知財求人 - 知財ポータルサイト「IP Force」
▶ 株式会社東芝の特許一覧 ▶ 東芝電機サービス株式会社の特許一覧
(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】P2024170943
(43)【公開日】2024-12-11
(54)【発明の名称】情報処理システム及びプログラム
(51)【国際特許分類】
G06F 30/27 20200101AFI20241204BHJP
G06F 30/23 20200101ALI20241204BHJP
G06F 111/04 20200101ALN20241204BHJP
G06F 111/10 20200101ALN20241204BHJP
G06F 119/14 20200101ALN20241204BHJP
【ＦＩ】
G06F30/27
G06F30/23
G06F111:04
G06F111:10
G06F119:14
【審査請求】未請求
【請求項の数】9
【出願形態】ＯＬ
(21)【出願番号】P 2023087727
(22)【出願日】2023-05-29
(71)【出願人】
【識別番号】000003078
【氏名又は名称】株式会社東芝
(71)【出願人】
【識別番号】598076591
【氏名又は名称】東芝インフラシステムズ株式会社
(74)【代理人】
【識別番号】110003708
【氏名又は名称】弁理士法人鈴榮特許綜合事務所
(72)【発明者】
【氏名】和田 怜
【テーマコード（参考）】
5B146
【Ｆターム（参考）】
5B146DC03
5B146DC05
5B146DJ02
5B146DJ07
(57)【要約】
【課題】サロゲートモデルの学習データを効果的に生成することができる情報処理システム及びプログラムを提供する。
【解決手段】実施形態によれば、情報処理システムは、インターフェースと、プロセッサと、を備える。インターフェースは、解析対象モデルを入力する。プロセッサは、前記解析対象モデルのパラメータのセットを生成し、前記セットに基づいてシミュレーションを実行することで固有値解析結果を生成し、基準モードごとに固有モードをクラスタに分類し、最もデータ数が少ない前記クラスタに対応する基準モードを生成するための第１制約式を生成し、前記第１制約式に従って前記パラメータの前記セットを生成し、前記セットに基づいてシミュレーションを実行することで前記固有値解析結果を生成し、前記セットと前記固有値解析結果とを対応付けた学習データを生成する。
【選択図】 図１
【解決手段】実施形態によれば、情報処理システムは、インターフェースと、プロセッサと、を備える。インターフェースは、解析対象モデルを入力する。プロセッサは、前記解析対象モデルのパラメータのセットを生成し、前記セットに基づいてシミュレーションを実行することで固有値解析結果を生成し、基準モードごとに固有モードをクラスタに分類し、最もデータ数が少ない前記クラスタに対応する基準モードを生成するための第１制約式を生成し、前記第１制約式に従って前記パラメータの前記セットを生成し、前記セットに基づいてシミュレーションを実行することで前記固有値解析結果を生成し、前記セットと前記固有値解析結果とを対応付けた学習データを生成する。
【選択図】 図１
【特許請求の範囲】
【請求項1】
解析対象モデルを入力するインターフェースと、
前記解析対象モデルのパラメータのセットを生成し、
前記セットに基づいてシミュレーションを実行することで固有値解析結果を生成し、
基準モードごとに固有モードをクラスタに分類し、
最もデータ数が少ない前記クラスタに対応する基準モードを生成するための第１制約式を生成し、
前記第１制約式に従って前記パラメータの前記セットを生成し、
前記セットに基づいてシミュレーションを実行することで前記固有値解析結果を生成し、
前記セットと前記固有値解析結果とを対応付けた学習データを生成する、
プロセッサと、
を備える情報処理システム。
前記解析対象モデルのパラメータのセットを生成し、
前記セットに基づいてシミュレーションを実行することで固有値解析結果を生成し、
基準モードごとに固有モードをクラスタに分類し、
最もデータ数が少ない前記クラスタに対応する基準モードを生成するための第１制約式を生成し、
前記第１制約式に従って前記パラメータの前記セットを生成し、
前記セットに基づいてシミュレーションを実行することで前記固有値解析結果を生成し、
前記セットと前記固有値解析結果とを対応付けた学習データを生成する、
プロセッサと、
を備える情報処理システム。
【請求項2】
前記プロセッサは、
モード信頼性評価基準を用いて前記基準モードと前記固有モードとの類似度を示す指標を算出し、
前記指標に基づいて前記基準モードごとに前記固有モードを前記クラスタに分類する、
請求項１に記載の情報処理システム。
モード信頼性評価基準を用いて前記基準モードと前記固有モードとの類似度を示す指標を算出し、
前記指標に基づいて前記基準モードごとに前記固有モードを前記クラスタに分類する、
請求項１に記載の情報処理システム。
【請求項3】
前記プロセッサは、
エラーとなったシミュレーションにおける前記パラメータの前記セットを抽出し、
前記セットに基づいてエラーを防止するための第２制約式を生成し、
前記第２制約式に従って前記パラメータの前記セットを生成し、
前記セットに基づいてシミュレーションを実行することで前記固有値解析結果を生成する、
請求項１に記載の情報処理システム。
エラーとなったシミュレーションにおける前記パラメータの前記セットを抽出し、
前記セットに基づいてエラーを防止するための第２制約式を生成し、
前記第２制約式に従って前記パラメータの前記セットを生成し、
前記セットに基づいてシミュレーションを実行することで前記固有値解析結果を生成する、
請求項１に記載の情報処理システム。
【請求項4】
前記プロセッサは、前記学習データに基づいて前記固有値解析結果を出力するサロゲートモデルを生成する、
請求項１乃至３の何れか１項に記載の情報処理システム。
請求項１乃至３の何れか１項に記載の情報処理システム。
【請求項5】
前記固有値解析結果は、前記解析対象モデルの振動形態を示す画像を含む、
請求項４に記載の情報処理システム。
請求項４に記載の情報処理システム。
【請求項6】
前記サロゲートモデルは、ディープラーニングによって生成される、前記画像を出力する第１モデルを含む、
請求項５に記載の情報処理システム。
請求項５に記載の情報処理システム。
【請求項7】
前記固有値解析結果は、前記解析対象モデルの固有振動数を含む、
請求項５に記載の情報処理システム。
請求項５に記載の情報処理システム。
【請求項8】
前記サロゲートモデルは、応答局面法による、前記固有振動数を出力する第２モデルを含む、
請求項７に記載の情報処理システム。
請求項７に記載の情報処理システム。
【請求項9】
プロセッサによって実行されるプログラムであって、
前記プロセッサに、
解析対象モデルを入力する機能と、
前記解析対象モデルのパラメータのセットを生成する機能と、
前記セットに基づいてシミュレーションを実行することで固有値解析結果を生成する機能と、
基準モードごとに固有モードをクラスタに分類する機能と、
最もデータ数が少ない前記クラスタに対応する基準モードを生成するための第１制約式を生成する機能と、
前記第１制約式に従って前記パラメータの前記セットを生成する機能と、
前記セットに基づいてシミュレーションを実行することで前記固有値解析結果を生成する機能と、
前記セットと前記固有値とを対応付けた学習データを生成する機能と、
を実現させるプログラム。
前記プロセッサに、
解析対象モデルを入力する機能と、
前記解析対象モデルのパラメータのセットを生成する機能と、
前記セットに基づいてシミュレーションを実行することで固有値解析結果を生成する機能と、
基準モードごとに固有モードをクラスタに分類する機能と、
最もデータ数が少ない前記クラスタに対応する基準モードを生成するための第１制約式を生成する機能と、
前記第１制約式に従って前記パラメータの前記セットを生成する機能と、
前記セットに基づいてシミュレーションを実行することで前記固有値解析結果を生成する機能と、
前記セットと前記固有値とを対応付けた学習データを生成する機能と、
を実現させるプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明の実施形態は、情報処理システム及びプログラムに関する。
【背景技術】
【0002】
ＣＡＥ（Computer Aided Engineering）において、シミュレーションの代わりにサロゲートモデルを用いてモデルの固有振動数及び固有モード（振動形態など）を出力するシステムが提供されている。そのようなシステムは、シミュレーションによりモデルのパラメータ（問題）と固有振動数及び固有モード（回答）とを対応付けた学習データを生成する。システムは、生成された学習データを用いてサロゲートモデルを生成する。
【0003】
しかしながら、従来、生成された学習データにおいて固有モード）に偏りが生じることがある。そのため、システムは、学習データの数が少ない固有モードにおいてサロゲートモデルの推論精度が低下することがある。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０１９－８２８７４号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
上記の課題を解決するため、サロゲートモデルの学習データを効果的に生成することができる情報処理システム及びプログラムを提供する。
【課題を解決するための手段】
【0006】
実施形態によれば、情報処理システムは、インターフェースと、プロセッサと、を備える。インターフェースは、解析対象モデルを入力する。プロセッサは、前記解析対象モデルのパラメータのセットを生成し、前記セットに基づいてシミュレーションを実行することで固有値解析結果を生成し、基準モードごとに固有モードをクラスタに分類し、最もデータ数が少ない前記クラスタに対応する基準モードを生成するための第１制約式を生成し、前記第１制約式に従って前記パラメータの前記セットを生成し、前記セットに基づいてシミュレーションを実行することで前記固有値解析結果を生成し、前記セットと前記固有値解析結果とを対応付けた学習データを生成する。
【図面の簡単な説明】
【0007】
【発明を実施するための形態】
【0008】
以下、実施形態について、図面を参照して説明する。
実施形態に係るサロゲートシステムは、解析の対象となるモデル（解析対象モデル）のパラメータ（設計変数）から固有値解析結果を出力するサロゲートモデルを生成する。ここでは、サロゲートモデルは、固有値解析結果として、固有振動数及び固有モード（振動形態）を出力する。
実施形態に係るサロゲートシステムは、解析の対象となるモデル（解析対象モデル）のパラメータ（設計変数）から固有値解析結果を出力するサロゲートモデルを生成する。ここでは、サロゲートモデルは、固有値解析結果として、固有振動数及び固有モード（振動形態）を出力する。
【0009】
サロゲートモデル生成システムは、シミュレーションにより、解析対象モデルのパラメータ（問題）と固有値解析結果（回答）とを対応付けた学習データを生成する。サロゲートシステムは、生成された学習データを用いた機械学習などによりサロゲートモデルを生成する。
【0010】
図１は、実施形態に係るサロゲートモデル生成システム１の構成例を示す。サロゲートシステム１は、情報処理システム１０及びユーザ端末２０などから構成される。
【0011】
情報処理システム１０は、学習データを生成し、生成された学習データを用いてサロゲートモデルを生成する。図１が示すように、情報処理システム１０は、プロセッサ１１、ＲＯＭ１２、ＲＡＭ１３、ＮＶＭ１４、操作部１５、表示部１６及び通信インターフェース１７などを備える。
【0012】
プロセッサ１１と、ＲＯＭ１２、ＲＡＭ１３、ＮＶＭ１４、操作部１５、表示部１６、及び通信インターフェース１７と、は、データバスなどを介して互いに接続する。
なお、情報処理システム１０は、図１が示すような構成の他に必要に応じた構成を具備したり、情報処理システム１０から特定の構成が除外されたりしてもよいし、クラウド上のサービスとして提供されてもよい。
なお、情報処理システム１０は、図１が示すような構成の他に必要に応じた構成を具備したり、情報処理システム１０から特定の構成が除外されたりしてもよいし、クラウド上のサービスとして提供されてもよい。
【0013】
プロセッサ１１は、情報処理システム１０全体の動作を制御する機能を有する。プロセッサ１１は、内部キャッシュ及び各種のインターフェースなどを備えてもよい。プロセッサ１１は、内部メモリ、ＲＯＭ１２又はＮＶＭ１４が予め記憶するプログラムを実行することにより種々の処理を実現する。
【0014】
なお、プロセッサ１１がプログラムを実行することにより実現する各種の機能のうちの一部は、ハードウエア回路により実現されるものであってもよい。この場合、プロセッサ１１は、ハードウエア回路により実行される機能を制御する。
【0015】
ＲＯＭ１２は、制御プログラム及び制御データなどが予め記憶された不揮発性のメモリである。ＲＯＭ１２に記憶される制御プログラム及び制御データは、情報処理システム１０の仕様に応じて予め組み込まれる。
【0016】
ＲＡＭ１３は、揮発性のメモリである。ＲＡＭ１３は、プロセッサ１１の処理中のデータなどを一時的に格納する。ＲＡＭ１３は、プロセッサ１１からの命令に基づき種々のアプリケーションプログラムを格納する。また、ＲＡＭ１３は、アプリケーションプログラムの実行に必要なデータ及びアプリケーションプログラムの実行結果などを格納してもよい。
【0017】
ＮＶＭ１４は、データの書き込み及び書き換えが可能な不揮発性のメモリである。たとえば、ＮＶＭ１４は、たとえば、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）又はフラッシュメモリなどから構成される。ＮＶＭ１４は、情報処理装置１０の運用用途に応じて制御プログラム、アプリケーション及び種々のデータなどを格納する。
【0018】
操作部１５は、オペレータから種々の操作の入力を受け付けるインターフェースである。操作部１５は、入力された操作を示す信号をプロセッサ１１へ送信する。たとえば、操作部１５は、マウス、キーボード又はタッチパネルなどから構成される。
【0019】
表示部１６は、プロセッサ１１からの画像データを表示する。たとえば、表示部１６は、液晶モニタから構成される。なお、操作部１５がタッチパネルから構成される場合、表示部１６は、操作部１５としてのタッチパネルと一体的に形成されるものであってもよい。
【0020】
通信インターフェース１７は、ユーザ端末２０などとデータを送受信するインターフェースである。たとえば、通信インターフェース１７は、ネットワークなどを介してユーザ端末２０などに接続する。たとえば、通信インターフェース１７は、有線又は無線のＬＡＮ（Local Area Network）接続をサポートする。
【0021】
ユーザ端末２０は、情報処理システム１０からサロゲートモデルを取得する。ユーザ端末２０は、オペレータから入力されたパラメータをサロゲートモデルに入力して固有値解析結果を生成する。ユーザ端末２０は、生成された固有値解析結果をオペレータに提示する。たとえば、ユーザ端末２０は、ＰＣなどから構成される。
【0022】
次に、サロゲートモデル生成システム１が実現する機能について説明する。
図２は、サロゲートモデル生成システム１が実現する機能の例を示す。
図２は、サロゲートモデル生成システム１が実現する機能の例を示す。
【0023】
まず、情報処理システム１０が実現する機能について説明する。情報処理システム１０が実現する機能は、プロセッサ１１が内部メモリ、ＲＯＭ１２又はＮＶＭ１４などに格納されるプログラムを実行することで実現される。
【0024】
プロセッサ１１は、学習データを生成する学習データ生成部１１０と生成された学習データを用いてサロゲートモデルを生成する学習部１２０とを実現する。
【0025】
また、プロセッサ１１は、学習データ生成部１１０として、第１サンプリング計画生成部１１１、シミュレーション実行部１１２、設計変数制約分析部１１３、第２サンプリング計画生成部１１４、固有モード分析部１１５及び第３サンプリング計画生成部１１６などを実現する。
【0026】
まず、第１サンプリング計画生成部１１１について説明する。
プロセッサ１１は、第１サンプリング計画生成部１１１として、解析対象モデルのパラメータを生成する。
プロセッサ１１は、第１サンプリング計画生成部１１１として、解析対象モデルのパラメータを生成する。
【0027】
プロセッサ１１は、操作部１５を通じて、解析対象モデルをオペレータから入力する。たとえば、プロセッサ１１は、オペレータからの操作に従って、解析対象モデルのＣＡＤ（Computer Aided Design）データを生成する。
【0028】
また、プロセッサ１１は、操作部１５を通じて、解析対象モデルのパラメータを設定する操作をオペレータから入力する。即ち、プロセッサ１１は、オペレータからの操作に従って、パラメータとして解析対象モデルにおいて変更可能な値を設定する。
【0029】
【0030】
板３０１は、四角に形成された板である。板３０１の幅は、Ｂである。また、板３０１の高さは、Ｈである。また、板３０１は、上辺を除く周囲を固定されているものとする。
【0031】
板３０１の所定の面には、部材３０２乃至３０５及び錘３０６が形成されている。
【0032】
部材３０２は、所定の高さ（板３０１に垂直な方向の長さ）及び厚みを有する板である。部材３０２は、高さ方向において板３０１の一端から他端に架けて垂直に形成されている。部材３０２の高さ方向の長さは、Ｈである。
【0033】
部材３０３は、所定の高さ及び厚みを有する板である。部材３０３は、高さ方向において板３０１の一端から他端に架けて垂直に形成されている。部材３０３の高さ方向の長さは、Ｈである。部材３０３は、部材３０２の右側に形成されている。
【0034】
部材３０４は、所定の高さ及び厚みを有する板である。部材３０４は、水平方向において板３０１の一端から他端に架けて水平に形成されている。部材３０４の水平方向の長さは、Ｂである。
【0035】
部材３０５は、所定の高さ及び厚みを有する板である。部材３０５は、水平方向において板３０１の一端から他端に架けて水平に形成されている。部材３０５の水平方向の長さは、Ｂである。部材３０５は、部材３０４の上方に形成されている。
錘３０６は、所定の重量を有する。錘３０６は、板３０１の中央に形成されている。
錘３０６は、所定の重量を有する。錘３０６は、板３０１の中央に形成されている。
【0036】
プロセッサ１１は、解析対象モデル３００のパラメータを設定する。ここでは、プロセッサ１１は、部材３０２乃至３０５に関するパラメータＰ１乃至Ｐ１０を設定する。
【0037】
パラメータＰ１は、板３０１の左端から部材３０２までの距離である。
パラメータＰ２は、部材３０２及び３０３の高さである。
パラメータＰ３は、部材３０２及び３０３の厚さである。
パラメータＰ２は、部材３０２及び３０３の高さである。
パラメータＰ３は、部材３０２及び３０３の厚さである。
【0038】
パラメータＰ４は、板３０１の底辺から部材３０４までの距離である。
パラメータＰ５は、部材３０４の高さである。
パラメータＰ６は、部材３０４の厚さである。
パラメータＰ５は、部材３０４の高さである。
パラメータＰ６は、部材３０４の厚さである。
【0039】
パラメータＰ７は、板３０１の底辺から部材３０５までの距離である。
パラメータＰ８は、部材３０５の高さである。
パラメータＰ９は、部材３０５の厚さである。
パラメータＰ１０は、板３０１の厚さである。
パラメータＰ８は、部材３０５の高さである。
パラメータＰ９は、部材３０５の厚さである。
パラメータＰ１０は、板３０１の厚さである。
【0040】
プロセッサ１１は、各パラメータＰ（Ｐ１乃至Ｐ１０）の具体的な値から構成されるセットを複数個生成する。
図４は、プロセッサ１１が生成するパラメータＰのセットの例を示す。図４は、代表してパラメータＰ１及びＰ２を示す。図４では、横軸は、パラメータＰ１を示し、縦軸は、パラメータＰ２を示す。各点は、パラメータＰのセットを示す。
図４は、プロセッサ１１が生成するパラメータＰのセットの例を示す。図４は、代表してパラメータＰ１及びＰ２を示す。図４では、横軸は、パラメータＰ１を示し、縦軸は、パラメータＰ２を示す。各点は、パラメータＰのセットを示す。
【0041】
ここでは、プロセッサ１１は、ラテン超方格法などの実験計画法を用いてパラメータＰのセットを生成する。たとえば、プロセッサ１１は、各パラメータＰの最大値及び最小値を設定する。各パラメータＰの最大値及び最小値を設定すると、プロセッサ１１は、各パラメータＰの最大値と最小値との間を所定の個数に分割する。各パラメータＰの最大値と最小値との間を所定の個数に分割すると、プロセッサ１１は、分割によって生成された各ブロックに少なくとも１つのセットが含まれるようにパラメータＰのセットを生成する。
【0042】
図５は、プロセッサ１１が生成したパラメータＰのセットを示す。図５が示すように、プロセッサ１１は、ラテン超方格法などの実験計画法を用いて、パラメータＰ１乃至Ｐ１０から構成されるセット（図５では、Design）を複数個生成する。
【0043】
なお、プロセッサ１１がパラメータＰのセットを生成する方法は、特定の方法に限定されるものではない。
【0044】
次に、シミュレーション実行部１１２について説明する。
プロセッサ１１は、シミュレーション実行部１１２として、パラメータＰのセットに基づいて解析対象モデルの固有値解析結果を算出する。
プロセッサ１１は、シミュレーション実行部１１２として、パラメータＰのセットに基づいて解析対象モデルの固有値解析結果を算出する。
【0045】
たとえば、プロセッサ１１は、解析対象モデル３００とパラメータＰの１つのセットとに基づいて、当該セットのパラメータＰを有する解析対象モデル３００のＣＡＤデータを生成する。ＣＡＤデータを生成すると、プロセッサ１１は、ＣＡＤデータからメッシュを生成しソルバーで解析する。プロセッサ１１は、解析結果に基づいて、固有値解析結果を算出する。プロセッサ１１は、固有値解析結果として、解析対象モデル３００の固有振動数及び固有モードを算出する。ここでは、プロセッサ１１は、固有モードとして、濃淡又は色で振動の程度を示す画像を生成する。
プロセッサ１１は、パラメータＰの各セットについて同様に固有値解析結果を算出する。
プロセッサ１１は、パラメータＰの各セットについて同様に固有値解析結果を算出する。
【0046】
次に、設計変数制約分析部１１３について説明する。
プロセッサ１１は、設計変数制約分析部１１３として、パラメータＰに関する制約式（エラー防止制約式、第２制約式）を生成する。
プロセッサ１１は、設計変数制約分析部１１３として、パラメータＰに関する制約式（エラー防止制約式、第２制約式）を生成する。
【0047】
各セットについてシミュレーションを実行すると、プロセッサ１１は、成功したシミュレーションにおいて、パラメータＰのセットと生成された固有値解析結果とを対応付けた学習データを生成する。
【0048】
学習データを生成すると、プロセッサ１１は、生成された学習データの個数が所定の閾値以上であるかを判定する。学習データの個数が所定の閾値未満であると判定すると、プロセッサ１１は、エラーとなったシミュレーションにおけるパラメータＰのセットを抽出する。
【0049】
図６は、エラーとなったシミュレーションにおけるパラメータＰのセットの例を示す。図６が示す例では、パラメータＰ７がＨよりも大きいため、板３０１と部材３０５とは、分離している。図６のように、解析対象モデル３００が一体的に形成されない場合、シミュレーションは、エラーとなる。
【0050】
プロセッサ１１は、人工知能などを用いて、抽出されたセットに基づいてシミュレーションがエラーとなるパラメータＰの傾向を分析する。パラメータＰの傾向を分析すると、プロセッサ１１は、分析結果に基づいてシミュレーションのエラーを防止するようにパラメータＰを制約するエラー防止制約式を生成する。
【0051】
たとえば、プロセッサ１１は、エラー防止制約式として、パラメータＰの範囲、パラメータＰ間の関係式などを生成する。
図６の例では、プロセッサ１１は、エラー防止制約式として、パラメータＰ７＜Ｈを生成する。
図６の例では、プロセッサ１１は、エラー防止制約式として、パラメータＰ７＜Ｈを生成する。
【0052】
次に、第２サンプリング計画生成部１１４について説明する。
プロセッサ１１は、第２サンプリング計画生成部１１４として、生成されたエラー防止制約式に従って解析対象モデルのパラメータＰを生成する。
プロセッサ１１は、第２サンプリング計画生成部１１４として、生成されたエラー防止制約式に従って解析対象モデルのパラメータＰを生成する。
【0053】
エラー防止制約式を生成すると、プロセッサ１１は、エラー防止制約式に従ってパラメータＰのセットを所定の個数、生成する。即ち、プロセッサ１１は、エラー防止制約式を満たすようなパラメータＰのセットを生成する。たとえば、プロセッサ１１は、前述の通りラテン超方格法を用いてパラメータＰのセットを生成する。
【0054】
パラメータＰのセットを生成すると、プロセッサ１１は、生成されたセットを用いてシミュレーションを実行して学習データを生成する。プロセッサ１１は、学習データの個数が所定の個数以上となるまで、エラー防止制約式の生成、パラメータＰのセットの生成、及び、シミュレーションを繰り返す。
【0055】
次に、固有モード分析部１１５について説明する。
プロセッサ１１は、固有モード分析部１１５として、学習データに含まれる固有モードを分類して、割合が所定の閾値未満である固有モードを生成するための制約式（固有モード生成制約式、第１制約式）を生成する。
プロセッサ１１は、固有モード分析部１１５として、学習データに含まれる固有モードを分類して、割合が所定の閾値未満である固有モードを生成するための制約式（固有モード生成制約式、第１制約式）を生成する。
【0056】
たとえば、プロセッサ１１は、各学習データに含まれる固有モード（評価対象モード）を基準となる固有モード（基準モード）の何れかに分類する。
【0057】
図７は、プロセッサ１１は、評価対象モードを基準モードの何れかに分類する動作例を示す。
【0058】
ここでは、プロセッサ１１は、モード信頼性評価基準（ＭＡＣ（Modal Assurance Criterion））を用いて評価対象モードと基準モードとの類似性を判定する。即ち、プロセッサ１１は、類似度を示す指標（ＭＡＣ値）を以下の式に従って算出する。
【0059】
【数1】
【0060】
プロセッサ１１は、１つの評価対象モードと各基準モードとを上記の式に代入して各基準モードに対する指標を算出する。プロセッサ１１は、所定の閾値（たとえば、０．９）を超える指標が存在する場合、当該評価対象モードを当該指標に対応する基準モードに分類する。
【0061】
なお、プロセッサ１１は、所定の閾値を超える指標が存在しない場合、エラーを出力してもよいし、当該評価対象モードを新たな基準モードとしてもよい。
プロセッサ１１は、各評価対象モードについて同様に分類する。即ち、プロセッサ１１は、基準モードごとに、評価対象モードをクラスタに分割する。
プロセッサ１１は、各評価対象モードについて同様に分類する。即ち、プロセッサ１１は、基準モードごとに、評価対象モードをクラスタに分割する。
【0062】
図７が示す例では、評価対象モードＳ１について、基準モードＣ２の指標は、０．９９８である。従って、プロセッサ１１は、評価対象モードＳ１を基準モードＣ２に分類する。
【0063】
同様に、プロセッサ１１は、評価モードＳ２を基準モードＣ１に分類する。また、プロセッサ１１は、評価モードＳ３を基準モードＣ３に分類する。また、プロセッサ１１は、評価モードＳ４を基準モードＣ４に分類する。また、プロセッサ１１は、評価モードＳ５を基準モードＣ５に分類する。
【0064】
図８は、プロセッサ１１によって分類された評価対象モードを示す。図８が示す例では、基準モードＣ１のクラスタに分類される評価対象モードの個数は、非常に多い。また、基準モードＣ２のクラスタに分類される評価対象モードの個数は、比較的多い。基準モードＣ４のクラスタに分類される評価対象モードの個数は、極めて少ない。
【0065】
各評価対象モードを分類すると、プロセッサ１１は、データ数が最も少ないクラスタ（たとえば、基準モードＣ４のクラスタ）の割合（当該データ数／学習データ数）を算出する。データ数が最も少ないクラスタの割合を算出すると、プロセッサ１１は、当該割合が所定の閾値以上であるかを判定する。
【0066】
当該割合が所定の閾値未満であると判定すると、プロセッサ１１は、人工知能などを用いて、当該クラスタの基準モードを生成するパラメータＰの傾向を分析する。パラメータＰの傾向を分析すると、プロセッサ１１は、分析結果に基づいて、当該基準モードを生成するための固有モード生成制約式を生成する。たとえば、プロセッサ１１は、固有モード生成制約式として、パラメータＰの範囲、パラメータＰ間の関係式などを生成する。
【0067】
次に、第３サンプリング計画生成部１１６について説明する。
プロセッサ１１は、第３サンプリング計画生成部１１６として、生成された固有モード生成制約式に従って解析対象モデルのパラメータＰを生成する。
プロセッサ１１は、第３サンプリング計画生成部１１６として、生成された固有モード生成制約式に従って解析対象モデルのパラメータＰを生成する。
【0068】
固有モード生成制約式を生成すると、プロセッサ１１は、固有モード生成制約式に従ってパラメータＰのセットを所定の個数、生成する。即ち、プロセッサ１１は、固有モード生成制約式を満たすようなパラメータＰのセットを生成する。たとえば、プロセッサ１１は、前述の通りラテン超方格法などの実験計画法を用いてパラメータＰのセットを生成する。
【0069】
パラメータＰのセットを生成すると、プロセッサ１１は、生成されたセットを用いてシミュレーションを実行して学習データを生成する。プロセッサ１１は、割合が所定の閾値未満であるクラスタがなくなるまで、固有モード生成制約式の生成、パラメータＰのセットの生成、及び、シミュレーションを繰り返す。
【0070】
次に、学習部１２０について説明する。
プロセッサ１１は、学習部１２０として、生成された学習データに基づいてサロゲートモデルを生成する。
プロセッサ１１は、学習部１２０として、生成された学習データに基づいてサロゲートモデルを生成する。
【0071】
プロセッサ１１は、学習データのパラメータＰのセットを問題とし固有値解析結果を回答としてサロゲートモデルを生成する。たとえば、プロセッサ１１は、重回帰、ランダムフォレスト、応答局面法又はディープラーニングなどによりサロゲートモデルを生成する。
【0072】
ここでは、プロセッサ１１は、サロゲートモデルとして、固有モードを出力するモデル（第１モデル）と、固有振動数を出力するモデル（第２モデル）と、を生成する。
【0073】
プロセッサ１１は、ディープラーニングにより、学習データのパラメータＰのセットを問題とし固有モード（画像）を回答として第１モデルを生成する。
また、プロセッサ１１は、応答局面法により、学習データのパラメータＰのセットを問題とし固有振動数を回答として第２モデルを生成する。
また、プロセッサ１１は、応答局面法により、学習データのパラメータＰのセットを問題とし固有振動数を回答として第２モデルを生成する。
【0074】
サロゲートモデルを生成すると、プロセッサ１１は、通信インターフェース１７を通じてサロゲートモデルをユーザ端末２０に送信する。
【0075】
なお、プロセッサ１１は、学習データの一部を検証用データにしてサロゲートモデルを評価してもよい。
図９は、プロセッサ１１がサロゲートモデルを評価する動作例を示す。
図９は、プロセッサ１１がサロゲートモデルを評価する動作例を示す。
【0076】
たとえば、プロセッサ１１は、学習データを生成すると、所定の比率で学習データを学習用データと検証用データとに分割する。
【0077】
学習データを学習用データと検証用データとに分割すると、プロセッサ１１は、上記の通り、学習用データを用いてサロゲートモデルを生成する。サロゲートモデルを生成すると、プロセッサ１１は、検証用データにおけるパラメータＰのセットをサロゲートモデルに入力して固有値解析結果を算出する。
【0078】
固有値解析結果を算出すると、プロセッサ１１は、検証用データにおける固有値解析結果と算出された固有値解析結果とを比較することでサロゲートモデルを評価する。
【0079】
次に、ユーザ端末２０が実現する機能について説明する。ユーザ端末２０が実現する機能は、ユーザ端末２０が備えるプロセッサが内部メモリ、ＲＯＭ又はＮＶＭなどに格納されるプログラムを実行することで実現される。
ユーザ端末２０は、入力部２１、算出部２２及び出力部２３などを実現する。
ユーザ端末２０は、入力部２１、算出部２２及び出力部２３などを実現する。
【0080】
まず、入力部２１について説明する。
ユーザ端末２０は、入力部２１としてオペレータからパラメータＰのセットを入力する。
ユーザ端末２０は、入力部２１としてオペレータからパラメータＰのセットを入力する。
【0081】
たとえば、オペレータは、解析対象モデル３００のパラメータＰ１乃至Ｐ１０（パラメータＰのセット）をユーザ端末２０に入力する。ユーザ端末２０は、入力されたパラメータＰのセットを取得する。
【0082】
つぎに、算出部２２について説明する。
ユーザ端末２０は、算出部２２として、入力されたパラメータＰのセットから固有値解析結果を算出する。
ユーザ端末２０は、算出部２２として、入力されたパラメータＰのセットから固有値解析結果を算出する。
【0083】
ユーザ端末２０は、情報処理システム１０からのサロゲートモデルを予め格納する。
ユーザ端末２０は、入力されたパラメータＰのセットをサロゲートモデルに入力して固有値解析結果を算出する。
ユーザ端末２０は、入力されたパラメータＰのセットをサロゲートモデルに入力して固有値解析結果を算出する。
【0084】
次に、出力部２３について説明する。
ユーザ端末２０は、出力部２３として、算出された固有値解析結果を出力する。
たとえば、ユーザ端末２０は、算出された固有値解析結果をモニタなどに表示する。また、ユーザ端末２０は、算出された固有値解析結果を外部装置に送信するものであってもよい。
ユーザ端末２０は、出力部２３として、算出された固有値解析結果を出力する。
たとえば、ユーザ端末２０は、算出された固有値解析結果をモニタなどに表示する。また、ユーザ端末２０は、算出された固有値解析結果を外部装置に送信するものであってもよい。
【0085】
【0086】
まず、情報処理装置１０のプロセッサ１１は、解析対象モデル３００のパラメータＰのセットを複数個生成する（Ｓ１１）。パラメータＰのセットを複数個生成すると、プロセッサ１１は、各セットに基づいてシミュレーションを実行する（Ｓ１２）。
【0087】
シミュレーションを実行すると、プロセッサ１１は、エラーとなったシミュレーションの個数をカウントする（Ｓ１３）。エラーとなったシミュレーションの個数をカウントすると、プロセッサ１１は、成功したシミュレーションにおける学習データの個数が所定の閾値以上であるかを判定する（Ｓ１４）。
【0088】
学習データの個数が所定の閾値未満であると判定すると（Ｓ１４、ＮＯ）、プロセッサ１１は、シミュレーションがエラーとなるパラメータＰの傾向を分析する（Ｓ１５）。パラメータＰの傾向を分析すると、プロセッサ１１は、分析結果に基づいてシミュレーションのエラーを防止するようにパラメータＰを制約するエラー防止制約式を生成する（Ｓ１６）。
【0089】
エラー防止制約式を生成すると、プロセッサ１１は、エラー防止制約式に従ってパラメータＰのセットを生成する（Ｓ１７）。パラメータＰのセットを生成すると、プロセッサ１１は、Ｓ１２に戻る。
【0090】
学習データの個数が所定の閾値以上であると判定すると（Ｓ１４、ＹＥＳ）、プロセッサ１１は、学習データの固有モードを分類する（Ｓ１８）。学習データの固有モードを分類すると、プロセッサ１１は、最もデータ数が少ないクラスタの割合が所定の閾値以上であるかを判定する（Ｓ１９）。
【0091】
最もデータ数が少ないクラスタの割合が所定の閾値未満であると判定すると（Ｓ１９、ＮＯ）、プロセッサ１１は、人工知能などを用いて、当該クラスタの基準モードを生成するパラメータＰの傾向を分析する（Ｓ２０）。パラメータＰの傾向を分析すると、プロセッサ１１は、分析結果に基づいて、当該基準モードを生成するための固有モード生成制約式を生成する（Ｓ２１）。
【0092】
固有モード生成制約式を生成すると、プロセッサ１１は、固有モード生成制約式に従ってパラメータＰのセットを生成する（Ｓ２２）。パラメータＰのセットを生成すると、プロセッサ１１は、各セットに基づいてシミュレーションを実行して学習データを生成する（Ｓ２３）。シミュレーションを実行して学習データを生成すると、プロセッサ１１は、Ｓ１８に戻る。
【0093】
最もデータ数が少ないクラスタの割合が所定の閾値以上であると判定すると（Ｓ１９、ＹＥＳ）、プロセッサ１１は、生成された学習データに基づいてサロゲートモデルを生成する（Ｓ２４）。
【0094】
サロゲートモデルを生成すると、プロセッサ１１は、通信インターフェース１７を通じてサロゲートモデルをユーザ端末２０に送信する（Ｓ２５）。
サロゲートモデルをユーザ端末２０に送信すると、プロセッサ１１は、動作を終了する。
サロゲートモデルをユーザ端末２０に送信すると、プロセッサ１１は、動作を終了する。
【0095】
なお、プロセッサ１１は、エラー防止制約式を生成しなくともよい。即ち、プロセッサ１１は、Ｓ１３乃至Ｓ１７を実行しなくともよい。
また、プロセッサ１１は、サロゲートモデルを用いて、入力されたパラメータＰのセットから固有値解析結果を算出するものであってもよい。即ち、プロセッサ１１は、ユーザ端末２０の機能を実現するものであってもよい。
また、プロセッサ１１は、サロゲートモデルを用いて、入力されたパラメータＰのセットから固有値解析結果を算出するものであってもよい。即ち、プロセッサ１１は、ユーザ端末２０の機能を実現するものであってもよい。
【0096】
また、プロセッサ１１は、所定のクラスタリング手法を用いて、評価対象モードを分類してもよい。
また、プロセッサ１１は、オペレータからの操作に従って、いくつかのエラー防止制約式を予め設定するものであってもよい。
また、プロセッサ１１は、オペレータからの操作に従って、いくつかのエラー防止制約式を予め設定するものであってもよい。
【0097】
以上のように構成されたサロゲートモデル生成システムは、シミュレーションによって生成された固有モードに偏りがある場合、割合が少ない固有モードを生成する固有モード生成制約式を生成する。サロゲートモデル生成システムは、固有モード生成制約式に従ってパラメータを生成して再度シミュレーションを行う。その結果、サロゲートモデル生成システムは、学習データにおいて固有モードの偏りを解消することができる。
【0098】
また、サロゲートモデル生成システムは、シミュレーションがエラーとなるパラメータを分析してエラー防止制約式を生成する。サロゲートモデル生成システムは、エラー防止制約式に従ってパラメータを生成して再度シミュレーションを行う。その結果、サロゲートモデル生成システムは、シミュレーションのエラーを防止することができる。よって、サロゲートモデル生成システムは、学習データを増加させることができる。
【0099】
本実施形態に係るプログラムは、電子機器に記憶された状態で譲渡されてよいし、電子機器に記憶されていない状態で譲渡されてもよい。後者の場合は、プログラムは、ネットワークを介して譲渡されてよいし、記憶媒体に記憶された状態で譲渡されてもよい。記憶媒体は、非一時的な有形の媒体である。記憶媒体は、コンピュータ可読媒体である。記憶媒体は、ＣＤ－ＲＯＭ、メモリカード等のプログラムを記憶可能かつコンピュータで読取可能な媒体であればよく、その形態は問わない。
【0100】
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
【符号の説明】
【0101】
１…サロゲートモデル生成システム、１０…情報処理システム、１１…プロセッサ、１２…ＲＯＭ、１３…ＲＡＭ、１４…ＮＶＭ、１５…操作部、１６…表示部、１７…通信インターフェース、２０…ユーザ端末、２１…入力部、２２…算出部、２３…出力部、１１０…学習データ生成部、１１１…第１サンプリング計画生成部、１１２…シミュレーション実行部、１１３…設計変数制約分析部、１１４…第２サンプリング計画生成部、１１５…固有モード分析部、１１６…第３サンプリング計画生成部、１２０…学習部、３００…解析対象モデル、３０１…板、３０２…部材、３０３…部材、３０４…部材、３０５…部材、３０６…錘。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
