WO2020152993A1 - 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置 - Google Patents

金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置 Download PDF

Info

Publication number
WO2020152993A1
WO2020152993A1 PCT/JP2019/047091 JP2019047091W WO2020152993A1 WO 2020152993 A1 WO2020152993 A1 WO 2020152993A1 JP 2019047091 W JP2019047091 W JP 2019047091W WO 2020152993 A1 WO2020152993 A1 WO 2020152993A1
Authority
WO
WIPO (PCT)
Prior art keywords
design
condition
conditions
metal material
prediction model
Prior art date
Application number
PCT/JP2019/047091
Other languages
English (en)
French (fr)
Inventor
一浩 中辻
山口　収
宏征 高木
Original Assignee
Ｊｆｅスチール株式会社
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 Ｊｆｅスチール株式会社 filed Critical Ｊｆｅスチール株式会社
Priority to BR112021014096-4A priority Critical patent/BR112021014096A2/pt
Priority to KR1020217025687A priority patent/KR20210114993A/ko
Priority to JP2020516503A priority patent/JP7028316B2/ja
Priority to EP19911629.4A priority patent/EP3916651A4/en
Priority to US17/424,164 priority patent/US20220100932A1/en
Priority to CN201980089525.8A priority patent/CN113330468A/zh
Priority to MX2021008722A priority patent/MX2021008722A/es
Publication of WO2020152993A1 publication Critical patent/WO2020152993A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
    • C21D1/26—Methods of annealing
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D11/00—Process control or regulation for heat treatments
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
    • C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
    • C21D8/0221—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the working steps
    • C21D8/0226—Hot rolling
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
    • C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
    • C21D8/0247—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the heat treatment
    • C21D8/0263—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the heat treatment following hot rolling
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/001—Ferrous alloys, e.g. steel alloys containing N
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/002—Ferrous alloys, e.g. steel alloys containing In, Mg, or other elements not provided for in one single group C22C38/001 - C22C38/60
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/02—Ferrous alloys, e.g. steel alloys containing silicon
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/04—Ferrous alloys, e.g. steel alloys containing manganese
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/06—Ferrous alloys, e.g. steel alloys containing aluminium
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/12—Ferrous alloys, e.g. steel alloys containing tungsten, tantalum, molybdenum, vanadium, or niobium
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/14—Ferrous alloys, e.g. steel alloys containing titanium or zirconium
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/60—Ferrous alloys, e.g. steel alloys containing lead, selenium, tellurium, or antimony, or more than 0.04% by weight of sulfur
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22F—CHANGING THE PHYSICAL STRUCTURE OF NON-FERROUS METALS AND NON-FERROUS ALLOYS
    • C22F1/00—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Definitions

  • the present invention relates to a design support method for a metal material having desired characteristics, a prediction model generation method, a metal material manufacturing method, and a design support apparatus.
  • the user When designing a new material, the user repeatedly executes the steps of empirically defining the design conditions and the step of reviewing the design based on the trial production result of the material, by trial and error. Therefore, it takes time for the user to grasp the design result, and as a result, the time load required to design a material having sufficient properties increases. In addition, since the design content depends on the user's experience, the past experience accumulated by the user may hinder new ideas.
  • Patent Document 1 proposes a method of calculating an optimal design condition by calculating a characteristic value by physical simulation and repeating updating of a forward direction model.
  • Patent Document 2 proposes a method of inversely analyzing manufacturing conditions of aluminum having a desired characteristic value by using a neural network. Further, Patent Document 2 describes that the learning result of the neural network is obtained from within the condition range of the learning data set, and the neural network cannot predict the range outside the condition. That is, in Patent Document 2, it is proposed that the manufacturing conditions that deviate from the learning data set should be considered so as not to be searched, and inverse analysis should be performed.
  • Non-Patent Document 1 proposes a method of constructing a prediction model for predicting a characteristic value from the chemical structure of an organic compound and specifying the chemical structure of the organic compound having a desired characteristic by inverse analysis.
  • An object of the present invention made in view of the above problems is to provide a design support capable of obtaining a predicted value with high accuracy while considering the manufacturing conditions of a metal material and reducing the time load required for design.
  • a method, a method of generating a prediction model, a method of manufacturing a metal material, and a design support device are provided.
  • a design support method for assisting the design of a metal material having desired characteristics with a computer, It is constructed based on past performance data in which design conditions including the component composition and manufacturing conditions of the metal material and characteristic values of the metal material are associated with each other, and a prediction model for predicting the characteristic value from the design conditions is used, A search step of searching for the design condition for obtaining a desired characteristic, Of the design conditions corresponding to the desired characteristics searched by the searching step, a presentation step of presenting at least a component composition and manufacturing conditions, Including In the searching step, the design condition is searched so as to reduce variations in a plurality of prediction values based on a plurality of different learning data sets.
  • a prediction model generation method is A method of generating the prediction model used in the design support method, comprising: An acquisition step of acquiring the past performance data in which the design condition and the characteristic value are associated with each other; A construction step of constructing the prediction model for predicting the characteristic value from the design condition based on the past performance data acquired by the acquisition step; including.
  • a method for manufacturing a metal material includes manufacturing the metal material based on the design condition searched by the design support method.
  • a design support device for supporting the design of a metal material having desired characteristics, It is constructed based on past performance data in which design conditions including the component composition and manufacturing conditions of the metal material and characteristic values of the metal material are associated with each other, and a prediction model for predicting the characteristic value from the design conditions is used,
  • a search unit that searches for the design condition that provides the desired characteristics, Of the design conditions corresponding to the desired characteristics searched by the search unit, a presentation unit that presents at least a component composition and manufacturing conditions, Equipped with The search unit searches for the design condition such that variations in a plurality of prediction values based on a plurality of different learning data sets are reduced.
  • the time load required for design is reduced while considering the metal material manufacturing conditions. It is possible.
  • 6 is a flowchart showing a first example of the operation of the design support device of FIG. 1.
  • 9 is a flowchart showing a second example of the operation of the design support device of FIG. 1.
  • the metal material designed in the first embodiment is, for example, steel, but the metal material is not limited to steel and may be any metal.
  • FIG. 1 is a functional block diagram showing the configuration of the design support device 1 according to the first embodiment of the present invention.
  • the design support device 1 according to the first embodiment is a computer including an acquisition unit 11, a prediction model construction unit 12, a search unit 13, and a presentation unit 14.
  • the design support device 1 supports the design of a metal material having desired characteristics.
  • the acquisition unit 11 acquires, for example, past performance data relating to the manufacturing of steel materials, which is necessary for constructing a prediction model described later.
  • the acquisition unit 11 may include a communication interface for acquiring actual result data.
  • the acquisition unit 11 may receive the performance data from a plurality of external devices or the like by using a predetermined communication protocol.
  • the actual data includes, for example, data in which design conditions including the component composition and manufacturing conditions of the steel material are associated with the characteristic values of the steel material.
  • the manufacturing conditions include, for example, set values and actual values in the manufacturing conditions.
  • the data on the component composition of the steel material acquired by the acquisition unit 11 includes, for example, the addition ratio of the element to be dissolved as a component in the steel in the converter or the secondary refining.
  • Such elements include, for example, C, Si, Mn, P, S, Al, N, Cr, V, Sb, Mo, Cu, Ni, Ti, Nb, B, Ca, and Sn.
  • FIG. 2 is a schematic view showing the manufacturing process of the cold rolled coil of the steel material according to the first embodiment.
  • a steel manufacturing process first, raw iron ore is charged into a blast furnace together with limestone and coke to produce molten pig iron.
  • the pig iron tapped in the blast furnace has its components such as carbon adjusted in the converter of the steelmaking factory, and the final components adjusted by secondary refining.
  • the obtained molten steel is cast by a continuous casting machine or the like to manufacture a semi-finished product called a slab before plate forming.
  • a cold rolled coil which is a product is manufactured through a plurality of processing steps such as a heating step in a heating furnace, a hot rolling step, a cooling step, a pickling step, a cold rolling step, an annealing step, and a plating step. ..
  • the combination of these plurality of processing steps differs depending on the product to be manufactured.
  • the characteristics of steel materials are generally determined by the manufacturing conditions of lower steps such as a hot rolling step, a cooling step, and a cold rolling step, which are steps subsequent to the heating of the slab after casting, except for the conditions relating to the components. Therefore, in the first embodiment, as the manufacturing condition, the condition in the steps after the slab generation is treated as an example.
  • the manufacturing conditions include, for example, the following.
  • the data of the characteristic values of the steel material acquired by the acquisition unit 11 are, for example, yield point (N/mm 2 ), tensile strength (N/mm 2 ), elongation (%), r value, n value, hole expansion ratio (% ), BH content (N/mm 2 ), and yield ratio. These characteristic values can be obtained, for example, by performing a sampling test for evaluating the characteristics of the steel material from some of the manufactured steel material products.
  • the acquisition unit 11 uses the acquired actual values of the characteristic values as actual data, and manages the actual data in association with each other. More specifically, the acquisition unit 11 centrally collects the actual data of the component composition of the steel material, the actual data of the manufacturing conditions, and the actual data of the characteristic value of the steel material for each unit of the manufactured steel material product. They are associated with each other so that they can be handled collectively.
  • the acquisition unit 11 may acquire, as input information, constraint conditions including the range of the component composition of the steel material and the range of the manufacturing conditions in the search for the optimum design conditions described below.
  • the constraint condition may further include a range of characteristic values of the steel material.
  • the constraint condition may further include a condition that guarantees a consistency with the change in the physical quantity of the steel sheet that occurs between different steps in the manufacturing process. For example, the temperature of the steel sheet decreases as the process progresses except when a heating process is performed.
  • the constraint condition may include a condition that constrains the manufacturing condition so as not to conflict with such a temperature drop phenomenon.
  • the acquisition unit 11 may include, for example, an input interface for a user of a steel material to input a predetermined constraint condition as input information.
  • FIG. 3 is a diagram showing an outline of the prediction model according to the first embodiment.
  • the prediction model construction unit 12 constructs a prediction model as shown in FIG. 3 that predicts the characteristic value of the steel material from the design conditions based on the past performance data acquired by the acquisition unit 11. More specifically, the prediction model construction unit 12 constructs a prediction model of the characteristic value of the steel material using the component composition of the steel material and the manufacturing conditions as explanatory variables, based on the acquired past performance data.
  • Predictive models include models using machine learning techniques including neural networks, local regression models, kernel regression models, and random forests.
  • the prediction model construction unit 12 may select a prediction model that can handle a plurality of target variables such as a neural network, or may construct a prediction model for each characteristic value. Good.
  • the prediction model constructed by the prediction model construction unit 12 is used as a learned model for searching for optimum design conditions described later.
  • the search unit 13 searches for the optimum design condition for obtaining the desired characteristic by using the predictive model constructed by the predictive model constructing unit 12 and predicting the characteristic value of the steel material from the design condition as shown in FIG. .
  • the desired characteristic may be, for example, a characteristic that maximizes the characteristic value when the characteristic value is desired to be maximized, or a minimum characteristic value when the characteristic value is desired to be minimized.
  • the characteristics may be as follows.
  • the desired characteristic may be, for example, any characteristic arbitrarily determined by the user in response to a product request by the user.
  • the presentation unit 14 presents the design condition corresponding to the desired characteristic searched by the search unit 13 to the user.
  • the user can efficiently design the steel material by using the component composition and the manufacturing condition of the steel material presented by the presentation unit 14 as a target value or a reference value at the time of manufacturing the steel material. If the design conditions include additional conditions other than the component composition and the manufacturing conditions, the presentation unit 14 presents at least the component composition and the manufacturing conditions, and appropriately presents some or all of the additional conditions. ..
  • FIG. 4 is a flowchart showing a first example of the operation by the design support device 1 of FIG. FIG. 4 shows a flow in which the design support apparatus 1 generates a prediction model as shown in FIG. 3 based on past performance data.
  • step S101 the design support apparatus 1 acquires the past performance data in which the design conditions including the component composition and manufacturing conditions contained in the steel material and the characteristic values of the steel material are associated with each other by the acquisition unit 11.
  • step S102 the design support device 1 builds a prediction model for predicting the characteristic value of the steel material from the design condition by the prediction model building unit 12 based on the past performance data acquired in step S101.
  • FIG. 5 is a flowchart showing a second example of the operation of the design support device 1 of FIG.
  • FIG. 5 shows a flow in which the design support apparatus 1 searches for optimum design conditions using the prediction model constructed by the flow of FIG. 4 and presents it to the user.
  • step S201 the search unit 13 of the design support apparatus 1 acquires from the acquisition unit 11 constraint conditions including, for example, a range of component composition of a steel material, a range of manufacturing conditions, and a range of characteristic values of a steel material as input information. ..
  • step S202 the search unit 13 of the design support device 1 acquires the above-described prediction model constructed by the prediction model construction unit 12 from the prediction model construction unit 12.
  • step S203 the search unit 13 of the design support apparatus 1 performs the optimum design for obtaining desired characteristics for the steel material based on the constraint condition acquired in step S201 and the prediction model acquired in step S202. Search for conditions.
  • step S204 the presentation unit 14 of the design support apparatus 1 acquires the optimum design condition corresponding to the desired characteristic searched in step S203 and the corresponding characteristic value from the search unit 13 and presents it to the user.
  • the user manufactures a steel material based on the design conditions searched for in step S203 and presented in step S204.
  • the search unit 13 acquires, from the acquisition unit 11, the constraint conditions as shown in Table 2 below as input information. More specifically, the search unit 13 acquires the upper limit value and the lower limit value of the component composition of the steel material, which are the design conditions, and the upper limit value and the lower limit value of the manufacturing conditions, as constraint conditions.
  • the search unit 13 acquires the upper limit value and the lower limit value of the characteristic value of the steel material as a constraint condition.
  • the search unit 13 uses the learned prediction model acquired from the prediction model construction unit 12 in step S202 of FIG. 5 to search for the optimum design condition within the constraint condition in step S203 of FIG.
  • a problem is an optimization problem, and the problem can be described as follows.
  • x is a design condition expressed as a vector
  • k is a type of characteristic
  • f k (x) is a predicted value of the characteristic
  • ⁇ k is a preset weighting coefficient.
  • the function f k (x) of the predicted value of the characteristic in the evaluation function is based on the prediction model constructed by the prediction model construction unit 12.
  • F is a set of design conditions x satisfying the constraint conditions acquired in step S201 of FIG. Therefore, the search unit 13 searches for the optimum design condition within the range satisfying the constraint condition.
  • L k and U k are the lower limit value and the upper limit value of the characteristic value acquired in step S201 of FIG. 5, respectively.
  • the search unit 13 solves such an optimization problem by a method using metaheuristics, a genetic algorithm, mathematical programming, swarm intelligence, and the like.
  • the search unit 13 searches for optimum design conditions as a problem that maximizes the evaluation function in Expression 1, but the method of setting the problem is not limited to this.
  • the search unit 13 may search for the optimum design condition as a problem of minimizing the absolute value of the evaluation function in Expression 1 by setting the sign of the weighting coefficient ⁇ k to be negative.
  • properties that are desired to be maximized include tensile strength and elongation.
  • properties that are desired to be minimized include yield ratio.
  • the search unit 13 calculates the design condition x obtained by Expression 1 as an optimum solution, but is not limited to this.
  • the search unit 13 may set a predetermined condition for the calculation time and calculate the design condition x as the best solution obtained within the corresponding time.
  • the search unit 13 may store all the solutions obtained within the corresponding time and output them all at the end.
  • the design support device 1 uses the learned prediction model constructed by, for example, the prediction model construction unit 12 based on the past performance data in which the design condition and the characteristic value of the steel material are associated with each other. Performs calculation of material property values.
  • the design support device 1 can quickly calculate the characteristic values of the steel material based on a large number of design conditions, and can sufficiently execute the search even within a predetermined time.
  • the design support device 1 can search for design conditions corresponding to excellent characteristic values of steel materials.
  • the design support apparatus 1 determines that the optimum design condition corresponding to the desired characteristic satisfies the constraint condition as shown in the equation 1, so that the amount of the additive to the steel material and the capacity of the manufacturing facility are temporarily determined from the viewpoint of the manufacturing cost. Even if there is a limit, the design conditions obtained by the inverse analysis can be effectively used. By designing the constraint condition, the design support apparatus 1 can efficiently search within the range of the constraint condition instead of searching for the dark clouds.
  • the design support apparatus 1 integrally has the prediction model construction unit 12 that constructs a prediction model, but the configuration of the design support apparatus 1 is not limited to this.
  • the design support device 1 may not include the prediction model construction unit 12. That is, the design support device 1 may not have the function related to the construction of the prediction model using the acquisition unit 11 and the prediction model construction unit 12.
  • an external device having a configuration unit corresponding to the acquisition unit 11 and the prediction model construction unit 12 acquires the above-described result data to generate a prediction model, and designs the prediction model by the arbitrary method from the external device.
  • a mode in which the support device 1 obtains is also possible.
  • the search unit 13 has been described as searching for the optimum design condition within the range satisfying the constraint condition, but the present invention is not limited to this.
  • the search unit 13 does not acquire the constraint condition from the acquisition unit 11 and does not consider the constraint condition. You may solve the optimization problem of.
  • Expression 1 the evaluation function is expressed as the weighted sum of the maximum value or the minimum value of each characteristic, but the content of Expression 1 is not limited to this. Expression 1 may be replaced by Expression 2 below based on the target value ref k of each characteristic.
  • the search unit 13 can also search for a design condition that is evaluated higher as it approaches the target value ref k of each characteristic.
  • the second embodiment of the present invention will be described below.
  • the configuration and basic functions of the design support device 1 according to the second embodiment are the same as the above-mentioned contents regarding the first embodiment described with reference to FIGS. 1 to 5. Therefore, the corresponding contents described in the first embodiment similarly apply to the second embodiment.
  • the same components as those in the first embodiment are designated by the same reference numerals and the description thereof will be omitted.
  • differences from the first embodiment will be mainly described.
  • the variation of the predicted value of the characteristic due to the learning data is considered in the evaluation function of Expression 1.
  • the “variation of predicted values” includes, for example, a plurality of predicted value variations based on different learning data sets.
  • the design support device 1 solves the optimization problem by changing Equation 1 to the following problem setting.
  • V k (x) indicates “variation of predicted values” in which instability in which predicted values change due to different learning data sets of the prediction model is calculated.
  • ⁇ k is a preset weighting coefficient.
  • FIG. 6 is a schematic diagram for explaining an example of a method for calculating V k (x).
  • the search unit 13 calculates V k (x) by an arbitrary method including, for example, the method shown in FIG.
  • a plurality of datasets for prediction evaluation are created by randomly extracting a plurality of samples from the dataset for model learning.
  • the number of samples to be extracted is a number corresponding to about 70 to 90% of the original model learning data set.
  • a plurality of prediction models for prediction evaluation using each data set as learning data are created.
  • the prediction model for prediction evaluation is constructed by the prediction model construction unit 12.
  • These prediction models for prediction evaluation are created in advance before step S203 of FIG. 5 in which the optimum design condition is searched.
  • the prediction value is calculated using the prediction model for each prediction evaluation, and the variance of the plurality of prediction values is V Let k (x).
  • K ⁇ N predictive values are obtained by taking the characteristic type k from 1 to K and the predictive model number i from 1 to N.
  • the prediction value y ik can be represented by a matrix with K rows and N columns.
  • V k (x) is represented by the following Expression 4.
  • the second term in parentheses on the right side of Expression 4 is the average value of the predicted values y 1k to y Nk .
  • the calculation may be performed by directly using the value of the prediction value y ik , or, for example, a value after normalization is performed for each row in the matrix of K rows and N columns of the prediction value y ik. The calculation may be performed using.
  • step S203 of FIG. 5 the variation in the predicted value due to the learning data is minimized.
  • V k (x) the objective function of the problem setting in order to consider the certainty of the predicted value
  • the search is executed so that the variation in the predicted value becomes small. Therefore, as a result of actually verifying the design conditions obtained by the search by the search unit 13, the possibility that the actual value of the characteristic greatly differs from the predicted value of the characteristic is reduced. That is, it is possible to accurately obtain the predicted value.
  • Expression 5 may be adopted instead of Expression 3 based on the target value ref k of each characteristic.
  • the search unit 13 can search for a design condition in which the closer to the target value ref k of each characteristic, the higher the evaluation and the reliability of the predicted value are guaranteed.
  • the design condition may be searched so that the variation in the predicted value due to the learning data is reduced.
  • a predetermined first threshold value may be provided, and the design condition may be searched so that the variation in the predicted value due to the learning data becomes smaller than the predetermined first threshold value.
  • the predetermined first threshold includes, for example, a value appropriately determined by the design support device 1 or the user.
  • the third embodiment of the present invention will be described below.
  • the configuration and the basic function of the design support device 1 according to the third embodiment are the same as the above-described contents regarding the first embodiment and the above-described contents regarding the second embodiment described with reference to FIGS. 1 to 6. is there. Therefore, the corresponding contents described in the first embodiment and the second embodiment apply similarly in the third embodiment.
  • the same components as those in the first and second embodiments are designated by the same reference numerals, and the description thereof will be omitted.
  • differences from the first embodiment and the second embodiment will be mainly described.
  • the difference between the design condition to be searched and the design condition in the past performance data is considered in the evaluation function.
  • the search unit 13 tends to search for a range close to the conventionally designed design condition, and may not actively search for a new design condition.
  • the following function D(x) is incorporated as the objective function of the problem setting so that the search unit 13 positively and reliably searches for new design conditions.
  • ⁇ is a preset weighting coefficient.
  • the evaluation function is composed of the weighted sum of the three functions.
  • D(x) is the size of the deviation of the actual data used when the prediction model was constructed from the design conditions, and is represented by the following equation 7, for example.
  • h si represents the i-th design condition of the s-th actual data.
  • ⁇ i is a coefficient related to the i-th design condition.
  • Formula 7 indicates that the distance between the design condition to be searched and the design condition of the actual data used when creating the prediction model is integrated for each actual data.
  • the search unit 13 does not search for design conditions similar to the actual data, but more actively searches for a new area of design conditions that has not been implemented so far.
  • the difference between the design condition to be searched and the design condition in the past actual data is maximized within the range in which the variation in the predicted value due to the learning data is minimized.
  • the search unit 13 may search for the design condition including a new area different from the past performance data. As described above, the search unit 13 can not only search for the predicted value of the excellent characteristic, but also more positively search in the direction away from the design conditions so far while considering the accuracy of the prediction. ..
  • the search unit 13 can search a range farther from the actual data than the other design condition under the corresponding design condition. For example, when a user wants to find a new design condition by largely changing the composition of the steel material as the design condition from the conventional one, the coefficient ⁇ i related to the production condition is reduced to a coefficient related to the composition of the steel material. ⁇ i may be increased. For example, when the user wants to find a new design condition by largely changing the manufacturing condition as compared with the component composition of the steel material as a design condition, the coefficient ⁇ i related to the component composition of the steel material is reduced and the coefficient related to the manufacturing condition is reduced. ⁇ i may be increased.
  • the search unit 13 more actively searches for new design conditions.
  • the user can also discover a design condition for obtaining a completely new characteristic. If the user can discover different design conditions for the same characteristic value, the degree of freedom in design can be increased.
  • Expression 8 may be adopted instead of Expression 6 based on the target value ref k of each characteristic.
  • the search unit 13 is more active as the target value ref k of each characteristic is evaluated higher, and is more aggressive in areas of design conditions that have not been implemented so far in consideration of the certainty of the predicted value. Can be searched for.
  • step S203 of FIG. 5 when the optimum design condition is searched within the range of the constraint condition, the difference between the design condition to be searched and the design condition in the past performance data is maximized.
  • the search unit 13 can not only search for a predicted value with excellent characteristics, but also more positively in a direction away from the design conditions up to now. In this case, since the term of V k (x) does not exist in Expression 6, the degree of freedom of conditional search is increased.
  • Equation 8 the objective function corresponding to Equation 8 is shown as follows.
  • the search unit 13 is more active in the area of the design condition that has not been implemented until now, in the state where the evaluation is higher as the target value ref k of each characteristic is closer and the accuracy of the predicted value is taken into consideration. Can be searched for.
  • the design condition may be searched such that the difference between the design condition to be searched and the design condition in the past performance data increases.
  • a predetermined second threshold value is provided, and the design condition is searched such that the difference between the design condition to be searched and the design condition in the past performance data is larger than the predetermined second threshold value.
  • the predetermined second threshold includes, for example, a value appropriately set by the design support device 1 or the user.
  • the fourth embodiment of the present invention will be described below.
  • the configuration and the basic function of the design support device 1 according to the fourth embodiment are the same as those described above with reference to FIGS. 1 to 6, and the second embodiment and the third embodiment described above. It is the same as the contents of. Therefore, the corresponding contents described in the first embodiment to the third embodiment are similarly applied to the fourth embodiment.
  • the same components as those in the first to third embodiments are designated by the same reference numerals, and the description thereof will be omitted.
  • differences from the first embodiment to the third embodiment will be mainly described.
  • the fourth embodiment uses the image data of the metallographic structure of the steel material as an input to the prediction model shown in FIG.
  • the image data of the metal structure requires a size and a resolution with which the design support apparatus 1 can evaluate the structure grain size and the structure fraction of the metal structure including, for example, ferrite, martensite, bainite and the like.
  • the design support apparatus 1 may separately use image data having different sizes and resolutions and process a plurality of image data.
  • FIG. 7 is a diagram showing an outline of the prediction model according to the fourth embodiment.
  • the prediction model is, for example, a model using a neural network.
  • the acquisition unit 11 acquires the component composition and manufacturing conditions of the steel material as the input of the prediction model at the time of learning, as shown in FIG. 3, but is not limited to this. As shown in FIG. 7, in the fourth embodiment, in addition to these design conditions, the acquisition unit 11 further acquires image data of the metallographic structure of the steel material for use in inputting a prediction model during learning. May be.
  • the prediction model construction unit 12 constructs a prediction model also based on the image data acquired by the acquisition unit 11.
  • the search unit 13 searches for design conditions using the prediction model.
  • the prediction model construction unit 12 quantifies the image data by a predetermined method. If the prediction model construction unit 12 takes out pixel information of an image as a vector and inputs it as an input, even with image data of a metallographic structure having the same characteristics, if the pixel information is slightly different, input values of different vectors can be obtained. Therefore, parameter learning of the prediction model is additionally generated for each learning image data, and learning efficiency deteriorates.
  • the prediction model construction unit 12 uses a convolutional neural network to convert the image data of the metal structure into a feature amount vector having a smaller number of pixels.
  • the prediction model construction unit 12 uses the converted feature amount vector as an input value of the prediction model.
  • the image data is converted into a low-dimensional feature amount vector. Therefore, the image data of the metal structures of the steel materials having similar characteristic values are the same or similar vectors, and the learning efficiency is improved.
  • FIG. 8A is a schematic diagram showing a first example of the correspondence relationship between image data and feature amount vectors.
  • FIG. 8B is a schematic diagram showing a second example of the correspondence relationship between image data and feature amount vectors.
  • FIG. 8C is a schematic diagram showing a third example of the correspondence relationship between image data and feature amount vectors.
  • FIG. 8D is a schematic diagram showing a fourth example of the correspondence relationship between image data and feature amount vectors.
  • the prediction model construction unit 12 uses the convolutional neural network to convert the first image data of the metallographic structure into the first feature amount vector ( 0.11, 0.47, 0.94, 0.83).
  • the prediction model construction unit 12 uses the convolutional neural network to convert the second image data of the metallographic structure into the second feature amount vector ( 0.10, 0.31, 0.54, 0.89).
  • the prediction model construction unit 12 uses the convolutional neural network to convert the third image data of the metallographic structure into the third feature amount vector ( 0.56, 0.91, 0.35, 0.92).
  • the prediction model construction unit 12 uses the convolutional neural network to convert the fourth image data of the metallographic structure into the fourth feature amount vector ( 0.41, 0.91, 0.38, 0.20).
  • FIG. 8A to 8D show image data of four metal structures, the number of image data of metal structures used as an input to the prediction model may be any number. Although FIG. 8A to FIG. 8D show four elements for each feature amount vector, the number of elements of the feature amount vector may be any number.
  • the prediction model construction unit 12 uses the image data of the metal structure in addition to the component composition and the manufacturing conditions of the steel material as the input at the time of learning, and uses the characteristic value as the output. Then, the learning is performed at the same time including the convolutional neural network part.
  • the search unit 13 uses a model excluding the convolutional neural network part at the time of searching for design conditions, as indicated by the broken line box in FIG. 7. At this time, the design condition searched by the search unit 13 includes the above feature amount vector instead of the image data.
  • FIG. 9 is a schematic diagram showing an example of a method of converting a feature amount vector into image data.
  • the feature quantity vector obtained by the search by the search unit 13 may be converted into image data by the following method, for example.
  • the search unit 13 calculates the feature amount vector when the image data for learning is input to the learned model as in FIGS. 8A to 8D.
  • the search unit 13 stores the data in which the image data and the feature amount vector are associated with each other in an arbitrary storage device.
  • the search unit 13 refers to the storage device and selects one of the stored feature amount vectors that approximates to the feature amount vector included in the design condition obtained by the search.
  • the search unit 13 obtains (0.40, 0.90, 0, 40, 0.20) as the feature quantity vector included in the design condition obtained by the search.
  • the search unit 13 refers to the storage device and approximates the feature amount vector (0.40, 0.90, 0, 40, 0.20) from the stored feature amount vectors to the fourth feature. Select the quantity vector (0.41, 0.91, 0.38, 0.20).
  • the search unit 13 outputs the fourth image data of the metal structure corresponding to the selected fourth feature amount vector to the presentation unit 14 as a design condition while referring to the storage device.
  • the design conditions searched for in step S203 of FIG. 5 include a feature amount vector based on the image data of the metal structure of the steel material.
  • the design support device 1 can acquire the design condition unique to the image data of the metallographic structure, which is different from the component composition and manufacturing conditions of the steel material. Therefore, the prediction accuracy of the prediction model is improved.
  • the user does not need to input to the design support apparatus 1 what kind of parameter regarding the metal structure can be obtained from such image data as teacher data. Since the design support apparatus 1 can express the difference in the image data of the metallographic structure as the difference in the feature amount vector, it does not specifically specify what parameter the metallographic structure causes. Also, such a difference can be reflected in the characteristic value of the output.
  • Table 4 shows an example of the component composition (unit: mass%) of the steel material that affects the characteristics
  • Table 5 shows an example of the manufacturing conditions that affect the characteristics
  • Table 6 shows an example of the type of characteristics and characteristic values.
  • FIG. 10 shows a scatter diagram related to actual and predicted tensile strength values.
  • the horizontal axis of the scatter diagram is the actual value of tensile strength, and the vertical axis is the predicted value of tensile strength.
  • the hidden layer of the neural network was one layer, and the number of nodes was 15. The numerical value of each explanatory variable is standardized.
  • the prediction accuracy was RMSE (Root Mean Square Error) of 71.94.
  • Table 7 shows the constraints of the design conditions used when searching for the design conditions.
  • the constraint conditions include the range of component composition of steel materials and the range of manufacturing conditions.
  • the constraint conditions may include conditions that guarantee that they are consistent with changes in the physical quantity of the steel sheet that occur between different steps in the manufacturing process.
  • the constraint condition may include a condition of heating temperature>finishing rolling temperature>winding temperature.
  • Table 8 shows constraint conditions of characteristic values used when searching for design conditions.
  • the design support device 1 optimizes the optimization problem as shown in Expression 6 and Expression 7 of the third embodiment.
  • the design support device 1 uses swarm intelligence particle swarm optimization as a search algorithm.
  • the number of particles was 1000, and the solution was updated 500 times.
  • the number of models used for calculating V(x) was 50, and 80% of the learning data was randomly selected and used for learning.
  • ⁇ i in D(x) of Equation 7 ⁇ i related to the design conditions of the component composition of the steel material was set to 1 and ⁇ i related to the manufacturing conditions was set to 0.
  • a standardized value was used for the calculation of D(x).
  • Table 9 shows the design conditions searched by the design support device 1.
  • the tensile strength under the design conditions was 1545 MPa, and the maximum tensile strength in the actual data was 1498 MPa, which means that a new design condition included in a new search area with higher tensile strength was discovered.
  • Table 10 is a table comparing the result when the optimization problem is solved in the first and second embodiments, and the above result in the third embodiment.
  • ⁇ 1.
  • the constraints and parameters of the particle swarm optimization are the same as in the case of the third embodiment.
  • the first embodiment when trying to search for a design condition corresponding to high tensile strength, there is a tendency for the variation in the predicted value of the characteristics to increase, and there is a large risk that the actual value of the tensile strength will differ from the predicted value.
  • design conditions with less variation in the predicted value are searched for as compared with the first embodiment in which the variation in the predicted value is not considered.
  • the third embodiment it can be seen that the variation in the predicted value is suppressed to be small, and the design condition in the search region farther from the actual data can be searched for as compared with the second embodiment.
  • the present invention can also be realized as a program describing the processing content for realizing each function of the above-described design support apparatus 1 or a storage medium recording the program. It should be understood that these are also included in the scope of the present invention.

Landscapes

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

Abstract

金属材料の製造条件も考慮しながら、精度良く予測値を得ることを可能にし、設計にかかる時間的負荷を低減可能な設計支援方法を提供する。 本発明に係る設計支援方法は、所望の特性を有する金属材料の設計を計算機により支援する設計支援方法であって、金属材料の成分組成及び製造条件を含む設計条件と金属材料の特性値とを関連付けた過去の実績データに基づき構築され、設計条件から特性値を予測する予測モデルを用いて、所望の特性が得られる設計条件を探索する探索ステップと、探索ステップにより探索された、所望の特性に対応する設計条件のうち、少なくとも成分組成及び製造条件を提示する提示ステップと、を含み、探索ステップにおいて、異なる複数の学習データセットに基づく複数の予測値のばらつきが低減するように設計条件を探索する。

Description

金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置
　本発明は、所望の特性を有する金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置に関する。
　新規に材料を設計する場合、ユーザは、設計条件を経験的に定めるステップと、材料の試作結果に基づいて設計を見直すステップとを、試行錯誤しながら繰り返し実行する。したがって、ユーザが設計の結果を把握するまでに時間を要し、結果として、十分な特性を有する材料を設計するまでにかかる時間的負荷が増大する。加えて、設計内容はユーザの経験に依存するため、ユーザが積み上げてきた過去の経験が新規な発想の妨げとなることもある。
　近年、機械学習を用いた予測モデルの精度向上が著しい。上述した時間的負荷を低減するために、新規材料の開発の支援として機械学習の技術が活用されている。予測モデルにより試作前に材料の特性の予測値が把握可能であるため、開発にかかる時間的負荷の低減が期待されている。例えば、特許文献１では、物理シミュレーションによって特性値を計算し、順方向モデルの更新を繰り返すことで最適な設計条件を探索する方法が提案されている。
　また、予測モデルを応用して逆解析を行うことで、所望の特性を有する材料を得るための設計条件を予測する技術が提案されている。例えば、特許文献２では、ニューラルネットワークを用いて、所望の特性値を有するアルミニウムの製造条件を逆解析する方法が提案されている。また、特許文献２には、ニューラルネットワークの学習結果が、学習データセットの条件範囲内から得られ、ニューラルネットワークは、その条件から外れる範囲については予測することができない旨が記載されている。すなわち、特許文献２では、学習データセットから乖離する製造条件は探索しないように考慮し逆解析することが提案されている。非特許文献１では、有機化合物の化学構造から特性値を予測する予測モデルを構築し、逆解析により所望の特性を有する有機化合物の化学構造を特定する方法が提案されている。
特開２０１１－１０３０３６号公報 国際公開２０１８／０６２３９８号公報
武田征士ら「ＡＩによる新物質探索手法」２０１８年度人工知能学会全国大会（第３２回）３Ｅ１－０２
　しかしながら、特許文献１に記載の方法では、特性値の計算に電磁場解析モデルを用いているため計算時間が増大し、探索を十分に行うことができない。また、特許文献２に記載の方法では、学習データセットから離れた製造条件を探索しようとしないため、新たな製造条件の領域での提案はできず、従来の製造条件に基づく狭い領域での提案にとどまってしまう。さらに、複数の学習データセットに基づく複数の予測値のばらつきが評価されていないため、当該ばらつきを低減しながら精度良く予測値を得ることは困難である。また、非特許文献１に記載の有機化合物の化学構造を特定する方法と異なり、金属材料の設計においては、熱処理温度等を含む様々な製造条件が金属材料の特性値に影響を及ぼす。したがって、設計する対象の設計条件として金属材料の製造条件も考慮した予測モデルを構築する必要がある。
　上記のような問題点に鑑みてなされた本発明の目的は、金属材料の製造条件も考慮しながら、精度良く予測値を得ることを可能にし、設計にかかる時間的負荷を低減可能な設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置を提供することにある。
　上記課題を解決するために本発明の一実施形態に係る設計支援方法は、
　所望の特性を有する金属材料の設計を計算機により支援する設計支援方法であって、
　前記金属材料の成分組成及び製造条件を含む設計条件と前記金属材料の特性値とを関連付けた過去の実績データに基づき構築され、前記設計条件から前記特性値を予測する予測モデルを用いて、前記所望の特性が得られる前記設計条件を探索する探索ステップと、
　前記探索ステップにより探索された、前記所望の特性に対応する前記設計条件のうち、少なくとも成分組成及び製造条件を提示する提示ステップと、
　を含み、
　前記探索ステップにおいて、異なる複数の学習データセットに基づく複数の予測値のばらつきが低減するように前記設計条件を探索する。
　上記課題を解決するために本発明の一実施形態に係る予測モデルの生成方法は、
　上記の設計支援方法に用いられる前記予測モデルの生成方法であって、
　前記設計条件と前記特性値とを関連付けた前記過去の実績データを取得する取得ステップと、
　該取得ステップにより取得された前記過去の実績データに基づいて、前記設計条件から前記特性値を予測する前記予測モデルを構築する構築ステップと、
　を含む。
　上記課題を解決するために本発明の一実施形態に係る金属材料の製造方法は、
　上記の設計支援方法により探索された前記設計条件に基づいて前記金属材料を製造するステップを含む。
　上記課題を解決するために本発明の一実施形態に係る設計支援装置は、
　所望の特性を有する金属材料の設計を支援する設計支援装置であって、
　前記金属材料の成分組成及び製造条件を含む設計条件と前記金属材料の特性値とを関連付けた過去の実績データに基づき構築され、前記設計条件から前記特性値を予測する予測モデルを用いて、前記所望の特性が得られる前記設計条件を探索する探索部と、
　前記探索部により探索された、前記所望の特性に対応する前記設計条件のうち、少なくとも成分組成及び製造条件を提示する提示部と、
　を備え、
　前記探索部は、異なる複数の学習データセットに基づく複数の予測値のばらつきが低減するように前記設計条件を探索する。
　本発明の一実施形態に係る設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置によれば、金属材料の製造条件も考慮しながら、設計にかかる時間的負荷を低減可能である。
本発明の第１実施形態に係る設計支援装置の構成を示す機能ブロック図である。 第１実施形態に係る鉄鋼材料の冷延コイルの製造プロセスを示す概略図である。 第１実施形態に係る予測モデルの概略を示す図である。 図１の設計支援装置による動作の第１例を示すフローチャートである。 図１の設計支援装置による動作の第２例を示すフローチャートである。 Ｖｋ（ｘ）を計算するための方法の一例を説明するための模式図である。 第４実施形態に係る予測モデルの概略を示す図である。 画像データと特徴量ベクトルとの対応関係の第１例を示す模式図である。 画像データと特徴量ベクトルとの対応関係の第２例を示す模式図である。 画像データと特徴量ベクトルとの対応関係の第３例を示す模式図である。 画像データと特徴量ベクトルとの対応関係の第４例を示す模式図である。 特徴量ベクトルを画像データへ変換する方法の一例を示す模式図である。 引張強度の実績値及び予測値に係る散布図を示す。
（第１実施形態）
　以下、本発明の第１実施形態について説明する。第１実施形態において設計する金属材料は例えば鉄鋼であるが、金属材料は鉄鋼に限定されず、任意の金属であってもよい。
　図１は、本発明の第１実施形態に係る設計支援装置１の構成を示す機能ブロック図である。図１に示すように、第１実施形態に係る設計支援装置１は、取得部１１と、予測モデル構築部１２と、探索部１３と、提示部１４とを有する計算機である。設計支援装置１は、所望の特性を有する金属材料の設計を支援する。
　取得部１１は、例えば、後述する予測モデルを構築するために必要な、鉄鋼材料の製造に係る過去の実績データを取得する。取得部１１は、実績データを取得するための通信インタフェースを含んでもよい。この場合、取得部１１は、例えば複数の外部装置等から所定の通信プロトコルで実績データを受信してもよい。実績データは、例えば、鉄鋼材料の成分組成及び製造条件を含む設計条件と鉄鋼材料の特性値とを関連付けたデータを含む。製造条件は、例えば、製造条件における設定値及び実績値等を含む。
　取得部１１が取得する鉄鋼材料の成分組成のデータは、例えば、転炉又は二次精錬において鋼中成分として溶け込ませる元素の添加比率を含む。かかる元素は、例えばC、Si、Mn、P、S、Al、N、Cr、V、Sb、Mo、Cu、Ni、Ti、Nb、B、Ca、及びSnを含む。
　取得部１１が取得する製造条件のデータは、例えば、鉄鋼材料の製造プロセスの各工程における諸条件に基づく。図２は、第１実施形態に係る鉄鋼材料の冷延コイルの製造プロセスを示す概略図である。鉄鋼の製造プロセスにおいて、まず原料の鉄鉱石が、石灰石及びコークスとともに高炉に装入され、溶融状態の銑鉄が生成される。高炉で出銑された銑鉄は、製鋼工場の転炉において炭素等の成分調整がされ、二次精錬により最終的な成分調整がなされる。得られた溶鋼を連続鋳造機等で鋳造し、板成形する前のスラブと称する半製品を製造する。その後、加熱炉における加熱工程、熱間圧延工程、冷却工程、酸洗工程、冷間圧延工程、焼鈍工程、及び鍍金工程等の複数の処理工程を経て、製品である冷延コイルが製造される。これらの複数の処理工程の組み合わせは、製造する製品に応じて相違する。鉄鋼材料の特性は、成分に関する条件を除けば、鋳造後のスラブの加熱から後の工程である、熱間圧延工程、冷却工程、冷間圧延工程等の下工程の製造条件によって概ね定められる。そこで、第１実施形態では、製造条件として、スラブ生成以後の工程における条件を例として扱う。
　上述の各工程における諸条件、すなわち製造条件は、例えば以下を含む。
Figure JPOXMLDOC01-appb-T000001
　取得部１１が取得する鉄鋼材料の特性値のデータは、例えば降伏点（N/mm2）、引張強度（N/mm2）、伸び（%）、ｒ値、ｎ値、穴広げ率（%）、ＢＨ量（N/mm2）、及び降伏比を含む。これらの特性値は、例えば製造された鉄鋼材料製品のうちの一部から鉄鋼材料の特性を評価する抜き取り試験を実施することによって得ることができる。
　取得部１１は、取得した各特性値の実績値を実績データとし、各実績データを対応付けて管理する。より具体的には、取得部１１は、製造される鉄鋼材料製品の単位毎に、鉄鋼材料の成分組成の実績データ、製造条件の実績データ、及び鉄鋼材料の特性値の実績データを一元的に関連付けて、これらを集約して取り扱い可能とする。
　取得部１１は、後述する最適な設計条件の探索において、例えば、鉄鋼材料の成分組成の範囲、及び製造条件の範囲を含む制約条件を入力情報として取得してもよい。制約条件は、鉄鋼材料の特性値の範囲をさらに含んでもよい。制約条件は、製造プロセスにおける異なる工程間で生じる鋼板の物理量の変化と矛盾しないことを保証する条件をさらに含んでもよい。例えば、鋼板の温度は、加熱工程を経る場合を除いて工程が進むにつれて低下する。例えば、制約条件は、このような温度降下現象と矛盾しないように製造条件を制約する条件を含んでもよい。取得部１１は、例えば鉄鋼材料のユーザが所定の制約条件を入力情報として入力するための入力インタフェースを含んでもよい。
　図３は、第１実施形態に係る予測モデルの概略を示す図である。予測モデル構築部１２は、取得部１１により取得された過去の実績データに基づいて、設計条件から鉄鋼材料の特性値を予測する図３に示すような予測モデルを構築する。より具体的には、予測モデル構築部１２は、取得された過去の実績データに基づいて、鉄鋼材料の成分組成及び製造条件を説明変数とした鉄鋼材料の特性値の予測モデルを構築する。予測モデルは、ニューラルネットワーク、局所回帰モデル、カーネル回帰モデル、及びランダムフォレスト等を含む機械学習技術を用いたモデルを含む。予測モデル構築部１２は、複数の特性値がある場合、ニューラルネットワーク等の複数の目的変数を扱うことが可能な予測モデルを選択してもよいし、特性値毎に予測モデルを構築してもよい。予測モデル構築部１２によって構築された予測モデルは、学習済みモデルとして、後述する最適な設計条件の探索に使用される。
　探索部１３は、予測モデル構築部１２によって構築され、設計条件から鉄鋼材料の特性値を予測する図３に示すような予測モデルを用いて、所望の特性が得られる最適な設計条件を探索する。所望の特性は、例えば、最大化が望ましい特性値にあっては当該特性値が最大となるような特性であってもよいし、最小化が望ましい特性値にあっては当該特性値が最小となるような特性であってもよい。その他にも、所望の特性は、例えば、ユーザによる製品要求に対応してユーザにより恣意的に決定される任意の特性であってもよい。
　提示部１４は、探索部１３により探索された、所望の特性に対応する設計条件をユーザに提示する。ユーザは、提示部１４により提示された鉄鋼材料の成分組成及び製造条件を、鉄鋼材料の製造時の目標値又は参考値として、鉄鋼材料を効率的に設計することができる。なお、設計条件に成分組成及び製造条件以外の追加の条件が含まれる場合には、提示部１４は少なくとも成分組成及び製造条件を提示し、追加の条件についてはその一部またはすべてを適宜提示する。
　図４は、図１の設計支援装置１による動作の第１例を示すフローチャートである。図４は、過去の実績データに基づいて図３に示すような予測モデルを設計支援装置１が生成するフローを示す。
　ステップＳ１０１では、設計支援装置１は、鉄鋼材料に含まれる成分組成及び製造条件を含む設計条件と鉄鋼材料の特性値とを関連付けた過去の実績データを取得部１１により取得する。
　ステップＳ１０２では、設計支援装置１は、ステップＳ１０１において取得された過去の実績データに基づいて、設計条件から鉄鋼材料の特性値を予測する予測モデルを予測モデル構築部１２により構築する。
　図５は、図１の設計支援装置１による動作の第２例を示すフローチャートである。図５は、図４のフローによって構築された予測モデルを用いて設計支援装置１が最適な設計条件を探索し、ユーザに提示するフローを示す。
　ステップＳ２０１では、設計支援装置１の探索部１３は、例えば鉄鋼材料の成分組成の範囲、製造条件の範囲、及び鉄鋼材料の特性値の範囲を含む制約条件を入力情報として取得部１１から取得する。
　ステップＳ２０２では、設計支援装置１の探索部１３は、予測モデル構築部１２によって構築された上述の予測モデルを予測モデル構築部１２から取得する。
　ステップＳ２０３では、設計支援装置１の探索部１３は、ステップＳ２０１において取得された制約条件、及びステップＳ２０２において取得された予測モデルに基づいて、鉄鋼材料に対して所望の特性が得られる最適な設計条件を探索する。
　ステップＳ２０４では、設計支援装置１の提示部１４は、ステップＳ２０３において探索された所望の特性に対応する最適な設計条件、及び対応する特性値を探索部１３から取得してユーザに提示する。
　その後、ユーザは、ステップＳ２０３において探索され、ステップＳ２０４において提示された設計条件に基づいて鉄鋼材料を製造する。
　以下では、図５のステップＳ２０１乃至ステップＳ２０３における設計支援装置１の探索部１３による処理の内容をより具体的に説明する。
　図５のステップＳ２０１において、探索部１３は、例えば以下の表２に示すような制約条件を入力情報として取得部１１から取得する。より具体的には、探索部１３は、設計条件である鉄鋼材料の成分組成の上限値及び下限値、並びに製造条件の上限値及び下限値を制約条件として取得する。
Figure JPOXMLDOC01-appb-T000002
　さらに、探索部１３は、鉄鋼材料の特性値の上限値及び下限値を制約条件として取得する。
Figure JPOXMLDOC01-appb-T000003
　探索部１３は、図５のステップＳ２０２において予測モデル構築部１２から取得した学習済みの予測モデルを用いて、図５のステップＳ２０３において最適な設計条件を制約条件の範囲内で探索する。このような問題は最適化問題であり、問題は下記のように記述できる。
Figure JPOXMLDOC01-appb-M000004
　ただし、式１において、ｘはベクトルとして表わされる設計条件、ｋは特性の種類、ｆｋ（ｘ）は特性の予測値、αｋは予め設定される重み係数である。評価関数における特性の予測値の関数ｆｋ（ｘ）は、予測モデル構築部１２によって構築された予測モデルに基づく。Ｆは図５のステップＳ２０１において取得された制約条件を満たす設計条件ｘの集合である。したがって、探索部１３は、制約条件を満たす範囲内で、最適な設計条件を探索することになる。Ｌｋ、Ｕｋはそれぞれ図５のステップＳ２０１において取得された特性値の下限値及び上限値である。探索部１３は、メタヒューリスティクス、遺伝的アルゴリズム、数理計画法、及び群知能等を用いた方法により、このような最適化問題を解く。
　探索部１３は、式１における評価関数を最大化する問題として最適な設計条件を探索するが、問題の設定方法はこれに限定されない。探索部１３は、例えば重み係数αｋの符号をマイナスにして、式１における評価関数の絶対値を最小化する問題として最適な設計条件を探索してもよい。例えば、最大化が望ましい特性は、引張強度及び伸びを含む。例えば、最小化が望ましい特性は、降伏比を含む。
　探索部１３は、式１で得られた設計条件ｘを最適解として算出するが、これに限定されない。探索部１３は、計算時間に所定の条件を定めて、対応する時間内で得られる最も優れた解として設計条件ｘを算出してもよい。探索部１３は、対応する時間内に得られた解を全て保存し、最後に全て出力してもよい。
　以上のような第１実施形態に係る設計支援装置１によれば、金属材料の製造条件も考慮しながら、設計にかかる時間的負荷を低減可能である。より具体的には、設計支援装置１は、設計条件と鉄鋼材料の特性値とを関連付けた過去の実績データに基づいて例えば予測モデル構築部１２により構築された学習済みの予測モデルを用いて鉄鋼材料の特性値の計算を実行する。これにより、設計支援装置１は、多数の設計条件に基づく鉄鋼材料の特性値の計算を高速に実行可能であり、所定の時間内であっても十分に探索を実行することが可能である。設計支援装置１は、鉄鋼材料の優れた特性値に対応する設計条件を探索することが可能である。
　設計支援装置１は、所望の特性に対応する最適な設計条件が式１に示すように制約条件を満たすことで、仮に製造コストの観点から鉄鋼材料への添加物の量及び製造設備の能力に限界があるような場合であっても、逆解析により得られた設計条件を有効に利用できる。設計支援装置１は、制約条件を定めることで、闇雲に探索するのではなく、制約条件の範囲内で効率よく探索できる。
　第１実施形態では、予測モデルを構築する予測モデル構築部１２を設計支援装置１が一体的に有するとして説明したが、設計支援装置１の構成はこれに限定されない。設計支援装置１は、予測モデル構築部１２を有さなくてもよい。すなわち、設計支援装置１は、取得部１１及び予測モデル構築部１２を用いた予測モデルの構築に関する機能を有さなくてもよい。この場合、例えば、取得部１１及び予測モデル構築部１２に対応する構成部を有する外部装置が上述した実績データを取得して予測モデルを生成し、当該外部装置から任意の方法によって予測モデルを設計支援装置１が取得するような態様も可能である。
　第１実施形態では、探索部１３は、制約条件を満たす範囲内で、最適な設計条件を探索するとして説明したが、これに限定されない。例えば、鉄鋼材料への添加物の量及び製造設備の能力に限界がないような場合であれば、探索部１３は、取得部１１から制約条件を取得せず、制約条件を考慮しないで式１の最適化問題を解いてもよい。
　式１では、評価関数は各特性の最大値又は最小値の荷重和として表わされているが、式１の内容はこれに限定されない。式１は、各特性の目標値ｒｅｆｋに基づいて、以下の式２により置き換えられてもよい。
Figure JPOXMLDOC01-appb-M000005
　式２により、探索部１３は、各特性の目標値ｒｅｆｋに近いほど評価が高い設計条件を探索することも可能となる。
（第２実施形態）
　以下、本発明の第２実施形態について説明する。第２実施形態に係る設計支援装置１の構成及び基本的な機能は、図１乃至図５を用いて説明した第１実施形態に関する上記の内容と同一である。したがって、第１実施形態において説明した対応する内容は、第２実施形態においても同様に当てはまる。第１実施形態と同一の構成については同一の符号を付し、説明は省略する。以下では、第１実施形態と異なる点について主に説明する。第２実施形態では第１実施形態と異なり、式１の評価関数において学習データ起因の特性の予測値のばらつきが考慮される。本明細書において、「予測値のばらつき」は、例えば、異なる複数の学習データセットに基づく複数の予測値のばらつきを含む。
　例えば十分にデータがあり、全ての探索領域における予測モデルの精度が保証されている場合、鉄鋼材料の特性に関して、実測値に対する予測値のばらつきの増大が抑制される。しかしながら、これまでに実施していない設計の領域を探索部１３が探索する場合、このような学習データ起因の予測値のばらつきが増大する恐れがある。したがって、第２実施形態に係る設計支援装置１は、式１を下記の問題設定に変更して最適化問題を解く。
Figure JPOXMLDOC01-appb-M000006
　ここで、Ｖｋ（ｘ）は、予測モデルの学習データセットが異なることで予測値が変化する不安定性を計算した「予測値のばらつき」を示す。βｋは予め設定される重み係数である。このように、第２実施形態に係る評価関数は、２つの関数の重み和で構成される。
　図６は、Ｖｋ（ｘ）を計算するための方法の一例を説明するための模式図である。探索部１３は、例えば図６に示すような方法等を含む任意の方法によりＶｋ（ｘ）を計算する。例えば、図６に示す方法では、モデル学習用データセットからランダムに複数のサンプルを抽出した予測評価用のデータセットが複数作成される。ここで、抽出するサンプルの数は元のモデル学習用データセットの７割～９割程に相当する数である。そして、それぞれのデータセットを学習データとした予測評価用の予測モデルが複数作成される。ここで、予測評価用の予測モデルは、予測モデル構築部１２によって構築されたものである。これら予測評価用の予測モデルは、最適な設計条件を探索する図５のステップＳ２０３の前にあらかじめ作成される。次に、図５のステップＳ２０３と同様に設計条件ｘにおける評価関数を計算する際には、それぞれの予測評価用の予測モデルを用いて予測値を計算し、それら複数の予測値の分散をＶｋ（ｘ）とする。
　例えば、予測値は、特性の種類ｋが１～Ｋまでの値をとり、予測モデルの番号ｉが１～Ｎまでの値をとることで、Ｋ×Ｎ個得られる。例えば、予測値ｙｉｋは、Ｋ行Ｎ列の行列で表わすことができる。このとき、Ｖｋ（ｘ）は、以下の式４により表わされる。
Figure JPOXMLDOC01-appb-M000007
　ここで、式４の右辺の括弧内における第２項は、予測値ｙ１ｋ～ｙＮｋの平均値である。式４では、予測値ｙｉｋの値を直接用いて計算が行われてもよいし、例えば、予測値ｙｉｋのＫ行Ｎ列の行列において、行ごとに正規化が行われた後の値を用いて計算が行われてもよい。
　予測値の分散Ｖｋ（ｘ）が大きい場合、設計条件ｘにおいて、学習に使用するデータが変化すると予測値も大きく変化し、予測の精度が低い、すなわち予測が安定していないといえる。このような状況は、設計条件ｘの予測に必要な学習データが不足しているために、予測が特定の少数の学習データに依存していることに起因すると考えられる。したがって、実際に設計条件ｘで求めた特性値とｆｋ（ｘ）により求めた特性の予測値とが乖離する可能性が大きい。
　一方で、予測値の分散Ｖｋ（ｘ）が小さい場合、学習に使用するデータが変化しても同様の予測値が導出される。したがって、特定の少数の学習データに依存することなく、精度の良い安定した予測が可能となる。これにより、ｆｋ（ｘ）により求めた特性の予測値は確からしいと評価することができる。
　以上のような第２実施形態に係る設計支援装置１によれば、図５のステップＳ２０３において、学習データ起因の予測値のばらつきが最小化される。このように、予測値の確からしさを考慮するために上記問題設定の目的関数としＶｋ（ｘ）を組み込むことで、優れた特性値の予測値が探索されるだけでなく、学習データ起因の予測値のばらつきが小さくなるように探索が実行される。したがって、探索部１３による探索により得られた設計条件を実際に検証した結果、特性の実績値が特性の予測値と大きく異なる恐れが低減する。すなわち、精度良く予測値を得ることが可能となる。
　第１実施形態と同様に、各特性の目標値ｒｅｆｋに基づき、式３に代えて以下の式５が採用されてもよい。
Figure JPOXMLDOC01-appb-M000008
　式５により、探索部１３は、各特性の目標値ｒｅｆｋに近いほど評価が高く、かつ予測値の確からしさが保証された設計条件を探索することも可能となる。
　上記の第２実施形態では、学習データ起因の予測値のばらつきが最小化されると説明したが、これに限定されない。図５のステップＳ２０３において、学習データ起因の予測値のばらつきが低減するように設計条件が探索されてもよい。このとき、例えば所定の第１閾値が設けられ、学習データ起因の予測値のばらつきが当該所定の第１閾値よりも小さくなるように設計条件が探索されてもよい。所定の第１閾値は、例えば設計支援装置１又はユーザによって適宜定められる値を含む。
（第３実施形態）
　以下、本発明の第３実施形態について説明する。第３実施形態に係る設計支援装置１の構成及び基本的な機能は、図１乃至図６を用いて説明した第１実施形態に関する上記の内容、及び第２実施形態に関する上記の内容と同一である。したがって、第１実施形態及び第２実施形態において説明した対応する内容は、第３実施形態においても同様に当てはまる。第１実施形態及び第２実施形態と同一の構成については同一の符号を付し、説明は省略する。以下では、第１実施形態及び第２実施形態と異なる点について主に説明する。第３実施形態では第１実施形態及び第２実施形態と異なり、探索の対象となる設計条件と過去の実績データにおける設計条件との差が評価関数において考慮される。
　例えば、第１実施形態の問題設定では探索の方針として予測値のみが考慮されている。この場合、探索部１３は、従来実施してきた設計条件に近い範囲を探索する傾向にあり、新しい設計条件を積極的に探索しない恐れもある。第３実施形態では、探索部１３が新しい設計条件を積極的により確実に探索するように、上記問題設定の目的関数として以下の関数Ｄ（ｘ）が組み込まれる。
Figure JPOXMLDOC01-appb-M000009
　ここで、γは予め設定される重み係数である。このように、評価関数は３つの関数の重み和で構成される。Ｄ（ｘ）は、予測モデル構築時に使用した実績データの設計条件からの乖離の大きさであり、例えば、以下の式７により表わされる。
Figure JPOXMLDOC01-appb-M000010
　ここで、ｈｓｉはｓ番目の実績データのｉ番目の設計条件を表す。δｉはｉ番目の設計条件に係る係数である。
　式７は、探索の対象となる設計条件と予測モデル作成時に使用した実績データの設計条件との距離を、実績データごとに積算することを表している。式７によって、探索部１３は、実績データと似た設計条件を探索するのではなく、これまでに実施していない設計条件の新たな領域をより積極的に探索する。式６により、図５のステップＳ２０３において、学習データ起因の予測値のばらつきが最小化される範囲内で、探索の対象となる設計条件と過去の実績データにおける設計条件との差が最大化される。探索部１３は、過去の実績データと異なる新たな領域を含めて設計条件を探索してもよい。以上により、探索部１３は、優れた特性の予測値を探索するだけでなく、予測の確からしさを考慮しつつ、これまでの設計条件から離れた方向へとより積極的に探索することができる。
　探索部１３は、設計条件の所定の項目の係数δｉの値が大きくなることで、対応する設計条件において、他の設計条件よりも実績データからより離れた範囲を探索することができる。例えば、ユーザが、設計条件として製造条件よりも鉄鋼材料の成分組成を従来から大きく変更して新しい設計条件を見つけたい場合、製造条件に関する係数δｉを小さくして、鉄鋼材料の成分組成に関する係数δｉを大きくしてもよい。例えば、ユーザが、設計条件として鉄鋼材料の成分組成よりも製造条件を従来から大きく変更して新しい設計条件を見つけたい場合、鉄鋼材料の成分組成に関する係数δｉを小さくして、製造条件に関する係数δｉを大きくしてもよい。
　以上のような第３実施形態に係る設計支援装置１によれば、図５のステップＳ２０３において、探索部１３が新しい設計条件をより積極的に探索する。これにより、ユーザは、全く新しい特性が得られる設計条件を発見することもできる。また、ユーザは、同等の特性値に対して異なる設計条件を発見することができれば、設計の自由度を増大させることもできる。
　第１実施形態及び第２実施形態と同様に、各特性の目標値ｒｅｆｋに基づき、式６に代えて以下の式８が採用されてもよい。
Figure JPOXMLDOC01-appb-M000011
　式８により、探索部１３は、各特性の目標値ｒｅｆｋに近いほど評価が高く、かつ予測値の確からしさを考慮した状態で、これまでに実施していない設計条件の領域をより積極的に探索することができる。
　ここで、上記の第３実施形態では、第２実施形態の目的関数にＤ（ｘ）を追加する例を示したが、その変形された実施形態として、第１実施形態の目的関数にＤ（ｘ）のみを追加しても同様に実施可能である。その場合の評価関数は式６に代えて以下のように示される。
Figure JPOXMLDOC01-appb-M000012
　この場合においては、図５のステップＳ２０３において、最適な設計条件を制約条件の範囲内で探索する際に、探索の対象となる設計条件と過去の実績データにおける設計条件との差が最大化される。以上により、探索部１３は、優れた特性の予測値を探索するだけでなく、これまでの設計条件から離れた方向へとより積極的に探索することができる。この場合、式６に対してＶｋ（ｘ）の項が無いことにより、条件探索の自由度が高まる。
　また、式８に対応する目的関数は以下のように示される。
Figure JPOXMLDOC01-appb-M000013
　式１０により、探索部１３は、各特性の目標値ｒｅｆｋに近いほど評価が高く、かつ予測値の確からしさを考慮した状態で、これまでに実施していない設計条件の領域をより積極的に探索することができる。
　上記の第３実施形態では、探索の対象となる設計条件と過去の実績データにおける設計条件との差が最大化されると説明したが、これに限定されない。図５のステップＳ２０３において、探索の対象となる設計条件と過去の実績データにおける設計条件との差が増加するように設計条件が探索されてもよい。このとき、例えば所定の第２閾値が設けられ、探索の対象となる設計条件と過去の実績データにおける設計条件との差が当該所定の第２閾値よりも大きくなるように設計条件が探索されてもよい。所定の第２閾値は、例えば設計支援装置１又はユーザによって適宜定められる値を含む。
（第４実施形態）
　以下、本発明の第４実施形態について説明する。第４実施形態に係る設計支援装置１の構成及び基本的な機能は、図１乃至図６を用いて説明した第１実施形態に関する上記の内容、並びに第２実施形態及び第３実施形態に関する上記の内容と同一である。したがって、第１実施形態乃至第３実施形態において説明した対応する内容は、第４実施形態においても同様に当てはまる。第１実施形態乃至第３実施形態と同一の構成については同一の符号を付し、説明は省略する。以下では、第１実施形態乃至第３実施形態と異なる点について主に説明する。第４実施形態では第１実施形態乃至第３実施形態と異なり、図３に示す予測モデルに対する入力として鉄鋼材料の金属組織の画像データが利用される。
　金属組織の画像データでは、鉄鋼材料の場合、例えばフェライト、マルテンサイト、及びベイナイト等を含む金属組織の組織粒径及び組織分率等を設計支援装置１が評価できるサイズ及び解像度が要求される。また、設計支援装置１は、析出物等の組織も評価する場合には、それに応じたサイズ及び解像度の異なる画像データを別途使用し、複数の画像データを処理してもよい。
　図７は、第４実施形態に係る予測モデルの概略を示す図である。図７では、予測モデルは、例えばニューラルネットワークが用いられたモデルである。
　予測モデルの予測精度は、最適な設計条件を探索する上で重要である。第１実施形態乃至第３実施形態では、取得部１１は、学習時の予測モデルの入力として、図３に示すとおり、鉄鋼材料の成分組成及び製造条件を取得するが、これに限定されない。図７に示すとおり、第４実施形態では、取得部１１は、これらの設計条件に加えて、学習時の予測モデルの入力に利用するために、鉄鋼材料の金属組織の画像データをさらに取得してもよい。予測モデル構築部１２は、取得部１１が取得した画像データにも基づいて予測モデルを構築する。探索部１３は、当該予測モデルを用いて設計条件を探索する。
　ここで、画像データを入力として扱う場合、例えば予測モデル構築部１２は、当該画像データを所定の方法で定量化する。仮に、予測モデル構築部１２が画像の画素情報をベクトルとして取り出し入力とすると、同一の特性を有する金属組織の画像データでも画素情報が少しでも違えば、異なるベクトルの入力値が得られる。したがって、学習用の画像データ毎に予測モデルのパラメータ学習が付加的に生じ、学習効率が悪化する。
　そこで、例えば予測モデル構築部１２は、畳み込みニューラルネットワークを用いて、金属組織の画像データをピクセル数よりも少ない特徴量ベクトルに変換する。予測モデル構築部１２は、変換した特徴量ベクトルを予測モデルの入力値とする。以上により、画像データが低次元の特徴量ベクトルへと変換される。したがって、特性値が類似する鉄鋼材料の金属組織の画像データは、同一又は類似のベクトルとなり、学習効率が向上する。
　図８Ａは、画像データと特徴量ベクトルとの対応関係の第１例を示す模式図である。図８Ｂは、画像データと特徴量ベクトルとの対応関係の第２例を示す模式図である。図８Ｃは、画像データと特徴量ベクトルとの対応関係の第３例を示す模式図である。図８Ｄは、画像データと特徴量ベクトルとの対応関係の第４例を示す模式図である。図８Ａ乃至図８Ｄを参照しながら、画像データが低次元の特徴量ベクトルへと変換されるときの具体例について主に説明する。
　例えば、図８Ａに示すような第１画像データが得られると、予測モデル構築部１２は、畳み込みニューラルネットワークを用いて、金属組織の第１画像データをピクセル数よりも少ない第１特徴量ベクトル（０．１１，０．４７，０．９４，０．８３）に変換する。
　例えば、図８Ｂに示すような第２画像データが得られると、予測モデル構築部１２は、畳み込みニューラルネットワークを用いて、金属組織の第２画像データをピクセル数よりも少ない第２特徴量ベクトル（０．１０，０．３１，０．５４，０．８９）に変換する。
　例えば、図８Ｃに示すような第３画像データが得られると、予測モデル構築部１２は、畳み込みニューラルネットワークを用いて、金属組織の第３画像データをピクセル数よりも少ない第３特徴量ベクトル（０．５６，０．９１，０．３５，０．９２）に変換する。
　例えば、図８Ｄに示すような第４画像データが得られると、予測モデル構築部１２は、畳み込みニューラルネットワークを用いて、金属組織の第４画像データをピクセル数よりも少ない第４特徴量ベクトル（０．４１，０．９１，０．３８，０．２０）に変換する。
　図８Ａ乃至図８Ｄでは、４つの金属組織の画像データが示されているが、予測モデルに対する入力として利用される金属組織の画像データの数は、任意の数であってもよい。図８Ａ乃至図８Ｄでは、各特徴量ベクトルに対して４つの要素が示されているが、特徴量ベクトルの要素の数は、任意の数であってもよい。
　図７の二点鎖線囲み部で示すとおり、予測モデル構築部１２は、学習時の入力として、鉄鋼材料の成分組成及び製造条件に加え金属組織の画像データを用い、かつ出力として特性値を用いて、畳み込みニューラルネットワーク部分も含めて同時に学習を行う。一方で、図７の破線囲み部で示すとおり、例えば探索部１３は、設計条件の探索時には、畳み込みニューラルネット部分を除いたモデルを用いる。このとき、探索部１３が探索する設計条件には、画像データではなく上記の特徴量ベクトルが含まれる。
　図９は、特徴量ベクトルを画像データへ変換する方法の一例を示す模式図である。探索部１３による探索によって得られた特徴量ベクトルは、例えば以下の方法により画像データへ変換されてもよい。例えば、探索部１３は、学習済みのモデルに学習用の画像データを入力したときの特徴量ベクトルを、図８Ａ乃至図８Ｄと同様に計算する。探索部１３は、画像データと特徴量ベクトルとを関連付けたデータを任意の記憶装置に格納する。探索部１３は、記憶装置を参照しながら、記憶された特徴量ベクトルの中から探索により得られた設計条件に含まれる特徴量ベクトルに近似するものを選択する。
　例えば、探索部１３は、探索により得られた設計条件に含まれる特徴量ベクトルとして、（０．４０，０．９０，０，４０，０．２０）を得る。このとき、探索部１３は、記憶装置を参照しながら、記憶された特徴量ベクトルの中から特徴量ベクトル（０．４０，０．９０，０，４０，０．２０）に近似する第４特徴量ベクトル（０．４１，０．９１，０．３８，０．２０）を選択する。探索部１３は、記憶装置を参照しながら、選択した第４特徴量ベクトルと対応する金属組織の第４画像データを設計条件として提示部１４に出力する。
　以上のような第４実施形態に係る設計支援装置１によれば、図５のステップＳ２０３において、探索された設計条件は、鉄鋼材料の金属組織の画像データに基づく特徴量ベクトルを含む。設計支援装置１は、このように金属組織の画像データを用いることで、鉄鋼材料の成分組成及び製造条件とは異なる、金属組織の画像データに特有の設計条件を取得することができる。したがって、予測モデルの予測精度が向上する。
　このとき、ユーザは、このような画像データから金属組織に関するどのようなパラメータが得られるかを教師データとして設計支援装置１に入力する必要はない。設計支援装置１は、金属組織の画像データの差異を特徴量ベクトルの差として表現できるので、その差異が金属組織に関するどのようなパラメータに起因するものであるかを具体的に特定していなくても、そのような差異を出力の特性値に反映させることができる。
（実施例）
　以下、自動車用冷延鋼板についての鉄鋼材料の設計の例を、主に上述の第３実施形態に基づいて示す。本実施例では鉄鋼材料の特性として引張強度が選択され、所望の特性値として引張強度の最大値を含む設計条件が探索された。
　表４は特性に影響する鉄鋼材料の成分組成（単位：質量％）の例、表５は特性に影響する製造条件の例、表６は特性の種類及び特性値の例を示す。表４、表５、表６の実績データ項目を取得し、かかる実績データを用いて機械学習を行うことで、設計条件を入力とし、特性を出力とする予測モデルを構築した。
Figure JPOXMLDOC01-appb-T000014
Figure JPOXMLDOC01-appb-T000015
Figure JPOXMLDOC01-appb-T000016
　本実施例では学習用データ５００件を用い、ニューラルネットワークと呼ばれる機械学習手法を用いて、特性として引張強度を予測する予測モデルを作成した。図１０は、引張強度の実績値及び予測値に係る散布図を示す。散布図の横軸は引張強度の実績値であり、縦軸が引張強度の予測値である。ニューラルネットワークの隠れ層は１層とし、そのノード数は１５個であった。各説明変数の数値は標準化している。予測精度はRMSE(Root Mean Square Error)で７１．９４であった。
　表７は、設計条件を探索する際に用いる設計条件の制約条件を示す。
Figure JPOXMLDOC01-appb-T000017
　表７を参照すると、制約条件は、鉄鋼材料の成分組成の範囲及び製造条件の範囲を含んでいる。これらに加えて、制約条件は、製造プロセスにおける異なる工程間で生じる鋼板の物理量の変化と矛盾しないことを保証する条件を含んでもよい。例えば、制約条件は、加熱温度＞仕上圧延温度＞巻取温度という条件を含んでもよい。
　表８は、設計条件を探索する際に用いる特性値の制約条件を示す。
Figure JPOXMLDOC01-appb-T000018
　以上により、学習済みの予測モデル、及び制約条件（Ｆ、Ｌｋ、Ｕｋ）が取得されたので、設計支援装置１は、第３実施形態の式６及び式７に示すような最適化問題として最適な設計条件を探索し、優れた特性値に対応する設計条件を得た。設計支援装置１は、探索のアルゴリズムとして群知能の粒子群最適化を用いた。粒子の数は１０００個、解の更新は５００回とした。また、最適化問題の各重み係数はα＝１、β＝６．０、γ＝０．５とした。Ｖ（ｘ）の計算に使用するモデルは５０個とし、学習用データの８０％をランダムに選択して学習に使用した。さらに、式７のＤ（ｘ）中のδｉについて、鉄鋼材料の成分組成の設計条件に係るδｉは１、製造条件に係るδｉは０とした。ここで、Ｄ（ｘ）の計算には標準化処理した値を用いた。
　表９は、設計支援装置１により探索された設計条件を示す。当該設計条件での引張強度は１５４５MPaであり、実績データでは最大引張強度が１４９８MPaであったことから、引張強度がより高い新たな探索領域に含まれる新規な設計条件が発見されたことになる。
Figure JPOXMLDOC01-appb-T000019
　表１０は、第１実施形態及び第２実施形態でも同様に最適化問題を解いたときの結果と、第３実施形態での上記の結果とを比較した表である。第１実施形態ではα＝１とした。第２実施形態ではα＝１、β＝６．０とした。制約条件及び粒子群最適化の各パラメータは上記の第３実施形態の場合と同様である。
Figure JPOXMLDOC01-appb-T000020
　第１実施形態では、高い引張強度に対応する設計条件を探索しようとすると、特性の予測値のばらつきが大きくなる傾向にあり、引張強度の実績値が予測値と異なるリスクが大きい。一方で、第２実施形態では、予測値のばらつきを考慮していない第１実施形態と比較して、予測値のばらつきがより少ない設計条件が探索されている。さらに、第３実施形態では、予測値のばらつきが小さく抑制され、かつ第２実施形態と比較して実績データからより離れた探索領域における設計条件が探索できていることが分かる。
　本発明を諸図面及び実施形態に基づき説明してきたが、当業者であれば本発明に基づき種々の変形及び修正を行うことが容易であることに注意されたい。したがって、これらの変形及び修正は本発明の範囲に含まれることに留意されたい。例えば、各手段、各ステップ等に含まれる機能等は論理的に矛盾しないように再配置可能であり、複数の手段及びステップ等を１つに組み合わせたり、或いは分割したりすることが可能である。
　例えば、本発明は、上述した設計支援装置１の各機能を実現する処理内容を記述したプログラム又はプログラムを記録した記憶媒体としても実現し得る。本発明の範囲には、これらも包含されると理解されたい。
　１　　設計支援装置
　１１　取得部
　１２　予測モデル構築部
　１３　探索部
　１４　提示部

Claims (7)

  1. 　所望の特性を有する金属材料の設計を計算機により支援する設計支援方法であって、
    　前記金属材料の成分組成及び製造条件を含む設計条件と前記金属材料の特性値とを関連付けた過去の実績データに基づき構築され、前記設計条件から前記特性値を予測する予測モデルを用いて、前記所望の特性が得られる前記設計条件を探索する探索ステップと、
    　前記探索ステップにより探索された、前記所望の特性に対応する前記設計条件のうち、少なくとも成分組成及び製造条件を提示する提示ステップと、
    　を含み、
    　前記探索ステップにおいて、異なる複数の学習データセットに基づく複数の予測値のばらつきが低減するように前記設計条件を探索する、
    　設計支援方法。
  2. 　前記成分組成の範囲、及び前記製造条件の範囲を含む制約条件を入力情報として取得する取得ステップを含み、
    　前記探索ステップにおいて、前記所望の特性に対応する前記設計条件は前記制約条件を満たす、
    　請求項１に記載の設計支援方法。
  3. 　前記探索ステップにおいて、探索の対象となる前記設計条件と前記過去の実績データにおける前記設計条件との差が増加するように、前記過去の実績データと異なる新たな領域を含めて前記設計条件を探索する、
    　請求項１又は２に記載の設計支援方法。
  4. 　前記設計条件は、前記金属材料の金属組織の画像データに基づく特徴量ベクトルを含み、
    　前記探索ステップにおいて、探索された前記設計条件は、前記特徴量ベクトルを含む、
    　請求項１乃至３のいずれか１項に記載の設計支援方法。
  5. 　請求項１乃至４のいずれか１項に記載の設計支援方法に用いられる前記予測モデルの生成方法であって、
    　前記設計条件と前記特性値とを関連付けた前記過去の実績データを取得する取得ステップと、
    　該取得ステップにより取得された前記過去の実績データに基づいて、前記設計条件から前記特性値を予測する前記予測モデルを構築する構築ステップと、
    　を含む、
    　予測モデルの生成方法。
  6. 　請求項１乃至４のいずれか１項に記載の設計支援方法により探索された前記設計条件に基づいて前記金属材料を製造するステップを含む、
    　金属材料の製造方法。
  7. 　所望の特性を有する金属材料の設計を支援する設計支援装置であって、
    　前記金属材料の成分組成及び製造条件を含む設計条件と前記金属材料の特性値とを関連付けた過去の実績データに基づき構築され、前記設計条件から前記特性値を予測する予測モデルを用いて、前記所望の特性が得られる前記設計条件を探索する探索部と、
    　前記探索部により探索された、前記所望の特性に対応する前記設計条件のうち、少なくとも成分組成及び製造条件を提示する提示部と、
    　を備え、
    　前記探索部は、異なる複数の学習データセットに基づく複数の予測値のばらつきが低減するように前記設計条件を探索する、
    　設計支援装置。
PCT/JP2019/047091 2019-01-21 2019-12-02 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置 WO2020152993A1 (ja)

Priority Applications (7)

Application Number Priority Date Filing Date Title
BR112021014096-4A BR112021014096A2 (pt) 2019-01-21 2019-12-02 Método de suporte de desenho para material metálico, método de geração de modelo de previsão, método de produção de material metálico, e dispositivo de suporte de desenho
KR1020217025687A KR20210114993A (ko) 2019-01-21 2019-12-02 금속 재료의 설계 지원 방법, 예측 모델의 생성 방법, 금속 재료의 제조 방법 및, 설계 지원 장치
JP2020516503A JP7028316B2 (ja) 2019-01-21 2019-12-02 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置
EP19911629.4A EP3916651A4 (en) 2019-01-21 2019-12-02 DESIGN ASSISTING METHOD FOR METALLIC MATERIAL, PREDICTION MODEL GENERATION METHOD, METALLIC MATERIAL MANUFACTURING METHOD AND DESIGN ASSISTING DEVICE
US17/424,164 US20220100932A1 (en) 2019-01-21 2019-12-02 Design support method for metal material, prediction model generation method, metal material production method, and design support apparatus
CN201980089525.8A CN113330468A (zh) 2019-01-21 2019-12-02 金属材料的设计支援方法、预测模型的生成方法、金属材料的制造方法以及设计支援装置
MX2021008722A MX2021008722A (es) 2019-01-21 2019-12-02 Metodo de asistencia de dise?o para material de metal, metodo de generacion de modelo de prediccion, metodo de produccion de material de metal y aparato de asistencia de dise?o.

Applications Claiming Priority (2)

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

Publications (1)

Publication Number Publication Date
WO2020152993A1 true WO2020152993A1 (ja) 2020-07-30

Family

ID=71736136

Family Applications (2)

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

Family Applications Before (1)

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

Country Status (8)

Country Link
US (1) US20220100932A1 (ja)
EP (1) EP3916651A4 (ja)
JP (1) JP7028316B2 (ja)
KR (1) KR20210114993A (ja)
CN (1) CN113330468A (ja)
BR (1) BR112021014096A2 (ja)
MX (1) MX2021008722A (ja)
WO (2) WO2020152750A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022054500A1 (ja) 2020-09-14 2022-03-17 Ｊｆｅスチール株式会社 材料特性値予測システム及び金属板の製造方法
JP2023026082A (ja) * 2021-08-12 2023-02-24 株式会社三菱総合研究所 情報処理装置、情報処理方法及びプログラム
WO2023243544A1 (ja) * 2022-06-15 2023-12-21 Dic株式会社 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022132895A (ja) * 2021-03-01 2022-09-13 株式会社Uacj 合金材料の特性を予測する製造支援システム、予測モデルを生成する方法およびコンピュータプログラム
CN114854978A (zh) * 2022-04-06 2022-08-05 武汉钢铁有限公司 一种预测带钢跑偏值的方法和装置
CN116694919B (zh) * 2023-06-12 2023-11-21 无锡市海峰海林精密轴承有限公司 一种轴承贝氏体热处理工艺的优化方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010106314A (ja) * 2008-10-30 2010-05-13 Jfe Steel Corp 鋼製品の製造方法
JP2010172962A (ja) * 2009-02-02 2010-08-12 Toshiba Mitsubishi-Electric Industrial System Corp 圧延製品の特性予測方法
JP2011103036A (ja) 2009-11-10 2011-05-26 Hitachi Ltd 設計モデル活用型設計探査方法及び装置
WO2018062398A1 (ja) 2016-09-30 2018-04-05 株式会社Uacj アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9729639B2 (en) * 2001-08-10 2017-08-08 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
EP1975860A4 (en) * 2006-01-13 2011-05-04 Jfe Steel Corp DEVICE AND METHOD FOR CREATING A PREDICTION FORMULA
US8392418B2 (en) * 2009-06-25 2013-03-05 University Of Tennessee Research Foundation Method and apparatus for predicting object properties and events using similarity-based information retrieval and model
CN103226739B (zh) * 2013-04-24 2016-11-02 辽宁工程技术大学 一种基于泛函网络的周期来压预测方法
CN106463959B (zh) * 2014-05-19 2019-12-03 杰富意钢铁株式会社 电力供需指导装置及电力供需指导方法
WO2016038705A1 (ja) * 2014-09-10 2016-03-17 東芝三菱電機産業システム株式会社 圧延シミュレーション装置
CN105911037B (zh) * 2016-04-19 2018-05-15 湖南科技大学 锰矿区土水界面污染流中锰及伴生重金属分布预测方法
CN106355330A (zh) * 2016-08-31 2017-01-25 郑州航空工业管理学院 基于径向基神经网络预测模型的多响应参数优化方法
JP6610518B2 (ja) 2016-11-30 2019-11-27 株式会社ダイフク 検査装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010106314A (ja) * 2008-10-30 2010-05-13 Jfe Steel Corp 鋼製品の製造方法
JP2010172962A (ja) * 2009-02-02 2010-08-12 Toshiba Mitsubishi-Electric Industrial System Corp 圧延製品の特性予測方法
JP2011103036A (ja) 2009-11-10 2011-05-26 Hitachi Ltd 設計モデル活用型設計探査方法及び装置
WO2018062398A1 (ja) 2016-09-30 2018-04-05 株式会社Uacj アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ADACHI, YOSHITAKA ET AL.: "Materials Integration System 'MIPHA' powered by Machine Learning", SYSTEMS, CONTROL AND INFORMATION, vol. 61, no. 5, 15 May 2017 (2017-05-15), pages 20 - 25, XP055725666 *
HASEGAWA, HIROSHI: "Systematic approach: From requirements/requests to optimum design", PROCEEDINGS OF THE 28TH JAPAN SIMULATION CONFERENCE, 11 June 2009 (2009-06-11), pages 113 - 116 *
See also references of EP3916651A4
TAKEDA SEIJI ET AL.: "Material discovery by AI", ANNUAL CONFERENCE OF THE JAPANESE SOCIETY FOR ARTIFICIAL INTELLIGENCE, 2018

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022054500A1 (ja) 2020-09-14 2022-03-17 Ｊｆｅスチール株式会社 材料特性値予測システム及び金属板の製造方法
JP2023026082A (ja) * 2021-08-12 2023-02-24 株式会社三菱総合研究所 情報処理装置、情報処理方法及びプログラム
JP7270005B2 (ja) 2021-08-12 2023-05-09 株式会社三菱総合研究所 情報処理装置、情報処理方法及びプログラム
WO2023243544A1 (ja) * 2022-06-15 2023-12-21 Dic株式会社 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム

Also Published As

Publication number Publication date
US20220100932A1 (en) 2022-03-31
CN113330468A (zh) 2021-08-31
EP3916651A1 (en) 2021-12-01
WO2020152750A1 (ja) 2020-07-30
KR20210114993A (ko) 2021-09-24
BR112021014096A2 (pt) 2021-09-21
EP3916651A4 (en) 2022-04-06
JP7028316B2 (ja) 2022-03-02
JPWO2020152993A1 (ja) 2021-02-18
MX2021008722A (es) 2021-08-24

Similar Documents

Publication Publication Date Title
WO2020152993A1 (ja) 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置
KR101011546B1 (ko) 예측식 작성장치 및 예측식 작성방법
Sanz-García et al. GA-PARSIMONY: A GA-SVR approach with feature selection and parameter optimization to obtain parsimonious solutions for predicting temperature settings in a continuous annealing furnace
Wang et al. Applying input variables selection technique on input weighted support vector machine modeling for BOF endpoint prediction
Cui et al. An improved Lagrangian relaxation approach to scheduling steelmaking-continuous casting process
Peng et al. Coupling physics in machine learning to predict properties of high-temperatures alloys
JP5516390B2 (ja) 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体
CN114611844B (zh) 一种转炉出钢过程合金加入量的确定方法和系统
CN106802977A (zh) 一种用于烧结矿性能指标预测及综合质量评价方法
Chakraborti Critical assessment 3: The unique contributions of multi-objective evolutionary and genetic algorithms in materials research
Xing et al. Hybrid intelligent parameter estimation based on grey case-based reasoning for laminar cooling process
JP2008112288A (ja) 予測式作成装置、結果予測装置、品質設計装置、予測式作成方法及び製品の製造方法
WO2021004198A1 (zh) 一种板材性能的预测方法及装置
CN113128124B (zh) 基于改进神经网络的多牌号C-Mn钢力学性能预测方法
JP2013080458A (ja) 品質予測装置、操業条件決定方法、品質予測方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体
JP2017120640A (ja) 電磁鋼板の磁気特性予測装置及び磁気特性制御装置
Chen et al. Application of grey relational analysis and extreme learning machine method for predicting silicon content of molten iron in blast furnace
Wang et al. Strip hardness prediction in continuous annealing using multiobjective sparse nonlinear ensemble learning with evolutionary feature selection
WO2020148918A1 (ja) 金属材料の設計支援方法及び設計支援装置
JP5845945B2 (ja) 操業予測装置、操業予測方法、及びコンピュータプログラム
Dong et al. Local multi-model integrated soft sensor based on just-in-time learning for mechanical properties of hot strip mill process
JP5682131B2 (ja) 鋼材の材質予測装置
Wu et al. Deformation resistance prediction of tandem cold rolling based on grey wolf optimization and support vector regression
CN115456264B (zh) 一种中小型转炉的终点碳含量和终点温度预测方法
Zhang et al. Deep learning-based prediction framework of temperature control time for wide-thick slab hot rolling production

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2020516503

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 19911629

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

REG Reference to national code

Ref country code: BR

Ref legal event code: B01A

Ref document number: 112021014096

Country of ref document: BR

ENP Entry into the national phase

Ref document number: 20217025687

Country of ref document: KR

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2019911629

Country of ref document: EP

Effective date: 20210823

ENP Entry into the national phase

Ref document number: 112021014096

Country of ref document: BR

Kind code of ref document: A2

Effective date: 20210716