𝑛𝑛� 𝜕𝜕𝐷𝐷𝐷𝐷𝜕𝜕𝐷𝐷𝐷𝐷𝑄𝑄1𝑅𝑅𝑅𝑅��𝑛𝑛 𝑛𝑛d�f𝐷𝐷𝐷𝐷�𝜕𝜕�𝜕𝜕0𝜀𝜀�exp��𝜕𝜕𝜕𝜕𝜕𝜕𝜀𝜀d𝜀𝜀�𝑚𝑚1𝑛𝑛�1���𝜕𝜕𝐷𝐷𝐷𝐷�図6 動的球状化率の実験値・計算値の相関性 機械学習では様々なアルゴリズムから加工条件・動的球状化率の関係からクラスタリング(Ward法)，および加工条件と動的球状化率をリンクするための回帰手法としてNNを採用して機械学習(Python-Scikit learn (v. 0.24.1))を実施している．機械学習アルゴリズムおよび使用したソースコードの概要については例えば文献5)を参照されたい．また，以下の機械学習では，加工温度(750℃∼950℃)，ひずみ速度(0.001s-1~1s-1)，相当ひずみ量(0.56~2.2)の範囲の条件で実験的に計測された動的球状化率との関係からデータセットを構築・機械学習を実施している．本研究でのNN解析では，加工条件である温度，ひずみ速度，ひずみ量を入力変数(説明変数)として，また動的球状化率を出力変数(目的変数)としてバイアス含め4つのユニットを入力変数としてシンプルに1層の中間層(入力変数と同数のユニット)を配置して回帰を実施している． 図6は全加工条件に対して動的球状化率を予測したJMAK則およびNNでの最適化した結果であり，実験値と予測値の相関性をまとめている．ここでの実験値および予測値は図中に示した式から規格値を導出して，それを値として表示しているため直接的に動的球状化率の値ではないことは留意されたい．この図6よりJMAK則およびNNの結果ともにおおよそ良好な正の相関性が観察されるもののバラツキも大きく，予測精度も悪いことがわかる．先述した塑性流動特性の結果とは異なり，NNにおいも予測精度が悪い．これはすべての加工条件を包括的に取扱い，一様に動的球状化の現象論を議論しようとしたためで支配因子が加工条件毎で異なる可能性を無視していること図7 クラスター分析(Ward法) デンドログラム図 図8 動的球状化率 実験値・計算値の相関性 (Gr. 1) となる．そのため，加工条件を適切にクラスター化・分類する必要があるものの，現象論から推定して適切な線引きをすることが出来ない．そのためここでは，機械学習としてWard法で階層型クラスター分析を実施した．図7はその結果であり，デンドログラム図にて分析結果をまとめている．ここでクラスター分析においては加工後組織の特徴量に対してWard法でクラスター化している．図7より，大きく3つの条件域でクラスター化され特徴量をまとめるとGr.1のクラスターでは高温・高動的球状化率に相当，Gr.2のクラスターでは低温・中動的球状化率に相当，またGr.3のクラスターでは低温・低動的球状化率に相当している．このように傾向として大きく3つの加工条件域で大別することができることがわかる．次にそれぞれのクラスタ 𝜕𝜕𝜕𝜕𝜕𝜕𝜀𝜀𝑐𝑐d𝜀𝜀𝑐𝑐� (3-3) 𝜕𝜕𝜕𝜕𝜕𝜕𝜕𝜕d𝜕𝜕 �3�2�,- 31 -
元のページ ../index.html#33