特許 7497675 物性値推定システムおよび物性値推定方法

(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】2024-06-03

(45)【発行日】2024-06-11

(54)【発明の名称】物性値推定システムおよび物性値推定方法

(51)【国際特許分類】

   G06F 30/10 20200101AFI20240604BHJP

   G06F 30/27 20200101ALI20240604BHJP

【ＦＩ】

G06F30/10

G06F30/27

【請求項の数】 7

(21)【出願番号】P 2020199356

(22)【出願日】2020-12-01

(65)【公開番号】P2022087429

(43)【公開日】2022-06-13

【審査請求日】2023-07-14

(73)【特許権者】

【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】110002066

【氏名又は名称】弁理士法人筒井国際特許事務所

(72)【発明者】

【氏名】河村 知可子

(72)【発明者】

【氏名】社内 大介

(72)【発明者】

【氏名】谷 毅彦

【審査官】合田 幸裕

(56)【参考文献】

【文献】特開２０２０－０７７２５７（ＪＰ，Ａ）

【文献】特開２０２０－１４９４２３（ＪＰ，Ａ）

【文献】特開２０１４－０７６７０１（ＪＰ，Ａ）

【文献】特開２０１８－１４７４６０（ＪＰ，Ａ）

【文献】中国特許出願公開第１０８５３６９５６（ＣＮ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｆ ３０／１０

Ｇ０６Ｆ ３０／２７

Ｇ１６Ｃ ２０／００－６０／００

ＩＥＥＥ Ｘｐｌｏｒｅ

ＪＳＴＰｌｕｓ（ＪＤｒｅａｍＩＩＩ）

(57)【特許請求の範囲】

【請求項1】

複数種類の組成物から構成される材料の配合割合と前記配合割合に対応する物性値とを関係付けた既知データを入力するように構成された既知データ入力部と、
予め設定される複数のレベルの中から前記物性値が属するレベルを前記既知データに付加して前記配合割合と前記物性値と前記レベルとを関係付けたレベルデータを生成するように構成されたレベルデータ生成部と、
前記レベルデータに基づいて、物性値との対応が未知の第１配合割合を入力すると前記第１配合割合に対応する物性値が属するレベルを出力するレベル用近似関数を生成するように構成されたレベル用近似関数生成部と、
前記第１配合割合を入力するように構成された配合割合入力部と、
前記第１配合割合と前記レベル用近似関数とに基づいて、前記第１配合割合に対応するレベルを推定するように構成されたレベル推定部と、
を備える、物性値推定システム。

【請求項2】

請求項１に記載の物性値推定システムにおいて、
前記レベル用近似関数生成部は、前記レベルデータを教師データとして、入力を配合割合とするとともに出力をレベルとするニューラルネットワークを学習させることにより、前記レベル用近似関数を生成するように構成されている、物性値推定システム。

【請求項3】

請求項１に記載の物性値推定システムにおいて、
前記複数のレベルは、しきい値に基づいて設定される、物性値推定システム。

【請求項4】

請求項１に記載の物性値推定システムにおいて、
前記物性値推定システムは、
前記複数のレベルのそれぞれに属するレベルデータに基づいて、前記第１配合割合を入力すると前記第１配合割合に対応する物性値を出力する物性値用近似関数を前記複数のレベルのそれぞれごとに生成するように構成された物性値用近似関数生成部と、
前記レベル推定部で推定されたレベルでの物性値用近似関数に基づいて、前記第１配合割合に対応する物性値を推定するように構成された物性値推定部と、
前記物性値推定部で推定された物性値を出力するように構成された物性値出力部と、
を有する、物性値推定システム。

【請求項5】

請求項４に記載の物性値推定システムにおいて、
前記物性値用近似関数生成部は、前記複数のレベルのそれぞれに属するレベルデータを教師データとして、入力を配合割合とするとともに出力を物性値とするニューラルネットワークを学習させることにより、前記複数のレベルのそれぞれごとに前記物性値用近似関数を生成するように構成されている、物性値推定システム。

【請求項6】

複数種類の組成物から構成される材料の配合割合と前記配合割合に対応する物性値とを関係付けた既知データを入力する既知データ入力工程と、
予め設定される複数のレベルの中から前記物性値が属するレベルを前記既知データに付加して前記配合割合と前記物性値と前記レベルとを関係付けたレベルデータを生成するレベルデータ生成工程と、
前記レベルデータに基づいて、物性値との対応が未知の第１配合割合を入力すると前記第１配合割合に対応する物性値が属するレベルを出力するレベル用近似関数を生成するレベル用近似関数生成工程と、
前記第１配合割合を入力する配合割合入力工程と、
前記第１配合割合と前記レベル用近似関数とに基づいて、前記第１配合割合に対応するレベルを推定するレベル推定工程と、
を備える、物性値推定方法。

【請求項7】

請求項６に記載の物性値推定方法において、
前記物性値推定方法は、
前記複数のレベルのそれぞれに属するレベルデータに基づいて、前記第１配合割合を入力すると前記第１配合割合に対応する物性値を出力する物性値用近似関数を前記複数のレベルのそれぞれごとに生成する物性値用近似関数生成工程と、
前記レベル推定工程で推定されたレベルでの物性値用近似関数に基づいて、前記第１配合割合に対応する物性値を推定する物性値推定工程と、
前記物性値推定工程で推定された物性値を出力する物性値出力工程と、
を有する、物性値推定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、物性値推定システムおよび物性値推定方法に関し、例えば、樹脂複合材料の配合割合に応じた物性値を推定する技術に適用して有効な技術に関する。

【背景技術】

【0002】

特開２０２０－７７２５７号公報（特許文献１）には、人工知能を活用して、設計対象となる材料の物性を推定する技術が記載されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０２０－７７２５７号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

近年、複数種類の樹脂や配合剤を複合化することにより、樹脂自体の特性に新たな性能を付与した複合材料が開発されている。この点に関し、新規な複合材料の開発には、複合材料が所望の特性を有するまで各組成物の組成比を調整しながら材料開発を行う必要がある。このことから、複合材料の開発には、膨大なコストがかかる。したがって、複合材料開発の効率化を図る観点から、実験計画段階で実験すべき複合材料の物性をある程度推定できることが望ましい。ところが、例えば、電線被覆材料用の複合材料は、配合剤の種類が多く、また、配合組成比によって物性値が大きく変化することがある。このことから、複合材料の物性値を推定することは難しい。以上のことから、複合材料の物性値を高精度に推定できる技術が望まれている。

【課題を解決するための手段】

【0005】

一実施の形態における物性値推定システムは、複数種類の組成物から構成される材料の配合割合と配合割合に対応する物性値とを関係付けた既知データを入力するように構成された既知データ入力部と、予め設定される複数のレベルの中から物性値が属するレベルを既知データに付加して配合割合と物性値とレベルとを関係付けたレベルデータを生成するように構成されたレベルデータ生成部と、レベルデータに基づいて、物性値との対応が未知の第１配合割合を入力すると第１配合割合に対応する物性値が属するレベルを出力するレベル用近似関数を生成するように構成されたレベル用近似関数生成部と、第１配合割合を入力するように構成された配合割合入力部と、第１配合割合とレベル用近似関数とに基づいて、第１配合割合に対応するレベルを推定するように構成されたレベル推定部とを備える。

【0006】

また、一実施の形態における物性値推定方法は、複数種類の組成物から構成される材料の配合割合と配合割合に対応する物性値とを関係付けた既知データを入力する既知データ入力工程と、予め設定される複数のレベルの中から物性値が属するレベルを既知データに付加して配合割合と物性値とレベルとを関係付けたレベルデータを生成するレベルデータ生成工程と、レベルデータに基づいて、物性値との対応が未知の第１配合割合を入力すると第１配合割合に対応する物性値が属するレベルを出力するレベル用近似関数を生成するレベル用近似関数生成工程と、第１配合割合を入力する配合割合入力工程と、第１配合割合とレベル用近似関数とに基づいて、第１配合割合に対応するレベルを推定するレベル推定工程とを備える。

【発明の効果】

【0007】

一実施の形態によれば、複合材料の物性値を高精度に推定できる。

【図面の簡単な説明】

【0008】

【図1】物性値推定装置のハードウェア構成の一例を示す図である。

【図2】物性値推定装置の機能を示す機能ブロック図である。

【図3】レベル用近似関数生成部の構成例を示す図である。

【図4】物性値用近似関数生成部の構成例を示す図である。

【図5】レベル用近似関数の生成動作を説明するフローチャートである。

【図6】物性値用近似関数の生成動作を説明するフローチャートである。

【図7】配合割合に対応する物性値の推定動作を説明するフローチャートである。

【図8】物性値推定システムを物性値推定装置と近似関数生成装置から構成する例を示す機能ブロック図である。

【図9】単一の物性値用近似関数で推定された物性値と実測値との対応関係を示すグラフである。

【図10】それぞれのレベルごとの物性値用近似関数で推定された物性値と実測値との対応関係を示すグラフである。

【図11】第１レベルの物性値用近似関数で推定された物性値と実測値との対応関係を示すグラフである。

【図12】第２レベルの物性値用近似関数で推定された物性値と実測値との対応関係を示すグラフである。

【図13】レベル推定装置の機能ブロック構成を示す図である。

【図14】配合割合に対応する物性値の属するレベルの推定動作を説明するフローチャートである。

【発明を実施するための形態】

【0009】

実施の形態を説明するための全図において、同一の部材には原則として同一の符号を付し、その繰り返しの説明は省略する。なお、図面をわかりやすくするために平面図であってもハッチングを付す場合がある。

【0010】

本実施の形態における技術的思想は、複数種類の樹脂や配合剤を複合化した複合材料での配合割合に対応する物性値を推定する物性値推定システムに関する思想である。

【0011】

ここで、複合材料は、例えば、樹脂や配合剤を含む電線被覆材料を挙げることができ、物性値としては、例えば、材料の伸び特性を挙げることができる。

【0012】

樹脂は、例えば、高密度ポリエチレン、低密度ポリエチレン、エチレンアクリル酸共重合体などのポリオレフィンや、塩素化ポリエチレンなどのエラストマである。一方、配合剤としては、例えば、タルク、炭酸カルシウム、シリカなどのフィラー、可塑剤、架橋剤および安定剤を挙げることができる。ただし、複合材料を構成する樹脂や配合剤などの組成物の種類や数は、限定されるものではない。

【0013】

＜関連技術の説明＞
まず、配合割合に対応する物性値を推定する物性値推定システムに関する関連技術について説明する。本明細書でいう「関連技術」とは、公知技術ではないが、本発明者が見出した課題を有する技術であって、本願発明の前提となる技術である。

【0014】

例えば、物性値推定システムとして、以下に示す関連技術が考えられる。すなわち、配合割合とこの配合割合に対応する物性値とが既知のデータを教師データとして、入力を配合割合とするとともに出力を物性値とするニューラルネットワークを学習させることにより、近似関数を生成する関連技術が考えられる。

【0015】

この関連技術では、例えば、物性値との対応が未知の配合割合を近似関数に入力すると、近似関数から物性値が出力される。したがって、推定精度の高い近似関数を取得することができれば、物性値との対応が未知の配合割合で実現される可能性が高い物性値を高精度に推定することができる。

【0016】

この点に関し、本発明者は、配合割合とこの配合割合に対応する物性値とが既知のデータにおいて、物性値の数値範囲が広範囲にわたる場合、これらのデータを教師データとしてニューラルネットワークを学習させることにより生成される近似関数では、物性値との対応が未知の配合割合で実現される可能性が高い物性値を高精度に推定することが困難であることを新規に見出した。すなわち、関連技術では、物性値の数値範囲が広範囲にわたるデータを教師データとして「単一の近似関数」を生成するが、このようにして生成された「単一の近似関数」では、精度良く物性値を推定することが困難であることを本発明者は新規に見出した。つまり、関連技術には、配合割合に対応する物性値を高精度に推定する観点から改善の余地が存在する。

【0017】

そこで、本実施の形態では、関連技術に存在する改善の余地に対する工夫を施している。以下では、この工夫を施した本実施の形態における技術的思想について説明する。

【0018】

＜実施の形態における基本思想＞
本実施の形態における基本思想は、配合割合とこの配合割合に対応する物性値とが既知のデータにおいて、物性値の数値範囲を複数範囲に分割し、分割された複数範囲のそれぞれに属するデータを教師データとして、複数範囲のそれぞれに特有の近似関数を生成する思想である。すなわち、本実施の形態における基本思想は、複数範囲のそれぞれごとに異なる近似関数を生成する思想である。つまり、基本思想によれば、関連技術のように「単一の近似関数」を生成するのではなく、「複数の近似関数」を生成する。

【0019】

この基本思想によれば、複数範囲のそれぞれに属する狭い数値範囲のデータを教師データとして使用することから、これらのデータを教師データとしてニューラルネットワークを学習させることにより生成される近似関数は、物性値との対応が未知の配合割合で実現される可能性が高い物性値を高精度に推定することができる。

【0020】

この基本思想によって、物性値との対応が未知の配合割合で実現される可能性が高い物性値を高精度に推定するためには、物性値との対応が未知の配合割合が複数範囲のどの範囲に属することになるかを正確に推定する必要がある。なぜなら、物性値との対応が未知の配合割合が複数範囲のどの範囲に属することになるかを正確に推定することができなければ、実際とは異なる範囲での近似関数が使用されることになる結果、物性値を高精度に推定することができなくなるからである。

【0021】

したがって、基本思想を具現化するにあたっては、物性値との対応が未知の配合割合が複数範囲のどの範囲に属することになるかを正確に推定することが重要となり、この点も考慮して基本思想を具現化する工夫を施している。

【0022】

以下では、主に、この基本思想を具現化した物性値推定システムを単体のコンピュータから構成する例を取り上げて説明するが、本実施の形態における物性値推定システムは、複数のコンピュータからなる分散システムで実現することも可能である。

【0023】

＜物性値推定装置の構成＞
＜＜ハードウェア構成＞＞
まず、本実施の形態おける物性値推定装置のハードウェア構成について説明する。

【0024】

図１は、本実施の形態における物性値推定装置１００のハードウェア構成の一例を示す図である。なお、図１に示す構成は、あくまでも物性値推定装置１００のハードウェア構成の一例を示すものであり、物性値推定装置１００のハードウェア構成は、図１に記載されている構成に限らず、他の構成であってもよい。

【0025】

図１において、物性値推定装置１００は、プログラムを実行するＣＰＵ（Central Processing Unit）１０１を備えている。このＣＰＵ１０１は、バス１１３を介して、例えば、ＲＯＭ（Read Only Memory）１０２、ＲＡＭ（Random Access Memory）１０３、および、ハードディスク装置１１２と電気的に接続されており、これらのハードウェアデバイスを制御するように構成されている。

【0026】

また、ＣＰＵ１０１は、バス１１３を介して入力装置や出力装置とも接続されている。入力装置の一例としては、キーボード１０５、マウス１０６、通信ボード１０７、および、スキャナ１１１などを挙げることができる。一方、出力装置の一例としては、ディスプレイ１０４、通信ボード１０７、および、プリンタ１１０などを挙げることができる。さらに、ＣＰＵ１０１は、例えば、リムーバルディスク装置１０８やＣＤ／ＤＶＤ－ＲＯＭ装置１０９と接続されていてもよい。

【0027】

物性値推定装置１００は、例えば、ネットワークと接続されていてもよい。例えば、物性値推定装置１００がネットワークを介して他の外部機器と接続されている場合、物性値推定装置１００の一部を構成する通信ボード１０７は、ＬＡＮ（ローカルエリアネットワーク）、ＷＡＮ（ワイドエリアネットワーク）やインターネットに接続されている。

【0028】

ＲＡＭ１０３は、揮発性メモリの一例であり、ＲＯＭ１０２、リムーバルディスク装置１０８、ＣＤ／ＤＶＤ－ＲＯＭ装置１０９、ハードディスク装置１１２の記録媒体は、不揮発性メモリの一例である。これらの揮発性メモリや不揮発性メモリによって、物性値推定装置１００の記憶装置が構成される。

【0029】

ハードディスク装置１１２には、例えば、オペレーティングシステム（ＯＳ）２０１、プログラム群２０２、および、ファイル群２０３が記憶されている。プログラム群２０２に含まれるプログラムは、ＣＰＵ１０１がオペレーティングシステム２０１を利用しながら実行する。また、ＲＡＭ１０３には、ＣＰＵ１０１に実行させるオペレーティングシステム２０１のプログラムやアプリケーションプログラムの少なくとも一部が一次的に格納されるとともに、ＣＰＵ１０１による処理に必要な各種データが格納される。

【0030】

ＲＯＭ１０２には、ＢＩＯＳ（Basic Input Output System）プログラムが記憶され、ハードディスク装置１１２には、ブートプログラムが記憶されている。物性値推定装置１００の起動時には、ＲＯＭ１０２に記憶されているＢＩＯＳプログラムおよびハードディスク装置１１２に記憶されているブートプログラムが実行され、ＢＩＯＳプログラムおよびブートプログラムにより、オペレーティングシステム２０１が起動される。

【0031】

プログラム群２０２には、物性値推定装置１００の機能を実現するプログラムが記憶されており、このプログラムは、ＣＰＵ１０１により読み出されて実行される。また、ファイル群２０３には、ＣＰＵ１０１による処理の結果を示す情報、データ、信号値、変数値やパラメータがファイルの各項目として記憶されている。

【0032】

ファイルは、ハードディスク装置１１２やメモリなどの記録媒体に記録される。ハードディスク装置１１２やメモリなどの記録媒体に記録された情報、データ、信号値、変数値やパラメータは、ＣＰＵ１０１によりメインメモリやキャッシュメモリに読み出され、抽出・検索・参照・比較・演算・処理・編集・出力・印刷・表示に代表されるＣＰＵ１０１の動作に使用される。例えば、上述したＣＰＵ１０１の動作の間、情報、データ、信号値、変数値やパラメータは、メインメモリ、レジスタ、キャッシュメモリ、バッファメモリなどに一次的に記憶される。

【0033】

物性値推定装置１００の機能は、ＲＯＭ１０２に記憶されたファームウェアで実現されていてもよいし、あるいは、ソフトウェアのみ、素子・デバイス・基板・配線に代表されるハードウェアのみ、ソフトウェアとハードウェアとの組み合わせ、さらには、ファームウェアとの組み合わせで実現されていてもよい。ファームウェアとソフトウェアは、プログラムとして、ハードディスク装置１１２、リムーバルディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭなどに代表される記録媒体に記録される。プログラムは、ＣＰＵ１０１により読み出されて実行される。すなわち、プログラムは、コンピュータを物性値推定装置１００として機能させるものである。

【0034】

このように、物性値推定装置１００は、処理装置であるＣＰＵ１０１、記憶装置であるハードディスク装置１１２やメモリ、入力装置であるキーボード１０５、マウス１０６、通信ボード１０７、出力装置であるディスプレイ１０４、プリンタ１１０、通信ボード１０７を備えるコンピュータである。そして、物性値推定装置１００の機能は、処理装置、記憶装置、入力装置、および、出力装置を利用して実現される。

【0035】

＜＜機能ブロック構成＞＞
次に、物性値推定装置１００の機能ブロック構成について説明する。

【0036】

図２は、物性値推定装置の機能を示す機能ブロック図である。

【0037】

物性値推定装置１００は、既知データ入力部３０１と、レベルデータ生成部３０２と、レベル用近似関数生成部３０３と、精度判断部３０４と、配合割合入力部３０５と、レベル推定部３０６と、レベル出力部３０７と、物性値用近似関数生成部３０８と、物性値推定部３０９と、物性値出力部３１０と、データ記憶部３１１とを有している。

【0038】

既知データ入力部３０１は、既知データを入力するように構成されている。

【0039】

ここで、「既知データ」とは、配合割合と物性値が関係付けられたデータであって、配合割合と物性値とがわかっているデータとして定義される。

【0040】

既知データ入力部３０１に入力された既知データは、データ記憶部３１１に記憶される。

【0041】

レベルデータ生成部３０２は、既知データからレベルデータを生成するように構成されている。ここで、「レベルデータ」とは、既知データの物性値がどの数値範囲に属しているかを示すレベルを既知データに付加したデータいう。具体的に、「レベルデータ」とは、予め設定される複数のレベルの中から物性値が属するレベルを既知データに付加して配合割合と物性値とレベルとを関係付けたデータとして定義される。

【0042】

例えば、既知データとして、配合割合が「第１配合割合」で物性値が「１００」の第１既知データと、配合割合が「第２配合割合」で物性値が「５００」の第２既知データと、配合割合が「第３配合割合」で物性値が「２００」の第３既知データが存在するとする。このとき、レベルデータ生成部３０２では、例えば、物性値のしきい値を「３００」として、物性値が「３００」以下のデータを第１レベルに対応づけるとともに、物性値が「３００」よりも大きいデータを第２レベルに対応づけるようにレベルを決定するとする。

【0043】

この場合、レベルデータ生成部３０２は、第１既知データの物性値が「１００」で「３００」以下の第１レベルに属することから、第１既知データと第１レベルとを関係付けて、配合割合が「第１配合割合」、物性値が「１００」およびレベルが「第１レベル」である第１レベルデータを生成する。

【0044】

また、レベルデータ生成部３０２は、第２既知データの物性値が「５００」で「３００」よりも大きい第２レベルに属することから、第２既知データと第２レベルとを関係付けて、配合割合が「第２配合割合」、物性値が「５００」およびレベルが「第２レベル」である第２レベルデータを生成する。

【0045】

さらに、レベルデータ生成部３０２は、第３既知データの物性値が「２００」で「３００」以下の第１レベルに属することから、第３既知データと第１レベルとを関係付けて、配合割合が「第３配合割合」、物性値が「２００」およびレベルが「第１レベル」である第３レベルデータを生成する。

【0046】

これにより、第１レベルデータと第３レベルデータとが第１レベルに属するデータとなるとともに、第２レベルデータが第２レベルに属するデータとなる。

【0047】

このようにして、レベルデータ生成部３０２で生成されたレベルデータは、例えば、レベルごとに分類されてデータ記憶部３１１に記憶される。

【0048】

レベル用近似関数生成部３０３は、レベルデータ生成部３０２で生成されたレベルデータに基づいて、レベル用近似関数を生成する機能を有する。つまり、レベル用近似関数生成部３０３は、配合割合とこの配合割合での材料の物性値が属するレベルとを関係付けるレベル用近似関数を生成する機能を有する。具体的に、図３に示すように、レベル用近似関数生成部３０３は、レベルデータを教師データとして、入力を配合割合とするとともに出力をレベルとするニューラルネットワークを学習させることにより、レベル用近似関数を生成するように構成されている。

【0049】

ここで、「レベル用近似関数」とは、配合割合を入力すると、この配合割合に応じた物性値が属するレベルを出力する関数として定義される。すなわち、「レベル用近似関数」とは、物性値との対応関係が未知の配合割合が入力された場合に、この配合割合で実現されると推測される物性値の属するレベルを出力する関数として定義される。このように、レベル用近似関数は、物性値との対応関係が未知の配合割合に対応するレベルを推定することに使用される関数ということができる。

【0050】

精度判断部３０４は、レベル用近似関数生成部３０３で生成されたレベル用近似関数の精度が良好であるかを判断する機能を有する。

【0051】

レベル用近似関数は、例えば、物性値との対応関係が未知の配合割合を入力した場合に出力されるレベルが、この配合割合での実際の物性値が属するレベルである確率が高くなるほど良好な精度を有しているということができる。

【0052】

そこで、精度判断部３０４では、レベルデータを使用してレベル用近似関数の精度が良好であるか否かを判断するように構成されている。例えば、精度判断部３０４は、レベル用近似関数にレベルデータの配合割合を入力して出力されるレベルが、レベルデータのレベルを再現している確率が９０％以上である場合に、レベル用近似関数の精度は良好であると判断する。精度判断部３０４で精度が良好であると判断されたレベル用近似関数は、データ記憶部３１１に記憶される。

【0053】

配合割合入力部３０５は、物性値との対応が未知の評価対象となる配合割合を入力する。

【0054】

レベル推定部３０６は、配合割合入力部３０５に入力された配合割合とレベル用近似関数生成部３０３で生成されたレベル用近似関数とに基づいて、入力された配合割合に対応するレベルを推定する機能を有する。つまり、レベル推定部３０６は、レベル用近似関数生成部３０３で生成されたレベル用近似関数を用いて、評価対象となる配合割合に対応するレベルを推定するように構成されている。

【0055】

レベル出力部３０７は、レベル推定部３０６で推定されたレベルを出力する。

【0056】

次に、物性値用近似関数生成部３０８は、複数のレベルのそれぞれごとに配合割合と材料の物性値とを関係付ける物性値用近似関数を生成する機能を有する。すなわち、物性値用近似関数生成部３０８では、異なるレベルごとに異なる物性値用近似関数を生成するように構成されている。したがって、物性値用近似関数生成部３０８で生成される物性値用近似関数は、レベルの数だけ存在することになる。

【0057】

具体的に、図４に示すように、物性値用近似関数生成部３０８は、レベルデータのうち、レベルが第Ｎレベルであるレベルデータを教師データとして、入力を配合割合とするとともに出力を物性値とするニューラルネットワークを学習させることにより、第Ｎレベルでの物性値用近似関数を生成する機能を有する。例えば、物性値用近似関数生成部３０８は、レベルデータのうち、レベルが第１レベル～第Ｎレベルのそれぞれであるレベルデータを教師データとして、入力を配合割合とするとともに出力を物性値とするニューラルネットワークを学習させることにより、第１レベル～第Ｎレベルのそれぞれでの物性値用近似関数を生成するように構成されている。つまり、レベルデータがＮ個のレベルに分類されている場合、物性値用近似関数生成部３０８では、Ｎ個の異なる物性値用近似関数が生成されることになる。

【0058】

ここで、「物性値用近似関数」とは、配合割合を入力すると、この配合割合に応じた物性値を出力する関数として定義される。すなわち、「物性値用近似関数」とは、物性値との対応関係が未知の配合割合が入力された場合に、この配合割合で実現されると推測される物性値を出力する関数として定義される。このように、物性値用近似関数は、物性値との対応関係が未知の配合割合に対応する物性値を推定することに使用される関数ということができる。

【0059】

なお、物性値用近似関数生成部３０８で生成された複数の物性値用近似関数のそれぞれは、例えば、上述した精度判断部３０４によって、精度の良否が判断される。例えば、精度判断部３０４は、第Ｎレベルに対応する物性値用近似関数に対し、第Ｎレベルに分類されたレベルデータの配合割合を入力して出力される物性値が、このレベルデータの物性値を再現している確率が９０％以上である場合に、物性値用近似関数の精度は良好であると判断する。精度判断部３０４で精度が良好であると判断された物性値用近似関数は、データ記憶部３１１に記憶される。

【0060】

物性値推定部３０９は、レベル推定部３０８で推定されたレベルでの物性値用近似関数に基づいて、評価対象の配合割合に対応する物性値を推定する機能を有する。

【0061】

例えば、物性値推定部３０９は、レベル推定部３０８で推定されたレベルが第１レベルである場合、物性値用近似関数生成部３０８で生成された複数の物性値用近似関数のうち、第１レベルの物性値用近似関数を使用して、評価対象の配合割合に対応する物性値を推定することになる。

【0062】

物性値出力部３１０は、物性値推定部３０９で推定された物性値を出力する。

【0063】

このようにして、物性値推定装置１００が構成されている。

【0064】

＜物性値推定装置の動作＞
本実施の形態における物性値推定装置１００は、上記のように構成されており、以下のその動作について説明する。物性値推定装置１００の動作は、「レベル用近似関数の生成動作」と「物性値用近似関数の生成動作」と「評価対象の配合割合に対応する物性値の推定動作」がある。このため、以下では、これらの動作について説明する。

【0065】

＜＜レベル用近似関数の生成動作＞＞
図５は、レベル用近似関数の生成動作を説明するフローチャートである。

【0066】

図５において、まず、既知データ入力部３０１は、既知データを入力する（Ｓ１０１）。そして、既知データ入力部３０１に入力された既知データは、データ記憶部３１１に記憶される。次に、レベルデータ生成部３０２は、データ記憶部３１１に記憶されている既知データを取得し、予め設定されているレベル分類基準に基づいて、既知データからレベルデータを生成する（Ｓ１０２）。例えば、予め設定されているレベル分類基準とは、物性値が所定のしきい値以下の場合に第１レベルに設定する一方、物性値が所定のしきい値よりも大きい場合に第２レベルに設定するという基準を考えることができる。なお、予め設定されているレベル分類基準は、２種類のレベルに分類する基準だけでなく、２種類以上のレベルに分類する基準であってもよい。

【0067】

その後、レベルデータ生成部３０２で生成されたレベルデータは、データ記憶部３１１に記憶される。続いて、レベル用近似関数生成部３０３は、レベルデータ生成部３０２で生成されたレベルデータに基づいて、レベル用近似関数を生成する（Ｓ１０３）。具体的に、レベル用近似関数生成部３０３は、レベルデータを教師データとして、入力を配合割合とするとともに出力をレベルとするニューラルネットワークを学習させることにより、レベル用近似関数を生成する（図３参照）。

【0068】

次に、精度判断部３０４は、レベル用近似関数生成部３０３で生成されたレベル用近似関数の精度が良好であるかを判断する（Ｓ１０４）。そして、精度判断部３０４がレベル用近似関数の精度が良好であると判断すると（Ｓ１０５）、物性値推定装置１００は、レベル用近似関数生成部３０３で生成されたレベル用近似関数を採用することを決定し（Ｓ１０６）、決定したレベル用近似関数をデータ記憶部３１１に記憶する。一方、精度判断部３０４がレベル用近似関数の精度が良好ではないと判断した場合（Ｓ１０５）、物性値推定装置１００は、新たな既知データを追加して（Ｓ１０７）、追加した既知データを含む既知データに基づいて、レベル用近似関数を再生成する。この場合、教師データが増加することから、再生成されるレベル用近似関数の精度を向上することができると考えられる。この動作を精度判断部３０４がレベル用近似関数の精度が良好であると判断するまで繰り返す。

【0069】

このようにして、レベル用近似関数の生成動作が行われる。

【0070】

＜＜物性値用近似関数の生成動作＞＞
続いて、物性値用近似関数の生成動作について説明する。

【0071】

図６は、物性値用近似関数の生成動作を説明するフローチャートである。

【0072】

ここでは、既にレベルデータがデータ記憶部３１１に記憶されているものとする。例えば、データ記憶部３１１には、第１レベルから第Ｎｍａｘレベルまでのレベルデータが記憶されているものとする。

【0073】

まず、物性値推定装置１００は、レベルを示す「Ｎ」をＮ＝１に設定する（Ｓ２０１）。次に、物性値推定装置１００は、データ記憶部３１１に記憶されているレベルデータのうち、第Ｎレベルに属するレベルデータを取得する（Ｓ２０２）。

【0074】

そして、物性値用近似関数生成部３０８は、第Ｎレベルに属するレベルデータに基づいて、第Ｎレベルの物性値用近似関数を生成する（Ｓ２０３）。具体的に、物性値用近似関数生成部３０８は、第Ｎレベルに属するレベルデータを教師データとして、入力を配合割合とするとともに出力を物性値とするニューラルネットワークを学習させることにより、第Ｎレベルの物性値用近似関数を生成する（図４参照）。次に、精度判断部３０４は、物性値用近似関数生成部３０８で生成された第Ｎレベルの物性値用近似関数の精度が良好であるかを判断する（Ｓ２０４）。

【0075】

そして、精度判断部３０４が第Ｎレベルの物性値用近似関数の精度が良好であると判断すると（Ｓ２０５）、物性値推定装置１００は、物性値用近似関数生成部３０８で生成された第Ｎレベルの物性値用近似関数を採用することを決定し（Ｓ２０６）、決定した第Ｎレベルの物性値用近似関数をデータ記憶部３１１に記憶する。その後、物性値推定装置１００は、レベルを示す「Ｎ」がＮｍａｘであるか否かを判断する（Ｓ２０８）。このとき、レベルを示す「Ｎ」がＮｍａｘである場合、物性値用近似関数の生成動作を終了する。これに対し、レベルを示す「Ｎ」がＮｍａｘではない場合、Ｎ＝Ｎ＋１を代入して（Ｓ２０９）、第Ｎ＋１レベルの物性値用近似関数の生成動作を実施する。なお、精度判断部３０４が第Ｎレベルの物性値用近似関数の精度が良好ではないと判断した場合（Ｓ２０５）、物性値推定装置１００は、第Ｎレベルに属する新たなレベルデータを追加して（Ｓ２０７）、追加したレベルデータを含む第Ｎレベルのレベルデータに基づいて、第Ｎレベルの物性値用近似関数を再生成する。この場合、教師データが増加することから、再生成される第Ｎレベルの物性値用近似関数の精度を向上することができると考えられる。この動作を精度判断部３０４が第Ｎレベルの物性値用近似関数の精度が良好であると判断するまで繰り返す。このようにして、第１レベルから第Ｎｍａｘレベルまでの物性値用近似関数を生成することができる。

【0076】

＜＜評価対象の配合割合に対応する物性値の推定動作＞＞
次に、評価対象の配合割合に対応する物性値の推定動作について説明する。

【0077】

図７は、評価対象の配合割合に対応する物性値の推定動作を説明するフローチャートである。なお、ここでは、レベル用近似関数と第１レベルから第Ｎｍａｘレベルのそれぞれの物性値用近似関数は、既にデータ記憶部３１１に記憶されているものとする。

【0078】

図７において、まず、配合割合入力部３０５は、物性値との対応が未知の評価対象となる配合割合を入力する（Ｓ３０１）。次に、レベル推定部３０６は、配合割合入力部３０５に入力された配合割合とデータ記憶部３１１に記憶されているレベル用近似関数とに基づいて、入力された配合割合に対応するレベルを推定する（Ｓ３０２）。

【0079】

続いて、物性値推定部３０９は、レベル推定部３０８で推定されたレベルでの物性値用近似関数に基づいて、評価対象の配合割合に対応する物性値を推定する（Ｓ３０３）。

【0080】

その後、物性値出力部３１０は、物性値推定部３０９で推定された物性値を出力する（Ｓ３０４）。

【0081】

このようにして、物性値推定装置１００によれば、物性値との対応が未知の評価対象となる配合割合に対して実現される可能性が高い物性値を出力することができる。

【0082】

＜実施の形態における特徴＞
続いて、本実施の形態における特徴点について説明する。

【0083】

本実施の形態における特徴点は、配合割合に対応する物性値を複数のレベルに分割し、分割された複数のレベルのそれぞれに対して互いに異なる物性値用近似関数を生成する点にある。これにより、物性値との対応が未知の配合割合に対する物性値を高精度に推定することができる。以下に、この点について説明する。

【0084】

例えば、配合割合に対応する物性値の数値範囲が「０」～「１０００」であるとする。この場合、「０」～「１０００」の数値範囲に属する既知データを教師データとして、入力を配合割合とするとともに出力を物性値とするニューラルネットワークを学習させることにより、単一の物性値用近似関数を取得することが考えられる。

【0085】

しかしながら、物性値の数値範囲が広いことから、機械学習によっても、単一の物性値用近似関数ですべての数値範囲で高精度に物性値を推測することは困難である。つまり、単一の物性値用近似関数では、広範囲の数値範囲にわたって高精度に物性値を推定することは、機械学習を使用しても難しいのである。

【0086】

そこで、本実施の形態では、物性値の数値範囲を分割して、分割した狭い数値範囲ごとに最適な物性値用近似関数を設定している。例えば、上述した「０」～「１０００」の数値範囲を、「０」～「３００」の第１数値範囲と「３０１」～「１０００」の第２数値範囲に分割して、第１数値範囲を第１レベルとし、第２数値範囲を第２レベルとする。これにより、本実施の形態では、配合割合に対する物性値の数値範囲が第１数値範囲である第１レベルのレベルデータと、配合割合に対する物性値の数値範囲が第２数値範囲である第２レベルのレベルデータとが生成される。

【0087】

そして、第１レベルに属するレベルデータを教師データとして、入力を配合割合とするとともに出力を物性値とするニューラルネットワークを学習させることにより、第１レベルの物性値用近似関数を取得する。同様に、第２レベルに属するレベルデータを教師データとして、入力を配合割合とするとともに出力を物性値とするニューラルネットワークを学習させることにより、第２レベルの物性値用近似関数を取得する。

【0088】

このようにして、教師データに使用するレベルデータに含まれる物性値の数値範囲（「０」～「３００」）が狭くなるので高精度に物性値を推定できる第１レベルの物性値用近似関数を取得することが可能となる。同様に、教師データに使用するレベルデータに含まれる物性値の数値範囲（「３０１」～「１０００」）が狭くなるので高精度に物性値を推定できる第２レベルの物性値用近似関数を取得することが可能となる。

【0089】

以上のように本実施の形態における特徴点は、教師データに使用するレベルデータの数値範囲を限定すれば、高精度な物性値用近似関数を取得できるという基本思想に基づいている。この基本思想を具現化するために、本実施の形態では、既知データを複数のレベルに分割している。ここで、重要な点は、物性値との対応が未知の配合割合に対応するレベルを正確に推定することである。なぜなら、物性値との対応が未知の配合割合に対するレベルが実際に属するべきレベルと異なるレベルに推定されると、物性値を高精度に推定するために使用する物性値用近似関数ではない異なるレベルの物性値用近似関数が使用されることになり、この結果、高精度に物性値を推定することができなくなるからである。したがって、物性値との対応が未知の配合割合に対応するレベルを正確に推定するために、本実施の形態では、既知データとレベルとを関係付けるレベルデータを生成している。そして、このレベルデータを教師データとして、入力を配合割合とするとともに出力をレベルとするニューラルネットワークを学習させることにより、レベル用近似関数を取得している。このようにして、レベル用近似関数を使用することにより、物性値との対応が未知の配合割合に対応するレベルを正確に推定することができる。

【0090】

つまり、本実施の形態では、レベルを推定するレベル用近似関数と、レベルごとに生成された物性値用近似関数とを使用することにより、物性値との対応が未知の配合割合に対応する物性値を高精度に推定できるのである。

【0091】

＜変形例＞
実施の形態では、図２に示すように、配合割合に応じた物性値を推定する物性値推定システムを単一の物性値推定装置１００から構成する例について説明したが、物性値推定システムは、この構成に限らず、例えば、分散システムから構成することもできる。

【0092】

図８は、物性値推定システムを物性値推定装置と近似関数生成装置から構成する例を示す機能ブロック図である。

【0093】

図８に示すように、物性値推定システムは、物性値推定装置４００と近似関数生成装置５００から構成されており、例えば、物性値推定装置４００と近似関数生成装置５００は、ネットワーク６００で接続されている。

【0094】

物性値推定装置４００は、配合割合入力部３０５と、レベル推定部３０６と、レベル出力部３０７と、物性値推定部３０９と、物性値出力部３１０と、データ記憶部３１１と、通信部３２０を有している。

【0095】

近似関数生成装置５００は、既知データ入力部３０１と、レベルデータ生成部３０２と、レベル用近似関数生成部３０３と、精度判断部３０４と、物性値用近似関数生成部３０８と、データ記憶部３１２と、通信部３３０とを有している。

【0096】

このように構成されている物性値推定装置４００と近似関数生成装置５００とは、ネットワーク６００を介した通信部３２０と通信部３３０とによってデータの送受信が可能なように構成されている。そして、近似関数生成装置５００では、上述した「レベル用近似関数の生成動作」と「物性値用近似関数の生成動作」とが行われて、レベル用近似関数とレベルごとの物性値用近似関数が生成される。

【0097】

一方、物性値推定装置４００では、近似関数生成装置５００で生成されたレベル用近似関数とレベルごとの物性値用近似関数を近似関数生成装置５００から入力して、データ記憶部３１１に記憶する。

【0098】

その後、物性値推定装置４００では、データ記憶部３１１に記憶されているレベル用近似関数とレベルごとの物性値用近似関数に基づいて、上述した「評価対象の配合割合に対応する物性値の推定動作」が行われる。

【0099】

このようにして、物性値推定装置４００と近似関数生成装置５００とを備える分散システムによっても、本実施の形態における物性値推定システムを構築することができる。

【0100】

＜効果の検証＞
次に、本実施の形態における物性値推定システムによれば、評価対象の配合割合に対応する物性値を高精度に推定できる検証結果について説明する。

【0101】

図９は、物性値の数値範囲「０」～「１０００」に含まれる既知データを教師データとして、ニューラルネットワークを学習させることにより取得された単一の物性値用近似関数で推定された物性値と実測値との対応関係を示すグラフである。

【0102】

図９において、横軸は実測値を示している一方、縦軸は推定値を示している。

【0103】

プロットデータが図９に示す破線の直線に近づくほど推定値が実測値に近いことを示している。したがって、破線の直線からのプロットデータのばらつきが小さいほど高精度に推定できていることになる。この点に関し、図９に示すプロットデータは、破線の直線からのばらつきが大きいことがわかる。これは、単一の物性値用近似関数で推定された物性値の推定精度が低いことを意味している。

【0104】

続いて、図１０は、物性値の数値範囲「０」～「１０００」を数値範囲「０」～「３００」の第１レベルと数値範囲「３０１」～「１０００」の第２レベルに分割して、それぞれのレベルごとの物性値用近似関数で推定された物性値と実測値との対応関係を示すグラフである。

【0105】

図１０において、灰色のプロットデータは、第１レベルの物性値用近似関数を使用して推定された物性値を示している。一方、黒色のプロットデータは、第２レベルの物性値用近似関数を使用して推定された物性値を示している。

【0106】

なお、参考までに、図１１は、物性値の数値範囲「０」～「３００」に含まれるレベルデータを教師データとして、ニューラルネットワークを学習させることにより取得された第１レベルの物性値用近似関数で推定された物性値のプロットデータ（灰色のプロットデータ）を図１０に示すプロットデータから抽出して示すグラフである。

【0107】

一方、図１２は、物性値の数値範囲「３０１」～「１０００」に含まれるレベルデータを教師データとして、ニューラルネットワークを学習させることにより取得された第２レベルの物性値用近似関数で推定された物性値のプロットデータ（黒色のプロットデータ）を図１０に示すプロットデータから抽出して示すグラフである。

【0108】

図１０～図１２に示すプロットデータは、破線の直線からのばらつきが小さいことがわかる。これは、物性値の数値範囲を複数のレベルで分割して、レベルごとに生成された物性値用近似関数を使用することにより、物性値の推定精度を向上できることを意味している。すなわち、本実施の形態における物性値推定システムによれば、物性値を高精度に推定できることが裏付けられていることになる。

【0109】

＜応用例＞
実施の形態では、評価対象となる配合割合に対応する物性値を推定する物性値推定システムについて説明したが、例えば、物性値を推定するのではなく、物性値の属するレベルを推定するレベル推定装置も有用である。

【0110】

そこで、本応用例では、評価対象となる配合割合を入力すると、配合割合に対応した物性値の属するレベルを出力するレベル推定装置について説明する。

【0111】

図１３は、レベル推定装置の機能ブロック構成を示す図である。

【0112】

図１３において、レベル推定装置７００は、既知データ入力部３０１と、レベルデータ生成部３０２と、レベル用近似関数生成部３０３と、精度判断部３０４と、配合割合入力部３０５と、レベル推定部３０６と、レベル出力部３０７を有している。

【0113】

このように構成されているレベル推定装置７００では、実施の形態で説明した物性値推定装置１００と同様の「レベル用近似関数の生成動作」によって、レベル用近似関数を生成する（図５参照）。そして、レベル推定装置７００では、以下に示すように、レベル用近似関数に基づいて、評価対象の配合割合に対応するレベルを推定する。

【0114】

図１４は、評価対象の配合割合に対応する物性値の属するレベルの推定動作を説明するフローチャートである。図１４において、まず、配合割合入力部３０５は、物性値との対応が未知の評価対象となる配合割合を入力する（Ｓ４０１）。次に、レベル推定部３０６は、配合割合入力部３０５に入力された配合割合とデータ記憶部３１１に記憶されているレベル用近似関数とに基づいて、入力された配合割合に対応するレベルを推定する（Ｓ４０２）。その後、レベル出力部３０７は、レベル推定部３０６で推定されたレベルを出力する。このようにして、レベル推定装置７００によれば、物性値との対応が未知の評価対象となる配合割合に対応するレベルを出力することができる。

【0115】

例えば、本応用例におけるレベル推定装置７００は、以下の場合に有用である。すなわち、配合割合に対応する物性値を第１レベルと第２レベルに分割する。このとき、第１レベルに属する物性値は、実験評価に値しない低い値とする一方、第２レベルに属する物性値は、実験評価する価値がある高い値とする。

【0116】

このような前提のもと、本応用例におけるレベル推定装置７００において、物性値との対応が未知の評価対象となる「第１配合割合」を入力した場合に、「第１レベル」が出力されるとする。これに対し、本応用例におけるレベル推定装置７００において、物性値との対応が未知の評価対象となる「第２配合割合」を入力した場合に、「第２レベル」が出力されるとする。これにより、レベル推定装置７００の使用者は、「第１配合割合」が実験評価に値しないと判断することができる一方、「第２配合割合」が実験評価する価値があると判断することができる。このように、物性値自体を推定するのではなく、物性値の属するレベルを推定するように構成されたレベル推定装置７００でも、物性値との対応が未知の配合割合が実験評価するのにふさわしいか否かを実験する前段階で判断できる点で有用であることがわかる。

【0117】

以上、本発明者によってなされた発明をその実施の形態に基づき具体的に説明したが、本発明は前記実施の形態に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能であることは言うまでもない。

【0118】

前記実施の形態は、以下の形態を含む。

【0119】

（付記１）
複数種類の組成物から構成される材料の配合割合と前記配合割合に対応する物性値とを関係付けた既知データを入力するように構成された既知データ入力部と、
予め設定される複数のレベルの中から前記物性値が属するレベルを前記既知データに付加して前記配合割合と前記物性値と前記レベルとを関係付けたレベルデータを生成するように構成されたレベルデータ生成部と、
前記レベルデータに基づいて、物性値との対応が未知の第１配合割合を入力すると前記第１配合割合に対応する物性値が属するレベルを出力するレベル用近似関数を生成するように構成されたレベル用近似関数生成部と、
前記第１配合割合を入力するように構成された配合割合入力部と、
前記第１配合割合と前記レベル用近似関数とに基づいて、前記第１配合割合に対応するレベルを推定するように構成されたレベル推定部と、
を備える物性値推定システムの構成要素である物性値推定装置において、
前記物性値推定装置は、少なくとも、
前記レベル用近似関数を記憶するように構成された記憶部と、
前記配合割合入力部と、
前記レベル推定部と、
を有する、物性値推定装置。

【0120】

（付記２）
複数種類の組成物から構成される材料の配合割合と前記配合割合に対応する物性値とを関係付けた既知データを入力するように構成された既知データ入力部と、
予め設定される複数のレベルの中から前記物性値が属するレベルを前記既知データに付加して前記配合割合と前記物性値と前記レベルとを関係付けたレベルデータを生成するように構成されたレベルデータ生成部と、
前記レベルデータに基づいて、物性値との対応が未知の第１配合割合を入力すると前記第１配合割合に対応する物性値が属するレベルを出力するレベル用近似関数を生成するように構成されたレベル用近似関数生成部と、
前記第１配合割合を入力するように構成された配合割合入力部と、
前記第１配合割合と前記レベル用近似関数とに基づいて、前記第１配合割合に対応するレベルを推定するように構成されたレベル推定部と、
を備える物性値推定システムの構成要素である近似関数生成装置において、
前記近似関数生成装置は、少なくとも、前記レベル用近似関数生成部を有し、
前記レベル用近似関数生成部は、前記レベルデータを教師データとして、入力を配合割合とするとともに出力をレベルとするニューラルネットワークを学習させることにより、前記レベル用近似関数を生成するように構成されている、近似関数生成装置。

【符号の説明】

【0121】

１００ 物性値推定装置
１０１ ＣＰＵ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ ディスプレイ
１０５ キーボード
１０６ マウス
１０７ 通信ボード
１０８ リムーバルディスク装置
１０９ ＣＤ／ＤＶＤ－ＲＯＭ装置
１１０ プリンタ
１１１ スキャナ
１１２ ハードディスク装置
１１３ バス
２０１ オペレーティングシステム
２０２ プログラム群
２０３ ファイル群
３０１ 既知データ入力部
３０２ レベルデータ生成部
３０３ レベル用近似関数生成部
３０４ 精度判断部
３０５ 配合割合入力部
３０６ レベル推定部
３０７ レベル出力部
３０８ 物性値用近似関数生成部
３０９ 物性値推定部
３１０ 物性値出力部
３１１ データ記憶部
３１２ データ記憶部
３２０ 通信部
３３０ 通信部
４００ 物性値推定装置
５００ 近似関数生成装置
６００ ネットワーク
７００ レベル推定装置

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】