｉＯ２、Ｐ２Ｏ５、ＭｎＯ、Ｃｌ、Ｃｒ、Ｚｎ、Ｐｂ、Ｃｕ、Ｎｉ、Ｖ、Ａｓ、Ｚｒ、Ｍｏ、Ｓｒ、Ｂａ、Ｆ等の含有率である。
　前記（ｉ）の組み合わせにおける監視データの一つである「セメントクリンカーの焼成条件に関するデータ」は、セメントクリンカーの原料の挿入量、キルンの窯入ＣＦＷ、キルン回転数、落口温度、焼成帯温度、セメントクリンカー温度、キルン平均トルク、Ｏ２濃度、ＮＯＸ濃度、クリンカークーラー温度、プレヒーターのガスの流量（プレヒーターの温度と相関関係があるもの）等が挙げられる。これらのデータは、１種を単独でまたは２種以上を組み合わせて用いられる。
　前記（ｉ）の組み合わせにおける監視データの一つである「セメントの粉砕条件に関するデータ」は、粉砕温度、仕上ミル内の散水量、セパレーター風量、石膏の種類、石膏の添加量、セメントクリンカーの投入量、仕上ミルの回転数、仕上ミルから排出される粉体の温度、仕上ミルから排出される粉体の量、仕上ミルから排出されない粉体の量、被粉砕性等が挙げられる。
　前記（ｉ）の組み合わせにおける監視データの一つである「セメントクリンカーに関するデータ」は、セメントクリンカーの鉱物組成、各鉱物の結晶学的性質（格子定数や結晶子径など）、２種以上の鉱物組成の比、化学組成、湿式ｆ．ＣａＯ（フリーライム）、容量、容重等が挙げられる。これらのデータは、１種を単独でまたは２種以上を組み合わせて用いられる。
　ここで、セメントクリンカーの鉱物組成とは、３ＣａＯ・ＳｉＯ２（Ｃ３Ｓ）、２ＣａＯ・ＳｉＯ２（Ｃ２Ｓ）、３ＣａＯ・Ａｌ２Ｏ３（Ｃ３Ａ）、４ＣａＯ・Ａｌ２Ｏ３・Ｆｅ２Ｏ３（Ｃ４ＡＦ）、ｆ．ＣａＯ、ｆ．ＭｇＯ等の含有率である。また「２種以上の鉱物組成の比」としては、例えば、Ｃ３Ｓ／Ｃ２Ｓの比が挙げられる。
　なお、セメントクリンカーの鉱物組成は、例えばＸＲＤ－リートベルト法によって得ることができる。
　セメントクリンカーの化学組成とは、セメントクリンカー中のＳｉＯ２、Ａｌ２Ｏ３、Ｆｅ２Ｏ３、ＣａＯ、ＭｇＯ、ＳＯ３、Ｎａ２Ｏ、Ｋ２Ｏ、Ｎａ２Ｏｅｑ（全アルカリ）、ＴｉＯ２、Ｐ２Ｏ５、ＭｎＯ、Ｃｌ、Ｃｒ、Ｚｎ、Ｐｂ、Ｃｕ、Ｎｉ、Ｖ、Ａｓ、Ｚｒ、Ｍｏ、Ｓｒ、Ｂａ、Ｆ等の含有率である。
　前記（ｉ）の組み合わせにおいて、監視データとして、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、及びセメントクリンカーに関するデータの中から選ばれるいずれか一種のデータのみを用いてもよいが、これら４種のデータのうちの２種以上（複数）のデータを用いることが、評価データの予測の精度を高める観点から、好ましい。
　前記（ｉ）の組み合わせにおける評価データである「セメントクリンカーの原料に関するデータ」、「セメントクリンカーの焼成条件に関するデータ」、「セメントの粉砕条件に関するデータ」、及び「セメントクリンカーに関するデータ」は、各々、上述した監視データである「セメントクリンカーの原料に関するデータ」、「セメントクリンカーの焼成条件に関するデータ」、「セメントの粉砕条件に関するデータ」、及び「セメントクリンカーに関するデータ」と同様である。
　また、上述した「セメントクリンカーの原料に関するデータ」、「セメントクリンカーの焼成条件に関するデータ」、「セメントの粉砕条件に関するデータ」、及び「セメントクリンカーに関するデータ」は監視データを兼ねることができる。
　前記（ｉ）の組み合わせにおける評価データの一つである「セメントに関するデータ」は、ブレーン比表面積、ふるい試験残分量、石膏の半水化率、色調等が挙げられる。
　前記（ｉｉ）の組み合わせにおける監視データである「セメントクリンカーの原料に関するデータ」、「セメントクリンカーの焼成条件に関するデータ」、「セメントの粉砕条件に関するデータ」、「セメントクリンカーに関するデータ」は、各々、前記（ｉ）の組み合わせにおける監視データである「セメントクリンカーの原料に関するデータ」、「セメントクリンカーの焼成条件に関するデータ」、「セメントの粉砕条件に関するデータ」、「セメントクリンカーに関するデータ」と同様である。
　前記（ｉｉ）の組み合わせにおける監視データである「セメントに関するデータ」は、セメントの化学組成、鉱物組成、各鉱物の結晶学的性質（格子定数や結晶子径など）、湿式ｆ．ＣａＯ、強熱減量、ブレーン比表面積、粒度分布、ふるい試験残分量（３１μｍふるい試験残分量、３２μｍふるい試験残分量等）、石膏の半水化率、色調、及び密度；上記セメントが混合セメントの場合における、混合セメントに含まれるポルトランドセメント（基材セメント）のブレーン比表面積、ふるい試験残分量、密度、湿式ｆ．ＣａＯ、鉱物組成、化学組成、石膏の半水化率、色調、混合セメントの鉱物組成、及び混合材の含有率、等が挙げられる。なお、前記セメントとしては、例えば、（１）「日本工業規格（以降「ＪＩＳ」と称す）　Ｒ　５２１０（ポルトランドセメント）」に規定される各種ポルトランドセメントや、（２）前記各種ポルトランドセメントと、高炉スラグ粉末、焼成頁岩粉末、フライアッシュ、石灰石粉末、シリカフュームから選ばれる一種以上の混合材を混合してなる各種混合セメントや、（３）「ＪＩＳ　Ｒ　５２１４（エコセメント）」に規定されるエコセメント等が挙げられる。前記混合セメントとしては、例えば、「ＪＩＳ　Ｒ　５２１１（高炉セメント）」に規定される高炉セメントや、「ＪＩＳ　Ｒ　５２１３（フライアッシュセメント）」に規定されるフライアッシュセメントや、前記フライアッシュセメントよりもフライアッシュの含有率が大きい（フライアッシュの含有率が３０質量％を越え６０質量％以下）セメント等が挙げられる。なお、本明細書において、ポルトランドセメントとフライアッシュを混合した混合セメントを、以降「フライアッシュ混合セメント」と称す。
　また、前記（ｉｉ）の組み合わせにおける監視データである「混合材に関するデータ」としては、セメント（例えば、混合セメント）に含まれる混合材のブレーン比表面積、ふるい試験残分量（４５μｍふるい試験残分量等）、密度、化学組成、強熱減量、及びガラス化率等が挙げられる。
　これらのデータは、１種を単独でまたは２種以上を組み合わせて用いられる。
　ここで、セメント（各種ポルトランドセメント、混合セメント等）の化学組成とは、セメント原料（セメントが混合材を含む場合は、混合材を含むセメント原料）中のＳｉＯ２、Ａｌ２Ｏ３、Ｆｅ２Ｏ３、ＣａＯ、ＭｇＯ、ＳＯ３、Ｎａ２Ｏ、Ｋ２Ｏ、Ｎａ２Ｏｅｑ（全アルカリ）、ＴｉＯ２、Ｐ２Ｏ５、ＭｎＯ、Ｃｌ、Ｃｒ、Ｚｎ、Ｐｂ、Ｃｕ、Ｎｉ、Ｖ、Ａｓ、Ｚｒ、Ｍｏ、Ｓｒ、Ｂａ、Ｆ等の量や割合（含有率）である。
　セメント（各種ポルトランドセメント）の鉱物組成とは、３ＣａＯ・ＳｉＯ２（Ｃ３Ｓ）、２ＣａＯ・ＳｉＯ２（Ｃ２Ｓ）、３ＣａＯ・Ａｌ２Ｏ３（Ｃ３Ａ）、４ＣａＯ・Ａｌ２Ｏ３・Ｆｅ２Ｏ３（Ｃ４ＡＦ）、ｆ．ＣａＯ、ｆ．ＭｇＯ、ＣａＣＯ３、石膏（例えば、二水石膏、半水石膏）、カルサイト等の量や割合（含有率）である。
　混合セメントの鉱物組成とは、３ＣａＯ・ＳｉＯ２（Ｃ３Ｓ）、２ＣａＯ・ＳｉＯ２（Ｃ２Ｓ）、３ＣａＯ・Ａｌ２Ｏ３（Ｃ３Ａ）、４ＣａＯ・Ａｌ２Ｏ３・Ｆｅ２Ｏ３（Ｃ４ＡＦ）、ｆ．ＣａＯ、ｆ．ＭｇＯ、ＣａＣＯ３、石膏（例えば、二水石膏、半水石膏）、カルサイト、ムライト、マグネタイト、石英、ガラス等の量や割合（含有率）である。前記混合セメントの鉱物組成は、例えばＸＲＤ－リートベルト法によって得ることができる。
　なお、セメントの化学組成及び鉱物組成のデータは、前記（ｉ）の組み合わせにおける評価データである「セメントクリンカーに関するデータ」を利用してもよい。
　混合材の化学組成とは、混合材中のＳｉＯ２、Ａｌ２Ｏ３、Ｆｅ２Ｏ３、ＣａＯ、ＭｇＯ、ＳＯ３、Ｎａ２Ｏ、Ｋ２Ｏ、Ｎａ２Ｏｅｑ（全アルカリ）、ＴｉＯ２、Ｐ２Ｏ５、ＭｎＯ、Ｃｌ、Ｃｒ、Ｚｎ、Ｐｂ、Ｃｕ、Ｎｉ、Ｖ、Ａｓ、Ｚｒ、Ｍｏ、Ｓｒ、Ｂａ、Ｆ等の量や割合（含有率）である。
　色調（色調Ｌ値、色調ａ値、色調ｂ値）は、「ＪＩＳ　Ｚ　８７２２（色の測定方法－反射及び透過物体色）」の方法等による測定値である。
　前記（ｉｉ）の組み合わせにおける評価データである「セメントと水を混練してなる組成物の物性」は、モルタルの圧縮強さ、曲げ強度、流動性（フロー値）、水和熱、凝結時間、乾燥収縮率、安定性、水中膨張、耐硫酸塩性、中性化、ＡＳＲ抵抗等が挙げられる。
　上記（ｉｉ）の組み合わせにおける評価データのセメントと水を混練してなる組成物の物性のうち、モルタルの圧縮強さ、曲げ強度、流動性（フロー値）、水和熱、または凝結時間を、より高い精度で予測することができる、好ましい監視データの組み合わせは、セメントクリンカーの原料に関するデータのうち、セメントクリンカーの調合原料の化学組成、水硬率、ふるい試験残分量、ブレーン比表面積、強熱減量；セメントクリンカーの焼成条件に関するデータのうち、キルンの窯入ＣＦＷ、キルン回転数、落口温度、焼成帯温度、セメントクリンカー温度、キルン平均トルク、Ｏ２濃度、ＮＯＸ濃度、クリンカークーラー温度、プレヒーターのガスの流量；セメントの粉砕条件に関するデータのうち、粉砕温度、仕上ミル内の散水量、セパレーター風量、石膏の添加量、セメントクリンカーの投入量、仕上ミルの回転数、仕上ミルから排出される粉体の温度、仕上ミルから排出される粉体の量、仕上げミルから排出されない粉体の量、被粉砕性；セメントクリンカーに関するデータのうち、セメントクリンカーの鉱物組成、各鉱物の結晶学的性質、２種以上の鉱物組成の比、化学組成、容量；セメントに関するデータのうち、セメントの化学組成、鉱物組成、各鉱物の結晶学的性質、湿式ｆ.ＣａＯ、強熱減量、ブレーン比表面積、粒度分布、ふるい試験残分量、密度、色調Ｌ値、色調ａ値、色調ｂ値、混合材の含有率；混合材に関するデータのうち、混合材のブレーン比表面積、ふるい試験残分量、密度の中から選ばれる一種以上である。
　上記監視データの中でも、より好ましい監視データの組み合わせとしては、以下の（ａ）～（ｂ）が挙げられる。
（ａ）予測の対象となるセメントがポルトランドセメントであり、かつ、監視データの組み合わせが、セメント（ポルトランドセメント）に関するデータのうち、セメントのブレーン比表面積、ふるい試験残分量（３１μｍふるい試験残分量、３２μｍふるい試験残分量）、湿式ｆ.ＣａＯ、鉱物組成（Ｃ３Ｓ、Ｃ２Ｓ、Ｃ３Ａ、Ｃ４ＡＦ、二水石膏、半水石膏、ｆ.ＣａＯ、ｆ.ＭｇＯ、ＣａＣＯ３の量）、及び化学組成（ＭｇＯ、Ｎａ２Ｏ、Ｋ２Ｏ、Ｎａ２Ｏｅｑ（全アルカリ）、Ｐ２Ｏ５、ＴｉＯ２の量）の中から選ばれる１種以上であるもの
（ｂ）予測の対象となるセメントがフライアッシュ混合セメント（混合セメント）であり、かつ、監視データの組み合わせが、セメント（混合セメント：フライアッシュ混合セメント）に関するデータのうち、セメント（混合セメント：フライアッシュ混合セメント）に含まれるポルトラントセメント（基材セメント）のブレーン比表面積、密度；セメント（混合セメント：フライアッシュ混合セメント）のブレーン比表面積、密度、混合材（フライアッシュ）の含有率であり、混合材（フライアッシュ）に関するデータのうち、混合材（フライアッシュ）のブレーン比表面積、ふるい試験残分量（４５μｍふるい試験残分量）、及び密度の中から選ばれる１種以上であるもの
　本発明において、複数の種類の監視データの中から特定の種類の監視データを選択し、選択した監視データを、後述する工程（Ａ）～（Ｍ）において用いることで、評価データの予測の精度をより高めることできる。
　なお、特定の種類の監視データ（評価データの予測の精度をより高めることできる、１種又は２種以上の監視データの組み合わせ）は、予測の対象となる評価データの種類によって異なるものである。
　特定の種類の監視データは、予測の対象となる評価データと相関性の高いものを選択することが好ましい。特定の種類の監視データを選択する方法については、後述（工程（Ａ－１））する。
　本発明のセメントの品質または製造条件の予測方法において、対象となるセメントは、特に限定されず、例えば、（１）「ＪＩＳ　Ｒ　５２１０（ポルトランドセメント）」に規定される普通ポルトランドセメント、早強ポルトランドセメント、中庸熱ポルトランドセメント、低熱ポルトランドセメント等の各種ポルトランドセメントや、（２）前記各種ポルトランドセメントと、高炉スラグ粉末、焼成頁岩粉末、フライアッシュ、石灰石粉末、シリカフュームから選ばれる一種以上の混合材を混合してなる各種混合セメント（例えば、「ＪＩＳ　Ｒ　５２１１（高炉セメント）」に規定される高炉セメントや、フライアッシュ混合セメント等）、（３）「ＪＩＳ　Ｒ　５２１４（エコセメント）」に規定されるエコセメント等が挙げられる。
　ポルトランドセメントの製造工程は、原料工程、焼成工程、仕上工程の３工程に大別される。原料工程は、石灰石、粘土、珪石、酸化鉄原料などのセメント原料を適当な割合で調合して、原料ミルで微粉砕し、ポルトランドセメントクリンカーの調合原料を得る工程である。焼成工程は、ポルトランドセメントクリンカーの調合原料をサスペンションプレヒーター等を経由してロータリーキルンに供給し、充分に焼成した後、冷却して、ポルトランドセメントクリンカーを得る工程である。仕上工程は、得られたポルトランドセメントクリンカーに適当な量の石膏などを加え、仕上ミルで微粉砕して、ポルトランドセメントを得る工程である。
　本発明では、セメント製造における監視データと、セメントの品質または製造条件の評価に関連する評価データの関係を、ニューラルネットワークによって予め学習し、その学習結果を用いて、上記監視データのみに基づいて、上記評価データを予測する。
　以下、本発明の予測方法について、図１を参照しながら詳しく説明する。
［工程（Ａ－１）］
　本工程は、評価データの予測の精度をより高める目的で、工程（Ａ）の前に任意に行われる工程である。
　本工程では、任意に選択した１種以上の監視データからなる監視データ集合体を、２種以上用意し、該２種以上の監視データ集合体の各々について、工程（Ａ）～（Ｍ）において用いるのに好適な監視データを選択するための、監視データの実測値と評価データの実測値の組み合わせ（以下、「選択データ」ともいう。）を複数用いて、工程（Ａ）～（Ｍ）において用いられるニューラルネットワークとは異なる未学習のニューラルネットワークの学習を行い、得られたニューラルネットワークの入力層に、選択データの監視データの実測値を入力して得られた評価データの推測値と、選択データの評価データの実測値との平均２乗誤差（ＲＭＳＥ：Ｒｏｏｔ　Ｍｅａｎ　Ｓｑｕａｒｅｄ　Ｅｒｒｏｒ）を算出し、平均２乗誤差の数値が最も小さかった選択データにおける監視データを、工程（Ａ）～（Ｍ）における監視データとして用いるものとする。
　任意に選択した１種以上の監視データとは、上述したセメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、セメントクリンカーに関するデータ、セメントに関するデータ、及び混合材に関するデータとして列挙されたものの中から任意に選択した１種以上（好ましくは４種以上、より好ましくは５種以上、特に好ましくは６種以上）のデータである。
　本工程では、任意に選択した１種以上の監視データからなる監視データ集合体を、２種以上（好ましくは３種以上、より好ましくは４種以上）用意し、該２種以上の監視データ集合体の各々について、集合体における監視データの実測値と評価データの実測値の組み合わせである選択データを複数用いて、未学習のニューラルネットワークの学習を行う。
　具体的には、選択用の複数のサンプルを用意し、該サンプルの監視データ（任意に選択した１種以上の監視データ）の実測値、及び予測の対象となる評価データの実測値を測定して、これらを選択データとして用いる。該選択データのうち、監視データの実測値をニューラルネットワークの入力層に入力して、出力層から出力された評価データの推測値と、該評価データの推測値に対応する選択データの評価データの実測値を比較評価して、ニューラルネットワークを修正することを、任意の学習回数行うことで、ニューラルネットワークの学習が行われる。
　選択用のサンプルの数は、より高い精度で予測を行うことができる監視データを選択できる観点から、好ましくは１０以上、より好ましくは２０以上、さらに好ましくは３０以上、特に好ましくは４０以上である。サンプル数の上限は、特に限定されるものではないが、作業性の観点から、例えば、１０，０００である。
　上記ニューラルネットワークの学習回数は、特に限定されるものではないが、好ましくは１００～２，０００回、より好ましくは２００～１，５００回である。
［工程（Ａ）］
　工程（Ａ）において、学習回数の初期設定を実施する。設定される学習回数は、特に限定されるものではないが、好ましくは、ニューラルネットワークの過学習（オーバーラーニング）が発生する程度に、十分に大きな回数である。具体的には、通常５千～１００万回、好ましくは１万～１０万回である。
　工程（Ａ）では、ニューラルネットワークの過学習が発生する学習回数、具体的にはσＬ＜σＭ（詳しくは後述する）となるような学習回数を設定することが好ましいが、後の工程において、学習回数の増減が行われるため、工程（Ａ）において最初に設定される学習回数は、ニューラルネットワークの学習に通常行われる学習回数を用いても問題ない。
　工程（Ａ）終了後、工程（Ｂ）を実施する。
［工程（Ｂ）］
　工程（Ｂ）では、学習用の監視データの実測値と評価データの実測値の組み合わせ（以下、「学習データ」ともいう。）を複数用いて、ニューラルネットワークの学習を、前工程で設定された学習回数行う。上記組み合わせの数は、例えば、５以上、好ましくは７以上である。上記組み合わせの数の上限は、特に限定されないが、例えば、１，０００である。
　ここで、「前工程で設定された学習回数」とは、工程（Ａ）において設定される学習回数、または、工程（Ｄ）において再設定された新たな学習回数であって、直近の工程（工程（Ａ）または工程（Ｄ））で設定された学習回数である。
　具体的には、学習用の複数のサンプルを用意し、該サンプルの監視データの実測値、及び目的とする評価データの実測値を測定して、これらを学習データとして用いる。該学習データのうち、監視データの実測値をニューラルネットワークの入力層に入力して、出力層から出力された評価データの推測値と、該評価データの推測値に対応する学習データの評価データの実測値を比較評価してニューラルネットワークの修正することを、設定された学習回数行うことで、ニューラルネットワークの学習が行われる。
　学習用のサンプルの数は、より高い精度で予測を行う観点から、好ましくは１０以上、より好ましくは２０以上である。サンプル数の上限は、特に限定されるものではないが、作業性の観点から、例えば、１０，０００である。
　なお、学習回数を変更して、ニューラルネットワークの再学習を行う際には、前回の学習の結果得られたニューラルネットワークは初期化され、再度学習が行われる。
　工程（Ｂ）終了後、工程（Ｃ）を実施する。
［工程（Ｃ）］
　工程（Ｃ）では、σＬとσＭが算出される。σＬとσＭの大小関係から、学習がニューラルネットワークの過学習が発生する程度に十分に大きな回数行われたか否かを判断することができる。
　具体的には、学習データの監視データの実測値を、直近の工程（Ｂ）において学習が行われたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均２乗誤差（σＬ）を算出する。次いで、モニターデータの監視データの実測値を、直近の工程（Ｂ）において学習が行われたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの評価データの実測値との平均２乗誤差（σＭ）を算出する。その後、算出されたσＬとσＭの数値を比較することで、ニューラルネットワークの学習が十分に大きな回数で行われたか判断することができる。
　ここで、モニターデータとは、学習データを得るために用いられたサンプルとは別のサンプルから得られた、監視データの実測値及び評価データの実測値の組み合わせであり、ニューラルネットワークの信頼性を確認するためのデータである。
　モニターデータ（監視データの実測値及び評価データの実測値の組み合わせ）のサンプルの数は、作業性の観点から、学習データのサンプル数の好ましくは５～５０％、より好ましくは１０～３０％である。
　工程（Ｃ）で算出されたσＬとσＭの関係が、σＬ≧σＭである場合（図１の過学習判定における「Ｎｏ」）、直近に行った工程（Ｂ）の学習回数は、十分に大きな回数ではないと判断することができる。この場合、工程（Ｄ）を実施する。工程（Ｃ）で算出されたσＬとσＭの関係が、σＬ＜σＭである場合（図１の過学習判定における「Ｙｅｓ」）、直近に行った工程（Ｂ）の学習回数は、十分に大きな回数であったと判断することができる。この場合、工程（Ｅ）を実施する。
［工程（Ｄ）］
　工程（Ｄ）では、直近の工程（Ａ）で設定された学習回数および再設定された直近のニューラルネットワークの学習回数のいずれの学習回数よりも大きい学習回数を新たな学習回数として再設定する（例えば、直近の工程（Ｂ）で実施された学習回数に２．０を乗じた数を新たな学習回数として設定する。）。新たな学習回数を再設定した後、再度工程（Ｂ）～（Ｃ）を実施する。
［工程（Ｅ）］
　工程（Ｅ）では、直近のニューラルネットワークの学習で実施された学習回数を減らした学習回数を、新たな学習回数として再設定する（例えば、直近の工程（Ｂ）または工程（Ｆ）で実施された学習回数に０．９５を乗じた数を新たな学習回数として設定する。）。
　なお、直近のニューラルネットワークの学習とは、より近い過去に実施された学習を指す。具体的には、工程（Ｂ）もしくは後述の工程（Ｆ）のうち、より近い過去に実施された学習を指す。
　工程（Ｅ）終了後、工程（Ｆ）を実施する。
［工程（Ｆ）］
　工程（Ｆ）では、直近の工程（Ｂ）で用いられた学習データを用いて、ニューラルネットワークの学習を直近の工程（Ｅ）で設定された学習回数行う。
　工程（Ｆ）で実施する内容は、ニューラルネットワークの学習を工程（Ｅ）において新たに設定された学習回数行う以外は、工程（Ｂ）と同じである。
　工程（Ｆ）終了後、工程（Ｇ）を実施する。
［工程（Ｇ）］
　工程（Ｇ）では、直近の工程（Ｆ）の学習において得られたニューラルネットワークを用いて終了判定を行う。具体的には学習データの監視データの実測値を、直近の工程（Ｆ）の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均２乗誤差（σＬ）、及び、モニターデータの中の監視データの実測値を、直近の工程（Ｆ）の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均２乗誤差（σＭ）を算出し、算出されたσＬとσＭの関係が、σＬ≧σＭである場合（図１の終了判定における「Ｙｅｓ」）、直近に行った工程（Ｆ）の学習回数は、もはや十分に大きな回数ではないと判断することができる。この場合、後述する工程（Ｉ）を実施する。算出されたσＬとσＭの関係がσＬ＜σＭである場合（図１の終了判定における「Ｎｏ」）、直近に行った工程（Ｆ）の学習回数は、いまだ十分に大きな回数であったと判断することができる。この場合、後述する工程（Ｈ）を実施する。
［工程（Ｈ）］
　工程（Ｈ）では、直近の工程（Ｆ）におけるニューラルネットワークの学習回数が予め定めた数値を超えていたかどうかの判定を行う。工程（Ｈ）は、工程（Ｅ）から工程（Ｇ）を無限に繰り返すことを回避するために行われる。工程（Ｈ）において直近に行った工程（Ｆ）におけるニューラルネットワークの学習回数が予め定めた数値を超えていた場合（図１における「Ｙｅｓ」）は、再度工程（Ｅ）～（Ｇ）を実施する。工程（Ｈ）において直近に行った工程（Ｆ）の学習回数が予め定めた数値以下場合（図１における「Ｎｏ」）は、後述の工程（Ｊ）または（Ｋ）を実施する。
　なお、上記予め定めた数値とは、特に限定されず、例えば、工程（Ｅ）で設定された学習回数の１００分の１の数値以下、もしくは、１以下または０以下等が挙げられる。
［工程（Ｉ）］
　工程（Ｉ）では解析度判定値が予め定めた第一の設定値未満であるか否かによって、解析度の判定を行うことができる。解析度判定値は下記式（１）を用いて算出される。
Figure JPOXMLDOC01-appb-M000003
 　上記式（１）中、学習データの平均２乗誤差（σＬ）とは、直近の工程（Ｇ）で算出された平均２乗誤差（σＬ）と同じである。評価データの推測値の平均値とは、学習データの監視データの実測値を、直近の工程（Ｆ）にて得られたニューラルネットワークの入力層に入力して得られた評価データの推測値の平均値である。
　解析度の判定を行うことで学習を行ったニューラルネットワークを用いて、セメントの品質等の予測を高い精度で行うことができるか否かを判断することができる。
　解析度判定値が予め定めた第一の設定値未満（図１の第一の解析度判定における「Ｙｅｓ」）であれば、解析は十分であると判断され、ニューラルネットワークの学習は終了する。
　解析は十分であると判断された学習済みのニューラルネットワークは、本発明の予測方法に用いられる。
　具体的には、学習済みのニューラルネットワークの入力層に、セメント製造における監視データの実測値を入力して、学習済みのニューラルネットワークの出力層から、セメントの品質または製造条件の評価に関連する評価データの推測値を出力することで、セメントの品質または製造条件を予測することができる。
　解析度判定値が予め定めた第一の設定値以上（図１の第一の解析度判定における「Ｎｏ」）であれば、学習データを用いて学習を行ったニューラルネットワークをそのまま用いて、セメントの品質等の予測を高い精度で行うことはできないと判断され、工程（Ｊ）を実施する。
　予め定めた第一の設定値は、特に限定されないが、より高い精度で予測を行う観点から、好ましくは６％以下、より好ましくは５％以下、特に好ましくは３％以下の値である。
　なお、工程（Ａ）～（Ｉ）は、工程（Ｉ）において解析度判定値が予め定めた第一の設定値未満となるか、あるいは、工程（Ｊ）において該回数が予め設定した回数を超えるまで繰り返される。工程（Ｉ）を実施するたびに得られる、解析度判定値及び学習済みのニューラルネットワークは、工程（Ｋ）において使用される。
［工程（Ｊ）］
　工程（Ｊ）では、工程（Ａ）を実施した回数が予め設定した数値以下であるかどうかの判定を実施する。判定を実施することによって、工程（Ａ）から工程（Ｉ）を無限に繰り返すことを回避することができる。
　工程（Ｊ）において、工程（Ａ）を実施した回数が予め設定した回数以下（図１の回数判定における「Ｙｅｓ」）である場合、学習条件の初期化を行って、再度工程（Ａ）～（Ｉ）を行い、該回数が予め設定した回数を超える場合（図１の回数判定における「Ｎｏ」）、工程（Ｋ）を実施する。
　予め設定した回数は、特に限定されないが、通常、５回以上である。予め設定した回数の上限は、工程（Ａ）から工程（Ｉ）を多大に繰り返すことを防ぐ観点から、好ましくは１００回以下である。
　学習条件の初期化の方法としては、例えば、ニューラルネットワークを構成するユニットの閾値やユニットを結合している重みをランダムで変更した上で、学習データを再入力する方法、学習データを得るためのサンプルの数を増やす、使用する監視データの種類を変更する、又は不適切な学習データを除外する等を行った上で、新たな学習データを入力する方法等が挙げられる。
［工程（Ｋ）］
　工程（Ｋ）では、工程（Ｉ）において算出した全ての解析度判定値のうち、最も小さい解析度判定値が予め定めた第二の設定値未満であるか否かによって、次の予測の実施の可否の判定を行うことができる。
　工程（Ｋ）の判定を追加することで、工程（Ｉ）において、セメントの品質等の予測を高い精度で行うことはできないと判断された学習済みのニューラルネットワークであっても、後述する工程（Ｌ）～（Ｍ）を実施することによって、セメントの品質等の予測を高い精度で行うことができるか否かを判断することができる。
　最も小さい解析度判定値が予め定めた第二の設定値未満（図１の第二の解析度判定における「Ｙｅｓ」）である場合、最も小さい解析度判定値を得ることができた工程（Ｉ）におけるニューラルネットワークを、学習済みのニューラルネットワークとして得た後、工程（Ｌ）を実施する。
　最も小さい解析度判定値が予め定めた第二の設定値以上（図１の第二の解析度判定における「Ｎｏ」）であれば、学習データを用いて学習を行ったニューラルネットワークを用いて、セメントの品質等の次の予測を高い精度で行うことはできないと判断して予測を終了する。
　予め定めた第二の設定値は、上記第一の設定値よりも大きいものである。また、上限は、より高い精度で予測を行う観点から、好ましくは３０％以下、より好ましくは２０％である。
［工程（Ｌ）］
　工程（Ｌ）では、工程（Ｍ）で用いられる予測可能監視データ領域を設定する。
　最初に、ニューラルネットワークの学習に用いた全ての種類の監視データについて、予測可能監視データ領域を設定するための、監視データの固定値を設定する。
　該固定値は、任意で設定してもよいが、より高い精度で予測を行う観点から、好ましくは学習データおよびモニターデータの監視データの実測値の、最大値と最小値の範囲内の数値であり、より好ましくは学習データおよびモニターデータの監視データの実測値の平均値である。
　次いで、設定された監視データの固定値のうち、１種の監視データの固定値のみを任意に変動させて、変動させた監視データの値と、変動させた監視データ以外の監視データの固定値を、学習済みのニューラルネットワークの入力層に入力して評価データの推測値を複数得る。
　変動させた監視データの値は、より高い精度で予測を行う観点から、好ましくは学習データおよびモニターデータの監視データの実測値の、最大値と最小値の範囲内で変動させた値である。変動させた値の個数は、特に限定されるものではないが、より高い精度で予測を行う観点から、好ましくは５個以上、より好ましくは８個以上、特に好ましくは１０個以上である。
　次いで、得られた複数の評価データの推測値のうち、最も大きい値から最も小さい値を減じた値と、工程（Ｉ）において算出した全ての解析度判定値のうち、最も小さい解析度判定値を得ることができた工程（Ｉ）における、解析度判定値の算出に用いた学習データの平均二乗誤差（σＬ）に２を乗じた値を比較する。
　上記比較を、ニューラルネットワークの学習に用いた全ての種類の監視データに対して行い、上記最も大きい値から最も小さい値を減じた値が、上記学習データの平均二乗誤差（σＬ）に２を乗じた値以上である監視データの種類が２種以上である場合（図１の感度解析における「Ｙｅｓ」）、該２種以上の監視データの全種類を座標軸とする座標空間を作成する。
　例えば、上述した複数の評価データの推測値のうち、最も大きい値から最も小さい値を減じた値が、上記学習データの平均二乗誤差（σＬ）に２を乗じた値以上である監視データの種類が、Ｃ３Ｓの含有率と３２μｍふるい残分量の２種である場合、Ｃ３Ｓの含有率をＸ軸とし、３２μｍふるい残分量をｙ軸とする座標空間を作成する。
　次いで、学習データとして使用した全ての監視データの実測値の中で、上述した複数の評価データの推測値のうち、最も大きい値から最も小さい値を減じた値が、上記学習データの平均二乗誤差（σＬ）に２を乗じた値以上である種類の監視データの実測値を全て、座標空間にプロットし、座標空間において、プロットされた監視データ同士を結ぶことで予測可能監視データ領域を設定する。該予測可能監視データ領域は、プロットされた監視データの全てを包含する領域であって、該領域が最大となるように監視データ同士を結ぶことで形成される領域である（図２参照）。予測可能監視データ領域を設定した後、工程（Ｍ）を実施する。
　上述した複数の評価データの推測値のうち、最も大きい値から最も小さい値を減じた値が、上記学習データの平均二乗誤差（σＬ）に２を乗じた値以上である監視データの種類が０または１種である場合（図１の感度解析における「Ｎｏ」）、セメントの品質または製造条件を予測することはできないと判断して予測を終了する。
［工程（Ｍ）］
　工程（Ｍ）では、セメント製造における監視データの実測値と工程（Ｌ）で作成された座標空間を用いて、セメント製造における監視データの実測値と工程（Ｋ）で得た学習済みのニューラルネットワークによって、セメントの品質等の予測を高い精度で行うことができるか否かを判定することができる。
　セメントの品質等の予測に使用される、セメント製造における監視データの実測値が、工程（Ｌ）で設定した予測可能監視データ領域に含まれる場合（図１の座標判定における「Ｙｅｓ」）、セメントの品質等の予測を高い精度で行うことができると判断し、工程（Ｋ）で得た学習済みのニューラルネットワークの入力層に、セメント製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、セメントの品質または製造条件の評価に関連する評価データの推測値を出力することで、セメントの品質または製造条件を予測することができる。
　セメント製造における監視データの実測値が、上記予測可能監視データ領域に含まれない場合（図１の座標判定における「Ｎｏ」）、セメントの品質または製造条件を予測することはできないと判断して予測を終了する。
　なお、セメント製造における監視データが、工程（Ｌ）で作成された座標空間の座標軸として用いられていない種類の監視データの実測値（無相関検定において５％の有意水準で有意であると判断されなかった監視データの種類）を含む場合、当該の座標軸として用いられていない種類の監視データからは、監視データの実測値に何ら制限は与えない。
　本発明の予測方法によれば、学習データの数が少ない等の、従来のニューラルネットワークの学習プロセスを含む予測方法では困難であった条件においても、入力層に入力されるセメント製造における監視データが予測可能監視データ領域に含まれる場合、当該監視データと学習済みのニューラルネットワークを用いて、高い精度でセメントの品質または製造条件を予測することができる。
　ニューラルネットワークは、予測の精度を高い状態に維持するために、評価データの推測値と、該推測値に対応する実測値の乖離の大きさを定期的に点検し、その点検結果に基づいて、ニューラルネットワークを更新することが好ましい。更新の周期は、前記（ｉ）の組み合わせ（セメントクリンカーの鉱物組成等の予測に関するニューラルネットワーク）では、好ましくは１時間に一回、より好ましくは３０分間に一回である。前記（ｉｉ）の組み合わせ（セメントと水を混練してなる組成物の物性の予測に関するニューラルネットワーク）では、好ましくは１か月に一回、より好ましくは１週間に一回、特に好ましくは１日に一回である。
　本発明のセメントの品質または製造条件の予測方法によれば、ニューラルネットワークを用いることによって、監視データを入力するだけで、セメントクリンカーの鉱物組成や、セメントと水を混練してなる組成物（例えば、モルタル）の圧縮強さ等の評価データの推測値を、１時間以内に得ることができる。
　また、得られた評価データの推測値に基づいて、セメント製造途中においてセメントの品質異常を早期に察知し、原料工程、焼成工程及び仕上工程における諸条件の最適化を行うことにより、適正な品質のセメントを製造することができる。
　具体的には、セメントクリンカーの鉱物組成の推測値に異常が認められた場合、原料の調合、焼成条件の調整等を行うことで、セメントクリンカーの鉱物組成を目的のものにすることができる。
　また、評価データの推測値に基いて、セメントの製造工程の管理目標値を修正することも可能である。
　例えば、モルタルの圧縮強さが目標値に達しないと予測される場合、学習に用いた監視データ（因子）とモルタルの圧縮強さの関係を解析して、最適なセメントの製造工程の管理目標値を確認することで、セメントの品質を目的のものにすることができる。
　さらに、セメントの製造工程を制御するコンピュータと、本発明のセメントの品質または製造条件の予測方法を実施するために用いるコンピュータを接続することによって、評価データに基づいて監視データを人為的に変動させるための制御システムを自動化することもできる。
　本発明において、ニューラルネットワークによる演算を行うためのソフトウェアとしては、例えば、ＯＬＳＯＦＴ社製の「Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　Ｌｉｂｒａｒｙ」（商品名）等が挙げられる。
　以下、実施例により本発明を説明する。
［実施例１］
　選択用および学習用のサンプル（以下、単に「学習用サンプル」ともいう。）としてサンプリング時間の異なる７５個の普通ポルトランドセメントについて、「ＪＩＳ　Ｒ　５２０１（セメントの物理試験方法）」に準じて、材齢２８日におけるモルタルの圧縮強さを測定して、選択データおよび学習データ（以下、単に「学習データ等」ともいう。）における評価データの実測値とした。
　また、セメントに関するデータとして、上記７５個の普通ポルトランドセメントのブレーン比表面積、鉱物組成（Ｃ３Ｓ、Ｃ２Ｓ、Ｃ３Ａ、及びＣ４ＡＦの含有率）、３２μｍふるい試験残分量、及び化学組成（ＭｇＯ、全アルカリ（Ｎａ２Ｏ＋０．６５８×Ｋ２Ｏ）、Ｐ２Ｏ５、及びＴｉＯ２の含有率）を測定して、学習データ等における監視データの実測値とした。
　なお、当該実施例１における普通ポルトランドセメントは、「ＪＩＳ　Ｒ　５２１０（ポルトランドセメント）」に規定される普通ポルトランドセメントである。
［監視データの選択］
　上述した監視データ（普通ポルトランドセメントのブレーン比表面積、鉱物組成（Ｃ３Ｓ、Ｃ２Ｓ、Ｃ３Ａ、及びＣ４ＡＦの含有率）、３２μｍふるい試験残分量、及び化学組成（ＭｇＯ、全アルカリ（Ｎａ２Ｏ＋０．６５８×Ｋ２Ｏ）、Ｐ２Ｏ５、及びＴｉＯ２の含有率）のうち、表１に示す監視データを選択した条件１～４（監視データ集合体１～４）の各々（表１中、条件１～４の各々について、選択した監視データを「○」で示す。）について、選択した監視データの実測値と、評価データの実測値を用いて、未学習のニューラルネットワークの学習を行った。該学習は１２００回行った。
　学習後のニューラルネットワークの入力層に、選択した監視データの実測値を入力して得られた評価データの推測値と、評価データの実測値との平均２乗誤差（表１中、「ＲＭＳＥ」と示す。）を算出した。
　結果を表１に示す。
　条件１～４のうち、平均２乗誤差の値が最も小さかった条件１において選択した監視データの組み合わせ（普通ポルトランドセメントのブレーン比表面積、鉱物組成（Ｃ３Ｓ、Ｃ２Ｓ、Ｃ３Ａ、及びＣ４ＡＦの含有率）、３２μｍふるい試験残分量（表１～２中、「３２μｍ篩残分量」と略して記載する。）、化学組成（Ｐ２Ｏ５の含有率））を、ニューラルネットワークの学習に用いられる監視データ（学習データおよびモニターデータ）とした。
Figure JPOXMLDOC01-appb-T000004
　また、モニター用のサンプル（以下、「モニター用サンプル」ともいう。）として、前記７５個のサンプルとはサンプリング時間の異なる２２個の普通ポルトランドセメントを用いて、材齢２８日におけるモルタルの圧縮強さを学習データ等と同様に測定して、モニターデータ（評価データの実測値）とした。
　さらに、上記２２個の普通ポルトランドセメントのブレーン比表面積、鉱物組成（Ｃ３Ｓ、Ｃ２Ｓ、Ｃ３Ａ、及びＣ４ＡＦの含有率）、３２μｍふるい試験残分量、化学組成（Ｐ２Ｏ５の含有率））を学習データ等と同様に測定して、モニターデータ（監視データの実測値）とした。
　上記学習データを用いて、ニューラルネットワークの学習を行った。ニューラルネットワークとしては、入力層、中間層及び出力層を有する階層型のニューラルネットワークを用いた。なお、該ニューラルネットワークは、監視データの選択に用いたニューラルネットワークとは異なる未学習のものである。
　ニューラルネットワークの学習は、最初に上記学習データとモニターデータを用いて１００００回行った。得られたニューラルネットワークを用いて、σＬとσＭを算出したところ、σＬとσＭの関係はσＬ＜σＭであった。
　その後、ニューラルネットワークを初期化し、上記学習データとモニターデータを用いて、ニューラルネットワークの学習を前記学習回数に０．９５を乗じた数の学習回数（端数切捨て）行うことを、学習後のニューラルネットワークを用いて算出されたσＬとσＭの関係がσＬ≧σＭとなるまで繰り返した。σＬとσＭの関係がσＬ≧σＭとなった後、解析度判定値を算出したが、解析度判定値が予め定めた第一の設定値である６％未満とはならなかった。
　ここで、最も小さい解析度判定値は６．８８％であった。最も小さい解析度判定値を算出した際のニューラルネットワークを学習済みのニューラルネットワークとした。
　なお、第二の設定値は２０％とした。また、最も小さい解析度判定値を算出した際のσＬは、１．０９Ｎ／ｍｍ２であった。
　学習データの評価データの実測値である材齢２８日におけるモルタルの圧縮強さと、学習データの監視データの実測値である普通ポルトランドセメントのブレーン比表面積、鉱物組成（Ｃ３Ｓ、Ｃ２Ｓ、Ｃ３Ａ、及びＣ４ＡＦの含有率）、３２μｍふるい試験残分量、化学組成（Ｐ２Ｏ５の含有率）の各々について、予測可能監視データ領域を設定するための監視データとして利用できるか否かの判定を行った。
　最初に、上記ニューラルネットワークの学習に使用した、サンプリング日の異なる９７個（学習用のサンプル７５個とモニター用のサンプル２２個の合計）の監視データ（普通ポルトランドセメントのブレーン比表面積、鉱物組成（Ｃ３Ｓ、Ｃ２Ｓ、Ｃ３Ａ、及びＣ４ＡＦの含有率）、３２μｍふるい試験残分量、化学組成（Ｐ２Ｏ５の含有率））の実測値の平均値を算出し、得られた平均値を監視データの固定値とした。
　監視データの固定値を表２に示す。
Figure JPOXMLDOC01-appb-T000005
　ニューラルネットワークの学習に用いられる監視データである、普通ポルトランドセメントのブレーン比表面積、鉱物組成（Ｃ３Ｓ、Ｃ２Ｓ、Ｃ３Ａ、及びＣ４ＡＦの含有率）、３２μｍふるい試験残分量、化学組成（Ｐ２Ｏ５の含有率）の各々について、特定の１種の監視データの固定値のみを任意に変動させて、変動させた監視データの値と、変動させた監視データ以外の監視データの固定値を、学習済みのニューラルネットワークの入力層に入力して、モルタルの圧縮強さの推測値（評価データの推測値）を得た。
　具体的には、特定の１種の監視データを普通ポルトランドセメントのブレーン比表面積に定めた場合、表３に示す１１個のブレーン比表面積の値の各々について、ブレーン比表面積の値と、ブレーン比表面積以外の監視データの固定値（普通ポルトランドセメントの鉱物組成（Ｃ３Ｓ、Ｃ２Ｓ、Ｃ３Ａ、及びＣ４ＡＦの含有率）、３２μｍふるい試験残分量、化学組成（Ｐ２Ｏ５の含有率）の実測値の平均値）を、学習済みのニューラルネットワークの入力層に入力し、モルタルの圧縮強さの推測値（評価データの推測値）を得た。
　なお、表３に示す１１個のブレーン比表面積の値は、上記ニューラルネットワークの学習に使用した、サンプリング日の異なる９７個（学習用のサンプル７５個とモニター用のサンプル２２個の合計）の監視データの普通ポルトランドセメントのブレーン比表面積の実測値の数値範囲内で、任意に変動した値（実測値の最大値と最小値を１０等分するように変動した値）である。
　普通ポルトランドセメントの鉱物組成（Ｃ３Ｓ、Ｃ２Ｓ、Ｃ３Ａ、及びＣ４ＡＦの含有率）、３２μｍふるい試験残分量、化学組成（Ｐ２Ｏ５の含有率）についても、ブレーン比表面積と同様にして、各々、モルタルの圧縮強さの推測値（評価データの推測値）を得た。
　変動させた特定の１種の監視データ、及び、該監視データと、変動させた監視データ以外の監視データの固定値から得られたモルタル圧縮強さの推測値を表３～９に示す。
Figure JPOXMLDOC01-appb-T000006
Figure JPOXMLDOC01-appb-T000007
Figure JPOXMLDOC01-appb-T000008
Figure JPOXMLDOC01-appb-T000009
Figure JPOXMLDOC01-appb-T000010
Figure JPOXMLDOC01-appb-T000011
Figure JPOXMLDOC01-appb-T000012
　普通ポルトランドセメントのブレーン比表面積、鉱物組成（Ｃ３Ｓ、Ｃ２Ｓ、Ｃ３Ａ、及びＣ４ＡＦの含有率）、３２μｍふるい試験残分量、化学組成（Ｐ２Ｏ５の含有率）の各々について、得られたモルタルの圧縮強さの推測値の最大値から最小値を減算し、得られた値と上記σＬ（１．０９Ｎ／ｍｍ２）に２を乗じた値（２．１８Ｎ／ｍｍ２）を比較した。
　モルタルの圧縮強さの推定値の最大値から最小値を減算した値が、σＬ（１．０９Ｎ／ｍｍ２）に２を乗じた値（２．１８Ｎ／ｍｍ２）以上である監視データは、Ｃ３Ｓの含有率及び３２μｍふるい試験残分量であった。
　Ｃ３Ｓの含有率をｘ軸とし、３２μｍふるい試験残分量をｙ軸とする座標空間に、学習データ（監視データの実測値）における、Ｃ３Ｓの含有率と３２μｍふるい試験残分量のデータをプロットした。プロットされた学習データ（監視データの実測値）同士を結ぶことで形成される、学習データ（監視データの実測値）の全てを包含する領域であって、該領域が最大となるように監視データ同士を結ぶことで形成される領域を、予測可能監視データ領域として設定した（図２参照）。
　上記の学習用サンプル及びモニター用サンプルとは異なる、「ＪＩＳ　Ｒ　５２０１（セメントの物理試験方法）」に準じた材齢２８日におけるモルタルの圧縮強さが６２．１Ｎ／ｍｍ２であって、Ｃ３Ｓの含有率と３２μｍふるい試験残分量が上記予測可能監視データ領域に含まれる普通ポルトランドセメントのサンプルについて、監視データ（普通ポルトランドセメントのブレーン比表面積、鉱物組成（Ｃ３Ｓ、Ｃ２Ｓ、Ｃ３Ａ、及びＣ４ＡＦの含有率）、３２μｍふるい試験残分量、化学組成（Ｐ２Ｏ５の含有率））の実測値を、学習済みのニューラルネットワークの入力層に入力し、当該サンプルの材齢２８日におけるモルタルの圧縮強さ推測値を出力した。
　得られた評価データの推測値は６２．４±２．４（偏差は３σを示す。）Ｎ／ｍｍ２であった。
［比較例１］
　実施例１で得られた解析度判定値が６．８８％のニューラルネットワークにおいて、予測可能監視データ領域の設定を行わずに、実施例１で用いた材齢２８日のモルタルの圧縮強さが６２．１Ｎ／ｍｍ２である普通ポルトランドセメントの監視データ（普通ポルトランドセメントのセメントのブレーン比表面積、鉱物組成（Ｃ３Ｓ、Ｃ２Ｓ、Ｃ３Ａ、及びＣ４ＡＦの含有率）、３２μｍふるい試験残分量、化学組成（Ｐ２Ｏ５の含有率））の実測値を入力層に入力した場合の、材齢２８日におけるモルタルの圧縮強さの推測値は６３．０±８．０（偏差は３σを示す。）Ｎ／ｍｍ２であった。
　実施例１で得られた評価データの推測値（６２．４±２．４Ｎ／ｍｍ２）と、比較例１で得られた評価データの推測値（６３．０±８．０Ｎ／ｍｍ２）を比較すると、実施例１は比較例１よりも、評価データの実測値（６２．１Ｎ／ｍｍ２）に近く、また、信頼性が高いことがわかる。
［実施例２］
　選択用および学習用のサンプル（学習用サンプル）としてサンプリング時間の異なる５６個のフライアッシュ混合セメント（フライアッシュの含有率：２８．３～４１．２質量％）について、「ＪＩＳ　Ｒ　５２０１（セメントの物理試験方法）」に準じて、材齢２８日におけるモルタルの圧縮強さを測定して、選択データおよび学習データ（学習データ等）における評価データの実測値とした。
　混合材（フライアッシュ）に関するデータとして、上記５６個のフライアッシュ混合セメントに含まれているフライアッシュの密度、ブレーン比表面積、４５μｍふるい試験残分量を測定した。また、セメントに関するデータとして、上記５６個のフライアッシュ混合セメントに含まれているポルトランドセメントの密度、ブレーン比表面積を測定した。さらに、フライアッシュ混合セメントの密度、混合材（フライアッシュ）の含有率を測定した。これらを、学習データ等における監視データの実測値とした。
［監視データの選択］
　上述した監視データ（フライアッシュの密度、ブレーン比表面積（表１０～１１中、「ブレーン」と示す。）、４５μｍふるい試験残分量（表１０～１１中、「４５μｍ篩残分量」と示す。）；ポルトランドセメントの密度、ブレーン比表面積；フライアッシュ混合セメントの密度、混合材（フライアッシュ）の含有率（表１０～１１中、「ＦＡ含有率」と示す。）のうち、表１０に示す監視データを選択した条件１～４（監視データ集合体１～４）の各々（表１０中、条件１～４の各々について、選択した監視データを「○」で示す。）について、選択した監視データの実測値と、評価データの実測値を用いて、未学習のニューラルネットワークの学習を行った。該学習は１２００回行った。
　学習後のニューラルネットワークの入力層に、選択した監視データの実測値を入力して得られた評価データの推測値と、評価データの実測値との平均２乗誤差（表１中、「ＲＭＳＥ」と示す。）を算出した。
　結果を表１０に示す。
　条件１～４のうち、平均２乗誤差の値が最も小さかった条件１において選択した監視データの組み合わせ（フライアッシュの密度、ブレーン比表面積、４５μｍふるい試験残分量；ポルトランドセメントの密度、ブレーン比表面積；フライアッシュ混合セメントの密度、混合材（フライアッシュ）の含有率）を、ニューラルネットワークの学習に用いられる監視データ（学習データおよびモニターデータ）とした。
Figure JPOXMLDOC01-appb-T000013
　また、モニター用のサンプル（モニター用サンプル）として、上記５６個のサンプルとはサンプリング時間の異なる６個のフライアッシュ混合セメント（フライアッシュの含有率：２８．３～４１．２質量％）を用いて、材齢２８日におけるモルタルの圧縮強さを学習データ等と同様に測定して、モニターデータ（評価データの実測値）とした。
　さらに、上記６個のフライアッシュ混合セメントに含まれているフライアッシュの密度、ブレーン比表面積、４５μｍふるい試験残分量；上記６個のフライアッシュ混合セメントに含まれているポルトランドセメントの密度、ブレーン比表面積；上記６個のフライアッシュ混合セメントの密度、混合材（フライアッシュ）の含有率を学習データ等と同様にして測定して、モニターデータ（監視データの実測値）とした。
　上記学習データを用いて、ニューラルネットワークの学習を行った。ニューラルネットワークとしては、入力層、中間層及び出力層を有する階層型のニューラルネットワークを用いた。なお、該ニューラルネットワークは、監視データの選択に用いたニューラルネットワークとは異なる未学習のものである。
　ニューラルネットワークの学習は、最初に上記学習データとモニターデータを用いて１００００回行った。得られたニューラルネットワークを用いて、σＬとσＭを算出したところ、σＬとσＭの関係はσＬ＜σＭであった。
　その後、ニューラルネットワークを初期化し、上記学習データとモニターデータを用いて、ニューラルネットワークの学習を前記学習回数に０．９５を乗じた数の学習回数（端数切捨て）行うことを、学習後のニューラルネットワークを用いて算出されたσＬとσＭの関係がσＬ≧σＭとなるまで繰り返した。σＬとσＭの関係がσＬ≧σＭとなった後、解析度判定値を算出したが、解析度判定値が予め定めた第一の設定値である６％未満とはならなかった。
　ここで、最も小さい解析度判定値は６．１３％であった。最も小さい解析度判定値を算出した際のニューラルネットワークを学習済みのニューラルネットワークとした。
　なお、第二の設定値は２０％とした。また、最も小さい解析度判定値を算出した際のσＬは、２．４４Ｎ／ｍｍ２であった。
　学習データの評価データの実測値である材齢２８日におけるモルタルの圧縮強さと、学習データの監視データの実測値である、フライアッシュの密度、ブレーン比表面積、４５μｍふるい試験残分量；ポルトランドセメントの密度、ブレーン比表面積；フライアッシュ混合セメントの密度、混合材（フライアッシュ）の含有率、の各々について、予測可能監視データ領域を設定するための監視データとして利用できるか否かの判定を行った。
　最初に、上記ニューラルネットワークの学習に使用した、サンプリング日の異なる６２個（学習用のサンプル５６個とモニター用のサンプル６個の合計）の監視データ（フライアッシュの密度、ブレーン比表面積、４５μｍふるい試験残分量；ポルトランドセメントの密度、ブレーン比表面積；フライアッシュ混合セメントの密度；混合材（フライアッシュ）の含有率）の実測値の平均値を算出し、得られた平均値を監視データの固定値とした。
　監視データの固定値を表１１に示す。
Figure JPOXMLDOC01-appb-T000014
　ニューラルネットワークの学習に用いられる監視データである、フライアッシュの密度、ブレーン比表面積、４５μｍふるい試験残分量；ポルトランドセメントの密度、ブレーン比表面積；フライアッシュ混合セメントの密度、混合材（フライアッシュ）の含有率、の各々について、特定の１種の監視データの固定値のみを任意に変動させて、変動させた監視データの値と、変動させた監視データ以外の監視データの固定値を、学習済みのニューラルネットワークの入力層に入力して、モルタルの圧縮強さの推測値（評価データの推測値）を得た。
　具体的には、特定の１種の監視データをフライアッシュの密度に定めた場合、表１２に示す１１個の密度の値の各々について、密度の値と、密度以外の監視データの固定値（フライアッシュのブレーン比表面積、４５μｍふるい試験残分量；ポルトランドセメントの密度、ブレーン比表面積；フライアッシュ混合セメントの密度、混合材（フライアッシュ）の含有率）を、学習済みのニューラルネットワークの入力層に入力し、モルタル圧縮強さの推測値（評価データの推測値）を得た。
　なお、表１２に示す密度の値は、上記ニューラルネットワークの学習に使用した、サンプリングの異なる６２個（学習用サンプル５６個とモニター用のサンプル６個の合計）の監視データの実測値の数値範囲内で、任意に変動した（実測値の最大値と最小値を１０等分するように変動した値）である。
　フライアッシュのブレーン比表面積、４５μｍふるい試験残分量；ポルトランドセメントの密度、ブレーン比表面積；フライアッシュ混合セメントの密度、混合材（フライアッシュ）の含有率についても、密度と同様にして、各々、モルタル圧縮強さの推測値（評価データの推測値）を得た。
　変動させた特定の１種の監視データ、及び、該監視データと、変動させた監視データ以外の監視データの固定値から得られたモルタル圧縮強さの推測値を表１２～１８に示す。
Figure JPOXMLDOC01-appb-T000015
Figure JPOXMLDOC01-appb-T000016
Figure JPOXMLDOC01-appb-T000017
Figure JPOXMLDOC01-appb-T000018
Figure JPOXMLDOC01-appb-T000019
Figure JPOXMLDOC01-appb-T000020
Figure JPOXMLDOC01-appb-T000021
　フライアッシュの密度、ブレーン比表面積、４５μｍふるい試験残分量；ポルトランドセメントの密度、ブレーン比表面積；フライアッシュ混合セメントの密度、混合材（フライアッシュ）の含有率、の各々について、得られたモルタルの圧縮強さの推測値の最大値から最小値を減算し、得られた値と上記σＬ（２．４４Ｎ／ｍｍ２）に２を乗じた値（４．８８Ｎ／ｍｍ２）を比較した。
　モルタルの圧縮強さの推定値の最大値から最小値を減算した値が、σＬ（２．４４Ｎ／ｍｍ２）に２を乗じた値（４．８８Ｎ／ｍｍ２）以上である監視データは、フライアッシュの密度及びフライアッシュ混合セメントの密度であった。
　フライアッシュの密度をｘ軸とし、フライアッシュ混合セメントの密度をｙ軸とする座標空間に、学習データ（監視データの実測値）における、フライアッシュの密度とフライアッシュ混合セメントの密度のデータをプロットした。プロットされた学習データ（監視データの実測値）同士を結ぶことで形成される、学習データ（監視データの実測値）の全てを包含する領域であって、該領域が最大となるように監視データ同士を結ぶことで形成される領域を、予測可能監視データ領域として設定した（図３参照）。
　上記の学習用サンプル及びモニター用サンプルとは異なる、「ＪＩＳ　Ｒ　５２０１（セメントの物理試験方法）」に準じた材齢２８日におけるモルタルの圧縮強さが４４．３Ｎ／ｍｍ２であって、フライアッシュの密度とフライアッシュ混合セメントの密度が上記予測可能監視データ領域に含まれるフライアッシュ混合セメント（フライアッシュの含有率：２８．３～４１．２質量％）のサンプルについて、監視データ（フライアッシュの密度、ブレーン比表面積、４５μｍふるい試験残分量；ポルトランドセメントの密度、ブレーン比表面積；フライアッシュ混合セメントの密度、混合材（フライアッシュ）の含有率）の実測値を、学習済みのニューラルネットワークの入力層に入力し、当該サンプルの材齢２８日におけるモルタルの圧縮強さ推測値を出力した。
　得られた評価データの推測値は４４．６±１．４（偏差は３σを示す。）Ｎ／ｍｍ２であった。
［比較例２］
　実施例２で得られた解析度判定値が６．１３％のニューラルネットワークにおいて、予測可能監視データ領域の設定を行わずに、実施例２で用いた材齢２８日のモルタルの圧縮強さが４４．３Ｎ／ｍｍ２であるフライアッシュ混合セメントの監視データ（フライアッシュの密度、ブレーン比表面積、４５μｍふるい試験残分量；ポルトランドセメントの密度、ブレーン比表面積；フライアッシュ混合セメントの密度、混合材（フライアッシュ）の含有率）の実測値を入力層に入力した場合の、材齢２８日におけるモルタルの圧縮強さの推測値は４４．９±４．３（偏差は３σを示す。）Ｎ／ｍｍ２であった。
　実施例２で得られた評価データの推測値（４４．６±１．４Ｎ／ｍｍ２）と、比較例２で得られた評価データの推測値（４４．９±４．３Ｎ／ｍｍ２）を比較すると、実施例２は比較例２よりも、評価データの実測値（４４．３Ｎ／ｍｍ２）に近く、また、信頼性が高いことがわかる。

 

Claims (7)

  1. 　入力層及び出力層を有するニューラルネットワークを用いたセメントの品質または製造条件の予測方法であって、
    　上記入力層は、セメント製造における監視データの実測値を入力するためのものであり、上記出力層は、セメントの品質または製造条件の評価に関連する評価データの推測値を出力するためのものであり、
    　上記監視データと上記評価データの組み合わせが、
    （ｉ）上記監視データが、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、及びセメントクリンカーに関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、セメントクリンカーに関するデータ、及びセメントに関するデータの中から選ばれる一種以上のデータである組み合わせ、または、
    （ｉｉ）上記監視データが、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、セメントクリンカーに関するデータ、セメントに関するデータ、及び混合材に関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、セメントと水を混練してなる組成物の物性に関するデータである組み合わせ、であり、
    　（Ａ）学習回数の初期設定を行う工程と、
    　（Ｂ）監視データの実測値と評価データの実測値の組み合わせである学習データを複数用いて、ニューラルネットワークの学習を、前工程で設定された学習回数行う工程と、
    　（Ｃ）学習データの監視データの実測値を、直近の工程（Ｂ）の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均２乗誤差（σＬ）、及び、ニューラルネットワークの学習結果の信頼性を確認するための監視データの実測値と評価データの実測値の組み合わせであるモニターデータの中の監視データの実測値を、直近の工程（Ｂ）の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均２乗誤差（σＭ）を算出し、算出されたσＬとσＭの関係がσＬ≧σＭである場合、工程（Ｄ）を実施し、算出されたσＬとσＭの関係がσＬ＜σＭである場合、工程（Ｅ）を実施する工程と、
    　（Ｄ）直近の工程（Ａ）で設定された学習回数および再設定された直近のニューラルネットワークの学習回数のいずれの学習回数よりも大きい学習回数を新たな学習回数として再設定し、再度工程（Ｂ）～（Ｃ）を実施する工程と、
    　（Ｅ）直近のニューラルネットワークの学習で実施された学習回数を減らした学習回数を、新たな学習回数として再設定する工程と、
    　（Ｆ）直近の工程（Ｂ）で用いられた学習データを用いて、ニューラルネットワークの学習を直近の工程（Ｅ）で設定された学習回数行う工程と、
    　（Ｇ）学習データの監視データの実測値を、直近の工程（Ｆ）の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均２乗誤差（σＬ）、及び、モニターデータの中の監視データの実測値を、直近の工程（Ｆ）の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均２乗誤差（σＭ）を算出し、算出されたσＬとσＭの関係がσＬ≧σＭである場合、工程（Ｉ）を実施し、算出されたσＬとσＭの関係がσＬ＜σＭである場合、工程（Ｈ）を実施する工程と、
    　（Ｈ）直近の工程（Ｆ）におけるニューラルネットワークの学習回数が予め定めた数値を超えている場合、再度工程（Ｅ）～（Ｇ）を実施し、直近の工程（Ｆ）におけるニューラルネットワークの学習回数が予め定めた数値以下の場合、工程（Ｊ）を実施する工程と、
    　（Ｉ）下記式（１）を用いて解析度判定値を算出し、該解析度判定値が予め定めた第一の設定値未満である場合、ニューラルネットワークの学習を終了し、学習済みのニューラルネットワークの入力層に、セメント製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、セメントの品質または製造条件の評価に関連する評価データの推測値を出力してセメントの品質または製造条件を予測し、上記解析度判定値が予め定めた第一の設定値以上である場合、工程（Ｊ）を実施する工程と、
    　（Ｊ）工程（Ａ）を実施した回数の大きさについての判定を行い、該回数が予め設定した回数以下である場合、学習条件の初期化を行って、再度工程（Ａ）～（Ｉ）を行い、該回数が予め設定した回数を超える場合、工程（Ｋ）を実施する工程と、
    　（Ｋ）工程（Ｉ）において算出した全ての解析度判定値のうち、最も小さい解析度判定値が予め定めた第二の設定値未満である場合、最も小さい解析度判定値を得ることができた工程（Ｉ）におけるニューラルネットワークを、学習済みのニューラルネットワークとした後、工程（Ｌ）を実施し、最も小さい解析度判定値が予め定めた第二の設定値以上である場合、セメントの品質または製造条件を予測することはできないと判断して予測を終了する工程と、
    　（Ｌ）　ニューラルネットワークの学習に用いた全ての種類の監視データについて、予測可能監視データ領域を設定するための、監視データの固定値を設定し、
    　設定された監視データの固定値のうち、１種の監視データの固定値のみを任意に変動させて、変動させた監視データの値と、変動させた監視データ以外の監視データの固定値を、学習済みのニューラルネットワークの入力層に入力して評価データの推測値を複数得た後、得られた複数の評価データの推測値のうち、最も大きい値から最も小さい値を減じた値と、工程（Ｉ）において算出した全ての解析度判定値のうち、最も小さい解析度判定値を得ることができた工程（Ｉ）における、解析度判定値の算出に用いた学習データの平均二乗誤差（σＬ）に２を乗じた値を比較することを、ニューラルネットワークの学習に用いた全ての種類の監視データに対して行い、上記最も大きい値から最も小さい値を減じた値が、上記平均二乗誤差（σＬ）に２を乗じた値以上である監視データの種類が２種以上である場合、該２種以上の監視データの全種類を座標軸とする座標空間に、学習データとして使用した監視データの実測値をプロットし、座標空間において、プロットされた監視データ同士を結ぶことで形成される監視データの全てを包含する領域であって、該領域が最大となるように監視データ同士を結ぶことで形成される領域を、予測可能監視データ領域として設定した後、工程（Ｍ）を実施し、
    　上記最も大きい値から最も小さい値を減じた値が、上記平均二乗誤差（σＬ）に２を乗じた値以上である監視データの種類が０または１種である場合、セメントの品質または製造条件を予測することはできないと判断して予測を終了する工程と、
    　（Ｍ）セメント製造における監視データの実測値が、上記予測可能監視データ領域に含まれるかどうかを判定し、セメント製造における監視データの実測値が、上記予測可能監視データ領域に含まれる場合、工程（Ｋ）で得た学習済みのニューラルネットワークの入力層に、セメント製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、セメントの品質または製造条件の評価に関連する評価データの推測値を出力してセメントの品質または製造条件を予測し、セメント製造における監視データの実測値が、上記予測可能監視データ領域に含まれない場合、セメントの品質または製造条件を予測することはできないと判断して予測を終了する工程と、を含むことを特徴とするセメントの品質または製造条件の予測方法。
    Figure JPOXMLDOC01-appb-M000001
     （上記式（１）中、学習データの平均２乗誤差（σＬ）とは、学習データの監視データの実測値を学習後のニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均２乗誤差（σＬ）である。評価データの推測値の平均値とは、学習データの監視データの実測値を学習後のニューラルネットワークの入力層に入力して得られた評価データの推測値の平均値である。）
  2. 　上記解析度判定値の予め定めた第一の設定値が６％以下であり、上記解析度判定値の予め定めた第二の設定値が上記第一の設定値よりも大きくかつ２０％以下である請求項１に記載のセメントの品質または製造条件の予測方法。
  3. 　上記ニューラルネットワークが、上記入力層と上記出力層の間に中間層を有する階層型のニューラルネットワークである請求項１または２に記載のセメントの品質または製造条件の予測方法。
  4. 　上記セメントがポルトランドセメントであり、上記監視データと上記評価データの組み合わせが、（ｉｉ）上記監視データが、セメントに関するデータであり、かつ、上記評価データが、セメントと水を混練してなる組成物の物性に関するデータである組み合わせであり、
    　上記監視データである、セメントに関するデータは、ポルトランドセメントのブレーン比表面積、ふるい試験残分量、湿式ｆ．ＣａＯ、鉱物組成、及び化学組成の中から選ばれる一種以上であり、
    　上記評価データである、セメントと水を混練してなる組成物の物性に関するデータは、モルタルの圧縮強さ、曲げ強度、流動性、水和熱、及び凝結時間の中から選ばれる一種以上である請求項１～３のいずれか１項に記載のセメントの品質または製造条件の予測方法。
  5. 　上記セメントが混合セメントであり、上記監視データと上記評価データの組み合わせが、（ｉｉ）上記監視データが、セメントに関するデータ及び混合材に関するデータであり、かつ、上記評価データが、セメントと水を混練してなる組成物の物性に関するデータである組み合わせであり、
    　上記監視データである、セメントに関するデータは、混合セメントに含まれるポルトラントセメントのブレーン比表面積、ふるい試験残分量、密度、湿式ｆ．ＣａＯ、鉱物組成、及び化学組成、混合セメントのブレーン比表面積、ふるい試験残分量、密度、鉱物組成、及び化学組成、並びに、混合セメント中の混合材の含有率の中から選ばれる一種以上であり、上記監視データである、混合材に関するデータは、混合材のブレーン比表面積、ふるい試験残分量、密度、及び化学組成の中から選ばれる一種以上であり、
    　上記評価データである、上記セメントと水を混練してなる組成物の物性に関するデータは、モルタルの圧縮強さ、曲げ強度、流動性、水和熱、及び凝結時間の中から選ばれる一種以上である請求項１～３のいずれか１項に記載のセメントの品質または製造条件の予測方法。
  6. 　工程（Ａ）の前に、（Ａ－１）任意に選択した１種以上の監視データからなる監視データ集合体を、２種以上用意し、該２種以上の監視データ集合体の各々について、
    　監視データの実測値と評価データの実測値の組み合わせである選択データを複数用いて、工程（Ａ）～（Ｍ）において用いられるニューラルネットワークとは異なる未学習のニューラルネットワークの学習を行い、得られたニューラルネットワークの入力層に、選択データの監視データの実測値を入力して得られた評価データの推測値と、選択データの評価データの実測値との平均２乗誤差を算出し、
    　平均２乗誤差の数値が最も小さかった選択データにおける監視データを、工程（Ａ）～（Ｍ）における監視データとして用いる工程、を含む請求項１～５のいずれか１項に記載のセメントの品質または製造条件の予測方法。
  7. 　上記監視データの値を人為的に変動させて得られた上記評価データの推測値に基づいて、セメントの製造条件を最適化する請求項１～６のいずれか１項に記載のセメントの品質または製造条件の予測方法。
PCT/JP2017/003988 2016-09-30 2017-02-03 セメントの品質または製造条件の予測方法 WO2018061239A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
MYPI2019001547A MY191427A (en) 2016-09-30 2017-02-03 Prediction method for cement quality or manufacturing conditions
JP2017528865A JP6208403B1 (ja) 2016-09-30 2017-02-03 セメントの品質または製造条件の予測方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016192484 2016-09-30
JP2016-192484 2016-09-30

Publications (1)

Publication Number Publication Date
WO2018061239A1 true WO2018061239A1 (ja) 2018-04-05

Family

ID=61759523

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/003988 WO2018061239A1 (ja) 2016-09-30 2017-02-03 セメントの品質または製造条件の予測方法

Country Status (1)

Country Link
WO (1) WO2018061239A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149342A (zh) * 2020-08-21 2020-12-29 杭州玖欣物联科技有限公司 一种优化水泥生料质量的模型方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012086754A1 (ja) * 2010-12-24 2012-06-28 太平洋セメント株式会社 セメントの品質または製造条件の予測方法
WO2013179702A1 (ja) * 2012-05-30 2013-12-05 太平洋セメント株式会社 セメントの品質または製造条件の予測方法
JP2017066026A (ja) * 2015-09-29 2017-04-06 太平洋セメント株式会社 セメントの品質または製造条件の予測方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012086754A1 (ja) * 2010-12-24 2012-06-28 太平洋セメント株式会社 セメントの品質または製造条件の予測方法
WO2013179702A1 (ja) * 2012-05-30 2013-12-05 太平洋セメント株式会社 セメントの品質または製造条件の予測方法
JP2017066026A (ja) * 2015-09-29 2017-04-06 太平洋セメント株式会社 セメントの品質または製造条件の予測方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149342A (zh) * 2020-08-21 2020-12-29 杭州玖欣物联科技有限公司 一种优化水泥生料质量的模型方法

Similar Documents

Publication Publication Date Title
KR101993493B1 (ko) 시멘트 품질 또는 제조 조건의 예측 방법
JP6636358B2 (ja) フライアッシュセメントの品質または製造条件の予測方法
JP6794039B2 (ja) コンクリートの配合条件の予測方法
JP6639988B2 (ja) セメントクリンカーの製造条件の予測方法
JP6674356B2 (ja) コンクリートの品質またはコンクリートの配合条件の予測方法
Mailar et al. Investigation of concrete produced using recycled aluminium dross for hot weather concreting conditions
WO2012086754A1 (ja) セメントの品質または製造条件の予測方法
JP6782867B2 (ja) 生コンクリートの品質予測方法
JP6732380B2 (ja) セメントの品質または製造条件の予測方法
JP6354373B2 (ja) 高炉スラグの選別方法及び高炉セメントの製造方法
JP2007137722A (ja) セメント組成物
JP6639987B2 (ja) セメントの品質または製造条件の予測方法
WO2018061239A1 (ja) セメントの品質または製造条件の予測方法
JP4336591B2 (ja) セメントの品質予測方法およびセメントの製造管理システム
CN105143137A (zh) 水泥原料用高炉水淬炉渣及其筛选方法
JP6793864B1 (ja) 生コンクリートの品質予測方法
CN110950557B (zh) 优化水泥原料调整量的方法和系统
Tsamatsoulis Prediction of cement strength: analysis and implementation in process quality control
JP4478531B2 (ja) セメント組成物
JP6208403B1 (ja) セメントの品質または製造条件の予測方法
JP5323290B1 (ja) セメントの品質または製造条件の予測方法
JP2018168021A (ja) セメントの品質または製造条件の予測方法
JP6206670B2 (ja) 石英結晶子径に基づいて遊離石灰量を制御したクリンカーの製造方法と製造設備
JP6364918B2 (ja) 高炉スラグの選別方法及び高炉セメントの製造方法
JP6644605B2 (ja) セメントクリンカーの製造条件の予測方法

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2017528865

Country of ref document: JP

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17855198

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17855198

Country of ref document: EP

Kind code of ref document: A1