JP7610105B2

JP7610105B2 - ゴム配合の設計方法およびシステム

Info

Publication number: JP7610105B2
Application number: JP2021020591A
Authority: JP
Inventors: 拓志高橋; 直哉古渡; 成明多田
Original assignee: Yokohama Rubber Co Ltd
Current assignee: Yokohama Rubber Co Ltd
Priority date: 2021-02-12
Filing date: 2021-02-12
Publication date: 2025-01-08
Anticipated expiration: 2041-02-12
Also published as: JP2022123343A

Description

本発明は、ゴム配合の設計方法およびシステムに関し、さらに詳しくは、目標とするゴム物性に適合するゴム配合を、精度よく簡便に把握できるゴム配合の設計方法およびシステムに関するものである。

加硫ゴムは、未加硫ゴムを加硫することで製造される。未加硫ゴムは、複数種類の配合成分がそれぞれ、特定の配合量で配合されて成形されている。それぞれの配合成分の配合量を異ならせることで、製造される加硫ゴムのゴム物性を変化させることができる。換言すると、目標とするゴム物性を有する加硫ゴムを製造するには、ゴム配合（それぞれの配合成分の配合量）を目標とするゴム物性に応じて適切に設定する必要がある。

従来、目標とするゴム物性を有する加硫ゴムを製造するには例えば、まず、ゴム配合を異ならせて複数種類の未加硫ゴムを成形し、それぞれの未加硫ゴムを加硫した加硫ゴムを製造する。次いで、製造した複数種類の加硫ゴムのゴム物性を測定して、目標とするゴム物性と近似するゴム物性を有する加硫ゴムを特定する。その特定した加硫ゴムのゴム配合を参照することで、目標とするゴム物性に適合するゴム配合を把握していた。この方法を用いて適切なゴム配合を把握するには多大な試行錯誤を伴う。

近年、機械学習を利用して所定の特性を有する製品の製造レシピの設計支援をする装置および方法が提案されている（例えば、特許文献１参照）。特許文献１で提案されている装置および方法は、対象にする製品をゴムに特化していないため、ゴム製品に適用するには、ゴムに特有の考慮をする必要がある。また、この提案の装置および方法では、目標とするゴム物性に適合するゴム配合を精度よく把握するには、演算処理の負荷が過大になるおそれがあるため、この負荷の軽減化を図る必要がある。それ故、目標とするゴム物性に適合するゴム配合を、精度よく簡便に把握するは改善の余地がある。

特開２０１９－８６８１７号公報

本発明の目的は、目標とするゴム物性に適合するゴム配合を、精度よく簡便に把握できるゴム配合の設計方法およびシステムを提供することにある。

上記目的を達成するため本発明のゴム配合の設計方法は、複数種類のゴム物性データの目標値を満足する加硫ゴムのそれぞれの配合成分の配合量が設定された配合データを把握するゴム配合の設計方法において、前記配合データを異ならせた多数種類の未加硫ゴムを加硫して製造されたそれぞれの前記加硫ゴムの前記複数種類のゴム物性データを取得し、それぞれの前記配合データと、取得したそれぞれのゴム物性データと、それぞれの前記加硫ゴムの加硫条件データとを学習データとして、所定の制約条件データにより設定された制約条件下で、前記学習データに基づいて敵対的生成ネットワークを利用して構築された配合生成モデルを用いて、演算装置により演算処理することによって、前記制約条件データによる制約を満たすとともに、それぞれの前記ゴム物性データの目標値を満足すると判定され、かつ、前記学習データの配合データとは異なる配合データの候補を複数生成し、前記学習データに基づいて機械学習によって構築された予測モデルを用いて、生成したそれぞれの前記候補の前記配合データと加硫条件データとに基づいて、前記演算装置により演算処理することによって、それぞれの前記候補の前記配合データで形成されて前記加硫条件データに基づいて加硫される対象加硫ゴムのそれぞれの前記ゴム物性データを算出し、算出したそれぞれの前記ゴム物性データが前記目標値に近似する前記対象加硫ゴムの前記配合データを、それぞれの前記候補の中から選択することを特徴とする。

本発明のゴム配合の設計システムは、演算装置と、前記演算装置にデータを入力する入力部と、前記演算装置と通信可能に接続された出力部とを有して、複数種類のゴム物性データの目標値を満足する加硫ゴムのそれぞれの配合成分の配合量が設定された配合データを把握するゴムの配合設計システムにおいて、
前記配合データを異ならせた多数種類の未加硫ゴムを加硫して製造されたそれぞれの前記加硫ゴムの前記複数種類のゴム物性データと、それぞれの前記配合データと、それぞれの前記加硫ゴムの加硫条件データとを学習データにして、所定の制約条件データにより設定された制約条件下で、前記学習データに基づいて敵対的生成ネットワークを利用して構築された配合生成モデルを用いて、演算装置により演算処理することによって、前記制約条件データによる制約を満たすとともに、それぞれの前記ゴム物性データの目標値を満足すると判定され、かつ、前記学習データの配合データとは異なる配合データの候補が複数生成されて、前記学習データに基づいて機械学習によって構築された予測モデルを用いて、生成されたそれぞれの前記候補の前記配合データと加硫条件データとに基づいて、前記演算装置により演算処理することによって、それぞれの前記候補の前記配合データで形成されて前記加硫条件データに基づいて加硫される対象加硫ゴムのそれぞれの前記ゴム物性データが算出され、算出されたそれぞれの前記ゴム物性データが前記目標値に近似する前記対象加硫ゴムの前記配合データが、それぞれの前記候補の中から選択されて前記出力部により出力されることを特徴とする。

本発明によれば、所定の制約条件データにより設定された制約条件下で、前記学習データに基づいて敵対的生成ネットワークを利用して構築された前記配合生成モデルを用いることで、前記制約条件データによる制約を満たすとともに、それぞれの前記ゴム物性データの目標値を満足すると判定され、かつ、前記学習データの配合データとは異なる配合データの候補が複数生成される。即ち、前記候補となる配合データが所定の制約条件下で生成されるので、前記候補となる配合データを生成するための演算処理の負担が軽減される。また、それぞれの前記候補の前記配合データと、前記対象加硫ゴムの加硫条件データとに基づいて、前記予測モデルを用いて演算処理することで、前記対象加硫ゴムのそれぞれの前記ゴム物性データを精度よく算出することができる。その結果、それぞれの前記ゴム物性データが前記目標値に高い精度で近似する前記対象加硫ゴムの前記配合データを簡便に把握することができる。

本発明のゴム配合の設計システムを例示する説明図である。学習データを例示する説明図である。配合データの候補を生成する配合生成モデルの説明図である。ゴム物性データが目標値に近似する対象加硫ゴムの配合データを把握する手順を例示するフロー図である。

以下、本発明のゴム配合の設計方法およびシステムを、図に示す実施形態に基づいて具体的に説明する。

図１に例示する本発明のゴム配合の設計システム１を用いて、本発明のゴム配合の設計方法が実施される。加硫ゴムＧは未加硫ゴムＲを加硫することで製造されている。加硫ゴムＧ（未加硫ゴムＲ）は、複数種類の配合成分Ｃ（Ｃ₁、Ｃ₂、・・・Ｃ_n）がそれぞれ、特定の配合量で配合されて形成されている。本発明は、目標とするゴム物性を有する加硫ゴムＧのゴム配合（それぞれの配合成分の配合量）を精度よく簡便に把握するために工夫して創作されている。

この設計システム１は、演算装置２と入力部３と出力部４とを有している。演算装置２と入力部３および出力部４とは有線または無線により通信可能に接続されている。この実施形態では、設計システム１はさらに測定装置５を有している。測定装置５により取得されたデータは入力部３を通じて演算装置２に入力される。測定装置５は、設計システム１とは独立別個にして、測定装置５によって取得されたデータが演算装置２に入力される構成にしてもよい。

演算装置２は、種々のデータが入力、記憶され、これらデータを用いて演算処理を行う。演算装置２としては、種々のコンピュータを用いることができる。したがって、演算装置２は、種々のデータが記憶されるメモリと、演算処理を行うＣＰＵを有している。

入力部３は、演算装置２に種々のデータを入力する入力手段である。入力部３としては、キーボード、マウス、各種端末機器や、演算装置２に設けられたインターフェースなどを例示できる。

出力部４は、演算装置２に入力された種々のデータ、これらデータを用いて演算処理された演算結果（数値、表、図面など）を表示する出力手段である。出力部４としては、各種のモニタやプリンタを例示できる。

測定装置５は、加硫ゴムＧのゴム物性データＤ２を測定、取得する手段である。このゴム物性データＤ２の種類としては、ｔａｎδ（損失係数）、硬度、破断強度、破断伸び、３００％モジュラス、比重、加硫速度Ｔ９５など、公知の種々のゴム物性を例示できる。本発明では、所望の複数種類のゴム物性データＤ２が使用される。測定装置５には、それぞれのゴム物性データＤ２の測定に対応した公知の装置が用いられて、公知の方法（対応するＪＩＳ規格など）に準じた方法によってそれぞれのゴム物性データＤ２が測定、取得される。尚、加硫速度Ｔ９５とは、振動式ディスク加硫試験機を使用して得られるトルクと加硫時間との加硫曲線から求める最大トルクの９５％迄の加硫時間である。

本発明では、図２に例示する学習データを使用する。この学習データは、配合データＤ１を異ならせて製造された多数種類の加硫ゴムＧ（Ｇ１，Ｇ２，・・・）の配合データＤ１と、所望の複数種類のゴム物性データＤ２と、それぞれの加硫ゴムＧの加硫条件データＤ３とを有している。図２には４種類の加硫ゴムのデータのみ記載しているが、実際には極めて多数種類の加硫ゴムＧのデータが学習データとなる。配合データＤ１は、それぞれの配合成分Ｃの配合量を特定するデータである。学習データは、それぞれの配合データＤ１を規定するパラメータ（α、β、・・・）が設定されている。このパラメータ値は、配合データＤ１に変換可能な数値であり、パラメータ値が判明すれば配合データＤ１も判明する。演算にはこのパラメータ値が使用される。

学習データを取得するには、それぞれの配合成分Ｃの配合量が設定された配合データＤ１に基づいて未加硫ゴムＲを成形する。その際に、配合データＤ１を異ならせた多数種類の未加硫ゴムＲを成形する。配合データＤ１を異ならせるとは、それぞれの配合成分Ｃの少なくとも１種類の配合量を異ならせることを意味する。特定の配合成分Ｃの配合量がゼロの場合もあるので、この場合は使用される配合成分Ｃの種類を異ならせることになる。

次いで、成形したそれぞれの未加硫ゴムＲを所定の加硫条件で加硫して加硫ゴムＧを製造する。即ち、配合データＤ１を異ならせた多数種類の加硫ゴムＧを製造する。それぞれの配合成分Ｃの配合量は、加硫ゴムＧのゴム物性データＤ２に影響を与えるが、その影響具合は配合成分Ｃの種類および配合量によって相違する。

加硫条件としては、加硫温度、加硫圧力、加硫時間等を例示できる。これらの加硫条件を示す指標が加硫条件データＤ３となる。加硫条件は、その未加硫ゴムＲに対して加硫過不足がない適切な条件に設定される。加硫条件データＤ３もゴム物性データＤ２に影響を与える。実験室レベルで加硫ゴムＧを製造する場合は、例えば、統一された加硫条件によって加硫を行うようにして、すべての加硫ゴムＧに対する加硫条件を一定に設定することもできる。これにより、加硫ゴムＧのゴム物性データＤ２に対する加硫条件データＤ３の違いによる影響を実質的に排除できる。

次いで、製造したそれぞれの加硫ゴムＧのゴム物性データＤ２を、測定装置５を用いて測定、取得する。上記に例示した多数種類のゴム物性データＤ２から所望の複数種類のゴム物性データＤ２が測定、取得される。ゴム製品の製造業者であれば、従来から蓄積されている膨大なこれらデータＤ１、Ｄ２、Ｄ３を学習データとして有効に利用することができる。

本発明では、条件付き敵対的生成ネットワーク（Conditional Generative Adversarial Nets、以下ＣＧＡＮという）を利用して構築された配合生成モデルＧＭを利用する。この配合生成モデルＧＭは、加硫ゴムＧが所望の複数種類のゴム物性に対して目標値Ｄ２ａを満足すると判断され、かつ、学習データとは異なる配合データＤ１（配合成分Ｃの組み合わせや配合量が異なるデータ）の候補を生成するコンピュータプログラムの一種である。

さらに本発明では、学習データに基づいて機械学習されることで構築された予測モデルＰＭを利用する。この予測モデルＰＭは、所定の加硫条件で対象未加硫ゴムＲａを加硫して製造される対象加硫ゴムＧａの所望の複数種類のゴム物性データＤ２を予測するためのコンピュータプログラムの一種である。

次に、配合生成モデルＧＭを構築する手順の一例を説明する。

図３に例示するように、配合生成モデルＧＭを一般化すると、生成部と識別部とを有する公知のＣＧＡＮを利用して構築される。生成部は学習データの本物のサンプル(ｘ)に対して偽のサンプル(ｘ*)を生成する。生成部には乱数ベクトルＺと所定の制約条件データＤｙが入力される。この入力に対して生成部は、制約条件データＤｙによる制約をラベルｙとして、制約条件データＤｙによる制約を満足する偽のサンプル(ｘ*|ｙ，ｙ)を出力する。即ち、生成部は偽のサンプル(ｘ*)とラベルｙの組み合わせを出力する。識別部には、生成部により生成されたこの組み合わせ(ｘ*|ｙ，ｙ)と、学習データのサンプル(ｘ)と制約されたラベルｙの組み合わせ（ｘ，ｙ）とが入力される。

識別部は、入力された(ｘ*|ｙ，ｙ)と（ｘ，ｙ）とが、本物のサンプルｘとラベルｙの組み合わせ（ｘ，ｙ）か否かを判定し、その判定結果で誤差逆伝播により生成部と識別部は調教される（重みが変更される）。生成器を調教するときは識別機の重みが固定され、識別機を調教するときは生成器の重みが固定される。生成部が生成した組み合わせ(ｘ*|ｙ，ｙ)と学習データの組み合わせ（ｘ，ｙ）とを識別部が判定するプロセスを繰り返し行い、識別部と生成部の調教はミニバッチ１セットずつ交互に行われる。このプロセスを繰り返し行うことにより、識別部は、学習データの組み合わせ（ｘ，ｙ）により存在しそうな組み合わせ(ｘ*|ｙ，ｙ)を生成部が生成しても、正しい判定をすることができるように判定精度を向上させる。生成部は、生成した組み合わせ(ｘ*|ｙ，ｙ)が識別部によって学習データの組み合わせ（ｘ，ｙ）であるとより高い確率で判定される組み合わせ(ｘ*|ｙ，ｙ)を生成できるように生成精度を向上させる。このようにして、生成部および識別部が十分に調教されて配合成形モデルＧＭは構築される。

制約条件データＤｙは任意に設定することができるが、配合成分Ｃの数、ゴム成分の種類数などを例示できる。本発明では、学習データの配合データＤ１が取りうる範囲が標本空間となって配合データＤ１の候補が、乱数ベクトルＺの発生回数だけ生成される。生成部には、学習データから所望の複数種類のゴム物性データＤ２の数値（物性値）と、制約条件データＤｙと、乱数ベクトルＺの発生回数とが入力される。それぞれのゴム物性データＤ２の数値の入力に基づいて、生成部は設定されている重みに従って配合データＤ１（パラメータ値）を算出して生成する。生成される配合データＤ１は制約条件データＤｙを満足したデータである。識別部には、生成部からは生成部が生成した配合データＤ１（パラメータ値）が入力され、学習データからは学習データが有している配合データＤ１（パラメータ値）が入力される。識別部は、生成部が生成した配合データＤ１（即ち、偽のサンプル）が学習データの有する配合データＤ１（即ち、本物のサンプル）と近似しているか否かを判定する。このプロセスを繰り返し行って、上述したように、生成部および識別部が十分に調教された配合成形モデルＧＭが構築される。

構築された配合生成モデルＧＭは演算装置２に記憶される。ＣＧＡＮを利用して構築された配合生成モデルＧＭを用いることで、所定の制約条件データＤｙで設定された制約を満足し、所望の複数種類のゴム物性データＤ２の目標値Ｄ２ａを満足すると判定された配合データＤ１の候補が生成される。この生成される候補の配合データＤ１は、学習データに存在する配合データＤ１とは異なっている。

次に、予測モデルＰＭを構築する手順の一例を説明する。

上述した学習データを用いて機械学習させることで、対象加硫ゴムＧａのゴム物性データＤ２を予測する予測モデルＰＭを構築する。具体的には、上記データＤ１、Ｄ２、Ｄ３を演算装置２に入力して、これらデータＤ１、Ｄ２、Ｄ３を用いて機械学習させる。即ち、それぞれのゴム物性データＤ２と、配合データＤ１および加硫条件データＤ３との関係を紐付けして、製造される加硫ゴムＧのそれぞれのゴム物性データＤ２に対する配合データＤ１および加硫条件データＤ３の影響具合が分析、評価されて予測モデルＰＭが構築される。配合データＤ１に関していえば、配合成分Ｃの種類および配合量のゴム物性データＤ２に対する影響具合が分析、評価される。

上述したそれぞれのデータＤ１、Ｄ３の要因が複雑に影響し合って加硫ゴムＧａのゴム物性データＤ２が変化する。それ故、データＤ１、Ｄ２、Ｄ３を学習データとして用いて、データＤ１とＤ３との組み合わせ、データＤ１でのそれぞれの配合成分Ｃの組合せ、それぞれの配合成分Ｃの配合量の違いなどによるデータＤ２（ゴム物性データ）の相違程度やそれぞれの場合におけるデータＤ２の特徴を機械学習させることで、予測モデルＰＭを構築することが可能になる。機械学習の手法としては、ニューラルネットワークを用いたディープラーニングなど公知の手法を例示できる。ディープラーニングでは、公知の手法で入力層と複数の中間層と出力層との多層構造にして、各層の間でノード間に重みを設定して結び付けたネットワークを使用する。そして、それぞれのゴム物性データＤ２に影響する配合データＤ１、加硫条件データＤ３を入力層から入力して、ゴム物性データＤ２の予測値を出力層に出力する。算出した予測値とそれぞれのゴム物性データＤ２の実測値とを比較して両者の誤差を小さくするようにそれぞれの重みを変更する。これにより、予測精度を向上させた予測モデルＰＭを構築する。構築された予測モデルＰＭは、演算装置２に記憶される。

次いで、目標とするゴム物性を有する対象加硫ゴムＧａのゴム配合Ｄ１を把握する手順の一例を説明する。即ち、所望の複数種類のゴム物性データＤ２に対して設定されたそれぞれの目標値Ｄ２ａを満足するゴム物性を有する対象加硫ゴムＧａの配合データＤ１を把握する手順を例示する。

主な手順は図４に例示するとおりである。まず、入力部３を用いて必要なデータを演算装置２に入力する。入力するデータは、下記の表１に例示している対象加硫ゴムＧａに対するゴム物性データＤ２の目標値Ｄ２ａ、下記の表２に例示している対象加硫ゴムＧａに対する制約条件データＤｙ、下記表３に例示している対象加硫ゴムＧａに対する加硫条件データＤ３である。

表１に例示するように、ゴム物性データＤ２の目標値Ｄ２ａは、所望の複数種類のゴム物性データＤ２に対して設定される。この事例では、所望の複数種類のゴム物性データＤ２として、６０℃でのｔａｎδ（初期歪１０％、振幅±２％、周波数２０Ｈｚ）、０℃での硬度ＨＳ、３００％モジュラス、加硫速度Ｔ９５、比重の５種類が設定されているが、これに限定されず所望の種類のゴム物性データＤ２が採用される。

表２に例示するように、制約条件データＤｙは、対象加硫ゴムＧａの配合成分Ｃの数と、配合成分Ｃの中のゴム成分の種類数を設定している。制約条件データＤｙは、ここで例示する種類に限らず、必要に応じた種類が使用される。

表３に例示するように、加硫条件データＤ３は、加硫温度と加硫時間の種類が設定されている。学習データの加硫条件データＤ３が統一されていて、この統一された加硫条件で配合データＤ１を把握するならば、加硫条件データＤ３を省略することもできる。

演算装置２には、上述した入力データに加えて、乱数ノイズＺを発生させる回数（所望の複数回）を入力する。演算装置２は、入力された制約条件データＤｙとゴム物性データＤ２の目標値Ｄ２ａに基づいて、構築された配合生成モデルＧＭを用いて、制約条件データＤｙの制約を満足し、所望の複数種類のゴム物性データＤ２の目標値Ｄ２ａを満足すると判定される配合データＤ１を、乱数ノイズＺの発生数だけ生成する。生成されるそれぞれの配合データＤ１は、学習データとは異なる配合データＤ１である。

次いで、生成されたそれぞれの候補の配合データＤ１と、対象加硫ゴムＧａの加硫条件データＤ３（対象未加硫ゴムＲａを加硫する際の加硫条件データＤ３）とを予測モデルＰＭに入力して、予測モデルＰＭを実行させる演算処理を行う。予測モデルＰＭは、入力された配合データＤ１と加硫条件データＤ３とに基づいて、その配合データＤ１で形成される対象加硫ゴムＧａのそれぞれのゴム物性データＤ２を予測して算出する。

算出されたそれぞれのゴム物性データＤ２は、それぞれに設定された目標値Ｄ２ａと比較されて、近似していると設定されている許容範囲か否かが演算装置２により判断される。この許容範囲は任意に設定することができるが、例えば、目標値Ｄ２ａに対して±５％、或いは、±２％程度の範囲である。生成されたすべての候補の配合データＤ１の中から、それぞれのゴム物性データＤ２が目標値Ｄ２ａに近似していると判断された配合データＤ１が演算装置２により選択される。選択される配合データＤ１は１つに限らず、複数の場合もある。

下記の表４に例示するように、選択された対象加硫ゴムＧａの配合データＤ１は、出力４に出力される。出力部４がモニタ類であればこの配合データＤ１が表示され、出力部４がプリンタ類であればこの配合データＤ１が印刷される。

表４に記載された配合データＤ１は、制約条件Ｄｙを満足し、この配合データＤ１で形成されて、入力された加硫条件データＤ３の加硫条件で加硫された対象加硫ゴムＧａは、表１に記載されたそれぞれのゴム物性データＤ２の目標値Ｄ２ａを満足していると予測されている。

表１～４に示したデータは、実例に即したデータであり、表４の配合データＤ１の対象未加硫ゴムＲａを、表３の加硫条件データＤ２に基づいて加硫して対象加硫ゴムＧａを製造した。製造した対象加硫ゴムＧａのゴム物性データＤ２を測定し、その実測値と表１に示す目標値Ｄ２ａとを比較した結果を表５に示す。表５に示すように、本発明を用いることで、所望の複数のゴム物性を概ね満足する対象加硫ゴムＧａの配合データＤ１を把握できることが確認できた。

上述したように本発明では、候補となる配合データＤ１が、制約条件データＤｙによって設定されている制約下で限定して生成される。そのため、候補となる配合データＤ１を生成するための演算処理の負担が小さい。また、生成される候補の配合データＤ１は、学習データには存在しないので、新たな配合データＤ１を把握できる。

また、配合生成モデルＧＭを用いて生成されたそれぞれの候補の配合データＤ１と、対象加硫ゴムＧａの加硫条件データＤ３とに基づいて、上述した予測モデルＰＭを用いて演算処理することで、対象加硫ゴムＧａのそれぞれのゴム物性データＤ２を精度よく算出することができる。その結果、それぞれのゴム物性データＤ２が目標値Ｄ２ａに高い精度で近似する対象加硫ゴムＧａの配合データＤ１を簡便に把握することができる。しかも、把握できる配合データＤ１は学習データには存在していない新たな配合データＤ１なので、目標とするゴム物性を有する加硫ゴムの開発作業や改良作業の効率化に大きく寄与する。

それぞれの配合データＤ１の候補を生成する際には、配合データＤ１のゴム成分の合計の配合量を１００ｐｈｒ（１００質量部）に補正することが望ましい。表４では、ゴム成分（ＮＲ、ＢＲ）の合計の配合量を１００ｐｈｒに補正して、その他のそれぞれの配合成分Ｃの配合量が記載されている。配合データＤ１の候補を生成する際に、このように配合データＤ１を補正することで、それぞれの配合成分Ｃの配合量を把握し易くなる。

それぞれのゴム物性データＤ２が目標値Ｄ２ａに近似していると判断されて選択される対象加硫ゴムＧａの配合データＤ１が複数存在する場合は、それぞれの配合データＤ１を以下の順序にして出力部４により出力することができる。

例えば、選択されるそれぞれの配合データＤ１を、ゴム物性データＤ２の種類毎に、それぞれの配合データＤ１で形成される対象加硫ゴムＧａのゴム物性データＤ２が目標値Ｄ２ａに近似する順にして、出力部４により出力する。詳述すると、それぞれの配合データＤ１により形成される対象加硫ゴムＧａが有するそれぞれのゴム物性データＤ２を、それぞれのゴム物性データＤ２の種類毎に目標値Ｄ２ａと比較する。比較した両者の差異が最も小さくなるゴム物性データＤ２を有する対象加硫ゴムＧａの配合データＤ１を１位に順位付けする。両者の差異が２番目、３番目に小さくなるゴム物性データＤ２を有する対象加硫ゴムＧａの配合データＤ１をそれぞれ、２位、３位に順位付けする。ゴム物性データＤ２の種類によって、この順位付けは変わることもある。それぞれの配合データＤ１を、このように順位付けした順位にして出力部４により出力する。このように順位付けすることで、それぞれのゴム物性データＤ２の種類毎の目標値Ｄ２ａとの近似具合を指標として、それぞれの配合データＤ１の優位性を把握し易くなる。

或いは、選択されるそれぞれの配合データＤ１を、ゴム物性データＤ２の種類に対して設定されている優先度の重み付けに基づいて決定されるそれぞれの配合データＤ１で形成される対象加硫ゴムＧａのそれぞれのゴム物性データＤ２の目標値Ｄ２ａに対する近似度の評価が高い順にして、出力部４により出力する。例えば、ｔａｎδ＠６０℃のゴム物性データＤ２に対して優先度の重み付けが大きい係数ｋ１、硬度ＨＣ＠２０℃のゴム物性データＤ２に対して優先度の重み付けが小さい係数ｋ２が設定されている場合で説明する。係数ｋ１、ｋ２は数値が大きい程、優先度が高いことを意味する。そして、ｔａｎδ＠６０℃のゴム物性データＤ２が目標値Ｄ２ａに対する近似具合を示す近似係数ｎ１、硬度ＨＣ＠２０℃のゴム物性データＤ２が目標値Ｄ２ａに対する近似係数ｎ２である場合、これらのゴム物性データＤ２を有する対象加硫ゴムＧａの近似度の評価は、係数ｋ１×近似係数ｎ１＋係数ｋ２×近似係数ｎ２により算出される。近似係数ｎ１、ｎ２は数値が大きい程、目標値Ｄ２ａに近似していることを意味する。そして、選択されるそれぞれの配合データＤ１を、それぞれの配合データＤ１により形成される対象加硫ゴムＧａの近似度の評価が高い順に順位付けして出力部４により出力する。このように順位付けすることで、それぞれのゴム物性データＤ２の優先度の重み付けを考慮したそれぞれの配合データＤ１の優位性を把握し易くなる。

選択されるそれぞれの配合データＤ１を、それぞれの配合データＤ１に基づいて算出される単位重量当たりの材料コストの低い順に、出力部４により出力することもできる。詳述すると、それぞれの配合成分Ｃの単位重量当たりのコストを把握しておき、この把握した配合成分Ｃ毎のコストと、それぞれの配合データＤ１でのそれぞれの配合成分Ｃの配合量とに基づいて、それぞれの配合データＤ１の単位重量当たりの材料コストを算出する。この算出結果に基づいて、それぞれの配合データＤ１を順位付けして出力部４に出力する。このように順位付けすることで、それぞれの配合データＤ１の材料コストの優位性を把握し易くなる。

１ゴム配合の設計システム
２演算装置
３入力部
４出力部
５測定装置
ＰＭ予測モデル
ＧＭ配合生成モデル
Ｄ１配合データ
Ｄｙ制約条件データ
Ｄ２ゴム物性データ
Ｄ２ａ目標値
Ｄ３加硫条件データ
Ｒ未加硫ゴム
Ｒａ対象未加硫ゴム
Ｇ加硫ゴム
Ｇａ対象加硫ゴム
Ｃ（Ｃ１、Ｃ２・・・Ｃｎ）配合成分

Claims

複数種類のゴム物性データの目標値を満足する加硫ゴムのそれぞれの配合成分の配合量が設定された配合データを把握するゴム配合の設計方法において、
前記配合データを異ならせた多数種類の未加硫ゴムを加硫して製造されたそれぞれの前記加硫ゴムの前記複数種類のゴム物性データを取得し、それぞれの前記配合データと、取得したそれぞれのゴム物性データと、それぞれの前記加硫ゴムの加硫条件データとを学習データとして、
所定の制約条件データにより設定された制約条件下で、前記学習データに基づいて敵対的生成ネットワークを利用して構築された配合生成モデルを用いて、演算装置により演算処理することによって、前記制約条件データによる制約を満たすとともに、それぞれの前記ゴム物性データの目標値を満足すると判定され、かつ、前記学習データの配合データとは異なる配合データの候補を複数生成し、
前記学習データに基づいて機械学習によって構築された予測モデルを用いて、生成したそれぞれの前記候補の前記配合データと加硫条件データとに基づいて、前記演算装置により演算処理することによって、それぞれの前記候補の前記配合データで形成されて前記加硫条件データに基づいて加硫される対象加硫ゴムのそれぞれの前記ゴム物性データを算出し、算出したそれぞれの前記ゴム物性データが前記目標値に近似する前記対象加硫ゴムの前記配合データを、それぞれの前記候補の中から選択することを特徴とするゴムの配合設計方法。
前記制約条件データを、前記配合成分の数または、前記配合成分中のゴム成分の種類数とする請求項１に記載のゴム配合設計方法。
選択した前記配合データが複数の場合、選択したそれぞれの前記配合データを、前記ゴム物性データの種類毎に、それぞれの前記配合データで形成される前記対象加硫ゴムの前記ゴム物性データが前記目標値に近似する順にして、出力部により出力する請求項１または２に記載のゴムの配合設計方法。
選択した前記配合データが複数の場合、選択したそれぞれの前記配合データを、前記ゴム物性データの種類に対して設定されている優先度の重み付けに基づいて決定されるそれぞれの前記配合データで形成される前記対象加硫ゴムのそれぞれの前記ゴム物性データの前記目標値に対する近似度の評価が高い順にして、出力部により出力する請求項１または２に記載のゴムの配合設計方法。
選択した前記配合データが複数の場合、選択したそれぞれの前記配合データを、それぞれの前記配合データに基づいて算出される単位重量当たりの材料コストの低い順に、出力部により出力する請求項１または２に記載のゴムの配合設計方法。
前記配合データの前記候補を生成する際に、前記配合データのゴム成分の合計の配合量を１００ｐｈｒに補正する請求項１～５のいずれかに記載のゴムの配合設計方法。
演算装置と、前記演算装置にデータを入力する入力部と、前記演算装置と通信可能に接続された出力部とを有して、複数種類のゴム物性データの目標値を満足する加硫ゴムのそれぞれの配合成分の配合量が設定された配合データを把握するゴムの配合設計システムにおいて、
前記配合データを異ならせた多数種類の未加硫ゴムを加硫して製造されたそれぞれの前記加硫ゴムの前記複数種類のゴム物性データと、それぞれの前記配合データと、それぞれの前記加硫ゴムの加硫条件データとを学習データにして、
所定の制約条件データにより設定された制約条件下で、前記学習データに基づいて敵対的生成ネットワークを利用して構築された配合生成モデルを用いて、演算装置により演算処理することによって、前記制約条件データによる制約を満たすとともに、それぞれの前記ゴム物性データの目標値を満足すると判定され、かつ、前記学習データの配合データとは異なる配合データの候補が複数生成されて、
前記学習データに基づいて機械学習によって構築された予測モデルを用いて、生成されたそれぞれの前記候補の前記配合データと加硫条件データとに基づいて、前記演算装置により演算処理することによって、それぞれの前記候補の前記配合データで形成されて前記加硫条件データに基づいて加硫される対象加硫ゴムのそれぞれの前記ゴム物性データが算出され、算出されたそれぞれの前記ゴム物性データが前記目標値に近似する前記対象加硫ゴムの前記配合データが、それぞれの前記候補の中から選択されて前記出力部により出力されることを特徴とするゴムの配合設計システム。