模型学习装置及方法、估计装置及方法、显示装置和程序与流程

1.本公开涉及模型学习装置、估计装置、显示装置、模型学习方法、估计方法和程序。


背景技术：

2.以往，已知有通过对使用过的树脂组成物实施再利用处理而制造再利用材料的技术。例如，在专利文献1中，记载了以下的内容：对回收到的碳纤维强化热塑性树脂的成型品进行粉碎并颗粒化之后，将其与原生的碳纤维强化热塑性树脂的颗粒混合而用于注射成型。
3.现有技术文献
4.专利文献
5.专利文献1：日本特开2006-218793号公报


技术实现要素：

6.发明要解决的问题
7.但是，在专利文献1所记载的技术中，在要制造特性与该专利文献1所记载的再利用材料的特性不同的再利用材料的情况下，在再利用的工序中，难以设定适当的条件。因此，如果变更所制造的再利用材料中的所希望的特性，则难以制造具有该所希望的特性的再利用材料。
8.鉴于上述情况而完成的本发明的目的在于，提供一种能够估计连续纤维强化树脂复合材料的再利用中的适当的条件的模型学习装置、估计装置、显示装置、模型学习方法、估计方法和程序。
9.用于解决问题的手段
10.为了解决上述问题，本公开的模型学习装置具备：第1输入部，其受理材料数据、条件数据以及加工物数据的输入，该材料数据示出连续纤维强化树脂复合材料的特性，该条件数据示出对所述连续纤维强化树脂复合材料实施再利用处理的条件，该加工物数据与对所述连续纤维强化树脂复合材料实施所述再利用处理而得到的加工物有关；以及条件模型学习部，其学习条件模型，该条件模型将所述材料数据、所述条件数据以及所述加工物数据之间的关系作为训练数据进行学习，并基于所述材料数据和所述加工物数据输出所述条件数据。
11.此外，为了解决上述问题，本公开的模型学习装置优选还具备加工物模型学习部，该加工物模型学习部学习加工物模型，该加工物模型将所述材料数据、所述条件数据以及所述加工物数据之间的关系作为训练数据进行学习，并基于所述材料数据和所述条件数据输出所述加工物数据。
12.此外，为了解决上述问题，在本公开的模型学习装置中，优选的是，所述材料数据所示的所述特性包括所述连续纤维强化树脂复合材料中包含的树脂、纤维、添加材料的种类或量、或者所述连续纤维强化树脂复合材料的尺寸或形状。
13.此外，为了解决上述问题，在本公开的模型学习装置中，优选的是，所述再利用处理包含对所述连续纤维强化树脂复合材料进行粉碎的粉碎处理，所述条件包含所述粉碎的条件即粉碎条件，所述粉碎条件包含对所述连续纤维强化树脂复合材料进行粉碎的粉碎刀片的种类或转速、或者对所述粉碎后的所述连续纤维强化树脂复合材料进行分类的筛网的网眼尺寸。
14.此外，为了解决上述问题，在本公开的模型学习装置中，优选的是，所述再利用处理包含对粉碎材料进行颗粒化的颗粒化处理，该粉碎材料是对所述连续纤维强化树脂复合材料进行粉碎而得到的，所述条件包含所述颗粒化的条件即颗粒化条件，所述颗粒化条件包含用于所述颗粒化的螺杆的形状或转速、所述螺杆的喷嘴的形状、在内部进行所述颗粒化处理的缸体的温度、从所述缸体排出的所述粉碎材料的排出量或冷却方法、或者用于切削从所述缸体排出的所述粉碎材料的切刀的转速。
15.此外，为了解决上述问题，在本公开的模型学习装置中，优选的是，所述再利用处理包含使粉碎材料成型的成型处理，该粉碎材料是对所述连续纤维强化树脂复合材料进行粉碎而得到的，所述条件包含所述成型的条件即成型条件，所述成型条件包含在所述成型中使用的缸体的温度或转速、在所述成型中使用的模具的温度、所述成型中的注射的量或速度、或者所述成型中的保压压力、保压时间、背压或冷却时间。
16.此外，为了解决上述问题，在本公开的模型学习装置中，优选的是，所述成型处理包含使对粉碎材料进行颗粒化而得到的颗粒材料成型的处理，该粉碎材料是对所述连续纤维强化树脂复合材料进行粉碎而得到的。
17.此外，为了解决上述问题，在本公开的模型学习装置中，优选的是，所述加工物包含对所述连续纤维强化树脂复合材料进行粉碎而得到的粉碎材料，所述加工物数据包含混入到所述粉碎材料的异物量、所述粉碎材料的尺寸、或者所述粉碎材料中的强化纤维的含有量。
18.此外，为了解决上述问题，在本公开的模型学习装置中，优选的是，所述加工物包含对粉碎材料实施颗粒化处理而得到的颗粒材料，该粉碎材料是对所述连续纤维强化树脂复合材料进行粉碎而得到的，所述加工物数据包含所述颗粒材料的空隙率或尺寸、混入到所述颗粒材料的异物量、或者所述颗粒材料中的强化纤维的含有量、纤维长度或吸水率。
19.此外，为了解决上述问题，在本公开的模型学习装置中，优选的是，所述加工物包含对所述连续纤维强化树脂复合材料进行粉碎后实施所述成型处理而得到的成型品，所述加工物数据包含所述成型品的尺寸、物性、空隙率、或者所述成型品中包含的强化纤维的含有量、纤维长度或吸水率。
20.此外，为了解决上述问题，在本公开的模型学习装置中，优选的是，所述加工物包含对颗粒材料实施所述成型处理而得到的成型品，该颗粒材料是对所述连续纤维强化树脂复合材料进行粉碎后使其颗粒化而得到的。
21.此外，为了解决上述问题，本公开的估计装置具备条件模型，该条件模型将材料数据、条件数据以及加工物数据之间的关系作为训练数据进行学习，并基于所述材料数据和所述加工物数据输出所述条件数据，该材料数据示出连续纤维强化树脂复合材料的特性，该条件数据示出对所述连续纤维强化树脂复合材料实施再利用处理的条件，该加工物数据与对所述连续纤维强化树脂复合材料实施所述再利用处理而得到的加工物有关，其中，所
述估计装置具备：第2输入部，其受理所述材料数据和所述加工物数据的输入，其中，所述材料数据示出再利用前的连续纤维强化树脂复合材料的特性，所述加工物数据与对该连续纤维强化树脂复合材料实施再利用处理而得到的加工物有关；以及预测部，其向所述条件模型输入示出所述再利用前的连续纤维强化树脂复合材料的特性的所述材料数据、以及与对该连续纤维强化树脂复合材料实施再利用处理而得到的加工物相关的所述加工物数据，使所述条件模型输出1个以上的条件数据。
22.此外，为了解决上述问题，本公开的估计装置优选的是，所述估计装置还具备加工物模型，该加工物模型将所述条件数据与所述加工物数据之间的关系作为训练数据进行学习，并基于所述材料数据和所述条件数据输出所述加工物数据，
23.所述估计装置还具备选定部，该选定部向所述加工物模型输入示出所述再利用前的连续纤维强化树脂复合材料的特性的所述材料数据、以及从所述条件模型输出的所述1个以上的条件数据，使所述加工物模型输出1个以上的加工物数据，该选定部选定所述1个以上的加工物数据中的与输入到所述条件模型的所述加工物数据最相似的所述加工物数据所对应的、由所述条件模型输出的所述条件数据。
24.此外，为了解决上述问题，本公开的估计装置优选的是，所述估计装置还具备显示所述条件数据的显示部，所述第2输入部受理由所述显示部要显示的条件数据的显示要件的输入，所述显示部根据所述显示要件，显示示出所述条件数据所示的条件中的粉碎条件、颗粒化条件及成型条件中的任意1个以上条件的条件数据。
25.此外，为了解决上述问题，本公开的估计装置优选还具备码生成部，该码生成部生成示出与所述加工物对应的所述材料数据和所述条件数据的二维码，所述显示部显示所述二维码。
26.此外，为了解决上述问题，本公开的显示装置显示由估计装置输出的条件数据，该估计装置具备条件模型，该条件模型将材料数据、所述条件数据以及加工物数据之间的关系作为训练数据进行学习，并基于所述材料数据和所述加工物数据输出所述条件数据，该材料数据示出连续纤维强化树脂复合材料的特性，该条件数据示出对所述连续纤维强化树脂复合材料实施再利用处理的条件，该加工物数据与对所述连续纤维强化树脂复合材料实施所述再利用处理而得到的加工物有关，该估计装置具备：第2输入部，其受理所述材料数据和所述加工物数据的输入，所述材料数据示出再利用前的连续纤维强化树脂复合材料的特性，所述加工物数据与对该连续纤维强化树脂复合材料实施再利用处理而得到的加工物有关；以及预测部，其向所述条件模型输入示出所述再利用前的连续纤维强化树脂复合材料的特性的所述材料数据、以及与对该连续纤维强化树脂复合材料进行再利用而得到的加工物相关的所述加工物数据，使所述条件模型输出所述条件数据，其中，所述显示装置具备：显示控制部，其使得显示所述条件数据；以及第3输入部，其受理所述条件数据的显示要件的输入，所述显示控制部基于所述显示要件，使得显示所述条件数据所示的条件中的粉碎条件、颗粒化条件以及成型条件中的1个以上，该粉碎条件是对所述连续纤维强化树脂复合材料进行粉碎的条件，该颗粒化条件是用于对粉碎所述连续纤维强化树脂复合材料而得到的粉碎材料进行颗粒化的条件，该成型条件是将所述连续纤维强化树脂复合材料粉碎后使其成型的条件。
27.此外，为了解决上述问题，本公开的显示装置优选还具备码生成部，该码生成部生
成示出与所述加工物对应的所述材料数据或所述条件数据的二维码，所述显示控制部使得显示所述二维码。
28.此外，为了解决上述问题，本公开的模型学习方法是由模型学习装置执行的方法，其中，所述模型学习方法包括以下步骤：受理材料数据、条件数据以及加工物数据的输入，该材料数据示出连续纤维强化树脂复合材料的特性，该条件数据示出对所述连续纤维强化树脂复合材料实施再利用处理的条件，该加工物数据与对所述连续纤维强化树脂复合材料实施所述再利用处理而得到的加工物有关；以及学习条件模型，该条件模型将所述材料数据、所述条件数据以及所述加工物数据之间的关系作为训练数据进行学习，并基于所述材料数据和所述加工物数据输出所述条件数据。
29.此外，为了解决上述问题，本公开的估计方法是由估计装置执行的方法，该估计装置具备条件模型，该条件模型基于材料数据、条件数据以及加工物数据，输出所述条件数据，该材料数据示出连续纤维强化树脂复合材料的特性，该条件数据示出对所述连续纤维强化树脂复合材料实施再利用处理的条件，该加工物数据与对所述连续纤维强化树脂复合材料实施所述再利用处理而得到的加工物有关，其中，所述估计方法包括以下步骤：受理所述材料数据和所述加工物数据的输入，所述材料数据示出再利用前的连续纤维强化树脂复合材料的特性，所述加工物数据与对该连续纤维强化树脂复合材料实施再利用处理而得到的加工物有关；以及向所述条件模型输入示出所述再利用前的连续纤维强化树脂复合材料的特性的所述材料数据、以及与对该连续纤维强化树脂复合材料实施再利用处理而得到的加工物相关的所述加工物数据，使所述条件模型输出1个以上的所述条件数据。
30.此外，为了解决上述问题，在本公开的估计方法中优选的是，所述估计装置还具备加工物模型，该加工物模型将所述条件数据与所述加工物数据之间的关系作为训练数据进行学习，并基于所述材料数据和所述条件数据输出所述加工物数据，向所述加工物模型输入示出所述再利用前的连续纤维强化树脂复合材料的特性的所述材料数据、以及从所述条件模型输出的所述1个以上的所述条件数据，使所述加工物模型输出1个以上的所述加工物数据，选定所述1个以上的所述加工物数据中的与输入到所述条件模型的所述加工物数据最相似的所述加工物数据所对应的、由所述条件模型输出的所述条件数据。
31.此外，为了解决上述问题，本公开的程序是计算机作为上述的模型学习装置发挥功能。
32.此外，为了解决上述问题，本公开的程序使计算机作为上述的估计装置发挥功能。
33.此外，为了解决上述问题，本公开的程序使计算机作为上述的显示装置发挥功能。
34.发明的效果
35.根据本公开的模型学习装置、估计装置、显示装置、模型学习方法、估计方法和程序，能够估计对连续纤维强化树脂复合材料进行再利用的条件。
附图说明
36.图1是本实施方式的模型学习装置的概要图。
37.图2是示出图1所示的模型学习装置中的动作的一例的流程图。
38.图3是本实施方式的估计装置的概要图。
39.图4是示出图3所示的估计装置中的动作的一例的流程图。
40.图5是模型学习装置、估计装置以及显示装置的硬件框图。
41.附图标记说明
42.1模型学习装置
43.2估计装置
44.3显示装置
45.11输入部(第1输入部)
46.12条件模型学习部
47.13条件模型存储部
48.14加工物模型学习部
49.15加工物模型存储部
50.21输入部(第2输入部)
51.22预测部
52.23选定部
53.24输出部
54.31输入部(第3输入部)
55.32再利用信息存储部
56.33码生成部
57.34显示控制部
58.35显示部
59.101 计算机
60.110 处理器
61.120rom
62.130ram
63.140 储存器
64.150 输入接口
65.160 输出接口
66.170 通信接口
67.180 总线
具体实施方式
68.＜模型学习装置的结构＞
69.参照图1对本实施方式的模型学习装置1的结构进行说明。
70.本实施方式的模型学习装置1对向连续纤维强化树脂复合材料实施的再利用处理的条件进行学习。
71.连续纤维强化树脂复合材料可以是使强化纤维(例如，玻璃纤维)的织物等浸渍热塑性树脂并固化而得到的成型材料。此外，连续纤维强化树脂复合材料可以是单向材料，也可以是使用了随机纤维、碳纤维、热固化树脂、短纤维等的材料。连续纤维强化树脂复合材料的特性能够包含连续纤维强化树脂复合材料中包含的树脂、纤维、添加材料的种类或量、或者连续纤维强化树脂复合材料的尺寸或形状。
72.这里，说明本实施方式的模型学习装置1对条件进行学习的再利用处理。再利用处理是对使用过的连续纤维强化树脂复合材料进行再利用的处理，包含粉碎处理、颗粒化处理以及成型处理。
73.粉碎处理是对使用过的连续纤维强化树脂复合材料进行粉碎的处理，也可以通过具有粉碎刀片和筛网的粉碎机来执行。粉碎刀片也可以包含旋转刀片和固定刀片。具体而言，使粉碎机的旋转刀片旋转，由此，旋转刀片和固定刀片对使用过的连续纤维强化树脂复合材料进行切割。由此，将连续纤维强化树脂复合材料粉碎。之后，通过筛网对粉碎后的连续纤维强化树脂复合材料进行分类。通过这种方式，得到通过了筛网的粉碎后的连续纤维强化树脂复合材料作为粉碎材料。粉碎刀片容易因磨损而受到损伤，因此，碳钢有时作为异物而混入到粉碎后的连续纤维强化树脂复合材料中。因此，在粉碎材料中也有时混入有通过了筛网的异物。此外，在执行粉碎处理时，设定包含粉碎刀片的种类或转速、或者筛网的网眼尺寸的粉碎条件。
74.颗粒化处理是对通过粉碎处理得到的粉碎材料进行颗粒化的处理，也可以通过具有缸体和在前端安装有喷嘴的螺杆的颗粒制造机来执行。具体而言，向缸体内投入粉碎材料。此时，稀释用的原生颗粒与粉碎材料一起被投入到缸体内。然后，通过螺杆在缸体内进行旋转，将粉碎材料与原生颗粒一起一边搅拌一边挤出。由此，得到与原生颗粒一起被挤出的粉碎材料作为颗粒材料。另外，在执行颗粒化处理时，设定包含对投入到缸体内的粉碎材料一边搅拌一边挤出的螺杆的形状和转速、以及螺杆的喷嘴的形状的颗粒化条件。此外，在执行颗粒化处理时，设定包含在内部进行颗粒化处理的缸体的温度、从缸体排出的粉碎材料的排出量或冷却方法、或者用于对从缸体排出的粉碎材料进行切削的切刀的转速的颗粒化条件。
75.成型处理是使通过颗粒化处理得到的颗粒材料成型的处理，可以通过包含模具的成型机来执行。具体而言，使加热后从颗粒制造机的缸体中注射的颗粒材料流入到模具中。然后，对流入到模具的颗粒材料进行保压并冷却而使其固化，进而从模具中取出。通过这种方式，得到成型后的颗粒材料作为成型材料。此外，成型处理也可以是使通过粉碎处理得到的粉碎材料成型的处理。在该情况下，经过与使颗粒材料成型的处理同样的工艺，得到成型后的粉碎材料作为成型材料。
76.另外，在执行成型处理时，设定包含上述的缸体的温度或转速的成型条件。此外，在执行成型处理时，设定包含上述的模具的温度的成型条件。此外，在执行成型处理时，设定包含从缸体中注射的颗粒材料的注射的量或速度的成型条件。此外，在执行成型处理时，设定包含对流入到模具的颗粒材料进行保压的保压压力或保压时间、对流入到模具的颗粒材料进行冷却的冷却时间、或者颗粒材料流入模具时的背压的成型条件。
77.如图1所示，模型学习装置1具备输入部(第1输入部)11、条件模型学习部12、条件模型存储部13、加工物模型学习部14以及加工物模型存储部15。
78.输入部11可以由输入接口(第1输入接口)构成。输入接口是受理信息的输入的接口，可以是指示设备、键盘、鼠标等。此外，输入接口也可以是受理由通信接口接收到的信息的输入的接口。对于通信接口，例如也可以使用以太网(注册商标)、fddi(fiber distributed data interface：光纤分布式数据接口)、wi-fi(注册商标)等的标准。条件模型学习部12和加工物模型学习部14可以由控制部(控制器)构成。控制部可以由asic
(application specific integrated circuit：专用集成电路)、fpga(field-programmable gate array：现场可编程门阵列)等专用的硬件构成，也可以由处理器构成，还可以包含双方而构成。条件模型存储部13和加工物模型存储部15可以由存储器构成。存储器也可以由hdd(hard disk drive：硬盘驱动器)、ssd(solid state drive：固态硬盘)、eeprom(electrically erasable programmable read-only memory：电可擦可编程只读存储器)、rom(read-only memory：只读存储器)以及ram(random access memory：随机存取存储器)等构成。
79.输入部11受理材料数据、条件数据以及加工物数据的输入，该材料数据示出连续纤维强化树脂复合材料的特性，该条件数据示出对连续纤维强化树脂复合材料实施再利用处理的条件，该加工物数据与对连续纤维强化树脂复合材料实施了再利用处理而得到的加工物有关。
80.输入部11也可以受理通过用户的操作而输入的材料数据、条件数据以及加工物数据。此外，输入部11也可以受理从外部的装置经由通信网络接收而输入的材料数据、条件数据以及加工物数据。
81.材料数据所示的连续纤维强化树脂复合材料的特性也可以包含连续纤维强化树脂复合材料中包含的树脂、纤维、添加材料的种类或量、或者连续纤维强化树脂复合材料的尺寸或形状。
82.条件数据是示出对连续纤维强化树脂复合材料实施再利用处理的条件的数据。条件数据所示的条件是与再利用处理所包含的处理相应的条件。
83.具体而言，再利用处理也可以包含对连续纤维强化树脂复合材料进行粉碎的粉碎处理。在这样的结构中，条件数据所示的条件包含粉碎的条件即粉碎条件。粉碎条件也可以包含对连续纤维强化树脂复合材料进行粉碎的粉碎刀片的种类或转速、或者对粉碎后的连续纤维强化树脂复合材料进行分类的筛网的网眼尺寸。
84.此外，再利用处理也可以包含对粉碎材料进行颗粒化的颗粒化处理，该粉碎材料是对连续纤维强化树脂复合材料进行粉碎而得到的。在这样的结构中，条件数据所示的条件包含颗粒化的条件即颗粒化条件。颗粒化条件也可以包含用于颗粒化的螺杆的形状或转速、螺杆的喷嘴的形状、在内部进行颗粒化的处理的缸体的温度、从缸体排出的粉碎材料的排出量或冷却方法、或者用于切削从缸体排出的粉碎材料的切刀的转速。
85.此外，再利用处理也可以包含使粉碎材料成型的成型处理，该粉碎材料是对连续纤维强化树脂复合材料进行粉碎而得到的。此外，成型处理也可以包含使对粉碎材料进行颗粒化而得到的颗粒材料成型的处理，该粉碎材料是对连续纤维强化树脂复合材料进行粉碎而得到的。在这样的结构中，条件数据所示的条件包含成型的条件即成型条件。成型条件也可以包含在成型中使用的缸体的温度或转速、在成型中使用的模具的温度、成型中的注射的量或速度、或者成型中的保压压力、保压时间、背压、或冷却时间。
86.此外，加工物数据是与对连续纤维强化树脂复合材料实施再利用处理而得到的加工物相关的数据。加工物数据是与再利用处理所包含的处理相应的数据。
87.具体而言，在再利用处理是粉碎处理的结构中，加工物包含对连续纤维强化树脂复合材料进行粉碎而得到的粉碎材料。此外，加工物数据也可以包含混入到粉碎材料的异物量、粉碎材料的尺寸、或者粉碎材料中的强化纤维的含有量。
88.另外，粉碎材料中的强化纤维的含有量也可以基于粉碎材料的质量、以及利用电炉将该粉碎材料的树脂烧尽并自然冷却到室温而残留的强化纤维的质量来计算。具体而言，粉碎材料中的强化纤维的含有量也可以作为残留的强化纤维的质量相对于粉碎材料的质量的比率(质量比率)来计算。此外，粉碎材料中的强化纤维的含有量也可以基于用粉碎材料的质量除以该粉碎材料的密度而得到的体积、以及用残留的强化纤维的质量除以该强化纤维的密度而得到的体积来计算。具体而言，粉碎材料中的强化纤维的含有量也可以作为残留的强化纤维的体积相对于粉碎材料的体积的比率(体积比率)来计算。
89.此外，关于粉碎材料中的强化纤维的纤维长度，也可以通过利用显微镜观察强化纤维而测定，该强化纤维是利用电炉将粉碎材料的树脂烧尽并自然冷却到室温时残留的纤维。
90.在再利用处理是颗粒化处理的结构中，加工物包含对粉碎材料实施颗粒化处理而得到的颗粒材料，该粉碎材料是对连续纤维强化树脂复合材料进行粉碎而得到的。加工物数据也可以包含颗粒材料的空隙率或尺寸、混入到颗粒材料的异物量、或者颗粒材料中的强化纤维的含有量、纤维长度或吸水率。
91.另外，也可以通过icp(inductively coupled plasma：电感耦合等离子体)分析法来计算异物量。此外，颗粒材料中的强化纤维的含有量及纤维长度分别也可以与粉碎材料中的强化纤维的含有量及纤维长度同样地被计算。此外，也可以使用卡尔费休水分测定仪来测定吸水率。
92.在再利用处理是成型处理的结构中，加工物包含对连续纤维强化树脂复合材料进行粉碎并实施成型处理而得到的成型品。此外，加工物也可以包含对颗粒材料实施成型处理而得到的成型品，该颗粒材料是对连续纤维强化树脂复合材料进行粉碎并使其颗粒化而得到的。加工物数据也可以包含成型品的尺寸、物性、空隙率、或者成型品中包含的强化纤维的含有量、纤维长度或吸水率。
93.另外，空隙率也可以作为空隙面积相对于作为成型品的连续纤维强化树脂复合材料的剖面的整体面积的比率来计算。在该情况下，也可以使用通过光学显微镜拍摄在任意的位置切断并利用环氧树脂等包埋且进行研磨所得到的连续纤维强化树脂复合材料的剖面而生成的图像。此时，也可以利用任意的图像解析软件，确定剖面中的空隙，计算该剖面的整体面积和空隙面积。
94.此外，加工物数据也可以包含浸渍率以取代空隙率。在这样的结构中，也可以使用上述的空隙面积，通过以下的式(1)来计算浸渍率。
95.浸渍率(％)＝{1-(空隙面积/整体面积)}
×
100(1)
96.此外，成型品中的强化纤维的含有量及纤维长度分别也可以与粉碎材料中的强化纤维的含有量及纤维长度同样地被计算。
97.条件模型学习部12学习条件模型，该条件模型将材料数据、条件数据以及加工物数据之间的关系作为训练数据进行学习，并基于材料数据和加工物数据输出条件数据。条件模型学习部12能够使用random forest(随机森林)、mlp(multilayer perceptron：多层感知器)、logistic regression(逻辑回归)、svm(support vector machine：支持向量机)、knn(k-nearest neighbor algorithm：k-最邻近算法)等算法来学习模型。
98.条件模型存储部13存储由条件模型学习部12学习到的条件模型。
99.加工物模型学习部14学习加工物模型，该加工物模型将材料数据、条件数据以及加工物数据之间的关系作为训练数据进行学习，并基于材料数据和条件数据输出加工物数据。加工物模型学习部14能够使用random forest(随机森林)、mlp、logistic regression(逻辑回归)、svm、knn等算法来学习模型。
100.加工物模型存储部15存储由加工物模型学习部14学习到的加工物模型。
101.＜模型学习装置的动作＞
102.这里，参照图2对本实施方式的模型学习装置1的动作进行说明。图2是示出本实施方式的模型学习装置1的动作的一例的流程图。参照图2说明的模型学习装置1中的动作相当于本实施方式的模型学习装置1的模型学习方法的一例。
103.在步骤s11中，输入部11受理材料数据、条件数据以及加工物数据的输入，该材料数据示出连续纤维强化树脂复合材料的特性，该条件数据示出对连续纤维强化树脂复合材料实施再利用处理的条件，该加工物数据与对连续纤维强化树脂复合材料实施再利用处理而得到的加工物有关。
104.在步骤s12中，条件模型学习部12学习条件模型，该条件模型将材料数据、条件数据以及加工物数据之间的关系作为训练数据进行学习，并基于材料数据和加工物数据输出条件数据。
105.在步骤s13中，加工物模型学习部14学习加工物模型，该加工物模型将材料数据、条件数据以及加工物数据之间的关系作为训练数据进行学习，并基于材料数据和条件数据输出加工物数据。
106.＜估计装置的结构＞
107.参照图3对本实施方式的估计装置2的结构进行说明。估计装置2可以与模型学习装置1构成为一体，也可以构成为分体。
108.本实施方式的估计装置2具备条件模型存储部13、加工物模型存储部15、输入部(第2输入部)21、预测部22、选定部23以及输出部24。输入部21可以由输入接口(第2输入接口)构成。另外，第2输入接口可以与第1输入接口同样地构成。预测部22和选定部23可以由控制部构成。输出部24可以由输出接口构成。输出接口可以是用于向显示装置3等其他装置输出信息的通信接口。
109.条件模型存储部13存储由上述的模型学习装置1取得的条件模型。即，估计装置2具备的条件模型存储部13可以与模型学习装置1具备的条件模型存储部13相同。估计装置2可以经由通信网络从模型学习装置1接收条件模型，也可以经由任意的介质从模型学习装置1取得条件模型。此外，在估计装置2与模型学习装置1构成为一体的情况下，估计装置2的条件模型存储部13也可以是模型学习装置1的条件模型存储部13本身。
110.加工物模型存储部15存储由上述的模型学习装置1取得的加工物模型。即，估计装置2具备的加工物模型存储部15可以与模型学习装置1具备的加工物模型存储部15相同。估计装置2可以经由通信网络从模型学习装置1接收加工物模型，也可以经由任意的介质从模型学习装置1取得加工物模型。此外，在估计装置2与模型学习装置1构成为一体的情况下，估计装置2的加工物模型存储部15也可以是模型学习装置1的加工物模型存储部15本身。
111.输入部21受理材料数据和加工物数据的输入，该材料数据示出再利用前的连续纤维强化树脂复合材料的特性，该加工物数据与对该连续纤维强化树脂复合材料实施再利用
处理而得到的加工物有关。
112.预测部22向条件模型输入示出再利用前的连续纤维强化树脂复合材料的特性的材料数据、以及与对该连续纤维强化树脂复合材料实施再利用处理而得到的加工物相关的加工物数据，使条件模型输出1个以上的条件数据。
113.选定部23向加工物模型输入示出再利用前的连续纤维强化树脂复合材料的特性的材料数据、以及从条件模型输出的1个以上的条件数据，使加工物模型输出1个以上的加工物数据。此外，选定部23选定从加工物模型输出的1个以上的加工物数据中的与输入到条件模型的加工物数据最相似的加工物数据所对应的、由条件模型输出的条件数据。
114.这里，选定部23也可以基于从加工物模型输出的1个以上的加工物数据中分别包含的优先度最高的加工物数据与输入到条件模型的该优先度最高的加工物数据之间的差分，来决定“最相似的加工物数据”。优先度是针对加工物数据的类别分别预先决定的值，并且在对通过再利用得到的加工物与所希望的加工物进行了比较时，越是对再利用从业人员来说需要优先的类别的加工物数据，则为越高的值。另外，在再利用处理是粉碎处理的结构中，加工物数据的类别是指上述的混入到粉碎材料的异物量、粉碎材料的尺寸、或者粉碎材料中的强化纤维的含有量。此外，在再利用处理是颗粒化处理的结构中，加工物数据的类别是上述的颗粒材料的空隙率或尺寸、混入到颗粒材料的异物量、或者颗粒材料中的强化纤维的含有量、纤维长度或吸水率。此外，在再利用处理是成型处理的结构中，加工物数据的类别是成型品的尺寸、物性、空隙率、或者成型品中包含的强化纤维的含有量、纤维长度或吸水率。
115.此外，选定部23也可以根据如下分数来决定“最相似的加工物数据”，上述分数是基于加工物数据的类别各自的优先度对从加工物模型输出的1个以上的加工物数据分别与输入到条件模型的加工物数据之间的差分进行加权而得到的。
116.例如，在再利用处理是粉碎处理的结构中，在优先度最高的加工物数据的类别是混入到粉碎材料的异物量的情况下，选定部23也可以计算从加工物模型输出的1个以上的异物量分别与输入到条件模型的异物量之间的差分。然后，选定部23也可以将1个以上的异物量中的差分最小的异物量决定为“最相似的加工物数据”。此外，选定部23也可以计算基于加工物数据的类别各自的优先度对1个以上的加工物数据分别包含的混入到粉碎材料的异物量、粉碎材料的尺寸及粉碎材料中的强化纤维的含有量分别与输入到条件模型的异物量、尺寸及含有量之间的差分进行加权而得到的分数。然后，选定部23也可以将从加工物模型输出的1个以上的加工物数据中的分数的合计最高的加工物数据决定为“最相似的加工物数据”。
117.此外，例如在再利用处理是颗粒化处理的结构中，在优先度最高的加工物数据的类别是颗粒材料的空隙率的情况下，选定部23也可以计算从加工物模型输出的1个以上的空隙率分别与输入到条件模型的空隙率之间的差分。然后，选定部23将1个以上的空隙率中的差分最小的空隙率决定为“最相似的加工物数据”。此外，选定部23也可以计算基于加工物数据的类别各自的优先度对1个以上的加工物数据分别包含的颗粒材料的空隙率和尺寸、混入到颗粒材料的异物量、以及颗粒材料中的强化纤维的含有量、纤维长度及吸水率分别与输入到条件模型的空隙率、尺寸、异物量、含有量、纤维长度及吸水率之间的差分进行加权而得到的分数。然后，选定部23也可以将从加工物模型输出的加工物数据中的分数的
合计最高的加工物数据决定为“最相似的加工物数据”。
118.此外，例如在再利用处理是成型处理的结构中，在优先度最高的加工物数据的类别是成型品的尺寸的情况下，选定部23也可以计算从加工物模型输出的1个以上的尺寸分别与输入到条件模型的尺寸之间的差分。然后，选定部23也可以将1个以上的尺寸中的差分最小的尺寸决定为“最相似的加工物数据”。此外，选定部23也可以计算基于加工物数据的类别各自的优先度对1个以上的加工物数据分别包含的成型品的尺寸、物性及空隙率、以及成型品中包含的强化纤维的含有量、纤维长度及吸水率分别与输入到条件模型的尺寸、物性、空隙率、含有量、纤维长度及吸水率之间的差分进行加权而得到的分数。然而，选定部23也可以将从加工物模型输出的加工物数据中的分数的合计最高的加工物数据决定为“最相似的加工物数据”。
119.但是，选定部23决定“最相似的加工物数据”的处理不限定于上述的处理。
120.输出部24也可以输出由选定部23选定的条件数据。例如，输出部24也可以将由选定部23选定的条件数据输出到显示装置3等其他装置。此外，输出部24也可以输出从条件模型输出的条件数据。例如，输出部24也可以将由预测部22从条件模型输出的条件数据输出到显示装置3等其他装置。
121.＜估计装置的动作＞
122.这里，参照图4对本实施方式的估计装置2的动作进行说明。图4是示出本实施方式的估计装置2的动作的一例的流程图。参照图4说明的估计装置2中的动作相当于本实施方式的估计装置2的估计方法的一例。
123.在步骤s21中，输入部21受理材料数据和加工物数据的输入，该材料数据示出再利用前的连续纤维强化树脂复合材料的特性，该加工物数据与对该连续纤维强化树脂复合材料实施再利用处理而得到的加工物有关。
124.在步骤s22中，预测部22向条件模型输入示出再利用前的连续纤维强化树脂复合材料的特性的材料数据、以及与对该连续纤维强化树脂复合材料实施再利用处理而得到的加工物相关的加工物数据，使条件模型输出1个以上的条件数据。
125.在步骤s23中，选定部23向加工物模型输入示出再利用前的连续纤维强化树脂复合材料的特性的材料数据、以及从条件模型输出的1个以上的条件数据，使加工物模型输出1个以上的加工物数据。
126.在步骤s24中，选定部23选定1个以上的加工物数据中的与输入到条件模型的加工物数据最相似的加工物数据所对应的、由条件模型输出的条件数据。
127.＜显示装置的结构＞
128.本实施方式的显示装置3显示由估计装置2输出的条件数据。显示装置3具备输入部(第3输入部)31、再利用信息存储部32、码生成部33、显示控制部34以及显示部35。输入部31可以由输入接口(第3输入接口)构成。另外，第3输入接口可以与第1输入接口同样地构成。再利用信息存储部32可以由存储器构成。码生成部33和显示控制部34可以由控制部构成。显示部35可以由有机el(electro luminescence：电致发光)、液晶面板等输出接口构成。
129.输入部31从估计装置2受理条件数据的输入。具体而言，输入部31也可以如上述那样受理由估计装置2的预测部22从条件模型输出的1个以上的条件数据的输入。此外，输入
部31也可以受理由估计装置2的选定部23选定的条件数据的输入。
130.此外，输入部31受理显示部35要显示的条件数据的显示要件的输入。显示要件例如可以是粉碎条件、颗粒化条件及成型条件中的任意1个以上。
131.此外，输入部31也可以受理加工物识别信息的输入，该加工物识别信息用于识别通过实施再利用处理而得到的加工物。
132.再利用信息存储部32也可以将用于识别通过实施再利用处理而得到的加工物的加工物识别信息与为了得到该加工物而被实施了再利用处理的连续纤维强化树脂复合材料的材料数据对应地存储。此外，再利用信息存储部32也可以将加工物识别信息与条件数据对应地存储，该条件数据示出为了得到该加工物而对连续纤维强化树脂复合材料实施的再利用处理的条件。
133.码生成部33生成示出与加工物对应的材料数据或条件数据的二维码。具体而言，码生成部33在由输入部31受理到加工物识别信息的输入时，也可以生成示出在再利用信息存储部32中与加工物识别信息对应地存储的材料数据的二维码。此外，码生成部33在由输入部31受理到加工物识别信息的输入时，也可以生成示出在再利用信息存储部32中与加工物识别信息对应地存储的条件数据的二维码。此外，码生成部33在由输入部31受理到加工物识别信息的输入时，也可以生成示出在再利用信息存储部32中与加工物识别信息对应地存储的材料数据和条件数据的二维码。码生成部33也可以生成还示出加工物识别信息的二维码。
134.显示控制部34使由估计装置2输出的条件数据显示于显示部35。此时，显示控制部34也可以使满足由输入部31受理到输入的显示要件的条件数据显示于显示部35。
135.作为一例，显示控制部34也可以使由预测部22从条件模型输出的1个以上的条件数据显示于显示部35。在这样的结构中，显示控制部34也可以使该1个以上的条件数据中的满足由输入部31输入的显示要件的条件数据显示于显示部35。
136.作为另一例，显示控制部34也可以使由估计装置2的选定部23选定的条件数据显示于显示部35。在这样的结构中，显示控制部34也可以使该条件数据中的满足由输入部31输入的显示要件的条件数据显示于显示部35。
137.此外，显示控制部34也可以使由码生成部33生成的二维码显示于显示部35。
138.显示部35通过显示控制部34的控制而显示条件数据。具体而言，显示部35根据显示要件，显示示出条件数据所示的条件中的粉碎条件、颗粒化条件及成型条件中的任意1个以上的条件数据。
139.作为一例，显示部35也可以显示由预测部22从条件模型输出的1个以上的条件数据。在这样的结构中，显示部35也可以通过显示控制部34的控制，显示该1个以上的条件数据中的满足由输入部31输入的显示要件的条件数据。
140.作为另一例，显示部35也可以显示由选定部23选定的条件数据。在这样的结构中，显示部35也可以通过显示控制部34的控制，显示该条件数据中的满足由输入部31输入的显示要件的条件数据。
141.此外，显示部35也可以通过显示控制部34的控制，显示由码生成部33生成的二维码。
142.如上所述，根据本实施方式，模型学习装置1具备：输入部11，其受理材料数据、条
件数据以及加工物数据的输入，该材料数据示出连续纤维强化树脂复合材料的特性，该条件数据示出对连续纤维强化树脂复合材料实施再利用处理的条件，该加工物数据与对连续纤维强化树脂复合材料实施再利用处理而得到的加工物有关；以及条件模型学习部12，其学习条件模型，该条件模型将材料数据、条件数据以及加工物数据之间的关系作为训练数据进行学习，并基于材料数据和加工物数据输出条件数据。通过使用由这样的模型学习装置1学习到的条件模型，能够估计连续纤维强化树脂复合材料的再利用中的适当的条件。
143.此外，根据本实施方式，模型学习装置1还可以具备加工物模型学习部14，该加工物模型学习部14学习加工物模型，该加工物模型将材料数据、条件数据以及加工物数据之间的关系作为训练数据进行学习，并基于材料数据和条件数据输出加工物数据。通过使用由这样的模型学习装置1学习到的条件模型，能够估计在通过条件模型输出的条件数据所示的条件下对连续纤维强化树脂复合材料进行再利用而得到的加工物的特性。
144.此外，根据本实施方式，估计装置2具备：输入部21，其受理材料数据和加工物数据的输入，该材料数据示出再利用前的连续纤维强化树脂复合材料的特性，该加工物数据与对该连续纤维强化树脂复合材料实施再利用处理而得到的加工物有关；以及预测部22，其向条件模型输入示出再利用前的连续纤维强化树脂复合材料的特性的材料数据、以及与对该连续纤维强化树脂复合材料实施再利用处理而得到的加工物相关的加工物数据，使条件模型输出条件数据。由此，估计装置2能够估计连续纤维强化树脂复合材料的再利用中的适当的条件。
145.此外，根据本实施方式，估计装置2还可以具备选定部23，该选定部23向加工物模型输入示出再利用前的连续纤维强化树脂复合材料的特性的材料数据、以及从条件模型输出的1个以上的条件数据，输出1个以上的加工物数据，并且，选定1个以上的加工物数据中的与输入到条件模型的加工物数据最相似的加工物数据所对应的由条件模型输出的条件数据。由此，估计装置2能够估计在通过条件模型输出的条件数据所示的条件下对连续纤维强化树脂复合材料进行再利用而得到的加工物的特性。因此，能够估计用于得到具有所希望的特性的加工物的更加适当的条件。
146.此外，根据本实施方式，显示装置3具备：显示部35，其显示条件数据；以及输入部31，其受理由显示部35显示的条件数据的显示要件的输入。此外，显示部35根据显示要件，显示条件数据所示的条件中的粉碎条件、颗粒化条件以及成型条件中的1个以上，该粉碎条件是对连续纤维强化树脂复合材料进行粉碎的条件，该颗粒化条件是用于对粉碎连续纤维强化树脂复合材料而得到的粉碎材料进行颗粒化的条件，该成型条件是将连续纤维强化树脂复合材料粉碎后使其成型的条件。由此，显示装置3能够显示与再利用处理中的工序相应的条件，参照了该条件的再利用处理从业人员能够更加高效地掌握条件。
147.此外，根据本实施方式，也可以是，显示装置3还具备码生成部33，该码生成部33生成示出与加工物对应的材料数据或条件数据的二维码，显示部显示二维码。例如，通过印刷这样的二维码并粘贴到加工物，获取了加工物的部件制造人员能够识别为了得到该加工物而使用的材料、或者为了得到该加工物而实施的再利用处理的条件。与此相伴，部件制造人员能够考虑材料或条件，使用加工物来制造部件。
148.(变形例)
149.另外，在上述的实施方式中，估计装置2与显示装置3也可以构成为一体。即，估计
装置2还可以具备再利用信息存储部32、码生成部33、显示控制部34以及显示部35。在这样的结构中，也可以是，输入部21受理由显示部35显示的条件数据的显示要件的输入，显示部35根据显示要件，显示示出条件数据所示的条件中的粉碎条件、颗粒化条件及成型条件中的任意1个以上的条件数据。
150.此外，在上述的实施方式中，模型学习装置1也可以具备输出部。在这样的结构中，输出部也可以经由通信网络，向多个其他计算机输出由条件模型学习部12学习到的条件模型、或者由加工物模型学习部14学习到的加工物模型。此外，也可以通过由该多个其他计算机构成的区块链，对条件模型或加工物模型进行管理。此外，估计装置2能够使用通过该区块链而管理的条件模型或加工物模型，如上述那样进行估计。
151.＜程序＞
152.上述的模型学习装置1、估计装置2及显示装置3分别能够由计算机101实现。此外，也可以提供用于分别作为模型学习装置1、估计装置2及显示装置3发挥功能的程序。此外，该程序可以存储于存储介质，也可以通过网络来提供。图5是示出分别作为模型学习装置1、估计装置2及显示装置3发挥功能的计算机101的概要结构的框图。这里，计算机101也可以是通用计算机、专用计算机、工作站、pc(personal computer：个人计算机)、电子记事本等。程序命令也可以是用于执行所需任务的程序代码、代码段等。
153.如图5所示，计算机101具备处理器110、rom120、ram130、储存器140、输入接口(i/f)150、输出接口(i/f)160、以及通信接口(i/f)170。各结构经由总线180以相互能够通信的方式连接。具体而言，处理器110是cpu(central processing unit：中央处理单元)、mpu(micro processing unit：微处理单元)、gpu(graphics processing unit：图形处理单元)、dsp(digital signal processor：数字信号处理器)、soc(system on a chip：片上系统)等，也可以由相同种类或不同种类的多个处理器构成。
154.处理器110执行各结构的控制和各种运算处理。即，处理器110从rom120或储存器140读出程序，将ram130作为作业区域而执行程序。处理器110按照rom120或储存器140所存储的程序，进行上述各结构的控制和各种运算处理。在上述的实施方式中，在rom120或储存器140中存储有本公开的程序。
155.程序也可以被存储于计算机101可读取的存储介质。如果使用这样的存储介质，则能够将程序安装于计算机101。这里，存储有程序的存储介质也可以是非暂时性(non-transitory)存储介质。非暂时性存储介质没有特别限定，例如也可以为cd-rom、dvd-rom、usb(universal serial bus：通用串行总线)存储器等。此外，该程序也可以为经由网络从外部装置下载的方式。
156.rom120存储各种程序和各种数据。ram130作为作业区域暂时地存储程序或数据。储存器140由hdd或ssd构成，存储包含操作系统的各种程序和各种数据。
157.输入接口150包含受理用户的输入操作并取得基于用户操作的信息的1个以上的输入接口。例如，输入接口150是指示设备、键盘、鼠标等，但不限于此。
158.输出接口160是以影像的形式输出信息的显示器，但不限于此。另外，输出接口160在是触摸面板方式的显示器的情况下，也作为输入接口150发挥功能。
159.通信接口170是用于与外部的装置进行通信的接口。
160.与具体且单独地记载了通过参照而取入各个文献、专利申请及技术标准的情况相
同程度地，在本说明书中通过参照而取入了本说明书所记载的全部文献、专利申请及技术标准。
161.上述的实施方式作为代表性的例子进行了说明，但本领域技术人员显然能够在本公开的主旨和范围内进行很多变更和置换。因此，本发明不应理解为被上述的实施方式限制，能够在不脱离权利要求书的范围内进行各种变形或变更。例如，能够将实施方式的结构图中记载的多个结构块组合为1个，或者对1个结构块进行分割。

技术特征：
1.一种模型学习装置，其中，所述模型学习装置具备：第1输入部，其受理材料数据、条件数据以及加工物数据的输入，该材料数据示出连续纤维强化树脂复合材料的特性，该条件数据示出对所述连续纤维强化树脂复合材料实施再利用处理的条件，该加工物数据与对所述连续纤维强化树脂复合材料实施所述再利用处理而得到的加工物有关；以及条件模型学习部，其学习条件模型，该条件模型将所述材料数据、所述条件数据以及所述加工物数据之间的关系作为训练数据进行学习，并基于所述材料数据和所述加工物数据输出所述条件数据。2.根据权利要求1所述的模型学习装置，其中，所述模型学习装置还具备加工物模型学习部，该加工物模型学习部学习加工物模型，该加工物模型将所述材料数据、所述条件数据以及所述加工物数据之间的关系作为训练数据进行学习，并基于所述材料数据和所述条件数据输出所述加工物数据。3.根据权利要求1或2所述的模型学习装置，其中，所述材料数据所示的所述特性包括所述连续纤维强化树脂复合材料中包含的树脂、纤维、添加材料的种类或量、或者所述连续纤维强化树脂复合材料的尺寸或形状。4.根据权利要求1至3中的任意一项所述的模型学习装置，其中，所述再利用处理包含对所述连续纤维强化树脂复合材料进行粉碎的粉碎处理，所述条件包含所述粉碎的条件、即粉碎条件，所述粉碎条件包含对所述连续纤维强化树脂复合材料进行粉碎的粉碎刀片的种类或转速、或者对所述粉碎后的所述连续纤维强化树脂复合材料进行分类的筛网的网眼尺寸。5.根据权利要求1至4中的任意一项所述的模型学习装置，其中，所述再利用处理包含对粉碎材料进行颗粒化的颗粒化处理，该粉碎材料是对所述连续纤维强化树脂复合材料进行粉碎而得到的，所述条件包含所述颗粒化的条件、即颗粒化条件，所述颗粒化条件包含用于所述颗粒化的螺杆的形状或转速、所述螺杆的喷嘴的形状、在内部进行所述颗粒化处理的缸体的温度、从所述缸体排出的所述粉碎材料的排出量或冷却方法、或者用于切削从所述缸体排出的所述粉碎材料的切刀的转速。6.根据权利要求1至5中的任意一项所述的模型学习装置，其中，所述再利用处理包含使粉碎材料成型的成型处理，该粉碎材料是对所述连续纤维强化树脂复合材料进行粉碎而得到的，所述条件包含所述成型的条件、即成型条件，所述成型条件包含在所述成型中使用的缸体的温度或转速、在所述成型中使用的模具的温度、所述成型中的注射的量或速度、或者所述成型中的保压压力、保压时间、背压或冷却时间。7.根据权利要求6所述的模型学习装置，其中，所述成型处理包含使对粉碎材料进行颗粒化而得到的颗粒材料成型的处理，该粉碎材料是对所述连续纤维强化树脂复合材料进行粉碎而得到的。8.根据权利要求4所述的模型学习装置，其中，
所述加工物包含对所述连续纤维强化树脂复合材料进行粉碎而得到的粉碎材料，所述加工物数据包含混入到所述粉碎材料的异物量、所述粉碎材料的尺寸、或者所述粉碎材料中的强化纤维的含有量。9.根据权利要求5所述的模型学习装置，其中，所述加工物包含对粉碎材料实施颗粒化处理而得到的颗粒材料，该粉碎材料是对所述连续纤维强化树脂复合材料进行粉碎而得到的，所述加工物数据包含所述颗粒材料的空隙率或尺寸、混入到所述颗粒材料的异物量、或者所述颗粒材料中的强化纤维的含有量、纤维长度或吸水率。10.根据权利要求6所述的模型学习装置，其中，所述加工物包含对所述连续纤维强化树脂复合材料进行粉碎后实施所述成型处理而得到的成型品，所述加工物数据包含所述成型品的尺寸、物性、空隙率、或者所述成型品中包含的强化纤维的含有量、纤维长度或吸水率。11.根据权利要求10所述的模型学习装置，其中，所述加工物包含对颗粒材料实施所述成型处理而得到的成型品，该颗粒材料是对所述连续纤维强化树脂复合材料进行粉碎后使其颗粒化而得到的。12.一种估计装置，其具备条件模型，该条件模型将材料数据、条件数据以及加工物数据之间的关系作为训练数据进行学习，并基于所述材料数据和所述加工物数据输出所述条件数据，该材料数据示出连续纤维强化树脂复合材料的特性，该条件数据示出对所述连续纤维强化树脂复合材料实施再利用处理的条件，该加工物数据与对所述连续纤维强化树脂复合材料实施所述再利用处理而得到的加工物有关，其中，所述估计装置具备：第2输入部，其受理所述材料数据和所述加工物数据的输入，其中，所述材料数据示出再利用前的连续纤维强化树脂复合材料的特性，所述加工物数据与对该连续纤维强化树脂复合材料实施再利用处理而得到的加工物有关；以及预测部，其向所述条件模型输入示出所述再利用前的连续纤维强化树脂复合材料的特性的所述材料数据、以及与对该连续纤维强化树脂复合材料进行再利用而得到的加工物有关的所述加工物数据，使所述条件模型输出1个以上的条件数据。13.根据权利要求12所述的估计装置，其中，所述估计装置还具备加工物模型，该加工物模型将所述条件数据与所述加工物数据之间的关系作为训练数据进行学习，并基于所述材料数据和所述条件数据输出所述加工物数据，所述估计装置还具备选定部，该选定部向所述加工物模型输入示出所述再利用前的连续纤维强化树脂复合材料的特性的所述材料数据、以及从所述条件模型输出的所述1个以上的条件数据，使所述加工物模型输出1个以上的加工物数据，该选定部选定所述1个以上的加工物数据中的与输入到所述条件模型的所述加工物数据最相似的所述加工物数据所对应的、由所述条件模型输出的所述条件数据。14.根据权利要求12或13所述的估计装置，其中，所述估计装置还具备显示所述条件数据的显示部，
所述第2输入部受理所述显示部要显示的条件数据的显示要件的输入，所述显示部根据所述显示要件，显示示出所述条件数据所示的条件中的粉碎条件、颗粒化条件及成型条件中的任意1个以上的条件数据。15.根据权利要求14所述的估计装置，其中，所述估计装置还具备码生成部，该码生成部生成示出与所述加工物对应的所述材料数据和所述条件数据的二维码，所述显示部显示所述二维码。16.一种显示装置，其显示由估计装置输出的条件数据，该估计装置具备条件模型，该条件模型将材料数据、所述条件数据以及加工物数据之间的关系作为训练数据进行学习，并基于所述材料数据和所述加工物数据输出所述条件数据，该材料数据示出连续纤维强化树脂复合材料的特性，该条件数据示出对所述连续纤维强化树脂复合材料实施再利用处理的条件，该加工物数据与对所述连续纤维强化树脂复合材料实施所述再利用处理而得到的加工物有关，该估计装置具备：第2输入部，其受理所述材料数据和所述加工物数据的输入，其中，所述材料数据示出再利用前的连续纤维强化树脂复合材料的特性，所述加工物数据与对该连续纤维强化树脂复合材料实施再利用处理而得到的加工物有关；以及预测部，其向所述条件模型输入示出所述再利用前的连续纤维强化树脂复合材料的特性的所述材料数据、以及与对该连续纤维强化树脂复合材料进行再利用而得到的加工物有关的所述加工物数据，使所述条件模型输出所述条件数据，其中，所述显示装置具备：显示控制部，其使得显示所述条件数据；以及第3输入部，其受理所述条件数据的显示要件的输入，所述显示控制部基于所述显示要件，使得显示所述条件数据所示的条件中的粉碎条件、颗粒化条件以及成型条件中的1个以上，该粉碎条件是对所述连续纤维强化树脂复合材料进行粉碎的条件，该颗粒化条件是用于对粉碎所述连续纤维强化树脂复合材料而得到的粉碎材料进行颗粒化的条件，该成型条件是将所述连续纤维强化树脂复合材料粉碎后使其成型的条件。17.根据权利要求16所述的显示装置，其中，所述显示装置还具备码生成部，该码生成部生成示出与所述加工物对应的所述材料数据或所述条件数据的二维码，所述显示控制部使得显示所述二维码。18.一种模型学习方法，该模型学习方法由模型学习装置执行，其中，该模型学习方法包括以下步骤：受理材料数据、条件数据以及加工物数据的输入，该材料数据示出连续纤维强化树脂复合材料的特性，该条件数据示出对所述连续纤维强化树脂复合材料实施再利用处理的条件，该加工物数据与对所述连续纤维强化树脂复合材料实施所述再利用处理而得到的加工物有关；以及学习条件模型，该条件模型将所述材料数据、所述条件数据以及所述加工物数据之间的关系作为训练数据进行学习，并基于所述材料数据和所述加工物数据输出所述条件数据。
19.一种估计方法，该估计方法由估计装置执行，该估计装置具备条件模型，该条件模型基于材料数据、条件数据以及加工物数据，输出所述条件数据，该材料数据示出连续纤维强化树脂复合材料的特性，该条件数据示出对所述连续纤维强化树脂复合材料实施再利用处理的条件，该加工物数据与对所述连续纤维强化树脂复合材料实施所述再利用处理而得到的加工物有关，其中，所述估计方法包括以下步骤：受理所述材料数据和所述加工物数据的输入，其中，所述材料数据示出再利用前的连续纤维强化树脂复合材料的特性，所述加工物数据与对该连续纤维强化树脂复合材料实施再利用处理而得到的加工物有关；以及向所述条件模型输入示出所述再利用前的连续纤维强化树脂复合材料的特性的所述材料数据、以及与对该连续纤维强化树脂复合材料实施再利用处理而得到的加工物有关的所述加工物数据，使所述条件模型输出1个以上的所述条件数据。20.根据权利要求19所述的估计方法，其中，所述估计装置还具备加工物模型，该加工物模型将所述条件数据与所述加工物数据之间的关系作为训练数据进行学习，并基于所述材料数据和所述条件数据输出所述加工物数据，向所述加工物模型输入示出所述再利用前的连续纤维强化树脂复合材料的特性的所述材料数据、以及从所述条件模型输出的所述1个以上的所述条件数据，使所述加工物模型输出1个以上的所述加工物数据，选定所述1个以上的所述加工物数据中的与输入到所述条件模型的所述加工物数据最相似的所述加工物数据所对应的、由所述条件模型输出的所述条件数据。21.一种程序，其中，所述程序用于使计算机作为权利要求1至11中的任意一项所述的模型学习装置发挥功能。22.一种程序，其中，所述程序用于使计算机作为权利要求12至15中的任意一项所述的估计装置发挥功能。23.一种程序，其中，所述程序用于使计算机作为权利要求16或17所述的显示装置发挥功能。

技术总结
本发明提供模型学习装置及方法、估计装置及方法、显示装置和程序，能够估计连续纤维强化树脂复合材料的再利用中的适当的条件。模型学习装置(1)具备：第1输入部(11)，其受理材料数据、条件数据以及加工物数据的输入，该材料数据示出连续纤维强化树脂复合材料的特性，该条件数据示出对连续纤维强化树脂复合材料实施再利用处理的条件，该加工物数据与对连续纤维强化树脂复合材料实施再利用处理而得到的加工物有关；以及条件模型学习部(12)，其学习条件模型，该条件模型将材料数据、条件数据以及加工物数据之间的关系作为训练数据进行学习，并基于材料数据和加工物数据输出条件数据。据。据。


技术研发人员：荒谷悠介 秋山努
受保护的技术使用者：旭化成株式会社
技术研发日：2023.03.16
技术公布日：2023/9/20