熱硬化性樹脂コンポジットにおける物性予測に向けた機械学習モデル構築

DOI Web Site 被引用文献1件 参考文献19件
  • 高原 渉
    パナソニック株式会社 インダストリアルソリューションズ社 電子材料事業部 技術開発センター，〒571-8686 大阪府門真市大字門真1048番地
  • 小林 優希
    パナソニック株式会社 インダストリアルソリューションズ社 電子材料事業部 技術開発センター，〒571-8686 大阪府門真市大字門真1048番地
  • 森田 将司
    パナソニック株式会社 インダストリアルソリューションズ社 電子材料事業部 技術開発センター，〒571-8686 大阪府門真市大字門真1048番地
  • 奥山 浩二郎
    パナソニック株式会社 インダストリアルソリューションズ社 電子材料事業部 技術開発センター，〒571-8686 大阪府門真市大字門真1048番地
  • 川村 信行
    パナソニック株式会社 インダストリアルソリューションズ社 電子材料事業部 技術開発センター，〒571-8686 大阪府門真市大字門真1048番地

書誌事項

タイトル別名
  • Building Machine Learning Models on Thermosetting Resin Composite Materials toward the Prediction of Physical Characteristics

抄録

<p>本研究では自社の実験データを用いて，熱硬化性樹脂コンポジットを工業応用する際に重要となる比誘電率(ε)，誘電正接(tanδ)予測に向けた機械学習モデルを構築した．機械学習モデルの構築には近年注目を集めている勾配ブースティング木(GBDT)系のアルゴリズムを含む幅広い手法を採用した．複数の手法にて構築したモデルの中で，Training data setにおける交差検証(Cross-validation)時の決定係数R2CV > 0.8を満たすモデルを抽出した．更にTraining data set においてRMSE (Root Mean Square Error)及びMAE (Mean Absolute Error)の値が小さく，より定量的な物性予測が可能と考えられるモデルを選択し，Test data setにおける評価を行った．その結果，RMSEやMAEがε及びtanδそれぞれの平均値に対して10−1∼10−2オーダーで物性予測可能な機械学習モデルが得られた．本結果より，熱硬化性樹脂コンポジットにおいてもMI (Materials Informatics)によるアプローチが有効であり，定量的な特性予測が可能であることを初めて実証した．今後の開発において，本アプローチを用いることで材料開発期間の短縮及び材料開発の促進を期待する．</p>

収録刊行物

被引用文献 (1)*注記

もっと見る

参考文献 (19)*注記

もっと見る

キーワード

詳細情報 詳細情報について

問題の指摘

ページトップへ