JP7620188B2

JP7620188B2 - ゴム配合の設計方法およびシステム

Info

Publication number: JP7620188B2
Application number: JP2021020592A
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: 2025-01-23
Anticipated expiration: 2041-02-12
Also published as: JP2022123344A

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、加硫ゴムのそれぞれの配合成分の配合量の指定範囲が設定された配合指定データと、前記加硫ゴムの複数種類のゴム物性データの目標値とを演算装置に入力し、前記配合指定データ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、それぞれの前記配合成分の配合量が特定され、かつ、前記配合指定データにより設定された前記指定範囲を満足する配合データの候補を複数生成し、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するゴムの配合設計システムにおいて、加硫ゴムのそれぞれの配合成分の配合量の指定範囲が設定された配合指定データと、前記加硫ゴムの複数種類のゴム物性データの目標値とが前記演算装置に入力されて、前記配合指定データ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、それぞれの前記配合成分の配合量が特定され、かつ、前記配合指定データにより設定された前記指定範囲を満足する配合データの候補が複数生成され、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、加硫ゴムのそれぞれの配合成分の配合量の指定範囲が設定された配合指定データに基づいて、それぞれの前記配合成分の配合量が特定され、かつ、前記指定範囲を満足する配合データの候補が、前記演算装置による演算処理によって複数生成される。即ち、前記候補となる前記配合データが前記指定範囲を満足する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や前記予測モデルを用いた演算処理の負担が軽減される。また、前記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。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、複数種類のそれぞれの配合成分Ｃ（Ｃ₁、Ｃ₂、・・・Ｃ_n）が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（対象加硫ゴムＧａ）のゴム配合、即ち、加硫ゴムＧを形成するそれぞれの配合成分Ｃの配合量を精度よく簡便に把握するために工夫を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。

本発明では、機械学習により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。この予測モデルＰＭを構築する手順の一例を説明する。

まず、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。

製造したそれぞれの加硫ゴムＧから取得した所望の複数種類のゴム物性データＤ２とともに、それぞれの加硫ゴムＧの配合データＤ１と、それぞれの加硫ゴムＧの加硫条件データＤ３とを準備する。次いで、それぞれの加硫ゴムＧのそれぞれのゴム物性データＤ２と、配合データＤ１と、加硫条件データＤ３とを、対象加硫ゴムＧａのゴム物性データＤ２を予測するための基礎データ（即ち、学習データ）とする。そして、この学習データを用いて機械学習させることで予測モデル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Ｇ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の特徴を人工知能（ＡＩ）に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。この予測モデルＰＭの構築には、従来から蓄積されている膨大なこれらデータＤ１、Ｄ２、Ｄ３を有効に利用することができる。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。以下の説明では、所望の複数種類のゴム物性データＤ２が目標値Ｄ２ａを満足していない従来の加硫ゴムＧの配合データＤ１を見直して、それぞれのゴム物性データＤ２が目標値Ｄ２ａを満足する対象加硫ゴムＧａの配合データＤ１を把握する場合を例にする。

主な手順は図２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に対する配合指定データＤｘ、下記の表２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、および、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、配合指定データＤｘは、対象加硫ゴムＧａのそれぞれの配合成分Ｃに対して配合量の指定範囲を設定している。この事例では、配合成分Ｃとして、ＳＢＲ、ＢＲの２種類のゴム成分と、カーボン、亜鉛華、・・・・、加硫促進剤Ｂの全１１種類が設定されている。配合成分Ｃ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。尚、表１の当初値とは従来の加硫ゴムＧでの配合データである。

表１に例示する配合指定データＤｘは、対象加硫ゴムＧａでは、ＳＢＲ、ＢＲ、カーボン、アロマオイルのそれぞれに対して、従来の加硫ゴムＧの配合データ（当初値）に対して、±２０ｐｈｒの変動量を設定している。したがって、対象加硫ゴムＧａでのＳＢＲ、ＢＲ、カーボン、アロマオイルのそれぞれの配合量は、３０ｐｈｒ以上７０ｐｈｒ以下に設定されている。亜鉛華などのその他の配合成分Ｃに対しては、従来の加硫ゴムＧの配合データ（当初値）に対して、ゼロの変動量を設定している。したがって、対象加硫ゴムＧａでの亜鉛華などのその他の配合成分Ｃの配合量は、従来の加硫ゴムＧと同じ配合データ（当初値）に設定されている。

このように本発明では、配合指定データＤｘによって、対象加硫ゴムＧａのそれぞれの配合成分Ｃの配合量が設定される。したがって、目的に応じて、所望の配合成分Ｃの配合量だけを変化させる、或いは、所望の配合成分Ｃの配合量をゼロにしてその配合成分Ｃを除くことができる。

表２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。表２の当初値とは従来の加硫ゴムＧの物性データＤ２である。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と２０℃での硬度ＨＳとの２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、採用されるゴム物性データＤ２は３種類以上にすることもできる。表２では、６０℃でのｔａｎδを０．２から０．１８にするとともに、２０℃での硬度ＨＳを６５から６４にする目標が設定されている。

演算装置２は、入力された配合指定データＤｘに基づいて演算処理することで、配合指定データＤｘにより設定された指定範囲を満足する配合データＤ１の候補を所定条件で複数生成する。即ち、所定条件に従って、この指定範囲を満足する配合成分Ｃのすべての組合せを配合データＤ１の候補として生成する。この所定条件とは、配合成分Ｃに設定されている変動量を変化させるピッチ（変動量変化ピッチ）である。変動量が設定されているＢＲ、ＢＲ、カーボン、アロマオイルのそれぞれの配合量を例えば１ｐｈｒのピッチで変化させて、配合指定データＤｘにより設定された指定範囲を満足する配合成分Ｃのすべての組合せを配合データＤ１の候補として生成する。

このピッチを小さくする程、候補として生成される配合データＤ１の数は多くなる。これに伴い、目的とする配合データＤ１をより高い精度で把握するには有利になる。一方で、このピッチを小さくし過ぎると、候補して生成される配合データＤ１の数が過大になるので演算処理の負担が大きくなるので、上記の精度の向上と演算処理の負担軽減とを考慮してピッチの大きさを設定する。例えば、このピッチは０．５～４ｐｈｒ程度に設定する。

このピッチは、それぞれの配合成分Ｃに対して同じにすることも、特定の配合成分Ｃに対して相対的に大きく（小さく）することもできる。例えば、ゴム物性データＤ２に対して、より少量で影響を及ぼす配合成分Ｃに対しては、このピッチをより小さく設定し、より多量でなければ影響を及ぼさない配合成分Ｃに対しては、このピッチをより大きく設定するとよい。即ち、それぞれの配合成分Ｃのこのピッチの大きさは、ゴム物性データＤ２に対するその配合成分Ｃの影響具合の大きさに基づいて設定するとよい。

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３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３では、それぞれの配合成分Ｃの配合量は、配合指定データＤｘにより設定された指定範囲を満足している。しかも、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の加硫条件に基づいて加硫される対象加硫ゴムＧａは、表２に記載されたそれぞれのゴム物性データＤ２の目標値Ｄ２ａを満足すると予測されている。

即ち、６０℃でのｔａｎδを当初値の０．２から目標値の０．１８にするとともに、２０℃での硬度ＨＳを当初値の６５から６４するために適切な対象加硫ゴムＧａの配合データＤ１として、表３に記載されたデータを把握することができる。このようにして、従来の加硫ゴムＧの配合データＤ１では得られなかった目標値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を把握することができる。尚、表１～３に示したデータは実例に即したデータであり、本発明を用いることで、所望の複数種類のゴム物性データＤ２を目標値Ｄ２ａにするために、従来の加硫ゴムＧの配合データＤ１をどのように変化させればよいかを、簡潔に精度よく把握することができた。

本発明によれば、候補となる配合データＤ１が、配合指定データＤｘによって設定されている指定範囲を満足する制約条件下で限定して生成されるので、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。そして、その後にゴム物性データＤ２が予測される配合データＤ１の候補の数も限定されるので、この予測に対する演算処理の負担が軽減される。

また、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。

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に補正することが望ましい。表３では、ゴム成分（ＳＢＲ、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
Ｄ１配合データ
Ｄｘ配合指定データ
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

加硫ゴムのそれぞれの配合成分の配合量の指定範囲が設定された配合指定データと、前記加硫ゴムの複数種類のゴム物性データの目標値とを演算装置に入力し、
前記配合指定データ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、それぞれの前記配合成分の配合量が特定され、かつ、前記配合指定データにより設定された前記指定範囲を満足する配合データの候補を複数生成し、
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。
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１～４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するゴムの配合設計システムにおいて、
加硫ゴムのそれぞれの配合成分の配合量の指定範囲が設定された配合指定データと、前記加硫ゴムの複数種類のゴム物性データの目標値とが前記演算装置に入力されて、
前記配合指定データ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、それぞれの前記配合成分の配合量が特定され、かつ、前記配合指定データにより設定された前記指定範囲を満足する配合データの候補が複数生成され、
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。