JP2020147473A - 黒鉛材料の製造支援方法 - Google Patents

Abstract

【課題】経験則のみに頼ることなく、炭素質材料の配置が適切であるか否かを判断する。【解決手段】形状、材質または大きさの異なる複数の炭素質材料をアチェソン炉で黒鉛化し、黒鉛材料を得る黒鉛化工程の黒鉛材料の製造支援方法であって、前記黒鉛材料の製造支援方法は、学習済みの学習器に前記複数の炭素質材料の配置図及び通電パターンからなる黒鉛化工程の条件を入力するステップと、前記学習器が演算処理を実施し、前記黒鉛化工程の条件によって得られるクラックの発生場所を予測するステップと、からなる。【選択図】図３

Description

本発明は、黒鉛材料の製造支援方法に関する。

黒鉛材料等に対し、目的の特性を得るために３０００℃前後の高温での黒鉛化処理が行われる。黒鉛材料からなる成形体は一定の大きさを有しているため、成形体をパッキングコークス中に埋設して、直接通電するアチェソン炉などの黒鉛化炉が用いられている。このような電力で加熱する黒鉛化炉は、材料そのものや、材料の周りを覆うパッキングコークスの抵抗によって加熱する。

特許文献１には、アチェソン炉により円柱状素材を黒鉛化する工程において、素材間に炭素質部材を設置し、パッキングコークス層の厚さを略均一にすることを特徴とする黒鉛材の製造方法が記載されている。

特開２０００−２８１４４４号公報

しかしながら、上記特許文献１に記載された黒鉛材料の製造方法は、同一形状の成形体（炭素質材料）を繰り返し配置する場合には適用が容易であるが、様々な形状の成形体を混載する場合には適用が困難であり、適切な配置はこれまで経験的に決定されていた。しかし、近年は、黒鉛材料の用途、生産量とも増加し、製品のグレードや形状が多岐にわたるようになり、限られた経験則のみで成形体（炭素質材料）の配置を決めることが難しくなる傾向にある。

本発明は、こうした事情に鑑みてなされたものであり、その目的は、経験者の経験則のみに頼ることなく、黒鉛化する炭素質材料の配置が適切であるか否かを判断することができる黒鉛材料の製造支援方法を提供することにある。

上記課題を解決するための黒鉛材料の製造支援方法は、形状、材質または大きさの異なる複数の炭素質材料をアチェソン炉で黒鉛化し、黒鉛材料を得る黒鉛化工程の黒鉛材料の製造支援方法であって、前記黒鉛材料の製造支援方法は、学習済みの学習器に前記複数の炭素質材料の配置図及び通電パターンからなる黒鉛化工程の条件を入力するステップと、前記学習器が演算処理を実施し、前記黒鉛化工程の条件によって得られるクラックの発生場所を予測するステップと、からなることを要旨とする。

上記構成によれば、経験者の経験則のみに頼ることなく、炭素質材料の配置が適切であるか否かを判断することができる。また、予測を受けて修正でき黒鉛化処理におけるクラックの発生を抑制できるため、黒鉛材料の好適な製造を支援することができる。

本発明の黒鉛材料の製造支援方法について、上記配置図は、２次元配置図であることが好ましい。上記構成によれば、電子化されていない紙ベースのデータも利用でき、多くの配置図とその結果を取得し蓄積することができる。

本発明の黒鉛材料の製造支援方法について、上記配置図は、３次元配置図であることが好ましい。上記構成によれば、炭素質材料の３次元配置図を用いて、クラックの発生場所を予測するステップを精度良く行うことができる。

本発明の黒鉛材料の製造支援方法は、前記３次元配置図を２次元化するステップをさらに有することが好ましい。上記構成によれば、３次元配置図を２次元化することにより、３次元配置図のデータと、２次元配置図のデータを組み合わせ、より精度を高めることができる。

本発明の黒鉛材料の製造支援方法は、上記複数の炭素質材料を材質ごとに色分けして配置図に表示することが好ましい。材質ごとに色分けして配置図に表示することにより、学習器及び人が、材質の異なることを容易に識別することができる。

本発明の黒鉛材料の製造支援方法について、上記学習器が、上記黒鉛化工程におけるクラックの発生場所の予測に基づいて、可否判断するステップをさらに有することが好ましい。上記構成によれば、配置図の可否判断をより客観的に行うことができるため、可否判断の誤差を少なくすることができる。

本発明の黒鉛材料の製造支援方法について、上記黒鉛化工程の条件で得られたクラックの発生場所の情報を上記学習器に学習させる蓄積ステップをさらに有することが好ましい。上記構成によれば、クラックの発生を推定する精度を向上させることができる。

本発明の黒鉛材料の製造支援方法について、上記学習器は、ニューラルネットワークで構成されることが好ましい。上記構成によれば、黒鉛化工程に影響すると考えられる因子以外にも予測に反映させることができる。

本発明の黒鉛材料の製造支援方法によれば、経験則のみに頼ることなく、炭素質材料の配置が適切であるか否かを判断することができる。

アチェソン炉による黒鉛化工程の一例を説明する図。 アチェソン炉内に配置される炭素質材料の一例を説明する斜視図。 （ａ）〜（ｅ）は、図２に記載された炭素質材料の配置の６面図である２次元配置図。 学習装置のハードウェア構成を示す図。 黒鉛材料の製造支援方法のフローチャート。

以下、黒鉛材料の製造支援方法の一実施形態を説明する。
黒鉛材料は、放電加工用電極や耐熱材料、半導体製造装置用部品の素材として用いられる。このため、用途に対応して、円柱状、角柱状、平板状等の様々な形状のブロックが製造される。様々な形状の黒鉛材料は、以下に示す製造工程を経ることによって製造される。

黒鉛材料の製造工程は、原材料である粉砕されたコークスと、バインダを混練したのち再度粉砕し原料粉を製造する原料工程、原料工程で得られた原料粉を所定の形状の成形体に成形する成形工程、上記成形体を焼成し炭素質材料を得る焼成工程、上記炭素質材料を２０００〜３０００℃程度の高温で黒鉛化する黒鉛化工程とからなる。

原料工程では、使用するコークスの硬さ、仮焼温度、成分、コークスの粒度分布、粉砕後の粒度分布、バインダの軟化点、成分、混練の程度を設定し様々なグレードの黒鉛材料を作り分けることができる。グレードに応じて、この後の好ましい製造条件は異なる。このため、グレードごとに異なる条件で製造することが望ましい。

成形工程では、所定の形状の黒鉛材料を得るためにプレス成形を実施する。プレス成形の方法は特に限定されないが、型押し成形、押出し成形、冷間等方加圧成形（以下、「ＣＩＰ」ともいう。）などが利用できる。中でもＣＩＰ成形では、ゴムバックを使用して成形し、高い圧力が得られるので、緻密で様々なサイズ、形状の等方性黒鉛材料を得ることができる。

焼成工程を行う焼成炉は特に限定されず、公知の焼成炉を適宜採用することができる。焼成工程では、成形工程で得られた成形体を焼成し、揮発分を除去し、硬い炭素質材料を得ることができる。焼成の温度は、特に限定されないが６００〜１５００℃まで加熱することにより成形体に含まれる有機成分、水素などを揮発させ、セラミック化する。また、焼成後の炭素質材料にピッチ等を含浸して、再度焼成を行う再焼成工程を有していてもよい。

黒鉛化工程では、焼成工程で得られた炭素質材料に熱を加え、黒鉛の結晶発達を促進させる。黒鉛化工程では焼成工程の温度より高い温度まで加熱させる。黒鉛化工程は、クラックの発生しやすい工程であり、昇温速度が速すぎると、素材の内部に温度差、熱歪みが生じクラックの原因となる。

図１に示すように、黒鉛化工程は、アチェソン炉１０を用いて行われる。アチェソン炉１０は、耐火煉瓦壁に囲われたプール状の炉壁１１と、炉壁１１の一端に取り付けられた電極１３とを備える。炉壁１１の内側には、カーボンブラックなどのライニング１２が設けられている。炭素質材料２０を、アチェソン炉１０内に複数配置し、炭素質材料２０の周りにパッキングコークス１４を充填する。電極１３間を通電して、炭素質材料２０及びパッキングコークス１４を発熱させることにより、複数の炭素質材料２０を同時に黒鉛化することができる。黒鉛化の温度は特に限定されないが、例えば、２０００〜３０００℃で行うことができる。２０００〜３０００℃に加熱することにより、炭素質材料２０中の黒鉛結晶を成長させて黒鉛材料を製造することができる。なお、図１では、便宜上、炭素質材料２０がパッキングコークス１４から露出した状態を示している。

図２に示すように、本実施形態の黒鉛化工程では、形状、材質または大きさの異なる複数の炭素質材料を、アチェソン炉内に配置して同時に焼成して黒鉛化する。炭素質材料の形状としては、例えば、円柱状２０ａ、角柱状２０ｂ、平板状等の形状が挙げられる。炭素質材料の材質とは、例えば、黒鉛材料のグレードを作り分けるため、原材料であるコークス、コークスの粒子径、混練方法、配合比をグレードに応じて作り分けた製造段階における炭素質材料の特徴である。材質が異なるとは、気孔率、かさ密度、硬度、固有抵抗などが異なることを示し、黒鉛化工程を経て最終的にそれぞれの材質に対応する黒鉛材料のグレードとなる。

ここで、アチェソン炉の高さ方向に沿う方向を上下方向ＤＺ、アチェソン炉の長手方向に沿う方向を前後方向ＤＹ、アチェソン炉の幅方向に沿う方向を左右方向ＤＸとする。
本実施形態の黒鉛材料の製造支援方法は、黒鉛化工程を行う際のアチェソン炉内の炭素質材料について、配置が適切であるか否かを判断する。具体的には、黒鉛化を行った際に、炭素質材料にクラックが発生するか否か及びその場所を推定する。

黒鉛材料の製造支援方法は、学習器が、以下に示す黒鉛化工程の条件を入力するステップと、クラックの発生場所を予測するステップと、を実行することによって行われる。以下、各ステップについて説明する。

（黒鉛化工程の条件を入力するステップ）
黒鉛化工程の条件を入力するステップは、学習器が、形状、材質または大きさの異なる複数の炭素質材料のアチェソン炉における配置図、通電パターンを取得するステップである。

図３（ａ）〜（ｅ）に示すように、配置図は、炭素質材料の配置を複数の方向から見た２次元配置図２１で構成される。複数の方向としては、例えば、アチェソン炉の上下方向ＤＺ、前後方向ＤＹ、左右方向ＤＸの３方向が挙げられ、３方向の両側から見た合計６種類の２次元配置図２１で構成される。これらの中でも、特にクラックの発生場所の予測に関しては、上下方向ＤＺ、前後方向ＤＹが重要である。

具体的には、図３（ａ）は、上下方向ＤＺの上方から見た２次元配置図２１ａを示す。図３（ｂ）は、上下方向ＤＺの下方から見た２次元配置図２１ｂを示す。図３（ｃ）は、左右方向ＤＸの左方から見た２次元配置図２１ｃを示す。図３（ｄ）は、前後方向ＤＹの後方から見た２次元配置図２１ｄを示す。図３（ｅ）は、前後方向ＤＹの前方から見た２次元配置図２１ｄを示す。ここで、本実施形態のように、左右方向ＤＸにおいて２次元配置図が対称になる場合、片方の２次元配置図を兼用してもよい。

また、当該２次元配置図に基づいて炭素質材料が炉詰めされたアチェソン炉に対応する通電パターンも同時に取得する。通電パターンとは、アチェソン炉に与えられるスタートからの電力変化であり、横軸が通電開始からの時間、縦軸が電力である。また電力を時間で積分すると、アチェソン炉に投入された電力量となる。また、横軸は温度であってもよい。

判断の必要な２次元配置図は、アチェソン炉内において局所的に電流密度が高くなり、局所的に発熱することがないように、各炭素質材料がバランス良く配置されるように考慮して作成される。また、炉詰め効率がより高くなるように考慮して作成する。２次元配置図は、複数の炭素質材料の形状を厳密に再現したものである必要はなく、ある程度簡略化して作成することができる。また、各炭素質材料を材質ごとに着色して表示したり、部材名称や品番を記載したりして、各炭素質材料の視認性を向上させてもよい。２次元配置図は、紙面上に作成してもよいし、学習器内で作成してもよい。２次元配置図を紙面上に作成した場合、学習器は、紙面を読み取ることによって、２次元配置図を取得することができる。２次元配置図を学習器内で作成した場合、学習器は、２次元配置図を直接取得することができる。

図２に示すように、２次元配置図は、事前に配置構成の３次元モデル図をもとに作成されてもよい。すなわち、一旦配置構成の３次元モデル図を作成したうえで、この３次元モデル図を平面に投影し、２次元配置図を作成してもよい。３次元モデル図は、例えば、３Ｄ描画ソフトを用いて作成することができ、３Ｄ描画データを用いて２次元配置図を作成してもよい。３次元モデル図は、あくまで、２次元配置図の参考に用いられるため、各炭素質材料の形状が簡略化されていてもよい。３次元モデル図を参考にすることにより、２次元配置図を作成することが容易になる。３次元モデル図を作成することなく、直接２次元配置図を作成してもよい。

（クラックの発生場所を予測するステップ）
クラックの発生場所を予測するステップは、炭素質材料をアチェソン炉で黒鉛化した際のクラック発生の有無及びその場所を推定するための学習済みの学習器に、炭素質材料の２次元配置図を入力し、学習器の演算処理を実行することで、２次元配置図及び通電パターンに従って黒鉛化した際のクラックの発生場所を予測するステップである。

ここで学習済みの学習器とは、どのようなアルゴリズムに基づいて予測するものであってもよい。たとえば、多変量解析や、ニューラルネットワークによる統計解析などが利用できる。

学習済みの学習器は、機械学習により学習してもよい。ここで、「機械学習」とは、学習データに潜むパターンを学習器により見つけ出すことを意味するものとする。「学習器」は、そのような機械学習により所定のパターンを識別する能力を獲得可能な学習モデルにより構築される。この学習器の種類は、２次元配置図に基づいて、炭素質材料をアチェソン炉で黒鉛化した際のクラック発生の発生場所を予測する能力を学習可能であれば、特に限定されない。「学習済みの学習器」は、「識別器」又は「分類器」と称してもよい。

学習器は、炭素質材料の２次元配置図を基に３次元配置図を作成し３次元配置図で演算処理してもよいし、３次元配置図を基に２次元配置図を作成し２次元配置図で演算処理してもよい。例えば、学習装置は、炭素質材料の２次元配置図と、この２次元配置図に従って対応する通電パターンで黒鉛化した際のクラック発生の有無を示す情報とに基づいて機械学習を行ったものである。クラック推定ステップによる結果は、例えば、学習器の出力装置に出力される。

（可否判断ステップ）
可否判断ステップは、コンピュータが、クラックの発生場所の予測ステップの結果に基づいて、２次元配置図の可否を判断するステップである。言い換えれば、２次元配置図に基づいて黒鉛化工程を行うことが可能か否かの可否を判定するステップである。

（蓄積ステップ）
蓄積ステップは、クラック推定ステップを経た配置構成で黒鉛化した黒鉛材料について、クラック発生場所の結果を確認し、その結果を、学習器が学習するステップである。クラック発生場所は、例えば画像データとして確認することができる。クラック発生の有無を確認する方法は特に限定されず、目視確認し、二次元配置図に転記することでも実施することができる。

学習器について説明する。
学習器のハードウェア構成について説明する。
図４に示すように、学習器３０は、演算装置３１、記憶装置３２、入力装置３４、出力装置３５、及び、モニタ３６が、電気的に接続されて構成されている。

演算装置３１は、ハードプロセッサであるＣＰＵ、ＲＡＭ、ＲＯＭ等を含み、プログラム及びデータに基づいて各種情報処理を実行するように構成される。記憶装置３２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。記憶装置３２は、演算装置３１で実行される学習プログラム、学習器の機械学習に利用する学習データ、学習プログラムを実行して作成した学習結果データ等を記憶する。

学習プログラムとしては、後述する機械学習の処理を学習器３０に実行させ、当該機械学習の結果として学習結果データを生成させるための命令を含むプログラムである。学習データは、２次元配置図に従って黒鉛化した際のクラック発生場所を予測する能力を獲得するように学習器の機械学習を行うためのデータである。

学習器３０を構成する機器は、専用ケーブルを用いて相互に接続されていてもよいし、通信インタフェースを用いて接続されていてもよい。通信インタフェースは、例えば、有線ＬＡＮモジュール、無線ＬＡＮモジュール等であり、ネットワークを介した有線又は無線通信を行うためのインタフェースである。

本発明において入力装置３４は、例えば、スキャナ、カメラ等の配置図を入力可能な装置である。また、出力装置３５は、例えば、プリンタ等の結果の出力を行うための装置である。なお、モニタ３６でも出力することができる。作業者は、出力装置３５またはモニタ３６、及び入力装置３４を介して、学習器３０を操作することができる。

なお、学習器３０の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、演算装置３１は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、ＦＰＧＡ（field-programmable gate array）等で構成されてもよい。学習器３０は、複数台の情報処理装置で構成されてもよい。また、学習器３０は、提供されるサービス専用に設計された情報処理装置の他、汎用のサーバ装置、コンピュータ等であってもよい。学習器３０を構成する各装置は、内部に他の装置を含んでいてもよい。例えば演算装置３１が記憶装置３２を内蔵していてもよい。

学習器３０の演算装置３１は、記憶装置３２に記憶された学習プログラムを実行する。
入力装置３４は、アチェソン炉内の複数の炭素質材料の配置図及び通電パターン、当該配置図、通電パターンに従って黒鉛化処理を行った際の炭素質材料のクラックの発生場所を示す情報の組を学習データとして取得する。具体的には、学習器３０は、２次元配置図を入力データとして利用する。また、クラックの発生場所が教師データ（正解データ）として利用される。すなわち、学習器３０は、入力データである２次元配置図と、正解データである２次元配置図に従って黒鉛化した際のクラック発生場所の情報とに基づいて機械学習を行ったものである。演算装置３１は、２次元配置図を入力するとクラック発生場所に対応する出力値を出力するように構成されている。

本実施形態において、機械学習の対象となる学習器は、例えばニューラルネットワークで構成される。特に画像の場合、コンボリューションニューラルネットワークで構成される。構成要素は大きく分けて２つのパートに分けることができる。１つ目は、画像を読み込み、畳み込みやプーリングによって特徴マップを作成する特徴量抽出パートであり、２つ目は、全結合層を繰り返すことで最終的な出力を得る識別パートである。畳み込みとは、ウィンドウの数値データとカーネルの積の和により1つの数値を計算する処理を、ウィンドウを少しずつずらしながら全ての要素に対して行い、最終的にテンソルに変換する処理のことである。プーリングとは、ウィンドウの数値データから1つの数値を作り出す処理であり、画像の縮小が行える。全結合層とは、特徴が抽出された画像データを一つのノードに結合し、活性化関数によって変換された特徴変数を出力する。

黒鉛材料の製造支援方法の手順について説明する。
図５に、フローチャートを示す。
（ステップＳ１０１）
ステップＳ１０１は、配置図及び通電パターンを入力するステップである。学習器は、アチェソン炉内に配置する炭素質材料の配置図を取得する。配置図は、例えば、３次元配置図で構成され、あるいはアチェソン炉の上下方向、前後方向、左右方向の各両側から見た合計６種類の２次元配置図２１を基に作成される。

（ステップＳ１０２）
ステップＳ１０２は、配置図を３次元から２次元化し、２次元配置図を用いて演算処理を実行することで、黒鉛化した際のクラック発生場所を予測するステップである。具体的には、ニューラルネットワークの演算処理により、黒鉛化した際のクラック発生場所を予測する。

（ステップＳ１０３）
ステップＳ１０３は、可否判断ステップである。学習器が、クラックの予測ステップの結果に基づいて黒鉛化工程を行うことが可能か否かの可否を判定する。なおステップS１０３は省略してもよい。

可否判断ステップが、黒鉛化工程を行うことができないという「ＮＧ」の判定をした場合、作業者は改めて別の配置図を作成し、学習器は、ステップＳ１０１に戻って、再度、別の配置図を取得する。

可否判断ステップが、黒鉛化工程を行うことができるという「ＯＫ」の判定をした場合、配置図及び通電パターンに基づいて操炉し、黒鉛化工程を行う。
（ステップＳ１０４）
ステップＳ１０４は、学習器に学習させるステップである。操炉の終了したアチェソン炉内の黒鉛材料のクラックが発生場所を学習器にさらに学習させる。学習の方法は、配置図にクラックの発生場所をマーキングし入力してもよいし、アチェソン炉内部のパッキング材を取り除いた後、写真を撮影し画像認識させてもよい。

本実施形態の作用及び効果について記載する。
（１）形状、材質または大きさの異なる複数の炭素質材料をアチェソン炉で黒鉛化し、黒鉛材料を得る黒鉛化工程の黒鉛材料の製造支援方法である。黒鉛材料の製造支援方法は、学習済みの学習器に複数の炭素質材料の配置図及び通電パターンからなる黒鉛化工程の条件を入力するステップと、学習器が演算処理を実施し、黒鉛化工程の条件によって得られるクラックの発生場所を予測するステップと、からなる。

したがって、経験者の経験則のみに頼ることなく、炭素質材料の配置が適切であるか否かを判断することができる。また、予測を受けて修正でき黒鉛化処理におけるクラックの発生を抑制できるため、黒鉛材料の好適な製造を支援することができる。

（２）上記配置図は、２次元配置図である。したがって、３次元化されていないデータも扱うことができ、多くの配置図を取得することができる。
（３）上記配置図は、３次元配置図である。したがって、炭素質材料の３次元配置図を用いて、クラックの発生場所を予測するステップを精度良く行うことができる。

（４）学習器は、クラック推定ステップにおいて、３次元配置図を２次元化する。したがって、２次元配置図を３次元化することにより、３次元配置図のデータと、２次元配置図のデータを組み合わせよりクラック発生場所の予測をより精度良く推定することができる。

（５）本発明の黒鉛材料の製造支援方法は、上記複数の炭素質材料を材質ごとに色分けして配置図に表示する。したがって、材質ごとに色分けして配置図に表示することにより、学習器及び人が、材質の異なることを容易に識別することができる。

（６）学習器が、上記黒鉛化工程におけるクラックの発生場所の予測に基づいて、可否判断するステップをさらに有する。したがって、配置図の可否判断をより客観的に行うことができるため、可否判断の誤差を少なくすることができる。

（７）学習器は、通電パターン、配置図で操炉して得られた黒鉛材料におけるクラック発生場所を示す情報を学習器に学習させる蓄積ステップを実行する。したがって、クラック発生の有無を推定する精度を向上させることができる。

（８）本発明の黒鉛材料の製造支援方法について、上記学習器は、ニューラルネットワークを備える。したがって、上記構成によれば、黒鉛化工程に影響すると考えられる因子以外にも予測に反映させることができる。

本実施形態は、次のように変更して実施することも可能である。また、上記実施形態の構成や以下の変更例に示す構成を適宜組み合わせて実施することも可能である。
本実施形態では、配置図取得ステップにおいて、上下方向、前後方向、左右方向の３方向の両側から見た６種類の２次元配置図を取得していたが、この態様に限定されない。クラック推定ステップにおける精度を考慮して、取得する２次元配置図の種類を７種類以上にしてもよいし、６種類未満にしてもよい。

本実施形態では、機械学習を行った学習済みの学習器を用いて、クラック発生の有無を推定していたが、クラック発生以外の不具合の有無を推定してもよい。クラック発生以外の不具合としては、例えば、変形や物性不良等が挙げられる。変形や物性不良等の有無を推定する場合には、炭素質材料をアチェソン炉で黒鉛化した際の変形や物性不良等の有無を推定するための機械学習を行った学習済みの学習器を用いればよい。また、クラック発生の有無を推定することに代えて、クラックの数や長さを推定してもよい。黒鉛材料において物性不良の発生原因の１つに黒鉛化の処理温度がある。このため、黒鉛化工程の条件からクラックを予測する学習器を用い、得られた黒鉛材料の物性を同様に入力することにより処理温度に由来する物性不良の発生を予測することができる。

蓄積ステップは、省略されていてもよい。すなわち、クラック発生の有無を確認した結果を、学習器にさらに学習させて蓄積するステップを行わなくてもよい。
本実施形態では、可否判断ステップにおける可否判断をコンピュータが行っていたが、この態様に限定されない。例えば、クラック推定ステップの結果を基に、作業者が可否判断を行ってもよい。

また、本発明の製造支援方法は焼成工程にも適用することができ、クラックの発生場所を予測することも可能である。

１０…アチェソン炉、２０…炭素質材料。

Claims (8)

1. 形状、材質または大きさの異なる複数の炭素質材料をアチェソン炉で黒鉛化し、黒鉛材料を得る黒鉛化工程の黒鉛材料の製造支援方法であって、
   前記黒鉛材料の製造支援方法は、学習済みの学習器に前記複数の炭素質材料の配置図及び通電パターンからなる黒鉛化工程の条件を入力するステップと、
   前記学習器が演算処理を実施し、前記黒鉛化工程の条件によって得られるクラックの発生場所を予測するステップと、
   からなることを特徴とする黒鉛材料の製造支援方法。
2. 前記配置図は、２次元配置図であることを特徴とする請求項１に記載の黒鉛材料の製造支援方法。
3. 前記配置図は、３次元配置図であることを特徴とする請求項１に記載の黒鉛材料の製造支援方法。
4. 前記黒鉛材料の製造支援方法は、前記３次元配置図を２次元化するステップをさらに有することを特徴とする請求項３に記載の黒鉛材料の製造支援方法。
5. 前記黒鉛材料の製造支援方法は、前記複数の炭素質材料を材質ごとに色分けして配置図に表示することを特徴とする請求項１〜４のいずれか１項に記載の黒鉛材料の製造支援方法。
6. 前記黒鉛材料の製造支援方法は、前記学習器が、前記黒鉛化工程におけるクラックの発生場所の予測に基づいて、可否判断するステップをさらに有することを特徴とする請求項１〜５のいずれか１項に記載の黒鉛材料の製造支援方法。
7. 前記黒鉛材料の製造支援方法は、前記黒鉛化工程の条件で操炉して得られたクラックの発生場所の情報を前記学習器に学習させる蓄積ステップをさらに有することを特徴とする請求項１〜６のいずれか１項に記載の黒鉛材料の製造支援方法。
8. 前記学習器は、ニューラルネットワークで構成されることを特徴とする請求項１〜７のいずれか１項に記載の黒鉛材料の製造支援方法。