WO2022080367A1 - 予測方法、予測装置 - Google Patents

予測方法、予測装置 Download PDF

Info

Publication number
WO2022080367A1
WO2022080367A1 PCT/JP2021/037735 JP2021037735W WO2022080367A1 WO 2022080367 A1 WO2022080367 A1 WO 2022080367A1 JP 2021037735 W JP2021037735 W JP 2021037735W WO 2022080367 A1 WO2022080367 A1 WO 2022080367A1
Authority
WO
WIPO (PCT)
Prior art keywords
resin powder
prediction
infrared
water
measurement data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2021/037735
Other languages
English (en)
French (fr)
Inventor
敦裕 野田
一司 堀江
香織 中谷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Shokubai Co Ltd
Original Assignee
Nippon Shokubai Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nippon Shokubai Co Ltd filed Critical Nippon Shokubai Co Ltd
Priority to US18/031,241 priority Critical patent/US20230375472A1/en
Priority to EP21880105.8A priority patent/EP4231000A4/en
Priority to KR1020237016195A priority patent/KR102917557B1/ko
Priority to JP2022557007A priority patent/JPWO2022080367A1/ja
Priority to CN202180070148.0A priority patent/CN116368370A/zh
Publication of WO2022080367A1 publication Critical patent/WO2022080367A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/44—Resins; Plastics; Rubber; Leather
    • G01N33/442—Resins; Plastics
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/126—Microprocessor processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks

Definitions

  • the present disclosure relates to a prediction method and a prediction device for predicting the physical properties of a water-absorbent resin powder.
  • the water-absorbent resin (Super Absorbent Polymer, hereinafter abbreviated as "SAP") is a resin having water swellability and water insolubility. SAP is often in the form of powder (or particles).
  • SAP water absorption ratio
  • AAP water absorption ratio under load
  • SFC physiological saline flow inducibility
  • Patent Document 1 discloses a method of predicting the physical properties of a water-absorbent resin by using a specific Raman spectrum for the water-absorbent resin.
  • the target sample is irradiated with a specific single wavelength, and the scattered light with a wave number in a specific range is measured. Due to such characteristics of irradiation light, the Raman spectrum is not easily affected by the particle size of the measurement target. Therefore, the Raman spectrum is not suitable for accurately measuring the particle size to be measured.
  • the target sample is irradiated with a plurality of wavelengths or a continuous spectrum of near-infrared light (generally, a wavelength of 750 nm to 2500 nm), and transmission, absorption, refraction, reflection, and diffusion are performed.
  • a measurement including information on the particle size of the target sample it is possible to perform a measurement including information on the particle size of the target sample.
  • the measurement can be performed in a wide wavelength range as compared with the Raman spectrum measurement, so that more accurate average information of the target sample can be obtained.
  • One aspect of the present disclosure is to realize the prediction of the physical properties of the water-absorbent resin powder from the near-infrared absorption spectrum in the manufacturing process of the water-absorbent resin powder.
  • the prediction method is a method for predicting the physical properties of the resin powder (Note: the resin powder is a water-absorbent resin powder and the water-absorbent resin).
  • the measurement data acquisition step for acquiring the near-infrared measurement data showing the near-infrared absorption spectrum of the resin powder, and the near-red
  • At least one or more of the outside measurement data and one or more processing data generated based on the near-infrared measurement data is input to the prediction model, and the prediction information related to the physical properties of the resin powder is output.
  • the prediction information related to the physical properties of the resin powder is output.
  • the prediction device is a prediction device for predicting the physical properties of the resin powder (Note: the resin powder is a water-absorbent resin powder and the said. (Points to any of the intermediate products produced in the manufacturing process for producing the water-absorbent resin powder), measurement data acquisition unit (acquires measurement data showing the near-infrared absorption spectrum measured for the resin powder). And, at least one of the prediction unit (the near-infrared measurement data and one or more processing data generated based on the near-infrared measurement data) is input to the prediction model to obtain the physical properties of the resin powder. Outputs related forecast information), and.
  • the physical properties of the water-absorbent resin powder can be predicted from the near-infrared absorption spectrum.
  • FIG. 1 is a block diagram showing an example of the configuration of the prediction system 1000.
  • the prediction system 1000 includes a prediction device 100, a near-infrared spectrophotometer 3, and an external device 4.
  • the prediction device 100 includes a CPU 1 and a memory 2. As shown in FIG. 1, the prediction device 100 may be communicably connected to the near-infrared spectrophotometer 3 and the external device 4.
  • the communication between the prediction device 100 and the near-infrared spectrophotometer 3 may be any of short-range wireless communication, wired connection, and communication via a network such as the Internet. Alternatively, the communication between the prediction device 100 and the near-infrared spectrophotometer 3 may be configured to be directly connected by a connector such as a USB terminal.
  • the communication between the prediction device 100 and the external device 4 is the same as the communication between the prediction device 100 and the near-infrared spectrophotometer 3.
  • FIG. 1 shows a case where each of the near-infrared spectrophotometer 3 and the external device 4 communicably connected to the prediction device 100 is one, but the present invention is not limited to this.
  • the near-infrared spectrophotometer 3 and the external device 4 which are communicably connected to the prediction device 100 may be one or a plurality of each.
  • the prediction device 100 is at least one of a near-infrared measurement data showing a near-infrared absorption spectrum acquired from the near-infrared spectrophotometer 3 and one or more processed data generated based on the near-infrared measurement data. Is input to the prediction model, and prediction information related to the physical properties of the resin powder is output.
  • “measurement data indicating a near-infrared absorption spectrum” may be simply referred to as a near-infrared absorption spectrum (near-infrared measurement data).
  • the near-infrared spectrophotometer 3 measures the reflected light from the resin powder and the transmitted light of the resin powder when the resin powder is irradiated with near-infrared rays, and represents the near-infrared absorption characteristics of the resin powder. It is a device that calculates the external absorption spectrum.
  • the near infrared ray is light having a wavelength range of 750 to 2500 nm. The near-infrared absorption spectrum will be described later.
  • the external device 4 may be any device that receives the prediction result output from the prediction device 100.
  • the external device 4 may be an arbitrary display device or a computer used by a manager who manages a resin powder manufacturing process.
  • the external device 4 may be any manufacturing device that executes the processing of the resin powder manufacturing process.
  • FIG. 2 is a functional block diagram showing an example of the main configuration of the prediction device 100.
  • the prediction model 22 may be generated by a machine learning process using at least one of the following (1) and (2) as training data.
  • the trained prediction model 22 may be introduced in the prediction device 100 in advance.
  • the prediction device 100 may further include a function of performing machine learning processing using at least one of the above (1) and (2) as training data.
  • the prediction device 100 can accurately predict the physical properties of the resin powder whose near-infrared absorption spectrum has been measured from the near-infrared absorption spectrum. can.
  • the method of generating the prediction model 22 will be described later.
  • the prediction device 100 outputs prediction results to a control unit 10 that collectively controls each part of the prediction device 100, a storage unit 20 that stores various data used by the control unit 10, and an external device 4.
  • a communication unit 50 for outputting is provided.
  • the control unit 10 corresponds to the CPU 1 of FIG. 1
  • the storage unit 20 corresponds to the memory 2 of FIG.
  • the communication unit 50 is for performing data communication with the external device 4.
  • the communication between the prediction device 100 and the external device 4 may be any of short-range wireless communication, wired connection, and communication via a network such as the Internet.
  • the prediction device 100 and the external device 4 may be directly connected by a connector such as a USB terminal.
  • the control unit 10 includes a measurement data acquisition unit 11 and a prediction unit 13.
  • the measurement data acquisition unit 11 acquires a near-infrared absorption spectrum from the near-infrared spectrophotometer 3.
  • the measurement data acquisition unit 11 may store the acquired near-infrared absorption spectrum in the storage unit 20 as near-infrared measurement data (not shown). Further, the measurement data acquisition unit 11 may read the near-infrared absorption spectrum stored in the past from the near-infrared measurement data and use it for the subsequent prediction.
  • the prediction unit 13 inputs the near-infrared absorption spectrum into the prediction model 22 described later, and outputs prediction information related to the physical properties of the resin powder.
  • the prediction unit 13 may generate one or more processed data based on the near-infrared absorption spectrum.
  • the processed data is data obtained by subjecting the near-infrared absorption spectrum to one or more predetermined pretreatments, unlike the raw data of the near-infrared absorption spectrum.
  • the prediction unit 13 may perform preprocessing specified in the prediction model 22 on the near-infrared absorption spectrum acquired by the measurement data acquisition unit 11 (preprocessing step).
  • the pretreatment includes at least one of the following processes.
  • the outlier removal treatment is a near-infrared absorption that is significantly different from other near-infrared absorption spectra when the near-infrared absorption spectra measured at multiple points of the resin powder are compared with each other. This is a process for detecting a spectrum and removing the near-infrared absorption spectrum. "Measured at a plurality of places of the resin powder" corresponds to irradiating a plurality of different regions of a sample to be measured having a predetermined area made of the resin powder with measurement light.
  • Specific outlier detection methods include One Class support vector machine processing (One Class SVM processing), detection using Mahalanobis distance, LOF (Local Outlier factor method), Tukey method, and neighbor method. Be done.
  • -Averaging process The averaging process is a process of calculating one average spectrum data from a plurality of near-infrared absorption spectra measured at a plurality of locations of the resin powder.
  • ⁇ Wavelength selection processing The wavelength selection process is a process of selecting the wavelength range of the spectral data to be input to the prediction model 22 described later. In the wavelength range processing, for example, a wavelength range in which a characteristic absorption pattern appears for each resin powder whose near-infrared absorption spectrum has been measured may be selected.
  • the differential processing generates differential data obtained by differentiating spectral data with respect to wavelength.
  • the differential data may include data obtained by first-order differentiating the spectral data with respect to wavelength and data obtained by second-order differentiation.
  • -Baseline correction processing is a processing for aligning the baselines of a plurality of near-infrared absorption spectra measured at a plurality of locations of the resin powder.
  • the prediction unit 13 may perform the following processing on the near-infrared absorption spectrum.
  • ⁇ Smoothing processing weighted moving average processing, smoothing spline processing, etc.
  • SNV Standard Normal Variate
  • MSC Multiple scattering correction processing
  • PCA Principal component analysis
  • near-infrared measurement data showing the near-infrared absorption spectra of the resin powder is acquired at a plurality of locations of the resin powder, and the acquired plurality of near-infrared absorption spectra are obtained. It may include an averaging step of performing an averaging process and calculating average spectral data. In the prediction step, the average spectral data may be input to the prediction model 22 as processing data. Further, the averaging step may be a process defined by the prediction model 22.
  • the prediction method performed by the prediction unit 13 may further include, for example, a wavelength range selection step of selecting the wavelength range of the average spectrum data input to the prediction model 22. Further, in the prediction step, the average spectral data in the wavelength range may be input to the prediction model 22 as processing data. Further, the wavelength range selection step may be a process defined by the prediction model 22.
  • the prediction method performed by the prediction unit 13 may further include, for example, a differential data generation step of generating differential data obtained by differentiating the average spectral data in the wavelength range described above with respect to the wavelength. Further, in the prediction step, the differential data may be input to the prediction model 22 as processing data. Further, the differential data generation step may be a process defined by the prediction model 22.
  • FIG. 3 is a flowchart showing the flow of processing performed by the prediction device 100.
  • the measurement data acquisition unit 11 acquires near-infrared measurement data, which is a near-infrared absorption spectrum measured by the near-infrared spectrophotometer 3 (step S1: near-infrared measurement data acquisition step).
  • the prediction unit 13 reads the prediction model 22 from the storage unit 20 (step S2).
  • the prediction unit 13 inputs the near-infrared measurement data acquired in step S1 into the prediction model 22 (step S3). At this time, the prediction unit 13 may perform the above-mentioned pretreatment on the acquired near-infrared absorption spectrum based on the prediction model 22. The prediction unit 13 may perform one of the above-mentioned pretreatments, or may perform two or more of them. The preprocessing performed by the prediction unit 13 will be described later with a specific example.
  • the prediction unit 13 predicts the physical properties of the prediction target from the pre-processed near-infrared measurement data or the unprocessed near-infrared measurement data based on the prediction model 22 (step S4: prediction step).
  • the communication unit 50 outputs the prediction information indicating the prediction result output from the prediction unit 13 to the external device 4 (step S4).
  • Example of pretreatment> a specific pretreatment performed by the prediction unit 13 when predicting the gel D50 from the near-infrared absorption spectrum of the hydrogel, which is an intermediate product in the manufacturing process for manufacturing the resin powder, is taken as an example. I will explain it by citing it.
  • the prediction unit 13 performs outlier detection processing (for example, One Class SVM, etc.) on a plurality of near-infrared absorption spectra acquired by the measurement data acquisition unit 11, and is significantly deviated from other near-infrared absorption spectra. Remove the near-infrared absorption spectrum.
  • outlier detection processing for example, One Class SVM, etc.
  • the prediction unit 13 performs an averaging process on the remaining plurality of near-infrared absorption spectra to generate one average spectrum data.
  • the pretreatment performed by the prediction unit 13 differs depending on which stage of the manufacturing process for producing the resin powder the measurement target of the near-infrared absorption spectrum is, and what the physical properties of the prediction target are. May be good. That is, the prediction unit 13 may perform wavelength selection processing for selecting the wavelength range of the spectrum data. Alternatively, the prediction unit 13 may perform a differential process for generating differential data obtained by differentiating the spectral data with respect to the wavelength. Further, these processes may be performed in combination.
  • the prediction accuracy of the prediction device 100 can be improved.
  • FIG. 4 is a functional block diagram showing an example of the main part configuration of the prediction device 100 that generates the prediction model 22.
  • the prediction device 100 may generate the prediction model 22 by performing arbitrary known supervised machine learning.
  • the control unit 10 includes a measurement data acquisition unit 11, a prediction unit 13, and a prediction model generation unit 18.
  • the measurement data acquisition unit 11 acquires a plurality of near-infrared absorption spectra (also referred to as near-infrared absorption spectrum groups) included in the near-infrared measurement data 21 designated by the prediction model generation unit 18, and the near-infrared absorption spectrum.
  • the absorption spectrum group is output to the prediction unit 13.
  • the prediction unit 13 reads the prediction model candidate (described later) generated by the prediction model generation unit 18 from the prediction model generation unit 18. Further, the near-infrared absorption spectrum group included in the near-infrared measurement data 21 designated by the prediction model generation unit 18 is input to the prediction model candidate, and the physical property group corresponding to the input near-infrared absorption spectrum group is predicted. The predicted result is output to the prediction model generation unit 18.
  • the predictive model generation unit 18 generates predictive model candidates for learning / verification by machine learning.
  • a predictive model candidate is a predictive model for which prior machine learning has not been completed.
  • the prediction model candidate is stored in the storage unit 20 as the prediction model 22. Further, the prediction model generation unit 18 designates a data group to be used for machine learning from the near-infrared measurement data 21 and the physical property information 23 possessed by the storage unit 20.
  • the predictive model generation unit 18 may calculate a model evaluation index by comparing (1) and (2) below.
  • the model evaluation index is, for example, an index for evaluating an error between the prediction result of (1) and the physical property group included in the physical property information 23 of (2).
  • the model evaluation index may be any index capable of evaluating the accuracy of the prediction result, may be a mean square error, or may be a coefficient of determination (R 2 ).
  • the predictive model generation unit 18 determines whether or not the predictive model candidate satisfies a predetermined evaluation standard based on the model evaluation index.
  • the predetermined evaluation standard is a standard arbitrarily determined in advance for evaluating the prediction accuracy of the prediction model candidate.
  • the predictive model generation unit 18 stores the predictive model candidate in the predictive model 22 as an optimum predictive model. On the other hand, when the generated predictive model candidate does not meet the predetermined evaluation criteria, the predictive model generation unit 18 updates the predictive model candidate.
  • Update of predictive model candidate is to update the predictive model candidate by updating the weight, hyperparameters, etc. of the predictive model candidate so that the error between the prediction result and the physical property included in the physical property information 23 is minimized. And may include generating new predictive model candidates. An error backpropagation method or the like may be applied to update the predictive model candidate.
  • the physical property information 23 includes the physical property information of the final product associated with the near-infrared measurement data including the near-infrared absorption spectra of a plurality of manufactured resin powders having known physical properties that have been manufactured in the past. Further, the physical property information 23 is provided in the near-infrared measurement data 21 showing the near-infrared absorption spectra of a plurality of produced intermediate products having known physical properties, which are generated in the manufacturing process for producing each manufactured resin powder. Contains physical property information of the associated intermediate product. The physical property information may be information related to the physical properties of the water-absorbent resin powder, which will be described later.
  • the physical property information 23 may include, as the physical properties, the actually measured value of the resin powder to be measured or the actually measured value of the intermediate product. Further, a measurement ID may be assigned to each physical property.
  • the physical property information 23 may include a physical property group used for machine learning to generate a prediction model 22 from a prediction model candidate.
  • the near-infrared measurement data 21 includes a data file of the near-infrared absorption spectrum of the resin powder or the intermediate product to be measured.
  • This data file can be, for example, a csv file and a text file.
  • a measurement ID may be assigned to each data file of the near-infrared absorption spectrum.
  • the near-infrared measurement data 21 may include a group of near-infrared absorption spectra used for machine learning to generate a prediction model 22 from a prediction model candidate.
  • FIG. 5 shows the data structure of the near-infrared measurement data 21, and FIG. 6 shows the data structure of the physical property information 23.
  • the near-infrared measurement data 21 has a plurality of near-infrared absorption spectrum data files, and a measurement ID is assigned to each near-infrared absorption spectrum data file.
  • the physical property information 23 has a plurality of data files of physical properties (measured values), and a measurement ID is assigned to each physical property.
  • this measurement ID may be given the same ID as the measurement ID given to the data file of the near-infrared absorption spectrum described above, and the near-infrared absorption spectra of the same IDs and the near-infrared absorption spectra thereof.
  • the physical property information may be the result of measuring the same product. For example, the near-infrared absorption spectrum to which the measurement ID "001" in FIG. 5 is assigned and the physical characteristics to which the measurement ID "001" in FIG. 6 is assigned were measured for the same resin powder or intermediate product. It may be data.
  • the prediction unit 13 uses the prediction model candidate specified by the prediction model generation unit 18.
  • the prediction unit 13 acquires the measurement ID of the near-infrared absorption spectrum designated by the prediction model generation unit 18, and corresponds to the near-infrared absorption spectrum group read from the storage unit 20 having the same measurement ID as the measurement ID. You may compare the physical characteristics of the product with the information about the same product. Alternatively, the prediction result output from the prediction unit 13 may be given the same measurement ID as the measurement ID of the near-infrared absorption spectrum input to the prediction model candidate.
  • the prediction model generation unit 18 generates the same prediction result output from the prediction unit 13 and a physical property group corresponding to the near-infrared absorption spectrum group read from the storage unit 20 having the same measurement ID as the prediction result. It may be compared as information about an object.
  • the measurement ID given to the near-infrared absorption spectrum and the measurement ID given to the physical properties may be different.
  • the measurement ID of the physical properties and the measurement ID of the near-infrared absorption spectrum may be associated with each other.
  • the prediction model 22 may be generated by using either linear regression or non-linear regression machine learning.
  • machine learning to generate the prediction model 22 for example, as linear regression, PLS (partial least squares regression), PCR (principal component regression), simple regression, multiple regression, ridge regression, lasso regression, Bayesian linear regression, etc. Can be mentioned.
  • non-linear regression include (convolutional) neural networks, support vector regression, k-nearest neighbors, regression trees, and the like. Ensemble learning that combines the methods listed above may be used.
  • the prediction model 22 may be a model that numerically predicts various physical property values, or may be a model that makes a judgment prediction as to whether the physical property values pass or fail.
  • PLS and PCR machine learning are used to generate the prediction model 22.
  • the prediction model 22 may define the necessary preprocessing to be performed on the near-infrared absorption spectrum.
  • FIG. 7 is a flowchart showing a flow of processing performed by the prediction device 100 that executes machine learning.
  • the prediction device 100 uses a combination of the near-infrared measurement data 21 and the physical property information 23 corresponding to the near-infrared measurement data 21 as learning data to generate the prediction model 22. It will be explained by listing in.
  • the measurement data acquisition unit 11 reads from the storage unit 20 the near-infrared absorption spectrum group included in the near-infrared measurement data 21 designated by the prediction model generation unit 18 for use as a prediction model candidate. Further, the measurement data acquisition unit 11 reads the physical property group associated with the near-infrared absorption spectrum group included in the physical property information 23 (step S11).
  • the prediction model generation unit 18 generates a prediction model candidate and outputs the prediction model candidate to the prediction unit 13 (step S12).
  • the prediction unit 13 inputs the near-infrared absorption spectrum group acquired by the measurement data acquisition unit 11 into the prediction model candidate (step S13).
  • the prediction unit 13 outputs the prediction result of predicting the physical property group corresponding to the near-infrared absorption spectrum group input to the prediction model candidate (step S14).
  • the prediction model generation unit 18 calculates a model evaluation index by comparing the physical property group associated with the input near-infrared absorption spectrum group with the prediction result output from the prediction unit 13 (step). S15).
  • the predictive model generation unit 18 determines whether or not the predictive model candidate satisfies a predetermined evaluation criterion based on the model evaluation index (step S16). When the predictive model candidate satisfies a predetermined evaluation criterion (YES in step S16), the predictive model generation unit 18 stores the predictive model candidate as the optimum predictive model candidate in the predictive model 22 (step S19). ..
  • the predictive model generation unit 18 updates the predictive model candidate (step S12).
  • the prediction model generation unit 18 may update the weights, hyperparameters, etc. of the prediction model candidates that do not satisfy the evaluation criteria, or may generate new prediction model candidates.
  • steps S12 to S16 are repeated until step S16 becomes YES.
  • the prediction model generation unit 18 may generate a plurality of predictive model candidates.
  • the prediction model candidate having the highest prediction accuracy may be stored in the prediction model 22 as the optimum prediction model candidate.
  • machine learning may be performed as a prediction model including preprocessing.
  • the method for measuring the near-infrared absorption spectrum of the present disclosure is a method for measuring the near-infrared absorption spectrum of the resin powder for use in the prediction method by the prediction device 100 described above.
  • the measuring method includes a step of irradiating the resin powder with near infrared rays and a step of calculating the near infrared absorption spectrum of the resin powder from the measured values obtained by measuring at least one of the reflected light and the transmitted light from the resin powder. And include.
  • the resin powder is either a water-absorbent resin powder or an intermediate product produced in a manufacturing process for producing the water-absorbent resin powder.
  • the near-infrared absorption spectrum will be described below.
  • the near-infrared absorption spectrum is measured by irradiating a sample with near-infrared rays in a specific wavelength region and using near-infrared spectroscopy to detect transmitted light or reflected light.
  • the near-infrared absorption spectrum can be measured by, for example, a near-infrared spectrophotometer.
  • the near-infrared spectrophotometer is not particularly limited, but for example, FT-NIR NIRFlex (trademark registration) N-500 series and NIRMaster series (manufactured by BUCHI), IRMA51 series and IRMD51 series (manufactured by Chino Co., Ltd.), IR Tracer100.
  • a NIR system manufactured by Shimadzu Corporation
  • a Spectrom3 NIR manufactured by PerkinElmer
  • a MATRIX series FT-NIR spectrometer manufactured by BRUKER
  • Commercially available software can be used for analysis of the obtained spectral data.
  • the near-infrared spectrophotometer may have different names depending on the manufacturer such as a near-infrared multi-component analyzer or a near-infrared analyzer.
  • Near infrared rays are light having a wavelength belonging to the wavelength region of 750 to 2500 nm.
  • the near-infrared spectrum is measured by irradiating light including near-infrared rays having a wavelength belonging to the wavelength region.
  • the wavelength of the irradiation light may be all wavelengths in the near infrared wavelength region, or may be one or more selected specific wavelengths.
  • the above-mentioned irradiation light is applied to the water-absorbent resin to be measured, and the transmitted, absorbed, refracted, reflected, and diffused light is measured.
  • the near-infrared absorption spectrum is measured at least at any time before the polymerization step, between the polymerization step and the drying step, and after the drying step, and the prediction information output in the prediction step is the prediction information. It may be used to control any one or more manufacturing devices used in the resin powder manufacturing process.
  • the advantages that the near-infrared absorption spectrum can be used are (1) rapid acquisition of analysis results, (2) non-contact and non-destructive analysis, and (3) quantitative analysis of multiple components at the same time. (4) Physical quantities (particle size, etc.) can be measured, and (5) operation is easy.
  • the prediction method of the present disclosure outputs prediction information related to the physical properties of at least one of the water-absorbent resin powder and the intermediate product produced in the manufacturing process for producing the water-absorbent resin powder.
  • the physical properties that can be predicted by the prediction device 100 may include at least one of the following (1) to (16).
  • Water-absorbent resin in the present disclosure means a water-swellable water-insoluble crosslinked polymer, and is generally in the form of particles. “Water swelling” refers to NWSP 241.0.
  • the non-pressurized absorption ratio (CRC) defined by R2 (15) means that the absorption ratio (CRC) is 5 g / g or more, and “water-insoluble” means NWSP 270.0. It means that the soluble content (Ext) defined by R2 (15) is 50% by mass or less.
  • the water-absorbent resin can be appropriately designed according to its use, and is not particularly limited, but may be a hydrophilic crosslinked polymer obtained by cross-linking and polymerizing an unsaturated monomer having a carboxyl group. preferable. Further, the composition is not limited to a form in which the total amount (100% by weight) is a polymer, and a composition containing a surface crosslinked product, an additive, or the like may be used as long as the above performance is maintained.
  • the "water-absorbent resin” is "poly (meth) acrylic acid (salt)", and may contain (meth) acrylic acid and / or a salt thereof as a repeating unit as a main component.
  • NWSP stands for "Non-Woven Standard Procedures-Edition 2015”
  • EDANA European Nonwoven Fabric Industry Association
  • INDA Association Society
  • INDA Association Technology
  • the gel D50 is a mass average particle size converted into a solid content of a hydrogel containing an intermediate product.
  • Gel D50 is measured according to the method described in WO2016 / 204302.
  • the gel D50 of the present disclosure is a value corresponding to Solid D50 described in WO2016 / 204302.
  • the gel D50 can be measured after the polymerization step and before the drying step.
  • the water-absorbent resin is produced by aqueous solution polymerization, it is measured after the gel crushing step described later or before the drying step.
  • CRC is an abbreviation for Centrifuge Retention Capacity (centrifugation holding capacity), and means a water absorption ratio under no pressure of a water-absorbent resin (sometimes referred to as "water absorption ratio").
  • 0.2 g of the water-absorbent resin is placed in a bag made of a non-woven fabric, and then immersed in a large excess of 0.9 wt% sodium chloride aqueous solution for 30 minutes to freely swell the water-absorbent resin, and then centrifuged. It refers to the water absorption ratio (unit: g / g) after draining with a separator (250 G).
  • AAP is an abbreviation for Absorption Against Pressure, and means the water absorption ratio under pressure of the water-absorbent resin.
  • AAP swells 0.9 g of a water-absorbent resin with a large excess of 0.9 wt% sodium chloride aqueous solution under a load of 2.06 kPa (21 g / cm2, 0.3 psi) for 1 hour. It refers to the water absorption ratio (unit: g / g) after that. In some cases, the load condition is changed to 4.83 kPa (49 g / cm 2 , 0.7 psi) for measurement.
  • SFC is an abbreviation for (Saline Flow Condivity / Saline flow inducibility), and the permeability of a 0.69 wt% sodium chloride aqueous solution to a water-absorbent resin at a load of 2.07 kPa (unit; ⁇ 10- ) . 7 ⁇ cm 3 ⁇ s ⁇ g -1 ).
  • SFC is measured according to the SFC test method disclosed in US Pat. No. 5,669,894.
  • T20 is the water absorption time, which is the time (unit: seconds) required for 1 g of the resin powder to absorb 20 g of the 0.9 wt% sodium chloride aqueous solution, and is disclosed in US Publication of Patent Publication US2012 / 0318046. It is measured according to the measured method.
  • U20> "U20" is absorption in 20 minutes (unit; g / g) and is measured according to the measuring method disclosed in US Publication of Patent Publication US2012 / 0318046.
  • K20 is the effective transmittance (unit: m 2 ) in 20 minutes, and is measured according to the measuring method disclosed in US Publication of Patent Publication US2012 / 0318046.
  • Vortex water absorption time
  • 0.02 part by mass of edible blue No. 1 brilliant blue
  • a pre-adjusted physiological saline solution 0.9 mass% sodium chloride aqueous solution
  • D50 is the mass average particle size of the resin powder produced in the drying step, which will be described later.
  • the mass average particle size (D50) is the same as that described in US Pat. No. 7,638,570, “(3) Mass-Average Particle Diameter (D50) and Logarithmic Standard deviation Method of Particle Diameter”.
  • the water content and solid content of the water-containing gel are the water content and resin solid content of the water-containing gel before drying.
  • the water content and solid content of the water-containing gel can be measured after the polymerization step and before the drying step. That is, it may be the water content and solid content of the water-containing gel before being crushed, or it may be the water content and solid content of the particulate water-containing gel after crushing.
  • the water content of the water content gel is measured according to NWSP.
  • the mass of the sample is changed to 2.0 g
  • the drying temperature is changed to 180 ° C.
  • the drying time is changed to 24 hours.
  • the total mass W1 (g) of the sample hydroogen gel and the aluminum cup
  • the sample is allowed to stand in an oven set to an atmospheric temperature of 180 ° C. After 24 hours, the sample is removed from the oven and the total mass W2 (g) is accurately weighed.
  • the mass of the hydrous gel used in this measurement is M (g)
  • the water content (100- ⁇ ) (mass%) of the hydrogel is determined according to the following (formula 1).
  • ⁇ is a solid content ratio (mass%) of a hydrogel.
  • Gel CRC is a CRC of a hydrogel before drying.
  • the gel CRC can be measured after the polymerization step and before the drying step. That is, it may be the CRC of the hydrogel before pulverization, or the CRC of the particulate hydrogel after pulverization.
  • gel CRC means that 0.6 g of water-containing gel is placed in a non-woven fabric bag and then immersed in a large excess of 0.9 wt% sodium chloride aqueous solution for 24 hours to freely release the water-absorbent resin. It refers to the water absorption ratio (unit: g / g) after swelling and then draining with a centrifuge (250 G).
  • Ext is an abbreviation for Extremes and means a water-soluble component (amount of water-soluble component). Specifically, the amount of the dissolved polymer (unit:% by weight) after adding 1.0 g of the water-absorbent resin to 200 mL of a 0.9 wt% sodium chloride aqueous solution and stirring for 16 hours. The amount of dissolved polymer is measured using pH titration.
  • Gel Ext is the Ext of the hydrogel before drying.
  • the gel Ext can be measured after the polymerization step and before the drying step. That is, it may be the Ext of the hydrogel before pulverization, or it may be the Ext of the particulate hydrogel after pulverization.
  • the sample is changed to 2.0 g and measured, and calculated as the mass% of the water-soluble content per solid content.
  • Residal Monomers is the amount of the monomer remaining in the water-absorbent resin, and NWSP210.0. It is measured according to R2 (19).
  • FSR is the water absorption rate (unit: g / g / s) and is measured according to the measuring method disclosed in International Publication No. 2009/016055.
  • FSC Free Swell Capacity
  • NWSP240.0 It is measured according to R2 (15).
  • Flow Rate means the flow rate of the water-absorbent resin. Flow Rate is NWSP251.0. It is measured according to R2 (15).
  • Density means the bulk specific density of the water-absorbent resin. Density is NWSP251.0. Measured according to R2 (15).
  • the above-mentioned physical properties may be measured at any timing in the resin powder manufacturing process.
  • the method for producing the water-absorbent resin powder may include a polymerization step and a drying step, and preferably includes a gel crushing step, a post-crosslinking step, and a granulation step. Each process will be described below.
  • a water-containing gel-like crosslinked polymer (hereinafter referred to as a water-containing gel-like crosslinked polymer) is polymerized by polymerizing a monomer containing acrylic acid (salt) as a main component and a monomer aqueous solution containing at least one type of polymerizable internal crosslinker. , Expressed as "hydrous gel").
  • the polymerization initiator used in the present disclosure is appropriately selected depending on the polymerization form and the like, and is not particularly limited.
  • a thermal decomposition type polymerization initiator a photodegradable polymerization initiator, or decomposition of these polymerization initiators.
  • examples thereof include a redox-based polymerization initiator used in combination with a reducing agent that promotes.
  • a reducing agent that promotes e.g., one or more of the polymerization initiators disclosed in US Pat. No. 7,265,190 will be used.
  • a peroxide or an azo compound is preferably used, more preferably a peroxide, and still more preferably a persulfate.
  • the polymerization reaction may be carried out by irradiating with active energy rays such as radiation, electron beam, and ultraviolet rays, or these active energy rays and the polymerization initiator may be used in combination. ..
  • the polymerization form applied to the present disclosure is not particularly limited, but is preferably spray droplet polymerization, aqueous solution polymerization, reverse phase suspension polymerization, etc. from the viewpoint of water absorption characteristics of the hydrogel and ease of polymerization control.
  • aqueous solution polymerization a reverse phase suspension polymerization, and more preferably an aqueous solution polymerization.
  • continuous aqueous solution polymerization is particularly preferable, and either continuous belt polymerization or continuous kneader polymerization is applied.
  • the gel crushing step is a step of crushing the hydrous gel obtained in the polymerization step into a gel to obtain a particulate hydrogel.
  • a gel crushing step may be performed at the same time as the polymerization step as in continuous kneader polymerization.
  • the gel crusher during or after polymerization used in this step is not particularly limited, and is a gel crusher equipped with a plurality of rotary stirring blades such as a batch type or continuous double-arm kneader, or a single shaft.
  • a gel crusher equipped with a plurality of rotary stirring blades such as a batch type or continuous double-arm kneader, or a single shaft.
  • examples thereof include an extruder, a twin-screw extruder, a meat chopper, a screw-type extruder, a double-screw type kneader equipped with a crushing means, and the like.
  • a screw type extruder in which a perforated plate is installed at one end of a casing is preferable, and specific examples thereof include a screw type extruder disclosed in Japanese Patent Application Laid-Open No. 2000-63527 and WO2011 / 126079. Be done.
  • the gel pulverization is performed during and / or after the polymerization step, and more preferably, it is performed on the water-containing gel-like polymer after the polymerization step.
  • the monomer aqueous solution continuously changes into a hydrogel-like polymer with the lapse of the polymerization time. Therefore, the hydrogel-like polymer after the time when the polymerization temperature becomes maximum, or the hydrogel-like polymer having a monomer polymerization rate of 90 mol% or more may be gel-ground.
  • the maximum value of the polymerization temperature is also referred to as the polymerization peak temperature.
  • the polymerization rate of the monomer is sometimes referred to as the conversion rate.
  • the polymerization rate of the monomer is calculated from the amount of polymer calculated from the pH titration of the hydrogel polymer and the amount of residual monomer.
  • the hydrogel-like polymer during and / or after the polymerization step preferably the hydrogel-like polymer after the polymerization step
  • the hydrogel-like polymer after the polymerization step is about several tens of centimeters before gel pulverization. It can be cut or coarsely crushed to size. By this operation, it becomes easy to fill the gel-containing gel-like polymer in the gel crushing device, and the gel crushing step can be carried out more smoothly.
  • the means for cutting or coarsely crushing a means capable of cutting or coarsely crushing the hydrogel-like polymer without kneading is preferable, and examples thereof include a guillotine cutter and the like.
  • the size and shape of the hydrogel-like polymer obtained by the above-mentioned cutting or coarse crushing is not particularly limited as long as it can be filled in the gel crushing apparatus.
  • the drying step is a step of obtaining a granular dried product by drying the particulate hydrogel to a desired solid content.
  • the drying method is not particularly limited, and is, for example, heat drying, hot air drying, vacuum drying, fluidized layer drying, infrared drying, microwave drying, drum dryer drying, co-boiling dehydration with a hydrophobic organic solvent, and high temperature. High humidity drying using steam can be mentioned.
  • the post-crosslinking agent described later in the main drying step may be used in the main drying step to obtain a water-absorbent resin powder that has been post-crosslinked (also referred to as surface cross-linking) in the drying step.
  • the drying device used in the drying process is not particularly limited, and one or more types such as a heat transfer conduction type dryer, a radiant heat transfer type dryer, a hot air heat transfer type dryer, and a dielectric heating type dryer are used. Is selected as appropriate.
  • the drying device may be a batch type or a continuous type. Further, the drying device may be a direct heating type or an indirect heating type. Further, the drying device may be any one of a static material type, a material stirring type, a material transfer type, and a hot air transfer type.
  • a heat transfer type dryer such as a ventilation band type, a ventilation circuit type, a ventilation vertical type, a parallel flow band type, a ventilation tunnel type, a ventilation stirring type, a ventilation rotation type, a rotary type with a heating tube, a fluidized bed type, and an air flow type.
  • a heat transfer type dryer such as a ventilation band type, a ventilation circuit type, a ventilation vertical type, a parallel flow band type, a ventilation tunnel type, a ventilation stirring type, a ventilation rotation type, a rotary type with a heating tube, a fluidized bed type, and an air flow type.
  • the drying temperature in the drying step is 80 ° C. or higher, preferably 100 ° C. or higher, more preferably 120 ° C. or higher, and particularly preferably 150 ° C. or higher.
  • the drying temperature is 250 ° C. or lower, preferably 230 ° C. or lower, and more preferably 220 ° C. or lower. Any combination of the upper and lower limits of the drying temperature is preferable. If the drying temperature is less than 80 ° C., the drying time until a suitable resin solid content (moisture content) is obtained becomes long, which is not preferable. In addition, undried matter is produced, and clogging may occur during the subsequent pulverization step.
  • the drying temperature refers to the temperature of the heat medium used for drying in the case of direct heating, refers to the temperature of the hot air used for drying in the case of hot air drying, and the heat transfer surface used for drying in the case of indirect heating. Refers to the temperature of.
  • the drying time in the drying step refers to the time until the solid content becomes 80% by weight or more, preferably 60 minutes or less, preferably 40 minutes or less, 30 minutes or less, and 25 minutes or less in that order.
  • the lower limit of the drying time is about 1 minute in consideration of the drying efficiency.
  • the total drying time is preferably 120 minutes or less, more preferably 100 minutes or less, 80 minutes or less, and 60 minutes or less. If the drying time is short, undried matter is produced, which may cause clogging during the subsequent grinding step.
  • the particulate hydrogel obtained in the gel crushing step is dried in the drying step described above to obtain a dry polymer.
  • the resin solid content obtained from the dry weight loss of the dry polymer is preferably 80% by weight or more, more preferably 85 to 99% by weight. More preferably, it is 86 to 98% by weight.
  • This step is a step of adding a cross-linking agent that reacts with a functional group (particularly a carboxyl group) of a water-absorbent resin to the water-containing gel after polymerization and its dried product to cause a cross-linking reaction. Since it is mainly cross-linked from the surface of the water-absorbent resin particles, it is also called surface cross-linking or secondary cross-linking.
  • a post-crosslinking agent is added to the granular hydrogel and / or the granular dried product to react.
  • This step includes a post-crosslinking agent addition step and a heat treatment step, and may have a cooling step after the heat treatment step, if necessary.
  • This step is a step of adjusting the particle size of the granular dry product or the post-crosslinked granular dry product.
  • a water-absorbent resin powder having a more positively controlled particle size or particle size distribution can be obtained.
  • the sizing step comprises a crushing step and / or a classification step.
  • the crushing step is a step of crushing loosely aggregated granular dried sol with a crusher through a drying step or a heat treatment step to adjust the particle size.
  • the classification step is a step of removing coarse particles and fine particles from the granular dried product, the post-crosslinked granular dried product, or their crushed product using a classifying machine.
  • An ideal sizing step is to obtain a water-absorbent resin powder whose particle size and particle size distribution are controlled only by the pulverization step. Water absorption performance, handleability, and usability when applied to sanitary materials such as diapers and sanitary products vary depending on the particle size and particle size distribution of the water-absorbent resin powder. It is preferable to obtain a water-absorbent resin powder having a diameter and a particle size distribution.
  • the method for producing the water-absorbent resin powder may include a cooling step, a monomer aqueous solution preparation step, a step of adding various additives, a fine powder removal step, and a fine powder recycling step. Further, other known steps may be included.
  • the predictor 100 has a near-infrared absorption spectrum of an intermediate product before, between the polymerization step and the drying step, and at least after the drying step included in the manufacturing step of the water-absorbent resin powder. May be measured and predictive information related to the physical properties of the intermediate product (or the finished resin powder) at any stage of the above steps may be output.
  • the production conditions may be controlled in the production process of any one or more of the water-absorbent resin powders based on the prediction information output by the prediction device 100.
  • the prediction information output by the prediction device 100 may be used.
  • FIG. 8 is a block diagram showing an example of the configuration of the prediction system 1000a according to another embodiment of the present disclosure.
  • the prediction system 1000a includes a prediction device 100, near-infrared spectrophotometers 3a to 3f, and external devices 4a to 4e.
  • the prediction device 100 is connected to the near-infrared spectrophotometers 3a to 3f and the external devices 4a to 4e.
  • the external devices 4a to 4e are, for example, control devices for performing each step (polymerization step, pulverization step, etc.).
  • the gel D50 is, for example, the physical characteristics of the water-absorbent resin powder measured after the gel pulverization step.
  • FIG. 8 shows a case where the external device 4b is a device for controlling the gel crushing step, and the near-infrared spectrophotometer 3c is a near-infrared spectrophotometer for measuring the near-infrared absorption spectrum after the gel crushing step.
  • the external device 4b is a device for controlling the gel crushing step
  • the near-infrared spectrophotometer 3c is a near-infrared spectrophotometer for measuring the near-infrared absorption spectrum after the gel crushing step.
  • the near-infrared spectrophotometer 3c outputs the measured near-infrared absorption spectrum of the water-absorbent resin powder to the prediction device 100.
  • the prediction device 100 performs preprocessing on the acquired near-infrared absorption spectrum based on the prediction model. Examples of the pretreatment include outlier removal processing and averaging processing.
  • the prediction device 100 predicts the gel D50 from the preprocessed near-infrared absorption spectrum based on the prediction model.
  • the prediction device 100 outputs the prediction result to the external device 4c.
  • the external device 4c may be, for example, a device that controls the drying process.
  • the external device 4c that controls the drying process controls to heat the resin powder under a condition higher than the predetermined value.
  • the conditions in the process may be changed.
  • the external device 4b that controls the gel crushing process may increase the gel crushing load more than the predetermined value.
  • the external device 4b may change the conditions in the process, such as controlling the gel to have a higher rotation speed so that higher shear is applied to the gel.
  • control is performed to reduce the amount of the cross-linking agent in the polymerization step.
  • control is performed to reduce the amount of the cross-linking agent in the polymerization step.
  • the AAP of the final product physical properties is lower than the product standard, it is possible to control the change of the treatment agent composition in the post-crosslinking step.
  • the prediction device 100 may be able to identify which near-infrared spectrophotometer has acquired the near-infrared measurement data from among the plurality of near-infrared spectrophotometers.
  • the prediction device 100 acquires in advance the MAC address of each near-infrared spectrophotometer in the prediction system 1000a and the installation location of each near-infrared spectrophotometer.
  • FIG. 9 shows a correspondence table between the MAC address and the near-infrared spectrophotometer.
  • the prediction device can determine in which process in the prediction system 1000a the near-infrared measurement data is obtained. 100 can be identified.
  • the prediction system 1000a having such a configuration is a physical property of an intermediate product in each step of producing a resin powder (for example, a crushed gel physical property such as a gel particle size) or a physical property of a resin powder as a final product (for example, described above).
  • CRC and AAP can be predicted accurately in a short time. If the prediction information is used to control the manufacturing equipment (external devices 4a to 4e) that execute each process in the manufacturing process for manufacturing the resin powder, the physical property manipulation factors in each manufacturing process can be adjusted in real time, and the specifications of the out-of-spec product can be adjusted. The outbreak can be effectively suppressed.
  • the near-infrared spectrophotometers 3a to 3f are generally inexpensive (at least cheaper than the Raman spectrometer). Therefore, it is possible to keep the cost for arranging a plurality of near-infrared spectrophotometers 3a to 3f in the process of manufacturing the resin powder low.
  • the control block (particularly the control unit 10) of the control block (particularly the control unit 10) of the prediction device 100 according to the first embodiment and the second embodiment is a logic circuit (hardware) formed in an integrated circuit (IC chip) or the like. It may be realized by software, or it may be realized by software.
  • the prediction device 100 includes a computer that executes instructions of a program that is software that realizes each function.
  • the computer includes, for example, one or more processors and a computer-readable recording medium that stores the program. Then, in the computer, the processor reads the program from the recording medium and executes the program, thereby achieving the object of the present disclosure.
  • the processor for example, a CPU (Central Processing Unit) can be used.
  • the recording medium in addition to a “non-temporary tangible medium” such as a ROM (Read Only Memory), a tape, a disk, a card, a semiconductor memory, a programmable logic circuit, or the like can be used.
  • a RAM RandomAccessMemory
  • the program may be supplied to the computer via any transmission medium (communication network, broadcast wave, etc.) capable of transmitting the program. It should be noted that one aspect of the present disclosure can also be realized in the form of a data signal embedded in a carrier wave, in which the above program is embodied by electronic transmission.
  • the size of the stainless steel petri dish was 88 mm in inner diameter and 20 mm in height.
  • the surface temperature of the stainless steel petri dish was preheated to 50 ° C. using a hot plate (NEO HOTPLATE H1-1000, manufactured by Inuchi Seieidou Co., Ltd.).
  • the stainless petri dish was covered with a glass container having an exhaust port, and the petri dish was sucked with a vacuum pump so that the pressure inside the case became 85 kPa.
  • the pressure outside the case was 101.3 kPa (normal pressure).
  • reaction solution (1) was poured into the stainless steel petri dish, polymerization was started shortly afterwards.
  • the polymerization proceeded while expanding and foaming upward in all directions while generating water vapor, and then contracted to a size slightly larger than the bottom surface. This expansion and contraction was completed within about 1 minute.
  • a hydrogel-like crosslinked polymer hereinafter referred to as “hydrogen gel”.
  • the obtained hydrogel (1) was pulverized with a screw extruder (meat chopper) having the following specifications.
  • the screw extruder was provided with a perforated plate at its tip, and the perforated plate had a diameter of 82 mm, a hole diameter of 8.0 mm, a number of holes of 33, and a thickness of 9.5 mm.
  • the amount of the hydrous gel (1) added was about 360 g / min, and gel pulverization was performed while adding deionized water at 90 ° C. at 50 g / min in parallel with the gel addition.
  • This gel-crushed particulate hydrogel (1) was used for the evaluation of gel D50, which will be described later.
  • a surface cross-linking agent solution consisting of 0.025 g of ethylene glycol diglycidyl ether, 0.3 g of ethylene carbonate, 0.5 g of propylene glycol and 2.0 g of deionized water was sprayed and mixed with 100 g of the water-absorbent resin powder (1). .. The mixture was heat-treated at 200 ° C. for 35 minutes to obtain a surface-crosslinked water-absorbent resin powder (2).
  • Equipment FT-NIR NIRFlex (trademark registration) N-500 (manufactured by BUCHI) Measurement wavelength: 800-2500 nm Measurement method: Diffuse reflection measurement (ii) Equipment: IRMA5184S (manufactured by Chino Co., Ltd.) Measurement wavelength (8 wavelengths): 1320, 1460, 1600, 1720, 1800, 1960, 2100, 2310 nm Measurement method: Near infrared absorption type.
  • the data set used for the evaluation includes a plurality of combinations of the near-infrared measurement data and the physical properties associated with the near-infrared measurement data.
  • the data set is divided into training data and verification data and used for evaluation.
  • the learning data is data including a near-infrared absorption spectrum and an actually measured value of physical properties associated with the near-infrared absorption spectrum, and is data to be used for prior machine learning.
  • the verification data is data that is not included in the learning data.
  • the data set used for evaluation was randomly divided, and a prediction model by PLS or PCR was created for the training data.
  • the near-infrared absorption spectra and physical properties of the plurality of water-absorbent resin powders (1) and (2) are measured, and the near-infrared absorption spectra and the physical properties associated with the near-infrared absorption spectra are obtained.
  • FIG. 10 is a graph in which predicted values with respect to the measured values of gel D50 are plotted in the range of 80 to 190 ⁇ m.
  • FIG. 11 is a graph in which the predicted values with respect to the measured values of CRC are plotted in the range of 24 to 31 g / g.
  • FIG. 12 is a graph in which the predicted values with respect to the measured values of AAP are plotted in the range of 24.5 to 27 g / g.
  • FIG. 13 is a graph in which predicted values with respect to the measured values of SFC are plotted in the range of 20 to 110 ( ⁇ 10 -7 ⁇ cm 3 ⁇ s ⁇ g -1 ).
  • D50 The data set has 90 combinations of the near-infrared measurement absorption spectrum and the physical characteristics associated with the near-infrared absorption spectrum.
  • the dataset was randomly divided into training data and verification data, 80% for training and 20% for verification.
  • a prediction model by PLS was created for the training data.
  • FIG. 14 is a graph in which predicted values with respect to the measured values of D50 are plotted in the range of 250 to 450 ⁇ m.
  • FIG. 15 is a graph in which the predicted value of the water content with respect to the measured value is plotted in the range of 96.5 to 98.5 wt%. Since the solid content is determined by 100-moisture content (% by weight), it can be said that this graph shows a predicted value with respect to the measured value in the solid content ratio.

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medicinal Chemistry (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

樹脂粉末の製造工程において、近赤外吸収スペクトルから、吸水性樹脂粉末の物 性を予測する。予測装置（１００）は、近赤外測定データを取得する測定データ取得部（１１）と、近赤外測定データ、及び、近赤外測定データに基づいて生成された１以上の加工データ、の少なくともいずれかを予測モデルに入力して、該樹脂粉末の物性に関連する予測情報を出力する予測部（１３）と、を備える。

Description

予測方法、予測装置
　本開示は吸水性樹脂粉末の物性を予測する予測方法及び予測装置に関する。
　吸水性樹脂（Super Absorbent Polymer、以下、略して「ＳＡＰ」と記載する）は、水膨潤性及び水不溶性を有する樹脂である。ＳＡＰは、粉末状（又は、粒子状）とすることが多い。吸水性樹脂の性能としては、吸水倍率（ＣＲＣ）、荷重下吸水倍率（ＡＡＰ）、吸水速度、ＳＦＣ（生理食塩水流れ誘導性）等が知られている。使用する用途、具体的には使用する衛生材料の種類や構成により、求められる物性値及びその範囲が異なるため、最終製品の形態に応じて多種多様な物性値を示すＳＡＰが求められている。
　ＳＡＰ粉末の物性を確認するためには、各物性測定項目毎に異なる測定方法を適用する必要があり、また、各測定には所定の時間を要する。ＳＡＰの製造において、各工程のＳＡＰの物性値をリアルタイムで把握することが困難であることから、スペックアウト品を生産する虞がある。すなわち、ＳＡＰの製造時の歩留り低下を招く虞がある。
　特許文献１には、吸水性樹脂に特定のラマンスペクトルを用いて、吸水性樹脂の物性を予測する方法が開示されている。
国際公開第２０２０／１０９６０１号
　ラマンスペクトルの測定では、特定の単一波長を対象試料に照射し、特定範囲の波数の散乱光を測定する。このような照射光の特性から、ラマンスペクトルは、測定対象の粒子径による影響を受けにくい。このため、ラマンスペクトルは、測定対象の粒子径を正確に測定することには不向きである。
　これに対し、近赤外吸収スペクトルを用いる方法は、対象試料に近赤外光（一般的には波長７５０ｎｍ～２５００ｎｍ）の複数波長あるいは連続スペクトルを照射し、透過、吸収、屈折、反射、拡散された光を測定するため、対象試料の粒子径の情報を含んだ測定を行うことができる。さらに、ラマンスペクトル測定時に比べ、近赤外光を用いる場合は広い波長範囲で測定できるため、対象試料のより正確な平均情報を得ることができる。
　本開示の一態様は、吸水性樹脂粉末の製造工程において、近赤外吸収スペクトルから、吸水性樹脂粉末の物性を予測することを実現することを目的とする。
　上記の課題を解決するために、本開示の一態様に係る予測方法は、樹脂粉末の物性を予測する方法であって、（注：前記樹脂粉末は、吸水性樹脂粉末、及び該吸水性樹脂粉末を製造するための製造工程において生成される中間生成物のいずれかを指す）、前記樹脂粉末の近赤外吸収スペクトルを示す近赤外測定データを取得する測定データ取得ステップと、前記近赤外測定データ、及び、前記近赤外測定データに基づいて生成された１以上の加工データ、の少なくとも１つ以上を予測モデルに入力して、該樹脂粉末の物性に関連する予測情報を出力する予測ステップと、を含む。
　また、上記の課題を解決するために、本開示の一態様に係る予測装置は、樹脂粉末の物性を予測する予測装置であって、（注：前記樹脂粉末は、吸水性樹脂粉末、及び該吸水性樹脂粉末を製造するための製造工程において生成される中間生成物のいずれかを指す）、測定データ取得部（前記樹脂粉末について測定された近赤外吸収スペクトルを示す測定データを取得する）と、予測部（前記近赤外測定データ、及び、前記近赤外測定データに基づいて生成された１以上の加工データ、の少なくともいずれかを予測モデルに入力して、該樹脂粉末の物性に関連する予測情報を出力する）と、を備える。
　本開示の一態様によれば、近赤外吸収スペクトルから、吸水性樹脂粉末の物性を予測することができるという効果を奏する。
本開示の実施形態１に係る予測装置を備える予測システムの構成の一例を示すブロック図である。 予測装置の要部構成の一例を示す機能ブロック図である。 予測装置が行う処理の流れを示すフローチャートである。 予測モデルを生成する予測装置の要部構成の一例を示す機能ブロック図である。 近赤外測定データのデータ構造を示す図である。 物性情報のデータ構造を示す図である。 機械学習を実行する予測装置が行う処理の流れを示すフローチャートである。 本開示の実施形態２における予測システムの一例を示すブロック図である。 本開示の実施形態２に係る予測装置が取得するＭＡＣアドレスと、近赤外分光光度計との対応を示す表である。 ゲルＤ５０の実測値と予測値との相関を示すグラフである。 ＣＲＣの実測値と予測値との相関を示すグラフである。 ＡＡＰの実測値と予測値との相関を示すグラフである。 ＳＦＣの実測値と予測値との相関を示すグラフである。 Ｄ５０の実測値と予測値との相関を示すグラフである。 含水率（固形分）の実測値と予測値との相関を示すグラフである。
　〔実施形態１〕
　以下、本開示の実施形態について詳細に説明する。
　（予測システム１０００の構成）
　まず、本開示の一実施形態に係る予測装置１００を備える予測システム１０００の構成について図１を用いて説明する。図１は、予測システム１０００の構成の一例を示すブロック図である。
　予測システム１０００は、予測装置１００、近赤外分光光度計３、及び外部装置４を備えている。
　予測装置１００は、ＣＰＵ１及びメモリ２を備えている。予測装置１００は、図１に示すように、近赤外分光光度計３及び外部装置４と通信可能に接続されていてもよい。予測装置１００と近赤外分光光度計３との間の通信は、近距離無線通信、有線接続、及びインターネット等のネットワークを介した通信のいずれかであっても良い。あるいは、予測装置１００と近赤外分光光度計３との間の通信は、ＵＳＢ端子等のコネクタで直接接続される構成であってもよい。予測装置１００と外部装置４との間の通信も、予測装置１００と近赤外分光光度計３との間の通信と同様である。
　図１には、予測装置１００と通信可能に接続されている近赤外分光光度計３、及び外部装置４がそれぞれ１つの場合を示しているが、これに限定されない。予測装置１００と通信可能に接続されている、近赤外分光光度計３及び外部装置４はそれぞれ１つであってもよいし、複数であってもよい。
　予測装置１００は、近赤外分光光度計３から取得した近赤外吸収スペクトルを示す近赤外測定データ、及び、近赤外測定データに基づいて生成された１以上の加工データ、の少なくともいずれかを予測モデルに入力して、樹脂粉末の物性に関連する予測情報を出力する。本明細書では、「近赤外吸収スペクトルを示す測定データ」を、単に、近赤外吸収スペクトル（近赤外測定データ）と記す場合がある。
　近赤外分光光度計３は、樹脂粉末に近赤外線を照射したときの、該樹脂粉末からの反射光及び該樹脂粉末の透過光を測定し、該樹脂粉末の近赤外線吸収特性を表す近赤外吸収スペクトルを算出する機器である。ここで、近赤外線とは、７５０～２５００ｎｍの波長域を有している光である。近赤外吸収スペクトルについては後に説明する。
　外部装置４は、予測装置１００から出力された予測結果を受信する任意の装置であってもよい。一例として、外部装置４は、任意の表示装置であってもよいし、樹脂粉末の製造工程を管理する管理者が使用するコンピュータであっても良い。あるいは、外部装置４は、樹脂粉末の製造工程の処理を実行するいずれかの製造装置であってもよい。
　（予測装置１００の構成）
　以下では、予測モデル２２を用いて、吸水性樹脂粉末（以下、単に「樹脂粉末」と記す場合がある）の物性を予測する予測装置１００の構成について、図２を用いて説明する。図２は、予測装置１００の要部構成の一例を示す機能ブロック図である。
　ここで、予測モデル２２は、下記の（１）及び（２）のうち少なくともいずれかを学習データとして用いた機械学習処理によって生成されたものであってもよい。
　（１）過去に製造された、物性が既知の複数の製造済樹脂粉末の近赤外吸収スペクトルを含む近赤外測定データと、該近赤外測定データに対応付けられている最終生成物の物性情報との組み合わせ。
　（２）各製造済樹脂粉末を製造するための製造工程において生成された、物性が既知の複数の生成済中間生成物の近赤外吸収スペクトルを含む近赤外測定データと、該近赤外測定データに対応付けられている中間生成物の物性情報との組み合わせ。
　一例において、学習済の予測モデル２２が、予測装置１００に予め導入されていてもよい。あるいは、予測装置１００が、上記（１）及び（２）のうち少なくともいずれかを学習データとして用いた機械学習処理を行う機能をさらに備えていてもよい。
　予測装置１００は、このような機械学習によって生成された予測モデル２２を用いることにより、近赤外吸収スペクトルから、該近赤外吸収スペクトルが測定された樹脂粉末の物性を正確に予測することができる。予測モデル２２の生成方法については後に説明する。
　図２に示すように、予測装置１００は、予測装置１００の各部を統括的に制御する制御部１０、制御部１０が使用する各種データを記憶する記憶部２０、及び外部装置４に予測結果を出力するための通信部５０を備えている。制御部１０は、図１のＣＰＵ１に対応しており、記憶部２０は、図１のメモリ２に対応している。
　通信部５０は、外部装置４とのデータ通信を行うためのものである。予測装置１００と外部装置４との間の通信は、近距離無線通信、有線接続、及びインターネット等のネットワークを介した通信のいずれかであってもよい。あるいは、予測装置１００と外部装置４とが、ＵＳＢ端子等のコネクタで直接接続される構成であってもよい。
　制御部１０は、測定データ取得部１１、及び予測部１３を備えている。
　測定データ取得部１１は、近赤外分光光度計３から、近赤外吸収スペクトルを取得する。測定データ取得部１１は、取得した近赤外吸収スペクトルを、記憶部２０に近赤外測定データ（図示しない）として記憶してもよい。また測定データ取得部１１は、該近赤外測定データから、過去に記憶した近赤外吸収スペクトルを読込み、続く予測に使用してもよい。
　予測部１３は、近赤外吸収スペクトルを後述する予測モデル２２に入力して、樹脂粉末の物性に関連する予測情報を出力する。
　また、予測部１３は、近赤外吸収スペクトルに基づいて、１以上の加工データを生成してもよい。ここで、加工データとは、近赤外吸収スペクトルの生データと異なり、近赤外吸収スペクトルに対して１以上の所定の前処理を施したデータである。予測部１３は、測定データ取得部１１によって取得された近赤外吸収スペクトルに対して、予測モデル２２に定められた前処理を行ってもよい（前処理ステップ）。前処理には、以下に挙げる処理が少なくとも１つ含まれる。
・外れ値除去処理
　外れ値除去処理は、樹脂粉末の複数個所にて測定された近赤外吸収スペクトルを相互に比較したときに、他の近赤外線吸収スペクトルから有意に外れている近赤外吸収スペクトルを検出して、該近赤外吸収スペクトルを除去するための処理である。「樹脂粉末の複数個所にて測定された」とは、樹脂粉末からなる所定の面積を有する測定対象試料の複数の異なる領域に測定光を照射して測定したことに相当する。具体的な外れ値検出方法として、Ｏｎｅ　Ｃｌａｓｓ　サポートベクトルマシン処理（Ｏｎｅ　Ｃｌａｓｓ　ＳＶＭ処理）、マハラノビス距離を用いた検出、ＬＯＦ（Ｌｏｃａｌ　Ｏｕｔｌｉｅｒ　ｆａｃｔｏｒ、局所外れ値因子法）、Ｔｕｋｅｙ法、近傍法等が挙げられる。
・平均化処理
　平均化処理は、樹脂粉末の複数個所にて測定された複数の近赤外吸収スペクトルから、１つの平均スペクトルデータを算出する処理である。
・波長選択処理                        
　波長選択処理は、後述する予測モデル２２に入力するスペクトルデータの波長範囲を選択する処理である。波長範囲処理では、例えば、近赤外吸収スペクトルが測定された樹脂粉末毎に特徴的な吸収パターンが表れている波長範囲を選択してもよい。
・微分処理
　微分処理は、スペクトルデータを波長について微分した微分データを生成する。微分データは、スペクトルデータを波長について一次微分したデータ、及び二次微分したデータを含んでいてもよい。
・ベースライン補正処理
　ベースライン補正処理は、樹脂粉末の複数個所にて測定された複数の近赤外吸収スペクトルのベースラインを揃える処理である。
　上に挙げた前処理は一例に過ぎず、予測部１３が行う前処理は、これらに限定されない。例えば、予測部１３は、近赤外吸収スペクトルに対して、以下に挙げる処理を行ってもよい。
・平滑化処理（加重移動平均処理、平滑化スプライン処理等）
・差スペクトル処理
・標準化処理（ＳＮＶ（Ｓｔａｎｄａｒｄ　Ｎｏｒｍａｌ　Ｖａｒｉａｔｅ）処理）
・多重散乱補正処理（ＭＳＣ（Ｍｕｌｔｉｐｌｉｃａｔｉｖｅ　Ｓｃａｔｔｅｒ　Ｃｏｒｒｅｃｔｉｏｎ）処理）
・主成分分析（ＰＣＡ）による次元削減
その他、分類及びクラスタリング等を行ってもよい。
　予測部１３が行う予測方法では、例えば、樹脂粉末の近赤外吸収スペクトルを示す近赤外測定データを、該樹脂粉末の複数個所において取得し、取得した複数の近赤外吸収スペクトルに対して平均化処理を行い、平均スペクトルデータを算出する平均化ステップを含んでもよい。予測ステップにおいて、該平均スペクトルデータが、加工データとして予測モデル２２に入力されてもよい。また、平均化ステップは、予測モデル２２によって定められた処理であってもよい。
　予測部１３が行う予測方法では、例えば、予測モデル２２に入力する平均スペクトルデータの波長範囲を選択する波長範囲選択ステップをさらに含んでもよい。また、予測ステップにおいて、該波長範囲における該平均スペクトルデータが、加工データとして予測モデル２２に入力されてもよい。また、波長範囲選択ステップは、予測モデル２２によって定められた処理であってもよい。
　予測部１３が行う予測方法では、例えば、上述した波長範囲における平均スペクトルデータを波長について微分した微分データを生成する微分データ生成ステップをさらに含んでもよい。また、予測ステップにおいて、該微分データが、加工データとして予測モデル２２に入力されてもよい。また、微分データ生成ステップは、予測モデル２２によって定められた処理であってもよい。
　（予測装置１００が行う処理）
　以下、予測装置１００が行う処理について、図３を用いて説明する。図３は、予測装置１００が行う処理の流れを示すフローチャートである。
　まず、測定データ取得部１１は、近赤外分光光度計３において測定された近赤外吸収スペクトルである、近赤外測定データを取得する（ステップＳ１：近赤外測定データ取得ステップ）。
　次に、予測部１３は、記憶部２０から予測モデル２２を読み込む（ステップＳ２）。
　予測部１３は、ステップＳ１で取得した近赤外測定データを予測モデル２２に入力する（ステップＳ３）。この際、予測部１３は、予測モデル２２に基づき、取得された近赤外吸収スペクトルに対して上述した前処理を行ってもよい。予測部１３は、上述した前処理のうち、１つを行ってもよいし、２つ以上をおこなってもよい。予測部１３が行う前処理については、後に具体例を挙げて説明する。
　続いて、予測部１３は、予測モデル２２に基づいて、前処理後の近赤外測定データ、又は未処理の近赤外測定データから予測対象の物性を予測する（ステップＳ４：予測ステップ）。
　通信部５０は、予測部１３から出力された予測結果を示す予測情報を、外部装置４に出力する（ステップＳ４）。
　＜前処理の例＞
　ここでは、一例として、樹脂粉末を製造する製造工程における中間生成物である含水ゲルの近赤外吸収スペクトルから、ゲルＤ５０を予測する場合に、予測部１３が行う具体的な前処理を例に挙げて説明する。
　予測部１３は、測定データ取得部１１が取得した複数の近赤外吸収スペクトルに対して外れ値検出処理（例えば、Ｏｎｅ　Ｃｌａｓｓ　ＳＶＭ等）を行い、他の近赤外線吸収スペクトルから有意に外れている近赤外吸収スペクトルを除去する。
　続いて、予測部１３は、残った複数の近赤外吸収スペクトルに対して平均化処理を行い、１つの平均スペクトルデータを生成する。
　なお、予測部１３が行う前処理は、近赤外吸収スペクトルの測定対象が樹脂粉末を製造する製造工程におけるどの段階のものか、及び、予測対象の物性は何か、に応じて異なっていてもよい。すなわち、予測部１３が、スペクトルデータの波長範囲を選択する波長選択処理を行ってもよい。あるいは、予測部１３が、スペクトルデータを波長について微分した微分データを生成する微分処理を行ってもよい。また、これらの処理を組み合わせて行ってもよい。
　このように、近赤外吸収スペクトルの測定対象が樹脂粉末を製造する製造工程におけるどの段階のものか、及び、予測対象の物性は何か、に応じて、適切な前処理を行うことにより、予測装置１００の予測精度を向上させることができる。
　（予測装置１００の構成）
　次に、予測モデル２２を生成するための機械学習を行う予測装置１００の構成について、図４を用いて説明する。図４は、予測モデル２２を生成する予測装置１００の要部構成の一例を示す機能ブロック図である。なお、説明の便宜上、図１にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。なお、予測装置１００は、任意の公知の教師有り機械学習を行うことにより、予測モデル２２を生成してもよい。
　制御部１０は、測定データ取得部１１、予測部１３、及び予測モデル生成部１８を備えている。
　測定データ取得部１１は、予測モデル生成部１８が指定した、近赤外測定データ２１に含まれる複数の近赤外吸収スペクトル（近赤外吸収スペクトル群とも称する）を取得し、該近赤外吸収スペクトル群を予測部１３へ出力する。
　予測部１３は、予測モデル生成部１８で生成された予測モデル候補（後述する）を予測モデル生成部１８から読み込む。さらに、予測モデル生成部１８が指定した、近赤外測定データ２１に含まれる近赤外吸収スペクトル群を予測モデル候補に入力し、入力された近赤外吸収スペクトル群に対応する物性群を予測した予測結果を予測モデル生成部１８へ出力する。
　予測モデル生成部１８は、機械学習にて学習・検証を行う予測モデル候補を生成する。予測モデル候補とは、事前の機械学習が完了していない予測モデルである。所定の機械学習が完了し、予測精度が基準を満たした場合、予測モデル候補は予測モデル２２として、記憶部２０に格納される。また、予測モデル生成部１８は、記憶部２０に有する近赤外測定データ２１及び物性情報２３の中から、機械学習に供するデータ群を指定する。
　予測モデル生成部１８は、下記の（１）と（２）とを比較して、モデル評価指標を算出してもよい。
　（１）予測部１３から出力された予測モデル候補が予測した予測結果
　（２）記憶部２０から読み込んだ物性情報２３に含まれる、予測モデル候補に入力された近赤外吸収スペクトル群に対応付けられている物性群。
ここで、モデル評価指標は、例えば、（１）の予測結果と、（２）の物性情報２３に含まれる物性群との誤差を評価するための指標である。モデル評価指標は、予測結果の精度を評価可能な任意の指標であってもよく、平均二乗誤差であってもよいし、決定係数（Ｒ２）であってもよい。
　予測モデル生成部１８は、モデル評価指標に基づいて、予測モデル候補が、所定の評価基準を満たしているか否かを判定する。所定の評価基準は、予測モデル候補の予測精度を評価するために、予め任意に定められている基準である。
　予測モデル候補が所定の評価基準を満たしている場合、予測モデル生成部１８は、該予測モデル候補を、最適な予測モデルとして、予測モデル２２に格納する。一方、生成した予測モデル候補が所定の評価基準を満たしていない場合、予測モデル生成部１８は、該予測モデル候補を更新する。
　「予測モデル候補の更新」は、予測結果と、物性情報２３に含まれる物性との誤差が最小となるように予測モデル候補の重み、ハイパーパラメータ等を更新して予測モデル候補を更新すること、及び新たな予測モデル候補を生成することを含んでいてもよい。予測モデル候補の更新には、誤差逆伝播法等が適用されてもよい。
　物性情報２３は、過去に製造された、物性が既知の複数の製造済樹脂粉末の近赤外吸収スペクトルを含む近赤外測定データに対応付けられている最終生成物の物性情報を含む。また、物性情報２３は、各製造済樹脂粉末を製造するための製造工程において生成された、物性が既知の複数の生成済中間生成物の近赤外吸収スペクトルを示す近赤外測定データ２１に対応付けられている中間生成物の物性情報を含む。物性情報とは、後に説明する、吸水性樹脂粉末の物性に関連する情報であり得る。
　物性情報２３には、物性として、測定対象となった樹脂粉末の実測値、又は中間生成物の実測値が含まれていてもよい。また、各物性には測定ＩＤが付与されていてもよい。物性情報２３は、予測モデル候補から予測モデル２２を生成するための機械学習に用いられる物性群を含んでいてもよい。
　近赤外測定データ２１には、測定対象となった樹脂粉末、又は中間生成物の近赤外吸収スペクトルのデータファイルが含まれる。このデータファイルは、例えば、ｃｓｖファイル、及びテキストファイルであり得る。また、各近赤外吸収スペクトルのデータファイルには、それぞれ測定ＩＤが付与されていてもよい。近赤外測定データ２１は、予測モデル候補から予測モデル２２を生成するための機械学習に用いられる近赤外吸収スペクトル群を含んでいてもよい。
　ここで、近赤外測定データ２１に含まれる近赤外吸収スペクトルと、物性情報２３に含まれる物性との対応関係について図５及び６を用いて説明する。
　図５は、近赤外測定データ２１のデータ構造、図６は、物性情報２３のデータ構造を示す。図５において、近赤外測定データ２１は、複数の近赤外吸収スペクトルのデータファイルを有しており、各近赤外吸収スペクトルのデータファイルには、測定ＩＤが付与されている。
　また、図６において、物性情報２３は、複数の物性（実測値）のデータファイルを有しており、各物性には、測定ＩＤが付与されている。図６に示すように、この測定ＩＤは、前述した、近赤外吸収スペクトルのデータファイルに付与された測定ＩＤと同じＩＤが付与されてもよく、同じＩＤ同士の近赤外吸収スペクトルと、物性情報とは同じ生成物を測定した結果であるとしてもよい。例えば、図５の測定ＩＤ「００１」が付与されている近赤外吸収スペクトルと、図６の測定ＩＤ「００１」が付与されている物性とは、同じ樹脂粉末又は中間生成物について測定されたデータであってもよい。
　予測部１３は、予測モデル生成部１８によって指定された予測モデル候補を用いる。予測部１３は、予測モデル生成部１８によって指定された近赤外吸収スペクトルの測定ＩＤを取得し、該測定ＩＤと同じ測定ＩＤを有する、記憶部２０から読み込んだ近赤外吸収スペクトル群に対応する物性群とを、同じ生成物に関する情報として比較してもよい。あるいは、予測部１３から出力された予測結果には、予測モデル候補に入力された近赤外吸収スペクトルの測定ＩＤと同じ測定ＩＤが付与されてもよい。予測モデル生成部１８は、予測部１３から出力された予測結果と、該予測結果と同じ測定ＩＤを有する、記憶部２０から読み込んだ近赤外吸収スペクトル群に対応する物性群とを、同じ生成物に関する情報として比較してもよい。
　なお、近赤外吸収スペクトルに付与される測定ＩＤと、物性に付与される測定ＩＤとは異なっていてもよい。それぞれの測定ＩＤが異なる場合は、物性の測定ＩＤと、近赤外吸収スペクトルの測定ＩＤとが対応付けられていればよい。
　予測モデル２２は、線形回帰、及び非線形回帰のうちのいずれかの機械学習を用いて生成されたものであってもよい。予測モデル２２を生成する機械学習としては、例えば、線形回帰としては、ＰＬＳ（部分的最小二乗回帰）、ＰＣＲ（主成分回帰）、単回帰、重回帰、リッジ回帰、ラッソ回帰、ベイズ線形回帰等が挙げられる。非線形回帰の例としては、（畳み込み）ニューラルネットワーク、サポートベクター回帰、ｋ近傍法、及び回帰木等が挙げられる。上に挙げた手法を組み合わせたアンサンブル学習を用いてもよい。また予測モデル２２は、各種物性値の数値予測を行うモデルであってもよいし、該物性値が合格か不合格かについての判定予測を行うモデルであってもよい。
　本開示において、予測モデル２２の生成には、ＰＬＳ、及びＰＣＲの機械学習が使用されることが好ましい。
　予測モデル２２は、近赤外吸収スペクトルに対して行う、必要な前処理について定めていてもよい。
　（予測モデル２２を生成する処理）
　続いて、予測装置１００が行う処理について図７を用いて説明する。図７は、機械学習を実行する予測装置１００が行う処理の流れを示すフローチャートである。なお、ここでは、予測装置１００が、学習データとして、近赤外測定データ２１と該近赤外測定データ２１に対応する物性情報２３との組み合わせを使用して予測モデル２２を生成する場合を例に挙げて説明する。
　まず、測定データ取得部１１は、記憶部２０から、予測モデル候補に用いるために予測モデル生成部１８が指定した、近赤外測定データ２１に含まれる近赤外吸収スペクトル群を読み込む。また、測定データ取得部１１は、物性情報２３に含まれる、近赤外吸収スペクトル群に対応付けられている物性群を読み込む（ステップＳ１１）。
　次に、予測モデル生成部１８は、予測モデル候補を生成し、該予測モデル候補を予測部１３に出力する（ステップＳ１２）。
　予測部１３は、測定データ取得部１１が取得した近赤外吸収スペクトル群を予測モデル候補に入力する（ステップＳ１３）。
　予測部１３は、予測モデル候補に入力された近赤外吸収スペクトル群に対応する物性群を予測した予測結果を出力する（ステップＳ１４）。
　予測モデル生成部１８は、入力された近赤外吸収スペクトル群に対応付けられている物性群と、予測部１３から出力された予測結果と、を比較して、モデル評価指標を算出する（ステップＳ１５）。
　予測モデル生成部１８は、モデル評価指標に基づいて、予測モデル候補が所定の評価基準を満たしているか否かを判定する（ステップＳ１６）。予測モデル候補が所定の評価基準を満たしている場合（ステップＳ１６にてＹＥＳ）、予測モデル生成部１８は、該予測モデル候補を最適な予測モデル候補として、予測モデル２２に格納する（ステップＳ１９）。
　一方、予測モデル候補が評価基準を満たしていない場合（ステップＳ１６にてＮＯ）、予測モデル生成部１８は、予測モデル候補を更新する（ステップＳ１２）。なお、予測モデル生成部１８は、ステップＳ１２において、評価基準を満たさなかった予測モデル候補の重み、ハイパーパラメータ等を更新してもよく、新しい予測モデル候補を生成してもよい。
　ステップＳ１６がＹＥＳになるまで、ステップＳ１２～Ｓ１６の処理を繰り返す。
　図７では、予測モデル生成部１８が予測モデル候補を１つ生成し、該１つの予測モデル候補から機械学習によって予測モデル２２を生成する処理を例に挙げて説明したが、これに限定されない。例えば、予測モデル生成部１８は、予測モデル候補を複数生成してもよい。この場合、予測モデル候補の各々について、図７に示す機械学習を実行した後に、最も予測精度が高い予測モデル候補を、最適な予測モデル候補として予測モデル２２に格納する構成であってもよい。また、前処理まで含めた予測モデルとして、機械学習を行ってもよい。
　（近赤外吸収スペクトルを得る測定方法）
　本開示の近赤外吸収スペクトルの測定方法は、上述した予測装置１００による予測方法に用いるための樹脂粉末の近赤外吸収スペクトルを測定する方法である。前記測定方法は、樹脂粉末に近赤外線を照射するステップと、該樹脂粉末からの反射光及び透過光のうちの少なくとも一方を測定した測定値から前記樹脂粉末の近赤外吸収スペクトルを算出するステップとを含む。前記樹脂粉末は、吸水性樹脂粉末、及び該吸水性樹脂粉末を製造するための製造工程において生成される中間生成物のいずれかである。以下に、近赤外吸収スペクトルについて説明する。
　（近赤外吸収スペクトル）
　ここでは、予測装置１００が、樹脂粉末の物性予測に用いる近赤外吸収スペクトルについて説明する。
　＜測定機器＞
　近赤外吸収スペクトルは、特定の波長領域の近赤外線を試料に照射して、透過光又は反射光を検出する近赤外分光法を利用して測定される。近赤外吸収スペクトルは、例えば、近赤外分光光度計により測定することができる。近赤外分光光度計としては、特に限定されないが、例えば、ＦＴ－ＮＩＲ　ＮＩＲＦｌｅｘ（商標登録）Ｎ－５００シリーズ及びＮＩＲＭａｓｔｅｒシリーズ（ＢＵＣＨＩ製）、ＩＲＭＡ５１シリーズ及びＩＲＭＤ５１シリーズ（株式会社チノー製）、ＩＲ　Ｔｒａｃｅｒ１００　ＮＩＲシステム（島津製作所製）、Ｓｐｅｃｔｒｕｍ３　ＮＩＲ（ＰｅｒｋｉｎＥｌｍｅｒ製）並びにＭＡＴＲＩＸシリーズ　ＦＴ－ＮＩＲスペクトロメータ（ＢＲＵＫＥＲ製）等を使用することができる。得られたスペクトルデータの解析は、市販のソフトウェアを用いることができる。なお、近赤外分光光度計は、近赤外多成分分析計や近赤外分析計等メーカーにより名称が異なって表記されている場合がある。
　＜近赤外線の波長＞
　近赤外線は、７５０～２５００ｎｍの波長領域に属する波長を有する光である。近赤外線スペクトルは、前記波長領域に属する波長を有する近赤外線を含む光を照射して測定される。照射光の波長は近赤外波長領域の全波長でもよく、選択した１つ以上の特定波長であっても良い。本開示の近赤外吸収スペクトル測定においては、上記の照射光を測定対象の吸水性樹脂に照射し、透過、吸収、屈折、反射、拡散された光を測定するため、化学的な情報だけでなく物理的な情報を収集することができる。言い換えると、測定対象試料の温度、測定光路中の雰囲気（蒸気有無、窒素置換有無、気圧など）、表面粗さ、試料厚み、試料充填状態、測定までの時間などの影響を受ける。従い、予測精度の観点からは、近赤外吸収スペクトルを取得する際は、できる限り上記の物理的条件が均一な条件下で測定することが好ましい。また必要に応じて、上記の物理的条件（例えば前記試料温度）を別途測定しておき、当該測定値に基づいて、対応する近赤外吸収スペクトルを補正してもよい。
　本開示において、近赤外吸収スペクトルは、重合工程の前、重合工程と乾燥工程との間、乾燥工程の後の少なくともいずれかの時点において測定され、予測ステップにおいて出力される前記予測情報は、樹脂粉末の製造工程で使用されるいずれか１以上の製造装置の制御に利用されてもよい。
　本開示において、近赤外吸収スペクトルが利用できるメリットは、（１）分析結果が迅速に得られること、（２）非接触、かつ非破壊分析であること、（３）同時に多成分の定量分析が可能であること、（４）物理量（粒度等）が測定できること、（５）操作が容易であることが挙げられる。
　（吸水性樹脂粉末の物性）
　本開示の予測方法は、吸水性樹脂粉末、及び該吸水性樹脂粉末を製造するための製造工程において生成される中間生成物の少なくともいずれかの物性に関連する予測情報を出力する。
　予測装置１００が予測対象とし得る物性には、以下の（１）～（１６）のうち少なくともいずれか１つを含んでもよい。
　（１）ゲルＤ５０
　（２）ＣＲＣ
　（３）ＡＡＰ
　（４）ＳＦＣ
　（５）Ｔ２０、Ｕ２０、Ｋ２０
　（６）Ｖｏｒｔｅｘ
　（７）Ｄ５０
　（８）含水ゲルの含水率
　（９）固形分率
　（１０）Ｒｅｓｉｄｕａｌ　Ｍｏｎｏｍｅｒｓ
　（１１）ＦＳＲ
　（１２）ＦＳＣ
　（１３）Ｆｌｏｗ　Ｒａｔｅ
　（１４）Ｄｅｎｓｉｔｙ
　（１５）Ｅｘｔ
　（１６）ゲルＥｘｔ
　予測装置１００が予測対象とし得る物性としては、（１）ゲルＤ５０、（２）ＣＲＣ、（３）ＡＡＰ、（４）ＳＦＣ、（６）Ｖｏｒｔｅｘ、（７）Ｄ５０、（８）含水ゲルの含水率、（９）固形分率のうち少なくとも１つであることが好ましい。
　＜吸水性樹脂＞
　本開示おける「吸水性樹脂」とは、水膨潤性水不溶性の架橋重合体を意味し、一般的に粒子状である。また、「水膨潤性」とは、ＮＷＳＰ　２４１．０．Ｒ２（１５）で規定される無加圧下吸収倍率（ＣＲＣ）が５ｇ／ｇ以上であることを意味し、「水不溶性」とは、ＮＷＳＰ　２７０．０．Ｒ２（１５）で規定される可溶分（Ｅｘｔ）が５０質量％以下であることを意味する。
　前記吸水性樹脂は、その用途に応じて適宜設計可能であり、特に限定されるものではないが、カルボキシル基を有する不飽和単量体を架橋重合させた、親水性架橋重合体であることが好ましい。また、全量（１００重量％）が重合体である形態に限定されず、上記性能を維持する範囲内において、表面架橋されたものや添加剤等を含んだ組成物であってもよい。
　一例として、「吸水性樹脂」は、「ポリ（メタ）アクリル酸（塩）」であり、主成分として、（メタ）アクリル酸及び／又はその塩を繰り返し単位として含んでもよい。
　「ＮＷＳＰ」は、「Ｎｏｎ－Ｗｏｖｅｎ　Ｓｔａｎｄａｒｄ　Ｐｒｏｃｅｄｕｒｅｓ－Ｅｄｉｔｉｏｎ２０１５」を表し、ＥＤＡＮＡ（Ｅｕｒｏｐｅａｎ　Ｄｉｓｐｏｓａｌｅｓ　Ａｎｄ　Ｎｏｎｗｏｖｅｎｓ　Ａｓｓｏｃｉａｔｉｏｎｓ：欧州不織布工業会）とＩＮＤＡ（Ａｓｓｏｃｉａｔｉｏｎ　ｏｆ　ｔｈｅ　Ｎｏｎｗｏｖｅｎ　Ｆａｂｒｉｃｓ　Ｉｎｄｕｓｔｒｙ：北米不織布工業会）とが、不織布及びその製品の評価法を米国及び欧州で統一して共同で発行したものであり、吸水性樹脂の標準的な測定法を示すものである。特に断りのない限り、本開示では「ＮＷＳＰ」に準拠して、吸水性樹脂の物性を測定する。
　＜ゲルＤ５０＞
　ゲルＤ５０は、中間生成物である含水ゲルの固形分に換算した質量平均粒子径である。ゲルＤ５０は、ＷＯ２０１６／２０４３０２に記載の方法に準拠して測定する。本開示のゲルＤ５０は、ＷＯ２０１６／２０４３０２に記載のＳｏｌｉｄＤ５０に対応する値である。
　本開示において、ゲルＤ５０は、重合工程の後から乾燥工程の前までにおいて測定することができる。水溶液重合で吸水性樹脂を製造する場合は、後述するゲル粉砕工程の後、又は乾燥工程の前に測定される。
　＜ＣＲＣ＞（ＮＷＳＰ２４１．０．Ｒ２（１５））
　「ＣＲＣ」は、Ｃｅｎｔｒｉｆｕｇｅ　Ｒｅｔｅｎｔｉｏｎ　Ｃａｐａｃｉｔｙ（遠心分離保持容量）の略称であり、吸水性樹脂の無加圧下吸水倍率（「吸水倍率」と称する場合もある）を意味する。
　具体的には、吸水性樹脂０．２ｇを不織布製の袋に入れた後、大過剰の０．９重量％塩化ナトリウム水溶液中に３０分間浸漬して吸水性樹脂を自由膨潤させ、その後、遠心分離機（２５０Ｇ）で水切りした後の吸水倍率（単位；ｇ／ｇ）のことをいう。
　＜ＡＡＰ＞（ＮＷＳＰ２４２．０．Ｒ２（１５））
　「ＡＡＰ」は、Ａｂｓｏｒｐｔｉｏｎ　Ａｇａｉｎｓｔ　Ｐｒｅｓｓｕｒｅの略称であり、吸水性樹脂の加圧下吸水倍率を意味する。
　ＡＡＰは、具体的には、吸水性樹脂０．９ｇを大過剰の０．９重量％塩化ナトリウム水溶液に対して、１時間、２．０６ｋＰａ（２１ｇ／ｃｍ２、０．３ｐｓｉ）荷重下で膨潤させた後の吸水倍率（単位；ｇ／ｇ）のことをいう。なお、荷重条件を４．８３ｋＰａ（４９ｇ／ｃｍ２、０．７ｐｓｉ）に変更して測定する場合もある。
　＜ＳＦＣ＞
　「ＳＦＣ」は、（Ｓａｌｉｎｅ　Ｆｌｏｗ　Ｃｏｎｄｕｃｔｉｖｉｔｙ／生理食塩水流れ誘導性）の略称であり、荷重２．０７ｋＰａでの吸水性樹脂に対する０．６９重量％塩化ナトリウム水溶液の通液性（単位；×１０－７・ｃｍ３・ｓ・ｇ－１）をいう。「ＳＦＣ」は、米国特許第５６６９８９４号に開示されたＳＦＣ試験方法に準じて測定される。
　＜Ｔ２０＞
　「Ｔ２０」は、吸水時間のことであり、１ｇの樹脂粉末が０．９重量％塩化ナトリウム水溶液２０ｇを吸収するために要する時間（単位；秒）であり、米国公開特許公報ＵＳ２０１２/０３１８０４６に開示された測定方法に準拠して測定される。
　＜Ｕ２０＞
　「Ｕ２０」は、２０分での吸収（単位；ｇ／ｇ）であり、米国公開特許公報ＵＳ２０１２/０３１８０４６に開示された測定方法に準拠して測定される。
　＜Ｋ２０＞
　「Ｋ２０」は、２０分での有効透過率（単位；ｍ２）であり、米国公開特許公報ＵＳ２０１２/０３１８０４６に開示された測定方法に準拠して測定される。
　＜Ｖｏｒｔｅｘ＞
　Ｖｏｒｔｅｘ（吸水時間）は、以下の手順にしたがって測定する。先ず、予め調整された生理食塩水（０．９質量％塩化ナトリウム水溶液）１０００質量部に、食品添加物である食用青色１号（ブリリアントブルー）０．０２質量部を添加した後、液温を３０℃に調整する。
　続いて、容量１００ｍｌのビーカーに、上記生理食塩水５０ｍｌを量り取り、長さ４０ｍｍ、直径８ｍｍのスターラーチップを用いて６００ｒｐｍで攪拌しながら、吸水性樹脂２．０ｇを投入する。吸水性樹脂の投入時を始点とし、その吸水性樹脂が生理食塩水を吸液してスターラーチップを覆うまでの時間をＶｏｒｔｅｘ（吸水時間）（単位；秒）として、測定する。
　＜Ｄ５０＞
　本開示において、「Ｄ５０」は、後述する、乾燥工程において製造された樹脂粉末の質量平均粒子径である。質量平均粒子径（Ｄ５０）は、米国特許第７６３８５７０号に記載された「（３）Ｍａｓｓ－Ａｖｅｒａｇｅ　Ｐａｒｔｉｃｌｅ　Ｄｉａｍｅｔｅｒ（Ｄ５０）ａｎｄ　Ｌｏｇａｒｉｔｈｍｉｃ　Ｓｔａｎｄａｒｄ　Ｄｅｖｉａｔｉｏｎ　ｏｆ　Ｐａｒｔｉｃｌｅ　Ｄｉａｍｅｔｅｒ　Ｄｉｓｔｒｉｂｕｔｉｏｎ」と同様の方法で測定する。
　＜含水ゲルの含水率及び固形分率＞（ＮＷＳＰ２３０．０．Ｒ２）
　含水ゲルの含水率及び固形分率は、乾燥前の含水ゲルの含水率及び樹脂固形分率のことである。含水ゲルの含水率及び固形分率は、重合工程の後から乾燥工程の前までにおいて測定することができる。すなわち、粉砕される前の含水ゲルの含水率及び固形分率であってもよく、粉砕後の粒子状含水ゲルの含水率及び固形分率であってもよい。
　含水ゲルの含水率は、ＮＷＳＰに準拠して測定する。なお、測定に際し、試料の質量を２．０ｇに、乾燥温度を１８０℃に、乾燥時間を２４時間にそれぞれ変更する。具体的には、底面の直径が５０ｍｍのアルミカップに含水ゲル２．０ｇを投入した後、試料（含水ゲル及びアルミカップ）の総質量Ｗ１（ｇ）を正確に秤量する。次に、上記試料を、雰囲気温度１８０℃に設定されたオーブン内に静置する。２４時間経過後、該試料を上記オーブンから取り出し、総質量Ｗ２（ｇ）を正確に秤量する。本測定に供された含水ゲルの質量をＭ（ｇ）としたときに、下記（式１）にしたがって、含水ゲルの含水率（１００－α）（質量％）を求める。なお、αは含水ゲルの固形分率（質量％）である。
　（１００－α）（質量％）＝｛（Ｗ１－Ｗ２）／Ｍ｝×１００・・・（式１）。
　＜ゲルＣＲＣ＞
　「ゲルＣＲＣ」は、乾燥前の含水ゲルのＣＲＣである。ゲルＣＲＣは、重合工程の後から乾燥工程の前までにおいて測定することができる。すなわち、粉砕される前の含水ゲルのＣＲＣであってもよく、粉砕後の粒子状含水ゲルのＣＲＣであってもよい。
　具体的には、「ゲルＣＲＣ」とは、含水ゲル０．６ｇを不織布製の袋に入れた後、大過剰の０．９重量％塩化ナトリウム水溶液中に２４時間浸漬して吸水性樹脂を自由膨潤させ、その後、遠心分離機（２５０Ｇ）で水切りした後の吸水倍率（単位；ｇ／ｇ）のことをいう。
　＜Ｅｘｔ＞（ＮＷＳＰ２７０．０．Ｒ２（１５））
　「Ｅｘｔ」は、Ｅｘｔｒａｃｔａｂｌｅｓの略称であり、水可溶分（水可溶成分量）を意味する。具体的には、吸水性樹脂１．０ｇを０．９重量％塩化ナトリウム水溶液２００ｍＬに添加し、１６時間撹拌した後の溶解ポリマー量（単位；重量％）である。溶解ポリマー量の測定は、ｐＨ滴定を用いて行う。
　＜ゲルＥｘｔ＞
　「ゲルＥｘｔ」は、乾燥前の含水ゲルのＥｘｔである。ゲルＥｘｔは、重合工程の後から乾燥工程の前までにおいて測定することができる。すなわち、粉砕される前の含水ゲルのＥｘｔであってもよく、粉砕後の粒子状含水ゲルのＥｘｔであってもよい。
　具体的には、上述した「Ｅｘｔ」の測定方法に基づき、試料を２．０ｇに変更して測定し、固形分当たりの水可溶分の質量％として算出する。
　＜Ｒｅｓｉｄｕａｌ　Ｍｏｎｏｍｅｒｓ＞（ＮＷＳＰ２１０．０．Ｒ２（１９））
　「Ｒｅｓｉｄｕａｌ　Ｍｏｎｏｍｅｒｓ」は、吸水性樹脂中に残存する単量体（モノマー）量であり、ＮＷＳＰ２１０．０．Ｒ２（１９）に準拠して測定される。
　＜ＦＳＲ＞
　「ＦＳＲ」は、吸水速度であり（単位；ｇ／ｇ／ｓ）、国際公開第２００９／０１６０５５号に開示された測定方法に準拠して測定される。
　＜ＦＳＣ＞（ＮＷＳＰ２４０．０．Ｒ２（１５））
　「ＦＳＣ」は、Ｆｒｅｅ　Ｓｗｅｌｌ　Ｃａｐａｃｉｔｙの略称であり、吸水性樹脂の無加圧下吊り下げ吸水倍率を意味する。ＦＳＣは、ＮＷＳＰ２４０．０．Ｒ２（１５）に準拠して測定される。
　＜Ｆｌｏｗ　Ｒａｔｅ＞（ＮＷＳＰ２５１．０．Ｒ２（１５））
　「Ｆｌｏｗ　Ｒａｔｅ」は、吸水性樹脂の流下速度を意味する。Ｆｒｏｗ　Ｒａｔｅは、ＮＷＳＰ２５１．０．Ｒ２（１５）に準拠して測定される。
　＜Ｄｅｎｓｉｔｙ＞
　「Ｄｅｎｓｉｔｙ」は、吸水性樹脂の嵩比重を意味する。Ｄｅｎｓｉｔｙは、ＮＷＳＰ２５１．０．Ｒ２（１５）に準拠し測定される。
　上述した物性は、樹脂粉末の製造工程のどのタイミングにおいて測定されてもよい。
　（樹脂粉末の製造方法）
　上述した、樹脂粉末の各物性は、吸収性樹脂粉末の製造工程内において測定されるものである。以下に、樹脂粉末の製造方法について説明する。
　本開示において、吸水性樹脂粉末の製造方法としては、公知の方法又はその組み合わせが使用できる。吸水性樹脂粉末の製造方法は、一例として、重合工程、乾燥工程を含んでいればよく、好ましい例としては、ゲル粉砕工程、後架橋工程、及び整粒工程を有していてもよい。以下に、各工程について説明する。
　＜重合工程＞
　重合工程は、一例として、アクリル酸（塩）を主成分として含む単量体、及び少なくとも１種類の重合性内部架橋剤を含む単量体水溶液を重合させて、含水ゲル状架橋重合体（以下、「含水ゲル」と表記する）を得る工程である。
　［重合開始剤］
　本開示で使用される重合開始剤は、重合形態等によって適宜選択されるため、特に限定されないが、例えば、熱分解型重合開始剤、光分解型重合開始剤、又はこれらの重合開始剤の分解を促進する還元剤を併用したレドックス系重合開始剤等が挙げられる。具体的には、米国特許第7265190号に開示された重合開始剤のうちの、一種類又は二種類以上が用いられる。尚、重合開始剤の取り扱い性や粒子状吸水剤又は吸水性樹脂の物性の観点から、好ましくは過酸化物又はアゾ化合物、より好ましくは過酸化物、さらに好ましくは過硫酸塩が使用される。
　なお、上記重合開始剤に替えて、放射線、電子線、紫外線等の活性エネルギー線を照射して重合反応を実施してもよく、これらの活性エネルギー線と重合開始剤とを併用してもよい。
　［重合形態］
　本開示に適用される重合形態としては、特に限定されないが、含水ゲルの吸水特性や重合制御の容易性等の観点から、好ましくは噴霧液滴重合、水溶液重合、逆相懸濁重合、より好ましくは水溶液重合、逆相懸濁重合、さらに好ましくは水溶液重合が挙げられる。中でも、連続水溶液重合が特に好ましく、連続ベルト重合、連続ニーダー重合の何れでも適用される。
　＜ゲル粉砕工程＞
　ゲル粉砕工程は、重合工程で得られた含水ゲルをゲル粉砕して、粒子状含水ゲルを得る工程である。噴霧液滴重合、逆相懸濁重合により吸水性樹脂を製造する場合は粒子状含水ゲルを得ることができるので、ゲル破砕工程を行わなくてもよい。また連続ニーダー重合のように重合工程と同時にゲル破砕工程を行ってもよい。特に、吸水速度の高いＳＡＰを得る観点からは、本ゲル粉砕工程において、含水ゲルを細粒化し、ゲルＤ５０が所望の範囲である粒子状含水ゲルを製造することが好ましい。
　［ゲル粉砕機］
　本工程で使用される重合時又は重合後のゲル粉砕装置としては、特に限定されず、バッチ型又は連続型の双腕型ニーダー等、複数の回転攪拌翼を備えたゲル粉砕機や、１軸押出機、２軸押出機、ミートチョッパー、スクリュー型押出機、破砕手段を備えた複軸型混錬機等が挙げられる。
　中でも、ケーシングの一方の端部に多孔板が設置されたスクリュー型押出機が好ましく、具体的には、例えば、特開２０００－６３５２７号公報やＷＯ２０１１／１２６０７９に開示されたスクリュー型押出機が挙げられる。
　［ゲル粉砕領域］
　本開示において上記ゲル粉砕は、重合工程の途中及び／又は後に行われ、より好ましくは重合工程後の含水ゲル状重合体に対して行われる。ニーダー重合等、重合中にゲル粉砕を行う形態の場合、単量体水溶液は重合時間の経過とともに連続的に含水ゲル状重合体に変化していく。それゆえ、重合温度が最大となった時点以降の含水ゲル状重合体、或いは単量体の重合率が９０モル％以上の含水ゲル状重合体をゲル粉砕すればよい。ここで、重合温度の最大値は、重合ピーク温度とも称される。単量体の重合率は、転化率と称されることもある。単量体の重合率は、含水ゲル状重合体のｐＨ滴定から算出されるポリマー量と、残存モノマー量とから算出される。
　また、上記重合工程がベルト重合の場合、ゲル粉砕を行う前に、重合工程の途中及び／又は後の含水ゲル状重合体、好ましくは重合工程後の含水ゲル状重合体を、数１０ｃｍ程度の大きさに切断又は粗砕することができる。この操作によって、ゲル粉砕装置に含水ゲル状重合体を充填し易くなり、ゲル粉砕工程をより円滑に実施することができる。なお、上記切断又は粗砕する手段としては、含水ゲル状重合体を練らないように切断又は粗砕できる手段が好ましく、例えば、ギロチンカッター等が挙げられる。また、上記切断又は粗砕で得られる含水ゲル状重合体の大きさや形状は、ゲル粉砕装置に充填できればよく、特に限定されない。
　＜乾燥工程＞
　乾燥工程は、粒子状含水ゲルを、所望する固形分率まで乾燥させることで、粒状乾燥物を得る工程である。乾燥方法としては、特に限定されないが、例えば、加熱乾燥、熱風乾燥、減圧乾燥、流動層乾燥、赤外線乾燥、マイクロ波乾燥、ドラムドライヤー乾燥、疎水性有機溶媒との共沸脱水による乾燥、高温の水蒸気を利用した高湿乾燥等が挙げられる。また本乾燥工程で後述する後架橋剤を本乾燥工程で使用し、乾燥工程で後架橋（表面架橋ともいう）された吸水性樹脂粉末を得てもよい。
　［乾燥装置］
　乾燥工程で使用される乾燥装置としては、特に限定されず、伝熱伝導型乾燥機、輻射伝熱型乾燥機、熱風伝熱型乾燥機、誘電加熱型乾燥機等の１種又は２種以上が適宜選択される。乾燥装置は、バッチ式でもよく、連続式でもよい。また、乾燥装置は、直接加熱式でもよく、間接加熱式でもよい。また、乾燥装置は、材料静置型、材料撹拌型、材料移送型、および熱風搬送型のうちのいずれかの乾燥装置であってもよい。例えば、通気バンド式、通気回路式、通気縦型式、平行流バンド式、通気トンネル式、通気攪拌式、通気回転式、加熱管付き回転式、流動層式、気流式等の伝熱型乾燥機が挙げられる。
　［乾燥温度］
　乾燥工程での乾燥温度は、８０℃以上であり、１００℃以上であることが好ましく、１２０℃以上であることがより好ましく、１５０℃以上であることが特に好ましい。また、乾燥温度は、２５０℃以下であり、２３０℃以下であることが好ましく、２２０℃以下であることがより好ましい。乾燥温度の上限値と下限値はどのような組み合わせであっても好ましい。乾燥温度が８０℃未満であると、好適な樹脂固形分（含水率）が得られるまでの乾燥時間が長くなるため好ましくない。また、未乾燥物が生成し、後の粉砕工程時に詰まりが生じ得る。乾燥温度が２５０℃を超えると、安全面及び着色異物の発生の問題があり好ましくない。なお、乾燥温度とは、直接加熱の場合には乾燥に用いる熱媒の温度を指し、熱風乾燥の場合には乾燥に用いる熱風の温度を指し、間接加熱の場合には乾燥に用いる伝熱面の温度を指す。
　［乾燥時間］
　乾燥工程での乾燥時間は、固形分が８０重量％以上となるまでの時間を指し、６０分間以下が好ましく、４０分間以下、３０分間以下、２５分間以下の順に好ましい。乾燥時間の下限値は、乾燥効率を考慮して１分間程度である。さらに、全乾燥時間は、１２０分間以下であることが好ましく、１００分間以下、８０分間以下、６０分間以下の順により好ましい。乾燥時間が短いと、未乾燥物が生成し、後の粉砕工程時に詰まりが生じ得る。
　［樹脂固形分］
　上記ゲル粉砕工程で得られた粒子状含水ゲルは、上述した乾燥工程で乾燥され、乾燥重合体とされる。乾燥重合体の乾燥減量（粉末又は粒子１ｇを１８０℃で３時間加熱して測定）から求められる樹脂固形分は、好ましくは８０重量％以上であり、より好ましくは８５～９９重量％であり、さらに好ましくは８６～９８重量％である。
　＜後架橋工程＞
　本工程は、重合後の含水ゲル、及びその乾燥物に吸水性樹脂の官能基（特にカルボキシル基）と反応する後架橋剤を添加して架橋反応させる工程である。主として、吸水性樹脂粒子の表面から架橋されるため、表面架橋、又は２次架橋とも呼ばれる。一例として、本工程において、粒状含水ゲル及び／又は粒状乾燥物に後架橋剤を添加して反応させる。本工程は、後架橋剤添加工程と、熱処理工程とを有し、必要に応じて熱処理工程後に冷却工程を有していてもよい。
　＜整粒工程＞
　本工程は、粒状乾燥物、又は後架橋された粒状乾燥物の粒度を調整する工程である。この整粒工程によって、粒子径、又は粒度分布がより積極的に制御された吸水性樹脂粉末が得られる。
　好ましくは、整粒工程は、解砕ステップ及び／又は分級ステップを含む。解砕ステップは、乾燥工程又は加熱処理工程を経て、緩く凝集した粒状乾燥物を解砕機で解して粒子径を整えるステップである。分級ステップは、分級機を用いて、粒状乾燥物若しくは後架橋された粒状乾燥物又は、それらの解砕物から粗大粒子及び微粉を除去する工程である。粉砕ステップのみで、粒子径及び粒度分布が制御された吸水性樹脂粉末を得る整粒工程が理想的である。吸水性樹脂粉末の粒子径及び粒度分布によって、吸水性能、取り扱い性、及びおむつや生理用品等の衛生材料に適用した際の使用感が変動するため、上記の整粒工程を経て、所望の粒子径及び粒度分布の吸水性樹脂粉末を得ることが好ましい。
　＜その他の工程＞
　吸水性樹脂粉末の製造方法には、上述の工程以外にも、冷却工程、単量体水溶液の調製工程、各種添加剤の添加工程、微粉除去工程及び微粉リサイクル工程を含んでいてもよい。さらに、他の公知の工程を含んでいてもよい。
　〔実施形態２〕
　本開示の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を省略する。
　（予測システム１０００ａの構成）
　例えば、予測装置１００は、吸水性樹脂粉末の製造工程に含まれる重合工程の前、重合工程と乾燥工程との間、及び乾燥工程の後の少なくともいずれかにおいて中間生成物の近赤外吸収スペクトルを測定し、上記工程の任意の段階の中間生成物（又は完成した樹脂粉末）の物性に関連する予測情報を出力してもよい。
　また、樹脂粉末の製造方法において、予測装置１００が出力する予測情報に基づき、吸水性樹脂粉末のいずれか１以上の製造工程において、その製造条件が制御されてもよい。
　また、樹脂粉末の製造方法を制御するために、予測装置１００が出力する予測情報を使用してもよい。
　さらに、樹脂粉末の製造工程に含まれる任意の処理工程を実行するいずれかの製造装置（図１の外部装置４に対応）が、予測装置１００から出力された予測情報に基づいて制御されてもよい。この様な構成を備える予測システム１０００ａについて、図８について説明する。図８は、本開示の別の実施形態に係る予測システム１０００ａの構成の一例を示すブロック図である。
　図８において、予測システム１０００ａは、予測装置１００、近赤外分光光度計３ａ～３ｆ、及び外部装置４ａ～４ｅを備えている。予測装置１００は、近赤外分光光度計３ａ～３ｆ、及び外部装置４ａ～４ｅと接続されている。外部装置４ａ～４ｅは、一例として、各工程（重合工程、粉砕工程等）を行うための制御装置である。
　ここでは、一例として、吸水性樹脂粉末のゲルＤ５０が予測される場合を説明する。ゲルＤ５０は、例えば、ゲル粉砕工程の後に測定される吸水性樹脂粉末の物性である。図８において、外部装置４ｂがゲル粉砕工程を制御する装置であり、近赤外分光光度計３ｃがゲル粉砕工程後の近赤外吸収スペクトルを測定する、近赤外分光光度計である場合を想定する。
　まず、近赤外分光光度計３ｃは、測定した吸水性樹脂粉末の近赤外吸収スペクトルを、予測装置１００に出力する。予測装置１００は、取得した近赤外吸収スペクトルに対して、予測モデルに基づき前処理を行う。前処理としては、一例として、外れ値除去処理及び平均化処理が挙げられる。予測装置１００は、予測モデルに基づいて、前処理済の近赤外吸収スペクトルからゲルＤ５０を予測する。予測装置１００は、一例として、予測結果を外部装置４ｃに出力する。外部装置４ｃは、例えば、乾燥工程を制御する装置であってもよい。
　例えば、予測装置１００が、ゲルＤ５０の大きさが所定の値よりも大きいと予測した場合、乾燥工程を制御する外部装置４ｃは、所定よりも高温の条件で樹脂粉末を加熱するよう制御する等、工程における条件を変更してもよい。
　また、予測装置１００が、ゲルＤ５０の大きさが所定の値よりも大きいと予測した場合、ゲル粉砕工程を制御する外部装置４ｂは、所定よりもゲル粉砕負荷を上げてもよい。具体的には、外部装置４ｂは、ゲルに対して、より高せん断がかかるように、回転数を速くするよう制御する等、工程における条件を変更してもよい。
　他の例としては、例えば、最終製品物性のＣＲＣが、製品規格に対して高くなると予測装置１００が予測した場合は、重合工程における架橋剤量を減らす制御を行うことが挙げられる。また、例えば、最終製品物性のＡＡＰが製品規格に対して低い場合は、後架橋工程の処理剤組成を変更する制御を行うことが挙げられる。
　本実施形態において、予測装置１００は、複数ある近赤外分光光度計のうち、どの近赤外分光光度計から取得した近赤外測定データであるかを識別できてもよい。一例として、予測装置１００は、予測システム１０００ａ内の各近赤外分光光度計のＭＡＣアドレスと、各近赤外分光光度計の設置場所とを予め取得しておく。一例として、図９にＭＡＣアドレスと、近赤外分光光度計との対応表を示す。このように、近赤外測定データを取得する際、近赤外分光光度計のＭＡＣアドレスを共に取得することにより、予測システム１０００ａ内のどの工程における近赤外測定データであるかを、予測装置１００が識別することができる。
　このような構成を備える予測システム１０００ａは、樹脂粉末を製造する各工程における中間生成物の物性（例えば、ゲル粒子径等の粉砕ゲル物性）または最終製品である樹脂粉末の物性（例えば、上述したＣＲＣやＡＡＰ）を短時間に精度よく予測することができる。予測情報を、樹脂粉末を製造する製造工程の各処理を実行する製造装置（外部装置４ａ～４ｅ）の制御に利用すれば、各製造工程における物性操作因子をリアルタイムに調整でき、スペックアウト品の発生を効果的に抑制することができる。
　また、近赤外分光光度計３ａ～３ｆは、一般的に安価（少なくともラマン分光計に比して安価）である。それゆえ、樹脂紛体の製造工程に、複数の近赤外分光光度計３ａ～３ｆを配置するための費用を低く抑えることも可能である。
　〔ソフトウェアによる実現例〕
　実施形態１及び実施形態２に記載の予測装置１００の制御ブロック（特に制御部１０）の制御ブロック（特に制御部１０）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。
　後者の場合、予測装置１００は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本開示の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路等を用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）等をさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本開示の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。
　本開示は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本開示の技術的範囲に含まれる。
　本開示の一実施例について以下に説明する。なお、近赤外線吸収スペクトル測定に供する試料の物性を調整するために、前記記載の重合工程、ゲル粉砕工程、乾燥工程、後架橋工程、整粒工程及びその他工程の条件を適宜変更し、測定対象の試料を得た。後述する重合工程では、例えば内部架橋剤であるポリエチレングリコールジアクリレート量を変更した。後述するゲル粉砕工程では、例えば多孔板の孔径の変更を行った。後述する乾燥工程では、例えば乾燥時間を変更した。さらに、後述する後架橋工程では、例えば後架橋剤種や使用量の変更、さらには熱処理時の温度及び時間の変更を行った。
　＜吸水性樹脂（ＳＡＰ）の作製＞
　〔重合工程〕
　内径５０ｍｍ、容量１２０ｍＬのポリプロピレン製容器にアクリル酸２３．２ｇ、ポリエチレングリコールジアクリレート（重量平均分子量（Ｍｗ）５２３Ｄａ）０．１３５ｇ（０．０８０モル％）、２．０重量％のジエチレントリアミン５酢酸・３ナトリウム水溶液０．０７１ｇ、イオン交換水２２．２ｇ及び４８．５重量％の水酸化ナトリウム水溶液９．６ｇを混合し、溶液（Ａ）を調製した。
　マグネチックスターラーを用いて撹拌しながら、４５℃に調温した上記溶液（Ａ）に４８．５重量％の水酸化ナトリウム水溶液９．８ｇを開放系で約５秒間かけて加えて混合し単量体水溶液（１）を調製した。なお、該混合の過程で発生した中和熱及び溶解熱によって、該単量体水溶液（１）の液温が約８０℃まで上昇した。
　その後、得られた単量体水溶液（１）の温度が７８℃になった時点で、４．５重量％の過硫酸ナトリウム水溶液１．０１ｇを加え、約３秒間攪拌した。その後、得られた反応液（１）をステンレス製シャーレ内に開放系で注いだ。
　上記ステンレス製シャーレのサイズは、内径８８ｍｍ及び高さ２０ｍｍであった。なお、上記ステンレス製シャーレの表面温度を、ホットプレート（ＮＥＯ　ＨＯＴＰＬＡＴＥ　Ｈ１－１０００、（株）井内盛栄堂製）を用いて、予め５０℃まで加熱した。
　上記反応液（１）の供給後、速やかに、排気口を有するガラス製容器でステンレス製シャーレを覆い、ケース内の圧力が８５ｋＰａになるように真空ポンプで吸引した。なお、ケース外の圧力は１０１．３ｋＰａ（常圧）であった。
　上記反応液（１）が上記ステンレス製シャーレに注がれた後、しばらくして重合が開始された。該重合は、水蒸気を発生しながら上方に向かって四方八方に膨張発泡しながら進行し、その後、底面よりもやや大きなサイズにまで収縮した。この膨張収縮は約１分以内に終了した。重合容器（すなわち、ガラス製容器でステンレス製シャーレを覆ったもの）内に３分間保持した後、含水ゲル状架橋重合体（以下、「含水ゲル」と称する）（１）を取り出した。
　〔ゲル粉砕工程〕
　得られた含水ゲル（１）を、以下の仕様を有するスクリュー押出機（ミートチョッパー）でゲル粉砕した。上記スクリュー押出機は、その先端部に多孔板を備え、該多孔板の直径は８２ｍｍ、孔径８．０ｍｍ、孔数３３個、厚み９．５ｍｍであった。またゲル粉砕の条件として、含水ゲル（１）の投入量は約３６０ｇ／分、ゲル投入と並行して９０℃の脱イオン水を５０ｇ／分で添加しながら、ゲル粉砕を行った。このゲル粉砕された粒子状含水ゲル（１）を後述するゲルＤ５０の評価に用いた。
　〔乾燥工程〕
　上記ゲル粉砕された粒子状含水ゲル（１）を目開き８５０μｍのステンレス製金網上に広げ、１９０℃で３０分間熱風乾燥を行った。続いて、該乾燥操作で得られた乾燥重合体（１）をロールミル（有限会社井ノ口技研社製、ＷＭＬ型ロール粉砕機）で粉砕した後、目開き７１０μｍ及び目開き１７５μｍのＪＩＳ標準篩を用いて分級し吸水性樹脂粉末（１）を得た。
　〔後架橋工程〕
　上記吸水性樹脂粉末（１）１００ｇに、エチレングリコールジグリシジルエーテル０．０２５ｇ、エチレンカーボネート０．３ｇ、プロピレングリコール０．５ｇ及び脱イオン水２．０ｇからなる表面架橋剤溶液を噴霧して混合した。この混合物を２００℃で３５分間加熱処理することにより、表面架橋された吸水性樹脂粉末（２）を得た。
　上記の一連の操作により、不定形破砕状の吸水性樹脂粉末（１）及び（２）を得た。この吸水性樹脂粉末を後述するＣＲＣ、ＡＡＰ、ＳＦＣ、Ｄ５０及び含水率（固形分）の評価に用いた。
　＜吸水性樹脂の測定＞
　近赤外吸収スペクトルの測定機器及び条件は下記の通りである。
　（ｉ）機器：ＦＴ－ＮＩＲ　ＮＩＲＦｌｅｘ（商標登録）Ｎ－５００（ＢＵＣＨＩ製）
測定波長：８００～２５００ｎｍ
測定方式：拡散反射測定
　（ｉｉ）機器：ＩＲＭＡ５１８４Ｓ（株式会社チノー製）
測定波長（８波長）：１３２０、１４６０、１６００、１７２０、１８００、１９６０、２１００、２３１０ｎｍ
測定方式：近赤外吸収式。
　＜吸水性樹脂粉末の各物性における予測装置の性能評価＞
　得られた近赤外吸収スペクトルの波長データを特徴量とし、測定した試料の物性情報を目的変数として、ＰＣＲ又はＰＬＳ（Ｐａｒｔｉａｌ　ｌｅａｓｔ　ｓｑｕａｒｅ）回帰分析法により、これらの関係式を求めた。以下に吸水性樹脂粉末の物性（１）ゲルＤ５０、（２）ＣＲＣ、（３）ＡＡＰ、（４）ＳＦＣ、（５）Ｄ５０及び（６）固形分それぞれについて、予測装置の性能を評価した。
　評価に用いるデータセットは、近赤外測定データと、該近赤外測定データに対応付けられている物性と、の組合せを複数個含む。データセットを学習データと、検証データとに分割して評価に用いる。ここで、学習データは、近赤外吸収スペクトルと、該近赤外吸収スペクトルに対応付けられている物性の実測値とを含むデータであり、事前の機械学習に用いるためのデータである。また、検証データとは、学習データに含まれていないデータである。本実施例では、評価に用いるデータセットをランダムに分割し、学習データに対してＰＬＳ又はＰＣＲによる予測モデルを作成した。
　まず、複数の吸水性樹脂粉末（１）及び（２）の近赤外吸収スペクトルと、物性とを測定し、近赤外吸収スペクトルと、該近赤外吸収スペクトルに対応付けられている物性との組み合わせをＮ個含んだデータセットを用意する。データセットを、学習データと検証データとに分割して、８０％の組み合わせを学習用、残り２０％の組み合わせを検証用にした。
　以下に、各物性についてプロットしたグラフを示す。各グラフにおいて、「ｔｒａｉｎｉｎｇ」で示すデータは、学習データであり、「ｔｅｓｔ」で示すデータは、検証データである。グラフ内の点線は、物性の実測値と、物性の予測値とが完全に一致するときに得られる真の回帰直線を示す。学習データ及び検証データの物性の実測値に対する物性の予測値をプロットした。各グラフにおいて、実測値と予測値とをプロットした点が回帰直線に近いほど、予測装置の性能が高いと判断できる。
　（１）ゲルＤ５０
　データセットは近赤外測定吸収スペクトルと、該近赤外吸収スペクトルに対応付けられている物性との組み合わせを３６個有する。データセットを、学習データと検証データとにランダム分割して、８０％を学習用、２０％を検証用に用いた。学習データに対してＰＣＲによる予測モデルを作成した。図１０は、ゲルＤ５０の実測値に対する予測値を、８０～１９０μｍの範囲においてプロットしたグラフである。
　（２）ＣＲＣ
　データセットは近赤外測定吸収スペクトルと、該近赤外吸収スペクトルに対応付けられている物性との組み合わせを７９個有する。データセットを、学習データと検証データとにランダム分割して、８０％を学習用、２０％を検証用に用いた。学習データに対してＰＬＳによる予測モデルを作成した。図１１は、ＣＲＣの実測値に対する予測値を、２４～３１ｇ／ｇの範囲においてプロットしたグラフである。
　（３）ＡＡＰ
　データセットは近赤外測定吸収スペクトルと、該近赤外吸収スペクトルに対応付けられている物性との組み合わせを６９個有する。データセットを、学習データと検証データとにランダム分割して、８０％を学習用、２０％を検証用に用いた。学習データに対してＰＬＳによる予測モデルを作成した。図１２は、ＡＡＰの実測値に対する予測値を、２４．５～２７ｇ／ｇの範囲においてプロットしたグラフである。
　（４）ＳＦＣ
　データセットは近赤外測定吸収スペクトルと、該近赤外吸収スペクトルに対応付けられている物性との組み合わせを６４個有する。データセットを、学習データと検証データとにランダム分割して、８０％を学習用、２０％を検証用に用いた。学習データに対してＰＬＳによる予測モデルを作成した。図１３は、ＳＦＣの実測値に対する予測値を、２０～１１０（×１０－７・ｃｍ３・ｓ・ｇ－１）の範囲においてプロットしたグラフである。
　（５）Ｄ５０
　データセットは近赤外測定吸収スペクトルと、該近赤外吸収スペクトルに対応付けられている物性との組み合わせを９０個有する。データセットを、学習データと検証データとにランダム分割して、８０％を学習用、２０％を検証用に用いた。学習データに対してＰＬＳによる予測モデルを作成した。図１４は、Ｄ５０の実測値に対する予測値を、２５０～４５０μｍの範囲においてプロットしたグラフである。
　（６）含水率（固形分率）
　データセットは近赤外測定吸収スペクトルと、該近赤外吸収スペクトルに対応付けられている物性との組み合わせを２９個有する。データセットを、学習データと検証データとにランダム分割して、８０％を学習用、２０％を検証用に用いた。学習データに対してＰＬＳによる予測モデルを作成した。図１５は、含水率の実測値に対する予測値を９６．５～９８．５ｗｔ％の範囲においてプロットしたグラフである。固形分は、１００－含水率（重量％）によって求められるため、本グラフは、固形分率における実測値に対する予測値を示すものともと言える。
　＜評価結果＞
　いずれの物性においても、予測値は、実測値とよい相関を示した。また、学習データに含まれていない検証データについても、学習データと同様の精度で各物性が予測できており、予測装置１００が良好な性能を有することが示された。
　１００　予測装置
　１１　測定データ取得部
　１３　予測部
　２２　予測モデル
　２３　物性情報

Claims (11)

  1. 　樹脂粉末の物性を予測する予測方法であって、
    　前記樹脂粉末は、吸水性樹脂粉末、及び該吸水性樹脂粉末を製造するための製造工程において生成される中間生成物のいずれかであり、
    　前記樹脂粉末の近赤外吸収スペクトルを示す近赤外測定データを取得する近赤外測定データ取得ステップと、
    　前記近赤外測定データ、及び、前記近赤外測定データに基づいて生成された１以上の加工データ、の少なくとも１つ以上を予測モデルに入力して、該樹脂粉末の物性に関連する予測情報を出力する予測ステップと、を含む、
    予測方法。
  2. 　前記予測モデルは、（１）過去に製造された、物性が既知の複数の製造済樹脂粉末の近赤外吸収スペクトルを含む近赤外測定データと、該近赤外測定データに対応付けられている最終生成物の物性情報との組み合わせ、及び（２）各製造済樹脂粉末を製造するための製造工程において生成された、物性が既知の複数の生成済中間生成物の近赤外吸収スペクトルを含む近赤外測定データと、該近赤外測定データに対応付けられている中間生成物の物性情報との組み合わせ、のうち少なくともいずれかを学習データとして用いた機械学習によって生成されたものである、
    請求項１に記載の予測方法。
  3. 　前記予測モデルは、線形回帰、及び非線形回帰のうちのいずれかを用いて生成されたものである、
    請求項２に記載の予測方法。
  4. 　前記予測モデルは、主成分回帰、及び部分的最小二乗回帰のうちのいずれかを用いて生成されたものである、
    請求項２又は３に記載の予測方法。
  5. 　前記加工データを生成する前処理ステップを含み、
    　前記前処理ステップにおいて、外れ値除去処理、平均化処理、波長範囲選択処理、及び微分処理のうちのいずれか１以上を行う、
    請求項１から４のいずれか１項に記載の予測方法。
  6. 　前記予測情報は、（１）前記中間生成物である含水ゲルの質量平均粒子径（ゲルＤ５０）、（２）前記樹脂粉末の無加圧下吸収倍率（ＣＲＣ）、（３）前記樹脂粉末の加圧下吸収倍率（ＡＡＰ）、（４）前記樹脂粉末の食塩水流れ誘導性（ＳＦＣ）、（５）前記樹脂粉末の質量平均粒子径（Ｄ５０）、及び（６）前記樹脂粉末の固形分含有量又は固形分率、のうち少なくともいずれか１つを含む、
    請求項１から５のいずれか１項に記載の予測方法。
  7. 　前記樹脂粉末の前記製造工程は、重合工程、乾燥工程を含み、
    　前記近赤外吸収スペクトルは、前記重合工程の前、前記重合工程と前記乾燥工程との間、及び前記乾燥工程の後の少なくともいずれかにおいて測定され、
    　前記予測ステップにおいて出力される前記予測情報に基づいて、前記樹脂粉末の製造工程で使用されるいずれか１以上の製造装置が制御される、
    請求項１から６のいずれか１項に記載の予測方法。
  8. 　樹脂粉末の物性を予測する予測装置であって、
    　前記樹脂粉末は、吸水性樹脂粉末、及び該吸水性樹脂粉末を製造するための製造工程において生成される中間生成物のいずれかであり、
    　前記樹脂粉末について測定された近赤外吸収スペクトルを示す近赤外測定データを取得する測定データ取得部と、
    　前記近赤外測定データ、及び、前記近赤外測定データに基づいて生成された１以上の加工データ、の少なくともいずれかを予測モデルに入力して、該樹脂粉末の物性に関連する予測情報を出力する予測部と、を備える、
    予測装置。
  9. 　重合工程及び乾燥工程を含む樹脂粉末の製造方法であって、
    　請求項１から７のいずれか１項に記載の予測方法により得られた予測情報に基づき、
    　前記樹脂粉末のいずれか１以上の製造工程において、その製造条件が制御される、樹脂粉末の製造方法。
  10. 　樹脂粉末の製造方法を制御するための、請求項１から７のいずれか１項に記載の予測方法により得られた予測情報の使用。
  11. 　請求項１から６のいずれか１項に記載の予測方法に用いる樹脂粉末の近赤外吸収スペクトルを測定する測定方法であって、
    　前記樹脂粉末に近赤外線を照射するステップと、
    　前記樹脂粉末からの反射光及び透過光のうちの少なくとも一方を測定した測定値から前記樹脂粉末の近赤外吸収スペクトルを算出するステップと、を含み、
    　前記樹脂粉末は、吸水性樹脂粉末、及び該吸水性樹脂粉末を製造するための製造工程において生成される中間生成物のいずれかである、
    測定方法。
PCT/JP2021/037735 2020-10-13 2021-10-12 予測方法、予測装置 Ceased WO2022080367A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
US18/031,241 US20230375472A1 (en) 2020-10-13 2021-10-12 Prediction method and prediction device
EP21880105.8A EP4231000A4 (en) 2020-10-13 2021-10-12 PREDICTION METHOD AND PREDICTION DEVICE
KR1020237016195A KR102917557B1 (ko) 2020-10-13 2021-10-12 예측 방법, 예측 장치
JP2022557007A JPWO2022080367A1 (ja) 2020-10-13 2021-10-12
CN202180070148.0A CN116368370A (zh) 2020-10-13 2021-10-12 预测方法、预测装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-172722 2020-10-13
JP2020172722 2020-10-13

Publications (1)

Publication Number Publication Date
WO2022080367A1 true WO2022080367A1 (ja) 2022-04-21

Family

ID=81208044

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/037735 Ceased WO2022080367A1 (ja) 2020-10-13 2021-10-12 予測方法、予測装置

Country Status (6)

Country Link
US (1) US20230375472A1 (ja)
EP (1) EP4231000A4 (ja)
JP (1) JPWO2022080367A1 (ja)
KR (1) KR102917557B1 (ja)
CN (1) CN116368370A (ja)
WO (1) WO2022080367A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2024003699A (ja) * 2022-06-27 2024-01-15 Dic株式会社 樹脂組成物の製造条件の判定方法
WO2024062093A1 (en) * 2022-09-23 2024-03-28 Basf Se Apparatus for determining a technical application property of a superabsorbent material
WO2024202794A1 (ja) * 2023-03-30 2024-10-03 株式会社日立ハイテク スペクトル解析装置、スペクトル解析システムおよびスペクトル解析方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119198627B (zh) * 2024-11-07 2025-02-21 泰和新材集团股份有限公司 一种间位芳纶树脂pH值快速在线检测方法
CN120011708B (zh) * 2025-02-19 2025-10-24 湖南中烟工业有限责任公司 一种近红外温度校正模型构建方法、装置、设备及介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5669894A (en) 1994-03-29 1997-09-23 The Procter & Gamble Company Absorbent members for body fluids having good wet integrity and relatively high concentrations of hydrogel-forming absorbent polymer
JPH09268232A (ja) * 1996-02-02 1997-10-14 Nippon Shokubai Co Ltd 親水性重合体の変性方法並びに親水性樹脂の製造方法
JP2000063527A (ja) 1998-08-12 2000-02-29 Nippon Shokubai Co Ltd 含水ゲル状架橋重合体の細粒化方法
JP2002090298A (ja) * 2000-09-01 2002-03-27 Spectron Tech Co Ltd 近赤外線分光分析法による皮膚水分測定方法および装置
JP2003344279A (ja) * 2002-05-29 2003-12-03 Shiseido Co Ltd 毛髪水分の測定方法
US7265190B2 (en) 2002-11-07 2007-09-04 Nippon Shokubai Co., Ltd. Process and apparatus for production of water-absorbent resin
WO2009016055A2 (en) 2007-07-27 2009-02-05 Basf Se Water-absorbing polymeric particles and method for the production thereof
US7638570B2 (en) 2003-02-10 2009-12-29 Nippon Shokubai Co., Ltd. Water-absorbing agent
WO2012043821A1 (ja) * 2010-09-30 2012-04-05 株式会社日本触媒 粒子状吸水剤及びその製造方法
US20120318046A1 (en) 2011-06-17 2012-12-20 The Procter & Gamble Company Method For Determining Properties Of Superabsorbent Polymer Particles And Of Absorbent Structures Containing Such Particles
JP2013018917A (ja) * 2011-07-13 2013-01-31 Kao Corp ポリウロン酸又はその塩の製造方法
WO2016204302A1 (ja) 2015-06-19 2016-12-22 株式会社日本触媒 ポリ（メタ）アクリル酸（塩）系粒子状吸水剤及び製造方法
WO2020109601A1 (en) 2018-11-29 2020-06-04 Basf Se Prediction of physical properties of superabsorbent polymers

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996007092A1 (en) * 1994-09-01 1996-03-07 E.I. Du Pont De Nemours And Company Process for neutralizing acids in a polymer solution
JPH11315137A (ja) * 1998-04-30 1999-11-16 Mitsubishi Chemical Corp ポリエステル樹脂の製造方法
CN1191466C (zh) * 2002-07-30 2005-03-02 中国石油化工股份有限公司 测定聚丙烯树脂等规指数的方法
ITMI20131916A1 (it) * 2013-11-19 2015-05-20 Versalis Spa Metodo per monitorare un parametro di controllo di una reazione di polimerizzazione e relativo apparato per attuare detto metodo
PL2915658T3 (pl) * 2014-03-05 2018-01-31 Flooring Technologies Ltd Sposób określania zawartości wilgoci warstwy żywicy na płycie z tworzywa drzewnego pokrytej materiałem podłożowym zawierającym włókna
US9389161B2 (en) * 2014-04-09 2016-07-12 Exxonmobil Chemical Patents Inc. On-line FT-NIR method to determine particle size and distribution
JP6438549B1 (ja) * 2017-08-24 2018-12-12 日本分光株式会社 機械学習を用いた未知化合物の分類方法
EP3865872B1 (en) * 2018-11-19 2025-01-08 Canon Kabushiki Kaisha Information processing device, information processing device control method, program, calculation device, and calculation method

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5669894A (en) 1994-03-29 1997-09-23 The Procter & Gamble Company Absorbent members for body fluids having good wet integrity and relatively high concentrations of hydrogel-forming absorbent polymer
JPH09268232A (ja) * 1996-02-02 1997-10-14 Nippon Shokubai Co Ltd 親水性重合体の変性方法並びに親水性樹脂の製造方法
JP2000063527A (ja) 1998-08-12 2000-02-29 Nippon Shokubai Co Ltd 含水ゲル状架橋重合体の細粒化方法
JP2002090298A (ja) * 2000-09-01 2002-03-27 Spectron Tech Co Ltd 近赤外線分光分析法による皮膚水分測定方法および装置
JP2003344279A (ja) * 2002-05-29 2003-12-03 Shiseido Co Ltd 毛髪水分の測定方法
US7265190B2 (en) 2002-11-07 2007-09-04 Nippon Shokubai Co., Ltd. Process and apparatus for production of water-absorbent resin
US7638570B2 (en) 2003-02-10 2009-12-29 Nippon Shokubai Co., Ltd. Water-absorbing agent
WO2009016055A2 (en) 2007-07-27 2009-02-05 Basf Se Water-absorbing polymeric particles and method for the production thereof
WO2012043821A1 (ja) * 2010-09-30 2012-04-05 株式会社日本触媒 粒子状吸水剤及びその製造方法
US20120318046A1 (en) 2011-06-17 2012-12-20 The Procter & Gamble Company Method For Determining Properties Of Superabsorbent Polymer Particles And Of Absorbent Structures Containing Such Particles
JP2013018917A (ja) * 2011-07-13 2013-01-31 Kao Corp ポリウロン酸又はその塩の製造方法
WO2016204302A1 (ja) 2015-06-19 2016-12-22 株式会社日本触媒 ポリ（メタ）アクリル酸（塩）系粒子状吸水剤及び製造方法
WO2020109601A1 (en) 2018-11-29 2020-06-04 Basf Se Prediction of physical properties of superabsorbent polymers

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MATSUDA, MASAAKI ET AL.: "Hydrolysis of polyacrylonitrile by ammonium hydroxide; water absorbing performance of the hydrolyzed polymer", POLYMER PREPRINTS, JAPAN, vol. 38, no. 2, 12 September 1989 (1989-09-12), pages 1 - 2, XP009536016 *
See also references of EP4231000A4

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2024003699A (ja) * 2022-06-27 2024-01-15 Dic株式会社 樹脂組成物の製造条件の判定方法
JP7829420B2 (ja) 2022-06-27 2026-03-13 Dic株式会社 樹脂組成物の製造条件の判定方法
WO2024062093A1 (en) * 2022-09-23 2024-03-28 Basf Se Apparatus for determining a technical application property of a superabsorbent material
WO2024202794A1 (ja) * 2023-03-30 2024-10-03 株式会社日立ハイテク スペクトル解析装置、スペクトル解析システムおよびスペクトル解析方法

Also Published As

Publication number Publication date
CN116368370A (zh) 2023-06-30
US20230375472A1 (en) 2023-11-23
KR20230086762A (ko) 2023-06-15
EP4231000A4 (en) 2024-11-20
JPWO2022080367A1 (ja) 2022-04-21
EP4231000A1 (en) 2023-08-23
KR102917557B1 (ko) 2026-01-27

Similar Documents

Publication Publication Date Title
WO2022080367A1 (ja) 予測方法、予測装置
JPWO2022080367A5 (ja)
US11020726B2 (en) Super absorbent polyacrylic acid (salt)-based resin powder, method for manufacturing same, and method for evaluating same
US9447203B2 (en) Method for producing water absorbent polyacrylic acid (salt) resin powder, and water absorbent polyacrylic acid (salt) resin powder
KR102297640B1 (ko) 겔 분쇄 장치, 폴리아크릴산(염)계 흡수성 수지 분말의 제조 방법, 및 흡수성 수지 분말
US12123835B2 (en) Prediction of physical properties of superabsorbent polymers
CN100471874C (zh) 超吸收剂、其制备方法及其用途
US8975339B2 (en) Surface treatment method for water-absorbent resin
CN108350179B (zh) 超吸收性聚合物
CA2649299A1 (en) An absorbent member comprising a modified water absorbent resin
WO2011090130A1 (ja) 吸水性樹脂の製造方法
Pourjavadi et al. Carrageenan‐g‐poly (acrylamide)/poly (vinylsulfonic acid, sodium salt) as a novel semi‐IPN hydrogel: Synthesis, characterization, and swelling behavior
KR102801861B1 (ko) 흡수체, 흡수성 수지 및 흡수성 물품
JP2016112475A (ja) ポリ（メタ）アクリル酸塩系吸水性樹脂を主成分とする吸水剤及びその製造方法
JP7187220B2 (ja) 吸収性樹脂粒子及びその製造方法
JP2016113465A (ja) ポリアクリル酸（塩）系吸水性樹脂及びその製造方法
KR20250076538A (ko) 초흡수성 재료의 기술적 응용 특성을 결정하기 위한 장치
WO2019188648A1 (ja) 吸水性樹脂粒子及びその製造方法
WO2023149574A1 (ja) 吸水性樹脂の重合方法
CN118055954A (zh) 制备超级吸收剂颗粒的方法
JPH01131209A (ja) 含水ゲル状重合体の中和方法
JP2018065905A (ja) ポリアクリル酸（塩）系吸水性樹脂粉末の製造方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21880105

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022557007

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 20237016195

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021880105

Country of ref document: EP

Effective date: 20230515