機械学習を活用したデータ駆動型研究手法による電気絶縁材料劣化機構解明
| Project/Area Number |
21K04024
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 21010:Power engineering-related
|
|---|
| Research Institution | Ehime University |
|---|
Principal Investigator |
弓達 新治 愛媛大学, 理工学研究科(工学系), 助教 (40380258)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
門脇 一則 愛媛大学, 理工学研究科(工学系), 教授 (60291506)
尾崎 良太郎 愛媛大学, 理工学研究科(工学系), 教授 (90535361)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2022)
|
| Budget Amount *help |
¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2024: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2023: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2022: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2021: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
|
|---|
| Keywords | フェーズフィールドシミュレーション / 電気トリーイング現象 / 機械学習 / 絶縁材料 / ナノフィラー / ポリマーコンポジット |
|---|
| Outline of Research at the Start |
電気絶縁材料開発の分野に，機械学習に基づく材料設計手法を導入する。絶縁材料設計の最適化においては，多くのパラメータ(組成，製法)が複雑に相互作用する。パラメータが多すぎるため，各種絶縁材料の劣化機構解明も容易ではない。材料開発の最適化は，数多くの実験の積み重ねにより行われ，国内外で莫大な量の実験データが存在する。過去に蓄積された豊富なデータを用いた機械学習により，「材料特性の最適化」と「開発期間の短縮化」の両立を目指す。また，機械学習を活用したデータ駆動型研究手法が導き出す結論をもとに，絶縁劣化現象に対する新たな物理的解釈の可能性を探求する。
|
| Outline of Annual Research Achievements |
本年度は，前年度に引き続き，電気絶縁材料開発分野への機械学習導入をおこなった。絶縁劣化現象は、例えば，電気トリーイング現象において，トリーの進展のしやすさやその進展形状は，さまざまな要因(印加電圧波形，温度，材料の諸物性値，マクスウェル応力など)が複雑に関係する。
前年度より，機械学習の手法であるベイズ最適化を用いて，各種実験パラメータを決定するためのプログラムを構築し，網羅的実験より少ない試行回数で実験パラメータを求めることを試みている。ベイズ最適化を絶縁材料開発に活用する準備ができた。
さまざまな要因が関係する電気トリー進展の実験結果をフェーズフィールドシミュレーションで再現することを目指した。本年度は，電圧印加時の静電エネルギーを考慮した電気トリーのフェーズフィールシミュレーションをおこなった。さまざまな要因を考慮したシミュレーションの準備ができた。
各種パラメータと絶縁破壊電圧(直流電圧印加時)からなるデータベースを構築する際に，各々の試料を流れる微小電流および空間電荷蓄積状態を知ることは絶縁破壊の要因を探るために重要である。無機フィラーである酸化マグネシウム(MgO)，酸化亜鉛(ZnO)，酸化第二鉄(Fe2O3)を添加したポリマーを作製し，微小電流および空間電荷蓄積状態を測定した。また，空間電荷蓄積状態を再現するシミュレーションに用いるパラメータの機械学習を用いた推定をおこなった。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
さまざまな要因が関係する電気トリー進展の実験結果をフェーズフィールドシミュレーションで再現する準備ができた。機械学習を実験およびシミュレーションに活用することができた。
|
| Strategy for Future Research Activity |
本年度は，電気的ストレスに加えて機械的ストレスを考慮することで，弾性率の異なる2層からなる複合材料における電気トリー進展をシミュレーションする。また，直流電圧印加に加えて，交流電圧印加時におけるトリー進展形状をシミュレーションで再現する。
得られたシミュレーションおよび実験データを活用し，最適な機械学習モデルを構築する。機械学習により導きされる結果をもとに絶縁劣化現象の物理的解釈を進める。
|
Report
(2 results)
Research Products
(17 results)
