特許 7453053 ゴム材料物性予測システム、およびゴム材料物性予測方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-03-11

(45)【発行日】2024-03-19

(54)【発明の名称】ゴム材料物性予測システム、およびゴム材料物性予測方法

(51)【国際特許分類】

   G16C 20/30 20190101AFI20240312BHJP

   C08K 5/54 20060101ALI20240312BHJP

   C08L 21/00 20060101ALI20240312BHJP

   G06N 3/08 20230101ALI20240312BHJP

   G06N 5/04 20230101ALI20240312BHJP

   G06N 20/00 20190101ALI20240312BHJP

【ＦＩ】

G16C20/30

C08K5/54

C08L21/00

G06N3/08

G06N5/04

G06N20/00

【請求項の数】 4

(21)【出願番号】P 2020078269

(22)【出願日】2020-04-27

(65)【公開番号】P2021174294

(43)【公開日】2021-11-01

【審査請求日】2023-02-08

(73)【特許権者】

【識別番号】000003148

【氏名又は名称】ＴＯＹＯ ＴＩＲＥ株式会社

(74)【代理人】

【識別番号】100105924

【弁理士】

【氏名又は名称】森下 賢樹

(72)【発明者】

【氏名】大江 裕彰

【審査官】岡北 有平

(56)【参考文献】

【文献】国際公開第９８／００６５５０（ＷＯ，Ａ１）

【文献】特開２０２０－０３８４９３（ＪＰ，Ａ）

【文献】国際公開第２０１９／０４８９６５（ＷＯ，Ａ１）

【文献】国際公開第２００９／０２５０４５（ＷＯ，Ａ１）

【文献】纐纈敏也，トーヨータイヤ、ゴム材料基盤技術を進化・・・材料データベース／ＡＩ活用のＭＩ技術を採用，[online]，2020年04月22日，１－２ページ，[検索日:2023年10月2日], <URL:https://response.jp/article/2020/04/22/333899.html>

【文献】データ化学工学研究室，分子設計・化学構造設計の概要と研究の方向性（化合物データベース利用），[online]，2019年05月31日，１－８ページ，[検索日:2023年10月2日], <URL:https://datachemeng.com/moleculardesign/>

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ１６Ｃ １０／００ － ９９／００

Ｇ０６Ｎ ５／０４

Ｇ０６Ｎ ３／０８

Ｇ０６Ｎ ２０／００

Ｃ０８Ｌ ２１／００

Ｃ０８Ｋ ５／５４

(57)【特許請求の範囲】

【請求項1】

ゴム材料の化学構造を数値情報として定量化する構造定量化処理部と、
定量化された化学構造が入力層に入力されて物性を出力層から出力する学習型の物性予測演算モデルを有し、前記構造定量化処理部により定量化された化学構造を前記入力層に入力し、前記ゴム材料の物性を算出する物性予測処理部と、
を備え、
前記物性予測演算モデルは、外部データベースに蓄積されたシラン化合物の化学構造および性状データに基づいて予備的に学習された際の重みづけを初期値とし、ゴム材料の化学構造および物性によって学習されていることを特徴とするゴム材料物性予測システム。

【請求項2】

前記ゴム材料の物性に基づいて、前記物性予測演算モデルに関する再帰演算によってゴム材料の化学構造を生成する再帰演算処理部を更に備えることを特徴とする請求項１に記載のゴム材料物性予測システム。

【請求項3】

前記物性予測演算モデルは、前記ゴム材料の複数の物性をマルチタスクによって算出することを特徴とする請求項１または２に記載のゴム材料物性予測システム。

【請求項4】

ゴム材料物性予測システムが、ゴム材料の化学構造を数値情報として定量化する構造定量化処理ステップと、
ゴム材料物性予測システムが、定量化された化学構造が入力層に入力されて物性を出力層から出力する学習型の物性予測演算モデルを有し、前記構造定量化処理ステップにより定量化された化学構造を前記入力層に入力し、前記ゴム材料の物性を算出する物性予測処理ステップと、
を備え、
前記物性予測演算モデルは、外部データベースに蓄積されたシラン化合物の化学構造および性状データに基づいて予備的に学習された際の重みづけを初期値とし、ゴム材料の化学構造および物性によって学習されていることを特徴とするゴム材料物性予測方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ゴム材料の物性を予測するシステム、およびゴム材料物性予測方法に関する。

【背景技術】

【0002】

例えば車両に装着されるタイヤ等に用いられるゴム材料は、主要原料であるポリマーに補強剤、各種薬剤が添加された複合材料であり、新たなゴム材料の物性を予測することにより研究開発の効率化を図ることができる。

【0003】

特許文献１には従来のゴム材料の性能の予測方法が開示されている。この予測方法は、個々の材料の分子に関する情報を含む第１データと、複数種類のゴム状弾性体の材料の配合割合を含む第２データと、第２データの各ゴム状弾性体に対応する加硫条件を含む第３データと、第２データの各ゴム状弾性体に対応する第１性能を含む第４データとの関係を示す近似応答関数を構築する工程、及び、近似応答関数と、評価対象のゴム状弾性体の材料の配合割合と、加硫条件と、分子に関する情報とに基づいて、評価対象のゴム状弾性体の第１性能を計算する工程を含む。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１８－１４７４６０号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

特許文献１に記載されたゴム材料の性能予測では、性能に関係する分子の情報として平均分子量や分子量分布等が用いられているが、ゴム材料の物性に対して化学構造中のどのような成分が寄与して物性が変わるかを把握して物性を予測することは困難であった。

【0006】

本発明は、斯かる事情に鑑みてなされたものであり、その目的とするところは、ゴム材料の化学構造に基づいて物性を予測することができるゴム材料物性予測システムおよびゴム材料物性予測方法を提供することにある。

【課題を解決するための手段】

【0007】

本発明のある態様はゴム材料物性予測システムである。ゴム材料物性予測システムは、ゴム材料の化学構造を数値情報として定量化する構造定量化処理部と、定量化された化学構造が入力層に入力されて物性を出力層から出力する学習型の物性予測演算モデルを有し、前記構造定量化処理部により定量化された化学構造を前記入力層に入力し、前記ゴム材料の物性を算出する物性予測処理部と、を備えることを特徴とする。

【0008】

また本発明の別の態様はゴム材料物性予測方法である。ゴム材料物性予測方法は、ゴム材料の化学構造を数値情報として定量化する構造定量化処理ステップと、定量化された化学構造が入力層に入力されて物性を出力層から出力する学習型の物性予測演算モデルを有し、前記構造定量化処理ステップにより定量化された化学構造を前記入力層に入力し、前記ゴム材料の物性を算出する物性予測処理ステップと、を備えることを特徴とする。

【発明の効果】

【0009】

本発明によれば、ゴム材料の化学構造に基づいて物性を予測することができる。

【図面の簡単な説明】

【0010】

【図1】実施形態１に係るゴム材料物性予測システムの機能構成を示すブロック図である。

【図2】Ｍｏｒｇａｎアルゴリズムによる構造定量化の一例を示す模式図である。

【図3】物性予測演算モデルの構成を示す模式図である。

【図4】物性予測演算モデルにおける学習の一例を示す図表である。

【図5】物性予測演算モデルの学習処理の手順を示すフローチャートである。

【図6】実施形態２における予備学習段階の物性予測演算モデルの構成を示す模式図である。

【図7】予備学習を行った場合の物性予測演算モデルの交差検証の結果を示す図表である。

【図8】実施形態３に係るゴム材料物性予測システムの機能構成を示すブロック図である。

【図9】再帰演算処理部による演算を説明するための模式図である。

【図10】再帰演算処理部による化学構造の生成処理の手順を示すフローチャートである。

【図11】再帰演算処理部によって生成した化学構造の一例を示す図表である。

【図12】シングルタスクとマルチタスクによる学習における相関係数の一例を示す図表である。

【発明を実施するための形態】

【0011】

以下、本発明を好適な実施の形態をもとに図１から図１２を参照しながら説明する。各図面に示される同一または同等の構成要素、部材には、同一の符号を付するものとし、適宜重複した説明は省略する。また、各図面における部材の寸法は、理解を容易にするために適宜拡大、縮小して示される。また、各図面において実施の形態を説明する上で重要ではない部材の一部は省略して表示する。

【0012】

（実施形態１）
図１は、実施形態１に係るゴム材料物性予測システム１００の機能構成を示すブロック図である。ゴム材料物性予測システム１００は、記憶装置１０、構造定量化処理部２０および物性予測処理部３０を備え、例えばタイヤ等に用いられるゴム材料の物性を予測する。ゴム材料物性予測システム１００は、例えばＰＣ（パーソナルコンピュータ）等の情報処理装置である。ゴム材料物性予測システム１００における各部は、ハードウェア的には、コンピュータのＣＰＵをはじめとする電子素子や機械部品などで実現でき、ソフトウェア的にはコンピュータプログラムなどによって実現されるが、ここでは、それらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックはハードウェア、ソフトウェアの組合せによっていろいろな形態で実現できることは、当業者には理解されるところである。

【0013】

記憶装置１０は、例えばＳＳＤ（Solid State Drive）、ハードディスク、ＣＤ－ＲＯＭ、ＤＶＤ等によって構成される記憶装置である。記憶装置１０には、複数のゴム材料の化学構造および物性が記憶されている。また、記憶装置１０には、さらに作成される新たなゴム材料の化学構造が入力されて記憶され、当該ゴム材料の物性の予測に供される。例えば、記憶装置１０にはシラン化合物を含む化学構造を持ち物性が既知のゴム材料の情報を記憶しており、ゴム材料物性予測システム１００は、新たに作成されるシラン化合物を含む化学構造を持つゴム材料の物性を予測するものである。

【0014】

ゴム材料の物性は、硬度Ｈｓ、１００％伸び時の引張応力Ｓ（１００％）、および損失正接ｔａｎδ等である。例えば、損失正接は、温度０℃、６０℃等において計測された値を代表値として用いる。後述するように、物性予測処理部３０ではゴム材料の化学構造および物性を用いて学習型の演算モデルに学習させるため、記憶装置１０にはより多くのゴム材料に対する既知の化学構造および物性が記憶されていることが好ましい。

【0015】

既知のゴム材料の化学構造および物性は、外部データ装置９０から取得されてもよい。外部データ装置９０は、例えばインターネット等の通信ネットワークで接続されており、外部データ装置９０が保有するデータベースに蓄積されたゴム材料の化学構造および物性をゴム材料物性予測システム１００で利用する。

【0016】

構造定量化処理部２０は、Ｍｏｒｇａｎアルゴリズム等の手法を用いて、ターゲットとなるゴム材料の化学構造を数値情報に変換し定量化する。図２は、Ｍｏｒｇａｎアルゴリズムによる構造定量化の一例を示す模式図である。図２に示す構造定量化では、まずＳＭＩＬＥＳ（Simplified Molecular Input Line Entry Syntax）による線形表記に基づいてゴム材料の分子構造を表す。

【0017】

線形表記された分子構造に対して、Ｍｏｒｇａｎアルゴリズムを適用し、分子内の原子の優先順位を付け、符号化されたフィンガープリントを出力する。構造定量化処理部２０は、ゴム材料の化学構造を０または１からなる８１９２ビットの符号化列による数値情報に変換して定量化している。フィンガープリントのビット数は、ゴム材料の構造が重複することなく表現されていれば任意の数であって良い。

【0018】

物性予測処理部３０は、物性予測演算モデル３１および更新処理部３２を備え、既知のゴム材料の化学構造および物性に基づいて物性予測演算モデル３１を学習させ、作成される新たなゴム材料の物性を予測する。物性予測演算モデル３１は、ニューラルネットワーク等の学習型モデルを用いる。図３は、物性予測演算モデル３１の構成を示す模式図である。物性予測演算モデル３１は、例えばＤＮＮ（Deep Neural Network）型であり、入力層４１、隠れ層４２および出力層４３を備え、構造定量化処理部２０により定量化された化学構造を入力層４１に入力し、ゴム材料の物性を算出して、出力層４３から出力する。

【0019】

物性予測演算モデル３１は、入力層４１から隠れ層４２へ、隠れ層４２から出力層４３へ重みづけを用いた線形演算等を実行する全結合のパスによって結び付けられている。隠れ層４２は、複数層のノードで構成されており、各層が全結合のパスによって接続されている。図３に示す例では、入力層４１のノード数が８１９２個であり、出力層４３のノード数が４個となっている。隠れ層４２は、３層構成とし、各層におけるノード数を２５６としているが、層の数およびノード数はこれに限られるものではなく任意の数であってもよい。

【0020】

出力層４３の各ノードには、ゴム材料の物性として、硬度Ｈｓ、１００％伸び時の引張応力Ｓ（１００％）、０℃での損失正接ｔａｎδ（０℃）および６０℃での損失正接ｔａｎδ（６０℃）が出力される。

【0021】

物性予測演算モデル３１は、既知のゴム材料の化学構造およびその物性に基づいて学習させることができる。更新処理部３２は、化学構造に基づいて物性予測演算モデル３１により算出した物性と、教師データとして与えられる物性とを比較し、例えば逆拡散演算により、各ノード間の重みづけを修正して物性予測演算モデル３１の学習を繰り返す。

【0022】

図４は物性予測演算モデル３１における学習の一例を示す図表である。図４においては、交差検証を５回実行しており、各Ｋ＝１～５の５ケースによる学習について損失関数としての平均二乗誤差を算出し、各ケースの平均値を求めている。物性予測演算モデル３１による予測精度は、データベース内のデータを学習用と予測用に分割し、それぞれにモデルを適用することで確認される。交差検証によって平均的に良い結果を出力する物性予測演算モデル３１は、全てのデータに対して良好な演算結果を出力すると考えられる。

【0023】

次にゴム材料物性予測システム１００の動作について説明する。図５は、物性予測演算モデル３１の学習処理の手順を示すフローチャートである。構造定量化処理部２０は、記憶装置１０からランダムに読み出したゴム材料の化学構造に基づいて符号化されたフィンガープリントを生成し出力する（Ｓ１）。物性予測処理部３０は、構造定量化処理部２０により生成されたフィンガープリントを物性予測演算モデル３１の入力層４１へ入力し、物性予測演算モデル３１によりゴム材料の物性を予測する（Ｓ２）。

【0024】

ステップＳ２では、上述のように交差検証等の手法を用いており、記憶装置１０からランダムに読み出した複数のゴム材料に対して学習を繰り返して検証を行い、予測した物性と既知の物性との平均二乗誤差等を算出し、各ケースの平均値を求める。

【0025】

物性予測処理部３０は、既知の物性値に対して所定範囲内を予め定めて目標値（目標範囲）とし、交差検証によって平均的に良い結果を出力する物性予測演算モデル３１によって予測した物性が、目標値を満たすか否かを判定する（Ｓ３）。

【0026】

ステップＳ３によって、物性予測演算モデル３１によって予測した物性が、目標値を満たす場合（Ｓ３：ＹＥＳ）、処理を終了する。一方、物性予測演算モデル３１によって予測した物性が、目標値を満たさない場合（Ｓ３：ＮＯ）、ステップＳ１に戻って処理を繰り返す。

【0027】

ゴム材料物性予測システム１００は、学習によって物性予測演算モデル３１を構築し、作成される新たなゴム材料の化学構造に基づいて、当該ゴム材料の物性を予測することができる。ゴム材料物性予測システム１００は、ゴム材料の開発過程で検討される新たな化学構造を物性予測処理部３０へ入力することで物性を予測することができ、ゴム材料開発の効率を向上することができる。

【0028】

（実施形態２）
実施形態２に係るゴム材料物性予測システム１００は、外部データ装置９０から既知のゴム材料の化学構造および物性を取得して予備的に物性予測演算モデル３１の学習を実行し、学習した物性予測演算モデル３１を実施形態１で説明した演算モデルの学習に転用する。図６は、実施形態２における予備学習段階の物性予測演算モデル３１の構成を示す模式図である。

【0029】

外部データ装置９０としては、化合物データを蓄積したＰｕｂＣｈｅｍやＺＩＮＣなどの外部データベースを利用し、当該外部データベースに掲載されている化合物情報を抽出する。図６に示す予備学習段階の例では、シラン化合物の化学構造、並びに、性状を表すトポロジカル極性表面積（ＴＰＳＡ：Topological Polar Surface Area）、オクタノール水分配比率（ｌｏｇＰ）および構造複雑性（Ｃｏｍｐｌｅｘｉｔｙ）を外部データベースから抽出する。

【0030】

ゴム材料物性予測システム１００の構造定量化処理部２０は、実施形態１と同様に、外部データベースに掲載されている化合物の化学構造に基づいてフィンガープリントを作成する。物性予測処理部３０は、構造定量化処理部２０で作成したフィンガープリントを物性予測演算モデル３１の入力層４１に入力し、物性予測演算モデル３１の学習を実行する。物性予測演算モデル３１は、出力層４３は、トポロジカル極性表面積、オクタノール水分配比率および化学構造複雑性を出力層４３から出力する。更新処理部３２は、物性予測演算モデル３１により予測した化合物の性状と、教師データである外部データベースに掲載されている化合物の性状データとを比較し、例えば逆拡散演算により、各ノード間の重みづけを修正して物性予測演算モデル３１の学習を繰り返す。

【0031】

ゴム材料物性予測システム１００は、外部データベースに掲載されている化合物情報に基づいて予備学習によって得られた物性予測演算モデル３１の各ノードに関する重みづけを初期値として物性予測演算モデル３１に与え、実施形態１で説明した物性予測演算モデル３１の学習を実行する。

【0032】

図７は予備学習を行った場合の物性予測演算モデル３１の交差検証の結果を示す図表である。物性予測演算モデル３１の交差検証は、実施形態１と同様であり、予備学習を経て物性予測演算モデル３１を学習させることで、ゴム材料の物性予測における平均二乗誤差の平均値を小さくすることができ、予測精度の向上を図ることができる。

【0033】

ゴム材料物性予測システム１００は、外部データベースに掲載された化合物の性状データと物性とは化学構造に基づく一定の関係性を有しているため、外部データベースを利用した予備学習を経て物性予測演算モデル３１を学習させることによって、ゴム材料の物性予測の精度を向上することができる。

【0034】

（実施形態３）
実施形態３に係るゴム材料物性予測システム１００は、物性予測演算モデル３１を利用し、再帰演算によって物性に最も近くなるであろう化学構造を求める。図８は実施形態３に係るゴム材料物性予測システム１００の機能構成を示すブロック図である。ゴム材料物性予測システム１００は、再帰演算処理部５０を有するほか、実施形態１と同様に構成される。

【0035】

再帰演算処理部５０は、物性予測演算モデル３１の最も物性の特徴を表す層を符号化情報として利用することで物性に基づいて化学構造を求める。再帰演算処理部５０は、化学構造を予測するモデルとして、例えばＲＮＮ（Recurrent Neural Network）およびＬＳＴＭ（Long Short-Term Memory）等を使用し、入力を可変にして過去の出力結果を学習に適用する。

【0036】

図９は、再帰演算処理部５０による演算を説明するための模式図である。再帰演算処理部５０で用いるＲＮＮの最初の入力は、物性予測演算モデル３１の最終層であり、ＬＳＴＭブロックによって３文字列情報を出力する。再帰演算処理部５０は、出力された３文字列情報のうち最も確率の高いものを再度学習させる。再帰演算処理部５０は、入力の最初の２文字を固定して、さらにＬＳＴＭブロックによって３文字列を出力し、これを最大出力になるまで繰り返し、３文字列情報を結合してＳＭＩＬＥＳによる線形表記を作成する。再帰演算処理部５０は、ＳＭＩＬＥＳによる線形表記を作成することで、ゴム材料の物性に最も近くなるであろう化学構造を出力することになる。

【0037】

図１０は、再帰演算処理部５０による化学構造の生成処理の手順を示すフローチャートである。再帰演算処理部５０は、ＲＮＮを用いてＳＭＩＬＥＳによる化学構造の線形表記を作成する（Ｓ１１）。再帰演算処理部５０は、ステップＳ１１によって生成された線形表記による化学構造が有効な化合物を示しているか否かを判定し（Ｓ１２）、有効な化合物であれば（Ｓ１２：ＹＥＳ）、処理を終了する。ステップＳ１２において、有効な化合物ではない場合（Ｓ１２：ＮＯ）、ステップＳ１１に戻って処理を繰り返す。

【0038】

図１１は、再帰演算処理部５０によって生成した化学構造の一例を示す図表である。所望の物性を入力した際の予測物性と、ＳＭＩＬＥＳによる線形表記された化学構造を出力している。上述のように、出力された化学構造が有効な化合物を示しているか否かが判定される。

【0039】

ゴム材料物性予測システム１００は、再帰演算によって物性に最も近くなるであろう化学構造を求めことにより、ゴム材料の開発過程で検討されるべき新たな化学構造を提案することができ、ゴム材料開発の効率を向上することができる。

【0040】

上述の各実施形態に係るゴム材料物性予測システム１００は、外部データベースによる物性予測演算モデル３１の予備学習をマルチタスク形式で実行し、さらに物性予測演算モデル３１の学習をマルチタスク形式で実行している。

【0041】

物性予測演算モデル３１による予備学習では、シラン化合物の性状を表すトポロジカル極性表面積（ＴＰＳＡ）、オクタノール水分配比率（ｌｏｇＰ）および構造複雑性（Ｃｏｍｐｌｅｘｉｔｙ）を個々に演算するシングルタスクではなく、３つの性状を１つの演算モデルで求めるマルチタスク形式としている。また、予備学習の有無に拠らず、物性予測演算モデル３１におけるゴム材料の物性に関する学習では、硬度Ｈｓ、１００％伸び時の引張応力Ｓ（１００％）、損失正接ｔａｎδ（０℃）および損失正接ｔａｎδ（６０℃）を個々に演算するシングルタスクではなく、４つの物性を１つの演算モデルで求めるマルチタスク形式としている。

【0042】

図１２はシングルタスクとマルチタスクによる学習における相関係数の一例を示す図表である。図１２に示すようにマルチタスクによる予備学習によって、相関係数であるＲ－ｓｑ（二乗値）が大きくなり、物性予測演算モデル３１による化合物の性状予測の精度を向上させることができる。同様に、物性予測演算モデル３１の学習についてもマルチタスクによる学習を実行することによって、物性予測の精度を向上させることができる。

【0043】

また、ゴム材料物性予測システム１００は、外部データベースによる物性予測演算モデル３１の予備学習、さらに予備学習を経た物性予測演算モデル３１の学習をマルチタスク形式で実行することによって物性予測の精度を向上させることができる。尚、物性予測演算モデル３１の外部データベースに基づく予備学習、並びに、予備学習の有無に関わらずゴム材料の化学構造および物性に基づく物性予測演算モデル３１の学習をシングルタスク形式で実行してもよい。

【0044】

次に実施形態に係るゴム材料物性予測システム１００の特徴について説明する。
実施形態に係るゴム材料物性予測システム１００は、構造定量化処理部２０および物性予測処理部３０を備える。構造定量化処理部２０は、ゴム材料の化学構造を数値情報として定量化する。物性予測処理部３０は、定量化された化学構造が入力層４１に入力されて物性を出力層４３から出力する学習型の物性予測演算モデル３１を有し、構造定量化処理部２０により定量化された化学構造を入力層４１に入力し、ゴム材料の物性を算出する。これにより、ゴム材料物性予測システム１００は、ゴム材料の化学構造に基づいてゴム材料の物性を予測することができる。

【0045】

また、物性予測演算モデル３１は、外部データベースに蓄積されたシラン化合物の化学構造および性状データに基づいて予備的に学習された際の重みづけを初期値とし、ゴム材料の化学構造および物性によって学習されている。これにより、ゴム材料物性予測システム１００は、ゴム材料の物性予測の精度を向上することができる。

【0046】

また、ゴム材料の物性に基づいて、物性予測演算モデル３１に関する再帰演算によってゴム材料の化学構造を生成する再帰演算処理部５０を更に備える。これにより、ゴム材料物性予測システム１００は、ゴム材料の開発過程で検討されるべき新たな化学構造を提案することができる。

【0047】

また、物性予測演算モデル３１は、ゴム材料の複数の物性をマルチタスクによって算出する。これにより、ゴム材料物性予測システム１００は、物性予測の精度を向上させることができる。

【0048】

ゴム材料物性予測方法は、構造定量化処理ステップおよび物性予測処理ステップを備える。構造定量化処理ステップは、ゴム材料の化学構造を数値情報として定量化する。物性予測処理ステップは、定量化された化学構造が入力層４１に入力されて物性を出力層４３から出力する学習型の物性予測演算モデル３１を有し、構造定量化処理ステップにより定量化された化学構造を入力層４１に入力し、ゴム材料の物性を算出する。このゴム材料物性予測方法によれば、ゴム材料の化学構造に基づいてゴム材料の物性を予測することができる。

【0049】

以上、本発明の実施の形態をもとに説明した。これらの実施の形態は例示であり、いろいろな変形および変更が本発明の特許請求範囲内で可能なこと、またそうした変形例および変更も本発明の特許請求の範囲にあることは当業者に理解されるところである。従って、本明細書での記述および図面は限定的ではなく例証的に扱われるべきものである。

【符号の説明】

【0050】

２０ 構造定量化処理部、 ３０ 物性予測処理部、 ３１ 物性予測演算モデル、
４１ 入力層、 ４３ 出力層、 ５０ 再帰演算処理部、
１００ ゴム材料物性予測システム。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】