JP7272582B2 - Similar material search system, test equipment and computer program - Google Patents

Similar material search system, test equipment and computer program Download PDF

Info

Publication number
JP7272582B2
JP7272582B2 JP2019095086A JP2019095086A JP7272582B2 JP 7272582 B2 JP7272582 B2 JP 7272582B2 JP 2019095086 A JP2019095086 A JP 2019095086A JP 2019095086 A JP2019095086 A JP 2019095086A JP 7272582 B2 JP7272582 B2 JP 7272582B2
Authority
JP
Japan
Prior art keywords
data
shape
parameter
processor
stress
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.)
Active
Application number
JP2019095086A
Other languages
Japanese (ja)
Other versions
JP2020190863A (en
Inventor
佑樹 山本
圭介 長藤
隆之 長
玲於奈 伊藤
隆嘉 仁保
政之 中尾
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.)
University of Tokyo NUC
UACJ Corp
Original Assignee
University of Tokyo NUC
UACJ Corp
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 University of Tokyo NUC, UACJ Corp filed Critical University of Tokyo NUC
Priority to JP2019095086A priority Critical patent/JP7272582B2/en
Publication of JP2020190863A publication Critical patent/JP2020190863A/en
Application granted granted Critical
Publication of JP7272582B2 publication Critical patent/JP7272582B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本開示は、類似材料検索システム、試験装置およびコンピュータプログラムに関する。 The present disclosure relates to a similar material search system, testing apparatus and computer program.

多種多様な工業材料が様々な技術分野で用いられている。工業材料は、種々の規格（例えば、ＪＩＳ、ＡＳＴＭ）に従って分類・試験されるが、個々の製品の特性は、種々の要因（組成、製造プロセス、製造条件（例えば、温度・時間）など）で多様化する。したがって、要求される特性に最も適合する材料を選択または開発することは容易ではない。また、工業的には、特性だけでなく、コストや供給安定性、製品寿命なども、材料選択のポイントとなり得る。 A wide variety of industrial materials are used in various technical fields. Industrial materials are classified and tested according to various standards (e.g., JIS, ASTM), but the characteristics of individual products are affected by various factors (composition, manufacturing process, manufacturing conditions (e.g., temperature and time), etc.). Diversify. Therefore, it is not easy to select or develop materials that best match the required properties. Moreover, from an industrial point of view, not only characteristics but also cost, supply stability, product life, etc. can be points of material selection.

これまで、材料の選択や開発は、主に経験に基づいて行われていたが、近年、コンピュータを利用する材料探索技術の開発が進められている。 Until now, the selection and development of materials have been mainly based on experience, but in recent years, the development of material search techniques using computers has advanced.

機械・構造部品に用いられる材料の代表的な力学特性（機械特性ともいう。）は、例えば、規格に準拠した引張試験によって得られる応力－ひずみ曲線に基づいて得られる。応力－ひずみ曲線は、材料の組成および製造プロセス、製造条件、試験条件などによって異なる形状を示す。応力－ひずみ曲線から、弾性率（ヤング率）、降伏点、引張強さ、耐力および伸びなどの力学特性が得られる。 Typical mechanical properties (also referred to as mechanical properties) of materials used for mechanical and structural parts can be obtained, for example, based on stress-strain curves obtained by tensile tests in compliance with standards. The stress-strain curve exhibits different shapes depending on the material composition, manufacturing process, manufacturing conditions, test conditions, and the like. Stress-strain curves provide mechanical properties such as elastic modulus (Young's modulus), yield point, tensile strength, yield strength and elongation.

特許文献１は、鋼板の真応力－真塑性ひずみ曲線に基づいて、鋼の伸び、降伏強さおよび引張強さなどの材料パラメータを同定する方法を開示している。真応力－真塑性ひずみ曲線は、鋼板の引張試験により得られた公称応力－公称ひずみ曲線を加工して取得される。 Patent Document 1 discloses a method of identifying material parameters such as elongation, yield strength and tensile strength of steel based on the true stress-true plastic strain curve of the steel plate. A true stress-true plastic strain curve is obtained by processing a nominal stress-nominal strain curve obtained by a tensile test of a steel plate.

特許文献１に開示された方法では、先ず、公称応力－公称ひずみ曲線が公称応力－公称塑性ひずみ曲線に変換される。次に、鋼材の伸びが下限の限界値に一致するように、公称応力－公称塑性ひずみ曲線は水平方向に圧縮され、かつ、鋼材の降伏強さおよび引張強さが下限の限界値に一致するように、公称応力－公称塑性ひずみ曲線は垂直方向に圧縮される。鋼材の伸び、降伏強さおよび引張強さの限界値は、正規分布における平均値および標準偏差に基づいて算出される。次に、加工された公称応力－公称塑性ひずみ曲線は、真応力－真塑性ひずみ曲線に変換される。最後に、真応力－真塑性ひずみ曲線を、強度シミュレーションに用いる関数（例えばＳｗｉｆｔの式）にフィッティングすることにより材料パラメータが決定される。 In the method disclosed in Patent Document 1, first, the nominal stress-nominal strain curve is converted into a nominal stress-nominal plastic strain curve. The nominal stress-nominal plastic strain curve is then horizontally compressed so that the elongation of the steel meets the lower limit, and the yield strength and tensile strength of the steel meet the lower limit. As such, the nominal stress-nominal plastic strain curve is vertically compressed. Limit values for elongation, yield strength and tensile strength of steel are calculated based on the mean and standard deviation in a normal distribution. The processed nominal stress-nominal plastic strain curve is then converted to a true stress-true plastic strain curve. Finally, material parameters are determined by fitting the true stress-true plastic strain curve to a function (eg, Swift's equation) used for strength simulation.

特開２００３－３５６４２号公報JP-A-2003-35642

材料の製造メーカは、例えば、ＪＩＳ規格に従って、材料を分類し、それぞれについて試験データを蓄積している。例えばアルミニウム合金（以降、「アルミ合金」と表記する。）は、例えばＪＩＳ規格の材質記号に基づいて、Ａ１０００系、Ａ２０００系、Ａ３０００系、Ａ４０００系、Ａ５０００系、Ａ６０００系、Ａ７０００系に分類される。また、各アルミ合金について、例えばＪＩＳ規格に準拠した引張試験が行われ、応力－ひずみ曲線などの試験データが蓄積されている。 Material manufacturers, for example, classify materials according to JIS standards and accumulate test data for each material. For example, aluminum alloys (hereinafter referred to as "aluminum alloys") are classified into A1000 series, A2000 series, A3000 series, A4000 series, A5000 series, A6000 series, and A7000 series based on the material symbols of JIS standards. be. In addition, each aluminum alloy is subjected to a tensile test conforming to JIS standards, for example, and test data such as a stress-strain curve are accumulated.

それぞれの合金系統は、引張強さ、耐力、伸びなど、特徴的な力学特性を示すことが知られている。しかしながら、個別の製品の力学特性は、アルミ合金の組成が同じであっても、製造プロセスや製造条件（例えば、熱処理の温度または時間）によって異なり得る。このように数多く存在する製品の中から、求められる特性等（力学特性だけでなく、コストや供給安定性、製品寿命などを含む。）が最適な製品を効率的に選択することは容易ではない。このような問題は、アルミ合金に限られず、他の合金材料、または高分子材料など、さまざまな材料についても存在している。 Each alloy system is known to exhibit characteristic mechanical properties such as tensile strength, yield strength, and elongation. However, the mechanical properties of individual products may differ depending on the manufacturing process and manufacturing conditions (eg, heat treatment temperature or time) even if the composition of the aluminum alloy is the same. It is not easy to efficiently select the most suitable product for required characteristics (including not only mechanical characteristics but also cost, supply stability, product life, etc.) from among such a large number of products. . Such problems are not limited to aluminum alloys, but also exist in various materials such as other alloy materials and polymer materials.

本発明は、上記の課題に鑑みてなされたものであり、その目的は、多数の応力－ひずみ曲線を蓄積したデータベースを、最適なデータ解析アルゴリズムを用いて検索することにより、最適材料の選択または新規な材料の開発を支援することが可能となる類似材料検索システムを提供することにある。 The present invention has been made in view of the above problems, and its object is to search a database that stores a large number of stress-strain curves using an optimal data analysis algorithm, so that an optimal material can be selected or An object of the present invention is to provide a similar material retrieval system capable of supporting the development of new materials.

本開示の類似材料検索システムは、非限定的で例示的な実施形態において、プロセッサと、前記プロセッサの動作を制御するプログラムを記憶するメモリと、それぞれが、材料に関連付けられており、応力－ひずみ曲線を表すＳＳデータを含む、複数の試験データを記憶した記憶装置と、を備え、前記プロセッサは、前記プログラムに従って、複数の材料特性パラメータの中から適宜選択される少なくとも１つの材料特性パラメータを、設計範囲を規定するための入力設計パラメータとして取得する取得ステップと、前記複数の試験データのうちの少なくとも２つの試験データに含まれる少なくとも２つのＳＳデータを前記記憶装置から読み出すリードステップと、前記少なくとも２つのＳＳデータのそれぞれによって表される応力－ひずみ曲線の形状を特徴付ける少なくとも１つの形状パラメータを含む、機械学習に用いる特徴量をＳＳデータ毎に決定する前処理ステップと、機械学習法を用いて、前記特徴量に基づいて前記少なくとも２つのＳＳデータをｋ個（ｋは２以上の整数）の類似群のうちの１つに割り当てることと、前記ｋ個の類似群のそれぞれにおいて、各類似群に割り当てられた少なくとも２つのＳＳデータの中から、前記入力設計パラメータが規定する前記設計範囲を満足する前記材料特性パラメータを有するターゲットの材料を検索することと、を含むプレ検索ステップと、前記ｋ個の類似群の中で、前記ターゲットの材料を検索できたｌ個（ｌはｋ以下の整数）の類似群のうちの、ユーザによって選択された類似群に割り当てられたＳＳデータに対応する材料を検索する検索ステップと、を実行する。 A similar material retrieval system of the present disclosure, in a non-limiting exemplary embodiment, includes a processor, a memory storing a program for controlling operation of the processor, each associated with a material, stress-strain a storage device storing a plurality of test data including SS data representing a curve, wherein the processor stores at least one material property parameter appropriately selected from among a plurality of material property parameters according to the program, an acquiring step of acquiring input design parameters for defining a design range; a reading step of reading from the storage device at least two pieces of SS data included in at least two pieces of test data among the plurality of pieces of test data; A preprocessing step of determining for each SS data a feature quantity to be used for machine learning, which includes at least one shape parameter that characterizes the shape of the stress-strain curve represented by each of the two SS data, and a machine learning method. , assigning the at least two pieces of SS data to one of k similarity groups (k is an integer equal to or greater than 2) based on the feature amount; and in each of the k similarity groups, each similarity group searching for a target material having said material property parameters satisfying said design range defined by said input design parameters from among at least two pieces of SS data assigned to , said k material corresponding to the SS data assigned to the similarity group selected by the user, out of the l similarity groups (l is an integer equal to or less than k) in which the target material could be retrieved among the similarity groups and a search step to search for .

本開示の例示的な実施形態は、多数の応力－ひずみ曲線を蓄積したデータベースを、最適なデータ解析アルゴリズムを用いて検索することにより、最適材料の選択または新規な材料の開発を支援することが可能となる新規な類似材料検索システムを提供する。 Exemplary embodiments of the present disclosure can assist in the selection of optimal materials or the development of new materials by searching a database of accumulated stress-strain curves using optimal data analysis algorithms. To provide a novel similar material retrieval system that becomes possible.

図１は、本開示の類似材料検索システムの概要を説明するためのブロック図である。FIG. 1 is a block diagram for explaining the outline of the similar material search system of the present disclosure. 図２は、データ処理装置２００のハードウェア構成例を示すハードウェアブロック図である。FIG. 2 is a hardware block diagram showing a hardware configuration example of the data processing device 200. As shown in FIG. 図３は、膨大な試験データを格納したデータベース３４０を有するクラウドサーバー３００の構成例を示すハードウェアブロック図である。FIG. 3 is a hardware block diagram showing a configuration example of a cloud server 300 having a database 340 storing a huge amount of test data. 図４は、プロセッサ２５０の機能を機能ブロック単位で示す機能ブロック図である。FIG. 4 is a functional block diagram showing functions of the processor 250 in units of functional blocks. 図５は、第１の実装例による処理手順を示すフローチャートである。FIG. 5 is a flow chart showing a processing procedure according to the first implementation example. 図６は、第１の実装例によるさらなる処理手順を示すフローチャートである。FIG. 6 is a flowchart illustrating further processing procedures according to the first implementation. 図７Ａは、一般的なＳＳカーブの形状の例を模式的に示す図である。FIG. 7A is a diagram schematically showing an example of the shape of a general SS curve. 図７Ｂは、一般的なＳＳカーブの形状の他の例を模式的に示す図である。FIG. 7B is a diagram schematically showing another example of the shape of a general SS curve. 図８は、表示装置２２０に表示された検索結果の表示例を示す模式図である。FIG. 8 is a schematic diagram showing a display example of search results displayed on the display device 220. As shown in FIG. 図９は、第２の実装例による算出ステップＳ３００の中の処理の具体例を示すフローチャートである。FIG. 9 is a flowchart showing a specific example of processing in the calculation step S300 according to the second implementation example. 図１０は、第３の実装例による処理手順を示すフローチャートである。FIG. 10 is a flow chart showing a processing procedure according to the third implementation example. 図１１は、表示装置２２０に表示されるＧＵＩ８００の表示例を示す図である。FIG. 11 is a diagram showing a display example of the GUI 800 displayed on the display device 220. As shown in FIG. 図１２は、実施例に用いた特徴量のリスト例を示す図である。FIG. 12 is a diagram showing an example of a list of feature amounts used in the example. 図１３は、主成分分析の結果を示す図である。FIG. 13 is a diagram showing the results of principal component analysis. 図１４は、第４の実装例による処理手順を示すフローチャートである。FIG. 14 is a flow chart showing a processing procedure according to the fourth implementation example. 図１５は、表示装置２２０に表示される検索結果の表示例を示す図である。FIG. 15 is a diagram showing a display example of search results displayed on the display device 220. As shown in FIG. 図１６は、実施形態２に係る試験装置６００の構成例を示す模式図である。FIG. 16 is a schematic diagram showing a configuration example of a test device 600 according to the second embodiment. 図１７は、データ処理装置７００に表示される測定結果の表示例を示す図である。FIG. 17 is a diagram showing a display example of measurement results displayed on the data processing device 700. As shown in FIG.

アルミ合金などの材料の開発過程において、多くの試作品が製造され、その材料特性が評価される。それぞれが、材料に関連付けられており、応力－ひずみ曲線を表すデータを含む、多数の試験データ（または評価データ）が、多くの試作品から取得される。例えば、多数の試験データは、社内のデータベースに一元管理される。本明細書において、応力－ひずみ（Ｓｔｒｅｓｓ－Ｓｔｒａｉｎ）曲線を「ＳＳカーブ」と記載し、応力－ひずみ曲線を表すデータを「ＳＳデータ」と記載する場合がある。ＳＳデータは、典型的には、「ひずみ」を示す数値の列に属する個々の数値に、「応力」を示す数値を関連づけた多数の数値配列またはテーブルのデータであり得る。ひずみを示すｘ軸および応力を示すｙ軸の２つの軸によって規定される２次元平面内にＳＳデータをプロットすることにより、ＳＳカーブをディスプレイまたは紙面上に描画することができる。 In the process of developing materials such as aluminum alloys, many prototypes are manufactured and their material properties are evaluated. A number of test data (or evaluation data) are obtained from a number of prototypes, each associated with a material and including data representing a stress-strain curve. For example, a large amount of test data is centrally managed in an in-house database. In this specification, the stress-strain (Stress-Strain) curve is referred to as "SS curve", and the data representing the stress-strain curve may be referred to as "SS data". The SS data can typically be a number of numerical arrays or table data in which individual numerical values belonging to a column of numerical values indicating "strain" are associated with numerical values indicating "stress". By plotting the SS data in a two-dimensional plane defined by two axes, the x-axis for strain and the y-axis for stress, the SS curve can be drawn on a display or on paper.

実際に製造されたアルミ合金の引張試験を行うことによって取得された多数の試験データが、製品ロット毎に存在し、それらは、試作品と同様に、データベースに一元管理され得る。このように、データベースは膨大な試験データを蓄積し、開発部門、製造部門および品質保証部門などに属する人々に利用可能となり得る。データベースに蓄積された膨大な試験データのそれぞれは、ＳＳデータ以外にも、試験データに関連付けられた材料の組成、製造条件および引張試験の条件などを含み得る。 A large amount of test data obtained by performing tensile tests on actually manufactured aluminum alloys exists for each product lot, and these data can be centrally managed in a database in the same way as for prototypes. In this way, the database accumulates a large amount of test data and can be made available to people in development, manufacturing, quality assurance, and the like. Each of the huge amount of test data accumulated in the database may include material composition, manufacturing conditions, tensile test conditions, etc. associated with the test data in addition to the SS data.

本願発明者の検討によれば、特に開発部門における個々の試験データの管理は、新たな材料を開発する研究者および開発者、技術者の個人管理に委ねられていることが多く、材料の組成、製造条件、引張試験の条件などの情報は、横並びに比較できる様式によってデータベース内に一元管理されているとは言えない。また、材料の組成、製造条件、引張試験の条件などの情報が一元管理されたとしても、組成および製造条件の組み合わせの種類が異なり得るために、全ての材料を横並びに完全に比較することは困難である。 According to the study of the inventor of the present application, the management of individual test data, especially in the development department, is often entrusted to the individual management of researchers, developers, and engineers who develop new materials. , manufacturing conditions, tensile test conditions, etc. cannot be said to be centrally managed in a database in a format that enables side-by-side comparison. In addition, even if information such as material composition, manufacturing conditions, and tensile test conditions are centrally managed, it is impossible to completely compare all materials side by side because the types of combinations of composition and manufacturing conditions may differ. Have difficulty.

このような課題に鑑み、本願発明者は、ＳＳカーブの形状そのものに何らかの潜在的な物理的意味が含まれていると仮説を立て、ＳＳカーブの形状を特徴付ける幾つかの形状パラメータが材料特性の識別に寄与することを見出すに至った。 In view of such problems, the inventor of the present application hypothesizes that the shape of the SS curve itself contains some latent physical meaning, and several shape parameters that characterize the shape of the SS curve are determined by the material properties. We have found that it contributes to identification.

本開示による類似材料検索システムによれば、最適材料の選択または新規な材料の開発に加え、最適材料に相当する相当材料または最適材料を代替する代替材料を一緒に検討することが可能となる。 According to the similar material search system according to the present disclosure, in addition to selecting the optimum material or developing a new material, it is possible to jointly consider equivalent materials corresponding to the optimum material or alternative materials that substitute for the optimum material.

以下、添付の図面を参照しながら、本開示の類似材料検索システム、試験装置およびコンピュータプログラムを詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明および実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。 Hereinafter, the similar material search system, testing apparatus, and computer program of the present disclosure will be described in detail with reference to the accompanying drawings. However, more detailed description than necessary may be omitted. For example, detailed descriptions of well-known matters and redundant descriptions of substantially the same configurations may be omitted. This is to avoid unnecessary verbosity in the following description and to facilitate understanding by those skilled in the art.

以下の実施形態は例示であり、本開示による類似材料検索システムおよび試験装置は、以下の実施形態に限定されない。例えば、以下の実施形態で示される数値、形状、材料、ステップ、そのステップの順序などは、あくまでも一例であり、技術的に矛盾が生じない限りにおいて種々の改変が可能である。また、技術的に矛盾が生じない限りにおいて、一の態様と他の態様とを組み合わせることが可能である。 The following embodiments are examples, and the similar material search system and testing device according to the present disclosure are not limited to the following embodiments. For example, numerical values, shapes, materials, steps, order of steps, and the like shown in the following embodiments are merely examples, and various modifications are possible as long as there is no technical contradiction. Moreover, it is possible to combine one aspect with another aspect as long as there is no technical contradiction.

図１は、本開示の類似材料検索システムの概要を説明するためのブロック図である。類似材料検索システム（以降、「検索システム」と表記する。）１０００は、複数の試験データを記憶したデータベース１００およびデータ処理装置２００を備える。類似材料検索システム１０００は、データベース１００に蓄積された膨大な試験データにアクセスして、所望の材料特性に類似する材料特性を有する最適材料、最適材料に相当する相当材料、または最適材料を代替する代替材料を検討するために用いられる設計支援ツールである。 FIG. 1 is a block diagram for explaining the outline of the similar material search system of the present disclosure. A similar material search system (hereinafter referred to as “search system”) 1000 includes a database 100 storing a plurality of test data and a data processing device 200 . The similar material search system 1000 accesses the vast amount of test data accumulated in the database 100 to find an optimum material having material properties similar to the desired material properties, a corresponding material corresponding to the optimum material, or a substitute for the optimum material. A design support tool used to explore alternative materials.

データベース１００は、半導体メモリ、磁気記憶装置または光学記憶装置などの記憶装置である。試験データは、ＳＳカーブを表すＳＳデータを取得することが可能な試験機を用いて材料試験を行うことにより得られるＳＳデータを含む。本明細書において、材料は、主として金属材料を指す用語である。材料試験は、引張試験、曲げ試験または圧縮試験を含む用語である。引張試験は、破断に至るまでのひずみを試験片に与えることによって力学特性を決定する材料試験である。試験片は規格によって規定される。本明細書中の実施形態では、金属材料としてアルミ合金を用い、材料試験として引張試験を例示する。ＳＳカーブは、アルミ合金のＳＳカーブである。アルミ合金のＳＳカーブは、公称応力－公称ひずみ曲線であってもよいし、真応力－真ひずみ曲線であってもよい。 The database 100 is a storage device such as a semiconductor memory, magnetic storage device, or optical storage device. The test data includes SS data obtained by conducting material tests using a testing machine capable of acquiring SS data representing an SS curve. As used herein, material is a term that primarily refers to metallic materials. Material testing is a term that includes tensile, bending or compression testing. A tensile test is a material test that determines mechanical properties by subjecting a specimen to strain up to failure. Specimens are defined by standards. In the embodiments of the present specification, an aluminum alloy is used as the metal material, and a tensile test is exemplified as the material test. An SS curve is an SS curve of an aluminum alloy. The SS curve of an aluminum alloy may be a nominal stress-nominal strain curve or a true stress-true strain curve.

個々の試験データは、材料に関連付けられている。試験データは、例えば、材料の組成、製造プロセス、製造条件および材料試験の条件などを含む材料の付随情報に関連付けられ得る。または、材料の付随情報は、試験データに関連付けられた状態で、試験データを蓄積するデータベースとは異なる別のデータベースに蓄積され得る。 Individual test data are associated with the material. The test data can be associated with material ancillary information including, for example, material composition, manufacturing process, manufacturing conditions and material testing conditions. Alternatively, the material collateral information may be stored in a database separate from the database that stores the test data, in association with the test data.

データベース１００は、例えば数年、１０年、２０年またはそれ以上の長い年月の間、設計、開発および製造の段階で取得された膨大な試験データを蓄積し得る。もし、材料メーカまたは試験装置メーカなどから構成されるコンソーシアムが設立され、多くの企業がデータベース１００にアクセスできれば、多くの企業から収集される膨大な試験データの集合はビッグデータとして管理され得る。 The database 100 may accumulate vast amounts of test data acquired during the design, development and manufacturing stages for many years, such as years, decades, twenty years or more. If a consortium consisting of material manufacturers, test equipment manufacturers, etc. is established and many companies can access the database 100, a huge set of test data collected from many companies can be managed as big data.

データ処理装置２００は、データ処理装置の本体２０１および表示装置２２０を備える。例えば、データベース１００に蓄積された膨大な試験データの中から、所望の材料特性に類似する材料特性を有する最適材料に関連付けされた試験データを検索するために利用されるソフトウェア（またはファームウェア）が、データ処理装置の本体２０１に実装されている。そのようなソフトウェアは、例えば光ディスクなど、コンピュータが読み取り可能な記録媒体に記録され、パッケージソフトウェアとして販売され、または、インターネットを介して提供され得る。 The data processing device 200 includes a data processing device main body 201 and a display device 220 . For example, the software (or firmware) used to search from the vast amount of test data accumulated in the database 100 for test data associated with an optimum material having material properties similar to the desired material properties is It is mounted on the main body 201 of the data processing device. Such software may be recorded on a computer-readable recording medium such as an optical disc, sold as packaged software, or provided via the Internet.

表示装置２２０は、例えば液晶ディスプレイまたは有機ＥＬディスプレイである。表示装置２２０は、本体２０１から出力される出力データに基づいて検索結果を表示する。 The display device 220 is, for example, a liquid crystal display or an organic EL display. The display device 220 displays search results based on output data output from the main body 201 .

データ処理装置２００の典型例は、パーソナルコンピュータである。または、データ処理装置２００は、最適材料を検索するための設計支援ツールとして機能する専用の装置であり得る。 A typical example of the data processing device 200 is a personal computer. Alternatively, data processing device 200 may be a dedicated device that functions as a design support tool for searching for optimum materials.

図２は、データ処理装置２００のハードウェア構成例を示すブロック図である。データ処理装置２００は、入力装置２１０、表示装置２２０、通信Ｉ／Ｆ２３０、記憶装置２４０、プロセッサ２５０、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）２６０およびＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）２７０を備える。これらの構成要素は、バス２８０を介して相互に接続される。 FIG. 2 is a block diagram showing a hardware configuration example of the data processing device 200. As shown in FIG. Data processing device 200 includes input device 210 , display device 220 , communication I/F 230 , storage device 240 , processor 250 , ROM (Read Only Memory) 260 and RAM (Random Access Memory) 270 . These components are interconnected via bus 280 .

入力装置２１０は、ユーザからの指示をデータに変換してコンピュータに入力するための装置である。入力装置２１０は、例えばキーボード、マウスまたはタッチパネルである。 The input device 210 is a device for converting a user's instruction into data and inputting it to the computer. The input device 210 is, for example, a keyboard, mouse or touch panel.

通信Ｉ／Ｆ２３０は、データ処理装置２００とデータベース１００との間でデータ通信を行うためのインタフェースである。ＳＳデータが転送可能であればその形態、プロトコルは限定されない。例えば、通信Ｉ／Ｆ２３０は、ＵＳＢ、ＩＥＥＥ１３９４（登録商標）、またはイーサネット（登録商標）などに準拠した有線通信を行うことができる。通信Ｉ／Ｆ２３０は、Ｂｌｕｅｔｏｏｔｈ（登録商標）規格および／またはＷｉ－Ｆｉ（登録商標）規格に準拠した無線通信を行うことができる。いずれの規格も、２．４ＧＨｚ帯の周波数を利用した無線通信規格を含む。 Communication I/F 230 is an interface for performing data communication between data processing device 200 and database 100 . As long as SS data can be transferred, its form and protocol are not limited. For example, the communication I/F 230 can perform wired communication conforming to USB, IEEE1394 (registered trademark), Ethernet (registered trademark), or the like. The communication I/F 230 can perform wireless communication conforming to the Bluetooth (registered trademark) standard and/or the Wi-Fi (registered trademark) standard. Both standards include wireless communication standards using frequencies in the 2.4 GHz band.

記憶装置２４０は、例えば磁気記憶装置、光学記憶装置またはそれらの組み合わせである。光学記憶装置の例は、光ディスクドライブまたは光磁気ディスク（ＭＤ）ドライブなどである。磁気記憶装置の例は、ハードディスクドライブ（ＨＤＤ）、フロッピーディスク（ＦＤ）ドライブまたは磁気テープレコーダである。 Storage device 240 is, for example, a magnetic storage device, an optical storage device, or a combination thereof. Examples of optical storage devices include optical disk drives or magneto-optical disk (MD) drives. Examples of magnetic storage devices are hard disk drives (HDD), floppy disk (FD) drives or magnetic tape recorders.

プロセッサ２５０は、半導体集積回路であり、中央演算処理装置（ＣＰＵ）またはマイクロプロセッサとも称される。プロセッサ２５０は、ＲＯＭ２６０に格納された、最適材料を検索するための命令群を記述したコンピュータプログラムを逐次実行し、所望の処理を実現する。プロセッサ２５０は、ＣＰＵを搭載したＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）またはＡＳＳＰ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｓｔａｎｄａｒｄ Ｐｒｏｄｕｃｔ）を含む用語として広く解釈される。 Processor 250 is a semiconductor integrated circuit and is also called a central processing unit (CPU) or microprocessor. The processor 250 sequentially executes a computer program, which is stored in the ROM 260 and describes instructions for searching for the optimum material, to achieve desired processing. Processor 250 is broadly interpreted as a term that includes a CPU-mounted FPGA (Field Programmable Gate Array), ASIC (Application Specific Integrated Circuit), or ASSP (Application Specific Standard Product).

ＲＯＭ２６０は、例えば、書き込み可能なメモリ（例えばＰＲＯＭ）、書き換え可能なメモリ（例えばフラッシュメモリ）、または読み出し専用のメモリである。ＲＯＭ２６０は、プロセッサの動作を制御するプログラムを記憶している。ＲＯＭ２６０は、単一の記録媒体である必要はなく、複数の記録媒体の集合であり得る。複数の集合体の一部は取り外し可能なメモリであってもよい。 ROM 260 is, for example, a writable memory (eg, PROM), a rewritable memory (eg, flash memory), or a read-only memory. ROM 260 stores a program that controls the operation of the processor. The ROM 260 does not have to be a single recording medium, but can be a collection of multiple recording mediums. Some of the multiple aggregates may be removable memory.

ＲＡＭ２７０は、ＲＯＭ２６０に格納された制御プログラムをブート時に一旦展開するための作業領域を提供する。ＲＡＭ２７０は、単一の記録媒体である必要はなく、複数の記録媒体の集合であり得る。 The RAM 270 provides a working area for temporarily expanding the control program stored in the ROM 260 at boot time. The RAM 270 does not have to be a single recording medium, but can be a collection of multiple recording mediums.

以下、本開示の検索システム１０００の代表的な構成例を幾つか説明する。 Several typical configuration examples of the search system 1000 of the present disclosure will be described below.

第１の構成例において、検索システム１０００は、図１に示すデータベース１００およびデータ処理装置２００を備える。データベース１００は、データ処理装置２００とは異なる別のハードウェアである。または、膨大な試験データを記憶した光ディスクなどの記憶媒体をデータ処理装置の本体２０１に読み込むことによって、データベース１００の代わりに記憶媒体にアクセスして膨大な試験データを読み出すことが可能となる。 In the first configuration example, a search system 1000 comprises the database 100 and the data processing device 200 shown in FIG. The database 100 is hardware different from the data processing device 200 . Alternatively, by loading a storage medium such as an optical disk storing a large amount of test data into the main body 201 of the data processing apparatus, it becomes possible to access the storage medium instead of the database 100 and read out the large amount of test data.

第２の構成例において、検索システム１０００は、記憶装置２４０およびプロセッサ２５０を有するデータ処理装置２００である。その場合において、膨大な試験データは、ＨＤＤなど記憶装置２４０に予め格納されている。 In the second configuration example, search system 1000 is data processing device 200 having storage device 240 and processor 250 . In that case, a huge amount of test data is stored in advance in a storage device 240 such as an HDD.

図３は、膨大な試験データを格納したデータベース３４０を有するクラウドサーバー３００の構成例を示すハードウェアブロック図である。 FIG. 3 is a hardware block diagram showing a configuration example of a cloud server 300 having a database 340 storing a huge amount of test data.

第３の構成例において、検索システム１０００は、図３に示すように、少なくとも１つのデータ処理装置２００およびクラウドサーバー３００のデータベース３４０を備える。クラウドサーバー３００は、プロセッサ３１０、メモリ３２０、通信Ｉ／Ｆ３３０およびデータベース３４０を有する。膨大な試験データは、クラウドサーバー３００上のデータベース３４０に格納され得る。例えば、複数のデータ処理装置２００は、社内に構築されたローカルエリアネットワーク（ＬＡＮ）４００を介して接続され得る。ローカルエリアネットワーク４００は、インターネットプロバイダサービス（ＩＰＳ）を介してインターネット５００に接続される。個々のデータ処理装置２００は、インターネット５００を経由してクラウドサーバー３００のデータベース３４０にアクセス可能となる。 In the third configuration example, the search system 1000 comprises at least one data processing device 200 and a database 340 of the cloud server 300, as shown in FIG. Cloud server 300 has processor 310 , memory 320 , communication I/F 330 and database 340 . A large amount of test data can be stored in database 340 on cloud server 300 . For example, a plurality of data processors 200 can be connected via a local area network (LAN) 400 constructed in-house. Local area network 400 is connected to Internet 500 via an Internet provider service (IPS). Each data processing device 200 can access the database 340 of the cloud server 300 via the Internet 500 .

さらに、検索システム１０００は、少なくとも１つのデータ処理装置２００およびクラウドサーバー３００を備え得る。その場合において、データ処理装置２００が備えるプロセッサ２５０に代えて、あるいはプロセッサ２５０と協働して、クラウドサーバー３００が備えるプロセッサ３１０は、最適材料を検索するための命令群を記述したコンピュータプログラムを逐次実行する。または、例えば、同一のＬＡＮ４００に接続された複数のデータ処理装置２００が、最適材料を検索するための命令群を記述したコンピュータプログラムを協働して実行してもよい。このように複数のプロセッサに分散処理をさせることにより、個々のプロセッサに対する演算負荷を低減することが可能となる。 Furthermore, the search system 1000 may comprise at least one data processing device 200 and a cloud server 300. FIG. In that case, instead of the processor 250 provided in the data processing device 200, or in cooperation with the processor 250, the processor 310 provided in the cloud server 300 sequentially executes a computer program describing a group of instructions for searching for the optimum material. Execute. Alternatively, for example, a plurality of data processors 200 connected to the same LAN 400 may cooperatively execute a computer program describing a command group for searching for optimum materials. By causing a plurality of processors to perform distributed processing in this manner, it is possible to reduce the computational load on individual processors.

図４は、プロセッサ２５０の機能を機能ブロック単位で示す機能ブロック図である。プロセッサ２５０は、入力部２５１、前処理部２５２、類似度算出部２５３、検索部２５４および出力部２５５を有する。典型的には、それぞれの部に相当する機能ブロックの処理（またはタスク）は、ソフトウェアのモジュール単位でコンピュータプログラムに記述される。ただし、ＦＰＧＡなどを用いる場合、これらの機能ブロックの全部または一部は、ハードウェア・アクセラレータとして実装され得る。 FIG. 4 is a functional block diagram showing functions of the processor 250 in units of functional blocks. The processor 250 has an input unit 251 , a preprocessing unit 252 , a similarity calculation unit 253 , a search unit 254 and an output unit 255 . Typically, processing (or tasks) of functional blocks corresponding to respective units is described in a computer program in units of software modules. However, when using an FPGA or the like, all or part of these functional blocks may be implemented as hardware accelerators.

入力部２５１は、複数の試験データのうちの少なくとも２つの試験データに含まれる少なくとも２つのＳＳデータをデータベース１００から読み出す。また、入力部２５１は、所望の材料特性を有するターゲットのＳＳカーブを表す入力データまたはユーザによって指定された設計目標を示す入力データを取得することができる。 The input unit 251 reads from the database 100 at least two pieces of SS data included in at least two pieces of test data among the plurality of pieces of test data. The input unit 251 can also acquire input data representing the SS curve of a target having desired material properties or input data representing design goals specified by the user.

前処理部２５２は、オプショナルな機能ブロックであり必須ではない。前処理部２５２は、ＳＳデータによって表されるＳＳカーブの形状に基づいて少なくとも１つの形状パラメータを決定する。形状パラメータの詳細については後で詳しく説明する。 The preprocessing unit 252 is an optional functional block and is not essential. The preprocessing unit 252 determines at least one shape parameter based on the shape of the SS curve represented by the SS data. Details of the shape parameters will be described later.

類似度算出部２５３は、ターゲットのＳＳカーブの形状と、データベース１００から読み出した少なくとも２つのＳＳデータの個々のＳＳデータが表すＳＳカーブの形状との間の類似度を算出する。または、類似度算出部２５３は、少なくとも２つのＳＳデータの個々のＳＳデータ間の類似度を算出する。例えば、類似度算出部２５３は、平均二乗誤差（ＭＳＥ）、平均平方二乗誤差（ＲＭＳＥ）または平均絶対誤差（ＭＡＥ）などに基づいて類似度を算出することができる。さらに、類似度算出部２５３は、教師なし学習であるクラスタリングを実行し、ｎ個（ｎは２以上の整数）の特徴量によって規定されるｎ次元の特徴量空間における２つのデータ点の間の距離に基づいて類似度を算出することができる。 The similarity calculator 253 calculates the similarity between the shape of the target SS curve and the shape of the SS curve represented by each of the at least two pieces of SS data read from the database 100 . Alternatively, the similarity calculation unit 253 calculates the similarity between individual SS data of at least two pieces of SS data. For example, the similarity calculator 253 may calculate the similarity based on the mean squared error (MSE), the mean squared error (RMSE), or the mean absolute error (MAE). Furthermore, the similarity calculation unit 253 performs clustering, which is unsupervised learning, and calculates the distance between two data points in an n-dimensional feature amount space defined by n feature amounts (where n is an integer equal to or greater than 2). A similarity can be calculated based on the distance.

検索部２５４は、読み込んだ少なくとも２つの試験データの中から、ターゲットのＳＳカーブの形状に類似する形状を有するＳＳカーブを表すＳＳデータを含む試験データに対応する材料を検索する。 The search unit 254 searches for a material corresponding to test data including SS data representing an SS curve having a shape similar to that of the target SS curve, from among the at least two read test data.

出力部２５５は、表示装置２２０の専用ドライバまたはコントローラ（不図示）に検索結果を出力して表示装置２２０に表示させる。例えば、算出された類似度、少なくとも１つの形状パラメータ、試験データに関連付けられた材料の組成、製造条件、材料試験の条件などを含む検索結果が表示装置２２０に表示される。材料の開発者は、設計支援ツールが出力する検索結果に基づいて、新規の材料、相当材料または代替材料を検討することが可能となる。 The output unit 255 outputs the search results to a dedicated driver or controller (not shown) of the display device 220 to display them on the display device 220 . For example, display device 220 displays search results including the calculated similarity, at least one shape parameter, the composition of the material associated with the test data, the manufacturing conditions, the conditions of material testing, and the like. A material developer can consider new materials, equivalent materials, or substitute materials based on the search results output by the design support tool.

（実施形態１）
本開示の類似材料検索システムは、様々な処理手順（つまり、アルゴリズム）に従って動作することが可能である。以下、アルゴリズムの第１から第３の実装例を説明する。そのようなアルゴリズムを記述した命令群を含むコンピュータプログラムは、例えば、インターネットを介して配信され、または、パッケージソフトウェアとして販売され得る。 (Embodiment 1)
The similar material search system of the present disclosure can operate according to various procedures (ie, algorithms). First to third implementation examples of the algorithm are described below. Computer programs containing instructions describing such algorithms can be distributed, for example, via the Internet or sold as packaged software.

［第１の実装例］
図５は、第１の実装例による処理手順を示すフローチャートである。 [First implementation example]
FIG. 5 is a flow chart showing a processing procedure according to the first implementation example.

第１の実装例による処理フローは、入力データを取得する取得ステップＳ１００、データベース１００から試験データに含まれるＳＳデータを読み出すリードステップＳ２００、２つのＳＳカーブの形状の間の類似度を算出する算出ステップＳ３００、および最適材料を検索する検索ステップＳ４００を含む。本明細書では、データ処理装置２００のプロセッサ２５０を、各処理を実行する主体として説明する。ただし、上述したように、実行主体は、例えば図３に示すクラウドサーバー３００のプロセッサ３１０または複数のデータ処理装置２００が有する複数のプロセッサ２５０であり得る。 The processing flow according to the first implementation example includes an acquisition step S100 for acquiring input data, a read step S200 for reading SS data included in the test data from the database 100, a calculation for calculating the similarity between the shapes of two SS curves. It includes a step S300 and a search step S400 for searching for the optimum material. In this specification, the processor 250 of the data processing device 200 will be described as a subject that executes each process. However, as described above, the execution entity may be, for example, the processor 310 of the cloud server 300 shown in FIG. 3 or the multiple processors 250 of the multiple data processing devices 200 .

（取得ステップＳ１００）
プロセッサ２５０は、所望の材料特性を有するターゲットのＳＳカーブを表す入力データを取得する。以下、入力データを「ターゲットＳＳデータ」と記載する場合がある。所望の材料特性は、例えば、所望の引張強さ（ＭＰａ）、耐力（ＭＰａ）、伸び（％）などの所望の力学特性である。 (Acquisition step S100)
Processor 250 obtains input data representing the SS curve of a target having desired material properties. Hereinafter, the input data may be referred to as "target SS data". Desired material properties are, for example, desired mechanical properties such as desired tensile strength (MPa), yield strength (MPa), elongation (%), and the like.

（リードステップＳ２００）
プロセッサ２５０は、複数の試験データのうちの少なくとも２つの試験データに含まれる少なくとも２つのＳＳデータをデータベース１００から読み出す。例えば、データベース１００に蓄積された膨大な試験データの個々の試験データに、合金系統、製造プロセス、調質等のタグが付されている。読み出す対象となる試験データは、ユーザによって指定され得る。例えばアルミ合金の材料を検索する場合、ユーザは、表示装置２２０に表示されるＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ：図１１を参照）およびマウスを使って、Ａ１０００系、Ａ２０００系、Ａ３０００系、Ａ４０００系、Ａ５０００系、Ａ６０００系、Ａ７０００系の複数の合金系統の中から、少なくとも２種類のアルミ合金にタグ付けされた試験データを選択することができる。 (Read step S200)
Processor 250 reads from database 100 at least two pieces of SS data included in at least two pieces of test data among the plurality of pieces of test data. For example, individual test data of the huge amount of test data accumulated in the database 100 are tagged with alloy system, manufacturing process, refining, and the like. The test data to be read may be specified by the user. For example, when searching for an aluminum alloy material, the user uses a GUI (Graphical User Interface: see FIG. 11) displayed on the display device 220 and a mouse to select A1000 series, A2000 series, A3000 series, A4000 series, A5000 series. Test data tagged to at least two types of aluminum alloys can be selected from among a plurality of alloy families, A6000 and A7000.

（算出ステップＳ３００）
プロセッサ２５０は、ターゲットＳＳデータが表すターゲットのＳＳカーブの形状と、読み込んだ少なくとも２つのＳＳデータの個々のＳＳデータが表すＳＳカーブの形状との間の類似度を算出する。例えば、プロセッサ２５０は、公知の計算式によって平均二乗誤差（ＭＳＥ）、平均平方二乗誤差（ＲＭＳＥ）または平均絶対誤差（ＭＡＥ）などに基づいて類似度を算出することができる。ここで、応力σおよびひずみεの２軸を規定する２次元座標系において、ターゲットＳＳデータを構成する各データ点の座標をＤｔ（ｔεｋ，ｔσｋ）と表現し、個々のＳＳデータを構成する各データ点の座標をＤｄ（εｋ，σｋ）と表現する。ＳＳデータに含まれるデータ点の数をｎ（ｎは１以上の整数）とする。例えば、プロセッサ２５０は、２次元座標系における応力の軸に平行な方向において、ｔεｋとεｋとが等しいときのｔσｋおよびσｋの２つの応力を比較する。または、プロセッサ２５０は、２次元座標系におけるひずみの軸に平行な方向において、ｔσｋとσｋとが等しいときのｔεｋおよびεｋのひずみを比較し得る。 (Calculation step S300)
The processor 250 calculates the degree of similarity between the shape of the target SS curve represented by the target SS data and the shape of the SS curve represented by each of the at least two read SS data. For example, the processor 250 can calculate the similarity based on the mean squared error (MSE), the mean squared error (RMSE), the mean absolute error (MAE), or the like using a known formula. Here, in a two-dimensional coordinate system that defines the two axes of stress σ and strain ε, the coordinates of each data point constituting the target SS data are expressed as Dt (tε k , tσ k ), and each SS data is composed Let Dd(ε k , σ k ) be the coordinates of each data point. Let n be the number of data points included in the SS data (n is an integer equal to or greater than 1). For example, processor 250 compares two stresses tσ k and σ k when tε k equals ε k in a direction parallel to the stress axis in the two-dimensional coordinate system. Alternatively, processor 250 may compare the strains of tε k and ε k when tσ k equals σ k in a direction parallel to the axis of strain in a two-dimensional coordinate system.

類似度は、例えば、２つの閾値を用いて３つのクラスのいずれかに割り当てられ得る。３つのクラスは、「高」、「中」、「低」である。誤差が第１閾値よりも小さければ、類似度は「高」に割り当てられる。誤差が第１閾値以上であり、かつ、第２閾値よりも小さいときは、類似度は「中」に割り当てられる。誤差が第２閾値以上であるときは、類似度は「低」に割り当てられる。第２閾値は第１閾値よりも大きい。使用する閾値の数を増やすことにより、類似度をより多くのクラスに割り当てることが可能である。 Similarity can be assigned to one of three classes using, for example, two thresholds. The three classes are "high", "medium" and "low". If the error is less than the first threshold, the similarity is assigned "high". If the error is greater than or equal to the first threshold and less than the second threshold, the similarity is assigned "medium". If the error is greater than or equal to the second threshold, the similarity is assigned "low". The second threshold is greater than the first threshold. By increasing the number of thresholds used, it is possible to assign similarities to more classes.

（検索ステップＳ４００）
プロセッサ２５０は、読み出した少なくとも２つの試験データの中から、ターゲットのＳＳカーブの形状に類似する形状を有するＳＳカーブを表すＳＳデータを含む試験データを類似度に基づいて検索する。例えば、プロセッサ２５０は、「高」のクラスに割り当てられたＳＳデータを、算出した誤差が小さいＳＳデータから順番にソートする。例えば、プロセッサ２５０は、同一のクラス内において上位ｍ番目（ｍは２以上の整数）までにランク付されたＳＳデータを含むｍ個の試験データに付与されたＩＤ、合金系統の番号または試験データに関連付けられた材料の付随情報を含むリストを生成することができる。プロセッサ２５０は、表示装置２２０にそのリストを出力して表示させることができる。リストの表示については後で詳しく説明する。 (Search step S400)
The processor 250 searches for test data including SS data representing an SS curve having a shape similar to the shape of the target SS curve from among the at least two pieces of read test data based on the degree of similarity. For example, the processor 250 sorts the SS data assigned to the "high" class in descending order of the calculated error. For example, the processor 250 includes an ID assigned to m pieces of test data including SS data ranked up to the m-th (m is an integer of 2 or more) in the same class, the number of the alloy system, or the test data A list can be generated that includes the pertinent information of the materials associated with the . Processor 250 can output the list to display device 220 for display. List display will be described later in detail.

図６は、第１の実装例によるさらなる処理手順を示すフローチャートである。第１の実装例による処理フローは、オプションとして、前処理ステップＳ５００、表示ステップＳ６００および格納ステップＳ７００のうちの少なくとも１つのステップをさらに含み得る。 FIG. 6 is a flowchart illustrating further processing procedures according to the first implementation. The processing flow according to the first implementation may optionally further include at least one of a preprocessing step S500, a display step S600 and a storage step S700.

（前処理ステップＳ５００）
プロセッサ２５０は、ターゲットのＳＳカーブに基づいて、ターゲットＳＳデータについての少なくとも１つの形状パラメータを決定する。プロセッサ２５０は、さらに、読み出した少なくとも２つのＳＳデータのそれぞれによって表されるＳＳカーブの形状に基づいて、少なくとも１つの形状パラメータをＳＳデータ毎に決定する。形状パラメータはＳＳカーブの形状を特徴付けるパラメータである。 (Preprocessing step S500)
Processor 250 determines at least one shape parameter for the target SS data based on the target SS curve. Processor 250 further determines at least one shape parameter for each SS data based on the shape of the SS curve represented by each of the at least two SS data read. A shape parameter is a parameter that characterizes the shape of the SS curve.

図７Ａおよび図７Ｂは、一般的なＳＳカーブの形状の例を模式的に示す図である。図７Ａには、軟鋼の引張試験によって取得されるＳＳデータが表す代表的なＳＳカーブを示し、図７Ｂにはアルミ合金の引張試験によって取得されるＳＳデータが表す代表的なＳＳカーブを示している。ひずみεに対し応力σが直線的に変化する弾性域および弾性域よりもひずみεに応じた応力σの増大量が小さくなる塑性域がＳＳカーブに存在する。軟鋼のＳＳカーブにおいては、変曲点（または特異点）として上降伏点および下降伏点が明確に存在する。その上降伏点における応力を、降伏応力ＹＳと呼ぶこととする。 7A and 7B are diagrams schematically showing examples of general SS curve shapes. FIG. 7A shows a typical SS curve represented by SS data obtained by a tensile test of mild steel, and FIG. 7B shows a typical SS curve represented by SS data obtained by a tensile test of an aluminum alloy. there is The SS curve has an elastic region where the stress σ changes linearly with respect to the strain ε and a plastic region where the increase in the stress σ according to the strain ε is smaller than that in the elastic region. The SS curve of mild steel clearly has an upper yield point and a lower yield point as inflection points (or singular points). The stress at the upper yield point is called the yield stress YS.

これに対し、例えばアルミ合金、銅合金のＳＳカーブにおいては、明確な降伏点は存在しない。そのため、降伏応力に代えて耐力が一般に用いられる。重荷を除いた後に残存する塑性ひずみが０．２％となるときの応力を、０．２％耐力として定義する。本明細書では、降伏応力ＹＳを示すデータ点を「ＹＳ点」と呼び、０．２％耐力を示すデータ点を「０．２％ＹＳ点」と呼ぶ。また、重荷を除いた後に残存する塑性ひずみが０．２％、０．５％となるときの応力をそれぞれ０．２％耐力、０．５％耐力として定義する。０．１％耐力を示すデータ点を「０．１％ＹＳ点」と呼び、０．５％耐力を示すデータ点を「０．５％ＹＳ点」と呼ぶ。また、ＳＳカーブにおける最大応力を示すデータ点を「ＴＳ点」と呼び、その最大応力を示す引張強さＴＳと呼ぶこととする。 On the other hand, there is no clear yield point in the SS curves of aluminum alloys and copper alloys, for example. Therefore, proof stress is generally used instead of yield stress. The stress at which the plastic strain remaining after removal of the heavy load is 0.2% is defined as the 0.2% proof stress. In this specification, the data point indicating the yield stress YS is called "YS point", and the data point indicating 0.2% proof stress is called "0.2% YS point". Further, the stress at which the plastic strain remaining after removal of the heavy load is 0.2% and 0.5% is defined as 0.2% proof stress and 0.5% proof stress, respectively. A data point indicating 0.1% proof stress is called "0.1% YS point", and a data point indicating 0.5% proof stress is called "0.5% YS point". A data point indicating the maximum stress in the SS curve is called a "TS point", and the tensile strength TS indicating the maximum stress is called.

ＳＳカーブの形状を特徴付ける形状パラメータは、力学特性とは区別される材料特性である。力学特性は、例えば降伏応力ＹＳ、耐力、引張強さＴＳ、伸び、弾性係数（ヤング率）、ポアソン比またはＹＳ／ＴＳ比（降伏比）などである。 Shape parameters that characterize the shape of the SS curve are material properties that are distinguished from mechanical properties. The mechanical properties are, for example, yield stress YS, yield strength, tensile strength TS, elongation, elastic modulus (Young's modulus), Poisson's ratio or YS/TS ratio (yield ratio).

材料の組成、製造プロセス、製造条件の違いに起因して、ＳＳカーブの形状が変化し、その結果、その違いがＳＳカーブの形状に現れる。従って、ＳＳカーブは、従来の力学特性以外に様々な情報を含んでいると考えられる。そこで、先ず、本願発明者は、ＳＳカーブの形状を特徴付ける形状因子（形状パラメータに相当）を見出すことに努めた。有効な形状因子とは、ＳＳカーブの形状を効果的に特徴付ける指標であり、膨大なＳＳデータを効果的に分類することができる指標である。有効な形状因子を見出すことができれば、今までなかった視点で材料開発を促進できる可能性がある。 The shape of the SS curve changes due to differences in material composition, manufacturing process, and manufacturing conditions, and as a result, the difference appears in the shape of the SS curve. Therefore, the SS curve is considered to contain various information other than the conventional mechanical properties. Therefore, the inventor of the present application first tried to find a shape factor (corresponding to a shape parameter) that characterizes the shape of the SS curve. An effective shape factor is an index that effectively characterizes the shape of the SS curve, and is an index that can effectively classify a huge amount of SS data. If we can find an effective shape factor, it may be possible to promote material development from a perspective that has never been seen before.

少なくとも１つの形状パラメータは、ＳＳカーブの形状の重心によって規定される重心パラメータを含む。少なくとも１つの形状パラメータは、ＳＳカーブの、形状の面積、曲率、長さ、傾きによってそれぞれ規定される複数の形状パラメータのうちの少なくとも１つをさらに含み得る。本願発明者が鋭意検討した結果見出した、ＳＳカーブの形状を特徴付けるそれぞれの形状パラメータを以下の通りに定義する。 The at least one shape parameter includes a centroid parameter defined by the centroid of the shape of the SS curve. The at least one shape parameter may further include at least one of a plurality of shape parameters respectively defined by area, curvature, length and slope of the shape of the SS curve. Each shape parameter that characterizes the shape of the SS curve, which the inventor of the present application found as a result of earnest studies, is defined as follows.

＜ＳＳカーブの形状＞
ＴＳ点までのＳＳカーブの下側の領域の形状をＳＳカーブの形状と定義する。例えば、ＳＳカーブの形状は、ひずみεを示す横軸と、原点からＴＳ点までのＳＳカーブの曲線と、ＴＳ点から横軸に下した垂線と、によって境界付けられる領域の形状によって規定される。あるいは、ＳＳカーブの形状は、原点と、０．２％ＹＳ点と、ＴＳ点と、ＴＳ点から横軸に下した垂線の足と、原点と、を結ぶことによって画定される台形領域の形状によって規定することができる。 <Shape of SS curve>
The shape of the area below the SS curve up to the TS point is defined as the shape of the SS curve. For example, the shape of the SS curve is defined by the shape of the region bounded by the horizontal axis indicating the strain ε, the curve of the SS curve from the origin to the TS point, and the perpendicular line drawn from the TS point to the horizontal axis. . Alternatively, the shape of the SS curve is the shape of a trapezoidal region defined by connecting the origin, the 0.2% YS point, the TS point, the foot of a perpendicular line extending from the TS point to the horizontal axis, and the origin. can be defined by

＜重心パラメータ＞
重心パラメータは、ＳＳカーブの形状の重心によって規定される。例えば、重心パラメータは、重心点伸びεｇ（％）および重心点応力σｇ（ＭＰａ）を用いて重心位置の座標（εｇ，σｇ）によって表される。または、重心パラメータは、重心位置の円座標（ｒ、θ）によって表すことができる。円座標は、オイラーの公式（ｒｅｉθ）を利用して表される。ｒは原点と重心位置との間の距離であり、θは偏角である。その場合において、重心パラメータは偏角θだけを用いて表すことができる。 <Center of gravity parameter>
The centroid parameter is defined by the centroid of the shape of the SS curve. For example, the center-of-gravity parameter is represented by the coordinates of the center-of-gravity position (ε g , σ g ) using the center-of-gravity elongation ε g (%) and the center-of-gravity stress σ g (MPa). Alternatively, the centroid parameter can be represented by the circular coordinates (r, θ) of the centroid position. Circular coordinates are expressed using Euler's formula (re iθ ). r is the distance between the origin and the position of the center of gravity, and θ is the declination angle. In that case, the centroid parameter can be expressed using only the argument θ.

＜面積パラメータ＞
面積パラメータは、ＳＳカーブの形状の面積によって規定される。面積パラメータは、ＴＳ点までのＳＳカーブの下側の領域の面積を表す。 <Area parameter>
The area parameter is defined by the area of the shape of the SS curve. The area parameter represents the area under the SS curve up to the TS point.

＜長さパラメータ＞
長さパラメータは、ＳＳカーブの長さによって規定される。例えば、長さパラメータは、ＴＳ点までのＳＳカーブの曲線の長さを表す。 <Length parameter>
The length parameter is defined by the length of the SS curve. For example, the length parameter represents the curve length of the SS curve up to the TS point.

＜曲率パラメータ＞
曲率パラメータは、ＹＳ点からＴＳ点までのＳＳカーブの曲率によって規定される。具体的に、曲率パラメータは、ＹＳ点またはＴＳ点の特異点周辺におけるＳＳカーブの曲率を表す。例えば、特異点周辺におけるＳＳカーブの曲率は、ＴＳ点と、ＴＳ点近傍の前後に位置する、ＳＳカーブ上の２点と、を通る円の曲率によって規定される。または、特異点周辺におけるＳＳカーブの曲率は、ＳＳカーブ上の０．１％ＹＳ点、０．２％ＹＳ点および０．５％ＹＳ点の３点を通る円の曲率によって規定される。 <curvature parameter>
A curvature parameter is defined by the curvature of the SS curve from the YS point to the TS point. Specifically, the curvature parameter represents the curvature of the SS curve around the singularity of the YS point or TS point. For example, the curvature of the SS curve around the singular point is defined by the curvature of a circle passing through the TS point and two points on the SS curve positioned before and after the TS point. Alternatively, the curvature of the SS curve around the singular point is defined by the curvature of a circle passing through three points, 0.1% YS point, 0.2% YS point and 0.5% YS point on the SS curve.

＜傾きパラメータ＞
傾きパラメータは、ＳＳカーブの傾きによって規定される。例えば、傾きパラメータは、ＹＳ点とＴＳ点とを結ぶ線分の傾きを表す。 <Inclination parameter>
The slope parameter is defined by the slope of the SS curve. For example, the slope parameter represents the slope of the line connecting the YS point and the TS point.

プロセッサ２５０は、算出ステップＳ３００において、ＳＳカーブの形状を特徴付ける少なくとも１つの形状パラメータに基づいて類似度を算出してもよい。例えば、少なくとも１つの形状パラメータは、重心パラメータおよび面積パラメータを含んでいるとする。その場合において、プロセッサ２５０は、ターゲットＳＳデータについての重心パラメータと、データベース１００から読み出した少なくとも２つのＳＳデータのそれぞれによって表されるＳＳカーブの形状に基づいて決定される重心パラメータとの差分を算出する。プロセッサ２５０は、重心パラメータと同様に、ターゲットＳＳデータについての面積パラメータと、データベース１００から読み出した少なくとも２つのＳＳデータのそれぞれによって表されるＳＳカーブの形状に基づいて決定される面積パラメータとの差分を算出する。プロセッサ２５０は、重心パラメータの誤差および面積パラメータの誤差に基づいて類似度を決定する。既に説明したように、例えば、類似度を、２つの閾値を用いて３つのクラスのいずれかに割り当てられ得る。 The processor 250 may, in a calculating step S300, calculate the similarity based on at least one shape parameter characterizing the shape of the SS curve. For example, suppose the at least one shape parameter includes a centroid parameter and an area parameter. In that case, the processor 250 calculates the difference between the center-of-gravity parameter for the target SS data and the center-of-gravity parameter determined based on the shape of the SS curve represented by each of the at least two SS data read from the database 100. do. Similar to the centroid parameter, the processor 250 calculates the difference between the area parameter for the target SS data and the area parameter determined based on the shape of the SS curve represented by each of the at least two SS data read from the database 100. Calculate Processor 250 determines a similarity measure based on the centroid parameter error and the area parameter error. As already explained, for example, similarity can be assigned to one of three classes using two thresholds.

上述した例に限られず、プロセッサ２５０は、重心パラメータの誤差だけに基づいて類似度を決定してもよいし、３つ以上の形状パラメータの誤差に基づいて類似度を決定してもよい。 The processor 250 may determine the degree of similarity based only on the error of the center-of-gravity parameter, or may determine the degree of similarity based on the error of three or more shape parameters, without being limited to the above example.

（表示ステップＳ６００）
プロセッサ２５０は、ターゲットのＳＳカーブの形状に類似する形状を有するＳＳカーブを表すＳＳデータを含む試験データに関連付けられた付随情報および／または試験データに含まれるＳＳデータによって表されるＳＳカーブに基づいて決定される力学特性を含む検索結果を表示装置２２０に出力して表示させる。付随情報は、材料の組成、製造条件、材料試験の条件、および材料が良品であるか否かを示す良品情報のうちの少なくとも１つを含む。プロセッサ２５０は、ターゲットＳＳデータと、読み出した少なくとも２つのＳＳデータの個々のＳＳデータとの間の類似度、ターゲットのＳＳカーブの形状を特徴付ける少なくとも１つの形状パラメータ、ターゲットのＳＳカーブから決定されるターゲットの力学特性および少なくとも２つのＳＳデータのそれぞれによって表されるＳＳカーブの形状を特徴付ける少なくとも１つの形状パラメータのうちの少なくとも１つをさらに表示装置２２０に出力して表示させることができる。 (Display step S600)
Based on the SS curve represented by the SS data included in the test data and/or associated information associated with the test data, the processor 250 includes SS data representing an SS curve having a shape similar to the shape of the target SS curve. The search results including the dynamic properties determined by the method are output to the display device 220 for display. The accompanying information includes at least one of material composition, manufacturing conditions, material test conditions, and non-defective product information indicating whether or not the material is non-defective. The processor 250 determines from the similarity between the target SS data and the individual SS data of the at least two retrieved SS data, at least one shape parameter characterizing the shape of the target SS curve, the target SS curve At least one of the mechanical properties of the target and at least one shape parameter characterizing the shape of the SS curve represented by each of the at least two SS data can be further output to the display device 220 for display.

図８は、表示装置２２０に表示された検索結果の表示例（表示フォーマット）を示す模式図である。例えば、表示装置２２０は、ターゲットの力学特性および形状パラメータを含むターゲット情報、ターゲットのＳＳカーブ、合金系統、類似度、組成、製造条件、材料試験の条件、個々のＳＳデータによって表されるＳＳカーブに基づいて決定される、力学特性、形状パラメータ、および良品情報を含む検索結果を表示する。力学特性は、引張強さ、耐力および伸びを含み、形状パラメータは、曲率パラメータ、面積パラメータおよび重心パラメータを含む。検索結果は、類似度が高い順番でリストとして表示される。図中の「Ｈ」は、類似度が高いことを表し、「Ｍ」は、類似度が「中間」であることを表している。 FIG. 8 is a schematic diagram showing a display example (display format) of search results displayed on the display device 220. As shown in FIG. For example, the display device 220 displays target information including target mechanical properties and shape parameters, target SS curve, alloy system, similarity, composition, manufacturing conditions, material test conditions, SS curve represented by individual SS data. display search results including mechanical properties, shape parameters, and good product information determined based on Mechanical properties include tensile strength, yield strength and elongation, and shape parameters include curvature parameters, area parameters and center of gravity parameters. Search results are displayed as a list in descending order of similarity. "H" in the figure indicates that the degree of similarity is high, and "M" indicates that the degree of similarity is "middle".

組成の情報は、Ａｌ、Ｓｉ、Ｆｅ、Ｃｕ、Ｍｎ、Ｍｇ、Ｃｒ、Ｚｎ、Ｔｉ、その他の合金元素の含有率（質量％）を含む。製造条件は、熱間圧延、冷間圧延などの製造工程における温度条件、処理時間などを含む。引張試験の条件は、応力増加速度、ひずみ速度などの試験速度および荷重を含む。良品情報は、材料が良品であるか否かを示す情報を含む。 The compositional information includes contents (mass %) of Al, Si, Fe, Cu, Mn, Mg, Cr, Zn, Ti, and other alloying elements. The manufacturing conditions include temperature conditions, treatment times, and the like in manufacturing processes such as hot rolling and cold rolling. The conditions of the tensile test include test speed such as stress increase rate, strain rate, and load. The non-defective item information includes information indicating whether or not the material is a non-defective item.

（格納ステップＳ７００）
プロセッサ２５０は、検索結果、および試験データに関連付けられた材料の付随情報をデータベース１００に書き込むことができる。データベース１００に書き込む対象は、上述した表示装置２２０に表示させる対象と同じであり得る。 (Storage step S700)
The processor 250 can write the search results and material collateral information associated with the test data to the database 100 . The object to be written in the database 100 can be the same as the object to be displayed on the display device 220 described above.

プロセッサ２５０は、ターゲットのＳＳカーブの形状を特徴付ける少なくとも１つの形状パラメータおよび／または検索対象の試験データに含まれるＳＳデータによって表されるＳＳカーブに基づいて決定される少なくとも１つの形状パラメータを、データベース１００またはデータベース１００とは異なる別のデータベースに書き込むことができる。検索結果を格納することにより、重心パラメータ、面積パラメータ、曲率パラメータなどの形状パラメータを予め格納したデータベースを構築することができる。 The processor 250 stores at least one shape parameter characterizing the shape of the target SS curve and/or at least one shape parameter determined based on the SS curve represented by the SS data included in the retrieved test data from the database. 100 or another database different from database 100. By storing the search results, it is possible to construct a database in which shape parameters such as center-of-gravity parameters, area parameters, and curvature parameters are stored in advance.

これらの形状パラメータは、材料および試験データに関連付けられて、試験データを蓄積したデータベースとは別のデータベースに蓄積され得る。または、それらは、試験データを蓄積したデータベースと同じデータベースに蓄積され得る。その場合、試験データは、ＳＳデータに加えて、そのＳＳデータが表すＳＳカーブの形状に基づいて決定された形状パラメータをさらに含み得る。 These shape parameters may be associated with the material and test data and stored in a database separate from the database storing the test data. Alternatively, they can be stored in the same database that stored the test data. In that case, the test data may further include, in addition to the SS data, shape parameters determined based on the shape of the SS curve represented by the SS data.

試験データに含まれるＳＳデータの代わりにＳＳデータに関連付けされた少なくとも１つの形状パラメータを読み出すことにより、少なくとも１つの形状パラメータを決定する前処理ステップを省略することが可能となる。このように、検索結果を蓄積したデータベースを有効活用することによって、コンピュータの演算負荷を低減し、かつ、メモリサイズを縮小することが可能となる。 By reading out the at least one shape parameter associated with the SS data instead of the SS data contained in the test data, it is possible to omit the pre-processing step of determining the at least one shape parameter. In this way, by effectively utilizing the database storing the search results, it is possible to reduce the computational load of the computer and reduce the memory size.

プロセッサ２５０は、さらに、ターゲットＳＳデータと、読み出した少なくとも２つのＳＳデータの個々のＳＳデータとの間の類似度、ターゲットのＳＳカーブの形状に類似する形状を有するＳＳカーブを表すＳＳデータを含む試験データに関連付けられた材料の付随情報、ターゲットのＳＳカーブの形状に類似する形状を有するＳＳカーブに基づいて決定される力学特性、および材料が良品であるか否かを示す良品情報のうちの少なくとも１つをデータベース１００に書き込むことができる。 The processor 250 further includes similarity between the target SS data and individual SS data of the at least two retrieved SS data, SS data representing an SS curve having a shape similar to the shape of the target SS curve. Accompanying information of the material associated with the test data, mechanical properties determined based on the SS curve having a shape similar to the shape of the SS curve of the target, and non-defective product information indicating whether the material is a non-defective product At least one can be written to database 100 .

機械部品または構造部品を設計する際、部材の初期の機械的特性、長期の機械的特性（疲労特性）、加工性、耐食性、外観における環境負荷などの各要素が総合的に検討される。材料設計を着手するとき、要求規格を満足する類似材料を予め把握することは、材料開発および材料選定の効率化に繋がる。 When designing mechanical parts or structural parts, factors such as initial mechanical properties of members, long-term mechanical properties (fatigue properties), workability, corrosion resistance, and environmental load on appearance are comprehensively considered. When embarking on material design, grasping in advance similar materials that satisfy the required standards will lead to more efficient material development and material selection.

大量生産が見込まれる部材には、年次原価低減および環境負荷などを考慮することが要求され得る。基礎の材料特性に対する要求を満たすことは当然であるとして、コスト、供給安定性、製品寿命なども念頭に置いて材料選定を行う必要がある。材料を設計・開発するとき、ゼロからの出発はまれであり、通常、要求規格を満たしそうな既存材料を改良することにより開発された新規の材料を上市することが多い。また、コスト優位性も重要視される。さらに、設計・開発の段階から、相当材料あるいは代替材料を把握しておくことが事業継続計画（ＢＣＰ）の観点から重要視されることがある。 Materials that are expected to be mass-produced may be required to consider annual cost reduction and environmental load. It goes without saying that the requirements for basic material properties must be met, but it is also necessary to consider cost, supply stability, and product life when selecting materials. When designing and developing materials, starting from scratch is rare, and new materials developed by improving existing materials that are likely to meet the required specifications are often marketed. In addition, cost advantage is also emphasized. Furthermore, it may be important from the viewpoint of business continuity planning (BCP) to grasp equivalent materials or alternative materials from the design and development stage.

第１の実装例によれば、材料の組成、製造条件など材料の素性が明らかではない試験データを蓄積したデータベースを有効活用することができ、これにより、材料についての未知の知見を得ることができる。材料の素性が明らかではない場合であっても、ＳＳカーブの形状に着目することにより、多数の応力－ひずみ曲線を蓄積したデータベースを、最適なデータ解析アルゴリズムを用いて検索することが可能となる。例えば、最適材料の選択に加え、最適材料に相当する相当材料または最適材料を代替する代替材料を一緒に検討することが可能となる。また、不具合品における変化点の発見（不具合要因の解析）が容易になる。例えば、製品ロット間の不具合要因の解析が容易になる。さらに、既存の類似材料を統廃合することが可能となる。 According to the first implementation example, it is possible to make effective use of a database storing test data for which the identity of materials such as material compositions and manufacturing conditions is not clear, thereby obtaining unknown knowledge about materials. can. Even if the identity of the material is not clear, by focusing on the shape of the SS curve, it is possible to search a database that accumulates a large number of stress-strain curves using an optimal data analysis algorithm. . For example, in addition to selecting the optimum material, it is possible to jointly consider equivalent materials corresponding to the optimum material or substitute materials for the optimum material. In addition, it becomes easy to find a point of change in a defective product (analyze the cause of the defect). For example, it becomes easier to analyze defect factors between product lots. Furthermore, it becomes possible to consolidate existing similar materials.

［第２の実装例］
第２の実装例は、機械学習法を用いて類似度を算出する点において第１の実装例とは相違する。以下、第１の実装例との相違点を主として説明する。 [Second implementation example]
The second implementation example differs from the first implementation example in that the similarity is calculated using a machine learning method. Differences from the first implementation example will be mainly described below.

プロセッサ２５０は、図６に示す処理フローに従ってステップＳ１００、Ｓ２００およびＳ５００を実行することにより、ターゲットＳＳデータを取得し、少なくとも２つのＳＳデータをデータベース１００から読み出し、かつ、ターゲットＳＳデータおよび個々のＳＳデータについての少なくとも１つの形状パラメータを決定する。 The processor 250 acquires target SS data, reads at least two SS data from the database 100, reads the target SS data and each SS by executing steps S100, S200 and S500 according to the processing flow shown in FIG. At least one shape parameter for the data is determined.

図９は、第２の実装例による算出ステップＳ３００の中の処理の具体例を示すフローチャートである。算出ステップＳ３００は、機械学習法を用いて、少なくとも１つの形状パラメータを含む特徴量に基づいて、ターゲットＳＳデータおよび少なくとも２つのＳＳデータのデータ群をｋ個（ｋは２以上の整数）の類似群のうちの１つに割り当てること（ステップＳ３１０）と、ターゲットＳＳデータと、ターゲットＳＳデータが割り当てられた類似群と同一の類似群に属する少なくとも１つのＳＳデータの個々のＳＳデータとの間の距離に基づいて類似度を算出すること（ステップＳ３２０）と、を含む。 FIG. 9 is a flowchart showing a specific example of processing in the calculation step S300 according to the second implementation example. Calculation step S300 uses a machine learning method to classify data groups of target SS data and at least two SS data into k (where k is an integer equal to or greater than 2) similarity data groups based on feature amounts including at least one shape parameter. between assigning to one of the groups (step S310) and the individual SS data of the target SS data and at least one SS data belonging to the same similarity group as the similarity group to which the target SS data was assigned; and calculating a similarity based on the distance (step S320).

機械学習法として、例えば、教師なし学習であるクラスタリングを用いることができる。クラスタリングの例は、ｋ－ｍｅａｎｓ法、ｃ－ｍｅａｎｓ法、混合ガウス分布（ＧＭＭ）、デンドログラム法、スペクトラルクラスタリングまたは確率的潜在意味解析法（ＰＬＳＡまたはＰＬＳＩ）などである。ただし、クラスタリング以外にも、ロジスティック回帰、ランダムフォレスト、ニューラルネットワークまたはデシジョンジャングルなど、教師あり学習である多項分類を用いることができる。本実装例では、機械学習法としてクラスタリングのｋ－ｍｅａｎｓ法またはＧＭＭを利用する。 As a machine learning method, for example, clustering, which is unsupervised learning, can be used. Examples of clustering are k-means, c-means, Gaussian mixture (GMM), dendrogram, spectral clustering or probabilistic latent semantic analysis (PLSA or PLSI). However, besides clustering, supervised multinomial classification such as logistic regression, random forest, neural network, or decision jungle can be used. In this implementation example, the clustering k-means method or GMM is used as the machine learning method.

（ステップＳ３１０）
プロセッサ２５０は、クラスタリングを行うことにより、少なくとも１つの形状パラメータを含む特徴量に基づいて、ターゲットＳＳデータおよび少なくとも２つのＳＳデータのデータ群をｋ個（例えば４個）の類似群（クラスタ）のうちの１つに割り当てる。プロセッサ２５０は、ｎ個（ｎは２以上の整数）の特徴量を用いてクラスタリングを行う。特徴量は、形状パラメータとして、例えば重心パラメータ、面積パラメータおよび曲率パラメータを含む。特徴量は、引張強さ、耐力および伸びなどの力学特性を示す力学パラメータをさらに含み得る。さらに、材料のコスト、供給安定性、製品寿命などを特徴量に追加することができる。 (Step S310)
The processor 250 clusters the data groups of the target SS data and the at least two SS data into k (for example, 4) similar groups (clusters) based on the feature amount including at least one shape parameter. assign to one of The processor 250 performs clustering using n (n is an integer equal to or greater than 2) feature amounts. The feature quantity includes, for example, a center-of-gravity parameter, an area parameter and a curvature parameter as shape parameters. Features may further include mechanical parameters indicative of mechanical properties such as tensile strength, yield strength and elongation. In addition, material cost, supply stability, product life, etc. can be added to the features.

以下、ｋ－ｍｅａｎｓ法およびＧＭＭのそれぞれの代表的なアルゴリズムを簡単に説明する。これらのアルゴリズムは、比較的簡易にデータ処理装置２００に実装することができる。 Representative algorithms of the k-means method and GMM are briefly described below. These algorithms can be implemented in the data processing device 200 relatively easily.

＜ｋ－ｍｅａｎｓ法＞
ｋ－ｍｅａｎｓ法は、その手法が比較的簡潔であり、また、比較的に大きなデータに適用可能であるために、データ分析において広く利用されている。
（ｉ）複数のデータ点の中から、適当な点をクラスタの数だけ選択して、それらを各クラスタの重心（または代表点）に指定する。データは「レコード」とも称される。
（ｉｉ）各データ点と各クラスタの重心との間の距離を算出し、クラスタ数だけ存在する重心の中から、距離が最も近い重心のクラスタを、そのデータ点が属するクラスタとする。
（ｉｉｉ）クラスタ毎に、各クラスタに属する複数のデータ点の平均値を算出し、平均値を示すデータ点を各クラスタの新たな重心とする。
（ｉｖ）クラスタ間における全てのデータ点の移動が収束するか、あるいは、計算ステップ数の上限に達するまで、（ｉｉ）および（ｉｉｉ）を繰り返し実行する。 <k-means method>
The k-means method is widely used in data analysis because the method is relatively simple and can be applied to relatively large data.
(i) From among a plurality of data points, appropriate points corresponding to the number of clusters are selected and designated as the center of gravity (or representative point) of each cluster. Data are also referred to as "records".
(ii) Calculate the distance between each data point and the center of gravity of each cluster, and select the cluster with the closest center of gravity among the number of centers of gravity that exist for the number of clusters as the cluster to which the data point belongs.
(iii) For each cluster, the average value of a plurality of data points belonging to each cluster is calculated, and the data point indicating the average value is used as the new center of gravity of each cluster.
(iv) Repeat (ii) and (iii) until all data point movements between clusters converge or until the upper limit of the number of calculation steps is reached.

＜混合ガウス分布＞
混合ガウス分布（ＧＭＭ）は、確率分布に基づく解析法であり、複数のガウス分布の線形結合として表現されるモデルである。モデルは例えば最尤法によってフィッティングされる。特に、データ群の中に複数のまとまりがある場合、混合ガウス分布を用いることにより、クラスタリングを行うことができる。ＧＭＭでは、与えられたデータ点から、複数のガウス分布のそれぞれの平均値および分散を算出する。
（ｉ）各ガウス分布の平均値および分散を初期化する。
（ｉｉ）データ点に与える重みをクラスタ毎に算出する。
（ｉｉｉ）（ｉｉ）によって算出された重みに基づいて、各ガウス分布の平均値および分散を更新する。
（ｉｖ）（ｉｉｉ）によって更新された各ガウス分布の平均値の変化が十分に小さくなるまで（ｉｉ）および（ｉｉｉ）を繰り返して実行する。 <Gaussian mixture distribution>
A Gaussian Mixture (GMM) is an analytical method based on probability distributions, and is a model expressed as a linear combination of multiple Gaussian distributions. The model is fitted, for example, by maximum likelihood. In particular, when there are multiple clusters in the data group, clustering can be performed using mixed Gaussian distributions. GMM calculates the mean and variance of each of multiple Gaussian distributions given the data points.
(i) Initialize the mean and variance of each Gaussian distribution.
(ii) Calculate the weights to be given to the data points for each cluster.
(iii) Update the mean and variance of each Gaussian based on the weights calculated by (ii).
(iv) Repeat (ii) and (iii) until the change in the mean of each Gaussian distribution updated by (iii) is sufficiently small.

（ステップＳ３２０）
プロセッサ２５０は、ターゲットＳＳデータと、ターゲットＳＳデータが割り当てられた類似群と同一の類似群に属する少なくとも１つのＳＳデータの個々のＳＳデータとの間の距離に基づいて類似度を算出する。分類に用いる対象の２つのデータ間の距離は、ｎ次元特徴量によって規定されるｎ次元特徴量空間における２つのデータ点の間の距離で表される。ｎ次元特徴量は、ｎ次元特徴量空間においてｎ次元ベクトルとして表される。距離の典型例は、ユークリッド距離である。ユークリッド距離ｄ（ｘ，ｙ）は、２つのデータ点をＸ（ｘ１，ｘ２，・・・，ｘｎ）、Ｙ（ｙ１，ｙ２，・・・，ｙｎ）とすると、［数１］の数式によって表される。
［数１］
ｄ（ｘ，ｙ）＝［（ｘ１－ｙ１）２＋（ｘ２－ｙ２）２＋・・・＋（ｘｎ－ｙｎ）２］１／２
ただし、ユークリッド距離の他に、例えば、標準化ユークリッド距離、マハラノビス距離、マンハッタン距離、チェビシェフ距離、ミンコフスキー距離、またはベクトルの内積を用いて表されるコサイン類似度などが挙げられる。 (Step S320)
The processor 250 calculates the degree of similarity based on the distance between the target SS data and each SS data of at least one SS data belonging to the same similarity group as the similarity group to which the target SS data is assigned. The distance between two data to be used for classification is represented by the distance between two data points in the n-dimensional feature space defined by the n-dimensional feature. An n-dimensional feature is represented as an n-dimensional vector in an n-dimensional feature space. A typical example of distance is the Euclidean distance. The Euclidean distance d(x , y ) is obtained by [ 1].
[Number 1]
d(x, y)=[(x 1 −y 1 ) 2 +(x 2 −y 2 ) 2 + . . . +(x n −y n ) 2 ] 1/2
However, in addition to the Euclidean distance, for example, standardized Euclidean distance, Mahalanobis distance, Manhattan distance, Chebyshev distance, Minkowski distance, cosine similarity expressed using the inner product of vectors, and the like can be used.

プロセッサ２５０は、算出した距離を類似度としてそのまま利用することができる。または、プロセッサ２５０は、既に説明したとおり、例えば、２つの閾値を用いて、類似度を３つのクラスのいずれかに割り当てることができる。距離が第１閾値よりも小さければ、類似度は「高」に割り当てられる。距離が第１閾値以上であり、かつ第２閾値よりも小さいときは、類似度は「中」に割り当てられる。距離が第２閾値以上であるときは、類似度は「低」に割り当てられる。 The processor 250 can directly use the calculated distance as the degree of similarity. Alternatively, the processor 250 can assign the similarity to one of the three classes, using, for example, two thresholds, as previously described. If the distance is less than the first threshold, the similarity is assigned "high". When the distance is greater than or equal to the first threshold and less than the second threshold, the similarity is assigned "Medium". When the distance is greater than or equal to the second threshold, the similarity is assigned "low".

図６に示される検索ステップＳ４００において、プロセッサ２５０は、クラスタリングを行った結果、ターゲットＳＳデータが割り当てられた類似群と同一の類似群に属する少なくとも１つのＳＳデータの中から、ターゲットのＳＳカーブの形状に類似する形状を有するＳＳカーブを表すＳＳデータを類似度に基づいて検索する。プロセッサ２５０は、さらに、図６に示される表示ステップＳ６００および／または格納ステップＳ７００を実行してもよい。 In the search step S400 shown in FIG. 6, the processor 250 selects, as a result of clustering, at least one piece of SS data belonging to the same similarity group as the similarity group to which the target SS data is assigned, from among at least one piece of SS data of the target SS curve. SS data representing an SS curve having a shape similar to the shape is retrieved based on the degree of similarity. Processor 250 may further perform display step S600 and/or storage step S700 shown in FIG.

クラスタリングを逐次実行する代わりに、学習済みモデルを利用することが可能である。学習済みモデルは、データベース１００に蓄積された複数の試験データの全部または一部のそれぞれに含まれるＳＳデータによって表されるＳＳカーブの形状を特徴付ける少なくとも１つの形状パラメータを含む特徴量を用いてトレーニングされたモデルである。特徴量は、形状パラメータとして、例えば重心パラメータ、面積パラメータおよび曲率パラメータを含む。特徴量は、引張強さ、耐力および伸びなどの力学パラメータをさらに含み得る。さらに、材料のコスト、供給安定性、製品寿命などを特徴量に追加することができる。学習済みモデルの例は分類モデルである。学習済みモデルは、複数の試験データの全部または一部をｋ個（ｋは２以上の整数）の類似群のうちの１つに分類する。 Instead of performing clustering iteratively, it is possible to utilize pre-trained models. The trained model is trained using features including at least one shape parameter that characterizes the shape of the SS curve represented by the SS data included in each of all or part of the plurality of test data accumulated in the database 100. It is a model that has been The feature quantity includes, for example, a center-of-gravity parameter, an area parameter and a curvature parameter as shape parameters. Features may further include mechanical parameters such as tensile strength, yield strength and elongation. In addition, material cost, supply stability, product life, etc. can be added to the features. An example of a trained model is a classification model. The trained model classifies all or part of a plurality of test data into one of k (where k is an integer equal to or greater than 2) similarity groups.

第２の実装例によれば、材料特性のうちの、ＳＳカーブの形状を特徴付ける形状パラメータに着目することにより、形状パラメータを含む特徴量に基づく教師なし学習が可能となる。それぞれがＳＳカーブを表す膨大なデータ群を蓄積したデータベースの検索に、最適なデータ解析アルゴリズムを適用することにより、最適材料の選択または新規な材料の開発を支援することが可能となる。 According to the second implementation example, unsupervised learning based on feature quantities including shape parameters is possible by focusing on the shape parameters that characterize the shape of the SS curve among the material properties. By applying the optimum data analysis algorithm to the search of a database in which a huge amount of data each representing an SS curve has been accumulated, it becomes possible to support the selection of optimum materials or the development of new materials.

［第３の実装例］
第３の実装例は、ターゲットＳＳデータの代わりに、設計範囲を規定するための入力設計パラメータを入力設計データとして検索システムに入力する点において、第１または第２の実装例とは相違する。以下、第１または第２の実装例との相違点を主として説明する。 [Third implementation example]
The third implementation example differs from the first or second implementation example in that instead of the target SS data, input design parameters for defining the design range are input to the search system as input design data. Differences from the first or second implementation example will be mainly described below.

図１０は、第３の実装例による処理手順を示すフローチャートである。図１１は、表示装置２２０に表示されるＧＵＩ８００の表示例を示す図である。 FIG. 10 is a flow chart showing a processing procedure according to the third implementation example. FIG. 11 is a diagram showing a display example of the GUI 800 displayed on the display device 220. As shown in FIG.

第３の実装例による処理フローは、リードステップ、取得ステップ、前処理ステップ、プレ検索ステップおよび検索ステップを含む。 A processing flow according to the third implementation example includes a read step, an acquisition step, a preprocessing step, a pre-search step and a search step.

（リードステップ）
リードステップは、図６に示されるステップＳ２００に相当する。プロセッサ２５０は、複数の試験データのうちの少なくとも２つの試験データに含まれる少なくとも２つのＳＳデータをデータベース１００から読み出す。図１１に示されるＧＵＩ８００は、例えば、データベース（ＤＢ）を選択するためのＤＢウィンドウ８１０、特徴量を指定するための特徴量ウィンドウ８１１、クラスタリング手法の種類を指定するためのクラスタリング手法ウィンドウ８１２、およびクラスタ数を指定するためのクラスタ数ウィンドウ８１３を含んでいる。データベース１００は、例えば合金系統、製造条件、製造プロセスまたは試験条件ごとに複数のグループに区分けされた試験データを格納し得る。ユーザは、マウスを用いてＤＢウィンドウ８１０を介して、読み出し対象のグループを複数のグループの中から選択することができる。 (lead step)
The read step corresponds to step S200 shown in FIG. Processor 250 reads from database 100 at least two pieces of SS data included in at least two pieces of test data among the plurality of pieces of test data. The GUI 800 shown in FIG. 11 includes, for example, a DB window 810 for selecting a database (DB), a feature amount window 811 for specifying feature amounts, a clustering method window 812 for specifying the type of clustering method, and It includes a cluster number window 813 for specifying the number of clusters. Database 100 may store test data divided into multiple groups, for example, by alloy system, manufacturing conditions, manufacturing process, or test conditions. The user can select a group to be read from among a plurality of groups via the DB window 810 using a mouse.

（取得ステップ）
取得ステップは、設計目標を設定するステップＳ７００、クラスタリングに使用する特徴量を選択するステップＳ７１０を含む。 (acquisition step)
The acquisition step includes a step S700 of setting a design goal and a step S710 of selecting a feature quantity to be used for clustering.

ステップＳ７００において、プロセッサ２５０は、複数の材料特性パラメータの中からユーザによって適宜選択される少なくとも１つの材料特性パラメータを、設計規格の範囲（以下、「設計範囲」と表記する。）を規定するための入力設計パラメータとして取得する。複数の材料特性パラメータは、強度、伸びなどの力学パラメータに限定されず、重心、曲率などの形状パラメータを含み得る。例えば、形状パラメータの設計範囲を指定することが可能である場合、つまり、形状パラメータの設計目標値が既に分かっている場合において、複数の材料特性パラメータは、力学パラメータおよび形状パラメータを含み得る。複数の材料特性パラメータは、データベース１００が試験データに関連付けて記憶しているパラメータであってもよいし、プロセッサ２５０がＳＳカーブから導出した力学特性のパラメータであってもよい。 In step S700, the processor 250 selects at least one material property parameter appropriately selected by the user from among a plurality of material property parameters to define the range of the design standard (hereinafter referred to as “design range”). as the input design parameters of The multiple material property parameters are not limited to mechanical parameters such as strength and elongation, but may include shape parameters such as center of gravity and curvature. For example, the plurality of material property parameters may include a mechanical parameter and a geometric parameter where it is possible to specify a design range for the geometric parameter, i.e., where the design target value for the geometric parameter is already known. The plurality of material property parameters may be parameters stored in the database 100 in association with the test data, or may be mechanical property parameters derived from the SS curve by the processor 250 .

ユーザは、ＧＵＩ８００上の特徴量ウィンドウ８１１を介して、例えば強度および伸びの設計範囲を指定することによって、入力設計パラメータをデータ処理装置２００に与える。ユーザは、設計範囲の上限値ｍａｘおよび下限値ｍｉｎを指定することができる。 The user provides input design parameters to the data processing device 200 by specifying, for example, strength and elongation design ranges via a feature window 811 on the GUI 800 . The user can specify the upper limit max and lower limit min of the design range.

ステップ７１０において、ユーザは、クラスタリングに使用する特徴量を、マウスを用いて特徴量ウィンドウ８１１を介して選択する。特徴量ウィンドウ８１１は、重心パラメータ、面積パラメータおよび曲率パラメータなどの形状パラメータの範囲の上限値ｍａｘおよび下限値ｍｉｎをユーザが指定するための入力ボックスを含む。特徴量ウィンドウ８１１は、強度および伸び以外の耐力などの力学パラメータの範囲の上限値ｍａｘおよび下限値ｍｉｎをユーザが指定するための入力ボックスを含み得る。さらに、特徴量ウィンドウ８１１は、材料コストなどの範囲の上限値ｍａｘおよび下限値ｍｉｎをユーザが指定するための入力ボックスを含み得る。 At step 710, the user selects the feature quantity to be used for clustering through the feature quantity window 811 using the mouse. The feature window 811 includes input boxes for the user to specify the upper limit value max and lower limit value min of the range of shape parameters such as the center of gravity parameter, the area parameter and the curvature parameter. The feature amount window 811 may include an input box for the user to specify the upper limit value max and the lower limit value min of the range of dynamic parameters such as proof stress other than strength and elongation. Furthermore, the feature amount window 811 may include an input box for the user to specify the upper limit value max and lower limit value min of a range such as material cost.

（前処理ステップ）
前処理ステップは、図６に示されるステップＳ５００に相当する。プロセッサ２５０は、ユーザによって指定された特徴量をＳＳデータ毎に決定する。ユーザは、ＧＵＩ８００上の特徴量ウィンドウ８１１を介して、機械学習に用いる少なくとも１つの特徴量を指定する。例えば、ユーザによって指定された特徴量は、力学パラメータとして引張強さ、伸びを含み、形状パラメータとして重心パラメータ、面積パラメータおよび曲率パラメータを含む。 (Pretreatment step)
The preprocessing step corresponds to step S500 shown in FIG. The processor 250 determines the feature amount specified by the user for each SS data. A user designates at least one feature amount to be used for machine learning via a feature amount window 811 on the GUI 800 . For example, the feature values specified by the user include tensile strength and elongation as mechanical parameters, and center-of-gravity parameters, area parameters, and curvature parameters as shape parameters.

（プレ検索ステップ）
プレ検索ステップは、指定された手法を用いてクラスリングを行うステップＳ７２０、同一のクラスタに属する材料に関連付けられた複数の材料特性パラメータの統計量をクラスタ毎に算出するステップＳ７３０、および設計規格の中心を包含するターゲットＳＳデータを含むクラスタを統計量に基づいて抽出・有効化するステップＳ７４０を含む。 (pre-search step)
The pre-search step includes a step S720 of performing classing using a specified method, a step S730 of calculating statistics of a plurality of material property parameters associated with materials belonging to the same cluster for each cluster, and a step S730 of design standards. It includes a step S740 of statistically extracting and validating the clusters containing the target SS data containing the center.

ステップＳ７２０において、ユーザは、クラスタリングに使用する手法を、マウスを用いてクラスタリング手法ウィンドウ８１２を介して指定する。プロセッサ２５０は、ユーザが指定したクラスタリングに使用する手法に従ってクラスタリングを行う。例えば、クラスタリング手法ウィンドウ８１２は、ｋ－ｍｅａｎｓ法、ＧＭＭおよびスペクトラルクラスタリングの項目を指定するボックスを含む。ユーザは、４つの項目の中から１つを指定する。ユーザは、さらに、クラスタ数および統計モデルの良さを評価するための指標を、マウスを用いてクラスタ数ウィンドウ８１３を介して指定することができる。クラスタ数ウィンドウ８１３は、統計モデルの良さを評価するための指標として用いられる、赤池情報量基準（ＡＩＣ）またはベイズ情報量基準（ＢＩＣ）を指定するためのボックス、およびクラスタ数ｋを入力するための入力ボックスを含む。ユーザは、赤池情報量基準（ＡＩＣ）またはベイズ情報量基準（ＢＩＣ）を指定することによりクラスタ数ｋを自動で算出することができ、さらに、任意のクラスタ数ｋを手動で入力することもできる。 In step S720, the user specifies the method to be used for clustering via the clustering method window 812 using the mouse. Processor 250 performs the clustering according to the user-specified method used for clustering. For example, the clustering technique window 812 includes boxes that specify items for the k-means method, GMM, and spectral clustering. The user designates one of the four items. The user can further specify the number of clusters and indicators for evaluating the goodness of the statistical model through the number of clusters window 813 using the mouse. The Number of Clusters window 813 is a box for specifying the Akaike Information Criterion (AIC) or the Bayesian Information Criterion (BIC) used as an index for evaluating the goodness of the statistical model, and for entering the number of clusters k. contains an input box for The user can automatically calculate the number of clusters k by specifying the Akaike Information Criterion (AIC) or the Bayesian Information Criterion (BIC), and can also manually input an arbitrary number of clusters k. .

プロセッサ２５０は、指定された手法を用いて、選択された特徴量に基づいて少なくとも２つのＳＳデータをｋ個の類似群（クラスタ）のうちの１つに割り当てる。例えば、プロセッサ２５０は、ｋ－ｍｅａｎｓ法を用いて、ユーザによって選択された、引張強さ、伸び、重心パラメータ、面積パラメータおよび曲率パラメータを含む特徴量に基づいて、少なくとも２つのＳＳデータを４個のクラスタのうちの１つに割り当てる。 Processor 250 assigns at least two pieces of SS data to one of k similarity groups (clusters) based on the selected features using a specified technique. For example, the processor 250 uses the k-means method to generate at least two SS data sets based on user-selected feature quantities including tensile strength, elongation, center of gravity parameter, area parameter and curvature parameter. to one of the clusters.

ステップＳ７３０において、プロセッサ２５０は、同一のクラスタに割り当てられた材料の複数の材料特性パラメータの統計量（平均、最大値、最小値、分散、標準偏差など）をクラスタ毎に算出する。例えばプロセッサ２５０は、引張強さの平均値、分散値、標準偏差、伸びの平均値、分散値、標準偏差をクラスタ毎に算出する。 At step S730, the processor 250 calculates for each cluster statistics (average, maximum value, minimum value, variance, standard deviation, etc.) of a plurality of material property parameters of materials assigned to the same cluster. For example, the processor 250 calculates the mean, variance and standard deviation of tensile strength and the mean, variance and standard deviation of elongation for each cluster.

ステップＳ７４０において、プロセッサ２５０は、ｋ個のクラスタのそれぞれにおいて、各クラスタに割り当てられた少なくとも１つのＳＳデータの中から、設計規格の中心から距離が近いＳＳデータを、算出した統計量に基づいて検索する。例えば、プロセッサ２５０は、４個のクラスタのそれぞれにおいて、算出した平均値、分散値を伴う引張強さの正規分布が、設計規格の中心を包含するか否かを判定する。設計規格の中心は、ユーザによって指定された設計範囲の下限値ｍｉｎおよび上限値ｍａｘの平均値によって規定される。プロセッサ２５０は、引張強さと同様に、４個のクラスタのそれぞれにおいて、算出した平均値、分散値を伴う伸びの正規分布が、設計規格の中心を包含するか否かを判定する。例えば、設計規格の中心を包含するか否かの判定基準として、標準偏差σを用いることができる。プロセッサ２５０は、設計規格の中心が±ｋσ（ｋは１以上の正数）の範囲内にあるか否かを判定する。 In step S740, processor 250 selects SS data closest to the center of the design standard from at least one SS data assigned to each cluster in each of the k clusters based on the calculated statistic. search for. For example, processor 250 determines whether the normal distribution of tensile strength with calculated mean and variance in each of the four clusters encompasses the center of the design code. The center of the design standard is defined by the average value of the lower limit value min and the upper limit value max of the design range specified by the user. Processor 250 determines whether the normal distribution of elongation with the calculated mean and variance in each of the four clusters, as with tensile strength, encompasses the center of the design specification. For example, the standard deviation σ can be used as a criterion for determining whether or not the center of the design standard is included. Processor 250 determines whether or not the center of the design rule is within ±kσ (k is a positive number equal to or greater than 1).

引張強さおよび伸びの正規分布のそれぞれが、設計規格の中心を包含するとき、プロセッサ２５０は、各クラスタに割り当てられた少なくとも１つのＳＳデータの中から、設計規格の中心から距離が近いＳＳデータを抽出する。設計規格の中心から距離が近いＳＳデータは、設計範囲を満足する材料特性を有するＳＳカーブを表す。ここで、設計規格の中心から距離が近いＳＳデータによって表されるＳＳカーブに基づいて決定される引張強さと、目標の引張強さとの誤差は、クラスタの中で最小かつ閾値以下の値を示す。さらに、設計規格の中心から距離が近いＳＳデータによって表されるＳＳカーブに基づいて決定される伸びと、目標の伸びとの誤差は、クラスタの中で最小かつ閾値以下の値を示す。プロセッサ２５０は、ｋ個のクラスタの中から、設計規格の中心から距離が近いＳＳデータが抽出されたｌ個（ｌはｋ以下の整数）のクラスタを有効化する。 When each of the normal distributions of tensile strength and elongation encompasses the center of the design rule, the processor 250 selects the SS data closest to the center of the design rule from at least one SS data assigned to each cluster. to extract SS data closer to the center of the design standard represent SS curves having material properties that satisfy the design range. Here, the error between the tensile strength determined based on the SS curve represented by the SS data with a short distance from the center of the design standard and the target tensile strength is the minimum value in the cluster and below the threshold. . Furthermore, the error between the elongation determined based on the SS curve represented by the SS data whose distance is close to the center of the design standard and the target elongation is the smallest in the cluster and below the threshold value. The processor 250 validates l (l is an integer equal to or less than k) clusters from which SS data having a short distance from the center of the design standard are extracted from k clusters.

第３の実装例では、第１または第２の実装例におけるターゲットのＳＳデータの代わりに、設計目標の強度および伸び等を示す入力設計パラメータが入力される。プレ検索ステップにおいて、ターゲットのＳＳデータに相当する、設計規格の中心から距離が近いＳＳデータが、入力設計パラメータに基づいて検索される。設計規格の中心から距離が近いＳＳデータによって表されるＳＳカーブは、設計範囲を満足する材料特性を有し、第１または第２の実装例におけるターゲットのＳＳカーブに相当する。 In the third implementation example, instead of the target SS data in the first or second implementation example, input design parameters indicating design target strength, elongation, etc. are input. In the pre-retrieval step, SS data corresponding to the target SS data and located close to the center of the design standard are retrieved based on the input design parameters. The SS curve represented by the SS data closer to the center of the design standard has material properties that satisfy the design range and corresponds to the target SS curve in the first or second implementation.

（検索ステップ）
検索ステップは、クラスタを選択するステップＳ７５０、選択したクラスタに割り当てられたＳＳデータに対応する材料を検索するステップＳ７６０を含む。 (search step)
The searching step includes selecting a cluster S750 and searching for materials corresponding to the SS data assigned to the selected cluster S760.

ステップＳ７５０において、プロセッサ２５０は、ステップＳ７４０で有効化されたｌ個のクラスタの情報を表示装置２２０に出力して表示させる。ユーザは、ｋ個のクラスタのうちの、有効化されたｌ個のクラスタの中から検索対象のクラスタを選択する。ユーザは、１つまたはそれ以上のクラスタを検索対象のクラスタとして選択することができる。プロセッサ２５０は、ユーザが選択した検索対象のクラスタを示す情報を取得する。 At step S750, the processor 250 outputs the information of the l clusters validated at step S740 to the display device 220 for display. The user selects a search target cluster from l activated clusters out of k clusters. A user can select one or more clusters to search for. The processor 250 acquires information indicating the search target cluster selected by the user.

ステップＳ７６０において、プロセッサ２５０は、ｋ個のクラスタの中で、ターゲットのＳＳデータを検索できたｌ個のクラスタのうちの、ユーザによって選択されたクラスタに割り当てられたＳＳデータに対応する材料を検索する。 In step S760, the processor 250 retrieves the material corresponding to the SS data assigned to the cluster selected by the user, among the l clusters that were able to retrieve the target SS data, among the k clusters. do.

ある一態様において、プロセッサ２５０は、材料特性パラメータによって規定される設計範囲空間における設計中心の座標と、選択された類似群に属する材料の材料特性パラメータの座標との間の距離に基づいて、選択された類似群にＳＳデータが割り当てられた材料のそれぞれについて理想度を算出する。理想度は、設計中心に近い材料特性パラメータを有する材料であるほど大きくなる値であり、当該距離が小さい材料ほど大きくなる値である。例えば、入力設計パラメータとして強度、耐力、伸びの３つの力学パラメータを与えた場合、３つの力学パラメータによって、３次元の設計範囲空間が規定される。その距離は、３次元の設計範囲空間におけるユークリッド距離で表され得る。 In one aspect, the processor 250 selects based on the distance between the coordinates of the design center in the design range space defined by the material property parameters and the coordinates of the material property parameters of the materials belonging to the selected similarity group. The degree of ideality is calculated for each of the materials to which the SS data are assigned to the similarity group. The degree of ideality is a value that increases as the material has material characteristic parameters closer to the design center, and increases as the distance decreases. For example, when three mechanical parameters of strength, proof stress, and elongation are given as input design parameters, the three mechanical parameters define a three-dimensional design range space. The distance can be represented by the Euclidean distance in the three-dimensional design range space.

距離は、また、３つの力学パラメータのうちの１つまた２つの力学パラメータによって規定される設計範囲空間における２つのデータ点の間の距離で表され得る。例えば、入力設計パラメータとして強度、耐力、伸びの３つの力学パラメータを与えた場合、強度、耐力の２つの力学パラメータによって、２次元平面が規定される。その距離は、その平面における２つのデータ点の間のユークリッド距離で表され得る。また、強度だけを距離の演算に用いることもできる。例えば、プロセッサ２５０は、２つの閾値を用いて、理想度を３つのクラスのいずれか１個にランク付けしてもよい。 Distance may also be expressed as the distance between two data points in the design range space defined by one or two of the three dynamics parameters. For example, when three mechanical parameters of strength, yield strength, and elongation are given as input design parameters, a two-dimensional plane is defined by the two mechanical parameters of strength and yield strength. The distance can be expressed as the Euclidean distance between two data points in the plane. Alternatively, only the intensity can be used to calculate the distance. For example, processor 250 may use two thresholds to rank the ideality into one of three classes.

プロセッサ２５０は、選択されたクラスタに属する材料の中から、理想度の大きい材料を検索する。理想度の大きい材料とは、理想度が閾値以上の材料であってもよいし、理想度が上位規定数（例えば３）以内の材料であってもよい。 The processor 250 searches for materials with a high degree of ideality among the materials belonging to the selected cluster. A material with a high degree of ideality may be a material whose degree of ideality is equal to or greater than a threshold, or may be a material whose degree of ideality is within a higher specified number (for example, 3).

ある他の一態様において、プロセッサ２５０は、選択された類似群において、設計規格の中心から距離が近いＳＳデータ（ターゲットのＳＳデータ）と、選択された類似群に属する、ターゲットのＳＳデータ以外の少なくとも１つのＳＳデータの個々のＳＳデータと、の間の距離に基づいて２つのデータ間の類似度を算出する。ここで、距離は、クラスタリングに用いたｎ次元特徴量によって規定されるｎ次元特徴量空間における２つのデータ点の間の距離で表される。その距離は、例えばユークリッド距離である。 In another aspect, the processor 250 selects SS data (target SS data) that is close to the center of the design standard in the selected similarity group, and SS data other than the target SS data that belongs to the selected similarity group. The degree of similarity between two data is calculated based on the distance between each SS data of at least one SS data. Here, the distance is represented by the distance between two data points in the n-dimensional feature amount space defined by the n-dimensional feature amount used for clustering. The distance is, for example, the Euclidean distance.

プロセッサ２５０は、選択されたクラスタに属する少なくとも１つのＳＳデータの中から、設計範囲を満足する材料特性を有するＳＳカーブの形状に類似する形状を有するＳＳカーブを表すＳＳデータを、ｎ次元特徴量空間における類似度に基づいて検索する。プロセッサ２５０は、算出した距離を類似度としてそのまま利用することができる。または、例えば、プロセッサ２５０は、既に説明したとおり、２つの閾値を用いて、類似度を３つのクラスのいずれかに割り当てることができる。 The processor 250 selects SS data representing an SS curve having a shape similar to the shape of the SS curve having material properties satisfying the design range from among at least one SS data belonging to the selected cluster, as an n-dimensional feature quantity. Search based on spatial similarity. The processor 250 can directly use the calculated distance as the degree of similarity. Or, for example, processor 250 can use two thresholds to assign similarity to one of the three classes, as previously described.

ステップＳ７７０において、プロセッサ２５０は、検索結果を表示装置２２０に出力して表示してもよい。図１１に示されるＧＵＩは、例えば主成分分析の結果８１４を含む。ＧＵＩはさらに、力学特性の統計量（例えば平均μ、標準偏差σ、最大値ｍａｘ、最小値ｍｉｎ）、および、引張強さ、伸びについての設計規格の中心と、検索されたＳＳデータによって表されるＳＳカーブに基づいて決定される引張強さ、伸びと、のそれぞれの誤差（または距離）、その誤差に基づいて決定されるＳＳデータの理想度や類似度のランキングなどを、選択したクラスタ毎に表すリスト８１５を含み得る。さらに、プロセッサ２５０は、図８に示される、組成、製造条件などのＳＳデータの付随情報を表示装置２２０に出力して表示させることができる。 In step S770, the processor 250 may output the search result to the display device 220 for display. The GUI shown in FIG. 11 includes results 814 of principal component analysis, for example. The GUI is further represented by the statistics of the mechanical properties (e.g. mean μ, standard deviation σ, maximum value max, minimum value min), and center of design specification for tensile strength, elongation and retrieved SS data. For each selected cluster, the error (or distance) of each of the tensile strength and elongation determined based on the SS curve, and the ranking of the ideality and similarity of the SS data determined based on the error may include a list 815 representing . Furthermore, the processor 250 can output and display accompanying information of the SS data, such as composition and manufacturing conditions, shown in FIG.

主成分分析の結果８１４は、クラスタリングした結果であるｎ次元特徴量空間におけるデータ点の分布を、多変量解析の１手法である主成分分析を行うことによって２次元に圧縮した結果を示す。これにより、ユーザは、各データ間の相関または特徴量空間におけるデータ点の分布状況を目視で直感的に把握することができる。 The principal component analysis result 814 shows the result of compressing the distribution of data points in the n-dimensional feature amount space, which is the result of clustering, into two dimensions by performing principal component analysis, which is one method of multivariate analysis. This allows the user to visually and intuitively grasp the correlation between data or the distribution of data points in the feature amount space.

プロセッサ２５０は、選択されたクラスタの数だけ、ステップＳ７５０からＳ７７０までの処理を繰り返し実行することができる（ステップＳ７８０）。また、ユーザが、クラスタリングに利用する特徴量を変更する毎に、ステップＳ７１０からＳ７８０までの処理を繰り返し実行することができる（ステップＳ７９０）。 The processor 250 can repeat the processes from steps S750 to S770 by the number of selected clusters (step S780). In addition, each time the user changes the feature amount used for clustering, the processing from steps S710 to S780 can be repeatedly executed (step S790).

第３の実装例は、設計支援ツールに好適に利用される最適な実装例の１つである。ユーザがＧＵＩを介して材料特性の設計範囲を指定し、入力設計パラメータを検索システムに与えることにより、新規の材料、相当材料または代替材料を検討することが可能となる。 The third implementation example is one of the optimum implementation examples that are preferably used for design support tools. A user can specify a design range of material properties via the GUI and provide input design parameters to the search system to explore new, equivalent, or alternative materials.

［実施例］
本願発明者は、第３の実装例の吟味を行った。吟味に用いたそれぞれの試験データは、材料の組成、製造条件が明らかではないアルミ合金のＳＳデータを含む。試験データの総数は、３１１５個である。クラスタリングの手法としてＧＭＭを利用し、最尤法によってモデルをフィッティングした。 [Example]
The inventor of the present application examined the third implementation example. Each test data used for examination includes SS data of an aluminum alloy whose material composition and manufacturing conditions are not clear. The total number of test data is 3115. GMM was used as a clustering method, and the model was fitted by the maximum likelihood method.

図１２は、実施例に用いた特徴量のリスト例を示す図である。本実施例では、重心パラメータ（重心点伸び、重心点応力）、曲率パラメータ、ヤング率、引張強さ、最大応力点（ＹＳ点）伸び、０．１％耐力、０．１％耐力点（０．１％ＹＳ点）伸び、０．２％耐力、０．２％耐力点（０．２％ＹＳ点）伸び、０．５％耐力、０．５％耐力点（０．５％ＹＳ点）伸び、破断伸び、降伏比を含む総数１４個の特徴量をクラスタリングに使用した。 FIG. 12 is a diagram showing an example of a list of feature amounts used in the example. In this embodiment, the center of gravity parameter (center of gravity point elongation, center of gravity point stress), curvature parameter, Young's modulus, tensile strength, maximum stress point (YS point) elongation, 0.1% proof stress, 0.1% proof stress point (0 .1% YS point) elongation, 0.2% yield strength, 0.2% yield strength point (0.2% YS point) elongation, 0.5% yield strength, 0.5% yield strength point (0.5% YS point) A total of 14 features including elongation, elongation at break and yield ratio were used for clustering.

データベースに蓄積された試験データは教師なしデータ群であるために、クラスタリングにおけるクラスタ数は自明ではない。そのため、ＡＩＣやＢＩＣのような情報量基準に基づきクラスタ数を指定することもできるし、プログラム使用者の意図に基づき任意のクラスタ数を試行することもできる。３１１５個のＳＳデータに対して１４個の特徴量を設け、クラスタ数をｋ＝３としてｋ－ｍｅａｎｓ法によるクラスタリングを実施した。 Since the test data stored in the database are unsupervised data groups, the number of clusters in clustering is not obvious. Therefore, it is possible to specify the number of clusters based on information amount criteria such as AIC and BIC, or to try any number of clusters based on the program user's intention. 14 feature values were provided for 3115 SS data, and clustering was performed by the k-means method with the number of clusters set to k=3.

図１３は、１４次元のクラスタリング結果を主成分分析により２次元圧縮表示したものである。横軸は第１主成分を示し、縦軸は第２主成分を示す。主成分分析に先立ち、各特徴量を標準化した。主成分分析の結果としては、第１主成分および第２主成分の両方について、１４個の特徴量のうち重心パラメータに相当する特徴量に対する重み係数が大きく、クラスタリング結果に強く影響するものと考えられる。また、Ｌ１ノルムスパース推定によりクラスタリング結果に寄与する変数を推定した。その結果においても、重心パラメータがクラスタリング結果に大きく寄与することが分かった。 FIG. 13 is a two-dimensional compressed representation of the 14-dimensional clustering results by principal component analysis. The horizontal axis indicates the first principal component, and the vertical axis indicates the second principal component. Each feature was standardized prior to principal component analysis. As a result of the principal component analysis, for both the first principal component and the second principal component, among the 14 feature quantities, the weighting coefficient for the feature quantity corresponding to the centroid parameter is large, which is considered to have a strong influence on the clustering result. be done. Also, the variables contributing to the clustering results were estimated by L1 norm sparse estimation. The result also shows that the centroid parameter greatly contributes to the clustering result.

本実施例の吟味結果は、従来の単独の力学特性のみでは捉えられていなかったＳＳカーブそのものの定量化という視点において、形状パラメータ（従来の力学特性とは異なるパラメータ）、とりわけ、重心パラメータがクラスタリング結果に大きく寄与することを意味する。 The examination results of this example show that the shape parameters (parameters different from conventional mechanical properties), especially the center of gravity parameter, are clustered from the viewpoint of quantifying the SS curve itself, which was not captured by conventional single mechanical properties alone. It means that it contributes significantly to the result.

［第４の実装例］
第４の実装例は、ターゲットの入力データまたは入力パラメータをデータ処理装置２００に入力しない点において、第１から第３の実装例とは相違する。以下、第１から第３の実装例との相違点を主に説明する。 [Fourth implementation example]
The fourth implementation example differs from the first to third implementation examples in that target input data or input parameters are not input to the data processing device 200 . Differences from the first to third implementation examples will be mainly described below.

図１４は、第４の実装例による処理手順を示すフローチャートである。 FIG. 14 is a flow chart showing a processing procedure according to the fourth implementation example.

ステップＳ２００において、プロセッサ２５０は、複数の試験データのうちの少なくとも２つの試験データに含まれる少なくとも２つのＳＳデータをデータベース１００から読み出す。 At step S200, the processor 250 reads from the database 100 at least two pieces of SS data included in at least two pieces of test data among the plurality of pieces of test data.

ステップＳ５００において、プロセッサ２５０は、少なくとも２つのＳＳデータのそれぞれによって表されるＳＳカーブの形状に基づいて、形状を特徴付ける少なくとも１つの形状パラメータをＳＳデータ毎に決定する。 At step S500, the processor 250 determines, for each SS data, at least one shape parameter characterizing the shape based on the shape of the SS curve represented by each of the at least two SS data.

ステップＳ３１０において、プロセッサ２５０は、機械学習法を用いて、少なくとも１つの形状パラメータを含む特徴量に基づいて少なくとも２つのＳＳデータをｋ個（ｋは２以上の整数）の類似群のうちの１つに割り当てる。機械学習法の例はクラスタリングである。 In step S310, the processor 250 uses a machine learning method to classify at least two pieces of SS data into one of k (k is an integer of 2 or more) similarity groups based on feature quantities including at least one shape parameter. assign to one. An example of a machine learning method is clustering.

ステップＳ３２０において、プロセッサ２５０は、割り当てを行った結果、同一の類似群に属する少なくとも２つのＳＳデータの個々のＳＳデータ間の距離に基づいて個々のＳＳデータ間の類似度を算出する。クラスタリングに用いる対象の２つのデータ間の距離は、ｎ次元特徴量によって規定されるｎ次元特徴量空間における２つのデータ点の間の距離で表される。距離の例は、ユークリッド距離である。 In step S320, the processor 250 calculates the degree of similarity between individual SS data based on the distance between individual SS data of at least two SS data belonging to the same similarity group as a result of the assignment. The distance between two data to be used for clustering is represented by the distance between two data points in the n-dimensional feature space defined by the n-dimensional feature. An example distance is the Euclidean distance.

ステップＳ４００において、プロセッサ２５０は、同一の類似群に属する少なくとも２つのＳＳデータの中から、互いに類似する２つのＳＳデータを含む２つの試験データを類似度に基づいて検索する。このとき、例えば、ユーザは、図１１に示されるＧＵＩ８００の特徴量ウィンドウ８１１のボックスに引張強さまたは重心パラメータの設計範囲を入力してもよい。プロセッサ２５０はその情報を受け取り、設計範囲内にあるＳＳデータを含む試験データに検索対象をさらに絞り込むことができる。第１または第２の実装例と同様に、プロセッサ２５０は、さらに、図６に示される表示ステップＳ６００および／または格納ステップＳ７００を実行してもよい。 In step S400, the processor 250 searches for two test data including two mutually similar SS data from at least two SS data belonging to the same similarity group based on similarity. At this time, for example, the user may input the tensile strength or the design range of the center-of-gravity parameter in the box of the feature window 811 of the GUI 800 shown in FIG. Processor 250 receives that information and can further narrow the search to test data that includes SS data that is within the design range. Similar to the first or second implementation, the processor 250 may additionally perform the display step S600 and/or the storage step S700 shown in FIG.

図１５は、表示装置２２０に表示される検索結果の表示例を示す図である。この表示例は、組成および製造条件が互いに異なる２つの材料（破線で囲まれた１番および３番の材料）に関連付けられた２つの試験データに含まれる２つのＳＳデータが、ｎ次元特徴量空間において近い距離に位置していることを示している。ユーザはこの検索結果の表示を見ることにより、２つの材料は、ｎ次元特徴量空間において類似している材料であることを視覚的に把握できる。ユーザは、各特徴量に基づいて材料特性を横並びに比較することができる。 FIG. 15 is a diagram showing a display example of search results displayed on the display device 220. As shown in FIG. In this display example, two SS data included in two test data associated with two materials (materials No. 1 and No. 3 surrounded by dashed lines) with different compositions and manufacturing conditions are used as n-dimensional feature values. It indicates that they are located at a short distance in space. By viewing the display of the search results, the user can visually grasp that the two materials are similar in the n-dimensional feature amount space. The user can compare material properties side-by-side based on each feature.

（実施形態２）
図１６および図１７を参照して、本実施形態に係る試験装置６００を説明する。 (Embodiment 2)
A test apparatus 600 according to the present embodiment will be described with reference to FIGS. 16 and 17. FIG.

図１６は、実施形態２に係る試験装置６００の構成例を示す模式図である。図１７は、データ処理装置７００に表示される測定結果の表示例を示す図である。 FIG. 16 is a schematic diagram showing a configuration example of a test device 600 according to the second embodiment. FIG. 17 is a diagram showing a display example of measurement results displayed on the data processing device 700. As shown in FIG.

試験装置６００は、試験機６１０およびデータ処理装置７００を備える。試験機６１０は、ＳＳカーブを表すＳＳデータを取得することが可能な試験機である。試験機６１０は、引張試験、曲げ試験または圧縮試験に用いられる。データ処理装置７００は、試験機６１０から出力されるＳＳデータを処理する。データ処理装置７００は、試験機６１０から出力されるＳＳデータを処理するための専用のソフトウェアを実装したパーソナルコンピュータまたは専用の測定装置であり得る。 The testing device 600 includes a testing machine 610 and a data processing device 700 . A testing machine 610 is a testing machine capable of acquiring SS data representing an SS curve. Tester 610 is used for tensile, bending or compression testing. The data processing device 700 processes SS data output from the testing machine 610 . The data processing device 700 can be a personal computer or a dedicated measurement device that implements dedicated software for processing the SS data output from the testing machine 610 .

試験機６１０およびデータ処理装置７００のセットとして試験装置６００は販売され得る。または、試験機６１０および専用のパッケージソフトウェアのセットとして試験装置６００は販売され得る。 Tester 600 may be sold as a set of tester 610 and data processor 700 . Alternatively, tester 600 may be sold as a set of tester 610 and proprietary packaged software.

試験機６１０は、試験片６１１の掴み治具６１２および通信Ｉ／Ｆ（不図示）を備える。通信Ｉ／Ｆは、試験機６１０とデータ処理装置７００との間でデータ通信を行うためのインタフェースである。ＳＳデータが転送可能であればその形態、プロトコルは限定されない。例えば、通信Ｉ／Ｆは、ＵＳＢ、ＩＥＥＥ１３９４（登録商標）、またはイーサネット（登録商標）などに準拠した有線通信を行うことができる。通信Ｉ／Ｆは、Ｂｌｕｅｔｏｏｔｈ（登録商標）規格および／またはＷｉ－Ｆｉ（登録商標）規格に準拠した無線通信を行うことができる。いずれの規格も、２．４ＧＨｚ帯の周波数を利用した無線通信規格を含む。 The testing machine 610 includes a gripping jig 612 for a test piece 611 and a communication I/F (not shown). The communication I/F is an interface for data communication between the testing machine 610 and the data processing device 700 . As long as SS data can be transferred, its form and protocol are not limited. For example, the communication I/F can perform wired communication conforming to USB, IEEE1394 (registered trademark), Ethernet (registered trademark), or the like. The communication I/F can perform wireless communication conforming to the Bluetooth (registered trademark) standard and/or the Wi-Fi (registered trademark) standard. Both standards include wireless communication standards using frequencies in the 2.4 GHz band.

データ処理装置７００は、プロセッサ２５０と、プロセッサの動作を制御するプログラムを記憶するメモリと、試験機６１０とデータ処理装置７００との間でデータ通信を行うための通信Ｉ／Ｆ２３０と、表示装置２２０と、を備える（図２を参照）。メモリは、ＲＯＭ２６０および／またはＲＡＭ２７０を含み、単一の記録媒体である必要はなく、複数の記録媒体の集合であり得る。 The data processing device 700 includes a processor 250, a memory storing a program for controlling the operation of the processor, a communication I/F 230 for performing data communication between the testing machine 610 and the data processing device 700, and a display device 220. and (see FIG. 2). The memory includes ROM 260 and/or RAM 270, and need not be a single storage medium, but can be a collection of multiple storage media.

データ処理装置７００のプロセッサ２５０は、メモリに格納されたプログラムに従って、試験機６１０から出力されるＳＳデータを取得し、ＳＳデータによって表されるＳＳカーブの形状に基づいて、形状を特徴付ける少なくとも１つの形状パラメータを決定する。プロセッサ２５０は、さらに、ＳＳデータおよび少なくとも１つの形状パラメータをメモリに書き込む。形状を特徴付ける少なくとも１つの形状パラメータは、実施形態１において説明した種々の形状パラメータであり得る。 The processor 250 of the data processing device 700 acquires the SS data output from the testing machine 610 according to a program stored in the memory, and based on the shape of the SS curve represented by the SS data, at least one Determine shape parameters. Processor 250 also writes the SS data and at least one shape parameter to memory. The at least one shape parameter characterizing the shape can be various shape parameters described in the first embodiment.

データ処理装置７００のプロセッサ２５０は、メモリからＳＳデータおよび少なくとも１つの形状パラメータを読み出し、少なくとも１つの形状パラメータ、およびＳＳデータによって表されるＳＳカーブを表示装置２２０に表示させる。図１７に示されるように、例えば、表示装置２２０に表示される測定結果の表示９００は、ＳＳカーブを示す引張試験結果、解析項目、および決定された力学パラメータおよび形状パラメータを含むリストを含む。解析項目は、各種の力学パラメータおよび形状パラメータを選択するボックスを含み、ユーザが解析対象に選択した項目のパラメータがリストに表示される。測定結果の表示は、さらに、ＳＳデータが得られた、材料試験の条件、材料の組成、製造条件などの付随情報を含んでいてもよい。 The processor 250 of the data processing device 700 reads the SS data and at least one shape parameter from memory and causes the display device 220 to display the SS curve represented by the at least one shape parameter and the SS data. As shown in FIG. 17, for example, a measurement result display 900 displayed on the display device 220 includes a list including tensile test results showing SS curves, analysis items, and determined mechanical and shape parameters. The analysis item includes boxes for selecting various mechanical parameters and shape parameters, and the parameters of the item selected by the user for analysis are displayed in a list. The display of the measurement results may also include additional information such as material testing conditions, material composition, manufacturing conditions, etc. under which the SS data was obtained.

データ処理装置７００は、外部の記憶装置（不図示）に通信可能に接続することができる。例えば、外部の記憶装置は、膨大な試験データを蓄積したデータベース１００またはデータベース１００とは異なる他のデータベースであり得る。データ処理装置７００のプロセッサ２５０は、決定した少なくとも１つの形状パラメータを外部の記憶装置に書き込んでもよい。プロセッサ２５０は、さらに、ＳＳデータが得られた、材料試験の条件、材料の組成、製造条件、およびＳＳカーブの形状に基づいて決定される力学特性のうちの少なくとも１つを外部の記憶装置に格納し得る。例えば、材料試験を行うたびに取得される、それぞれが形状パラメータの情報を含む、多数の測定結果をデータベースに蓄積することが可能である。そのようなデータベースは、実施形態１に係る検索システム１０００のデータベース１００として有効活用され、またはデータベース１００と共に有効活用され得る。 The data processing device 700 can be communicatively connected to an external storage device (not shown). For example, the external storage device can be the database 100 storing a large amount of test data or another database different from the database 100 . Processor 250 of data processing device 700 may write the determined at least one shape parameter to an external storage device. The processor 250 further stores at least one of the mechanical properties determined based on the material test conditions, the material composition, the manufacturing conditions, and the shape of the SS curve from which the SS data was obtained in an external storage device. can be stored. For example, it is possible to store in a database a large number of measurements, each containing geometric parameter information, taken each time a material test is performed. Such a database can be effectively used as the database 100 of the search system 1000 according to the first embodiment, or can be effectively used together with the database 100. FIG.

本実施形態に係る試験装置は、ＳＳカーブを含む従来の引張試験結果と共に、ＳＳカーブの形状を特徴付ける形状パラメータの情報をユーザに提供し、これにより、新規の材料の設計・開発を支援することが可能となる。 The test apparatus according to the present embodiment provides the user with information on the shape parameters that characterize the shape of the SS curve along with the conventional tensile test results including the SS curve, thereby supporting the design and development of new materials. becomes possible.

本開示の技術は、最適材料の選択または新規な材料の開発に加え、最適材料に相当する相当材料または最適材料を代替する代替材料を設計・開発するために用いられる設計支援ツールにおいて広く用いられ得る。 The technology of the present disclosure is widely used in design support tools used for designing and developing equivalent materials that correspond to optimal materials or alternative materials that replace optimal materials, in addition to selecting optimal materials or developing new materials. obtain.

１００ ：記憶装置（データベース）
２００ ：データ処理装置
２０１ ：データ処理装置の本体
２１０ ：入力装置
２２０ ：表示装置
２３０ ：通信Ｉ／Ｆ
２４０ ：記憶装置
２５０ ：プロセッサ
２６０ ：ＲＯＭ
２７０ ：ＲＡＭ
１０００：類似材料検索システム 100: storage device (database)
200: data processing device 201: main body of data processing device 210: input device 220: display device 230: communication I/F
240: storage device 250: processor 260: ROM
270: RAM
1000: Similar Material Search System

Claims (8)

プロセッサと、
前記プロセッサの動作を制御するプログラムを記憶するメモリと、
それぞれが、材料に関連付けられており、応力－ひずみ曲線を表すＳＳデータを含む、複数の試験データを記憶した記憶装置と、
を備え、
前記プロセッサは、前記プログラムに従って、
複数の材料特性パラメータの中から適宜選択される少なくとも１つの材料特性パラメータを、設計範囲を規定するための入力設計パラメータとして取得する取得ステップと、
前記複数の試験データのうちの少なくとも２つの試験データに含まれる少なくとも２つのＳＳデータを前記記憶装置から読み出すリードステップと、
前記少なくとも２つのＳＳデータのそれぞれによって表される応力－ひずみ曲線の形状を特徴付ける少なくとも１つの形状パラメータを含む、機械学習に用いる特徴量をＳＳデータ毎に決定する前処理ステップと、
機械学習法を用いて、前記特徴量に基づいて前記少なくとも２つのＳＳデータをｋ個（ｋは２以上の整数）の類似群のうちの１つに割り当てることと、
前記ｋ個の類似群のそれぞれにおいて、各類似群に割り当てられた少なくとも２つのＳＳデータの中から、前記入力設計パラメータが規定する前記設計範囲を満足する前記材料特性パラメータを有するターゲットの材料を検索することと、
を含むプレ検索ステップと、
前記ｋ個の類似群の中で、前記ターゲットの材料を検索できたｌ個（ｌはｋ以下の整数）の類似群のうちの、ユーザによって選択された類似群に割り当てられたＳＳデータに対応する材料を検索する検索ステップと、
を実行する、類似材料検索システム。 a processor;
a memory that stores a program that controls the operation of the processor;
a storage device storing a plurality of test data, each associated with a material and including SS data representing a stress-strain curve;
with
The processor, according to the program,
an obtaining step of obtaining at least one material property parameter appropriately selected from among a plurality of material property parameters as an input design parameter for defining a design range;
a read step of reading at least two pieces of SS data included in at least two pieces of test data out of the plurality of pieces of test data from the storage device;
A preprocessing step of determining, for each SS data, a feature quantity used for machine learning, including at least one shape parameter that characterizes the shape of the stress-strain curve represented by each of the at least two SS data;
Using a machine learning method, assigning the at least two SS data to one of k (k is an integer of 2 or more) similarity groups based on the feature amount;
In each of the k similarity groups, search for a target material having the material property parameter that satisfies the design range defined by the input design parameter from at least two SS data assigned to each similarity group. and
a pre-search step comprising
Corresponds to the SS data assigned to the similarity group selected by the user from among the l similarity groups (l is an integer equal to or less than k) in which the target material could be retrieved among the k similarity groups a search step for searching for materials to
similar material search system. 前記少なくとも１つの形状パラメータは、応力－ひずみ曲線の形状の重心によって規定される重心パラメータを含む、請求項１に記載の類似材料検索システム。 2. The similar materials retrieval system of claim 1, wherein the at least one shape parameter comprises a center of gravity parameter defined by the center of gravity of the shape of the stress-strain curve. 前記少なくとも１つの形状パラメータは、応力－ひずみ曲線の、形状の面積、曲率、長さ、傾きによってそれぞれ規定される複数の形状パラメータのうちの少なくとも１つをさらに含む、請求項２に記載の類似材料検索システム。 3. The analog of claim 2, wherein said at least one shape parameter further comprises at least one of a plurality of shape parameters respectively defined by shape area, curvature, length, slope of the stress-strain curve. Material retrieval system. 前記機械学習法はクラスタリングである、請求項１から３のいずれかに記載の類似材料検索システム。 4. The similar material retrieval system according to any one of claims 1 to 3, wherein said machine learning method is clustering. 前記プロセッサは、検索した材料の組成、製造条件、材料試験の条件、前記試験データに含まれるＳＳデータによって表される応力－ひずみ曲線に基づいて決定される力学特性、および前記材料が良品であるか否かを示す良品情報のうちの少なくとも１つを含む検索結果を表示装置に出力して表示させる表示ステップをさらに実行する、請求項１から４のいずれかに記載の類似材料検索システム。 The processor determines the composition of the retrieved material, manufacturing conditions, material test conditions, the stress-strain curve represented by the SS data included in the test data - mechanical properties determined based on the strain curve, and the material is non-defective 5. The similar material retrieval system according to any one of claims 1 to 4, further comprising a display step of outputting and displaying a retrieval result including at least one of non-defective item information indicating whether or not the material is non-defective on a display device. 前記応力－ひずみ曲線は、アルミニウム合金の応力－ひずみ曲線である、請求項１から５のいずれかに記載の類似材料検索システム。 The similar material retrieval system according to any one of claims 1 to 5, wherein the stress-strain curve is a stress-strain curve of an aluminum alloy. 応力－ひずみ曲線を表すＳＳデータを取得することが可能な試験機と、
前記試験機から出力される前記ＳＳデータを処理するデータ処理装置と、
を備え、
前記データ処理装置は、
プロセッサと、
前記プロセッサの動作を制御するプログラムを記憶するメモリと、
を有し、
前記プロセッサは、前記プログラムに従って、
前記試験機から出力される前記ＳＳデータを取得し、
前記ＳＳデータによって表される前記応力－ひずみ曲線の形状に基づいて、前記形状を特徴付ける少なくとも１つの形状パラメータを決定し、
前記ＳＳデータおよび前記少なくとも１つの形状パラメータを前記メモリに書き込む、
試験装置。 A testing machine capable of acquiring SS data representing a stress-strain curve,
a data processing device for processing the SS data output from the testing machine;
with
The data processing device is
a processor;
a memory that stores a program that controls the operation of the processor;
has
The processor, according to the program,
Acquiring the SS data output from the testing machine,
determining at least one shape parameter characterizing the shape based on the shape of the stress-strain curve represented by the SS data;
writing the SS data and the at least one shape parameter to the memory;
test equipment. 複数の材料特性パラメータの中から適宜選択される少なくとも１つの材料特性パラメータを、設計範囲を規定するための入力設計パラメータとして取得する取得ステップと、
それぞれが、材料に関連付けられており、応力－ひずみ曲線を表すＳＳデータを含む、複数の試験データを記憶した記憶装置から、前記複数の試験データのうちの少なくとも２つの試験データに含まれる少なくとも２つのＳＳデータを読み出すリードステップと、
前記少なくとも２つのＳＳデータのそれぞれによって表される応力－ひずみ曲線の形状を特徴付ける少なくとも１つの形状パラメータを含む、機械学習に用いる特徴量をＳＳデータ毎に決定する前処理ステップと、
機械学習法を用いて、前記特徴量に基づいて前記少なくとも２つのＳＳデータをｋ個（ｋは２以上の整数）の類似群のうちの１つに割り当てることと、
前記ｋ個の類似群のそれぞれにおいて、各類似群に割り当てられた少なくとも２つのＳＳデータの中から、前記入力設計パラメータが規定する前記設計範囲を満足する前記材料特性パラメータを有するターゲットの材料を検索することと、
を含むプレ検索ステップと、
前記ｋ個の類似群の中で、前記ターゲットの材料を検索できたｌ個（ｌはｋ以下の整数）の類似群のうちの、ユーザによって選択された類似群に割り当てられたＳＳデータに対応する材料を検索する検索ステップと、
をコンピュータに実行させるコンピュータプログラム。 an obtaining step of obtaining at least one material property parameter appropriately selected from among a plurality of material property parameters as an input design parameter for defining a design range;
from a storage device storing a plurality of test data, each associated with a material and comprising SS data representing a stress-strain curve, at least two a read step of reading one SS data;
A preprocessing step of determining, for each SS data, a feature quantity used for machine learning, including at least one shape parameter that characterizes the shape of the stress-strain curve represented by each of the at least two SS data;
Using a machine learning method, assigning the at least two pieces of SS data to one of k similarity groups (where k is an integer equal to or greater than 2) based on the feature quantity;
In each of the k similarity groups, search for a target material having the material property parameter that satisfies the design range defined by the input design parameter from at least two SS data assigned to each similarity group. and
a pre-search step comprising
Corresponds to the SS data assigned to the similarity group selected by the user from among the l similarity groups (l is an integer equal to or less than k) in which the target material could be retrieved among the k similarity groups a search step for searching for materials to
A computer program that causes a computer to execute
JP2019095086A 2019-05-21 2019-05-21 Similar material search system, test equipment and computer program Active JP7272582B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019095086A JP7272582B2 (en) 2019-05-21 2019-05-21 Similar material search system, test equipment and computer program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019095086A JP7272582B2 (en) 2019-05-21 2019-05-21 Similar material search system, test equipment and computer program

Publications (2)

Publication Number Publication Date
JP2020190863A JP2020190863A (en) 2020-11-26
JP7272582B2 true JP7272582B2 (en) 2023-05-12

Family

ID=73454630

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019095086A Active JP7272582B2 (en) 2019-05-21 2019-05-21 Similar material search system, test equipment and computer program

Country Status (1)

Country Link
JP (1) JP7272582B2 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4343578A1 (en) * 2021-05-18 2024-03-27 Panasonic Holdings Corporation Information provision device, information provision method, and program

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005250527A (en) 2004-03-01 2005-09-15 Fujitsu Ltd Material database processor, method, and program
JP2008142774A (en) 2006-11-14 2008-06-26 Jfe Steel Kk Method, system and program for stress-strain relation simulation, and recording medium recording the program
JP2017161265A (en) 2016-03-07 2017-09-14 新日鐵住金株式会社 Apparatus and method for deriving material parameter of single crystal material

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005250527A (en) 2004-03-01 2005-09-15 Fujitsu Ltd Material database processor, method, and program
JP2008142774A (en) 2006-11-14 2008-06-26 Jfe Steel Kk Method, system and program for stress-strain relation simulation, and recording medium recording the program
JP2017161265A (en) 2016-03-07 2017-09-14 新日鐵住金株式会社 Apparatus and method for deriving material parameter of single crystal material

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
辻上 哲也、外３名，ＸＭＬとＪａｖａを用いた材料特性評価システム，情報知識学会誌，日本，情報知識学会，2005年02月10日，第１５巻，第１号，Ｐ．１２－２９

Also Published As

Publication number Publication date
JP2020190863A (en) 2020-11-26

Similar Documents

Publication Publication Date Title
Chauhan et al. An efficient data mining classification approach for detecting lung cancer disease
CN111914090B (en) Method and device for enterprise industry classification identification and characteristic pollutant identification
WO2020199345A1 (en) Semi-supervised and heterogeneous software defect prediction algorithm employing github
JP4391506B2 (en) Evaluation apparatus, evaluation method, and evaluation program
CN107016416B (en) Data classification prediction method based on neighborhood rough set and PCA fusion
JP7411977B2 (en) Machine learning support method and machine learning support device
CN111338950A (en) Software defect feature selection method based on spectral clustering
CN112270596A (en) Risk control system and method based on user portrait construction
Shilaskar et al. Diagnosis system for imbalanced multi-minority medical dataset
WO2021199201A1 (en) Risk evaluation device, risk evaluation method, and program
JP7272582B2 (en) Similar material search system, test equipment and computer program
Xue et al. Similarity-based prediction method for machinery remaining useful life: A review
CN111309577A (en) Spark-oriented batch processing application execution time prediction model construction method
CN110956331A (en) Method, system and device for predicting operation state of digital factory
CN116578677B (en) Retrieval system and method for medical examination information
CN112241832A (en) Product quality grading evaluation standard design method and system
CN117078960A (en) Near infrared spectrum analysis method and system based on image feature extraction
Khurjekar et al. Automated, high-accuracy classification of textured microstructures using a convolutional neural network
JP6529688B2 (en) Selection apparatus, selection method, and selection program
CN110879821A (en) Method, device, equipment and storage medium for generating rating card model derivative label
Zhang et al. A hierarchical feature selection model using clustering and recursive elimination methods
US20230385664A1 (en) A computer-implemented method for deriving a data processing and inference pipeline
Budiyanto et al. The Prediction of Best-Selling Product Using Naïve Bayes Algorithm (A Case Study at PT Putradabo Perkasa)
Fahrudin et al. Classification of Toddler Nutritional Status Based on Antrophometric Index and Feature Discrimination using Support Vector Machine Hyperparameter Tuning
KR101559457B1 (en) Method and apparatus of class-specific weighting based for image retrieval based on bag-of-word model

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220317

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230315

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230328

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230419

R150 Certificate of patent or registration of utility model

Ref document number: 7272582

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150