WO2022038699A1 - 腐食性予測方法および装置 - Google Patents

腐食性予測方法および装置 Download PDF

Info

Publication number
WO2022038699A1
WO2022038699A1 PCT/JP2020/031225 JP2020031225W WO2022038699A1 WO 2022038699 A1 WO2022038699 A1 WO 2022038699A1 JP 2020031225 W JP2020031225 W JP 2020031225W WO 2022038699 A1 WO2022038699 A1 WO 2022038699A1
Authority
WO
WIPO (PCT)
Prior art keywords
soil
information
corrosiveness
environmental information
corrosion
Prior art date
Application number
PCT/JP2020/031225
Other languages
English (en)
French (fr)
Inventor
真悟 峯田
翔太 大木
守 水沼
宗一 岡
Original Assignee
日本電信電話株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to JP2022543863A priority Critical patent/JP7359313B2/ja
Priority to PCT/JP2020/031225 priority patent/WO2022038699A1/ja
Publication of WO2022038699A1 publication Critical patent/WO2022038699A1/ja

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D31/00—Protective arrangements for foundations or foundation structures; Ground foundation measures for protecting the soil or the subsoil water, e.g. preventing or counteracting oil pollution
    • E02D31/06—Protective arrangements for foundations or foundation structures; Ground foundation measures for protecting the soil or the subsoil water, e.g. preventing or counteracting oil pollution against corrosion by soil or water
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light

Definitions

  • the present invention relates to a corrosiveness prediction method and an apparatus for estimating soil corrosiveness.
  • infrastructure equipment There are many types of infrastructure equipment that support our lives, and the number is enormous. In addition, infrastructure equipment is exposed to various environments not only in urban areas but also in mountainous areas and coastal areas, hot spring areas and cold areas, and even in the sea and underground, and the form and speed of deterioration vary. .. In order to maintain infrastructure equipment with these characteristics, it is necessary to grasp the current state of deterioration through inspections and to operate efficiently based on the forecast results.
  • Non-Patent Documents 1 and 2 there are many metal underground equipment that is used with all or part of it buried in the ground, as represented by steel pipe columns, support anchors, and underground steel pipes. These underground facilities corrode due to contact with the soil, and deterioration progresses at a different rate depending on the soil environment.
  • corrosiveness as used herein mainly refers to the degree of corrosion of metallic materials such as iron and steel.
  • environmental factors involved in corrosion such as resistance, pH, and water content are measured and scored for the soil for which corrosiveness is to be evaluated, and the total score of each factor is used to determine the soil corrosiveness. I am evaluating the size.
  • the present invention has been made to solve the above problems, and an object of the present invention is to enable more accurate corrosion prediction than before.
  • the corrosiveness prediction method comprises the first step of acquiring environmental information composed of information on the soil of the land to be predicted and each element of the weather information of the land, and each element of the acquired environmental information.
  • the second step is to convert each into two-dimensional or higher tensor data, and the acquired environmental information to be multidimensional tensor data composed by combining each element, environmental information as multidimensional tensor data, and burying in land.
  • the corrosiveness prediction device has an acquisition unit for acquiring environmental information composed of information on the soil of the land to be predicted and each element of the weather information of the land, and each element of the acquired environmental information.
  • the first processing unit which uses each of the above as tensor data of two or more dimensions and the acquired environmental information as multidimensional tensor data composed by combining each element, the environmental information as multidimensional tensor data, and the land.
  • the second processing unit that learns the relationship between the corrosion rate or corrosion amount of the metal structure and the acquired environmental information and builds a prediction model, and the acquisition It is equipped with a third processing unit that predicts the corrosion rate or corrosion amount of the metal structure using a prediction model from the environmental information obtained and the elapsed years of the metal structure buried in the land.
  • the corrosion rate or the amount of corrosion of the metal structure buried in the target land is predicted by using the environmental information as the multidimensional tensor data, so that the accuracy is higher than the conventional one. Corrosion can be predicted.
  • FIG. 1 is a flowchart illustrating a corrosiveness prediction method according to an embodiment of the present invention.
  • FIG. 2 is an explanatory diagram showing an example of image data of a three-dimensional tensor.
  • FIG. 3 is an explanatory diagram showing the concept of environmental information for each target area.
  • FIG. 4 is a block diagram showing the configuration of the corrosiveness prediction device according to the second embodiment of the present invention.
  • FIG. 5 is an explanatory diagram showing a configuration example of two-dimensional tensor data.
  • the environmental information composed of each element of the soil information of the land to be predicted and the meteorological information of the land is acquired.
  • Information about soil is, for example, soil classification information such as soil particle size, soil water content, soil temperature, soil oxygen concentration, soil permeability coefficient, soil color, soil classification, and soil herdage.
  • the meteorological information is, for example, at least one of rainfall, temperature, barometric pressure, and sunshine conditions.
  • Meteorological conditions such as rainfall, temperature, atmospheric pressure, and sunshine conditions directly affect the underground environment, so they are important factors that give insight into the corrosion of metal structures buried in soil.
  • how the soil, that is, the underground environment, is affected by the weather also changes depending on the condition of the ground surface. For example, if the surface of the earth is covered with concrete or asphalt, it is considered that the change in the water content of the underground environment is small even if it rains, for example. In this case, since water hardly volatilizes from the ground surface, the underground environment is more stable over time than the bare soil.
  • soil on land with long hours of sunshine annually has different corrosion behavior because water evaporation is greater than soil with short hours of sunshine.
  • the distance from the body of water also affects the soil. For example, soils closer to paddy fields and rivers are more likely to retain higher water content.
  • the environmental information composed of each element of the soil information and the meteorological information of the prediction target area is acquired.
  • the method of acquiring environmental information is not particularly limited.
  • information about soil can be obtained using sensors that can measure these.
  • Information can be obtained by measuring the soil water content, temperature, and oxygen concentration with the corresponding sensors.
  • the particle size distribution of the soil can be obtained by collecting the soil in the prediction target area and measuring the collected soil with a particle size distribution measuring device.
  • the classification information such as soil classification and soil group.
  • Meteorological information can be obtained by installing a measurement sensor in the forecast target area. It is also possible to acquire observation data published by meteorological stations and use it. In this case, it is preferable to use the data of the meteorological station closest to the forecast target area.
  • each element of the acquired environmental information is converted into two-dimensional or higher tensor data, and the acquired environmental information is converted into multidimensional tensor data composed by combining each element.
  • each element of the acquired environmental information is processed into image data of a three-dimensional tensor.
  • soil particle size distribution information which is one of the elements constituting environmental information
  • matrix data consisting of particle size and frequency, that is, two-dimensional tensor data
  • the elements constituting the environmental information can be (converted to) image data of a three-dimensional tensor.
  • an image obtained by taking an image of soil with an optical microscope or an SEM image can be used as tensor data having two or more dimensions. This image contains particle size distribution and particle arrangement information as soil particle size information, and has effective information for corrosion prediction.
  • the shape and data type of the tensor data of two or more dimensions are not particularly limited, but it is preferable to use the same shape and data type as other elements constituting the environmental information.
  • the matrix data consisting of the time and the rainfall that is, 2 as shown in Table 2 below.
  • Dimensional tensor data is obtained.
  • the acquired environmental information can be image data (graph) of a three-dimensional tensor as shown in FIG.
  • the period and data interval of the rainfall data to be acquired are not particularly limited.
  • one scalar information for each element that is, zero-dimensional tensor data is used as information on the soil in the prediction target area.
  • the resistivity of the prediction target area A is X
  • the pH value is Y
  • the water content is Z
  • 0-dimensional tensor data is acquired for each element and used for prediction.
  • a prediction model can be constructed while retaining necessary information, so that corrosion prediction can be performed with higher accuracy than before.
  • the corrosion rate or the corrosion amount of the metal structure was acquired from the environmental information as multidimensional tensor data and the corrosion amount and the elapsed years of the metal structure buried in the land. Build a prediction model by learning the relationship with environmental information.
  • the objective variable when constructing a predictive model is the amount of corrosion or the rate of corrosion of metal structures.
  • the environmental information and the number of years elapsed, which are composed of the two-dimensional or more tensor data obtained as described above as elements, are the explanatory variables.
  • the corrosion rate of the metal structure is the objective variable
  • the corrosion rate is calculated from the amount of corrosion and the number of years elapsed, and this is used as the objective variable. It can be easily calculated by dividing the amount of corrosion by the number of years elapsed.
  • the explanatory variables in this case are environmental information composed of two-dimensional or more tensor data obtained as described above as elements.
  • Machine learning algorithms including deep learning, are used to build predictive models.
  • the algorithm for constructing the predictive model is not particularly limited, but it is possible to effectively construct the predictive model by using the algorithm corresponding to the multidimensional array data.
  • Figure 3 shows a conceptual diagram of the environmental information for each target area.
  • the element data to be input as the explanatory variables may be all composed of tensor data having two or more dimensions, and there are no restrictions on the form of the objective variable or the form of the prediction model.
  • the corrosion rate or the amount of corrosion of the metal structure is predicted using the prediction model from the acquired environmental information and the elapsed years of the metal structure buried in the land.
  • environmental information regarding the prediction target is newly acquired, and prediction is performed using the prediction model from the acquired environmental information and the elapsed years of the target metal structure. do.
  • the soil information and meteorological information of the prediction target area are input to the prediction model, and the corrosion amount and corrosion rate of the metal structure are predicted.
  • the prediction model it is necessary to use the data for model construction acquired in advance, and in the actual prediction, it is necessary to use the data different from the target area to be predicted in order to guarantee the reliability of the prediction.
  • the output data format of the forecast is not particularly limited.
  • the corrosiveness prediction device includes an acquisition unit 101, a first processing unit 102, a second processing unit 103, a third processing unit 104, and a display unit 105.
  • the first processing unit 102, the second processing unit 103, and the third processing unit 104 are, for example, a computer including a CPU (Central Processing Unit), a main storage device, an external storage device, a network connection device, and the like. It is a device, and the CPU operates (executes the program) by the program deployed in the main storage device, thereby realizing the methods of the second step, the third step, and the fourth step (each function described later).
  • the above program is a program for a computer to execute the above-mentioned method.
  • the network connection device connects to a predetermined network.
  • each function can be distributed to a plurality of computer devices.
  • the acquisition unit 101 acquires environmental information composed of each element of the soil of the land to be predicted and the meteorological information of the land.
  • the information about the soil includes the particle size of the soil, the water content of the soil, the temperature of the soil, the oxygen concentration of the soil, the water permeability coefficient of the soil, the color of the soil, the soil classification, and the soil.
  • Meteorological information is also at least one of rainfall, temperature, barometric pressure, and sunshine conditions.
  • the acquisition unit 101 Since the acquisition unit 101 has a function of inputting environmental information composed of information on the soil of the prediction target area and each element of weather information to the first processing unit 102, a sensor or measurement for simply measuring this has a function. This can be realized by configuring the device and connecting it to a computer constituting the first processing unit 102. Further, the acquisition unit 101 can be configured from a computer connected to a network so that data on the Internet can be acquired.
  • the acquisition unit 101 composed of a sensor, a measuring device, or the like does not need to be directly or constantly connected to the first processing unit 102, and the measured (acquired) data can be stored on a recording medium of a USB memory. It can also be configured to be indirectly input (delivered) to the first processing unit 102.
  • the first processing unit 102 processes each element of the acquired environmental information into two-dimensional or higher tensor data, and the acquired environmental information is converted into multidimensional tensor data composed by combining each element.
  • the first processing unit 102 stores the processed two-dimensional or more tensor data in its own storage unit (not shown).
  • the first processing unit 102 processes and stores all of the information input from the acquisition unit 101 into two-dimensional tensor data of a matrix, three-dimensional tensor data of image data, and higher-order tensor data.
  • the first processing unit 102 processes the data input as 0-dimensional data into tensor data having two or more dimensions. For example, even if the ground surface information is input as 0-dimensional tensor data of 1 when it is covered with asphalt or concrete and 0 when it is exposed to the soil, it will be converted to 2D tensor data as shown in FIG. 5, for example. Process.
  • FIG. 5A shows two-dimensional tensor data in the case of bare soil
  • FIG. 5B shows two-dimensional tensor data in the case of being covered with asphalt or concrete.
  • the data shape is processed according to the data shape of other elements.
  • the second processing unit 103 uses the environmental information as multidimensional tensor data, the corrosion amount and the elapsed years of the metal structure buried in the land, the corrosion rate or the corrosion amount of the metal structure, and the acquired environmental information. Learn the relationship with and build a predictive model.
  • the second processing unit 103 stores the constructed prediction model in its own storage unit (not shown).
  • the second processing unit 103 can be realized by a computer provided with an execution environment and a storage area for machine learning and deep learning algorithms.
  • the third processing unit 104 predicts the corrosion rate or the amount of corrosion of the metal structure using the prediction model from the acquired environmental information and the elapsed years of the metal structure buried in the land. The prediction result is displayed and output on the display unit 105.
  • the third processing unit 104 may be realized by a computer as long as it has an execution environment for machine learning and deep learning algorithms and a function capable of predictive calculation using the execution environment.
  • the corrosion rate or the amount of corrosion of the metal structure buried in the target land is predicted by using the environmental information as the multidimensional tensor data, so that the accuracy is higher than before. You will be able to predict high corrosion.
  • 101 acquisition unit, 102 ... first processing unit, 103 ... second processing unit, 104 ... third processing unit, 105 ... display unit.

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Hydrology & Water Resources (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Paleontology (AREA)
  • Civil Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Structural Engineering (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

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。 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。S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。

Description

腐食性予測方法および装置
　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。
Figure JPOXMLDOC01-appb-T000001
　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。
PCT/JP2020/031225 2020-08-19 2020-08-19 腐食性予測方法および装置 WO2022038699A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2022543863A JP7359313B2 (ja) 2020-08-19 2020-08-19 腐食性予測方法および装置
PCT/JP2020/031225 WO2022038699A1 (ja) 2020-08-19 2020-08-19 腐食性予測方法および装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/031225 WO2022038699A1 (ja) 2020-08-19 2020-08-19 腐食性予測方法および装置

Publications (1)

Publication Number Publication Date
WO2022038699A1 true WO2022038699A1 (ja) 2022-02-24

Family

ID=80323512

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/031225 WO2022038699A1 (ja) 2020-08-19 2020-08-19 腐食性予測方法および装置

Country Status (2)

Country Link
JP (1) JP7359313B2 (ja)
WO (1) WO2022038699A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115639135A (zh) * 2022-10-24 2023-01-24 广州市万保职业安全事务有限公司 一种基于机器视觉的钢质腐蚀安全检测方法与系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016103445A1 (ja) * 2014-12-26 2016-06-30 株式会社日立製作所 腐食環境診断システム、腐食防止システム、腐食環境診断方法及び腐食防止方法
JP2018092453A (ja) * 2016-12-06 2018-06-14 日本電気通信システム株式会社 学習装置、学習方法およびプログラム
US20200011784A1 (en) * 2018-07-05 2020-01-09 Accenture Global Solutions Limited Mitigating asset damage via asset data analysis and processing
WO2020027203A1 (ja) * 2018-07-31 2020-02-06 本田技研工業株式会社 推定システム、推定装置、推定方法、プログラム、及び記憶媒体
JP2020051801A (ja) * 2018-09-25 2020-04-02 株式会社クボタ 埋設管更新時期予測装置、埋設管更新時期予測方法、プログラム及びコンピュータ読み取り可能な記録媒体

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6449754B2 (ja) * 2015-06-10 2019-01-09 日本電信電話株式会社 推定方法
JP6480305B2 (ja) * 2015-11-10 2019-03-06 日本電信電話株式会社 予測方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016103445A1 (ja) * 2014-12-26 2016-06-30 株式会社日立製作所 腐食環境診断システム、腐食防止システム、腐食環境診断方法及び腐食防止方法
JP2018092453A (ja) * 2016-12-06 2018-06-14 日本電気通信システム株式会社 学習装置、学習方法およびプログラム
US20200011784A1 (en) * 2018-07-05 2020-01-09 Accenture Global Solutions Limited Mitigating asset damage via asset data analysis and processing
WO2020027203A1 (ja) * 2018-07-31 2020-02-06 本田技研工業株式会社 推定システム、推定装置、推定方法、プログラム、及び記憶媒体
JP2020051801A (ja) * 2018-09-25 2020-04-02 株式会社クボタ 埋設管更新時期予測装置、埋設管更新時期予測方法、プログラム及びコンピュータ読み取り可能な記録媒体

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115639135A (zh) * 2022-10-24 2023-01-24 广州市万保职业安全事务有限公司 一种基于机器视觉的钢质腐蚀安全检测方法与系统
CN115639135B (zh) * 2022-10-24 2023-10-10 广州市万保职业安全事务有限公司 一种基于机器视觉的钢质腐蚀安全检测方法与系统

Also Published As

Publication number Publication date
JPWO2022038699A1 (ja) 2022-02-24
JP7359313B2 (ja) 2023-10-11

Similar Documents

Publication Publication Date Title
Gao et al. Evaluation of CHIRPS and its application for drought monitoring over the Haihe River Basin, China
Tveito et al. A GIS-based agro-ecological decision system based on gridded climatology
Yin et al. Machine learning-based thermokarst landslide susceptibility modeling across the permafrost region on the Qinghai-Tibet Plateau
Wasko et al. Understanding trends in hydrologic extremes across Australia
Kumar et al. Geospatial mapping of soil organic carbon using regression kriging and remote sensing
Harisuseno et al. Determination of soil infiltration rate equation based on soil properties using multiple linear regression
Gautam et al. Time series analysis of reference crop evapotranspiration for Bokaro District, Jharkhand, India
Katipoğlu Spatial analysis of seasonal precipitation using various interpolation methods in the Euphrates basin, Turkey
Aldhshan et al. Change detection on land use/land cover and land surface temperature using spatiotemporal data of Landsat: a case study of Gaza Strip
Pachri et al. Development of water management modeling by using GIS in Chirchik river basin, Uzbekistan
Radhika et al. Machine learning model for automation of soil texture classification
WO2022038699A1 (ja) 腐食性予測方法および装置
Vos et al. Integrated data-modelling approach for suspended sediment transport on a regional scale
Zhuo et al. Multi-source hydrological soil moisture state estimation using data fusion optimisation
Bandara et al. Towards soil property retrieval from space: Proof of concept using in situ observations
Bajamgnigni Gbambie et al. Added value of alternative information in interpolated precipitation datasets for hydrology
Zhu et al. Building pedotransfer functions for estimating soil erodibility in southeastern China
Coopersmith et al. Using similarity of soil texture and hydroclimate to enhance soil moisture estimation
Gomersall et al. Estimating the variability of active‐layer thaw depth in two physiographic regions of northern Alaska
JP2018096805A (ja) 土壌含水率推定方法および土壌含水率推定装置
CN114818857A (zh) 一种积雪深度融合方法
Omer et al. Optimization of Monitoring Network to the Rainfall Distribution by Using Stochastic Search Algorithms: Lesson from Pakistan.
Reza Ghanbarpour et al. Evaluation of spatial and temporal variability of snow cover in a large mountainous basin in Iran
Melville et al. Geospatial modelling of rainfall erosivity in the humid tropics using remotely sensed data
Leao et al. TMI for urban resilience: Measuring and mapping long-term climate change effects on soil moisture

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20950265

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022543863

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20950265

Country of ref document: EP

Kind code of ref document: A1