ホーム > 特許ランキング > 株式会社プロテリアル
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】P2024082667
(43)【公開日】2024-06-20
(54)【発明の名称】複合材料の特性推定方法及び装置
(51)【国際特許分類】
G16C 20/30 20190101AFI20240613BHJP
G01N 24/00 20060101ALI20240613BHJP
G01N 24/08 20060101ALI20240613BHJP
【ＦＩ】
G16C20/30
G01N24/00 100Y
G01N24/08 510Y
【審査請求】未請求
【請求項の数】7
【出願形態】ＯＬ
(21)【出願番号】P 2022196670
(22)【出願日】2022-12-08
(71)【出願人】
【識別番号】000005083
【氏名又は名称】株式会社プロテリアル
(74)【代理人】
【識別番号】110002583
【氏名又は名称】弁理士法人平田国際特許事務所
(72)【発明者】
【氏名】社内 大介
(72)【発明者】
【氏名】末永 和史
(72)【発明者】
【氏名】木部 有
(57)【要約】
【課題】複数の樹脂を混練、成形して製造される複合材料の特性を精度よく推定可能な複合材料の特性推定方法及び装置を提供する。
【解決手段】複数の樹脂を混練した後に成形して製造される複合材料の特性を推定する方法であって、複合材料の組織構造を表すデータであって、少なくとも複数の樹脂それぞれの面積比を示す面積比データ、及び複数の樹脂それぞれの分散度合を示す分散度データを含む組織データ６３と、複合材料の特性を表す特性データ６４との関係を機械学習し、組織データ６３と特性データ６４との相関性を表す回帰モデル４２を作成しておき、回帰モデル４２により、予測対象の組織データ６３に応じた特性データ６４を求める。
【選択図】図１
【解決手段】複数の樹脂を混練した後に成形して製造される複合材料の特性を推定する方法であって、複合材料の組織構造を表すデータであって、少なくとも複数の樹脂それぞれの面積比を示す面積比データ、及び複数の樹脂それぞれの分散度合を示す分散度データを含む組織データ６３と、複合材料の特性を表す特性データ６４との関係を機械学習し、組織データ６３と特性データ６４との相関性を表す回帰モデル４２を作成しておき、回帰モデル４２により、予測対象の組織データ６３に応じた特性データ６４を求める。
【選択図】図１
【特許請求の範囲】
【請求項1】
複数の樹脂を混練した後に成形して製造される複合材料の特性を推定する方法であって、
前記複合材料の組織構造を表すデータであって、少なくとも前記複数の樹脂それぞれの面積比を示す面積比データ、及び前記複数の樹脂それぞれの分散度合を示す分散度データを含む組織データと、前記複合材料の特性を表す特性データとの関係を機械学習し、前記組織データと前記特性データとの相関性を表す回帰モデルを作成しておき、
前記回帰モデルにより、予測対象の組織データに応じた特性データを求める、
複合材料の特性推定方法。
前記複合材料の組織構造を表すデータであって、少なくとも前記複数の樹脂それぞれの面積比を示す面積比データ、及び前記複数の樹脂それぞれの分散度合を示す分散度データを含む組織データと、前記複合材料の特性を表す特性データとの関係を機械学習し、前記組織データと前記特性データとの相関性を表す回帰モデルを作成しておき、
前記回帰モデルにより、予測対象の組織データに応じた特性データを求める、
複合材料の特性推定方法。
【請求項2】
前記複合材料の製造時のプロセスデータ及び前記組織データと、前記特性データとの相関性を表す前記回帰モデルを作成しておき、
前記回帰モデルにより、予測対象のプロセスデータ及び組織データに応じた特性データを求める、
請求項１に記載の複合材料の特性推定方法。
前記回帰モデルにより、予測対象のプロセスデータ及び組織データに応じた特性データを求める、
請求項１に記載の複合材料の特性推定方法。
【請求項3】
前記プロセスデータと前記組織データとの関係を機械学習し、前記プロセスデータと前記組織データの相関性を表す組織推定用回帰モデルをさらに作成しておき、
前記組織推定用回帰モデルにより、予測対象のプロセスデータに応じた組織データを求めた後、
当該求めた組織データを用いて、前記予測対象のプロセスデータに応じた特性データを、前記回帰モデルにより求める、
請求項２に記載の複合材料の特性推定方法。
前記組織推定用回帰モデルにより、予測対象のプロセスデータに応じた組織データを求めた後、
当該求めた組織データを用いて、前記予測対象のプロセスデータに応じた特性データを、前記回帰モデルにより求める、
請求項２に記載の複合材料の特性推定方法。
【請求項4】
前記複数の樹脂の組成情報を含む組成データ、前記プロセスデータ及び前記組織データと、前記特性データとの相関性を表す前記回帰モデルを作成しておき、
前記回帰モデルにより、予測対象の組成データ、プロセスデータ及び組織データに応じた特性データを求める、
請求項２に記載の複合材料の特性推定方法。
前記回帰モデルにより、予測対象の組成データ、プロセスデータ及び組織データに応じた特性データを求める、
請求項２に記載の複合材料の特性推定方法。
【請求項5】
前記組成データ及び前記プロセスデータと、前記組織データとの関係を機械学習し、前記組成データ及び前記プロセスデータと、前記組織データの相関性を表す組織推定用回帰モデルをさらに作成しておき、
前記組織推定用回帰モデルにより、予測対象の組成データ及びプロセスデータに応じた組織データを求めた後、
当該求めた組織データと、前記予測対象の組成データ及びプロセスデータに応じた特性データを、前記回帰モデルにより求める、
請求項４に記載の複合材料の特性推定方法。
前記組織推定用回帰モデルにより、予測対象の組成データ及びプロセスデータに応じた組織データを求めた後、
当該求めた組織データと、前記予測対象の組成データ及びプロセスデータに応じた特性データを、前記回帰モデルにより求める、
請求項４に記載の複合材料の特性推定方法。
【請求項6】
前記面積比データ及び前記分散度データは、走査型プローブ顕微鏡により得た弾性率の分布画像、あるいは凝着力の分布画像に基づいて求められる、
請求項１乃至５の何れか１項に記載の複合材料の特性推定方法。
請求項１乃至５の何れか１項に記載の複合材料の特性推定方法。
【請求項7】
複数の樹脂を混練した後に成形して製造される複合材料の特性を推定する装置であって、
前記複合材料の組織構造を表すデータであって、少なくとも前記複数の樹脂それぞれの面積比を示す面積比データ、及び前記複数の樹脂それぞれの分散度合を示す分散度データを含む組織データと、前記複合材料の特性を表す特性データとの関係を機械学習し、前記組織データと前記特性データとの相関性を表す回帰モデルを作成する回帰モデル作成処理部と、
前記回帰モデルにより、予測対象の組織データに応じた特性データを求める特性推定処理部と、を備えた、
複合材料の特性推定装置。
前記複合材料の組織構造を表すデータであって、少なくとも前記複数の樹脂それぞれの面積比を示す面積比データ、及び前記複数の樹脂それぞれの分散度合を示す分散度データを含む組織データと、前記複合材料の特性を表す特性データとの関係を機械学習し、前記組織データと前記特性データとの相関性を表す回帰モデルを作成する回帰モデル作成処理部と、
前記回帰モデルにより、予測対象の組織データに応じた特性データを求める特性推定処理部と、を備えた、
複合材料の特性推定装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、複合材料の特性推定方法及び装置に関する。
【背景技術】
【0002】
近年、機械学習の学習結果を利用して複合材料を設計するための材料設計システムが提案されている（例えば、特許文献１参照）。
【0003】
特許文献１に記載された材料設計システムは、設計対象材料の設計条件（材料組成又は製造条件）と、設計対象材料の特性（物性値、例えば引張強度）との組を、複数種類の設計対象材料について設計対象材料ごとに有するデータセットを作成する順問題解析部と、操作者により設定された各種条件に基づいて、データセットを訓練データと試験データに１回分割する学習条件設定部と、訓練データに基づいてモデルを学習し、学習したモデルの予測精度を、試験データに基づいて検証を行い、予測精度が目標値に達するまで検証を繰り返して学習済みモデルを作成するモデル学習部と、を備える。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特許第６９５０１１９号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
上記の特許文献１では、設計対象材料の組成や製造条件の情報を基に、設計対象材料の特性を推定していた。しかしながら、組成や製造条件のみでは、材料の物性値を精度よく推定できない場合があった。特に、複数の樹脂（すなわち、複数の高分子材料）を混練、成形して製造される複合材料においては、混練条件を同じとしても特性が異なってしまう場合があり、特性の推定が困難であった。
【0006】
そこで、本発明は、複数の樹脂を混練、成形して製造される複合材料の特性を精度よく推定可能な複合材料の特性推定方法及び装置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】
【0007】
本発明は、上記課題を解決することを目的として、複数の樹脂を混練した後に成形して製造される複合材料の特性を推定する方法であって、前記複合材料の組織構造を表すデータであって、少なくとも前記複数の樹脂それぞれの面積比を示す面積比データ、及び前記複数の樹脂それぞれの分散度合を示す分散度データを含む組織データと、前記複合材料の特性を表す特性データとの関係を機械学習し、前記組織データと前記特性データとの相関性を表す回帰モデルを作成しておき、前記回帰モデルにより、予測対象の組織データに応じた特性データを求める、複合材料の特性推定方法を提供する。
【0008】
また、本発明は、上記課題を解決することを目的として、複数の樹脂を混練した後に成形して製造される複合材料の特性を推定する装置であって、前記複合材料の組織構造を表すデータであって、少なくとも前記複数の樹脂それぞれの面積比を示す面積比データ、及び前記複数の樹脂それぞれの分散度合を示す分散度データを含む組織データと、前記複合材料の特性を表す特性データとの関係を機械学習し、前記組織データと前記特性データとの相関性を表す回帰モデルを作成する回帰モデル作成処理部と、前記回帰モデルにより、予測対象の組織データに応じた特性データを求める特性推定処理部と、を備えた、複合材料の特性推定装置を提供する。
【発明の効果】
【0009】
本発明によれば、複数の樹脂を混練、成形して製造される複合材料の特性を精度よく推定可能な複合材料の特性推定方法及び装置を提供できる。
【図面の簡単な説明】
【0010】
【図1】本発明の一実施の形態に係る複合材料の特性推定装置の概略構成図である。
【図2】（ａ）ＳＰＭで得られるＳＰＭ画像データの一例を示す図であり、（ｂ）は（ａ）より抽出した弾性率の頻度分布の一例を示す図である。
【図3】分散度データの取得方法の一例を示す図である。
【図4】学習用データの一例を示す図である。
【図5】（ａ）は回帰モデル作成処理、（ｂ）は組織推定用回帰モデル作成処理を説明する図である。
【図6】（ａ）は組織推定作成処理、（ｂ）は特性推定処理を説明する図である。
【図7】本発明の一実施の形態に係る複合材料の特性推定方法の制御フローを示すフロー図である。
【図8】データ取得処理の制御フローを示すフロー図である。
【図9】組織データ抽出処理の制御フローを示すフロー図である。
【図10】（ａ）は回帰モデル作成処理の制御フローを示すフロー図、（ｂ）は組織推定用回帰モデル作成処理の制御フローを示すフロー図である。
【図11】（ａ）は組織推定処理の制御フローを示すフロー図、（ｂ）は特性推定処理の制御フローを示すフロー図である。
【発明を実施するための形態】
【0011】
［実施の形態］
以下、本発明の実施の形態を添付図面にしたがって説明する。
以下、本発明の実施の形態を添付図面にしたがって説明する。
【0012】
【0013】
（複合材料について）
複合材料は、複数の樹脂とフィラー、添加剤等を適宜配合し、混練、成形して製造される材料である。以下の説明では、特性の推定対象となる複合材料が、電線のシース（ジャケット、絶縁体）である場合について説明する。ここでは、一例として、シースが、特性の異なる２種のＥＶＡ（エチレン－酢酸ビニル共重合樹脂）と、変性ゴムと、難燃性フィラーとからなる場合について説明する。一方のＥＶＡ（以下、第１ＥＶＡという）としては、酢酸ビニル配合量が１７ｍａｓｓ％、融点が８９℃、ガラス転移温度が－６０℃のものを用いた。他方のＥＶＡ（以下、第２ＥＶＡという）としては、酢酸ビニル配合量が６０ｍａｓｓ％、ガラス転移温度が－３０℃のものを用いた。
複合材料は、複数の樹脂とフィラー、添加剤等を適宜配合し、混練、成形して製造される材料である。以下の説明では、特性の推定対象となる複合材料が、電線のシース（ジャケット、絶縁体）である場合について説明する。ここでは、一例として、シースが、特性の異なる２種のＥＶＡ（エチレン－酢酸ビニル共重合樹脂）と、変性ゴムと、難燃性フィラーとからなる場合について説明する。一方のＥＶＡ（以下、第１ＥＶＡという）としては、酢酸ビニル配合量が１７ｍａｓｓ％、融点が８９℃、ガラス転移温度が－６０℃のものを用いた。他方のＥＶＡ（以下、第２ＥＶＡという）としては、酢酸ビニル配合量が６０ｍａｓｓ％、ガラス転移温度が－３０℃のものを用いた。
【0014】
変性ゴムとしては、ＤＳＣ法によるガラス転移点（Ｔｇ）が－６０℃以下である酸変性ポリオレフィン樹脂を用いることができる。本実施の形態における酸変性ポリオレフィンのＴｇを－６０℃以下としたのは－６０℃を超えると耐寒性が低下するためである。本実施の形態で用いられる酸変性ポリオレフィン樹脂のポリオレフィン材料としては、超低密度ポリエチレン、エチレン－メチルアクリレート共重合体、エチレン－エチルアクリレート共重合体、エチレン－ブテン－１共重合体、エチレン－ヘキセン－１共重合体、エチレン－オクテン－１共重合体などが挙げられ、酸としてはマレイン酸、無水マレイン酸、フマル酸などが挙げられる。これらの酸変性ポリオレフィン樹脂は、単独で使用するほか、併用することもできる。
【0015】
（複合材料の製造装置１００）
複合材料の製造装置１００は、複数の樹脂材料やフィラーを配合する配合装置１０１と、配合装置１０１で配合した材料を混練する混練装置１０２と、混練装置１０２で混練した材料をシート状に成形する成形装置１０３と、を有している。なお、図示例はあくまで一例であり、複合材料の製造装置１００の具体的な構成はこれに限定されない。
複合材料の製造装置１００は、複数の樹脂材料やフィラーを配合する配合装置１０１と、配合装置１０１で配合した材料を混練する混練装置１０２と、混練装置１０２で混練した材料をシート状に成形する成形装置１０３と、を有している。なお、図示例はあくまで一例であり、複合材料の製造装置１００の具体的な構成はこれに限定されない。
【0016】
複合材料の製造装置１００は、配合装置１０１で配合する複数の樹脂及びフィラーの組成情報や配合割合の情報等を含む組成データ６１と、各装置１０１～１０３の製造条件を示すプロセスデータ６２とを、複合材料の特性推定装置１に送信可能に構成されている。なお、複合材料の製造装置１００を管理する管理用のパーソナルコンピュータを備え、当該パーソナルコンピュータにおいて各装置１０１～１０３におけるプロセスデータ６２を管理するように構成してもよい。この場合、管理用のパーソナルコンピュータから複合材料の製造装置１００にプロセスデータ６２を送信することになる。なお、複合材料の特性推定装置１が、複合材料の製造装置１００の管理装置を兼ねていてもよい。また、組成データ６１については、複合材料の特性推定装置１に接続された入力装置１２により直接入力するように構成してもよい。組成データ６１及びプロセスデータ６２の具体例については後述する。
【0017】
（分析エリア１１０、及び組織データ６３について）
分析エリア１１０は、複合材料の「組織」を規定する情報を取得し組織データ６３を得るための分析、及び、複合材料の特性評価を行い特性データ６４を得るための分析を行うエリアである。
分析エリア１１０は、複合材料の「組織」を規定する情報を取得し組織データ６３を得るための分析、及び、複合材料の特性評価を行い特性データ６４を得るための分析を行うエリアである。
【0018】
複数の樹脂やフィラーを混合した複合材料では、各樹脂やフィラーの混ざり具合や分散度合が特性に大きな影響を与える。本発明者らが検討したところ、走査型プローブ顕微鏡（Scanning Probe Microscope、以下ＳＰＭという）１１１により得られる弾性率の分布画像、あるいは凝着力（粘着力）の分布画像を用いることで、各樹脂やフィラーを判別することが可能になることが見出された。弾性率と凝着力のいずれの分布画像を用いるかについては、使用する樹脂の特性等に応じて、適宜選択可能である。例えば、使用する樹脂に弾性の差が大きい場合には弾性率の分布画像を用いることができる。なお、弾性率と凝着力の両方の分布画像を用いても構わない。以下、ＳＰＭ１１１で得られる画像データ（すなわち、弾性率や凝着力の分布画像）をＳＰＭ画像データ４０と呼称する。
【0019】
図２（ａ）は、ＳＰＭ１１１で得られるＳＰＭ画像データ４０の一例を示す図である。図２（ａ）は、一例として、弾性率の分布画像を示している。図２（ａ）における符号５１がフィラーであるＭｇ（ＯＨ）２、符号５２が第１ＥＶＡ、符号５３が第２ＥＶＡ、符号５４が変性ゴムを表している。図２に示されるように、複合材料を構成する各樹脂５２～５４及びフィラー５１を判別することが可能である。
【0020】
本実施の形態では、ＳＰＭ１１１により得た物性マッピング画像、より詳細には、弾性率の分布画像、あるいは凝着力の分布画像に基づいて、複合材料を構成する複数の樹脂（及びフィラー）それぞれの面積比を示す面積比データ、及び複数の樹脂それぞれの分散度合を示す分散度データを取得し、これら面積比データと分散度データを組織データ６３として用いる。なお、例えばＳＥＭ（走査電子顕微鏡）を用いた場合、フィラー部分と樹脂部分とを判別することは可能であるが、樹脂部分の中で複数の樹脂がどのように分布しているかを判別することは困難である。
【0021】
組織データ６３の取得の際には、まず、ＳＰＭ画像データ４０の全領域において、各樹脂とフィラーがどのように配置されているか、すなわち、各樹脂とフィラーのそれぞれが占める領域を判別する。ここでは、一例として、ＳＰＭ画像データ４０が弾性率の分布画像である場合について説明する。具体的には、まず、図２（ｂ）に示すように、ＳＰＭ画像データ４０における弾性率の頻度をグラフ化し、ピークとなる弾性率を抽出する。そして、隣り合うピークの中間位置（あるいは頻度が最も低くなる位置）を境界Ａ～Ｃとして、各樹脂とフィラーのそれぞれに相当する弾性率の範囲を決定する。図２（ｂ）の例では、弾性率が境界Ａ未満の領域がフィラーの領域となり、境界Ａ以上Ｂ未満の領域が第１ＥＶＡの領域、境界Ｂ以上Ｃ未満の領域が第２ＥＶＡの領域、境界Ｃ以上の領域が変性ゴムの領域となる。
【0022】
その後、区分けした各樹脂とフィラーのそれぞれの領域の面積を抽出することで、ＳＰＭ画像データ４０の全領域の面積に対する、各樹脂またはフィラーの領域の面積の比を示すデータである面積比データを取得することができる。なお、各領域の面積の抽出の際には、例えば、抽出対象となる領域と他の領域との間で最もコントラストが大きくなる２次の振幅像を設定し、当該画像のヒストグラムから、対象となる領域の面積を抽出することができる。
【0023】
分散度データについては、例えば、区間分割法により求めることができる。区間分割法では、例えば図３に示すように、ＳＰＭ画像データ４０を格子状に分割して複数の区間４０ａを形成し、各区間４０ａに存在する各樹脂またはフィラーの粒子（あるいは島）の数の平均値ａと標準偏差ｂとを算出する。そして、下式
Ｘ＝ｂ／ａ
より、凝集値Ｘを求める。この凝集値Ｘは、大きいほど凝集度が高いことを意味しており、樹脂やフィラーの凝集性（あるいは分散性）を表すパラメータとして分散度データに用いることができる。なお、ここでは粒子の数について平均値ａと標準偏差ｂを求めたが、これに替えて、各区間４０ａに含まれる各樹脂またはフィラーの面積の平均値と標準偏差を用いるようにしてもよい。また、凝集値Ｘに替えて、あるいは凝集値Ｘに加えて、標準偏差や分散等を分散度データとして用いてもよい。さらに、分散度データを求める方法は上記の区間分割法に限らず、例えばボロノイ多角形法等の他の方法を用いることもできる。
Ｘ＝ｂ／ａ
より、凝集値Ｘを求める。この凝集値Ｘは、大きいほど凝集度が高いことを意味しており、樹脂やフィラーの凝集性（あるいは分散性）を表すパラメータとして分散度データに用いることができる。なお、ここでは粒子の数について平均値ａと標準偏差ｂを求めたが、これに替えて、各区間４０ａに含まれる各樹脂またはフィラーの面積の平均値と標準偏差を用いるようにしてもよい。また、凝集値Ｘに替えて、あるいは凝集値Ｘに加えて、標準偏差や分散等を分散度データとして用いてもよい。さらに、分散度データを求める方法は上記の区間分割法に限らず、例えばボロノイ多角形法等の他の方法を用いることもできる。
【0024】
面積比データや分散度データは、ＳＰＭ画像データ４０を取得する位置によってばらつきがあることが考えられるため、複合材料の異なる位置で取得した複数のＳＰＭ画像データ４０のそれぞれで面積比データや分散度データを求め、得られた平均値を用いることがより望ましいといえる。さらには、複数のＳＰＭ画像データ４０のそれぞれで得た面積比や凝集度等を平均化するのではなく、複数のＳＰＭ画像データ４０で一括して面積比や凝集度等を求めるようにしてもよい。例えば、縦横に３枚ずつ合計９枚のＳＰＭ画像データ４０を連結して１つの大きなＳＰＭ画像データとし、当該ＳＰＭ画像データを用いて一括して面積比や凝集度等を求めるように構成してもよい。
【0025】
なお、組織データ６３は、上記の面積比データ、分散度データ以外のデータを含んでいてもよく、分析エリア１１０にＳＰＭ１１１以外の分析装置が備えられていてもよい。例えば、組織データ６３として表面粗さ（算術平均粗さ等）を用いてもよく、表面粗さを検出するためのレーザ顕微鏡等を備えてもよい。また、走査電子顕微鏡（ＳＥＭ）ではＳＰＭ１１１と比較してより広い面積での評価ができ局所的なバラつきの影響を抑えることが可能であるため、フィラー等ＳＥＭで判別が可能な要素については、ＳＥＭで得た画像（ＳＥＭ像）から面積比データや分散度データを取得するように構成することもできる。
【0026】
さらに、分散している各樹脂の形状がどのような形状であるかによっても、複合材料の特性は変化すると考えらえる。そのため、組織データ６３は、各樹脂の形状を表すパラメータを含む形状データを含んでもよい。形状データとしては、例えば、分散されている各樹脂の粒子（あるいは島）の面積を当該粒子の最大辺（あるいは外接円の直径）で除したアスペクト比を用いることができる。例えば、任意の樹脂の各粒子のアスペクト比の平均値、最小値、最大値等を、形状データとして用いることができる。
【0027】
また、分析エリア１１０には、複合材料の特性を評価するための特性評価装置１１２が備えられている。複合材料の特性を表す特性データ６４としては、例えば、伸びや引張強度、耐熱性、難燃性などが挙げられる。特性評価装置１１２としては、これらの特性を評価することが可能な適宜な装置を用いることができる。
【0028】
（複合材料の特性推定装置１）
複合材料の特性推定装置１は、パーソナルコンピュータ、または、サーバ等のネットワーク装置等により構成されており、制御部２と、記憶部３と、を有している。制御部２は、ＣＰＵ等の演算素子、メモリ、インターフェイス、ソフトウェア、記憶装置等を適宜組み合わせて実現されている。記憶部３は、メモリや記憶装置の所定の記憶領域により実現されている。
複合材料の特性推定装置１は、パーソナルコンピュータ、または、サーバ等のネットワーク装置等により構成されており、制御部２と、記憶部３と、を有している。制御部２は、ＣＰＵ等の演算素子、メモリ、インターフェイス、ソフトウェア、記憶装置等を適宜組み合わせて実現されている。記憶部３は、メモリや記憶装置の所定の記憶領域により実現されている。
【0029】
複合材料の特性推定装置１には、表示器１１と入力装置１２とが接続されている。表示器１１は、例えば、液晶ディスプレイ等であり、入力装置１２は、例えば、キーボードやマウス等である。なお、表示器１１をタッチパネル方式のものとし、表示器１１に入力装置１２としての機能を兼ねさせてもよい。さらに、表示器１１と入力装置１２とは、複合材料の特性推定装置１と無線通信するように構成されていてもよい。この場合、表示器１１及び入力装置１２は、例えば、スマートフォンやタブレットにより構成されていてもよい。
【0030】
複合材料の特性推定装置１は、複合材料の特性を推定する装置であり、より具体的には、予測対象の組織データ６３に応じた特性データ６４を求める装置である。以下、求める（つまり推定される）特性データ６４を推定特性データ６４ａと呼称する。
【0031】
本実施の形態では、推定元のデータとして、組織データ６３だけでなく、さらに組成データ６１とプロセスデータ６２も用いており、予測対象の組成データ６１、プロセスデータ６２、及び組織データ６３に応じた推定特性データ６４ａを求めるように構成している。なお、複合材料に使用する材料（樹脂及びフィラー）が決まっている場合には、組成データ６１は省略可能である。この場合、予測対象のプロセスデータ６２及び組織データ６３に応じた推定特性データ６４ａを求めることになる。
【0032】
ここで、推定元（予測対象）の組織データ６３は、実際に複合材料を製造しないと得ることができない。そうすると、製造前に複合材料の特性を推定することは困難になってしまう。そこで、本実施の形態では、さらに、推定元（予測対象）の組織データ６３自体も、推定元となる組成データ６１とプロセスデータ６２とから推定するように構成している。以下、推定元となる組成データ６１とプロセスデータ６２をまとめて推定元データ４４と呼称する。また、推定元データ４４から推定される組織データ６３を、推定組織データ６３ａと呼称する。
【0033】
複合材料の特性推定装置１の制御部２は、データ取得処理部２１、組織データ抽出処理部２２、回帰モデル作成処理部２３、組織推定用回帰モデル作成処理部２４、組織推定処理部２５、特性推定処理部２６、及び推定特性データ提示処理部２７を有している。以下、各部について詳細に説明する。
【0034】
（データ取得処理部２１）
データ取得処理部２１は、複合材料の製造装置１００から受信した組成データ６１及びプロセスデータ６２、並びに、分析エリア１１０より受信したＳＰＭ画像データ４０及び特性データ６４を、紐づけて記憶部３に記憶するデータ取得処理（図８参照）を行う。データ取得のタイミングや紐づけの処理等については特に限定するものではなく、例えば、各データを逐次受信し記憶部３の所定の領域に予め記憶しておき、入力装置１２からの操作により、記憶された各データを適宜選択して紐づけるように構成することもできる。なお、複合材料の特性推定装置１への各データの入力は、ＵＳＢメモリ等のメディアを介した入力方法であってもよい。
データ取得処理部２１は、複合材料の製造装置１００から受信した組成データ６１及びプロセスデータ６２、並びに、分析エリア１１０より受信したＳＰＭ画像データ４０及び特性データ６４を、紐づけて記憶部３に記憶するデータ取得処理（図８参照）を行う。データ取得のタイミングや紐づけの処理等については特に限定するものではなく、例えば、各データを逐次受信し記憶部３の所定の領域に予め記憶しておき、入力装置１２からの操作により、記憶された各データを適宜選択して紐づけるように構成することもできる。なお、複合材料の特性推定装置１への各データの入力は、ＵＳＢメモリ等のメディアを介した入力方法であってもよい。
【0035】
（組織データ抽出処理部２２）
組織データ抽出処理部２２は、データ取得処理部２１で受信したＳＰＭ画像データ４０を基に、組織データ６３を抽出する組織データ抽出処理（図９参照）を行う。具体的には、図２（ｂ）を用いて説明したように、ＳＰＭ画像データ４０から各樹脂とフィラーのそれぞれに相当する領域を決定し、それぞれの領域の面積比（全体の面積に対する各領域の面積の比）として面積比データを求める。そして、図３を用いて説明したように、区間分割法等を用いて各樹脂およびフィラーの凝集度を分散度データとして求める。求めた面積比データ及び分散度データを含む組織データ６３は、紐づけられた組成データ６１、プロセスデータ６２、及び特性データ６４と共に、学習用データ４１として記憶部３に記憶される。
組織データ抽出処理部２２は、データ取得処理部２１で受信したＳＰＭ画像データ４０を基に、組織データ６３を抽出する組織データ抽出処理（図９参照）を行う。具体的には、図２（ｂ）を用いて説明したように、ＳＰＭ画像データ４０から各樹脂とフィラーのそれぞれに相当する領域を決定し、それぞれの領域の面積比（全体の面積に対する各領域の面積の比）として面積比データを求める。そして、図３を用いて説明したように、区間分割法等を用いて各樹脂およびフィラーの凝集度を分散度データとして求める。求めた面積比データ及び分散度データを含む組織データ６３は、紐づけられた組成データ６１、プロセスデータ６２、及び特性データ６４と共に、学習用データ４１として記憶部３に記憶される。
【0036】
（学習用データ４１）
ここで、学習用データ４１の具体例について説明しておく。図４は、学習用データ４１の一例を示す図である。なお、図４は学習用データ４１の概念を示すものであり、実際の実験データを記載したものではない。図４に示すように、学習用データ４１は、少なくとも、組織データ６３と、特性データ６４とを対応付けたデータベースである。本実施の形態では、学習用データ４１は、組織データ６３及び特性データ６４に加えて、組成データ６１とプロセスデータ６２と、を含んでおり、これら各データが複合材料を識別するためのＩＤに紐づけられ記憶されている。
ここで、学習用データ４１の具体例について説明しておく。図４は、学習用データ４１の一例を示す図である。なお、図４は学習用データ４１の概念を示すものであり、実際の実験データを記載したものではない。図４に示すように、学習用データ４１は、少なくとも、組織データ６３と、特性データ６４とを対応付けたデータベースである。本実施の形態では、学習用データ４１は、組織データ６３及び特性データ６４に加えて、組成データ６１とプロセスデータ６２と、を含んでおり、これら各データが複合材料を識別するためのＩＤに紐づけられ記憶されている。
【0037】
組成データ６１は、各樹脂（ポリマ）やフィラー、添加剤の配合割合等のデータを含む。プロセスデータ６２は、各樹脂やフィラーの混ざり具合に影響の大きいパラメータを含むことが望ましく、少なくとも、混練工程の製造条件を含むとよい。具体的には、プロセスデータ６２は、混練装置１０２の設定温度（混練開始時の温度）、ロータ回転数、圧力、試料温度（混練終了時の温度）等のパラメータを含むとよい。なお、プロセスデータ６２は、配合工程や成形工程の製造条件を含んでいてもよい。組織データ６３は、図２，３を用いて説明したとおり、各樹脂（ポリマ）及びフィラーの面積比データ及び分散度データを含んでいる。特性データ６４は、少なくとも、複合材料の伸びや引張強さを含んでいる。特性データ６４は、耐熱試験、低温試験、耐油試験、難燃試験等の試験結果を示すパラメータ等を含んでもよい。
【0038】
（回帰モデル作成処理部２３）
回帰モデル作成処理部２３は、組織データ６３と特性データ６４との関係を機械学習し、組織データ６３と特性データ６４との相関性を表す回帰モデル４２を作成する回帰モデル作成処理（図１０（ａ）参照）を行う。本実施の形態では、回帰モデル作成処理部２３は、組成データ６１、プロセスデータ６２、及び組織データ６３と、特性データ６４との相関性を表す回帰モデル４２を作成するように構成されている。
回帰モデル作成処理部２３は、組織データ６３と特性データ６４との関係を機械学習し、組織データ６３と特性データ６４との相関性を表す回帰モデル４２を作成する回帰モデル作成処理（図１０（ａ）参照）を行う。本実施の形態では、回帰モデル作成処理部２３は、組成データ６１、プロセスデータ６２、及び組織データ６３と、特性データ６４との相関性を表す回帰モデル４２を作成するように構成されている。
【0039】
図５（ａ）に示すように、回帰モデル作成処理では、回帰モデル作成処理部２３に、これまでに蓄積された学習用データ４１が入力される。回帰モデル作成処理部２３は、学習用データ４１より、組成データ６１、プロセスデータ６２、及び組織データ６３の各パラメータに対する特性データ６４の各パラメータ（伸び、引張強度など）の相関性を、機械学習により自ら学習するための学習アルゴリズム等のソフトウェアを含んでいる。学習アルゴリズムは特に限定されず、公知の学習アルゴリズムを用いることができ、例えば、３層以上の層をなすニューラルネットワークを用いた所謂ディープランニング等を用いることができる。回帰モデル作成処理部２３が学習するものは、（組成データ６１、プロセスデータ６２、及び組織データ６３）と、（特性データ６４）との相関性を表すモデル構造に相当する。
【0040】
回帰モデル作成処理部２３は、入力された学習用データ４１を基に、説明変数（組成データ６１、プロセスデータ６２、及び組織データ６３）と目的変数（特性データ６４）とを含むデータ集合に基づく学習を反復実行し、両者の相関性を自動的に解釈する。なお、学習の開始時には相関性は未知の状態であるが、学習を進めるに従って説明変数（組成データ６１、プロセスデータ６２、及び組織データ６３）に対する目的変数（特性データ６４）の相関性を徐々に解釈し、その結果として得られた学習済みモデルである回帰モデル４２を用いることで、説明変数（組成データ６１、プロセスデータ６２、及び組織データ６３）に対する目的変数（特性データ６４）の相関性を解釈可能になる。
【0041】
回帰モデル作成処理部２３は、作成した回帰モデル４２を記憶部３に記憶する。本実施の形態では、回帰モデル作成処理部２３は、学習用データ４１が更新される度に、回帰モデル４２を更新する。ただし、これに限らず、例えば後述する特性推定処理を実行する際に、学習用データ４１の更新分をまとめて学習し、回帰モデル４２を更新するようにしてもよい。
【0042】
（組織推定用回帰モデル作成処理部２４）
組織推定用回帰モデル作成処理部２４は、少なくとも、プロセスデータ６２と組織データ６３との関係を機械学習し、プロセスデータ６２と組織データ６３との相関性を表す組織推定用回帰モデル４３を作成する組織推定用回帰モデル作成処理（図１０（ｂ）参照）を行う。本実施の形態では、組織推定用回帰モデル作成処理部２４は、組成データ６１及びプロセスデータ６２と組織データ６３との相関性を表す組織推定用回帰モデル４３を作成するように構成されている。
組織推定用回帰モデル作成処理部２４は、少なくとも、プロセスデータ６２と組織データ６３との関係を機械学習し、プロセスデータ６２と組織データ６３との相関性を表す組織推定用回帰モデル４３を作成する組織推定用回帰モデル作成処理（図１０（ｂ）参照）を行う。本実施の形態では、組織推定用回帰モデル作成処理部２４は、組成データ６１及びプロセスデータ６２と組織データ６３との相関性を表す組織推定用回帰モデル４３を作成するように構成されている。
【0043】
図５（ｂ）に示すように、組織推定用回帰モデル作成処理では、組織推定用回帰モデル作成処理部２４に、特性データ６４を除く学習用データ４１、すなわち、組成データ６１、プロセスデータ６２、及び組織データ６３が入力される。そして、組織推定用回帰モデル作成処理部２４は、上記の回帰モデル作成処理部２３と同様に、入力された学習用データ４１を基に、説明変数（組成データ６１及びプロセスデータ６２）と目的変数（組織データ６３）とを含むデータ集合に基づく学習を反復実行し、両者の相関性を自動的に解釈して、その結果として得られた学習済みモデルとして組織推定用回帰モデル４３を作成する。
【0044】
組織推定用回帰モデル作成処理部２４は、作成した組織推定用回帰モデル４３を記憶部３に記憶する。本実施の形態では、組織推定用回帰モデル作成処理部２４は、学習用データ４１が更新される度に、組織推定用回帰モデル４３を更新する。ただし、これに限らず、例えば後述する特性推定処理を実行する際に、学習用データ４１の更新分をまとめて学習し、組織推定用回帰モデル４３を更新するようにしてもよい。
【0045】
（組織推定処理部２５）
組織推定処理部２５は、組織推定用回帰モデル４３により、推定元データ４４（予測対象の組成データ６１及びプロセスデータ６２）に応じた組織データ６３を求め、得られた組織データ６３を推定組織データ６３ａとして記憶部３に記憶する組織推定処理（図１１（ａ）参照）を行う。
組織推定処理部２５は、組織推定用回帰モデル４３により、推定元データ４４（予測対象の組成データ６１及びプロセスデータ６２）に応じた組織データ６３を求め、得られた組織データ６３を推定組織データ６３ａとして記憶部３に記憶する組織推定処理（図１１（ａ）参照）を行う。
【0046】
図６（ａ）に示すように、組織推定処理では、組織推定処理部２５に、組織推定用回帰モデル４３と、推定元データ４４（組成データ６１及びプロセスデータ６２）とが入力される。組織推定処理部２５は、組織推定用回帰モデル４３を用いて、推定元データ４４に対応した組織データ６３を求め、得られた組織データ６３を推定組織データ６３ａとする。そして、組織推定処理部２５は、得られた推定組織データ６３ａを記憶部３に記憶する。
【0047】
ここで得られた推定組織データ６３ａは、複合材料の製造装置１００を用いて、推定元データ４４で設定された組成及び製造条件で複合材料を製造した際に、当該製造した複合材料の組織の状態を推定したものである。
【0048】
（特性推定処理部２６）
特性推定処理部２６は、回帰モデル４２により、予測対象の組織データ６３に応じた特性データ６４を求める特性推定処理（図１１（ｂ）参照）を行う。本実施の形態では、特性推定処理部２６は、回帰モデル４２により、推定元データ４４（予測対象の組成データ６１及びプロセスデータ６２）、及び推定組織データ６３ａ（予測対象の組織データ６３）に応じた特性データ６４を求め、得られた特性データ６４を推定特性データ６４ａとして記憶部３に記憶する。
特性推定処理部２６は、回帰モデル４２により、予測対象の組織データ６３に応じた特性データ６４を求める特性推定処理（図１１（ｂ）参照）を行う。本実施の形態では、特性推定処理部２６は、回帰モデル４２により、推定元データ４４（予測対象の組成データ６１及びプロセスデータ６２）、及び推定組織データ６３ａ（予測対象の組織データ６３）に応じた特性データ６４を求め、得られた特性データ６４を推定特性データ６４ａとして記憶部３に記憶する。
【0049】
図６（ｂ）に示すように、特性推定処理では、特性推定処理部２６に、回帰モデル４２と、推定元データ４４（組成データ６１及びプロセスデータ６２）と、推定組織データ６３ａとが入力される。特性推定処理部２６は、回帰モデル４２を用いて、推定元データ４４及び推定組織データ６３ａに対応した特性データ６４を求め、得られた特性データ６４を推定特性データ６４ａとする。そして、特性推定処理部２６は、得られた推定特性データ６４ａを記憶部３に記憶する。
【0050】
ここで得られた推定特性データ６４ａは、複合材料の製造装置１００を用いて、推定元データ４４で設定された組成及び製造条件で複合材料を製造した際に、当該製造した複合材料の特性を推定したものである。
【0051】
（推定特性データ提示処理部２７）
推定特性データ提示処理部２７は、推定特性データ６４ａを提示する推定特性データ提示処理を行う。推定特性データ提示処理では、例えば、推定特性データ６４ａを表示器１１に表示する。なお、推定特性データ提示処理では、推定特性データ６４ａ以外のデータ、例えば、推定組織データ６３ａ等も併せて提示するように構成されていてもよい。
推定特性データ提示処理部２７は、推定特性データ６４ａを提示する推定特性データ提示処理を行う。推定特性データ提示処理では、例えば、推定特性データ６４ａを表示器１１に表示する。なお、推定特性データ提示処理では、推定特性データ６４ａ以外のデータ、例えば、推定組織データ６３ａ等も併せて提示するように構成されていてもよい。
【0052】
（推定特性データ６４ａの補正）
例えば、新たな材料を用いた複合材料を製造する場合、当該新たな材料（これまでにない組成データ６１）に対応した機械学習が十分に行われていない状態では、得られた推定特性データ６４ａはおおよその値となる。そのため、その後の製造試験の結果を考慮して、推定特性データ６４ａの各パラメータを補正するよう構成することも可能である。すなわち、複合材料の特性推定装置１は、複合材料の製造装置１００での実際の製造結果に基づき、推定特性データ６４ａを補正する補正処理部をさらに備えてもよい。
例えば、新たな材料を用いた複合材料を製造する場合、当該新たな材料（これまでにない組成データ６１）に対応した機械学習が十分に行われていない状態では、得られた推定特性データ６４ａはおおよその値となる。そのため、その後の製造試験の結果を考慮して、推定特性データ６４ａの各パラメータを補正するよう構成することも可能である。すなわち、複合材料の特性推定装置１は、複合材料の製造装置１００での実際の製造結果に基づき、推定特性データ６４ａを補正する補正処理部をさらに備えてもよい。
【0053】
補正処理部を備えることより、回帰モデル４２や組織推定用回帰モデル４３が新たな材料に十分に対応していない状況（例えば、量産前で十分なデータがなく、機械学習が十分に行われていない状況）であっても、推定特性データ６４ａを精度よく推定することが可能になる。その結果、所望の特性を有する複合材料を少ない実験回数で製造可能になり、製造試験の回数低減によるコストの低減や、開発期間の短縮を図ることができる。
【0054】
（複合材料の特性推定方法）
（メインルーチン）
図７は、本実施の形態に係る複合材料の特性推定方法の制御フローを示すフロー図である。なお、図７において、実線で示す矢印は、制御の流れを表しており、破線で示す矢印は、信号やデータの入出力を表している。
（メインルーチン）
図７は、本実施の形態に係る複合材料の特性推定方法の制御フローを示すフロー図である。なお、図７において、実線で示す矢印は、制御の流れを表しており、破線で示す矢印は、信号やデータの入出力を表している。
【0055】
図７に示すように、本実施の形態に係る複合材料の特性推定方法では、まず、ステップＳ０にて、制御部２が、新たなデータが入力されたかを判定する。ステップＳ０でＮＯ（Ｎ）と判定された場合、ステップＳ５に進む。ステップＳ０でＹＥＳ（Ｙ）と判定された場合、ステップＳ１に進み、データ取得処理を行う。
【0056】
ステップＳ１のデータ取得処理では、図８に示すように、データ取得処理部２１が、組成データ６１、プロセスデータ６２、ＳＰＭ画像データ４０、及び特性データ６４の組を受信し（ステップＳ１１）、受信した各データを紐づけて記憶部３に記憶（ステップＳ１２）する。その後、リターンする。
【0057】
ステップＳ１のデータ取得処理を行った後、ステップＳ２にて、組織データ抽出処理を行う。組織データ抽出処理では、図９に示すように、まず、ステップＳ２１にて、ＳＰＭ画像データ４０における各樹脂とフィラー各々の領域を決定する。具体的には、ＳＰＭ画像データ４０における弾性率等の頻度をグラフ化し、ピークとなる弾性率等を抽出すると共に、隣り合うピークの中間位置（あるいは頻度が最も低くなる位置）を境界として、各樹脂とフィラーの各々に相当する弾性率等の範囲を決定する（図２参照）。
【0058】
その後、ステップＳ２２にて、各樹脂とフィラーのそれぞれの領域の面積を抽出し、ステップＳ２３にて、ＳＰＭ画像データ４０の全領域の面積に対する、各樹脂またはフィラーの領域の面積の比である面積比を演算する。その後、ステップＳ２４にて、ステップＳ２３で求めた面積比を面積比データとして記憶部３に記憶する。
【0059】
その後、ステップＳ２５にて、各樹脂とフィラー各々について、区間分割法により凝集度を求め（図３参照）、求めた凝集度を分散度データとして記憶部３に記憶する。その後、リターンする。なお、図示していないが、組織データ抽出処理と併せて、樹脂やフィラーの各粒子のアスペクト比等の形状データの抽出を行ってもよい。
【0060】
ステップＳ２の組織データ抽出処理を行った後、ステップＳ３にて、回帰モデル作成処理を行う。回帰モデル作成処理では、図１０（ａ）に示すように、まず、ステップＳ３１にて、回帰モデル作成処理部２３が、未学習の学習用データ４１を機械学習に用いて、回帰モデル４２の更新を行う。なお、ステップＳ３１は、回帰モデル４２が未作成である場合には、回帰モデル４２が新たに作成される。その後、ステップＳ３２にて、更新（あるいは作成）した回帰モデル４２を記憶部３に記憶し、リターンする。
【0061】
ステップＳ３の回帰モデル作成処理を行った後、ステップＳ４にて、組織推定用回帰モデル作成処理を行う。組織推定用回帰モデル作成処理では、図１０（ｂ）に示すように、まず、ステップＳ４１にて、組織推定用回帰モデル作成処理部２４が、未学習の学習用データ４１を機械学習に用いて、組織推定用回帰モデル４３の更新を行う。なお、ステップＳ４１は、組織推定用回帰モデル４３が未作成である場合には、組織推定用回帰モデル４３が新たに作成される。その後、ステップＳ４２にて、更新（あるいは作成）した組織推定用回帰モデル４３を記憶部３に記憶する。その後、リターンし、図７のステップＳ５に進む。
【0062】
複合材料の特性推定を行う際には、入力装置１２等により、推定元データ４４を入力する（ステップＳ１０）。なお、予め推定元データ４４となる組成データ６１やプロセスデータ６２を複合材料の特性推定装置１に入力しておき、入力装置１２により推定元データ４４として用いる組成データ６１やプロセスデータ６２を選択するよう構成してもよい。
【0063】
ステップＳ５では、制御部２が、推定元データ４４が入力されたかを判定する。ステップＳ５でＮＯと判定された場合、リターンする（ステップＳ０に戻る）。ステップＳ５でＹＥＳと判定された場合、ステップＳ６に進む。
【0064】
ステップＳ６では、組織推定処理を行う。組織推定処理では、図１１（ａ）に示すように、まず、ステップＳ６１にて、組織推定処理部２５が、組織推定用回帰モデル４３により、推定元データ４４に対応する組織データ６３を推定し、推定組織データ６３ａとする。その後、ステップＳ６２にて、得られた推定組織データ６３ａを記憶部３に記憶する。その後、リターンし、図７のステップＳ７に進む。
【0065】
ステップＳ７では、特性推定処理を行う。特性推定処理では、図１１（ｂ）に示すように、まず、ステップＳ７１にて、特性推定処理部２６が、回帰モデル４２により、推定元データ４４及び推定組織データ６３ａに対応する特性データ６４を推定し、推定特性データ６４ａとする。その後、ステップＳ７２にて、得られた推定特性データ６４ａを記憶部３に記憶する。その後、リターンし、図７のステップＳ８に進む。
【0066】
ステップＳ８では、推定特性データ提示処理を行う。推定特性データ提示処理では、例えば、ステップＳ７で得た推定特性データ６４ａを、表示器１１に表示する等して、推定特性データ６４ａを提示する。その後、リターンする（ステップＳ１に戻る）。
【0067】
（実施の形態の作用及び効果）
以上説明したように、本実施の形態に係る複合材料の特性推定方法では、複合材料を構成する複数の樹脂それぞれの面積比を示す面積比データ、及び複数の樹脂それぞれの分散度合を示す分散度データを含む組織データ６３と、複合材料の特性を表す特性データ６４との関係を機械学習し、組織データ６３と特性データ６４との相関性を表す回帰モデル４２を作成しておき、回帰モデル４２により、予測対象の組織データ６３に応じた特性データ６４を求めている。
以上説明したように、本実施の形態に係る複合材料の特性推定方法では、複合材料を構成する複数の樹脂それぞれの面積比を示す面積比データ、及び複数の樹脂それぞれの分散度合を示す分散度データを含む組織データ６３と、複合材料の特性を表す特性データ６４との関係を機械学習し、組織データ６３と特性データ６４との相関性を表す回帰モデル４２を作成しておき、回帰モデル４２により、予測対象の組織データ６３に応じた特性データ６４を求めている。
【0068】
従来、複合材料を構成する各樹脂やフィラーがどのように分布しているかを知ることは困難であったが、ＳＰＭ１１１を用いることで、複合材料を構成する各樹脂やフィラーがどのように分布しているかを分析することが可能になった。そして、ＳＰＭ１１１を用いて得られた各樹脂の面積比データ及び分散度データを組織データ６３として用いることで、複合材料の特性を精度よく推定することが可能になる。すなわち、本実施の形態によれば、複数の樹脂を混練、成形して製造される複合材料について、実際の各樹脂の分散度合等を考慮して、精度よく特性を推定することが可能になる。
【0069】
（実施の形態のまとめ）
次に、以上説明した実施の形態から把握される技術思想について、実施の形態における符号等を援用して記載する。ただし、以下の記載における各符号等は、特許請求の範囲における構成要素を実施の形態に具体的に示した部材等に限定するものではない。
次に、以上説明した実施の形態から把握される技術思想について、実施の形態における符号等を援用して記載する。ただし、以下の記載における各符号等は、特許請求の範囲における構成要素を実施の形態に具体的に示した部材等に限定するものではない。
【0070】
［１］複数の樹脂を混練した後に成形して製造される複合材料の特性を推定する方法であって、前記複合材料の組織構造を表すデータであって、少なくとも前記複数の樹脂それぞれの面積比を示す面積比データ、及び前記複数の樹脂それぞれの分散度合を示す分散度データを含む組織データ（６３）と、前記複合材料の特性を表す特性データ（６４）との関係を機械学習し、前記組織データ（６３）と前記特性データ（６４）との相関性を表す回帰モデル（４２）を作成しておき、前記回帰モデル（４２）により、予測対象の組織データ（６３）に応じた特性データ（６４）を求める、複合材料の特性推定方法。
【0071】
［２］前記複合材料の製造時のプロセスデータ（６２）及び前記組織データ（６３）と、前記特性データ（６４）との相関性を表す前記回帰モデル（４２）を作成しておき、前記回帰モデル（４２）により、予測対象のプロセスデータ（６２）及び組織データ（６３）に応じた特性データ（６４）を求める、［１］に記載の複合材料の特性推定方法。
【0072】
［３］前記プロセスデータ（６２）と前記組織データ（６３）との関係を機械学習し、前記プロセスデータ（６２）と前記組織データ（６３）の相関性を表す組織推定用回帰モデル（４３）をさらに作成しておき、前記組織推定用回帰モデル（４３）により、予測対象のプロセスデータ（６２）に応じた組織データ（６３）を求めた後、当該求めた組織データ（６３）を用いて、前記予測対象のプロセスデータに応じた特性データ（６４）を、前記回帰モデル（４２）により求める、［２］に記載の複合材料の特性推定方法。
【0073】
［４］前記複数の樹脂の組成情報を含む組成データ（６１）、前記プロセスデータ（６２）及び前記組織データ（６３）と、前記特性データ（６４）との相関性を表す前記回帰モデル（４２）を作成しておき、前記回帰モデル（４２）により、予測対象の組成データ（６１）、プロセスデータ（６２）及び組織データ（６３）に応じた特性データ（６４）を求める、［２］に記載の複合材料の特性推定方法。
【0074】
［５］前記組成データ（６１）及び前記プロセスデータ（６２）と、前記組織データ（６３）との関係を機械学習し、前記組成データ（６１）及び前記プロセスデータ（６２）と、前記組織データ（６３）の相関性を表す組織推定用回帰モデル（４３）をさらに作成しておき、前記組織推定用回帰モデル（４３）により、予測対象の組成データ（６１）及びプロセスデータ（６２）に応じた組織データ（６３）を求めた後、当該求めた組織データ（６３）と、前記予測対象の組成データ（６１）及びプロセスデータ（６２）に応じた特性データ（６４）を、前記回帰モデル（４２）により求める、［４］に記載の複合材料の特性推定方法。
【0075】
［６］前記面積比データ及び前記分散度データは、走査型プローブ顕微鏡（１１１）により得た弾性率の分布画像、あるいは凝着力の分布画像に基づいて求められる、［１］乃至［５］の何れか１項に記載の複合材料の特性推定方法。
【0076】
［７］複数の樹脂を混練した後に成形して製造される複合材料の特性を推定する装置であって、前記複合材料の組織構造を表すデータであって、少なくとも前記複数の樹脂それぞれの面積比を示す面積比データ、及び前記複数の樹脂それぞれの分散度合を示す分散度データを含む組織データ（６３）と、前記複合材料の特性を表す特性データ（６４）との関係を機械学習し、前記組織データ（６３）と前記特性データ（６４）との相関性を表す回帰モデル（４２）を作成する回帰モデル作成処理部（２３）と、前記回帰モデル（４２）により、予測対象の組織データ（６３）に応じた特性データ（６４）を求める特性推定処理部（２６）と、を備えた、複合材料の特性推定装置（１）。
【0077】
以上、本発明の実施の形態を説明したが、上記に記載した実施の形態は特許請求の範囲に係る発明を限定するものではない。また、実施の形態の中で説明した特徴の組合せの全てが発明の課題を解決するための手段に必須であるとは限らない点に留意すべきである。
【0078】
また、本発明は、その趣旨を逸脱しない範囲で適宜変形して実施することが可能である。例えば、上記実施の形態では、複合材料が電線のシース（ジャケット、絶縁体）である場合について説明したが、複合材料の用途はこれに限定されない。すなわち、本発明は、複数の樹脂を混練、成形して製造されるものであれば、どのような用途の複合材料にも適用可能である。
【0079】
また、上記実施の形態では、ＳＰＭ１１１により得られた弾性率、及び凝着力の分布画像を用いる場合について説明したが、ＳＰＭ１１１により得られる他の物性の分布図、例えば、結晶量や結晶化度、あるいは熱伝導率等の分布図を用いて、樹脂の分布度合等を抽出してもよい。
【符号の説明】
【0080】
１…複合材料の特性推定装置
２１…データ取得処理部
２２…組織データ抽出処理部
２３…回帰モデル作成処理部
２４…組織推定用回帰モデル作成処理部
２５…組織推定処理部
２６…特性推定処理部
４０…ＳＰＭ画像データ
４１…学習用データ
４２…回帰モデル
４３…組織推定用回帰モデル
４４…推定元データ
６１…組成データ
６２…プロセスデータ
６３…組織データ
６３ａ…推定組織データ
６４…特性データ
６４ａ…推定特性データ
２１…データ取得処理部
２２…組織データ抽出処理部
２３…回帰モデル作成処理部
２４…組織推定用回帰モデル作成処理部
２５…組織推定処理部
２６…特性推定処理部
４０…ＳＰＭ画像データ
４１…学習用データ
４２…回帰モデル
４３…組織推定用回帰モデル
４４…推定元データ
６１…組成データ
６２…プロセスデータ
６３…組織データ
６３ａ…推定組織データ
６４…特性データ
６４ａ…推定特性データ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】