ケイ酸塩メルトの粘性率のニューラルネットワーク解析による混合エントロピーの決定

点击翻译按钮获取中文摘要

本研究の目的はケイ酸塩メルトの粘性率を機械学習によりモデル化し，計算された粘性率に対するAdam-Gibbs解析により配置エントロピを算出することである．2022年度はデータ前処理と学習方法が予測精度に与える影響の調査とSiO2-B2O3-Na2O系の熱量測定を行った．また，粘性率測定装置の製作も行った．(1) 粘性率データの機械学習：これまでに独自に収集してきたSiO2-Al2O3-MgO-CaO-Na2O系の4335データを検討に用いた．このうち，部分2成分系，3成分系，4成分系のデータを学習とテストに用いた．また5成分すべてを含むデータはテストのみに用いた．学習方法は Adaptive momentum estimation (Adam)によるニューラルネットワーク(NN)解析， Levenberg- Marquardt (LM) 法によるNN解析，Gradient Boosting Decision Tree (GBDT) 解析の3通りを試した．その結果，LM によるNN解析で入力データを正規化したときにRMSE が最も小さくなり，温度内挿においても連続的な計算値が得られることが分かった．(2)メルトの熱量測定：SiO2-B2O3-Na2O系のメルトに対して落下法熱量測定を行い，配置熱容量(Cp(conf))とB2O3の部分モル熱容量(Cp(B2O3))の温度・組成依存性を明らかにした．ガラス転移温度のCp(conf)は４配位ホウ素が多いほど高くなった．また，Cp(B2O3)はSiO2が70mol%以上の組成領域で正の温度依存性を示した．また，SiO2が65oml%以下でB2O3が20mol%以下の組成領域で負の温度依存性を示し，それ以外では温度によらず一定であった．(3) 粘性率測定装置の製作：縦型加熱炉と試料昇降装置を製作した．