System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及一种特性预测装置、特性预测方法和程序。
技术介绍
1、近年来,树脂复合材料等复合材料的特性预测可以通过使用计算机的机械学习来进行。
2、在专利文献1中记载了一种方法,其中,通过使用包含组成数据和特性数据的学习数据,对响应于目标特性数据的输入而输出推荐组成数据的模型进行学习处理,并向该模型输入目标特性,来输出用于生成目标特性的感光性树脂组合物的组成。
3、例如,在专利文献1中记载了:由组成数据所表示的组成可以是有无能够生成感光性树脂组合物的原材料,也可以是原材料中所含的化合物(例如以一般名称表示的原材料中所含的具体化合物的名称或结构式),还可以是原材料中所含的化合物的含有比率。
4、此外,在专利文献2中记载了一种方法,其中,使用聚合物的物性的实验值和聚合物的部分结构的数密度,来构建预测物性值的回归模型,并使用该回归模型,来预测与输入的聚合物结构对应的物性值。
5、专利文献1:日本特开2020-77346号公报
6、专利文献2:日本专利第6633820号公报
技术实现思路
1、<本专利技术要解决的问题>
2、在对由多个原料分类构成的复合材料的特性进行预测的特性预测装置中,例如在探索添加剂等特定的原料分类的新的原料的情况下等,要求高精度地预测特定的原料分类对复合材料的特性施加的影响的技术。
3、本专利技术的目的在于提供一种能够高精度地预测特定的原料分类对由多个原料分类构成的复合材
4、<用于解决问题的方法>
5、本公开包括如下所示的结构。
6、[1]一种特性预测装置,其预测由多个原料分类构成的复合材料的特性,包括:
7、预测模型生成部,生成预测模型,所述预测模型使用作为包含第1原料分类的材料种类和第2原料分类的材料种类的构成的复合材料的学习用数据集,对作为目的变量的所述复合材料的特性、与作为说明变量的所述第1原料分类的材料种类的配合量和第2原料分类的材料种类的加权特征量之间的对应关系进行了机械学习;以及
8、预测部,将根据要预测特性的复合材料的预测用数据而生成的所述第1原料分类的材料种类的配合量和所述第2原料分类的材料种类的加权特征量,作为说明变量输入到所述预测模型,来预测与所述预测用数据对应的所述复合材料的特性。
9、[2]根据[1]所述的特性预测装置,其中,
10、所述说明变量包含所述第1原料分类的材料种类所包含的1个以上的原料的配合量的信息、以及所述第2原料分类的材料种类所包含的1个以上的原料的所述加权特征量的信息,所述加权特征量是所述第2原料分类的材料种类所包含的1个以上的原料的各自的特征量与所述原料的配合量的乘积。
11、[3]根据[1]或[2]所述的特性预测装置,其中,
12、所述预测模型生成部将构成所述复合材料的多个原料分类中为了优化而探索的原料的原料分类作为所述第2原料分类,将所述探索的原料的原料分类以外的原料分类作为所述第1原料分类。
13、[4]根据[3]所述的特性预测装置,其中,
14、所述预测部一边进行对要优化的所述第2原料分类的材料种类所包含的1个以上的原料的组合的探索、以及对所述组合所包含的1个以上的原料的配合量的变更,一边预测所述复合材料的特性,并确定所预测出的所述特性与对应于所述预测用数据的所述复合材料的目标特性近似的、所述原料的组合以及所述组合所包含的1个以上的原料的配合量。
15、[5]根据根据[1]至[4]中任一项所述的特性预测装置,其中,
16、所述预测模型生成部具有:
17、目的变量确定部,根据所述学习用数据集,确定所述复合材料的特性,以作为目的变量;
18、设计条件确定部,根据所述学习用数据集,确定所述复合材料的设计条件;
19、特征量生成部,根据所述设计条件,对所述第2原料分类的材料种类所包含的1个以上的原料的每一个,生成特征量;
20、说明变量生成部,生成所述第1原料分类的材料种类所包含的1个以上的原料的配合量、以及所述第2原料分类的材料种类所包含的1个以上的原料的各自的所述加权特征量,以作为说明变量;以及
21、学习处理部,对所述目的变量与所述说明变量之间的对应关系进行机械学习来生成预测模型。
22、[6]根据[1]至[5]中任一项所述的特性预测装置,其中,
23、所述复合材料是含有作为所述第1原料分类的材料种类的主原料、以及配合量比所述主原料小的作为所述第2原料分类的材料种类的添加剂的树脂复合材料。
24、[7]根据[1]至[6]中任一项所述的特性预测装置,其中,
25、所述原料分类为单体、低聚物、聚合物、填料、催化剂、聚合引发剂、阻聚剂、交联剂或固化剂。
26、[8]根据[1]至[7]中任一项所述的特性预测装置,其中,
27、所述特征量是将分子的结构特征数值化的信息、或者是将分子的化学特征数值化的信息。
28、[9]根据[1]至[7]中任一项所述的特性预测装置,其中,
29、所述特征量是通过用“0”和“1”表示的虚拟变量来记述所述第2原料分类的材料种类的品牌或型号的信息。
30、[10]一种特性预测方法,其是由计算机预测由多个原料分类构成的复合材料的特性的特性预测方法,包括下述步骤:
31、生成预测模型,所述预测模型使用作为包含第1原料分类的材料种类和第2原料分类的材料种类的构成的复合材料的学习用数据集,对作为目的变量的所述复合材料的特性、与作为说明变量的所述第1原料分类的材料种类的配合量和第2原料分类的材料种类的加权特征量之间的对应关系进行了机械学习;以及
32、将根据要预测特性的复合材料的预测用数据而生成的所述第1原料分类的材料种类的配合量和所述第2原料分类的材料种类的加权特征量,作为说明变量输入到所述预测模型,来预测与所述预测用数据对应的所述复合材料的特性。
33、[11]一种程序,其使预测由多个原料分类构成的复合材料的特性的计算机执行下述步骤:
34、生成预测模型,所述预测模型使用作为包含第1原料分类的材料种类和第2原料分类的材料种类的构成的复合材料的学习用数据集,对作为目的变量的所述复合材料的特性、与作为说明变量的所述第1原料分类的材料种类的配合量和第2原料分类的材料种类的加权特征量之间的对应关系进行了机械学习;以及
35、将根据要预测特性的复合材料的预测用数据而生成的所述第1原料分类的材料种类的配合量和所述第2原料分类的材料种类的加权特征量,作为说明变量输入到所述预测模型,来预测与所述预测用数据对应的所述复合材料的特性。
36、<专利技术的效果>
37、根据本公开,能够高精度地预本文档来自技高网...
【技术保护点】
1.一种特性预测装置,其预测由多个原料分类构成的复合材料的特性,包括:
2.根据权利要求1所述的特性预测装置,其中,
3.根据权利要求1或2所述的特性预测装置,其中,
4.根据权利要求3所述的特性预测装置,其中,
5.根据权利要求1至4中任一项所述的特性预测装置,其中,
6.根据权利要求1至5中任一项所述的特性预测装置,其中,
7.根据权利要求1至6中任一项所述的特性预测装置,其中,
8.根据权利要求1至7中任一项所述的特性预测装置,其中,
9.根据权利要求1至7中任一项所述的特性预测装置,其中,
10.一种特性预测方法,其是由计算机预测由多个原料分类构成的复合材料的特性的特性预测方法,包括下述步骤:
11.一种程序,其使预测由多个原料分类构成的复合材料的特性的计算机执行下述步骤:
【技术特征摘要】
【国外来华专利技术】
1.一种特性预测装置,其预测由多个原料分类构成的复合材料的特性,包括:
2.根据权利要求1所述的特性预测装置,其中,
3.根据权利要求1或2所述的特性预测装置,其中,
4.根据权利要求3所述的特性预测装置,其中,
5.根据权利要求1至4中任一项所述的特性预测装置,其中,
6.根据权利要求1至5中任一项所述的特性预测装置,其中,
7....
【专利技术属性】
技术研发人员:角田皓亮,南拓也,青沼直登,竹本真平,高仁子,奥野好成,
申请(专利权)人:株式会社力森诺科,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。