ホーム > 特許ランキング > 住友ゴム工業株式会社
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】P2024139382
(43)【公開日】2024-10-09
(54)【発明の名称】粘弾性体の物性予測装置及び物性予測方法
(51)【国際特許分類】
B29B 7/28 20060101AFI20241002BHJP
B29C 48/00 20190101ALI20241002BHJP
B29C 48/92 20190101ALI20241002BHJP
B29B 7/18 20060101ALI20241002BHJP
B29B 7/38 20060101ALI20241002BHJP
B29B 7/72 20060101ALI20241002BHJP
B29C 35/02 20060101ALI20241002BHJP
B29C 33/02 20060101ALI20241002BHJP
【ＦＩ】
B29B7/28
B29C48/00
B29C48/92
B29B7/18
B29B7/38
B29B7/72
B29C35/02
B29C33/02
【審査請求】未請求
【請求項の数】12
【出願形態】ＯＬ
(21)【出願番号】P 2023050288
(22)【出願日】2023-03-27
(71)【出願人】
【識別番号】000183233
【氏名又は名称】住友ゴム工業株式会社
(74)【代理人】
【識別番号】100104134
【弁理士】
【氏名又は名称】住友 慎太郎
(74)【代理人】
【識別番号】100156225
【弁理士】
【氏名又は名称】浦 重剛
(74)【代理人】
【識別番号】100168549
【弁理士】
【氏名又は名称】苗村 潤
(74)【代理人】
【識別番号】100200403
【弁理士】
【氏名又は名称】石原 幸信
(74)【代理人】
【識別番号】100206586
【弁理士】
【氏名又は名称】市田 哲
(72)【発明者】
【氏名】福永 紘平
(72)【発明者】
【氏名】伊田 真悟
【テーマコード（参考）】
4F201
4F202
4F203
4F207
【Ｆターム（参考）】
4F201AA45
4F201AJ08
4F201AM23
4F201AR04
4F201AR06
4F201AR11
4F201AR20
4F201BA01
4F201BC01
4F201BC02
4F201BC37
4F201BK01
4F201BK02
4F201BK13
4F201BK14
4F201BK40
4F201BK54
4F201BK74
4F202AA45
4F202AB03
4F202AC03
4F202AH20
4F202AM23
4F202AP05
4F202AP20
4F202CA21
4F202CB01
4F202CN01
4F203AA45
4F203AB03
4F203AC03
4F203AH20
4F203AM23
4F203AP05
4F203AP20
4F203DA11
4F203DB01
4F203DC01
4F203DJ01
4F203DK08
4F203DL11
4F207AJ08
4F207AM23
4F207AR04
4F207AR06
4F207AR11
4F207AR20
4F207KA01
4F207KA17
4F207KM14
(57)【要約】
【課題】 粘弾性体の前工程の影響を考慮して、粘弾性体の物性を予測することが可能な装置を提供する。
【解決手段】 加硫された粘弾性体の物性を予測するための物性予測装置である。この物性予測装置は、少なくとも、粘弾性体が加硫時に受けた熱履歴を特定する第１データと、粘弾性体の加硫中の物性の変化を特定する第２データとを含む入力データが入力される入力部１９ａと、入力データに基づいて、粘弾性体の加硫後の物性値を予測するための予測部２０ｃと、予測された物性値を出力するための出力部２０ｄとを含む。予測部２０ｃは、少なくとも、互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれの第１データ、第２データ及び加硫後の物性値を用いて、入力データから、加硫後の物性値を推定するように機械学習させた学習済モデルを含む。
【選択図】図１
【解決手段】 加硫された粘弾性体の物性を予測するための物性予測装置である。この物性予測装置は、少なくとも、粘弾性体が加硫時に受けた熱履歴を特定する第１データと、粘弾性体の加硫中の物性の変化を特定する第２データとを含む入力データが入力される入力部１９ａと、入力データに基づいて、粘弾性体の加硫後の物性値を予測するための予測部２０ｃと、予測された物性値を出力するための出力部２０ｄとを含む。予測部２０ｃは、少なくとも、互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれの第１データ、第２データ及び加硫後の物性値を用いて、入力データから、加硫後の物性値を推定するように機械学習させた学習済モデルを含む。
【選択図】図１
【特許請求の範囲】
【請求項1】
加硫された粘弾性体の物性を予測するための物性予測装置であって、
少なくとも、前記粘弾性体が加硫時に受けた熱履歴を特定する第１データと、前記粘弾性体の加硫中の物性の変化を特定する第２データとを含む入力データが入力される入力部と、
前記入力データに基づいて、前記粘弾性体の加硫後の物性値を予測するための予測部と、
前記予測された物性値を出力するための出力部と、を含み、
前記予測部は、少なくとも、互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記入力データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを含む、
粘弾性体の物性予測装置。
少なくとも、前記粘弾性体が加硫時に受けた熱履歴を特定する第１データと、前記粘弾性体の加硫中の物性の変化を特定する第２データとを含む入力データが入力される入力部と、
前記入力データに基づいて、前記粘弾性体の加硫後の物性値を予測するための予測部と、
前記予測された物性値を出力するための出力部と、を含み、
前記予測部は、少なくとも、互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記入力データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを含む、
粘弾性体の物性予測装置。
【請求項2】
前記物性値は、損失正接を含む、請求項１に記載の粘弾性体の物性予測装置。
【請求項3】
前記物性値は、ねじり振動を加えたときのトルクを含む、請求項１に記載の粘弾性体の物性予測装置。
【請求項4】
前記第１データは、前記粘弾性体の温度と加硫時間との関係を示す温度曲線に、フィッティング可能な予め定められた関数に基づいて特定される、請求項１又は２に記載の粘弾性体の物性予測装置。
【請求項5】
前記関数は、下記の式（１）～（３）で定義され、
前記第１データは、定数ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2の少なくとも１つを含む、請求項４に記載の粘弾性体の物性予測装置。
ここで、
ｑ(ｔ)：加硫時間ｔの粘弾性体の温度
ｑ0：粘弾性体の初期温度
ｔ：加硫時間
ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2：定数
前記第１データは、定数ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2の少なくとも１つを含む、請求項４に記載の粘弾性体の物性予測装置。
【数1】
ｑ(ｔ)：加硫時間ｔの粘弾性体の温度
ｑ0：粘弾性体の初期温度
ｔ：加硫時間
ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2：定数
【請求項6】
前記第２データは、損失正接の最小値、及び／又は、加硫戻りによる前記損失正接の増加分を含む、請求項１又は２に記載の粘弾性体の物性予測装置。
【請求項7】
前記第２データは、ねじり振動を加えたときのトルクの最大値、及び／又は、加硫戻りによる前記トルクの減少分を含む、請求項１又は２に記載の粘弾性体の物性予測装置。
【請求項8】
前記入力データは、前記粘弾性体の加硫前の混練条件を特定する第３データをさらに含み、
前記学習済モデルは、さらに、前記複数の粘弾性体のそれぞれの前記第３データを用いて機械学習されている、請求項１又は２に記載の粘弾性体の物性予測装置。
前記学習済モデルは、さらに、前記複数の粘弾性体のそれぞれの前記第３データを用いて機械学習されている、請求項１又は２に記載の粘弾性体の物性予測装置。
【請求項9】
前記入力データは、前記粘弾性体の配合を特定する第４データをさらに含み、
前記学習済モデルは、さらに、前記配合が異なる複数の粘弾性体のそれぞれの前記第４データを用いて機械学習されている、請求項１又は２に記載の粘弾性体の物性予測装置。
前記学習済モデルは、さらに、前記配合が異なる複数の粘弾性体のそれぞれの前記第４データを用いて機械学習されている、請求項１又は２に記載の粘弾性体の物性予測装置。
【請求項10】
加硫された粘弾性体の物性を予測するための方法であって、
少なくとも、前記粘弾性体が加硫時に受けた熱履歴を特定する第１データと、前記粘弾性体の加硫中の物性の変化を特定する第２データと含む入力データを、コンピュータに入力する工程と、
前記コンピュータが、前記入力データに基づいて、前記粘弾性体の加硫後の物性値を予測する工程と、
前記コンピュータが、前記予測された物性値を出力する工程とを含み、
前記物性値を予測する工程は、少なくとも、互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記入力データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを、前記コンピュータに入力する工程と、
前記コンピュータが、前記学習済モデルに、前記入力データを入力して、前記加硫後の物性値を推定する工程とを含む、
粘弾性体の物性予測方法。
少なくとも、前記粘弾性体が加硫時に受けた熱履歴を特定する第１データと、前記粘弾性体の加硫中の物性の変化を特定する第２データと含む入力データを、コンピュータに入力する工程と、
前記コンピュータが、前記入力データに基づいて、前記粘弾性体の加硫後の物性値を予測する工程と、
前記コンピュータが、前記予測された物性値を出力する工程とを含み、
前記物性値を予測する工程は、少なくとも、互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記入力データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを、前記コンピュータに入力する工程と、
前記コンピュータが、前記学習済モデルに、前記入力データを入力して、前記加硫後の物性値を推定する工程とを含む、
粘弾性体の物性予測方法。
【請求項11】
加硫された粘弾性体の物性を予測するためのコンピュータプログラムであって、
コンピュータを、
少なくとも、前記粘弾性体が加硫時に受けた熱履歴を特定する第１データと、前記粘弾性体の加硫中の物性の変化を特定する第２データとを含む入力データを入力する手段と、
前記入力データに基づいて、前記粘弾性体の加硫後の物性値を予測する手段と、
前記予測された物性値を出力する手段として機能させ、
前記物性値を予測する手段は、少なくとも、互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記入力データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを含む、
コンピュータプログラム。
コンピュータを、
少なくとも、前記粘弾性体が加硫時に受けた熱履歴を特定する第１データと、前記粘弾性体の加硫中の物性の変化を特定する第２データとを含む入力データを入力する手段と、
前記入力データに基づいて、前記粘弾性体の加硫後の物性値を予測する手段と、
前記予測された物性値を出力する手段として機能させ、
前記物性値を予測する手段は、少なくとも、互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記入力データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを含む、
コンピュータプログラム。
【請求項12】
加硫された粘弾性体の物性を予測するための学習済モデルの作成方法であって、
互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれについて、少なくとも、加硫時に受けた熱履歴を特定する第１データ、加硫中の物性の変化を特定する第２データ、及び、加硫後の物性値を、コンピュータに入力する工程と、
前記コンピュータが、少なくとも、前記複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記粘弾性体の少なくとも前記第１データ及び前記第２データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを作成する工程とを含む、
学習済モデルの作成方法。
互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれについて、少なくとも、加硫時に受けた熱履歴を特定する第１データ、加硫中の物性の変化を特定する第２データ、及び、加硫後の物性値を、コンピュータに入力する工程と、
前記コンピュータが、少なくとも、前記複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記粘弾性体の少なくとも前記第１データ及び前記第２データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを作成する工程とを含む、
学習済モデルの作成方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、粘弾性体の物性予測装置及び物性予測方法に関する。
【背景技術】
【0002】
従来、粘弾性体の物性を予測するための方法が、種々提案されている（例えば、特許文献１参照）。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特許第６９５３９２６号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
一般に、粘弾性体は、ゴム及び樹脂等のポリマーや薬品等を混練し、所定の形状に押し出しする前工程と、その後、押し出された材料を加硫する加硫工程とを経て製造される。これらの混練や押し出し等の前工程は、予め定められた条件に基づいて行われるが、粘弾性体を製造する工場や設備によって微妙に異なる場合がある。そして、前工程の条件の違いは、意外にも加硫中の物性値に無視できないバラつきを生じさせる傾向がある。すなわち、粘弾性体の配合が同一であっても、前工程での条件が異なると、加硫後の物性値が異なる場合がある。
【0005】
本発明は、以上のような実状に鑑み案出されたもので、粘弾性体の前工程の影響を考慮して、粘弾性体の物性を予測することが可能な装置を提供することを主たる目的としている。
【課題を解決するための手段】
【0006】
本発明は、加硫された粘弾性体の物性を予測するための物性予測装置であって、少なくとも、前記粘弾性体が加硫時に受けた熱履歴を特定する第１データと、前記粘弾性体の加硫中の物性の変化を特定する第２データとを含む入力データが入力される入力部と、前記入力データに基づいて、前記粘弾性体の加硫後の物性値を予測するための予測部と、前記予測された物性値を出力するための出力部と、を含み、前記予測部は、少なくとも、互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記入力データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを含む、粘弾性体の物性予測装置である。
【発明の効果】
【0007】
本発明の粘弾性体の物性予測装置は、上記の構成を採用することにより、粘弾性体の前工程の影響を考慮して、粘弾性体の物性を予測することが可能となる。
【図面の簡単な説明】
【0008】
【図1】本実施形態の粘弾性体の物性予測装置のブロック図である。
【図2】混練機の一例を示す断面図である。
【図3】押出機及び押出流路の一例を示す断面図である。
【図4】金型の一例を示す断面図である。
【図5】本実施形態の学習済モデルの作成方法の処理手順を示すフローチャートである。
【図6】本実施形態の入力工程の処理手順を示すフローチャートである。
【図7】熱履歴を示すグラフである。
【図8】加硫中の物性変化を示すグラフである。
【図9】学習済モデルの一例を示す図である。
【図10】本実施形態の粘弾性体の物性予測方法の処理手順を示すフローチャートである。
【図11】本実施形態の予測工程の処理手順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】
【0009】
以下、本発明の実施形態が図面に基づき説明される。図面は、発明の内容の理解を助けるために、誇張表現や、実際の構造の寸法比とは異なる表現が含まれることが理解されなければならない。また、各実施形態を通して、同一又は共通する要素については同一の符号が付されており、重複する説明が省略される。さらに、実施形態及び図面に表された具体的な構成は、本発明の内容理解のためのものであって、本発明は、図示されている具体的な構成に限定されるものではない。
【0010】
本実施形態の粘弾性体の物性予測装置（以下、「物性予測装置」ということがある。）、及び、粘弾性体の物性予測方法（以下、「物性予測方法」ということがある。）では、加硫された粘弾性体の物性が予測される。
【0011】
［粘弾性体の物性予測装置］
図１は、本実施形態の粘弾性体の物性予測装置１１のブロック図である。物性予測装置１１は、例えば、コンピュータ１０で構成されている。コンピュータ１０の一例には、デスクトップ型コンピュータ、ノート型コンピュータ、タブレットコンピュータ、スマートフォン、及び、クラウドサーバ等が挙げられる。本実施形態のコンピュータ１０には、デスクトップ型コンピュータが採用される。
図１は、本実施形態の粘弾性体の物性予測装置１１のブロック図である。物性予測装置１１は、例えば、コンピュータ１０で構成されている。コンピュータ１０の一例には、デスクトップ型コンピュータ、ノート型コンピュータ、タブレットコンピュータ、スマートフォン、及び、クラウドサーバ等が挙げられる。本実施形態のコンピュータ１０には、デスクトップ型コンピュータが採用される。
【0012】
本実施形態の物性予測装置１１は、例えば、入力装置１３と、表示装置１４と、演算処理装置１５とを含んで構成されている。
【0013】
［入力装置］
入力装置１３には、例えば、キーボードや、マウス等が用いられる。このような入力装置１３により、演算処理装置１５に、物性予測方法の実行に必要な命令等が入力されうる。
入力装置１３には、例えば、キーボードや、マウス等が用いられる。このような入力装置１３により、演算処理装置１５に、物性予測方法の実行に必要な命令等が入力されうる。
【0014】
［表示装置］
表示装置１４は、例えば、ディスプレイ装置で構成されている。このような表示装置１４により、物性予測方法によって予測された物性値が出力されうる。
表示装置１４は、例えば、ディスプレイ装置で構成されている。このような表示装置１４により、物性予測方法によって予測された物性値が出力されうる。
【0015】
本実施形態の演算処理装置１５は、例えば、各種の演算を行う演算部（ＣＰＵ）１６と、データやプログラム等が記憶される記憶部１７と、作業用メモリ１８とを含んで構成されている。
【0016】
［記憶部］
記憶部１７は、例えば、磁気ディスク、光ディスク又はＳＳＤ等からなる不揮発性の情報記憶装置である。本実施形態の記憶部１７には、データ部１９と、プログラム部２０とが含まれている。
記憶部１７は、例えば、磁気ディスク、光ディスク又はＳＳＤ等からなる不揮発性の情報記憶装置である。本実施形態の記憶部１７には、データ部１９と、プログラム部２０とが含まれている。
【0017】
［データ部］
データ部１９は、加硫された粘弾性体の物性の予測に必要なデータ（情報）や、計算結果等を記憶するためのものである。本実施形態のデータ部１９には、入力部１９ａと、物性値記憶部１９ｂと、学習済モデル記憶部１９ｃとが含まれる。入力部１９ａには、第１入力部２１と、第２入力部２２と、第３入力部２３とが含まれる。これらのデータ部１９に入力されるデータの詳細は、後述される。なお、データ部１９は、このような態様に限定されるわけではなく、これらの一部が省略されてもよいし、その他のデータが記憶されうるデータ部が含まれてもよい。
データ部１９は、加硫された粘弾性体の物性の予測に必要なデータ（情報）や、計算結果等を記憶するためのものである。本実施形態のデータ部１９には、入力部１９ａと、物性値記憶部１９ｂと、学習済モデル記憶部１９ｃとが含まれる。入力部１９ａには、第１入力部２１と、第２入力部２２と、第３入力部２３とが含まれる。これらのデータ部１９に入力されるデータの詳細は、後述される。なお、データ部１９は、このような態様に限定されるわけではなく、これらの一部が省略されてもよいし、その他のデータが記憶されうるデータ部が含まれてもよい。
【0018】
［プログラム部］
プログラム部２０は、加硫された粘弾性体の物性の予測に必要なプログラム（コンピュータプログラム）である。プログラム部（プログラム）２０は、演算部１６によって実行されることにより、コンピュータ１０を、特定の手段として機能させることができる。
プログラム部２０は、加硫された粘弾性体の物性の予測に必要なプログラム（コンピュータプログラム）である。プログラム部（プログラム）２０は、演算部１６によって実行されることにより、コンピュータ１０を、特定の手段として機能させることができる。
【0019】
本実施形態のプログラム部２０には、第１取得部２０ａと、第２取得部２０ｂと、予測部２０ｃと、出力部２０ｄと、学習済モデル作成部２０ｅとが含まれる。これらのプログラム部２０の機能の詳細は、後述される。なお、プログラム部２０は、このような態様に限定されるわけではなく、これらの一部が省略されてもよいし、その他の機能を有するプログラム部がさらに含まれてもよい。
【0020】
［粘弾性体］
本実施形態の物性予測装置１１において、加硫後の物性が予測される粘弾性体は、前工程と、加硫工程とを経て製造される。前工程では、ポリマーや薬品等を混練する混練工程と、所定の形状に押し出す押出工程とが含まれる。一方、加硫工程では、押出工程（前工程）で押し出された材料が加硫される。これにより、粘弾性体が製造される。この加硫された粘弾性体は、例えば、タイヤなどの製品を構成している。
本実施形態の物性予測装置１１において、加硫後の物性が予測される粘弾性体は、前工程と、加硫工程とを経て製造される。前工程では、ポリマーや薬品等を混練する混練工程と、所定の形状に押し出す押出工程とが含まれる。一方、加硫工程では、押出工程（前工程）で押し出された材料が加硫される。これにより、粘弾性体が製造される。この加硫された粘弾性体は、例えば、タイヤなどの製品を構成している。
【0021】
ポリマーには、例えば、ゴム及び樹脂等が含まれる。本実施形態のポリマーには、未加硫のゴムが用いられる。ここで、未加硫とは、完全な加硫に至っていない全ての態様を含むもので、いわゆる半加硫の状態は、この「未加硫」に含まれる。ゴムの一例としては、天然ゴム（ＮＲ）、ブタジエンゴム（ＢＲ）、又は、スチレンブタジエンゴム（ＳＢＲ）等が挙げられる。また、ポリマーとともに混練される薬品の一例としては、カーボンやシリカ等のフィラー、オイル、加工助剤、硫黄又は加硫促進剤が挙げられる。
【0022】
本実施形態の混練工程（前工程）では、例えば、公知の混練機が用いられる。図２は、混練機２の一例を示す断面図である。本実施形態の混練機２は、筒状に形成されたケーシング２ａと、ケーシング２ａの内部で回転可能なロータ２ｂ、２ｂとを含んで構成されている。
【0023】
本実施形態の混練工程では、先ず、混練機２のケーシング２ａ内に、上記のポリマーや薬品等を含む材料７Ａが投入される。次に、混練機２のロータ２ｂ、２ｂによって、ケーシング２ａ内の材料７Ａが混練される。混練された材料７Ａは、ケーシング２ａから排出される。
【0024】
混練工程は、予め設定された混練条件に基づいて実施される。混練条件には、例えば、ポリマーや薬品等の投入順序、ロータ２ｂ、２ｂの回転数、及び、混練後の材料７Ａの排出温度（混練停止条件）が含まれる。これらの混練条件は、粘弾性体を製造する工場や、混練機２を含む設備等に応じて適宜設定される。したがって、混練条件は、工場や設備によって微妙に異なる場合がある。
【0025】
次に、本実施形態の押出工程（前工程）では、公知の押出機や押出流路が用いられる。図３は、押出機３及び押出流路４の一例を示す断面図である。
【0026】
本実施形態の押出機３は、筒状に形成されたバレル３ａと、バレル３ａの内部で回転可能なスクリュー軸３ｂとを含んで構成されている。一方、押出流路４は、筒状に形成されており、押出機３の下流側に接続されたヘッド４ａと、ヘッド４ａの下流側に配されるダイ（口金）４ｂとを含んで構成されている。
【0027】
本実施形態の押出工程では、先ず、図２に示した混練機２から排出された材料７Ａが、バレル３ａ内に投入される。次に、スクリュー軸３ｂの回転によって、バレル３ａの材料７Ａが押出流路４側に案内される。そして、押出流路４に案内された材料７Ａは、ダイ４ｂを通過することで、所定の形状に成形されて押し出される。
【0028】
押出工程は、予め設定された押出条件に基づいて実施される。押出条件には、例えば、スクリュー軸３ｂの回転数、スクリュー軸３ｂの外形Ｄと長さＬとの比Ｌ／Ｄ、及び、バレル３ａを加熱するための設定温度等が含まれる。これらの押出条件は、工場や、押出機３を含む設備等に応じて適宜設定される。したがって、押出条件は、工場や設備によって微妙に異なる場合がある。
【0029】
次に、加硫工程では、例えば、公知の金型が用いられる。図４は、金型５の一例を示す断面図である。本実施形態の金型５は、第１成形型５ａと、第２成形型５ｂ、５ｃとを含んで構成されている。これらの成形型５ａ、５ｂ及び５ｃが嵌め合わされることで、製品を成形しうる成形面５ｓが形成される。
【0030】
本実施形態の加硫工程では、先ず、図３に示した押出流路４から所定の形状に押し出された材料７Ａを用いて、未加硫の製品６（本例では、タイヤ６Ａ）が形成される。次に、未加硫の製品６が、金型５の内部に投入される。そして、未加硫の製品が加熱されて加硫成形される。これにより、加硫された粘弾性体７を含む製品６（タイヤ６Ａ）が製造される。
【0031】
加硫工程は、予め設定された加硫条件に基づいて実施される。加硫条件には、例えば、粘弾性体７（製品６）が加硫時に受けた熱履歴等が含まれる。これらの加硫条件は、工場や、金型５を含む設備等に応じて適宜設定される。したがって、加硫条件は、工場や設備によって微妙に異なる場合がある。
【0032】
このように、前工程（混練工程及び押出工程）や、加硫工程では、予め定められた条件（混練条件、押出条件及び加硫条件）に基づいて実施されるが、これらの条件は、工場や設備によって微妙に異なる場合がある。
【0033】
上記の特許文献１では、上記の条件のうち、図４に示した加硫工程での加硫条件（熱履歴）を考慮して、粘弾性体７の加硫後の物性が予測されている。しかしながら、上記の特許文献１では、図２及び図３に示した混練工程及び押出工程を含む前工程の条件（混練条件や、押出条件）が考慮されていない。発明者らは、鋭意研究を重ねた結果、図２及び図３に示した前工程での条件の違いが、意外にも、図４に示した加硫中の物性値に無視できないバラつきを生じさせる傾向があることを知見した。すなわち、たとえ粘弾性体７の配合が同一であっても、前工程での条件が異なると、加硫後の物性値が異なる場合がある。
【0034】
本実施形態の物性予測装置及び物性予測方法では、粘弾性体７の加硫工程の影響（加硫条件）だけでなく、粘弾性体７の前工程の影響（混練条件及び押出条件）も考慮して、加硫された粘弾性体７の物性（本例では、加硫後の物性値）が予測される。
【0035】
予測される加硫後の物性値は、例えば、図４に示した粘弾性体７や、粘弾性体７を含む製品６（タイヤ６Ａ）の解析の目的に応じて、適宜設定されうる。本実施形態において、加硫後の物性値には、損失正接ｔａｎδが含まれる。このような損失正接ｔａｎδが予測されることで、例えば、粘弾性体７を含むタイヤ６Ａの転がり抵抗性能の評価が可能となる。加硫後の損失正接ｔａｎδは、ＪＩＳ－Ｋ６３９４の規定に準拠し、下記の条件に基づいて、ＧＡＢＯ社製動的粘弾性測定装置（イプレクサーシリーズ）で測定された値である。
初期歪：１０％
動歪の振幅：±２％
周波数：１０Ｈｚ
変形モード：引張
測定温度：３０℃
初期歪：１０％
動歪の振幅：±２％
周波数：１０Ｈｚ
変形モード：引張
測定温度：３０℃
【0036】
予測される加硫後の物性値には、ねじり振動を加えたときのトルクＴＱが含まれてもよい。このようなトルクＴＱが予測されることで、粘弾性体７を含むタイヤ６Ａの耐久性能の評価が可能となる。トルクＴＱ（加硫後）は、ＴＡインスツルメント社製のＡＲＥＳ－Ｇ２、又は、ＪＳＲトレーディング社製のキュラストメーター７型によって測定された値である。
【0037】
予測される加硫後の物性値には、上記の特許文献１と同様に、例えば、貯蔵弾性率Ｅ'、損失弾性率Ｅ"、貯蔵せん断弾性率Ｇ'、及び、損失せん断弾性率Ｇ"等がさらに含まれてもよい。本実施形態では、上記の物性値のうち、損失正接ｔａｎδが予測される。
【0038】
本実施形態では、加硫された粘弾性体７の物性の予測に、学習済モデルが用いられる。学習済モデルは、予測対象の粘弾性体７の入力データから、その粘弾性体７の加硫後の物性値を推定するように機械学習させたものである。この入力データには、第１データと、第２データとが含まれる。
【0039】
第１データは、図４に示した粘弾性体７が加硫時に受けた熱履歴を特定するためのものである。この熱履歴は、上述の加硫条件に含まれており、粘弾性体７の加硫時の反応速度や反応量に影響を与える。したがって、第１データにより、熱履歴（加硫条件）の違いから生じる加硫後の物性値への影響を考慮することが可能となる。第１データの詳細は、後述される。
【0040】
第２データは、図４に示した粘弾性体７の加硫中の物性の変化を特定するためのものである。上述した発明者らの知見から、加硫中の物性の変化と、図２及び図３に示した前工程の条件（混練条件及び押出条件）との間に相関があると考えられる。このような第２データにより、加硫中の物性の変化が特定されることで、前工程の条件の違いから生じる加硫中の物性値への影響や、加硫後の物性値への影響を考慮することが可能となる。第２データの詳細は、後述される。
【0041】
［学習済モデルの作成方法（第１実施形態）］
本実施形態では、物性予測方法の実施に先立って、学習済モデルが作成される。図５は、本実施形態の学習済モデルの作成方法の処理手順を示すフローチャートである。本実施形態において、学習済モデルの作成方法（以下、「作成方法」ということがある。）の各工程は、図１に示したコンピュータ１０によって実行される。したがって、コンピュータ１０は、学習済モデルの作成装置１２として構成される。
本実施形態では、物性予測方法の実施に先立って、学習済モデルが作成される。図５は、本実施形態の学習済モデルの作成方法の処理手順を示すフローチャートである。本実施形態において、学習済モデルの作成方法（以下、「作成方法」ということがある。）の各工程は、図１に示したコンピュータ１０によって実行される。したがって、コンピュータ１０は、学習済モデルの作成装置１２として構成される。
【0042】
［複数の粘弾性体の第１データ、第２データ及び加硫後の物性値を入力（入力工程）］
本実施形態の作成方法では、先ず、互いに異なる熱履歴で加硫された複数の粘弾性体７のそれぞれについて、少なくとも、第１データ、第２データ及び加硫後の物性値が、コンピュータ１０に入力される（入力工程Ｓ１）。本実施形態では、複数の粘弾性体７のそれぞれについて、第１データ、第２データ及び加硫後の物性値が入力される。これらの第１データ、第２データ及び加硫後の物性値は、学習済モデルの教師データとして用いられる。
本実施形態の作成方法では、先ず、互いに異なる熱履歴で加硫された複数の粘弾性体７のそれぞれについて、少なくとも、第１データ、第２データ及び加硫後の物性値が、コンピュータ１０に入力される（入力工程Ｓ１）。本実施形態では、複数の粘弾性体７のそれぞれについて、第１データ、第２データ及び加硫後の物性値が入力される。これらの第１データ、第２データ及び加硫後の物性値は、学習済モデルの教師データとして用いられる。
【0043】
本実施形態の入力工程Ｓ１では、先ず、図１に示したプログラム部２０に含まれる第１取得部２０ａが、作業用メモリ１８に読み込まれる。第１取得部２０ａは、複数の粘弾性体７のそれぞれについて、少なくとも、第１データ、第２データ及び加硫後の物性値を取得するためのプログラムである。この第１取得部２０ａが、演算部１６によって実行されることで、コンピュータ１０を、第１データ、第２データ及び加硫後の物性値を取得するための手段として機能させることができる。
【0044】
複数の粘弾性体７は、互いに異なる熱履歴で加硫されていれば、材料（ポリマーや薬品等）の配合が同一であってもよいし、互いに異なっていてもよい。本実施形態では、同一配合、かつ、互いに異なる熱履歴で加硫された複数の粘弾性体７が用いられる。また、複数の粘弾性体７の合計数は、特に限定されないが、学習済モデルの精度向上と、学習コストの低減との観点から、例えば、３０～１００個が好ましい。
【0045】
［複数の粘弾性体の熱履歴を特定する第１データを入力］
図６は、本実施形態の入力工程Ｓ１の処理手順を示すフローチャートである。本実施形態の入力工程Ｓ１では、先ず、複数の粘弾性体７のそれぞれについて、加硫時に受けた熱履歴を特定する第１データが入力される（工程Ｓ１１）。
図６は、本実施形態の入力工程Ｓ１の処理手順を示すフローチャートである。本実施形態の入力工程Ｓ１では、先ず、複数の粘弾性体７のそれぞれについて、加硫時に受けた熱履歴を特定する第１データが入力される（工程Ｓ１１）。
【0046】
図７は、熱履歴２５を示すグラフである。図７では、一つの粘弾性体７の熱履歴２５が代表して示されている。熱履歴２５は、粘弾性体７の温度と加硫時間との関係を示す温度曲線（加硫温度曲線）２６で特定される。本実施形態では、複数の粘弾性体７のそれぞれについて、各粘弾性体７の加硫時の温度が予め定められた時間間隔で測定されることで、熱履歴２５（温度曲線２６）が取得されうる。粘弾性体７の温度は、例えば、図４に示した粘弾性体７の内部に埋め込まれた複数の熱電対（図示省略）によって測定されうる。また、粘弾性体７の温度は、汎用の有限要素解析アプリケーションソフト（LSTC社製の LS-DYNA等）を用いた熱伝導計算によって取得されてもよい。複数の粘弾性体７の熱履歴は、本実施形態の作成方法の実施に先立って、図１に示したコンピュータ１０（本例では、データ部１９の第３入力部２３）に記憶されているのが好ましい。
【0047】
温度曲線２６は、第１温度曲線２６Ａと、第２温度曲線２６Ｂと、第３温度曲線２６Ｃとに区分される。第１温度曲線２６Ａは、図４に示した粘弾性体７の加硫を開始してから粘弾性体７の温度を上昇させる時間帯である昇温時Ｔ１において、粘弾性体７の温度の変化を示している。第２温度曲線２６Ｂは、昇温時Ｔ１の後に粘弾性体７の温度を維持する時間帯である加熱時Ｔ２において、粘弾性体７の温度の変化を示している。第３温度曲線２６Ｃは、加熱時Ｔ２の後から粘弾性体７を金型５から取り出されるまでの時間帯である放熱時Ｔ３において、粘弾性体７の温度の変化を示している。
【0048】
本実施形態の工程Ｓ１１では、先ず、複数の粘弾性体７のそれぞれについて、加硫時に受けた熱履歴２５（図７に示す）を特定する第１データが取得される。第１データは、熱履歴２５を特定できれば、特に限定されない。本実施形態の第１データは、温度曲線２６にフィッティング可能な予め定められた関数に基づいて特定される。このような関数に基づいて、第１データが特定されることで、時々刻々と変化する熱履歴２５（温度曲線２６）が、一意に特定されうる。
【0049】
関数は、温度曲線２６にフィッティングできれば、特に限定されるわけではなく、例えば、上記の特許文献１に記載の式（１）～（２）が用いられてもよい。本実施形態の関数は、下記の式（１）～（３）で定義される。
ここで、
ｑ(ｔ)：加硫時間ｔの粘弾性体の温度
ｑ0：粘弾性体の初期温度
ｔ：加硫時間
ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2：定数
【数1】
ｑ(ｔ)：加硫時間ｔの粘弾性体の温度
ｑ0：粘弾性体の初期温度
ｔ：加硫時間
ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2：定数
【0050】
上記の式（１）は、図７に示した昇温時Ｔ１の第１温度曲線２６Ａにフィッティングさせるためのものである。上記の式（２）は、加熱時Ｔ２の第２温度曲線２６Ｂにフィッティングさせるためのものである。上記の式（３）は、放熱時Ｔ３の第３温度曲線２６Ｃにフィッティングさせるためのものである。定数ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2は、フィッティングパラメータである。上記の式（１）～（３）を用いたフィッティングは、例えば、粒子群最適化（ＰＳＯ（Particle Swarm Optimization））に基づいて、容易に実施されうる。
【0051】
本実施形態では、温度曲線２６のフィッティングに、上記の３つの式（１）～（３）が用いられるため、２つの式でフィッティングさせる上記の特許文献１に比べると、より適切なフィッティングが可能となる。
【0052】
本実施形態では、上記の式（１）～（３）を用いたフィッティングにより、定数ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2が決定される。これらの定数ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2により、第１温度曲線２６Ａ、第２温度曲線２６Ｂ及び第３温度曲線２６Ｃを含む全ての温度曲線２６（熱履歴２５）が特定されうる。したがって、熱履歴２５を特定する第１データは、定数ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2の少なくとも１つが含まれるのが好ましい。なお、昇温時Ｔ１、加熱時Ｔ２及び放熱時Ｔ３の全ての温度曲線２６（熱履歴２５）を適切に特定するために、これらの定数ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2の全てが、第１データとして決定されるのが好ましい。
【0053】
第１データには、粘弾性体７の加硫前の温度（初期温度）や、金型５から取り出される直前の粘弾性体７の温度（金型開時温度）がさらに含まれてもよい。これらの初期温度と、金型開時温度とが含まれることで、熱履歴２５がより適切に特定されうる。
【0054】
本実施形態では、複数の粘弾性体７のそれぞれについて、第１データ（定数ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2と、初期温度と、金型開時温度とを含む）が特定される。第１データは、図１に示した第１入力部２１（コンピュータ１０）に記憶される。
【0055】
［複数の粘弾性体７の加硫中の物性の変化を特定する第２データを入力］
次に、本実施形態の入力工程Ｓ１では、複数の粘弾性体７のそれぞれについて、加硫中の物性の変化を特定する第２データが入力される（工程Ｓ１２）。加硫中の物性の変化は、適宜特定されうる。本実施形態では、粘弾性体７の加硫中の物性と加硫時間との関係を示す曲線から、加硫中の物性の変化が特定される。
次に、本実施形態の入力工程Ｓ１では、複数の粘弾性体７のそれぞれについて、加硫中の物性の変化を特定する第２データが入力される（工程Ｓ１２）。加硫中の物性の変化は、適宜特定されうる。本実施形態では、粘弾性体７の加硫中の物性と加硫時間との関係を示す曲線から、加硫中の物性の変化が特定される。
【0056】
物性は、加硫中に変化するものであれば、適宜選択される。本実施形態のように、粘弾性体の加硫後の物性値として、損失正接ｔａｎδが予測される場合には、加硫中に変化する物性として、損失正接ｔａｎδが含まれるのが好ましい。また、加硫後の物性値として、ねじり振動を加えたときのトルクＴＱが予測される場合には、加硫中に変化する物性として、ねじり振動を加えたときのトルクＴＱが含まれてもよい。
【0057】
本実施形態の工程Ｓ１２では、先ず、複数の粘弾性体７と同一配合の試験片がそれぞれ作成される。次に、工程Ｓ１２では、各試験片について、ＪＩＳＫ６３００－２に記載されている振動式加硫試験機（ＪＳＲ社製のキュラストメータ）又はゴム加工試験機（ＲＰＡ）を用いた試験が実施される。本実施形態では、上述の加硫条件等を考慮して設定された温度（例えば、１４０～１８０℃）及び時間（１５～２５分）に基づいて、試験が実施される。これにより、複数の粘弾性体７について、加硫中の物性の変化（加硫中の物性と加硫時間との関係を示す曲線）がそれぞれ取得されうる。
【0058】
本実施形態では、工場や設備によって微妙に異なる前工程（図２及び図３に示す）の条件（混練条件及び押出条件）を考慮するために、これらの異なる条件（混練条件及び押出条件）で混練及び押し出された粘弾性体７が用意される。混練条件としては、例えば、材料の充填率や、ロータの回転数などが挙げられる。押出条件としては、例えば、押出流速や、押出金型形状などが挙げられる。そして、これらの粘弾性体７の試験片が作成され、上記の試験が実施される。これにより、前工程の条件違いから生じる加硫中の物性の変化が取得されうる。複数の粘弾性体７の加硫中の物性の変化は、本実施形態の作成方法の実施に先立って、図１に示したコンピュータ（本例では、データ部１９の第３入力部２３）に記憶されているのが好ましい。
【0059】
図８は、加硫中の物性変化を示すグラフである。図８では、一つの粘弾性体７の熱履歴２５が代表して示されている。図８では、粘弾性体７の加硫中の物性（本例では、損失正接ｔａｎδ及びねじり振動を加えたときのトルクＴＱ）と、加硫時間との関係を示す曲線２７が示されている。本実施形態の曲線２７には、損失正接を示す第１曲線２７Ａと、トルクＴＱを示す第２曲線２７Ｂとが含まれる。これらの曲線２７Ａ、２７Ｂにより、加硫時間の経過とともに変化する粘弾性体７の物性を把握することが可能となる。
【0060】
第２データは、粘弾性体７の加硫中の物性の変化を特定できれば、特に限定されない。加硫中の物性として損失正接ｔａｎδが取得された場合、第２データには、損失正接の最小値ｔａｎδmin、及び／又は、加硫戻りによる損失正接の増加分Δｔａｎδが含まれるのが好ましい。この最小値ｔａｎδminによって、加硫中の損失正接ｔａｎδの最適値が特定されうる。また、増加分Δｔａｎδによって、過加硫による損失正接ｔａｎδの悪化分が特定されうる。さらに、第２データには、損失正接の増加分Δｔａｎδと最小値ｔａｎδminとの比（Δｔａｎδ／ｔａｎδmin）が含まれてもよい。この比（Δｔａｎδ／ｔａｎδmin）よって、過加硫による損失正接ｔａｎδの悪化率が特定されうる。これらの第２データが特定されることで、粘弾性体７の加硫中の物性（損失正接ｔａｎδ）の変化が特定されうる。
【0061】
加硫中の物性としてトルクＴＱが取得された場合、第２データには、ねじり振動を加えたときのトルクの最大値ＴＱmax、及び／又は、加硫戻りによるトルクの減少分ΔＴＱを含むのが好ましい。この最大値ＴＱmaxによって、加硫中のトルクＴＱの最適値が特定されうる。また、減少分ΔＴＱによって、過加硫によるトルクＴＱの悪化分が特定されうる。さらに、第２データには、トルクの減少分ΔＴＱと最大値ＴＱmaxとの比（ΔＴＱ／ＴＱmax）が含まれてもよい。この比（ΔＴＱ／ＴＱmax）によって、過加硫によるトルクＴＱの悪化率が特定されうる。これらの第２データが特定されることで、粘弾性体７の加硫中の物性（トルクＴＱ）の変化が特定されうる。
【0062】
本実施形態では、複数の粘弾性体７のそれぞれについて、損失正接の最小値ｔａｎδmin、増加分Δｔａｎδ及び比（Δｔａｎδ／ｔａｎδmin）と、トルクの最大値ＴＱmax、減少分ΔＴＱ及び比（ΔＴＱ／ＴＱmax）とが、第２データとして特定される。これにより、複数の粘弾性体７のそれぞれについて、加硫中の物性（損失正接ｔａｎδ及びトルクＴＱ）の変化が特定されうる。第２データは、図１に示した第１入力部２１（コンピュータ１０）に記憶される。
【0063】
［複数の粘弾性体７の加硫後の物性値を入力］
次に、本実施形態の入力工程Ｓ１では、複数の粘弾性体７のそれぞれについて、加硫後の物性値が入力される（工程Ｓ１３）。加硫後の物性値には、学習済モデルを用いて推定（予測）される加硫後の物性値と同一のものが採用されうる。上述したように、本実施形態では、加硫後の物性値として、損失正接ｔａｎδが予測される。したがって、工程Ｓ１３では、複数の粘弾性体７のそれぞれの損失正接ｔａｎδが入力される。なお、加硫後の物性値として、ねじり振動を加えたときのトルクＴＱが予測される場合には、複数の粘弾性体のそれぞれのトルクＴＱが入力されうる。損失正接ｔａｎδ及びトルクＴＱの測定方法は、上述のとおりである。
次に、本実施形態の入力工程Ｓ１では、複数の粘弾性体７のそれぞれについて、加硫後の物性値が入力される（工程Ｓ１３）。加硫後の物性値には、学習済モデルを用いて推定（予測）される加硫後の物性値と同一のものが採用されうる。上述したように、本実施形態では、加硫後の物性値として、損失正接ｔａｎδが予測される。したがって、工程Ｓ１３では、複数の粘弾性体７のそれぞれの損失正接ｔａｎδが入力される。なお、加硫後の物性値として、ねじり振動を加えたときのトルクＴＱが予測される場合には、複数の粘弾性体のそれぞれのトルクＴＱが入力されうる。損失正接ｔａｎδ及びトルクＴＱの測定方法は、上述のとおりである。
【0064】
また、加硫後の物性値として、貯蔵弾性率Ｅ'や、損失弾性率Ｅ"等が予測される場合には、複数の粘弾性体のそれぞれの貯蔵弾性率Ｅ'や、損失弾性率Ｅ"等が入力される。これらの物性値は、上記の特許文献１に記載されている方法に基づいて測定されうる。
【0065】
本実施形態では、複数の粘弾性体７のそれぞれについて、加硫後の物性値（本例では、損失正接ｔａｎδ）が取得される。取得された加硫後の物性値は、図１に示した第１入力部２１（コンピュータ１０）に記憶される。
【0066】
［学習済モデルを作成］
次に、本実施形態の作成方法では、コンピュータ１０（図１に示す）が、少なくとも、複数の粘弾性体７のそれぞれの第１データ、第２データ及び加硫後の物性値を用いて機械学習させた学習済モデルを作成する（工程Ｓ２）。学習済モデルは、予測対象の粘弾性体７について、少なくとも第１データ及び第２データから、加硫後の物性値を推定するためのものである。本実施形態では、複数の粘弾性体７のそれぞれの第１データ、第２データ及び加硫後の物性値を用いて、学習済モデルが作成される。
次に、本実施形態の作成方法では、コンピュータ１０（図１に示す）が、少なくとも、複数の粘弾性体７のそれぞれの第１データ、第２データ及び加硫後の物性値を用いて機械学習させた学習済モデルを作成する（工程Ｓ２）。学習済モデルは、予測対象の粘弾性体７について、少なくとも第１データ及び第２データから、加硫後の物性値を推定するためのものである。本実施形態では、複数の粘弾性体７のそれぞれの第１データ、第２データ及び加硫後の物性値を用いて、学習済モデルが作成される。
【0067】
本実施形態の工程Ｓ２では、先ず、図１に示した第１入力部２１に入力された複数の粘弾性体７のそれぞれの第１データ、第２データ及び加硫後の物性値が、作業用メモリ１８に読み込まれる。次に、プログラム部２０に含まれる学習済モデル作成部２０ｅが、作業用メモリ１８に読み込まれる。学習済モデル作成部２０ｅは、複数の粘弾性体のそれぞれの第１データ、第２データ及び加硫後の物性値を用いた機械学習により、学習済モデルを作成するためのプログラムである。この学習済モデル作成部２０ｅが、演算部１６によって実行されることで、コンピュータ１０を、学習済モデルを作成するための手段として機能させることができる。
【0068】
学習済モデルは、加硫後の物性値を特定できれば、適宜作成されうる。図９は、学習済モデル３０の一例を示す図である。
【0069】
本実施形態の学習済モデル３０は、動径基底関数（ＲＢＦ：Radial Basis Function）に基づいて定義されるニューラルネットワークとして構成される。この学習済モデル（ＲＢＦネットワーク）３０は、入力層３１と、出力層３２と、中間層３３とを含んで構成されており、ガウス関数を重ね合わせていくことで表現される近似応答曲面として定義される。
【0070】
本実施形態の入力層３１には、第１データと、第２データとが入力可能に設定されうる。本実施形態の第１データは、定数ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2と、初期温度と、金型開時温度とが含まれる。本実施形態の第２データには、損失正接の最小値ｔａｎδmin、増加分Δｔａｎδ及び比（Δｔａｎδ／ｔａｎδmin）と、トルクの最大値ＴＱmax、減少分ΔＴＱ及び比（ΔＴＱ／ＴＱmax）とが含まれる。したがって、入力層３１には、合計１６種類のデータが入力されうる。
【0071】
本実施形態の出力層３２は、加硫後の物性値（本実施形態では、損失正接ｔａｎδ）が出力可能に設定される。中間層３３は、基底関数（ガウス関数）であり、機械学習によって生成される。
【0072】
工程Ｓ２では、入力に対する出力と、真の出力（教師データ）との差分を小さくするように、中間層３３の基底関数が調整（学習）される。本実施形態において、入力には、複数の粘弾性体のそれぞれの第１データ及び第２データが用いられる。これにより、これらの入力に対して推定された加硫後の物性値がそれぞれ出力（推定）される。真の出力には、複数の粘弾性体のそれぞれの加硫後の物性値が用いられる。そして、出力（推定）された加硫後の物性値と、実際の加硫後の物性値（真の出力）との差分が小さくなるように、中間層３３の基底関数が調整される。学習法には、例えば、勾配法等が用いられる。これにより、予測対象の粘弾性体について、第１データ及び第２データから、加硫後の物性値を推定可能な学習済モデル（近似応答関数）３０が作成される。
【0073】
学習済モデル（近似応答関数）３０は、ＲＢＦネットワークとして構成されることで、入力と出力とが非常に非線形の強い関係であっても、精度良く表現することが可能である。また、学習済モデル３０は、教師データ（第１データ、第２データ、及び、加硫後の物性値）に、異常データが含まれていても、ガウス関数の重ね合わせが最小二乗法で行われるため、異常データに振り回されずに応答関数が生成されうる。さらに、学習済モデル３０では、通常のニューラルネットワークとは異なり、バックプロパゲーションを必要としないため、計算コストをより小さく抑えることができる。
【0074】
学習済モデル（近似応答関数）３０は、例えば、第１データや第２データに含まれていない未知の粘弾性体７の加硫後の物性値を、第１データ及び第２データに含まれる既知の粘弾性体７の加硫後の物性値を用いて補完して予測しうる。したがって、このような学習済モデル３０を予め構築しておくことにより、粘弾性体７を実際に製造しなくても、粘弾性体７の加硫後の物性値を予測することが可能となる。
【0075】
学習済モデル３０は、例えば、市販のコンピュータソフトウエア（例えば、The MathWorks 社製のMATLABや、ESTECO社製のmodeFRONTIER 等）を用いることによって構築することができる。
【0076】
本実施形態の学習済モデル３０は、複数の粘弾性体７が加硫時に受けた熱履歴を特定する第１データと、加硫中の物性の変化を特定する第２データとを用いて機械学習されている。上述したように、第１データで特定される熱履歴は、図４に示した加硫工程での加硫条件に含まれている。第２データで特定される加硫中の物性の変化は、図２及び図３に示した前工程の条件（混練条件及び押出条件）と相関がある。したがって、学習済モデル３０は、加硫工程での加硫条件の違いだけでなく、前工程での条件の違いから生じる加硫中の物性値への影響を考慮して、粘弾性体７の物性値を推定することが可能となる。学習済モデル３０は、図１に示した学習済モデル記憶部１９ｃ（コンピュータ１０）に記憶される。
【0077】
本実施形態の作成方法では、特許文献１と同様に、ブラインドテストが実施されることで、学習済モデル３０の精度が評価されてもよい。そして、精度が良好でない場合には、複数の粘弾性体７とは異なる熱履歴で加硫された新たな粘弾性体７について、第１データ、第２データ及び加硫後の物性値を追加して、学習済モデル３０が再作成されるのが好ましい。これにより、予測対象の粘弾性体７の加硫後の物性値を高い精度で推定可能な学習済モデル３０が作成されうる。
【0078】
［粘弾性体の物性予測方法（第１実施形態）］
次に、本実施形態の物性予測方法が説明される。物性予測方法では、予測対象の粘弾性体７について、加硫後の物性値が推定される。
次に、本実施形態の物性予測方法が説明される。物性予測方法では、予測対象の粘弾性体７について、加硫後の物性値が推定される。
【0079】
本実施形態において、予測対象の粘弾性体７には、図９に示した学習済モデル３０の作成に用いられた複数の粘弾性体のそれぞれとは異なる熱履歴で加硫された粘弾性体が採用されうる。なお、本実施形態の学習済モデル３０は、同一配合の複数の粘弾性体７の第１データ等を用いて学習されている。このため、複数の粘弾性体７と同一配合の粘弾性体７が予測対象とされることで、その加硫後の物性値が高い精度で推定されうる。
【0080】
【0081】
［粘弾性体の入力データを入力］
本実施形態の物性予測方法では、先ず、少なくとも、粘弾性体の第１データと第２データと含む入力データが、コンピュータ１０に入力される（工程Ｓ３）。本実施形態の入力データは、第１データと第２データとで構成される。第１データは、予測対象の粘弾性体７が加硫時に受けた熱履歴を特定するためのものであり、その詳細については、上述のとおりである。第２データは、予測対象の粘弾性体７の加硫中の物性の変化を特定するためのものであり、その詳細については、上述のとおりである。
本実施形態の物性予測方法では、先ず、少なくとも、粘弾性体の第１データと第２データと含む入力データが、コンピュータ１０に入力される（工程Ｓ３）。本実施形態の入力データは、第１データと第２データとで構成される。第１データは、予測対象の粘弾性体７が加硫時に受けた熱履歴を特定するためのものであり、その詳細については、上述のとおりである。第２データは、予測対象の粘弾性体７の加硫中の物性の変化を特定するためのものであり、その詳細については、上述のとおりである。
【0082】
本実施形態の工程Ｓ３では、先ず、図１に示したプログラム部２０に含まれる第２取得部２０ｂが、作業用メモリ１８に読み込まれる。第２取得部２０ｂは、予測対象の粘弾性体について、少なくとも第１データと第２データと含む入力データを取得するためのプログラムである。この第２取得部２０ｂが、演算部１６によって実行されることで、コンピュータ１０を、入力データを取得するための手段として機能させることができる。
【0083】
予測対象の粘弾性体の第１データは、適宜取得されうる。本実施形態では、先ず、予測対象の粘弾性体７の製造が予定されている工場や設備等に基づいて、予測対象の粘弾性体７に予定される温度曲線（加硫温度曲線）２６（図７に示す）が特定される。したがって、本実施形態では、予測対象の粘弾性体７を実際に加硫することなく、第１データが取得されうる。
【0084】
次に、特定された温度曲線２６にフィッティング可能な関数に基づいて、第１データが取得される。関数は、上記の式（１）～（３）が用いられる。そして、フィッティングにより特定された定数ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2と、初期温度と、金型開時温度とが、第１データとして取得される。
【0085】
予測対象の粘弾性体の第２データは、適宜取得されうる。本実施形態では、予測対象の粘弾性体７の製造が予定される工場や設備等に基づいて、予測対象の粘弾性体７の加硫中の物性の変化（加硫中の物性と加硫時間との関係を示す曲線）が特定される。加硫中の物性の変化の特定は、上述の振動式加硫試験機等を用いた試験を実施して取得されてもよいし、複数の粘弾性体７のそれぞれの第２データを用いて特定されてもよい。
【0086】
次に、加硫中の物性変化に基づいて、損失正接の最小値ｔａｎδmin、増加分Δｔａｎδ及び比（Δｔａｎδ／ｔａｎδmin）と、トルクの最大値ＴＱmax、減少分ΔＴＱ及び比（ΔＴＱ／ＴＱmax）とが特定される。これらの特定された値が、第２データとして取得される。
【0087】
このように、本実施形態の工程Ｓ３では、予測対象の粘弾性体７の製造が予定される工場や設備等に基づいて、その粘弾性体の第１データ及び第２データが取得される。取得された第１データと第２データと含む入力データは、図１に示した第２入力部２２（コンピュータ１０）に記憶される。
【0088】
［粘弾性体の加硫後の物性値を予測（予測工程）］
次に、本実施形態の物性予測方法では、コンピュータ１０が、粘弾性体の第１データと第２データとを含む入力データに基づいて、粘弾性体７の加硫後の物性値を予測する（予測工程Ｓ４）。本実施形態の予測工程では、加硫後の物性値の予測に、図９に示した学習済モデル３０が用いられる。
次に、本実施形態の物性予測方法では、コンピュータ１０が、粘弾性体の第１データと第２データとを含む入力データに基づいて、粘弾性体７の加硫後の物性値を予測する（予測工程Ｓ４）。本実施形態の予測工程では、加硫後の物性値の予測に、図９に示した学習済モデル３０が用いられる。
【0089】
本実施形態の予測工程Ｓ４では、先ず、図１に示した第２入力部２２に入力された予測対象の粘弾性体７の入力データが、作業用メモリ１８に読み込まれる。次に、プログラム部２０に含まれる予測部２０ｃが、作業用メモリ１８に読み込まれる。予測部２０ｃは、入力データに基づいて、粘弾性体７の加硫後の物性値を予測するためのプログラムである。この予測部２０ｃが、演算部１６によって実行されることで、コンピュータ１０を、物性値を予測するための手段として機能させることができる。図１１は、本実施形態の予測工程Ｓ４の処理手順を示すフローチャートである。
【0090】
［学習済モデルを入力］
本実施形態の予測工程Ｓ４では、先ず、図９に示した学習済モデル３０が、図１に示したコンピュータ１０に入力される（工程Ｓ４１）。本実施形態のように、物性予測方法の実施に先立ち、学習済モデル３０が作成されている場合には、図１に示した学習済モデル記憶部１９ｃに入力されている学習済モデル３０が用いられる。一方、学習済モデルが作成されていない場合には、図５及び図６に示した学習モデルの作成方法の処理手順に基づいて、学習済モデル３０が作成される。これにより、物性値を予測するための手段として機能するコンピュータ１０（予測部２０ｃ）には、学習済モデル３０が含まれる。
本実施形態の予測工程Ｓ４では、先ず、図９に示した学習済モデル３０が、図１に示したコンピュータ１０に入力される（工程Ｓ４１）。本実施形態のように、物性予測方法の実施に先立ち、学習済モデル３０が作成されている場合には、図１に示した学習済モデル記憶部１９ｃに入力されている学習済モデル３０が用いられる。一方、学習済モデルが作成されていない場合には、図５及び図６に示した学習モデルの作成方法の処理手順に基づいて、学習済モデル３０が作成される。これにより、物性値を予測するための手段として機能するコンピュータ１０（予測部２０ｃ）には、学習済モデル３０が含まれる。
【0091】
［加硫後の物性を推定］
次に、本実施形態の予測工程Ｓ４では、図１に示したコンピュータ１０が、図９に示した学習済モデル３０に入力データを入力して、加硫後の物性値を推定する（工程Ｓ４２）。本実施形態の工程Ｓ４２では、予測対象の粘弾性体７の第１データと第２データとを含む入力データが、学習済モデル３０に代入される。これにより、予測対象の粘弾性体７の加硫後の物性値が計算（出力）されうる。
次に、本実施形態の予測工程Ｓ４では、図１に示したコンピュータ１０が、図９に示した学習済モデル３０に入力データを入力して、加硫後の物性値を推定する（工程Ｓ４２）。本実施形態の工程Ｓ４２では、予測対象の粘弾性体７の第１データと第２データとを含む入力データが、学習済モデル３０に代入される。これにより、予測対象の粘弾性体７の加硫後の物性値が計算（出力）されうる。
【0092】
上述したように、本実施形態の学習済モデル３０は、粘弾性体７が加硫時に受けた熱履歴を特定する第１データと、加硫中の物性の変化を特定する第２データとを用いて機械学習されている。これにより、工程Ｓ４２では、加硫工程の影響だけでなく、前工程の影響を考慮して、粘弾性体７の物性値が推定されうる。推定された加硫後の物性値は、図１に示した物性値記憶部１９ｂ（コンピュータ１０）に入力される。
【0093】
［予測された加硫後の物性値を出力］
次に、本実施形態の物性予測方法では、コンピュータ１０が、予測された物性値を出力する（工程Ｓ５）。本実施形態の工程Ｓ５では、先ず、図１に示した物性値記憶部１９ｂに入力された加硫後の物性値が、作業用メモリ１８に読み込まれる。次に、工程Ｓ５では、プログラム部２０に含まれる出力部２０ｄが、作業用メモリ１８に読み込まれる。出力部２０ｄは、予測された物性値を出力するためのプログラムである。この出力部２０ｄが、演算部１６によって実行されることで、コンピュータ１０を、予測された物性値を出力するための手段として機能させることができる。
次に、本実施形態の物性予測方法では、コンピュータ１０が、予測された物性値を出力する（工程Ｓ５）。本実施形態の工程Ｓ５では、先ず、図１に示した物性値記憶部１９ｂに入力された加硫後の物性値が、作業用メモリ１８に読み込まれる。次に、工程Ｓ５では、プログラム部２０に含まれる出力部２０ｄが、作業用メモリ１８に読み込まれる。出力部２０ｄは、予測された物性値を出力するためのプログラムである。この出力部２０ｄが、演算部１６によって実行されることで、コンピュータ１０を、予測された物性値を出力するための手段として機能させることができる。
【0094】
予測された加硫後の物性値は、適宜出力されうる。本実施形態の物性値は、図１に示した表示装置１４に表示されるが、図示しないプリンタ等に印刷されてもよい。これにより、予測された物性値を、オペレータ等に知らせることが可能となる。
【0095】
［予測された加硫後の物性値を評価］
次に、本実施形態の物性予測方法では、予測された加硫後の物性値が、良好か否かが評価される（工程Ｓ６）。本実施形態では、加硫後の物性値が予め定められた基準を満たしている場合に、良好であると評価される。基準は、例えば、粘弾性体７を含む製品６（タイヤ６Ａ）に求められる性能等に応じて、適宜設定されうる。また、工程Ｓ６では、図１に示したコンピュータ１０によって物性値が評価されてもよいし、オペレータ（図示省略）によって物性値が評価されてもよい。
次に、本実施形態の物性予測方法では、予測された加硫後の物性値が、良好か否かが評価される（工程Ｓ６）。本実施形態では、加硫後の物性値が予め定められた基準を満たしている場合に、良好であると評価される。基準は、例えば、粘弾性体７を含む製品６（タイヤ６Ａ）に求められる性能等に応じて、適宜設定されうる。また、工程Ｓ６では、図１に示したコンピュータ１０によって物性値が評価されてもよいし、オペレータ（図示省略）によって物性値が評価されてもよい。
【0096】
工程Ｓ６において、予測された加硫後の物性値が良好である場合（工程Ｓ６で「Ｙｅｓ」）、工程Ｓ３で入力された入力データ（本例では、第１データ及び第２データ）に基づいて、粘弾性体７（製品６）が製造される（工程Ｓ７）。一方、予測された加硫後の物性値が良好でない場合には（工程Ｓ６で「Ｎｏ」）、入力データの少なくとも一部が変更されて（工程Ｓ８）、予測工程Ｓ４～工程Ｓ６が再度実施される。これにより、本実施形態の物性予測方法では、基準を満たす物性値を有する粘弾性体７（製品６）を製造することが可能となる。
【0097】
［学習済モデルの作成方法（第２実施形態）］
これまでの実施形態の作成方法では、図９に示した学習済モデル３０の作成に、同一配合の複数の粘弾性体７の第１データ、第２データ及び加硫後の物性値が用いられたが、このような態様に限定されない。例えば、配合が互いに異なる複数の粘弾性体７の第１データ、第２データ及び加硫後の物性値を用いて、学習済モデル３０が作成されてもよい。これは、前工程の条件（混練条件及び押出条件）の違いだけでなく、配合の違いについても、第２データで特定される加硫中の物性値に影響するとの知見に基づいている。したがって、この実施形態の作成方法では、図５と同様の手順に基づき、複数の粘弾性体のそれぞれの第１データ、第２データ及び加硫後の物性値を用いて、学習済モデル３０が作成される。
これまでの実施形態の作成方法では、図９に示した学習済モデル３０の作成に、同一配合の複数の粘弾性体７の第１データ、第２データ及び加硫後の物性値が用いられたが、このような態様に限定されない。例えば、配合が互いに異なる複数の粘弾性体７の第１データ、第２データ及び加硫後の物性値を用いて、学習済モデル３０が作成されてもよい。これは、前工程の条件（混練条件及び押出条件）の違いだけでなく、配合の違いについても、第２データで特定される加硫中の物性値に影響するとの知見に基づいている。したがって、この実施形態の作成方法では、図５と同様の手順に基づき、複数の粘弾性体のそれぞれの第１データ、第２データ及び加硫後の物性値を用いて、学習済モデル３０が作成される。
【0098】
［粘弾性体の物性予測方法（第２実施形態）］
これまでの実施形態の物性予測方法では、複数の粘弾性体７と同一配合の粘弾性体７が予測対象とされたが、このような態様に限定されない。例えば、配合が異なる複数の粘弾性体７の第１データ等を用いて作成された学習済モデル３０が用いられる場合には、複数の粘弾性体７とは異なる配合の粘弾性体７が予測対象とされてもよい。この場合、前工程の影響や、配合の影響を考慮して、粘弾性体７の物性が予測されうる。
これまでの実施形態の物性予測方法では、複数の粘弾性体７と同一配合の粘弾性体７が予測対象とされたが、このような態様に限定されない。例えば、配合が異なる複数の粘弾性体７の第１データ等を用いて作成された学習済モデル３０が用いられる場合には、複数の粘弾性体７とは異なる配合の粘弾性体７が予測対象とされてもよい。この場合、前工程の影響や、配合の影響を考慮して、粘弾性体７の物性が予測されうる。
【0099】
［学習済モデルの作成方法（第３実施形態）］
これまでの実施形態の学習済モデル３０は、複数の粘弾性体のそれぞれの第１データ、第２データ及び加硫後の物性値が用いられて機械学習されたが、このような態様に限定されない。学習済モデル３０は、例えば、第１データ、第２データ及び加硫後の物性値に加えて、さらに第３データを用いて、機械学習されていてもよい。
これまでの実施形態の学習済モデル３０は、複数の粘弾性体のそれぞれの第１データ、第２データ及び加硫後の物性値が用いられて機械学習されたが、このような態様に限定されない。学習済モデル３０は、例えば、第１データ、第２データ及び加硫後の物性値に加えて、さらに第３データを用いて、機械学習されていてもよい。
【0100】
第３データは、加硫前の混練条件を特定するためのものである。混練条件は、例えば、図３に示したロータ２ｂの回転数や、混練後の材料７Ａの排出温度が含まれる。このような混練条件を特定する第３データが機械学習に用いられることで、第２データで間接的に考慮されていた混練条件の違いを、直接的に考慮して、加硫後の物性値を推定可能な学習済モデル３０が作成されうる。
【0101】
この実施形態の作成方法では、図５に示した入力工程Ｓ１において、複数の粘弾性体のそれぞれの第３データ（本例では、ロータ２ｂの回転数、及び、混練後の材料の排出温度を含む）がさらに入力される。この実施形態では、図１に示した第１取得部２０ａが、演算部１６によって実行されることで、これらの第３データが取得されうる。取得された第３データは、図１に示した第１入力部２１（コンピュータ１０）に記憶される。
【0102】
次に、この実施形態の作成方法では、図５に示した工程Ｓ２において、複数の粘弾性体７のそれぞれの第１データ、第２データ、第３データ及び加硫後の物性値を用いて、学習済モデル３０が作成される。この実施形態では、図１に示した学習済モデル作成部２０ｅが演算部１６によって実行されることで、学習済モデル３０が作成される。
【0103】
図９に示した学習済モデル３０において、入力層３１には、第１データ、第２データ及び第３データが設定される。これにより、予測対象の粘弾性体について、第１データ、第２データ及び第３データから、加硫後の物性値を推定可能な学習済モデル（近似応答関数）３０が作成される。
【0104】
この実施形態の学習済モデル３０は、これまでの実施機形態の学習済モデル３０に比べると、混練条件の違いから生じる加硫中の物性値への影響を直接的に考慮して、粘弾性体７の物性値を推定することが可能となる。学習済モデル３０は、図１に示した学習済モデル記憶部１９ｃ（コンピュータ１０）に記憶される。
【0105】
［粘弾性体の物性予測方法（第３実施形態）］
これまでの実施形態では、少なくとも第１データ及び第２データを含む入力データに基づいて、粘弾性体の加硫後の物性値が予測されたが、このような態様に限定されない。例えば、入力データに、粘弾性体７の加硫前の混練条件を特定する第３データがさらに含まれていてもよい。この場合、第１データ、第２データ及び加硫後の物性値に加えて、さらに第３データを用いて機械学習された学習済モデル３０が用いられる。
これまでの実施形態では、少なくとも第１データ及び第２データを含む入力データに基づいて、粘弾性体の加硫後の物性値が予測されたが、このような態様に限定されない。例えば、入力データに、粘弾性体７の加硫前の混練条件を特定する第３データがさらに含まれていてもよい。この場合、第１データ、第２データ及び加硫後の物性値に加えて、さらに第３データを用いて機械学習された学習済モデル３０が用いられる。
【0106】
この実施形態の物性予測方法では、図１０に示した工程Ｓ３において、粘弾性体の第１データ及び第２データに加えて、第３データ（ロータ２ｂの回転数、及び、混練後の材料の排出温度を含む）を含む入力データが、コンピュータ１０（図１に示す）に入力される。この実施形態では、図１に示した第２取得部２０ｂが、演算部１６によって実行されることで、第３データが取得される。取得された第３データは、図１に示した第２入力部２２（コンピュータ１０）に記憶される。
【0107】
次に、この実施形態の物性予測方法では、図１０に示した予測工程Ｓ４において、粘弾性体の第１データ、第２データ及び第３データを含む入力データに基づいて、粘弾性体の加硫後の物性値が予測される。この実施形態では、図１に示した予測部２０ｃが、演算部１６によって実行されることで、加硫後の物性値が予測される。
【0108】
この実施形態の予測工程Ｓ４では、第１データ、第２データ、第３データ及び加硫後の物性値を用いて機械学習された学習済モデル３０に、予測対象の粘弾性体７の第１データ、第２データ及び第３データを含む入力データが入力される。これにより、この実施形態の予測工程Ｓ４では、これまでの実施形態に比べると、混練条件の違いから生じる加硫中の物性値への影響を直接的に考慮して、予測対象の粘弾性体７の加硫後の物性値が推定されうる。推定された加硫後の物性値は、図１に示した物性値記憶部１９ｂ（コンピュータ１０）に入力される。
【0109】
［学習済モデルの作成方法（第４実施形態）］
これまでの実施形態の学習済モデル３０では、複数の粘弾性体のそれぞれの第１データ、第２データ及び加硫後の物性値を用いて機械学習される態様や、さらに、第３データを用いて機械学習される態様が例示されたが、このような態様に限定されない。学習済モデル３０は、例えば、さらに、第４データを用いて機械学習されていてもよい。
これまでの実施形態の学習済モデル３０では、複数の粘弾性体のそれぞれの第１データ、第２データ及び加硫後の物性値を用いて機械学習される態様や、さらに、第３データを用いて機械学習される態様が例示されたが、このような態様に限定されない。学習済モデル３０は、例えば、さらに、第４データを用いて機械学習されていてもよい。
【0110】
第４データは、粘弾性体７の配合を特定するためのものである。この第４データには、上記の特許文献１と同様に、粘弾性体７を構成する材料（ポリマーや薬品等）の配合割合が含まれる。このような配合割合を特定する第４データが機械学習に用いられることで、第２データで間接的に考慮されうる配合の違いを、直接的に考慮して、加硫後の物性値を推定可能な学習済モデル３０が作成されうる。
【0111】
この実施形態の作成方法では、図５に示した入力工程Ｓ１において、複数の粘弾性体のそれぞれの第４データ（本例では、材料の配合割合を含む）がさらに入力される。この実施形態では、第４データにより、配合違いを考慮することができる。このため、複数の粘弾性体７は、配合が異なっているのが好ましい。
【0112】
この実施形態では、図１に示した第１取得部２０ａが、演算部１６によって実行されることで、これらの第４データが取得される。取得された第４データは、図１に示した第１入力部２１（コンピュータ１０）に記憶される。
【0113】
次に、この実施形態の作成方法では、図５に示した工程Ｓ２において、複数の粘弾性体７のそれぞれの第１データ、第２データ、第４データ及び加硫後の物性値を用いて、学習済モデル３０が作成される。この実施形態では、図１に示した学習済モデル作成部２０ｅが演算部１６によって実行されることで、学習済モデル３０が作成される。
【0114】
この実施形態の学習済モデル３０は、これまでの実施機形態の学習済モデル３０に比べると、配合の違いから生じる加硫中の物性値への影響を直接的に考慮して、粘弾性体７の物性値を推定することが可能となる。学習済モデル３０は、図１に示した学習済モデル記憶部１９ｃ（コンピュータ１０）に記憶される。
【0115】
［粘弾性体の物性予測方法（第４実施形態）］
これまでの実施形態では、少なくとも第１データ及び第２データを含む入力データに基づいて、粘弾性体の加硫後の物性値が予測されたが、このような態様に限定されない。例えば、入力データに、粘弾性体７の配合を特定する第４データがさらに含まれていてもよい。この場合、第１データ、第２データ及び加硫後の物性値に加えて、さらに第４データを用いて機械学習された学習済モデル３０が用いられる。
これまでの実施形態では、少なくとも第１データ及び第２データを含む入力データに基づいて、粘弾性体の加硫後の物性値が予測されたが、このような態様に限定されない。例えば、入力データに、粘弾性体７の配合を特定する第４データがさらに含まれていてもよい。この場合、第１データ、第２データ及び加硫後の物性値に加えて、さらに第４データを用いて機械学習された学習済モデル３０が用いられる。
【0116】
この実施形態の物性予測方法では、図１０に示した工程Ｓ３において、粘弾性体の第１データ及び第２データに加えて、第４データ（本例では、粘弾性体７の配合を含む）を含む入力データが、コンピュータ１０（図１に示す）に入力される。この実施形態では、図１に示した第２取得部２０ｂが、演算部１６によって実行されることで、第４データが取得される。取得された第４データは、図１に示した第２入力部２２（コンピュータ１０）に記憶される。
【0117】
次に、この実施形態の物性予測方法では、図１０に示した予測工程Ｓ４において、粘弾性体の第１データ、第２データ及び第４データを含む入力データに基づいて、粘弾性体の加硫後の物性値が予測される。この実施形態では、図１に示した予測部２０ｃが、演算部１６によって実行されることで、加硫後の物性値が予測される。
【0118】
この実施形態の予測工程Ｓ４では、第１データ、第２データ、第４データ及び加硫後の物性値を用いて機械学習された学習済モデル３０に、予測対象の粘弾性体７の第１データ、第２データ及び第４データを含む入力データが入力される。これにより、この実施形態の予測工程Ｓ４では、これまでの実施形態に比べると、配合の違いから生じる加硫中の物性値への影響を直接的に考慮して、粘弾性体７の物性値が推定されうる。推定された加硫後の物性値は、図１に示した物性値記憶部１９ｂ（コンピュータ１０）に入力される。
【0119】
この実施形態の入力データには、第１データ、第２データ、第４データ及び加硫後の物性値が含まれたが、このような態様に限定されない。入力データには、例えば、上述の第３データがさらに含まれていてもよい。この場合、学習済モデル３０は、さらに、複数の粘弾性体のそれぞれの第３データを用いて機械学習されているのが好ましい。これにより、配合の違いから生じる加硫中の物性値への影響だけでなく、混練条件の違いから生じる加硫中の物性値への影響を直接的に考慮して、予測対象の粘弾性体７の加硫後の物性値が推定されうる。
【0120】
以上、本発明の特に好ましい実施形態について詳述したが、本発明は図示の実施形態に限定されることなく、種々の態様に変形して実施しうる。
【0121】
［付記］
本発明は以下の態様を含む。
本発明は以下の態様を含む。
【0122】
［本発明１］
加硫された粘弾性体の物性を予測するための物性予測装置であって、
少なくとも、前記粘弾性体が加硫時に受けた熱履歴を特定する第１データと、前記粘弾性体の加硫中の物性の変化を特定する第２データとを含む入力データが入力される入力部と、
前記入力データに基づいて、前記粘弾性体の加硫後の物性値を予測するための予測部と、
前記予測された物性値を出力するための出力部と、を含み、
前記予測部は、少なくとも、互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記入力データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを含む、
粘弾性体の物性予測装置。
［本発明２］
前記物性値は、損失正接を含む、本発明１に記載の粘弾性体の物性予測装置。
［本発明３］
前記物性値は、ねじり振動を加えたときのトルクを含む、本発明１に記載の粘弾性体の物性予測装置。
［本発明４］
前記第１データは、前記粘弾性体の温度と加硫時間との関係を示す温度曲線に、フィッティング可能な予め定められた関数に基づいて特定される、本発明１ないし３のいずれかに記載の粘弾性体の物性予測装置。
［本発明５］
前記関数は、下記の式（１）～（３）で定義され、
前記第１データは、定数ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2の少なくとも１つを含む、本発明４に記載の粘弾性体の物性予測装置。
ここで、
ｑ(ｔ)：加硫時間ｔの粘弾性体の温度
ｑ0：粘弾性体の初期温度
ｔ：加硫時間
ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2：定数
［本発明６］
前記第２データは、損失正接の最小値、及び／又は、加硫戻りによる前記損失正接の増加分を含む、本発明１ないし５のいずれかに記載の粘弾性体の物性予測装置。
［本発明７］
前記第２データは、ねじり振動を加えたときのトルクの最大値、及び／又は、加硫戻りによる前記トルクの減少分を含む、本発明１ないし６のいずれかに記載の粘弾性体の物性予測装置。
［本発明８］
前記入力データは、前記粘弾性体の加硫前の混練条件を特定する第３データをさらに含み、
前記学習済モデルは、さらに、前記複数の粘弾性体のそれぞれの前記第３データを用いて機械学習されている、本発明１ないし７のいずれかに記載の粘弾性体の物性予測装置。
［本発明９］
前記入力データは、前記粘弾性体の配合を特定する第４データをさらに含み、
前記学習済モデルは、さらに、前記配合が異なる複数の粘弾性体のそれぞれの前記第４データを用いて機械学習されている、本発明１ないし８のいずれかに記載の粘弾性体の物性予測装置。
［本発明１０］
加硫された粘弾性体の物性を予測するための方法であって、
少なくとも、前記粘弾性体が加硫時に受けた熱履歴を特定する第１データと、前記粘弾性体の加硫中の物性の変化を特定する第２データと含む入力データを、コンピュータに入力する工程と、
前記コンピュータが、前記入力データに基づいて、前記粘弾性体の加硫後の物性値を予測する工程と、
前記コンピュータが、前記予測された物性値を出力する工程とを含み、
前記物性値を予測する工程は、少なくとも、互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記入力データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを、前記コンピュータに入力する工程と、
前記コンピュータが、前記学習済モデルに、前記入力データを入力して、前記加硫後の物性値を推定する工程とを含む、
粘弾性体の物性予測方法。
［本発明１１］
加硫された粘弾性体の物性を予測するためのコンピュータプログラムであって、
コンピュータを、
少なくとも、前記粘弾性体が加硫時に受けた熱履歴を特定する第１データと、前記粘弾性体の加硫中の物性の変化を特定する第２データとを含む入力データを入力する手段と、
前記入力データに基づいて、前記粘弾性体の加硫後の物性値を予測する手段と、
前記予測された物性値を出力する手段として機能させ、
前記物性値を予測する手段は、少なくとも、互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記入力データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを含む、
コンピュータプログラム。
［本発明１２］
加硫された粘弾性体の物性を予測するための学習済モデルの作成方法であって、
互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれについて、少なくとも、加硫時に受けた熱履歴を特定する第１データ、加硫中の物性の変化を特定する第２データ、及び、加硫後の物性値を、コンピュータに入力する工程と、
前記コンピュータが、少なくとも、前記複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記粘弾性体の少なくとも前記第１データ及び前記第２データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを作成する工程とを含む、
学習済モデルの作成方法。
加硫された粘弾性体の物性を予測するための物性予測装置であって、
少なくとも、前記粘弾性体が加硫時に受けた熱履歴を特定する第１データと、前記粘弾性体の加硫中の物性の変化を特定する第２データとを含む入力データが入力される入力部と、
前記入力データに基づいて、前記粘弾性体の加硫後の物性値を予測するための予測部と、
前記予測された物性値を出力するための出力部と、を含み、
前記予測部は、少なくとも、互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記入力データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを含む、
粘弾性体の物性予測装置。
［本発明２］
前記物性値は、損失正接を含む、本発明１に記載の粘弾性体の物性予測装置。
［本発明３］
前記物性値は、ねじり振動を加えたときのトルクを含む、本発明１に記載の粘弾性体の物性予測装置。
［本発明４］
前記第１データは、前記粘弾性体の温度と加硫時間との関係を示す温度曲線に、フィッティング可能な予め定められた関数に基づいて特定される、本発明１ないし３のいずれかに記載の粘弾性体の物性予測装置。
［本発明５］
前記関数は、下記の式（１）～（３）で定義され、
前記第１データは、定数ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2の少なくとも１つを含む、本発明４に記載の粘弾性体の物性予測装置。
【数1】
ｑ(ｔ)：加硫時間ｔの粘弾性体の温度
ｑ0：粘弾性体の初期温度
ｔ：加硫時間
ａ、ａ1、ａ2、ａ3、ｋ0、ｋ1、ｔ1及びｔ2：定数
［本発明６］
前記第２データは、損失正接の最小値、及び／又は、加硫戻りによる前記損失正接の増加分を含む、本発明１ないし５のいずれかに記載の粘弾性体の物性予測装置。
［本発明７］
前記第２データは、ねじり振動を加えたときのトルクの最大値、及び／又は、加硫戻りによる前記トルクの減少分を含む、本発明１ないし６のいずれかに記載の粘弾性体の物性予測装置。
［本発明８］
前記入力データは、前記粘弾性体の加硫前の混練条件を特定する第３データをさらに含み、
前記学習済モデルは、さらに、前記複数の粘弾性体のそれぞれの前記第３データを用いて機械学習されている、本発明１ないし７のいずれかに記載の粘弾性体の物性予測装置。
［本発明９］
前記入力データは、前記粘弾性体の配合を特定する第４データをさらに含み、
前記学習済モデルは、さらに、前記配合が異なる複数の粘弾性体のそれぞれの前記第４データを用いて機械学習されている、本発明１ないし８のいずれかに記載の粘弾性体の物性予測装置。
［本発明１０］
加硫された粘弾性体の物性を予測するための方法であって、
少なくとも、前記粘弾性体が加硫時に受けた熱履歴を特定する第１データと、前記粘弾性体の加硫中の物性の変化を特定する第２データと含む入力データを、コンピュータに入力する工程と、
前記コンピュータが、前記入力データに基づいて、前記粘弾性体の加硫後の物性値を予測する工程と、
前記コンピュータが、前記予測された物性値を出力する工程とを含み、
前記物性値を予測する工程は、少なくとも、互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記入力データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを、前記コンピュータに入力する工程と、
前記コンピュータが、前記学習済モデルに、前記入力データを入力して、前記加硫後の物性値を推定する工程とを含む、
粘弾性体の物性予測方法。
［本発明１１］
加硫された粘弾性体の物性を予測するためのコンピュータプログラムであって、
コンピュータを、
少なくとも、前記粘弾性体が加硫時に受けた熱履歴を特定する第１データと、前記粘弾性体の加硫中の物性の変化を特定する第２データとを含む入力データを入力する手段と、
前記入力データに基づいて、前記粘弾性体の加硫後の物性値を予測する手段と、
前記予測された物性値を出力する手段として機能させ、
前記物性値を予測する手段は、少なくとも、互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記入力データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを含む、
コンピュータプログラム。
［本発明１２］
加硫された粘弾性体の物性を予測するための学習済モデルの作成方法であって、
互いに異なる熱履歴で加硫された複数の粘弾性体のそれぞれについて、少なくとも、加硫時に受けた熱履歴を特定する第１データ、加硫中の物性の変化を特定する第２データ、及び、加硫後の物性値を、コンピュータに入力する工程と、
前記コンピュータが、少なくとも、前記複数の粘弾性体のそれぞれの前記第１データ、前記第２データ及び前記加硫後の物性値を用いて、前記粘弾性体の少なくとも前記第１データ及び前記第２データから、前記加硫後の物性値を推定するように機械学習させた学習済モデルを作成する工程とを含む、
学習済モデルの作成方法。
【符号の説明】
【0123】
１９ａ 入力部
２０ｃ 予測部
２０ｄ 出力部
２０ｃ 予測部
２０ｄ 出力部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】