WO2022196663A1 - 材料特性予測方法及びモデル生成方法 - Google Patents

材料特性予測方法及びモデル生成方法 Download PDF

Info

Publication number
WO2022196663A1
WO2022196663A1 PCT/JP2022/011453 JP2022011453W WO2022196663A1 WO 2022196663 A1 WO2022196663 A1 WO 2022196663A1 JP 2022011453 W JP2022011453 W JP 2022011453W WO 2022196663 A1 WO2022196663 A1 WO 2022196663A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
prediction
material properties
evaluation temperature
material property
Prior art date
Application number
PCT/JP2022/011453
Other languages
English (en)
French (fr)
Inventor
真平 竹本
好成 奥野
武士 金下
Original Assignee
昭和電工株式会社
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
Priority to US18/548,405 priority Critical patent/US20240136026A1/en
Application filed by 昭和電工株式会社 filed Critical 昭和電工株式会社
Priority to EP22771408.6A priority patent/EP4310719A1/en
Priority to CN202280020868.0A priority patent/CN117043777A/zh
Priority to JP2022544832A priority patent/JP7190615B1/ja
Publication of WO2022196663A1 publication Critical patent/WO2022196663A1/ja
Priority to JP2022194020A priority patent/JP2023039965A/ja

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • 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
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/20—Metals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
    • G01N33/386—Glass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/44—Resins; Plastics; Rubber; Leather
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06N3/048—Activation functions

Definitions

  • the present disclosure relates to a material property prediction method, a material property prediction program, a material property prediction device, a model generation method, a model generation program, and a model generation device.
  • the accuracy of predicting material properties by machine learning is highly dependent on the number of measured data.
  • the number of measured data of material properties at high temperature which is troublesome to measure, is smaller than the number of measured data of material properties at room temperature, and it is difficult to improve the prediction accuracy of the high-temperature property prediction model. That is, it is difficult to build a reliable predictive model for designing high-temperature, high-strength materials. The same is true for low temperatures.
  • Techniques for improving prediction accuracy even when the amount of data for generating such prediction models is small include, for example, a method of constructing separate prediction models for multiple conditions with different output characteristics, and a method of using a large amount of data. Retraining a trained model built by training with a surrogate output characteristic with insufficient data, a method of constructing a prediction model by transfer learning, a neural network or a Gaussian process. There is a method of building a prediction model by multi-task learning, in which output characteristics of a plurality of conditions are learned simultaneously (Patent Document 1, etc.).
  • An object of the present disclosure is to provide a material property prediction method, a material property prediction program, a material property prediction device, a model generation method, a model generation program, and a model generation device that can accurately predict material properties that vary according to temperature.
  • the present disclosure has the configuration shown below.
  • a material property prediction method for predicting material properties of a target material comprising: A model setting step of setting a trained model obtained by machine learning a correspondence relationship between an explanatory variable including information on the material composition or manufacturing conditions of the target material and an objective variable including information on the material properties of the target material.
  • An explanatory variable related to a target material whose material properties are to be predicted is input to the learned model set in the model setting step, an objective variable related to the information of the explanatory variable is output, and based on the objective variable a prediction step of predicting said material properties of a target material to be predicted; including
  • the explanatory variables include the material property evaluation temperature, which is the temperature at the time of measuring the material properties included in the objective variable, and the evaluation temperature holding time, which is the time during which the material property evaluation temperature is held until the material properties are measured. further comprising information relating to at least one of Material property prediction method.
  • the trained model is a neural network;
  • the material property predicted in the prediction step is a property of a metal material, a polymer material, or a glass material that varies in an sigmoidal manner depending on the material property evaluation temperature or the evaluation temperature holding time, A sigmoidal function including a hyperbolic tangent function or a sigmoid function is used for the activation function of the neural network, The material property prediction method according to [2].
  • a method applying a kernel method is used as a machine learning method for the trained model, The material property prediction method according to [1].
  • the material property predicted in the prediction step is a property of a metal material, a polymer material, or a glass material that varies in an S-shape depending on the material property evaluation temperature or the evaluation temperature holding time, an arcsine function is used for the kernel function of the kernel method,
  • a material property prediction program for predicting material properties of a target material A model setting function that sets a learned model that acquires a correspondence relationship between an explanatory variable including information on the material composition or manufacturing conditions of the target material and an objective variable including information on the material properties of the target material through machine learning.
  • the explanatory variables include the material property evaluation temperature, which is the temperature at the time of measuring the material properties included in the objective variable, and the evaluation temperature holding time, which is the time during which the material property evaluation temperature is held until the material properties are measured. further comprising information relating to at least one of Material property prediction program.
  • a material property prediction device for predicting material properties of a target material A trained model that acquires a correspondence relationship between an explanatory variable including information on the material composition or manufacturing conditions of the target material and an objective variable including information on the material properties of the target material by machine learning; Input explanatory variables related to the target material whose material properties are to be predicted into the trained model, output information of objective variables related to the information of the explanatory variables, and output the material of the target material to be predicted based on the objective variables.
  • the explanatory variables include the material property evaluation temperature, which is the temperature at the time of measuring the material properties included in the objective variable, and the evaluation temperature holding time, which is the time during which the material property evaluation temperature is held until the material properties are measured. further comprising information relating to at least one of Material property prediction device.
  • a model generation method for generating a model for predicting material properties of a target material comprising: a teacher data creation step of acquiring a teacher data set including information related to the material composition or manufacturing conditions of the target material, material properties, and measurement conditions when the material properties were measured; Using the teacher data set created in the teacher data creation step, the information relating to the material composition or the manufacturing conditions and the measurement conditions is used as the input of the model, and the information relating to the material properties is the output of the model.
  • the measurement conditions include a material property evaluation temperature, which is the temperature at the time of material property measurement included in the output of the model, and an evaluation temperature holding time, which is the time during which the material property evaluation temperature is held until the material property is measured. and/or Model generation method.
  • a model generation program for generating a model for predicting material properties of a target material comprising: a teaching data creation function for acquiring a teaching data set including information related to the material composition or manufacturing conditions of the target material, material properties, and measurement conditions when the material properties were measured; Using the teacher data set created by the teacher data creation function, the information related to the material composition or manufacturing conditions and the measurement conditions is used as the input of the model, and the information related to the material properties is used as the output of the model.
  • a model learning function that performs machine learning so that the input/output relationship of the model approaches the input/output relationship of the teacher data set, and generates a trained model; is realized on a computer,
  • the measurement conditions include a material property evaluation temperature, which is the temperature at the time of material property measurement included in the output of the model, and an evaluation temperature holding time, which is the time during which the material property evaluation temperature is held until the material property is measured. and/or Model generation program.
  • a model generator for generating a model for predicting material properties of a target material a teacher data creation unit that creates a teacher data set including information related to the material composition or manufacturing conditions of the target material, material properties, and measurement conditions when the material properties are measured; Using the teacher data set created by the teacher data creation unit, the information on the material composition or manufacturing conditions and the measurement conditions is used as the input of the model, and the information on the material properties is used as the output of the model.
  • a model learning unit that performs machine learning so that the input-output relationship of the model approaches the input-output relationship of the teacher data set, and generates a trained model;
  • the measurement conditions include a material property evaluation temperature, which is the temperature at the time of material property measurement included in the output of the model, and an evaluation temperature holding time, which is the time during which the material property evaluation temperature is held until the material property is measured. and/or model generator.
  • a material property prediction method to provide a material property prediction method, a material property prediction program, a material property prediction device, a model generation method, a model generation program, and a model generation device that can accurately predict material properties that vary according to temperature. can be done.
  • FIG. 1 is a functional block diagram of a material property prediction device according to an embodiment
  • FIG. 1 is a functional block diagram of a model generation device according to an embodiment
  • FIG. It is a hardware block diagram of a material property prediction apparatus and a model generation apparatus. It is a figure which shows the evaluation temperature dependence of the tensile strength in an aluminum alloy. It is a figure which shows the holding time dependence of the tensile strength in an aluminum alloy.
  • 4 is a diagram showing the number of data for each material property evaluation temperature regarding a group of measurement data of material properties of an aluminum alloy acquired from a public database; 6 is a flowchart of material property prediction processing according to the embodiment; 6 is a flowchart of model generation processing according to the embodiment; It is a figure which shows the data set for verification used for learning and prediction of a prediction model.
  • 4 is a diagram showing the configuration of a prediction model used in Example 1.
  • FIG. 4 is a diagram showing the configuration of a prediction model used in Comparative Example 1.
  • FIG. FIG. 5 is a diagram showing prediction results of Example 1 and Comparative Example 1;
  • FIG. 11 is a diagram showing interpolation prediction results of Examples 4 and 5;
  • FIG. 10 is a diagram showing interpolation prediction results of Examples 2 and 3;
  • FIG. 11 is a diagram showing extrapolation prediction results of Examples 4 and 5;
  • FIG. 10 is a diagram showing extrapolation prediction results of Examples 2 and 3;
  • FIG. 16 is an enlarged view of the vicinity of the plotting position of each figure in FIG. 15;
  • FIG. 17 is an enlarged view of the vicinity of the plotting position of each figure in FIG. 16;
  • FIG. 1 is a functional block diagram of the material property prediction device 10 according to the embodiment.
  • the material property prediction device 10 is a device for predicting the material property of a target material including a material composed of a plurality of compositions or a material manufactured by combining a plurality of manufacturing conditions.
  • the material property prediction device 10 includes a learned model 11 and a prediction unit 12.
  • the learned model 11 is a model obtained by machine learning of the correspondence between explanatory variables containing information on the material composition or manufacturing conditions of the target material and objective variables containing information on the material properties of the target material.
  • the learned model 11 outputs an objective variable related to the input explanatory variable based on the input of the explanatory variable related to the target material whose material properties are to be predicted.
  • the trained model is preferably a neural network.
  • the trained model 11 is a three-layer neural network having an input layer, an intermediate layer, and an output layer, as shown in FIG.
  • Each node of the input layer of the trained model 11 is provided in the same number as each item of the explanatory variable, and the numerical value of each item is input.
  • numerical values corresponding to weight percentages (wt %) of additive elements such as Si and Fe are input to corresponding nodes of the input layer as information related to material composition.
  • a numerical value for example, 0 or 1) corresponding to whether or not artificial aging is performed is input to the corresponding node of the input layer.
  • Each node in the output layer of the trained model 11 is provided in the same number as each item of the objective variable, and the numerical value of each item is output.
  • numerical values corresponding to tensile strength, 0.2% yield strength, etc. are output from corresponding nodes of the output layer as information related to material properties.
  • the trained model 11 may be configured such that a bias node is coupled to each node in the intermediate layer and each node in the output layer.
  • a deep neural network having two or more intermediate layers may also be used. However, increasing the number of intermediate layers to two or more layers increases the number of parameters, that is, the number of networks, and tends to overlearn the learning data and reduce the prediction accuracy for the test data. Therefore, it is more preferable that the intermediate layer is one layer.
  • the material compositions of explanatory variables include Si, Fe, Cu, Mn, Mg, Cr, Ni, Zn, Ti, Additional elements such as V, Pb, Sn, B, Bi, Zr, Li, B, Ga, P can be included.
  • the manufacturing conditions for the explanatory variables are the temperature and time of each heat treatment such as annealing, solution treatment, artificial aging, natural aging, stabilization, high temperature working, and cold working, and the processing related to extrusion, forging, drawing, and rolling. Conditions can be included.
  • the material properties of objective variables include tensile strength, 0.2% proof stress, elongation, coefficient of linear expansion, Young's modulus, fatigue strength, hardness, Poisson's ratio, creep property, shear strength, specific heat, thermal conductivity, electrical Conductivity, density, etc. can be included.
  • the explanatory variables are the "material property evaluation temperature", which is the temperature at the time of material property measurement included in the objective variable, and the time during which the material property evaluation temperature is held until the material property measurement. It further includes information related to "evaluation temperature holding time”.
  • the input information of the trained model 11 includes information related to the material property evaluation temperature and the evaluation temperature retention time, and the numerical values corresponding to the material property evaluation temperature and the evaluation temperature retention time are stored in the corresponding nodes of the input layer. is entered.
  • At least one of the "material property evaluation temperature” and “evaluation temperature retention time” may be included in the explanatory variable, and only the “material property evaluation temperature” may be included in the explanatory variable. It is also possible to adopt a configuration in which only "retention time” is included in explanatory variables.
  • the prediction unit 12 inputs an explanatory variable related to a target material whose material properties are to be predicted to the trained model 11, outputs an objective variable related to the input explanatory variable, and predicts based on the output objective variable. Predict material properties of target materials.
  • the learned model 11 used in the material property prediction device 10 can be generated by the model generation device 20 shown in FIG.
  • FIG. 2 is a functional block diagram of the model generation device 20 according to the embodiment.
  • the model generation device 20 includes a teacher data generation unit 21, a model learning unit 22, and a prediction model 11A.
  • the prediction model 11A is a pre-machine learning model of the learned model 11 shown in FIG. 1, and is a model for predicting the material properties of the target material.
  • the configuration of the prediction model 11A is similar to that of the trained model 11 described with reference to FIG.
  • the teacher data creation unit 21 creates a teacher data set containing information related to the material composition or manufacturing conditions of the target material, material properties, and measurement conditions when the material properties were measured.
  • the model learning unit 22 uses the teacher data set created by the teacher data creation unit 21 to learn the prediction model 11A and generate a trained model.
  • the model learning unit 22 uses the information related to the material composition or manufacturing conditions and the measurement conditions among the teacher data as inputs to the prediction model 11A, and the information related to the material properties as the output of the prediction model 11A. is closer to the input/output relationship of the teacher data set, and the learned model 11 is generated.
  • the model learning unit 22 uses well-known machine learning methods such as the backpropagation method, batch gradient descent method, stochastic gradient descent method, mini-batch gradient descent method, and variational Bayes method. can be used to learn the prediction model 11A.
  • FIG. 3 is a hardware configuration diagram of the material property prediction device 10 and the model generation device 20.
  • the material property prediction device 10 and the model generation device 20 are physically composed of a CPU (Central Processing Unit) 101, a GPU (Graphics Processing Unit) 108, and a RAM (Random Access Memory) which is a main storage device. ) 102 and a ROM (Read Only Memory) 103, an input device 104 such as a keyboard and a mouse as input devices, an output device 105 such as a display, a communication module 106 as a data transmission/reception device such as a network card, and an auxiliary storage device such as a hard disk. 107, etc., as a computer system.
  • a CPU Central Processing Unit
  • GPU Graphics Processing Unit
  • RAM Random Access Memory
  • Each function of the material property prediction device 10 shown in FIG. It is realized by operating the input device 104 and the output device 105 and reading and writing data in the RAM 102 and the auxiliary storage device 107 . That is, by executing the material property prediction program of the present embodiment on a computer, the material property prediction device 10 functions as the learned model 11 and the prediction unit 12 of FIG.
  • each function of the model generation device 20 shown in FIG. the input device 104 and the output device 105 are operated, and data is read from and written to the RAM 102 and the auxiliary storage device 107 . That is, by executing the model generation program of this embodiment on a computer, the model generation device 20 functions as the teacher data generation unit 21, the model learning unit 22, and the prediction model 11A shown in FIG.
  • the material property prediction program and model generation program according to this embodiment are stored, for example, in a storage device included in a computer. Part or all of the material property prediction program and model generation program are transmitted via a transmission medium such as a communication line, and are received and recorded (including installation) by the communication module 106 or the like provided in the computer. may be configured. In addition, part or all of the material property prediction program and model generation program are stored in a portable storage medium such as CD-ROM, DVD-ROM, flash memory, etc., and are recorded in the computer (installed included).
  • the trained model 11 generated by the model generating device 20 may be stored alone in a storage medium and carried, transmitted via a transmission medium, or recorded in a computer.
  • the activation function used for the node of the middle layer of the trained model 11 has the same characteristics as the evaluation temperature dependence and retention time dependence of the material characteristics of the objective function.
  • an aluminum alloy is taken as a target material, and the tensile strength is exemplified and explained as a material property of the objective function.
  • FIG. 4 is a diagram showing the evaluation temperature dependence of tensile strength in an aluminum alloy.
  • FIG. 5 is a diagram showing retention time dependence of tensile strength in an aluminum alloy.
  • the horizontal axis indicates the material property evaluation temperature (°C), and the vertical axis indicates the tensile strength (MPa).
  • the values of tensile strength measured after the same holding time (10,000 hours) has passed at multiple material property evaluation temperatures are plotted, and the characteristic that the tensile strength fluctuates according to the material property evaluation temperature (evaluation temperature dependence ) are shown.
  • the tensile strength tends to decrease as the temperature increases over the entire temperature range. It becomes a steep slope that drops sharply. Also, this decreasing trend curve has an inflection point at a position of about 200°C. That is, the tensile strength is a property that varies in an S-shaped manner according to the material property evaluation temperature, as shown in FIG.
  • the horizontal axis indicates the evaluation temperature holding time (hr (hour)), and the vertical axis indicates the tensile strength (MPa).
  • the horizontal axis of FIG. 5 is shown on a logarithmic scale.
  • the values of tensile strength measured at the same evaluation temperature (205 ° C.) after a plurality of evaluation temperature holding times have elapsed are plotted. gender) are illustrated.
  • the tensile strength generally tends to decrease toward the longer time side, and this decreasing trend curve has an inflection point at a position between 1000 and 10000 hours. That is, as shown in FIG. 5, the tensile strength is a characteristic that fluctuates in an S-shaped manner according to the evaluation temperature holding time.
  • the neural network of the trained model 11 A sigmoidal function, including a hyperbolic tangent function or a sigmoidal function, is preferably used for the activation function.
  • a linear (identity function) activation function may be used as the activation function of the intermediate layer of the neural network. Also, it is preferable to use a linear (identity function) activation function for the activation function of the output layer.
  • the accuracy of predicting material properties by machine learning is highly dependent on the number of measured data.
  • the number of measurement data of material properties at high temperature which is troublesome to measure, is smaller than the number of measurement data of material properties at room temperature. An example is shown in FIG.
  • FIG. 6 is a diagram showing the number of data for each material property evaluation temperature regarding the measurement data group of the material properties of aluminum alloys acquired from the public database.
  • a bar graph shows the number of data included in each temperature range when the evaluation temperature is divided by 50 ° C for 246 data for 6000 series aluminum alloy, which has a material property evaluation temperature ranging from -80 ° C to 371 ° C. showing.
  • the data group shown in FIG. 6 is a public database, US MatWeb database (http://www.matweb.com/index.aspx), Japan Aluminum Association database (http://metal.matdb.jp/JAA-DB /) were used.
  • the number of data in the temperature range including the room temperature of 0 to 50° C. is extremely large, and the number of data on the higher and lower temperature sides than the room temperature is generally small.
  • the material property evaluation temperature and the evaluation temperature retention time can be said to be information originally included in the output of the model in the configuration of this embodiment in which the material property is the objective variable.
  • such information on the material property evaluation temperature and the evaluation temperature holding time is intentionally used as input information for the model.
  • the model it is possible for the model to acquire the correspondence relationship between the material property evaluation temperature and the evaluation temperature holding time in the teacher data and the material properties, and the material property evaluation temperature and the evaluation temperature holding time in the learned model 11 It is possible to accurately predict material properties.
  • the material property prediction device 10 according to the present embodiment can accurately predict material properties that vary according to temperature.
  • the trained model 11 is a neural network
  • the material properties of the target material predicted by the prediction unit 12 are S-shaped changes depending on the material property evaluation temperature or the evaluation temperature holding time.
  • the neural network activation function of the trained model 11 is a sigmoidal function, including a hyperbolic tangent function or a sigmoidal function.
  • the activation function has characteristics in common with the evaluation temperature dependence and retention time dependence of the material characteristics of the objective function, so that the function approximation ability of the trained model 11 can be improved. It is possible to more accurately predict material properties that fluctuate over time. As shown in FIG. 4, it is known that metal materials generally exhibit a behavior in which strength sharply decreases at a certain temperature. Therefore, the use of sigmoidal activation functions such as the hyperbolic tangent function and the sigmoid function that reproduce this behavior, as well as the error function and the arctangent function are considered to contribute to the improvement of the prediction accuracy at high temperatures. Therefore, the effect of improving the prediction accuracy by making the activation function an S-shaped function is particularly remarkable in the prediction of material properties at high temperatures, where the number of measurement data is generally small or no measurement data exists.
  • the configuration in which the activation function is a sigmoidal function can also be applied to predict the properties of polymer materials and glass materials whose properties change rapidly at the glass transition temperature. It is possible to achieve the same effect of improving the prediction accuracy as that.
  • the target materials whose material properties are predicted in this embodiment may be polymer materials and glass materials in addition to metals.
  • FIG. 7 is a flowchart of material property prediction processing according to the embodiment. Each process of the flowchart shown in FIG. 7 is performed by the material property prediction device 10 .
  • step S11 model setting step
  • the learned model 11 is set.
  • a model generated in advance by the model generation device 20 can be used, or a model obtained by another method can be used.
  • step S12 explanatory variables used for prediction are set.
  • step S13 prediction step
  • the prediction unit 12 inputs the explanatory variables set in step S12 to the trained model 11 set in step S11, and outputs objective variables corresponding to the explanatory variables. be.
  • step S14 the prediction unit 12 calculates the material properties according to the explanatory variables set in step S12 from the objective variables output in step S13.
  • FIG. 8 is a flowchart of model generation processing according to the embodiment. Each process of the flowchart shown in FIG. 8 is performed by the model generation device 20 .
  • step S21 the teaching data creating unit 21 creates teaching data used for model learning.
  • the teacher data may be created by acquiring desired information from an existing public database illustrated in FIG. 6, or may be created using actually measured data.
  • step S22 model learning step
  • the prediction model 11A is learned by the model learning unit 22 using the teacher data created in step S21.
  • step S23 learning of the prediction model 11A by the model learning unit 22 is completed, and the learned model 11 is completed.
  • a neural network was used as an example of a model for predicting material properties, but any model other than a neural network may be used as long as it can acquire the input/output relationship between explanatory variables and objective variables through machine learning.
  • a Gaussian process may be used to predict high-temperature material properties.
  • kernel ridge, support vector machine, etc. may be used in addition to the Gaussian process.
  • Example 1 and Comparative Example 1 were set as follows, and the effect on the prediction accuracy of material properties depending on whether or not the material property evaluation temperature and the evaluation temperature holding time were added to the input information of the prediction model was verified.
  • FIG. 9 is a diagram showing a verification data set used for prediction model learning and prediction.
  • material composition Si, Fe, etc.
  • manufacturing conditions annealing, artificial aging, etc.
  • measurement conditions Magnetic property evaluation temperature and evaluation temperature holding time
  • material properties tensile strength, 0.2% proof stress
  • the validation data set includes nine material property evaluation temperatures: room temperature, ⁇ 80° C., ⁇ 28° C., 100° C., 149° C., 204° C., 260° C., 316° C., and 371° C. data, etc.
  • FIG. 10 is a diagram showing the configuration of the prediction model 11A used in Example 1.
  • Explanatory variables input to the input layer of the model include "material composition", “manufacturing conditions", and “measurement conditions” of the verification data set shown in FIG.
  • the number of nodes in the input layer of the prediction model 11A is 21 nodes.
  • Objective variables output from the output layer of the model include two "material properties" (tensile strength and 0.2% yield strength) of the verification data set shown in FIG.
  • the number of nodes in the output layer of the prediction model 11A is 2 nodes.
  • a hyperbolic tangent function was applied to the activation function of the middle layer of the prediction model 11A, and a linear function was applied to the activation function of the output layer.
  • the prediction model 11A shown in FIG. 10 was predicted for the material property evaluation temperature.
  • 63 sets of category 1 data are room temperature, -80 ° C, -28 ° C, 100 ° C, 149 ° C, 204 ° C, 260 ° C, 316 ° C, 371 ° C. 9 types of materials The material properties were measured at all the evaluation temperatures at the evaluation temperature holding time of 10000 hours. In the remaining 183 sets of category 2 data, the material property evaluation temperature is other than the above nine types, the material properties are measured only at some of the above nine material property evaluation temperatures, and the evaluation temperature holding time is 10000. Other than time.
  • FIG. 11 is a diagram showing the configuration of the prediction model 30 used in Comparative Example 1.
  • a model excluding the material property evaluation temperature and the evaluation temperature holding time was created from the input information of the prediction model 11A of the present embodiment described with reference to FIG. 2, that is, the three-layer neural network. That is, the explanatory variables input to the input layer of the prediction model 30 include only the "material composition” and "manufacturing conditions" of the verification data set shown in FIG. 9, and do not include the "measurement conditions.” That is, the number of nodes in the input layer of the prediction model 30 is 19 nodes.
  • Example 2 The other conditions were the same as in Example 1, and the verification data set shown in FIG. 9 was used to predict the material property evaluation temperature of the prediction model 30 shown in FIG. To verify the prediction accuracy, reference is made to the "material property evaluation temperature" of the prediction data, and the output values ( The predicted value) was compared with the value (measured value) in the "Material Properties" column of the data for prediction.
  • FIG. 12 is a diagram showing prediction results of Example 1 and Comparative Example 1.
  • FIG. FIGS. 12A and 12B are prediction results of tensile strength and 0.2% proof stress in Example 1, respectively.
  • 12(C) and (D) are the prediction results of tensile strength and 0.2% proof stress in Comparative Example 1, respectively.
  • 12A to 12D the horizontal axis indicates the value (measured value) in the "material property" column of the prediction data, and the vertical axis indicates the material property predicted by the learned model (predicted value ).
  • predicted values corresponding to measured values are plotted for each piece of prediction data.
  • a straight line x shown in each figure indicates the characteristics when the measured value and the predicted value are the same, and the closer the plot is to this straight line x, the higher the prediction accuracy.
  • Example 1 Comparing (A) and (C) of FIG. 12, for tensile strength among the material properties, Example 1 has less plot variation than Comparative Example 1, and is concentrated at a position close to the straight line x. I understand.
  • the root-mean-square error (RMSE) was 45.3 in Comparative Example 1, but decreased to 24.5 in Example 1.
  • the mean absolute error (MAE) was 29.6 in Comparative Example 1, whereas it was as small as 17.3 in Example 1.
  • Example 1 has less plot variation than Comparative Example 1, and the position closer to the straight line x It can be seen that it is concentrated in The root-mean-square error (RMSE) was 47.6 in Comparative Example 1, but decreased to 29.3 in Example 1.
  • the mean absolute error (MAE) was 33.7 in Comparative Example 1, whereas it was as small as 20.8 in Example 1.
  • Examples 2 and 3 and Examples 4 and 5 were set as follows, and the effect of changing the activation function of the prediction model on the prediction accuracy of the material properties was verified.
  • Example 2 Using the verification data set shown in FIG. 9, interpolation prediction was performed for the material property evaluation temperature of the prediction model 11A shown in FIG. Specifically, 246 sets of verification data sets were randomly divided into 75% (185 sets) of learning data and 25% (61 sets) of prediction data. A hyperbolic tangent function was applied as the activation function.
  • extrapolation prediction was performed for the material property evaluation temperature of the prediction model 11A shown in FIG. Specifically, of the 246 sets of verification data sets, 185 sets (75%) of which the material property evaluation temperature is 150 ° C. or less are used as learning data, and the material property evaluation temperature is higher than 150 ° C. 61 Data from the set (25%) were used as prediction data.
  • “interpolation prediction” is randomly divided into learning data and prediction data, learning data is 150 ° C or less, and prediction data is over 150 ° C. is "extrapolation prediction.”
  • Example 3 Interpolation prediction and extrapolation prediction were performed in the same manner as in Example 2, except that a sigmoid function was applied to the activation function.
  • Example 4 Interpolation prediction and extrapolation prediction were performed in the same manner as in Example 2, except that a linear function was applied to the activation function.
  • Example 5 Interpolation prediction and extrapolation prediction were performed in the same manner as in Example 2, except that the normalized linear unit function was applied to the activation function.
  • FIG. 13 is a diagram showing interpolation prediction results of Examples 4 and 5.
  • FIG. 14A and 14B are diagrams showing interpolation prediction results of Examples 2 and 3.
  • FIG. The outline of FIGS. 13 and 14 is the same as that of FIG. 13 and 14, for tensile strength among the material properties, the root mean square error (RMSE) is 49.5 in Example 4, 26.8 in Example 5, and 24 in Example 2. .3 and Example 3 was 24.8.
  • the mean absolute error (MAE) was 36.4 in Example 4, 18.5 in Example 5, 15.8 in Example 2, and 16.6 in Example 3. .
  • the root mean square error (RMSE) is 46.4 in Example 4, 28.2 in Example 5, and 26.4 in Example 2. and in Example 3 it was 26.2.
  • the mean absolute error (MAE) was 38.4 in Example 4, 18.5 in Example 5, 17.1 in Example 2, and 17.7 in Example 3. .
  • Example 4 has a larger plot variation than the others, is far from the straight line x, and the prediction It can be seen that the accuracy is relatively poor.
  • FIG. 15 is a diagram showing extrapolation prediction results of Examples 4 and 5.
  • FIG. FIG. 16 is a diagram showing extrapolation prediction results of Examples 2 and 3.
  • FIG. 17 is an enlarged view near the plotting position of each figure in FIG.
  • FIG. 18 is an enlarged view of the vicinity of the plotted position in each figure of FIG. 16.
  • FIG. The outline of FIGS. 15 to 18 is similar to that of FIG.
  • the tensile strength among the material properties has a root mean square error (RMSE) of 131.5 in Example 4, 41.3 in Example 5, and 26 in Example 2. .9 and Example 3 was 27.1.
  • the mean absolute error (MAE) was 117.0 in Example 4, 35.3 in Example 5, 21.8 in Example 2, and 20.8 in Example 3. .
  • the root mean square error (RMSE) is 133.3 in Example 4, 44.1 in Example 5, and 25.3 in Example 2. and in Example 3 it was 24.6.
  • the mean absolute error (MAE) was 117.6 in Example 4, 37.9 in Example 5, 20.9 in Example 2, and 20.4 in Example 3. .
  • results shown in FIGS. 13 to 18 show that the prediction accuracy of material properties is improved by applying a sigmoidal function including a hyperbolic tangent function or a sigmoid function as the activation function of the prediction model. was done.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

対象材料の材料組成または製造条件に係る情報を含む説明変数と、対象材料の材料特性に係る情報を含む目的変数との対応関係を機械学習により取得した学習済みモデルを設定するモデル設定ステップと、モデル設定ステップにて設定された学習済みモデルに、材料特性を予測したい対象材料に関する説明変数を入力して、説明変数の情報に係る目的変数を出力して、目的変数に基づき予測したい対象材料の材料特性を予測する予測ステップと、を含む。説明変数は、目的変数に含まれる材料特性の測定時の温度である材料特性評価温度と、材料特性の測定までに材料特性評価温度が保持された時間である評価温度保持時間とをさらに含む。

Description

材料特性予測方法及びモデル生成方法
　本開示は、材料特性予測方法、材料特性予測プログラム、材料特性予測装置、モデル生成方法、モデル生成プログラム、及びモデル生成装置に関する。
　従来、複数の組成からなる材料、または、複数の製造条件の組合せにより製造される材料を設計する際には、材料開発者の経験に基づき材料の組成や製造条件を調整しながら試作を繰り返すことによって、所望の材料特性を実現し得る最適解が求められる。しかし材料開発者の経験に基づいた試作は、多くの場合最適設計を得るまで試作を繰り返す必要があり、時間と手間を要する。また、材料開発者が過去に行った設計条件の近傍で局所的に条件探索が行われることが多く、大域的な最適設計条件の探索には向かない。
　そこで、近年では、過去の試作・評価データベースを使用した材料の設計や、データベースに機械学習を適用した材料特性の予測を行うことがある。
　また、自動車における軽量化ニーズの高まりなどに起因して、例えば１５０℃以上の高温においても高強度を示すアルミニウム合金などの開発が求められている。一般に、材料特性は、その特性を測定するときの周囲の温度によって変動する傾向がある。このため、機械学習による予測モデルを用いて、室温より高い高温下や、室温より低い低温下など、室温以外の温度条件下における材料特性も予測できるのが望ましい。
　しかし、機械学習による材料特性の予測精度は、測定データ数に大きく依存している。一般に測定に手間のかかる高温における材料特性の測定データ数は、室温における材料特性の測定データ数に比べて少なく、高温特性予測モデルの予測精度を高めることは困難である。すなわち、高温で高強度の材料を設計するための信頼性の高い予測モデルを構築することは困難である。低温の場合も同様である。
　このような予測モデル生成のためのデータ数が少ない場合でも予測精度を高めるための手法としては、例えば出力特性が異なる複数の条件ごとに別個に予測モデルを構築する方法や、多くのデータ数を有する代理の出力特性によって訓練されて構築された訓練済みモデルを、データ数の不足する目的の出力特性によって再訓練する、転移学習によって予測モデルを構築する方法や、ニューラルネットワークやガウス過程によって、異なる複数の条件の出力特性を同時に学習する、マルチタスク学習によって予測モデルを構築する方法などがある（特許文献１など）。
特開２０２０－９５３１０号公報
　しかしながら、上述の従来のデータ数が少ない場合に予測精度を高めるための手法では、室温下で測定された多数のデータと、室温以外の高温や低温の条件下で測定された少数のデータとを用いる場合には、充分な予測精度を得られない場合がある。
　本開示は、温度に応じて変動する材料特性を精度良く予測できる材料特性予測方法、材料特性予測プログラム、材料特性予測装置、モデル生成方法、モデル生成プログラム、及びモデル生成装置を提供することを目的とする。
　本開示は、以下に示す構成を備える。
　［１］　対象材料の材料特性を予測するための材料特性予測方法であって、
　前記対象材料の材料組成または製造条件に係る情報を含む説明変数と、前記対象材料の材料特性に係る情報を含む目的変数との対応関係を機械学習により取得した学習済みモデルを設定するモデル設定ステップと、
　前記モデル設定ステップにて設定された前記学習済みモデルに、材料特性を予測したい対象材料に関する説明変数を入力して、前記説明変数の情報に係る目的変数を出力して、前記目的変数に基づき前記予測したい対象材料の前記材料特性を予測する予測ステップと、
を含み、
　前記説明変数は、前記目的変数に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方に係る情報をさらに含む、
材料特性予測方法。
　［２］　前記学習済みモデルがニューラルネットワークである、
［１］に記載の材料特性予測方法。
　［３］　前記予測ステップにおいて予測される前記材料特性は、金属材料、ポリマー材料、またはガラス材料における、前記材料特性評価温度または前記評価温度保持時間に応じてＳ字形に変動する特性であり、
　前記ニューラルネットワークの活性化関数に、双曲線正接関数またはシグモイド関数を含むＳ字形関数が用いられる、
［２］に記載の材料特性予測方法。
　［４］　前記学習済みモデルの機械学習手法としてカーネル法を適用した手法が用いられる、
［１］に記載の材料特性予測方法。
　［５］　前記予測ステップにおいて予測される前記材料特性は、金属材料、ポリマー材料、またはガラス材料における、前記材料特性評価温度または前記評価温度保持時間に応じてＳ字形に変動する特性であり、
　前記カーネル法のカーネル関数に逆正弦関数が用いられる、
［４］に記載の材料特性予測方法。
　［６］　対象材料の材料特性を予測するための材料特性予測プログラムであって、
　前記対象材料の材料組成または製造条件に係る情報を含む説明変数と、前記対象材料の材料特性に係る情報を含む目的変数との対応関係を機械学習により取得した学習済みモデルを設定するモデル設定機能と、
　前記モデル設定機能により設定された前記学習済みモデルに、材料特性を予測したい対象材料に関する説明変数を入力して、前記説明変数の情報に係る目的変数を出力して、前記目的変数に基づき前記予測したい対象材料の前記材料特性を予測する予測機能と、
　をコンピュータに実現させ、
　前記説明変数は、前記目的変数に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方に係る情報をさらに含む、
材料特性予測プログラム。
　［７］　対象材料の材料特性を予測するための材料特性予測装置であって、
　前記対象材料の材料組成または製造条件に係る情報を含む説明変数と、前記対象材料の材料特性に係る情報を含む目的変数との対応関係を機械学習により取得した学習済みモデルと、
　前記学習済みモデルに、材料特性を予測したい対象材料に関する説明変数を入力して、前記説明変数の情報に係る目的変数の情報を出力して、前記目的変数に基づき前記予測したい対象材料の前記材料特性を予測する予測部と、
を備え、
　前記説明変数は、前記目的変数に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方に係る情報をさらに含む、
材料特性予測装置。
　［８］　対象材料の材料特性を予測するためのモデルを生成するためのモデル生成方法であって、
　前記対象材料の材料組成または製造条件と、材料特性と、前記材料特性を測定したときの測定条件と、に係る情報を含む教師データセットを取得する教師データ作成ステップと、
　前記教師データ作成ステップにて作成された前記教師データセットを用いて、前記材料組成または製造条件、及び前記測定条件に係る情報を前記モデルの入力とし、前記材料特性に係る情報を前記モデルの出力として、前記モデルの入出力関係が前記教師データセットの入出力関係に近づくように機械学習を行い、学習済みモデルを生成するモデル学習ステップと、
を含み、
　前記測定条件は、前記モデルの出力に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方を含む、
モデル生成方法。
　［９］　対象材料の材料特性を予測するためのモデルを生成するためのモデル生成プログラムであって、
　前記対象材料の材料組成または製造条件と、材料特性と、前記材料特性を測定したときの測定条件と、に係る情報を含む教師データセットを取得する教師データ作成機能と、
　前記教師データ作成機能により作成された前記教師データセットを用いて、前記材料組成または製造条件、及び前記測定条件に係る情報を前記モデルの入力とし、前記材料特性に係る情報を前記モデルの出力として、前記モデルの入出力関係が前記教師データセットの入出力関係に近づくように機械学習を行い、学習済みモデルを生成するモデル学習機能と、
　をコンピュータに実現させ、
　前記測定条件は、前記モデルの出力に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方を含む、
モデル生成プログラム。
　［１０］　対象材料の材料特性を予測するためのモデルを生成するためのモデル生成装置であって、
　前記対象材料の材料組成または製造条件と、材料特性と、前記材料特性を測定したときの測定条件と、に係る情報を含む教師データセットを作成する教師データ作成部と、
　前記教師データ作成部により作成された前記教師データセットを用いて、前記材料組成または製造条件、及び前記測定条件に係る情報を前記モデルの入力とし、前記材料特性に係る情報を前記モデルの出力として、前記モデルの入出力関係が前記教師データセットの入出力関係に近づくように機械学習を行い、学習済みモデルを生成するモデル学習部と、を備え、
　前記測定条件は、前記モデルの出力に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方を含む、
モデル生成装置。
　本開示によれば、温度に応じて変動する材料特性を精度良く予測できる材料特性予測方法、材料特性予測プログラム、材料特性予測装置、モデル生成方法、モデル生成プログラム、及びモデル生成装置を提供することができる。
実施形態に係る材料特性予測装置の機能ブロック図である。 実施形態に係るモデル生成装置の機能ブロック図である。 材料特性予測装置及びモデル生成装置のハードウェア構成図である。 アルミニウム合金における引張強度の評価温度依存性を示す図である。 アルミニウム合金における引張強度の保持時間依存性を示す図である。 公開データベースから取得したアルミニウム合金の材料特性の測定データ群に関する、材料特性評価温度ごとのデータ数を示す図である。 実施形態に係る材料特性予測処理のフローチャートである。 実施形態に係るモデル生成処理のフローチャートである。 予測モデルの学習と予測に用いた検証用データセットを示す図である。 実施例１において用いた予測モデルの構成を示す図である。 比較例１において用いた予測モデルの構成を示す図である。 実施例１及び比較例１の予測結果を示す図である。 実施例４、５の内挿予測結果を示す図である。 実施例２、３の内挿予測結果を示す図である。 実施例４、５の外挿予測結果を示す図である。 実施例２、３の外挿予測結果を示す図である。 図１５の各図のプロット位置近傍の拡大図である。 図１６の各図のプロット位置近傍の拡大図である。
　以下、添付図面を参照しながら実施形態について説明する。説明の理解を容易にするため、各図面において同一の構成要素に対しては可能な限り同一の符号を付して、重複する説明は省略する。
　図１は、実施形態に係る材料特性予測装置１０の機能ブロック図である。材料特性予測装置１０は、複数の組成からなる材料、または、複数の製造条件の組合せにより製造される材料を含む対象材料の材料特性を予測するための装置である。
　図１に示すように、材料特性予測装置１０は、学習済みモデル１１と、予測部１２とを備える。
　学習済みモデル１１は、対象材料の材料組成または製造条件に係る情報を含む説明変数と、対象材料の材料特性に係る情報を含む目的変数との対応関係を、機械学習により取得したモデルである。学習済みモデル１１は、材料特性を予測したい対象材料に関する説明変数の入力に基づいて、入力された説明変数に係る目的変数を出力する。なお、学習済みモデルは、ニューラルネットワークであることが好ましい。
　本実施形態では、学習済みモデル１１は図１に示すように入力層と、中間層と、出力層とを有する三層のニューラルネットワークである。学習済みモデル１１の入力層の各ノードは、説明変数の各項目と同数設けられ、各項目の数値が入力される。図１では、材料組成に係る情報として、Ｓｉ、Ｆｅなどの添加元素の重量百分率（ｗｔ％）に対応する数値が、入力層の対応するノードに入力される。また、製造条件に係る情報として、人工時効の実施の有無などに対応する数値（例えば０または１）が、入力層の対応するノードに入力される。また、学習済みモデル１１の出力層の各ノードは、目的変数の各項目と同数設けられ、各項目の数値が出力される。図１では、材料特性に係る情報として、引張強度や０．２％耐力などに対応する数値が、出力層の対応するノードから出力される。
　また、図１に示すように、学習済みモデル１１は、中間層の各ノードと出力層の各ノードにバイアスノードが結合される構成でもよい。また、中間層を２層以上備えるディープニューラルネットワークを用いてもよい。ただし、中間層を２層以上に増やすと、パラメータ数、すなわちネットワーク数が多くなり、学習用データを過学習してテスト用データに対する予測精度が下がる傾向がある。そのため、中間層は１層である方がより好ましい。
　なお、図１には図示されていないが、アルミニウム合金の材料特性を予測する場合には、説明変数の材料組成としては、Ｓｉ、Ｆｅ、Ｃｕ、Ｍｎ、Ｍｇ、Ｃｒ、Ｎｉ、Ｚｎ、Ｔｉ、Ｖ、Ｐｂ、Ｓｎ、Ｂ、Ｂｉ、Ｚｒ、Ｌｉ、Ｂ、Ｇａ、Ｐなどの添加元素を含めることができる。また、説明変数の製造条件としては、焼鈍、溶体化、人工時効、自然時効、安定化、高温加工、冷間加工などの各熱処理温度、熱処理時間と、押出、鍛造、引抜、圧延に関わる加工条件などを含めることができる。また、目的変数の材料特性としては、引張強度、０．２％耐力、伸び、線膨張係数、ヤング率、疲労強度、硬さ、ポワソン比、クリープ特性、せん断強度、比熱、熱伝導率、電気伝導度、密度、などを含めることができる。
　そして特に本実施形態では、説明変数は、目的変数に含まれる材料特性の測定時の温度である「材料特性評価温度」と、材料特性の測定までに材料特性評価温度が保持された時間である「評価温度保持時間」と、に係る情報をさらに含む。つまり、学習済みモデル１１の入力情報には、材料特性評価温度と評価温度保持時間に係る情報が含まれ、材料特性評価温度と評価温度保持時間に対応する数値が、入力層の対応するノードに入力される。
　なお、「材料特性評価温度」と「評価温度保持時間」の少なくとも一方を説明変数に含める構成であればよく、「材料特性評価温度」のみを説明変数に含める構成としてもよいし、「評価温度保持時間」のみを説明変数に含める構成としてもよい。
　予測部１２は、学習済みモデル１１に、材料特性を予測したい対象材料に関する説明変数を入力して、入力された説明変数に係る目的変数を出力して、出力された目的変数に基づき、予測したい対象材料の材料特性を予測する。
　材料特性予測装置１０に用いられる学習済みモデル１１は、図２に示すモデル生成装置２０により生成することができる。図２は、実施形態に係るモデル生成装置２０の機能ブロック図である。
　図２に示すように、モデル生成装置２０は、教師データ作成部２１と、モデル学習部２２と、予測モデル１１Ａとを含む。予測モデル１１Ａは、図１に示した学習済みモデル１１の機械学習完了前のモデルであり、対象材料の材料特性を予測するためのモデルである。予測モデル１１Ａの構成は、図１を参照して説明した学習済みモデル１１のものと同様である。
　教師データ作成部２１は、対象材料の材料組成または製造条件と、材料特性と、材料特性を測定したときの測定条件と、に係る情報を含む教師データセットを作成する。
　モデル学習部２２は、教師データ作成部２１により作成された教師データセットを用いて、予測モデル１１Ａの学習を実施して学習済みモデルを生成する。モデル学習部２２は、教師データのうち材料組成または製造条件、及び測定条件に係る情報を予測モデル１１Ａの入力とし、材料特性に係る情報を予測モデル１１Ａの出力として、予測モデル１１Ａの入出力関係が教師データセットの入出力関係に近づくように機械学習を行い、学習済みモデル１１を生成する。
　モデル学習部２２は、予測モデル１１Ａがニューラルネットワークの場合には、逆誤差伝播法、バッチ勾配降下法、確率的勾配降下法、ミニバッチ勾配降下法、変分ベイズ法などの周知の機械学習手法を用いて予測モデル１１Ａの学習を行うことができる。
　図３は、材料特性予測装置１０及びモデル生成装置２０のハードウェア構成図である。図３に示すように、材料特性予測装置１０及びモデル生成装置２０は、物理的には、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１０１、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１０８、主記憶装置であるＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１０２およびＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）１０３、入力デバイスであるキーボード及びマウス等の入力装置１０４、ディスプレイ等の出力装置１０５、ネットワークカード等のデータ送受信デバイスである通信モジュール１０６、ハードディスク等の補助記憶装置１０７、などを含むコンピュータシステムとして構成することができる。
　図１に示す材料特性予測装置１０の各機能は、ＣＰＵ１０１、ＲＡＭ１０２等のハードウェア上に所定のコンピュータソフトウェア（材料特性予測プログラム）を読み込ませることにより、ＣＰＵ１０１の制御のもとで通信モジュール１０６、入力装置１０４、出力装置１０５を動作させるとともに、ＲＡＭ１０２や補助記憶装置１０７におけるデータの読み出し及び書き込みを行うことで実現される。すなわち、本実施形態の材料特性予測プログラムをコンピュータ上で実行させることで、材料特性予測装置１０は、図１の学習済みモデル１１と、予測部１２として機能する。
　同様に、図２に示すモデル生成装置２０の各機能は、ＣＰＵ１０１、ＲＡＭ１０２等のハードウェア上に所定のコンピュータソフトウェア（モデル生成プログラム）を読み込ませることにより、ＣＰＵ１０１の制御のもとで通信モジュール１０６、入力装置１０４、出力装置１０５を動作させるとともに、ＲＡＭ１０２や補助記憶装置１０７におけるデータの読み出し及び書き込みを行うことで実現される。すなわち、本実施形態のモデル生成プログラムをコンピュータ上で実行させることで、モデル生成装置２０は、図２の教師データ作成部２１と、モデル学習部２２と、予測モデル１１Ａとして機能する。
　本実施形態に係る材料特性予測プログラム及びモデル生成プログラムは、例えばコンピュータが備える記憶装置内に格納される。なお、材料特性予測プログラム及びモデル生成プログラムは、その一部又は全部が、通信回線等の伝送媒体を介して伝送され、コンピュータが備える通信モジュール１０６等により受信されて記録（インストールを含む）される構成としてもよい。また、材料特性予測プログラム及びモデル生成プログラムは、その一部又は全部が、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、フラッシュメモリなどの持ち運び可能な記憶媒体に格納された状態から、コンピュータ内に記録（インストールを含む）される構成としてもよい。
　同様に、モデル生成装置２０により生成された学習済みモデル１１が、単体で記憶媒体に格納されて持ち運ばれたり、伝送媒体を介して伝送されたり、コンピュータ内に記録される構成でもよい。
　ここで、学習済みモデル１１の中間層のノードに用いられる活性化関数は、目的関数の材料特性の評価温度依存性や保持時間依存性と共通の特性のものを用いるのが好ましい。ここで、対象材料としてアルミニウム合金を挙げ、目的関数の材料特性として引張強度を例示して説明する。図４は、アルミニウム合金における引張強度の評価温度依存性を示す図である。図５は、アルミニウム合金における引張強度の保持時間依存性を示す図である。
　図４では、横軸が材料特性評価温度（℃）を示し、縦軸が引張強度（ＭＰａ）を示す。図４では、複数の材料特性評価温度において同一の保持時間（１００００時間）経過後に測定された引張強度の値がプロットされ、材料特性評価温度に応じて引張強度が変動する特性（評価温度依存性）が図示されている。図４に示すように、引張強度は、全温度範囲で高温側に進むほど減少する傾向があり、この減少傾向の変化率は、約１００℃以上かつ、約２５０℃以下の範囲では相対的に大きく急激に低下する急傾斜となる。また、この減少傾向の曲線は約２００℃の位置に変曲点をもつ。つまり、引張強度は、図４に示すように、材料特性評価温度に応じてＳ字形に変動する特性である。
　図５では、横軸が評価温度保持時間（ｈｒ（時間））を示し、縦軸が引張強度（ＭＰａ）を示す。図５の横軸は対数スケールで示している。図５では、同一の評価温度（２０５℃）において複数の評価温度保持時間の経過後に測定された引張強度の値がプロットされ、評価温度保持時間に応じて引張強度が変動する特性（保持時間依存性）が図示されている。図５に示すように、引張強度は、全体的に長時間側に進むほど減少する傾向があり、この減少傾向の曲線は１０００～１００００時間の間の位置に変曲点をもつ。つまり、引張強度は、図５に示すように、評価温度保持時間に応じてＳ字形に変動する特性である。
　このように、予測部１２により予測される対象材料の材料特性が、材料特性評価温度または評価温度保持時間に応じてＳ字形に変動する特性である場合には、学習済みモデル１１のニューラルネットワークの活性化関数に、双曲線正接関数またはシグモイド関数を含むＳ字形関数が用いられるのが好ましい。
　なお、ニューラルネットワークの中間層の活性化関数には、線形（恒等関数）の活性化関数を用いてもよい。また、出力層の活性化関数には線形（恒等関数）の活性化関数を用いるのが好ましい。
　ここで、本実施形態の効果について説明する。図４、図５に示す引張強度のように、材料特性は、室温（１５～４０℃程度）ではほぼ一定の値で安定するが、評価温度が高温側に遷移するほど、また、評価温度保持時間が長時間側に遷移するほど、大きく変動する傾向がある。近年、自動車における軽量化ニーズの高まりなどに起因して、例えば１５０℃以上の高温においても高強度を示すアルミニウム合金などの開発が求められており、材料特性が大きく変動する高温の条件下でも材料特性を精度良く予測できることが望ましい。　
　しかし、機械学習による材料特性の予測精度は、測定データ数に大きく依存している。一般に測定に手間のかかる高温における材料特性の測定データ数は、室温における材料特性の測定データ数に比べて少ない。図６にその実例を示す。
　図６は、公開データベースから取得したアルミニウム合金の材料特性の測定データ群に関する、材料特性評価温度ごとのデータ数を示す図である。図６では、６０００系アルミ合金の、材料特性評価温度が－８０℃～３７１℃の範囲にわたる２４６データについて、評価温度を５０℃ごとに区分したときの各温度範囲に含まれるデータ数を棒グラフで示している。図６に示すデータ群は、公開データベースである、米国ＭａｔＷｅｂデータベース（http://www.matweb.com/index.aspx）、日本アルミニウム協会データベース（http://metal.matdb.jp/JAA-DB/）から収集した材料データを用いた。図６に示す実例でも、上述のとおり、０～５０℃の室温が含まれる温度範囲のデータ数が極端に多く、室温より高温側及び低温側のデータ数は軒並み少ないことがわかる。
　このように材料特性評価温度の温度範囲によって取得可能なデータ数に差異があると、すなわち、機械学習の教師データに利用できるデータ数に差異があると、従来の機械学習手法では、材料特性評価温度の全域にわたって高精度な予測モデルを得ることは難しく、特に高温側や低温側の特性予測モデルの予測精度を高めることは困難である。
　そこで本実施形態では、図１に示すように学習済みモデル１１の入力情報である説明変数として、予測した材料特性に係る材料特性評価温度と、評価温度保持時間とに係る情報を追加する構成をとる。
　材料特性評価温度や評価温度保持時間は、材料特性を目的変数とする本実施形態の構成では、本来ならばモデルの出力に含まれる情報といえる。しかし本実施形態では、そのような材料特性評価温度や評価温度保持時間の情報を敢えてモデルの入力情報として用いる。これにより、教師データにおける材料特性評価温度及び評価温度保持時間と、材料特性との対応関係をモデルに取得させることが可能となり、学習済みモデル１１における材料特性評価温度及び評価温度保持時間に対応する材料特性の予測を精度良く行うことが可能となる。この結果、本実施形態に係る材料特性予測装置１０は、温度に応じて変動する材料特性を精度良く予測できる。
　このように材料特性の予測精度を向上できると、所望の特性を持つ材料を設計するための、試作の回数を低減することができる。また、予測モデルの汎化能力を利用することによって、データベースに記載のない設計条件においても、材料特性を予測することができる。
　また、本実施形態では、学習済みモデル１１がニューラルネットワークであり、予測部１２により予測される対象材料の材料特性が、材料特性評価温度または評価温度保持時間に応じてＳ字形に変動する特性である場合には、学習済みモデル１１のニューラルネットワークの活性化関数に、双曲線正接関数またはシグモイド関数を含むＳ字形関数が用いられる。
　この構成により、活性化関数が、目的関数の材料特性の評価温度依存性や保持時間依存性と共通の特性を有するものとなるので、学習済みモデル１１の関数近似能力を改善でき、温度に応じて変動する材料特性をより一層高精度に予測できる。図４に示したように、金属材料では一般に、ある温度で急激に強度が低下する挙動を示すことが知られている。そのため、この挙動を再現する双曲線正接関数、シグモイド関数を始め、誤差関数、逆正接関数などのＳ字型の活性化関数を用いることが、高温での予測精度の向上に寄与すると考えられる。このため、活性化関数をＳ字形関数にすることの予測精度向上の効果は、特に一般に測定データ数が少なかったり測定データが存在しなかったりする高温での材料特性の予測において特に顕著である。
　なお、活性化関数をＳ字形関数にする構成は、ガラス転移温度において特性が急激に変化するポリマー材料やガラス材料の特性を予測する場合にも適用することが可能であり、これにより本実施形態と同様の予測精度向上の効果を奏することができる。つまり、本実施形態で材料特性を予測する対象材料は、金属以外にポリマー材料及びガラス材料としてもよい。
　図７は、実施形態に係る材料特性予測処理のフローチャートである。図７に示すフローチャートの各処理は、材料特性予測装置１０により実施される。
　ステップＳ１１（モデル設定ステップ）では、学習済みモデル１１が設定される。学習済みモデル１１は、例えばモデル生成装置２０により予め生成されたものを用いることもできるし、他の手法により取得したものを用いることもできる。
　ステップＳ１２では、予測に用いる説明変数が設定される。
　ステップＳ１３（予測ステップ）では、予測部１２により、ステップＳ１２にて設定された説明変数が、ステップＳ１１にて設定された学習済みモデル１１へ入力され、この説明変数に応じた目的変数が出力される。
　ステップＳ１４では、予測部１２により、ステップＳ１３にて出力された目的変数から、ステップＳ１２にて設定された説明変数に応じた材料特性が算出される。
　図８は、実施形態に係るモデル生成処理のフローチャートである。図８に示すフローチャートの各処理は、モデル生成装置２０により実施される。
　ステップＳ２１（教師データ作成ステップ）では、教師データ作成部２１により、モデル学習に用いる教師データが作成される。教師データは、例えば図６に例示した既存の公開データベースから所望の情報を取得して作成してもよいし、実際に測定したデータを用いてもよい。
　ステップＳ２２（モデル学習ステップ）では、モデル学習部２２により、ステップＳ２１にて作成した教師データを用いて予測モデル１１Ａの学習が行われる。
　ステップＳ２３では、モデル学習部２２による予測モデル１１Ａの学習が完了して、学習済みモデル１１が完成する。
　なお、本実施形態では材料特性を予測するモデルの一例としてニューラルネットワークを例示したが、説明変数と目的変数との入出力関係を機械学習により獲得できるモデルであればニューラルネットワーク以外でもよい。例えばガウス過程によって高温の材料特性の予測を行う構成でもよい。この場合、カーネル関数に逆正弦関数を用いることが好ましい。カーネル法を適用した機械学習手法としては、ガウス過程の他に、カーネルリッジ、サポートベクターマシンなどを用いても良い。
　次に、本発明の実施例について具体的に説明する。
　＜モデル入力情報の影響＞
　下記のように実施例１、比較例１を設定し、予測モデルの入力情報への材料特性評価温度と評価温度保持時間の追加有無による材料特性の予測精度への影響を検証した。
　［実施例１］
　図９は、予測モデルの学習と予測に用いた検証用データセットを示す図である。図９に示すように、検証用データセットして、図６に示した公開データベースから取得したデータを用いて、材料組成（Ｓｉ、Ｆｅなど）、製造条件（焼鈍、人工時効など）、測定条件（材料特性評価温度及び評価温度保持時間）、材料特性（引張強度、０．２％耐力）が関連付けられるデータセットを１組として、２４６組の検証用データセットを作成した。図９に示すように、検証用データセットには、室温、－８０℃、－２８℃、１００℃、１４９℃、２０４℃、２６０℃、３１６℃、３７１℃の９種類の材料特性評価温度のデータなどが含まれる。
　図１０は、実施例１において用いた予測モデル１１Ａの構成を示す図である。図１０に示すように、図２を参照して説明した本実施形態の予測モデル１１Ａ、すなわち三層ニューラルネットワークの入力情報に材料特性評価温度及び評価温度保持時間が含まれるモデルを作成した。モデルの入力層に入力される説明変数としては、図９に示した検証用データセットの「材料組成」、「製造条件」、「測定条件」を含む。予測モデル１１Ａの入力層のノード数は２１ノードである。モデルの出力層から出力される目的変数としては、図９に示した検証用データセットの「材料特性」の２つ（引張強度、０．２％耐力）を含む。予測モデル１１Ａの出力層のノード数は２ノードである。予測モデル１１Ａの中間層の活性化関数には双曲線正接関数を適用し、出力層の活性化関数には線形関数を適用した。
　図９に示した検証用データセットを用いて、図１０に示した予測モデル１１Ａの材料特性評価温度に対する予測を行った。２４６組の検証用データセットのうち、６３組のカテゴリー１データでは、室温、－８０℃、－２８℃、１００℃、１４９℃、２０４℃、２６０℃、３１６℃、３７１℃の９種類の材料特性評価温度すべてにおいて評価温度保持時間１００００時間で材料特性が測定されている。残りの１８３組のカテゴリー２データでは、材料特性評価温度が前記９種類以外であったり、前記９種類の材料特性評価温度の一部でのみ材料特性が測定されていたり、評価温度保持時間が１００００時間以外であったりする。このうち、カテゴリー１データの２７組を予測用データ、カテゴリー１データ（残り３６組）及びカテゴリー２データ（１８３組）の計２１９組を学習用データとして用いる。そして、学習用データを用いて予測モデル１１Ａの学習を行い、予測用データの「材料組成」、「製造条件」、「測定条件」を用いて学習完了後の学習済みモデル１１での予測を行った。予測モデル１１Ａの学習には、Ｐｙｔｈｏｎのｓｃｉｋｉｔ－ｌｅａｒｎライブラリに実装されているバッチ勾配降下法（Ｌ－ＢＦＧＳ法）を用いた。学習済みモデル１１により予測された材料特性（予測値）と、予測用データの「材料特性」欄の値（測定値）とを比較して、予測精度を検証した。予測精度は、平方平均二乗誤差と平均絶対誤差の２つの指標を用いて評価した。
　［比較例１］
　図１１は、比較例１において用いた予測モデル３０の構成を示す図である。図１１に示すように、図２を参照して説明した本実施形態の予測モデル１１Ａ、すなわち三層ニューラルネットワークの入力情報から、材料特性評価温度及び評価温度保持時間を除外するモデルを作成した。すなわち、予測モデル３０の入力層に入力される説明変数としては、図９に示した検証用データセットの「材料組成」、及び「製造条件」のみを含み、「測定条件」は含まれない。すなわち、予測モデル３０の入力層のノード数は１９ノードである。予測モデル３０の出力層から出力される目的変数としては、図９に示した検証用データセットの「材料特性」の２つ（引張強度、０．２％耐力）を、９種類の材料特性評価温度別に含む。すなわち、予測モデル３０の出力層のノード数は２×９＝１８ノードである。中間層の活性化関数には双曲線正接関数を適用し、出力層の活性化関数には線形関数を適用した。比較例１のニューラルネットワークの構造では、入力の値１組に対して、出力ノードの値の全て（９組）が揃っている場合にしか学習・予測に使用することができないので、カテゴリー１のデータのみ学習と予測に用いることができる。ここでは、予測用データは実施例１で用いたものと同一の２７組のカテゴリー１データを用い、学習用データは残り３６組のカテゴリー１データを用いる。
　その他の条件は実施例１と同様の条件で、図９に示した検証用データセットを用いて、図１１に示した予測モデル３０の材料特性評価温度に対する予測を行った。なお、予測精度の検証には、予測用データの「材料特性評価温度」を参照して、予測モデル３０の１８個の出力のうち該当する材料特性評価温度に対応する２つのノードの出力値（予測値）と、予測用データの「材料特性」欄の値（測定値）とを比較した。
　図１２は、実施例１及び比較例１の予測結果を示す図である。図１２（Ａ）、（Ｂ）は、それぞれ実施例１における引張強度と０．２％耐力の予測結果である。図１２（Ｃ）、（Ｄ）は、それぞれ比較例１における引張強度と０．２％耐力の予測結果である。図１２の（Ａ）～（Ｄ）の各図の横軸は予測用データの「材料特性」欄の値（測定値）を示し、縦軸は学習済みモデルにより予測された材料特性（予測値）を示す。図１２の（Ａ）～（Ｄ）の各図では、予測用データのそれぞれについて、測定値に対応する予測値がプロットされている。各図に示す直線ｘは、測定値と予測値が同一の場合の特性を示し、プロットがこの直線ｘに近づくほど予測精度が高いことを意味する。
　図１２の（Ａ）と（Ｃ）を比較すると、材料特性のうち引張強度については、実施例１の方が比較例１よりプロットのばらつきが少なく、直線ｘに近い位置に集約していることがわかる。平方平均二乗誤差（ＲＭＳＥ）は、比較例１では４５．３なのに対して実施例１では２４．５と小さくなった。平均絶対誤差（ＭＡＥ）は、比較例１では２９．６なのに対して実施例１では１７．３と小さくなった。
　同様に、図１２の（Ｂ）と（Ｄ）を比較すると、材料特性のうち０．２％耐力についても、実施例１の方が比較例１よりプロットのばらつきが少なく、直線ｘに近い位置に集約していることがわかる。平方平均二乗誤差（ＲＭＳＥ）は、比較例１では４７．６なのに対して実施例１では２９．３と小さくなった。平均絶対誤差（ＭＡＥ）は、比較例１では３３．７なのに対して実施例１では２０．８と小さくなった。
　図１２に示す結果より、予測モデルの入力情報（説明変数）に材料特性評価温度及び評価温度保持時間を追加することによって、材料特性の予測精度が向上することが示された。
　＜活性化関数の影響＞
　下記のように実施例２、３及び実施例４、５を設定し、予測モデルの活性化関数の変更による材料特性の予測精度への影響を検証した。
　［実施例２］
　図９に示した検証用データセットを用いて、図１０に示した予測モデル１１Ａの材料特性評価温度に対する内挿予測を行った。具体的には、２４６組の検証用データセットを、７５％（１８５組）の学習用データと、２５％（６１組）の予測用データとにランダムに分割した。活性化関数には双曲線正接関数を適用した。
　さらに、図９に示した検証用データセットを用いて、図１０に示した予測モデル１１Ａの材料特性評価温度に対する外挿予測を行った。具体的には、２４６組の検証用データセットのうち、材料特性評価温度が１５０℃以下となる１８５組（７５％）のデータを学習用データとし、材料特性評価温度が１５０℃より高くなる６１組（２５％）のデータを予測用データとした。なお、本明細書においては、ランダムに学習用データと予測用データに分割したものを「内挿予測」、１５０℃以下を学習用データ、１５０℃超を予測用データとしたものを「外挿予測」としている。
　［実施例３］
　活性化関数にシグモイド関数を適用したこと以外は、実施例２と同様に内挿予測と外挿予測を行った。
　［実施例４］
　活性化関数に線形関数を適用したこと以外は、実施例２と同様に内挿予測と外挿予測を行った。
　［実施例５］
　活性化関数に正規化線形ユニット関数を適用したこと以外は、実施例２と同様に内挿予測と外挿予測を行った。
　図１３は、実施例４、５の内挿予測結果を示す図である。図１４は、実施例２、３の内挿予測結果を示す図である。図１３、図１４の概要は、図１２と同様である。図１３、図１４より、材料特性のうち引張強度については、平方平均二乗誤差（ＲＭＳＥ）は、実施例４では４９．５であり、実施例５では２６．８であり、実施例２では２４．３であり、実施例３では２４．８であった。また、平均絶対誤差（ＭＡＥ）は、実施例４では３６．４であり、実施例５では１８．５であり、実施例２では１５．８であり、実施例３では１６．６であった。
　また、材料特性のうち０．２％耐力については、平方平均二乗誤差（ＲＭＳＥ）は、実施例４では４６．４であり、実施例５では２８．２であり、実施例２では２６．４であり、実施例３では２６．２であった。また、平均絶対誤差（ＭＡＥ）は、実施例４では３８．４であり、実施例５では１８．５であり、実施例２では１７．１であり、実施例３では１７．７であった。
　図１３、図１４に示す結果より、内挿予測に関しては、引張強度及び０．２％耐力の両方において、実施例４が他に比べてプロットのばらつきが大きく、直線ｘから離れており、予測精度が比較的劣ることがわかる。
　図１５は、実施例４、５の外挿予測結果を示す図である。図１６は、実施例２、３の外挿予測結果を示す図である。図１７は、図１５の各図のプロット位置近傍の拡大図である。図１８は、図１６の各図のプロット位置近傍の拡大図である。図１５～図１８の概要は、図１２と同様である。
　図１５～図１８より、材料特性のうち引張強度については、平方平均二乗誤差（ＲＭＳＥ）は、実施例４では１３１．５であり、実施例５では４１．３であり、実施例２では２６．９であり、実施例３では２７．１であった。また、平均絶対誤差（ＭＡＥ）は、実施例４では１１７．０であり、実施例５では３５．３であり、実施例２では２１．８であり、実施例３では２０．８であった。
　また、材料特性のうち０．２％耐力については、平方平均二乗誤差（ＲＭＳＥ）は、実施例４では１３３．３であり、実施例５では４４．１であり、実施例２では２５．３であり、実施例３では２４．６であった。また、平均絶対誤差（ＭＡＥ）は、実施例４では１１７．６であり、実施例５では３７．９であり、実施例２では２０．９であり、実施例３では２０．４であった。
　図１５～図１８に示す結果より、外挿予測に関しては、引張強度及び０．２％耐力の両方において、実施例２、３が実施例４、５と比べてプロットのばらつきが小さく、直線ｘの近くに存在しており、予測精度が良いことがわかる。したがって、内挿予測と外挿予測の両方の結果を考慮すると、実施例２、３は実施例４、５より予測精度が比較的高いといえる。
　このように、図１３～図１８に示す結果より、予測モデルの活性化関数として、双曲線正接関数またはシグモイド関数を含むＳ字形関数を適用することによって、材料特性の予測精度が向上することが示された。
　以上、具体例を参照しつつ本実施形態について説明した。しかし、本開示はこれらの具体例に限定されるものではない。これら具体例に、当業者が適宜設計変更を加えたものも、本開示の特徴を備えている限り、本開示の範囲に包含される。前述した各具体例が備える各要素およびその配置、条件、形状などは、例示したものに限定されるわけではなく適宜変更することができる。前述した各具体例が備える各要素は、技術的な矛盾が生じない限り、適宜組み合わせを変えることができる。
　本国際出願は２０２１年３月１７日に出願された日本国特許出願２０２１－０４３１９１号に基づく優先権を主張するものであり、２０２１－０４３１９１号の全内容をここに本国際出願に援用する。
　１０　　材料特性予測装置
　１１　　学習済みモデル
　１１Ａ　　予測モデル
　１２　　予測部
　２０　　モデル生成装置
　２１　　教師データ作成部
　２２　　モデル学習部

Claims (10)

  1. 　対象材料の材料特性を予測するための材料特性予測方法であって、
    　前記対象材料の材料組成または製造条件に係る情報を含む説明変数と、前記対象材料の材料特性に係る情報を含む目的変数との対応関係を機械学習により取得した学習済みモデルを設定するモデル設定ステップと、
    　前記モデル設定ステップにて設定された前記学習済みモデルに、材料特性を予測したい対象材料に関する説明変数を入力して、前記説明変数の情報に係る目的変数を出力して、前記目的変数に基づき前記予測したい対象材料の前記材料特性を予測する予測ステップと、
    を含み、
    　前記説明変数は、前記目的変数に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方に係る情報をさらに含む、
    材料特性予測方法。
  2. 　前記学習済みモデルがニューラルネットワークである、
    請求項１に記載の材料特性予測方法。
  3. 　前記予測ステップにおいて予測される前記材料特性は、金属材料、ポリマー材料、またはガラス材料における、前記材料特性評価温度または前記評価温度保持時間に応じてＳ字形に変動する特性であり、
    　前記ニューラルネットワークの活性化関数に、双曲線正接関数またはシグモイド関数を含むＳ字形関数が用いられる、
    請求項２に記載の材料特性予測方法。
  4. 　前記学習済みモデルの機械学習手法としてカーネル法を適用した手法が用いられる、
    請求項１に記載の材料特性予測方法。
  5. 　前記予測ステップにおいて予測される前記材料特性は、金属材料、ポリマー材料、またはガラス材料における、前記材料特性評価温度または前記評価温度保持時間に応じてＳ字形に変動する特性であり、
    　前記カーネル法のカーネル関数に逆正弦関数が用いられる、
    請求項４に記載の材料特性予測方法。
  6. 　対象材料の材料特性を予測するための材料特性予測プログラムであって、
    　前記対象材料の材料組成または製造条件に係る情報を含む説明変数と、前記対象材料の材料特性に係る情報を含む目的変数との対応関係を機械学習により取得した学習済みモデルを設定するモデル設定機能と、
    　前記モデル設定機能により設定された前記学習済みモデルに、材料特性を予測したい対象材料に関する説明変数を入力して、前記説明変数の情報に係る目的変数を出力して、前記目的変数に基づき前記予測したい対象材料の前記材料特性を予測する予測機能と、
    　をコンピュータに実現させ、
    　前記説明変数は、前記目的変数に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方に係る情報をさらに含む、
    材料特性予測プログラム。
  7. 　対象材料の材料特性を予測するための材料特性予測装置であって、
    　前記対象材料の材料組成または製造条件に係る情報を含む説明変数と、前記対象材料の材料特性に係る情報を含む目的変数との対応関係を機械学習により取得した学習済みモデルと、
    　前記学習済みモデルに、材料特性を予測したい対象材料に関する説明変数を入力して、前記説明変数の情報に係る目的変数の情報を出力して、前記目的変数に基づき前記予測したい対象材料の前記材料特性を予測する予測部と、
    を備え、
    　前記説明変数は、前記目的変数に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方に係る情報をさらに含む、
    材料特性予測装置。
  8. 　対象材料の材料特性を予測するためのモデルを生成するためのモデル生成方法であって、
    　前記対象材料の材料組成または製造条件と、材料特性と、前記材料特性を測定したときの測定条件と、に係る情報を含む教師データセットを取得する教師データ作成ステップと、
    　前記教師データ作成ステップにて作成された前記教師データセットを用いて、前記材料組成または製造条件、及び前記測定条件に係る情報を前記モデルの入力とし、前記材料特性に係る情報を前記モデルの出力として、前記モデルの入出力関係が前記教師データセットの入出力関係に近づくように機械学習を行い、学習済みモデルを生成するモデル学習ステップと、
    を含み、
    　前記測定条件は、前記モデルの出力に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方を含む、
    モデル生成方法。
  9. 　対象材料の材料特性を予測するためのモデルを生成するためのモデル生成プログラムであって、
    　前記対象材料の材料組成または製造条件と、材料特性と、前記材料特性を測定したときの測定条件と、に係る情報を含む教師データセットを取得する教師データ作成機能と、
    　前記教師データ作成機能により作成された前記教師データセットを用いて、前記材料組成または製造条件、及び前記測定条件に係る情報を前記モデルの入力とし、前記材料特性に係る情報を前記モデルの出力として、前記モデルの入出力関係が前記教師データセットの入出力関係に近づくように機械学習を行い、学習済みモデルを生成するモデル学習機能と、
    　をコンピュータに実現させ、
    　前記測定条件は、前記モデルの出力に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方を含む、
    モデル生成プログラム。
  10. 　対象材料の材料特性を予測するためのモデルを生成するためのモデル生成装置であって、
    　前記対象材料の材料組成または製造条件と、材料特性と、前記材料特性を測定したときの測定条件と、に係る情報を含む教師データセットを作成する教師データ作成部と、
    　前記教師データ作成部により作成された前記教師データセットを用いて、前記材料組成または製造条件、及び前記測定条件に係る情報を前記モデルの入力とし、前記材料特性に係る情報を前記モデルの出力として、前記モデルの入出力関係が前記教師データセットの入出力関係に近づくように機械学習を行い、学習済みモデルを生成するモデル学習部と、
    を備え、
    　前記測定条件は、前記モデルの出力に含まれる材料特性の測定時の温度である材料特性評価温度と、前記材料特性の測定までに前記材料特性評価温度が保持された時間である評価温度保持時間と、の少なくとも一方を含む、
    モデル生成装置。
PCT/JP2022/011453 2021-03-16 2022-03-15 材料特性予測方法及びモデル生成方法 WO2022196663A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
US18/548,405 US20240136026A1 (en) 2021-03-16 2022-03-14 Material characteristics prediction method and model generation method
EP22771408.6A EP4310719A1 (en) 2021-03-17 2022-03-15 Material characteristics prediction method and model generation method
CN202280020868.0A CN117043777A (zh) 2021-03-17 2022-03-15 材料特性预测方法和模型生成方法
JP2022544832A JP7190615B1 (ja) 2021-03-17 2022-03-15 材料特性予測方法及びモデル生成方法
JP2022194020A JP2023039965A (ja) 2021-03-17 2022-12-05 材料特性予測方法及びモデル生成方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-043191 2021-03-16
JP2021043191 2021-03-17

Publications (1)

Publication Number Publication Date
WO2022196663A1 true WO2022196663A1 (ja) 2022-09-22

Family

ID=83322132

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/011453 WO2022196663A1 (ja) 2021-03-16 2022-03-15 材料特性予測方法及びモデル生成方法

Country Status (5)

Country Link
US (1) US20240136026A1 (ja)
EP (1) EP4310719A1 (ja)
JP (2) JP7190615B1 (ja)
CN (1) CN117043777A (ja)
WO (1) WO2022196663A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001349883A (ja) * 2000-06-09 2001-12-21 Hitachi Metals Ltd 金属材料の特性予測方法
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
JP2020095310A (ja) 2018-12-10 2020-06-18 国立研究開発法人物質・材料研究機構 高分子を探索し製造する方法
JP2021043191A (ja) 2019-08-27 2021-03-18 ケースレー・インスツルメンツ・エルエルシーＫｅｉｔｈｌｅｙ Ｉｎｓｔｒｕｍｅｎｔｓ，ＬＬＣ 試験測定回路及び装置並びに被試験デバイスの特性測定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001349883A (ja) * 2000-06-09 2001-12-21 Hitachi Metals Ltd 金属材料の特性予測方法
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
JP2020095310A (ja) 2018-12-10 2020-06-18 国立研究開発法人物質・材料研究機構 高分子を探索し製造する方法
JP2021043191A (ja) 2019-08-27 2021-03-18 ケースレー・インスツルメンツ・エルエルシーＫｅｉｔｈｌｅｙ Ｉｎｓｔｒｕｍｅｎｔｓ，ＬＬＣ 試験測定回路及び装置並びに被試験デバイスの特性測定方法

Also Published As

Publication number Publication date
CN117043777A (zh) 2023-11-10
JP2023039965A (ja) 2023-03-22
JPWO2022196663A1 (ja) 2022-09-22
JP7190615B1 (ja) 2022-12-15
US20240136026A1 (en) 2024-04-25
EP4310719A1 (en) 2024-01-24

Similar Documents

Publication Publication Date Title
Maca et al. Forecasting SPEI and SPI drought indices using the integrated artificial neural networks
Guan et al. An adaptive neuro-fuzzy inference system based approach to real estate property assessment
Yao et al. On the properties of small sample of GM (1, 1) model
Yazdani et al. Analysis in material selection: influence of normalization tools on COPRAS-G
CN110415036B (zh) 用户等级的确定方法、装置、计算机设备和存储介质
CN113392594B (zh) 一种基于abc极限学习机的力学性能区间预测方法及装置
Layton et al. Business cycle dynamics with duration dependence and leading indicators
Chehade et al. Conditional Gaussian mixture model for warranty claims forecasting
JP2022132895A (ja) 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
Rosenkranz et al. A comparative study on different neural network architectures to model inelasticity
Sarkar et al. Investment and financing decisions with learning-curve technology
JP7190615B1 (ja) 材料特性予測方法及びモデル生成方法
Guan-feng et al. Constitutive model of 25CrMo4 steel based on IPSO-SVR and its application in finite element simulation
Nanthiya et al. Gold Price Prediction using ARIMA model
JP7359493B2 (ja) ハイパーパラメータ調整装置、ハイパーパラメータ調整プログラムを記録した非一時的な記録媒体、及びハイパーパラメータ調整プログラム
Raza et al. Application of extreme learning machine algorithm for drought forecasting
Tran et al. Effects of Data Standardization on Hyperparameter Optimization with the Grid Search Algorithm Based on Deep Learning: A Case Study of Electric Load Forecasting
CN113408183A (zh) 基于预测模型的车辆基地短期复合预测方法
Ormaniec et al. Estimating value at risk: LSTM vs. GARCH
Mahata et al. Atomistic simulation assisted error-inclusive Bayesian machine learning for probabilistically unraveling the mechanical properties of solidified metals
Wang et al. Error-guided method combining adaptive learning kriging model and parallel-tempering-based importance sampling for system reliability analysis
Jackson et al. Machine learning for classification of economic recessions
KR102668873B1 (ko) 인공지능 기반 약물성값 차이 예측 모델을 이용하여 추천 화합물을 제공하는 방법 및 서버
Sinha et al. Forecasting Short Time Series using Rolling Grey Bayesian Framework
Hamasaki et al. TXT-tool 1.081-2.4: Risk Evaluation Using the Analytic Hierarchy Process (AHP)—Introduction to the Process Concept

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2022544832

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: 22771408

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18548405

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 202280020868.0

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2022771408

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022771408

Country of ref document: EP

Effective date: 20231017