基油物性エキスパートシステム
潤滑油基油ブレンドの物性を予測するための方法は少なくとも２つの潤滑油基油のブレンドの試料のＮＭＲスペクトル、ＨＰＬＣ−ＵＶスペクトル、及びＦＩＭＳスペクトルを生成するステップと前記スペクトルから試料の少なくとも１つの複合構造分子パラメータを決定するステップとを含む。次いで、試料のＳＩＭＤＩＳＴ及びＨＰＯ分析を行って、そのような分析から試料の複合沸点分布及び分子量を決定する。複合構造分子パラメータ、複合沸点分布、及び複合分子量との相関を求めるように学習した学習ニューラルネットワークに、複合構造分子パラメータ、複合沸点分布、及び複合分子量を適用し、それにより試料の複合物性を予測する。これらの物性は、４０Ｃでの動粘度、１００Ｃでの動粘度、粘度指数、曇り点、及び酸化性能を含む。
【発明の詳細な説明】
【技術分野】
【０００１】
著作権表示及び許可
本特許文献は、著作権保護の対象となる資料を含む。
【０００２】
（ｃ）Ｃｏｐｙｒｉｇｈｔ ２００７．Ｃｈｅｖｒｏｎ Ｕ．Ｓ．Ａ．Ｉｎｃ．Ａｌｌ ｒｉｇｈｔｓ ｒｅｓｅｒｖｅｄ．
【０００３】
著作権保護の対象となる本資料に関する。所有者である、Ｃｈｅｖｒｏｎ Ｕ．Ｓ．Ａ．，Ｉｎｃ．は、いかなる国のものであろうと特許商標庁特許ファイル又は記録に記載されている限り、何者による特許情報開示の複製に対しても異存はないが、そうでない場合には何であれすべての権利を留保する。
【０００４】
発明の分野
本発明は、基油の物性を予測するためのコンピュータベースのエキスパートシステムに関する。
【０００５】
発明の背景
現在、潤滑油業界では、基油物性の予測を可能にする、より具体的には、特定の物性をもつ基原料油及び基潤滑油を生成することを可能にする改善された方法が求められている。現在、基油物性の予測を可能にする使用可能な方法はない。基油は、現在、ＡＳＴＭ、ＡＰＩ、及びＤＩＮ規格の方法によって特徴づけられている。これらの方法は、時間を食い、また大量の試料を必要とする。ＮＭＲ分光法から得られる構造情報から基油物性を予測する努力が続けられている。例えば、Ｓｈｅａら（１）は、この目的のためにＮＭＲ分光法及びニューラルネットワークを使用している。Ｂ．Ｋ．Ｓｈａｒｍａら（２）は、潤滑油基油の圧力粘性率とＮＭＲ分光法から得られた構造パラメータとの相関を求めた。Ｇａｔｔｏら（３）は、水素化分解基油及びポリアルファオレフィンの物理的特性及びアンチオキシダント応答と質量分析法によって決定された化学組成との相関を求めた。しかし、これらの研究の大半は、特定の試料群又は特定の分析技術に制限されている。基油モデルの予測機能を改善するために、ＮＭＲのほかに、さまざまな分析技術を使用する知識は報告されていない。さらに重要なのは、特定の物性を有する基油及び潤滑油の生成を可能にする使用可能な方法がないことである。
【０００６】
Ｂａｓｅ Ｏｉｌ Ｐｒｅｄｉｃｔｏｒは、好ましくは、ユーザフレンドリなインターフェースを有する。メニューから、米国ブレンディングユニットで利用可能な、例えば、約４０の基油から最大、例えば、４つまでの基油を選択することが可能である。１回クリックすれば、ＶＩ、Ｖｉｓ４０、Ｖｉｓ１００、ＯｘＢＮ、流動点、曇り点、及びノアク揮発度を含むブレンドの基油物性を予測することが可能である。好ましい態様では、これは、より多くの基油を組み込む。
【０００７】
知られている物性を有するブレンドのモデルを試験し、組成が知られている２つ、３つ、及び４つの基油のブレンドを調製し、上記試験並びにＮＭＲ分析のためにそのブレンドを提出するという形で試験が行われる。
【０００８】
文献中に報告されているさまざまな研究（１〜３）では、基油のバルク特性の大半は、基油中の炭化水素型分布の結果として生じることが認識されている。この６０年の間に、ＮＭＲ分光法は、炭化水素の構造決定のための主要な分析ツールの１つとなった。炭化水素の特徴づけに使用される他の技術は、ＭＳ及びＨＰＬＣである。本発明では、基油の構造パラメータは、ＮＭＲ、ＨＰＬＣ−ＵＶ、及びＦＩＭＳなどの分析技術によって決定される。基油は、ＳＩＭＤＩＳＴ及びＶＰＯを使用してさらに特徴づけられ、これにより、沸点分布及び分子量がそれぞれ得られる。次いで、これらの構造パラメータは、初期基油群の実験により観察された物理的特性と突き合わせてモデル化される。このようなモデルを開発するために、人工ニューラルネットワークが使用される。モデル化することが可能な物性は多数あり、例えば、限定はしないが、４０℃での動粘度、１００℃での動粘度、粘度指数、流動点、曇り点、酸化性能などが挙げられる。初期研究の一部として、われわれは、グループＩ、ＩＩ、及びＩＩＩから２０の基油試料を選択した。ＮＭＲ分光法による特徴づけでは、それぞれの基油は、１３Ｃ ＮＭＲ定量分析法を使用して特徴づけられる。スペクトルが得られた後、複数の領域にわたって積分を記録し、これにより、さまざまな種類の炭素を区別する。これらの試料はすべて、上述の分析技術を使用して特徴づけられており、またこれらの技術を使用して決定された構造パラメータが表１にまとめられている。これらの構造パラメータを、Ｗａｒｄ Ｓｙｓｔｅｍ Ｇｒｏｕｐ社のソフトウェア、ＮｅｕｒｏＳｈｅｌｌ ｐｒｅｄｉｃｔｏｒ Ｒｅｌｅａｓｅ ２．２を使用してモデル化する。モデルはすべて、誤差逆伝播アルゴリズムを使用して構築した。物性毎に、別の異なるモデルが構築される。モデルを作成した後に、相関係数を求める。粘度指数、４０℃での動粘度、１００℃での動粘度、流動点、及び酸化性能に対する予想値と推定値の比較結果を、それぞれ、表２、３、４、及び５にまとめた。さまざまなモデルについて得られた相関係数は、さまざまな分析技術から導き出された構造的特徴が基油のさまざまな物理的特性を正確にモデル化していることを示唆している。この技術は、１）望ましい性能と一致する望ましい基油ブレンドを予測する、２）基油の変更の処理において合理化する、３）性能を改善するために合成標的分子を識別する、４）実験室試験の回数を減らす、及び５）重要な属性を最大化するため新しい触媒を設計する際に役立つ。モデルをさらに改善し、より多様な物性を有する基油を含めるための研究がさらに進行中である。
【０００９】
発明の概要
本発明は、潤滑油製品の認定試験をシミュレートし、最適化する方法を含み、この方法は以下のステップを含む。すなわち、潤滑油基油ブレンドの物性を予測するための方法であって、少なくとも２つの潤滑油基油のブレンドの試料のＮＭＲスペクトル、ＨＰＬＣ−ＵＶスペクトル、及びＦＩＭＳスペクトルを生成するステップと、前記スペクトルから試料の少なくとも１つの複合構造分子パラメータを決定するステップとを含む。次いで、試料のＳＩＭＤＩＳＴ及びＨＰＯ分析を行って、そのような分析から試料の複合沸点分布及び分子量を決定する。複合構造分子パラメータ、複合沸点分布、及び複合分子量との相関を求めるように学習した学習ニューラルネットワークに、複合構造分子パラメータ、複合沸点分布、及び複合分子量を適用し、それにより試料の複合物性を予測する。これらの物性は、４０Ｃでの動粘度、１００Ｃでの動粘度、粘度指数、曇り点、及び酸化性能を含む。
【００１０】
本発明のこれら及び他の特徴並びにこれら及び他の利点は、本発明の好ましい一態様の以下の詳細な説明を考察することでより明らかになる。この説明の過程において、付属の図面を頻繁に参照する。
【図面の簡単な説明】
【００１１】
【図１】根拠となる証拠について示す図である。
【図２】粘度指数の実際の値と予測値について示す図である。
【図３】４０℃での動粘度の実際の値と予測値について示す図である。
【図４】１００℃での動粘度の実際の値と予測値について示す図である。
【図５】流動点の実際の値と予測値について示す図である。
【図６】酸化安定性の実際の値と予測値について示す図である。
【図７】ＮＭＲによるブレンドの構造パラメータについて示す図である。
【図８】流動点の予測について示す図である。
【図９】基油物性の予測に対する統計モデル作成について示す図である。
【図１０】プロジェクト価値評価について示す図である。
【図１１】ＮＭＲ分光法及びニューラルネットワークを使用した基油物性のモデリングについて示す図である。
【図１２】入力パラメータについて示す図である。
【図１３】モデル基油について示す図である。
【図１４】モデル２００６Ｃにより予測された基油物性について示す図である。
【図１５】未知の基油及びブレンドの物性の予測について示す図である。
【図１６】モデル２００６Ｎに使用される基油について示す図である。
【図１７】ＮＭＲによるブレンドの構造パラメータについて示す図である。
【図１８】モデル２００６Ｎにより推定された基油物性について示す図である。
【図１９】粘度指数について示す図である。
【図２０】４０℃での粘度について示す図である。
【図２１】１００℃での粘度について示す図である。
【図２２】流動点について示す図である。
【図２３】曇り点について示す図である。
【図２４】酸化ＢＮについて示す図である。
【００１２】
図面と好ましい態様の詳細な説明
文献中に報告されているさまざまな研究（１〜３）では、基油のバルク特性の大半は、基油中の炭化水素型分布の結果として生じることが認識されている。この６０年の間に、ＮＭＲ分光法は、炭化水素の構造決定のための主要な分析ツールの１つとなった。炭化水素の特徴づけに使用される他の技術は、ＭＳ及びＨＰＬＣである。本発明では、基油の構造パラメータは、ＮＭＲ、ＨＰＬＣ−ＵＶ、及びＦＩＭＳなどの分析技術によって決定される。
基油は、ＳＩＭＤＩＳＴ及びＶＰＯを使用してさらに特徴づけられ、これにより、沸点分布及び分子量がそれぞれ得られる。次いで、これらの構造パラメータは、初期基油群の実験により観察された物理的特性と突き合わせてモデル化される。このようなモデルを開発するために、人工ニューラルネットワークが使用される。モデル化することが可能な物性は多数あり、例えば、限定はしないが、４０℃での動粘度、１００℃での動粘度、粘度指数、流動点、曇り点、酸化性能などが挙げられる。
【００１３】
初期研究の一部として、本発明者らは、グループＩ、ＩＩ、及びＩＩＩから２０の基油試料を選択した。ＮＭＲ分光法による特徴づけでは、それぞれの基油は、１３Ｃ ＮＭＲ定量分析法を使用して特徴づけられる。スペクトルが得られた後、複数の領域にわたって積分を記録し、これにより、さまざまな種類の炭素を区別する。これらの試料はすべて、上述の分析技術を使用して特徴づけられており、またこれらの技術を使用して決定された構造パラメータが表１にまとめられている。これらの構造パラメータを、Ｗａｒｄ Ｓｙｓｔｅｍ Ｇｒｏｕｐ社のソフトウェア、ＮｅｕｒｏＳｈｅｌｌ ｐｒｅｄｉｃｔｏｒ Ｒｅｌｅａｓｅ ２．２を使用してモデル化する。モデルはすべて、誤差逆伝播アルゴリズムを使用して構築した。物性毎に、別の異なるモデルが構築される。
【００１４】
モデルを作成した後に、相関係数を求める。粘度指数、４０℃での動粘度、１００℃での動粘度、流動点、及び酸化性能に対する予想値と推定値の比較結果を、それぞれ、表２、３、４、及び５にまとめた。さまざまなモデルについて得られた相関係数は、さまざまな分析技術から導き出された構造的特徴が基油のさまざまな物理的特性を正確にモデル化していることを示唆している。この技術は、１）望ましい性能と一致する望ましい基油ブレンドを予測する、２）基油の変更の処理において合理化する、３）性能を改善するために合成標的分子を識別する、４）実験室試験の回数を減らす、及び５）重要な属性を最大化するため新しい触媒を設計する際に役立つ。モデルをさらに改善し、より多様な物性を有する基油を含めるための研究がさらに進行中である。
【００１５】
Ａ．序論
以下の説明及び図は、本発明を実施できる適当なコンピューティング環境の概要をまとめたものである。本発明は、汎用コンピュータ、インターネット、及びウェブアプリケーションと連携してオペレーティングシステム上で稼動するシステム及びアプリケーションプログラム、並びに電子メールサーバ及びクライアントを使用する一般的状況において説明されうるが、当業者であれば、本発明は、他のプログラムモジュールと組み合わせて実施することもできることを理解するであろう。一般に、プログラムモジュールは、特定のタスクを実行する、又は特定の抽象データ型を実装するルーチン、プログラム、コンポーネント、データ構造などを含む。さらに、当業者であれば、本発明は、ハンドヘルドデバイス、マルチプロセッサシステム、マイクロプロセッサベースの又はプログラム可能な家電製品、ミニコンピュータ／サーバ、ワークステーション、メインフレームコンピュータ、及び同様のものを含む、他のコンピュータシステム構成を使用して実施できることを理解するであろう。
【００１６】
また、本発明は、通信ネットワークを通じてリンクされているリモート処理デバイスによりタスクが実行される分散コンピューティング環境で実施することもできる。分散コンピューティング環境では、プログラムモジュールは、ローカル及びリモートの両方のメモリ記憶装置デバイス内に配置されうる。
【００１７】
次いで、本発明は、一般に、シミュレーションシステムに関する。本発明のプロセスのいくつかの側面は、本明細書のシステム及びその変更形態を全部又は一部使用する一連のプロセスステップである。当業者には明らかであろうが、プロセスステップは、クライアント及びサーバなどの従来のプログラムされたデジタルコンピュータ上で動作するコンピュータプログラム用のコードとして一部実施されうる。プログラムコードは、コンピュータ可読記憶媒体上に格納されているコンピュータプログラムとして、又はネットワーク経由で伝送される搬送波に含まれるコンピュータデータ信号として実施されうる。
【００１８】
Ｂ．発明の利点を示す実例
このシステムは、関係する以下の問題を解決するのに役立つ。
【００１９】
Ｃ．実装環境の実例
実装環境の実例としては、すべてのＪａｖａ（登録商標）ソフトウェアコンポーネントをサポートするＪａｖａ（登録商標）仮想マシン（例えば、ＪＤＫ１．３）が挙げられる。すべてのシステムコンポーネントは、外部ライブラリ以外は、すべてＪａｖａ（登録商標）で適宜書かれる。ウェブサーバ（例えば、Ａｐａｃｈｅ）が、システム擬似コンポーネントＧＵＩ内のＪＳＰページによって生成されるｈｔｔｐコードを解釈する。サーブレットエンジン（例えば、Ｒｅｓｉｎ又はＴｏｍｃａｔ）が、システム擬似コンポーネントＧＵＩのＪａｖａ（登録商標）Ｓｅｒｖｅｒ Ｐａｇｅｓを実行する。データベース（例えば、ＯＲＡＣＬＥ）が、システム内で使用されるすべての永続性データを処理する。
【００２０】
システム内のＤＡＴＡへの実際のアクセスは、固有のコンポーネント（ＤＡＴ）によって処理され、このアクセスは、ＪＤＢＣ ＡＰＩを使用することで可能になる。ニューラルネットワーク用のＳＴＯＲＭ（商標）（ソフトウェアベンダのＥｌｓｅｗａｒｅ社）及びベイジアンネットワーク用のＨＵＧＩＮ（商標）（ソフトウェアベンダのＨＵＧＩＮ社）及び実施基準ルールエンジンとしてのＢｌａｚｅ Ａｄｖｉｓｏｒ（商標）（ソフトウェアベンダのＦａｉｒ Ｉｓａａｃ社）などのサードパーティ製ソフトウェアコンポーネント又はライブラリがある。例えば、Ｉｎｆｏｒｍａｔｉｃａブランドのソフトウェアとともに組み込まれている外部Ｅｘｔｒａｃｔ／Ｔｒａｎｓｆｏｒｍ／Ｌｏａｄ（「ＥＴＬ」）プロシージャは、過去の物理的認定試験データベース及び他のソースから抽出され、変換されたデータをシステムデータベースに入力する作業を受け持つ。ＥＴＬツールは、１つ又は複数のソースＤＢからデータを抽出し、そのデータを変換し、それをターゲットＤＢにロードするために使用される。
【００２１】
Ｄ．アルゴリズム
好適なアルゴリズムとして、ベイジアンネットワークとニューラルネットワークが挙げられる。それぞれの詳細については、当技術分野の刊行物を参照されたい。
【００２２】
Ｅ．システムアーキテクチャの概要
システムの機能アーキテクチャの概要を以下の図（ｐｉｃｔｕｒｅ）に示す。システムは、データ表現（データ縮退とも言う）、モデル構築、モデル実行、順守評価、及びシミュレーションの５つの主要機能コンポーネントを含む。これらのコンポーネントは、システムの実装方法に応じて１つのソフトウェアモジュールに必ずしも対応するわけではない。例えば、データ縮退機能は、システム内の複数のソフトウェアモジュールにおいて適宜使用されうる。この分解は、潜在的な実装の詳細に立ち入ることなく、システムの動作の仕方を理解するのに最も適切なものである。
【００２３】
Ｆ．ユーザ視点
【００２４】
Ｇ．データ表現
【００２５】
Ｈ．モデル構築
【００２６】
Ｉ．ユーザ入力及びモデル実行
【００２７】
Ｊ．順守評価
【００２８】
Ｋ．プログラムシミュレーション
【００２９】
Ｌ．図の詳細な説明
次に、本発明及び本発明の例示的な実装について、図を参照しつつ説明することにする。図１は、一態様における、本発明のシステム概略図を示している。からの入力。
【００３０】
システムの最終出力は含む。
【００３１】
本発明は、従来のどのようなコンピュータプラットフォーム上でも動作するように構築することができるが、好ましくは、本発明が含まれるアプリケーションサーバが備えられているインターネット又は社内イントラネットに接続されているウェブブラウザを有する認定ユーザによってアクセス可能なウェブベースのアプリケーションである。
【００３２】
本発明は、従来のソフトウェア工学手法を使用して構築することができる。本発明の潜在的ユーザは、１つのソフトウェア内から本発明のシステムを利用することになる。
【００３３】
図３は、一態様における、本発明の一実装例に対する各層を表すシステム概略図を示している。これらの層は、クライアント層３００、プレゼンテーションサーバ層３１０、アプリケーションサーバ層３３０、データサーバ層３７０、及び生産データサーバ層３８０である。クライアント層３００は、ユーザインターフェース、好ましくはグラフィカルユーザインターフェース（「ＧＵＩ」）、適宜ウェブブラウザを備えるナビゲータ３０５を具備する。プレゼンテーションサーバ層３１０は、ナビゲータ３０５に動作可能なように接続されているＧＵＩ（適宜Ｊａｖａ（登録商標）Ｓｅｒｖｅｒ Ｐａｇｅｓ）３１５を備え、ＧＵＩ（適宜駆動されるＪａｖａ（登録商標）Ｓｅｒｖｅｒ Ｐａｇｅｓ）３１５はシステムＱＵＩ（適宜Ｊａｖａ（登録商標）Ｐａｃｋａｇｅ）３２０に動作可能なように接続され、また報告機能（適宜Ｊａｖａ（登録商標）コンポーネント）３２５に動作可能なように接続される。
【００３４】
アプリケーションサーバ層３３０は、モデルビルダ（適宜Ｊａｖａ（登録商標）Ｃｏｍｐｏｎｅｎｔ）３３５を備え、これは、ベイジアンネットワークソフトウェア（例えば、Ｈｕｇｉｎブランド）（適宜外部Ｊａｖａ（登録商標）ＡＰＩ）３４０、ニューラルネットワークソフトウェア（例えば、Ｓｔｏｒｍブランド）（適宜外部Ｊａｖａ（登録商標）ＡＰＩ）、及びデータ管理（適宜Ｊａｖａ（登録商標）コンポーネント）３５０のうちのそれぞれに動作可能なように接続されている。データ管理３５０は、両方のＳｙｓｔｅｍ Ｆｏｕｎｄａｔｉｏｎ Ｐａｃｋａｇｅ（適宜Ｊａｖａ（登録商標）Ｐａｃｋａｇｅ）３５５に動作可能なように接続されている。
【００３５】
本明細書で使用されているようなディレクトリという用語は、例としてのみ用いられており、データ、ファイル、又はレコードを編成するために利用可能なプログラミング構文又は他の方法を示すことを意図されている。より高水準のディレクトリとしては、共通ワークスペースオブジェクト４０５及びユーザワークスペースオブジェクト４１０がある。それぞれのワークスペースの下に、オイルオブジェクト４１５、コンポーネントオブジェクト４２０、プログラムオブジェクト４２５、及びバリアントオブジェクト４３０がある。プログラムオブジェクト４２５の下に、戦略オブジェクト４３５がある。「システム起動時に共通オブジェクトをロードする」モジュール４４５及び「要求に応じてオブジェクトを保存する」モジュール４４０は、それぞれのモジュールの名前によって示される機能を備えている。
【００３６】
図５は、一態様における、本発明の一実装例に対するユーザインターフェースコンポーネントのより詳細なシステム概略図を示している。図５は、図１、３、又は４に示されているモジュールと同じものを示しており、それに加えて、さまざまなユーザとシステムとの間のインターフェースポイントを示している。異なるユーザの役割もリストされている。データアドミニストレータ５０５の役割は、「データベースを保守する」及び「実施基準を維持する」を含む。データアドミニストレータ５０５は、ＥＴＬプロシージャモジュール３８５を介してシステムとインターフェースする。
【００３７】
図６は、一態様における、本発明の一実装例に対するデータの論理的ビューを含むプロセスフロー概略図を示している。
【００３８】
図９は、一般的な戦略実行に関するプロセスの論理フローを示す。
【００３９】
図１０は、個別のライン処理に対するプロセスの論理フローを示す。
【００４０】
Ｍ．他の実装詳細
１．用語
本明細書に含まれる詳細な説明は、一部は、従来のコンピュータ及び／又は有線若しくは無線ネットワークによるプロセス、及びオペレーションの記号的表現に関して記載されている。コンピュータによって実行されるプロセス及びオペレーションは、プロセッサによる信号の操作、並びにメモリ記憶装置デバイス内の１つ又は複数の媒体に格納されるデータパケット及びデータ構造体内でのこれらの信号の保持を含む。一般に、「データ構造体」とは、データ又はオブジェクトに適用される組織的仕組みであり、データ構造体の編成された部分と部分との間に特定の関係が確立されるようにそのデータ又はデータのモジュールに対し特定のオペレーションを実行できる。
【００４１】
「データパケット」は、一方のデバイス又はプログラムモジュールから他方のデバイス又はプログラムモジュールに伝送される一単位の情報として総称的に定義される、１つ又は複数の関連するフィールドを有するタイプのデータ構造体である。したがって、オペレーションの記号的表現は、教示及び発見を最も効果的に他の当業者に伝えるためにコンピュータプログラミング及びコンピュータ構築の当業者によって使用される手段である。
【００４２】
この説明の目的として、プロセスは、一般に、望ましい結果を得るためのコンピュータによって実行される一連のステップと考えられる。これらのステップは、一般的に、物理量の物理的操作を必要とする。通常、必ずというわけではないけれども、これらの量は、格納、転送、組合せ、比較、及び他の何らかの形の操作が可能な電気的、磁気的、又は光学的信号の形態をとる。これらの信号の表現を、ビット、バイト、ワード、情報、データ、パケット、ノード、数値、ポイント、エントリ、オブジェクト、イメージ、ファイル、又は同様のものとして参照することは当業者にとって慣例的なことである。しかし、これらの用語及び類似の用語は、コンピュータのオペレーションに適した物理量に関連付けられ、これらの用語は、コンピュータ内に存在し、コンピュータの動作中に存在する物理量に付けられる単に従来のラベルにすぎないことを念頭におくべきである。
【００４３】
コンピュータ内での操作は、多くの場合、人間のオペレータによって実行される手動オペレーションに多くの場合関連付けられる、発行する、送信する、変更する、追加する、ディセーブルする、決定する、比較する、報告する、及び同様の用語で表されることは理解されるであろう。本明細書で説明されているオペレーションは、コンピュータと対話する人間のオペレータ又はユーザによってもたらされるさまざまな入力とともに実行される機械的オペレーションである。
【００４４】
２．ハードウェア
本明細書で説明されているプログラム、プロセス、方法などは、特定のコンピュータ又は装置に関係することも制限されることもなく、また説明されている以外の特定の通信アーキテクチャに関係することも制限されることもないことは理解されるであろう。むしろ、さまざまなタイプの汎用機械、センサ、送信機、受信機、トランシーバ、及びネットワーク物理層を、任意のプログラムモジュール及び本明細書で説明されている教示に従って構築される本発明の他の側面とともに使用することができる。同様に、ハードワイヤードの論理回路又は読み取り専用メモリなどの不揮発性メモリ内に格納されているプログラムを用いて、特定のネットワークアーキテクチャの専用コンピュータシステムによって、本明細書で説明されている方法ステップを実行するための専用装置を構築すると有利であることが実証されうる。
【００４５】
３．プログラム
本発明のステップが機械実行可能命令で実施される好ましい態様において、それらの命令は、命令を用いてプログラムされている汎用又は専用プロセッサに本発明のステップを実行させるために使用されうる。代替として、本発明のステップは、これらのステップを実行するためのハードワイヤードの論理回路を含む特定のハードウェアコンポーネントにより、又はプログラムされたコンピュータコンポーネントとカスタムハードウェアコンポーネントとの任意の組合せによって、実行することも可能であろう。
【００４６】
前記のシステムは、都合のよいことに、本明細書の図及び説明に基づくプログラム又はプログラムモジュール（単数又は複数）で実装することができる。上述のさまざまなプロシージャを実行するために特定のプログラミング言語が必要とされていないが、それは、上述の、また付属の図面に示されているオペレーション、ステップ、及びプロシージャが、当業者が本発明を実施できるように十分に開示されていると考えられるからである。
【００４７】
さらに、本発明を実施する際に使用できるコンピュータ、コンピュータ言語、及びオペレーティングシステムは数多くあり、そのため、それら多くの異なるシステムのすべてに適用可能な詳細なコンピュータプログラムを提示することは不可能である。特定のコンピュータのそれぞれのユーザが、そのユーザのニーズと目的に対し最も役立つ言語及びツールを知っている。
【００４８】
そこで、本発明は、本明細書の説明を理解したうえで実験を過度に行うことなく当業者のプログラマによって実装されうる。
【００４９】
４．製品
本発明は、本発明に従ってプロセスを実行するようにコンピュータ（又は他の電子デバイス）をプログラムするために使用されうる命令を格納している機械可読媒体を備えることができるハードウェア及びコンピュータプログラム製品を含む。機械可読媒体としては、限定はしないが、フロッピ（登録商標）ディスケット、光ディスク、ＣＤ−ＲＯＭ、及び光磁気ディスク、ＲＯＭ、ＲＡＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、磁気若しくは光カード、又は電子的命令を格納するのに適している他のタイプの媒体／機械可読媒体が挙げられる。さらに、本発明のソフトウェア部分は、コンピュータプログラム製品としてダウンロードすることもでき、この場合、プログラムは、通信リンク（例えば、モデム若しくはネットワーク接続）を介して搬送波若しくは他の伝搬媒体内に実施されたデータ信号を用いてリモート側コンピュータ（例えば、サーバ）から要求側コンピュータ（例えば、クライアント）に転送することができる。
【００５０】
５．コンポーネント
本発明のシステム及び方法の主要コンポーネント（これと交換可能な用語として、側面、サブシステム、モジュール、機能、サービスとも称される）並びにこれらによってもたらされる利点の例は、本明細書において図を参照しつつ説明されている。プロセス／手段ブロックを含む図では、それぞれのブロックは、別々に又は組み合わせて、代替としてコンピュータによって実施されるブロック、コンピュータ援用のブロック、及び／又は人間によって実施されるブロックである。コンピュータ実装は、プロセッサ、メモリ、記憶装置、入力デバイス、出力デバイス、及び／又は従来のネットワーキングデバイス、プロトコル、及び／又は従来のクライアントサーバのハードウェアとソフトウェアを有する１つ又は複数の従来の汎用コンピュータを適宜含む。任意のブロック又はブロックの組合せが、コンピュータによって実施されるものである場合、従来の手段によって適宜実装され、これにより、コンピュータ実装の分野の当業者であれば、従来のアルゴリズム、コンポーネント、及びデバイスを使用して、本明細書で提示されている本発明の要件及び設計を実装することが可能である。しかし、本発明は、新しい、従来にない、実装手段をも含む。
【００５１】
６．ウェブデザイン
システムのウェブサイトの側面／実装は、経験豊かなウェブサイト開発者には公知の従来のウェブサイト開発の際の考慮事項を含む。このような考慮事項としては、コンテンツ、コンテンツ消去、コンテンツのプレゼンテーション、アーキテクチャ、データベースのリンク、外部ウェブサイトのリンク、ページ数、全体的なサイズ及び記憶容量要件、保守性、アクセス速度、グラフィックスの使用、ヒットしやすくするためのメタタグの選択、プライバシーの考慮、免責が挙げられる。
【００５２】
７．その他の実装
本発明の他の態様及びその個別コンポーネントは、前記の詳細な説明から、当業者にとって直ちに明らかになるものである。理解されるように、本発明は、他の、及び異なる態様を実現することができ、またその複数の詳細は、さまざまな明らかな点において改変を行うことを可能にするものであり、すべて本発明の精神及び範囲から逸脱することはない。したがって、図面及び詳細な説明は、事実上例示的であるとみなすべきであり、制限するものとみなすべきでない。したがって、添付の特許請求の範囲によって示されている場合を除き、本発明は限定されることを意図されていない。
【技術分野】
【０００１】
著作権表示及び許可
本特許文献は、著作権保護の対象となる資料を含む。
【０００２】
（ｃ）Ｃｏｐｙｒｉｇｈｔ ２００７．Ｃｈｅｖｒｏｎ Ｕ．Ｓ．Ａ．Ｉｎｃ．Ａｌｌ ｒｉｇｈｔｓ ｒｅｓｅｒｖｅｄ．
【０００３】
著作権保護の対象となる本資料に関する。所有者である、Ｃｈｅｖｒｏｎ Ｕ．Ｓ．Ａ．，Ｉｎｃ．は、いかなる国のものであろうと特許商標庁特許ファイル又は記録に記載されている限り、何者による特許情報開示の複製に対しても異存はないが、そうでない場合には何であれすべての権利を留保する。
【０００４】
発明の分野
本発明は、基油の物性を予測するためのコンピュータベースのエキスパートシステムに関する。
【０００５】
発明の背景
現在、潤滑油業界では、基油物性の予測を可能にする、より具体的には、特定の物性をもつ基原料油及び基潤滑油を生成することを可能にする改善された方法が求められている。現在、基油物性の予測を可能にする使用可能な方法はない。基油は、現在、ＡＳＴＭ、ＡＰＩ、及びＤＩＮ規格の方法によって特徴づけられている。これらの方法は、時間を食い、また大量の試料を必要とする。ＮＭＲ分光法から得られる構造情報から基油物性を予測する努力が続けられている。例えば、Ｓｈｅａら（１）は、この目的のためにＮＭＲ分光法及びニューラルネットワークを使用している。Ｂ．Ｋ．Ｓｈａｒｍａら（２）は、潤滑油基油の圧力粘性率とＮＭＲ分光法から得られた構造パラメータとの相関を求めた。Ｇａｔｔｏら（３）は、水素化分解基油及びポリアルファオレフィンの物理的特性及びアンチオキシダント応答と質量分析法によって決定された化学組成との相関を求めた。しかし、これらの研究の大半は、特定の試料群又は特定の分析技術に制限されている。基油モデルの予測機能を改善するために、ＮＭＲのほかに、さまざまな分析技術を使用する知識は報告されていない。さらに重要なのは、特定の物性を有する基油及び潤滑油の生成を可能にする使用可能な方法がないことである。
【０００６】
Ｂａｓｅ Ｏｉｌ Ｐｒｅｄｉｃｔｏｒは、好ましくは、ユーザフレンドリなインターフェースを有する。メニューから、米国ブレンディングユニットで利用可能な、例えば、約４０の基油から最大、例えば、４つまでの基油を選択することが可能である。１回クリックすれば、ＶＩ、Ｖｉｓ４０、Ｖｉｓ１００、ＯｘＢＮ、流動点、曇り点、及びノアク揮発度を含むブレンドの基油物性を予測することが可能である。好ましい態様では、これは、より多くの基油を組み込む。
【０００７】
知られている物性を有するブレンドのモデルを試験し、組成が知られている２つ、３つ、及び４つの基油のブレンドを調製し、上記試験並びにＮＭＲ分析のためにそのブレンドを提出するという形で試験が行われる。
【０００８】
文献中に報告されているさまざまな研究（１〜３）では、基油のバルク特性の大半は、基油中の炭化水素型分布の結果として生じることが認識されている。この６０年の間に、ＮＭＲ分光法は、炭化水素の構造決定のための主要な分析ツールの１つとなった。炭化水素の特徴づけに使用される他の技術は、ＭＳ及びＨＰＬＣである。本発明では、基油の構造パラメータは、ＮＭＲ、ＨＰＬＣ−ＵＶ、及びＦＩＭＳなどの分析技術によって決定される。基油は、ＳＩＭＤＩＳＴ及びＶＰＯを使用してさらに特徴づけられ、これにより、沸点分布及び分子量がそれぞれ得られる。次いで、これらの構造パラメータは、初期基油群の実験により観察された物理的特性と突き合わせてモデル化される。このようなモデルを開発するために、人工ニューラルネットワークが使用される。モデル化することが可能な物性は多数あり、例えば、限定はしないが、４０℃での動粘度、１００℃での動粘度、粘度指数、流動点、曇り点、酸化性能などが挙げられる。初期研究の一部として、われわれは、グループＩ、ＩＩ、及びＩＩＩから２０の基油試料を選択した。ＮＭＲ分光法による特徴づけでは、それぞれの基油は、１３Ｃ ＮＭＲ定量分析法を使用して特徴づけられる。スペクトルが得られた後、複数の領域にわたって積分を記録し、これにより、さまざまな種類の炭素を区別する。これらの試料はすべて、上述の分析技術を使用して特徴づけられており、またこれらの技術を使用して決定された構造パラメータが表１にまとめられている。これらの構造パラメータを、Ｗａｒｄ Ｓｙｓｔｅｍ Ｇｒｏｕｐ社のソフトウェア、ＮｅｕｒｏＳｈｅｌｌ ｐｒｅｄｉｃｔｏｒ Ｒｅｌｅａｓｅ ２．２を使用してモデル化する。モデルはすべて、誤差逆伝播アルゴリズムを使用して構築した。物性毎に、別の異なるモデルが構築される。モデルを作成した後に、相関係数を求める。粘度指数、４０℃での動粘度、１００℃での動粘度、流動点、及び酸化性能に対する予想値と推定値の比較結果を、それぞれ、表２、３、４、及び５にまとめた。さまざまなモデルについて得られた相関係数は、さまざまな分析技術から導き出された構造的特徴が基油のさまざまな物理的特性を正確にモデル化していることを示唆している。この技術は、１）望ましい性能と一致する望ましい基油ブレンドを予測する、２）基油の変更の処理において合理化する、３）性能を改善するために合成標的分子を識別する、４）実験室試験の回数を減らす、及び５）重要な属性を最大化するため新しい触媒を設計する際に役立つ。モデルをさらに改善し、より多様な物性を有する基油を含めるための研究がさらに進行中である。
【０００９】
発明の概要
本発明は、潤滑油製品の認定試験をシミュレートし、最適化する方法を含み、この方法は以下のステップを含む。すなわち、潤滑油基油ブレンドの物性を予測するための方法であって、少なくとも２つの潤滑油基油のブレンドの試料のＮＭＲスペクトル、ＨＰＬＣ−ＵＶスペクトル、及びＦＩＭＳスペクトルを生成するステップと、前記スペクトルから試料の少なくとも１つの複合構造分子パラメータを決定するステップとを含む。次いで、試料のＳＩＭＤＩＳＴ及びＨＰＯ分析を行って、そのような分析から試料の複合沸点分布及び分子量を決定する。複合構造分子パラメータ、複合沸点分布、及び複合分子量との相関を求めるように学習した学習ニューラルネットワークに、複合構造分子パラメータ、複合沸点分布、及び複合分子量を適用し、それにより試料の複合物性を予測する。これらの物性は、４０Ｃでの動粘度、１００Ｃでの動粘度、粘度指数、曇り点、及び酸化性能を含む。
【００１０】
本発明のこれら及び他の特徴並びにこれら及び他の利点は、本発明の好ましい一態様の以下の詳細な説明を考察することでより明らかになる。この説明の過程において、付属の図面を頻繁に参照する。
【図面の簡単な説明】
【００１１】
【図１】根拠となる証拠について示す図である。
【図２】粘度指数の実際の値と予測値について示す図である。
【図３】４０℃での動粘度の実際の値と予測値について示す図である。
【図４】１００℃での動粘度の実際の値と予測値について示す図である。
【図５】流動点の実際の値と予測値について示す図である。
【図６】酸化安定性の実際の値と予測値について示す図である。
【図７】ＮＭＲによるブレンドの構造パラメータについて示す図である。
【図８】流動点の予測について示す図である。
【図９】基油物性の予測に対する統計モデル作成について示す図である。
【図１０】プロジェクト価値評価について示す図である。
【図１１】ＮＭＲ分光法及びニューラルネットワークを使用した基油物性のモデリングについて示す図である。
【図１２】入力パラメータについて示す図である。
【図１３】モデル基油について示す図である。
【図１４】モデル２００６Ｃにより予測された基油物性について示す図である。
【図１５】未知の基油及びブレンドの物性の予測について示す図である。
【図１６】モデル２００６Ｎに使用される基油について示す図である。
【図１７】ＮＭＲによるブレンドの構造パラメータについて示す図である。
【図１８】モデル２００６Ｎにより推定された基油物性について示す図である。
【図１９】粘度指数について示す図である。
【図２０】４０℃での粘度について示す図である。
【図２１】１００℃での粘度について示す図である。
【図２２】流動点について示す図である。
【図２３】曇り点について示す図である。
【図２４】酸化ＢＮについて示す図である。
【００１２】
図面と好ましい態様の詳細な説明
文献中に報告されているさまざまな研究（１〜３）では、基油のバルク特性の大半は、基油中の炭化水素型分布の結果として生じることが認識されている。この６０年の間に、ＮＭＲ分光法は、炭化水素の構造決定のための主要な分析ツールの１つとなった。炭化水素の特徴づけに使用される他の技術は、ＭＳ及びＨＰＬＣである。本発明では、基油の構造パラメータは、ＮＭＲ、ＨＰＬＣ−ＵＶ、及びＦＩＭＳなどの分析技術によって決定される。
基油は、ＳＩＭＤＩＳＴ及びＶＰＯを使用してさらに特徴づけられ、これにより、沸点分布及び分子量がそれぞれ得られる。次いで、これらの構造パラメータは、初期基油群の実験により観察された物理的特性と突き合わせてモデル化される。このようなモデルを開発するために、人工ニューラルネットワークが使用される。モデル化することが可能な物性は多数あり、例えば、限定はしないが、４０℃での動粘度、１００℃での動粘度、粘度指数、流動点、曇り点、酸化性能などが挙げられる。
【００１３】
初期研究の一部として、本発明者らは、グループＩ、ＩＩ、及びＩＩＩから２０の基油試料を選択した。ＮＭＲ分光法による特徴づけでは、それぞれの基油は、１３Ｃ ＮＭＲ定量分析法を使用して特徴づけられる。スペクトルが得られた後、複数の領域にわたって積分を記録し、これにより、さまざまな種類の炭素を区別する。これらの試料はすべて、上述の分析技術を使用して特徴づけられており、またこれらの技術を使用して決定された構造パラメータが表１にまとめられている。これらの構造パラメータを、Ｗａｒｄ Ｓｙｓｔｅｍ Ｇｒｏｕｐ社のソフトウェア、ＮｅｕｒｏＳｈｅｌｌ ｐｒｅｄｉｃｔｏｒ Ｒｅｌｅａｓｅ ２．２を使用してモデル化する。モデルはすべて、誤差逆伝播アルゴリズムを使用して構築した。物性毎に、別の異なるモデルが構築される。
【００１４】
モデルを作成した後に、相関係数を求める。粘度指数、４０℃での動粘度、１００℃での動粘度、流動点、及び酸化性能に対する予想値と推定値の比較結果を、それぞれ、表２、３、４、及び５にまとめた。さまざまなモデルについて得られた相関係数は、さまざまな分析技術から導き出された構造的特徴が基油のさまざまな物理的特性を正確にモデル化していることを示唆している。この技術は、１）望ましい性能と一致する望ましい基油ブレンドを予測する、２）基油の変更の処理において合理化する、３）性能を改善するために合成標的分子を識別する、４）実験室試験の回数を減らす、及び５）重要な属性を最大化するため新しい触媒を設計する際に役立つ。モデルをさらに改善し、より多様な物性を有する基油を含めるための研究がさらに進行中である。
【００１５】
Ａ．序論
以下の説明及び図は、本発明を実施できる適当なコンピューティング環境の概要をまとめたものである。本発明は、汎用コンピュータ、インターネット、及びウェブアプリケーションと連携してオペレーティングシステム上で稼動するシステム及びアプリケーションプログラム、並びに電子メールサーバ及びクライアントを使用する一般的状況において説明されうるが、当業者であれば、本発明は、他のプログラムモジュールと組み合わせて実施することもできることを理解するであろう。一般に、プログラムモジュールは、特定のタスクを実行する、又は特定の抽象データ型を実装するルーチン、プログラム、コンポーネント、データ構造などを含む。さらに、当業者であれば、本発明は、ハンドヘルドデバイス、マルチプロセッサシステム、マイクロプロセッサベースの又はプログラム可能な家電製品、ミニコンピュータ／サーバ、ワークステーション、メインフレームコンピュータ、及び同様のものを含む、他のコンピュータシステム構成を使用して実施できることを理解するであろう。
【００１６】
また、本発明は、通信ネットワークを通じてリンクされているリモート処理デバイスによりタスクが実行される分散コンピューティング環境で実施することもできる。分散コンピューティング環境では、プログラムモジュールは、ローカル及びリモートの両方のメモリ記憶装置デバイス内に配置されうる。
【００１７】
次いで、本発明は、一般に、シミュレーションシステムに関する。本発明のプロセスのいくつかの側面は、本明細書のシステム及びその変更形態を全部又は一部使用する一連のプロセスステップである。当業者には明らかであろうが、プロセスステップは、クライアント及びサーバなどの従来のプログラムされたデジタルコンピュータ上で動作するコンピュータプログラム用のコードとして一部実施されうる。プログラムコードは、コンピュータ可読記憶媒体上に格納されているコンピュータプログラムとして、又はネットワーク経由で伝送される搬送波に含まれるコンピュータデータ信号として実施されうる。
【００１８】
Ｂ．発明の利点を示す実例
このシステムは、関係する以下の問題を解決するのに役立つ。
【００１９】
Ｃ．実装環境の実例
実装環境の実例としては、すべてのＪａｖａ（登録商標）ソフトウェアコンポーネントをサポートするＪａｖａ（登録商標）仮想マシン（例えば、ＪＤＫ１．３）が挙げられる。すべてのシステムコンポーネントは、外部ライブラリ以外は、すべてＪａｖａ（登録商標）で適宜書かれる。ウェブサーバ（例えば、Ａｐａｃｈｅ）が、システム擬似コンポーネントＧＵＩ内のＪＳＰページによって生成されるｈｔｔｐコードを解釈する。サーブレットエンジン（例えば、Ｒｅｓｉｎ又はＴｏｍｃａｔ）が、システム擬似コンポーネントＧＵＩのＪａｖａ（登録商標）Ｓｅｒｖｅｒ Ｐａｇｅｓを実行する。データベース（例えば、ＯＲＡＣＬＥ）が、システム内で使用されるすべての永続性データを処理する。
【００２０】
システム内のＤＡＴＡへの実際のアクセスは、固有のコンポーネント（ＤＡＴ）によって処理され、このアクセスは、ＪＤＢＣ ＡＰＩを使用することで可能になる。ニューラルネットワーク用のＳＴＯＲＭ（商標）（ソフトウェアベンダのＥｌｓｅｗａｒｅ社）及びベイジアンネットワーク用のＨＵＧＩＮ（商標）（ソフトウェアベンダのＨＵＧＩＮ社）及び実施基準ルールエンジンとしてのＢｌａｚｅ Ａｄｖｉｓｏｒ（商標）（ソフトウェアベンダのＦａｉｒ Ｉｓａａｃ社）などのサードパーティ製ソフトウェアコンポーネント又はライブラリがある。例えば、Ｉｎｆｏｒｍａｔｉｃａブランドのソフトウェアとともに組み込まれている外部Ｅｘｔｒａｃｔ／Ｔｒａｎｓｆｏｒｍ／Ｌｏａｄ（「ＥＴＬ」）プロシージャは、過去の物理的認定試験データベース及び他のソースから抽出され、変換されたデータをシステムデータベースに入力する作業を受け持つ。ＥＴＬツールは、１つ又は複数のソースＤＢからデータを抽出し、そのデータを変換し、それをターゲットＤＢにロードするために使用される。
【００２１】
Ｄ．アルゴリズム
好適なアルゴリズムとして、ベイジアンネットワークとニューラルネットワークが挙げられる。それぞれの詳細については、当技術分野の刊行物を参照されたい。
【００２２】
Ｅ．システムアーキテクチャの概要
システムの機能アーキテクチャの概要を以下の図（ｐｉｃｔｕｒｅ）に示す。システムは、データ表現（データ縮退とも言う）、モデル構築、モデル実行、順守評価、及びシミュレーションの５つの主要機能コンポーネントを含む。これらのコンポーネントは、システムの実装方法に応じて１つのソフトウェアモジュールに必ずしも対応するわけではない。例えば、データ縮退機能は、システム内の複数のソフトウェアモジュールにおいて適宜使用されうる。この分解は、潜在的な実装の詳細に立ち入ることなく、システムの動作の仕方を理解するのに最も適切なものである。
【００２３】
Ｆ．ユーザ視点
【００２４】
Ｇ．データ表現
【００２５】
Ｈ．モデル構築
【００２６】
Ｉ．ユーザ入力及びモデル実行
【００２７】
Ｊ．順守評価
【００２８】
Ｋ．プログラムシミュレーション
【００２９】
Ｌ．図の詳細な説明
次に、本発明及び本発明の例示的な実装について、図を参照しつつ説明することにする。図１は、一態様における、本発明のシステム概略図を示している。からの入力。
【００３０】
システムの最終出力は含む。
【００３１】
本発明は、従来のどのようなコンピュータプラットフォーム上でも動作するように構築することができるが、好ましくは、本発明が含まれるアプリケーションサーバが備えられているインターネット又は社内イントラネットに接続されているウェブブラウザを有する認定ユーザによってアクセス可能なウェブベースのアプリケーションである。
【００３２】
本発明は、従来のソフトウェア工学手法を使用して構築することができる。本発明の潜在的ユーザは、１つのソフトウェア内から本発明のシステムを利用することになる。
【００３３】
図３は、一態様における、本発明の一実装例に対する各層を表すシステム概略図を示している。これらの層は、クライアント層３００、プレゼンテーションサーバ層３１０、アプリケーションサーバ層３３０、データサーバ層３７０、及び生産データサーバ層３８０である。クライアント層３００は、ユーザインターフェース、好ましくはグラフィカルユーザインターフェース（「ＧＵＩ」）、適宜ウェブブラウザを備えるナビゲータ３０５を具備する。プレゼンテーションサーバ層３１０は、ナビゲータ３０５に動作可能なように接続されているＧＵＩ（適宜Ｊａｖａ（登録商標）Ｓｅｒｖｅｒ Ｐａｇｅｓ）３１５を備え、ＧＵＩ（適宜駆動されるＪａｖａ（登録商標）Ｓｅｒｖｅｒ Ｐａｇｅｓ）３１５はシステムＱＵＩ（適宜Ｊａｖａ（登録商標）Ｐａｃｋａｇｅ）３２０に動作可能なように接続され、また報告機能（適宜Ｊａｖａ（登録商標）コンポーネント）３２５に動作可能なように接続される。
【００３４】
アプリケーションサーバ層３３０は、モデルビルダ（適宜Ｊａｖａ（登録商標）Ｃｏｍｐｏｎｅｎｔ）３３５を備え、これは、ベイジアンネットワークソフトウェア（例えば、Ｈｕｇｉｎブランド）（適宜外部Ｊａｖａ（登録商標）ＡＰＩ）３４０、ニューラルネットワークソフトウェア（例えば、Ｓｔｏｒｍブランド）（適宜外部Ｊａｖａ（登録商標）ＡＰＩ）、及びデータ管理（適宜Ｊａｖａ（登録商標）コンポーネント）３５０のうちのそれぞれに動作可能なように接続されている。データ管理３５０は、両方のＳｙｓｔｅｍ Ｆｏｕｎｄａｔｉｏｎ Ｐａｃｋａｇｅ（適宜Ｊａｖａ（登録商標）Ｐａｃｋａｇｅ）３５５に動作可能なように接続されている。
【００３５】
本明細書で使用されているようなディレクトリという用語は、例としてのみ用いられており、データ、ファイル、又はレコードを編成するために利用可能なプログラミング構文又は他の方法を示すことを意図されている。より高水準のディレクトリとしては、共通ワークスペースオブジェクト４０５及びユーザワークスペースオブジェクト４１０がある。それぞれのワークスペースの下に、オイルオブジェクト４１５、コンポーネントオブジェクト４２０、プログラムオブジェクト４２５、及びバリアントオブジェクト４３０がある。プログラムオブジェクト４２５の下に、戦略オブジェクト４３５がある。「システム起動時に共通オブジェクトをロードする」モジュール４４５及び「要求に応じてオブジェクトを保存する」モジュール４４０は、それぞれのモジュールの名前によって示される機能を備えている。
【００３６】
図５は、一態様における、本発明の一実装例に対するユーザインターフェースコンポーネントのより詳細なシステム概略図を示している。図５は、図１、３、又は４に示されているモジュールと同じものを示しており、それに加えて、さまざまなユーザとシステムとの間のインターフェースポイントを示している。異なるユーザの役割もリストされている。データアドミニストレータ５０５の役割は、「データベースを保守する」及び「実施基準を維持する」を含む。データアドミニストレータ５０５は、ＥＴＬプロシージャモジュール３８５を介してシステムとインターフェースする。
【００３７】
図６は、一態様における、本発明の一実装例に対するデータの論理的ビューを含むプロセスフロー概略図を示している。
【００３８】
図９は、一般的な戦略実行に関するプロセスの論理フローを示す。
【００３９】
図１０は、個別のライン処理に対するプロセスの論理フローを示す。
【００４０】
Ｍ．他の実装詳細
１．用語
本明細書に含まれる詳細な説明は、一部は、従来のコンピュータ及び／又は有線若しくは無線ネットワークによるプロセス、及びオペレーションの記号的表現に関して記載されている。コンピュータによって実行されるプロセス及びオペレーションは、プロセッサによる信号の操作、並びにメモリ記憶装置デバイス内の１つ又は複数の媒体に格納されるデータパケット及びデータ構造体内でのこれらの信号の保持を含む。一般に、「データ構造体」とは、データ又はオブジェクトに適用される組織的仕組みであり、データ構造体の編成された部分と部分との間に特定の関係が確立されるようにそのデータ又はデータのモジュールに対し特定のオペレーションを実行できる。
【００４１】
「データパケット」は、一方のデバイス又はプログラムモジュールから他方のデバイス又はプログラムモジュールに伝送される一単位の情報として総称的に定義される、１つ又は複数の関連するフィールドを有するタイプのデータ構造体である。したがって、オペレーションの記号的表現は、教示及び発見を最も効果的に他の当業者に伝えるためにコンピュータプログラミング及びコンピュータ構築の当業者によって使用される手段である。
【００４２】
この説明の目的として、プロセスは、一般に、望ましい結果を得るためのコンピュータによって実行される一連のステップと考えられる。これらのステップは、一般的に、物理量の物理的操作を必要とする。通常、必ずというわけではないけれども、これらの量は、格納、転送、組合せ、比較、及び他の何らかの形の操作が可能な電気的、磁気的、又は光学的信号の形態をとる。これらの信号の表現を、ビット、バイト、ワード、情報、データ、パケット、ノード、数値、ポイント、エントリ、オブジェクト、イメージ、ファイル、又は同様のものとして参照することは当業者にとって慣例的なことである。しかし、これらの用語及び類似の用語は、コンピュータのオペレーションに適した物理量に関連付けられ、これらの用語は、コンピュータ内に存在し、コンピュータの動作中に存在する物理量に付けられる単に従来のラベルにすぎないことを念頭におくべきである。
【００４３】
コンピュータ内での操作は、多くの場合、人間のオペレータによって実行される手動オペレーションに多くの場合関連付けられる、発行する、送信する、変更する、追加する、ディセーブルする、決定する、比較する、報告する、及び同様の用語で表されることは理解されるであろう。本明細書で説明されているオペレーションは、コンピュータと対話する人間のオペレータ又はユーザによってもたらされるさまざまな入力とともに実行される機械的オペレーションである。
【００４４】
２．ハードウェア
本明細書で説明されているプログラム、プロセス、方法などは、特定のコンピュータ又は装置に関係することも制限されることもなく、また説明されている以外の特定の通信アーキテクチャに関係することも制限されることもないことは理解されるであろう。むしろ、さまざまなタイプの汎用機械、センサ、送信機、受信機、トランシーバ、及びネットワーク物理層を、任意のプログラムモジュール及び本明細書で説明されている教示に従って構築される本発明の他の側面とともに使用することができる。同様に、ハードワイヤードの論理回路又は読み取り専用メモリなどの不揮発性メモリ内に格納されているプログラムを用いて、特定のネットワークアーキテクチャの専用コンピュータシステムによって、本明細書で説明されている方法ステップを実行するための専用装置を構築すると有利であることが実証されうる。
【００４５】
３．プログラム
本発明のステップが機械実行可能命令で実施される好ましい態様において、それらの命令は、命令を用いてプログラムされている汎用又は専用プロセッサに本発明のステップを実行させるために使用されうる。代替として、本発明のステップは、これらのステップを実行するためのハードワイヤードの論理回路を含む特定のハードウェアコンポーネントにより、又はプログラムされたコンピュータコンポーネントとカスタムハードウェアコンポーネントとの任意の組合せによって、実行することも可能であろう。
【００４６】
前記のシステムは、都合のよいことに、本明細書の図及び説明に基づくプログラム又はプログラムモジュール（単数又は複数）で実装することができる。上述のさまざまなプロシージャを実行するために特定のプログラミング言語が必要とされていないが、それは、上述の、また付属の図面に示されているオペレーション、ステップ、及びプロシージャが、当業者が本発明を実施できるように十分に開示されていると考えられるからである。
【００４７】
さらに、本発明を実施する際に使用できるコンピュータ、コンピュータ言語、及びオペレーティングシステムは数多くあり、そのため、それら多くの異なるシステムのすべてに適用可能な詳細なコンピュータプログラムを提示することは不可能である。特定のコンピュータのそれぞれのユーザが、そのユーザのニーズと目的に対し最も役立つ言語及びツールを知っている。
【００４８】
そこで、本発明は、本明細書の説明を理解したうえで実験を過度に行うことなく当業者のプログラマによって実装されうる。
【００４９】
４．製品
本発明は、本発明に従ってプロセスを実行するようにコンピュータ（又は他の電子デバイス）をプログラムするために使用されうる命令を格納している機械可読媒体を備えることができるハードウェア及びコンピュータプログラム製品を含む。機械可読媒体としては、限定はしないが、フロッピ（登録商標）ディスケット、光ディスク、ＣＤ−ＲＯＭ、及び光磁気ディスク、ＲＯＭ、ＲＡＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、磁気若しくは光カード、又は電子的命令を格納するのに適している他のタイプの媒体／機械可読媒体が挙げられる。さらに、本発明のソフトウェア部分は、コンピュータプログラム製品としてダウンロードすることもでき、この場合、プログラムは、通信リンク（例えば、モデム若しくはネットワーク接続）を介して搬送波若しくは他の伝搬媒体内に実施されたデータ信号を用いてリモート側コンピュータ（例えば、サーバ）から要求側コンピュータ（例えば、クライアント）に転送することができる。
【００５０】
５．コンポーネント
本発明のシステム及び方法の主要コンポーネント（これと交換可能な用語として、側面、サブシステム、モジュール、機能、サービスとも称される）並びにこれらによってもたらされる利点の例は、本明細書において図を参照しつつ説明されている。プロセス／手段ブロックを含む図では、それぞれのブロックは、別々に又は組み合わせて、代替としてコンピュータによって実施されるブロック、コンピュータ援用のブロック、及び／又は人間によって実施されるブロックである。コンピュータ実装は、プロセッサ、メモリ、記憶装置、入力デバイス、出力デバイス、及び／又は従来のネットワーキングデバイス、プロトコル、及び／又は従来のクライアントサーバのハードウェアとソフトウェアを有する１つ又は複数の従来の汎用コンピュータを適宜含む。任意のブロック又はブロックの組合せが、コンピュータによって実施されるものである場合、従来の手段によって適宜実装され、これにより、コンピュータ実装の分野の当業者であれば、従来のアルゴリズム、コンポーネント、及びデバイスを使用して、本明細書で提示されている本発明の要件及び設計を実装することが可能である。しかし、本発明は、新しい、従来にない、実装手段をも含む。
【００５１】
６．ウェブデザイン
システムのウェブサイトの側面／実装は、経験豊かなウェブサイト開発者には公知の従来のウェブサイト開発の際の考慮事項を含む。このような考慮事項としては、コンテンツ、コンテンツ消去、コンテンツのプレゼンテーション、アーキテクチャ、データベースのリンク、外部ウェブサイトのリンク、ページ数、全体的なサイズ及び記憶容量要件、保守性、アクセス速度、グラフィックスの使用、ヒットしやすくするためのメタタグの選択、プライバシーの考慮、免責が挙げられる。
【００５２】
７．その他の実装
本発明の他の態様及びその個別コンポーネントは、前記の詳細な説明から、当業者にとって直ちに明らかになるものである。理解されるように、本発明は、他の、及び異なる態様を実現することができ、またその複数の詳細は、さまざまな明らかな点において改変を行うことを可能にするものであり、すべて本発明の精神及び範囲から逸脱することはない。したがって、図面及び詳細な説明は、事実上例示的であるとみなすべきであり、制限するものとみなすべきでない。したがって、添付の特許請求の範囲によって示されている場合を除き、本発明は限定されることを意図されていない。
【特許請求の範囲】
【請求項１】
下記ステップを含む、潤滑油基油ブレンドの物性を予測するための方法：
ａ．少なくとも２つの潤滑油基油のブレンドの試料の、ＮＭＲスペクトル、ＨＰＬＣ−ＵＶスペクトル、及びＦＩＭＳスペクトルを生成するステップ、
ｂ．前記スペクトルから前記試料の少なくとも１つの複合構造分子パラメータを決定するステップ、
ｃ．前記試料のＳＩＭＤＩＳＴ及びＨＰＯ分析を行うステップ、
ｄ．そのような分析から前記試料の複合沸点分布及び分子量を決定するステップ、
ｅ．前記少なくとも１つの複合構造分子パラメータ、前記複合沸点分布、及び前記複合分子量との相関を求めるように学習した学習ニューラルネットワークに、前記少なくとも１つの複合構造分子パラメータ、前記複合沸点分布及び前記複合分子量を適用し、それにより前記試料の複合物性を予測するステップであって、前記物性が４０Ｃでの動粘度、１００Ｃでの動粘度、粘度指数、曇り点、及び酸化性能を含むステップ。
【請求項２】
ニューラルネットワークを与え、該ニューラルネットワークの学習を行って、学習ニューラルネットワークを与えるステップをさらに含む請求項１に記載の方法。
【請求項３】
学習を行うステップが下記のステップを含む請求項２に記載の方法：
ａ．潤滑油基油試料群を採取するステップ、
ｂ．前記炭化水素試料群についてＮＭＲ、ＨＰＬＣ−ＵＶ、及びＦＩＭＳスペクトル並びにＳＭＩＤＩＳＴ及びＶＰＯデータを生成するステップ、
ｃ．公知の物性を付与するために前記潤滑油基油試料群の４０Ｃでの動粘度、１００Ｃでの動粘度、粘度指数、曇り点、及び酸化性能を含む、望ましい物性を測定するステップ、
ｄ．前記潤滑油基油試料のうちのそれぞれの試料の少なくとも１つの構造分子パラメータ、沸点分布及び分子量を決定するステップ、
ｅ．公知の潤滑油基油物性のそれぞれについて、前記潤滑油基油試料群に対する少なくとも１つの構造分子パラメータ、沸点分布及び分子量及び公知の物性のマトリックスを作製し、それによってそれぞれの潤滑油基油物性に対するモデルを構成するステップ、
ｆ．前記少なくとも１つの構造分子パラメータ、沸点分布及び分子量並びにそれぞれの潤滑油基油物性マトリックスでニューラルネットワークの学習を行って、前記少なくとも１つの構造分子パラメータ、沸点分布及び分子量入力並びに潤滑油基油物性出力の間の相関を求め、前記学習ニューラルネットワークを与えるステップ。
【請求項１】
下記ステップを含む、潤滑油基油ブレンドの物性を予測するための方法：
ａ．少なくとも２つの潤滑油基油のブレンドの試料の、ＮＭＲスペクトル、ＨＰＬＣ−ＵＶスペクトル、及びＦＩＭＳスペクトルを生成するステップ、
ｂ．前記スペクトルから前記試料の少なくとも１つの複合構造分子パラメータを決定するステップ、
ｃ．前記試料のＳＩＭＤＩＳＴ及びＨＰＯ分析を行うステップ、
ｄ．そのような分析から前記試料の複合沸点分布及び分子量を決定するステップ、
ｅ．前記少なくとも１つの複合構造分子パラメータ、前記複合沸点分布、及び前記複合分子量との相関を求めるように学習した学習ニューラルネットワークに、前記少なくとも１つの複合構造分子パラメータ、前記複合沸点分布及び前記複合分子量を適用し、それにより前記試料の複合物性を予測するステップであって、前記物性が４０Ｃでの動粘度、１００Ｃでの動粘度、粘度指数、曇り点、及び酸化性能を含むステップ。
【請求項２】
ニューラルネットワークを与え、該ニューラルネットワークの学習を行って、学習ニューラルネットワークを与えるステップをさらに含む請求項１に記載の方法。
【請求項３】
学習を行うステップが下記のステップを含む請求項２に記載の方法：
ａ．潤滑油基油試料群を採取するステップ、
ｂ．前記炭化水素試料群についてＮＭＲ、ＨＰＬＣ−ＵＶ、及びＦＩＭＳスペクトル並びにＳＭＩＤＩＳＴ及びＶＰＯデータを生成するステップ、
ｃ．公知の物性を付与するために前記潤滑油基油試料群の４０Ｃでの動粘度、１００Ｃでの動粘度、粘度指数、曇り点、及び酸化性能を含む、望ましい物性を測定するステップ、
ｄ．前記潤滑油基油試料のうちのそれぞれの試料の少なくとも１つの構造分子パラメータ、沸点分布及び分子量を決定するステップ、
ｅ．公知の潤滑油基油物性のそれぞれについて、前記潤滑油基油試料群に対する少なくとも１つの構造分子パラメータ、沸点分布及び分子量及び公知の物性のマトリックスを作製し、それによってそれぞれの潤滑油基油物性に対するモデルを構成するステップ、
ｆ．前記少なくとも１つの構造分子パラメータ、沸点分布及び分子量並びにそれぞれの潤滑油基油物性マトリックスでニューラルネットワークの学習を行って、前記少なくとも１つの構造分子パラメータ、沸点分布及び分子量入力並びに潤滑油基油物性出力の間の相関を求め、前記学習ニューラルネットワークを与えるステップ。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２２】
【図２３】
【図２４】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２２】
【図２３】
【図２４】
【公表番号】特表２０１１−５０８２１７（Ｐ２０１１−５０８２１７Ａ）
【公表日】平成２３年３月１０日（２０１１．３．１０）
【国際特許分類】
【出願番号】特願２０１０−５３９７３５（Ｐ２０１０−５３９７３５）
【出願日】平成２０年１２月１７日（２００８．１２．１７）
【国際出願番号】ＰＣＴ／ＵＳ２００８／０８７１８０
【国際公開番号】ＷＯ２００９／０８５８３４
【国際公開日】平成２１年７月９日（２００９．７．９）
【出願人】（５０３１４８８３４）シェブロン ユー．エス．エー． インコーポレイテッド (258)
【公表日】平成２３年３月１０日（２０１１．３．１０）
【国際特許分類】
【出願日】平成２０年１２月１７日（２００８．１２．１７）
【国際出願番号】ＰＣＴ／ＵＳ２００８／０８７１８０
【国際公開番号】ＷＯ２００９／０８５８３４
【国際公開日】平成２１年７月９日（２００９．７．９）
【出願人】（５０３１４８８３４）シェブロン ユー．エス．エー． インコーポレイテッド (258)
[ Back to top ]