図7Ward法でクラスタリングした各加工条件域(グループ)でのJMAK則・NN回帰(球状化率)での予測値と実験値関係図8NN回帰感度解析結果■■■■■■■■■■図9FEM-動的球状化分率結果(a) JMAK, (b) 機械学習結果ープ毎でのJMAK則およびNN回帰の結果(実験結果との比較)をまとめている．これより，いずれのグループにおいてもNN回帰では良い相関性が観察される．一方でJMAK則においてはグループ1の加工条件にて良い相関性が観察されるものの，グループ2, 3ではバラツキが大きく相関性が低い．グループ1の加工条件は高温での加工条件域に相当し，動的球状化率も高い(球状化現象が促進)条件に相当する．つまりこのグループ1では熱活性化過程がより強い加工条件であり，そのためにグループ1でのみJMAK則がより反映されたと推察される．他方，NN回帰の結果では熱活性化過程の影響が弱いグループ2, 3でも精緻に回帰できており，次の感度解析の結果にて各プロセス因子の影響度を定量化する．図8は図7で得られた結果での各プロセス因子の感度解析をまとめている．ここでの感度(重要度)は各プロセス因子の平均値を基準に一種類のプロセス因子だけを変化させ，出力因子の変化量をプロセス因子毎で相対的に表した数値・割合である．そのためこの値が高い程，出力因子に対するそのプロセス因子の影響度が大きい事を意味する．中温域の加工で動的球状化率も中程度に高いグループ2の加工条件では，動的球状化においてひずみ量およびひずみ速度が高い影響因子を示し，特にひずみ速度が最も影響するプロセス因子である事が判定された．また，より低温域での加工で動的球状化率も低いグループ3の加工条件域では，加工温度とひずみ速度の影響度が高い．一方で，JMAK則が適用できる熱活性化過程の寄与が強い(動的再結晶率が高い)グループ1の加工条件域では特にひずみ量の影響度が高く，加工温度およびひずみ速度の影響度がほぼ同程度である．この結果より，動的球状化現象はプロセス条件に強く依存して，熱活性化過程の寄与が強い条件ではひずみ量の影響度が最も高く，一方で熱活性化過程の影響が小さくなるに伴いひずみ量の影響度が弱くなり，一方で加工温度およびひずみ速度の影響度が高くなる事が理解できた．この結果は，すべての加工条件で塑性流動特性(応力値)がZ因子で一元的に整理できていたとしても(図3)，加工条件に依存して各プロセス因子の影響度は大きく異なる事を示唆しており，そのためにJMAK則においてもすべての加工条件を包括した場合で大きなバラツキを生じる結果となった(図6(b))．■■ ■ ．■■■解析ff数理モデルff■■■■則■と機械学習の比較■3-2-1で構築したJMAK則およびクラスタリング-NN回帰した機械学習の結果についてマクロな加工予測での動的球状化の分布挙動を予測するために，これらのモデルを汎用のFEMコード(DEFORM-3D, v.12.0)にユーザルーチンで導入して，マクロレベルでの分布挙動を予測した．図9は円柱試験片(φ8mm-h12mm)のTi-6246合金について850℃-10-2s-1で50％の高さ比で鍛造した際での動的球状化率の分布状態[(a) JMAK則，(b)クラスタリング-NN回帰]を示している．これより，両モデルともにひずみ量の大きい中心部で動的球状化が促進する同様な分布挙動を呈している事が観察できる．一方でより詳細には，機械学習の結果(b)の方がより球状化が試料全体に起きている分布であり，JMAK則の結果(a)ではひずみがより集積する中心部− 140 −
元のページ ../index.html#142