JP7359313B2 - 腐食性予測方法および装置 - Google Patents

Description

本発明は、土壌腐食性を推定する腐食性予測方法および装置に関する。

我々の生活を支えるインフラ設備は種類も多く、数も膨大である。また、インフラ設備は、市街地だけでなく、山岳地や海岸付近、温泉地や寒冷地、さらに海中や地中に至るまで多様な環境に晒されており、劣化の形態や進行速度も様々である。こうした特徴を持つインフラ設備の保全には、点検による劣化の現状把握や、予測結果を踏まえた効率的な運用が必要になる。

例えば、インフラ設備には、鋼管柱、支持アンカ、および地中鋼配管などに代表されるように、全体またはその一部を地中に埋設した状態で使用する金属製の地中設備も多い。これら地中設備は、土壌に接するために腐食し、土壌環境に応じて異なる速さで劣化が進行する（非特許文献１，非特許文献２) 。

しかしながら、地中設備の劣化状態を直接目視で確認することはできないため、劣化状態に応じて適切にメンテナンスを行うことが困難となっている。また、地中設備は、土壌に触れる部分の劣化状態を直接目視点検して確認することができないため、土壌環境に応じて腐食を予測することもまた困難である。

これらのため、設備の運用・管理面においては、土壌環境の腐食性に着目し、これに応じて保守運用する「ANSI」や「DVGW」などに評価規格が存在する。ここでいう腐食性とは、主に鉄や鋼などの金属材料を腐食させる度合いの大きさを指す。いずれの評価規格においても、腐食性を評価したい土壌について抵抗率や、ｐＨ、水分量など、腐食に関与する環境因子をそれぞれ測定して点数化し、各因子の点数の合算値によって土壌腐食性の大小を評価している。

しかしながら、いずれの規格も、定性的評価にとどまり、例えば劣化予測などに利用可能な程度の定量性は有しておらず、得られた評価が必ずしも実態と合っていないことも指摘されている（非特許文献３参照)。これは、土壌腐食に関与する環境因子が多様であり、また、これら環境因子の相互関係が複雑であり、適切な評価方法が確立されていないためと言われている。

門井 守夫 他、「金属材料の土壌腐食についての研究（第１報）－土壌に関する基礎的実験－」、防蝕技術、第１６巻、第６号、２３８－２４６頁、１９６７年。 宮田 義一、朝倉 祝治、「電気化学的手法を中心とした土壌腐食計測(その2)－複数の情報の組み合わせによる腐食速度の推定と今後の計測に対する提案－」、材料と環境、第４６巻、第１０号、６１０－６１９頁、１９９７年。 角田知巳、秋庭徹郎、「土壌の腐食性を評価するための視点」、防蝕技術、第３６巻、第３号、１６８－１７７頁、１９８７年。

上述した通り、従来の技術では、土壌腐食の進展速度や経年の腐食量を実態にあった精度で定量的に予測することが困難であるという課題があった。

本発明は、以上のような問題点を解消するためになされたものであり、従来よりも精度の高い腐食予測ができるようにすることを目的とする。

本発明に係る腐食性予測方法は、予測の対象となる土地の土壌に関する情報および土地の気象情報の各要素から構成される環境情報を取得する第１ステップと、取得した環境情報の各要素の各々を２次元以上のテンソルデータとし、取得した環境情報を、各要素が組み合わされて構成された多次元テンソルデータとする第２ステップと、多次元テンソルデータとされた環境情報と、土地に埋設された金属構造物の腐食量および経過年数とから、金属構造物の腐食速度または腐食量と、取得した環境情報との関係を学習して予測モデルを構築する第３ステップと、取得した環境情報および土地に埋設された金属構造物の経過年数から、予測モデルを用いて金属構造物の腐食速度または腐食量を予測する第４ステップとを備える。

また、本発明に係る腐食性予測装置は、予測の対象となる土地の土壌に関する情報および土地の気象情報の各要素から構成される環境情報を取得する取得部と、取得した環境情報の各要素の各々を２次元以上のテンソルデータとし、取得した環境情報を、各要素が組み合わされて構成された多次元テンソルデータとする第１処理部と、多次元テンソルデータとされた環境情報と、土地に埋設された金属構造物の腐食量および経過年数とから、金属構造物の腐食速度または腐食量と、取得した環境情報との関係を学習して予測モデルを構築する第２処理部と、取得した環境情報および土地に埋設された金属構造物の経過年数から、予測モデルを用いて金属構造物の腐食速度または腐食量を予測する第３処理部とを備える。

以上説明したように、本発明によれば、多次元テンソルデータとした環境情報を用い、対象の土地に埋設された金属構造物の腐食速度または腐食量を予測するので、従来よりも精度の高い腐食予測ができる。

図１は、本発明の実施の形態に係る腐食性予測方法を説明するフローチャートである。 図２は、３次元テンソルの画像データの１例を示す説明図である。 図３は、対象地ごとの環境情報の概念を示す説明図である。 図４は、本発明の実施の形態２に係る腐食性予測装置の構成を示す構成図である。 図５は、２次元テンソルデータの構成例を示す説明図である。

以下、本発明の実施の形態に係る腐食性予測方法について図１を参照して説明する。まず、第１ステップＳ１０１で、予測の対象となる土地の土壌に関する情報および土地の気象情報の各要素から構成される環境情報を取得する。土壌に関する情報は、例えば、土壌の粒子径、土壌の含水率、土壌の温度、土壌の酸素濃度、土壌の透水係数、土壌の色、土壌区分、および土壌統群などの土壌分類情報である。また、気象情報は、例えば、降雨、気温、気圧、および日照条件の少なくとも１つである。

降雨、気温、気圧、日照条件などの気象条件は、直接的に地中環境に影響するものであるため、土壌中に埋設された金属構造物の腐食に関する知見を与える重要な因子である。また、気象によって土壌、すなわち地中環境がどのような影響を受けるかは、地表面の状況によっても変化する。例えば、地表がコンクリートやアスファルトなどで覆われていた場合は、例えば降雨があった場合でも、地中環境の含水率変化は小さいと考えられる。この場合、地表面からの水の揮発もほとんど起きないため、地中環境は土壌むき出しの土壌と比べて経時的に安定している。また例えば、年間の日照時間が長い土地にある土壌は、短い土壌と比べて水の蒸発が大きいため腐食挙動が異なる。また、水域からの距離も土壌に影響する。例えば水田や川から近い土地にある土壌ほど水分量が高く保持される可能性は高い。

後述する予測モデルの構築や、構築した予測モデルを用いた予測に用いる説明変数として用いるために、予測対象地の土壌に関する情報および気象情報の各要素から構成される環境情報を取得する。環境情報の取得方法は特に制限しない。例えば、土壌に関する情報は、これらを測定し得るセンサを用いて取得することができる。土壌含水率、温度、酸素濃度は、各々対応するセンサで計測することで情報を取得できる。また、土壌の粒子径分布は、予測対象地の土壌を採取し、採取した土壌を、粒子径分布計測装置で計測することで取得できる。

また、土壌区分や土壌統群などの分類情報をもとに、前述の土壌に関する情報として各要素データを推定することで、環境情報とすることができる。例えば、分類ごとに代表的な土壌に関する情報、土壌含水率や酸素濃度、温度の情報を予め用意しておき、土壌の分類情報に照らして、これらを環境情報として用いることも可能である。気象情報は、予測対象地に計測センサを設置することで、取得することが可能である。また、気象観測所などが公開している観測データを取得してこれを用いることもできる。この場合、予測対象地に最も近い気象観測所のデータを用いることが好ましい。

次に、第２ステップＳ１０２で、取得した環境情報の各要素の各々を２次元以上のテンソルデータとし、取得した環境情報を、各要素が組み合わされて構成された多次元テンソルデータとする。例えば、取得した環境情報の各要素を、３次元テンソルの画像データに加工する。

例えば、環境情報を構成する要素の１つである土壌粒子径分布の情報の場合を例に説明する。粒子径分布測定装置を用いて土壌を分析することで、粒子径と頻度からなる行列データ、すなわち２次元テンソルデータが得られる。このデータを用いることで、後述する予測モデルの構築ができる。また例えば、環境情報を構成する要素は、３次元テンソルの画像データとする（に変換する）ことができる。また例えば、土壌を光学顕微鏡やＳＥＭ画像で撮影した画像を、２次元以上のテンソルデータとして用いることもできる。この画像は、土壌粒子径の情報として粒子径分布および粒子の配列情報を含んでおり、腐食予測に効果的な情報を持っている。

２次元以上のテンソルデータの形状やデータ型は特に制限しないが、環境情報を構成する他の要素と同じ形状やデータ型にすることが好ましい。また例えば、環境情報を構成する要素の１つとして降雨の情報を取得する場合、時間雨量の経時変化データを取得すれば、以下の表２に示すような、時刻と雨量からなる行列データすなわち２次元テンソルデータが得られる。また例えば、取得した環境情報は、図２に示すように、３次元テンソルの画像データ（グラフ）とすることができる。取得する雨量データの期間およびデータ間隔などは、特に制限しない。

ただし、土壌腐食は、１年間の季節を通して周期的に変化することが分かっているので、気象データの経時情報は、１年間の期間で取得することが好ましい。また、他の予測地点における気象データと比較できるように、取得する経時情報の期間は同じにすることが大切である。

ここで、２次元以上のテンソルデータとして用いる意図について述べる。従来方法において、土壌腐食の評価や予測を行う場合は、予測対象地の土壌に関する情報として各要素で１つのスカラー情報、すなわち０次元テンソルデータが用いられている。例えば、予測対象地Ａの抵抗率はＸ、ｐＨ値はＹ、水分量（含水率）はＺといったように、要素ごとに０次元テンソルデータを取得して予測に用いる。

しかしながら、これら土壌に関する情報は、常に一定ではなく時間で変化するものであり、平均値として用いるなどデータの次元を落とす行為は、予測の際に有効な情報を削除してしまうことに他ならない。これは、年間平均として同じ水分量の土壌であっても、乾湿のサイクルが多い土壌の方が腐食は圧倒的に速く進むことからも分かる。

本発明では、土壌に関する情報および気象情報を、２次元以上のテンソルデータとして用いることで、必要な情報を保持したまま予測モデルを構築できるため、従来よりも高精度に腐食予測が可能となる。

次に、第３ステップＳ１０３で、多次元テンソルデータとされた環境情報と、土地に埋設された金属構造物の腐食量および経過年数とから、金属構造物の腐食速度または腐食量と、取得した環境情報との関係を学習して予測モデルを構築する。

予測モデル構築の際の目的変数は、金属構造物の腐食量もしくは腐食速度である。腐食量を目的変数とする場合は、上述したことにより得られた２次元以上のテンソルデータを要素として構成される環境情報および経過年数が説明変数となる。

また、金属構造物の腐食速度が目的変数の場合は、腐食量と経過年数とから腐食速度を算出してこれを目的変数とする。簡単には、腐食量を経過年数で除すことで算出可能である。この場合の説明変数は、上述したことにより得られた２次元以上のテンソルデータを要素として構成される環境情報となる。予測モデルの構築には、深層学習などを含む機械学習のアルゴリズムを用いる。予測モデル構築のアルゴリズムは特に制限しないが、多次元配列データに対応したアルゴリズムを利用することで効果的に予測モデルを構築することが可能である。

図３に、対象地ごとの環境情報の構成概念図を示す。なお、予測モデル構築においては、説明変数として入力する要素データが、全て２次元以上のテンソルデータで構成されていればよく、目的変数の形態や予測モデルの形態などにも制限はない。

次に、第４ステップＳ１０４で、取得した環境情報および土地に埋設された金属構造物の経過年数から、予測モデルを用いて金属構造物の腐食速度または腐食量を予測する。前述した第１ステップＳ１０１と同様にすることで、予測対象に関する環境情報を新たに取得し、取得した環境情報と、対象となる金属構造物の経過年数とから、予測モデルを用いて予測を実施する。

予測モデルを用いた予測では、予測対象地の土壌に関する情報および気象情報を、予測モデルに入力し、金属構造物の腐食量や腐食速度を予測する。なお、前述した予測モデルの構築では、予め取得してあるモデル構築用のデータを用い、実際の予測では、予測したい対象地とは異なるデータを用いることが予測の信頼性担保に必要である。なお予測の出力データ形式は特に制限しない。

次に、上述した腐食性予測方法を実施する、腐食性予測装置について、図４を参照して説明する。腐食性予測装置は、取得部１０１、第１処理部１０２、第２処理部１０３、第３処理部１０４、および表示部１０５を備える。

第１処理部１０２、第２処理部１０３、第３処理部１０４は、例えば、ＣＰＵ（Central Processing Unit；中央演算処理装置）と主記憶装置と外部記憶装置とネットワーク接続装置となどを備えたコンピュータ機器であり、主記憶装置に展開されたプログラムによりＣＰＵが動作する（プログラムを実行する）ことで、上述した第２ステップ、第３ステップ、第４ステップの方法（後述する各機能）が実現される。上記プログラムは、上述した方法をコンピュータが実行するためのプログラムである。ネットワーク接続装置は、所定のネットワークに接続する。また、各機能は、複数のコンピュータ機器に分散させることもできる。

取得部１０１は、予測の対象となる土地の土壌に関する情報および土地の気象情報の各要素から構成される環境情報を取得する。第１ステップＳ１０１の説明で示したように、土壌に関する情報は、土壌の粒子径、土壌の含水率、土壌の温度、土壌の酸素濃度、土壌の透水係数、土壌の色、土壌区分、および土壌統群の少なくとも１つである。また、気象情報は、降雨、気温、気圧、および日照条件の少なくとも１つである。

取得部１０１は、予測対象地の土壌に関する情報および気象情報の各要素から構成される環境情報を、第１処理部１０２へと入力する機能を有するため、簡単にはこれを計測するセンサもしくは測定装置で構成し、第１処理部１０２を構成するコンピュータに接続することで実現できる。また、取得部１０１は、インターネット上のデータを取得できるようにネットワークと接続したコンピュータから構成することができる。なお、センサや測定装置などから構成される取得部１０１は、第１処理部１０２と直接的もしくは恒常的に接続されている必要はなく、測定（取得）されたデータをＵＳＢメモリの記録媒体を用いて、間接的に第１処理部１０２へ入力する（受け渡す）構成とすることもできる。

第１処理部１０２は、取得した環境情報の各要素の各々を２次元以上のテンソルデータに加工し、取得した環境情報を、各要素が組み合わされて構成された多次元テンソルデータとする。第１処理部１０２は、加工した２次元以上のテンソルデータを、自身が有する記憶部（不図示）に記憶する。第１処理部１０２は、取得部１０１から入力された情報の全てを行列の２次元テンソルデータや、画像データの３次元テンソルデータ、さらに高次のテンソルデータに加工し、記憶する。

例えば、第１処理部１０２は、０次元データとして入力されたデータも、２次元以上のテンソルデータに加工する。例えば、地表面情報としてアスファルトもしくはコンクリートで覆われていた場合を１、土壌むき出しの場合を０という０次元テンソルデータとして入力された場合も、例えば図５に示すような、２次元テンソルデータへと加工する。図５の（ａ）は、土壌むき出しの場合の２次元テンソルデータを示し、図５の（ｂ）は、アスファルトもしくはコンクリートで覆われている場合の２次元テンソルデータを示す。データ形状は、他の要素のデータ形状に合わせて加工する。

第２処理部１０３は、多次元テンソルデータとされた環境情報と、土地に埋設された金属構造物の腐食量および経過年数とから、金属構造物の腐食速度または腐食量と、取得した環境情報との関係を学習して予測モデルを構築する。第２処理部１０３は、構築した予測モデルを、自身が有する記憶部（不図示）に記憶する。第２処理部１０３は、機械学習や深層学習アルゴリズムの実行環境および記憶領域を備えたコンピュータで実現できる。

第３処理部１０４は、取得した環境情報および土地に埋設された金属構造物の経過年数から、予測モデルを用いて金属構造物の腐食速度または腐食量を予測する。予測結果は、表示部１０５に表示出力される。第３処理部１０４は、機械学習や深層学習アルゴリズムの実行環境およびこれを用いた予測計算が可能な機能を有すればよく、コンピュータで実現できる。

以上に説明したように、本発明によれば、多次元テンソルデータとした環境情報を用い、対象の土地に埋設された金属構造物の腐食速度または腐食量を予測するので、従来よりも精度の高い腐食予測ができるようになる。

なお、本発明は以上に説明した実施の形態に限定されるものではなく、本発明の技術的思想内で、当分野において通常の知識を有する者により、多くの変形および組み合わせが実施可能であることは明白である。

１０１…取得部、１０２…第１処理部、１０３…第２処理部、１０４…第３処理部、１０５…表示部。

Claims (8)

1. 予測の対象となる土地の土壌に関する情報および前記土地の気象情報の各要素から構成される環境情報を取得する第１ステップと、
   取得した環境情報の前記各要素の各々を２次元以上のテンソルデータとし、取得した環境情報を、前記各要素が組み合わされて構成された多次元テンソルデータとする第２ステップと、
   多次元テンソルデータとされた環境情報と、前記土地に埋設された金属構造物の腐食量および経過年数とから、前記金属構造物の腐食速度または腐食量と、取得した環境情報との関係を学習して予測モデルを構築する第３ステップと、
   取得した環境情報および前記土地に埋設された前記金属構造物の経過年数から、前記予測モデルを用いて前記金属構造物の腐食速度または腐食量を予測する第４ステップと
   を備える腐食性予測方法。
2. 請求項１記載の腐食性予測方法において、
   前記第２ステップは、取得した環境情報の前記各要素を、３次元テンソルの画像データとすることを特徴とする腐食性予測方法。
3. 請求項１または２記載の腐食性予測方法において、
   前記土壌に関する情報は、前記土壌の粒子径、前記土壌の含水率、前記土壌の温度、前記土壌の酸素濃度、前記土壌の透水係数、前記土壌の色、土壌区分、および土壌統群の少なくとも１つであることを特徴とする腐食性予測方法。
4. 請求項１～３のいずれか１項に記載の腐食性予測方法において、
   前記気象情報は、降雨、気温、気圧、および日照条件の少なくとも１つであることを特徴とする腐食性予測方法。
5. 予測の対象となる土地の土壌に関する情報および前記土地の気象情報の各要素から構成される環境情報を取得する取得部と、
   取得した環境情報の前記各要素の各々を２次元以上のテンソルデータとし、取得した環境情報を、前記各要素が組み合わされて構成された多次元テンソルデータとする第１処理部と、
   多次元テンソルデータとされた環境情報と、前記土地に埋設された金属構造物の腐食量および経過年数とから、前記金属構造物の腐食速度または腐食量と、取得した環境情報との関係を学習して予測モデルを構築する第２処理部と、
   取得した環境情報および前記土地に埋設された前記金属構造物の経過年数から、前記予測モデルを用いて前記金属構造物の腐食速度または腐食量を予測する第３処理部と
   を備える腐食性予測装置。
6. 請求項５記載の腐食性予測装置において、
   前記第１処理部は、取得した環境情報の前記各要素を、３次元テンソルの画像データにすることを特徴とする腐食性予測装置。
7. 請求項５または６記載の腐食性予測装置において、
   前記土壌に関する情報は、前記土壌の粒子径、前記土壌の含水率、前記土壌の温度、前記土壌の酸素濃度、前記土壌の透水係数、前記土壌の色、土壌区分、および土壌統群の少なくとも１つであることを特徴とする腐食性予測装置。
8. 請求項５～７のいずれか１項に記載の腐食性予測装置において、
   前記気象情報は、降雨、気温、気圧、および日照条件の少なくとも１つであることを特徴とする腐食性予測装置。

Images