鋳造シミュレーションによる鋳造欠陥予測手法の新展開

1. はじめに

近年，鋳造シミュレーション［鋳造CAE（Computer Aided Engineering）］が設計や欠陥・不良対策に広く利用されている。現在，鋳造CAEを用いて欠陥などを予測する場合には，まず用いる予測モデルを決め，必要な情報を計算し，予測結果を出力するという手順が一般的である。この手順による欠陥予測の精度を上げるには「合わせ込み誤差」と「モデル化誤差」の理解が重要である。「合わせ込み」とは，実験結果とCAEの結果を一致させるための調整のことであり，この調整が不完全なことにより生じる誤差が「合わせ込み誤差」である。一方「モデル化誤差は」，CAEが現実世界を完全に模擬できないことから生じる。近年のコンピュータの発達により，解析精度は全体的に向上しているものの，鋳造プロセスの複雑さから，これらの誤差を完全に回避することは困難である。

この問題に対し，岡山県立大学応用材料学研究室の尾崎 公一教授らは，従来の解析精度改善とは異なるアプローチを提案し^{1），2），3）}，数値解析結果と実際の欠陥発生状況を統計的・機械的に関連付けることで，実鋳造結果を基にした欠陥評価指標を作成する技術（以下，「欠陥評価指標構築手法」と記す。）を開発した。株式会社日立産業制御ソリューションズは，この技術に基づいて欠陥予測ツールADPT（Advanced Defect Prediction Tool）を開発し，自社の鋳造シミュレーションシステム「ADSTEFAN」^4）に実装している。本稿では，鋳造欠陥予測および欠陥対策におけるADPTの活用方法について述べる。

2. 欠陥予測ツールADPT

2.1 欠陥評価指標構築手法の考え方

2.2 欠陥予測ツールADPTの機能

前述のとおり，日立産業制御ソリューションズの鋳造シミュレーションシステムADSTEFANには，欠陥評価指標構築手法を基に開発された欠陥予測ツールADPTが実装されている。本ツールには，主要な機能が二つある。一つは，数値解析結果と実鋳造品の欠陥情報を教師データとして機械学習し，現場の実績を考慮した予測モデルを，欠陥予測指標［欠陥予測DB（Database）］として自動構築する機能である。数値解析結果とは，図1の「物理現象（CAE）」に相当するデータを示し，流速や温度，圧力など，従来の湯流れ・凝固解析などにより出力したデータ群である。また実鋳造品の欠陥情報とは，数値解析と同様の鋳造条件により実際に鋳造した製品に生じる，欠陥の位置・種類・発生頻度をまとめたデータ群である。

もう一つは，欠陥予測DBを用いた欠陥予測指標値を出力する機能である。任意の鋳造条件により別途，従来どおりの解析を実行し，得られた数値解析結果を欠陥予測DBに入力することで，DB上に構築された予測モデルを用いての欠陥予測指標値の出力が可能である。

3. ADPTと「合わせ込み」

ADPTを用いた欠陥予測DB作成から予測値出力までの流れを紹介する。まず，通常の解析結果と実際の鋳造条件で得られる欠陥情報を教師データとして，欠陥予測DBを作成する。前述したとおり，解析結果とは，ADSTEFANの湯流れ・凝固解析で出力される温度や流速，圧力などである。実際の鋳造は行っていないため，欠陥情報には架空のデータを使用する。これらのデータを学習することで，欠陥発生率を予測するための欠陥予測DBが作成される（図2参照）。

次に，欠陥予測DBに解析結果を入力し，欠陥発生率分布を出力する。ここで図2の教師データ自身を入力した結果が，欠陥発生率分布である（図3参照）。湯回り不良，焼き付き，内引けが概ね再現されることが分かる。従来の欠陥予測手順では，解析結果や各種指標が欠陥の位置や発生率を直接示すことは少なく，温度履歴などの基本的な「合わせ込み」の後に「モデル化誤差」を考慮し，人間が想像・構築する必要があった。メカニズムをベースに構築するこのような演繹的な欠陥予測アプローチでは，図3のような結果の出力を可能とする指標の構築は困難である。一方，同図に示すADPTは本章冒頭で述べた「合わせ込み」がめざす理想的な出力である。欠陥評価指標構築手法は，複数の解析結果を組み合わせた「合わせ込み」を統計的・客観的に行う帰納的アプローチであり，過去の実績に対する一致率を出力する機能と言い換えることができる。

なお，この手法には機械学習の欠点も内包されていることに注意が必要である。新たな鋳造条件が教師データに対して内挿の関係にある場合は高精度な予測が期待できるが，鋳造プロセスや合金種類，製品サイズが大きく異なる場合は予測計算が外挿となり，精度が低下する可能性がある。

4. 欠陥対策への活用

4.2 欠陥対策への具体的な活用

欠陥評価指標構築手法の活用によって，実欠陥に影響する因子と欠陥を低減するための方向性が得られるが，実際は各因子が複雑に相互作用するため，調整の影響を人間が予測することは困難である。しかしADPTを用いることで，調整結果を容易に可視化できる。

流入速度および鋳物－鋳型間の熱伝達係数の値を試験的に2割小さくして再度解析を行い，欠陥予測DBに入力して欠陥発生率の予測値を出力した結果を図5に示す。これにより，いずれの欠陥も大幅に低減できる可能性があることが示された。

図5｜鋳造条件の調整効果の可視化鋳造条件を調整した解析結果を欠陥予測DBに入力することで，調整の効果を容易に可視化できる。

4.3 課題

欠陥評価指標構築手法は，欠陥への影響因子から予測手法を構築する帰納的アプローチであり，機械学習に類する機能を有するため，学習データの質や量，生成されるモデルの品質により予測精度が大きく変化する。また，教師データ内の「状況」と「欠陥」，「無欠陥」の実績から頻度分布を作成し，回帰式を自動的に構築する。その際，物理的な因果関係は考慮しないため，意外な相関が検出されることもある。これにより，従来のアプローチでは思いも寄らない重要な因子を拾い上げることで，より高い精度の予測が可能となる場合がある。

しかし，教師データの量や質が十分でない場合，関係のない因子の影響が大きくなり，予測の精度が悪化する可能性もある。頻度分布を作成する際の教師データの量が少ない場合，異常値の影響を受けやすくなる。また，欠陥評価指標構築手法は確率分布を出力するものであり，物理現象に基づく定量的な結果は得ることができない。例えば，従来の引け巣予測機能では，引け巣体積の合計値は鋳物の凝固収縮量に一致するが，本手法を用いた予測結果は，当該鋳造条件において無限大回数の鋳造を行った場合の欠陥発生率分布であるため，体積の定量性は議論することができない。したがって，予測結果の解釈には注意が必要である。

5. おわりに

従来の演繹的な欠陥予測では，限られた数種類の因子を推測に基づいて決め打ちで組み合わせ，欠陥評価指標を構築していたため，隠れた重要因子を適切に考慮した予測を行うためには高度な知識や経験が必要であった。これに対し，欠陥評価指標構築手法の帰納的アプローチに基づく現行（ADSTEFAN Ver.26）のADPTでは，湯流れ・凝固・熱応力解析により出力される約80種類の解析結果を学習対象として，多角的かつ実際の現場に即した欠陥評価指標を容易に構築することが可能になった。今後はさらにひも付け対象を拡充するとともに，さらなる高性能・高機能化のための改善を行っていく。