自己加速分解温度の推算方法及び装置
【課題】所望の有機過酸化物の自己加速分解温度を精度よく推算することができる自己加速分解温度の推算方法及びその装置を提供する。
【解決手段】実測値取得装置１１は、各種有機過酸化物の発熱開始温度を取得し、この実測値を入力変数とする。また、実測値取得装置１１は、各種有機過酸化物のＳＡＤＴの実測値を取得し、この実測値を出力変数とする。ＮＮモデル構築装置１２は、計算値取得装置１０から供給された入力変数の計算値と、実測値取得装置１１から供給された入力変数の実測値と出力変数の実測値とに基づいてＮＮモデルを構築する。
【解決手段】実測値取得装置１１は、各種有機過酸化物の発熱開始温度を取得し、この実測値を入力変数とする。また、実測値取得装置１１は、各種有機過酸化物のＳＡＤＴの実測値を取得し、この実測値を出力変数とする。ＮＮモデル構築装置１２は、計算値取得装置１０から供給された入力変数の計算値と、実測値取得装置１１から供給された入力変数の実測値と出力変数の実測値とに基づいてＮＮモデルを構築する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、自己反応性物質の自己加速分解温度を推算する推算方法及びその装置に関する。
【背景技術】
【０００２】
自己反応性物質である有機過酸化物は、そのラジカル反応性により合成樹脂の重合開始剤等に広く利用されている。しかしながら、有機過酸化物は、長期間高温にさらされると反応が徐々に進行し、反応熱が蓄積して熱爆発に至るため、その取り扱いには注意が必要となる。
【０００３】
自己加速分解温度（ＳＡＤＴ：Self Accelerating Decompositon Temperature）は、自己反応性物質を輸送、貯蔵する際の管理温度を定めるための基準となるものである。したがって、ＳＡＤＴの把握は、安全性を確保するために非常に重要である。有機過酸化物のＳＡＤＴは、例えば、ＢＡＭ（ドイツ連邦物質試験研究所）式蓄熱貯蔵試験や米国ＳＡＤＴ試験により測定することができる（例えば、非特許文献１参照。）。
【０００４】
【非特許文献１】UN : Recommendations on the Transport of Dangerous Goods ; Manual of Tests and Criteria,2nd ed.（1995）
【発明の開示】
【発明が解決しようとする課題】
【０００５】
しかしながら、従来のＳＡＤＴ試験は、実施上の制約が多かった。例えば、ＢＡＭ式蓄熱貯蔵試験では、恒温槽温度を５度刻みで変化させ、有機過酸化物の試料温度が１週間またはそれ以内に６度以上の温度上昇を起こす最低温度を見つけなければならないため、１回の測定に最大で１週間必要とし、また、最低温度を見つけるまで測定を繰り返し行わなければならない。また、商業包装品を犠牲にしなければならず、試験費用が高価であった。
【０００６】
本発明は、このような従来の実情に鑑みて提案されたものであり、所望の有機過酸化物の自己加速分解温度を精度よく推算することができる自己加速分解温度の推算方法及びその装置を提供することを目的とする。
【課題を解決するための手段】
【０００７】
本件発明者らは、上述した目的を達成するために、様々な観点から鋭意研究を重ねてきた。その結果、有機過酸化物の発熱開始温度の実測値を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数としてニューラルネットワークモデルを構築し、構築されたニューラルネットワークモデルを利用することで、所望の有機過酸化物の自己加速分解温度を精度よく推算することができることを見出した。本発明は、このような知見に基づいて完成されたものである。
【０００８】
すなわち、本発明に係る自己加速分解温度の推算方法は、所望の有機過酸化物の自己加速分解温度を推算する自己加速分解温度の推算方法であって、上記所望の有機過酸化物の発熱開始温度の実測値を測定する測定ステップと、上記測定ステップにて測定された発熱開始温度の実測値をニューラルネットワークモデルに入力することにより、上記所望の有機過酸化物の自己加速分解温度を推算する推算ステップとを有し、上記ニューラルネットワークモデルは、有機過酸化物の発熱開始温度の実測値を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数として構築されたものであることを特徴とする。
【０００９】
また、本発明に係る自己加速分解温度の推算装置は、所望の有機過酸化物の自己加速分解温度を推算する自己加速分解温度の推算装置であって、上記所望の有機過酸化物の発熱開始温度の実測値を測定する測定手段と、上記測定手段で測定された発熱開始温度の実測値をニューラルネットワークモデルに入力することにより、上記所望の有機過酸化物の自己加速分解温度を推算する推算手段とを有し、上記ニューラルネットワークモデルは、有機過酸化物の発熱開始温度の実測値を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数として構築されたものであることを特徴とする。
【発明の効果】
【００１０】
本発明に係る自己加速分解温度の推算方法及びその装置によれば、有機過酸化物の発熱開始温度の実測値を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数としてニューラルネットワークモデルを構築することにより、所望の有機過酸化物の自己加速分解温度を精度よく推算することができる。
【発明を実施するための最良の形態】
【００１１】
以下、本発明を適用した具体的な実施の形態について、図面を参照しながら詳細に説明する。この実施の形態は、有機過酸化物の自己加速分解温度（ＳＡＤＴ：Self Accelerating Decompositon Temperature）を推算するニューラルネットワークモデル（以下、「ＮＮモデル」という。）を構築し、このＮＮモデルを利用して所望の有機過酸化物の自己加速分解温度を推算するものである。ＳＡＤＴは、１週間又はそれ以内に自己加速分解を起こす最低の雰囲気温度であり、有機化酸化物を輸送、貯蔵する際の管理温度の基準となる。
【００１２】
有機化酸化物は、図１に示すように、その化学構造よって（Ａ）ケトンパーオキサイド、（Ｂ）パーオキシケタール、（Ｃ）ハイドロパーオキサイド、（Ｄ）ジアルキルパーオキサイド（Ｅ）ジアシルパーオキサイド、（Ｆ）パーオキシエステル、（Ｇ）パーオキシジカーボネートなどに分類される。
【００１３】
（Ａ）ケトンパーオキサイドとしては、例えば、メチルエチルケトンパーオキサイド（methyl ethyl ketone peroxide）、シクロヘキサノンパーオキサイド（cyclohexanone peroxide）、アセチルアセトンパーオキサイド（acetylacetone peroxide）等を挙げることができる。
【００１４】
（Ｂ）パーオキシケタールとしては、例えば、１，１−ジ（ｔ−ヘキシルパーオキシ）シクロヘキサン（1,1-di(t-hexylperoxy)cyclohexane）、１，１−ジ（ｔ−へキシルパーオキシ）−３，３，５−トリメチルシクロヘキサン（1,1-di(t-hexylperoxy)-3,3,5-trimethylcyclohexane）、１，１−ジ（ｔ−ブチルパーオキシ）シクロヘキサン（1,1-di(t-butylperoxy)cyclohexane）等を挙げることができる。
【００１５】
（Ｃ）ハイドロパーオキサイドとしては、例えば、ｔ−ブチルハイドロパーオキサイド（t-butyl hydroperoxide）、クメンハイドロパーオキサイド（cumene hydroperoxide）、ｐ−メンタンハイドロパーオキサイド（p-menthane hydroperoxide）等を挙げることができる。
【００１６】
（Ｄ）ジアルキルパーオキサイドとしては、例えば、ジクミルパーオキサイド（dicumyl peroxide）、２，５−ジメチル−２，５−ジ（ｔ−ブチルパーオキシ）へキサン（2,5-dimethyl-2,5-di(t-butylperoxy)hexane）、ジ（２−ｔ−ブチルパーオキシイソプロピル）ベンゼン（di(2-t-butylperoxyisopropyl)benzene）等を挙げることができる。
【００１７】
（Ｅ）ジアシルパーオキサイドとしては、例えば、ジイソブチリルパーオキサイド（diisobutyryl peroxide）、ジ（３，５，５−トリメチルヘキサノイル）パーオキサイド（di(3,5,5-trimethylhexanoyl) peroxide）、ジラウロイルパーオキサイド（dilauroyl peroxide）等を挙げることができる。
【００１８】
（Ｆ）パーオキシエステルとしては、例えば、クミルパーオキシネオデカノエート（cumyl peroxyneodecanoate）、１，１，３，３−テトラメチルブチルパーオキシネオデカノエート（1,1,3,3-tetramethylbutyl peroxyneodecanoate）、ｔ−ヘキシルパーオキシネオデカノエート（t-hexyl peroxyneodecanoate）等を挙げることができる。
【００１９】
（Ｇ）パーオキシジカーボネートとしては、例えば、ジイソプロピルパーオキシジカーボネート（diisopropyl peroxydicarbonate）、ジ−ｎ−プロピルパーオキシジカーボネート（di-n-propyl peroxydicarbonate）、ジ（４−ｔ−ブチルシクロヘキシル）パーオキシジカーボネート（di(4-t-butylcyclohexyl) peroxydicarbonate）等を挙げることができる。
【００２０】
これらの有機過酸化物は、その分子内に―Ｏ―Ｏ―結合を有しているため、比較的低い温度で熱的に分解し、容易に遊離ラジカルを生成する。したがって、ＳＡＤＴの高い有機過酸化物は、熱安定性がよい。
【００２１】
図２は、本実施の形態における自己加速分解温度推算システムの概略構成を示す図である。自己加速分解温度推算システム１は、計算値取得装置１０と、実測値取得装置１１と、ＮＮモデル構築装置１２とから構成されている。これらの装置は、一般的なコンピュータと同様の構成を有している。
【００２２】
計算値取得装置１０は、各種有機過酸化物のパラメータを取得し、そのパラメータを入力変数としてＮＮモデル構築装置１２に供給する。パラメータとしては、例えば、Ｒ１−Ｏ−Ｏ−Ｒ２分子内のＯ−Ｏ、Ｏ−Ｒの結合距離、Ｒ１−Ｏ−Ｏ−Ｒ２分子内のＯ−Ｏの解離エネルギー、理論活性酸素量、分子の組成（ＣＨＯの数）、生成熱等を挙げることができる。
【００２３】
Ｒ１−Ｏ−Ｏ−Ｒ２分子内のＯ−Ｏ、Ｏ−Ｒの結合距離、Ｏ−Ｏの解離エネルギー及び生成熱は、分子軌道法（ＭＯ法）や密度汎関数法を用いて計算される。例えば、半経験的ＭＯ計算プログラムWinMOPAC3.5（富士通株式会社製）のＰＭ５法を用いることにより、Ｒ１−Ｏ−Ｏ−Ｒ２の最適化構造と生成熱△Ｈｆ（Ｒ１−Ｏ−Ｏ−Ｒ２）とを求めることができる。ここで、最適化構造のＯ−Ｒ１、Ｏ−Ｒ２の内、結合距離が長い方をｒ＿ＯＸ１、短い方をｒ＿ＯＸ２とする。また、同様にＯ−Ｒ１、Ｏ−Ｒ２の構造の最適化をそれぞれ行うことにより、ラジカルの生成熱△Ｈｆ（Ｏ−Ｒ１）、△Ｈｆ（Ｏ−Ｒ２）を求めることができる。したがって、Ｏ−Ｏの解離エネルギーＤ＿ＰＭ５は、（１）式により求められる。
【００２４】
Ｄ＿ＰＭ５＝△Ｈｆ（Ｏ−Ｒ１）＋△Ｈｆ（Ｏ−Ｒ２）−△Ｈｆ（Ｒ１−Ｏ−Ｏ−Ｒ２）
・・・（１）
また、理論活性酸素量ＡＯは、（２）式で算出することができる。
【００２５】
ＡＯ＝１６×（Ｏ−Ｏ結合数）×１００／分子量 ・・・（２）
実測値取得装置１１は、各種有機過酸化物の発熱開始温度、発熱量等の実測値を熱分析等により取得し、この実測値を入力変数としてＮＮモデル構築装置１２に供給する。発熱開始温度及び発熱量の実測値は、例えば、示差走査熱量測定（ＤＳＣ：Differential scanning calorimetry）により取得することができる。したがって、各種有機過酸化物のサンプル量は少量で済む。
【００２６】
また、実測値取得装置１１は、各種有機過酸化物の自己加速分解温度の実測値を取得し、この実測値を出力変数としてＮＮモデル構築装置１２に供給する。有機過酸化物の自己分解温度の実測値は、例えば、ＢＡＭ式蓄熱貯蔵試験で測定される。
【００２７】
なお、ＮＮモデルを学習・構築する場合、これらの実測値は、文献値を用いることができる。
【００２８】
ＮＮモデル構築装置１２は、計算値取得装置１０及び実測値取得装置１１から供給された入力変数と、実測値取得装置１１から供給された出力変数とに基づいてＮＮモデルを構築する。例えば、入力変数として発熱開始温度の実測値を含む７つのパラメータを用いる場合、図３に示すように、入力層２０のニューロン数が７、出力層２２のニューロン数が１、中間層２１のニューロン数がｎである３層型のＮＮモデルが構築される。なお、中間層２１のニューロン数は任意であるが、有効な学習を行うためには、以下の関係式を満たす必要がある。
【００２９】
学習データの数＞（入力層のニューロン数×中間層のニューロン数＋中間層のニューロン数×出力層のニューロン数）×２ ・・・（３）
このため、学習データとして用いる有機過酸化物の数に応じて入力層２０と中間層２１のニューロン数は制限される。
【００３０】
この図３に示すＮＮモデルにおいて、入力層２０には、入力変数がデータξｋ（ｋ＝１，・・・，７）として入力されている。中間層２１は、入力層２０から供給されたデータξｋを所定の重み値Ｗｋｊに基づいて結合し、この中間層２１のニューロンを通して出力層２２にデータνｊ（ｊ＝１，・・・，ｎ）を出力する。出力層２２は、中間層２１から供給されたデータνｋを所定の重み値Ｗｉｊに基づいて結合し、ＳＡＤＴの推算値をデータｏｉ（ｉ＝１）として出力する。また、出力層２２には、出力変数であるＳＡＤＴの実測値がデータζｉとして供給され、バックプロパゲーション法に従って、データｏｉとデータζｉとの誤差が小さくなるように重み値Ｗｋｊ，Ｗｉｊが更新される。なお、重み値Ｗｋｊ，Ｗｉｊは、各学習データについて入力変数及び出力変数が与えられる毎に更新される。
【００３１】
このようにしてＮＮモデルが構築された後、任意の有機過酸化物についての入力変数を入力層２０に与えると、出力層２２からはその有機過酸化物のＳＡＤＴの推算値が出力される。したがって、例えば未知の有機過酸化物であっても、入力変数を入力層２０に与えることで、ＳＡＤＴを精度よく推算することができる。
【００３２】
なお、装置間のデータの受け渡しは、通信媒体を介して行ってもよく、記録媒体を介して行ってもよい。また、図１に示した自己加速分解温度推算システム１では、３台の装置を備える構成となっているが、何れか２台の装置を１台の装置に統合することもでき、また、３台の装置を１台の装置に統合することもできる。
【実施例】
【００３３】
以下、実際にＮＮモデルを構築した場合の実施例について説明する。ここでは、ＮＮモデルを構築するために、日本油脂株式会社化成事業部有機過酸化物カタログ（第１０版）から６４製品の有機過酸化物を選択し、そのＳＡＤＴの文献値を出力変数とした。図４にＮＮモデルを構築するために選択した有機過酸化物の一部を示す。図中、「Ｃ」、「Ｈ」、「Ｏ」はそれぞれ有機過酸化物分子内の炭素、水素、酸素の数を示し、「ｐｈａｓｅ」は相の状態（液体：０、固体：１）を示し、「ｐｕｒｉｔｙ」は、純度（％）を示し、「Ｄ＿ＰＭ５」は解離エネルギー（Ｏ−Ｏ）（ｋＪ／ｍｏｌ）を示し、「Ｔ＿ＤＳＣ」はＤＳＣにより実測した発熱開始温度（℃）を示し、「Ｑ＿ＤＳＣ」はＤＳＣにより実測した発熱量（Ｊ／ｇ）を示し、「ＳＡＤＴ」は実測した自己加速分解温度を示し、「ＡＯ＿ｔｈｅｏ」は理論活性酸素量（％）を示し、「ｒ（Ｏ−Ｏ）」、「ｒ（Ｏ−Ｘ１）」、「ｒ（Ｏ−Ｘ２）」はそれぞれ最適化構造Ｒ１−Ｏ―Ｏ−Ｒ２のＯ−Ｏ結合距離、Ｏ−Ｘ１結合距離（長い方）、Ｏ−Ｘ２結合距離（短い方）を示す。
【００３４】
ＮＮモデルのシミュレーションには、NEUROSIM/L V4, NEUROSIMforExcel ver.1.2（富士通株式会社製）を用いた。また、Ｒ１−Ｏ−Ｏ−Ｒ２分子内のＯ−Ｏ、Ｏ−Ｒの結合距離、Ｏ−Ｏの解離エネルギー及び生成熱△Ｈｆ（Ｒ１−Ｏ−Ｏ−Ｒ２）は、必要に応じて、半経験的ＭＯ計算プログラムWinMOPAC3.5（富士通株式会社製）のＰＭ５法を用いて算出した。
【００３５】
ＮＮモデルの学習・構築後、このＮＮモデルを用いて上述した６４製品の有機過酸化物とは異なる８製品の有機過酸化物について検証を行った。この８製品は日本油脂株式会社化成事業部有機過酸化物カタログ（第１０版）から選択した。図５に検証に用いた有機過酸化物を示す。なお、図中の略号は図４に示すものと同様である。
【００３６】
これらの８製品について、発熱開始温度の実測値を含む入力変数を６４製品の有機過酸化物を用いて構築されたＮＮモデルに入力し、得られたＳＡＤＴの推算値と上記カタログの実測値を用いて２乗平均根誤差（ＲＭＳ（Root Mean Square）エラー）を算出した。そして、この検証データのＲＭＳエラーが最小となるまで学習を行った。
【００３７】
なお、ＲＭＳエラーは、以下の式（４）で求めることができる。但し、式中、Ｆ(ｉ)はＳＡＤＴの推算値を示し、Ａ(ｉ)はＳＡＤＴの実測値を示し、Ｎはデータ件数を示す。
【００３８】
ＲＭＳエラー＝［Σ（Ｆ(ｉ)−Ａ(ｉ)）２／Ｎ］１／２ ・・・(４)
（実施例１）
上述した６４製品について、入力変数を発熱開始温度の実測値（Ｔ＿ＤＳＣ）とし、出力変数をＳＡＤＴの実測値として、入力層２０のニューロン数が１、出力層２２のニューロン数が１、中間層２１のニューロン数が１である１−１−１型のＮＮモデルを構築した。学習データのＲＭＳエラーは、１２．６（℃）であった。
【００３９】
そして、上述した８製品について、発熱開始温度の実測値（Ｔ＿ＤＳＣ）を１−１−１型のＮＮモデルに入力し、それぞれＳＡＤＴの推定値を得た。検証データのＲＭＳエラーは、１０．０（℃）であった。
【００４０】
（実施例２）
入力変数を発熱開始温度の実測値（Ｔ＿ＤＳＣ）と、発熱量の実測値（Ｑ＿ＤＳＣ）と、長い方の結合距離（ｒ＿ＯＸ１）と、短い方の結合距離（ｒ＿ＯＸ２）と、解離エネルギー（Ｏ−Ｏ）（Ｄ＿ＰＭ５）と、相の状態（ｐｈａｓｅ）と、純度（ｐｕｒｉｔｙ）とし、７−３−１型のＮＮモデルを構築した以外は、上記実施例１と同様な方法で行った。その結果、学習データのＲＭＳエラーは、９．６（℃）であり、検証データのＲＭＳエラーは、８．７（℃）であった。
【００４１】
（実施例３）
入力変数を発熱開始温度の実測値（Ｔ＿ＤＳＣ）と、発熱量の実測値（Ｑ＿ＤＳＣ）と、分子内の炭素の数（Ｃ）と、分子内の水素の数（Ｈ）と、分子内の酸素の数（Ｏ）と、解離エネルギー（Ｏ−Ｏ）（Ｄ＿ＰＭ５）と、相の状態（ｐｈａｓｅ）と、純度（ｐｕｒｉｔｙ）とし、８−３−１型のＮＮモデルを構築した以外は、上記実施例１と同様な方法で行った。その結果、学習データのＲＭＳエラーは、７．５（℃）であり、検証データのＲＭＳエラーは、８．６（℃）であった。
【００４２】
（実施例４）
入力変数を発熱開始温度の実測値（Ｔ＿ＤＳＣ）と、発熱量の実測値（Ｑ＿ＤＳＣ）と、分子内の炭素の数（Ｃ）と、長い方の結合距離（ｒ＿ＯＸ１）と、短い方の結合距離（ｒ＿ＯＸ２）と、理論活性酸素量（ＡＯ＿ｔｈｅｏ）と、相の状態（ｐｈａｓｅ）と、純度（ｐｕｒｉｔｙ）とし、８−３−１型のＮＮモデルを構築した以外は、上記実施例１と同様な方法で行った。その結果、学習データのＲＭＳエラーは、９．８（℃）であり、検証データのＲＭＳエラーは、８．２（℃）であった。
【００４３】
（比較例）
入力変数を発熱量の実測値（Ｑ＿ＤＳＣ）と、分子内の炭素の数（Ｃ）と、長い方の結合距離（ｒ＿ＯＸ１）と、短い方の結合距離（ｒ＿ＯＸ２）と、解離エネルギー（Ｏ−Ｏ）（Ｄ＿ＰＭ５）と、相の状態（ｐｈａｓｅ）と、純度（ｐｕｒｉｔｙ）とし、７−３−１型のＮＮモデルを構築した以外は、上記実施例１と同様な方法で行った。その結果、学習データのＲＭＳエラーは、１５．７（℃）であり、検証データのＲＭＳエラーは、２２．６（℃）であった。
【００４４】
また、６４製品のＴ＿ＤＳＣの実測値とＳＡＤＴの実測値との相関図から、一次関数近似を行い、得られた一次関数を用いて、Ｔ＿ＤＳＣからＳＡＤＴを求めたところ、その６４製品のＲＭＳエラーは、１３．８（℃）であった。
【００４５】
図６は、実施例１〜４及び比較例における入力変数及びＲＭＳエラーの結果を示す図である。実施例１〜４と比較例とを見れば分かるように、発熱開始温度の実測値（Ｔ＿ＤＳＣ）を入力変数として用いたＮＮモデルを利用することで、有機過酸化物のＳＡＤＴを精度よく推算できることが確認された。
【００４６】
また、実施例２〜４のように、発熱開始温度の実測値（Ｔ＿ＤＳＣ）と、発熱量の実測値（Ｑ＿ＤＳＣ）、相の状態の実測値（ｐｈａｓｅ）、純度の実測値（ｐｕｒｉｔｙ）、分子内の炭素、水素、酸素の数の概算値（Ｃ、Ｈ、Ｏ）、結合距離の概算値（ｒ＿ＯＸ１、ｒ＿ＯＸ２）、解離エネルギーの概算値（Ｄ＿ＰＭ５）、理論活性酸素量の概算値（ＡＯ＿ｔｈｅｏ）のうち１以上のパラメータとを入力変数として用いたＮＮモデルを利用することで、有機過酸化物のＳＡＤＴをさらに精度よく推算できることが確認された。
【００４７】
次に、上述した６４製品について、発熱開始温度の実測値（Ｔ＿ＤＳＣ）と、発熱量の実測値（Ｑ＿ＤＳＣ）、結合距離の概算値（ｒ＿ＯＯ、ｒ＿ＯＸ１、ｒ＿ＯＸ２）、解離エネルギーの概算値（Ｄ＿ＰＭ５）、理論活性酸素量の概算値（ＡＯ＿ｔｈｅｏ）、相の状態の実測値（ｐｈａｓｅ）、純度の実測値（ｐｕｒｉｔｙ）、生成熱△Ｈｆの概算値（Ｒ１−Ｏ−Ｏ−Ｒ２）のうち１つのパラメータとを入力変数とし、出力変数をＳＡＤＴの実測値として、入力層２０のニューロン数が２、出力層２２のニューロン数が１、中間層２１のニューロン数が２である２−２−１型のＮＮモデルを構築した。そして、上述した８製品について、上記発熱開始温度の実測値（Ｔ＿ＤＳＣ）を含む２つのパラメータを２−２−１型のＮＮモデルに入力し、それぞれＳＡＤＴの推定値を得た。また、得られたＳＡＤＴの推算値と上記カタログの実測値を用いて２乗平均根誤差（ＲＭＳ（Root Mean Square）エラー）を算出した。そして、この検証データのＲＭＳエラーが最小となるまで学習を行った。
【００４８】
図７は、上述した発熱開始温度の実測値（Ｔ＿ＤＳＣ）を含む２つのパラメータを入力変数とし、出力変数をＳＡＤＴの実測値とした場合のＲＭＳエラーの結果を示す図である。
【００４９】
これらのシミレーレーション結果Ｓ１〜Ｓ１１より、特に、発熱開始温度の実測値（Ｔ＿ＤＳＣ）と、発熱量の実測値（Ｑ＿ＤＳＣ）、最適化構造Ｒ−Ｏ−Ｏ−ＲのＯ−Ｒ結合の長い方の結合距離の概算値（ｒ＿ＯＸ１）、最適化構造Ｒ−Ｏ−Ｏ−ＲのＯ−Ｏ結合距離の概算値（ｒ＿ＯＯ）、相の状態の実測値（ｐｈａｓｅ）、生成熱△Ｈｆの概算値（Ｒ１−Ｏ−Ｏ−Ｒ２）のうち１つのパラメータとを入力変数としたＮＮモデルを利用することで、有機過酸化物のＳＡＤＴをさらに精度よく推算できることが確認できる。
【００５０】
以上、本発明を実施するための最良の形態について説明したが、本発明は上述した実施の形態のみに限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能であることは勿論である。
【図面の簡単な説明】
【００５１】
【図１】有機化酸化物の分類を説明するための図である。
【図２】本実施の形態における自己加速分解温度推算システムの概略構成を示すブロック図である。
【図３】自己加速分解温度推算システムで構築されるＮＮモデルの一例を示す図である。
【図４】ＮＮモデルを構築するために選択した有機過酸化物の一部を示す図である。
【図５】検証に用いた有機過酸化物を示す図である。
【図６】実施例１〜４及び比較例における入力変数及びＲＭＳエラーの結果を示す図である。
【図７】２つのパラメータを入力変数とし、出力変数をＳＡＤＴの実測値とした場合のＲＭＳエラーの結果を示す図である。
【符号の説明】
【００５２】
１ 自己加速分解温度推算システム、１０ 計算値取得装置、１１ 実測値取得装置、１２ ＮＮモデル構築装置、２０ 入力層、２１ 中間層、２２ 出力層
【技術分野】
【０００１】
本発明は、自己反応性物質の自己加速分解温度を推算する推算方法及びその装置に関する。
【背景技術】
【０００２】
自己反応性物質である有機過酸化物は、そのラジカル反応性により合成樹脂の重合開始剤等に広く利用されている。しかしながら、有機過酸化物は、長期間高温にさらされると反応が徐々に進行し、反応熱が蓄積して熱爆発に至るため、その取り扱いには注意が必要となる。
【０００３】
自己加速分解温度（ＳＡＤＴ：Self Accelerating Decompositon Temperature）は、自己反応性物質を輸送、貯蔵する際の管理温度を定めるための基準となるものである。したがって、ＳＡＤＴの把握は、安全性を確保するために非常に重要である。有機過酸化物のＳＡＤＴは、例えば、ＢＡＭ（ドイツ連邦物質試験研究所）式蓄熱貯蔵試験や米国ＳＡＤＴ試験により測定することができる（例えば、非特許文献１参照。）。
【０００４】
【非特許文献１】UN : Recommendations on the Transport of Dangerous Goods ; Manual of Tests and Criteria,2nd ed.（1995）
【発明の開示】
【発明が解決しようとする課題】
【０００５】
しかしながら、従来のＳＡＤＴ試験は、実施上の制約が多かった。例えば、ＢＡＭ式蓄熱貯蔵試験では、恒温槽温度を５度刻みで変化させ、有機過酸化物の試料温度が１週間またはそれ以内に６度以上の温度上昇を起こす最低温度を見つけなければならないため、１回の測定に最大で１週間必要とし、また、最低温度を見つけるまで測定を繰り返し行わなければならない。また、商業包装品を犠牲にしなければならず、試験費用が高価であった。
【０００６】
本発明は、このような従来の実情に鑑みて提案されたものであり、所望の有機過酸化物の自己加速分解温度を精度よく推算することができる自己加速分解温度の推算方法及びその装置を提供することを目的とする。
【課題を解決するための手段】
【０００７】
本件発明者らは、上述した目的を達成するために、様々な観点から鋭意研究を重ねてきた。その結果、有機過酸化物の発熱開始温度の実測値を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数としてニューラルネットワークモデルを構築し、構築されたニューラルネットワークモデルを利用することで、所望の有機過酸化物の自己加速分解温度を精度よく推算することができることを見出した。本発明は、このような知見に基づいて完成されたものである。
【０００８】
すなわち、本発明に係る自己加速分解温度の推算方法は、所望の有機過酸化物の自己加速分解温度を推算する自己加速分解温度の推算方法であって、上記所望の有機過酸化物の発熱開始温度の実測値を測定する測定ステップと、上記測定ステップにて測定された発熱開始温度の実測値をニューラルネットワークモデルに入力することにより、上記所望の有機過酸化物の自己加速分解温度を推算する推算ステップとを有し、上記ニューラルネットワークモデルは、有機過酸化物の発熱開始温度の実測値を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数として構築されたものであることを特徴とする。
【０００９】
また、本発明に係る自己加速分解温度の推算装置は、所望の有機過酸化物の自己加速分解温度を推算する自己加速分解温度の推算装置であって、上記所望の有機過酸化物の発熱開始温度の実測値を測定する測定手段と、上記測定手段で測定された発熱開始温度の実測値をニューラルネットワークモデルに入力することにより、上記所望の有機過酸化物の自己加速分解温度を推算する推算手段とを有し、上記ニューラルネットワークモデルは、有機過酸化物の発熱開始温度の実測値を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数として構築されたものであることを特徴とする。
【発明の効果】
【００１０】
本発明に係る自己加速分解温度の推算方法及びその装置によれば、有機過酸化物の発熱開始温度の実測値を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数としてニューラルネットワークモデルを構築することにより、所望の有機過酸化物の自己加速分解温度を精度よく推算することができる。
【発明を実施するための最良の形態】
【００１１】
以下、本発明を適用した具体的な実施の形態について、図面を参照しながら詳細に説明する。この実施の形態は、有機過酸化物の自己加速分解温度（ＳＡＤＴ：Self Accelerating Decompositon Temperature）を推算するニューラルネットワークモデル（以下、「ＮＮモデル」という。）を構築し、このＮＮモデルを利用して所望の有機過酸化物の自己加速分解温度を推算するものである。ＳＡＤＴは、１週間又はそれ以内に自己加速分解を起こす最低の雰囲気温度であり、有機化酸化物を輸送、貯蔵する際の管理温度の基準となる。
【００１２】
有機化酸化物は、図１に示すように、その化学構造よって（Ａ）ケトンパーオキサイド、（Ｂ）パーオキシケタール、（Ｃ）ハイドロパーオキサイド、（Ｄ）ジアルキルパーオキサイド（Ｅ）ジアシルパーオキサイド、（Ｆ）パーオキシエステル、（Ｇ）パーオキシジカーボネートなどに分類される。
【００１３】
（Ａ）ケトンパーオキサイドとしては、例えば、メチルエチルケトンパーオキサイド（methyl ethyl ketone peroxide）、シクロヘキサノンパーオキサイド（cyclohexanone peroxide）、アセチルアセトンパーオキサイド（acetylacetone peroxide）等を挙げることができる。
【００１４】
（Ｂ）パーオキシケタールとしては、例えば、１，１−ジ（ｔ−ヘキシルパーオキシ）シクロヘキサン（1,1-di(t-hexylperoxy)cyclohexane）、１，１−ジ（ｔ−へキシルパーオキシ）−３，３，５−トリメチルシクロヘキサン（1,1-di(t-hexylperoxy)-3,3,5-trimethylcyclohexane）、１，１−ジ（ｔ−ブチルパーオキシ）シクロヘキサン（1,1-di(t-butylperoxy)cyclohexane）等を挙げることができる。
【００１５】
（Ｃ）ハイドロパーオキサイドとしては、例えば、ｔ−ブチルハイドロパーオキサイド（t-butyl hydroperoxide）、クメンハイドロパーオキサイド（cumene hydroperoxide）、ｐ−メンタンハイドロパーオキサイド（p-menthane hydroperoxide）等を挙げることができる。
【００１６】
（Ｄ）ジアルキルパーオキサイドとしては、例えば、ジクミルパーオキサイド（dicumyl peroxide）、２，５−ジメチル−２，５−ジ（ｔ−ブチルパーオキシ）へキサン（2,5-dimethyl-2,5-di(t-butylperoxy)hexane）、ジ（２−ｔ−ブチルパーオキシイソプロピル）ベンゼン（di(2-t-butylperoxyisopropyl)benzene）等を挙げることができる。
【００１７】
（Ｅ）ジアシルパーオキサイドとしては、例えば、ジイソブチリルパーオキサイド（diisobutyryl peroxide）、ジ（３，５，５−トリメチルヘキサノイル）パーオキサイド（di(3,5,5-trimethylhexanoyl) peroxide）、ジラウロイルパーオキサイド（dilauroyl peroxide）等を挙げることができる。
【００１８】
（Ｆ）パーオキシエステルとしては、例えば、クミルパーオキシネオデカノエート（cumyl peroxyneodecanoate）、１，１，３，３−テトラメチルブチルパーオキシネオデカノエート（1,1,3,3-tetramethylbutyl peroxyneodecanoate）、ｔ−ヘキシルパーオキシネオデカノエート（t-hexyl peroxyneodecanoate）等を挙げることができる。
【００１９】
（Ｇ）パーオキシジカーボネートとしては、例えば、ジイソプロピルパーオキシジカーボネート（diisopropyl peroxydicarbonate）、ジ−ｎ−プロピルパーオキシジカーボネート（di-n-propyl peroxydicarbonate）、ジ（４−ｔ−ブチルシクロヘキシル）パーオキシジカーボネート（di(4-t-butylcyclohexyl) peroxydicarbonate）等を挙げることができる。
【００２０】
これらの有機過酸化物は、その分子内に―Ｏ―Ｏ―結合を有しているため、比較的低い温度で熱的に分解し、容易に遊離ラジカルを生成する。したがって、ＳＡＤＴの高い有機過酸化物は、熱安定性がよい。
【００２１】
図２は、本実施の形態における自己加速分解温度推算システムの概略構成を示す図である。自己加速分解温度推算システム１は、計算値取得装置１０と、実測値取得装置１１と、ＮＮモデル構築装置１２とから構成されている。これらの装置は、一般的なコンピュータと同様の構成を有している。
【００２２】
計算値取得装置１０は、各種有機過酸化物のパラメータを取得し、そのパラメータを入力変数としてＮＮモデル構築装置１２に供給する。パラメータとしては、例えば、Ｒ１−Ｏ−Ｏ−Ｒ２分子内のＯ−Ｏ、Ｏ−Ｒの結合距離、Ｒ１−Ｏ−Ｏ−Ｒ２分子内のＯ−Ｏの解離エネルギー、理論活性酸素量、分子の組成（ＣＨＯの数）、生成熱等を挙げることができる。
【００２３】
Ｒ１−Ｏ−Ｏ−Ｒ２分子内のＯ−Ｏ、Ｏ−Ｒの結合距離、Ｏ−Ｏの解離エネルギー及び生成熱は、分子軌道法（ＭＯ法）や密度汎関数法を用いて計算される。例えば、半経験的ＭＯ計算プログラムWinMOPAC3.5（富士通株式会社製）のＰＭ５法を用いることにより、Ｒ１−Ｏ−Ｏ−Ｒ２の最適化構造と生成熱△Ｈｆ（Ｒ１−Ｏ−Ｏ−Ｒ２）とを求めることができる。ここで、最適化構造のＯ−Ｒ１、Ｏ−Ｒ２の内、結合距離が長い方をｒ＿ＯＸ１、短い方をｒ＿ＯＸ２とする。また、同様にＯ−Ｒ１、Ｏ−Ｒ２の構造の最適化をそれぞれ行うことにより、ラジカルの生成熱△Ｈｆ（Ｏ−Ｒ１）、△Ｈｆ（Ｏ−Ｒ２）を求めることができる。したがって、Ｏ−Ｏの解離エネルギーＤ＿ＰＭ５は、（１）式により求められる。
【００２４】
Ｄ＿ＰＭ５＝△Ｈｆ（Ｏ−Ｒ１）＋△Ｈｆ（Ｏ−Ｒ２）−△Ｈｆ（Ｒ１−Ｏ−Ｏ−Ｒ２）
・・・（１）
また、理論活性酸素量ＡＯは、（２）式で算出することができる。
【００２５】
ＡＯ＝１６×（Ｏ−Ｏ結合数）×１００／分子量 ・・・（２）
実測値取得装置１１は、各種有機過酸化物の発熱開始温度、発熱量等の実測値を熱分析等により取得し、この実測値を入力変数としてＮＮモデル構築装置１２に供給する。発熱開始温度及び発熱量の実測値は、例えば、示差走査熱量測定（ＤＳＣ：Differential scanning calorimetry）により取得することができる。したがって、各種有機過酸化物のサンプル量は少量で済む。
【００２６】
また、実測値取得装置１１は、各種有機過酸化物の自己加速分解温度の実測値を取得し、この実測値を出力変数としてＮＮモデル構築装置１２に供給する。有機過酸化物の自己分解温度の実測値は、例えば、ＢＡＭ式蓄熱貯蔵試験で測定される。
【００２７】
なお、ＮＮモデルを学習・構築する場合、これらの実測値は、文献値を用いることができる。
【００２８】
ＮＮモデル構築装置１２は、計算値取得装置１０及び実測値取得装置１１から供給された入力変数と、実測値取得装置１１から供給された出力変数とに基づいてＮＮモデルを構築する。例えば、入力変数として発熱開始温度の実測値を含む７つのパラメータを用いる場合、図３に示すように、入力層２０のニューロン数が７、出力層２２のニューロン数が１、中間層２１のニューロン数がｎである３層型のＮＮモデルが構築される。なお、中間層２１のニューロン数は任意であるが、有効な学習を行うためには、以下の関係式を満たす必要がある。
【００２９】
学習データの数＞（入力層のニューロン数×中間層のニューロン数＋中間層のニューロン数×出力層のニューロン数）×２ ・・・（３）
このため、学習データとして用いる有機過酸化物の数に応じて入力層２０と中間層２１のニューロン数は制限される。
【００３０】
この図３に示すＮＮモデルにおいて、入力層２０には、入力変数がデータξｋ（ｋ＝１，・・・，７）として入力されている。中間層２１は、入力層２０から供給されたデータξｋを所定の重み値Ｗｋｊに基づいて結合し、この中間層２１のニューロンを通して出力層２２にデータνｊ（ｊ＝１，・・・，ｎ）を出力する。出力層２２は、中間層２１から供給されたデータνｋを所定の重み値Ｗｉｊに基づいて結合し、ＳＡＤＴの推算値をデータｏｉ（ｉ＝１）として出力する。また、出力層２２には、出力変数であるＳＡＤＴの実測値がデータζｉとして供給され、バックプロパゲーション法に従って、データｏｉとデータζｉとの誤差が小さくなるように重み値Ｗｋｊ，Ｗｉｊが更新される。なお、重み値Ｗｋｊ，Ｗｉｊは、各学習データについて入力変数及び出力変数が与えられる毎に更新される。
【００３１】
このようにしてＮＮモデルが構築された後、任意の有機過酸化物についての入力変数を入力層２０に与えると、出力層２２からはその有機過酸化物のＳＡＤＴの推算値が出力される。したがって、例えば未知の有機過酸化物であっても、入力変数を入力層２０に与えることで、ＳＡＤＴを精度よく推算することができる。
【００３２】
なお、装置間のデータの受け渡しは、通信媒体を介して行ってもよく、記録媒体を介して行ってもよい。また、図１に示した自己加速分解温度推算システム１では、３台の装置を備える構成となっているが、何れか２台の装置を１台の装置に統合することもでき、また、３台の装置を１台の装置に統合することもできる。
【実施例】
【００３３】
以下、実際にＮＮモデルを構築した場合の実施例について説明する。ここでは、ＮＮモデルを構築するために、日本油脂株式会社化成事業部有機過酸化物カタログ（第１０版）から６４製品の有機過酸化物を選択し、そのＳＡＤＴの文献値を出力変数とした。図４にＮＮモデルを構築するために選択した有機過酸化物の一部を示す。図中、「Ｃ」、「Ｈ」、「Ｏ」はそれぞれ有機過酸化物分子内の炭素、水素、酸素の数を示し、「ｐｈａｓｅ」は相の状態（液体：０、固体：１）を示し、「ｐｕｒｉｔｙ」は、純度（％）を示し、「Ｄ＿ＰＭ５」は解離エネルギー（Ｏ−Ｏ）（ｋＪ／ｍｏｌ）を示し、「Ｔ＿ＤＳＣ」はＤＳＣにより実測した発熱開始温度（℃）を示し、「Ｑ＿ＤＳＣ」はＤＳＣにより実測した発熱量（Ｊ／ｇ）を示し、「ＳＡＤＴ」は実測した自己加速分解温度を示し、「ＡＯ＿ｔｈｅｏ」は理論活性酸素量（％）を示し、「ｒ（Ｏ−Ｏ）」、「ｒ（Ｏ−Ｘ１）」、「ｒ（Ｏ−Ｘ２）」はそれぞれ最適化構造Ｒ１−Ｏ―Ｏ−Ｒ２のＯ−Ｏ結合距離、Ｏ−Ｘ１結合距離（長い方）、Ｏ−Ｘ２結合距離（短い方）を示す。
【００３４】
ＮＮモデルのシミュレーションには、NEUROSIM/L V4, NEUROSIMforExcel ver.1.2（富士通株式会社製）を用いた。また、Ｒ１−Ｏ−Ｏ−Ｒ２分子内のＯ−Ｏ、Ｏ−Ｒの結合距離、Ｏ−Ｏの解離エネルギー及び生成熱△Ｈｆ（Ｒ１−Ｏ−Ｏ−Ｒ２）は、必要に応じて、半経験的ＭＯ計算プログラムWinMOPAC3.5（富士通株式会社製）のＰＭ５法を用いて算出した。
【００３５】
ＮＮモデルの学習・構築後、このＮＮモデルを用いて上述した６４製品の有機過酸化物とは異なる８製品の有機過酸化物について検証を行った。この８製品は日本油脂株式会社化成事業部有機過酸化物カタログ（第１０版）から選択した。図５に検証に用いた有機過酸化物を示す。なお、図中の略号は図４に示すものと同様である。
【００３６】
これらの８製品について、発熱開始温度の実測値を含む入力変数を６４製品の有機過酸化物を用いて構築されたＮＮモデルに入力し、得られたＳＡＤＴの推算値と上記カタログの実測値を用いて２乗平均根誤差（ＲＭＳ（Root Mean Square）エラー）を算出した。そして、この検証データのＲＭＳエラーが最小となるまで学習を行った。
【００３７】
なお、ＲＭＳエラーは、以下の式（４）で求めることができる。但し、式中、Ｆ(ｉ)はＳＡＤＴの推算値を示し、Ａ(ｉ)はＳＡＤＴの実測値を示し、Ｎはデータ件数を示す。
【００３８】
ＲＭＳエラー＝［Σ（Ｆ(ｉ)−Ａ(ｉ)）２／Ｎ］１／２ ・・・(４)
（実施例１）
上述した６４製品について、入力変数を発熱開始温度の実測値（Ｔ＿ＤＳＣ）とし、出力変数をＳＡＤＴの実測値として、入力層２０のニューロン数が１、出力層２２のニューロン数が１、中間層２１のニューロン数が１である１−１−１型のＮＮモデルを構築した。学習データのＲＭＳエラーは、１２．６（℃）であった。
【００３９】
そして、上述した８製品について、発熱開始温度の実測値（Ｔ＿ＤＳＣ）を１−１−１型のＮＮモデルに入力し、それぞれＳＡＤＴの推定値を得た。検証データのＲＭＳエラーは、１０．０（℃）であった。
【００４０】
（実施例２）
入力変数を発熱開始温度の実測値（Ｔ＿ＤＳＣ）と、発熱量の実測値（Ｑ＿ＤＳＣ）と、長い方の結合距離（ｒ＿ＯＸ１）と、短い方の結合距離（ｒ＿ＯＸ２）と、解離エネルギー（Ｏ−Ｏ）（Ｄ＿ＰＭ５）と、相の状態（ｐｈａｓｅ）と、純度（ｐｕｒｉｔｙ）とし、７−３−１型のＮＮモデルを構築した以外は、上記実施例１と同様な方法で行った。その結果、学習データのＲＭＳエラーは、９．６（℃）であり、検証データのＲＭＳエラーは、８．７（℃）であった。
【００４１】
（実施例３）
入力変数を発熱開始温度の実測値（Ｔ＿ＤＳＣ）と、発熱量の実測値（Ｑ＿ＤＳＣ）と、分子内の炭素の数（Ｃ）と、分子内の水素の数（Ｈ）と、分子内の酸素の数（Ｏ）と、解離エネルギー（Ｏ−Ｏ）（Ｄ＿ＰＭ５）と、相の状態（ｐｈａｓｅ）と、純度（ｐｕｒｉｔｙ）とし、８−３−１型のＮＮモデルを構築した以外は、上記実施例１と同様な方法で行った。その結果、学習データのＲＭＳエラーは、７．５（℃）であり、検証データのＲＭＳエラーは、８．６（℃）であった。
【００４２】
（実施例４）
入力変数を発熱開始温度の実測値（Ｔ＿ＤＳＣ）と、発熱量の実測値（Ｑ＿ＤＳＣ）と、分子内の炭素の数（Ｃ）と、長い方の結合距離（ｒ＿ＯＸ１）と、短い方の結合距離（ｒ＿ＯＸ２）と、理論活性酸素量（ＡＯ＿ｔｈｅｏ）と、相の状態（ｐｈａｓｅ）と、純度（ｐｕｒｉｔｙ）とし、８−３−１型のＮＮモデルを構築した以外は、上記実施例１と同様な方法で行った。その結果、学習データのＲＭＳエラーは、９．８（℃）であり、検証データのＲＭＳエラーは、８．２（℃）であった。
【００４３】
（比較例）
入力変数を発熱量の実測値（Ｑ＿ＤＳＣ）と、分子内の炭素の数（Ｃ）と、長い方の結合距離（ｒ＿ＯＸ１）と、短い方の結合距離（ｒ＿ＯＸ２）と、解離エネルギー（Ｏ−Ｏ）（Ｄ＿ＰＭ５）と、相の状態（ｐｈａｓｅ）と、純度（ｐｕｒｉｔｙ）とし、７−３−１型のＮＮモデルを構築した以外は、上記実施例１と同様な方法で行った。その結果、学習データのＲＭＳエラーは、１５．７（℃）であり、検証データのＲＭＳエラーは、２２．６（℃）であった。
【００４４】
また、６４製品のＴ＿ＤＳＣの実測値とＳＡＤＴの実測値との相関図から、一次関数近似を行い、得られた一次関数を用いて、Ｔ＿ＤＳＣからＳＡＤＴを求めたところ、その６４製品のＲＭＳエラーは、１３．８（℃）であった。
【００４５】
図６は、実施例１〜４及び比較例における入力変数及びＲＭＳエラーの結果を示す図である。実施例１〜４と比較例とを見れば分かるように、発熱開始温度の実測値（Ｔ＿ＤＳＣ）を入力変数として用いたＮＮモデルを利用することで、有機過酸化物のＳＡＤＴを精度よく推算できることが確認された。
【００４６】
また、実施例２〜４のように、発熱開始温度の実測値（Ｔ＿ＤＳＣ）と、発熱量の実測値（Ｑ＿ＤＳＣ）、相の状態の実測値（ｐｈａｓｅ）、純度の実測値（ｐｕｒｉｔｙ）、分子内の炭素、水素、酸素の数の概算値（Ｃ、Ｈ、Ｏ）、結合距離の概算値（ｒ＿ＯＸ１、ｒ＿ＯＸ２）、解離エネルギーの概算値（Ｄ＿ＰＭ５）、理論活性酸素量の概算値（ＡＯ＿ｔｈｅｏ）のうち１以上のパラメータとを入力変数として用いたＮＮモデルを利用することで、有機過酸化物のＳＡＤＴをさらに精度よく推算できることが確認された。
【００４７】
次に、上述した６４製品について、発熱開始温度の実測値（Ｔ＿ＤＳＣ）と、発熱量の実測値（Ｑ＿ＤＳＣ）、結合距離の概算値（ｒ＿ＯＯ、ｒ＿ＯＸ１、ｒ＿ＯＸ２）、解離エネルギーの概算値（Ｄ＿ＰＭ５）、理論活性酸素量の概算値（ＡＯ＿ｔｈｅｏ）、相の状態の実測値（ｐｈａｓｅ）、純度の実測値（ｐｕｒｉｔｙ）、生成熱△Ｈｆの概算値（Ｒ１−Ｏ−Ｏ−Ｒ２）のうち１つのパラメータとを入力変数とし、出力変数をＳＡＤＴの実測値として、入力層２０のニューロン数が２、出力層２２のニューロン数が１、中間層２１のニューロン数が２である２−２−１型のＮＮモデルを構築した。そして、上述した８製品について、上記発熱開始温度の実測値（Ｔ＿ＤＳＣ）を含む２つのパラメータを２−２−１型のＮＮモデルに入力し、それぞれＳＡＤＴの推定値を得た。また、得られたＳＡＤＴの推算値と上記カタログの実測値を用いて２乗平均根誤差（ＲＭＳ（Root Mean Square）エラー）を算出した。そして、この検証データのＲＭＳエラーが最小となるまで学習を行った。
【００４８】
図７は、上述した発熱開始温度の実測値（Ｔ＿ＤＳＣ）を含む２つのパラメータを入力変数とし、出力変数をＳＡＤＴの実測値とした場合のＲＭＳエラーの結果を示す図である。
【００４９】
これらのシミレーレーション結果Ｓ１〜Ｓ１１より、特に、発熱開始温度の実測値（Ｔ＿ＤＳＣ）と、発熱量の実測値（Ｑ＿ＤＳＣ）、最適化構造Ｒ−Ｏ−Ｏ−ＲのＯ−Ｒ結合の長い方の結合距離の概算値（ｒ＿ＯＸ１）、最適化構造Ｒ−Ｏ−Ｏ−ＲのＯ−Ｏ結合距離の概算値（ｒ＿ＯＯ）、相の状態の実測値（ｐｈａｓｅ）、生成熱△Ｈｆの概算値（Ｒ１−Ｏ−Ｏ−Ｒ２）のうち１つのパラメータとを入力変数としたＮＮモデルを利用することで、有機過酸化物のＳＡＤＴをさらに精度よく推算できることが確認できる。
【００５０】
以上、本発明を実施するための最良の形態について説明したが、本発明は上述した実施の形態のみに限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能であることは勿論である。
【図面の簡単な説明】
【００５１】
【図１】有機化酸化物の分類を説明するための図である。
【図２】本実施の形態における自己加速分解温度推算システムの概略構成を示すブロック図である。
【図３】自己加速分解温度推算システムで構築されるＮＮモデルの一例を示す図である。
【図４】ＮＮモデルを構築するために選択した有機過酸化物の一部を示す図である。
【図５】検証に用いた有機過酸化物を示す図である。
【図６】実施例１〜４及び比較例における入力変数及びＲＭＳエラーの結果を示す図である。
【図７】２つのパラメータを入力変数とし、出力変数をＳＡＤＴの実測値とした場合のＲＭＳエラーの結果を示す図である。
【符号の説明】
【００５２】
１ 自己加速分解温度推算システム、１０ 計算値取得装置、１１ 実測値取得装置、１２ ＮＮモデル構築装置、２０ 入力層、２１ 中間層、２２ 出力層
【特許請求の範囲】
【請求項１】
所望の有機過酸化物の自己加速分解温度を推算する自己加速分解温度の推算方法であって、
上記所望の有機過酸化物の発熱開始温度の実測値を測定する測定ステップと、
上記測定ステップにて測定された発熱開始温度の実測値をニューラルネットワークモデルに入力することにより、上記所望の有機過酸化物の自己加速分解温度を推算する推算ステップとを有し、
上記ニューラルネットワークモデルは、有機過酸化物の発熱開始温度の実測値を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数として構築されたものである
ことを特徴とする自己加速分解温度の推算方法。
【請求項２】
所望の有機過酸化物の自己加速分解温度を推定する自己加速分解温度の推算方法であって、
上記所望の有機過酸化物の発熱開始温度、発熱量、相の状態及び純度の実測値を測定する測定ステップと、
上記所望の有機過酸化物の結合距離、解離エネルギー、分子の組成、理論活性酸素量、及び生成熱の概算値を計算する計算ステップと、
上記測定ステップ及び上記計算ステップにて測定又は計算された発熱開始温度の実測値、発熱量の実測値、相の状態の実測値、純度の実測値、結合距離の概算値、解離エネルギーの概算値、分子の組成の概算値、理論活性酸素量の概算値、生成熱の概算値のうち、発熱開始温度の実測値を含む２以上をニューラルネットワークモデルに入力することにより、上記所望の有機過酸化物の自己加速分解温度を推算する推算ステップとを有し、
上記ニューラルネットワークモデルは、有機過酸化物の発熱開始温度の実測値、発熱量の実測値、相の状態の実測値、純度の実測値、結合距離の概算値、解離エネルギーの概算値、分子の組成の概算値、理論活性酸素量の概算値、生成熱の概算値のうち、発熱開始温度の実測値を含む２以上を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数として構築されたものである
ことを特徴とする自己加速分解温度の推算方法。
【請求項３】
所望の有機過酸化物の自己加速分解温度を推算する自己加速分解温度の推算方法であって、
上記所望の有機過酸化物の発熱開始温度、発熱量及び相の状態の実測値を測定する測定ステップと、
上記所望の有機過酸化物の最適化構造Ｒ−Ｏ−Ｏ−ＲのＯ−Ｏ結合距離、Ｏ−Ｒ結合のうち長い方のＯ−Ｒ結合距離及び生成熱の概算値を計算する計算ステップと、
上記測定ステップ及び上記計算ステップにて測定又は計算された発熱開始温度の実測値、発熱量の実測値、相の状態の実測値、最適化構造Ｒ−Ｏ−Ｏ−ＲのＯ−Ｏ結合距離の概算値、Ｏ−Ｒ結合のうち長い方のＯ−Ｒ結合距離の概算値、生成熱の概算値のうち、発熱開始温度の実測値を含む２以上をニューラルネットワークモデルに入力することにより、上記所望の有機過酸化物の自己加速分解温度を推算する推算ステップとを有し、
上記ニューラルネットワークモデルは、有機過酸化物の発熱開始温度の実測値、発熱量の実測値、相の状態の実測値、最適化構造Ｒ−Ｏ−Ｏ−ＲのＯ−Ｏ結合距離の概算値、Ｏ−Ｒ結合のうち長い方のＯ−Ｒ結合距離の概算値、生成熱の概算値のうち、発熱開始温度の実測値を含む２以上を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数として構築されたものである
ことを特徴とする自己加速分解温度の推算方法。
【請求項４】
所望の有機過酸化物の自己加速分解温度を推算する自己加速分解温度の推算装置であって、
上記所望の有機過酸化物の発熱開始温度の実測値を測定する測定手段と、
上記測定手段で測定された発熱開始温度の実測値をニューラルネットワークモデルに入力することにより、上記所望の有機過酸化物の自己加速分解温度を推算する推算手段とを有し、
上記ニューラルネットワークモデルは、有機過酸化物の発熱開始温度の実測値を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数として構築されたものである
ことを特徴とする自己加速分解温度の推算装置。
【請求項５】
所望の有機過酸化物の自己加速分解温度を推定する自己加速分解温度の推算装置であって、
上記所望の有機過酸化物の発熱開始温度、発熱量、相の状態及び純度の実測値を測定する測定手段と、
上記所望の有機過酸化物の結合距離、解離エネルギー、分子の組成、理論活性酸素量及び生成熱の概算値を計算する計算手段と
上記測定手段及び上記計算手段にて測定又は計算された発熱開始温度の実測値、発熱量の実測値、相の状態の実測値、純度の実測値、結合距離の概算値、解離エネルギーの概算値、分子の組成の概算値、理論活性酸素量の概算値、生成熱の概算値のうち、発熱開始温度の実測値を含む２以上をニューラルネットワークモデルに入力することにより、上記所望の有機過酸化物の自己加速分解温度を推算する推算手段とを有し、
上記ニューラルネットワークモデルは、有機過酸化物の発熱開始温度の実測値、発熱量の実測値、相の状態の実測値、純度の実測値、結合距離の概算値、解離エネルギーの概算値、分子の組成の概算値、理論活性酸素量の概算値、生成熱の概算値のうち、発熱開始温度の実測値を含む２以上を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数として構築されたものである
ことを特徴とする自己加速分解温度の推算装置。
【請求項６】
所望の有機過酸化物の自己加速分解温度を推算する自己加速分解温度の推算装置であって、
上記所望の有機過酸化物の発熱開始温度、発熱量及び相の状態の実測値を測定する測定手段と、
上記所望の有機過酸化物の最適化構造Ｒ−Ｏ−Ｏ−ＲのＯ−Ｏ結合距離、Ｏ−Ｒ結合のうち長い方のＯ−Ｒ結合距離及び生成熱の概算値を計算する計算手段と、
上記測定手段及び上記計算手段にて測定又は計算された発熱開始温度の実測値、発熱量の実測値、相の状態の実測値、最適化構造Ｒ−Ｏ−Ｏ−ＲのＯ−Ｏ結合距離の概算値、Ｏ−Ｒ結合のうち長い方のＯ−Ｒ結合距離の概算値、生成熱の概算値のうち、発熱開始温度の実測値を含む２以上をニューラルネットワークモデルに入力することにより、上記所望の有機過酸化物の自己加速分解温度を推算する推算手段とを有し、
上記ニューラルネットワークモデルは、有機過酸化物の発熱開始温度の実測値、発熱量の実測値、相の状態の実測値、最適化構造Ｒ−Ｏ−Ｏ−ＲのＯ−Ｏ結合距離の概算値、Ｏ−Ｒ結合のうち長い方のＯ−Ｒ結合距離の概算値、生成熱の概算値のうち、発熱開始温度の実測値を含む２以上を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数として構築されたものである
ことを特徴とする自己加速分解温度の推算装置。
【請求項１】
所望の有機過酸化物の自己加速分解温度を推算する自己加速分解温度の推算方法であって、
上記所望の有機過酸化物の発熱開始温度の実測値を測定する測定ステップと、
上記測定ステップにて測定された発熱開始温度の実測値をニューラルネットワークモデルに入力することにより、上記所望の有機過酸化物の自己加速分解温度を推算する推算ステップとを有し、
上記ニューラルネットワークモデルは、有機過酸化物の発熱開始温度の実測値を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数として構築されたものである
ことを特徴とする自己加速分解温度の推算方法。
【請求項２】
所望の有機過酸化物の自己加速分解温度を推定する自己加速分解温度の推算方法であって、
上記所望の有機過酸化物の発熱開始温度、発熱量、相の状態及び純度の実測値を測定する測定ステップと、
上記所望の有機過酸化物の結合距離、解離エネルギー、分子の組成、理論活性酸素量、及び生成熱の概算値を計算する計算ステップと、
上記測定ステップ及び上記計算ステップにて測定又は計算された発熱開始温度の実測値、発熱量の実測値、相の状態の実測値、純度の実測値、結合距離の概算値、解離エネルギーの概算値、分子の組成の概算値、理論活性酸素量の概算値、生成熱の概算値のうち、発熱開始温度の実測値を含む２以上をニューラルネットワークモデルに入力することにより、上記所望の有機過酸化物の自己加速分解温度を推算する推算ステップとを有し、
上記ニューラルネットワークモデルは、有機過酸化物の発熱開始温度の実測値、発熱量の実測値、相の状態の実測値、純度の実測値、結合距離の概算値、解離エネルギーの概算値、分子の組成の概算値、理論活性酸素量の概算値、生成熱の概算値のうち、発熱開始温度の実測値を含む２以上を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数として構築されたものである
ことを特徴とする自己加速分解温度の推算方法。
【請求項３】
所望の有機過酸化物の自己加速分解温度を推算する自己加速分解温度の推算方法であって、
上記所望の有機過酸化物の発熱開始温度、発熱量及び相の状態の実測値を測定する測定ステップと、
上記所望の有機過酸化物の最適化構造Ｒ−Ｏ−Ｏ−ＲのＯ−Ｏ結合距離、Ｏ−Ｒ結合のうち長い方のＯ−Ｒ結合距離及び生成熱の概算値を計算する計算ステップと、
上記測定ステップ及び上記計算ステップにて測定又は計算された発熱開始温度の実測値、発熱量の実測値、相の状態の実測値、最適化構造Ｒ−Ｏ−Ｏ−ＲのＯ−Ｏ結合距離の概算値、Ｏ−Ｒ結合のうち長い方のＯ−Ｒ結合距離の概算値、生成熱の概算値のうち、発熱開始温度の実測値を含む２以上をニューラルネットワークモデルに入力することにより、上記所望の有機過酸化物の自己加速分解温度を推算する推算ステップとを有し、
上記ニューラルネットワークモデルは、有機過酸化物の発熱開始温度の実測値、発熱量の実測値、相の状態の実測値、最適化構造Ｒ−Ｏ−Ｏ−ＲのＯ−Ｏ結合距離の概算値、Ｏ−Ｒ結合のうち長い方のＯ−Ｒ結合距離の概算値、生成熱の概算値のうち、発熱開始温度の実測値を含む２以上を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数として構築されたものである
ことを特徴とする自己加速分解温度の推算方法。
【請求項４】
所望の有機過酸化物の自己加速分解温度を推算する自己加速分解温度の推算装置であって、
上記所望の有機過酸化物の発熱開始温度の実測値を測定する測定手段と、
上記測定手段で測定された発熱開始温度の実測値をニューラルネットワークモデルに入力することにより、上記所望の有機過酸化物の自己加速分解温度を推算する推算手段とを有し、
上記ニューラルネットワークモデルは、有機過酸化物の発熱開始温度の実測値を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数として構築されたものである
ことを特徴とする自己加速分解温度の推算装置。
【請求項５】
所望の有機過酸化物の自己加速分解温度を推定する自己加速分解温度の推算装置であって、
上記所望の有機過酸化物の発熱開始温度、発熱量、相の状態及び純度の実測値を測定する測定手段と、
上記所望の有機過酸化物の結合距離、解離エネルギー、分子の組成、理論活性酸素量及び生成熱の概算値を計算する計算手段と
上記測定手段及び上記計算手段にて測定又は計算された発熱開始温度の実測値、発熱量の実測値、相の状態の実測値、純度の実測値、結合距離の概算値、解離エネルギーの概算値、分子の組成の概算値、理論活性酸素量の概算値、生成熱の概算値のうち、発熱開始温度の実測値を含む２以上をニューラルネットワークモデルに入力することにより、上記所望の有機過酸化物の自己加速分解温度を推算する推算手段とを有し、
上記ニューラルネットワークモデルは、有機過酸化物の発熱開始温度の実測値、発熱量の実測値、相の状態の実測値、純度の実測値、結合距離の概算値、解離エネルギーの概算値、分子の組成の概算値、理論活性酸素量の概算値、生成熱の概算値のうち、発熱開始温度の実測値を含む２以上を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数として構築されたものである
ことを特徴とする自己加速分解温度の推算装置。
【請求項６】
所望の有機過酸化物の自己加速分解温度を推算する自己加速分解温度の推算装置であって、
上記所望の有機過酸化物の発熱開始温度、発熱量及び相の状態の実測値を測定する測定手段と、
上記所望の有機過酸化物の最適化構造Ｒ−Ｏ−Ｏ−ＲのＯ−Ｏ結合距離、Ｏ−Ｒ結合のうち長い方のＯ−Ｒ結合距離及び生成熱の概算値を計算する計算手段と、
上記測定手段及び上記計算手段にて測定又は計算された発熱開始温度の実測値、発熱量の実測値、相の状態の実測値、最適化構造Ｒ−Ｏ−Ｏ−ＲのＯ−Ｏ結合距離の概算値、Ｏ−Ｒ結合のうち長い方のＯ−Ｒ結合距離の概算値、生成熱の概算値のうち、発熱開始温度の実測値を含む２以上をニューラルネットワークモデルに入力することにより、上記所望の有機過酸化物の自己加速分解温度を推算する推算手段とを有し、
上記ニューラルネットワークモデルは、有機過酸化物の発熱開始温度の実測値、発熱量の実測値、相の状態の実測値、最適化構造Ｒ−Ｏ−Ｏ−ＲのＯ−Ｏ結合距離の概算値、Ｏ−Ｒ結合のうち長い方のＯ−Ｒ結合距離の概算値、生成熱の概算値のうち、発熱開始温度の実測値を含む２以上を入力変数とし、有機過酸化物の自己加速分解温度の実測値を出力変数として構築されたものである
ことを特徴とする自己加速分解温度の推算装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【公開番号】特開２００８−１３４１７２（Ｐ２００８−１３４１７２Ａ）
【公開日】平成２０年６月１２日（２００８．６．１２）
【国際特許分類】
【出願番号】特願２００６−３２１２８２（Ｐ２００６−３２１２８２）
【出願日】平成１８年１１月２９日（２００６．１１．２９）
【出願人】（３０１０２１５３３）独立行政法人産業技術総合研究所 (6,529)
【出願人】（０００００２０９３）住友化学株式会社 (8,981)
【Ｆターム（参考）】
【公開日】平成２０年６月１２日（２００８．６．１２）
【国際特許分類】
【出願日】平成１８年１１月２９日（２００６．１１．２９）
【出願人】（３０１０２１５３３）独立行政法人産業技術総合研究所 (6,529)
【出願人】（０００００２０９３）住友化学株式会社 (8,981)
【Ｆターム（参考）】
[ Back to top ]