特開 2020-190863 類似材料検索システム、試験装置およびコンピュータプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】特開2020-190863(P2020-190863A)

(43)【公開日】2020年11月26日

(54)【発明の名称】類似材料検索システム、試験装置およびコンピュータプログラム

(51)【国際特許分類】

   G06F 16/906 20190101AFI20201030BHJP

   G06F 16/903 20190101ALI20201030BHJP

【ＦＩ】

   G06F16/906

   G06F16/903

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

【全頁数】28

(21)【出願番号】特願2019-95086(P2019-95086)

(22)【出願日】2019年5月21日

(71)【出願人】

【識別番号】000107538

【氏名又は名称】株式会社ＵＡＣＪ

(71)【出願人】

【識別番号】504137912

【氏名又は名称】国立大学法人 東京大学

(74)【代理人】

【識別番号】100101683

【弁理士】

【氏名又は名称】奥田 誠司

(74)【代理人】

【識別番号】100155000

【弁理士】

【氏名又は名称】喜多 修市

(74)【代理人】

【識別番号】100202197

【弁理士】

【氏名又は名称】村瀬 成康

(72)【発明者】

【氏名】山本 佑樹

(72)【発明者】

【氏名】長藤 圭介

(72)【発明者】

【氏名】長 隆之

(72)【発明者】

【氏名】伊藤 玲於奈

(72)【発明者】

【氏名】仁保 隆嘉

(72)【発明者】

【氏名】中尾 政之

(57)【要約】      （修正有）

【課題】最適材料の選定を支援することが可能となる類似材料検索システムを提供する。
【解決手段】プロセッサは、入力設計パラメータを取得し、少なくとも２つの応力−ひずみ曲線を表すＳＳデータを記憶装置から読み出し、ＳＳカーブの形状を特徴付ける少なくとも１つの形状パラメータを含む特徴量をＳＳデータ毎に決定し、特徴量に基づいて少なくとも２つのＳＳデータをｋ個（ｋは２以上の整数）の類似群のうちの１つに割り当て、ｋ個の類似群のそれぞれにおいて、各類似群に割り当てられた少なくとも２つのＳＳデータの中から、入力設計パラメータが規定する設計範囲を満足する材料特性パラメータを有するターゲットの材料を検索し、ｋ個の類似群の中で、ターゲットのＳＳデータを検索できたｌ個（ｌはｋ以下の整数）の類似群のうちの、ユーザによって選択された類似群に割り当てられたＳＳデータに対応する材料を検索する。
【選択図】図５

【特許請求の範囲】

【請求項1】

プロセッサと、
前記プロセッサの動作を制御するプログラムを記憶するメモリと、
それぞれが、材料に関連付けられており、応力−ひずみ曲線を表すＳＳデータを含む、複数の試験データを記憶した記憶装置と、
を備え、
前記プロセッサは、前記プログラムに従って、
複数の材料特性パラメータの中から適宜選択される少なくとも１つの材料特性パラメータを、設計範囲を規定するための入力設計パラメータとして取得する取得ステップと、
前記複数の試験データのうちの少なくとも２つの試験データに含まれる少なくとも２つのＳＳデータを前記記憶装置から読み出すリードステップと、
前記少なくとも２つのＳＳデータのそれぞれによって表される応力−ひずみ曲線の形状を特徴付ける少なくとも１つの形状パラメータを含む、機械学習に用いる特徴量をＳＳデータ毎に決定する前処理ステップと、
機械学習法を用いて、前記特徴量に基づいて前記少なくとも２つのＳＳデータをｋ個（ｋは２以上の整数）の類似群のうちの１つに割り当てることと、
前記ｋ個の類似群のそれぞれにおいて、各類似群に割り当てられた少なくとも２つのＳＳデータの中から、前記入力設計パラメータが規定する前記設計範囲を満足する前記材料特性パラメータを有するターゲットの材料を検索することと、
を含むプレ検索ステップと、
前記ｋ個の類似群の中で、前記ターゲットの材料を検索できたｌ個（ｌはｋ以下の整数）の類似群のうちの、ユーザによって選択された類似群に割り当てられたＳＳデータに対応する材料を検索する検索ステップと、
を実行する、類似材料検索システム。

【請求項2】

前記少なくとも１つの形状パラメータは、応力−ひずみ曲線の形状の重心によって規定される重心パラメータを含む、請求項１に記載の類似材料検索システム。

【請求項3】

前記少なくとも１つの形状パラメータは、応力−ひずみ曲線の、形状の面積、曲率、長さ、傾きによってそれぞれ規定される複数の形状パラメータのうちの少なくとも１つをさらに含む、請求項２に記載の類似材料検索システム。

【請求項4】

前記機械学習法はクラスタリングである、請求項１から３のいずれかに記載の類似材料検索システム。

【請求項5】

前記プロセッサは、検索した材料の組成、製造条件、材料試験の条件、前記試験データに含まれるＳＳデータによって表される応力−ひずみ曲線に基づいて決定される力学特性、および前記材料が良品であるか否かを示す良品情報のうちの少なくとも１つを含む検索結果を表示装置に出力して表示させる表示ステップをさらに実行する、請求項１から４のいずれかに記載の類似材料検索システム。

【請求項6】

前記応力−ひずみ曲線は、アルミニウム合金の応力−ひずみ曲線である、請求項１から５のいずれかに記載の類似材料検索システム。

【請求項7】

応力−ひずみ曲線を表すＳＳデータを取得することが可能な試験機と、
前記試験機から出力される前記ＳＳデータを処理するデータ処理装置と、
を備え、
前記データ処理装置は、
プロセッサと、
前記プロセッサの動作を制御するプログラムを記憶するメモリと、
を有し、
前記プロセッサは、前記プログラムに従って、
前記試験機から出力される前記ＳＳデータを取得し、
前記ＳＳデータによって表される前記応力−ひずみ曲線の形状に基づいて、前記形状を特徴付ける少なくとも１つの形状パラメータを決定し、
前記ＳＳデータおよび前記少なくとも１つの形状パラメータを前記メモリに書き込む、
試験装置。

【請求項8】

複数の材料特性パラメータの中から適宜選択される少なくとも１つの材料特性パラメータを、設計範囲を規定するための入力設計パラメータとして取得する取得ステップと、
それぞれが、材料に関連付けられており、応力−ひずみ曲線を表すＳＳデータを含む、複数の試験データを記憶した記憶装置から、前記複数の試験データのうちの少なくとも２つの試験データに含まれる少なくとも２つのＳＳデータを読み出すリードステップと、
前記少なくとも２つのＳＳデータのそれぞれによって表される応力−ひずみ曲線の形状を特徴付ける少なくとも１つの形状パラメータを含む、機械学習に用いる特徴量をＳＳデータ毎に決定する前処理ステップと、
機械学習法を用いて、前記特徴量に基づいて前記少なくとも２つのＳＳデータをｋ個（ｋは２以上の整数）の類似群のうちの１つに割り当てることと、
前記ｋ個の類似群のそれぞれにおいて、各類似群に割り当てられた少なくとも２つのＳＳデータの中から、前記入力設計パラメータが規定する前記設計範囲を満足する前記材料特性パラメータを有するターゲットの材料を検索することと、
を含むプレ検索ステップと、
前記ｋ個の類似群の中で、前記ターゲットの材料を検索できたｌ個（ｌはｋ以下の整数）の類似群のうちの、ユーザによって選択された類似群に割り当てられたＳＳデータに対応する材料を検索する検索ステップと、
をコンピュータに実行させるコンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、類似材料検索システム、試験装置およびコンピュータプログラムに関する。

【背景技術】

【0002】

多種多様な工業材料が様々な技術分野で用いられている。工業材料は、種々の規格（例えば、ＪＩＳ、ＡＳＴＭ）に従って分類・試験されるが、個々の製品の特性は、種々の要因（組成、製造プロセス、製造条件（例えば、温度・時間）など）で多様化する。したがって、要求される特性に最も適合する材料を選択または開発することは容易ではない。また、工業的には、特性だけでなく、コストや供給安定性、製品寿命なども、材料選択のポイントとなり得る。

【0003】

これまで、材料の選択や開発は、主に経験に基づいて行われていたが、近年、コンピュータを利用する材料探索技術の開発が進められている。

【0004】

機械・構造部品に用いられる材料の代表的な力学特性（機械特性ともいう。）は、例えば、規格に準拠した引張試験によって得られる応力−ひずみ曲線に基づいて得られる。応力−ひずみ曲線は、材料の組成および製造プロセス、製造条件、試験条件などによって異なる形状を示す。応力−ひずみ曲線から、弾性率（ヤング率）、降伏点、引張強さ、耐力および伸びなどの力学特性が得られる。

【0005】

特許文献１は、鋼板の真応力−真塑性ひずみ曲線に基づいて、鋼の伸び、降伏強さおよび引張強さなどの材料パラメータを同定する方法を開示している。真応力−真塑性ひずみ曲線は、鋼板の引張試験により得られた公称応力−公称ひずみ曲線を加工して取得される。

【0006】

特許文献１に開示された方法では、先ず、公称応力−公称ひずみ曲線が公称応力−公称塑性ひずみ曲線に変換される。次に、鋼材の伸びが下限の限界値に一致するように、公称応力−公称塑性ひずみ曲線は水平方向に圧縮され、かつ、鋼材の降伏強さおよび引張強さが下限の限界値に一致するように、公称応力−公称塑性ひずみ曲線は垂直方向に圧縮される。鋼材の伸び、降伏強さおよび引張強さの限界値は、正規分布における平均値および標準偏差に基づいて算出される。次に、加工された公称応力−公称塑性ひずみ曲線は、真応力−真塑性ひずみ曲線に変換される。最後に、真応力−真塑性ひずみ曲線を、強度シミュレーションに用いる関数（例えばＳｗｉｆｔの式）にフィッティングすることにより材料パラメータが決定される。

【先行技術文献】

【特許文献】

【0007】

【特許文献1】特開２００３−３５６４２号公報

【発明の概要】

【発明が解決しようとする課題】

【0008】

材料の製造メーカは、例えば、ＪＩＳ規格に従って、材料を分類し、それぞれについて試験データを蓄積している。例えばアルミニウム合金（以降、「アルミ合金」と表記する。）は、例えばＪＩＳ規格の材質記号に基づいて、Ａ１０００系、Ａ２０００系、Ａ３０００系、Ａ４０００系、Ａ５０００系、Ａ６０００系、Ａ７０００系に分類される。また、各アルミ合金について、例えばＪＩＳ規格に準拠した引張試験が行われ、応力−ひずみ曲線などの試験データが蓄積されている。

【0009】

それぞれの合金系統は、引張強さ、耐力、伸びなど、特徴的な力学特性を示すことが知られている。しかしながら、個別の製品の力学特性は、アルミ合金の組成が同じであっても、製造プロセスや製造条件（例えば、熱処理の温度または時間）によって異なり得る。このように数多く存在する製品の中から、求められる特性等（力学特性だけでなく、コストや供給安定性、製品寿命などを含む。）が最適な製品を効率的に選択することは容易ではない。このような問題は、アルミ合金に限られず、他の合金材料、または高分子材料など、さまざまな材料についても存在している。

【0010】

本発明は、上記の課題に鑑みてなされたものであり、その目的は、多数の応力−ひずみ曲線を蓄積したデータベースを、最適なデータ解析アルゴリズムを用いて検索することにより、最適材料の選択または新規な材料の開発を支援することが可能となる類似材料検索システムを提供することにある。

【課題を解決するための手段】

【0011】

本開示の類似材料検索システムは、非限定的で例示的な実施形態において、プロセッサと、前記プロセッサの動作を制御するプログラムを記憶するメモリと、それぞれが、材料に関連付けられており、応力−ひずみ曲線を表すＳＳデータを含む、複数の試験データを記憶した記憶装置と、を備え、前記プロセッサは、前記プログラムに従って、複数の材料特性パラメータの中から適宜選択される少なくとも１つの材料特性パラメータを、設計範囲を規定するための入力設計パラメータとして取得する取得ステップと、前記複数の試験データのうちの少なくとも２つの試験データに含まれる少なくとも２つのＳＳデータを前記記憶装置から読み出すリードステップと、前記少なくとも２つのＳＳデータのそれぞれによって表される応力−ひずみ曲線の形状を特徴付ける少なくとも１つの形状パラメータを含む、機械学習に用いる特徴量をＳＳデータ毎に決定する前処理ステップと、機械学習法を用いて、前記特徴量に基づいて前記少なくとも２つのＳＳデータをｋ個（ｋは２以上の整数）の類似群のうちの１つに割り当てることと、前記ｋ個の類似群のそれぞれにおいて、各類似群に割り当てられた少なくとも２つのＳＳデータの中から、前記入力設計パラメータが規定する前記設計範囲を満足する前記材料特性パラメータを有するターゲットの材料を検索することと、を含むプレ検索ステップと、前記ｋ個の類似群の中で、前記ターゲットの材料を検索できたｌ個（ｌはｋ以下の整数）の類似群のうちの、ユーザによって選択された類似群に割り当てられたＳＳデータに対応する材料を検索する検索ステップと、を実行する。

【発明の効果】

【0012】

本開示の例示的な実施形態は、多数の応力−ひずみ曲線を蓄積したデータベースを、最適なデータ解析アルゴリズムを用いて検索することにより、最適材料の選択または新規な材料の開発を支援することが可能となる新規な類似材料検索システムを提供する。

【図面の簡単な説明】

【0013】

【図1】図１は、本開示の類似材料検索システムの概要を説明するためのブロック図である。

【図2】図２は、データ処理装置２００のハードウェア構成例を示すハードウェアブロック図である。

【図3】図３は、膨大な試験データを格納したデータベース３４０を有するクラウドサーバー３００の構成例を示すハードウェアブロック図である。

【図4】図４は、プロセッサ２５０の機能を機能ブロック単位で示す機能ブロック図である。

【図5】図５は、第１の実装例による処理手順を示すフローチャートである。

【図6】図６は、第１の実装例によるさらなる処理手順を示すフローチャートである。

【図7A】図７Ａは、一般的なＳＳカーブの形状の例を模式的に示す図である。

【図7B】図７Ｂは、一般的なＳＳカーブの形状の他の例を模式的に示す図である。

【図8】図８は、表示装置２２０に表示された検索結果の表示例を示す模式図である。

【図9】図９は、第２の実装例による算出ステップＳ３００の中の処理の具体例を示すフローチャートである。

【図10】図１０は、第３の実装例による処理手順を示すフローチャートである。

【図11】図１１は、表示装置２２０に表示されるＧＵＩ８００の表示例を示す図である。

【図12】図１２は、実施例に用いた特徴量のリスト例を示す図である。

【図13】図１３は、主成分分析の結果を示す図である。

【図14】図１４は、第４の実装例による処理手順を示すフローチャートである。

【図15】図１５は、表示装置２２０に表示される検索結果の表示例を示す図である。

【図16】図１６は、実施形態２に係る試験装置６００の構成例を示す模式図である。

【図17】図１７は、データ処理装置７００に表示される測定結果の表示例を示す図である。

【発明を実施するための形態】

【0014】

アルミ合金などの材料の開発過程において、多くの試作品が製造され、その材料特性が評価される。それぞれが、材料に関連付けられており、応力−ひずみ曲線を表すデータを含む、多数の試験データ（または評価データ）が、多くの試作品から取得される。例えば、多数の試験データは、社内のデータベースに一元管理される。本明細書において、応力−ひずみ（Ｓｔｒｅｓｓ−Ｓｔｒａｉｎ）曲線を「ＳＳカーブ」と記載し、応力−ひずみ曲線を表すデータを「ＳＳデータ」と記載する場合がある。ＳＳデータは、典型的には、「ひずみ」を示す数値の列に属する個々の数値に、「応力」を示す数値を関連づけた多数の数値配列またはテーブルのデータであり得る。ひずみを示すｘ軸および応力を示すｙ軸の２つの軸によって規定される２次元平面内にＳＳデータをプロットすることにより、ＳＳカーブをディスプレイまたは紙面上に描画することができる。

【0015】

実際に製造されたアルミ合金の引張試験を行うことによって取得された多数の試験データが、製品ロット毎に存在し、それらは、試作品と同様に、データベースに一元管理され得る。このように、データベースは膨大な試験データを蓄積し、開発部門、製造部門および品質保証部門などに属する人々に利用可能となり得る。データベースに蓄積された膨大な試験データのそれぞれは、ＳＳデータ以外にも、試験データに関連付けられた材料の組成、製造条件および引張試験の条件などを含み得る。

【0016】

本願発明者の検討によれば、特に開発部門における個々の試験データの管理は、新たな材料を開発する研究者および開発者、技術者の個人管理に委ねられていることが多く、材料の組成、製造条件、引張試験の条件などの情報は、横並びに比較できる様式によってデータベース内に一元管理されているとは言えない。また、材料の組成、製造条件、引張試験の条件などの情報が一元管理されたとしても、組成および製造条件の組み合わせの種類が異なり得るために、全ての材料を横並びに完全に比較することは困難である。

【0017】

このような課題に鑑み、本願発明者は、ＳＳカーブの形状そのものに何らかの潜在的な物理的意味が含まれていると仮説を立て、ＳＳカーブの形状を特徴付ける幾つかの形状パラメータが材料特性の識別に寄与することを見出すに至った。

【0018】

本開示による類似材料検索システムによれば、最適材料の選択または新規な材料の開発に加え、最適材料に相当する相当材料または最適材料を代替する代替材料を一緒に検討することが可能となる。

【0019】

以下、添付の図面を参照しながら、本開示の類似材料検索システム、試験装置およびコンピュータプログラムを詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明および実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。

【0020】

以下の実施形態は例示であり、本開示による類似材料検索システムおよび試験装置は、以下の実施形態に限定されない。例えば、以下の実施形態で示される数値、形状、材料、ステップ、そのステップの順序などは、あくまでも一例であり、技術的に矛盾が生じない限りにおいて種々の改変が可能である。また、技術的に矛盾が生じない限りにおいて、一の態様と他の態様とを組み合わせることが可能である。

【0021】

図１は、本開示の類似材料検索システムの概要を説明するためのブロック図である。類似材料検索システム（以降、「検索システム」と表記する。）１０００は、複数の試験データを記憶したデータベース１００およびデータ処理装置２００を備える。類似材料検索システム１０００は、データベース１００に蓄積された膨大な試験データにアクセスして、所望の材料特性に類似する材料特性を有する最適材料、最適材料に相当する相当材料、または最適材料を代替する代替材料を検討するために用いられる設計支援ツールである。

【0022】

データベース１００は、半導体メモリ、磁気記憶装置または光学記憶装置などの記憶装置である。試験データは、ＳＳカーブを表すＳＳデータを取得することが可能な試験機を用いて材料試験を行うことにより得られるＳＳデータを含む。本明細書において、材料は、主として金属材料を指す用語である。材料試験は、引張試験、曲げ試験または圧縮試験を含む用語である。引張試験は、破断に至るまでのひずみを試験片に与えることによって力学特性を決定する材料試験である。試験片は規格によって規定される。本明細書中の実施形態では、金属材料としてアルミ合金を用い、材料試験として引張試験を例示する。ＳＳカーブは、アルミ合金のＳＳカーブである。アルミ合金のＳＳカーブは、公称応力−公称ひずみ曲線であってもよいし、真応力−真ひずみ曲線であってもよい。

【0023】

個々の試験データは、材料に関連付けられている。試験データは、例えば、材料の組成、製造プロセス、製造条件および材料試験の条件などを含む材料の付随情報に関連付けられ得る。または、材料の付随情報は、試験データに関連付けられた状態で、試験データを蓄積するデータベースとは異なる別のデータベースに蓄積され得る。

【0024】

データベース１００は、例えば数年、１０年、２０年またはそれ以上の長い年月の間、設計、開発および製造の段階で取得された膨大な試験データを蓄積し得る。もし、材料メーカまたは試験装置メーカなどから構成されるコンソーシアムが設立され、多くの企業がデータベース１００にアクセスできれば、多くの企業から収集される膨大な試験データの集合はビッグデータとして管理され得る。

【0025】

データ処理装置２００は、データ処理装置の本体２０１および表示装置２２０を備える。例えば、データベース１００に蓄積された膨大な試験データの中から、所望の材料特性に類似する材料特性を有する最適材料に関連付けされた試験データを検索するために利用されるソフトウェア（またはファームウェア）が、データ処理装置の本体２０１に実装されている。そのようなソフトウェアは、例えば光ディスクなど、コンピュータが読み取り可能な記録媒体に記録され、パッケージソフトウェアとして販売され、または、インターネットを介して提供され得る。

【0026】

表示装置２２０は、例えば液晶ディスプレイまたは有機ＥＬディスプレイである。表示装置２２０は、本体２０１から出力される出力データに基づいて検索結果を表示する。

【0027】

データ処理装置２００の典型例は、パーソナルコンピュータである。または、データ処理装置２００は、最適材料を検索するための設計支援ツールとして機能する専用の装置であり得る。

【0028】

図２は、データ処理装置２００のハードウェア構成例を示すブロック図である。データ処理装置２００は、入力装置２１０、表示装置２２０、通信Ｉ／Ｆ２３０、記憶装置２４０、プロセッサ２５０、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）２６０およびＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）２７０を備える。これらの構成要素は、バス２８０を介して相互に接続される。

【0029】

入力装置２１０は、ユーザからの指示をデータに変換してコンピュータに入力するための装置である。入力装置２１０は、例えばキーボード、マウスまたはタッチパネルである。

【0030】

通信Ｉ／Ｆ２３０は、データ処理装置２００とデータベース１００との間でデータ通信を行うためのインタフェースである。ＳＳデータが転送可能であればその形態、プロトコルは限定されない。例えば、通信Ｉ／Ｆ２３０は、ＵＳＢ、ＩＥＥＥ１３９４（登録商標）、またはイーサネット（登録商標）などに準拠した有線通信を行うことができる。通信Ｉ／Ｆ２３０は、Ｂｌｕｅｔｏｏｔｈ（登録商標）規格および／またはＷｉ−Ｆｉ（登録商標）規格に準拠した無線通信を行うことができる。いずれの規格も、２．４ＧＨｚ帯の周波数を利用した無線通信規格を含む。

【0031】

記憶装置２４０は、例えば磁気記憶装置、光学記憶装置またはそれらの組み合わせである。光学記憶装置の例は、光ディスクドライブまたは光磁気ディスク（ＭＤ）ドライブなどである。磁気記憶装置の例は、ハードディスクドライブ（ＨＤＤ）、フロッピーディスク（ＦＤ）ドライブまたは磁気テープレコーダである。

【0032】

プロセッサ２５０は、半導体集積回路であり、中央演算処理装置（ＣＰＵ）またはマイクロプロセッサとも称される。プロセッサ２５０は、ＲＯＭ２６０に格納された、最適材料を検索するための命令群を記述したコンピュータプログラムを逐次実行し、所望の処理を実現する。プロセッサ２５０は、ＣＰＵを搭載したＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）またはＡＳＳＰ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｓｔａｎｄａｒｄ Ｐｒｏｄｕｃｔ）を含む用語として広く解釈される。

【0033】

ＲＯＭ２６０は、例えば、書き込み可能なメモリ（例えばＰＲＯＭ）、書き換え可能なメモリ（例えばフラッシュメモリ）、または読み出し専用のメモリである。ＲＯＭ２６０は、プロセッサの動作を制御するプログラムを記憶している。ＲＯＭ２６０は、単一の記録媒体である必要はなく、複数の記録媒体の集合であり得る。複数の集合体の一部は取り外し可能なメモリであってもよい。

【0034】

ＲＡＭ２７０は、ＲＯＭ２６０に格納された制御プログラムをブート時に一旦展開するための作業領域を提供する。ＲＡＭ２７０は、単一の記録媒体である必要はなく、複数の記録媒体の集合であり得る。

【0035】

以下、本開示の検索システム１０００の代表的な構成例を幾つか説明する。

【0036】

第１の構成例において、検索システム１０００は、図１に示すデータベース１００およびデータ処理装置２００を備える。データベース１００は、データ処理装置２００とは異なる別のハードウェアである。または、膨大な試験データを記憶した光ディスクなどの記憶媒体をデータ処理装置の本体２０１に読み込むことによって、データベース１００の代わりに記憶媒体にアクセスして膨大な試験データを読み出すことが可能となる。

【0037】

第２の構成例において、検索システム１０００は、記憶装置２４０およびプロセッサ２５０を有するデータ処理装置２００である。その場合において、膨大な試験データは、ＨＤＤなど記憶装置２４０に予め格納されている。

【0038】

図３は、膨大な試験データを格納したデータベース３４０を有するクラウドサーバー３００の構成例を示すハードウェアブロック図である。

【0039】

第３の構成例において、検索システム１０００は、図３に示すように、少なくとも１つのデータ処理装置２００およびクラウドサーバー３００のデータベース３４０を備える。クラウドサーバー３００は、プロセッサ３１０、メモリ３２０、通信Ｉ／Ｆ３３０およびデータベース３４０を有する。膨大な試験データは、クラウドサーバー３００上のデータベース３４０に格納され得る。例えば、複数のデータ処理装置２００は、社内に構築されたローカルエリアネットワーク（ＬＡＮ）４００を介して接続され得る。ローカルエリアネットワーク４００は、インターネットプロバイダサービス（ＩＰＳ）を介してインターネット５００に接続される。個々のデータ処理装置２００は、インターネット５００を経由してクラウドサーバー３００のデータベース３４０にアクセス可能となる。

【0040】

さらに、検索システム１０００は、少なくとも１つのデータ処理装置２００およびクラウドサーバー３００を備え得る。その場合において、データ処理装置２００が備えるプロセッサ２５０に代えて、あるいはプロセッサ２５０と協働して、クラウドサーバー３００が備えるプロセッサ３１０は、最適材料を検索するための命令群を記述したコンピュータプログラムを逐次実行する。または、例えば、同一のＬＡＮ４００に接続された複数のデータ処理装置２００が、最適材料を検索するための命令群を記述したコンピュータプログラムを協働して実行してもよい。このように複数のプロセッサに分散処理をさせることにより、個々のプロセッサに対する演算負荷を低減することが可能となる。

【0041】

図４は、プロセッサ２５０の機能を機能ブロック単位で示す機能ブロック図である。プロセッサ２５０は、入力部２５１、前処理部２５２、類似度算出部２５３、検索部２５４および出力部２５５を有する。典型的には、それぞれの部に相当する機能ブロックの処理（またはタスク）は、ソフトウェアのモジュール単位でコンピュータプログラムに記述される。ただし、ＦＰＧＡなどを用いる場合、これらの機能ブロックの全部または一部は、ハードウェア・アクセラレータとして実装され得る。

【0042】

入力部２５１は、複数の試験データのうちの少なくとも２つの試験データに含まれる少なくとも２つのＳＳデータをデータベース１００から読み出す。また、入力部２５１は、所望の材料特性を有するターゲットのＳＳカーブを表す入力データまたはユーザによって指定された設計目標を示す入力データを取得することができる。

【0043】

前処理部２５２は、オプショナルな機能ブロックであり必須ではない。前処理部２５２は、ＳＳデータによって表されるＳＳカーブの形状に基づいて少なくとも１つの形状パラメータを決定する。形状パラメータの詳細については後で詳しく説明する。

【0044】

類似度算出部２５３は、ターゲットのＳＳカーブの形状と、データベース１００から読み出した少なくとも２つのＳＳデータの個々のＳＳデータが表すＳＳカーブの形状との間の類似度を算出する。または、類似度算出部２５３は、少なくとも２つのＳＳデータの個々のＳＳデータ間の類似度を算出する。例えば、類似度算出部２５３は、平均二乗誤差（ＭＳＥ）、平均平方二乗誤差（ＲＭＳＥ）または平均絶対誤差（ＭＡＥ）などに基づいて類似度を算出することができる。さらに、類似度算出部２５３は、教師なし学習であるクラスタリングを実行し、ｎ個（ｎは２以上の整数）の特徴量によって規定されるｎ次元の特徴量空間における２つのデータ点の間の距離に基づいて類似度を算出することができる。

【0045】

検索部２５４は、読み込んだ少なくとも２つの試験データの中から、ターゲットのＳＳカーブの形状に類似する形状を有するＳＳカーブを表すＳＳデータを含む試験データに対応する材料を検索する。

【0046】

出力部２５５は、表示装置２２０の専用ドライバまたはコントローラ（不図示）に検索結果を出力して表示装置２２０に表示させる。例えば、算出された類似度、少なくとも１つの形状パラメータ、試験データに関連付けられた材料の組成、製造条件、材料試験の条件などを含む検索結果が表示装置２２０に表示される。材料の開発者は、設計支援ツールが出力する検索結果に基づいて、新規の材料、相当材料または代替材料を検討することが可能となる。

【0047】

（実施形態１）
本開示の類似材料検索システムは、様々な処理手順（つまり、アルゴリズム）に従って動作することが可能である。以下、アルゴリズムの第１から第３の実装例を説明する。そのようなアルゴリズムを記述した命令群を含むコンピュータプログラムは、例えば、インターネットを介して配信され、または、パッケージソフトウェアとして販売され得る。

【0048】

［第１の実装例］
図５は、第１の実装例による処理手順を示すフローチャートである。

【0049】

第１の実装例による処理フローは、入力データを取得する取得ステップＳ１００、データベース１００から試験データに含まれるＳＳデータを読み出すリードステップＳ２００、２つのＳＳカーブの形状の間の類似度を算出する算出ステップＳ３００、および最適材料を検索する検索ステップＳ４００を含む。本明細書では、データ処理装置２００のプロセッサ２５０を、各処理を実行する主体として説明する。ただし、上述したように、実行主体は、例えば図３に示すクラウドサーバー３００のプロセッサ３１０または複数のデータ処理装置２００が有する複数のプロセッサ２５０であり得る。

【0050】

（取得ステップＳ１００）
プロセッサ２５０は、所望の材料特性を有するターゲットのＳＳカーブを表す入力データを取得する。以下、入力データを「ターゲットＳＳデータ」と記載する場合がある。所望の材料特性は、例えば、所望の引張強さ（ＭＰａ）、耐力（ＭＰａ）、伸び（％）などの所望の力学特性である。

【0051】

（リードステップＳ２００）
プロセッサ２５０は、複数の試験データのうちの少なくとも２つの試験データに含まれる少なくとも２つのＳＳデータをデータベース１００から読み出す。例えば、データベース１００に蓄積された膨大な試験データの個々の試験データに、合金系統、製造プロセス、調質等のタグが付されている。読み出す対象となる試験データは、ユーザによって指定され得る。例えばアルミ合金の材料を検索する場合、ユーザは、表示装置２２０に表示されるＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ：図１１を参照）およびマウスを使って、Ａ１０００系、Ａ２０００系、Ａ３０００系、Ａ４０００系、Ａ５０００系、Ａ６０００系、Ａ７０００系の複数の合金系統の中から、少なくとも２種類のアルミ合金にタグ付けされた試験データを選択することができる。

【0052】

（算出ステップＳ３００）
プロセッサ２５０は、ターゲットＳＳデータが表すターゲットのＳＳカーブの形状と、読み込んだ少なくとも２つのＳＳデータの個々のＳＳデータが表すＳＳカーブの形状との間の類似度を算出する。例えば、プロセッサ２５０は、公知の計算式によって平均二乗誤差（ＭＳＥ）、平均平方二乗誤差（ＲＭＳＥ）または平均絶対誤差（ＭＡＥ）などに基づいて類似度を算出することができる。ここで、応力σおよびひずみεの２軸を規定する２次元座標系において、ターゲットＳＳデータを構成する各データ点の座標をＤｔ（ｔε_ｋ，ｔσ_ｋ）と表現し、個々のＳＳデータを構成する各データ点の座標をＤｄ（ε_ｋ，σ_ｋ）と表現する。ＳＳデータに含まれるデータ点の数をｎ（ｎは１以上の整数）とする。例えば、プロセッサ２５０は、２次元座標系における応力の軸に平行な方向において、ｔε_ｋとε_ｋとが等しいときのｔσ_ｋおよびσ_ｋの２つの応力を比較する。または、プロセッサ２５０は、２次元座標系におけるひずみの軸に平行な方向において、ｔσ_ｋとσ_ｋとが等しいときのｔε_ｋおよびε_ｋのひずみを比較し得る。

【0053】

類似度は、例えば、２つの閾値を用いて３つのクラスのいずれかに割り当てられ得る。３つのクラスは、「高」、「中」、「低」である。誤差が第１閾値よりも小さければ、類似度は「高」に割り当てられる。誤差が第１閾値以上であり、かつ、第２閾値よりも小さいときは、類似度は「中」に割り当てられる。誤差が第２閾値以上であるときは、類似度は「低」に割り当てられる。第２閾値は第１閾値よりも大きい。使用する閾値の数を増やすことにより、類似度をより多くのクラスに割り当てることが可能である。

【0054】

（検索ステップＳ４００）
プロセッサ２５０は、読み出した少なくとも２つの試験データの中から、ターゲットのＳＳカーブの形状に類似する形状を有するＳＳカーブを表すＳＳデータを含む試験データを類似度に基づいて検索する。例えば、プロセッサ２５０は、「高」のクラスに割り当てられたＳＳデータを、算出した誤差が小さいＳＳデータから順番にソートする。例えば、プロセッサ２５０は、同一のクラス内において上位ｍ番目（ｍは２以上の整数）までにランク付されたＳＳデータを含むｍ個の試験データに付与されたＩＤ、合金系統の番号または試験データに関連付けられた材料の付随情報を含むリストを生成することができる。プロセッサ２５０は、表示装置２２０にそのリストを出力して表示させることができる。リストの表示については後で詳しく説明する。

【0055】

図６は、第１の実装例によるさらなる処理手順を示すフローチャートである。第１の実装例による処理フローは、オプションとして、前処理ステップＳ５００、表示ステップＳ６００および格納ステップＳ７００のうちの少なくとも１つのステップをさらに含み得る。

【0056】

（前処理ステップＳ５００）
プロセッサ２５０は、ターゲットのＳＳカーブに基づいて、ターゲットＳＳデータについての少なくとも１つの形状パラメータを決定する。プロセッサ２５０は、さらに、読み出した少なくとも２つのＳＳデータのそれぞれによって表されるＳＳカーブの形状に基づいて、少なくとも１つの形状パラメータをＳＳデータ毎に決定する。形状パラメータはＳＳカーブの形状を特徴付けるパラメータである。

【0057】

図７Ａおよび図７Ｂは、一般的なＳＳカーブの形状の例を模式的に示す図である。図７Ａには、軟鋼の引張試験によって取得されるＳＳデータが表す代表的なＳＳカーブを示し、図７Ｂにはアルミ合金の引張試験によって取得されるＳＳデータが表す代表的なＳＳカーブを示している。ひずみεに対し応力σが直線的に変化する弾性域および弾性域よりもひずみεに応じた応力σの増大量が小さくなる塑性域がＳＳカーブに存在する。軟鋼のＳＳカーブにおいては、変曲点（または特異点）として上降伏点および下降伏点が明確に存在する。その上降伏点における応力を、降伏応力ＹＳと呼ぶこととする。

【0058】

これに対し、例えばアルミ合金、銅合金のＳＳカーブにおいては、明確な降伏点は存在しない。そのため、降伏応力に代えて耐力が一般に用いられる。重荷を除いた後に残存する塑性ひずみが０．２％となるときの応力を、０．２％耐力として定義する。本明細書では、降伏応力ＹＳを示すデータ点を「ＹＳ点」と呼び、０．２％耐力を示すデータ点を「０．２％ＹＳ点」と呼ぶ。また、重荷を除いた後に残存する塑性ひずみが０．２％、０．５％となるときの応力をそれぞれ０．２％耐力、０．５％耐力として定義する。０．１％耐力を示すデータ点を「０．１％ＹＳ点」と呼び、０．５％耐力を示すデータ点を「０．５％ＹＳ点」と呼ぶ。また、ＳＳカーブにおける最大応力を示すデータ点を「ＴＳ点」と呼び、その最大応力を示す引張強さＴＳと呼ぶこととする。

【0059】

ＳＳカーブの形状を特徴付ける形状パラメータは、力学特性とは区別される材料特性である。力学特性は、例えば降伏応力ＹＳ、耐力、引張強さＴＳ、伸び、弾性係数（ヤング率）、ポアソン比またはＹＳ／ＴＳ比（降伏比）などである。

【0060】

材料の組成、製造プロセス、製造条件の違いに起因して、ＳＳカーブの形状が変化し、その結果、その違いがＳＳカーブの形状に現れる。従って、ＳＳカーブは、従来の力学特性以外に様々な情報を含んでいると考えられる。そこで、先ず、本願発明者は、ＳＳカーブの形状を特徴付ける形状因子（形状パラメータに相当）を見出すことに努めた。有効な形状因子とは、ＳＳカーブの形状を効果的に特徴付ける指標であり、膨大なＳＳデータを効果的に分類することができる指標である。有効な形状因子を見出すことができれば、今までなかった視点で材料開発を促進できる可能性がある。

【0061】

少なくとも１つの形状パラメータは、ＳＳカーブの形状の重心によって規定される重心パラメータを含む。少なくとも１つの形状パラメータは、ＳＳカーブの、形状の面積、曲率、長さ、傾きによってそれぞれ規定される複数の形状パラメータのうちの少なくとも１つをさらに含み得る。本願発明者が鋭意検討した結果見出した、ＳＳカーブの形状を特徴付けるそれぞれの形状パラメータを以下の通りに定義する。

【0062】

＜ＳＳカーブの形状＞
ＴＳ点までのＳＳカーブの下側の領域の形状をＳＳカーブの形状と定義する。例えば、ＳＳカーブの形状は、ひずみεを示す横軸と、原点からＴＳ点までのＳＳカーブの曲線と、ＴＳ点から横軸に下した垂線と、によって境界付けられる領域の形状によって規定される。あるいは、ＳＳカーブの形状は、原点と、０．２％ＹＳ点と、ＴＳ点と、ＴＳ点から横軸に下した垂線の足と、原点と、を結ぶことによって画定される台形領域の形状によって規定することができる。

【0063】

＜重心パラメータ＞
重心パラメータは、ＳＳカーブの形状の重心によって規定される。例えば、重心パラメータは、重心点伸びε_ｇ（％）および重心点応力σ_ｇ（ＭＰａ）を用いて重心位置の座標（ε_ｇ，σ_ｇ）によって表される。または、重心パラメータは、重心位置の円座標（ｒ、θ）によって表すことができる。円座標は、オイラーの公式（ｒｅ^ｉθ）を利用して表される。ｒは原点と重心位置との間の距離であり、θは偏角である。その場合において、重心パラメータは偏角θだけを用いて表すことができる。

【0064】

＜面積パラメータ＞
面積パラメータは、ＳＳカーブの形状の面積によって規定される。面積パラメータは、ＴＳ点までのＳＳカーブの下側の領域の面積を表す。

【0065】

＜長さパラメータ＞
長さパラメータは、ＳＳカーブの長さによって規定される。例えば、長さパラメータは、ＴＳ点までのＳＳカーブの曲線の長さを表す。

【0066】

＜曲率パラメータ＞
曲率パラメータは、ＹＳ点からＴＳ点までのＳＳカーブの曲率によって規定される。具体的に、曲率パラメータは、ＹＳ点またはＴＳ点の特異点周辺におけるＳＳカーブの曲率を表す。例えば、特異点周辺におけるＳＳカーブの曲率は、ＴＳ点と、ＴＳ点近傍の前後に位置する、ＳＳカーブ上の２点と、を通る円の曲率によって規定される。または、特異点周辺におけるＳＳカーブの曲率は、ＳＳカーブ上の０．１％ＹＳ点、０．２％ＹＳ点および０．５％ＹＳ点の３点を通る円の曲率によって規定される。

【0067】

＜傾きパラメータ＞
傾きパラメータは、ＳＳカーブの傾きによって規定される。例えば、傾きパラメータは、ＹＳ点とＴＳ点とを結ぶ線分の傾きを表す。

【0068】

プロセッサ２５０は、算出ステップＳ３００において、ＳＳカーブの形状を特徴付ける少なくとも１つの形状パラメータに基づいて類似度を算出してもよい。例えば、少なくとも１つの形状パラメータは、重心パラメータおよび面積パラメータを含んでいるとする。その場合において、プロセッサ２５０は、ターゲットＳＳデータについての重心パラメータと、データベース１００から読み出した少なくとも２つのＳＳデータのそれぞれによって表されるＳＳカーブの形状に基づいて決定される重心パラメータとの差分を算出する。プロセッサ２５０は、重心パラメータと同様に、ターゲットＳＳデータについての面積パラメータと、データベース１００から読み出した少なくとも２つのＳＳデータのそれぞれによって表されるＳＳカーブの形状に基づいて決定される面積パラメータとの差分を算出する。プロセッサ２５０は、重心パラメータの誤差および面積パラメータの誤差に基づいて類似度を決定する。既に説明したように、例えば、類似度を、２つの閾値を用いて３つのクラスのいずれかに割り当てられ得る。

【0069】

上述した例に限られず、プロセッサ２５０は、重心パラメータの誤差だけに基づいて類似度を決定してもよいし、３つ以上の形状パラメータの誤差に基づいて類似度を決定してもよい。

【0070】

（表示ステップＳ６００）
プロセッサ２５０は、ターゲットのＳＳカーブの形状に類似する形状を有するＳＳカーブを表すＳＳデータを含む試験データに関連付けられた付随情報および／または試験データに含まれるＳＳデータによって表されるＳＳカーブに基づいて決定される力学特性を含む検索結果を表示装置２２０に出力して表示させる。付随情報は、材料の組成、製造条件、材料試験の条件、および材料が良品であるか否かを示す良品情報のうちの少なくとも１つを含む。プロセッサ２５０は、ターゲットＳＳデータと、読み出した少なくとも２つのＳＳデータの個々のＳＳデータとの間の類似度、ターゲットのＳＳカーブの形状を特徴付ける少なくとも１つの形状パラメータ、ターゲットのＳＳカーブから決定されるターゲットの力学特性および少なくとも２つのＳＳデータのそれぞれによって表されるＳＳカーブの形状を特徴付ける少なくとも１つの形状パラメータのうちの少なくとも１つをさらに表示装置２２０に出力して表示させることができる。

【0071】

図８は、表示装置２２０に表示された検索結果の表示例（表示フォーマット）を示す模式図である。例えば、表示装置２２０は、ターゲットの力学特性および形状パラメータを含むターゲット情報、ターゲットのＳＳカーブ、合金系統、類似度、組成、製造条件、材料試験の条件、個々のＳＳデータによって表されるＳＳカーブに基づいて決定される、力学特性、形状パラメータ、および良品情報を含む検索結果を表示する。力学特性は、引張強さ、耐力および伸びを含み、形状パラメータは、曲率パラメータ、面積パラメータおよび重心パラメータを含む。検索結果は、類似度が高い順番でリストとして表示される。図中の「Ｈ」は、類似度が高いことを表し、「Ｍ」は、類似度が「中間」であることを表している。

【0072】

組成の情報は、Ａｌ、Ｓｉ、Ｆｅ、Ｃｕ、Ｍｎ、Ｍｇ、Ｃｒ、Ｚｎ、Ｔｉ、その他の合金元素の含有率（質量％）を含む。製造条件は、熱間圧延、冷間圧延などの製造工程における温度条件、処理時間などを含む。引張試験の条件は、応力増加速度、ひずみ速度などの試験速度および荷重を含む。良品情報は、材料が良品であるか否かを示す情報を含む。

【0073】

（格納ステップＳ７００）
プロセッサ２５０は、検索結果、および試験データに関連付けられた材料の付随情報をデータベース１００に書き込むことができる。データベース１００に書き込む対象は、上述した表示装置２２０に表示させる対象と同じであり得る。

【0074】

プロセッサ２５０は、ターゲットのＳＳカーブの形状を特徴付ける少なくとも１つの形状パラメータおよび／または検索対象の試験データに含まれるＳＳデータによって表されるＳＳカーブに基づいて決定される少なくとも１つの形状パラメータを、データベース１００またはデータベース１００とは異なる別のデータベースに書き込むことができる。検索結果を格納することにより、重心パラメータ、面積パラメータ、曲率パラメータなどの形状パラメータを予め格納したデータベースを構築することができる。

【0075】

これらの形状パラメータは、材料および試験データに関連付けられて、試験データを蓄積したデータベースとは別のデータベースに蓄積され得る。または、それらは、試験データを蓄積したデータベースと同じデータベースに蓄積され得る。その場合、試験データは、ＳＳデータに加えて、そのＳＳデータが表すＳＳカーブの形状に基づいて決定された形状パラメータをさらに含み得る。

【0076】

試験データに含まれるＳＳデータの代わりにＳＳデータに関連付けされた少なくとも１つの形状パラメータを読み出すことにより、少なくとも１つの形状パラメータを決定する前処理ステップを省略することが可能となる。このように、検索結果を蓄積したデータベースを有効活用することによって、コンピュータの演算負荷を低減し、かつ、メモリサイズを縮小することが可能となる。

【0077】

プロセッサ２５０は、さらに、ターゲットＳＳデータと、読み出した少なくとも２つのＳＳデータの個々のＳＳデータとの間の類似度、ターゲットのＳＳカーブの形状に類似する形状を有するＳＳカーブを表すＳＳデータを含む試験データに関連付けられた材料の付随情報、ターゲットのＳＳカーブの形状に類似する形状を有するＳＳカーブに基づいて決定される力学特性、および材料が良品であるか否かを示す良品情報のうちの少なくとも１つをデータベース１００に書き込むことができる。

【0078】

機械部品または構造部品を設計する際、部材の初期の機械的特性、長期の機械的特性（疲労特性）、加工性、耐食性、外観における環境負荷などの各要素が総合的に検討される。材料設計を着手するとき、要求規格を満足する類似材料を予め把握することは、材料開発および材料選定の効率化に繋がる。

【0079】

大量生産が見込まれる部材には、年次原価低減および環境負荷などを考慮することが要求され得る。基礎の材料特性に対する要求を満たすことは当然であるとして、コスト、供給安定性、製品寿命なども念頭に置いて材料選定を行う必要がある。材料を設計・開発するとき、ゼロからの出発はまれであり、通常、要求規格を満たしそうな既存材料を改良することにより開発された新規の材料を上市することが多い。また、コスト優位性も重要視される。さらに、設計・開発の段階から、相当材料あるいは代替材料を把握しておくことが事業継続計画（ＢＣＰ）の観点から重要視されることがある。

【0080】

第１の実装例によれば、材料の組成、製造条件など材料の素性が明らかではない試験データを蓄積したデータベースを有効活用することができ、これにより、材料についての未知の知見を得ることができる。材料の素性が明らかではない場合であっても、ＳＳカーブの形状に着目することにより、多数の応力−ひずみ曲線を蓄積したデータベースを、最適なデータ解析アルゴリズムを用いて検索することが可能となる。例えば、最適材料の選択に加え、最適材料に相当する相当材料または最適材料を代替する代替材料を一緒に検討することが可能となる。また、不具合品における変化点の発見（不具合要因の解析）が容易になる。例えば、製品ロット間の不具合要因の解析が容易になる。さらに、既存の類似材料を統廃合することが可能となる。

【0081】

［第２の実装例］
第２の実装例は、機械学習法を用いて類似度を算出する点において第１の実装例とは相違する。以下、第１の実装例との相違点を主として説明する。

【0082】

プロセッサ２５０は、図６に示す処理フローに従ってステップＳ１００、Ｓ２００およびＳ５００を実行することにより、ターゲットＳＳデータを取得し、少なくとも２つのＳＳデータをデータベース１００から読み出し、かつ、ターゲットＳＳデータおよび個々のＳＳデータについての少なくとも１つの形状パラメータを決定する。

【0083】

図９は、第２の実装例による算出ステップＳ３００の中の処理の具体例を示すフローチャートである。算出ステップＳ３００は、機械学習法を用いて、少なくとも１つの形状パラメータを含む特徴量に基づいて、ターゲットＳＳデータおよび少なくとも２つのＳＳデータのデータ群をｋ個（ｋは２以上の整数）の類似群のうちの１つに割り当てること（ステップＳ３１０）と、ターゲットＳＳデータと、ターゲットＳＳデータが割り当てられた類似群と同一の類似群に属する少なくとも１つのＳＳデータの個々のＳＳデータとの間の距離に基づいて類似度を算出すること（ステップＳ３２０）と、を含む。

【0084】

機械学習法として、例えば、教師なし学習であるクラスタリングを用いることができる。クラスタリングの例は、ｋ−ｍｅａｎｓ法、ｃ−ｍｅａｎｓ法、混合ガウス分布（ＧＭＭ）、デンドログラム法、スペクトラルクラスタリングまたは確率的潜在意味解析法（ＰＬＳＡまたはＰＬＳＩ）などである。ただし、クラスタリング以外にも、ロジスティック回帰、ランダムフォレスト、ニューラルネットワークまたはデシジョンジャングルなど、教師あり学習である多項分類を用いることができる。本実装例では、機械学習法としてクラスタリングのｋ−ｍｅａｎｓ法またはＧＭＭを利用する。

【0085】

（ステップＳ３１０）
プロセッサ２５０は、クラスタリングを行うことにより、少なくとも１つの形状パラメータを含む特徴量に基づいて、ターゲットＳＳデータおよび少なくとも２つのＳＳデータのデータ群をｋ個（例えば４個）の類似群（クラスタ）のうちの１つに割り当てる。プロセッサ２５０は、ｎ個（ｎは２以上の整数）の特徴量を用いてクラスタリングを行う。特徴量は、形状パラメータとして、例えば重心パラメータ、面積パラメータおよび曲率パラメータを含む。特徴量は、引張強さ、耐力および伸びなどの力学特性を示す力学パラメータをさらに含み得る。さらに、材料のコスト、供給安定性、製品寿命などを特徴量に追加することができる。

【0086】

以下、ｋ−ｍｅａｎｓ法およびＧＭＭのそれぞれの代表的なアルゴリズムを簡単に説明する。これらのアルゴリズムは、比較的簡易にデータ処理装置２００に実装することができる。

【0087】

＜ｋ−ｍｅａｎｓ法＞
ｋ−ｍｅａｎｓ法は、その手法が比較的簡潔であり、また、比較的に大きなデータに適用可能であるために、データ分析において広く利用されている。
（ｉ）複数のデータ点の中から、適当な点をクラスタの数だけ選択して、それらを各クラスタの重心（または代表点）に指定する。データは「レコード」とも称される。
（ｉｉ）各データ点と各クラスタの重心との間の距離を算出し、クラスタ数だけ存在する重心の中から、距離が最も近い重心のクラスタを、そのデータ点が属するクラスタとする。
（ｉｉｉ）クラスタ毎に、各クラスタに属する複数のデータ点の平均値を算出し、平均値を示すデータ点を各クラスタの新たな重心とする。
（ｉｖ）クラスタ間における全てのデータ点の移動が収束するか、あるいは、計算ステップ数の上限に達するまで、（ｉｉ）および（ｉｉｉ）を繰り返し実行する。

【0088】

＜混合ガウス分布＞
混合ガウス分布（ＧＭＭ）は、確率分布に基づく解析法であり、複数のガウス分布の線形結合として表現されるモデルである。モデルは例えば最尤法によってフィッティングされる。特に、データ群の中に複数のまとまりがある場合、混合ガウス分布を用いることにより、クラスタリングを行うことができる。ＧＭＭでは、与えられたデータ点から、複数のガウス分布のそれぞれの平均値および分散を算出する。
（ｉ）各ガウス分布の平均値および分散を初期化する。
（ｉｉ）データ点に与える重みをクラスタ毎に算出する。
（ｉｉｉ）（ｉｉ）によって算出された重みに基づいて、各ガウス分布の平均値および分散を更新する。
（ｉｖ）（ｉｉｉ）によって更新された各ガウス分布の平均値の変化が十分に小さくなるまで（ｉｉ）および（ｉｉｉ）を繰り返して実行する。

【0089】

（ステップＳ３２０）
プロセッサ２５０は、ターゲットＳＳデータと、ターゲットＳＳデータが割り当てられた類似群と同一の類似群に属する少なくとも１つのＳＳデータの個々のＳＳデータとの間の距離に基づいて類似度を算出する。分類に用いる対象の２つのデータ間の距離は、ｎ次元特徴量によって規定されるｎ次元特徴量空間における２つのデータ点の間の距離で表される。ｎ次元特徴量は、ｎ次元特徴量空間においてｎ次元ベクトルとして表される。距離の典型例は、ユークリッド距離である。ユークリッド距離ｄ（ｘ，ｙ）は、２つのデータ点をＸ（ｘ_１，ｘ_２，・・・，ｘ_ｎ）、Ｙ（ｙ_１，ｙ_２，・・・，ｙ_ｎ）とすると、［数１］の数式によって表される。
［数１］
ｄ（ｘ，ｙ）＝［（ｘ_１−ｙ_１）^２＋（ｘ_２−ｙ_２）^２＋・・・＋（ｘ_ｎ−ｙ_ｎ）^２］^１／２
ただし、ユークリッド距離の他に、例えば、標準化ユークリッド距離、マハラノビス距離、マンハッタン距離、チェビシェフ距離、ミンコフスキー距離、またはベクトルの内積を用いて表されるコサイン類似度などが挙げられる。

【0090】

プロセッサ２５０は、算出した距離を類似度としてそのまま利用することができる。または、プロセッサ２５０は、既に説明したとおり、例えば、２つの閾値を用いて、類似度を３つのクラスのいずれかに割り当てることができる。距離が第１閾値よりも小さければ、類似度は「高」に割り当てられる。距離が第１閾値以上であり、かつ第２閾値よりも小さいときは、類似度は「中」に割り当てられる。距離が第２閾値以上であるときは、類似度は「低」に割り当てられる。

【0091】

図６に示される検索ステップＳ４００において、プロセッサ２５０は、クラスタリングを行った結果、ターゲットＳＳデータが割り当てられた類似群と同一の類似群に属する少なくとも１つのＳＳデータの中から、ターゲットのＳＳカーブの形状に類似する形状を有するＳＳカーブを表すＳＳデータを類似度に基づいて検索する。プロセッサ２５０は、さらに、図６に示される表示ステップＳ６００および／または格納ステップＳ７００を実行してもよい。

【0092】

クラスタリングを逐次実行する代わりに、学習済みモデルを利用することが可能である。学習済みモデルは、データベース１００に蓄積された複数の試験データの全部または一部のそれぞれに含まれるＳＳデータによって表されるＳＳカーブの形状を特徴付ける少なくとも１つの形状パラメータを含む特徴量を用いてトレーニングされたモデルである。特徴量は、形状パラメータとして、例えば重心パラメータ、面積パラメータおよび曲率パラメータを含む。特徴量は、引張強さ、耐力および伸びなどの力学パラメータをさらに含み得る。さらに、材料のコスト、供給安定性、製品寿命などを特徴量に追加することができる。学習済みモデルの例は分類モデルである。学習済みモデルは、複数の試験データの全部または一部をｋ個（ｋは２以上の整数）の類似群のうちの１つに分類する。

【0093】

第２の実装例によれば、材料特性のうちの、ＳＳカーブの形状を特徴付ける形状パラメータに着目することにより、形状パラメータを含む特徴量に基づく教師なし学習が可能となる。それぞれがＳＳカーブを表す膨大なデータ群を蓄積したデータベースの検索に、最適なデータ解析アルゴリズムを適用することにより、最適材料の選択または新規な材料の開発を支援することが可能となる。

【0094】

［第３の実装例］
第３の実装例は、ターゲットＳＳデータの代わりに、設計範囲を規定するための入力設計パラメータを入力設計データとして検索システムに入力する点において、第１または第２の実装例とは相違する。以下、第１または第２の実装例との相違点を主として説明する。

【0095】

図１０は、第３の実装例による処理手順を示すフローチャートである。図１１は、表示装置２２０に表示されるＧＵＩ８００の表示例を示す図である。

【0096】

第３の実装例による処理フローは、リードステップ、取得ステップ、前処理ステップ、プレ検索ステップおよび検索ステップを含む。

【0097】

（リードステップ）
リードステップは、図６に示されるステップＳ２００に相当する。プロセッサ２５０は、複数の試験データのうちの少なくとも２つの試験データに含まれる少なくとも２つのＳＳデータをデータベース１００から読み出す。図１１に示されるＧＵＩ８００は、例えば、データベース（ＤＢ）を選択するためのＤＢウィンドウ８１０、特徴量を指定するための特徴量ウィンドウ８１１、クラスタリング手法の種類を指定するためのクラスタリング手法ウィンドウ８１２、およびクラスタ数を指定するためのクラスタ数ウィンドウ８１３を含んでいる。データベース１００は、例えば合金系統、製造条件、製造プロセスまたは試験条件ごとに複数のグループに区分けされた試験データを格納し得る。ユーザは、マウスを用いてＤＢウィンドウ８１０を介して、読み出し対象のグループを複数のグループの中から選択することができる。

【0098】

（取得ステップ）
取得ステップは、設計目標を設定するステップＳ７００、クラスタリングに使用する特徴量を選択するステップＳ７１０を含む。

【0099】

ステップＳ７００において、プロセッサ２５０は、複数の材料特性パラメータの中からユーザによって適宜選択される少なくとも１つの材料特性パラメータを、設計規格の範囲（以下、「設計範囲」と表記する。）を規定するための入力設計パラメータとして取得する。複数の材料特性パラメータは、強度、伸びなどの力学パラメータに限定されず、重心、曲率などの形状パラメータを含み得る。例えば、形状パラメータの設計範囲を指定することが可能である場合、つまり、形状パラメータの設計目標値が既に分かっている場合において、複数の材料特性パラメータは、力学パラメータおよび形状パラメータを含み得る。複数の材料特性パラメータは、データベース１００が試験データに関連付けて記憶しているパラメータであってもよいし、プロセッサ２５０がＳＳカーブから導出した力学特性のパラメータであってもよい。

【0100】

ユーザは、ＧＵＩ８００上の特徴量ウィンドウ８１１を介して、例えば強度および伸びの設計範囲を指定することによって、入力設計パラメータをデータ処理装置２００に与える。ユーザは、設計範囲の上限値ｍａｘおよび下限値ｍｉｎを指定することができる。

【0101】

ステップ７１０において、ユーザは、クラスタリングに使用する特徴量を、マウスを用いて特徴量ウィンドウ８１１を介して選択する。特徴量ウィンドウ８１１は、重心パラメータ、面積パラメータおよび曲率パラメータなどの形状パラメータの範囲の上限値ｍａｘおよび下限値ｍｉｎをユーザが指定するための入力ボックスを含む。特徴量ウィンドウ８１１は、強度および伸び以外の耐力などの力学パラメータの範囲の上限値ｍａｘおよび下限値ｍｉｎをユーザが指定するための入力ボックスを含み得る。さらに、特徴量ウィンドウ８１１は、材料コストなどの範囲の上限値ｍａｘおよび下限値ｍｉｎをユーザが指定するための入力ボックスを含み得る。

【0102】

（前処理ステップ）
前処理ステップは、図６に示されるステップＳ５００に相当する。プロセッサ２５０は、ユーザによって指定された特徴量をＳＳデータ毎に決定する。ユーザは、ＧＵＩ８００上の特徴量ウィンドウ８１１を介して、機械学習に用いる少なくとも１つの特徴量を指定する。例えば、ユーザによって指定された特徴量は、力学パラメータとして引張強さ、伸びを含み、形状パラメータとして重心パラメータ、面積パラメータおよび曲率パラメータを含む。

【0103】

（プレ検索ステップ）
プレ検索ステップは、指定された手法を用いてクラスリングを行うステップＳ７２０、同一のクラスタに属する材料に関連付けられた複数の材料特性パラメータの統計量をクラスタ毎に算出するステップＳ７３０、および設計規格の中心を包含するターゲットＳＳデータを含むクラスタを統計量に基づいて抽出・有効化するステップＳ７４０を含む。

【0104】

ステップＳ７２０において、ユーザは、クラスタリングに使用する手法を、マウスを用いてクラスタリング手法ウィンドウ８１２を介して指定する。プロセッサ２５０は、ユーザが指定したクラスタリングに使用する手法に従ってクラスタリングを行う。例えば、クラスタリング手法ウィンドウ８１２は、ｋ−ｍｅａｎｓ法、ＧＭＭおよびスペクトラルクラスタリングの項目を指定するボックスを含む。ユーザは、４つの項目の中から１つを指定する。ユーザは、さらに、クラスタ数および統計モデルの良さを評価するための指標を、マウスを用いてクラスタ数ウィンドウ８１３を介して指定することができる。クラスタ数ウィンドウ８１３は、統計モデルの良さを評価するための指標として用いられる、赤池情報量基準（ＡＩＣ）またはベイズ情報量基準（ＢＩＣ）を指定するためのボックス、およびクラスタ数ｋを入力するための入力ボックスを含む。ユーザは、赤池情報量基準（ＡＩＣ）またはベイズ情報量基準（ＢＩＣ）を指定することによりクラスタ数ｋを自動で算出することができ、さらに、任意のクラスタ数ｋを手動で入力することもできる。

【0105】

プロセッサ２５０は、指定された手法を用いて、選択された特徴量に基づいて少なくとも２つのＳＳデータをｋ個の類似群（クラスタ）のうちの１つに割り当てる。例えば、プロセッサ２５０は、ｋ−ｍｅａｎｓ法を用いて、ユーザによって選択された、引張強さ、伸び、重心パラメータ、面積パラメータおよび曲率パラメータを含む特徴量に基づいて、少なくとも２つのＳＳデータを４個のクラスタのうちの１つに割り当てる。

【0106】

ステップＳ７３０において、プロセッサ２５０は、同一のクラスタに割り当てられた材料の複数の材料特性パラメータの統計量（平均、最大値、最小値、分散、標準偏差など）をクラスタ毎に算出する。例えばプロセッサ２５０は、引張強さの平均値、分散値、標準偏差、伸びの平均値、分散値、標準偏差をクラスタ毎に算出する。

【0107】

ステップＳ７４０において、プロセッサ２５０は、ｋ個のクラスタのそれぞれにおいて、各クラスタに割り当てられた少なくとも１つのＳＳデータの中から、設計規格の中心から距離が近いＳＳデータを、算出した統計量に基づいて検索する。例えば、プロセッサ２５０は、４個のクラスタのそれぞれにおいて、算出した平均値、分散値を伴う引張強さの正規分布が、設計規格の中心を包含するか否かを判定する。設計規格の中心は、ユーザによって指定された設計範囲の下限値ｍｉｎおよび上限値ｍａｘの平均値によって規定される。プロセッサ２５０は、引張強さと同様に、４個のクラスタのそれぞれにおいて、算出した平均値、分散値を伴う伸びの正規分布が、設計規格の中心を包含するか否かを判定する。例えば、設計規格の中心を包含するか否かの判定基準として、標準偏差σを用いることができる。プロセッサ２５０は、設計規格の中心が±ｋσ（ｋは１以上の正数）の範囲内にあるか否かを判定する。

【0108】

引張強さおよび伸びの正規分布のそれぞれが、設計規格の中心を包含するとき、プロセッサ２５０は、各クラスタに割り当てられた少なくとも１つのＳＳデータの中から、設計規格の中心から距離が近いＳＳデータを抽出する。設計規格の中心から距離が近いＳＳデータは、設計範囲を満足する材料特性を有するＳＳカーブを表す。ここで、設計規格の中心から距離が近いＳＳデータによって表されるＳＳカーブに基づいて決定される引張強さと、目標の引張強さとの誤差は、クラスタの中で最小かつ閾値以下の値を示す。さらに、設計規格の中心から距離が近いＳＳデータによって表されるＳＳカーブに基づいて決定される伸びと、目標の伸びとの誤差は、クラスタの中で最小かつ閾値以下の値を示す。プロセッサ２５０は、ｋ個のクラスタの中から、設計規格の中心から距離が近いＳＳデータが抽出されたｌ個（ｌはｋ以下の整数）のクラスタを有効化する。

【0109】

第３の実装例では、第１または第２の実装例におけるターゲットのＳＳデータの代わりに、設計目標の強度および伸び等を示す入力設計パラメータが入力される。プレ検索ステップにおいて、ターゲットのＳＳデータに相当する、設計規格の中心から距離が近いＳＳデータが、入力設計パラメータに基づいて検索される。設計規格の中心から距離が近いＳＳデータによって表されるＳＳカーブは、設計範囲を満足する材料特性を有し、第１または第２の実装例におけるターゲットのＳＳカーブに相当する。

【0110】

（検索ステップ）
検索ステップは、クラスタを選択するステップＳ７５０、選択したクラスタに割り当てられたＳＳデータに対応する材料を検索するステップＳ７６０を含む。

【0111】

ステップＳ７５０において、プロセッサ２５０は、ステップＳ７４０で有効化されたｌ個のクラスタの情報を表示装置２２０に出力して表示させる。ユーザは、ｋ個のクラスタのうちの、有効化されたｌ個のクラスタの中から検索対象のクラスタを選択する。ユーザは、１つまたはそれ以上のクラスタを検索対象のクラスタとして選択することができる。プロセッサ２５０は、ユーザが選択した検索対象のクラスタを示す情報を取得する。

【0112】

ステップＳ７６０において、プロセッサ２５０は、ｋ個のクラスタの中で、ターゲットのＳＳデータを検索できたｌ個のクラスタのうちの、ユーザによって選択されたクラスタに割り当てられたＳＳデータに対応する材料を検索する。

【0113】

ある一態様において、プロセッサ２５０は、材料特性パラメータによって規定される設計範囲空間における設計中心の座標と、選択された類似群に属する材料の材料特性パラメータの座標との間の距離に基づいて、選択された類似群にＳＳデータが割り当てられた材料のそれぞれについて理想度を算出する。理想度は、設計中心に近い材料特性パラメータを有する材料であるほど大きくなる値であり、当該距離が小さい材料ほど大きくなる値である。例えば、入力設計パラメータとして強度、耐力、伸びの３つの力学パラメータを与えた場合、３つの力学パラメータによって、３次元の設計範囲空間が規定される。その距離は、３次元の設計範囲空間におけるユークリッド距離で表され得る。

【0114】

距離は、また、３つの力学パラメータのうちの１つまた２つの力学パラメータによって規定される設計範囲空間における２つのデータ点の間の距離で表され得る。例えば、入力設計パラメータとして強度、耐力、伸びの３つの力学パラメータを与えた場合、強度、耐力の２つの力学パラメータによって、２次元平面が規定される。その距離は、その平面における２つのデータ点の間のユークリッド距離で表され得る。また、強度だけを距離の演算に用いることもできる。例えば、プロセッサ２５０は、２つの閾値を用いて、理想度を３つのクラスのいずれか１個にランク付けしてもよい。

【0115】

プロセッサ２５０は、選択されたクラスタに属する材料の中から、理想度の大きい材料を検索する。理想度の大きい材料とは、理想度が閾値以上の材料であってもよいし、理想度が上位規定数（例えば３）以内の材料であってもよい。

【0116】

ある他の一態様において、プロセッサ２５０は、選択された類似群において、設計規格の中心から距離が近いＳＳデータ（ターゲットのＳＳデータ）と、選択された類似群に属する、ターゲットのＳＳデータ以外の少なくとも１つのＳＳデータの個々のＳＳデータと、の間の距離に基づいて２つのデータ間の類似度を算出する。ここで、距離は、クラスタリングに用いたｎ次元特徴量によって規定されるｎ次元特徴量空間における２つのデータ点の間の距離で表される。その距離は、例えばユークリッド距離である。

【0117】

プロセッサ２５０は、選択されたクラスタに属する少なくとも１つのＳＳデータの中から、設計範囲を満足する材料特性を有するＳＳカーブの形状に類似する形状を有するＳＳカーブを表すＳＳデータを、ｎ次元特徴量空間における類似度に基づいて検索する。プロセッサ２５０は、算出した距離を類似度としてそのまま利用することができる。または、例えば、プロセッサ２５０は、既に説明したとおり、２つの閾値を用いて、類似度を３つのクラスのいずれかに割り当てることができる。

【0118】

ステップＳ７７０において、プロセッサ２５０は、検索結果を表示装置２２０に出力して表示してもよい。図１１に示されるＧＵＩは、例えば主成分分析の結果８１４を含む。ＧＵＩはさらに、力学特性の統計量（例えば平均μ、標準偏差σ、最大値ｍａｘ、最小値ｍｉｎ）、および、引張強さ、伸びについての設計規格の中心と、検索されたＳＳデータによって表されるＳＳカーブに基づいて決定される引張強さ、伸びと、のそれぞれの誤差（または距離）、その誤差に基づいて決定されるＳＳデータの理想度や類似度のランキングなどを、選択したクラスタ毎に表すリスト８１５を含み得る。さらに、プロセッサ２５０は、図８に示される、組成、製造条件などのＳＳデータの付随情報を表示装置２２０に出力して表示させることができる。

【0119】

主成分分析の結果８１４は、クラスタリングした結果であるｎ次元特徴量空間におけるデータ点の分布を、多変量解析の１手法である主成分分析を行うことによって２次元に圧縮した結果を示す。これにより、ユーザは、各データ間の相関または特徴量空間におけるデータ点の分布状況を目視で直感的に把握することができる。

【0120】

プロセッサ２５０は、選択されたクラスタの数だけ、ステップＳ７５０からＳ７７０までの処理を繰り返し実行することができる（ステップＳ７８０）。また、ユーザが、クラスタリングに利用する特徴量を変更する毎に、ステップＳ７１０からＳ７８０までの処理を繰り返し実行することができる（ステップＳ７９０）。

【0121】

第３の実装例は、設計支援ツールに好適に利用される最適な実装例の１つである。ユーザがＧＵＩを介して材料特性の設計範囲を指定し、入力設計パラメータを検索システムに与えることにより、新規の材料、相当材料または代替材料を検討することが可能となる。

【0122】

［実施例］
本願発明者は、第３の実装例の吟味を行った。吟味に用いたそれぞれの試験データは、材料の組成、製造条件が明らかではないアルミ合金のＳＳデータを含む。試験データの総数は、３１１５個である。クラスタリングの手法としてＧＭＭを利用し、最尤法によってモデルをフィッティングした。

【0123】

図１２は、実施例に用いた特徴量のリスト例を示す図である。本実施例では、重心パラメータ（重心点伸び、重心点応力）、曲率パラメータ、ヤング率、引張強さ、最大応力点（ＹＳ点）伸び、０．１％耐力、０．１％耐力点（０．１％ＹＳ点）伸び、０．２％耐力、０．２％耐力点（０．２％ＹＳ点）伸び、０．５％耐力、０．５％耐力点（０．５％ＹＳ点）伸び、破断伸び、降伏比を含む総数１４個の特徴量をクラスタリングに使用した。

【0124】

データベースに蓄積された試験データは教師なしデータ群であるために、クラスタリングにおけるクラスタ数は自明ではない。そのため、ＡＩＣやＢＩＣのような情報量基準に基づきクラスタ数を指定することもできるし、プログラム使用者の意図に基づき任意のクラスタ数を試行することもできる。３１１５個のＳＳデータに対して１４個の特徴量を設け、クラスタ数をｋ＝３としてｋ−ｍｅａｎｓ法によるクラスタリングを実施した。

【0125】

図１３は、１４次元のクラスタリング結果を主成分分析により２次元圧縮表示したものである。横軸は第１主成分を示し、縦軸は第２主成分を示す。主成分分析に先立ち、各特徴量を標準化した。主成分分析の結果としては、第１主成分および第２主成分の両方について、１４個の特徴量のうち重心パラメータに相当する特徴量に対する重み係数が大きく、クラスタリング結果に強く影響するものと考えられる。また、Ｌ１ノルムスパース推定によりクラスタリング結果に寄与する変数を推定した。その結果においても、重心パラメータがクラスタリング結果に大きく寄与することが分かった。

【0126】

本実施例の吟味結果は、従来の単独の力学特性のみでは捉えられていなかったＳＳカーブそのものの定量化という視点において、形状パラメータ（従来の力学特性とは異なるパラメータ）、とりわけ、重心パラメータがクラスタリング結果に大きく寄与することを意味する。

【0127】

［第４の実装例］
第４の実装例は、ターゲットの入力データまたは入力パラメータをデータ処理装置２００に入力しない点において、第１から第３の実装例とは相違する。以下、第１から第３の実装例との相違点を主に説明する。

【0128】

図１４は、第４の実装例による処理手順を示すフローチャートである。

【0129】

ステップＳ２００において、プロセッサ２５０は、複数の試験データのうちの少なくとも２つの試験データに含まれる少なくとも２つのＳＳデータをデータベース１００から読み出す。

【0130】

ステップＳ５００において、プロセッサ２５０は、少なくとも２つのＳＳデータのそれぞれによって表されるＳＳカーブの形状に基づいて、形状を特徴付ける少なくとも１つの形状パラメータをＳＳデータ毎に決定する。

【0131】

ステップＳ３１０において、プロセッサ２５０は、機械学習法を用いて、少なくとも１つの形状パラメータを含む特徴量に基づいて少なくとも２つのＳＳデータをｋ個（ｋは２以上の整数）の類似群のうちの１つに割り当てる。機械学習法の例はクラスタリングである。

【0132】

ステップＳ３２０において、プロセッサ２５０は、割り当てを行った結果、同一の類似群に属する少なくとも２つのＳＳデータの個々のＳＳデータ間の距離に基づいて個々のＳＳデータ間の類似度を算出する。クラスタリングに用いる対象の２つのデータ間の距離は、ｎ次元特徴量によって規定されるｎ次元特徴量空間における２つのデータ点の間の距離で表される。距離の例は、ユークリッド距離である。

【0133】

ステップＳ４００において、プロセッサ２５０は、同一の類似群に属する少なくとも２つのＳＳデータの中から、互いに類似する２つのＳＳデータを含む２つの試験データを類似度に基づいて検索する。このとき、例えば、ユーザは、図１１に示されるＧＵＩ８００の特徴量ウィンドウ８１１のボックスに引張強さまたは重心パラメータの設計範囲を入力してもよい。プロセッサ２５０はその情報を受け取り、設計範囲内にあるＳＳデータを含む試験データに検索対象をさらに絞り込むことができる。第１または第２の実装例と同様に、プロセッサ２５０は、さらに、図６に示される表示ステップＳ６００および／または格納ステップＳ７００を実行してもよい。

【0134】

図１５は、表示装置２２０に表示される検索結果の表示例を示す図である。この表示例は、組成および製造条件が互いに異なる２つの材料（破線で囲まれた１番および３番の材料）に関連付けられた２つの試験データに含まれる２つのＳＳデータが、ｎ次元特徴量空間において近い距離に位置していることを示している。ユーザはこの検索結果の表示を見ることにより、２つの材料は、ｎ次元特徴量空間において類似している材料であることを視覚的に把握できる。ユーザは、各特徴量に基づいて材料特性を横並びに比較することができる。

【0135】

（実施形態２）
図１６および図１７を参照して、本実施形態に係る試験装置６００を説明する。

【0136】

図１６は、実施形態２に係る試験装置６００の構成例を示す模式図である。図１７は、データ処理装置７００に表示される測定結果の表示例を示す図である。

【0137】

試験装置６００は、試験機６１０およびデータ処理装置７００を備える。試験機６１０は、ＳＳカーブを表すＳＳデータを取得することが可能な試験機である。試験機６１０は、引張試験、曲げ試験または圧縮試験に用いられる。データ処理装置７００は、試験機６１０から出力されるＳＳデータを処理する。データ処理装置７００は、試験機６１０から出力されるＳＳデータを処理するための専用のソフトウェアを実装したパーソナルコンピュータまたは専用の測定装置であり得る。

【0138】

試験機６１０およびデータ処理装置７００のセットとして試験装置６００は販売され得る。または、試験機６１０および専用のパッケージソフトウェアのセットとして試験装置６００は販売され得る。

【0139】

試験機６１０は、試験片６１１の掴み治具６１２および通信Ｉ／Ｆ（不図示）を備える。通信Ｉ／Ｆは、試験機６１０とデータ処理装置７００との間でデータ通信を行うためのインタフェースである。ＳＳデータが転送可能であればその形態、プロトコルは限定されない。例えば、通信Ｉ／Ｆは、ＵＳＢ、ＩＥＥＥ１３９４（登録商標）、またはイーサネット（登録商標）などに準拠した有線通信を行うことができる。通信Ｉ／Ｆは、Ｂｌｕｅｔｏｏｔｈ（登録商標）規格および／またはＷｉ−Ｆｉ（登録商標）規格に準拠した無線通信を行うことができる。いずれの規格も、２．４ＧＨｚ帯の周波数を利用した無線通信規格を含む。

【0140】

データ処理装置７００は、プロセッサ２５０と、プロセッサの動作を制御するプログラムを記憶するメモリと、試験機６１０とデータ処理装置７００との間でデータ通信を行うための通信Ｉ／Ｆ２３０と、表示装置２２０と、を備える（図２を参照）。メモリは、ＲＯＭ２６０および／またはＲＡＭ２７０を含み、単一の記録媒体である必要はなく、複数の記録媒体の集合であり得る。

【0141】

データ処理装置７００のプロセッサ２５０は、メモリに格納されたプログラムに従って、試験機６１０から出力されるＳＳデータを取得し、ＳＳデータによって表されるＳＳカーブの形状に基づいて、形状を特徴付ける少なくとも１つの形状パラメータを決定する。プロセッサ２５０は、さらに、ＳＳデータおよび少なくとも１つの形状パラメータをメモリに書き込む。形状を特徴付ける少なくとも１つの形状パラメータは、実施形態１において説明した種々の形状パラメータであり得る。

【0142】

データ処理装置７００のプロセッサ２５０は、メモリからＳＳデータおよび少なくとも１つの形状パラメータを読み出し、少なくとも１つの形状パラメータ、およびＳＳデータによって表されるＳＳカーブを表示装置２２０に表示させる。図１７に示されるように、例えば、表示装置２２０に表示される測定結果の表示９００は、ＳＳカーブを示す引張試験結果、解析項目、および決定された力学パラメータおよび形状パラメータを含むリストを含む。解析項目は、各種の力学パラメータおよび形状パラメータを選択するボックスを含み、ユーザが解析対象に選択した項目のパラメータがリストに表示される。測定結果の表示は、さらに、ＳＳデータが得られた、材料試験の条件、材料の組成、製造条件などの付随情報を含んでいてもよい。

【0143】

データ処理装置７００は、外部の記憶装置（不図示）に通信可能に接続することができる。例えば、外部の記憶装置は、膨大な試験データを蓄積したデータベース１００またはデータベース１００とは異なる他のデータベースであり得る。データ処理装置７００のプロセッサ２５０は、決定した少なくとも１つの形状パラメータを外部の記憶装置に書き込んでもよい。プロセッサ２５０は、さらに、ＳＳデータが得られた、材料試験の条件、材料の組成、製造条件、およびＳＳカーブの形状に基づいて決定される力学特性のうちの少なくとも１つを外部の記憶装置に格納し得る。例えば、材料試験を行うたびに取得される、それぞれが形状パラメータの情報を含む、多数の測定結果をデータベースに蓄積することが可能である。そのようなデータベースは、実施形態１に係る検索システム１０００のデータベース１００として有効活用され、またはデータベース１００と共に有効活用され得る。

【0144】

本実施形態に係る試験装置は、ＳＳカーブを含む従来の引張試験結果と共に、ＳＳカーブの形状を特徴付ける形状パラメータの情報をユーザに提供し、これにより、新規の材料の設計・開発を支援することが可能となる。

【産業上の利用可能性】

【0145】

本開示の技術は、最適材料の選択または新規な材料の開発に加え、最適材料に相当する相当材料または最適材料を代替する代替材料を設計・開発するために用いられる設計支援ツールにおいて広く用いられ得る。

【符号の説明】

【0146】

１００ ：記憶装置（データベース）
２００ ：データ処理装置
２０１ ：データ処理装置の本体
２１０ ：入力装置
２２０ ：表示装置
２３０ ：通信Ｉ／Ｆ
２４０ ：記憶装置
２５０ ：プロセッサ
２６０ ：ＲＯＭ
２７０ ：ＲＡＭ
１０００：類似材料検索システム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7A】

【図7B】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】