ポリエチレン(PE)およびポリプロピレン(PP)の応力-ひずみ曲線、ヤング率(YM)、破断伸び(EB)、および引張強度(TS)を基に複数特徴の機械学習予測モデルを構築し、材料特性、試料作製工程、試験パラメーターが機械的性質に与える影響を検討した。最小絶対収束および選択演算子(Lasso)、決定木回帰(DTR)、ランダムフォレスト回帰(RF)等7つのアルゴリズムを用い、5分割交差検証とハイパーパラメータ最適化を組み合わせて機械的性質の定量的予測を実現した。さらに、極端勾配ブースティング木回帰(XGB)アルゴリズムにより応力-ひずみ曲線の高忠実度フィッティングを完遂した。結果は、PEの機械的性質予測はデータ量制限により精度に限界があるものの、予測傾向が手法の有効性を示すことを明らかにした。PPデータセットにおいてYMの予測性能が最良（テストセットR²≥0.80、一部モデルは0.90超）で過学習は認められなかった。EBおよびTS予測はデータ量の制約を受け、RF、XGB、KNNモデルのみPPデータセットで有効な予測能力を示した。制御変数条件下でPPの応力-ひずみ曲線予測R²は0.90を超え、温度依存の機械的性質を精密に再現した。これにより、機械学習によるポリオレフィンの機械的性質予測の実現可能性が証明され、高分子材料の機械的性質迅速予測に技術的支援を提供可能である。

応力-ひずみ曲線; 機械学習; 機械的性質