構成則の係数抽出：前指数因子への感度は指数 n そのもの

論文の表から粘塑性モデルの 9 定数を書き写すとき、暗黙にこう考えています。「この材料の正しい値が、そこに書いてある」。

その前提を検査できる材料があります。同じ合金を、同じ実験データから、2 通りの方法で抽出した結果が並んでいます。

係数は $h_{0}$ で 46 倍、 $n$ で 65 倍離れ、当てはまりの動きは 7% どまりです。

係数は 46 倍、当てはまりは 7%——対数で 59 倍の開き

2 組を書き出します。

係数	先行の抽出	別の抽出	比
$A$ (1/s)	3,501	1,650	2.1 倍
$n$	0.01	0.000154	64.9 倍
$m$	0.25	0.54	2.2 倍
$s^/ ξ$	7.55	4.11	1.8 倍
$ξ$	4	17.66	4.4 倍
$s_{0}$ (MPa)	21	55.96	2.7 倍
$a$	1.78	2.30	1.3 倍
$h_{0}$ (MPa)	18,000	828,822	46.0 倍
平均二乗誤差	17.03	15.96	1.067 倍

対数で測ると、開きの差が出ます。

ln 46.0 = 3.83, ln 1.067 = 0.065

\frac{3.83}{0.065} = 59

係数は、当てはまりの 59 倍広く散っています。

2 通りの方法が同じデータへ当てた結果です。方程式の形そのものを学習に埋め込んで係数を取り出した2023 年の研究¹と、先行する抽出。どちらも同じ合金、同じ 9 定数の枠組みです。

$A$ への感度は $- n$ ちょうど

飽和値の式を対数で書きます。

s^= s ~ [\frac{ε ˙ _{p}}{A} e^{Q / R T}]^{n}

ln s^= ln s ~ + n (ln ε ˙_{p} + \frac{Q}{R T} - ln A)

$ln A$ で微分します。

\frac{\partial ln s ^}{\partial ln A} = - n

指数 $n$ が、そのまま $A$ への感度です。

2 つの抽出は $A$ で 2.12 倍、対数で 0.752 離れています。

$n$	$s^$ の動き
0.01	0.75%
0.000154	0.012%

$A$ を 2.12 倍動かしても、予測される飽和応力の動きは 0.75% どまりです。 $n$ が小さい側では 0.012%。

つまり $n$ は、 $A$ がデータに映るかどうかの度合いそのものです。 $n \to 0$ で $A$ は完全に消えます。

n が小さい \Rightarrow A はデータの外側

2 つの抽出が最も食い違ったのは、 $n$ が小さくした $A$ のほうでした。統一粘塑性モデルの係数感度を解析的に求めた1997 年の研究²が主題にしているのは、この種の感度の構造です。

谷底が細長くなる仕組み

感度の小ささだけで同定不能を言うには、もう 1 歩要ります。補償の経路を示します。

括弧の中で $A$ 以外は実験条件で決まる量なので、まとめて $L$ と書きます。

ln s^= ln s ~ + n L, L = ln ε ˙_{p} + \frac{Q}{R T} - ln A

実験データが拘束しているのは、 $n$ でも $A$ でもなく積 $n L$ ただ 1 つです。

$ln A$ を $δ$ だけ動かすと $L$ は $L - δ$ になります。そこで $n$ を

n^{'} = n \frac{L}{L - δ}

と取り直せば

n^{'} (L - δ) = n L

予測は元の値のままです。 $(A, n)$ は 2 つで 1 本の曲線をなし、その上のどこへ落ちても当てはまりが同じになります。

これが「残差の谷が点の代わりに細長い谷底になっている」の中身です。どこへ落ちるかは、初期値と最適化アルゴリズムが決めます。

原理的には逃げ道があります。温度とひずみ速度を振れば $Q / R T$ と $ln ε ˙_{p}$ が動くので、 $L$ が条件ごとに変わり、 $n$ と $A$ を分離できるはずです。ひずみ速度と温度を広く振って構成則を組み直した2026 年の研究³は、まさにその方向にあります。

ところが $Q / R T$ の項が大きいと、 $L$ の相対的な振れ幅が小さくなります。谷は細くなるだけで、そのまま残ります。

$h_{0}$ の食い違いは、最初の 0.2% ひずみの内側で完結する

46 倍の $h_{0}$ のほうは、別の機構です。 $h_{0}$ が入るのは、変形抵抗 $s$ の発展式だけです。

\frac{d s}{d ε _{p}} = h_{0} 1 - \frac{s}{s ^}^{a} sign (1 - \frac{s}{s ^})

$a = 1$ として解くと

s (ε_{p}) = s^- (s^- s_{0}) e^{- h_{0} ε_{p} / s^}

特性ひずみは $s^/ h_{0}$ です。2 組で計算します。

	$s^$	$h_{0}$	特性ひずみ $s^/ h_{0}$
先行の抽出	$7.55 \times 4 = 30.2$ MPa	18,000	$1.68 \times 1 0^{- 3}$ = 0.168%
別の抽出	$4.11 \times 17.66 = 72.6$ MPa	828,822	$8.76 \times 1 0^{- 5}$ = 0.0088%

0.168% と 0.0088%。応力ひずみ曲線から降伏を取り出す標準的な基準は、0.2% のオフセットです。

\frac{0.168%}{0.2%} = 0.84, \frac{0.0088%}{0.2%} = 0.044

どちらの過渡も、0.2% のオフセット点より手前で収束します。

だから測定が始まった時点で、2 つのモデルはどちらも飽和しています。46 倍の食い違いは、最初の 0.2% ひずみの内側で完結します。

食い違いの居場所 \subset 測定の分解能の下

これが $h_{0}$ の自由度の出どころです。系統だった係数推定法を主題にした2005 年の報告⁴や、モデルそのものを組み直した2025 年の研究⁵があるとおり、推定法を変えた先でも、分解能の下は分解能の下のままです。

同定不能性・多重共線性・過学習は、直し方が別

「当てはまりは良いのに係数は信用の外」という症状には、原因の別な 3 つがあります。

症状の原因	何が原因か	直し方
同定不能性	モデルの構造	データを増やした先でも同じまま
多重共線性	データの取り方	振り方を変えれば直ります
過学習	自由度とデータ量の釣り合い	データを増やすか罰則を足せば直ります

ここで起きているのは 1 つめです。係数が積や指数の中で組み合わさっていて、観測へ届くのはその組み合わせだけです。

だから「もっと実験を増やせばよい」も「正則化を掛ければよい」も解決になりません。

効くのは 1 つだけ \Rightarrow 係数の値そのものを、比較の対象から降ろす

押し込み試験から双曲線正弦型の定数を取り出す2026 年の手法⁶のように、測定の側を変えれば拘束の形が動きます。同じモデルへ別の種類のデータを入れると、谷底の向きが動く。そこではじめて、細長さが縮みます。

分布を持ってはじめて、決まっている係数が浮かぶ

点推定 1 個の中では、同定できた係数と谷底に落ちただけの係数が同じ顔をします。係数の分布そのものを出力に含める2023 年の研究¹が、この区別を表へ持ち込みます。

ベイズ推論で係数の分布を求めると、そこが割れます。報告されている結果はこうです。

係数	±5% の帯に対して
$A$	帯の内側
$β$	帯の内側
$m$	1,500 個中 61 個が外側

\frac{61}{1500} = 4.07%

$m$ だけが 4.07% の割合で帯を越えます。つまり $A$ と $β$ は同定できていて、 $m$ は同定が緩い。

この分離は、分布を運んではじめて出ます。点推定を 1 個だけ表に書くと、同定できている係数と、谷底のどこかに落ちただけの係数が、同じ体裁で並びます。

区別の手がかりは、読み手へ届く前にそこで消えます。

だから 3 つの作法が出る

以上から、係数を再利用するときの手順が決まります。

9 個は 1 つの出典から一式で取る。

(A, n) が意味を持つのは組み合わせとしてのみ \Rightarrow 1 つの出典から一式で

片方の $A$ ともう片方の $n$ を混ぜると、 $n L$ が保たれる保証が消えます。

係数は物性値の側から降ろす。「この論文の $h_{0}$ は大きい／小さい」という比較には意味がありません。 $h_{0}$ の 46 倍は、測定の分解能の下にある話です。

比較するなら予測値。同じ応力・ひずみ速度・温度を入れて、出てくる応力を比べます。粘塑性モデルを実装して合金ごとに当てた1998 年の研究⁷や2000 年の報告⁸があるとおり、モデルの出力は 1 つに定まります。係数の組が複数あっても。

比べる対象 = f (σ, ε ˙, T) 。係数の表では分からない

報告の側にも、1 つ足すものがあります。係数の表に、同定できているかどうかの印を添える。分布の幅でも、感度の値でも足ります。 $\partial ln s^/ \partial ln A = - n$ という 1 行を併記するだけで、 $A$ の桁を信用してよいかが読み手に伝わります。