JP2021098175A - モデル生成装置、推定装置、モデル生成方法および推定方法 - Google Patents

Abstract

【課題】凝集剤による流入水中の浮遊物質を凝集させる凝集処理と、当該凝集処理で発生する汚泥の処理と、当該凝集処理の後段におけるろ過処理とにかかるコストを抑えた浄水処理を実現する。【解決手段】モデル生成装置（１）は、流入水の濁度に基づき複数のグループに分類されたデータセットの集合について、グループ毎に凝集剤の消費コストと汚泥の汚泥処理コストとろ過処理のろ過処理コストとの合計値が最小となる凝集剤の注入率を特定する中間回帰モデル生成部（１０３）と、グループ毎の前記濁度の代表値と、特定された注入率とを含むデータセットの集合から、代表値を説明変数とし、注入率を目的変数とする回帰モデルを生成する回帰モデル生成部（１０４）とを備える。【選択図】図２

Description

本発明は、浄水場に流入する流入水へ注入する凝集剤の注入率を推定するためのモデルを生成するモデル生成装置などに関する。

浄水場に流入する流入水の水質などの入力データを回帰モデルに入力し、流入水中の浮遊物質を凝集させる凝集剤の注入率（薬注率）を推定する技術が従来技術として知られている（下記特許文献１〜３参照）。

特開２００２−１１９９５６号公報 特開２００５−３２９３５９号公報 特開２００７−０６１８００号公報

しかしながら、上述のような従来技術では、流入水を浄化する浄水処理にかかるコスト、特に、凝集剤による流入水中の浮遊物質を凝集させる凝集処理と、当該凝集処理で発生する汚泥の処理と、当該凝集処理の後段のろ過処理とにかかるコストが考慮されていないという問題がある。そのため、推定された薬注率で凝集剤を注入した場合、これら処理にかかるコストが高くなるおそれがある。

本発明の一態様は、これらコストを抑えた浄水処理を実現可能なモデル生成装置などを実現することを目的とする。

上記の課題を解決するために、本発明の一態様に係るモデル生成装置は、浄水場に流入する流入水へ注入する凝集剤の注入率を推定するための回帰モデルを生成するモデル生成装置であって、凝集剤を注入する前の前記流入水の濁度と、前記流入水へ注入した凝集剤の注入率と、前記流入水へ注入した凝集剤の消費コストと、前記流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストと、前記汚泥を除去した後の前記流入水をろ過処理する際の逆洗処理にかかるろ過処理コストとを含むデータセットの集合を、前記濁度に基づいて複数のグループに分類する分類部と、前記グループ毎に、前記消費コスト、前記汚泥処理コストおよび前記ろ過処理コストの合計値が最小となる前記注入率を特定する特定部と、前記グループ毎の、前記濁度の代表値と、前記特定された注入率とを含むデータセットの集合から、前記代表値を説明変数とし、前記特定された注入率を目的変数とする回帰モデルを生成するモデル生成部と、を備える。

前記の構成によれば、モデル生成装置が生成する回帰モデルは、凝集剤の注入前の流入水の濁度と、当該濁度の流入水へ注入する凝集剤の消費コスト、流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび汚泥除去後の流入水のろ過処理の際の逆洗のろ過処理コストの合計値が最小となる凝集剤の注入率との対応関係を示す回帰モデルとなる。これにより、当該回帰モデルを用いて流入水への凝集剤の注入率を推定することにより、上記合計値が最小となる凝集剤の注入率を、流入水の濁度に応じて推定することができる。結果として、上記消費コスト、上記汚泥処理コストおよび上記ろ過処理コストを抑えた浄水処理を実現することができる。

また、本発明の一態様に係るモデル生成装置では、前記特定部は、前記グループ毎に、前記注入率と前記合計値とを変数とする回帰モデルである中間モデルを生成する中間モデル生成部を備え、前記グループ毎に、前記生成された中間モデルを用いて、前記合計値が最小となる前記注入率を推定してもよい。

前記の構成によれば、モデル生成装置が生成する回帰モデルが、凝集剤の注入率と上記消費コスト、上記汚泥処理コストおよび上記ろ過処理コストの合計値との対応関係を考慮して生成されたものとなる。これにより、コスト合計値が最小となる薬注率の推定精度を向上させることができる。

また、本発明の一態様に係るモデル生成装置では、前記モデル生成部は、前記流入水の沈澱池出口における濁度が所定範囲内となるデータセットのみを含む前記集合から前記回帰モデルを生成してもよい。

前記の構成によれば、沈澱池出口における水の濁度が所定の閾値以下であるデータセットのみから生成された回帰モデルを注入率の推定に用いることができる。これにより、沈澱池出口における流入水の濁度が所定の閾値以下となるであろう凝集剤の注入率を推定することができる。そして、当該注入率で凝集剤を注入することで、濁度の高い水が沈澱池、さらには、浄水場から流出する可能性が低減される。その結果、後段の急速ろ過池のろ過水の濁度の低下、逆洗頻度の低減によるろ過処理コストのさらなる低減、流出した水を飲用することによるクリプトスポリジウムなどへの感染リスクの低下などを実現することができる。

また、上記の課題を解決するために、本発明の一態様に係る推定装置は、浄水場に流入する流入水へ注入する凝集剤の注入率を推定する推定装置であって、凝集剤を注入する前の前記流入水の濁度、前記流入水へ注入した凝集剤の注入率、前記流入水へ注入した凝集剤の消費コスト、前記流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび前記汚泥を除去した後の前記流入水をろ過処理する際の逆洗処理にかかるろ過処理コストを含むデータセットを、前記濁度に基づいて分類した複数のグループの各々における前記濁度の代表値を説明変数とし、前記消費コストと前記汚泥処理コストと前記ろ過処理コストとの合計値が最小となる前記注入率を目的変数とする回帰モデルと、前記浄水場に現在流入している流入水である現流入水の濁度とに基づき、前記現流入水へ注入する凝集剤の注入率を推定する推定部を備える。

前記の構成によれば、凝集剤の注入前の流入水の濁度と、当該濁度の流入水へ注入する凝集剤の消費コスト、流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび汚泥除去後の流入水のろ過処理の際の逆洗のろ過処理コストの合計値が最小となる凝集剤の注入率との対応関係を示す回帰モデルと、現流入水の濁度とを用いて、現流入水への凝集剤の注入率を推定する。これにより、上記合計値が最小となる凝集剤の注入率を、流入水の濁度に応じて推定することができる。結果として、上記消費コスト、前記汚泥処理コストおよび上記ろ過処理コストを抑えた浄水処理を実現することができる。

また、上記の課題を解決するために、本発明の一態様に係るモデル生成装置は、浄水場に流入する流入水へ注入する凝集剤の注入率と、当該凝集剤の消費コスト、前記流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび前記汚泥を除去した後の前記流入水をろ過処理する際の逆洗処理にかかるろ過処理コストの合計値と、の対応関係を推定するための学習モデルを生成するモデル生成装置であって、凝集剤を注入する前の前記流入水の濁度を含む水質データと、前記注入率と、前記消費コストと、前記汚泥処理コストと、前記ろ過処理コストとを教師データとして機械学習を行うことにより、前記水質データを入力として、前記対応関係を出力する学習モデルを生成するモデル生成部を備える。

前記の構成によれば、モデル生成装置が生成する学習モデルは、流入水の水質データを入力することにより、当該流入水へ注入する凝集剤の注入率と、当該注入率で注入される凝集剤の消費コスト、流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび汚泥除去後の流入水のろ過処理の際の逆洗の処理コストの合計値との対応関係を出力する学習モデルとなる。これにより、当該学習モデルから出力される対応関係を用いれば、上記消費コスト、上記汚泥処理コストおよび上記ろ過処理コストの合計値が最小となる凝集剤の注入率を特定することができる。結果として、上記消費コスト、上記汚泥処理コストおよび上記ろ過処理コストを抑えた浄水処理を実現することができる。

また、上記の課題を解決するために、本発明の一態様に係る推定装置は、浄水場に流入する流入水へ注入する凝集剤の注入率と、当該凝集剤の消費コスト、前記流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび前記汚泥を除去した後の前記流入水をろ過処理する際の逆洗処理にかかるろ過処理コストの合計値と、の対応関係を推定する推定装置であって、凝集剤を注入する前の前記流入水の濁度を含む水質データと、当該流入水へ注入した凝集剤の注入率と、当該流入水へ注入した凝集剤の消費コストと、当該流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストと、前記汚泥を除去した後の当該流入水をろ過処理する際の逆洗処理にかかるろ過処理コストと、を教師データとして機械学習を行うことにより生成された学習モデルを用いて、凝集剤を注入する前の、前記浄水場に現在流入している流入水である現流入水の濁度を含む水質データを入力として、前記対応関係を推定する推定部を備える。

前記の構成によれば、流入水の水質データを入力することにより、当該流入水へ注入する凝集剤の注入率と、当該注入率で注入される凝集剤の消費コスト、凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび汚泥除去後の流入水のろ過処理の際の逆洗のろ過処理コストの合計値との対応関係を出力する学習モデルと、現流入水の水質データとを用いて、上記対応関係を推定する。これにより、推定された対応関係を用いれば、上記消費コスト、上記汚泥処理コストおよび上記ろ過処理コストの合計値が最小となる凝集剤の注入率を特定することができる。結果として、上記消費コスト、上記汚泥処理コストおよび上記ろ過処理コストを抑えた浄水処理を実現することができる。

また、上記の課題を解決するために、本発明の一態様に係るモデル生成方法は、浄水場に流入する流入水へ注入する凝集剤の注入率を推定するための回帰モデルを生成するモデル生成装置が実行するモデル生成方法であって、凝集剤を注入する前の前記流入水の濁度と、前記流入水へ注入した凝集剤の注入率と、前記流入水へ注入した凝集剤の消費コストと、前記流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストと、前記汚泥を除去した後の前記流入水をろ過処理する際の逆洗処理にかかるろ過処理コストとを含むデータセットの集合を、前記濁度に基づいて複数のグループに分類する分類ステップと、前記グループ毎に、前記消費コスト、前記汚泥処理コストおよび前記ろ過処理コストの合計値が最小となる前記注入率を特定する特定ステップと、前記グループ毎の、前記濁度の代表値と、前記特定された注入率とを含むデータセットの集合から、前記代表値を説明変数とし、前記特定された注入率を目的変数とする回帰モデルを生成するモデル生成ステップと、を含む。

前記の構成によれば、モデル生成方法により生成される回帰モデルは、凝集剤の注入前の流入水の濁度と、当該濁度の流入水へ注入する凝集剤の消費コスト、流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび汚泥除去後の流入水のろ過処理の際の逆洗のろ過処理コストの合計値が最小となる凝集剤の注入率との対応関係を示す回帰モデルとなる。これにより、当該回帰モデルを用いて流入水への凝集剤の注入率を推定することにより、上記合計値が最小となる凝集剤の注入率を、流入水の濁度に応じて推定することができる。結果として、上記消費コスト、上記汚泥処理コストおよび上記ろ過処理コストを抑えた浄水処理を実現することができる。

また、上記の課題を解決するために、本発明の一態様に係る推定方法は、浄水場に流入する流入水へ注入する凝集剤の注入率を推定する推定装置が実行する推定方法であって、凝集剤を注入する前の前記流入水の濁度、前記流入水へ注入した凝集剤の注入率、前記流入水へ注入した凝集剤の消費コスト、前記流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび前記汚泥を除去した後の前記流入水をろ過処理する際の逆洗処理にかかるろ過処理コストを含むデータセットを、前記濁度に基づいて分類した複数のグループの各々における前記濁度の代表値を説明変数とし、前記消費コストと前記汚泥処理コストと前記ろ過処理コストとの合計値が最小となる前記注入率を目的変数とする回帰モデルと、前記浄水場に現在流入している流入水である現流入水の濁度とに基づき、前記現流入水へ注入する凝集剤の注入率を推定する推定ステップを含む。

前記の構成によれば、凝集剤の注入前の流入水の濁度と、当該濁度の流入水へ注入する凝集剤の消費コスト、流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび汚泥除去後の流入水のろ過処理の際の逆洗のろ過処理コストの合計値が最小となる凝集剤の注入率との対応関係を示す回帰モデルと、現流入水の濁度とを用いて、現流入水への凝集剤の注入率を推定する。これにより、上記合計値が最小となる凝集剤の注入率を、流入水の濁度に応じて推定することができる。結果として、上記消費コスト、上記汚泥処理コストおよび上記ろ過処理コストを抑えた浄水処理を実現することができる。

また、上記の課題を解決するために、本発明の一態様に係るモデル生成方法は、浄水場に流入する流入水へ注入する凝集剤の注入率と、当該凝集剤の消費コスト、前記流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび前記汚泥を除去した後の前記流入水をろ過処理する際の逆洗処理にかかるろ過処理コストの合計値と、の対応関係を推定するための学習モデルを生成するモデル生成装置が実行するモデル生成方法であって、凝集剤を注入する前の前記流入水の濁度を含む水質データと、前記注入率と、前記消費コストと、前記汚泥処理コストと、前記ろ過処理コストとを教師データとして機械学習を行うことにより、前記水質データを入力として、前記対応関係を出力する学習モデルを生成するモデル生成ステップを含む。

前記の構成によれば、モデル生成方法にて生成される学習モデルは、流入水の水質データを入力することにより、当該流入水へ注入する凝集剤の注入率と、当該注入率で注入される凝集剤の消費コスト、流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび汚泥除去後の流入水のろ過処理の際の逆洗の処理コストの合計値との対応関係を出力する学習モデルとなる。これにより、当該学習モデルから出力される対応関係を用いれば、上記消費コスト、上記汚泥処理コストおよび上記ろ過処理コストの合計値が最小となる凝集剤の注入率を特定することができる。結果として、上記消費コスト、上記汚泥処理コストおよび上記ろ過処理コストを抑えた浄水処理を実現することができる。

また、上記の課題を解決するために、本発明の一態様に係る推定方法は、浄水場に流入する流入水へ注入する凝集剤の注入率と、当該凝集剤の消費コスト、前記流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび前記汚泥を除去した後の前記流入水をろ過処理する際の逆洗処理にかかるろ過処理コストの合計値と、の対応関係を推定する推定装置が実行する推定方法であって、凝集剤を注入する前の前記流入水の濁度を含む水質データと、当該流入水へ注入した凝集剤の注入率と、当該流入水へ注入した凝集剤の消費コストと、当該流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストと、前記汚泥を除去した後の当該流入水をろ過処理する際の逆洗処理にかかるろ過処理コストと、を教師データとして機械学習を行うことにより生成された学習モデルを用いて、凝集剤を注入する前の、前記浄水場に現在流入している流入水である現流入水の濁度を含む水質データを入力として、前記対応関係を推定する推定ステップを含む。

前記の構成によれば、流入水の水質データを入力することにより、当該流入水へ注入する凝集剤の注入率と、当該注入率で注入される凝集剤の消費コスト、凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび汚泥除去後の流入水のろ過処理の際の逆洗のろ過処理コストの合計値との対応関係を出力する学習モデルと、現流入水の水質データとを用いて、上記対応関係を推定する。これにより、推定された対応関係を用いれば、上記消費コスト、上記汚泥処理コストおよび上記ろ過処理コストの合計値が最小となる凝集剤の注入率を特定することができる。結果として、上記消費コスト、上記汚泥処理コストおよび上記ろ過処理コストを抑えた浄水処理を実現することができる。

本発明の各態様に係るモデル生成装置および推定装置は、コンピュータによって実現してもよく、この場合には、コンピュータを前記モデル生成装置および前記推定装置が備える各部（ソフトウェア要素）として動作させることにより前記モデル生成装置および前記推定装置をコンピュータにて実現させる前記モデル生成装置の制御プログラムおよび前記推定装置の制御プログラム、およびそれらを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。

本発明の一態様によれば、凝集剤による流入水中の浮遊物質を凝集させる凝集処理と、当該凝集処理で発生する汚泥の処理と、当該凝集処理の後段におけるろ過処理とにかかるコストを抑えた浄水処理を実現することができる。

本発明の実施形態１に係る薬注率推定システムの概要の一例を示す図である。 図１に示す薬注率推定システムの要部構成の一例を示すブロック図である。 図２に示すモデル生成装置が生成する回帰モデルの一例を示す図である。 図２に示すモデル生成装置が実行する回帰モデル生成処理の流れの一例を示すフローチャートである。 図４に示す回帰モデル生成処理に使用するデータセットに含まれる、注入前濁度と沈澱池出口濁度との関係の一例を示す図である。 図２に示す推定装置が実行する推定処理の流れの一例を示すフローチャートである。 本発明の実施形態２に係る薬注率推定システムの概要の一例を示す図である。 図７に示す薬注率推定システムの要部構成の一例を示すブロック図である。 図８に示すモデル生成装置が実行する学習モデル生成処理の流れの一例を示すフローチャートである。 図８に示す推定装置が実行する推定処理の流れの一例を示すフローチャートである。 本発明の変形例において、浄水場が取水する河川の一例を示す概略図である。 本発明の変形例において使用されるデータセットに含まれる総降水量の算出例を示す図である。

〔実施形態１〕

＜薬注率推定システムの概要＞
図１は、本実施形態に係る薬注率推定システム１００の概要の一例を示す図である。薬注率推定システム１００は、浄水場へ流入する水（流入水、以下、「原水」と称する）へ注入する凝集剤の注入率である薬注率を、凝集剤を注入する前の原水の濁度（以下、「注入前濁度」と称する）に応じて推定する。当該薬注率は、具体的には、凝集剤の消費コスト、凝集剤の注入によって生成される汚泥の処理にかかるコストおよび逆洗を含むろ過処理にかかるコストとの合計値（以下、「コスト合計値」と称する）が最小となる薬注率である。ここで、凝集剤とは、原水に含まれる浮遊物質を凝集させ沈澱させるための薬剤である。また、薬注率は、原水に注入する凝集剤の、原水に対する割合である。薬注率は、従来、ジャーテストの結果、過去の知見、所定の計算式などを用いて決定されている。なお、本開示に係る凝集剤の注入は、凝集沈澱急速ろ過方式における凝集剤の注入であってもよいし、膜ろ過方式の前処理としての凝集剤の注入であってもよい。

凝集剤の消費コストとは、原水へ注入することにより消費される凝集剤のコストであり、一例として、原水へ注入した凝集剤の量と、当該凝集剤の単位量あたりの購入価格（単価）との積で決まる。汚泥の処理にかかるコストとは、凝集剤を注入することで発生する汚泥の濃縮や脱水にかかるコストと、汚泥を浄水場の外に搬出して処分する際にかかるコストとの合計値であり、凝集剤の注入量から算出することができる。ろ過処理にかかるコストとは、凝集剤を注入した後の原水をろ過処理する際の逆洗処理にかかるコストであり、一例として、逆洗処理にかかる電気代である。なお、以降、汚泥の処理に係るコストを「汚泥処理コスト」と称し、ろ過処理にかかるコストを「ろ過処理コスト」と称する。

（回帰モデルの生成）
薬注率推定システム１００は、注入前濁度に応じた、コスト合計値が最小となる薬注率の推定を実現するために、注入前濁度を説明変数とし、コスト合計値が最小となる薬注率を目的変数とした回帰モデルを生成する。薬注率推定システム１００は、注入前濁度、薬注率、消費コスト、汚泥処理コストおよびろ過処理コストを含むデータセットＤ１の集合、すなわち、複数のデータセットＤ１の入力を受け付ける（図１のａ１）。データセットＤ１は、過去に浄水場に流入した原水の注入前濁度、当該原水に対して実際に注入された凝集剤の薬注率、当該薬注率で注入された凝集剤の消費コスト、当該凝集剤の注入により発生した汚泥の汚泥処理コストおよび汚泥除去後の当該原水のろ過処理の際の逆洗にかかるろ過処理コストを含む。

続いて、薬注率推定システム１００は、当該集合を注入前濁度に基づき複数のグループに分類し、グループ毎に、薬注率とコスト合計値とを変数とする回帰モデルである中間回帰モデルを生成する（図１のｂ１）。

さらに、薬注率推定システム１００は、各中間回帰モデルの注入前濁度を説明変数とし、各中間回帰モデルにおける、コスト合計値が最小となる薬注率を目的変数とする回帰モデルを生成する（図１のｂ２）。

（薬注率の推定）
回帰モデルを生成した薬注率推定システム１００は、浄水場に現在流入している原水（現流入水、以下、「現原水」と称する場合がある）の注入前濁度Ｄ２の入力を受け付ける（図１のａ２）。そして、薬注率推定システム１００は、入力された注入前濁度Ｄ２と回帰モデルとを用いて、薬注率Ｄ３を推定する（図１のａ３）。

＜薬注率推定システム１００の要部構成＞
図２は、薬注率推定システム１００の要部構成の一例を示すブロック図である。薬注率推定システム１００は、モデル生成装置１、推定装置２、入力装置３、出力装置４および記憶装置５を含んでいる。

入力装置３は、ユーザの入力を受け付け、当該入力に基づく入力信号をモデル生成装置１または推定装置２へ出力する。

出力装置４は、推定装置２が生成した情報を出力する。出力装置４による出力方法は特に限定されない。出力装置４は、例えば、当該情報を画像として表示する表示装置であってもよいし、当該情報を音声として出力する音声出力装置であってもよい。また、出力装置４は、当該情報を電気信号として、凝集剤注入装置（不図示）へ出力する制御信号出力装置であってもよい。

記憶装置５は、薬注率推定システム１００にて使用されるプログラムおよびデータを保持する。記憶装置５が保持（記憶）するデータについては後述する。

（モデル生成装置１の要部構成）
モデル生成装置１は、原水に対して注入する凝集剤の薬注率を推定するための回帰モデルを生成する。モデル生成装置１は、制御部１０を備えている。制御部１０は、モデル生成装置１の各部を統括して制御する。制御部１０は、一例として、プロセッサおよびメモリにより実現される。この例において、プロセッサは、ストレージ（不図示）にアクセスし、ストレージに格納されているプログラム（不図示）をメモリにロードし、当該プログラムに含まれる一連の命令を実行する。これにより、制御部１０に含まれている各部が構成される。

当該各部として、制御部１０は、データセット取得部１０１、分類部１０２、中間回帰モデル生成部１０３（特定部、中間モデル生成部）および回帰モデル生成部１０４（モデル生成部）を含む。

データセット取得部１０１は、注入前濁度、薬注率、消費コスト、汚泥処理コストおよびろ過処理コストを含むデータセット（図１のデータセットＤ１）の集合を取得する。データセット取得部１０１は、一例として、入力装置３から上記集合を受け付ける。別の例として、上記集合は、モデル生成装置１のストレージ、または、記憶装置５に記憶されていてもよい。この例の場合、データセット取得部１０１は、入力装置３から受け付けた、上記集合の読み出し指示に従い、上記集合を上記ストレージまたは記憶装置５から読み出す。データセット取得部１０１は、取得した上記集合を分類部１０２へ出力する。

分類部１０２は、データセットの集合を、注入前濁度に基づいて複数のグループに分類する。換言すれば、分類部１０２は、データセットの集合について、注入前濁度に基づく複数のグループを生成する。一例として、分類部１０２は、注入前濁度が一致する複数のデータセットを１つのグループとして、複数のグループを生成する。別の例として、分類部１０２は、それぞれが重ならない複数の数値範囲を予め設定しておき、注入前濁度が同一の数値範囲内である複数のデータセットを１つのグループとして、複数のグループを生成する。分類部１０２は、各グループを識別するグループ識別情報と、各グループに含まれるデータセットの集合とをそれぞれ対応付け、中間回帰モデル生成部１０３へ出力する。

中間回帰モデル生成部１０３は、上記複数のグループ毎に、前記注入率と前記コスト合計値とを変数とする回帰モデルである中間回帰モデルを生成する。中間回帰モデル生成部１０３は、一例として、非線形の回帰モデルを生成する。回帰モデル生成部１０４は、例えば、ランダムフォレスト（ＲＦ：Random Forest）、勾配ブースティング（ＧＢＲ：Gradient Boosted tree Regression）またはニューラルネットワーク（ＮＮ：Neural Network）を用いて非線形の回帰モデルを生成する。

（中間回帰モデルの詳細）
図３は、回帰モデルの一例を示す図である。図３では、一例として、注入前濁度がＰ１、Ｐ２、Ｐ３である３つのグループの各々に対応する中間回帰モデルＳ１、Ｓ２、Ｓ３を示している。注入前濁度Ｐ１、Ｐ２、Ｐ３は、上述したとおり１つの値であってもよいし、数値範囲であってもよい。

図３に示すＣ１は、消費コストおよび汚泥処理コストの合計値と薬注率との関係を示す曲線であり、Ｃ２は、ろ過処理コストと薬注率との関係を示す曲線である。曲線Ｃ１について、薬注率が増加すると、原水へ注入する凝集剤の量および発生する汚泥の量が増えることとなるので、図３に示すとおり消費コストおよび汚泥処理コストの合計値は増加する。

曲線Ｃ２について、図３に示すとおり、薬注率が増加するとろ過処理コストは減少し、薬注率が減少するとろ過処理コストは増加する。この関係について、詳細に説明する。

原水に対する凝集剤の注入量（すなわち薬注率）が増加すると、原水中の浮遊物質の凝集量が増加することにより、発生する汚泥の量および沈澱池で沈降する汚泥の量が増加し、沈澱池を経た（すなわち、汚泥除去後の）原水に残存する浮遊物質の量が低下する。逆に言えば、原水に対する凝集剤の注入量が低下すると、原水中の浮遊物質の凝集量が低下することにより、発生する汚泥の量および沈澱池で沈降する汚泥の量が低下し、沈澱池を経た原水に残存する浮遊物質の量が増加する。そして、沈澱池を経た原水に残存する浮遊物質の量が増加すると、逆洗を実施する頻度や時間も増加し、結果として、逆洗にかかる処理コスト（電気代）が多くなる。逆に、沈澱池を経た原水に残存する浮遊物質の量が低下すると、逆洗を実施する頻度や時間も低下し、結果として、逆洗にかかる処理コスト（電気代）が少なくなる。そして、発生する汚泥の量が増加すると、汚泥を脱水するために稼働する脱水機の処理コスト（電気代）が多くなり、脱水機から排出される脱水汚泥の量も増加するため、脱水汚泥を場外に搬出して埋立等により処分する処理コスト（処分代）も多くなる。逆に、発生する汚泥の量が低下すると、脱水機の稼働時間および脱水汚泥の量が低下し、結果として、汚泥の処理にかかる処理コスト（電気代＋処分代）が少なくなる。

消費コストおよび汚泥処理コストの合計値と薬注率との関係、並びに、ろ過処理コストと薬注率との関係は以上のとおりであるため、コスト合計値と薬注率との関係、すなわち、中間回帰モデルＳ１、Ｓ２、Ｓ３は、図３に示す例のように、コスト合計値の最小値を頂点とする関数として表現できる。

再び図２を参照して、中間回帰モデル生成部１０３の説明に戻る。中間回帰モデル生成部１０３は、生成した中間回帰モデルの各々について、コスト合計値が最小となる薬注率を特定する。図３に示す例であれば、中間回帰モデルＳ１、Ｓ２、Ｓ３の各々について、コスト合計値が最小となるときの薬注率Ｍ１、Ｍ２、Ｍ３を特定する。

中間回帰モデル生成部１０３は、特定した薬注率と、各グループにおける注入前濁度の代表値、換言すれば、中間回帰モデルの各々における注入前濁度の代表値とを対応付けたデータセットの集合を、回帰モデル生成部１０４へ出力する。各グループにおける注入前濁度が１つの値である場合、上記代表値は当該１つの値である。また、各グループにおける注入前濁度が数値範囲である場合、上記代表値は、例えば数値範囲の中央値であってもよいし、最小値や最大値であってもよい。

回帰モデル生成部１０４は、代表値と薬注率とを含む、取得したデータセットの集合から、代表値を説明変数とし、薬注率を目的変数とする回帰モデル５１を生成する。回帰モデル生成部１０４は、一例として、線形の回帰モデル５１を生成する。回帰モデル５１は、図３に示す中間回帰モデルの各頂点との距離が最小となる回帰直線Ｌ１に相当する。回帰モデル生成部１０４は、例えば、一般化線形回帰（ＧＬＲ：Generalized Liner Regression）または部分的最小二乗回帰（ＰＬＳ：Partial Least Squares Regression）を用いて、線形の回帰モデルを生成する。回帰モデル生成部１０４は、生成した回帰モデル５１を、記憶装置５へ格納する。

（推定装置２の要部構成）
推定装置２は、モデル生成装置１が生成した回帰モデルを用いて、現原水に対して注入する凝集剤の薬注率を推定する。推定装置２は、制御部２０を備えている。制御部２０は、推定装置２の各部を統括して制御する。制御部２０は、一例として、プロセッサおよびメモリにより実現される。この例において、プロセッサは、ストレージ（不図示）にアクセスし、ストレージに格納されているプログラム（不図示）をメモリにロードし、当該プログラムに含まれる一連の命令を実行する。これにより、制御部２０に含まれている各部が構成される。

当該各部として、制御部２０は、注入前濁度取得部２０１および薬注率推定部２０２（推定部）を含む。

注入前濁度取得部２０１は、現原水の注入前濁度（図１の注入前濁度Ｄ２）を取得する。注入前濁度取得部２０１は、一例として、入力装置３から現原水の注入前濁度を受け付ける。注入前濁度取得部２０１は、取得した注入前濁度を薬注率推定部２０２へ出力する。

薬注率推定部２０２は、注入前濁度取得部２０１から取得した注入前濁度と、回帰モデル５１とに基づき、現原水に対する凝集剤の薬注率を推定する。薬注率推定部２０２は、注入前濁度を取得すると、記憶装置５から回帰モデル５１を読み出す。そして、薬注率推定部２０２は、読み出した回帰モデル５１に注入前濁度を入力することにより、回帰モデル５１から出力された薬注率を取得する。当該薬注率は、入力した注入前濁度の現原水中の浮遊物質を取り除く浄水処理における、消費コスト、汚泥処理コストおよびろ過処理コストの合計値が最小となる薬注率である。薬注率推定部２０２は、取得した薬注率を、薬注率の推定結果として出力装置４に出力させる。出力装置４が上述した制御信号出力装置である場合、当該薬注率に基づき、凝集剤注入装置が現原水へ凝集剤を注入することができる。

＜回帰モデル生成処理の流れ＞
図４は、モデル生成装置１が実行する回帰モデル生成処理の流れの一例を示すフローチャートである。

データセット取得部１０１は、原水の注入前濁度、当該原水に対して実際に注入された凝集剤の薬注率、当該薬注率で注入した凝集剤の消費コスト、当該凝集剤の注入により発生した汚泥の汚泥処理コストおよび汚泥除去後の当該原水のろ過処理の際の逆洗にかかるろ過処理コストを含むデータセットの集合を取得する（ステップＳ１、以下「ステップ」の記載を省略）。データセット取得部１０１は、取得した上記集合を分類部１０２へ出力する。

図５は、上記データセットに含まれる、注入前濁度と、当該注入前濁度の原水に凝集剤を注入した後、浄水場の沈澱池出口における原水の濁度（沈澱池出口濁度）との関係の一例を示す図である。沈澱池出口濁度とは、すなわち、沈澱池で汚泥を除去した後の原水の濁度である。

データセット取得部１０１は、一例として、沈澱池出口濁度が所定値以下（所定範囲内）となるデータセットのみを回帰モデル生成処理に使用するデータセットとする。例えば、データセット取得部１０１は、沈澱池出口濁度が、図５に示す閾値Ｔ１以下となるデータセットのみを所定値以下となるデータセットのみを回帰モデルの生成に用いる。閾値Ｔ１の具体的な値は、図５に示す「１（度）」であってもよいが、この例に限定されない。

データセット取得部１０１は、一例として、ストレージに記憶されている閾値Ｔ１に基づき、入力装置３から入力された集合から、沈澱池出口濁度が閾値Ｔ１を超えるデータセットを破棄してもよい。また、データセット取得部１０１は、一例として、ストレージに記憶されている閾値Ｔ１に基づき、沈澱池出口濁度が閾値Ｔ１以下であるデータセットのみを、ストレージ（または記憶装置５）から読み出してもよい。これらの例の場合、データセットは、沈澱池出口濁度を含む。

また、一例として、モデル生成装置１のユーザは、沈澱池出口濁度が閾値Ｔ１以下であるデータセットのみを、モデル生成装置１に入力してもよい。

再び図４を参照して、回帰モデル生成処理の流れの説明に戻る。分類部１０２は、取得した上記集合に含まれるデータセットを、注入前濁度に基づき複数のグループに分類する（Ｓ２、分類ステップ）。分類部１０２は、各グループを識別するグループ識別情報と、各グループに含まれるデータセットの集合とをそれぞれ対応付け、中間回帰モデル生成部１０３へ出力する。

中間回帰モデル生成部１０３は、グループ毎に、薬注率とコスト合計値とを変数とする中間回帰モデルを生成する（Ｓ３）。そして、中間回帰モデル生成部１０３は、生成した各中間回帰モデルにおける、コスト合計値が最小となる薬注率を特定する（Ｓ４、特定ステップ）。中間回帰モデル生成部１０３は、特定した薬注率と、各グループにおける注入前濁度の代表値とを対応付けたデータセットの集合を、回帰モデル生成部１０４へ出力する。

回帰モデル生成部１０４は、中間回帰モデル生成部１０３から取得した上記集合から、代表値を説明変数とし、中間回帰モデル生成部１０３により特定された薬注率を目的変数とする回帰モデル５１を生成する（Ｓ５、モデル生成ステップ）。回帰モデル生成部１０４は、回帰モデル５１を記憶装置５に格納する。

（回帰モデル５１の更新）
制御部１０は、定期的に回帰モデル５１の更新（自動更新）を行うことが好ましい。この例において、データセットはモデル生成装置１のストレージまたは記憶装置５に記憶されており、データセット取得部１０１は、当該ストレージまたは記憶装置５からデータセットの集合を取得する。

上記データセットは、回帰モデル５１の生成後も、原水の浄水処理が行われる度にストレージまたは記憶装置５に格納される。

データセット取得部１０１は、一例として、データセットの集合の取得および分類部１０２への出力を実行したとき、タイマ（不図示）を起動し、上記取得および出力の実行からの経過時間を計測する。そして、当該経過時間が所定値に到達したとき、データセット取得部１０１は、再度データセットの集合を取得し、分類部１０２へ出力する。以降の処理は、上述した回帰モデル生成処理のＳ２〜Ｓ５の処理と同じであるため、ここでは説明を繰り返さない。

＜薬注率推定処理の流れ＞
図６は、推定装置２が実行する薬注率推定処理の流れの一例を示すフローチャートである。

注入前濁度取得部２０１は、入力装置３から、現原水の注入前濁度を取得する（Ｓ１１）。注入前濁度取得部２０１は、取得した注入前濁度を薬注率推定部２０２へ出力する。

薬注率推定部２０２は、注入前濁度を取得すると、記憶装置５から回帰モデル５１を読み出す。そして、薬注率推定部２０２は、注入前濁度と回帰モデル５１とを用いて、薬注率を推定する（Ｓ１２、推定ステップ）。具体的には、薬注率推定部２０２は、読み出した回帰モデル５１に、取得した注入前濁度を入力することにより、回帰モデル５１から出力された薬注率を取得する。薬注率推定部２０２は、取得した薬注率を、薬注率の推定結果として出力装置４に出力させる（Ｓ１３）。

＜効果＞
以上のように、本実施形態に係るモデル生成装置１は、原水の注入前濁度と、当該原水に対して実際に注入された凝集剤の薬注率と、当該薬注率で注入された凝集剤の消費コストと、当該凝集剤を注入したことにより発生した汚泥の汚泥処理コストと、汚泥除去後の当該原水をろ過処理する際の逆洗処理にかかるろ過処理コストとを含むデータセットの集合を、注入前濁度に基づいて複数のグループに分類する。そして、モデル生成装置１は、当該グループ毎にコスト合計値が最小となる薬注率を特定する。そして、モデル生成装置１は、当該グループ毎の、注入前濁度の代表値と、特定された薬注率とを含むデータセットの集合から、当該代表値を説明変数とし、特定された薬注率を目的変数とする回帰モデル５１を生成する。

また、本実施形態に係る推定装置２は、回帰モデル５１と、現原水の注入前濁度とに基づき、当該現原水に対する凝集剤の薬注率を推定する。

この構成によれば、モデル生成装置１が生成する回帰モデル５１は、注入前濁度と、当該注入前濁度の原水の浄水処理におけるコスト合計値が最小となる薬注率との対応関係を示す回帰モデルとなる。これにより、推定装置２は、回帰モデル５１を用いて薬注率を推定することにより、現原水の浄水処理におけるコスト合計値が最小となる薬注率を、注入前濁度に応じて推定することができる。結果として、消費コスト、汚泥処理コストおよびろ過処理コストを抑えた浄水処理を実現することができる。

また、モデル生成装置１は、グループ毎に、薬注率とコスト合計値とを変数とする回帰モデルである中間モデルを生成し、当該中間モデルを用いて、コスト合計値が最小となる薬注率を推定することが好ましい。これにより、薬注率とコスト合計値との対応関係を考慮して、コスト合計値が最小となる薬注率を推定することができるので、コスト合計値が最小となる薬注率の推定精度を向上させることができる。

また、モデル生成装置１は、沈澱池出口濁度が閾値Ｔ１以下となるデータセットのみを用いて回帰モデル５１を生成することが好ましい。これにより、回帰モデル５１は、沈澱池出口濁度が閾値Ｔ１以下となる薬注率を推定することができるものとなる。回帰モデル５１を用いて薬注率を推定することにより、沈澱池出口における原水の濁度が閾値Ｔ１以下になるであろう薬注率を推定することができる。そして、当該薬注率で凝集剤を注入することで、濁度の高い水が沈澱池、さらには、浄水場から流出する可能性が低減される。その結果、後段の急速ろ過池のろ過水の濁度の低下、逆洗頻度の低減によるろ過処理コストのさらなる低減、流出した水を飲用することによるクリプトスポリジウムなどへの感染リスクの低下などを実現することができる。

〔実施形態２〕
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。

＜薬注率推定システムの概要＞
図７は、本実施形態に係る薬注率推定システム２００の概要の一例を示す図である。薬注率推定システム２００は、原水に対する凝集剤の薬注率、具体的には、コスト合計値が最小となる薬注率を、凝集剤を注入する前の原水の水質に応じて推定する。

（学習モデルの生成）
薬注率推定システム２００は、原水の水質に応じた、コスト合計値が最小となる薬注率の推定を実現するために、原水の水質データを入力とし、薬注率とコスト合計値との対応関係を出力する学習モデルを生成する。薬注率推定システム２００は、原水の水質データ、薬注率、消費コスト、汚泥処理コストおよびろ過処理コストを含む複数のデータセットＤ１１の入力を受け付ける（図７のａ１１）。データセットＤ１１は、過去に浄水場に流入した原水の水質データと、当該原水に対して実際に注入された凝集剤の薬注率、当該薬注率で注入された凝集剤の消費コスト、当該凝集剤の注入により生成された汚泥の汚泥処理コストおよび汚泥除去後の当該原水のろ過処理の際の逆洗にかかるろ過処理コストを含む。なお、水質データとは、注入前濁度を含むデータである。ただし、水質データに含まれるデータは、注入前濁度に限定されない。水質データは、例えば図１に示すように、ｐＨ、水温などを含んでもよい。

続いて、薬注率推定システム２００は、複数のデータセットＤ１１を教師データとして機械学習を行うことにより、上記学習モデルを生成する（図７のｂ１１）。なお、薬注率とコスト合計値との対応関係とは、例えば、薬注率を従属変数、コスト合計値を独立変数（あるいは、薬注率を独立変数、コスト合計値を従属変数）とする関数として表現できる。

（薬注率の推定）
学習モデルを生成した薬注率推定システム２００は、現原水の水質データＤ１２の入力を受け付ける（図７のａ１２）。そして、薬注率推定システム２００は、入力された水質データＤ１２と学習モデルとを用いて、薬注率とコスト合計値との対応関係を推定する（図７のｂ１２）。

最後に、薬注率推定システム２００は、推定された対応関係から、コスト合計値が最小となる薬注率Ｄ１３を特定する（図７のａ３）。

＜薬注率推定システム２００の要部構成＞
図８は、薬注率推定システム２００の要部構成の一例を示すブロック図である。以下、薬注率推定システム２００の各部材のうち、薬注率推定システム１００に同名の部材がある部材については、当該同名の部材との相違点のみを説明する。

薬注率推定システム２００は、モデル生成装置１１、推定装置１２および記憶装置１５を含む点が、薬注率推定システム１００と異なる。

（モデル生成装置１１の要部構成）
モデル生成装置１１の制御部１１０は、データセット取得部１１１および学習モデル生成部１１２（モデル生成部）を含んでいる。

データセット取得部１１１は、水質データ、薬注率、消費コスト、汚泥処理コストおよびろ過処理コストを含むデータセット（図７のデータセットＤ１１）の集合を取得し、学習モデル生成部１１２へ出力する。

学習モデル生成部１１２は、データセット取得部１１１から取得した上記集合に基づき機械学習を行い、学習モデル５１０を生成する。学習モデル生成部１１２は、生成した学習モデル５１０を記憶装置１５へ格納する。学習モデル５１０に、現原水の水質データを入力すると、薬注率とコスト合計値との対応関係が出力される。なお、学習モデル生成部１１２は、一例として、ニューラルネットワーク（ＮＮ：Neural Network）などの既知の機械学習方法を用いて、学習モデル５１０を生成する。

（推定装置１２の要部構成）
推定装置１２の制御部２１０は、対応関係推定部２１１（推定部）および薬注率特定部２１２を含んでいる。

対応関係推定部２１１は、入力された現原水の水質データ（図７の水質データＤ１２）と、学習モデル５１０とに基づき、現原水に対する凝集剤の薬注率と、現原水の浄水処理におけるコスト合計値との対応関係を推定する。対応関係推定部２１１は、一例として、入力装置３から現原水の水質データの入力を受け付ける。対応関係推定部２１１は、水質データの入力を受け付けると、記憶装置１５から学習モデル５１０を読み出す。そして、対応関係推定部２１１は、読み出した学習モデル５１０に、取得した水質データを入力することにより、学習モデル５１０から出力された薬注率とコスト合計値との対応関係を取得する。対応関係推定部２１１は、取得した対応関係を薬注率特定部２１２へ出力する。

薬注率特定部２１２は、薬注率とコスト合計値との対応関係に基づき、コスト合計値が最小となる薬注率を特定する。当該対応関係は、一例として、図３に示す中間回帰モデルＳ１、Ｓ２、Ｓ３と同形状の曲線で表される。このため、コスト合計値が最小となる薬注率が一意的に定まる。薬注率特定部２１２は、対応関係推定部２１１から取得した対応関係における、コスト合計値が最小となる薬注率を特定すると、当該薬注率を、薬注率の推定結果として出力装置４に出力させる。

＜学習モデル生成処理の流れ＞
図９は、モデル生成装置１１が実行する学習モデル生成処理の流れの一例を示すフローチャートである。

データセット取得部１１１は、水質データ、薬注率、消費コスト、汚泥処理コストおよびろ過処理コストを含むデータセットの集合を取得し（Ｓ２１）、学習モデル生成部１１２へ出力する。データセット取得部１１１は、一例として、実施形態１で説明したデータセット取得部１０１と同様に、沈澱池出口濁度が所定値以下となるデータセットのみを学習モデル生成処理に使用するデータセットとする。

学習モデル生成部１１２は、データセット取得部１１１から取得した上記集合に基づき機械学習を行い、現原水の水質データを入力とし、薬注率とコスト合計値との対応関係を出力する学習モデル５１０を生成する（Ｓ２２、モデル生成ステップ）。学習モデル生成部１１２は、生成した学習モデル５１０を記憶装置１５へ格納する。

（学習モデル５１０の更新）
制御部１１０は、定期的に学習モデル５１０の更新（自動更新）を行うことが好ましい。この例において、データセットはモデル生成装置１１のストレージまたは記憶装置１５に記憶されており、データセット取得部１１１は、当該ストレージまたは記憶装置１５からデータセットの集合を取得する。

上記データセットは、学習モデル５１０の生成後も、原水の浄水処理が行われる度にストレージまたは記憶装置１５に格納される。

データセット取得部１１１は、一例として、データセットの集合の取得および学習モデル生成部１１２への出力を実行したとき、タイマ（不図示）を起動し、上記取得および出力の実行からの経過時間を計測する。そして、当該経過時間が所定値に到達したとき、データセット取得部１１１は、再度データセットの集合を取得し、学習モデル生成部１１２へ出力する。学習モデル生成部１１２が実行する学習モデル更新処理は、図９のＳ２２の処理と同様であるため、ここでは説明を繰り返さない。

＜推定処理の流れ＞
図１０は、推定装置１２が実行する推定処理の流れの一例を示すフローチャートである。

対応関係推定部２１１は、現原水の水質データを取得する（Ｓ３１）と、記憶装置１５から学習モデル５１０を読み出す。そして、対応関係推定部２１１は、取得した水質データと、学習モデル５１０とに基づき、現原水に対する凝集剤の薬注率と、現原水の浄水処理におけるコスト合計値との対応関係を推定する（Ｓ３２、推定ステップ）。具体的には、対応関係推定部２１１は、読み出した学習モデル５１０に、取得した水質データを入力することにより、学習モデル５１０から出力された薬注率とコスト合計値との対応関係を取得する。対応関係推定部２１１は、取得した対応関係を薬注率特定部２１２へ出力する。

薬注率特定部２１２は、取得した対応関係における、コスト合計値が最小となる薬注率を特定する（Ｓ３３）。例えば、取得した対応関係が、コスト合計値の最小値を頂点とする二次関数として表現できる場合、薬注率特定部２１２は、当該頂点における薬注率の値を特定する。そして、薬注率特定部２１２は、特定した薬注率を、薬注率の推定結果として出力装置４に出力させる（Ｓ３４）。

＜効果＞
以上のように、本実施形態に係るモデル生成装置１１は、原水の注入前濁度を含む水質データと、当該原水に対して実際に注入された凝集剤の薬注率と、当該現水へ注入した凝集剤の消費コストと、当該凝集剤を注入したことにより発生した汚泥の汚泥処理コストと、汚泥除去後の当該原水をろ過処理する際の逆洗処理にかかるろ過処理コストとを教師データとして機械学習を行う。そして、モデル生成装置１１は、水質データを入力として、薬注率とコスト合計値との対応関係を出力する学習モデル５１０を生成する。

また、本実施形態に係る推定装置１２は、学習モデル５１０と、現原水の水質データとに基づき、当該現原水に対する凝集剤の薬注率と、当該現原水の浄水処理におけるコスト合計値との対応関係を推定する。

この構成によれば、推定装置１２が推定した対応関係を用いて、コスト合計値が最小となる薬注率を特定することができる。これにより、消費コスト、汚泥処理コストおよびろ過処理コストを抑えた浄水処理を実現することができる。

また、本実施形態に係る推定装置１２は、推定した対応関係に基づき、コスト合計値が最小となる薬注率を特定することが好ましい。これにより、推定装置１２のユーザが、コスト合計値が最小となる薬注率を特定する手間を省くことができる。

〔変形例〕
推定装置２および１２は、推定した薬注率に基づき、現原水の浄水処理にかかる消費コスト、汚泥処理コストおよびろ過処理コストを算出し、出力装置４に出力させてもよい。この例において、推定装置２および１２は、消費コスト算出に必要なデータ（例えば、使用する凝集剤の単価、凝集剤を注入する原水の量など）を取得し、当該データと推定した薬注率とに基づき消費コストを算出する。また、推定装置２および１２は、推定した薬注率から汚泥処理コストを算出する。また、推定装置２および１２は、推定した薬注率に対応するコスト合計値を特定し、当該コスト合計値から、算出した消費コストおよび汚泥処理コストの値を減算することで、ろ過処理コストを算出する。

モデル生成装置１１が取得するデータセットは、原水が浄水場に流入する前、すなわち、原水が取水対象（河川など）に存在していた期間の、所定地域の降水（降雨）に関する降水データを含んでいてもよい。ここで、所定地域とは、降水が浄水場に流入する可能性がある地域であり、例えば、浄水場の上流の河川流域のうち、降雨の発生が水質データに最も影響する地域（１ｋｍ四方メッシュ）である。所定地域は複数であってもよい。また、降水データとは、所定地域の降水量（１時間あたり）の合計値、すなわち、総降水量であるものとして説明する。なお、総降水量の定義はこの例に限定されない。例えば、総降水量は、１日あたりの降水の総量であってもよい。

図１１は、浄水場９０が取水する河川９９の一例を示す概略図であり、上記所定地域を示す図である。なお、図１１では、説明を分かりやすくするために、上記所定地域が３つ（地域Ｒ１、Ｒ２、Ｒ３）であるものとした。データセットを生成するデータセット生成装置（不図示）は、一例として、作業員の操作入力に基づき、気象情報サーバ（不図示）と通信し、地域Ｒ１、Ｒ２およびＲ３の１時間あたりの降水量を取得する。データセット生成装置は、別の例として、各地の１時間あたりの降水量を取得した後で、当該降水量に、地域Ｒ１、Ｒ２およびＲ３の１時間あたりの降水量が含まれるか否かを判定してもよい。地域気象情報サーバは、気象庁または気象予報を提供する企業のサーバである。

図１２は、総降水量の算出例を示す図である。図１２の例は、或る日の１０時３０分に浄水場９０に流入した原水に含まれる総降水量の算出例を示している。当該原水が地域Ｒ１、Ｒ２およびＲ３を流れていた時刻は、１０時３０分より前である。換言すれば、原水が浄水場９０に流入した時刻と、地域Ｒ１、Ｒ２およびＲ３を流れていた時刻との間にはタイムラグがある。データセット生成装置は、このタイムラグを考慮して総降水量を算出する。

具体的には、地域Ｒ１、Ｒ２およびＲ３の各々において、各地域から浄水場９０まで原水が到達するのに要する時間（すなわち、タイムラグ）を予め特定しておく。図１２の例では、当該時間は、地域Ｒ１が６０分、地域Ｒ２が３００分、地域Ｒ３が１２０分であるものとした。

データセット生成装置は、浄水場９０に原水が流入した時刻である１０時３０分から、タイムラグだけ過去に遡った時点の、各地域の降水量を算出する。図１２では、当該時点を「降水確認時刻」と称する。図１２の例において、データセット生成装置は、９時３０分の地域Ｒ１の降水量を取得する。また、データセット生成装置は、５時３０分の地域Ｒ２の降水量を取得する。また、データセット生成装置は、８時３０分の地域Ｒ３の降水量を取得する。図１２では、これら降水量を「地域別降水量」と称する。図１２の例において、地域Ｒ１の地域別降水量は６（ｍｍ／ｈ）、地域Ｒ２の地域別降水量は５（ｍｍ／ｈ）、地域Ｒ３の地域別降水量は４（ｍｍ／ｈ）であるものとした。

データセット生成装置は、取得した地域別降水量を合計し、総降水量を算出する。図１２の例では、総降水量は、６＋５＋４＝１５（ｍｍ／ｈ）となる。

データセット生成装置は、１０時３０分に流入した原水のデータセットに、算出した総降水量を含める。これにより、モデル生成装置１１が生成する学習モデルは、原水に含まれる降水が考慮されたものとなる。

また、データセットはさらに、原水に流入し得るダムからの放流水のデータ（例えば、当該ダムの放流量）を含んでいてもよい。この例において、ダムからの放流水が浄水場９０まで到達するのに要する時間（すなわち、タイムラグ）を予め特定しておく。データセット生成装置は、浄水場９０に原水が流入した時刻から、タイムラグだけ過去に遡った時点の放流量を特定し、１０時３０分に流入した原水の水質データに含める。

また、水質データはさらに、原水のアルカリ度、凝集剤注入前の原水に対して実際に注入された次亜塩素酸ナトリウムの注入率、凝集剤注入前の原水に対して実際に注入された苛性ソーダの注入率などを含んでいてもよい。

実施形態１において、モデル生成装置１と推定装置２とを一体の装置として構成してもよい。同様に、実施形態２において、モデル生成装置１１と推定装置１２とを一体の装置として構成してもよい。

実施形態１において、推定装置２は、モデル生成装置１が生成した回帰モデル５１をモデル生成装置１から受信し、自装置のストレージに格納してもよい。同様に、実施形態２において、推定装置１２は、モデル生成装置１１が生成した学習モデル５１０をモデル生成装置１１から受信し、自装置のストレージに格納してもよい。

モデル生成装置１および１１は、回帰モデル５１および学習モデル５１０の生成において、データセットの集合に、沈澱池出口濁度が閾値Ｔ１を超えるデータセットを含めてもよい。

実施形態２において、モデル生成装置１１は、生成した学習モデル５１０からコスト合計値が最小となる薬注率を特定するプログラムを生成するものであってもよい。当該プログラムを推定装置１２で実行することにより、推定装置１２の制御部２１０の各部が構成される。

〔ソフトウェアによる実現例〕
モデル生成装置１および１１、並びに、推定装置２および１２の制御ブロック（特に制御部１０および１１０、並びに、制御部２０および２１０）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、モデル生成装置１および１１、並びに、推定装置２および１２は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１、１１ モデル生成装置
２、１２ 推定装置
５１ 回帰モデル
１０２ 分類部
１０３ 中間回帰モデル生成部（特定部、中間モデル生成部）
１０４ 回帰モデル生成部（モデル生成部）
２０２ 薬注率推定部（推定部）
１１２ 学習モデル生成部（モデル生成部）
２１１ 対応関係推定部（推定部）
５１０ 学習モデル

Claims (10)

1. 浄水場に流入する流入水へ注入する凝集剤の注入率を推定するための回帰モデルを生成するモデル生成装置であって、
   凝集剤を注入する前の前記流入水の濁度と、前記流入水へ注入した凝集剤の注入率と、前記流入水へ注入した凝集剤の消費コストと、前記流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストと、前記汚泥を除去した後の前記流入水をろ過処理する際の逆洗処理にかかるろ過処理コストとを含むデータセットの集合を、前記濁度に基づいて複数のグループに分類する分類部と、
   前記グループ毎に、前記消費コスト、前記汚泥処理コストおよび前記ろ過処理コストの合計値が最小となる前記注入率を特定する特定部と、
   前記グループ毎の、前記濁度の代表値と、前記特定された注入率とを含むデータセットの集合から、前記代表値を説明変数とし、前記特定された注入率を目的変数とする回帰モデルを生成するモデル生成部と、を備えるモデル生成装置。
2. 前記特定部は、
   前記グループ毎に、前記注入率と前記合計値とを変数とする回帰モデルである中間モデルを生成する中間モデル生成部を備え、
   前記グループ毎に、前記生成された中間モデルを用いて、前記合計値が最小となる前記注入率を推定する、請求項１に記載のモデル生成装置。
3. 前記モデル生成部は、前記流入水の沈澱池出口における濁度が所定範囲内となるデータセットのみを含む前記集合から前記回帰モデルを生成する、請求項１または２に記載のモデル生成装置。
4. 浄水場に流入する流入水へ注入する凝集剤の注入率を推定する推定装置であって、
   凝集剤を注入する前の前記流入水の濁度、前記流入水へ注入した凝集剤の注入率、前記流入水へ注入した凝集剤の消費コスト、前記流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび前記汚泥を除去した後の前記流入水をろ過処理する際の逆洗処理にかかるろ過処理コストを含むデータセットを、前記濁度に基づいて分類した複数のグループの各々における前記濁度の代表値を説明変数とし、前記消費コストと前記汚泥処理コストと前記ろ過処理コストとの合計値が最小となる前記注入率を目的変数とする回帰モデルと、前記浄水場に現在流入している流入水である現流入水の濁度とに基づき、前記現流入水へ注入する凝集剤の注入率を推定する推定部を備える推定装置。
5. 浄水場に流入する流入水へ注入する凝集剤の注入率と、当該凝集剤の消費コスト、前記流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび前記汚泥を除去した後の前記流入水をろ過処理する際の逆洗処理にかかるろ過処理コストの合計値と、の対応関係を推定するための学習モデルを生成するモデル生成装置であって、
   凝集剤を注入する前の前記流入水の濁度を含む水質データと、前記注入率と、前記消費コストと、前記汚泥処理コストと、前記ろ過処理コストとを教師データとして機械学習を行うことにより、前記水質データを入力として、前記対応関係を出力する学習モデルを生成するモデル生成部を備えるモデル生成装置。
6. 浄水場に流入する流入水へ注入する凝集剤の注入率と、当該凝集剤の消費コスト、前記流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび前記汚泥を除去した後の前記流入水をろ過処理する際の逆洗処理にかかるろ過処理コストの合計値と、の対応関係を推定する推定装置であって、
   凝集剤を注入する前の前記流入水の濁度を含む水質データと、当該流入水へ注入した凝集剤の注入率と、当該流入水へ注入した凝集剤の消費コストと、当該流入水へ凝集剤を注入することにより発生する汚泥の処理に係る汚泥処理コストと、前記汚泥を除去した後の当該流入水をろ過処理する際の逆洗処理にかかるろ過処理コストとを教師データとして機械学習を行うことにより生成された学習モデルを用いて、凝集剤を注入する前の、前記浄水場に現在流入している流入水である現流入水の濁度を含む水質データを入力として、前記対応関係を推定する推定部を備える推定装置。
7. 浄水場に流入する流入水へ注入する凝集剤の注入率を推定するための回帰モデルを生成するモデル生成装置が実行するモデル生成方法であって、
   凝集剤を注入する前の前記流入水の濁度と、前記流入水へ注入した凝集剤の注入率と、前記流入水へ注入した凝集剤の消費コストと、前記流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストと、前記汚泥を除去した後の前記流入水をろ過処理する際の逆洗処理にかかるろ過処理コストとを含むデータセットの集合を、前記濁度に基づいて複数のグループに分類する分類ステップと、
   前記グループ毎に、前記消費コスト、前記汚泥処理コストおよび前記ろ過処理コストの合計値が最小となる前記注入率を特定する特定ステップと、
   前記グループ毎の、前記濁度の代表値と、前記特定された注入率とを含むデータセットの集合から、前記代表値を説明変数とし、前記特定された注入率を目的変数とする回帰モデルを生成するモデル生成ステップと、を含むモデル生成方法。
8. 浄水場に流入する流入水へ注入する凝集剤の注入率を推定する推定装置が実行する推定方法であって、
   凝集剤を注入する前の前記流入水の濁度、前記流入水へ注入した凝集剤の注入率、前記流入水へ注入した凝集剤の消費コスト、前記流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび前記汚泥を除去した後の前記流入水をろ過処理する際の逆洗処理にかかるろ過処理コストを含むデータセットを、前記濁度に基づいて分類した複数のグループの各々における前記濁度の代表値を説明変数とし、前記消費コストと前記汚泥処理コストと前記ろ過処理コストとの合計値が最小となる前記注入率を目的変数とする回帰モデルと、前記浄水場に現在流入している流入水である現流入水の濁度とに基づき、前記現流入水へ注入する凝集剤の注入率を推定する推定ステップを含む推定方法。
9. 浄水場に流入する流入水へ注入する凝集剤の注入率と、当該凝集剤の消費コスト、前記流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび前記汚泥を除去した後の前記流入水をろ過処理する際の逆洗処理にかかるろ過処理コストの合計値と、の対応関係を推定するための学習モデルを生成するモデル生成装置が実行するモデル生成方法であって、
   凝集剤を注入する前の前記流入水の濁度を含む水質データと、前記注入率と、前記消費コストと、前記汚泥処理コストと、前記ろ過処理コストとを教師データとして機械学習を行うことにより、前記水質データを入力として、前記対応関係を出力する学習モデルを生成するモデル生成ステップを含むモデル生成方法。
10. 浄水場に流入する流入水へ注入する凝集剤の注入率と、当該凝集剤の消費コスト、前記流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストおよび前記汚泥を除去した後の前記流入水をろ過処理する際の逆洗処理にかかるろ過処理コストの合計値と、の対応関係を推定する推定装置が実行する推定方法であって、
    凝集剤を注入する前の前記流入水の濁度を含む水質データと、当該流入水へ注入した凝集剤の注入率と、当該流入水へ注入した凝集剤の消費コストと、当該流入水へ凝集剤を注入することにより発生する汚泥の処理にかかる汚泥処理コストと、前記汚泥を除去した後の当該流入水をろ過処理する際の逆洗処理にかかるろ過処理コストとを教師データとして機械学習を行うことにより生成された学習モデルを用いて、凝集剤を注入する前の、前記浄水場に現在流入している流入水である現流入水の濁度を含む水質データを入力として、前記対応関係を推定する推定ステップを含む推定方法。

Images