特開 2023-174142 推測装置、モデル生成装置、推測方法、モデル生成方法、推測プログラム、モデル生成プログラム及び学習済みモデル

(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】P2023174142

(43)【公開日】2023-12-07

(54)【発明の名称】推測装置、モデル生成装置、推測方法、モデル生成方法、推測プログラム、モデル生成プログラム及び学習済みモデル

(51)【国際特許分類】

   G16C 20/70 20190101AFI20231130BHJP

   C08L 23/10 20060101ALI20231130BHJP

   C08K 3/013 20180101ALI20231130BHJP

   C08K 5/00 20060101ALI20231130BHJP

【ＦＩ】

G16C20/70

C08L23/10

C08K3/013

C08K5/00

【審査請求】未請求

【請求項の数】14

【出願形態】ＯＬ

(21)【出願番号】P 2022086828

(22)【出願日】2022-05-27

(71)【出願人】

【識別番号】505130112

【氏名又は名称】株式会社プライムポリマー

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】小池 勝彦

(72)【発明者】

【氏名】内藤 彩乃

(72)【発明者】

【氏名】向田 志保

(72)【発明者】

【氏名】中橋 一誌

【テーマコード（参考）】

4J002

【Ｆターム（参考）】

4J002BB111

4J002DA016

4J002DG046

4J002DJ006

4J002DJ046

4J002DJ056

4J002DL006

4J002FD016

4J002FD207

4J002GT00

(57)【要約】

【課題】ポリプロピレンコンパウンドの材料の処方から、ポリプロピレンコンパウンドの物性を推測する。
【解決手段】推測対象のポリプロピレンコンパウンドの処方に関する処方情報を取得する取得部１０１と、取得部１０２により取得された処方情報を、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルへ入力して、入力された処方情報に対応するポリプロピレンコンパウンドの物性情報を推測する推測部１０５と、を含む推測装置１０が提供される。
【選択図】図３

【特許請求の範囲】

【請求項1】

推測対象のポリプロピレンコンパウンドの処方に関する処方情報を取得する取得部と、
前記取得部により取得された前記処方情報を、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルへ入力して、入力された前記処方情報に対応する前記ポリプロピレンコンパウンドの物性情報を推測する推測部と、
を含む推測装置。

【請求項2】

推測対象のポリプロピレンコンパウンドの物性情報を取得する取得部と、
前記取得部により取得された前記物性情報を、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルへ入力して、入力された前記物性情報に対応する前記ポリプロピレンコンパウンドの処方に関する処方情報を推測する推測部と、
を含む推測装置。

【請求項3】

前記処方情報は、ポリプロピレンの配合に関する情報、ポリプロピレンの識別に関する情報、添加剤の配合に関する情報、補強剤の配合に関する情報、造核剤の配合に関する情報を含む、請求項１又は請求項２に記載の推測装置。

【請求項4】

前記物性情報は、前記ポリプロピレンコンパウンドの物性に関する情報を含む、請求項１又は請求項２に記載の推測装置。

【請求項5】

学習用のポリプロピレンコンパウンドの処方に関する学習用処方情報と該学習用のポリプロピレンコンパウンドの物性情報との組み合わせを表す学習用データに基づいて、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルを生成する学習部
を含むモデル生成装置。

【請求項6】

前記学習用処方情報は、ポリプロピレンの配合に関する情報、ポリプロピレンの識別に関する情報、添加剤の配合に関する情報、補強剤の配合に関する情報、造核剤の配合に関する情報を含む、請求項５に記載のモデル生成装置。

【請求項7】

前記物性情報は、前記ポリプロピレンコンパウンドの物性に関する情報を含む、請求項５又は６に記載のモデル生成装置。

【請求項8】

プロセッサが、
推測対象のポリプロピレンコンパウンドの処方に関する処方情報を取得し、
取得した前記処方情報を、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルへ入力して、入力された前記処方情報に対応する前記ポリプロピレンコンパウンドの物性情報を推測する
処理を実行する、推測方法。

【請求項9】

プロセッサが、
推測対象のポリプロピレンコンパウンドの処方に関する物性情報を取得し、
取得した前記物性情報を、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルへ入力して、入力された前記物性情報に対応する前記ポリプロピレンコンパウンドの処方情報を推測する
処理を実行する、推測方法。

【請求項10】

プロセッサが、
学習用のポリプロピレンコンパウンドの処方に関する学習用処方情報と該学習用のポリプロピレンコンパウンドの物性情報との組み合わせを表す学習用データに基づいて、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルを生成する
処理を実行するモデル生成方法。

【請求項11】

コンピュータに、
推測対象のポリプロピレンコンパウンドの処方に関する処方情報を取得し、
取得した前記処方情報を、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルへ入力して、入力された前記処方情報に対応する前記ポリプロピレンコンパウンドの物性情報を推測する
処理を実行させる、推測プログラム。

【請求項12】

コンピュータに、
推測対象のポリプロピレンコンパウンドの処方に関する物性情報を取得し、
取得した前記物性情報を、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルへ入力して、入力された前記物性情報に対応する前記ポリプロピレンコンパウンドの処方情報を推測する
処理を実行させる、推測プログラム。

【請求項13】

コンピュータに、
学習用のポリプロピレンコンパウンドの処方に関する学習用処方情報と該学習用のポリプロピレンコンパウンドの物性情報との組み合わせを表す学習用データに基づいて、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルを生成する
処理を実行させるモデル生成プログラム。

【請求項14】

ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルであって、
学習用のポリプロピレンコンパウンドの処方に関する学習用処方情報と該学習用のポリプロピレンコンパウンドの物性情報との組み合わせを表す学習用データに基づいて機械学習され、入力された前記処方情報に基づいて、前記ポリプロピレンコンパウンドの物性情報を出力するよう、コンピュータを機能させるための学習済みモデル。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、推測装置、モデル生成装置、推測方法、モデル生成方法、推測プログラム、モデル生成プログラム及び学習済みモデルに関する。

【背景技術】

【0002】

機械学習を用いて、ポリマー等の有機化合物の物性を予測する技術が開示されている。特許文献１には、データベースから機械学習し、回帰モデルを作成し、その回帰モデルに所望の構造情報を入れると物性を出力するポリマーの物性予測装置の技術が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】国際公開第２０１９／１７２２８０号

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１のように、構造情報を入れるとポリマーの物性を出力する技術は存在するが、ポリプロピレンコンパウンドの物性を、材料の処方から推測する技術は開示されていない。ポリプロピレンコンパウンドを実際に作製し、ポリプロピレンコンパウンドの物性を測定することは非常に手間である。

【0005】

本開示は、ポリプロピレンコンパウンドの材料の処方から、ポリプロピレンコンパウンドの物性を推測する推測装置等を提供することを目的とする。

【課題を解決するための手段】

【0006】

本開示のある観点によれば、推測対象のポリプロピレンコンパウンドの処方に関する処方情報を取得する取得部と、前記取得部により取得された前記処方情報を、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルへ入力して、入力された前記処方情報に対応する前記ポリプロピレンコンパウンドの物性情報を推測する推測部と、を含む推測装置が提供される。

【0007】

本開示の別の観点によれば、推測対象のポリプロピレンコンパウンドの物性情報を取得する取得部と、前記取得部により取得された前記物性情報を、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルへ入力して、入力された前記物性情報に対応する前記ポリプロピレンコンパウンドの処方に関する処方情報を推測する推測部と、を含む推測装置が提供される。

【0008】

前記処方情報は、ポリプロピレンコンパウンドの原料の配合比率に関する情報、および各原料を識別する情報、性質に関する情報を含んでもよい。ポリプロピレンコンパウンドの原料は、ポリプロピレン、ゴム、充填剤、補強材、添加剤を含んでいてもよい。

【0009】

前記物性情報は、前記ポリプロピレンコンパウンドの物性に関する情報を含んでもよい。

【0010】

本開示の別の観点によれば、学習用のポリプロピレンコンパウンドの処方に関する学習用処方情報と該学習用のポリプロピレンコンパウンドの物性情報との組み合わせを表す学習用データに基づいて、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルを生成する学習部を含むモデル生成装置が提供される。

【0011】

前記学習用処方情報は、ポリプロピレンコンパウンドの原料の配合比率に関する情報、および各原料を識別する情報、性質に関する情報を含んでもよい。ポリプロピレンコンパウンドの原料は、ポリプロピレン、ゴム、充填剤、補強材、添加剤を含んでいてもよい。

【0012】

前記物性情報は、前記ポリプロピレンコンパウンドの物性に関する情報を含んでもよい。

【0013】

本開示の別の観点によれば、プロセッサが、推測対象のポリプロピレンコンパウンドの処方に関する処方情報を取得し、取得した前記処方情報を、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルへ入力して、入力された前記処方情報に対応する前記ポリプロピレンコンパウンドの物性情報を推測する処理を実行する、推測方法が提供される。

【0014】

本開示の別の観点によれば、プロセッサが、推測対象のポリプロピレンコンパウンドの処方に関する物性情報を取得し、取得した前記物性情報を、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルへ入力して、入力された前記物性情報に対応する前記ポリプロピレンコンパウンドの処方情報を推測する処理を実行する、推測方法が提供される。

【0015】

本開示の別の観点によれば、プロセッサが、学習用のポリプロピレンコンパウンドの処方に関する学習用処方情報と該学習用のポリプロピレンコンパウンドの物性情報との組み合わせを表す学習用データに基づいて、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルを生成する処理を実行するモデル生成方法が提供される。

【0016】

本開示の別の観点によれば、コンピュータに、推測対象のポリプロピレンコンパウンドの処方に関する処方情報を取得し、取得した前記処方情報を、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルへ入力して、入力された前記処方情報に対応する前記ポリプロピレンコンパウンドの物性情報を推測する処理を実行させる、推測プログラムが提供される。

【0017】

本開示の別の観点によれば、コンピュータに、推測対象のポリプロピレンコンパウンドの処方に関する物性情報を取得し、取得した前記物性情報を、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルへ入力して、入力された前記物性情報に対応する前記ポリプロピレンコンパウンドの処方情報を推測する処理を実行させる、推測プログラムが提供される。

【0018】

本開示の別の観点によれば、コンピュータに、学習用のポリプロピレンコンパウンドの処方に関する学習用処方情報と該学習用のポリプロピレンコンパウンドの物性情報との組み合わせを表す学習用データに基づいて、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルを生成する処理を実行させるモデル生成プログラムが提供される。

【0019】

本開示の別の観点によれば、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルであって、学習用のポリプロピレンコンパウンドの処方に関する学習用処方情報と該学習用のポリプロピレンコンパウンドの物性情報との組み合わせを表す学習用データに基づいて機械学習され、入力された前記処方情報に基づいて、前記ポリプロピレンコンパウンドの物性情報を出力するよう、コンピュータを機能させるための学習済みモデルが提供される。

【発明の効果】

【0020】

本開示によれば、ポリプロピレンコンパウンドを実際に作製することなく、ポリプロピレンコンパウンドの材料の処方から、ポリプロピレンコンパウンドの物性を推測する推測装置等を提供することができる。

【図面の簡単な説明】

【0021】

【図1】開示の技術の実施形態に係る推測システムの概略構成を示す図である。

【図2】推測装置のハードウェア構成を示すブロック図である。

【図3】推測装置の機能構成の例を示すブロック図である。

【図4】データ記憶部が記憶する学習用データの一例を示す図である。

【図5】本実施形態に係る機械学習の目的変数の一例を示す図である。

【図6】各目的変数のデータ数、データ密度、Ｒ^２（決定係数）、実験誤差平均値の例を示す図である。

【図7】各目的変数のデータ数、データ密度、Ｒ^２（決定係数）、実験誤差平均値の例を示す図である。

【図8】各目的変数のデータ数、データ密度、Ｒ^２（決定係数）、実験誤差平均値の例を示す図である。

【図9】実測値と推測値との関係を示すグラフである。

【図10】実測値と推測値との関係を示すグラフである。

【図11】実測値と推測値との関係を示すグラフである。

【図12】実測値と推測値との関係を示すグラフである。

【図13】実測値と推測値との関係を示すグラフである。

【図14】実測値と推測値との関係を示すグラフである。

【図15】推測装置によるポリプロピレンコンパウンドの物性推測処理の流れを示すフローチャートである。

【図16】推測装置によるポリプロピレンコンパウンドの処方情報推測処理の流れを示すフローチャートである。

【発明を実施するための形態】

【0022】

以下、本開示の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一または等価な構成要素および部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。

【0023】

図１は、本実施形態に係る推測システムの概略構成を示す図である。図１に示した推測システムは、ポリプロピレンコンパウンドの材料の処方から、ポリプロピレンコンパウンドの物性を推測する推測装置１０を備えたシステムである。

【0024】

入力装置１は、外部から入力された情報を受け付ける。入力装置１は、例えばキーボード、マウス、又は外部装置からの入力を受け付ける入力装置等によって実現される。

【0025】

具体的には、入力装置１は、学習用データの入力を受け付ける。学習用データとしては、学習用のポリプロピレンコンパウンドの材料の処方の情報を表す学習用処方情報と、当該学習用のポリプロピレンコンパウンドの物性情報との組み合わせを表すデータである。処方情報は、材料の処方に関する情報、すなわち、ポリプロピレンコンパウンドの原料（ポリプロピレン、ゴム、充填剤、補強材、添加剤等）の配合比率に関する情報および各原料の種類、性質に関する情報を含んでもよい。なお本実施形態において、原料の種類の情報とは、各原料を識別する情報を指す。原料を識別する情報としては、例えば原料の識別番号がある。また、物性情報は、ポリプロピレンコンパウンドの物性に関する情報を含んでもよい。

【0026】

ポリプロピレンコンパウンドの原料は、通常、ポリプロピレン、ゴム、充填剤、補強材、添加剤を含み、それぞれ複数の種類を組み合わせて用いてもよい。

【0027】

本実施形態におけるポリプロピレンとしては、プロピレン単独重合体（いわゆるホモポリプロピレン）、プロピレン単独重合部とプロピレン-コモノマー共重合により構成される樹脂（いわゆるブロックポリプロピレン）、プロピレン-コモノマー共重合体（いわゆるランダムポリプロピレン）等が挙げられる。適用されるコモノマーの例は、エチレン、ブテン、ヘキセン、オクテン等である。

【0028】

ポリプロピレン単独重合部のパラメータとしては、例えばｍｍｍｍ分率（ＩＰＦ）、分子量（Ｍ）、重量平均分子量（Ｍｗ）、数平均分子量（Ｍｎ）、Ｚ平均分子量（Ｍｚ）、Ｍｗ／Ｍｎ、Ｍｚ／Ｍｗ、ＭＦＲ（メルトフローレート）などが挙げられる。

【0029】

プロピレン－コモノマー共重合部（いわゆるゴム部）のパラメータとしては、例えば、構成割合、融点、結晶化温度、ガラス転移温度、密度、組成（コモノマー種、含有量等）、硬度、粘度、極限粘度（［η］）、融解熱量、ＭＦＲ（メルトフローレート）などが挙げられる。

【0030】

プロピレン単独重合部とプロピレン－コモノマー共重合を合わせた全体パラメータとしては、ＭＦＲなどが挙げられる。

【0031】

本実施形態におけるゴムを例示する。オレフィン系ゴムであるエチレン・プロピレン共重合体、エチレン・ブテン共重合体、エチレン・ヘキセン共重合体、エチレン・オクテン共重合体、プロピレン・ブテン共重合体、プロピレン・ヘキセン共重合体、プロピレン・オクテン共重合体、プロピレン・エチレン・ブテン共重合体などが本実施形態のゴムとして挙げられる。

【0032】

また、スチレン・ブタジエンゴム（ＳＢＲ）、ブタジエンゴム（ＢＲ）、イソプレンゴム（ＩＲ）、エチレン・プロピレン・ジエンゴム（ＥＰＤＭ）、クロロプレンゴム（ＣＲ）、アクリロニトリル・ブタジエンゴム（ＮＢＲ）、アクリルゴム（ＡＣＭ）、フッ素ゴム（ＦＫＭ）、シリコーンゴム（Ｑ）も、本実施形態のゴムとして挙げられる。

【0033】

ゴムのパラメータとしては、例えば、融点、結晶化温度、ガラス転移温度、密度、組成（コモノマー種、含有量等）、硬度、粘度、極限粘度（［η］）、融解熱量、ＭＦＲ（メルトフローレート）などが挙げられる。

【0034】

本実施形態における充填剤を例示する。タルク、マイカ、パイロフィライト、モンモリロナイトなどが本実施形態における充填剤に挙げられる。充填剤のパラメータとしては、例えば、充填剤の種類、構造因子、粒子径、密度、比表面積、吸油量、白色度などが挙げられる。

【0035】

本実施形態における補強材を例示する。ガラス繊維、炭素繊維、硫酸マグネシウム無機繊維などが本実施形態における補強材として挙げられる。補強材のパラメータとしては、例えば、補強材の種類、構造因子、繊維長、繊維径、密度、比表面積、吸油量、白色度などが挙げられる。

【0036】

本実施形態における添加剤を例示する。核剤、酸化防止剤、透明化剤、紫外線吸収剤、光安定剤、滑剤、分解剤、帯電防止剤、防曇剤、離型剤、難燃剤、色素、顔料などが本実施形態における添加剤に挙げられる。添加剤のパラメータとしては、例えば、添加剤の種類、構造因子などが挙げられる。

【0037】

また、入力装置１は、物性情報を推測する対象のポリプロピレンコンパウンドの材料の処方を表す処方情報（以下、単に「推測対象の処方情報」とも称する。）を受け付ける。

【0038】

推測装置１０は、ポリプロピレンコンパウンドの材料の処方が入力されると、入力されたポリプロピレンコンパウンドの材料の処方を学習済みモデルに入れることで、ポリプロピレンコンパウンドの物性を推測する。推測装置１０は、ポリプロピレンコンパウンドの材料の処方を推測するために、学習用データに基づいて、ポリプロピレンコンパウンドの処方に関する処方情報から該ポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルを生成する。

【0039】

ポリプロピレンコンパウンドの材料の処方の組み合わせは膨大であり、所望の物性を有するポリプロピレンコンパウンドを得るまで多くの実験を行わなければならない。所望の物性を有するポリプロピレンコンパウンドを得るために、ポリプロピレンコンパウンドを何度も作製するのは非常に手間である。本実施形態の推測装置１０は、機械学習によって、ポリプロピレンコンパウンドの材料の処方から当該ポリプロピレンコンパウンドの物性を推測するための学習済みモデルを生成する。

【0040】

そして、推測装置１０は、その学習済みモデルに対して推測対象のポリプロピレンコンパウンドの材料の処方を表す処方情報を入力し、当該ポリプロピレンコンパウンドの物性を推測する。これにより、実際にポリプロピレンコンパウンドを作製しなくともポリプロピレンコンパウンドの材料の処方からポリプロピレンコンパウンドの物性を推測することができる。

【0041】

出力装置２は、推測装置１０が推測したポリプロピレンコンパウンドの物性に関する情報を表示する。

【0042】

図２は、推測装置１０のハードウェア構成を示すブロック図である。

【0043】

図２に示すように、推測装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６及び通信インタフェース（Ｉ／Ｆ）１７を有する。各構成は、バス１９を介して相互に通信可能に接続されている。

【0044】

ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２またはストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２またはストレージ１４に記録されているプログラムにしたがって、上記各構成の制御および各種の演算処理を行う。本実施形態では、ＲＯＭ１２またはストレージ１４には、ポリプロピレンコンパウンドの材料の処方から当該ポリプロピレンコンパウンドの物性を推測するための学習済みモデルを生成する学習プログラム、及び、推測対象の処方情報からポリプロピレンコンパウンドの物性を推測する推測プログラムが格納されている。

【0045】

ＲＯＭ１２は、各種プログラムおよび各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラムまたはデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）またはフラッシュメモリ等の記憶装置により構成され、オペレーティングシステムを含む各種プログラム、および各種データを格納する。

【0046】

入力部１５は、マウス等のポインティングデバイス、およびキーボードを含み、各種の入力を行うために使用される。

【0047】

表示部１６は、たとえば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能しても良い。

【0048】

通信インタフェース１７は、他の機器と通信するためのインタフェースであり、たとえば、イーサネット（登録商標）、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられる。

【0049】

上記の学習プログラム及び推測プログラムを実行する際に、推測装置１０は、上記のハードウェア資源を用いて、各種の機能を実現する。推測装置１０が実現する機能構成について説明する。

【0050】

図３は、推測装置１０の機能構成の例を示すブロック図である。

【0051】

図３に示すように、推測装置１０は、機能構成として、取得部１０１、データ記憶部１０２、学習部１０３、学習済みモデル記憶部１０４、データ生成部１０５、推測部１０６、選択部１０７、説明変数生成部１０８、目的変数生成部１０９及び変数記憶部１１０を有する。各機能構成は、ＣＰＵ１１がＲＯＭ１２またはストレージ１４に記憶された学習プログラム及び推測プログラムを読み出し、実行することにより実現される。

【0052】

取得部１０１は、入力装置１によって受け付けられた学習用データを取得する。そして、取得部１０１は、取得した学習用データをデータ記憶部１０２へ格納する。また、取得部１０１は、入力装置１によって受け付けられた推測対象の処方情報を取得する。

【0053】

データ記憶部１０２には、取得部１０１によって取得された学習用データを記憶する。図４は、データ記憶部１０２が記憶する学習用データの一例を示す図である。図４に示される例では、複数の学習用データがテーブル形式によって格納される。図４に示したように、学習用データは、ポリプロピレンコンパウンドの処方情報と、当該処方情報から生成される当該ポリプロピレンコンパウンドの物性情報とが組になっている。

【0054】

学習部１０３は、複数の学習用データに基づいて、ポリプロピレンコンパウンドの処方情報からポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルを生成する。具体的には、学習部１０３は、複数の学習用データのうちの、学習用処方情報に対応する正解の学習用物性情報と、学習用処方情報を学習済みモデルへ入力することにより得られるポリプロピレンコンパウンドの物性情報との間の差異が小さくなるように、学習済みモデルを学習させる。正解の学習用物性情報は、処方情報に基づいて成したポリプロピレンコンパウンドに対する実験によって得られたデータを用いる。

【0055】

本実施形態では、学習部１０３は、推測対象となるポリプロピレンコンパウンドの物性に影響を及ぼすパラメータ、例えば配合されるポリプロピレンの種類、ポリプロピレンの配合割合、ポリプロピレンの性質、添加されるゴムの種類、ゴムの配合割合、タルクの種類、タルクの配合割合、造核剤の種類、造核剤の配合割合等を説明変数とし、ポリプロピレンコンパウンドのＭＦＲ（Ｍｅｌｔ Ｆｌｏｗ Ｒａｔｅ）、引張降伏応力、引張弾性率、曲げ強度、曲げ弾性率、シャルピー強度等を目的変数として機械学習を行う。

【0056】

ポリプロピレンコンパウンドの処方情報からポリプロピレンコンパウンドの物性情報を推測するための学習済みモデルとしては、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、ＰＬＳ（Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ ｒｅｇｒｅｓｓｉｏｎ）、重回帰分析、ＳＶＭ（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）、ＬＡＳＳＯ（ｌｅａｓｔ ａｂｓｏｌｕｔｅ ｓｈｒｉｎｋａｇｅ ａｎｄ ｓｅｌｅｃｔｉｏｎ ｏｐｅｒａｔｏｒ）、リッジ回帰、エラスティックネット、ガウス過程、決定木、ランダムフォレスト、勾配ブースティング、又はニューラルネット等であってもよい。

【0057】

モデルの学習手法は特定のものに限定されるものでは無いが、例えば、学習部１０３は、複数の機械学習手法に基づいて学習済みモデルを学習させてもよい。具体的には、学習部１０３は、複数の機械学習手法の内、決定係数が最も高いものから上位複数個の手法を用いて、学習済みモデルを学習させてもよい。

【0058】

図５は、本実施形態に係る機械学習の目的変数の一例を示す図である。図５には、目的変数として、ポリプロピレンコンパウンドの物性のパラメータ、各パラメータの単位、及び変数範囲（下端、上端）の一例が示されている。本実施形態では、目的変数として、図５に示したように、ポリプロピレンコンパウンドのＭＦＲ、引張降伏応力、引張弾性率、曲げ強度、曲げ弾性率、シャルピー強度（温度２３℃）、シャルピー強度（温度－３０℃）、ＨＤＴ（荷重たわみ温度、荷重０．４５ＭＰａ及び１．８ＭＰａ）、比重、せん断粘度及びダイスウェル比（温度２００℃、せん断速度１２２（１／ｓ）及び６０８０（１／ｓ））、ΔＨ（融解熱量）を用いている。

【0059】

これらの目的変数のほかに、例えば、高速面衝撃（最大衝撃力変位、エネルギー）、硬さ（ロックウエル、ブリネル、ビッカース、ヌープ、スーパーフィシャル、マイヤ、ジュロメータ、バーコール、モノトロン、マルテンス、ショア、モースなど）、成型収縮率（ＭＤ方向、ＴＤ方向、ＭＤ－ＴＤ平均など）、線膨張係数（ＭＤ方向、ＴＤ方向、ＭＤ－ＴＤ平均など）、光沢、引張伸び率、アイゾット衝撃強さ、スパイラルフロー長、フローマーク長、ウエルドライン長、耐傷つき性、圧縮応力、脆化温度、耐熱温度、熱分解温度、熱伝導率、屈折率、光線透過率、耐候性、体積抵抗率、耐電圧、誘電率、切削性、曲げ性、溶接性、接着性、耐薬品性、臭気性、等も目的変数として挙げられる。

【0060】

学習済みモデル記憶部１０４は、学習部１０３によって生成された学習済みモデルを記憶する。

【0061】

データ生成部１０５は、基準となるポリプロピレンコンパウンドの処方情報を変化させることにより複数の処方情報を生成する。基準となるポリプロピレンコンパウンドの処方情報は、取得部１０１が取得した推測対象の処方情報であってもよい。本実施形態では、データ生成部１０５により生成された複数の処方情報の中から、所定の基準を満たす処方情報が選択される。

【0062】

推測部１０６は、取得部１０１が取得した推測対象の処方情報、又は、データ生成部１０５が生成した処方情報を学習済みモデル記憶部１０４に格納された学習済みモデルへ入力し、処方情報に対応するポリプロピレンコンパウンドの物性情報を推測する。

【0063】

選択部１０７は、推測部１０６により推測された複数の物性情報から、所定の基準を満たす物性情報を選択する。所定の基準はユーザによって予め設定されうる。

【0064】

説明変数生成部１０８は、学習部１０３による機械学習において用いられる説明変数に対する圧縮を行う。学習部１０３での機械学習の際に、全ての情報を説明変数として用いると変数の数が多くなり、学習部１０３での学習に時間を要してしまう。例えば、３種類のポリプロピレンを配合してポリプロピレンコンパウンドを生成する場合、３種類のポリプロピレンのそれぞれのパラメータを説明変数として用いると情報量が多くなってしまう。

【0065】

そこで説明変数生成部１０８は、説明変数を圧縮してもよい。例えば、説明変数生成部１０８は、配合される材料、すなわち配合されるポリプロピレン及びゴムの重量の割合に応じて説明変数を圧縮する。説明変数生成部１０８は、配合されるポリプロピレン及びゴムの重量の割合に応じて説明変数を圧縮する際に、ポリプロピレン及びゴムの種類に応じた所定の重み付けを行ってもよい。

【0066】

目的変数生成部１０９は、ランダムサンプリングによって、説明変数及び目的変数の組み合わせを選択する。説明変数及び目的変数の組み合わせは複数通り選択される。目的変数生成部１０９によって選択された説明変数及び目的変数は、学習部１０３による機械学習に用いられる。変数記憶部１１０は、目的変数生成部１０９が選択した説明変数及び目的変数の関係を記憶する。

【0067】

単に、機械学習により学習済みモデルを作成しただけでは、目的変数から説明変数の値を予測する逆解析を行うことはできない。説明変数から目的変数の値を予測する場合、複数の説明変数から１つの目的変数を予測するように学習済みモデルが作られているが、その学習済みモデルに１つの目的変数を入れるだけでは、複数の説明変数の解析解を得ることができない。

【0068】

目的変数生成部１０９により、事前に説明変数及び目的変数のリストを作成しておき、目的変数が入れられた場合に、リストからフィルタリングして抽出することで、目的変数から説明変数の値を予測する逆解析を行うことが可能となる。逆解析を行うことにより、作製したいポリプロピレンコンパウンドの目標物性値から、その目標物性値を得るための材料処方を予測することができる。それにより、例えば複数種の物性項目において特定範囲の物性値が要求される場合に、効率的にポリプロピレンコンパウンドの材料処方を決定することができるようになる。

【0069】

本実施形態において適用する物性の数は１以上である。従来の手法では対象とする物性の数が多いほど予測の難易度が著しく高くなるため、本実施形態に係る推測処理の有効性が著しく高くなる。

【0070】

本実施形態における好適は物性の数は、３以上であり、より好ましくは６以上、さらに好ましくは１０以上、さらに好ましくは１５以上、さらに好ましくは２０以上である。

【0071】

学習部１０３による学習済みモデルの機械学習の際の学習用データは適切に用意されることが望ましい。本実施形態では、機械学習の精度が高くなるようにデータの分布状態を決定する。言い換えれば、本実施形態では、データ密度を考慮したデータセットを準備する。データ密度とは、各目的変数に関して、解析の対象とする範囲におけるデータ数の割合であり、データ数／（データ範囲／データ範囲の中心値）により導出する。本実施形態において、各原料の選択可能な種類の数に特に制約はないが、ポリプロピレンは１以上１００以下であり、通常は１以上１０以下である。ゴム、充填剤、補強材、添加剤は０以上１００以下であり、通常は０以上１０以下である。実施例において適用した原料の種類の数は、ポリプロピレンは１～４種類、ゴムは０～２種類、タルクは０又は１種類、核剤は０又は１種類であるが、本開示における原料の種類、その数はこれに限定されるものではない。

【0072】

図６～図８は、学習部１０３による学習済みモデルの機械学習を行った際の、学習用データの各目的変数のデータ数、データ密度、Ｒ^２（決定係数）、実験誤差平均値の例を示す図である。図６に示した表を実施例１、図７に示した表を実施例２、図８に示した表を実施例３とする。

【0073】

図９～１１は、目的変数がシャルピー強度（温度２３℃）の場合の、ポリプロピレンコンパウンドの実測値と推測部１０６により推測された値との関係を示すグラフである。それぞれのグラフは、横軸がポリプロピレンコンパウンドのシャルピー強度（温度２３℃）の実測値、縦軸が推測部１０６により推測されたシャルピー強度（温度２３℃）の値である。

【0074】

図９は、図７に示した実施例２の場合の、ポリプロピレンコンパウンドの実測値と推測部１０６により推測された値との関係である。図１０は、図６に示した実施例１の場合の、ポリプロピレンコンパウンドの実測値と推測部１０６により推測された値との関係である。図１１は、図８に示した実施例３の場合の、ポリプロピレンコンパウンドの実測値と推測部１０６により推測された値との関係である。

【0075】

図６～図１１を参照すると、目的変数がシャルピー強度の場合、データ数が増えれば増えるほど、またデータ密度が大きくなればなるほど、実験誤差平均値が低下するというわけではない。すなわち、目的変数がシャルピー強度の場合、最も実験誤差平均値が少ないのは実施例２の場合である。このように、目的変数によっては実験誤差平均値とデータ数及びデータ密度との関係が比例しないものがある。具体的には、シャルピー強度（温度２３℃）の予測において好適なデータ密度の範囲は、２５以上６４以下であり、より好ましくは３０以上５５以下、さらに好ましくは３５以上５０以下である。またシャルピー強度（温度－３０℃）の予測において好適なデータ密度の範囲は、３０以上７５以下であり、より好ましくは３５以上６０以下、さらに好ましくは、４０以上５０以下である。推測装置１０は、当該範囲のデータ密度のデータセットを用いて学習させることで、他の範囲のデータ密度のデータセットを用いて学習させた場合と比べて精度良くシャルピー強度の推測を行うことができる。

【0076】

図１２～１４は、目的変数が引張弾性率の場合の、ポリプロピレンコンパウンドの実測値と推測部１０６により推測された値との関係を示すグラフである。それぞれのグラフは、横軸がポリプロピレンコンパウンドの引張弾性率の実測値、縦軸が推測部１０６により推測された引張弾性率の値である。

【0077】

図１２は、図７に示した実施例２の場合の、ポリプロピレンコンパウンドの実測値と推測部１０６により推測された値との関係である。図１３は、図６に示した実施例１の場合の、ポリプロピレンコンパウンドの実測値と推測部１０６により推測された値との関係である。図１４は、図８に示した実施例３の場合の、ポリプロピレンコンパウンドの実測値と推測部１０６により推測された値との関係である。

【0078】

図６～図８、図１２～図１４を参照すると、目的変数が引張弾性率の場合、データ数が増えれば増えるほど実験誤差平均値が低下することになる。すなわち、目的変数が引張弾性率の場合、最も実験誤差平均値が少ないのは実施例３の場合である。

【0079】

このように、目的変数、すなわちポリプロピレンコンパウンドの物性によって適切な学習データは異なる。従って、本実施形態に係る推測装置１０は、所望の物性を得るために適切なデータ密度の学習用データを用意して学習部１０３に学習させることで、実際にポリプロピレンコンパウンドを製造することなく、処方情報からポリプロピレンコンパウンドの物性情報を推測することが出来る。

【0080】

なお、図１及び図２に示した例では、推測装置１０において学習部１０３及び推測部１０６が設けられていたが、本開示は係る例に限定されない。機械学習処理を行う装置と、推測処理を行う装置とは、別の装置であってもよい。また、機械学習処理によって得られた学習済みモデルが格納される装置と、推測処理を行う装置とは、別の装置であってもよい。

【0081】

次に、推測装置１０の作用について説明する。

【0082】

図１５は、推測装置１０によるポリプロピレンコンパウンドの物性推測処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から推測プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、ポリプロピレンコンパウンドの物性推測処理が行なわれる。

【0083】

ＣＰＵ１１は、ステップＳ１０１において、推測対象のポリプロピレンコンパウンドの処方に関する処方情報を取得する。推測対象のポリプロピレンコンパウンドの処方に関する処方情報は、説明変数が圧縮された状態で取得されてもよい。

【0084】

続いてＣＰＵ１１は、ステップＳ１０２において、取得した処方情報を学習済みモデルに入力する。

【0085】

続いてＣＰＵ１１は、ステップＳ１０３において、ポリプロピレンコンパウンドの処方情報から得られる物性情報を学習済みモデルに推測させる。

【0086】

続いてＣＰＵ１１は、ステップＳ１０４において、学習済みモデルが推測したポリプロピレンコンパウンドの物性情報を出力する。

【0087】

推測装置１０は、一連の処理の実行により、学習済みモデルに対して推測対象のポリプロピレンコンパウンドの材料の処方を表す処方情報を入力し、当該ポリプロピレンコンパウンドの物性を推測する。これにより、推測装置１０は、実際にポリプロピレンコンパウンドを製造して物性を測定することなく、ポリプロピレンコンパウンドの材料の処方情報からポリプロピレンコンパウンドの物性情報を推測することができる。

【0088】

推測装置１０は、学習済みモデルを用いることで、ポリプロピレンコンパウンドの物性情報から処方情報を逆推測させることもできる。

【0089】

図１６は、推測装置１０によるポリプロピレンコンパウンドの処方情報推測処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から推測プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、ポリプロピレンコンパウンドの処方情報推測処理が行なわれる。

【0090】

ＣＰＵ１１は、ステップＳ１１１において、ポリプロピレンコンパウンドの物性情報を取得する。

【0091】

続いてＣＰＵ１１は、ステップＳ１１２において、取得した物性情報を学習済みモデルに入力する。

【0092】

続いてＣＰＵ１１は、ステップＳ１１３において、ポリプロピレンコンパウンドの物性情報から得られるポリプロピレンコンパウンドの処方情報を学習済みモデルに推測させる。

【0093】

続いてＣＰＵ１１は、ステップＳ１１４において、学習済みモデルが推測したポリプロピレンコンパウンドの処方情報を出力する。

【0094】

推測装置１０は、一連の処理の実行により、学習済みモデルに対して処方情報の推測対象のポリプロピレンコンパウンドの物性情報を入力し、当該ポリプロピレンコンパウンドの処方情報を推測する。これにより、推測装置１０は、ポリプロピレンコンパウンドの物性情報から、当該ポリプロピレンコンパウンドを製造するための処方情報を推測することができる。

【0095】

以上、添付図面を参照しながら本開示の実施形態について詳細に説明したが、本開示の技術的範囲はかかる例に限定されない。本開示の技術分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらの変更例または修正例についても、当然に本開示の技術的範囲に属するものと了解される。

【0096】

また、上記実施形態において記載された効果は、説明的又は例示的なものであり、上記実施形態において記載されたものに限定されない。つまり、本開示に係る技術は、上記実施形態において記載された効果とともに、又は上記実施形態において記載された効果に代えて、上記実施形態における記載から、本開示の技術分野における通常の知識を有する者には明らかな他の効果を奏しうる。

【0097】

なお、上記各実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行したポリプロピレンコンパウンドの物性推測処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、ポリプロピレンコンパウンドの物性推測処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。

【0098】

また、上記各実施形態では、ポリプロピレンコンパウンドの物性推測処理のプログラムがＲＯＭまたはストレージに予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記録媒体に記録された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

【0099】

また、上記実施形態におけるＣＰＵ１１の動作は、１つのプロセッサによって成すのみでなく、物理的に離れた位置に存在する複数のプロセッサが、ネットワークを通じて協働して動作するものであってもよい。また上記実施形態における推測装置１０は、インターネット上の１以上のサーバとして提供されていてもよい。

【符号の説明】

【0100】

１ 入力装置
２ 出力装置
１０ 推測装置

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】