特許ウォッチ

公開番号2024053547
公報種別公開特許公報(A)
公開日2024-04-15
出願番号2023170270
出願日2023-09-29
発明の名称特性変化推定プログラム、学習モデル生成プログラムおよび特性変化推定システム
出願人東レ株式会社
代理人弁理士法人酒井国際特許事務所
主分類G01N 33/44 20060101AFI20240408BHJP(測定;試験)
要約【課題】劣化処理後の樹脂組成物の物性値を推定することができる特性変化推定プログラム、学習モデル生成プログラムおよび特性変化推定システムを提供すること。
【解決手段】本発明に係る特性変化推定プログラムは、コンピュータに、熱可塑性樹脂組成物における劣化処理前後の分光分析によってそれぞれ得られるスペクトル強度の差である差スペクトル強度を説明変数、当該熱可塑性樹脂組成物の劣化処理後の特性保持率を目的変数とする特性保持率予測モデルに、推定対象の熱可塑性樹脂組成物の差スペクトル強度を入力し、該推定対象の熱可塑性樹脂組成物の劣化処理後の特性保持率を取得する特性保持率取得ステップと、推定対象の熱可塑性樹脂組成物の劣化処理前の機械物性値と、特性保持率とを用いて、当該推定対象の熱可塑性樹脂組成物の機械物性値を推定する物性値推定ステップと、を実行させる。
【選択図】図1
特許請求の範囲【請求項１】
熱可塑性樹脂組成物の劣化処理後の機械物性値を推定する特性変化推定プログラムであって、
コンピュータに、
前記熱可塑性樹脂組成物における劣化処理前後の分光分析によってそれぞれ得られるスペクトル強度の差である差スペクトル強度を説明変数、当該熱可塑性樹脂組成物の劣化処理後の特性保持率を目的変数とする特性保持率予測モデルに、推定対象の熱可塑性樹脂組成物の差スペクトル強度を入力し、該推定対象の熱可塑性樹脂組成物の劣化処理後の特性保持率を取得する特性保持率取得ステップと、
前記推定対象の熱可塑性樹脂組成物の劣化処理前の機械物性値と、前記特性保持率とを用いて、当該推定対象の熱可塑性樹脂組成物の機械物性値を推定する物性値推定ステップと、
を実行させる特性変化推定プログラム。
続きを表示（約 1,600 文字）【請求項２】
前記特性保持率取得ステップは、
既知の熱可塑性樹脂組成物の差スペクトル強度を前記特性保持率予測モデルに入力して、前記推定対象の熱可塑性樹脂組成物の劣化処理後の特性保持率を取得する、
請求項１に記載の特性変化推定プログラム。
【請求項３】
前記特性保持率取得ステップは、
既知の熱可塑性樹脂組成物を構成する原料の配合条件を説明変数、該熱可塑性樹脂組成物の機械物性値を目的変数とする機械学習によって生成された物性値推定モデルに対して、設定対象の熱可塑性樹脂組成物の複数の配合条件をそれぞれ入力し、前記機械物性値の推定値を出力する物性値推定プログラムによって配合条件が推定された熱可塑性樹脂組成物の差スペクトル強度を、前記特性保持率予測モデルに入力して、前記推定対象の熱可塑性樹脂組成物の劣化処理後の特性保持率を取得する、
請求項１に記載の特性変化推定プログラム。
【請求項４】
コンピュータに、
既知の熱可塑性樹脂組成物における劣化処理前後の分光分析によってそれぞれ得られるスペクトル強度の差である差スペクトル強度を説明変数、当該熱可塑性樹脂組成物の劣化処理後の特性保持率を目的変数とする学習用データを用いて機械学習することによって、劣化処理後の機械物性値の特性保持率を出力する学習モデルを生成する学習モデル生成ステップ、
を実行させる学習モデル生成プログラム。
【請求項５】
前記学習モデル生成ステップは、
前記学習用データの一部を互いに異なる複数の統計モデルに適用して機械学習をそれぞれ実行することによって複数の検証用の学習モデルを生成し、
前記複数の検証用の学習モデルを用いて最適な統計モデルを選択し、
前記選択した統計モデルおよび前記学習用データを用いて前記学習モデルを生成する、
請求項４に記載の学習モデル生成プログラム。
【請求項６】
前記学習モデル生成ステップは、
前記検証用の学習モデルの精度を評価することによって前記統計モデルを選択する、
請求項５に記載の学習モデル生成プログラム。
【請求項７】
前記学習モデル生成ステップは、
前記検証用の学習モデルに対する精度評価指標を算出し、
前記精度評価指標が最も良好な前記検証用の学習モデルの生成に用いた統計モデルを選択する、
請求項６に記載の学習モデル生成プログラム。
【請求項８】
前記精度評価指標は、前記検証用の学習モデルの未学習のデータに対する汎化性能を評価する交差検定によって算出される決定係数を用いて定義される値である、
請求項７に記載の学習モデル生成プログラム。
【請求項９】
前記学習モデル生成ステップは、
既知の熱可塑性樹脂組成物の劣化処理前後の吸収スペクトル強度を用いて算出される差スペクトル強度を前記説明変数として、前記学習モデルを生成する、
請求項４に記載の学習モデル生成プログラム。
【請求項１０】
熱可塑性樹脂組成物の劣化処理後の機械物性値を推定する特性変化推定システムであって、
前記熱可塑性樹脂組成物における劣化処理前後の分光分析によってそれぞれ得られるスペクトル強度の差である差スペクトル強度を説明変数、当該熱可塑性樹脂組成物の劣化処理後の特性保持率を目的変数とする特性保持率予測モデルに、推定対象の熱可塑性樹脂組成物の差スペクトル強度を入力し、該推定対象の熱可塑性樹脂組成物の劣化処理後の特性保持率を取得する特性保持率予測部と、
前記推定対象の熱可塑性樹脂組成物の劣化処理前の機械物性値と、前記特性保持率とを用いて、当該推定対象の熱可塑性樹脂組成物の機械物性値を推定する特性推定部と、
を備える特性変化推定システム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、特性変化推定プログラム、学習モデル生成プログラムおよび特性変化推定システムに関するものである。
続きを表示（約 1,800 文字）【背景技術】
【０００２】
熱可塑性樹脂組成物は、耐熱性、難燃性、耐薬品性、電気絶縁性、耐湿熱性および機械的強度や寸法安定性などに優れたエンジニアリングプラスチックの一つである。この熱可塑性樹脂組成物は、配合や製造条件によって機械特性が変わるため、要求する特性に合わせた配合や製造条件が選択される。例えば、所望の機械特性を有する樹脂組成物の製造条件として、機械学習によって制御パラメータを決定する技術が知られている（例えば、特許文献１を参照）。
【先行技術文献】
【特許文献】
【０００３】
国際公開第２０２１／１７２１２７号
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかしながら、特許文献１に記載の制御パラメータの決定方法等、従来の機械特性の予測技術は、樹脂組成物の劣化処理前の物性値を予測するものであり、劣化した樹脂組成物の物性値については考慮されていない。このため、劣化処理後の樹脂組成物の物性値を推定できる技術が求められていた。
【０００５】
本発明は、上記に鑑みてなされたものであって、劣化処理後の樹脂組成物の物性値を推定することができる特性変化推定プログラム、学習モデル生成プログラムおよび特性変化推定システム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】
【０００６】
上述した課題を解決し、目的を達成するために、本発明に係る特性変化推定プログラムは、熱可塑性樹脂組成物の劣化処理後の機械物性値を推定する特性変化推定プログラムであって、コンピュータに、前記熱可塑性樹脂組成物における劣化処理前後の分光分析によってそれぞれ得られるスペクトル強度の差である差スペクトル強度を説明変数、当該熱可塑性樹脂組成物の劣化処理後の特性保持率を目的変数とする特性保持率予測モデルに、推定対象の熱可塑性樹脂組成物の差スペクトル強度を入力し、該推定対象の熱可塑性樹脂組成物の劣化処理後の特性保持率を取得する特性保持率取得ステップと、前記推定対象の熱可塑性樹脂組成物の劣化処理前の機械物性値と、前記特性保持率とを用いて、当該推定対象の熱可塑性樹脂組成物の機械物性値を推定する物性値推定ステップと、を実行させる。
【０００７】
また、本発明に係る特性変化推定プログラムは、上記発明において、前記特性保持率取得ステップは、既知の熱可塑性樹脂組成物の差スペクトル強度を前記特性保持率予測モデルに入力して、前記推定対象の熱可塑性樹脂組成物の劣化処理後の特性保持率を取得する。
【０００８】
また、本発明に係る特性変化推定プログラムは、上記発明において、前記特性保持率取得ステップは、既知の熱可塑性樹脂組成物を構成する原料の配合条件を説明変数、該熱可塑性樹脂組成物の機械物性値を目的変数とする機械学習によって生成された物性値推定モデルに対して、設定対象の熱可塑性樹脂組成物の複数の配合条件をそれぞれ入力し、前記機械物性値の推定値を出力する物性値推定プログラムによって配合条件が推定された熱可塑性樹脂組成物の差スペクトル強度を、前記特性保持率予測モデルに入力して、前記推定対象の熱可塑性樹脂組成物の劣化処理後の特性保持率を取得する。
【０００９】
また、本発明に係る学習モデル生成プログラムは、コンピュータに、既知の熱可塑性樹脂組成物における劣化処理前後の分光分析によってそれぞれ得られるスペクトル強度の差である差スペクトル強度を説明変数、当該熱可塑性樹脂組成物の劣化処理後の特性保持率を目的変数とする学習用データを用いて機械学習することによって、劣化処理後の機械物性値の特性保持率を出力する学習モデルを生成する学習モデル生成ステップ、を実行させる。
【００１０】
また、本発明に係る学習モデル生成プログラムは、上記発明において、前記学習モデル生成ステップは、前記学習用データの一部を互いに異なる複数の統計モデルに適用して機械学習をそれぞれ実行することによって複数の検証用の学習モデルを生成し、前記複数の検証用の学習モデルを用いて最適な統計モデルを選択し、前記選択した統計モデルおよび前記学習用データを用いて前記学習モデルを生成する。
（【００１１】以降は省略されています）

関連特許