(EN) A steel pipe roundness prediction model generation method according to the present invention involves: generating, as training data items in an offline manner, a plurality of sets of data each set of which is about steel pipe roundness after a pipe expansion step corresponding to an operation condition dataset, by executing a plurality of rounds of numerical calculation in each round of which the operation condition dataset is included in input data and the steel pipe roundness after the pipe expansion step is obtained as output data while changing the operation condition dataset; and generating, by machine learning in an offline manner, a roundness prediction model in which the operation condition dataset is included in input data and the steel pipe roundness after the pipe expansion step is obtained as output data, by using the plurality of the training data items.
(FR) Un procédé de génération de modèle de prédiction de rondeur de tuyau d'acier selon la présente invention consiste à : générer, en tant qu'éléments de données d'apprentissage d'une manière hors ligne, une pluralité d'ensembles de données, chaque ensemble concernant la rondeur de tuyau d'acier après une étape d'expansion de tuyau correspondant à un ensemble de données de conditions de fonctionnement, en exécutant une pluralité de cycles de calcul numérique, au cours de chaque cycle l'ensemble de données de conditions de fonctionnement étant inclus dans des données d'entrée et la rondeur de tuyau d'acier après l'étape d'expansion de tuyau étant incluse en tant que données de sortie tout en modifiant l'ensemble de données de conditions de fonctionnement ; et générer, par apprentissage automatique d'une manière hors ligne, un modèle de prédiction de rondeur, l'ensemble de données de conditions de fonctionnement étant inclus dans des données d'entrée et la rondeur de tuyau d'acier après l'étape d'expansion de tuyau étant obtenue en tant que données de sortie, au moyen de la pluralité d'éléments de données d'apprentissage.
(JA) 本発明に係る鋼管の真円度予測モデルの生成方法は、操業条件データセットを入力データに含み、拡管工程後の鋼管の真円度を出力データとする数値計算を、操業条件データセットを変更しながら複数回実行することにより、操業条件データセットと対応する拡管工程後の鋼管の真円度のデータの組を学習用データとしてオフラインで複数生成し、複数の学習用データを用いて、操業条件データセットを入力データ、拡管工程後の鋼管の真円度を出力データとする真円度予測モデルをオフラインで機械学習により生成する。