特開 2024-54499 情報処理装置、オクタン価予測方法およびモデル生成方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024054499

(43)【公開日】2024-04-17

(54)【発明の名称】情報処理装置、オクタン価予測方法およびモデル生成方法

(51)【国際特許分類】

   G16C 20/30 20190101AFI20240410BHJP

   C10L 1/06 20060101ALI20240410BHJP

【ＦＩ】

G16C20/30

C10L1/06

【審査請求】未請求

【請求項の数】17

【出願形態】ＯＬ

(21)【出願番号】P 2022160746

(22)【出願日】2022-10-05

(71)【出願人】

【識別番号】000004444

【氏名又は名称】ＥＮＥＯＳ株式会社

(74)【代理人】

【識別番号】100105924

【弁理士】

【氏名又は名称】森下 賢樹

(72)【発明者】

【氏名】桑子 慶彦

(72)【発明者】

【氏名】三ツ井 裕太

(72)【発明者】

【氏名】土屋 和輝

(57)【要約】

【課題】複数の基材油を配合して製造される燃料油のオクタン価を予測する。
【解決手段】情報処理装置１０は、複数の成分の少なくとも一つを含む複数の基材油を配合して製造される複数の燃料油のそれぞれに含まれる複数の成分の成分比率と、複数の基材油のそれぞれのオクタン価実測値を複数の基材油の配合比率で加重平均して算出される複数の燃料油のそれぞれのオクタン価平均値と、複数の燃料油のそれぞれのオクタン価実測値との相関を示す相関モデルに関するモデルデータ２６を記憶する記憶部１４と、モデルデータ２６を用いて、複数の基材油を特定の配合比率で配合した特定の燃料油のオクタン価を予測する演算部１６と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

複数の成分の少なくとも一つを含む複数の基材油を配合して製造される複数の燃料油のそれぞれに含まれる前記複数の成分の成分比率と、前記複数の基材油のそれぞれのオクタン価実測値を前記複数の基材油の配合比率で加重平均して算出される前記複数の燃料油のそれぞれのオクタン価平均値と、前記複数の燃料油のそれぞれのオクタン価実測値との相関を示す相関モデルに関するモデルデータを記憶する記憶部と、
前記モデルデータを用いて、前記複数の基材油を特定の配合比率で配合した特定の燃料油のオクタン価を予測する演算部と、を備える情報処理装置。

【請求項2】

前記特定の配合比率を示す配合データを取得する取得部をさらに備え、
前記記憶部は、前記複数の基材油のそれぞれに含まれる前記複数の成分の成分比率と、前記複数の基材油のそれぞれのオクタン価実測値とを含む基材油データをさらに記憶し、
前記演算部は、前記配合データおよび前記基材油データを用いて、前記特定の燃料油の成分比率およびオクタン価平均値を算出し、前記算出した成分比率およびオクタン価平均値を用いて、前記特定の燃料油のオクタン価を予測する、請求項１に記載の情報処理装置。

【請求項3】

前記特定の燃料油の前記複数の成分の成分比率および前記オクタン価平均値を含む燃料油データを取得する取得部をさらに備え、
前記演算部は、前記燃料油データおよび前記モデルデータを用いて、前記特定の燃料油のオクタン価を予測する、請求項１に記載の情報処理装置。

【請求項4】

目標オクタン価を含む目標データを取得する取得部をさらに備え、
前記記憶部は、前記複数の基材油のそれぞれに含まれる前記複数の成分の成分比率と、前記複数の基材油のそれぞれのオクタン価実測値とを含む基材油データをさらに記憶し、
前記演算部は、前記基材油データ、前記モデルデータおよび前記目標データを用いて、前記目標オクタン価を充足する目標燃料油を製造するための前記複数の基材油の目標配合比率を決定する、請求項１に記載の情報処理装置。

【請求項5】

前記基材油データは、前記複数の基材油のそれぞれに含まれる特定成分の成分比率を含み、
前記演算部は、前記目標燃料油に含まれる前記特定成分の成分比率が所定の基準値以下となるように、前記目標配合比率を決定する、請求項４に記載の情報処理装置。

【請求項6】

前記特定成分は、鉛、硫黄分、酸素分、メチルターシャリブチルエーテル、ベンゼン、灯油、メタノール、エタノールおよび実在ガムの少なくともいずれかを備える、請求項５に記載の情報処理装置。

【請求項7】

前記基材油データは、前記複数の基材油のそれぞれのコストを含み、
前記演算部は、前記目標燃料油のコストが所定条件を充足するように、前記目標配合比率を決定する、請求項４に記載の情報処理装置。

【請求項8】

前記基材油データは、前記複数の基材油のそれぞれの在庫量を含み、
前記目標データは、目標製造量を含み、
前記演算部は、前記目標燃料油を前記目標製造量で製造する場合に使用される前記複数の基材油のそれぞれの使用量が前記在庫量以下となるように、前記目標配合比率を決定する、請求項４に記載の情報処理装置。

【請求項9】

前記複数の成分は、パラフィン分、オレフィン分、ナフテン分およびアロマ分の少なくともいずれかを備える、請求項１から８のいずれか一項に記載の情報処理装置。

【請求項10】

前記複数の成分は、エチルターシャリブチルエーテルを備える、請求項９に記載の情報処理装置。

【請求項11】

前記複数の基材油は、ナフサ、接触分解ガソリン、水素化分解ガソリン、改質ガソリン、重合ガソリン、異性化ガソリン、ラフィネート、アルキレート、ブタン、芳香族炭化水素化合物およびエチルターシャリブチルエーテルの少なくともいずれかを備える、請求項１から８のいずれか一項に記載の情報処理装置。

【請求項12】

前記モデルデータは、前記複数の燃料油のそれぞれの前記複数の成分の成分比率および前記オクタン価平均値を入力とし、前記複数の燃料油のそれぞれの前記オクタン価実測値を出力とする教師データを用いた機械学習によって生成される、請求項１から８のいずれか一項に記載の情報処理装置。

【請求項13】

前記機械学習は、線形回帰、サポートベクターマシン、ランダムフォレスト、勾配ブースティングおよびニューラルネットワークの少なくともいずれかを用いる、請求項１２に記載の情報処理装置。

【請求項14】

複数の成分の少なくとも一つを含む複数の基材油を特定の配合比率で配合して製造される特定の燃料油に含まれる前記複数の成分の成分比率を取得することと、
前記複数の基材油のそれぞれのオクタン価実測値を前記特定の配合比率で加重平均して算出されるオクタン価平均値を取得することと、
前記複数の基材油を配合して製造される複数の燃料油のそれぞれに含まれる前記複数の成分の成分比率と、前記複数の燃料油のそれぞれの前記オクタン価平均値と、前記複数の燃料油のそれぞれのオクタン価実測値との相関を示す相関モデルを用いて、前記特定の燃料油のオクタン価を予測することと、を備えるオクタン価予測方法。

【請求項15】

複数の成分の少なくとも一つを含む複数の基材油を特定の配合比率で配合して製造される特定の燃料油に含まれる前記複数の成分の成分比率を取得する機能と、
前記複数の基材油のそれぞれのオクタン価実測値を前記特定の配合比率で加重平均して算出されるオクタン価平均値を取得する機能と、
前記複数の基材油を配合して製造される複数の燃料油のそれぞれに含まれる前記複数の成分の成分比率と、前記複数の燃料油のそれぞれの前記オクタン価平均値と、前記複数の燃料油のそれぞれのオクタン価実測値との相関を示す相関モデルを用いて、前記特定の燃料油のオクタン価を予測する機能と、をコンピュータに実現させるプログラム。

【請求項16】

複数の成分の少なくとも一つを含む複数の基材油を配合して製造され、前記複数の基材油の配合比率が異なる複数の燃料油のそれぞれのオクタン価実測値を取得することと、
前記複数の燃料油のそれぞれに含まれる前記複数の成分の成分比率を取得することと、
前記複数の基材油のそれぞれのオクタン価実測値を前記複数の基材油の配合比率で加重平均して算出される前記複数の燃料油のそれぞれのオクタン価平均値を取得することと、
前記複数の燃料油のそれぞれの前記複数の成分の成分比率および前記オクタン価平均値を入力とし、前記複数の燃料油のそれぞれの前記オクタン価実測値を出力とする教師データを用いた機械学習により、前記複数の基材油を特定の配合比率で配合した特定の燃料油のオクタン価を予測するための相関モデルを生成することと、を備えるモデル生成方法。

【請求項17】

複数の成分の少なくとも一つを含む複数の基材油のそれぞれに含まれる前記複数の成分の成分比率と、前記複数の基材油のそれぞれのオクタン価実測値とを含む基材油データを記憶し、前記複数の基材油を配合して製造される複数の燃料油のそれぞれに含まれる前記複数の成分の成分比率と、前記複数の基材油のそれぞれのオクタン価実測値を前記複数の基材油の配合比率で加重平均して算出される前記複数の燃料油のそれぞれのオクタン価平均値と、前記複数の燃料油のそれぞれのオクタン価実測値との相関を示す相関モデルに関するモデルデータを記憶する記憶部と、
目標オクタン価を含む目標データを取得する取得部と、
前記基材油データ、前記モデルデータおよび前記目標データを用いて、前記目標オクタン価を充足する目標燃料油を製造するための前記複数の基材油の目標配合比率を決定する演算部と、を備える情報処理装置。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、情報処理装置、オクタン価予測方法およびモデル生成方法に関する。

【背景技術】

【0002】

ガソリンなどの燃料油は、石油精製工場等で製造される複数の基材油を配合することによって製造される。複数の基材油の配合比率は、燃料油のオクタン価が所望の値となるように決定される。複数の基材油のそれぞれのオクタン価を配合比率で加重平均したオクタン価は、実際に配合した燃料油のオクタン価とは異なることが知られている。そこで、基材油ごとにオクタン価の補正係数を決定し、補正係数を用いることによってオクタン価を予測する方法が提案されている（例えば、特許文献１参照）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１８－２０３９２６号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

上述の先行技術では、オクタン価の補正係数が基材油の配合比率の関数として定められている。そのため、配合に使用しうる様々な基材油ごとに、基材油の配合比率が変化しうる範囲（例えば０％～１００％）において補正係数の関数を定める必要があり、非常に労力がかかる。

【0005】

本開示のある態様の例示的な目的の一つは、複数の基材油を配合して製造される燃料油のオクタン価を予測する技術を提供することにある。

【課題を解決するための手段】

【0006】

本開示のある態様の情報処理装置は、複数の成分の少なくとも一つを含む複数の基材油を配合して製造される複数の燃料油のそれぞれに含まれる複数の成分の成分比率と、複数の基材油のそれぞれのオクタン価実測値を複数の基材油の配合比率で加重平均して算出される複数の燃料油のそれぞれのオクタン価平均値と、複数の燃料油のそれぞれのオクタン価実測値との相関を示す相関モデルに関するモデルデータを記憶する記憶部と、モデルデータを用いて、複数の基材油を特定の配合比率で配合した特定の燃料油のオクタン価を予測する演算部と、を備える。

【0007】

本開示の別の態様は、オクタン価予測方法である。この方法は、複数の成分の少なくとも一つを含む複数の基材油を特定の配合比率で配合して製造される特定の燃料油に含まれる複数の成分の成分比率を取得することと、複数の基材油のそれぞれのオクタン価実測値を特定の配合比率で加重平均したオクタン価平均値を取得することと、複数の基材油を配合して製造される複数の燃料油のそれぞれに含まれる複数の成分の成分比率と、複数の燃料油のそれぞれのオクタン価平均値と、複数の燃料油のそれぞれのオクタン価実測値との相関を示す相関モデルを用いて、特定の燃料油のオクタン価を予測することと、を備える。

【0008】

本開示のさらに別の態様は、モデル生成方法である。この方法は、複数の成分の少なくとも一つを含む複数の基材油を配合して製造される燃料油であって、複数の基材油の配合比率が異なる複数の燃料油のオクタン価実測値を取得することと、複数の燃料油のそれぞれに含まれる複数の成分の成分比率を取得することと、複数の基材油のそれぞれのオクタン価実測値を複数の基材油の配合比率で加重平均して算出される複数の燃料油のそれぞれのオクタン価平均値を取得することと、複数の燃料油のそれぞれの複数の成分の成分比率およびオクタン価平均値を入力とし、複数の燃料油のそれぞれのオクタン価実測値を出力とする教師データを用いた機械学習により、複数の基材油を特定の配合比率で配合した特定の燃料油のオクタン価を予測するための相関モデルを生成することと、を備える。

【0009】

本開示のさらに別の態様は、情報処理装置である。この装置は、複数の成分の少なくとも一つを含む複数の基材油のそれぞれに含まれる複数の成分の成分比率と、複数の基材油のそれぞれのオクタン価実測値とを含む基材油データを記憶し、複数の基材油を配合して製造される複数の燃料油のそれぞれに含まれる複数の成分の成分比率と、複数の基材油のそれぞれのオクタン価実測値を複数の基材油の配合比率で加重平均して算出される複数の燃料油のそれぞれのオクタン価平均値と、複数の燃料油のそれぞれのオクタン価実測値との相関を示す相関モデルに関するモデルデータを記憶する記憶部と、目標オクタン価を含む目標データを取得する取得部と、基材油データ、モデルデータおよび目標データを用いて、目標オクタン価を充足する目標燃料油を製造するための複数の基材油の目標配合比率を決定する演算部と、を備える。

【発明の効果】

【0010】

本開示によれば、複数の基材油を配合して製造される燃料油のオクタン価を予測できる。

【図面の簡単な説明】

【0011】

【図1】実施の形態に係る情報処理装置の構成を模式的に示す図である。

【図2】基材油データのデータ構造の一例を示す図である。

【図3】燃料油データのデータ構造の一例を示す図である。

【図4】配合データのデータ構造の一例を示す図である。

【図5】オクタン価の予測結果の一例を示すグラフである。

【図6】実施の形態に係るモデル生成方法を示すフローチャートである。

【図7】実施の形態に係るオクタン価予測方法を示すフローチャートである。

【図8】実施の形態に係る配合比率決定方法を示すフローチャートである。

【発明を実施するための形態】

【0012】

本開示の概要を説明する。本開示は、複数の基材油を配合して製造される燃料油のオクタン価を予測し、複数の基材油の配合比率を決定する技術に関する。燃料油の一例は、ガソリンである。日本で販売されるガソリンの場合、リサーチ法によるオクタン価がレギュラーガソリンにおいて８９．０以上、ハイオクガソリンにおいて９６．０以上であることが規格で定められている。燃料油の製造者は、オクタン価の規格値を充足するように、燃料油の原料となる複数の基材油の配合比率を決定している。

【0013】

複数の基材油のそれぞれのオクタン価を配合比率で加重平均したオクタン価平均値と、実際に配合した燃料油のオクタン価実測値とが一致するのであれば、オクタン価の規格値を充足する配合比率を決定することは容易である。しかしながら、オクタン価平均値とオクタン価実測値の間には誤差があり、かつ、オクタン価平均値よりもオクタン価実測値が低くなる傾向にある。そのため、従来では、誤差分のマージンを確保して、オクタン価平均値が規格値よりも十分に大きくなるように配合比率が決定する必要があった。このようなマージンを確保することは、燃料油の製造コストの増加につながり、消費者に販売されるガソリン価格の増加につながる。また、規格値に一致する燃料油を製造するために、配合比率の異なる様々な燃料油を試作してオクタン価を実測した場合、試作コストの増加につながる。したがって、燃料油のオクタン価を高精度で簡便に予測する技術が求められる。

【0014】

本開示では、燃料油に含まれる複数の成分の成分比率と、燃料油のオクタン価平均値とを用いて、燃料油のオクタン価を予測する。複数の成分の一例は、ＰＯＮＡ分析によって特定可能なパラフィン（Ｐ）分、オレフィン（Ｏ）分、ナフテン（Ｎ）分およびアロマ（Ａ）分（または芳香族分）である。本開示の一例によれば、燃料油に含まれる複数の成分の成分比率を考慮することにより、燃料油のオクタン価平均値のみを用いる場合に比べて、オクタン価の予測精度を向上できる。オクタン価の予測には、燃料油に含まれる複数の成分の成分比率と、燃料油のオクタン価平均値と、燃料油のオクタン価実測値との相関を示す相関モデルを用いることができる。相関モデルを用いることにより、目標とするオクタン価を実現するための複数の基材油の配合比率を決定できる。相関モデルは、機械学習によって生成することができる。

【0015】

以下、本開示の技術を好適な実施の形態をもとに図面を参照しながら説明する。実施の形態は、発明を限定するものではなく例示であって、実施の形態に記述されるすべての特徴やその組み合わせは、必ずしも発明の本質的なものであるとは限らない。各図面に示される同一または同等の構成要素、部材、処理には、同一の符号を付するものとし、適宜重複した説明は省略する。また、各図に示す各部の縮尺や形状は、説明を容易にするために便宜的に設定されており、特に言及がない限り限定的に解釈されるものではない。また、本明細書または請求項中に「第１」、「第２」等の用語が用いられる場合には、特に言及がない限り、いかなる順序や重要度を表すものでもなく、ある構成と他の構成とを区別するためのものである。

【0016】

本開示における装置または方法の主体は、コンピュータを備える。このコンピュータがコンピュータプログラムを実行することによって、本開示における装置または方法の主体の機能が実現される。コンピュータは、コンピュータプログラムにしたがって動作するプロセッサを主なハードウェア構成として備える。プロセッサは、コンピュータプログラムを実行することによって機能を実現することができれば、その種類は問わない。プロセッサは、半導体集積回路（ＩＣ、ＬＳＩ等）を含む一つまたは複数の電子回路で構成される。コンピュータプログラムは、コンピュータが読み取り可能なＲＯＭ、光ディスク、ハードディスクドライブなどの非一時的な記録媒体に記録される。コンピュータプログラムは、記録媒体に予め格納されていてもよいし、インターネット等を含む広域通信網を介して記録媒体に供給されてもよい。

【0017】

図１は、実施の形態に係る情報処理装置１０の機能構成を模式的に示す図である。情報処理装置１０は、取得部１２と、記憶部１４と、演算部１６と、出力部１８とを備える。情報処理装置１０は、ネットワーク４０を介してユーザ端末５０およびローカル装置５２と接続する。

【0018】

本開示のブロック図で示される各ブロックは、ハードウェア的には、コンピュータのＣＰＵ（Central Processing Unit）などのプロセッサやＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）などのメモリをはじめとする素子や機械装置で実現でき、ソフトウェア的にはコンピュータプログラム等によって実現される。ここでは、ハードウェアおよびソフトウェアの連携によって実現される機能ブロックを描いている。これらの機能ブロックは、ハードウェアおよびソフトウェアの組み合わせによって、いろいろなかたちで実現できることは、当業者には理解されるところである。

【0019】

図１に示す複数の機能ブロックのうち少なくとも一部の機能ブロックの機能を実装したコンピュータプログラムが、１台または複数台のコンピュータのストレージにインストールされてもよい。１台または複数台のコンピュータのＣＰＵは、自機にインストールされたコンピュータプログラムをメインメモリに読み出して実行することにより、図１に示す複数の機能ブロックの機能を発揮してもよい。

【0020】

また、図１に示す複数の機能ブロックの機能は、１台のコンピュータにより実行されてもよく、複数台のコンピュータにより分散して実行されてもよい。図１に示す複数の機能ブロックの機能が複数台のコンピュータにより分散して実行される場合、それら複数台のコンピュータは、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、インターネットを含む通信網を介してデータを送受信してもよい。

【0021】

情報処理装置１０は、例えば、サーバである。情報処理装置１０は、ワークステーションまたはパーソナルコンピュータ等の汎用コンピュータであってもよい。情報処理装置１０は、スマートフォンまたはタブレット型コンピュータ等の携帯端末であってもよい。情報処理装置１０は、ネットワーク４０を介してユーザ端末５０にコンピュータ資源を提供するよう構成されるクラウド型のサーバであってもよい。

【0022】

ユーザ端末５０は、例えば、パーソナルコンピュータ等の汎用コンピュータである。ユーザ端末５０は、スマートフォンまたはタブレット型コンピュータ等の携帯端末であってもよい。ユーザ端末５０は、例えば、基材油や燃料油を取り扱う工場、研究所等で使用される。

【0023】

ローカル装置５２は、例えば、サーバである。ローカル装置５２は、ワークステーションまたはパーソナルコンピュータ等の汎用コンピュータであってもよい。ローカル装置５２は、例えば、基材油や燃料油を取り扱う工場、研究所等に設置される。ローカル装置５２は、工場や研究所にて使用するデータを一元管理するデータサーバとして機能する。ローカル装置５２は、ネットワーク４０を介してユーザ端末５０にコンピュータ資源を提供するよう構成されるクラウド型のサーバであってもよい。この場合、ローカル装置５２は、ユーザ端末５０が設置される工場や研究所から離れた拠点に設置されてもよい。

【0024】

ネットワーク４０は、例えば、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、インターネット、無線基地局によって構築される各種移動通信システム含む通信網で構成される。移動通信システムとしては、例えば、３Ｇ、４Ｇまたは５Ｇなどの移動通信システム、ＬＴＥ（Long Term Evolution）および所定のアクセスポイントによってよってインターネットに接続可能な無線ネットワーク（例えば、Ｗｉ－Ｆｉ（登録商標））が挙げられる。

【0025】

取得部１２は、ネットワーク４０を介してユーザ端末５０やローカル装置５２から各種データを取得する。取得部１２は、情報処理装置１０に接続されるキーボードやマウスといった任意の入力装置を通じてユーザが入力するデータ取得してもよい。

【0026】

記憶部１４は、演算部１６が実行する処理に必要なデータを記憶する。記憶部１４は、取得部１２が取得するデータを記録して管理する。基材油データ２０と、燃料油データ２２と、配合データ２４と、モデルデータ２６とを記憶する。記憶部１４は、例えば、基材油および燃料油に関するデータを蓄積するデータベースであり、工場や研究所にて製造された基材油および燃料油に関する過去に履歴データを記憶する。

【0027】

図２は、基材油データ２０のデータ構造の一例を示す図である。基材油データ２０は、燃料油の製造に用いる原料となる基材油に関するデータである。基材油データ２０は、基材油を識別するためのＩＤおよび名称と、基材油に含まれる複数の成分の成分比率と、基材油のオクタン価実測値とを含む。

【0028】

基材油データ２０に記録される基材油の種類は、特に限られないが、例えば、ナフサ、接触分解ガソリン、水素化分解ガソリン、改質ガソリン、重合ガソリン、異性化ガソリン、ラフィネート、アルキレート、ブタン、芳香族炭化水素化合物およびエチルターシャリブチルエーテル（ＥＴＢＥ）の少なくともいずれかを備えることができる。接触分解ガソリンは、接触分解法によって得られるガソリンである。水素化分解ガソリンは、水素化分解法によって得られるガソリンである。改質ガソリンは、接触改質法によって得られるガソリンである。重合ガソリンは、オレフィンの重合反応によって得られるガソリンである。異性化ガソリンは、軽質ナフサを異性化装置でイソパラフィンに転化して得られるガソリンである。ラフィネートは、改質ガソリンから芳香族分を抽出した残分である。アルキレートは、炭化水素に低級オレフィンを付加するアルキル化反応によって得られるガソリンである。

【0029】

基材油データ２０に記録される複数の成分の成分比率は、基材油を成分分析することによって測定される。基材油の成分分析手法として、ガスクロマトグラフ質量分析、液体クロマトグラフ質量分析、フーリエ変換赤外光（ＦＴ－ＩＲ）、核磁気共鳴（ＮＭＲ）などを用いることができる。基材油データ２０に記録される複数の成分の種類は特に限られないが、図２に示される一例において、成分Ａはパラフィン分であり、成分Ｂはオレフィン分であり、成分Ｃはナフテン分であり、成分Ｄはアロマ分であり、成分Ｅはエチルターシャリブチルエーテル（ＥＴＢＥ）である。複数の成分の成分比率は、例えば、容量パーセント（ｖｏｌ％）で表すことができる。成分比率は、重量パーセント（ｗｔ％）またはモルパーセント（ｍｏｌ％）で表されてもよい。

【0030】

基材油データ２０に記録されるオクタン価実測値は、例えば、リサーチ法によって測定されるＲＯＮ（Research Octane Number）である。ＲＯＮは、例えば、ＪＩＳ Ｋ２２８０－１（石油製品－オクタン価，セタン価及びセタン指数の求め方－第１部：リサーチ法オクタン価）に準拠して測定することができる。オクタン価実測値は、モータ法によって測定されるＭＯＮ（Motor Octane Number）であってもよい。ＭＯＮは、例えば、ＪＩＳ Ｋ２２８０－２（石油製品－オクタン価，セタン価及びセタン指数の求め方－第２部：モータ法オクタン価）に準拠して測定できる。オクタン価実測値は、ＲＯＮとＭＯＮの平均値であるＡＫＩ（Anti-Knock Index）またはＰＯＮ（Pump Octane Number）であってもよい。本実施の形態では、オクタン価がＲＯＮである場合について説明する。

【0031】

基材油データ２０は、基材油の種類名、製造場所、製造日時、製造番号といった基材油を識別するための情報をさらに含んでもよい。基材油データ２０は、図２に示す成分Ａ～Ｅとは異なる特定成分の成分比率をさらに含んでもよく、例えば、鉛、硫黄分、酸素分、メチルターシャリブチルエーテル（ＭＴＢＥ）、ベンゼン、灯油、メタノール、エタノールおよび実在ガムの少なくともいずれかの成分比率を含んでもよい。基材油データ２０は、基材油の性状に関する情報をさらに含んでもよく、密度、蒸気圧、蒸留性状（例えば、１０％留出温度、５０％留出温度、９０％留出温度）の少なくともいずれかを含んでもよい。基材油データ２０は、基材油のコストに関する情報をさらに含んでもよく、基材油の製造にかかる単位容量あたりの価格を含んでもよい。基材油データ２０は、基材油の在庫量に関する情報をさらに含んでもよく、製造工場などに貯留されている基材油の容量を含んでもよい。

【0032】

図３は、燃料油データ２２のデータ構造の一例を示す図である。燃料油データ２２は、複数の基材油を配合して製造される燃料油に関するデータである。燃料油データ２２は、燃料油を識別するためのＩＤおよび名称と、燃料油に含まれる複数の成分の成分比率と、燃料油のオクタン価実測値と、燃料油のオクタン価平均値とを含む。

【0033】

燃料油データ２２に記録される複数の成分は、基材油データ２０に記録される複数の成分と共通である。図３に示される一例において、成分Ａはパラフィン分であり、成分Ｂはオレフィン分であり、成分Ｃはナフテン分であり、成分Ｄはアロマ分であり、成分Ｅはエチルターシャリブチルエーテル（ＥＴＢＥ）である。複数の成分の成分比率は、例えば、容量パーセント（ｖｏｌ％）で表すことができる。成分比率は、重量パーセント（ｗｔ％）またはモルパーセント（ｍｏｌ％）で表されてもよい。

【0034】

燃料油データ２２の複数の成分の成分比率は、燃料油を成分分析することによって測定される。燃料油の成分分析手法として、基材油の分析と同様の方法を用いることができる。燃料油データ２２の複数の成分の成分比率は、燃料油を直接測定した値ではなく、配合に使用した複数の基材油の成分比率を配合比率で加重平均して算出される計算値であってもよい。

【0035】

燃料油のオクタン価実測値は、リサーチ法によって測定されるＲＯＮである。燃料油のオクタン価平均値は、配合に使用した複数の基材油のオクタン価平均値を配合比率で加重平均して算出される平均値である。オクタン価平均値ＲＯＮａｖｅは、以下の式（１）で表すことができる。

【数1】

ここで、ＲＯＮｉ（ｉ＝１～ｎ）は、複数の基材油のオクタン価実測値であり、Ｖｉ（ｉ＝１～ｎ）は、複数の基材油の配合比率である。

【0036】

燃料油データ２２は、燃料油の種類名、製造場所、製造日時、製造番号といった燃料油を識別するための情報をさらに含んでもよい。燃料油データ２２は、図３に示す成分Ａ～Ｅとは異なる特定成分の成分比率をさらに含んでもよく、例えば、鉛、硫黄分、酸素分、メチルターシャリブチルエーテル（ＭＴＢＥ）、ベンゼン、灯油、メタノール、エタノールおよび実在ガムの少なくともいずれかの成分比率を含んでもよい。燃料油データ２２は、燃料油の性状に関する情報をさらに含んでもよく、密度、蒸気圧、蒸留性状（１０％留出温度、５０％留出温度、９０％留出温度）の少なくともいずれかを含んでもよい。燃料油データ２２は、燃料油のコストに関する情報をさらに含んでもよく、燃料油の製造にかかる単位容量あたりの価格を含んでもよい。

【0037】

図４は、配合データ２４のデータ構造の一例を示す図である。配合データ２４は、燃料油データ２２に記録される燃料油の製造に使用した複数の基材油の配合比率に関するデータである。配合データ２４は、燃料油を識別するためのＩＤおよび名称と、基材油を識別するためのＩＤおよび名称と、基材油ごとの配合比率とを含む。配合比率は、例えば、容量パーセント（ｖｏｌ％）で表すことができる。配合比率は、重量パーセント（ｗｔ％）またはモルパーセント（ｍｏｌ％）で表されてもよい。

【0038】

図４の例において、燃料油１は、図２に示す基材油１、基材油２および基材油４を配合することによって製造され、燃料油２は、図２に示す基材油１、基材油２、基材油３および基材油７を配合することによって製造される。図４では、説明を簡単にするため、少ない数（３または４）の基材油の配合によって燃料油が製造されているが、実際には、５以上または１０以上の基材油の配合によって燃料油が製造されてもよい。燃料油の配合に使用する基材油の種類、数および配合比率は、使用する基材油の性状や製造場所、製造日時といった様々条件に応じて多種多様となりうる。

【0039】

図１に戻り、モデルデータ２６は、燃料油のオクタン価を予測するための相関モデルの構成に必要な各種パラメータを含む。相関モデルは、燃料油に含まれる複数の成分Ｘｊ（ｊ＝１～ｍ）の成分比率ｘｊと、燃料油のオクタン価平均値ＲＯＮａｖｅと、燃料油のオクタン価実測値ＲＯＮとの相関を表す。相関モデルは、例えば、以下の式（２）で表すことができる。

【数2】

ここで、関数ｆｒは、オクタン価平均値ＲＯＮａｖｅを変数とする任意の関数であり、例えば、オクタン価平均値ＲＯＮａｖｅの多項式である。関数ｆｊは、成分Ｘｊの成分比率ｘｊを変数とする任意の関数であり、例えば、成分比率ｘｊの多項式である。係数ｐは、切片である。

【0040】

式（２）で表される相関モデルは、非線形モデルであってもよいし、線形モデルであってもよい。相関モデルが線形である場合、相関モデルは、例えば、以下の式（３）で表すことができる。

【数3】

ここで、係数ｋｒは、オクタン価平均値ＲＯＮａｖｅに対する偏回帰係数であり、係数ｋｊは、成分Ｘｊの成分比率ｘｊに対する偏回帰係数であり、係数ｋｐは、切片である。

【0041】

相関モデルに含まれる複数の成分Ｘｊとして、図２の基材油データ２０および図３の燃料油データ２２に含まれる複数の成分Ａ～Ｅの少なくともいずれかを用いることができる。一例として、ＰＯＮＡ分析にて特定されるパラフィン（Ｐ）分、オレフィン（Ｏ）分、ナフテン（Ｎ）分およびアロマ（Ａ）分のうちのいずれかの二つ以上の成分を用いることができ、好ましくは、いずれか三つの成分（例えば、ナフテン分を除く、パラフィン分、オレフィン分およびアロマ分）を用いることができる。その他、パラフィン（Ｐ）分とナフテン（Ｎ）分を分離する代わりに、両者を合算した飽和炭化水素（Ｓ）分を用いてもよい。相関モデルに含まれる複数の成分Ｘｊとして、ＰＯＮＡ以外の任意の追加の成分を含むことができ、例えば、エチルターシャリブチルエーテル（ＥＴＢＥ）を含むことができる。

【0042】

相関モデルを構成する各種パラメータ（例えば、係数ｋｒ、ｋｊ、ｋｐ）の具体的な数値は、機械学習によって決定することができる。例えば、図３の燃料油データ２２を機械学習に使用する教師データとして用いることができる。具体的には、燃料油データ２２に含まれる複数の燃料油の複数の成分Ｘｊの成分比率ｘｊおよびオクタン価平均値ＲＯＮａｖｅを入力とし、オクタン価実測値ＲＯＮを出力とする教師あり学習によって、相関モデルを構築できる。機械学習のアルゴリズムとして、線形回帰、サポートベクターマシン、ランダムフォレスト、勾配ブースティングおよびニューラルネットワークの少なくともいずれかを用いることができる。

【0043】

演算部１６は、モデル生成部３０と、オクタン価予測部３２と、配合決定部３４とを備える。

【0044】

モデル生成部３０は、モデルデータ２６を生成するための機械学習を実行する。モデル生成部３０は、例えば、記憶部１４に記憶される燃料油データ２２を教師データとして使用し、燃料油のオクタン価を予測するための相関モデルを生成し、相関モデルを構成する各種パラメータの数値を決定する。モデル生成部３０が生成したモデルデータ２６は、記憶部１４に記憶される。

【0045】

オクタン価予測部３２は、記憶部１４に記憶されるモデルデータ２６を用いて、複数の基材油を特定の配合比率で配合した特定の燃料油のオクタン価を予測する。オクタン価予測部３２は、例えば、特定の燃料油に含まれる複数の成分Ｘｊの成分比率ｘｊとオクタン価平均値ＲＯＮａｖｅを相関モデルに入力し、相関モデルから出力されるオクタン価ＲＯＮを予測値とする。

【0046】

オクタン価予測部３２は、ユーザ端末５０に入力され、取得部１２によって取得される特定の燃料油の成分比率ｘｊとオクタン価平均値ＲＯＮａｖｅを用いて、特定の燃料油のオクタン価ＲＯＮを予測してもよい。この場合、ユーザ端末５０を使用するユーザは、新規に配合された特定の燃料油の成分分析の結果をユーザ端末５０に入力してもよいし、特定の燃料油の配合に使用した複数の基材油の成分比率を特定の配合比率で加重平均することで算出される特定の燃料油の成分比率ｘｊをユーザ端末５０に入力してもよい。ユーザ端末５０を使用するユーザは、複数の基材油のオクタン価ＲＯＮｉを特定の配合比率Ｖｉで加重平均することで算出したオクタン価平均値ＲＯＮａｖｅをユーザ端末５０に入力してもよい。

【0047】

オクタン価予測部３２は、ユーザ端末５０に入力され、取得部１２によって取得される特定の配合比率を示す配合データを用いて、特定の燃料油のオクタン価を予測してもよい。オクタン価予測部３２は、取得した配合データと、記憶部１４に記憶される基材油データ２０とを用いて、複数の基材油の成分比率を特定の配合比率Ｖｉで加重平均することで特定の燃料油の成分比率ｘｊを算出してもよい。オクタン価予測部３２は、取得した配合データと、記憶部１４に記憶される基材油データ２０とを用いて、複数の基材油のオクタン価実測値ＲＯＮｉを特定の配合比率Ｖｉで加重平均することで特定の燃料油のオクタン価平均値ＲＯＮａｖｅを算出してもよい。オクタン価予測部３２は、算出した特定の燃料油の成分比率ｘｊおよびオクタン価平均値ＲＯＮａｖｅを用いて、特定の燃料油のオクタン価ＲＯＮを予測してもよい。

【0048】

配合決定部３４は、記憶部１４に記憶される基材油データ２０およびモデルデータ２６を用いて、目標とするオクタン価（目標オクタン価ともいう）を充足する目標燃料油を製造するための複数の基材油の目標配合比率を決定する。配合決定部３４は、例えば、ユーザ端末５０に入力され、取得部１２によって取得される目標オクタン価を含む目標データを用いて、複数の基材油の目標配合比率を決定する。配合決定部３４は、目標配合比率で配合した目標燃料油のオクタン価の予測値が目標オクタン価と一致するように、目標配合比率を決定する。配合決定部３４は、例えば、焼きなまし法（Simulated Annealing法）などの最適化計算手法を用いることにより、複数の基材油の目標配合比率を決定できる。

【0049】

配合決定部３４によって決定される目標配合比率は、図４の配合データと同様のデータ構造を有してもよい。配合決定部３４は、配合に用いる複数の基材油を識別するためのＩＤと、複数の基材油のそれぞれの配合比率の値とを決定する。

【0050】

配合決定部３４は、目標オクタン価以外の制約条件を用いて、複数の基材油の目標配合比率を決定してもよい。配合決定部３４は、例えば、目標配合比率で配合される目標燃料油に含まれる特定成分の成分比率が所定の基準値以下となるように、目標配合比率を決定してもよい。特定成分として、法律（例えば、揮発油等の品質の確保等に関する法律）や標準規格（例えば、自動車ガソリンに関する日本工業規格ＪＩＳ Ｋ２２０２）によって基準値が定められる成分を用いることができ、例えば、鉛、硫黄分、酸素分、メチルターシャリブチルエーテル（ＭＴＢＥ）、ベンゼン、灯油、メタノール、エタノールおよび実在ガムの少なくともいずれかを用いることができる。好ましくは、これらの特定成分の全てが基準値以下となるように目標配合比率が決定される。目標配合比率で配合した目標燃料油に含まれる特定成分の成分比率は、基材油データ２０に含まれる特定成分の成分比率を用いて算出できる。

【0051】

配合決定部３４は、目標配合比率で配合される目標燃料油のコストが所定条件を充足するように、目標配合比率を決定してもよい。目標配合比率で配合される目標燃料油のコストは、基材油データ２０に含まれる複数の基材油のコストを用いて算出できる。例えば、複数の基材油のそれぞれのコストを目標配合比率で加重平均することで目標燃料油のコストを算出し、算出される目標燃料油のコストが所定条件を充足するかを確認できる。ここで、所定条件とは、目標燃料油のコストが所定の数値範囲内となる条件であってもよいし、目標燃料油のコストが所定の上限値未満となる条件であってもよい。

【0052】

配合決定部３４は、目標配合比率で配合される目標燃料油が複数の基材油の在庫量の範囲内で製造されるように、目標配合比率を決定してもよい。この場合、配合決定部３４は、ユーザ端末５０に入力され、取得部１２によって取得される目標データに含まれる目標製造量をさらに用いる。配合決定部３４は、目標燃料油の目標製造量と複数の基材油の目標配合比率とを用いて、複数の基材油のそれぞれの使用量を算出し、複数の基材油のそれぞれの使用量が在庫量以下となるように目標配合比率を決定する。配合決定部３４は、基材油データ２０に含まれる在庫量を用いることができる。

【0053】

出力部１８は、演算部１６の処理結果を出力する。出力部１８は、ネットワーク４０を介してユーザ端末５０に処理結果を出力してもよいし、情報処理装置１０に接続されるディスプレイなどの出力装置に処理結果を出力してもよい。出力部１８は、オクタン価予測部３２によって予測される特定の燃料油のオクタン価や、配合決定部３４によって決定される複数の基材油の目標配合比率を出力する。

【0054】

図５は、オクタン価の予測結果の一例を示すグラフである。図５は、様々な燃料油のオクタン価実測値に対するオクタン価平均値ＲＯＮａｖｅおよびオクタン価予測値ＲＯＮを示す。オクタン価平均値ＲＯＮａｖｅは、複数の基材油のオクタン価を配合比率で加重平均したオクタン価である。オクタン価予測値ＲＯＮは、相関モデルを用いて予測されるオクタン価である。図５の実線６０は、実測値と予測値が一致する傾きが１の直線である。図５の例は、相関モデルを生成するための機械学習のアルゴリズムとして、線形回帰（例えば重回帰分析）を用いた場合を示す。

【0055】

図５に示されるように、オクタン価平均値ＲＯＮａｖｅのプロット６２は、実線６０よりも上方に離れるように分布しており、実測値を正確に予測できていないことが分かる。一方、相関モデルを用いたオクタン価予測値ＲＯＮのプロット６４は、実線６０の近傍に分布しており、実線６０からの乖離が小さいことが分かる。オクタン価予測値ＲＯＮのプロット６４は、破線６６で示されるオクタン価測定の室間許容差の範囲内にほぼ収まっており、実測値を高精度で予測できていることが分かる。

【0056】

図６は、実施の形態に係るモデル生成方法を示すフローチャートである。まず、複数の基材油の配合比率が異なる複数の燃料油のオクタン価実測値を取得する（ステップＳ１０）。複数の燃料油のそれぞれは、複数の基材油をそれぞれの配合比率で配合することによって製造され、その後、オクタン価が測定される。次に、複数の燃料油のそれぞれに含まれる複数の成分の成分比率を取得する（ステップＳ１２）。複数の燃料油のそれぞれの成分比率は、複数の燃料油のそれぞれを分析することによって測定されてもよいし、複数の燃料油の製造に使用した複数の基材油について測定した成分比率を配合比率で加重平均することによって算出されてもよい。つづいて、複数の基材油のそれぞれのオクタン価実測値を複数の基材油の配合比率で加重平均して算出される複数の燃料油のそれぞれのオクタン価平均値を取得する（ステップＳ１４）。その後、複数の燃料油の成分比率およびオクタン価平均値を入力とし、複数の燃料油のオクタン価実測値を出力とする教師データを用いた機械学習により、複数の基材油を特定の配合比率で配合した特定の燃料油のオクタン価を予測するための相関モデルを生成する（ステップＳ１６）。なお、ステップＳ１０～Ｓ１４の順序は特に限られず、Ｓ１０、Ｓ１２およびＳ１４の順序を適宜入れ替えてもよい。

【0057】

図７は、実施の形態に係るオクタン価予測方法を示すフローチャートである。まず、複数の基材油を特定の配合比率で配合した特定の燃料油に含まれる複数の成分の成分比率を取得する（ステップＳ２０）。特定の燃料油の成分比率は、特定の燃料油を分析することによって測定されてもよいし、特定の燃料油の製造に使用する複数の基材油について測定した成分比率を特定の配合比率で加重平均することによって算出されてもよい。つづいて、複数の基材油のそれぞれのオクタン価実測値を特定の配合比率で加重平均して算出される特定の燃料油のオクタン価平均値を取得する（ステップＳ２２）。その後、複数の基材油を配合して製造される複数の燃料油のそれぞれの成分比率と、複数の燃料油のそれぞれのオクタン価平均値と、複数の燃料油のそれぞれのオクタン価実測値との相関を示す相関モデルを用いて、特定の燃料油のオクタン価を予測する（ステップＳ２４）。特定の配合比率で配合した特定の燃料油の成分比率およびオクタン価平均値を相関モデルに入力することにより、相関モデルから特定の燃料油のオクタン価の予測値が出力される。なお、ステップＳ２０～Ｓ２２の順序は特に限られず、Ｓ２０およびＳ２２の順序を入れ替えてもよい。

【0058】

図８は、実施の形態に係る配合比率決定方法を示すフローチャートである。まず、複数の基材油のそれぞれの成分比率およびオクタン価実測値を含む基材油データを取得する（ステップＳ３０）。次に、複数の基材油を配合して製造される複数の燃料油のそれぞれに含まれる複数の成分の成分比率と、複数の基材油のそれぞれのオクタン価実測値を複数の基材油の配合比率で加重平均して算出される複数の燃料油のそれぞれのオクタン価平均値と、複数の燃料油のそれぞれのオクタン価実測値との相関を示す相関モデルに関するモデルデータを取得する（ステップＳ３２）。つづいて、目標オクタン価を含む目標データを取得する（ステップＳ３４）。その後、基材油データ、モデルデータおよび目標データを用いて、目標オクタン価を充足する目標燃料油を製造するための複数の基材油の目標配合比率を決定する（ステップＳ３６）。なお、ステップＳ３０～Ｓ３４の順序は特に限られず、Ｓ３０、Ｓ３２およびＳ３４の順序を適宜入れ替えてもよい。

【0059】

以上、本開示を実施の形態に基づいて説明した。この実施の形態は例示であり、各構成要素あるいは各処理プロセスの組み合わせにいろいろな変形例が可能なこと、またそうした変形例も本開示の範囲にあることは当業者に理解されるところである。

【0060】

上述の実施の形態では、演算部１６がモデル生成部３０、オクタン価予測部３２および配合決定部３４を備える場合について示した。別の実施の形態では、演算部１６がモデル生成部３０、オクタン価予測部３２および配合決定部３４の少なくともいずれかを備えなくてもよい。

【0061】

上述の実施の形態では、オクタン価がＲＯＮである場合について示した。別の実施の形態では、オクタン価がＭＯＮであってもよいし、ＡＫＩであってもよいし、ＲＯＮ、ＭＯＮおよびＡＫＩのうちの二以上に対応可能であってもよい。例えば、モデル生成部３０は、ＲＯＮを予測するための第１モデルと、ＭＯＮを予測するための第２モデルとを生成してもよい。この場合、オクタン価予測部３２は、第１モデルを用いてＲＯＮを予測し、第２モデルを用いてＭＯＮを予測してもよい。配合決定部３４は、第１モデルを用いてＲＯＮが目標値となる目標配合比率を決定してもよいし、第２モデルを用いてＭＯＮが目標値となる目標配合比率を決定してもよい。配合決定部３４は、第１モデルおよび第２モデルの双方を用いて、ＲＯＮおよびＭＯＮのそれぞれが目標値となる目標配合比率を決定してもよい。

【0062】

上述の実施の形態において、配合に使用する基材油の種類に応じて、個別の相関モデルを生成してもよい。例えば、レギュラーガソリンの配合に使用する基材油の種類は、ハイオクガソリンに使用する基材油の種類とは異なる場合がある。この場合、モデル生成部３０は、レギュラーガソリン用の相関モデルと、ハイオクガソリン用の相関モデルとを生成してもよい。その他、モデル生成部３０は、海外向けのガソリン用の相関モデルを生成してもよい。オクタン価予測部３２および配合決定部３４は、使用する基材油の種類や目標オクタン価の数値に応じて、複数の相関モデルを使い分けてもよい。

【0063】

実施の形態は、上述の方法を実現するための機能をコンピュータに実現させるためのプログラムであってもよいし、プログラムを格納する記録媒体であってもよい。このようなプログラムを格納する記録媒体は、非一時的（non-transitory）かつ有形（tangible）なコンピュータ読み取り可能（computer readable）である記録媒体（storage medium）であってもよく、不揮発性メモリ、磁気テープや磁気ディスクなどの磁気記録媒体、または、光学ディスクなどの光学記録媒体であってもよい。

【0064】

以下、本開示のいくつかの態様について説明する。

【0065】

第１の態様は、複数の成分の少なくとも一つを含む複数の基材油を配合して製造される複数の燃料油のそれぞれに含まれる前記複数の成分の成分比率と、前記複数の基材油のそれぞれのオクタン価実測値を前記複数の基材油の配合比率で加重平均して算出される前記複数の燃料油のそれぞれのオクタン価平均値と、前記複数の燃料油のそれぞれのオクタン価実測値との相関を示す相関モデルに関するモデルデータを記憶する記憶部と、前記モデルデータを用いて、前記複数の基材油を特定の配合比率で配合した特定の燃料油のオクタン価を予測する演算部と、を備える情報処理装置である。第１の態様によれば、燃料油のオクタン価平均値と、燃料油に含まれる複数の成分の成分比率とを考慮した相関モデルを用いることにより、オクタン価平均値を予測値とする場合に比べて、オクタン価の予測精度を向上できる。

【0066】

第２の態様は、前記特定の配合比率を示す配合データを取得する取得部をさらに備え、前記記憶部は、前記複数の基材油のそれぞれに含まれる前記複数の成分の成分比率と、前記複数の基材油のそれぞれのオクタン価実測値とを含む基材油データをさらに記憶し、前記演算部は、前記配合データおよび前記基材油データを用いて、前記特定の燃料油の成分比率およびオクタン価平均値を算出し、前記算出した成分比率およびオクタン価平均値を用いて、前記特定の燃料油のオクタン価を予測する、第１の態様に記載の情報処理装置である。第２の態様によれば、記憶部に記憶されている複数の基材油の配合比率を指定するだけで、指定した配合比率で製造される燃料油のオクタン価を予測できるため、ユーザの利便性を向上できる。

【0067】

第３の態様は、前記特定の燃料油の前記複数の成分の成分比率および前記オクタン価平均値を含む燃料油データを取得する取得部をさらに備え、前記演算部は、前記燃料油データおよび前記モデルデータを用いて、前記特定の燃料油のオクタン価を予測する、第１の態様に記載の情報処理装置である。第３の態様によれば、記憶部に記憶されていない新たな基材油を使用する場合などに、取得した燃料油データを用いて燃料油のオクタン価を予測できるため、ユーザの利便性を向上できる。

【0068】

第４の態様は、目標オクタン価を含む目標データを取得する取得部をさらに備え、前記記憶部は、前記複数の基材油のそれぞれに含まれる前記複数の成分の成分比率と、前記複数の基材油のそれぞれのオクタン価実測値とを含む基材油データをさらに記憶し、前記演算部は、前記基材油データ、前記モデルデータおよび前記目標データを用いて、前記目標オクタン価を充足する目標燃料油を製造するための前記複数の基材油の目標配合比率を決定する、第１から第３のいずれか一つの態様に記載の情報処理装置である。第４の態様によれば、目標オクタン価を指定するだけで、目標オクタン価を充足する燃料油の配合比率が決定されるため、ユーザの利便性を向上できる。

【0069】

第５の態様は、前記基材油データは、前記複数の基材油のそれぞれに含まれる特定成分の成分比率を含み、前記演算部は、前記目標燃料油に含まれる前記特定成分の成分比率が所定の基準値以下となるように、前記目標配合比率を決定する、第４の態様に記載の情報処理装置である。第５の態様によれば、燃料油に含まれる特定成分の成分比率が基準値以下となるように配合比率が決定されるため、特定成分に関する基準を確認する手間を緩和することができ、ユーザの利便性を向上できる。

【0070】

第６の態様は、前記特定成分は、鉛、硫黄分、酸素分、メチルターシャリブチルエーテル、ベンゼン、灯油、メタノール、エタノールおよび実在ガムの少なくともいずれかを備える、第５の態様に記載の情報処理装置である。第６の態様によれば、法律や標準規格に定められる基準値を充足するように配合比率が決定されるため、特定成分に関する基準を確認する手間を緩和することができ、ユーザの利便性を向上できる。

【0071】

第７の態様は、前記基材油データは、前記複数の基材油のそれぞれのコストをさらに含み、前記演算部は、前記目標燃料油のコストが所定条件を充足するように、前記目標配合比率を決定する、第４から第６のいずれか一つの態様に記載の情報処理装置である。第７の態様によれば、燃料油を製造するためのコストを考慮した配合比率が決定されるため、ユーザの利便性を向上できる。

【0072】

第８の態様は、前記基材油データは、前記複数の基材油のそれぞれの在庫量を含み、前記目標データは、目標製造量を含み、前記演算部は、前記目標燃料油を前記目標製造量で製造する場合に使用される前記複数の基材油のそれぞれの使用量が前記在庫量以下となるように、前記目標配合比率を決定する、第４から第７のいずれか一つの態様に記載の情報処理装置である。第８の態様によれば、目標製造量を実現可能な配合比率が決定されるため、一般販売用などの製造量が多い燃料油の配合比率を決定する場合のユーザの試行錯誤を軽減することができ、ユーザの利便性を向上できる。

【0073】

第９の態様は、前記複数の成分は、パラフィン分、オレフィン分、ナフテン分およびアロマ分の少なくともいずれかを備える、第１から第８のいずれか一つの態様に記載の情報処理装置である。第９の態様によれば、ガソリンなどの石油製品の成分分析において一般的であるＰＯＮＡ分析の結果を用いて、オクタン価の予測精度を向上できる。予測精度向上のために、ＰＯＮＡ分析とは異なる追加の分析を実行する必要がないため、ユーザの利便性を向上できる。

【0074】

第１０の態様は、前記複数の成分は、エチルターシャリブチルエーテルを備える、第１から第９のいずれか一つの態様に記載の情報処理装置である。第１０の態様によれば、オクタン価向上剤として使用されるエチルターシャリブチルエーテル（ＥＴＢＥ）を基材油として用いる場合に、オクタン価の予測精度を向上できる。

【0075】

第１１の態様は、前記複数の基材油は、ナフサ、接触分解ガソリン、水素化分解ガソリン、改質ガソリン、重合ガソリン、異性化ガソリン、ラフィネート、アルキレート、ブタン、芳香族炭化水素化合物およびエチルターシャリブチルエーテルの少なくともいずれかを備える、第１から第１１のいずれか一つの態様に記載の情報処理装置である。第１１の態様によれば、多種多様な基材油を配合して燃料油を製造する場合に、オクタン価の予測精度を向上できる。

【0076】

第１２の態様は、前記モデルデータは、前記複数の燃料油のそれぞれの前記複数の成分の成分比率および前記オクタン価平均値を入力とし、前記複数の燃料油のそれぞれの前記オクタン価実測値を出力とする教師データを用いた機械学習によって生成される、第１から第１１のいずれか一つの態様に記載の情報処理装置である。第１２の態様によれば、機械学習によってモデルデータを生成することにより、過去に製造した燃料油に関するデータを入力として、予測精度の高い相関モデルを構築できる。

【0077】

第１３の態様は、前記機械学習は、線形回帰、サポートベクターマシン、ランダムフォレスト、勾配ブースティングおよびニューラルネットワークの少なくともいずれかを用いる、第１２の態様に記載の情報処理装置である。第１３の態様によれば、一般的な機械学習のアルゴリズムを用いて、予測精度の高い相関モデルを簡便に構築できる。

【0078】

第１４の態様は、複数の成分の少なくとも一つを含む複数の基材油を特定の配合比率で配合して製造される特定の燃料油に含まれる前記複数の成分の成分比率を取得することと、
前記複数の基材油のそれぞれのオクタン価実測値を前記特定の配合比率で加重平均して算出されるオクタン価平均値を取得することと、前記複数の基材油を配合して製造される複数の燃料油のそれぞれに含まれる前記複数の成分の成分比率と、前記複数の燃料油のそれぞれの前記オクタン価平均値と、前記複数の燃料油のそれぞれのオクタン価実測値との相関を示す相関モデルを用いて、前記特定の燃料油のオクタン価を予測することと、を備えるオクタン価予測方法である。第１４の態様によれば、燃料油のオクタン価平均値と、燃料油に含まれる複数の成分の成分比率とを考慮した相関モデルを用いることにより、オクタン価平均値を予測値とする場合に比べて、オクタン価の予測精度を向上できる。

【0079】

第１５の態様は、複数の成分の少なくとも一つを含む複数の基材油を特定の配合比率で配合して製造される特定の燃料油に含まれる前記複数の成分の成分比率を取得する機能と、前記複数の基材油のそれぞれのオクタン価実測値を前記特定の配合比率で加重平均して算出されるオクタン価平均値を取得する機能と、前記複数の基材油を配合して製造される複数の燃料油のそれぞれに含まれる前記複数の成分の成分比率と、前記複数の燃料油のそれぞれの前記オクタン価平均値と、前記複数の燃料油のそれぞれのオクタン価実測値との相関を示す相関モデルを用いて、前記特定の燃料油のオクタン価を予測する機能と、をコンピュータに実現させるプログラムである。第１５の態様によれば、燃料油のオクタン価平均値と、燃料油に含まれる複数の成分の成分比率とを考慮した相関モデルを用いることにより、オクタン価平均値を予測値とする場合に比べて、オクタン価の予測精度を向上できる。

【0080】

第１６の態様は、複数の成分の少なくとも一つを含む複数の基材油を配合して製造され、前記複数の基材油の配合比率が異なる複数の燃料油のそれぞれのオクタン価実測値を取得することと、前記複数の燃料油のそれぞれに含まれる前記複数の成分の成分比率を取得することと、前記複数の基材油のそれぞれのオクタン価実測値を前記複数の基材油の配合比率で加重平均して算出される前記複数の燃料油のそれぞれのオクタン価平均値を取得することと、前記複数の燃料油のそれぞれの前記複数の成分の成分比率および前記オクタン価平均値を入力とし、前記複数の燃料油のそれぞれの前記オクタン価実測値を出力とする教師データを用いた機械学習により、前記複数の基材油を特定の配合比率で配合した特定の燃料油のオクタン価を予測するための相関モデルを生成することと、を備えるモデル生成方法である。第１６の態様によれば、燃料油のオクタン価平均値と、燃料油に含まれる複数の成分の成分比率とを考慮した相関モデルを生成することができ、オクタン価平均値を予測値とする場合に比べてオクタン価の予測精度を向上できる。

【0081】

第１７の態様は、複数の成分の少なくとも一つを含む複数の基材油のそれぞれに含まれる前記複数の成分の成分比率と、前記複数の基材油のそれぞれのオクタン価実測値とを含む基材油データを記憶し、前記複数の基材油を配合して製造される複数の燃料油のそれぞれに含まれる前記複数の成分の成分比率と、前記複数の基材油のそれぞれのオクタン価実測値を前記複数の基材油の配合比率で加重平均して算出される前記複数の燃料油のそれぞれのオクタン価平均値と、前記複数の燃料油のそれぞれのオクタン価実測値との相関を示す相関モデルに関するモデルデータを記憶する記憶部と、目標オクタン価を含む目標データを取得する取得部と、前記基材油データ、前記モデルデータおよび前記目標データを用いて、前記目標オクタン価を充足する目標燃料油を製造するための前記複数の基材油の目標配合比率を決定する演算部と、を備える情報処理装置である。第１７の態様によれば、燃料油のオクタン価平均値と、燃料油に含まれる複数の成分の成分比率とを考慮した相関モデルを用いることにより、オクタン価の予測精度を向上させることができ、目標オクタン価を充足する目標配合比率を決定できる。

【0082】

上述した実施の形態または態様に係る構成の任意の組み合わせもまた本開示の実施の形態として有用である。組み合わせによって生じる新たな実施の形態は、組み合わされる実施例および変形例それぞれの効果をあわせもつ。また、請求項に記載の各構成要件が果たすべき機能は、実施例および変形例において示された各構成要素の単体もしくはそれらの連携によって実現されることも当業者には理解されるところである。

【符号の説明】

【0083】

１０…情報処理装置、１２…取得部、１４…記憶部、１６…演算部、２０…基材油データ、２２…燃料油データ、２４…配合データ、２６…モデルデータ、３０…モデル生成部、３２…オクタン価予測部、３４…配合決定部。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】