知財求人 - 知財ポータルサイト「IP Force」
(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】P2024010524
(43)【公開日】2024-01-24
(54)【発明の名称】ゴム配合の設計方法およびシステム
(51)【国際特許分類】
B29C 67/00 20170101AFI20240117BHJP
【ＦＩ】
B29C67/00
【審査請求】未請求
【請求項の数】12
【出願形態】ＯＬ
(21)【出願番号】P 2022111905
(22)【出願日】2022-07-12
(71)【出願人】
【識別番号】000006714
【氏名又は名称】横浜ゴム株式会社
(74)【代理人】
【識別番号】110001368
【氏名又は名称】清流国際弁理士法人
(74)【代理人】
【識別番号】100129252
【弁理士】
【氏名又は名称】昼間 孝良
(74)【代理人】
【識別番号】100155033
【弁理士】
【氏名又は名称】境澤 正夫
(72)【発明者】
【氏名】鈴木 聖人
(72)【発明者】
【氏名】多田 成明
【テーマコード（参考）】
4F213
【Ｆターム（参考）】
4F213AA45
4F213AM23
4F213AR20
4F213WA41
4F213WB01
(57)【要約】
【課題】目標とするゴム物性に適合するゴム配合を、精度よく簡便に把握できるゴム配合の設計方法およびシステムを提供する。
【解決手段】準備工程Ｓ１００では、学習データ１０を用いて機械学習により構築された配合生成モデル３０ａと物性予測モデル４０とを利用し、配合生成モデル３０ａを用いて学習データ１０の配合データＤ１と異なる配合データＤ１ｂを生成し、生成した各配合データＤ１ｂで所定の製造条件データＤ２に基づいて製造される各対象加硫ゴムＢのゴム物性データＤ３を、物性予測モデル４０を用いて算出して配合データセット２０を予め作成しておき、選択工程Ｓ２００では、配合データセット２０と目標値D３ａとに基づいて、配合データセット２０の中からゴム特性データＤ３が目標値Ｄ３ａに近似する対象加硫ゴムＢの配合データＤ１を目的の加硫ゴムＲの配合データＤ１として選択する。
【選択図】図１
【解決手段】準備工程Ｓ１００では、学習データ１０を用いて機械学習により構築された配合生成モデル３０ａと物性予測モデル４０とを利用し、配合生成モデル３０ａを用いて学習データ１０の配合データＤ１と異なる配合データＤ１ｂを生成し、生成した各配合データＤ１ｂで所定の製造条件データＤ２に基づいて製造される各対象加硫ゴムＢのゴム物性データＤ３を、物性予測モデル４０を用いて算出して配合データセット２０を予め作成しておき、選択工程Ｓ２００では、配合データセット２０と目標値D３ａとに基づいて、配合データセット２０の中からゴム特性データＤ３が目標値Ｄ３ａに近似する対象加硫ゴムＢの配合データＤ１を目的の加硫ゴムＲの配合データＤ１として選択する。
【選択図】図１
【特許請求の範囲】
【請求項1】
複数種類のゴム物性データの目標値を満足する目的の加硫ゴムのそれぞれの配合成分の配合量が設定された配合データを把握するゴム配合の設計方法において、
準備工程と選択工程とを有し、
前記準備工程では、前記配合データが異なる多数種類の未加硫ゴムを加硫して製造されたそれぞれの加硫ゴムについての前記配合データと、製造条件データと、複数種類のゴム物性データと、を前記加硫ゴムの種類ごとに集積したデータセットを学習データとして、
前記学習データを用いて機械学習によって演算装置により配合生成モデルおよび物性予測モデルを構築し、
前記配合生成モデルを用いて前記演算装置によりデータ処理することにより、それぞれの前記加硫ゴムの配合データとは異なっている多数の前記配合データを生成し、前記物性予測モデルを用いて前記演算装置によりデータ処理することにより、生成した前記配合データで形成されて所定の製造条件データに基づいて製造されるそれぞれの前記対象加硫ゴムの前記ゴム物性データを算出し、それぞれの前記対象加硫ゴムについての前記配合データと、前記所定の製造条件データと、前記ゴム物性データと、を前記対象加硫ゴムの種類ごとに集積して配合データセットを作成し、
前記選択工程では、前記配合データセットと前記目標値とに基づいて、演算装置によりデータ処理することにより、前記配合データセットの中から前記ゴム物性データが前記目標値に近似する前記対象加硫ゴムの前記配合データを、前記目的の加硫ゴムの前記配合データとして選択し、
前記準備工程と前記選択工程とは互いに個別の任意のタイミングで実施され、前記配合データセットは前記選択工程の実施の前に予め作成されているゴム配合の設計方法。
準備工程と選択工程とを有し、
前記準備工程では、前記配合データが異なる多数種類の未加硫ゴムを加硫して製造されたそれぞれの加硫ゴムについての前記配合データと、製造条件データと、複数種類のゴム物性データと、を前記加硫ゴムの種類ごとに集積したデータセットを学習データとして、
前記学習データを用いて機械学習によって演算装置により配合生成モデルおよび物性予測モデルを構築し、
前記配合生成モデルを用いて前記演算装置によりデータ処理することにより、それぞれの前記加硫ゴムの配合データとは異なっている多数の前記配合データを生成し、前記物性予測モデルを用いて前記演算装置によりデータ処理することにより、生成した前記配合データで形成されて所定の製造条件データに基づいて製造されるそれぞれの前記対象加硫ゴムの前記ゴム物性データを算出し、それぞれの前記対象加硫ゴムについての前記配合データと、前記所定の製造条件データと、前記ゴム物性データと、を前記対象加硫ゴムの種類ごとに集積して配合データセットを作成し、
前記選択工程では、前記配合データセットと前記目標値とに基づいて、演算装置によりデータ処理することにより、前記配合データセットの中から前記ゴム物性データが前記目標値に近似する前記対象加硫ゴムの前記配合データを、前記目的の加硫ゴムの前記配合データとして選択し、
前記準備工程と前記選択工程とは互いに個別の任意のタイミングで実施され、前記配合データセットは前記選択工程の実施の前に予め作成されているゴム配合の設計方法。
【請求項2】
前記準備工程では、前記学習データのそれぞれの前記加硫ゴム、その前記配合データをそれぞれ、前記配合データセットの前記対象加硫ゴム、その前記配合データと見做して、前記学習データを前記配合データセットの一部として統合する請求項１に記載のゴム配合の設計方法。
【請求項3】
前記選択工程では、前記目的の加硫ゴムについてのそれぞれの前記ゴム物性データの前記目標値と、それぞれの前記配合成分の配合量の指定範囲が設定された配合指定データと、を前記演算装置に入力し、
制約条件データとしてそれぞれの前記目標値と前記配合指定データとが入力された配合生成モデルを用いて、前記演算装置によりデータ処理することにより、前記制約条件データによる制約を満たすとともに、前記学習データのそれぞれの前記配合データとは異なる配合データを指定候補として複数生成し、
前記物性予測モデルを用いて、前記演算装置によりデータ処理することにより、生成したそれぞれの前記指定候補の前記配合データにより形成されて所定の製造条件データに基づいて製造されるそれぞれの指定加硫ゴムのそれぞれの前記ゴム物性データを算出し、それぞれの前記指定加硫ゴムについての前記配合データと、前記所定の製造条件データと、それぞれの前記ゴム物性データとを前記指定加硫ゴムの種類ごとに集積して指定データセットを作成し、前記指定加硫ゴム、その前記配合データをそれぞれ、前記対象加硫ゴムおよびその前記配合データと見做して、前記指定データセットを前記配合データセットの一部として統合する請求項１に記載のゴム配合の設計方法。
制約条件データとしてそれぞれの前記目標値と前記配合指定データとが入力された配合生成モデルを用いて、前記演算装置によりデータ処理することにより、前記制約条件データによる制約を満たすとともに、前記学習データのそれぞれの前記配合データとは異なる配合データを指定候補として複数生成し、
前記物性予測モデルを用いて、前記演算装置によりデータ処理することにより、生成したそれぞれの前記指定候補の前記配合データにより形成されて所定の製造条件データに基づいて製造されるそれぞれの指定加硫ゴムのそれぞれの前記ゴム物性データを算出し、それぞれの前記指定加硫ゴムについての前記配合データと、前記所定の製造条件データと、それぞれの前記ゴム物性データとを前記指定加硫ゴムの種類ごとに集積して指定データセットを作成し、前記指定加硫ゴム、その前記配合データをそれぞれ、前記対象加硫ゴムおよびその前記配合データと見做して、前記指定データセットを前記配合データセットの一部として統合する請求項１に記載のゴム配合の設計方法。
【請求項4】
前記選択工程では、前記目的の加硫ゴムについてのそれぞれの前記ゴム物性データの前記目標値と、それぞれの前記配合成分の配合量の指定範囲が設定された配合指定データと、混合条件および加硫条件の少なくとも一方が指定された製造条件指定データと、を前記演算装置に入力し、
制約条件データとしてそれぞれの前記目標値と前記配合指定データと前記製造条件指定データとが入力された配合生成モデルを用いて、前記演算装置によりデータ処理することにより、前記制約条件データによる制約を満たすとともに、前記学習データのそれぞれの前記配合データとは異なる配合データを指定候補として複数生成し、
前記物性予測モデルを用いて、前記演算装置によりデータ処理することにより、生成したそれぞれの前記指定候補の前記配合データにより形成されて前記製造条件指定データに基づいて製造されるそれぞれの指定加硫ゴムのそれぞれの前記ゴム物性データを算出し、それぞれの前記指定加硫ゴムについての前記配合データと、前記製造条件指定データと、それぞれの前記ゴム物性データとを前記指定加硫ゴムの種類ごとに集積して指定データセットを作成し、前記指定加硫ゴム、その前記配合データをそれぞれ、前記対象加硫ゴムおよびその前記配合データと見做して、前記指定データセットを前記配合データセットの一部として統合する請求項１に記載のゴム配合の設計方法。
制約条件データとしてそれぞれの前記目標値と前記配合指定データと前記製造条件指定データとが入力された配合生成モデルを用いて、前記演算装置によりデータ処理することにより、前記制約条件データによる制約を満たすとともに、前記学習データのそれぞれの前記配合データとは異なる配合データを指定候補として複数生成し、
前記物性予測モデルを用いて、前記演算装置によりデータ処理することにより、生成したそれぞれの前記指定候補の前記配合データにより形成されて前記製造条件指定データに基づいて製造されるそれぞれの指定加硫ゴムのそれぞれの前記ゴム物性データを算出し、それぞれの前記指定加硫ゴムについての前記配合データと、前記製造条件指定データと、それぞれの前記ゴム物性データとを前記指定加硫ゴムの種類ごとに集積して指定データセットを作成し、前記指定加硫ゴム、その前記配合データをそれぞれ、前記対象加硫ゴムおよびその前記配合データと見做して、前記指定データセットを前記配合データセットの一部として統合する請求項１に記載のゴム配合の設計方法。
【請求項5】
前記選択工程では、前記制約条件データにより設定された制約条件下で、条件付き敵対的生成ネットワークを利用して前記演算装置により前記配合生成モデルを構築する請求項３または４に記載のゴム配合の設計方法。
【請求項6】
前記指定データセットが統合された前記配合データセットを用いる前記選択工程では、前記制約条件データの制約条件ごとの評価関数を用いて、前記配合データセットの中から前記制約条件データによる制約を満足する度合いが基準よりも高い前記対象加硫ゴムの前記配合データを、前記目的の加硫ゴムの前記配合データとして選択する請求項３または４に記載のゴム配合の設計方法。
【請求項7】
前記指定候補の前記配合データの生成数を前記配合データセットの前記配合データの数以下とする請求項３または４に記載のゴム配合の設計方法。
【請求項8】
前記選択工程では、選択したそれぞれの前記配合データを基にする前記対象加硫ゴムの前記配合データと前記所定の製造条件データと前記ゴム物性データとを一回目の探索用学習データとして、
前記探索用学習データを用いて機械学習により別の配合生成モデルを構築し、前記演算装置によりデータ処理することにより、前記別の配合生成モデルを用いて前記配合データの探索用候補を複数生成し、前記物性予測モデルによりそれぞれの前記探索用候補の前記配合データにより形成された探索用加硫ゴムの前記ゴム物性データを算出し、
それぞれの前記探索用加硫ゴムについての前記配合データと、前記所定の製造条件データと、それぞれの前記ゴム物性データとを前記探索用加硫ゴムの種類ごとに集積して探索用配合データセットを作成し、
前記探索用配合データセットに前記目標値に適合する前記配合データが見つかるまで、前記探索用配合データセットを二回目以降の前記探索用学習データとして、前記演算装置によりデータ処理することにより、前記探索用配合データセットの作成を繰り返し、
前記探索用配合データセットを前記配合データセットと見做す請求項３または４に記載のゴム配合の設計方法。
前記探索用学習データを用いて機械学習により別の配合生成モデルを構築し、前記演算装置によりデータ処理することにより、前記別の配合生成モデルを用いて前記配合データの探索用候補を複数生成し、前記物性予測モデルによりそれぞれの前記探索用候補の前記配合データにより形成された探索用加硫ゴムの前記ゴム物性データを算出し、
それぞれの前記探索用加硫ゴムについての前記配合データと、前記所定の製造条件データと、それぞれの前記ゴム物性データとを前記探索用加硫ゴムの種類ごとに集積して探索用配合データセットを作成し、
前記探索用配合データセットに前記目標値に適合する前記配合データが見つかるまで、前記探索用配合データセットを二回目以降の前記探索用学習データとして、前記演算装置によりデータ処理することにより、前記探索用配合データセットの作成を繰り返し、
前記探索用配合データセットを前記配合データセットと見做す請求項３または４に記載のゴム配合の設計方法。
【請求項9】
前記選択工程では、選択したそれぞれの前記配合データを、最適化アルゴリズムを用いて前記演算装置によりデータ処理することにより、前記配合データの最適解候補を生成し、前記最適解候補の前記配合データにより形成された最適解加硫ゴムについての前記配合データと、前記所定の製造条件データと、それぞれの前記ゴム物性データとを前記最適解加硫ゴムごとに集積して最適解配合データセットを作成し、
作成した前記最適解配合データセットを前記配合データセットと見做す請求項３または４に記載のゴム配合の設計方法。
作成した前記最適解配合データセットを前記配合データセットと見做す請求項３または４に記載のゴム配合の設計方法。
【請求項10】
前記選択工程で選択された前記対象加硫ゴムの前記配合データ、前記所定の製造条件データおよび前記ゴム物性データをそれぞれ、前記配合データセットに追加して前記配合データを更新する請求項３または４に記載のゴム配合の設計方法。
【請求項11】
演算処理部と記憶部と入力部と出力部とを有する演算装置により、複数種類のゴム物性データの目標値を満足する目的の加硫ゴムのそれぞれの配合成分の配合量が設定された配合データを把握するゴム配合の設計システムにおいて、
前記演算装置により準備工程と選択工程とが実施され、
前記準備工程では、前記配合データが異なる多数種類の未加硫ゴムを加硫して製造されたそれぞれの加硫ゴムについての前記配合データと、製造条件データと、複数種類のゴム物性データと、を前記加硫ゴムの種類ごとに集積したデータセットを学習データとして、
演算装置により前記学習データを用いて機械学習によって配合生成モデルおよび物性予測モデルが構築されて、前記配合生成モデルを用いて前記演算装置によりデータ処理することにより、それぞれの前記加硫ゴムの配合データとは異なっている多数の前記配合データが生成され、かつ、前記物性予測モデルを用いて前記演算装置によりデータ処理することにより、生成された前記配合データで形成されて所定の製造条件データに基づいて製造されるそれぞれの前記対象加硫ゴムの前記ゴム物性データが算出されて、それぞれの前記対象加硫ゴムについての前記配合データと、前記所定の製造条件データと、前記ゴム物性データと、が前記対象加硫ゴムの種類ごとに集積された配合データセットが作成されて前記記憶部に記憶されていて、
前記選択工程では、前記配合データセットと前記目標値とに基づいて、演算装置によりデータ処理することにより、前記配合データセットの中から前記ゴム物性データが前記目標値に近似する前記対象加硫ゴムの前記配合データが、前記目的の加硫ゴムの前記配合データとして選択され、
前記準備工程と前記選択工程とは互いに個別の任意のタイミングで実施されて、前記配合データセットは前記選択工程の実施の前に予め作成されているゴム配合の設計システム。
前記演算装置により準備工程と選択工程とが実施され、
前記準備工程では、前記配合データが異なる多数種類の未加硫ゴムを加硫して製造されたそれぞれの加硫ゴムについての前記配合データと、製造条件データと、複数種類のゴム物性データと、を前記加硫ゴムの種類ごとに集積したデータセットを学習データとして、
演算装置により前記学習データを用いて機械学習によって配合生成モデルおよび物性予測モデルが構築されて、前記配合生成モデルを用いて前記演算装置によりデータ処理することにより、それぞれの前記加硫ゴムの配合データとは異なっている多数の前記配合データが生成され、かつ、前記物性予測モデルを用いて前記演算装置によりデータ処理することにより、生成された前記配合データで形成されて所定の製造条件データに基づいて製造されるそれぞれの前記対象加硫ゴムの前記ゴム物性データが算出されて、それぞれの前記対象加硫ゴムについての前記配合データと、前記所定の製造条件データと、前記ゴム物性データと、が前記対象加硫ゴムの種類ごとに集積された配合データセットが作成されて前記記憶部に記憶されていて、
前記選択工程では、前記配合データセットと前記目標値とに基づいて、演算装置によりデータ処理することにより、前記配合データセットの中から前記ゴム物性データが前記目標値に近似する前記対象加硫ゴムの前記配合データが、前記目的の加硫ゴムの前記配合データとして選択され、
前記準備工程と前記選択工程とは互いに個別の任意のタイミングで実施されて、前記配合データセットは前記選択工程の実施の前に予め作成されているゴム配合の設計システム。
【請求項12】
互いに通信可能な複数の前記演算装置を備えて、前記準備工程と前記準備工程とがそれぞれ、複数の前記演算装置のうちの異なる演算装置により行われる請求項１１に記載のゴム配合の設計システム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、ゴム配合の設計方法およびシステムに関し、より詳しくは、目標とするゴム物性に適合するゴム配合を、精度よく簡便に把握できるゴム配合の設計方法およびシステムに関する。
【背景技術】
【0002】
加硫ゴムは、未加硫ゴムを加硫することで製造される。未加硫ゴムは、複数種類の配合成分がそれぞれ、特定の配合量で配合されて形成されている。それぞれの配合成分の配合量を異ならせることで、製造される加硫ゴムのゴム物性を変化させることができる。換言すると、目標とするゴム物性を有する加硫ゴムを製造するには、ゴム配合（それぞれの配合成分の配合量）を目標とするゴム物性に応じて適切に設定する必要がある。
【0003】
機械学習を利用して所定の製品の既存の製造レシピとは異なる製造レシピを設計する方法が提案されている（特許文献１参照）。特許文献１で提案されている方法は、対象にする製品をゴムに特化していないため、ゴム製品に適用するにはゴムに特有の考慮をする必要がある。また、この提案の方法をゴム製品に適用して既存のゴム配合とは異なるゴム配合を設計するには、ゴム製品の製造業者が従来から蓄積している膨大な実験データや試験データを学習データとして用いるため、膨大なデータ処理が必要になる。したがって、この提案の方法では、目標とするゴム物性に適合するゴム配合を精度よく把握するには、データ処理の負荷が過大になるため、この負荷の軽減化を図る必要がある。それ故、目標とするゴム物性に適合するゴム配合を、精度よく簡便に把握するには改善の余地がある。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０２０－０３０６３８号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
本発明の目的は、目標とするゴム物性に適合するゴム配合を、精度よく簡便に把握できるゴム配合の設計方法および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】
【0006】
上記の目的を達成する本発明のゴム配合の設計方法は、複数種類のゴム物性データの目標値を満足する目的の加硫ゴムのそれぞれの配合成分の配合量が設定された配合データを把握するゴム配合の設計方法において、準備工程と選択工程とを有し、前記準備工程では、前記配合データが異なる多数種類の未加硫ゴムを加硫して製造されたそれぞれの加硫ゴムについての前記配合データと、製造条件データと、複数種類のゴム物性データと、を前記加硫ゴムの種類ごとに集積したデータセットを学習データとして、前記学習データを用いて機械学習によって演算装置により配合生成モデルおよび物性予測モデルを構築し、前記配合生成モデルを用いて前記演算装置によりデータ処理することにより、それぞれの前記加硫ゴムの配合データとは異なっている多数の前記配合データを生成し、前記物性予測モデルを用いて前記演算装置によりデータ処理することにより、生成した前記配合データで形成されて所定の製造条件データに基づいて製造されるそれぞれの前記対象加硫ゴムの前記ゴム物性データを算出し、それぞれの前記対象加硫ゴムについての前記配合データと、前記所定の製造条件データと、前記ゴム物性データと、を前記対象加硫ゴムの種類ごとに集積して配合データセットを作成し、前記選択工程では、前記配合データセットと前記目標値とに基づいて、演算装置によりデータ処理することにより、前記配合データセットの中から前記ゴム物性データが前記目標値に近似する前記対象加硫ゴムの前記配合データを、前記目的の加硫ゴムの前記配合データとして選択し、前記準備工程と前記選択工程とは互いに個別の任意のタイミングで実施され、前記配合データセットは前記選択工程の実施の前に予め作成されているゴム配合の設計方法ことを特徴とする。
【0007】
本発明のゴム配合の設計システムは、演算処理部と記憶部と入力部と出力部とを有する演算装置により、複数種類のゴム物性データの目標値を満足する目的の加硫ゴムのそれぞれの配合成分の配合量が設定された配合データを把握するゴム配合の設計システムにおいて、前記演算装置により準備工程と選択工程とが実施され、前記準備工程では、前記配合データが異なる多数種類の未加硫ゴムを加硫して製造されたそれぞれの加硫ゴムについての前記配合データと、製造条件データと、複数種類のゴム物性データと、を前記加硫ゴムの種類ごとに集積したデータセットを学習データとして、演算装置により前記学習データを用いて機械学習によって配合生成モデルおよび物性予測モデルが構築されて、前記配合生成モデルを用いて前記演算装置によりデータ処理することにより、それぞれの前記加硫ゴムの配合データとは異なっている多数の前記配合データが生成され、かつ、前記物性予測モデルを用いて前記演算装置によりデータ処理することにより、生成された前記配合データで形成されて所定の製造条件データに基づいて製造されるそれぞれの前記対象加硫ゴムの前記ゴム物性データが算出されて、それぞれの前記対象加硫ゴムについての前記配合データと、前記所定の製造条件データと、前記ゴム物性データと、が前記対象加硫ゴムの種類ごとに集積された配合データセットが作成されて前記記憶部に記憶されていて、前記選択工程では、前記配合データセットと前記目標値とに基づいて、演算装置によりデータ処理することにより、前記配合データセットの中から前記ゴム物性データが前記目標値に近似する前記対象加硫ゴムの前記配合データが、前記目的の加硫ゴムの前記配合データとして選択され、前記準備工程と前記選択工程とは互いに個別の任意のタイミングで実施されて、前記配合データセットは前記選択工程の実施の前に予め作成されていることを特徴とする。
【発明の効果】
【0008】
本発明によれば、準備工程と選択工程とを同時期に一緒に行うのではなく、それぞれを独立した個別のタイミングで行う。予め準備工程により配合データセットを準備しておくことで、目標とするゴム物性を有する加硫ゴムのゴム配合を把握するには、選択工程のみを行えばよく、データ処理の負荷を分散させることができる。新たなゴム配合を設計するために製造条件や目標値を変更しても、学習データが不変であれば配合データセットはそのまま使用すればよく、配合データセットをその都度、最初から作成する必要がない。作成した配合データセットは、学習データの更新とともに更新することもできる。この学習データおよび配合データの更新は、選択工程とは独立して任意の所望のタイミングで行うことができる。このようにデータ処理の負荷を分散、軽減して精度よく簡便に所望のゴム配合を把握するには有利になる。
【0009】
また、配合データセットのゴム物性データは、配合成分の種類やそれぞれの配合量に加えて、製造条件データがゴム物性データに及ぼす影響が考慮されている。つまり、それぞれのゴム物性データが目標値に高い精度で近似する対象加硫ゴムの配合データを把握する過程で、製造条件データも簡便に把握することができる。しかも、把握できる配合データは学習データに存在していない新たな配合データであるため、目標とするゴム物性を有する加硫ゴムの開発作業や改良作業の効率化に大きく寄与する。
【図面の簡単な説明】
【0010】
【図1】ゴム配合の設計システムの実施形態を例示する説明図である。
【図2】学習データを例示する説明図である。
【図3】配合データセットを例示する説明図である。
【図4】ゴム配合の設計方法の実施形態の準備工程の手順を例示するフロー図である。
【図5】準備工程で用いる配合生成モデルの構築の手順を例示する説明図である。
【図6】準備工程で用いる物性予測モデルの構築の手順を例示する説明図である。
【図7】ゴム配合の設計方法の実施形態の選択工程の手順を例示するフロー図である。
【図8】目標値を例示する説明図である。
【図9】実施形態の変形例１での準備工程の手順を例示するフロー図である。
【図10】実施形態の変形例２での選択工程の手順を例示するフロー図である。
【図11】配合指定データおよび製造条件指定データを例示する説明図である。
【図12】追加条件データを例示する説明図である。
【図13】変形例２の配合生成モデルの構築の手順を例示する説明図である。
【図14】指定配合データセットを例示する説明図である。
【図15】実施形態の変形例３での選択工程の手順を例示するフロー図である。
【図16】変形例３の探索用学習データを例示する説明図である。
【図17】変形例３の配合生成モデルの構築の手順を例示する説明図である。
【図18】変形例３の探索用配合データセットを例示する説明図である。
【図19】実施形態の変形例４での選択工程の手順を例示するフロー図である。
【図20】変形例４の最適化用データセットを例示する説明図である。
【図21】変形例４の最適解配合データセットを例示する説明図である。
【図22】実施形態の変形例５の手順を例示するフロー図である。
【図23】変形例５での各データセットのデータ空間を模式的に例示する説明図である。
【発明を実施するための形態】
【0011】
以下、ゴム配合の設計方法およびシステムを、図に示す実施形態およびその変形例に基づいて説明する。
【0012】
図１に例示するゴム配合の設計システム１の実施形態を用いて、ゴム配合の設計方法が実施される。この設計方法は、学習データ１０に基づいた配合データセット２０を予め作成する準備工程（後述する準備工程Ｓ１００）と、その準備工程Ｓ１００により作成された配合データセット２０を用いて、目標とするゴム物性に適合するゴム配合を把握する選択工程（後述する選択工程Ｓ２００）と、の二つの工程をそれぞれ独立した個別のタイミングで行う方法である。
【0013】
設計システム１は、複数台の演算装置２ａ、２ｂを備えている。設計システム１は、一台の演算装置で構成されてもよいが、複数台の演算装置２ａ、２ｂで構成されることで、データ処理を分散することが可能になり、データ処理負荷の低減や効率化の効果がより高まる。
【0014】
各々の演算装置２ａ、２ｂは、種々のデータが入力、記憶され、これらデータを用いてデータ処理を行う。各々の演算装置２ａ、２ｂは、公知の種々のコンピュータを用いることができる。各々の演算装置２ａ、２ｂは、中央演算処理部（ＣＰＵ）３、主記憶部（メモリ）４、補助記憶部（例えば、HDD）５、入力部（キーボード、マウス）６、および、出力部（ディスプレイ、プリンタ）７を有している。
【0015】
演算装置２ａ、２ｂは、互いに通信可能に接続されている。演算装置２ａ、２ｂは、同一のネットワーク（ＬＡＮ）を介して相互に接続されていてもよく、複数のネットワークがインターネットルータを介して相互に接続された広域通信網（ＷＡＮ）を介して相互に接続されていてもよく、インターネットを介して相互に接続されていてもよい。
【0016】
一方の演算装置２ａは、補助記憶部５に記憶された学習データ１０を用いて配合データセット２０を作成する準備工程Ｓ１００を実行する。演算装置２ａは、一台または複数台のコンピュータで構成されて入力部６および出力部７は必要な数を備えればよく、並列処理により準備工程Ｓ１００を実行する並列コンピュータで構成されていてもよい。
【0017】
他方の演算装置２ｂは、準備工程Ｓ１００の実行により作成された配合データセット２０を用いて、目標とするゴム物性に適合するゴム配合を把握する選択工程Ｓ２００を実行する。演算装置２ｂが複数台のコンピュータを備えていれば、所望するゴム物性が異なる複数の選択工程Ｓ２００を一度に処理することが可能となる。演算装置２ｂは、演算装置２ａがサーバーコンピュータで構成される場合に、クライアントコンピュータで構成されてもよい。演算装置２ａがサーバーコンピュータで構成されていて、演算装置２ｂがクライアントコンピュータで構成されている場合、サーバーコンピュータで実行されるＷｅｂアプリケーションにより準備工程Ｓ１００および選択工程Ｓ２００の両方の工程を行ってもよい。
【0018】
図２に例示する学習データ１０は、異なる多数種類の加硫ゴムＡ（Ａ１、Ａ２、・・・、Ａｎ）の配合データＤ１と、それぞれの加硫ゴムＡについての製造条件データＤ２および複数種類のゴム物性データＤ３を有している。加硫ゴムＡの種類数（１～ｎ）は、特に限定されるものではないが、少なくとも１００個以上であり、好ましくは４００個以上である。
【0019】
配合データＤ１は、複数種類の配合成分Ｃ（Ｃ１、Ｃ２、・・・、Ｃｎ）の配合量を示している。配合成分Ｃとしては、ゴム成分、各種公知の添加剤（カーボン、加硫剤、加硫促進剤、老化防止剤、着色剤、無機充填剤など）が例示される。配合成分Ｃの配合量は、ゴム成分の配合量を１００ｐｈｒ（１００質量部）として、その他のそれぞれの配合成分Ｃの配合量が設定されている。図２では、配合成分Ｃ１、Ｃ２がゴム成分を示している。種類が異なる加硫ゴムＡどうしでは、それぞれの配合成分Ｃの種類が異なっている、あるいは、同種類の配合成分Ｃのそれぞれの配合量が異なっている、もしくは、その両方が異なっている。
【0020】
製造条件データＤ２は、配合データＤ１で示されるそれぞれの配合成分Ｃを混合して未加硫ゴムを形成する際の混合条件や、未加硫ゴムを加硫する際の加硫条件を示している。混合条件としては、混練ミキサでの、混合温度、混合時間、ロータの回転速度、混練ミキサから排出した時の未加硫ゴムの温度などが例示される。混合条件は、加硫工程前に架橋反応が本格的に生じない範囲で、ゴム成分が十分に可塑化し、それぞれの配合成分Ｃを均一に分散させる条件に設定されている。加硫条件としては、加硫温度Ｔ〔℃〕、加硫圧力Ｐ〔ＭＰａ〕、加硫時間ｔ〔ｍｉｎ〕などが例示される。加硫条件は、配合データＤ１で形成される未加硫ゴムに対して加硫過不足がない適切な条件に設定されている。製造条件データＤ２は、混合条件と加硫条件との両方を有するものに限定されず、例えば、加硫条件のみを有していてもよい。製造条件データＤ２が不足している（欠損している）場合は、予め設定されている基準条件（データ）を用いることもできる。
【0021】
ゴム物性データＤ３は、製造条件データＤ２に基づいて配合データＤ１で形成される未加硫ゴムを加硫して製造された加硫ゴムＡを公知の種々の測定装置を用いて測定、取得されている。ゴム物性データＤ３の種類としては、ｔａｎδ（損失係数）、硬度、３００%モジュラス、破断強度、破断伸び、比重などが例示される。ゴム物性データＤ３は、加硫ゴムＡごとに種類が異なっていてもよく、また、加硫ゴムＡごとに種類数が異なっていてもよい。
【0022】
学習データ１０は、配合データＤ１や製造条件データＤ２を異ならせて製造された多数種類の加硫ゴムＡを用意して、測定装置により所望する複数種類のゴム物性データＤ３を取得することにより作成してもよい。また、学習データ１０は、ゴム部材、ゴム製品の製造業者が従来から蓄積している膨大な上記のデータＤ１、Ｄ２、Ｄ３を用いることができる。製造業者が蓄積しているデータとしては、実際のゴム部材、ゴム製品の製造過程や製造後の検査などの製造ラインでの測定値が例示される。また、そのデータとしては、研究開発での多数の実験、試験の結果やコンピュータシミュレーション結果などのラボデータが例示される。
【0023】
図３に例示する配合データセット２０は、演算装置２ａにより準備工程Ｓ１００が実行されることで作成されている。配合データセット２０は、対象加硫ゴムＢ（Ｂ１、Ｂ２、・・・、Ｂｍ）の配合データＤ１ｂと、製造条件データＤ２ｂと、複数種類のゴム物性データＤ３ｂとを有している。対象加硫ゴムＢの配合データＤ１ｂは、選択工程Ｓ２００での選択の候補になっている。対象加硫ゴムＢは、実際に製造されたものではなく、配合データセット２０の各データＤ１ｂ、Ｄ２ｂ、Ｄ３ｂは、準備工程Ｓ１００の実行により得られる擬似的なデータである。
【0024】
対象加硫ゴムＢの種類数（１～ｍ）は、特に限定されるものではないが、その種類数は、学習データ１０の加硫ゴムＡの種類数（１～ｎ）に応じて設定されることが望ましい。加硫ゴムＡの種類数が多いほど、対象加硫ゴムＢの種類数を少なくし、加硫ゴムＡの種類数が少ないほど、対象加硫ゴムＢの種類数を多くするとよい。例えば、加硫ゴムＡの種類数が４００個の場合、対象加硫ゴムＢの種類数は１００個程度でよい。このように、対象加硫ゴムＢの種類数を加硫ゴムＡの種類数に応じて限定することで、準備工程Ｓ１００でのデータ処理の負荷の軽減化には有利になる。加硫ゴムＡと同様に、種類が異なる対象加硫ゴムＢどうしでは、それぞれの配合成分Ｃの種類が異なっている、あるいは、同種類の配合成分Ｃのそれぞれの配合量が異なっている、もしくは、その両方が異なっている。
【0025】
この実施形態では準備工程Ｓ１００と選択工程Ｓ２００とを行うことで、複数種類のゴム物性データＤ３の目標値Ｄ３ａを満足する目的の加硫ゴムＲの配合データＤ１を把握する。まず最初に、ゴム配合の設計方法の準備工程Ｓ１００について説明する。
【0026】
図４はゴム配合の設計方法の準備工程Ｓ１００の一例を示す。まず、学習データ１０を準備する（Ｓ１１０）。ついで、演算装置２ａの補助記憶部５に記憶された所定のプログラムを実行することで、そのプログラムは、演算装置２ａに各手順を実行させる（Ｓ１２０～Ｓ１４０）。最終的に、配合データセット２０が作成されると終了となる。以下に、各ステップ（Ｓ１１０～Ｓ１４０）の内容を詳述する。
【0027】
学習データ１０を準備するステップ（Ｓ１１０）では、演算装置２ａの入力部６の操作により、補助記憶部５に記憶されている膨大なデータから学習データ１０として用いるデータを選択して、学習データ１０を作成する。学習データ１０は、補助記憶部５に記憶されている膨大なデータの全てが使用されてもよいが、膨大なデータの中から所望するデータが選択されて、作成されてもよい。学習データ１０としては、ゴム物性データＤ３に欠損が少ないデータが望ましい。また、学習データ１０としては、加硫ゴムＡごとのゴム物性データＤ３が異なるデータが望ましい。学習データ１０の加硫ゴムＡごとのゴム物性データＤ３が近似すると、学習データ１０を用いて生成される配合データセット２０でのゴム物性データＤ３ｂに偏りが生じ、所望する目標のゴム物性よってはそのゴム物性に適合する配合データＤ２ｂを得られない場合がある。学習データ１０として、ゴム物性データＤ３が異なる加硫ゴムＡのデータが多数集積することで、多種多様なゴム物性を網羅することが可能となる。
【0028】
候補を生成するステップ（Ｓ１２０）では、演算装置２ａにより、学習データ１０を用いた機械学習により構築された配合生成モデル３０ａを利用して、加硫ゴムＡの配合データＤ１と異なる多数の候補（対象加硫ゴムＢの配合データＤ１ｂ）を生成するデータ処理が実行される。配合生成モデル３０ａは、学習データ１０を用いた機械学習により構築され、学習データ１０のそれぞれの加硫ゴムＡの配合データD１と異なる配合データＤ１ｂを生成するコンピュータプログラムの一種である。配合生成モデル３０ａは、公知の種々の機械学習により構築される生成モデルを用いることができる。配合生成モデル３０ａとしては、変分オートエンコーダ（ＶＡＥ）、敵対的生成ネットワーク（ＧＡＮ）、および、エネルギーベースモデル（ＥＢＭ）などの深層生成モデルが例示される。
【0029】
図５は、配合生成モデル３０ａを構築する手順の一例を示している。この配合生成モデル３０ａは、敵対的生成ネットワークの一種である条件付き敵対的生成ネットワーク（ＣＧＡＮ）を用いている。配合生成モデル３０ａは、生成部３１および識別部３２を有している。
【0030】
生成部３１には、乱数ベクトルｚと学習データ１０のそれぞれの加硫ゴムＡの製造条件データＤ２およびゴム物性データＤ３で構成されるラベル（制約条件）ｙとが入力される。ラベルｙは条件付き敵対的生成ネットワークの制約条件となっている。この入力に対して、生成部３１は、乱数ベクトルｚとラベルｙとの組み合わせに基づいて、学習データ１０のそれぞれの加硫ゴムＡの配合データＤ１で構成されるサンプルｘに対して偽のサンプル（ｘ＊｜ｙ）を生成する。最終的に、生成部３１は、偽のサンプル（ｘ＊｜ｙ）とラベルｙとを組み合わせた偽のデータ（ｘ＊｜ｙ，ｙ）を、乱数ベクトルｚの発生回数分生成する。生成された偽のデータ（ｘ＊｜ｙ，ｙ）は識別部３２に出力される。
【0031】
識別部３２には、生成部３１が出力した偽のデータ（ｘ＊｜ｙ，ｙ）とサンプルｘおよびラベルｙを組み合わせた本物のデータ（ｘ、ｙ）とが交互にミニバッチ入力される。識別部３２は、入力されたデータのサンプル（ｘまたはｘ＊｜ｙ）が本物で、かつ、ラベルｙと適合している確信の度合いを示す確率値に基づいて真偽を判定する。この真偽の判定結果に基づいた誤差逆伝播により生成部３１と識別部３２が調教される（重みが変更される）。
【0032】
配合生成モデル３０ａの構築では、生成部３１の偽のデータ（ｘ＊｜ｙ，ｙ）生成のプロセスと、識別部３２の判定のプロセスとが繰り返し行われる。各プロセスの繰り返しにより、生成部３１は、生成した偽のデータ（ｘ＊｜ｙ，ｙ）が識別部３２によって本物のデータ（ｘ，ｙ）であるとより高い確率で判定される偽のデータ（ｘ＊｜ｙ，ｙ）を生成できるように生成精度を向上させる。識別部３２は、本物のデータ（ｘ，ｙ）により存在しそうな偽のデータ（ｘ＊｜ｙ，ｙ）が入力されても、正しい判定をすることができるように判定精度を向上させる。このように、生成部３１および識別部３２が十分に調教されて配合生成モデル３０ａは構築される。
【0033】
生成部３１に入力されるラベルｙは、学習データ１０のそれぞれの加硫ゴムＡについての製造条件データＤ２およびゴム物性データＤ３に限定されるものではない。ラベルｙは、製造条件データＤ２を統一の条件として、その統一された製造条件データＤ２と製造条件データＤ３の組み合わせで構成されてもよい。また、ラベルｙは、学習データ１０に存在する製造条件データＤ２とゴム物性データＤ３との全ての組み合わせとしてもよい。ラベルｙは、学習データ１０以外の制約条件を含めることもできる。制約条件は、任意に設定することができるが、配合成分Ｃの総種類数、配合成分Ｃの中のゴム成分の種類数などが例示できる。
【0034】
構築された配合生成モデル３０ａは、演算装置２ａの補助記憶部５に記憶される。構築された配合生成モデル３０ａでは、学習データ１０の配合データＤ１が取りうる範囲が標本空間となって配合データＤ１ｂの候補が、乱数ベクトルｚの発生回数だけ生成される。ラベルｙとして入力された学習データ１０のそれぞれの加硫ゴムＡについての製造条件データＤ２およびゴム物性データＤ３の数値に基づいて、生成部３１は、調教により設定されている重みに従って配合データＤ１ｂの候補を生成する。識別部３２には、生成部３１が生成した配合データＤ１ｂの候補と所定の製造条件データＤ２およびゴム物性データＤ３との組み合わせたデータが入力される。識別部３２は、生成部３１が生成したその組み合わせのデータが本物である確率が高いものを配合データＤ１ｂの候補として出力する。生成されたそれぞれの配合データＤ１ｂの候補は、学習データ１０に存在する配合データＤ１とは異なっている。
【0035】
生成された配合データＤ１ｂの候補は、配合成分Cの中のゴム成分の配合量が１００ｐｈｒ（１００質量部）に補正され、その他のそれぞれの配合成分Ｃの配合量がその補正に合わせて修正されることが望ましい。このように、配合データＤ１ｂを補正することで、実験室や製造ラインで使用される配合表の表記と比較可能になり、それぞれの配合成分Ｃの配合量を把握し易くなる。
【0036】
ゴム物性データＤ３ｂを予測するステップ（Ｓ１３０）では、演算装置２ａにより、学習データ１０を用いた機械学習により構築された物性予測モデル４０を利用して、対象加硫ゴムＢの複数種類のゴム物性データＤ３ｂを予測するデータ処理が実行される。物性予測モデル４０は、学習データ１０を用いた機械学習により構築され、対象加硫ゴムＢの複数種類のゴム物性データＤ３ｂを予測するコンピュータプログラムの一種である。物性予測モデル４０は、公知の種々の機械学習により構築された予測モデルを用いることができる。機械学習の手法としては、ニューラルネットワークを用いたディープラーニングが例示される。
【0037】
図６は、物性予測モデル４０を構築する手順の一例を示す。物性予測モデル４０は、ニューラルネットワークの一種であるディープニューラルネットワーク（ＤＮＮ）を用いる。ディープニューラルネットワークは、入力層４１と複数の中間層（隠れ層）４２と出力層４３との三種類のノード層からなる。各層のそれぞれのノードは、互いに結合重みが与えられたエッジ４４により接続されている。
【0038】
入力層４１には、サンプルｘとして、学習データ１０のそれぞれの加硫ゴムＡの配合データＤ１と製造条件データＤ２とが入力される。入力層４１の各ノードには、配合データＤ１に示されるそれぞれの配合成分Ｃおよびその配合量と、製造条件データＤ２に示される製造条件（混合条件、加硫条件）およびその数値と、が入力される。したがって、入力層４１のノード数は、サンプルｘの合計数であり、学習データ１０に存在する配合成分Ｃの種類数と製造条件の種類数とを合計した値になる。なお、入力層４１のノードの一つに定数が入力されてもよい。定数としては、特定の配合成分Ｃや製造条件をサンプルｘとして使用しないという意味の「０」が例示される。
【0039】
中間層４２は、入力層４１の各ノードの値とエッジの結合重みとが掛け合わされた値が入力される。中間層４２の層の数、一層の中間層４２におけるノード数は任意に選択することができる。
【0040】
出力層４３は、入力層４１から複数の中間層４２を経て出力層４３までの順伝播により得られた予測値を出力する。出力層４３のノード数は、サンプルｙの合計数であり、学習データ１０に存在するゴム物性データＤ３の種類数になる。出力された予測値と、学習データ１０のそれぞれの加硫ゴムＡのゴム物性データＤ３とを比較して、両者の誤差を小さくするように各エッジ４４の結合重みを誤差逆伝播法により変更する。
【0041】
物性予測モデル４０の構築では、学習データ１０からランダムに所定数のサンプルｘを抽出し、その所定数のサンプルｘをまとめて入力層４１に入力して、各エッジ４４の結合重みを変更するミニバッチ学習が、異なる所定数のサンプルｘの組み合わせに対して繰り返し行われる。これにより、予測精度を向上させた物性予測モデル４０を構築する。
【0042】
構築された物性予測モデル４０は、演算装置２ａの補助記憶部５に記憶される。構築された物性予測モデル４０には、その入力層４１に配合生成モデル３０ａにより生成されたそれぞれの対象加硫ゴムＢの配合データＤ１ｂと所定の製造条件データＤ２ｂとが入力される。所定の製造条件データＤ２ｂは、配合生成モデル３０により生成された候補となる配合データＤ１ｂに組み合わせられた製造条件データＤ２、または、学習データ１０に存在する製造条件データＤ２のいずれかを用いることができる。
【0043】
ゴム物性データＤ３ｂは、配合データＤ１ｂおよび製造条件データＤ２ｂの要因が複雑に影響し合って変化する。構築された物性予測モデル４０では、出力される予測値がゴム物性データＤ３ｂであり、そのゴム物性データＤ３ｂは、入力される配合データＤ１ｂおよび製造条件データＤ２ｂとの関係が紐付けされていて、ゴム物性データＤ３ｂに対する配合データＤ１ｂおよび製造条件データＤ２ｂの影響具合が分析、評価された状態になっている。それ故、構築された物性予測モデル４０から出力されるゴム物性データＤ３ｂの予測値は、配合データＤ１ｂおよび製造データＤ２ｂの組み合わせ、配合データＤ１ｂでのそれぞれの配合成分Ｃの組み合わせ、それぞれの配合成分Ｃの配合量の違いなどによるゴム物性データＤ３ｂの相違程度のそれぞれの場合における特徴を高精度に表している。
【0044】
配合データセット２０を作成するステップ（Ｓ１４０）では、演算装置２ａにより、配合生成モデル３０ａで生成された候補（配合データＤ１ｂ）と、物性予測モデル４０で予測されたゴム物性データＤ３ｂとを用いて配合データセット２０を作成するデータ処理が実行される。配合データセット２０の製造条件データＤ２ｂは、物性予測モデル４０でゴム物性データＤ３ｂを予測した際に用いたものとする。配合データセット２０は、生成した候補（配合データＤ１ｂ）に基づいて形成されて所定の製造条件データＤ２ｂに基づいて製造されるそれぞれの対象加硫ゴムＢごとに、各データＤ１ｂ、Ｄ２ｂ、Ｄ３ｂを集積させて作成される。
【0045】
以上の各ステップ（Ｓ１１０～Ｓ１４０）を行って作成された配合データセット２０は、演算装置２ａの補助記憶部５に記憶される。配合データセット２０は、選択工程Ｓ２００の実施とは関係なく任意の所望のタイミングで作成することができる。この配合データセット２０は、学習データ１０への加硫ゴムＡの各データＤ１、Ｄ２、Ｄ３の追加など、既存するデータの変更がない限り、作成し直す必要がない。即ち、学習データ１０の変更がなければ、一度作成した配合データセット２０は何回でもそのまま使用することが可能である。
【0046】
次に、ゴム配合の設計方法の選択工程Ｓ２００について説明する。
【0047】
図７は選択工程（Ｓ２００）での手順の一例を示す。まず、演算装置２ｂの入力部６を用いて目標値Ｄ３ａを入力する。ついで、演算装置２ｂの補助記憶部５に記憶された所定のプログラムを実行することで、そのプログラムは、演算装置２ｂに各手順を実行させる（Ｓ２２０～Ｓ２４０）。最終的に、目標とするゴム物性を有する対象加硫ゴムＢの配合データＤ１が出力されると終了となる。以下に、（Ｓ２１０～Ｓ２４０）の各ステップの内容を詳述する。
【0048】
図８に例示する目標値Ｄ３ａを入力するステップ（Ｓ２１０）では、演算装置２ｂの入力部６を用いて、所望の複数種類のゴム物性データＤ３に対して設定されたそれぞれの目標値Ｄ３ａを入力する。図８に例示するように、ゴム物性データＤ３の目標値Ｄ３ａは、所望の複数種類のゴム物性データＤ３に対して設定される。図中では、所望の複数種類のゴム物性データＤ３として、６０℃でのｔａｎδ（初期歪１０％、振幅±２％、周波数２０Ｈｚ）、０℃での硬度Ｈｓ、３００％モジュラス、比重の四種類が設定されているが、これに限定されず所望のゴム物性データＤ３が採用される。
【0049】
配合データセット２０を読み込むステップ（Ｓ２２０）では、演算装置２ｂにより、演算装置２ａの補助記憶部５に記憶されている配合データセット２０を読み込むデータ処理が実行される。配合データセット２０は、演算装置２ａからダウンロードされて、演算装置２ｂの補助記憶部５に記憶されてもよいが、演算装置２ａの補助記憶部５に記憶された状態で演算装置２ｂの主記憶部４に読み込まれてもよい。
【0050】
候補の中から配合データＤ１を選択するステップ（Ｓ２３０）では、演算装置２ｂにより、入力された目標値Ｄ３ａと読み込んだ配合データセット２０とを比較して、配合データセット２０に存在するゴム物性データＤ３ｂが目標値Ｄ３ａと近似する対象加硫ゴムＢの配合データＤ１を選択するデータ処理が実行される。具体的に、演算装置２ｂは、配合データセット２０に存在するそれぞれのゴム物性データＤ３ｂを、それぞれに設定された目標値Ｄ３ａと比較して、近似していると設定されている許容範囲か否かを判定している。許容範囲は任意に設定することができるが、例えば、目標値Ｄ３ａに対して±５%、あるいは、±２％程度の範囲である。演算装置２ｂは、配合データセット２０に存在するすべての候補の配合データＤ１ｂの中からそれぞれのゴム物性データＤ３ｂが目標値Ｄ３ａに近似していると判定した配合データＤ１ｂを、目的の加硫ゴムＲの配合データＤ１として選択する。選択される配合データＤ１ｂは一つに限らず、複数の場合もある。
【0051】
配合データＤ１ｂを出力するステップ（Ｓ２４０）では、演算装置２ｂにより、演算装置２ｂの出力部７に選択した配合データＤ１ｂが出力されるデータ処理を実行する。出力部７により出力された配合データＤ１ｂにより、目標とするゴム物性に適合したゴム配合を把握できる。
【0052】
上述したように本実施形態では、準備工程Ｓ１００と選択工程Ｓ２００とを同時期に一緒に行うのではなく、それぞれを独立した個別の所望のタイミングで行う。予め準備工程Ｓ１００により配合データセット２０を準備しておくことで、目標とするゴム物性（目標値Ｄ３ａ）を有する目的の加硫ゴムＲのゴム配合を把握するには、選択工程Ｓ２００のみを行えばよく、データ処理の負荷を分散させることができる。
【0053】
新たなゴム配合を設計するために製造条件や目標値Ｄ３ａを変更しても、学習データ１０を変更しなければ、作成してある配合データセット２０をそのまま使用すればよく、最初から配合データセット２０を作成する必要がない。これにより、都度、配合データセット２０を作成する手法に比して、データ処理の負荷軽減には有利になる。配合データセット２０は学習データ１０の更新とともに更新することもできる。配合データセット２０が学習データ１０を更新するタイミングで新たに作成されることで、選択工程Ｓ２００では、最新の学習データ１０が反映された配合データセット２０を使用することができる。しかも、学習データ１０および配合データセット２０の更新は、選択工程Ｓ２００とは独立して任意の所望のタイミングで行うことができるので、データ処理の負荷が一時的に集中することを回避できる。このように、本実施形態によれば、目標とするゴム物性（目標値Ｄ３ｂ）を有する目的の加硫ゴムＲのゴム配合の把握に要するデータ処理の負荷を軽減するには非常に有利になる。
【0054】
また、配合データセット２０のゴム物性データＤ３ｂは、配合成分Ｃの種類やそれぞれの配合量に加えて、製造条件データＤ２ｂがゴム物性データＤ３ｂに及ぼす影響が考慮されている。つまり、それぞれのゴム物性データＤ３ｂが目標値Ｄ３ａに高い精度で近似する対象加硫ゴムＢの配合データＤ１ｂを把握する過程で、製造条件データD２ｂも簡便に把握することができる。しかも、把握できる配合データＤ１ｂは学習データ１０に存在していない新たなものなので、既存の配合データＤ１の隙間を埋めるように網羅する配合データＤ１ｂが得られることになる。これに伴い、目標とするゴム物性（目標値Ｄ３ａ）を有する加硫ゴムＲの開発作業や改良作業の効率化に大きく寄与する。
【0055】
それぞれのゴム物性データＤ３ｂが目標値Ｄ３ａに近似していると判定されて選択される対象加硫ゴムＢの配合データＤ１ｂが複数存在する場合がある。その場合、それぞれの配合データＤ１ｂに所定の規則に基づいた順位を付け、その順位に従った順序で出力部７により出力するとよい。
【0056】
例えば、選択されるそれぞれの配合データＤ１ｂを、ゴム物性データＤ３ｂの種類毎に、それぞれの配合データＤ１ｂで形成される対象加硫ゴムＢのゴム物性データＤ３ｂが目標値Ｄ３ａに近似する順にして、出力部７により出力する。このように、順位付けすることで、それぞれのゴム物性データＤ３ｂの種類毎の目標値Ｄ３ａとの近似具合を指標として、それぞれの配合データＤ１ｂの優位性を把握し易くなる。
【0057】
また、選択されるそれぞれの配合データＤ１ｂを、ゴム物性データＤ３ｂの種類に対して設定されている優先度の重み付けに基づいて決定されるそれぞれの配合データＤ１ｂで形成される対象加硫ゴムＢのそれぞれのゴム物性データＤ３ｂの目標値Ｄ３ａに対する近似の評価が高い順にして、出力部７により出力する。このように、順位付けすることで、それぞれのゴム物性データＤ３ｂの種類間での優先度の重み付けを考慮したそれぞれの配合データＤ１ｂの優位性を把握し易くなる。
【0058】
選択されるそれぞれの配合データＤ１ｂを、それぞれの配合データＤ１ｂに基づいて算出される単位重量当たりの材料コストの低い順に、出力部７により出力してもよい。このように、順位付けすることで、それぞれの配合データＤ１ｂの材料コストの優位性を把握し易くなる。
【0059】
選択工程Ｓ２００のステップ（Ｓ２３０）では、許容範囲を用いたが、評価関数を利用した評価により目標値Ｄ３ａに近似するゴム物性データＤ３ｂを選択してもよい。それぞれのゴム物性データＤ３ｂと目標値Ｄ３ａとを比較して近似程度を評価する評価関数としては、平均絶対誤差、平均二乗誤差、平均絶対誤差率、および、平均二乗誤差率などの公知の種々の評価関数を用いることができる。目標値Ｄ３ａに近似するゴム物性データＤ３ｂの評価の指標として評価関数を用いることで、配合データＤ１ｂの差異によるゴム物性データＤ３ｂへの影響の度合いをより詳細に把握することができる。
【0060】
また、ゴム物性データＤ３ｂに加えて、配合データＤ１ｂに関する製造条件や制約条件も評価対象にしてもよい。制約条件としては、配合成分Ｃの総種類数とゴム成分の種類数などが例示される。また、制約条件としては、配合データＤ１ｂの材料コストも例示される。ゴム配合の設計には、多数種類のゴム物性データＤ３ｂの目標値Ｄ３ａ以外にも、目的とする特有の製造条件や制約条件があり、配合データセット２０には、それらの条件を満たさない候補（配合データＤ１ｂ）が多数存在する。そこで、ゴム物性データＤ３ｂに加えて、目的とする特有の製造条件や制約条件の評価も行うことで、目的により適合する配合データＤ１ｂを把握することができる。
【0061】
次に、ゴム配合の設計システム１および設計方法の実施形態の変形例１について説明する。
【0062】
図９は変形例１での準備工程Ｓ１００の手順の一例を示す。変形例１では、上述した図４の準備工程Ｓ１００に対して別のステップＳ１５０が追加されている。即ち、変形例１の準備工程Ｓ１００の手順では、配合データセット２０の作成（Ｓ１４０）の後に、その作成された配合データセット２０に対して学習データ１０が統合されている。詳述すると、演算装置２ａにより、学習データ１０の加硫ゴムＡ（ゴム種Ａ）、配合データＤ１、製造条件データＤ２、ゴム物性データＤ３をそれぞれ、上述した配合データセット２０の対象加硫ゴムＢ、データＤ１ｂ、Ｄ２ｂ、Ｄ３ｂと見做して、学習データ１０を配合データセット２０の一部として統合するデータ処理が実行される（Ｓ１５０）。したがって、変形例１では、選択工程Ｓ２００においては、演算装置２ｂにより、学習データ１０が統合された配合データセット２０を用いて、その配合データセット２０に存在するゴム物性データＤ３ｂが目標値Ｄ３ａと近似する対象加硫ゴムＢの配合データＤ１ｂを選択するデータ処理が実行される。
【0063】
このように、配合データセット２０に学習データ１０を統合することで、統合された配合データセット２０は、より多数の異なる配合データＤ１ｂが網羅されて集積したものになる。それ故、学習データ１０が統合された配合データセット２０には、所望するゴム物性（目標値Ｄ３ａ）を有する対象加硫ゴムＢの配合データＤ１ｂを把握するには有利になる。
【0064】
学習データ１０として、実験室や試作レベルのデータが膨大に蓄積されている場合は、所望する目標とするゴム物性（目標値Ｄ３ａ）を有する加硫ゴムＲの配合が学習データ１０に埋もれている可能性もある。このような場合は、変形例１を適用して配合データセット２０に学習データ１０を統合することにより、膨大な量の学習データ１０に埋もれていた既存の配合データＤ１を再活用できるので非常に有益である。
【0065】
次に、ゴム配合の設計システム１および設計方法の実施形態の変形例２について説明する。
【0066】
図１０は変形例２での選択工程Ｓ２００の手順の一例を示す。変形例２では、上述した図７の選択工程Ｓ２００に対して別の各ステップ（Ｓ２５０～Ｓ２９０）が追加されている。即ち、変形例２の選択工程Ｓ２００の手順では、入力された各データ（目標値Ｄ３ａを含む）を制約条件データＤｙとして図１４に例示する指定データセット５０を生成し（Ｓ２５０～Ｓ２８０）、その指定データセット５０を配合データセット２０に統合する（Ｓ２９０）。準備工程Ｓ１００の手順は上述した図４で説明したとおりである。したがって、変形例２では、選択工程Ｓ２００においては、演算装置２ｂにより、指定データセット５０の指定加硫ゴムＤ（ゴム種Ｄ）、配合データＤ１ｄ、製造条件データＤ２ｄ、ゴム物性データＤ３ｄをそれぞれ、上述した配合データセット２０の対象加硫ゴムＢ、データＤ１ｂ、Ｄ２ｂ、Ｄ３ｂと見做して、指定データセット５０を配合データセット２０の一部として統合するデータ処理が実行される（Ｓ２９０）。そして、指定データセット５０が統合された配合データセット２０を用いて、その配合データセット２０に存在する物性データＤ３ｂが目標値Ｄ３ａと近似する対象加硫ゴムＢの配合データＤ１ｂを選択するデータ処理が実行される。以下に、変形例２で追加された各ステップ（Ｓ２５０～Ｓ２９０）の内容を詳述する。
【0067】
追加のデータを入力するステップ（Ｓ２５０）では、演算装置２ｂの入力部６を用いて配合指定データＤ１ａと製造条件指定データＤ２ａと追加条件データＤ４とを入力する。このステップは必須ではなく、ステップ（Ｓ２１０）で目標値Ｄ３ａが入力されていれば、省略してもよい。ただし、配合指定データＤ１ａ、製造条件指定データＤ２ａおよび追加条件データＤ４を入力することで、後述する次のステップ（Ｓ２６０）でより精度の高い指定候補（配合データＤ２ｄ）を生成可能になるため、それらのデータを入力することが望ましい。各ステップ（Ｓ２１０、Ｓ２５０）で入力された各データは、制約条件データＤｙであり、ステップ（Ｓ２６０）で用いられる配合生成モデル３０にラベルｙとして入力される。
【0068】
図１１に例示する配合指定データＤ１ａは、対象加硫ゴムＢのそれぞれの配合成分Ｃ、それぞれの配合成分Ｃの配合量、および、その配合量に対する変動量（指定範囲）が設定されている。製造条件指定データＤ２ａは、混合条件および加硫条件などのそれぞれの製造条件、それぞれの製造条件の数値、および、その数値に対する変動量（指定範囲）が設定されている。
【0069】
配合指定データＤ１ａで指定される配合成分Ｃの種類数は特に限定されない。配合指定データＤ１ａでの配合量および変動量は任意に設定可能である。配合指定データＤ１ａでの配合成分Ｃの中のゴム成分の配合量は合計が１００ｐｈｒとなっており、図中のＣ１、Ｃ２がゴム成分を示している。例えば、対象加硫ゴムＢでのゴム成分である配合成分Ｃ１の配合量は、３０ｐｈｒ以上、７０ｐｈｒ以下に指定されている。また、対象加硫ゴムＢでの配合成分Ｃ７の配合量はゼロに指定されている。このように、配合指定データＤ１ａによって、対象加硫ゴムＢのそれぞれの配合成分Ｃの配合量が指定されることで、目的に応じて、所望の配合量だけを変化させる、あるいは、所望の配合成分Ｃの配合量をゼロにしてその配合成分Ｃを除くことができる。
【0070】
製造条件指定データＤ２ａで指定される製造条件は、図１１に例示した項目に限らず、その他の項目を加えることができる。製造条件指定データＤ２ａでの数値および変動量は任意に設定可能である。それぞれの条件の数値や変動量は指定されない場合もあり、その場合には、予め設定された基準の数値が設定されてもよい。基準の数値としては、既存の製造ラインでの標準的な数値を用いることができる。このように、製造条件指定データＤ２ａによって、目的に応じて、所望の条件だけを変化させる、あるいは、条件を指定しないことで既存の製造ラインでの条件に限定することができる。
【0071】
図１２に例示する追加条件データＤ４は、ステップ（Ｓ２６０）で生成される指定候補（配合データＤ１ｄ）が満たす追加の条件を示している。追加の条件とその数値は、特に限定されるものではなく、目的に応じて任意に設定できる。図１２に例示した配合成分Ｃの総種類数とゴム成分の種類数に限らず、配合指定データＤ１ａの材料コストなどを追加の条件にすることもできる。
【0072】
指定候補を生成するステップ（Ｓ２６０）では、演算装置２ｂにより、学習データ１０を用いた機械学習により構築された配合生成モデル３０ｂを利用して、加硫ゴムＡの配合データＤ１と異なる多数の指定候補（指定加硫ゴムＤの配合データＤ１ｄ）を生成するデータ処理が実行される。配合生成モデル３０ｂを構築する手順は、図６に例示した準備工程での配合生成モデル３０ａを構築する手順と同様である。
【0073】
図１３に例示する配合生成モデル３０ｂを構築する手順では、生成部３１に入力されるサンプルｙと乱数ベクトルｚが異なっている。配合生成モデル３０ｂの生成部３１に入力されるサンプルｙは、演算装置２ｂに入力された制約条件データＤｙ（目標値Ｄ３ａ、配合指定データＤ１ａ、製造条件指定データＤ２ａ、追加条件データＤ４）を用いる。乱数ベクトルｚの発生回数は、準備工程Ｓ１００で作成された配合データセット２０の候補数以下の回数であればよいが、１０００回未満が望ましく、１００回以上５００回以下がより望ましい。乱数ベクトルｚの発生回数が少ないほどデータ処理の負荷軽減には有利になる。
【0074】
構築された配合生成モデル３０ｂは、演算装置２ｂの補助記憶部５に記憶される。演算装置２ｂは、制約条件データＤｙに基づいて、構築された配合生成モデル３０ｂを用いて、指定データセット５０の配合データＤ１ｄの指定候補を、乱数ベクトルｚの発生回数だけ生成する。生成されるそれぞれの配合データＤ１ｄの指定候補は、制約条件データＤｙの制約条件を満たし、かつ、学習データ１０に存在する配合データＤ１とは異なっている。
【0075】
配合生成モデル３０ｂの構築には、演算装置２ａによる準備工程Ｓ１００の過程で構築された配合生成モデル３０ａを利用することができる。配合生成モデル３０ａと配合生成モデル３０ｂとは、ラベルｙと乱数ベクトルｚが異なるのみであり、同一の学習データ１０を用いている。それ故、配合生成モデル３０ｂの構築に、配合生成モデル３０ａを利用することで、最初からモデルを生成するよりもデータ処理の負荷軽減には有利になる。
【0076】
ゴム物性データＤ３ｄを予測するステップ（Ｓ２７０）では、演算装置２ｂにより、演算装置２ａによる準備工程Ｓ１００で構築された物性予測モデル４０を利用して、指定加硫ゴムＤの複数種類のゴム物性データＤ３ｄを予測するデータ処理が実行される。演算装置２ｂは、物性予測モデル４０の入力層４１に配合生成モデル３０ｂにより生成されたそれぞれの指定加硫ゴムＤの配合データＤ１ｄと制約条件指定データＤ２ａとをサンプルｘとして入力する。
【0077】
図１４に例示する指定データセット５０を作成するステップ（Ｓ２８０）では、演算装置２ｂにより、配合生成モデル３０ｂで生成された指定候補（配合データＤ１ｄ）と、物性予測モデル４０で予測されたゴム物性データＤ３ｄとを用いて指定データセット５０を作成するデータ処理が実行される。指定データセット５０の製造条件データＤ２ｄは、入力された製造条件指定データＤ２ａとする。指定データセット５０は、生成した指定候補（配合データＤ１ｄ）に基づいて形成されて指定された製造条件指定データＤ２ａに基づいて製造されるそれぞれの指定加硫ゴムＤごとに、各データＤ１ｄ、Ｄ２ｄ、Ｄ３ｄを集積させて作成される。指定データセット５０のデータ構造は、学習データ１０や配合データセット２０と同様の構造であり、配合データD１ｄが学習データ１０および配合データセット２０には存在しないこととゴム種（D）の種類数（１～ｌ）だけが異なる。したがって、指定データセット５０の詳細な説明は省略する。
【0078】
各データセットを統合するステップ（Ｓ２９０）では、演算装置２ｂにより、指定データセット５０と配合データセット２０とを統合するデータ処理が実行される。具体的に、演算装置２ｂは、指定データセット５０の指定加硫ゴムＤ（ゴム種Ｄ）、配合データＤ１ｄ、製造条件データＤ２ｄ、ゴム物性データＤ３ｄをそれぞれ、上述した配合データセット２０の対象加硫ゴムＢ、データＤ１ｂ、Ｄ２ｂ、Ｄ３ｂと見做して、指定データセット５０を配合データセット２０の一部として統合する。
【0079】
配合データセット２０には、変形例１のように学習データ１０が統合されていてもよい。学習データ１０および指定データセット５０が統合された配合データセット２０は、対象加硫ゴムＢ（統合前の対象加硫ゴムＢ＋加硫ゴムＡ＋指定加硫ゴムＤ）の数が多くなり、目的の加硫ゴムＲのゴム配合に一段と適合し易くなっている。統合前の対象加硫ゴムＢの数（ｍ）は加硫ゴムＡの数（ｎ）よりも少なく、指定加硫ゴムＤの数（ｌ）は、統合前の対象加硫ゴムＢの数と加硫ゴムＡの数とを合計した数（ｎ＋ｍ）よりも少ない。このように、データ処理の実行により作成されるデータの数をより少なくすることでデータ処理の負荷軽減には有利になる。
【0080】
指定データセット５０が統合された配合データセット２０を用いて、演算装置２ｂにより、各ステップ（Ｓ２３０）、（Ｓ２４０）が行われて、出力部７に選択された配合データＤ１ｂが出力されると、終了する。出力部７に出力された配合データＤ１ｂにより、目標とするゴム物性（目標値D３ａ）を有するゴム配合を把握できる。
【0081】
制約条件データＤｙとして、目標値Ｄ３ａ、配合指定データＤ１ａ、製造条件指定データＤ２ａ、および、追加条件データＤ４が入力された場合、ステップ（Ｓ２３０）では、評価関数を利用した評価により、候補の中から配合データＤ１ｂを選択するとよい。具体的に、演算装置２ｂは、対象加硫ゴムＢの各データＤ１ｂ、Ｄ２ｂ、Ｄ３ｂのそれぞれの評価関数（ｆｉ（ｘ）、ｇｊ（ｘ）、ｈｋ（ｘ））を用いた下記の数式（１）を用いた評価値（ｙ）が基準よりも高い対象加硫ゴムＢの配合データＤ１ｂを選択する。評価関数としては、平均絶対誤差、平均二乗誤差、平均絶対誤差率、および、平均二乗誤差率などの公知の種々の評価関数を用いることができる。
【0082】
下記の数式（１）では、ｆｉ（ｘ）が配合データＤ１ｂのそれぞれの配合成分Ｃの配合量の評価関数、追加条件データＤ４の配合成分Ｃの総種類数やゴム成分の種類数の評価関数を示し、ｇｊ（ｘ）が製造条件データＤ２ｂのそれぞれの条件の評価関数を示し、ｈｋ（ｘ）がゴム物性データＤ３ｂのそれぞれの物性値の評価関数を示す。なお、下記の数式（１）には、追加条件データＤ４の追加条件の評価関数を別途、追加してもよい。下記の数式（１）のａ１、ａ２、ａ３は、重み付けであり、任意に設定することができる。例えば、各重み付けを均等に設定してもよいし、各重み付けを異ならせてもよい。また、下記の数式（１）のｎ、ｍ、ｌは、各データにおける制約条件の種類数を示している。例えば、目標値Ｄ３ａが図１２に例示する四種類の場合、ｌ＝４となる。つまり、下記の数式（１）は、制約条件データＤｙに存在する多数種類の制約条件をゴム配合、ゴム製造、およびゴム物性に分類し、分類したそれぞれの制約条件ごとの評価関数を総合することで、評価値（ｙ）が制約条件データＤｙによる制約を満足する度合いの高低を示している。
【0083】
【数1】
【0084】
上記の数式（１）の評価値（ｙ）が高い対象加硫ゴムＢの各データＤ１ｂ、Ｄ２ｂ、Ｄ３ｂはそれぞれの制約条件による制約を満たしており、制約条件データＤｙによる制約を満足する度合いが高い。評価値（ｙ）が低い対象加硫ゴムＢの各データＤ１ｂ、Ｄ２ｂ、Ｄ３ｂはそれぞれの制約条件による制約を満たしておらず、制約条件データＤｙによる制約を満足する度合いが低い。評価値（ｙ）の基準は、任意に設定することができるが、その基準は例えば対象加硫ゴムＢの各データＤ１ｂ、Ｄ２ｂ、Ｄ３ｂが、制約条件データＤｙによる制約を８０％以上満足するという設定にし、より望ましくは対象加硫ゴムＢの各データＤ１ｂ、Ｄ２ｂ、Ｄ３ｂが、制約条件データＤｙによる制約の全てを満足するという設定にする。
【0085】
このように、それぞれの評価関数を用いて制約条件データＤｙによる制約を満足する度合いを総合的に判断することで、所望するゴム物性（目標値Ｄ３ａ）に加えて、配合指定データＤ１ａ、製造条件指定データＤ２ａ、および、追加条件データＤ４による制約を満足する対象加硫ゴムＢの配合データＤ１ｂを把握するには有利になる。また、選択される対象加硫ゴムＢの配合データＤ１ｂが複数存在する場合、それぞれの配合データＤ１ｂにそれぞれの評価関数に基づいた順位を付け、その順位に従った順序で出力部７により出力するとよい。例えば、選択される対象加硫ゴムＢのゴム物性データＤ３ｂを重視する場合、選択されるそれぞれの配合データＤ１ｂを、ゴム物性データＤ３ｂの評価関数を用いた評価が高い順にして、出力部７により出力する。このように、順位付けすることで、重視する制約条件データＤｙごとの制約を満足する度合いを指標として、それぞれの配合データＤ１ｂの優位性を把握し易くなる。
【0086】
上述したように変形例２では、配合データセット２０の候補に、所望する各データ（目標値Ｄ３ａ、配合指定データＤ１ａ、製造条件指定データＤ２ａ、および、追加条件データD４）による制約を満足する指定候補が加わる。指定候補は、それぞれのゴム物性データＤ３ｄが目標値D３ａに高い確率で近似する対象加硫ゴムＢの配合データＤ１ｂの候補である。つまり、汎用性が高い配合データセット２０に、目的に応じた特有の指定候補が拡充されることにより、目標とするゴム物性（目標値D３ａ）を有する対象加硫ゴムＢのゴム配合を精度よく簡便に把握することができる。
【0087】
また、変形例２では、予め作成していた配合データセット２０に多数の候補が存在することにより、指定候補の生成数を少なくしても、それらの多数の候補が指定候補の数の少なさを補うことで精度を落とさずに所望するゴム物性を有する加硫ゴムのゴム配合を把握することが可能になる。つまり、配合生成モデル３０ｂでの乱数ベクトルｚの発生回数を配合データセット２０の候補数以下の少ない回数に限定して、指定候補の作成に要するデータ処理の負荷を軽減できる。このように、予め作成していた配合データセット２０を利用することで、効率化を図ることができる。
【0088】
加えて、変形例２では、準備工程Ｓ１００の過程で構築された配合生成モデル３０ａや物性予測モデル４０を利用することもできるため、モデルの構築に要するデータ処理の負荷を軽減できる。したがって、予測の高精度化と計算資源の低減化という相反する二つの目的を同時に図ることができる。
【0089】
データ処理の負荷軽減についての具体的な効果は以下のとおりである。図３に例示した学習データ１０のデータ（即ち、データＤ１、Ｄ２、および、Ｄ３の組）が約１０万件の条件下で、所定のスペックの演算装置２を使用して図４に例示した準備工程Ｓ１００を実施して１万件の配合データ２０を生成するために要した時間を基準値とすると、同じ演算装置２を使用して図７に例示した選択工程Ｓ２００を実施し、配合データセット２０（１万件）に存在するゴム物性データＤ３ｂが目標値Ｄ３ａと近似する対象加硫ゴムＢの配合データＤ１ｂの選択に要する時間は基準値に対して極僅かである。また、同じ演算装置２を使用して変形例２を実施することにより選択工程Ｓ２００にて指定データセット５０を２００件生成し、準備工程Ｓ１００で作成されている１万件の配合データ２０と統合して合計１万２００件の配合データセット２０を作成した場合は、この配合データセット２０の生成に要した時間は基準値の２～３％であった。それ故、本発明によれば、目標とするゴム物性（目標値Ｄ３ａ）を有する加硫ゴムＢのゴム配合を把握するためのデータ処理の負荷が分散され、所望のゴム配合を精度よく簡便に把握するには有利であることが分かる。
【0090】
次に、ゴム配合の設計システム１および設計方法の実施形態の変形例３について説明する。
【0091】
図１５は変形例３での選択工程Ｓ２００の手順の一部の一例を示す。変形例３では、上述した図１０の選択工程Ｓ２００に対して各ステップ（Ｓ３１０～Ｓ３６０）が追加されている。変形例３の選択工程Ｓ２００の手順では、追加された各ステップ（Ｓ３１０～Ｓ３６０）を繰り返して、所望するゴム物性（目標値Ｄ３ａ）を有する加硫ゴムのゴム配合の最適解になり得る探索用候補（探索用加硫ゴムＦの配合データＤ１ｆ）を探索する。準備工程Ｓ１００の手順は上述した図４で説明したとおりである。したがって、変形例３では、選択工程Ｓ２００においては、演算装置２ｂにより、データセット（ループ処理の１回目：配合データセット２０、ループ処理の２回目以降：探索用配合データセット７０）から目標値Ｄ３ａへの関連度が基準よりも高い加硫ゴムＥ（Ｅａ、Ｅｂ）を選択し（Ｓ３１０）、選択した加硫ゴムＥの各データＤ１ｅ、Ｄ２ｅ、Ｄ３ｅを探索用学習データ６０として、探索用配合データセット７０を作成し（Ｓ３２０～Ｓ３５０）、作成した探索用配合データセット７０に最適な探索用候補（配合データＤ１ｆ）が存在するか否かを判定する（Ｓ３６０）データ処理が実行される。そして、演算装置２ｂにより、最適な探索用候補が見つかるまで、各ステップ（Ｓ３１０～Ｓ３６０）が繰り返されて、その都度、探索用学習データ６０と探索用配合データセット７０とが更新される。最終的に、演算装置２ｂにより、最適な探索用候補の中から所望するゴム物性（目標値Ｄ３ａ）を有する加硫ゴムのゴム配合の最適解が選択されて、その最適解を出力するデータ処理が実行される（Ｓ２３０、Ｓ２４０）。以下に、変形例３で追加された各ステップ（Ｓ３１０～Ｓ３６０）の内容を詳述する。
【0092】
加硫ゴムＥを選択するステップ（Ｓ３１０）では、演算装置２ｂにより、データセット（配合データセット２０または探索用配合データセット７０）から目標値Ｄ３ａに対する関連度が基準よりも高いものを加硫ゴムＥ（Ｅａ、Ｅｂ）として選択するデータ処理が実行される。このステップ（Ｓ３１０）はループ処理の内部のステップであり、１回目と２回目以降では用いるデータセットが異なり、１回目は上述の配合データセット２０を用いて、２回目以降は後述する探索用配合データセット７０を用いる。加硫ゴムＥａは、配合データセット２０から選択される。つまり、加硫ゴムＥａの各データＤ１ｅ、Ｄ２ｅ、Ｄ３ｅは、加硫ゴムＡの各データＤ１ａ、Ｄ２ａ、Ｄ３ａ、対象加硫ゴムＢの各データＤ１ｂ、Ｄ２ｂ、Ｄ３ｂ、指定加硫ゴムＤの各データＤ１ｄ、Ｄ２ｄ、Ｄ３ｄのいずれかである。加硫ゴムＥｂは、探索用配合データセット７０から選択される。加硫ゴムＥｂの各データＤ１ｅ、Ｄ２ｅ、Ｄ３ｅは、新加硫ゴムＦの各データＤ１ｆ、Ｄ２ｆ、Ｄ３ｆである。なお、このステップ（Ｓ３１０）で選択される加硫ゴムＥの種類数（１～ｓ）は、ループ処理が繰り返されるごとに異なる場合がある。
【0093】
関連度は、加硫ゴムＥの各データＤ１ｅ、Ｄ２ｅ、Ｄ３ｅが所望するゴム物性（目標値Ｄ３ａ）を有する加硫ゴムのゴム配合の探索に関連する度合いを示している。関連度が高い加硫ゴムＥのゴム物性データＤ３ｅは目標値Ｄ３ａとの一致性が高く、その加硫ゴムＥの配合データＤ１ｅおよび製造条件データＤ２ｅが探索に関連性が高いデータになる。関連度が低い加硫ゴムＥのゴム物性データＤ３ｅは目標値Ｄ３ａとの一致性が低く、その加硫ゴムＥの配合データＤ１ｅおよび製造条件データＤ２ｅが探索に関連性が低いデータになる。関連度の指標としては、平均絶対誤差、平均二乗誤差、平均絶対誤差率、および、平均二乗誤差率などの公知の種々の評価関数を用いることができる。つまり、加硫ゴムＥのゴム物性データＤ３ｅの各データに対する評価関数を用いた評価で、評価が高いと判断されたデータの数により関連度の高低を判断できる。
【0094】
関連度の基準は、任意に設定することができるが、その基準は、所望するゴム物性（目標値Ｄ３ａ）を有する加硫ゴムのゴム配合の探索には明らかに不適切な（不要な）ものを除外できればよい。このような基準を設けることで、ゴム配合の探索に明らかに関連性が低いものを加硫ゴムＥから排除することができる。基準は、明らかに不適切なものを加硫ゴムＥから除外するに留めることで、加硫ゴムＥの選択肢を広げることができる。
【0095】
図１６に例示する探索用学習データ６０を作成するステップ（Ｓ３２０）では、演算装置２ｂにより、上記のステップで選択された複数の加硫ゴムＥの各データＤ１ｅ、Ｄ２ｅ、Ｄ３ｅを探索用学習データ６０とするデータ処理が実行される。図１６は、一回目の探索用学習データ６０を示している。一回目の探索用学習データ６０には、配合データセット２０から選択された加硫ゴムＥａが用いられる。二回目以降の探索用学習データ６０には、後述する探索用配合データデータセット７０の中から選択された加硫ゴムＥｂが用いられる。探索用学習データ６０のデータ構造は、学習データ１０や配合データセット２０と同様の構造であり、ゴム種とその各データが異なり、ゴム種の種類数が異なる。したがって、探索用学習データ６０の詳細な説明は省略する。
【0096】
探索用候補を生成するステップ（Ｓ３３０）では、演算装置２ｂにより、作成した探索用学習データ６０を用いて、配合生成モデル３０ｃを構築して、探索用候補（配合データＤ１ｆ）を生成するデータ処理が実行される。配合生成モデル３０ｃを構築する手順は、上述した図１０のステップ（Ｓ２６０）での配合生成モデル３０ｂと同様の手順を用いる。
【0097】
図１７に例示する配合生成モデル３０ｃを構築する手順では、学習データ１０の代わりに探索用学習データ６０を用いる点が異なっており、具体的に、サンプルｘが異なる。配合生成モデル３０ｃの識別部３２に入力されるサンプルｘは、探索用学習データ６０の配合データＤ１ｅである。つまり、ループ処理の１回目のサンプルｘは、配合データＤ１ｅとして配合データＤ１ａ、Ｄ１ｂ、Ｄ１ｄのいずれかが用いられて、ループ処理の２回目以降のサンプルｘは、配合データＤ１ｅとして配合データＤ１ｆが用いられる。
【0098】
構築された配合生成モデル３０ｃは、演算装置２ｂの補助記憶部５に記憶される。演算装置２ｂは、入力された制約条件データDｙに基づいて、構築された配合生成モデル３０ｃを用いて、配合データＤ１ｆの探索用候補を、乱数ベクトルｚの発生回数だけ生成する。生成されるそれぞれの探索用候補（配合データＤ１ｆ）は、配合指定データＤ１ａ、制約条件データＤｙの制約条件を満たし、かつ、探索用学習データ６０に存在する配合データＤ１ｅとは異なっている。
【0099】
ゴム物性データＤ３ｆを予測するステップ（Ｓ３４０）では、演算装置２ｂにより、演算装置２ａによる準備工程Ｓ１００で構築された物性予測モデル４０を利用して、探索用候補（配合データD１ｆ）により製造される探索用加硫ゴムＦの複数種類のゴム物性データＤ３ｆを予測するデータ処理が実行される。演算装置２ｂは、物性予測モデル４０の入力層４１に配合生成モデル３０ｃにより生成されたそれぞれの探索用加硫ゴムＦの配合データＤ１ｆと制約条件指定データＤ２ａとが入力される。
【0100】
図１８に例示する探索用配合データセット７０を作成するステップ（Ｓ３５０）では、演算装置２ｂにより、配合生成モデル３０ｃで生成された探索用候補（配合データＤ１ｆ）と、物性予測モデル４０で予測されたゴム物性データＤ３ｆとを用いて探索用配合データセット７０を作成するデータ処理が実行される。探索用配合データセット７０の製造条件データＤ２ｆは、入力された製造条件指定データＤ２ａとする。探索用配合データセット７０は、生成した探索用候補（配合データＤ１ｆ）に基づいて形成されて指定された製造条件指定データＤ２ａに基づいて製造されるそれぞれの探索用加硫ゴムＦごとに、各データＤ１ｆ、Ｄ２ｆ、Ｄ３ｆを集積させて作成される。探索用配合データセット７０のデータ構造は、学習データ１０や配合データセット２０と同様の構造であり、配合データD１ｆが学習データ１０および配合データセット２０には存在しない点が異なる。したがって、探索用配合データセット７０の詳細な説明は省略する。なお、探索用配合データセット７０のゴム種（Ｆ）の種類数（１～ｔ）は、特に限定されるものでは無いが、指定加硫ゴムＤの数（ｌ）以下とする。
【0101】
探索用候補が最適か否かを判定するステップ（Ｓ３６０）では、演算装置２ｂにより、入力された目標値Ｄ３ａと作成した探索用配合データセット７０とを比較して、探索用候補の適合度が基準よりも高いか否かを判定するデータ処理が実行される。適合度は、探索用配合データセット７０に存在する複数種類のゴム物性データＤ３ｆのそれぞれが、それぞれの目標値Ｄ３ａに適合する度合いを示す。適合度が高い探索用候補は、その探索用候補に基づいて製造される探索用加硫ゴムＦの複数種類のゴム物性データＤ３ｆがそれぞれの目標値D３ａに近似する。適合度が低い探索用候補は、その探索用候補に基づいて製造される探索用加硫ゴムＦの複数種類のゴム物性データＤ３ｆのいくつかがそれぞれの目標値Ｄ３ａから掛け離れている。適合度の指標としては、平均絶対誤差、平均二乗誤差、平均絶対誤差率、および、平均二乗誤差率などの公知の種々の評価関数を用いることができる。つまり、複数種類のゴム物性データＤ３ｆに対する評価関数を用いた評価で、評価が高い（目標値Ｄ３ａと近似する）と判断されたゴム物性データＤ３ｆの数により適合度の高低を判断できる。
【0102】
適合度の基準は、任意に設定することができるが、その基準は例えば探索用候補の複数種類のゴム物性データＤ３ｆが、それぞれの目標値Ｄ３ａに対して８０％以上適合しているという設定にし、より望ましくは探索用候補の複数種類のゴム物性データＤ３ｆが、それぞれの目標値Ｄ３ａに対して１００％適合しているという設定にする。このように、適合度には、関連度に比してより厳しい基準を設けることで、所望するゴム物性（目標値Ｄ３ａ）を有する加硫ゴムＲのゴム配合の最適解の探索には有利になる。
【0103】
ステップ（Ｓ３６０）で、探索用データセット７０に適合度が基準以下の探索用候補しか存在せず、探索用候補が最適ではないと判定されると、ステップ（Ｓ３１０）に戻り、演算装置２ｂは、探索用候補が最適であると判定するまで、各ステップ（Ｓ３１０～Ｓ３６０）を繰り返す。探索用配合データセット７０に適合度が基準よりも高い探索用候補（配合データＤ１ｆ）が存在する場合、探索用配合データセット７０には、その探索用候補が一つに限らず、複数、存在する場合もある。
【0104】
探索用候補が最適であると判定されると、演算装置２ｂにより、探索用配合データセット７０、探索用加硫ゴムＦ、探索用候補（配合データＤ１ｆ）を配合データセット２０、対象加硫ゴムＢ、候補（配合データＤ１ｂ）と見做して、上述した各ステップ（Ｓ２３０、Ｓ２４０）が行われる。演算装置２ｂの出力部７に出力された配合データＤ１ｂ（配合データＤ１ｆ）は、所望するゴム物性（目標値Ｄ３ａ）を有する加硫ゴムのゴム配合の最適解となっている。
【0105】
上述したように変形例３では、各ステップ（Ｓ３１０～Ｓ３６０）を繰り返すことにより、所望するゴム物性（目標値Ｄ３ａ）を有する加硫ゴムのゴム配合の最適解が得られる。この最適解の探索には、最適解の探索に関連性が低いものを除外して、最適解の探索に関連性が高いものを探索用学習データ６０として用いて、探索を繰り返すごとに配合生成モデル３０ｃが最適解に近い配合データＤ１ｆを生成可能に再構築され、最適解の配合データＤ１ｆの生成に特化していく。これにより、数多の配合成分Ｃの組み合わせ、および、それぞれの配合量の中から所望するゴム物性（目標値Ｄ３ａ）を有する加硫ゴムのゴム配合の最適解を簡便に把握することができる。
【0106】
既述した変形例３では、変形例１を応用して、探索用配合データセット７０に探索用学習データ６０を統合してもよい。探索用学習データ６０には、最適解の探索に関連性が高い配合データＤ１ｅが存在する可能性がある。このように、探索用配合データセット７０に探索用学習データ６０を統合することで、統合された探索用配合データセット７０は、より多数の異なる配合データＤ１ｆが網羅されて集積したものになる。
【0107】
次に、ゴム配合の設計システム１および設計方法の実施形態の変形例４について説明する。
【0108】
図１９は変形例４での選択工程Ｓ２００の手順の一部の一例を示す。変形例４では、上述した図１０の選択工程Ｓ２００に対して各ステップ（Ｓ３７０、Ｓ３８０）が追加されている。変形例４の選択工程Ｓ２００の手順では、追加された各ステップ（Ｓ３７０、Ｓ３８０）により、最適化アルゴリズムを用いて目的の加硫ゴムＲのゴム配合の最適解を出力する。最適解は、上述した数式（１）の評価値（ｙ）が最小となるものに加えて、評価値（ｙ）が最小に近似するものを含んでもよい。準備工程Ｓ１００の手順は上述した図４で説明したとおりである。したがって、変形例４では、選択工程Ｓ２００においては、演算装置２ｂにより、配合データセット２０から制約条件データＤｙによる制約を満足する度合いが基準よりも高い加硫ゴムＧを選択して（Ｓ３７０）、図２０に示す最適化用データセット８０を作成するデータ処理が実行される。ついで、演算装置２ｂにより、作成した最適化用データセット８０を、最適化アルゴリズムを用いて最適化した最適解候補（Ｄ１ｈ）を基にして、図２１に示す最適解配合データセット９０を作成する（Ｓ３８０）データ処理が実行される。最終的に、演算装置２ｂにより、目的の加硫ゴムＲのゴム配合の最適解が選択されて、その最適解を出力するデータ処理が実行される（Ｓ２３０、Ｓ２４０）。以下に、変形例４で追加された各ステップ（Ｓ３７０、Ｓ３８０）の内容を詳述する。
【0109】
加硫ゴムＧを選択するステップ（Ｓ３７０）では、演算装置２ｂにより、制約条件データＤｙの制約条件ごとの評価関数を用いた評価に基づいて、配合データセット２０から制約条件データＤｙによる制約を満足する度合いが基準よりも高い加硫ゴムＧを選択するデータ処理が実行される。評価関数を用いた評価には、上述した数式（１）を用いる。
【0110】
図２０に例示する最適化用データセット８０は、選択された加硫ゴムＧ（Ｇ１、Ｇ２、・・・、Ｇｓ）の配合データＤ１ｇと、製造条件データＤ２ｇと、複数種類のゴム物性データＤ３ｇとを有している。加硫ゴムＧの各データＤ１ｇ、Ｄ２ｇ、Ｄ３ｇは配合データセット２０に存在するデータである。最適化用合データセット８０の加硫ゴムＧの種類数（１～ｓ）は特に限定されるものではない。
【0111】
最適化工程（Ｓ３８０）では、演算装置２ｂにより、最適化アルゴリズムを用いて、最適化用データセット８０を最適化して、最適解となり得る最適解候補（Ｄ１ｈ）を算出し、図２１に示す最適解配合データセット９０を作成するデータ処理が実行される。最適化アルゴリズムは、遺伝的アルゴリズム（ＧＡ）、ベイズ最適化（ＢO）、最急降下法などの公知の種々の最適化アルゴリズムを用いることができる。
【0112】
遺伝的アルゴリズムを用いた一例では、最適化用データセット８０を最初の現世代のデータセットとし、現世代のデータセットの中から上述した数式（１）の評価値（ｙ）に基づいて選択（ルーレット選択、トーナメント選択、エリート選択など）されたデータに対して遺伝的操作（交叉、突然変異）を行う。ついで、遺伝的操作により生成された複数のデータを集積した次世代のデータセットを作成し、作成した次世代のデータセットに対して上述した数式（１）の評価値（ｙ）を算出する。そして、作成した次世代のデータセットを現世代のデータセットと見做して、選択と遺伝的操作と次世代のデータセットの作成と評価値（ｙ）の算出とを繰り返す。この繰り返しにより得られた最大世代数ｔのデータセットが最適解候補を有する最適解データセット９０になる。
【0113】
また、ベイズ最適化を用いた一例では、最適化用データセット８０を最初のデータセットとし、データセットに基づいたガウス過程による回帰により推定モデルの構築と、推定モデルおよび獲得関数（改善確率（ＰＩ）、期待改善度（ＥＩ）、信頼性下限関数（ＬＣＢ）など）を用いた最適解候補の作成と、最適解候補の評価と、評価が高い最適解候補のデータセットへの追加と、を繰り返す。最適解候補の評価には、上述した数式（１）の評価値（ｙ）を用いる。以上の繰り返しにより、得られた最適解候補を集積した最適解配合データセット９０を出力する。
【0114】
図２１に例示する最適解配合データセット９０は、演算装置２ｂにより、最適化アルゴリズムを用いて最適化データセット８０が最適化されて作成される。最適解配合データセット９０は、最適解加硫ゴムＨ（Ｈ１、Ｈ２、・・・、Ｈｔ）の配合データＤ１ｈと、製造条件データＤ２ｈと、複数種類のゴム物性データＤ３ｈとを有している。最適解加硫ゴムＨの配合データＤ１ｈは、最適化用データセット８０の配合データＤ１ｇと異なっている。また、最適解加硫ゴムＨの各データＤ１ｈ、Ｄ２ｈ、Ｄ３ｈは、制約条件データＤｙによる制約を満足している。加えて、最適解加硫ゴムＨに対する上述した数式（１）の評価値（ｙ）は、最適化データセット８０の加硫ゴムＧに対する評価値（ｙ）よりも評価が高い。最適解配合データセット９０の最適解加硫ゴムＨの種類数（１～ｔ）は特に限定されるものではなく、その種類数は「１」でもよい。
【0115】
最適解配合データセット９０が出力されると、演算装置２ｂにより、出力された最適解配合データセット９０を配合データセット２０、対象加硫ゴムＢ、候補（配合データＤ１ｂ）と見做して、上述した各ステップ（Ｓ２３０、Ｓ２４０）が行われる。演算装置２ｂの出力部７に出力された配合データＤ１ｂ（配合データＤ１ｈ）は、所望するゴム物性（目標値Ｄ３ａ）を有する加硫ゴムのゴム配合の最適解となっている。
【0116】
上述したように変形例４では、最適化工程（Ｓ３８０）により、配合データセット２０から選択された制約条件データＤｙによる制約を満足する対象加硫ゴムＢの周囲のより最適な配合データＤ１ｈが探索される。これにより、数多の配合成分Ｃの組み合わせ、および、それぞれの配合量の中から所望するゴム物性（目標値Ｄ３ａ）を有する加硫ゴムのゴム配合の最適解を簡便に把握することができる。上述した変形例４は、最適化データセット８０の配合データＤ１ｇのみを最適化アルゴリズムを用いて最適化することもできる。
【0117】
次に、ゴム配合の設計システム１および設計方法の実施形態の変形例５について説明する。
【0118】
図２２に例示する変形例５では、上述した図１０、図１５、図１９の選択工程Ｓ２００のステップＳ２３０の終了後に、演算装置２ｂにより、更新工程Ｓ４００が行われる。更新工程Ｓ４００では、選択工程Ｓ２００により選択された所望するゴム物性（目標値Ｄ３ａ）を有する加硫ゴムのゴム配合が、準備工程Ｓ１００により作成された配合データセット２０に存在する配合データＤ１ｂと異なる場合、選択されたそのゴム配合が図２３に例示するように配合データセット２０に追加されて、配合データセット２０が更新される。具体的に、演算装置２ｂは、ステップ（Ｓ２３０）で選択され、かつ、準備工程Ｓ１００により作成された配合データセット２０に存在する配合データＤ１ｂと異なる配合データＤ１ｉを有する新加硫ゴムＩ、その配合データＤ１ｉ、製造条件データＤ２ｉ、および、ゴム物性データＤ３ｉを、対象加硫ゴムＢ、各データＤ１ｂ、Ｄ２ｂ、Ｄ３ｂと見做して、配合データセット２０に追加して、配合データセット２０を更新する。以降の選択工程Ｓ２００では、更新された配合データセット２０を用いる。
【0119】
上述したように変形例５では、選択工程Ｓ２００により選択された新規の配合データＤ１ｉを有する新加硫ゴムＩの各データＤ１ｉ、Ｄ２ｉ、Ｄ３ｉを準備工程Ｓ１００で作成された配合データセット２０に追加する。新加硫ゴムＩの配合データＤ１ｉは、準備工程Ｓ１００により作成された配合データセット２０に存在する配合データＤ１ｂと異なっており、配合データセット２０のデータ空間でのデータの隙間を埋めることができる。つまり、選択工程Ｓ２００を繰り返すごとに、配合データセット２０のデータ空間のデータの隙間が小さくなり、より多数の異なる配合データＤ１ｂが網羅されていく。このように、配合データセット２０を構成するデータが順次充実されることで、選択工程Ｓ２００での所望するゴム物性（目標値Ｄ３ａ）を有する加硫ゴムＲのゴム配合の把握には非常に有効である。
【0120】
以上、本発明の実施形態とその変形例について説明したが、本発明のゴム配合の設計方法およびシステムは特定の実施形態に限定されるものではなく、本発明の要旨の範囲内において、種々の変形・変更が可能である。
【0121】
既述した実施形態とその変形例は、製造条件データを混合条件に限定し、既述したゴム物性データの代わりに粘度、ムーニー粘度、加硫速度Ｔ９５およびカーボンブラックの分散性などの未加硫ゴムの特有な物性データを用いることで、目的の加硫ゴムを加硫する前の未加硫ゴムのゴム配合や混合条件を把握することもできる。未加硫ゴムのゴム配合や混合条件を把握することで、目的の加硫ゴムの生産技術の向上には有利になる。
【0122】
本開示は、以下の発明を包含する。
発明（１）：複数種類のゴム物性データの目標値を満足する目的の加硫ゴムのそれぞれの配合成分の配合量が設定された配合データを把握するゴム配合の設計方法において、
準備工程と選択工程とを有し、
前記準備工程では、前記配合データが異なる多数種類の未加硫ゴムを加硫して製造されたそれぞれの加硫ゴムについての前記配合データと、製造条件データと、複数種類のゴム物性データと、を前記加硫ゴムの種類ごとに集積したデータセットを学習データとして、
前記学習データを用いて機械学習によって演算装置により配合生成モデルおよび物性予測モデルを構築し、
前記配合生成モデルを用いて前記演算装置によりデータ処理することにより、それぞれの前記加硫ゴムの配合データとは異なっている多数の前記配合データを生成し、前記物性予測モデルを用いて前記演算装置によりデータ処理することにより、生成した前記配合データで形成されて所定の製造条件データに基づいて製造されるそれぞれの前記対象加硫ゴムの前記ゴム物性データを算出し、それぞれの前記対象加硫ゴムについての前記配合データと、前記所定の製造条件データと、前記ゴム物性データと、を前記対象加硫ゴムの種類ごとに集積して配合データセットを作成し、
前記選択工程では、前記配合データセットと前記目標値とに基づいて、演算装置によりデータ処理することにより、前記配合データセットの中から前記ゴム物性データが前記目標値に近似する前記対象加硫ゴムの前記配合データを、前記目的の加硫ゴムの前記配合データとして選択し、
前記準備工程と前記選択工程とは互いに個別の任意のタイミングで実施され、前記配合データセットは前記選択工程の実施の前に予め作成されているゴム配合の設計方法。
発明（２）：前記準備工程では、前記学習データのそれぞれの前記加硫ゴム、その前記配合データをそれぞれ、前記配合データセットの前記対象加硫ゴム、その前記配合データと見做して、前記学習データを前記配合データセットの一部として統合する発明（１）に記載のゴム配合の設計方法。
発明（３）：前記選択工程では、前記目的の加硫ゴムについてのそれぞれの前記ゴム物性データの前記目標値と、それぞれの前記配合成分の配合量の指定範囲が設定された配合指定データと、を前記演算装置に入力し、
制約条件データとしてそれぞれの前記目標値と前記配合指定データとが入力された配合生成モデルを用いて、前記演算装置によりデータ処理することにより、前記制約条件データによる制約を満たすとともに、前記学習データのそれぞれの前記配合データとは異なる配合データを指定候補として複数生成し、
前記物性予測モデルを用いて、前記演算装置によりデータ処理することにより、生成したそれぞれの前記指定候補の前記配合データにより形成されて前記所定の製造条件データに基づいて製造されるそれぞれの指定加硫ゴムのそれぞれの前記ゴム物性データを算出し、それぞれの前記指定加硫ゴムについての前記配合データと、前記所定の製造条件データと、それぞれの前記ゴム物性データとを前記指定加硫ゴムの種類ごとに集積して指定データセットを作成し、前記指定加硫ゴム、その前記配合データをそれぞれ、前記対象加硫ゴムおよびその前記配合データと見做して、前記指定データセットを前記配合データセットの一部として統合する発明（１）または発明（２）に記載のゴム配合の設計方法。
発明（４）：前記選択工程では、前記目的の加硫ゴムについてのそれぞれの前記ゴム物性データの前記目標値と、それぞれの前記配合成分の配合量の指定範囲が設定された配合指定データと、混合条件および加硫条件の少なくとも一方が指定された製造条件指定データと、を前記演算装置に入力し、
制約条件としてそれぞれの前記目標値と前記配合指定データと前記製造条件指定データとが入力された配合生成モデルを用いて、前記演算装置によりデータ処理することにより、前記目標値と前記配合指定データと前記製造条件指定データによる制約を満たすとともに、前記学習データのそれぞれの前記配合データとは異なる配合データを指定候補として複数生成し、
前記物性予測モデルを用いて、前記演算装置によりデータ処理することにより、生成したそれぞれの前記指定候補の前記配合データにより形成されて前記製造条件指定データに基づいて製造されるそれぞれの指定加硫ゴムのそれぞれの前記ゴム物性データを算出し、それぞれの前記指定加硫ゴムについての前記配合データと、前記製造条件指定データと、それぞれの前記ゴム物性データとを前記指定加硫ゴムの種類ごとに集積して指定データセットを作成し、前記指定加硫ゴム、その前記配合データをそれぞれ、前記対象加硫ゴムおよびその前記配合データと見做して、前記指定データセットを前記配合データセットの一部として統合する発明（１）または発明（２）に記載のゴム配合の設計方法。
発明（５）：前記選択工程では、前記制約条件データにより設定された制約条件下で、条件付き敵対的生成ネットワークを利用して前記演算装置により前記配合生成モデルを構築する発明（３）または発明（４）に記載のゴム配合の設計方法。
発明（６）：前記指定データセットが統合された前記配合データセットを用いる前記選択工程では、前記制約条件データの制約条件ごとの評価関数を用いて、前記配合データセットの中から前記制約条件データによる制約を満足する度合いが基準よりも高い前記対象加硫ゴムの前記配合データを、前記目的の加硫ゴムの前記配合データとして選択する発明（３）～発明（５）に記載のゴム配合の設計方法。
発明（７）：前記指定候補の前記配合データの生成数を前記配合データセットの前記配合データの数以下とする発明（３）～発明（６）のいずれかに記載のゴム配合の設計方法。
発明（８）：前記選択工程では、選択したそれぞれの前記配合データを基にする前記対象加硫ゴムの前記配合データと前記所定の製造条件データと前記ゴム物性データとを一回目の探索用学習データとして、
前記探索用学習データを用いて機械学習により別の配合生成モデルを構築し、前記演算装置によりデータ処理することにより、前記別の配合生成モデルを用いて前記配合データの探索用候補を複数生成し、前記物性予測モデルによりそれぞれの前記探索用候補の前記配合データにより形成された探索用加硫ゴムの前記ゴム物性データを算出し、
それぞれの前記探索用加硫ゴムについての前記配合データと、前記所定の製造条件データと、それぞれの前記ゴム物性データとを前記探索用加硫ゴムの種類ごとに集積して探索用配合データセットを作成し、
前記探索用配合データセットに前記目標値に適合する前記配合データが見つかるまで、前記探索用配合データセットを二回目以降の前記探索用学習データとして、前記演算装置によりデータ処理することにより、前記探索用配合データセットの作成を繰り返し、
前記探索用配合データセットを前記配合データセットと見做す発明（３）～発明（７）のいずれかに記載のゴム配合の設計方法。
発明（９）：前記選択工程では、選択したそれぞれの前記配合データを、最適化アルゴリズムを用いて前記演算装置によりデータ処理することにより、前記配合データの最適解候補を生成し、前記最適解候補の前記配合データにより形成された最適解加硫ゴムについての前記配合データと、前記所定の製造条件データと、それぞれの前記ゴム物性データとを前記最適解加硫ゴムごとに集積して最適解配合データセットを作成し、
作成した前記最適解配合データセットを前記配合データセットと見做す発明（３）～発明（８）のいずれかに記載のゴム配合の設計方法。
発明（１０）：前記選択工程で選択された前記対象加硫ゴムの前記配合データ、前記所定の製造条件データおよび前記ゴム物性データをそれぞれ、前記配合データセットに追加して前記配合データを更新する発明（３）～発明（９）のいずれかに記載のゴム配合の設計方法。
発明（１１）：演算処理部と記憶部と入力部と出力部とを有する演算装置により、複数種類のゴム物性データの目標値を満足する目的の加硫ゴムのそれぞれの配合成分の配合量が設定された配合データを把握するゴム配合の設計システムにおいて、
前記演算装置により準備工程と選択工程とが実施され、
前記準備工程では、前記配合データが異なる多数種類の未加硫ゴムを加硫して製造されたそれぞれの加硫ゴムについての前記配合データと、製造条件データと、複数種類のゴム物性データと、を前記加硫ゴムの種類ごとに集積したデータセットを学習データとして、
演算装置により前記学習データを用いて機械学習によって配合生成モデルおよび物性予測モデルが構築されて、前記配合生成モデルを用いて前記演算装置によりデータ処理することにより、それぞれの前記加硫ゴムの配合データとは異なっている多数の前記配合データが生成され、かつ、前記物性予測モデルを用いて前記演算装置によりデータ処理することにより、生成された前記配合データで形成されて所定の製造条件データに基づいて製造されるそれぞれの前記対象加硫ゴムの前記ゴム物性データが算出されて、それぞれの前記対象加硫ゴムについての前記配合データと、前記所定の製造条件データと、前記ゴム物性データと、が前記対象加硫ゴムの種類ごとに集積された配合データセットが作成されて前記記憶部に記憶されていて、
前記選択工程では、前記配合データセットと前記目標値とに基づいて、演算装置によりデータ処理することにより、前記配合データセットの中から前記ゴム物性データが前記目標値に近似する前記対象加硫ゴムの前記配合データが、前記目的の加硫ゴムの前記配合データとして選択され、
前記準備工程と前記選択工程とは互いに個別の任意のタイミングで実施されて、前記配合データセットは前記選択工程の実施の前に予め作成されているゴム配合の設計システム。
発明（１２）：互いに通信可能な複数の前記演算装置を備えて、前記準備工程と前記準備工程とがそれぞれ、複数の前記演算装置のうちの異なる演算装置により行われる発明（１１）に記載のゴム配合の設計システム。
発明（１）：複数種類のゴム物性データの目標値を満足する目的の加硫ゴムのそれぞれの配合成分の配合量が設定された配合データを把握するゴム配合の設計方法において、
準備工程と選択工程とを有し、
前記準備工程では、前記配合データが異なる多数種類の未加硫ゴムを加硫して製造されたそれぞれの加硫ゴムについての前記配合データと、製造条件データと、複数種類のゴム物性データと、を前記加硫ゴムの種類ごとに集積したデータセットを学習データとして、
前記学習データを用いて機械学習によって演算装置により配合生成モデルおよび物性予測モデルを構築し、
前記配合生成モデルを用いて前記演算装置によりデータ処理することにより、それぞれの前記加硫ゴムの配合データとは異なっている多数の前記配合データを生成し、前記物性予測モデルを用いて前記演算装置によりデータ処理することにより、生成した前記配合データで形成されて所定の製造条件データに基づいて製造されるそれぞれの前記対象加硫ゴムの前記ゴム物性データを算出し、それぞれの前記対象加硫ゴムについての前記配合データと、前記所定の製造条件データと、前記ゴム物性データと、を前記対象加硫ゴムの種類ごとに集積して配合データセットを作成し、
前記選択工程では、前記配合データセットと前記目標値とに基づいて、演算装置によりデータ処理することにより、前記配合データセットの中から前記ゴム物性データが前記目標値に近似する前記対象加硫ゴムの前記配合データを、前記目的の加硫ゴムの前記配合データとして選択し、
前記準備工程と前記選択工程とは互いに個別の任意のタイミングで実施され、前記配合データセットは前記選択工程の実施の前に予め作成されているゴム配合の設計方法。
発明（２）：前記準備工程では、前記学習データのそれぞれの前記加硫ゴム、その前記配合データをそれぞれ、前記配合データセットの前記対象加硫ゴム、その前記配合データと見做して、前記学習データを前記配合データセットの一部として統合する発明（１）に記載のゴム配合の設計方法。
発明（３）：前記選択工程では、前記目的の加硫ゴムについてのそれぞれの前記ゴム物性データの前記目標値と、それぞれの前記配合成分の配合量の指定範囲が設定された配合指定データと、を前記演算装置に入力し、
制約条件データとしてそれぞれの前記目標値と前記配合指定データとが入力された配合生成モデルを用いて、前記演算装置によりデータ処理することにより、前記制約条件データによる制約を満たすとともに、前記学習データのそれぞれの前記配合データとは異なる配合データを指定候補として複数生成し、
前記物性予測モデルを用いて、前記演算装置によりデータ処理することにより、生成したそれぞれの前記指定候補の前記配合データにより形成されて前記所定の製造条件データに基づいて製造されるそれぞれの指定加硫ゴムのそれぞれの前記ゴム物性データを算出し、それぞれの前記指定加硫ゴムについての前記配合データと、前記所定の製造条件データと、それぞれの前記ゴム物性データとを前記指定加硫ゴムの種類ごとに集積して指定データセットを作成し、前記指定加硫ゴム、その前記配合データをそれぞれ、前記対象加硫ゴムおよびその前記配合データと見做して、前記指定データセットを前記配合データセットの一部として統合する発明（１）または発明（２）に記載のゴム配合の設計方法。
発明（４）：前記選択工程では、前記目的の加硫ゴムについてのそれぞれの前記ゴム物性データの前記目標値と、それぞれの前記配合成分の配合量の指定範囲が設定された配合指定データと、混合条件および加硫条件の少なくとも一方が指定された製造条件指定データと、を前記演算装置に入力し、
制約条件としてそれぞれの前記目標値と前記配合指定データと前記製造条件指定データとが入力された配合生成モデルを用いて、前記演算装置によりデータ処理することにより、前記目標値と前記配合指定データと前記製造条件指定データによる制約を満たすとともに、前記学習データのそれぞれの前記配合データとは異なる配合データを指定候補として複数生成し、
前記物性予測モデルを用いて、前記演算装置によりデータ処理することにより、生成したそれぞれの前記指定候補の前記配合データにより形成されて前記製造条件指定データに基づいて製造されるそれぞれの指定加硫ゴムのそれぞれの前記ゴム物性データを算出し、それぞれの前記指定加硫ゴムについての前記配合データと、前記製造条件指定データと、それぞれの前記ゴム物性データとを前記指定加硫ゴムの種類ごとに集積して指定データセットを作成し、前記指定加硫ゴム、その前記配合データをそれぞれ、前記対象加硫ゴムおよびその前記配合データと見做して、前記指定データセットを前記配合データセットの一部として統合する発明（１）または発明（２）に記載のゴム配合の設計方法。
発明（５）：前記選択工程では、前記制約条件データにより設定された制約条件下で、条件付き敵対的生成ネットワークを利用して前記演算装置により前記配合生成モデルを構築する発明（３）または発明（４）に記載のゴム配合の設計方法。
発明（６）：前記指定データセットが統合された前記配合データセットを用いる前記選択工程では、前記制約条件データの制約条件ごとの評価関数を用いて、前記配合データセットの中から前記制約条件データによる制約を満足する度合いが基準よりも高い前記対象加硫ゴムの前記配合データを、前記目的の加硫ゴムの前記配合データとして選択する発明（３）～発明（５）に記載のゴム配合の設計方法。
発明（７）：前記指定候補の前記配合データの生成数を前記配合データセットの前記配合データの数以下とする発明（３）～発明（６）のいずれかに記載のゴム配合の設計方法。
発明（８）：前記選択工程では、選択したそれぞれの前記配合データを基にする前記対象加硫ゴムの前記配合データと前記所定の製造条件データと前記ゴム物性データとを一回目の探索用学習データとして、
前記探索用学習データを用いて機械学習により別の配合生成モデルを構築し、前記演算装置によりデータ処理することにより、前記別の配合生成モデルを用いて前記配合データの探索用候補を複数生成し、前記物性予測モデルによりそれぞれの前記探索用候補の前記配合データにより形成された探索用加硫ゴムの前記ゴム物性データを算出し、
それぞれの前記探索用加硫ゴムについての前記配合データと、前記所定の製造条件データと、それぞれの前記ゴム物性データとを前記探索用加硫ゴムの種類ごとに集積して探索用配合データセットを作成し、
前記探索用配合データセットに前記目標値に適合する前記配合データが見つかるまで、前記探索用配合データセットを二回目以降の前記探索用学習データとして、前記演算装置によりデータ処理することにより、前記探索用配合データセットの作成を繰り返し、
前記探索用配合データセットを前記配合データセットと見做す発明（３）～発明（７）のいずれかに記載のゴム配合の設計方法。
発明（９）：前記選択工程では、選択したそれぞれの前記配合データを、最適化アルゴリズムを用いて前記演算装置によりデータ処理することにより、前記配合データの最適解候補を生成し、前記最適解候補の前記配合データにより形成された最適解加硫ゴムについての前記配合データと、前記所定の製造条件データと、それぞれの前記ゴム物性データとを前記最適解加硫ゴムごとに集積して最適解配合データセットを作成し、
作成した前記最適解配合データセットを前記配合データセットと見做す発明（３）～発明（８）のいずれかに記載のゴム配合の設計方法。
発明（１０）：前記選択工程で選択された前記対象加硫ゴムの前記配合データ、前記所定の製造条件データおよび前記ゴム物性データをそれぞれ、前記配合データセットに追加して前記配合データを更新する発明（３）～発明（９）のいずれかに記載のゴム配合の設計方法。
発明（１１）：演算処理部と記憶部と入力部と出力部とを有する演算装置により、複数種類のゴム物性データの目標値を満足する目的の加硫ゴムのそれぞれの配合成分の配合量が設定された配合データを把握するゴム配合の設計システムにおいて、
前記演算装置により準備工程と選択工程とが実施され、
前記準備工程では、前記配合データが異なる多数種類の未加硫ゴムを加硫して製造されたそれぞれの加硫ゴムについての前記配合データと、製造条件データと、複数種類のゴム物性データと、を前記加硫ゴムの種類ごとに集積したデータセットを学習データとして、
演算装置により前記学習データを用いて機械学習によって配合生成モデルおよび物性予測モデルが構築されて、前記配合生成モデルを用いて前記演算装置によりデータ処理することにより、それぞれの前記加硫ゴムの配合データとは異なっている多数の前記配合データが生成され、かつ、前記物性予測モデルを用いて前記演算装置によりデータ処理することにより、生成された前記配合データで形成されて所定の製造条件データに基づいて製造されるそれぞれの前記対象加硫ゴムの前記ゴム物性データが算出されて、それぞれの前記対象加硫ゴムについての前記配合データと、前記所定の製造条件データと、前記ゴム物性データと、が前記対象加硫ゴムの種類ごとに集積された配合データセットが作成されて前記記憶部に記憶されていて、
前記選択工程では、前記配合データセットと前記目標値とに基づいて、演算装置によりデータ処理することにより、前記配合データセットの中から前記ゴム物性データが前記目標値に近似する前記対象加硫ゴムの前記配合データが、前記目的の加硫ゴムの前記配合データとして選択され、
前記準備工程と前記選択工程とは互いに個別の任意のタイミングで実施されて、前記配合データセットは前記選択工程の実施の前に予め作成されているゴム配合の設計システム。
発明（１２）：互いに通信可能な複数の前記演算装置を備えて、前記準備工程と前記準備工程とがそれぞれ、複数の前記演算装置のうちの異なる演算装置により行われる発明（１１）に記載のゴム配合の設計システム。
【符号の説明】
【0123】
１ 設計システム
２ａ、２ｂ 演算装置
１０ 学習データ
２０ 配合データセット
３０ａ、３０ｂ、３０ｃ 配合生成モデル
４０ 物性予測モデル
５０ 指定データセット
６０ 探索用学習データ
７０ 探索用配合データセット
８０ 最適化用データセット
９０ 最適解配合データセット
２ａ、２ｂ 演算装置
１０ 学習データ
２０ 配合データセット
３０ａ、３０ｂ、３０ｃ 配合生成モデル
４０ 物性予測モデル
５０ 指定データセット
６０ 探索用学習データ
７０ 探索用配合データセット
８０ 最適化用データセット
９０ 最適解配合データセット
【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】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】