特開 2024-2863 クリープ破断寿命に対応する負荷応力推定装置及び方法、並びに耐熱金属材料の最適組成の予測装置及び方法

(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】P2024002863

(43)【公開日】2024-01-11

(54)【発明の名称】クリープ破断寿命に対応する負荷応力推定装置及び方法、並びに耐熱金属材料の最適組成の予測装置及び方法

(51)【国際特許分類】

   G01N 3/00 20060101AFI20231228BHJP

【ＦＩ】

G01N3/00 R

【審査請求】未請求

【請求項の数】25

【出願形態】ＯＬ

(21)【出願番号】P 2022140357

(22)【出願日】2022-09-02

(31)【優先権主張番号】P 2022101550

(32)【優先日】2022-06-24

(33)【優先権主張国・地域又は機関】JP

(71)【出願人】

【識別番号】301023238

【氏名又は名称】国立研究開発法人物質・材料研究機構

(72)【発明者】

【氏名】升田 博之

(72)【発明者】

【氏名】本郷 宏通

(72)【発明者】

【氏名】片山 英樹

(72)【発明者】

【氏名】澤田 浩太

【テーマコード（参考）】

2G061

【Ｆターム（参考）】

2G061AA01

2G061AB02

2G061BA19

2G061DA05

2G061EA01

2G061EA02

2G061EB04

2G061EB05

(57)【要約】

【課題】フェライト鋼、ステンレス鋼やＮｉ基合金など多くの種類の耐熱金属材料に適用できる機械学習を用いたクリープ性能予測ができるクリープ破断寿命に対応する負荷応力推定装置を提供すること。
【解決手段】クリープ破断寿命推定の種類の指定と、機械学習の決定木で用いる機械特性の指定を読込む機能部３１０と、クリープデータシートから、指定された耐熱金属材料のクリープデータを読込む機能部３２０と、前記指定された機械特性を用いて、読み込んだ耐熱金属材料のクリープデータに対して、破断寿命に対応する負荷応力の機械学習済の教師付き機械学習を行った機械学習演算部３３０とを備え、教師付き機械学習を行った機械学習演算部３３０により、指定された機械特性を用いて、指定されたクリープ破断寿命推定の種類に応じた破断寿命に対応する負荷応力推定の演算結果を出力するように構成されたものである。
【選択図】図３

【特許請求の範囲】

【請求項1】

クリープ破断寿命推定の種類の指定と、機械学習の決定木で用いる機械特性の指定を読込む機能部と、
クリープデータシートから、指定された耐熱金属材料のクリープデータを読込む機能部と、
前記指定された機械特性を用いて、読み込んだ耐熱金属材料のクリープデータに対して、破断寿命に対応する負荷応力の機械学習済の教師付き機械学習を行った機械学習演算部とを備え、
前記教師付き機械学習を行った機械学習演算部により、指定された機械特性を用いて、指定されたクリープ破断寿命推定の種類に応じた破断寿命に対応する負荷応力推定の演算結果を出力するように構成したクリープ破断寿命に対応する負荷応力推定装置。

【請求項2】

前記機械学習演算部に対して、前記指定された機械特性を用いて、読み込んだ耐熱金属材料のクリープデータに対して、破断寿命に対応する負荷応力の機械学習を行い、前記教師付き機械学習を行う前処理部を有する請求項１に記載のクリープ破断寿命に対応する負荷応力推定装置。

【請求項3】

前記機械学習に用いるモデルはランダムフォレスト法、ディープラーニング、ニューラルネットワーク、又はＬＡＳＳＯ回帰を用いたモデルの何れかを含む請求項２に記載のクリープ破断寿命に対応する負荷応力推定装置。

【請求項4】

前記クリープ破断寿命推定の種類としては、クリープ破断寿命の予測、又は材料設計用の耐熱金属材料最適成分に対する予測の少なくとも一つを含む請求項１乃至３の何れかに記載のクリープ破断寿命に対応する負荷応力推定装置。

【請求項5】

前記機械学習の決定木で用いる機械特性には、耐熱金属材料の全成分考慮、または耐熱金属材料の特定成分考慮の少なくとも一つを含む請求項１乃至４の何れかに記載のクリープ破断寿命に対応する負荷応力推定装置。

【請求項6】

前記耐熱金属材料の特定成分には、炭素（Ｃ）、ケイ素（Ｓｉ）、マンガン（Ｍｎ）、燐（Ｐ）、硫黄（Ｓ）、ニッケル（Ｎｉ）、コバルト（Ｃｏ）、クロム（Ｃｒ）、モリブデン（Ｍｏ）、銅（Ｃｕ）、アルミニウム（Ａｌ）、窒素（Ｎ）、バナジウム（Ｖ）、ニオブ（Ｎｂ）、タングステン（Ｗ）、ホウ素（Ｂ）、コバルト（Ｃｏ）、チタン（Ｔｉ）、ジルコニウム（Ｚｒ）、タンタル（Ｔａ）、又は鉄（Ｆｅ）の少なくとも一つが含まれる請求項５に記載のクリープ破断寿命に対応する負荷応力推定装置。

【請求項7】

前記耐熱金属材料には、フェライト鋼鋼材、クロムモリブデン鋼鋼材、マンガン鋼鋼材、ステンレス鋼鋼材、コバルト基合金材、又はニッケル基合金材の少なくとも一つを含む請求項１乃至６の何れかに記載のクリープ破断寿命に対応する負荷応力推定装置。

【請求項8】

さらに、校正対象に用いるクリープ破断寿命推定の種類に応じた破断寿命に対応する負荷応力推定の演算結果を用いて、教師付き機械学習を行った前記機械学習演算部の破断寿命に対応する負荷応力推定の正確性を評価する機械学習評価部を有する請求項１乃至７の何れかに記載のクリープ破断寿命に対応する負荷応力推定装置。

【請求項9】

さらに、前記機械学習評価部の評価結果から、前記機械学習演算部の破断寿命に対応する負荷応力推定の正確性を高めるような、前記機械学習の決定木で用いる機械特性の種類と、前記クリープデータシートで読み込む耐熱金属材料のクリープデータの種類を推奨するアシスト機能部を有する請求項８に記載のクリープ破断寿命に対応する負荷応力推定装置。

【請求項10】

前記破断寿命に対応する負荷応力推定の演算結果には、耐熱金属材料成分毎の破断寿命に対応する負荷応力の感度予測が含まれる請求項１乃至７の何れかに記載のクリープ破断寿命に対応する負荷応力推定装置。

【請求項11】

クリープ破断寿命推定の種類の指定と、機械学習の決定木で用いる機械特性の指定をする工程と、
クリープデータシートから、指定された耐熱金属材料のクリープデータを読込む工程と、
前記指定された機械特性を用いて、読み込んだ耐熱金属材料のクリープデータに対して、機械学習済の教師付き機械学習が済んでいる機械学習演算部に対して、前記指定された機械特性を用いて、前記指定されたクリープ破断寿命推定の種類に応じた破断寿命に対応する負荷応力推定の演算結果を出力する機械学習演算工程とを備える、
クリープ破断寿命に対応する負荷応力推定方法。

【請求項12】

さらに、前記機械学習演算工程に対して、前記指定された機械特性を用いて、読み込んだ耐熱金属材料のクリープデータに対して、破断寿命に対応する負荷応力の機械学習を行なって、教師付き機械学習を行う工程を有する、請求項１１に記載のクリープ破断寿命に対応する負荷応力推定方法。

【請求項13】

前記機械学習に用いるモデルはランダムフォレスト法、ディープラーニング、ニューラルネットワーク、又はＬＡＳＳＯ回帰を用いたモデルの何れかを含む、
請求項１１に記載のクリープ破断寿命に対応する負荷応力推定方法。

【請求項14】

前記クリープ破断寿命推定の種類としては、クリープ破断寿命の予測、耐熱金属材料成分毎のクリープ破断寿命の感度予測、又は材料設計用の耐熱金属材料最適成分に対する予測の何れかを含む、
請求項１１乃至１３の何れかに記載のクリープ破断寿命に対応する負荷応力推定方法。

【請求項15】

前記機械学習の決定木で用いる機械特性には、耐熱金属材料の全成分考慮、または耐熱金属材料の特定成分考慮の少なくとも一つを含む請求項１１乃至１４の何れかに記載のクリープ破断寿命に対応する負荷応力推定方法。

【請求項16】

前記耐熱金属材料の特定成分には、炭素（Ｃ）、ケイ素（Ｓｉ）、マンガン（Ｍｎ）、燐（Ｐ）、硫黄（Ｓ）、ニッケル（Ｎｉ）、コバルト（Ｃｏ）、クロム（Ｃｒ）、モリブデン（Ｍｏ）、銅（Ｃｕ）、アルミニウム（Ａｌ）、窒素（Ｎ）、バナジウム（Ｖ）、ニオブ（Ｎｂ）、タングステン（Ｗ）、ホウ素（Ｂ）、コバルト（Ｃｏ）、チタン（Ｔｉ）、ジルコニウム（Ｚｒ）、タンタル（Ｔａ）、又は鉄（Ｆｅ）の少なくとも一つが含まれる、請求項１５に記載のクリープ破断寿命に対応する負荷応力推定方法。

【請求項17】

前記耐熱金属材料には、フェライト鋼鋼材、クロムモリブデン鋼鋼材、マンガン鋼鋼材、ステンレス鋼鋼材、コバルト基合金材、又はニッケル基合金材の少なくとも一つを含む請求項１１乃至１６の何れかに記載のクリープ破断寿命に対応する負荷応力推定方法。

【請求項18】

さらに、校正対象に用いるクリープ破断寿命推定の種類に応じた破断寿命に対応する負荷応力推定の演算結果を用いて、教師付き機械学習を行った機械学習演算部の破断寿命に対応する負荷応力推定の正確性を評価する工程を有する請求項１１乃至１７の何れかに記載のクリープ破断寿命に対応する負荷応力推定方法。

【請求項19】

さらに、前記機械学習評価工程の評価結果から、前記機械学習演算部の破断寿命に対応する負荷応力推定の正確性を高めるような、機械学習の決定木で用いる機械特性の種類と、前記クリープデータシートで読み込む耐熱金属材料のクリープデータの種類を推奨する工程を有する請求項１８に記載のクリープ破断寿命に対応する負荷応力推定方法。

【請求項20】

さらに、前記推奨された機械学習の決定木で用いる機械特性の種類と、前記クリープデータシートで読み込む耐熱金属材料を加味して、請求項１１のクリープ破断寿命推定の種類の指定と、機械学習の決定木で用いる機械特性の指定をする工程で用いるために指定するクリープ破断寿命推定の種類と、前記機械学習の決定木で用いる機械特性を修正する工程を有する請求項１９に記載のクリープ破断寿命に対応する負荷応力推定方法。

【請求項21】

前記破断寿命に対応する負荷応力推定の演算結果には、耐熱金属材料成分毎の破断寿命に対応する負荷応力の感度予測が含まれる請求項１１乃至１７の何れかに記載のクリープ破断寿命に対応する負荷応力推定方法。

【請求項22】

クリープ破断寿命の被検対象となる耐熱金属材料の基準となる組成を定める手段と、
前記耐熱金属材料成分の増減を行なって予測対象組成を定める手段と、
前記耐熱金属材料成分毎のクリープ破断寿命の感度予測を基礎に、前記予測対象組成の目耐熱金属材料に対する破断寿命に対応する負荷応力の推定値を演算する手段と、
前記破断寿命に対応する負荷応力の推定値から、目標となる破断寿命に対応する負荷応力を実現する耐熱金属材料成分毎の組成範囲を予測する手段と、
を備える耐熱金属材料の最適組成の予測装置。

【請求項23】

前記耐熱金属材料成分の増減を行なって予測対象組成を定める手段は、
前記耐熱金属材料成分の増減を行なう成分として一種類を定める手段と、
当該増減を行なった成分の変化量は、前記クリープ破断寿命の被検対象となる材料で最も多く含まれる基となる成分の増減で吸収して、前記基となる成分を除く成分については前記クリープ破断寿命の被検対象となる材料の値を保持する組成とする手段と、
前記予測対象組成の耐熱金属材料は当該増減を行なった成分の変化分を反映した組成とする手段と、
を有する請求項２２に記載の耐熱金属材料の最適組成の予測装置。

【請求項24】

クリープ破断寿命の被検対象となる材料の組成を基準となる組成と定め、
前記耐熱金属材料成分の増減を行なって予測対象組成を定め、
前記耐熱金属材料成分毎のクリープ破断寿命の感度予測を基礎に、前記予測対象組成の耐熱金属材料に対する破断寿命に対応する負荷応力の推定値を演算し、
前記破断寿命に対応する負荷応力の推定値から、目標となる破断寿命に対応する負荷応力を実現する耐熱金属材料成分毎の組成範囲を予測する、
耐熱金属材料の最適組成の予測方法。

【請求項25】

前記耐熱金属材料成分の増減を行なって予測対象組成を定める工程は、
前記耐熱金属材料成分の増減を行なう成分として一種類を定め、
当該増減を行なった成分の変化量は、前記クリープ破断寿命の被検対象となる材料で最も多く含まれる基となる成分の増減で吸収して、前記基となる成分を除く成分については前記クリープ破断寿命の被検対象となる材料の値を保持する組成とし、
前記予測対象組成の耐熱金属材料は当該増減を行なった成分の変化分を反映した組成とする、
請求項２４に記載の耐熱金属材料の最適組成の予測方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、高温環境下で運転される火力発電所プラントなどで使用される耐熱材料に用いて好適なクリープ破断寿命に対応する負荷応力推定装置及び方法に関する。
また、本発明は、高温環境下で運転される火力発電所プラントなどで使用される耐熱材料に用いて好適な耐熱金属材料の最適組成の予測装置及び方法に関する。

【背景技術】

【0002】

＜従来のクリープ破断寿命評価＞
金属材料のクリープ試験法は、例えばＪＩＳ Ｚ ２２７１に規定されている。
他方で、高温環境下で運転される火力発電所プラントなどの設計では、使用される構造材料の１０万時間クリープ破断強度が必要とされる。火力発電所の操業期間としては３０年間程度の使用実績があり、特に貫流ボイラーでは管壁に高温の燃焼ガスが作用するためである。そこで、例えば特許文献１では、クリープ試験装置が提案されている。特許文献２では、火力発電所プラントに用いて好適な、高クロム鋼クリープ余寿命の推定方法が提案されている。
しかし、１０万時間破断強度を実験から求めるためには、１１年以上の歳月が必要とされるため、時間－温度パラメータ法（ＴＴＰ法）による外挿で推定されている。その外挿法制度を保障するためには、３万時間程度の実験データから十万時間強度を予測して設計に使用して良いことになっている（ＪＩＳ Ｚ ２２７１付属書Ｅ．５外挿参照）。

【0003】

代表的なＴＴＰ法は以下に上げる４種類である（非特許文献１参照）。
Ｌａｒｓｏｎ－Ｍｉｌｌｅｒ： Ｐ＝Ｔ（ｌｏｇｔ_Ｒ＋Ｃ） （１）
Ｍａｎｓｏｎ－Ｈａｆｅｒｄ： Ｐ＝（ｌｏｇｔ_Ｒ－ｌｏｇｔ_ａ）／（Ｔ－Ｔ_ａ） （２）
Ｏｒｒ－Ｓｈｅｒｂｙ Ｄｏｒｎ： Ｐ＝ｌｏｇｔ_Ｒ－Ｑ／（２．３ＲＴ） （３）
Ｍａｎｓｏｎ－Ｓｕｃｃｏｐ： Ｐ＝ｌｏｇｔ_Ｒ＋Ｂ・Ｔ （４）
ここで、ｔ_Ｒは破断時間、Ｔは絶対温度、Ｑはクリープの活性化エネルギー、Ｒは気体定数、Ｃ、Ｂ、ｔ_ａ、Ｔ_ａ：パラメータ定数である。
これらのパラメータ法で求めた最も当てはめ精度の良いパラメータＰを用いて、式（５）でクリープ破断データを回帰している。
Ｐ＝ｂ_０＋ｂ_１ｌｏｇＳ＋ｂ_２（ｌｏｇＳ）^２＋・・・＋ｂ_ｋ（ｌｏｇＳ）^ｋ＋ｅｉ （５）
ここで、Ｓは応力（ＭＰａ）、ｂ_０，ｂ_１，ｂ_２，・・・・ｂ_ｋは回帰係数、ｋは次数、ｅｉは誤差項である。

【0004】

しかし、この手法には長時間クリープ強度を過大評価する傾向があるという課題があった。現在火力発電プラントで多く使用されている、高Ｃｒ鋼の長時間側でのクリープ強度の低下を的確に表現できないため、１０万時間破断強度の見直しが行われた（非特許文献２参照）。

【0005】

ＮＩＭＳのクリープデータシートＣＤＳでは４つのパラメータ法の中で最も材料にフィッテングするパラメータを使用してクリープ破断データの回帰を行っている。
この中で、ＣＤＳ Ｎｏ．４８Ｂ、Ｎｏ．５１ＢおよびＮｏ．５２Ｂは木村らが提案している、０．２％耐力の半分の応力で回帰するデータを分割して行う、領域分割法（非特許文献２参照）を使用して行っている。しかしＮＩＭＳのクリープデータシートを見てもわかるように、ほぼ組成が同じ合金でもバラツキは大きく、精度よく破断寿命を予測することは不可能であり、精度の良い予測法が望まれていた。また、クリープ強度におよぼす微量な化学成分の影響は明らかにならないため、材料設計には使用できないという課題があった。

【0006】

＜従来の機械学習による予測＞
これまでに、任意の材料に関して機械学習を用いてクリープ性能予測が行われた例が、狭い材料種の範囲に限定したものではあるが、以下のように複数存在する。
一つ目は、非特許文献４に開示されたもので、ニューラルネットワークおよび熱力学計算を用いた材料設計の例で、Ｆｅ－２．２５Ｃｒ－１ＭｏおよびＦｅ－（９－１２）Ｃｒに関して行われており、提案材料に関する試験を行って予測との比較も報告されている。
二つ目は、非特許文献５に開示されたもので、機械学習によって高Ｃｒ鋼（９－１２％Ｃｒ フェライト・マルテンサイト鋼）およびオーステナイト系ステンレス鋼（ＳＵＳ３４７Ｈ）の予測を行った例である。機械学習手法としてはＧａｕｓｓｉａｎ Ｐｒｏｃｅｓｓ ｒｅｇｒｅｓｓｉｏｎ， Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ， Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｅｄ Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ が使用されている。高い予測性が報告されているものの、実際にクリープ試験を実施しなければ得られない破断伸びや破断絞りの情報が説明変数として使われている点で、未知の材料のクリープ性能予測には適用できない。
３つ目は、非特許文献６に開示されたもので、Ｃｒ－Ｍｏ鋼についてクリープ寿命予測モデルを作成しているものであり、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ等９種の機械学習の回帰手法が検討されている。中でもＲａｎｄｏｍ Ｆｏｒｅｓｔモデルが高い精度を示し最適と結論されている。
４つ目は、非特許文献７に開示されたもので、フェライト、マルテンサイト・ベイナイト鋼について行ったＳＶＲ法などで、中でもＳＶＲ法が、精度が良いと結論されている。

【先行技術文献】

【特許文献】

【0007】

【特許文献1】特許第６２２６１１２号

【特許文献2】特開２０２２－２７６７０号

【非特許文献】

【0008】

【非特許文献1】藤田利夫、門馬義雄、『クリープ破断強度外挿法の精度と標準化』、鉄と鋼７０＿３２７（１９８４）

【非特許文献2】木村一弘、『フェライト系耐熱鋼のクリープ破断寿命予測と設計基準』、ふぇらむＶｏｌ１３（２００８）－７７５－７８０

【非特許文献3】丸山公一、『クリープ破断時間予測の現状と課題』、ふぇらむＶｏｌ１３（２００８）－７６８－７７４

【非特許文献4】Ｆ．Ｂｒｕｎ， Ｔ．Ｙｏｓｈｉｄａ， Ｊ．Ｄ．Ｒｏｂｓｏｎ， Ｖ．Ｎａｒａｙａｎ， Ｈ．Ｋ．Ｄ．Ｈ．Ｂｈａｄｅｓｈｉａ ａｎｄ Ｄ．Ｊ．Ｃ．ＭａｃＫａｙ： Ｍａｔｅｒ． Ｓｃｉ． Ｔｅｃｈｎｏｌ．， １５（１９９９）， ５４７． ｈｔｔｐｓ：／／ｄｏｉ．ｏｒｇ／１０．１１７９／０２６７０８３９９１０１５０６０８５

【非特許文献5】Ｏｓｍａｎ Ｍａｍｕｎ ｅｔ ａｌ．， Ａ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ａｉｄｅｄ ｉｎｔｅｒｐｒｅｔａｂｌｅ ｍｏｄｅｌ ｆｏｒ ｒｕｐｔｕｒｅ ｓｔｒｅｎｇｔｈ ｐｒｅｄｉｃｔｉｏｎ ｉｎ Ｆｅ－ｂａｓｅｄ ｍａｒｔｅｎｓｉｔｉｃ ａｎｄ ａｕｓｔｅｎｉｔｉｃ ａｌｌｏｙｓ； Ｓｃｉｅｎｔｉｆｃ Ｒｅｐｏｒｔｓ （２０２１） １１：５４６６

【非特許文献6】Ｊ．Ｗａｎｇ， Ｙ．Ｆａ， Ｙ．Ｔｉａｎ ａｎｄ Ｘ．Ｙｕ： “Ａ ｍａｃｈｉｎｅ－ｌｅａｒｎｉｎｇ ａｐｐｒｏａｃｈ ｔｏ ｐｒｅｄｉｃｔ ｃｒｅｅｐ ｐｒｏｐｅｒｔｉｅｓ ｏｆ ＣｒｅＭｏ ｓｔｅｅｌ ｗｉｔｈ ｔｉｍｅ－ｔｅｍｐｅｒａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ”， Ｊ． Ｍａｔｅｒ． Ｒｅｓ． Ｔｅｃｈｎｏｌ．， １３（２０２１）， ６３５． ｈｔｔｐｓ：／／ｄｏｉ．ｏｒｇ／１０．１０１６／ｊ．ｊｍｒｔ．２０２１．０４．０７９

【非特許文献7】櫻井惇也・出村雅彦・井上純哉・山崎政義、『機械学習によるフェライト系耐熱鋼のクリープ破断寿命予測』、鉄と鋼 ２０２２年４月１４日Ｊ－ＳＴＡＧＥ早期公開

【発明の概要】

【発明が解決しようとする課題】

【0009】

上述したように、これまでにクリープ性能を予測するための様々な先行研究が報告されているが、フェライト鋼、ステンレス鋼やＮｉ基合金など多くの種類の耐熱鋼に適用できる予測はこれまでにないという課題があった。
本発明は、上述する課題を解決するもので、フェライト鋼、ステンレス鋼やＮｉ基合金など多くの種類の耐熱金属材料に適用できる機械学習を用いたクリープ性能予測ができるクリープ破断寿命に対応する負荷応力推定装置及び方法を提供することを目的とする。
さらに、本発明は、耐熱金属材料の成分を考慮に入れたクリープ性能予測の機械学習を用いることで、特定成分を変化させた時の破断応力の変化を用いた耐熱金属材料の最適組成の予測装置及び方法を提供することを目的とする。

【課題を解決するための手段】

【0010】

〔１〕本発明のクリープ破断寿命に対応する負荷応力推定装置は、例えば図３に示すように、クリープ破断寿命推定の種類の指定と、機械学習の決定木で用いる機械特性の指定を読込む機能部３１０と、クリープデータシートから、指定された耐熱金属材料のクリープデータを読込む機能部３２０と、前記指定された機械特性を用いて、読み込んだ耐熱金属材料のクリープデータに対して、破断時間に対応する負荷応力の機械学習済の教師付き機械学習を行った機械学習演算部３３０とを備え、教師付き機械学習を行った機械学習演算部３３０により、指定された機械特性を用いて、指定されたクリープ破断寿命推定の種類に応じた破断時間に対応する負荷応力推定の演算結果を出力するように構成されたものである。

【0011】

〔２〕本発明のクリープ破断寿命に対応する負荷応力推定装置〔１〕において、好ましくは、機械学習演算部３３０に対して、前記指定された機械特性を用いて、読み込んだ耐熱金属材料のクリープデータに対して、破断時間に対応する負荷応力の機械学習を行い、前記教師付き機械学習を行う前処理部３２５を有するとよい。
〔３〕本発明のクリープ破断寿命に対応する負荷応力推定装置〔２〕において、好ましくは、前記機械学習に用いるモデルはランダムフォレスト法、ディープラーニング、ニューラルネットワーク、又はＬＡＳＳＯ回帰を用いたモデルの何れかを含むとよい。
〔４〕本発明のクリープ破断寿命に対応する負荷応力推定装置〔１〕～〔３〕において、好ましくは、前記クリープ破断寿命推定の種類としては、クリープ破断時間の予測、耐熱金属材料成分毎のクリープ破断時間の感度予測、又は材料設計用の耐熱金属材料最適成分に対する予測の少なくとも一つを含むとよい。
〔５〕本発明のクリープ破断寿命に対応する負荷応力推定装置〔１〕～〔４〕において、好ましくは、前記機械学習の決定木で用いる機械特性には、耐熱金属材料の全成分考慮、または耐熱金属材料の特定成分考慮の少なくとも一つを含むとよい。
〔６〕本発明のクリープ破断寿命に対応する負荷応力推定装置〔５〕において、好ましくは、前記耐熱金属材料の特定成分には、炭素（Ｃ）、ケイ素（Ｓｉ）、マンガン（Ｍｎ）、燐（Ｐ）、硫黄（Ｓ）、ニッケル（Ｎｉ）、コバルト（Ｃｏ）、クロム（Ｃｒ）、モリブデン（Ｍｏ）、銅（Ｃｕ）、アルミニウム（Ａｌ）、窒素（Ｎ）、バナジウム（Ｖ）、ニオブ（Ｎｂ）、タングステン（Ｗ）、ホウ素（Ｂ）、コバルト（Ｃｏ）、チタン（Ｔｉ）、ジルコニウム（Ｚｒ）、タンタル（Ｔａ）、又は鉄（Ｆｅ）の少なくとも一つが含まれるとよい。
〔７〕本発明のクリープ破断寿命に対応する負荷応力推定装置〔１〕～〔６〕において、好ましくは、前記耐熱金属材料には、フェライト鋼鋼材、クロムモリブデン鋼鋼材、マンガン鋼鋼材、ステンレス鋼鋼材、コバルト基合金材、又はニッケル基合金材の少なくとも一つを含むとよい。
〔８〕本発明のクリープ破断寿命に対応する負荷応力推定装置〔１〕～〔７〕において、好ましくは、さらに、校正対象に用いるクリープ破断寿命推定の種類に応じた破断時間に対応する負荷応力推定の演算結果を用いて、教師付き機械学習を行った機械学習演算部３３０のクリープ破断寿命推定の正確性を評価する機械学習評価部３３５を有するとよい。
〔９〕本発明のクリープ破断寿命に対応する負荷応力推定装置〔８〕において、好ましくは、さらに、機械学習評価部３３５の評価結果から、機械学習演算部３３０の破断時間に対応する負荷応力推定の正確性を高めるような、前記機械学習の決定木で用いる機械特性の種類と、前記クリープデータシートで読み込む耐熱金属材料のクリープデータの種類を推奨するアシスト機能部３４０を有するとよい。
〔１０〕本発明のクリープ破断寿命に対応する負荷応力推定装置〔１〕～〔７〕において、好ましくは、前記破断時間に対応する負荷応力推定の演算結果には、耐熱金属材料成分毎のクリープ破断寿命の感度予測が含まれるとよい。クリープ破断寿命の感度とは、特定の耐熱金属材料成分毎に所定の単位量増減した場合に、クリープ破断寿命に生じる許容応力の増減量をいい、停留状態や鞍点状態を含む概念である。

【0012】

〔１１〕本発明のクリープ破断寿命に対応する負荷応力推定方法は、例えば図４に示すように、クリープ破断寿命推定の種類の指定と、機械学習の決定木で用いる機械特性の指定をする工程（Ｓ４００）と、クリープデータシートから、指定された耐熱金属材料のクリープデータを読込む工程（Ｓ４０５）と、前記指定された機械特性を用いて、読み込んだ耐熱金属材料のクリープデータに対して、機械学習済の教師付き機械学習が済んでいる機械学習演算部に対して、前記指定された機械特性を用いて、指定されたクリープ破断寿命推定の種類に応じた破断時間に対応する負荷応力推定の演算結果を出力する機械学習演算工程（Ｓ４１５）とを備えるものである。

【0013】

〔１２〕本発明のクリープ破断寿命に対応する負荷応力推定方法〔１１〕において、好ましくは、前記機械学習演算工程に対して、前記指定された機械特性を用いて、読み込んだ耐熱金属材料のクリープデータに対して、機械学習を行なって、教師付き機械学習を行う工程（Ｓ４１０）を有するとよい。
〔１３〕本発明のクリープ破断寿命に対応する負荷応力推定方法〔１２〕において、好ましくは、前記機械学習に用いるモデルはランダムフォレスト法、ディープラーニング、ニューラルネットワーク、又はＬＡＳＳＯ回帰を用いたモデルの何れかを含むとよい。
〔１４〕本発明のクリープ破断寿命に対応する負荷応力推定方法〔１１〕～〔１３〕において、好ましくは、前記クリープ破断寿命推定の種類としては、クリープ破断時間の予測、耐熱金属材料成分毎のクリープ破断時間の感度予測、又は材料設計用の耐熱金属材料最適成分に対する予測の何れかを含むとよい。
〔１５〕本発明のクリープ破断寿命に対応する負荷応力推定方法〔１１〕～〔１４〕において、好ましくは、前記機械学習の決定木で用いる機械特性には、耐熱金属材料の全成分考慮、または耐熱金属材料の特定成分考慮の少なくとも一つを含むとよい。
〔１６〕本発明のクリープ破断寿命に対応する負荷応力推定方法〔１５〕において、好ましくは、前記耐熱金属材料の特定成分には、炭素（Ｃ）、ケイ素（Ｓｉ）、マンガン（Ｍｎ）、燐（Ｐ）、硫黄（Ｓ）、ニッケル（Ｎｉ）、コバルト（Ｃｏ）、クロム（Ｃｒ）、モリブデン（Ｍｏ）、銅（Ｃｕ）、アルミニウム（Ａｌ）、窒素（Ｎ）、バナジウム（Ｖ）、ニオブ（Ｎｂ）、タングステン（Ｗ）、ホウ素（Ｂ）、コバルト（Ｃｏ）、チタン（Ｔｉ）、ジルコニウム（Ｚｒ）、タンタル（Ｔａ）、又は鉄（Ｆｅ）の少なくとも一つが含まれるとよい。
〔１７〕本発明のクリープ破断寿命に対応する負荷応力推定方法〔１１〕～〔１６〕において、好ましくは、前記耐熱金属材料には、フェライト鋼鋼材、クロムモリブデン鋼鋼材、マンガン鋼鋼材、ステンレス鋼鋼材、コバルト基合金材、又はニッケル基合金材の少なくとも一つを含むとよい。
〔１８〕本発明のクリープ破断寿命に対応する負荷応力推定方法〔１１〕～〔１７〕において、好ましくは、さらに、校正対象に用いるクリープ破断寿命推定の種類に応じた破断時間に対応する負荷応力推定の演算結果を用いて、教師付き機械学習を行った機械学習演算部の破断時間に対応する負荷応力推定の正確性を評価する工程を有するとよい。
〔１９〕本発明のクリープ破断寿命に対応する負荷応力推定方法〔１８〕において、好ましくは、さらに、前記機械学習評価工程の評価結果から、前記機械学習演算部の破断時間に対応する負荷応力推定の正確性を高めるような、機械学習の決定木で用いる機械特性の種類と、前記クリープデータシートで読み込む耐熱金属材料のクリープデータの種類を推奨する工程を有するとよい。
〔２０〕本発明のクリープ破断寿命に対応する負荷応力推定方法〔１９〕において、好ましくは、さらに、前記推奨された機械学習の決定木で用いる機械特性の種類と、前記クリープデータシートで読み込む耐熱金属材料を加味して、請求項１０のクリープ破断寿命推定の種類の指定と、機械学習の決定木で用いる機械特性の指定をする工程で用いるために指定するクリープ破断寿命推定の種類と、前記機械学習の決定木で用いる機械特性を修正する工程を有するとよい。
〔２１〕本発明のクリープ破断寿命に対応する負荷応力推定方法〔１１〕～〔１７〕において、好ましくは、前記クリープ破断寿命推定の演算結果には、耐熱金属材料成分毎のクリープ破断時間の感度予測が含まれるとよい。

【0014】

〔２２〕本発明の耐熱金属材料の最適組成の予測装置は、例えば図１５に示すように、クリープ破断寿命の被検対象となる耐熱金属材料の基準となる組成を定める基準組成指定手段１５１０と、前記耐熱金属材料成分の増減を行なって予測対象組成を定める予測対象組成決定手段１５２０と、耐熱金属材料成分毎のクリープ破断寿命の感度予測を基礎に、前記予測対象組成の目耐熱金属材料に対する破断時間に対応する負荷応力推定値を演算するクリープ破断寿命推定値演算手段１５４０と、前記破断時間に対応する負荷応力推定値から、目標となる破断時間に対応する負荷応力を実現する耐熱金属材料成分毎の組成範囲を予測する最適組成予測演算部１５５０と、を備えるものである。
ここで、耐熱金属材料成分毎のクリープ破断寿命の感度予測は、耐熱金属材料成分毎のクリープ破断寿命の感度予測データベース１５０７に格納された感度予測データや、〔１０〕に記載した耐熱金属材料成分毎のクリープ破断寿命の感度予測である。
〔２３〕本発明の耐熱金属材料の最適組成の予測装置〔２２〕において、好ましくは、耐熱金属材料成分の増減を行なって予測対象組成を定める予測対象組成決定手段１５２０は、耐熱金属材料成分の増減を行なう成分として一種類を指定する増減成分指定手段１５２５と、当該増減を行なった成分の変化量は、前記クリープ破断寿命の被検対象となる材料で最も多く含まれる基となる成分の増減で吸収して、前記基となる成分を除く成分については前記クリープ破断寿命の被検対象となる材料の値を保持する組成とする組成調整手段１５３０と、前記予測対象組成の耐熱金属材料は当該増減を行なった成分の変化分を反映した組成とする組成指定手段１５３５を有するとよい。

【0015】

〔２４〕本発明の耐熱金属材料の最適組成の予測方法は、例えば図１６に示すように、クリープ破断寿命の被検対象となる材料の組成を基準となる組成と定め（Ｓ１６００）、前記耐熱金属材料成分の増減を行なって予測対象組成を定め（Ｓ１６１０）、耐熱金属材料成分毎のクリープ破断寿命の感度予測を基礎に、予測対象組成の耐熱金属材料に対する破断時間に対応する負荷応力推定値を演算し（Ｓ１６３０）、前記破断時間に対応する負荷応力推定値から、目標となるクリープ破断寿命を実現する耐熱金属材料成分毎の組成範囲を予測する（Ｓ１６４０）、ものである。
ここで、耐熱金属材料成分毎のクリープ破断寿命の感度予測は、耐熱金属材料成分毎のクリープ破断寿命の感度予測データベース１５０７に格納された感度予測データや、〔２１〕に記載した耐熱金属材料成分毎のクリープ破断寿命の感度予測である。
〔２５〕本発明の耐熱金属材料の最適組成の予測方法〔２４〕において、好ましくは、耐熱金属材料成分の増減を行なって予測対象組成を定める（Ｓ１６１０）工程において、耐熱金属材料成分の増減を行なう成分として一種類を定め（Ｓ１６１５）、当該増減を行なった成分の変化量は、クリープ破断寿命の被検対象となる材料で最も多く含まれる基となる成分の増減で吸収して、基となる成分を除く成分についてはクリープ破断寿命の被検対象となる材料の値を保持する組成とし（Ｓ１６２０）、予測対象組成の耐熱金属材料は当該増減を行なった成分の変化分を反映した組成である（Ｓ１６２５）とよい。

【発明の効果】

【0016】

本発明のクリープ破断寿命に対応する負荷応力推定装置及び方法によれば、ビッグデータを用いた機械学習によるクリープ破断寿命の高精度予測が行えると共に、破断時間に対応する負荷応力を機械学習させることによる予測の高精度化が実現できる。本発明のクリープ破断寿命に対応する負荷応力推定装置及び方法において、更に、全成分を考慮に入れた機械学習を行うことで、クリープ破断の予測の高精度化が実現できる。
本発明のクリープ破断寿命に対応する負荷応力推定装置及び方法によれば、負荷応力に対応する破断時間を機械学習させた場合には、教示用に使用できるクリープ破断データの範囲が予測対象となる金属材料と同一又は類似の組成合金に限られるが、破断時間に対応する負荷応力を機械学習させることにより、教示用に使用できるクリープ破断データの範囲が予測対象となる金属材料と同一又は類似の組成合金に限られず、より多くクリープ破断データが使用できるので、深層機械学習による予測の高精度化が実現できる。
本発明の耐熱金属材料の最適組成の予測装置及び方法によれば、特定成分を変化させた時の破断応力の変化から最適な成分の高精度予測が行え、材料設計に用いて好適である。

【図面の簡単な説明】

【0017】

【図1】本実施形態で例示するクリープ試験装置の概略的な構成を示している。

【図2】図１に示すクリープ破断寿命に対応する負荷応力推定装置をコンピュータを用いて構成する場合のブロック図である。

【図3】図２に示すコンピュータのためのソフトウェアの機能ブロック図である。

【図4】クリープ破断寿命推定アルゴリズムの説明図である。

【図5】本発明の一実施例を示す図で、破断時間に対応する負荷応力を機械学習させた場合であって成分を考慮してある。

【図6】本発明の比較例を示す図で、負荷応力に対応する破断時間を機械学習させた場合を示している。

【図7】本発明の比較例を示す図で、負荷応力に対応する破断時間を機械学習させた場合であって、成分を考慮してある。

【図8】本発明の比較例を示す図で、破断時間に対応する負荷応力を機械学習させた場合であって、温度のみを考慮してある。

【図9】本発明の一実施例を示すクリープ破断応力のＡＩ予測を示す図で、Ｃｒ成分を考慮してある。

【図10】本発明の一実施例を示すクリープ破断応力のＡＩ予測を示す図で、Ｃｒ，Ｎｉ，Ｍｏ成分を考慮してある。

【図11】本発明の一実施例を示す２．２５Ｃｒ１Ｍｏ鋼５００℃のクリープ破断曲線のＡＩ予測と実測値を対比してある図で、全成分を考慮してある。

【図12】本発明の一実施例を示すもので、ＳＵＳ３４７鋼６００℃のクリープ破断曲線のＡＩ予測と実測値を対比して示す図である。

【図13】本発明の比較例を示すもので、ステンレス鋼のクリープ破断寿命予測と実測値を示す図である。

【図14】本発明の一実施例を示すＮｉ基合金の７００℃のクリープ破断時間予測と実測値を対比して示す図である。

【図15】耐熱金属材料の最適組成の予測装置のためのソフトウェアの機能ブロック図である。

【図16】耐熱金属材料の最適組成の予測アルゴリズムの説明図である。

【図17】本発明の一実施例を示すもので、Ｎｉ基合金７００℃の１００００時間クリープ破断応に及ぼす成分のＡＩ予測である。

【図18A】本発明の一実施例を示すもので、Ｎｉ基合金７００℃の１００００時間クリープ破断応に及ぼすＮｂ＋Ｔａ成分のＡＩ予測で、耐食耐熱超合金板の場合を示している。

【図18B】本発明の一実施例を示すもので、Ｎｉ基合金７００℃の１００００時間クリープ破断応に及ぼすＮｂ＋Ｔａ成分のＡＩ予測で、熱交換器用継目無ニッケルクロム鉄合金管の場合を示している。

【図19】本発明の一実施例を示すもので、Ｃｏ基－２５Ｃｒ－１０Ｎｉ－７Ｗ－Ｂ合金の７５０℃のクリープ破断曲線のＡＩ予測と実測値を示している。

【図20】本発明の比較例を示すもので、Ｃｏ基－２５Ｃｒ－１０Ｎｉ－７Ｗ－Ｂ合金の７５０℃のクリープ破断曲線の従来法によるＡＩ予測と実測値を示すもので、従来法による負荷応力に対応する破断時間を機械学習させた場合を示している。

【発明を実施するための形態】

【0018】

以下、本発明を実施するための最良の形態について、詳細に説明する。
なお数値範囲を示す『～』については、下限値と上限値の間の数値範囲を示すもので、本明細書においては、特に明記する場合を除いて、下限値以上で上限値以下の範囲を表すものとする。
また、耐熱金属材料には、配管や炉壁に使用される耐熱金属材料が含まれ、セラミック被覆された耐熱金属材料も含まれるものとする。
図１は、本発明で使用されるクリープ試験装置１の概略的な構成を示している。同図に示すように、クリープ試験装置１は、被検対象の材料（例えば９Ｃｒ－１Ｍｏ鋼等の金属材料）からなる試験片２がセットされる恒温槽３（電気炉）、試験片２を固定する上側固定具４ａ及び下側固定具４ｂ、上側ロッド５ａ及び下側ロッド５ｂ、重錘６、荷重センサ７、変位センサ８、温度制御装置９、クリープ試験装置１の監視や制御を行う制御装置１０、クリープデータベース１２、クリープ破断寿命に対応する負荷応力推定装置１４を備える。
制御装置１０には荷重センサ７や変位センサ８から送られてくる計測値が入力される。制御装置１０は重錘６及び温度制御装置９と通信可能に接続している。

【0019】

上側固定具４ａは、棒状に加工された試験片２の上端を固定する機構（チャック等）を備える。下側固定具４ｂは、試験片２の下端を固定する機構（チャック等）を備える。上側ロッド５ａは、上側固定具４ａに連続する棒状の部材であり、上側固定具４ａを上方側から支持する。下側ロッド５ｂは、下側固定具４ｂに連続する棒状の部材であり、下側固定具４ｂを下方側から支持する。
重錘６は、下側ロッド５ｂ及び下側固定具４ｂを介して、試験片２に上下方向（試験片２の長手方向）の引張力を作用させる。重錘６は、制御装置１０から送られてくる制御信号に応じて錘の重量を変えることで、引張力を調節する機構を備える。上記錘の重量を変える機構として、例えば、重錘６として単位重量を有する円盤状の錘を載荷する枚数を調整するもの等がある。

【0020】

荷重センサ７は、例えば、ひずみゲージ（ロードセル）を用いて構成される。荷重センサ７は、例えば、上側ロッド５ａの所定位置に設けられる。荷重センサ７は、試験片２に作用している引張力又は圧縮力の大きさを計測し、計測した値を制御装置１０に入力する。
変位センサ８は、例えば、ひずみゲージ（ロードセル）を用いて構成される。変位センサ８は、試験片２の変位（伸縮量）を計測し、計測した値を制御装置１０に入力する。
温度制御装置９は、恒温槽３内に設けられた温度センサ９ａから入力される値（恒温槽内（試験片）の温度）に基づくフィードバック制御により恒温槽３内に設けられたヒータ９ｂに供給する電力を調整し、恒温槽３内の温度（試験片２の温度）を制御する。温度制御装置９は、例えば、恒温槽内の温度（試験片２の温度）が制御装置１０から送られてくる設定温度になるようにヒータ９ｂに供給する電力を調整する。温度制御装置９は、温度センサ９ａにより計測された恒温槽３内の温度（試験片２の温度）の情報を制御装置１０に入力する。

【0021】

尚、試験片２に作用する応力は試験片２の断面積によって変化するため、例えば、試験片２の形状（外形（外径））に関する情報を計測して制御装置１０に入力する形状センサをクリープ試験装置１に設けてもよい。上記形状センサとして、例えば、レーザ光を利用するもの（レーザ変位センサ）等がある。クリープ試験装置１は、上記形状センサから入力される値（断面積）を用いて試験片２に作用する応力を精度よく算出する。

【0022】

制御装置１０は、荷重センサ７や変位センサ８から入力される信号に基づき、重錘６の載荷重量をフィードバック制御することにより試験片２に作用する応力を制御する。
クリープ試験装置１で測定されたデータは、例えばクリープデータベース１２に格納される。クリープデータベース１２は、例えば本出願人が提供するＮＩＭＳのクリープデータシートＣＤＳを用いるとよいが、これに限定されるものではない。クリープ破断寿命に対応する負荷応力推定装置１４は、クリープデータベース１２に格納されたクリープデータを基礎に、被検対象の材料の特定温度、特定負荷応力の条件下でのクリープ破断応力を推定する。

【0023】

次に、クリープ破断寿命に対応する負荷応力推定装置１４のハードウェア構成の一例を説明する。
図２は、図１に示すクリープ破断寿命に対応する負荷応力推定装置１４をコンピュータを用いて構成する場合の機能ブロック図である。図１のクリープ破断寿命の推定演算処理部１４は、コンピューティング装置２００の全部または一部を使用して実施することができる。
非常に基本的な構成２０１では、コンピューティング装置２００は通常、１つまたは複数のプロセッサ２１０とシステムメモリ２２０とを含む。メモリバス２３０は、プロセッサ２１０とシステムメモリ２２０との間の通信に使用され得る。

【0024】

所望の構成に応じて、プロセッサ２１０は、マイクロプロセッサ（μＰ）、マイクロコントローラ（μＣ）、デジタル信号プロセッサ（ＤＳＰ）、またはそれらの組み合わせを含むがこれらに限定されない任意のタイプのものであり得る。プロセッサ２１０は、レベル１キャッシュ２１１およびレベル２キャッシュ２１２などのもう１つのレベルのキャッシング、プロセッサコア２１３、およびレジスタ２１４を含むことができる。例示的なプロセッサコア２１３は、算術論理演算装置（ＡＬＵ）、浮動小数点ユニット（ＦＰＵ）、デジタル信号処理コア（ＤＳＰコア）、またはそれらの任意の組み合わせなどを含むことができる。例示的なメモリ制御部２１５もプロセッサ２１０と共に使用することができ、またはいくつかの実装形態では、メモリ制御部２１５はプロセッサ２１０の内部部分とすることができる。

【0025】

所望の構成に応じて、システムメモリ２２０は、揮発性メモリ（ＲＡＭなど）、不揮発性メモリ（ＲＯＭ、フラッシュメモリなど）、またはそれらの任意の組み合わせを含むが、これらに限定されない任意のタイプのものとすることができる。システムメモリ２２０は、オペレーティングシステム２２１、１つまたは複数のアプリケーション２２２、および決定木モデル機械学習部２３２を含み得る。アプリケーション２２２は、クリープ破断時間の予測部２２３、耐熱金属材料成分毎のクリープ破断時間の感度予測部２２４、及び材料設計用の耐熱金属材料最適成分の予測部２２５を含み得る。

【0026】

決定木モデル機械学習部２３２は、機械学習の一類型であるランダムフォレスト法に用いられる決定木モデルとして、負荷応力に対応する破断時間２３３、破断時間に対応する負荷応力２３４、耐熱金属材料の全成分考慮２３５、耐熱金属材料の特定成分考慮２３６を含みえる。耐熱金属材料の成分としては、例えば、炭素（Ｃ）、ケイ素（Ｓｉ）、マンガン（Ｍｎ）、燐（Ｐ）、硫黄（Ｓ）、ニッケル（Ｎｉ）、コバルト（Ｃｏ）、クロム（Ｃｒ）、モリブデン（Ｍｏ）、銅（Ｃｕ）、アルミニウム（Ａｌ）、窒素（Ｎ）、バナジウム（Ｖ）、ニオブ（Ｎｂ）、タングステン（Ｗ）、ホウ素（Ｂ）、コバルト（Ｃｏ）、チタン（Ｔｉ）、ジルコニウム（Ｚｒ）、タンタル（Ｔａ）、及び鉄（Ｆｅ）があるが、これらに限定されるものではない。

【0027】

コンピューティング装置２００は、追加の特徴または機能性、および基本構成２０１と任意の必要な装置およびインターフェースとの間の通信を容易にするための追加のインターフェースを有することができる。例えば、バス／インターフェース制御部２４０を使用して、ストレージインターフェースバス２４１を介した基本構成２０１と１つまたは複数のデータ記憶装置２５０との間の通信を容易にすることができる。データ記憶装置２５０は、取り外し可能な記憶装置２５１、取り外しができない記憶装置２５２、またはそれらの組み合わせである。取り外し可能な記憶装置および取り外しができない記憶装置の例には、フレキシブルディスクドライブおよびハードディスクドライブ（ＨＤＤ）などの磁気ディスク装置、コンパクトディスク（ＣＤ）ドライブまたはデジタル多用途ディスク（ＤＶＤ）ドライブなどの光ディスクドライブ、ソリッドステートドライブ（ＳＳＤ）、テープドライブが含まれる。例示的なコンピュータ記憶媒体は、コンピュータ可読命令、データ構造、プログラムモジュール、または他のデータなどの情報を記憶するための任意の方法または技術で実施される揮発性および不揮発性、取り外し可能および固定の媒体を含み得る。

【0028】

システムメモリ２２０、取外し可能記憶装置２５１、および固定記憶装置２５２はすべてコンピュータ記憶媒体の例である。コンピュータ記憶媒体は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリまたは他のメモリ技術、ＣＤＲＯＭ、デジタル多用途ディスク（ＤＶＤ）または他の光学記憶装置、磁気カセット、磁気テープ、磁気ディスク記憶装置または他の磁気記憶装置を含むがこれらに限定されない。所望の情報を格納するために使用され得、かつコンピューティング装置２００によってアクセスされ得る任意のそのようなコンピュータ記憶媒体は、別のコンピューティング装置２９０の一部であり得る。

【0029】

また、コンピューティング装置２００はバス／インターフェース制御部２４０を介して様々なインターフェース装置（例えば、出力インターフェース、周辺インターフェース、および通信インターフェース）から基本構成２０１への通信を容易にするためのインターフェースバス２４２を含むことができる。
出力デバイス２６０では、画像処理ユニット２６１および音声処理ユニット２６２が、１つまたは複数のＡＶポート２６３を介して表示装置２９１またはスピーカなどの様々な外部装置と通信するように構成され得る。

【0030】

例示的な周辺インターフェース２７０は、入力装置（例えば、キーボード、マウス、ペン、音声入力装置、タッチ入力装置など）のような外部装置と通信するように構成され得るシリアルインターフェース制御部２７１またはパラレルインターフェース制御部２７２を含む。周辺インターフェース２７０は、Ｉ／Ｏポート２７３を介してクリープ試験機２９２やクリープデータシート２９３を格納した外部データベース機器と通信するように構成され得る。
例示的な通信装置２８０は、ネットワーク制御部２８１を含み、ネットワーク制御部２８１は、１つまたは複数の通信ポート２８２を介したネットワーク通信リンクを介して、１つまたは複数の他のコンピューティング装置２９０との通信を容易にするように構成されてもよい。
クリープデータシート２９３には、フェライト鋼鋼材のデータシート２９４、クロムモリブデン鋼鋼材のデータシート２９５、マンガン鋼鋼材のデータシート２９６、ステンレス鋼鋼材のデータシート２９７等の耐熱鋼のデータシート、並びにニッケル基合金のデータシート２９８及びコバルト基合金のデータシート２９９がある。

【0031】

ネットワーク通信リンクは、通信媒体の一例であり得る。通信媒体は、通常、コンピュータ可読命令、データ構造、プログラムモジュール、または搬送波もしくは他の搬送機構などの変調データ信号内の他のデータによって具現化することができ、任意の情報配信媒体を含むことができる。「変調データ信号」は、信号内に情報を符号化するような方法で設定または変更されたその特性のうちの１つまたは複数を有する信号であり得る。限定ではなく例として、通信媒体は、有線ネットワークまたは直接配線接続などの有線媒体、ならびに音響、無線周波数（ＲＦ）、マイクロ波、赤外線（ＩＲ）および他の無線媒体などの無線媒体を含み得る。本明細書で使用されるコンピュータ可読媒体という用語は、記憶媒体と通信媒体の両方を含み得る。

【0032】

コンピューティング装置２００は、携帯電話、パーソナルデータアシスタント（ＰＤＡ）、パーソナルメディアプレーヤデバイス、ワイヤレスウェブウォッチデバイス、パーソナルコンピュータなどのスモールフォームファクタポータブル（またはモバイル）電子デバイス、上記の機能のいずれかを含むヘッドセットデバイス、特定用途向けデバイス、またはハイブリッドデバイスの一部として実装され得る。また、コンピューティング装置２００は、ラップトップコンピュータ構成および非ラップトップコンピュータ構成の両方を含むパーソナルコンピュータとして実装され得る。

【0033】

図３は図２に示すコンピュータのためのソフトウェアの機能ブロック図で、例示的なコンピュータプログラム製品３００を示している。プログラム担持媒体３０２は、コンピュータ読取可能媒体３０６、記録可能媒体３０８、通信媒体３０９、またはそれらの組み合わせとして実装することができるもので、処理ユニットのすべてまたは一部の処理を実行するように構成することができるプログラム命令格納部３０４を有する。

【0034】

プログラム命令格納部３０４に格納されたプログラム命令は、例えば、クリープ破断寿命推定の種類の指定と、機械学習の決定木で用いる機械特性の指定を読込む機能（３１０）、クリープデータシートから、指定された耐熱金属材料のクリープデータを読込む機能（３２０）、指定された機械特性を用いて、読み込んだ耐熱金属材料のクリープデータに対して、ランダムフォレスト法による破断時間に対応する負荷応力の機械学習を行い、教師付き機械学習を行う前処理部（３２５）を有する。更に、教師付き機械学習を行った機械学習演算部（３３０）であって、指定された機械特性を用いて、指定されたクリープ破断寿命推定の種類に応じた破断時間に対応する負荷応力推定の演算結果を出力する機械学習演算部（３３０）を有する。
なお、機械学習におけるランダムフォレスト法は、複数の決定木を使用して「分類」または「回帰」をする、周知のランダムフォレスト法を用いたモデルを用いるとよい。また、機械学習で用いるモデルは、ランダムフォレスト法を用いたモデルに限定されるものではなく、例えば周知のディープラーニングに代表されるニューラルネットワークを用いたモデル、及びＬＡＳＳＯ回帰を用いたモデルを含む。また、クリープ破断寿命推定の回帰式は直線関数に限定されるものではなく多項式あるいはクリギング、ＲＢＦ（Ｒａｄｉａｌ Ｂａｓｅ Ｆｕｎｃｔｉｏｎ）を用いた非線形関数を用いることもできる。

【0035】

また、プログラム命令格納部３０４に格納されたプログラム命令は、例えば、校正対象に用いるクリープ破断寿命推定の種類に応じた破断時間に対応する負荷応力推定の演算結果を用いて、教師付き機械学習を行った機械学習演算部（３３０）のクリープ破断寿命推定の正確性を評価する機械学習評価部（３３５）を有する。更に、機械学習評価部（３３５）の評価結果から、機械学習演算部（３３０）の破断時間に対応する負荷応力推定の正確性を高めるような、機械学習の決定木で用いる機械特性の種類と、クリープデータシートで読み込む耐熱金属材料のクリープデータの種類を推奨するアシスト機能（３４０）を有する。

【0036】

図４は、図３に示すソフトウェアのクリープ破断寿命推定アルゴリズムの説明図で、（Ａ）は基本的なアルゴリズム、（Ｂ）は追加的なアルゴリズムである。
まず、基本的なアルゴリズムでは、クリープ破断寿命推定の種類の指定と、機械学習の決定木で用いる機械特性の指定をする（Ｓ４００）。クリープ破断寿命推定の種類としては、クリープ破断時間の予測、耐熱金属材料成分毎のクリープ破断時間の感度予測、及び材料設計用の耐熱金属材料最適成分に対する予測がある。なお、材料設計用の耐熱金属材料最適成分の組成の予測は、被検対象の材料を基準となる組成と定めて、耐熱金属材料成分毎のクリープ破断時間の感度予測を基礎に、耐熱金属材料成分の増減を行って、目標となるクリープ破断寿命の推定値を得る耐熱金属材料成分毎の組成を予測して行う。
機械学習の決定木で用いる機械特性には、負荷応力に対応する破断時間、破断時間に対応する負荷応力、耐熱金属材料の全成分考慮、耐熱金属材料の特定成分考慮がある。耐熱金属材料の成分としては、例えば、炭素（Ｃ）、ケイ素（Ｓｉ）、マンガン（Ｍｎ）、燐（Ｐ）、硫黄（Ｓ）、ニッケル（Ｎｉ）、コバルト（Ｃｏ）、クロム（Ｃｒ）、モリブデン（Ｍｏ）、銅（Ｃｕ）、アルミニウム（Ａｌ）、窒素（Ｎ）、バナジウム（Ｖ）、ニオブ（Ｎｂ）、タングステン（Ｗ）、ホウ素（Ｂ）、コバルト（Ｃｏ）、チタン（Ｔｉ）、ジルコニウム（Ｚｒ）、タンタル（Ｔａ）、及び鉄（Ｆｅ）があるが、これに限定されるものではない。

【0037】

次に、クリープデータシートから、指定された耐熱金属材料のクリープデータを読込む（Ｓ４０５）。耐熱金属材料には、フェライト鋼鋼材、クロムモリブデン鋼鋼材、マンガン鋼鋼材、及びステンレス鋼鋼材等の耐熱鋼、並びにコバルト基合金材及びニッケル基合金材のデータシートがある。
指定された機械特性を用いて、読み込んだ耐熱金属材料のクリープデータに対して、ランダムフォレスト法による機械学習を行い、教師付き機械学習を行う（Ｓ４１０）。なお、既に教師付き機械学習が行われている場合には、この工程は省略してよい。
次に、教師付き機械学習を行った機械学習演算部（３３０）により、指定された機械特性を用いて、指定されたクリープ破断寿命推定の種類に応じた破断時間に対応する負荷応力推定の演算結果を出力する（Ｓ４１５）。

【0038】

基本的なアルゴリズムに追加される追加的なアルゴリズムには、次の工程が含まれる。
校正対象に用いるクリープ破断寿命推定の種類に応じた破断時間に対応する負荷応力推定の演算結果を用いて、教師付き機械学習を行った機械学習演算部（３３０）のクリープ破断寿命推定の正確性を評価する（Ｓ４２５）。
また、機械学習評価部（３３５）の評価結果から、機械学習演算部（３３０）のクリープ破断寿命推定の正確性を高めるような、機械学習の決定木で用いる機械特性の種類と、クリープデータシートで読み込む耐熱金属材料のクリープデータの種類を推奨する（Ｓ４３０）。
推奨された機械学習の決定木で用いる機械特性の種類と、クリープデータシートで読み込む耐熱金属材料を考慮して、Ｓ４００で用いるために指定するクリープ破断寿命推定の種類と、機械学習の決定木で用いる機械特性を修正する（Ｓ４３５）。

【0039】

次に、上記のクリープ破断寿命推定アルゴリズムで用いられる教師付き機械学習について、説明する。ランダムフォレスト法は機械学習のアルゴリズムの一つで、複数の決定木モデルの弱学習器を統合させて汎化能力を向上させるアンサンブル学習アルゴリズムであり、主に分類（判別）・回帰（推定）の用途で使用される。ここで重要なのは、対象となるデータ集団について、（ｉ）正確なデータをより多くサンプリングできること、（ｉｉ）決定木モデルを学習要素ごとに作成することである。
これまでの数学的モデルの回帰では、対象とする二つのデータ集団の相関を求める最小自乗近似により回帰されたが、機械学習は複数の学習要素の決定木モデルを関連づけた回帰モデルをつくることができることから、さらに精度の高い推定が期待できる。

【0040】

＜負荷応力に対応する破断時間を機械学習させた場合と、破断時間に対応する負荷応力を学習させた時の精度を比較する。＞

【実施例0041】

（実施例１）破断時間に対応する負荷応力を学習させた場合
図５は、本発明の一実施例を示す図で、横軸に負荷応力［単位ＭＰａ］、縦軸に予測クリープ破断応力［単位ＭＰａ］を示している。ここでの予測クリープ破断応力では、破断時間に対応する負荷応力を機械学習させた場合であって、温度と全ての成分を考慮する場合を示しており、データ総数は９４５９点である。ここで、学習に用いたクリープデータシートの耐熱金属材料の種類は、フェライト鋼鋼材、クロムモリブデン鋼鋼材、フェライト鋼鋼材、クロムモリブデン鋼鋼材、マンガン鋼鋼材、及びステンレス鋼鋼材等の耐熱鋼、並びにコバルト基合金材及びニッケル基合金材が含まれている。
考慮した耐熱金属材料成分は、Ｃ、Ｓｉ、Ｍｎ、Ｐ、Ｓ、Ｎｉ、Ｃｒ、Ｍｏ、Ｃｕ、Ａｌ、Ｎ、Ｖ、Ｎｂ、Ｗ、Ｂ、Ｃｏ、Ｔｉ、Ｚｒ、Ｔａ、Ｆｅである。

【0042】

（比較例１・比較例２）負荷応力に対応する破断時間を機械学習させた場合
図６は、本発明の比較例１を示す図で、横軸に破断時間［単位ｈ］、縦軸に予測クリープ破断時間［単位ｈ］を示している。ここでの予測クリープ破断時間では、負荷応力に対応する破断時間を機械学習させた場合であって、温度を考慮しており、データ総数は９４５９点である。
図７は、本発明の比較例２を示す図で、横軸に破断時間［単位ｈ］、縦軸に予測クリープ破断時間［単位ｈ］を示している。ここでの予測クリープ破断時間では、負荷応力に対応する破断時間を機械学習させた場合であって、温度と全ての成分を考慮しており、データ総数は９４５９点である。
（比較例３）破断時間に対応する負荷応力を学習させた場合
図８は、本発明の比較例３を示す図で、横軸に負荷応力［単位ＭＰａ］、縦軸に予測クリープ破断応力［単位ＭＰａ］を示している。ここでの予測クリープ破断応力では、破断時間に対応する負荷応力を機械学習させた場合であって、温度のみを考慮しており、データ総数は１１５４点である。

【0043】

クリープ破断時間を機械学習させる場合に、目的変数を負荷応力に対応する破断時間に設定する場合が、比較例１では平均誤差率１２７％であり、比較例２では平均誤差率４９％であった。これに対して、目的変数を破断時間に対応する破断応力に設定する場合が、比較例３では平均誤差率３０％であり、実施例１では平均誤差率６％であった。
即ち、クリープ破断時間を機械学習させる場合、目的変数を負荷応力に対応する破断時間に設定するより、目的変数を破断時間に対応する破断応力に設定する方が、高い予測精度が得られることが判明した。
＜ＣｒＭｏ鋼、ステンレス鋼などのデータを用い、ランダムフォレスト法で個別成分を識別した場合としない場合の効果を調べる＞

【実施例0044】

図９は、本発明の一実施例を示すクリープ破断応力のＡＩ予測を示す図で、横軸に負荷応力［単位ＭＰａ］、縦軸に予測クリープ破断応力［単位ＭＰａ］を示している。ここでの予測クリープ破断応力では、負荷応力に対応する破断時間を機械学習させた場合であって、温度と共にＣｒ成分を考慮しており、データ総数は９４５９点である。