Submit Search
Upload
ジェスモナイトのメリットデメリット、基本使用方法
•
0 likes
•
3,999 views
Hiroko Matsumoto
Follow
2018.Feb.11 Jesmonite demonstration in Sapporo 北海道教育大学 札幌サテライト会場様にて開催
Read less
Read more
Art & Photos
Report
Share
Report
Share
1 of 25
Recommended
2018/1/5 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Hindsight Experience Replay
[DL輪読会]Hindsight Experience Replay
Deep Learning JP
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向 6月10日 (木) 11:00 - 12:30 メイン会場(vimeo + sli.do) 登壇者1:中山 英樹 氏(東京大学) 登壇者2:幡谷 龍一郎 氏(東京大学) 概要:データ拡張は画像認識の精度向上テクニックとして古くから用いられてきたが、最新の深層学習においても最重要技術の一つとして年々注目を集めており、多様かつ複雑な進化を遂げている。その成功のカギは、タスクに関する先見知識を活用しながら、如何にして汎化性能を高めるように訓練画像を変換あるいは生成するかにある。本講演では、データ拡張の原理や最新動向について解説すると共に、自動的なデータ拡張に関する講演者の研究事例についても紹介する。
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII
技術動向の調査として、ICML Workshop Uncertainty & Robustness in Deep Learningの中で、面白そうなタイトルを中心に読んで各論文を4スライドでまとめました。 最新版:https://speakerdeck.com/masatoto/icml-2021-workshop-shen-ceng-xue-xi-falsebu-que-shi-xing-nituite-e0debbd2-62a7-4922-a809-cb07c5da2d08(文章を修正しました。)
ICML 2021 Workshop 深層学習の不確実性について
ICML 2021 Workshop 深層学習の不確実性について
tmtm otm
Randomized smoothing is a method to make a classifier robust against adversarial attacks. I introduce two papers to improve the performance of a method using randomized smoothing technique.
Randomized smoothing
Randomized smoothing
Simossyi Funabashi
これからディープラーニングを学ぶ方のための資料を作りました。応用先としては画像処理・自然言語処理に絞って解説を行っています。
ディープラーニング入門 ~ 画像処理・自然言語処理について ~
ディープラーニング入門 ~ 画像処理・自然言語処理について ~
Kensuke Otsuki
2023/3/3 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Dri...
【DL輪読会】DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Dri...
Deep Learning JP
強化学習アーキテクチャ勉強会#14の発表内容. 強化学習の分散アーキテクチャの歴史、Gorila, A3C, GA3C, A2C, Ape-X, IMPALAなどをまとめた. https://rlarch.connpass.com/event/81669/
強化学習の分散アーキテクチャ変遷
強化学習の分散アーキテクチャ変遷
Eiji Sekiya
査読者やジャーナル編集者からのコメントは元来、執筆者の論文の質を高めることを目的とします。査読者のコメントに返答する際は、3つの黄金律に従いましょう。
査読コメントに回答する時の、3つの黄金律
査読コメントに回答する時の、3つの黄金律
英文校正エディテージ
Recommended
2018/1/5 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Hindsight Experience Replay
[DL輪読会]Hindsight Experience Replay
Deep Learning JP
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向 6月10日 (木) 11:00 - 12:30 メイン会場(vimeo + sli.do) 登壇者1:中山 英樹 氏(東京大学) 登壇者2:幡谷 龍一郎 氏(東京大学) 概要:データ拡張は画像認識の精度向上テクニックとして古くから用いられてきたが、最新の深層学習においても最重要技術の一つとして年々注目を集めており、多様かつ複雑な進化を遂げている。その成功のカギは、タスクに関する先見知識を活用しながら、如何にして汎化性能を高めるように訓練画像を変換あるいは生成するかにある。本講演では、データ拡張の原理や最新動向について解説すると共に、自動的なデータ拡張に関する講演者の研究事例についても紹介する。
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII
技術動向の調査として、ICML Workshop Uncertainty & Robustness in Deep Learningの中で、面白そうなタイトルを中心に読んで各論文を4スライドでまとめました。 最新版:https://speakerdeck.com/masatoto/icml-2021-workshop-shen-ceng-xue-xi-falsebu-que-shi-xing-nituite-e0debbd2-62a7-4922-a809-cb07c5da2d08(文章を修正しました。)
ICML 2021 Workshop 深層学習の不確実性について
ICML 2021 Workshop 深層学習の不確実性について
tmtm otm
Randomized smoothing is a method to make a classifier robust against adversarial attacks. I introduce two papers to improve the performance of a method using randomized smoothing technique.
Randomized smoothing
Randomized smoothing
Simossyi Funabashi
これからディープラーニングを学ぶ方のための資料を作りました。応用先としては画像処理・自然言語処理に絞って解説を行っています。
ディープラーニング入門 ~ 画像処理・自然言語処理について ~
ディープラーニング入門 ~ 画像処理・自然言語処理について ~
Kensuke Otsuki
2023/3/3 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Dri...
【DL輪読会】DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Dri...
Deep Learning JP
強化学習アーキテクチャ勉強会#14の発表内容. 強化学習の分散アーキテクチャの歴史、Gorila, A3C, GA3C, A2C, Ape-X, IMPALAなどをまとめた. https://rlarch.connpass.com/event/81669/
強化学習の分散アーキテクチャ変遷
強化学習の分散アーキテクチャ変遷
Eiji Sekiya
査読者やジャーナル編集者からのコメントは元来、執筆者の論文の質を高めることを目的とします。査読者のコメントに返答する際は、3つの黄金律に従いましょう。
査読コメントに回答する時の、3つの黄金律
査読コメントに回答する時の、3つの黄金律
英文校正エディテージ
2020/11/27 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Dense Captioning分野のまとめ
[DL輪読会]Dense Captioning分野のまとめ
Deep Learning JP
2023/6/2 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
Deep Learning JP
ResNetに代表されるSkip Connectionについて理論と有効性をまとめました。
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)
Yamato OKAMOTO
Facebook AIがNeurIPS2021に投稿した論文です。ニューラルネットワークアーキテクチャのトポロジーから、そのネットワークのパラメータ(重み)を予測するモデルGHN-2 (Graph Hypernetwork-2)を提案しています。
NeurIPS2021論文読み会 (parameter prediction for unseen deep architecture)
NeurIPS2021論文読み会 (parameter prediction for unseen deep architecture)
Kshinmei
2020/06/26 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]近年のオフライン強化学習のまとめ —Offline Reinforcement Learning: Tutorial, Review, an...
[DL輪読会]近年のオフライン強化学習のまとめ —Offline Reinforcement Learning: Tutorial, Review, an...
Deep Learning JP
社内向けに発表した研究会のスライドです。ハイライト版が以下のブログです。 「深層強化学習のself-playで遊んでみた」:https://recruit.gmo.jp/engineer/jisedai/blog/self-play/ 結果のアニメーションが以下のgithubにあります。 https://github.com/jkatsuta/17_4q_supplement 2017/10に発表されたBansal+17を参考に、深層強化学習のself-playを使って、2体のAgentを戦わせることで複雑な行動の学習を試みた結果について話しました。論文にはない初期位置などでも学習をさせて、どのように変化するかの考察などもしました。
深層強化学習の self-playで、複雑な行動を機械に学習させたい!
深層強化学習の self-playで、複雑な行動を機械に学習させたい!
Junichiro Katsuta
関連スライド一覧 https://github.com/nishio/reinforcement_learning
強化学習その3
強化学習その3
nishio
2021/11/05 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Wav2CLIP: Learning Robust Audio Representations From CLIP
[DL輪読会]Wav2CLIP: Learning Robust Audio Representations From CLIP
Deep Learning JP
2023/6/30 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
Deep Learning JP
2017年12月25日(月)に大阪大学にて開催された「海外大学院留学説明会」で使用した報告スライドです。 http://gakuiryugaku.net/seminar/600
経済学Ph.D.留学と就職活動
経済学Ph.D.留学と就職活動
Yosuke YASUDA
2020/10/23 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]VoxelPose: Towards Multi-Camera 3D Human Pose Estimation in Wild Envir...
[DL輪読会]VoxelPose: Towards Multi-Camera 3D Human Pose Estimation in Wild Envir...
Deep Learning JP
2023/5/12 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
Deep Learning JP
kaggle 肺炎コンペの自分と上位者の解法
Kaggle RSNA Pneumonia Detection Challenge 解法紹介
Kaggle RSNA Pneumonia Detection Challenge 解法紹介
理 秋山
Zhihe Lu, Sen He, Xiatian Zhu, Li Zhang, Yi-Zhe Song, Tao Xiang; Simpler Is Better: Few-Shot Semantic Segmentation With Classifier Weight Transformer, Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 2021, pp. 8741-8750 https://openaccess.thecvf.com/content/ICCV2021/html/Lu_Simpler_Is_Better_Few-Shot_Semantic_Segmentation_With_Classifier_Weight_Transformer_ICCV_2021_paper.html
文献紹介:Simpler Is Better: Few-Shot Semantic Segmentation With Classifier Weight...
文献紹介:Simpler Is Better: Few-Shot Semantic Segmentation With Classifier Weight...
Toru Tamaki
ベイズ最適化によるハイパーパラメータ探索についてざっくりと解説しました。 今回紹介する内容の元となった論文 Bergstra, James, et al. "Algorithms for hyper-parameter optimization." 25th annual conference on neural information processing systems (NIPS 2011). Vol. 24. Neural Information Processing Systems Foundation, 2011. https://hal.inria.fr/hal-00642998/
ベイズ最適化によるハイパラーパラメータ探索
ベイズ最適化によるハイパラーパラメータ探索
西岡 賢一郎
2023/5/19 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】Flow Matching for Generative Modeling
【DL輪読会】Flow Matching for Generative Modeling
Deep Learning JP
2023/3/10 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】Diffusion Policy: Visuomotor Policy Learning via Action Diffusion
【DL輪読会】Diffusion Policy: Visuomotor Policy Learning via Action Diffusion
Deep Learning JP
2020/08/021 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]DIVERSE TRAJECTORY FORECASTING WITH DETERMINANTAL POINT PROCESSES
[DL輪読会]DIVERSE TRAJECTORY FORECASTING WITH DETERMINANTAL POINT PROCESSES
Deep Learning JP
研究室でZoteroを活用してた文献管理を紹介した際に用いた資料
Zotero紹介
Zotero紹介
Takara Ishimoto
DSIRNLP#1「ランキング学習ことはじめ」発表資料
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
sleepy_yoshi
More Related Content
What's hot
2020/11/27 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Dense Captioning分野のまとめ
[DL輪読会]Dense Captioning分野のまとめ
Deep Learning JP
2023/6/2 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
Deep Learning JP
ResNetに代表されるSkip Connectionについて理論と有効性をまとめました。
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)
Yamato OKAMOTO
Facebook AIがNeurIPS2021に投稿した論文です。ニューラルネットワークアーキテクチャのトポロジーから、そのネットワークのパラメータ(重み)を予測するモデルGHN-2 (Graph Hypernetwork-2)を提案しています。
NeurIPS2021論文読み会 (parameter prediction for unseen deep architecture)
NeurIPS2021論文読み会 (parameter prediction for unseen deep architecture)
Kshinmei
2020/06/26 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]近年のオフライン強化学習のまとめ —Offline Reinforcement Learning: Tutorial, Review, an...
[DL輪読会]近年のオフライン強化学習のまとめ —Offline Reinforcement Learning: Tutorial, Review, an...
Deep Learning JP
社内向けに発表した研究会のスライドです。ハイライト版が以下のブログです。 「深層強化学習のself-playで遊んでみた」:https://recruit.gmo.jp/engineer/jisedai/blog/self-play/ 結果のアニメーションが以下のgithubにあります。 https://github.com/jkatsuta/17_4q_supplement 2017/10に発表されたBansal+17を参考に、深層強化学習のself-playを使って、2体のAgentを戦わせることで複雑な行動の学習を試みた結果について話しました。論文にはない初期位置などでも学習をさせて、どのように変化するかの考察などもしました。
深層強化学習の self-playで、複雑な行動を機械に学習させたい!
深層強化学習の self-playで、複雑な行動を機械に学習させたい!
Junichiro Katsuta
関連スライド一覧 https://github.com/nishio/reinforcement_learning
強化学習その3
強化学習その3
nishio
2021/11/05 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Wav2CLIP: Learning Robust Audio Representations From CLIP
[DL輪読会]Wav2CLIP: Learning Robust Audio Representations From CLIP
Deep Learning JP
2023/6/30 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
Deep Learning JP
2017年12月25日(月)に大阪大学にて開催された「海外大学院留学説明会」で使用した報告スライドです。 http://gakuiryugaku.net/seminar/600
経済学Ph.D.留学と就職活動
経済学Ph.D.留学と就職活動
Yosuke YASUDA
2020/10/23 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]VoxelPose: Towards Multi-Camera 3D Human Pose Estimation in Wild Envir...
[DL輪読会]VoxelPose: Towards Multi-Camera 3D Human Pose Estimation in Wild Envir...
Deep Learning JP
2023/5/12 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
Deep Learning JP
kaggle 肺炎コンペの自分と上位者の解法
Kaggle RSNA Pneumonia Detection Challenge 解法紹介
Kaggle RSNA Pneumonia Detection Challenge 解法紹介
理 秋山
Zhihe Lu, Sen He, Xiatian Zhu, Li Zhang, Yi-Zhe Song, Tao Xiang; Simpler Is Better: Few-Shot Semantic Segmentation With Classifier Weight Transformer, Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 2021, pp. 8741-8750 https://openaccess.thecvf.com/content/ICCV2021/html/Lu_Simpler_Is_Better_Few-Shot_Semantic_Segmentation_With_Classifier_Weight_Transformer_ICCV_2021_paper.html
文献紹介:Simpler Is Better: Few-Shot Semantic Segmentation With Classifier Weight...
文献紹介:Simpler Is Better: Few-Shot Semantic Segmentation With Classifier Weight...
Toru Tamaki
ベイズ最適化によるハイパーパラメータ探索についてざっくりと解説しました。 今回紹介する内容の元となった論文 Bergstra, James, et al. "Algorithms for hyper-parameter optimization." 25th annual conference on neural information processing systems (NIPS 2011). Vol. 24. Neural Information Processing Systems Foundation, 2011. https://hal.inria.fr/hal-00642998/
ベイズ最適化によるハイパラーパラメータ探索
ベイズ最適化によるハイパラーパラメータ探索
西岡 賢一郎
2023/5/19 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】Flow Matching for Generative Modeling
【DL輪読会】Flow Matching for Generative Modeling
Deep Learning JP
2023/3/10 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】Diffusion Policy: Visuomotor Policy Learning via Action Diffusion
【DL輪読会】Diffusion Policy: Visuomotor Policy Learning via Action Diffusion
Deep Learning JP
2020/08/021 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]DIVERSE TRAJECTORY FORECASTING WITH DETERMINANTAL POINT PROCESSES
[DL輪読会]DIVERSE TRAJECTORY FORECASTING WITH DETERMINANTAL POINT PROCESSES
Deep Learning JP
研究室でZoteroを活用してた文献管理を紹介した際に用いた資料
Zotero紹介
Zotero紹介
Takara Ishimoto
DSIRNLP#1「ランキング学習ことはじめ」発表資料
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
sleepy_yoshi
What's hot
(20)
[DL輪読会]Dense Captioning分野のまとめ
[DL輪読会]Dense Captioning分野のまとめ
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)
NeurIPS2021論文読み会 (parameter prediction for unseen deep architecture)
NeurIPS2021論文読み会 (parameter prediction for unseen deep architecture)
[DL輪読会]近年のオフライン強化学習のまとめ —Offline Reinforcement Learning: Tutorial, Review, an...
[DL輪読会]近年のオフライン強化学習のまとめ —Offline Reinforcement Learning: Tutorial, Review, an...
深層強化学習の self-playで、複雑な行動を機械に学習させたい!
深層強化学習の self-playで、複雑な行動を機械に学習させたい!
強化学習その3
強化学習その3
[DL輪読会]Wav2CLIP: Learning Robust Audio Representations From CLIP
[DL輪読会]Wav2CLIP: Learning Robust Audio Representations From CLIP
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
経済学Ph.D.留学と就職活動
経済学Ph.D.留学と就職活動
[DL輪読会]VoxelPose: Towards Multi-Camera 3D Human Pose Estimation in Wild Envir...
[DL輪読会]VoxelPose: Towards Multi-Camera 3D Human Pose Estimation in Wild Envir...
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
Kaggle RSNA Pneumonia Detection Challenge 解法紹介
Kaggle RSNA Pneumonia Detection Challenge 解法紹介
文献紹介:Simpler Is Better: Few-Shot Semantic Segmentation With Classifier Weight...
文献紹介:Simpler Is Better: Few-Shot Semantic Segmentation With Classifier Weight...
ベイズ最適化によるハイパラーパラメータ探索
ベイズ最適化によるハイパラーパラメータ探索
【DL輪読会】Flow Matching for Generative Modeling
【DL輪読会】Flow Matching for Generative Modeling
【DL輪読会】Diffusion Policy: Visuomotor Policy Learning via Action Diffusion
【DL輪読会】Diffusion Policy: Visuomotor Policy Learning via Action Diffusion
[DL輪読会]DIVERSE TRAJECTORY FORECASTING WITH DETERMINANTAL POINT PROCESSES
[DL輪読会]DIVERSE TRAJECTORY FORECASTING WITH DETERMINANTAL POINT PROCESSES
Zotero紹介
Zotero紹介
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
ジェスモナイトのメリットデメリット、基本使用方法
1.
安全で多彩な立体造形素材 2018.02.11 Jesmonite Japan Distribution シィアンドビィ
2.
従来のFRP用樹脂 不飽和ポリエステル樹脂 有機溶剤「スチレン」 • 発がん性のおそれ • 妊娠・出産・授乳機能に影響のおそれ 特定化学物質障害予防規則(厚生労働省)
3.
ジェスモナイト 反応性ミネラル×アクリルエマルジョン 水性樹脂 • 1984年英国で開発 • 有機溶剤フリー •
ベースとリキッドの2材からなる
4.
メリット 安全 • 指定化学物質を含まず人体・環境に優しい • 発火の危険がない •
臭い/かぶれ/眩暈等の短期的身体負担が少ない 快適 • 道具の水洗いが可能 • 専用換気設備が不要で、臭いもほぼ無いため 作業場所の制限が少ない
5.
メリット 質感/表現 • ポリにはない自然物寄りの質感表現が可能 • 発泡スチロール、ビニール等に直接塗布や 型材として使用可能 •
硬化収縮率が極めて低く精度の高い造形が可能 その他 • シリコン型を侵さないため、型が長持ちする
6.
デメリット • 従来FRP用樹脂比べて、強度が低い。 十分な強度を出す場合、厚くする必要がある • 弾性がほぼなく、歪みに対して破損の可能性がある •
価格が高め。※材料キロ価格は大きく変わらないが、 同じ強度を出す場合使用量が多くなる • 透明が不可能
7.
基本の使い方
8.
作業の流れ 計量 混合 (添加) 成形 仕上
9.
計量
10.
比重 1.75 例: ジェスモナイト 100㏄は175g
11.
基本混合比(重量) 1 : リキッド ベース 2.5 例:
リキッド100gとベース250g
12.
混合と硬化
13.
混合 しっかりと攪拌 専用ミキシングブレード+ 電動ドリルによる攪拌を推奨
14.
硬化 開始時間 10-20分 硬化熱 約40℃ 収縮率
0.15% 24-48時間ほどで最高硬度
15.
成形
16.
成形方法 注型 FRP 吹き付け 塗布 盛り 削り
17.
添加剤
18.
作業性 チョップ (強度UP) タルク (強度DOWN) チクソトロープ (増粘・垂れ止め) リターダー (硬化遅延剤)
19.
色・質感 ピグメント その他着色料 メタルフィラー
20.
その他 石粉 砂 ガラス 木片 鉄 炭 繊維 香料
21.
仕上げ コーティング • アクリルシーラー • ストーンガードシーラー 対候、耐UV、耐水、耐汚などの機能を付加
22.
仕上げ ・水性アクリル塗料での塗装 油性塗料も場合により可 (要テスト) ・金属を入れた場合は研磨、 酸化腐食など
23.
道具の後始末 使用した道具は硬化前に水洗い。 ※溜め水で洗い、水道には直接流さない。 (物理的に下水管が詰まる危険性)
24.
主材の種類
25.
種類 屋内、屋外 使用OK AC100 AC200 AC300 削りやすい 原型作成用 AC100の 廉価版