JPWO2020162098A1 - 金属材料の腐食量予測モデルの生成方法、金属材料の腐食量予測方法、金属材料の選定方法、金属材料の腐食量予測プログラムおよび金属材料の腐食量予測装置 - Google Patents

Abstract

腐食量予測モデルの生成方法は、金属材料の使用環境を示す複数の環境パラメータと、金属材料の腐食量と、金属材料の使用期間と、を含むデータを用い、機械学習により、使用期間に応じた金属材料の腐食量を予測する予測モデルを生成する学習ステップを含む。

Description

本発明は、金属材料の腐食量予測モデルの生成方法、金属材料の腐食量予測方法、金属材料の選定方法、金属材料の腐食量予測プログラムおよび金属材料の腐食量予測装置に関する。

金属材料の使用環境を示す環境パラメータを用いて金属材料の腐食量を予測する手法は過去に複数提案されており、例えば非特許文献１および特許文献１〜５では経験式を構築して腐食量を予測しており、非特許文献２では重回帰分析を用いて腐食量を予測している。

特許第３９０９０５７号公報 特許第４７０６２５４号公報 特許第５８９５５２２号公報 特許第５０６６１６０号公報 特許第４７０６２７９号公報

「耐候性鋼材の橋梁への適用に関する共同研究報告書（ＸＶＩＩＩ）」、建設省土木研究所、（社）鋼材倶楽部、（社）日本橋梁建設協会、平成５年３月 ISO 9223：1992 "Corrosion of metals and alloys - Corrosivity of atmospheres - Classification、 determination and estimation"

しかしながら、非特許文献１および特許文献１〜５で提案された方法では、経験式を用いて金属材料の腐食量を求めているため、例えば環境の変化に対応させたい場合や、異なる金属材料の腐食量を予測したい場合は、その都度、モデル式を修正する必要がある。従って、メンテナンス面において現実的ではないという問題があった。また、非特許文献２で提案された方法では、金属材料の使用期間の年数を用いた予測モデルを構築していないため、長期の腐食量を予測できないという問題があった。

また、特許文献５では、鋼材の一年後の腐食量を予測し、その腐食量から減衰パラメータを導出することで長期の腐食量を予測する方法を提案している。しかし、特許文献５で提案された方法では、減衰パラメータの導出の際に、一年より長期の腐食量の実績を用いて予測しておらず、経験式および人手による調整を用いて予測モデルを構築している。そのため、長期腐食量実績の活用面および前記のようなメンテナンス面において課題が残る。更に、特許文献５で提案された方法では、腐食量の予測の際に、腐食に影響を与えるＳＯ_Ｘ濃度が考慮されていない。

ＳＯ_Ｘは、金属表面の水膜に溶け込み、当該水膜を酸性化して亜硫酸イオンＨＳＯ_３ ⁻を生成する。そして、この酸性化により、金属が溶解するアノード反応が促進される。また、亜硫酸イオンＨＳＯ_３ ⁻も、ＮＯ_２やＯ_３等の酸化剤と反応してＳＯ_４ ^２−となり、腐食を促進する。このように、ＳＯ_Ｘ濃度は、腐食速度に大きな影響を与えるため、腐食量の予測には重要となる。

本発明は、上記に鑑みてなされたものであって、高い予測精度を有し、かつ大気腐食環境における長期腐食予測を行うことができる金属材料の腐食量予測モデルの生成方法、金属材料の腐食量予測方法、金属材料の選定方法、金属材料の腐食量予測プログラムおよび金属材料の腐食量予測装置を提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明に係る金属材料の腐食量予測モデルの生成方法は、金属材料の使用環境を示す複数の環境パラメータと、前記金属材料の腐食量と、前記金属材料の使用期間とを含むデータを用い、機械学習により、前記使用期間に応じた前記金属材料の腐食量を予測する予測モデルを生成する学習ステップを含む。

また、本発明に係る金属材料の腐食量予測モデルの生成方法は、上記発明において、前記学習ステップが、予め定めた所定期間の前記金属材料の腐食量を予測する第一の予測モデルを生成する第一の学習ステップと、前記所定期間を超える期間の前記金属材料の腐食速度の減衰を示す減衰パラメータを予測する第二の予測モデルを生成する第二の学習ステップと、を含んでもよい。

また、本発明に係る金属材料の腐食量予測モデルの生成方法は、上記発明において、前記機械学習の手法として、決定木回帰、ランダムフォレスト、ニューラルネットワーク、サポートベクター回帰を含む学習方法を用いてもよい。

上述した課題を解決し、目的を達成するために、本発明に係る金属材料の腐食量予測方法は、上記の金属材料の腐食量予測モデルの生成方法により生成された予測モデルにより、腐食量を予測したい金属材料の使用環境を示す複数の環境パラメータと、前記金属材料の使用期間とを入力として、前記金属材料の腐食量を予測する予測ステップを含む。

上述した課題を解決し、目的を達成するために、本発明に係る金属材料の腐食量予測方法は、上記の金属材料の腐食量予測モデルの生成方法により生成された第一の予測モデルにより、腐食量を予測したい金属材料の使用環境を示す複数の環境パラメータと、予め定めた所定期間とを入力として、前記所定期間の前記金属材料の腐食量を予測する第一の予測ステップと、上記の金属材料の腐食量予測モデルの生成方法より生成された第二の予測モデルにより、腐食量を予測したい前記金属材料の使用環境を示す複数の環境パラメータと、前記所定期間を超える期間とを入力として、前記所定期間を超える期間の前記金属材料の腐食速度の減衰を示す減衰パラメータを予測する第二の予測ステップと、前記所定期間の前記金属材料の腐食量と、前記減衰パラメータとに基づいて、前記所定期間を超える期間の前記金属材料の腐食量を予測する第三の予測ステップと、を含む。

また、本発明に係る金属材料の腐食量予測方法は、上記発明において、前記複数の環境パラメータが、温度、相対湿度、絶対湿度、濡れ時間および降雨量のうちの少なくとも一つと、飛来塩分量、ＳＯ_Ｘ濃度およびＮＯ_Ｘ濃度のうちの少なくとも一つと、を含んでもよい。

上述した課題を解決し、目的を達成するために、本発明に係る金属材料の選定方法は、上記の金属材料の腐食量予測方法を用いて、使用環境に応じた金属材料を選定する。

上述した課題を解決し、目的を達成するために、本発明に係る金属材料の腐食量予測プログラムは、コンピュータを、上記の金属材料の腐食量予測モデルの生成方法により生成された予測モデルにより、腐食量を予測したい金属材料の使用環境を示す複数の環境パラメータと、前記金属材料の使用期間とを入力として、前記金属材料の腐食量を予測する予測手段として機能させる。

上述した課題を解決し、目的を達成するために、本発明に係る金属材料の腐食量予測プログラムは、コンピュータを、上記の金属材料の腐食量予測モデルの生成方法により生成された第一の予測モデルにより、腐食量を予測したい金属材料の使用環境を示す複数の環境パラメータと、予め定めた所定期間とを入力として、前記所定期間の前記金属材料の腐食量を予測する第一の予測手段、上記の金属材料の腐食量予測モデルの生成方法により生成された第二の予測モデルにより、腐食量を予測したい前記金属材料の使用環境を示す複数の環境パラメータと、前記所定期間を超える期間とを入力として、前記所定期間を超える期間の前記金属材料の腐食速度の減衰を示す減衰パラメータを予測する第二の予測手段、前記所定期間の前記金属材料の腐食量と、前記減衰パラメータとに基づいて、前記所定期間を超える期間の前記金属材料の腐食量を予測する第三の予測手段、として機能させる。

上述した課題を解決し、目的を達成するために、本発明に係る金属材料の腐食量予測装置は、金属材料の使用環境を示す複数の環境パラメータと、前記金属材料の腐食量と、前記金属材料の使用期間とを含むデータを用い、機械学習により、前記使用期間に応じた前記金属材料の腐食量を予測する予測モデルを生成する学習手段と、前記予測モデルにより、腐食量を予測したい前記金属材料の使用環境を示す複数の環境パラメータと、前記金属材料の使用期間とを入力として、前記金属材料の腐食量を予測する予測手段と、を備える。

また、本発明に係る金属材料の腐食量予測装置は、上記発明において、前記学習手段が、予め定めた所定期間の前記金属材料の腐食量を予測する第一の予測モデルを生成する第一の学習手段と、前記所定期間を超える期間の前記金属材料の腐食速度の減衰を示す減衰パラメータを予測する第二の予測モデルを生成する第二の学習手段と、を備え、前記予測手段が、前記第一の予測モデルにより、腐食量を予測したい前記金属材料の使用環境を示す複数の環境パラメータと、予め定めた所定期間とを入力として、前記所定期間の前記金属材料の腐食量を予測する第一の予測手段と、前記第二の予測モデルにより、腐食量を予測したい前記金属材料の使用環境を示す複数の環境パラメータと、前記所定期間を超える期間とを入力として、前記所定期間を超える期間の前記金属材料の腐食速度の減衰を示す減衰パラメータを予測する第二の予測手段と、前記所定期間の前記金属材料の腐食量と、前記減衰パラメータとに基づいて、前記所定期間を超える期間の前記金属材料の腐食量を予測する第三の予測手段と、を備えてもよい。

本発明によれば、大気腐食環境において、金属材料の長期腐食予測を精度高く行うことができ、使用環境に応じた最適な金属材料を選定することが可能となる。

図１は、本発明の実施形態に係る金属材料の腐食量予測装置の概略的な構成を示すブロック図である。 図２は、本発明の実施形態１に係る金属材料の腐食量予測モデルの生成方法の流れを示すフローチャートである。 図３は、本発明の実施形態１に係る金属材料の腐食量予測方法の流れを示すフローチャートである。 図４は、本発明の実施形態１に係る金属材料の腐食量予測方法の実施例であり、金属材料の腐食量の予測値と実績値との間の誤差を示すグラフである。 図５は、本発明の実施形態２に係る金属材料の腐食量予測モデルの生成方法における腐食量予測モデルの生成の流れを示すフローチャートである。 図６は、本発明の実施形態２に係る金属材料の腐食量予測モデルの生成方法における減衰パラメータ予測モデルの生成の流れを示すフローチャートである。 図７は、本発明の実施形態２に係る金属材料の腐食量予測方法の流れを示すフローチャートである。 図８は、本発明の実施形態２に係る金属材料の腐食量予測方法の実施例であり、金属材料の腐食量の予測値と実績値との間の誤差を示すグラフである。

本発明の実施形態に係る金属材料の腐食量予測モデルの生成方法、金属材料の腐食量予測方法、金属材料の選定方法、金属材料の腐食量予測プログラムおよび金属材料の腐食量予測装置について、図面を参照しながら説明する。以下では、腐食量予測装置、腐食量予測モデルの生成方法および腐食量予測方法を実施形態ごとに説明する。なお、本発明は以下で説明する実施形態に限定されるものではない。

［実施形態１］
（腐食量予測装置）
本発明の実施形態１に係る金属材料の腐食量予測装置の構成について、図１を参照しながら説明する。腐食量予測装置１は、入力部１０と、実績データベース（実績ＤＢ）２０と、演算部３０と、表示部４０と、を備えている。

入力部１０は、演算部３０に対する入力手段であり、例えばキーボード、マウスポインタ、テンキー等の入力装置によって実現される。

実績データベース２０には、金属材料（例えば鉄鋼材料）の腐食量に関する実績データが鋼種ごとに保存されている。腐食量に関する実績データには、金属材料の使用期間と、当該使用期間における金属材料の腐食量と、当該金属材料の使用環境を示す複数の環境パラメータ（例えば年平均）と、が含まれる。また、前記した「複数の環境パラメータ」としては、例えば温度（気温）、相対湿度、絶対湿度、濡れ時間、降雨量、飛来塩分量、ＳＯ_Ｘ濃度およびＮＯ_Ｘ濃度が挙げられる。これらの環境パラメータの実績データは、例えば年平均のデータである。

演算部３０は、例えばＣＰＵ（Central Processing Unit）等からなるプロセッサと、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等からなるメモリ（主記憶部）と、によって実現される。

演算部３０は、プログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部等を制御することにより、所定の目的に合致した機能を実現する。演算部３０は、プログラムの実行を通じて、学習部（学習手段）３１および腐食量予測部（予測手段）３２として機能する。なお、本実施形態では、一つの演算部（≒コンピュータ）によって学習部３１および腐食量予測部３２の機能を実現しているが、二つの演算部（≒コンピュータ）により学習部３１および腐食量予測部３２の機能をそれぞれ実現してもよい。

学習部３１は、複数の環境パラメータと、金属材料の腐食量と、金属材料の使用期間とを含む実績データを用い、機械学習により、使用期間に応じた金属材料の腐食量を予測する腐食量予測モデルを生成する。学習部３１における腐食量予測モデルの具体的な生成方法は後記する（後記する「腐食量予測モデルの生成方法」参照）。

腐食量予測部３２は、学習部３１によって生成された腐食量予測モデルにより、腐食量を予測したい金属材料の環境パラメータと、金属材料の使用期間とを入力として、金属材料の腐食量を予測する。腐食量予測部３２における腐食量の具体的な予測方法は後記する（後記する「腐食量予測方法」参照）。

表示部４０は、例えばＬＣＤディスプレイ、ＣＲＴディスプレイ等の表示装置によって実現され、演算部３０から入力される表示信号をもとに、例えば金属材料の腐食量の予測結果を表示する。

（腐食量予測モデルの生成方法）
本発明の実施形態１に係る金属材料の腐食量予測モデルの生成方法について、図２を参照しながら説明する。腐食量予測モデルの生成方法は、演算部３０の学習部３１が主体となって実施される。なお、腐食量予測モデルの生成は、後記する腐食量予測を実施する前に事前に実施しておく。

まず、環境パラメータおよび金属材料の使用期間を選択する（ステップＳ１１）。本ステップでは、温度（気温）、相対湿度、絶対湿度、濡れ時間、降雨量、飛来塩分量、ＳＯ_Ｘ濃度およびＮＯ_Ｘ濃度の中から、腐食量予測モデルの生成の際の説明変数として用いる環境パラメータを選択する。

ステップＳ１１では、全ての環境パラメータを選択し、全ての環境パラメータを考慮した腐食量予測モデルを生成してもよい。但し、前記した環境パラメータの中には、例えば飛来塩分量とＳＯ_Ｘ濃度との関係のように、環境パラメータ同士が多重共線性を示すものも存在する。そのため、後段のステップＳ１３において、環境パラメータ同士の多重共線性の問題を排除できない回帰モデルを用いて腐食量予測モデルを生成する場合、本ステップでは、予め環境パラメータ同士の相関を調べ、強い相関を持つ環境パラメータが含まれないように、環境パラメータを選択することが好ましい。

続いて、学習部３１は、ステップＳ１１で選択した使用期間の金属材料の腐食量と、その環境パラメータとを実績データベースから取得する（ステップＳ１２）。

続いて、学習部３１は、データ（具体的には環境パラメータ）の非線形性にフィッティング可能な回帰モデルにより、腐食量予測モデルを生成し（ステップＳ１３）、本フローを終了する。環境パラメータは、非線形性を有しているため、例えば非特許文献２で用いられていた重回帰分析では、予測精度を高めることができない。そこで、本ステップでは、非線形性にフッティング可能な回帰モデルを用いた機械学習により、使用期間に応じた金属材料の腐食量を予測する腐食量予測モデルを生成する。すなわち、本ステップでは、金属材料の使用期間および当該使用期間における環境パラメータを入力とし、当該使用期間における金属材料の腐食量を出力として、回帰モデルを学習させることにより、腐食量予測モデルを生成する。

ここで、非線形性にフィッティング可能な回帰モデル（機械学習の手法）としては、例えば決定木回帰、ランダムフォレスト、ニューラルネットワーク、サポートベクター回帰、勾配ブースティング等が挙げられる。

（腐食量予測方法）
本発明の実施形態１に係る金属材料の腐食量予測方法について、図３を参照しながら説明する。腐食量予測方法は、演算部３０の腐食量予測部３２が主体となって実施される。また、腐食量予測方法では、前記した腐食量予測モデルの生成方法によって生成された腐食量予測モデルを用いて任意の使用期間における金属材料の腐食量を予測する。

腐食量予測部３２は、具体的には、前記した腐食量予測モデルの生成方法によって生成された腐食量予測モデルから、予測したい環境パラメータにおける腐食量の予測値を算出し（ステップＳ２１）、本フローを終了する。そして、腐食量予測部３２は、腐食量の予測結果を表示部４０に表示する。

ステップＳ２１では、前記した腐食量予測モデルにより、腐食量を予測したい金属材料の使用環境を示す複数の環境パラメータと、金属材料の使用期間とを入力として、金属材料の腐食量を予測する。すなわち、本ステップでは、腐食量予測モデルに対して、金属材料の使用期間および当該使用期間における環境パラメータを入力することにより、当該使用期間および環境パラメータにおける金属材料の腐食量を出力として得る。また、本ステップでは、任意の使用期間を腐食量予測モデルに入力することにより、任意の使用期間における腐食量を得ることができる。

（実施例）
本発明の実施形態１に係る金属材料の腐食量予測方法の実施例について、図４を参照しながら説明する。同図は、橋梁に使用されている腐食量予測モデルを用いて得た、金属材料の腐食量の予測値と実績値との間の誤差を示すグラフである。同図の（ａ）は比較例であり、前記した学習ステップにおいて重回帰分析を用いて腐食量予測モデルを生成し、この腐食量予測モデルによって腐食量を予測した結果を示している。また、同図の（ｂ）〜（ｄ）は本発明例であり、前記した学習ステップにおいて、決定木回帰、サポートベクター回帰、ランダムフォレストを用いて腐食量予測モデルを生成し、これらの腐食量予測モデルによって腐食量を予測した結果を示している。

ここで、前記した決定木回帰は、説明変数の値を基にツリー形式で表現されたルールを用いて目的変数の予測を行う。このルールの例としては、例えば「気温ｘ℃以上であれば腐食量ｙ、気温ｘ℃未満であれば腐食量ｚ」等が挙げられる。金属材料の腐食量は、一般的には気温が高いほど大きくなるが、気温がある程度高くなると、腐食量は逆に小さくなる。そのため、このようなルールを用いて予測することにより、重回帰等の線形回帰よりも予測精度を向上させることができる。また、決定木回帰では、ルールを用いて予測するため、予測の過程が非常に分かりやすいという特徴がある。なお、本実施例における検証（図４の（ｂ）参照）では、決定木の深さは「６」としている。

サポートベクター回帰は、カーネルによって説明変数の非線形変換を行って新たな変数を作成し、その新しい変数によって予測モデルを構築する。サポートベクター回帰では、予測モデルの構築の際に、所定の値より小さい誤差を無視することにより、ノイズに強いモデルを作成できるという特徴がある。金属材料の腐食量は、説明変数だけでは説明しきれない要因があり、同じ説明変数の環境パラメータも腐食量が少し異なる。そのため、予めこのような誤差を許容する、ノイズに強い回帰モデルであるサポートベクター回帰を適用することにより、予測精度を向上させることができる。なお、本実施例における検証（図４の（ｃ）参照）では、非線形変換にガウスカーネルを用いている。

ランダムフォレストはサンプルをランダムに省いた決定木を複数作成する。そして、各決定木の予測結果の平均をとることにより予測する。このように複数の決定木を組み合わせることにより、決定木単体と比較してデータのノイズに強くなり、予測精度が向上する。なお、本実施例における検証（図４の（ｄ）参照）では、決定木を５００個作成し、決定木ごとに二つのサンプルをランダムに省いている。また、各決定木の深さは「６」としている。

また、比較例および本発明例では、金属材料の使用期間（年）、年平均気温（℃）、年平均湿度（％）、日単位での平均飛来塩分量（ｍｇ／ｍ^２／ｄａｙ（＝ｍｍｄ）（Ｃｌ⁻換算））、日単位での平均ＳＯ_Ｘ濃度（ｍｇ／ｍ^２／ｄａｙ（＝ｍｍｄ）（Ｓｏ_２換算））を説明変数とし、金属材料の腐食量（μｍ）を予測変数として、回帰モデルを学習させて腐食量予測モデルを生成した。なお、平均飛来塩分量および平均ＳＯ_Ｘ濃度は上記のように日単位のデータであるが、予測に使用する値は、各値の年間平均値のように、所定期間での平均値を用いる。ここでは、年平均値を用いている。

図４に示すように、非線形性に対応不可能な重回帰分析（（ａ）参照）を用いた例と、非線形性に対応可能な回帰モデル（（ｂ）〜（ｄ）参照）を用いた例とを比較すると、後者の回帰モデルを用いることにより、ｒＲＭＳＥ（relative root means square of error：相対平均二乗誤差）が小さくなり、金属材料の腐食量の予測精度が高くなることを確認できた。

以上説明したような本発明の実施形態１に係る金属材料の腐食量予測モデルの生成方法、金属材料の腐食量予測方法によれば、機械学習によって腐食量予測モデルを生成し、当該腐食量予測モデルを用いることにより、大気腐食環境において、金属材料の長期腐食予測を精度高く行うことができる。また、本実施形態に係る腐食量予測方法によれば、任意の使用期間における金属材料の腐食量を、簡易な構成およびプロセスにより予測することができる。また、本実施形態に係る腐食量予測方法を用いることにより、使用環境に応じた最適な金属材料を選定することが可能となる。

［実施形態２］
（腐食量予測装置）
本発明の実施形態２に係る金属材料の腐食量予測装置の構成について説明する。本実施形態に係る腐食量予測装置１Ａは、図１に示すように、前記した腐食量予測装置１とハードウェア構成が同じであり、演算部３０で行われる処理のみが異なる。従って、演算部３０における処理以外の説明は省略する。

学習部３１は、回帰モデルを用いた機械学習により、二つの予測モデルを生成する。二つの予測モデルのうち、第一の予測モデルは、予め定めた所定期間（例えば一年間）の金属材料の腐食量を予測する腐食量予測モデルであり、第二の予測モデルは、前記した所定期間を超える期間（例えば一年超）の金属材料の腐食速度の減衰を示す減衰パラメータを予測する減衰パラメータ予測モデルである。

学習部３１は、複数の環境パラメータと、金属材料の腐食量と、金属材料の使用期間とを含む実績データを用い、機械学習により、腐食量予測モデルおよび減衰パラメータ予測モデルを生成する。学習部３１における二つの予測モデルの具体的な生成方法は後記する（後記する「腐食量予測モデルの生成方法」参照）。

腐食量予測部３２は、学習部３１によって生成された腐食量予測モデル（第一の予測モデル）により、腐食量を予測したい金属材料の環境パラメータと、金属材料の使用期間（例えば一年間）とを入力として、所定期間の金属材料の腐食量を予測する。

また、腐食量予測部３２は、学習部３１によって生成された減衰パラメータ予測モデル（第二の予測モデル）により、腐食量を予測したい金属材料の環境パラメータと、所定期間を超える期間（例えば一年超）とを入力として、所定期間を超える期間の金属材料の腐食量の減衰パラメータを予測する。そして、腐食量予測部３２は、所定期間の金属材料の腐食量と、減衰パラメータとに基づいて、所定期間を超える期間の金属材料の腐食量を予測する。腐食量予測部３２における腐食量の具体的な予測方法は後記する（後記する「腐食量予測方法」参照）。

（腐食量予測モデルの生成方法）
本発明の実施形態２に係る金属材料の腐食量予測モデルの生成方法について、図５および図６を参照しながら説明する。腐食量予測モデルの生成方法は、演算部３０の学習部３１が主体となって実施される。

なお、腐食量予測モデルの生成方法では、所定期間（例えば一年間）の金属材料の腐食量を予測する腐食量予測モデルの生成（図５参照）と、所定期間を超える期間の金属材料の腐食量の減衰パラメータの生成（図６参照）とを行うが、減衰パラメータの生成は、所定期間を超える金属材料の腐食量を予測したい場合にのみ実施すればよく、所定期間の金属材料の腐食量のみを予測する場合は実施しなくてもよい。また、腐食量予測モデルの生成および減速パラメータの生成は、後記する腐食量予測を実施する前に事前に実施しておく。

（１）腐食量予測モデルの生成
まず、温度（気温）、相対湿度、絶対湿度、濡れ時間、降雨量、飛来塩分量、ＳＯ_Ｘ濃度およびＮＯ_Ｘ濃度の中から、腐食量予測モデルの生成の際の説明変数として用いる環境パラメータを選択する（ステップＳ３１）。本ステップにおける環境パラメータの選択方法は、前記したステップＳ１１（図２参照）と同様であるため、説明を省略する。

続いて、学習部３１は、予め定めた所定期間の金属材料の腐食量と、その環境パラメータとを実績データベースから取得する（ステップＳ３２）。

続いて、学習部３１は、データ（具体的には環境パラメータ）の非線形性にフィッティング可能な回帰モデルにより、腐食量予測モデルを生成し（ステップＳ３３）、本フローを終了する。本ステップにおける腐食量予測モデルの生成方法は、前記したステップＳ１３（図２参照）と同様であるため、説明を省略する。

（２）減衰パラメータ予測モデルの生成
まず、学習部３１は、予め定めた所定期間の金属材料の腐食量およびその環境パラメータと、所定期間を超える期間の金属材料の腐食量およびその環境パラメータと、を実績データベースから取得する（ステップＳ４１）。

続いて、学習部３１は、データ（具体的には環境パラメータ）の非線形性にフィッティング可能な回帰モデルにより、減衰パラメータ予測モデルを生成し（ステップＳ４２）、本フローを終了する。

ここで、非特許文献１に示すように、大気腐食環境における金属材料の腐食量は、経験式として以下の式（１）で表されることが知られている。

上記式（１）において、Ｙは使用期間Ｘ年後の金属材料の腐食量、Ａは使用期間が一年の金属材料の腐食量、Ｘは金属材料の使用期間、Ｂは腐食により形成されるさび層の効果による腐食速度の減衰を示す減衰パラメータである。

上記式（１）の対数をとり、整理すると下記式（２）に示すように変形することができる。

ここで、前記したステップＳ４２では、予め定めた所定期間を超える期間の金属材料の腐食量を直接予測する予測モデル（上記式（１）のＹの予測モデル）を直接生成するのではなく、上記式（１）のＢを予測する予測モデルを生成する。すなわち、ステップＳ４１で取得した各実績データについて、上記式（２）の「ｌｏｇＹ−ｌｏｇＡ」の値を求め、金属材料の使用期間（所定期間を超える期間）および当該使用期間における環境パラメータから、「ｌｏｇＹ−ｌｏｇＡ」の値を予測する予測モデルを生成する。この予測モデルが、本実施形態における減衰パラメータ予測モデルである。なお、回帰モデルに用いる各環境パラメータには、ｌｏｇＸを掛けた値を使用する。

（腐食量予測方法）
本発明の実施形態２に係る金属材料の腐食量予測方法について、図７を参照しながら説明する。腐食量予測方法は、腐食量予測部３２が主体となって実施される。また、以下では、予め定める所定期間を「一年間」として説明を行う。

まず、腐食量予測部３２は、前記したステップＳ３３で生成された腐食量予測モデルから、予測したい環境パラメータにおける腐食量の予測値を算出する（ステップＳ５１）。本ステップでは、前記した腐食量予測モデルにより、腐食量を予測したい金属材料の使用環境を示す複数の環境パラメータを入力として、一年間の金属材料の腐食量を予測する。すなわち、本ステップでは、腐食量予測モデルに対して、金属材料の使用期間（＝一年間）における環境パラメータを入力することにより、当該使用期間および環境パラメータにおける金属材料の腐食量を出力として得る。

続いて、腐食量予測部３２は、使用期間が一年の腐食量を予測するか否かを判定する（ステップＳ５２）。ステップＳ５２において、使用期間が一年の腐食量を予測すると判定した場合（ステップＳ５２でＹｅｓ）、腐食量予測部３２は、本フローを終了し、腐食量の予測結果を表示部４０に表示する。

一方、ステップＳ５２において、使用期間が一年超の腐食量を予測すると判定した場合（ステップＳ５２でＮｏ）、腐食量予測部３２は、減衰パラメータ予測モデルから、予測したい環境パラメータにおける減衰パラメータの予測値を算出する（ステップＳ５３）。

ステップＳ５２では、前記した減衰パラメータ予測モデルに対して、腐食量を予測したい金属材料の環境を示す複数の環境パラメータと、金属材料の使用期間（＝一年超）とを入力することにより、上記式（２）の「ｌｏｇＹ−ｌｏｇＡ」の値を出力として得る。そして、当該「ｌｏｇＹ−ｌｏｇＡ」の値からｌｏｇＸを割ることにより、当該使用期間および環境パラメータにおける金属材料の腐食量の減衰パラメータを予測する。

続いて、腐食量予測部３２は、ステップＳ５１で算出した金属材料の腐食量の予測値（使用期間：一年）と、ステップＳ５３で算出した減衰パラメータの予測値とから、予測したい使用期間（＝一年超）における腐食量の予測値を算出し（ステップＳ５４）、本フローを終了する。そして、腐食量予測部３２は、腐食量の予測結果を表示部４０に表示する。

（実施例）
本発明の実施形態２に係る金属材料の腐食量予測方法の実施例について、図８を参照しながら説明する。同図は、橋梁に使用されている腐食量予測モデルを用いて得た、金属材料の腐食量の予測値と実績値との間の誤差を示すグラフである。同図の（ａ）は比較例であり、前記した学習ステップにおいて重回帰分析を用いて腐食量予測モデルを生成し、この腐食量予測モデルによって腐食量を予測した結果を示している。また、同図の（ｂ）〜（ｄ）は本発明例であり、前記した学習ステップにおいて、決定木回帰、サポートベクター回帰、ランダムフォレストを用いて腐食量予測モデルを生成し、これらの腐食量予測モデルによって腐食量を予測した結果を示している。

また、決定木回帰を用いた検証（図８の（ｂ）参照）では、決定木の深さは「６」としている。また、サポートベクター回帰を用いた検証（図８の（ｃ）参照）では、非線形変換にガウスカーネルを用いている。また、ランダムフォレストを用いた検証（図８の（ｄ）参照）では、決定木を５００個作成し、決定木ごとに二つのサンプルをランダムに省いている。また、各決定木の深さは「６」としている。

また、比較例および本発明例では、金属材料の使用期間（年）、年平均気温（℃）、年平均湿度（％）、日単位での平均飛来塩分量（ｍｇ／ｍ^２／ｄａｙ（＝ｍｍｄ）（Ｃｌ⁻換算））、日単位での平均ＳＯ_Ｘ濃度（ｍｇ／ｍ^２／ｄａｙ（＝ｍｍｄ）（Ｓｏ_２換算））を説明変数とし、金属材料の腐食量（μｍ）を予測変数として、回帰モデルを学習させて腐食量予測モデルを生成した。なお、平均飛来塩分量および平均ＳＯ_Ｘ濃度は上記のように日単位のデータであるが、予測に使用する値は、各値の年間平均値のように、所定期間での平均値を用いる。ここでは、年平均値を用いている。

図８に示すように、非線形性に対応不可能な重回帰分析（（ａ）参照）を用いた例と、非線形性に対応可能な回帰モデル（（ｂ）〜（ｄ）参照）を用いた例とを比較すると、後者の回帰モデルを用いることにより、ｒＲＭＳＥが小さくなり、金属材料の腐食量の予測精度が高くなることを確認できた。また、前記した実施形態１の実施例における結果（図４参照）と比較すると、全ての回帰モデルにおいて相対平均二乗誤差が小さくなり、金属材料の腐食量の予測精度がより一層向上することが確認できた。

以上説明したような本発明の実施形態２に係る金属材料の腐食量予測モデルの生成方法、金属材料の腐食量予測方法によれば、大気腐食環境において、金属材料の長期腐食予測をより精度高く行うことができる。また、本実施形態に係る腐食量予測方法を用いることにより、使用環境に応じた最適な金属材料を選定することが可能となる。

以上、本発明に係る金属材料の腐食量予測モデルの生成方法、金属材料の腐食量予測方法、金属材料の選定方法、金属材料の腐食量予測プログラムおよび金属材料の腐食量予測装置について、発明を実施するための形態および実施例により具体的に説明したが、本発明の趣旨はこれらの記載に限定されるものではなく、請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。

例えば、前記した実施形態１では、腐食量予測モデルの生成方法（図２参照）とこの予測モデルを用いた腐食量予測方法（図３参照）とをそれぞれ別のタイミングで行っていたが、例えば図２のステップＳ１１〜Ｓ１３の後に図３のステップＳ２１を行ってもよい。

同様に、前記した実施形態２では、腐食量予測モデルの生成方法（図５参照）と減衰パラメータ予測モデルの生成方法（図６参照）とこれらの予測モデルを用いた腐食量予測方法（図７参照）とをそれぞれ別のタイミングで行っていたが、例えば図５のステップＳ３１〜Ｓ３３の後に図７のステップＳ５１，Ｓ５２を行い、ステップＳ５２で否定判定がなされた場合に図６のステップＳ４１，Ｓ４２を行い、ステップＳ４２の後に図７のステップＳ５３，Ｓ５４を行ってもよい。

ここで、前記した実施形態２では、金属材料の初期一年間の初期腐食量Ａと、金属材料の腐食速度の減衰を示す減衰パラメータＢとをそれぞれ分けて予測し、初期一年間の腐食量を基準として長期腐食量を予測していたが、長期腐食量を予測する際の基準は初期一年間の腐食量には限定されない。

すなわち、初期腐食量予測ステップにおいて、予め定める任意の所定期間（初期期間）における金属材料の腐食量を予測し、長期腐食量予測ステップにおいて、前記した所定期間の腐食量を基準として長期腐食量を予測してもよい。

例えば初期腐食量として１．５年の腐食量がＡ’として与えられた場合、そこからＸ年後の腐食量の予測式は、上記式（１）を拡張して、下記式（３）のように記述可能と考えられる。

これを一般化すれば、ある初期期間Ｘ_０年の腐食量をＡ’、Ｘ_０年を基準とした減衰パラメータをＢ’として、下記式（４）を得ることができる。この式（４）を用いることにより、Ｘ_０年間を基準とした腐食量として、Ｘ＞Ｘ_０の期間の腐食量を算出することができる。

金属材料の任意の初期期間の初期腐食量Ａ’と、減衰パラメータＢ’とをそれぞれ分けて予測し、上記式（４）に示すように、初期期間以降の経過年数Ｘ’を減衰パラメータＢ’で累乗することにより、初期期間以降の長期腐食量を予測することができる。但し、上記式（１）の初期腐食量Ａは、１年間の腐食量を前提としている。そのため、上記式（４）のＸ_０の期間は、１年間から大きくずれた場合は想定しておらず、半年間から２年間程度であることが現実的な実用範囲と考えられる。

１，１Ａ 腐食量予測装置
１０ 入力部
２０ 実績データベース
３０ 演算部
３１ 学習部
３２ 腐食量予測部
４０ 表示部

Claims (11)

1. 金属材料の使用環境を示す複数の環境パラメータと、前記金属材料の腐食量と、前記金属材料の使用期間と、を含むデータを用い、機械学習により、前記使用期間に応じた前記金属材料の腐食量を予測する予測モデルを生成する学習ステップを含む金属材料の腐食量予測モデルの生成方法。
2. 前記学習ステップは、
   予め定めた所定期間の前記金属材料の腐食量を予測する第一の予測モデルを生成する第一の学習ステップと、
   前記所定期間を超える期間の前記金属材料の腐食速度の減衰を示す減衰パラメータを予測する第二の予測モデルを生成する第二の学習ステップと、
   を含む請求項１に記載の金属材料の腐食量予測モデルの生成方法。
3. 前記機械学習の手法として、決定木回帰、ランダムフォレスト、ニューラルネットワーク、サポートベクター回帰を含む学習方法を用いる請求項１または請求項２に記載の金属材料の腐食量予測モデルの生成方法。
4. 請求項１に記載の方法により生成された予測モデルにより、腐食量を予測したい金属材料の使用環境を示す複数の環境パラメータと、前記金属材料の使用期間とを入力として、前記金属材料の腐食量を予測する予測ステップを含む金属材料の腐食量予測方法。
5. 請求項２に記載の方法により生成された第一の予測モデルにより、腐食量を予測したい金属材料の使用環境を示す複数の環境パラメータと、予め定めた所定期間とを入力として、前記所定期間の前記金属材料の腐食量を予測する第一の予測ステップと、
   請求項２に記載の方法により生成された第二の予測モデルにより、腐食量を予測したい前記金属材料の使用環境を示す複数の環境パラメータと、前記所定期間を超える期間とを入力として、前記所定期間を超える期間の前記金属材料の腐食速度の減衰を示す減衰パラメータを予測する第二の予測ステップと、
   前記所定期間の前記金属材料の腐食量と、前記減衰パラメータとに基づいて、前記所定期間を超える期間の前記金属材料の腐食量を予測する第三の予測ステップと、
   を含む金属材料の腐食量予測方法。
6. 前記複数の環境パラメータは、温度、相対湿度、絶対湿度、濡れ時間および降雨量のうちの少なくとも一つと、飛来塩分量、ＳＯ_Ｘ濃度およびＮＯ_Ｘ濃度のうちの少なくとも一つと、を含む請求項４または請求項５に記載の金属材料の腐食量予測方法。
7. 請求項４または請求項５に記載の金属材料の腐食量予測方法を用いて、使用環境に応じた金属材料を選定する金属材料の選定方法。
8. コンピュータを、請求項１に記載の方法により生成された予測モデルにより、腐食量を予測したい金属材料の使用環境を示す複数の環境パラメータと、前記金属材料の使用期間とを入力として、前記金属材料の腐食量を予測する予測手段として機能させるための金属材料の腐食量予測プログラム。
9. コンピュータを、
   請求項２に記載の方法により生成された第一の予測モデルにより、腐食量を予測したい金属材料の使用環境を示す複数の環境パラメータと、予め定めた所定期間とを入力として、前記所定期間の前記金属材料の腐食量を予測する第一の予測手段、
   請求項２に記載の方法により生成された第二の予測モデルにより、腐食量を予測したい前記金属材料の使用環境を示す複数の環境パラメータと、前記所定期間を超える期間とを入力として、前記所定期間を超える期間の前記金属材料の腐食速度の減衰を示す減衰パラメータを予測する第二の予測手段と、
   前記所定期間の前記金属材料の腐食量と、前記減衰パラメータとに基づいて、前記所定期間を超える期間の前記金属材料の腐食量を予測する第三の予測手段、
   として機能させるための金属材料の腐食量予測プログラム。
10. 金属材料の使用環境を示す複数の複数の環境パラメータと、前記金属材料の腐食量と、前記金属材料の使用期間と、を含むデータを用い、機械学習により、前記使用期間に応じた前記金属材料の腐食量を予測する予測モデルを生成する学習手段と、
    前記予測モデルにより、腐食量を予測したい前記金属材料の使用環境を示す複数の環境パラメータと、前記金属材料の使用期間とを入力として、前記金属材料の腐食量を予測する予測手段と、
    を備える金属材料の腐食量予測装置。
11. 前記学習手段は、
    予め定めた所定期間の前記金属材料の腐食量を予測する第一の予測モデルを生成する第一の学習手段と、
    前記所定期間を超える期間の前記金属材料の腐食速度の減衰を示す減衰パラメータを予測する第二の予測モデルを生成する第二の学習手段と、
    を備え、
    前記予測手段は、
    前記第一の予測モデルにより、腐食量を予測したい前記金属材料の使用環境を示す複数の環境パラメータと、予め定めた所定期間とを入力として、前記所定期間の前記金属材料の腐食量を予測する第一の予測手段と、
    前記第二の予測モデルにより、腐食量を予測したい前記金属材料の使用環境を示す複数の環境パラメータと、前記所定期間を超える期間とを入力として、前記所定期間を超える期間の前記金属材料の腐食速度の減衰を示す減衰パラメータを予測する第二の予測手段と、
    前記所定期間の前記金属材料の腐食量と、前記減衰パラメータとに基づいて、前記所定期間を超える期間の前記金属材料の腐食量を予測する第三の予測手段と、
    を備える請求項１０に記載の金属材料の腐食量予測装置。