Blog
ポリオレフィン・エラストマー配合最適化の加速 ― 多目的機械特性向上に向けたPolymerizeの活用
PHR／wt%混在データ、NCO指数のモデリング、未知成分予測をMIで突破。10特性の同時最適化を可能にし、R&D効率と予測精度を飛躍的に向上しました。
研究課題
熱可塑性ポリウレタンメーカーにおける配合開発では、10種類の機械特性を2つの異なるプロセスフローで同時に最適化する という課題がありました。
従来のアプローチには以下のような課題がありました：
- データ不整合：PHR（樹脂100部あたり）、wt%（重量％）など異なる表記が混在し、統合的な解析が困難。
- 知識のモデル化：NCO（イソシアネート）指数をモデルに効果的に組み込み、知見化する必要がある。
- 未知成分予測の難しさ：既知の材料データから未知の成分を推定し、新規材料探索を推進する仕組みが求められていた。
データ処理とアプローチ
同社はPolymerizeを導入し、データ駆動型のアプローチで課題解決を進めました。
- 単位・表記の異なる配合データを標準化して統合
- NCO指数を追加変数としてモデルに組み込み、知識を反映
- 既知材料データをもとに未知成分の特性を推定できる仕組みを構築
- 順解析と逆解析を両立させ、設計空間探索の効率を向上
このプロセスにより、従来困難だった複雑条件下での配合設計に対応可能な、柔軟かつ堅牢なモデリング基盤を整備しました。
成果
- 予測精度の向上
95%以上の予測精度を達成し、平均誤差率を5%削減。 - 柔軟な設計支援
順解析と逆解析を活用することで、目標特性から必要な配合条件を逆算可能に。 - 新規材料探索の加速
既知データを活用して未知成分を予測し、新しい材料の研究開発を促進。 - 堅牢なモデル検証
平均絶対誤差率（MAPE）は6%未満を維持し、決定係数（R²）は常に0.9以上を達成。
考察
この事例は、Polymerizeを活用することで 複数の機械特性を同時に最適化できるデータ駆動型フレームワーク を構築できることを示しています。
特に、
- 単位や表記の異なるデータを統合する仕組み
- NCO指数を知識変数として導入する工夫
- 既知成分から未知成分へと知見を拡張するアプローチ
が成果の鍵となりました。
さらに、順解析と逆解析を組み合わせた探索 により、従来の試行錯誤型アプローチでは困難だった設計空間の探索が可能となり、研究者に新たな発見の機会を提供しています。
