特開 2024-56489 学習装置、腐食予測装置、学習方法、腐食予測方法、及びプログラム

(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】P2024056489

(43)【公開日】2024-04-23

(54)【発明の名称】学習装置、腐食予測装置、学習方法、腐食予測方法、及びプログラム

(51)【国際特許分類】

   G06Q 10/04 20230101AFI20240416BHJP

   G06Q 50/08 20120101ALI20240416BHJP

【ＦＩ】

G06Q10/04

G06Q50/08

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2022163392

(22)【出願日】2022-10-11

(71)【出願人】

【識別番号】000004226

【氏名又は名称】日本電信電話株式会社

(71)【出願人】

【識別番号】504132272

【氏名又は名称】国立大学法人京都大学

(74)【代理人】

【識別番号】100147485

【弁理士】

【氏名又は名称】杉村 憲司

(74)【代理人】

【識別番号】100164471

【弁理士】

【氏名又は名称】岡野 大和

(74)【代理人】

【識別番号】100176728

【弁理士】

【氏名又は名称】北村 慎吾

(72)【発明者】

【氏名】伊藤 陽

(72)【発明者】

【氏名】古川 愛子

【テーマコード（参考）】

5L010

5L049

5L050

【Ｆターム（参考）】

5L010AA04

5L049AA04

5L049CC07

5L050CC07

(57)【要約】

【課題】地下設備が含まれる流域を考慮して地下設備の腐食率を予測する技術を改善する。
【解決手段】学習装置１０は、地下設備の腐食率と、地下設備の建設年数と種類とを含む地下設備の特徴とを示す腐食率情報と、地下設備の少なくとも一部が含まれる流域の水質を含む、流域の特徴を示す流域情報とを取得するモデル生成用情報取得部１１４と、地下設備の特徴と流域の特徴とを説明変数とし、腐食率を目的変数とする機械学習を行うことにより学習モデルを生成するモデル生成部１１５とを備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

地下設備の腐食率と、前記地下設備の建設年数と種類とを含む前記地下設備の特徴とを示す腐食率情報と、前記地下設備の少なくとも一部が含まれる流域の水質を含む、前記流域の特徴を示す流域情報とを取得するモデル生成用情報取得部と、
前記地下設備の特徴と前記流域の特徴とを説明変数とし、前記腐食率を目的変数とする機械学習を行うことにより学習モデルを生成するモデル生成部と、
を備える学習装置。

【請求項2】

前記地下設備の位置と、前記地下設備の腐食の有無を点検した結果とを示す点検情報を取得する点検情報取得部と、
前記地下設備の位置に基づいて前記地下設備が含まれる流域毎に前記点検情報を分割する分割部と、
分割した前記点検情報に基づいて、前記腐食率情報を生成する腐食率情報生成部と、
をさらに備える請求項１に記載の学習装置。

【請求項3】

請求項１又は２に記載の前記学習モデルを取得するモデル取得部と、
対象の地下設備の特徴と前記対象の地下設備が含まれる流域の特徴とを示す推定用情報を取得する推定用情報取得部と、
取得した前記推定用情報を、取得した前記学習モデルに適用し、前記対象の地下設備の腐食率を推定する推定部と、
を備える腐食予測装置。

【請求項4】

学習装置が実行する学習方法であって、
地下設備の腐食率と、前記地下設備の建設年数と種類とを含む前記地下設備の特徴とを示す腐食率情報と、前記地下設備の少なくとも一部が含まれる流域の水質を含む、前記流域の特徴を示す流域情報とを取得するモデル生成用情報取得ステップと、
前記地下設備の特徴と前記流域の特徴とを説明変数とし、前記腐食率を目的変数とする機械学習を行うことにより学習モデルを生成するモデル生成ステップと、
を含む学習方法。

【請求項5】

前記地下設備の位置と、前記地下設備の腐食の有無を点検した結果とを示す点検情報を取得する点検情報取得ステップと、
前記地下設備の位置に基づいて前記設備が含まれる流域毎に前記点検情報を分割する分割ステップと、
分割した前記点検情報に基づいて、前記腐食率情報を生成する腐食率情報生成ステップと、
をさらに含む請求項４に記載の学習方法。

【請求項6】

腐食予測装置が実行する腐食予測方法であって、
請求項４又は５に記載の前記学習モデルを取得するモデル取得ステップと、
対象の地下設備の特徴と前記対象の地下設備が含まれる流域の特徴とを示す推定用情報を取得する推定用情報取得ステップと、
取得した前記推定用情報を、取得した前記学習モデルに適用し、前記対象の地下設備の腐食率を推定する推定ステップと、
を含む腐食予測方法。

【請求項7】

コンピュータを、請求項１又は２に記載の学習装置として機能させるためのプログラム。

【請求項8】

コンピュータを、請求項３に記載の腐食予測装置として機能させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、学習装置、腐食予測装置、学習方法、腐食予測方法、及びプログラムに関する。

【背景技術】

【0002】

従来、管路等の地下設備の金属の腐食予測に関する技術が開示されている。地下設備の腐食予測は、主に土壌の腐食性から検討されている。例えばＡＮＳＩ（American National Standards Institute：米国規格協会）の評価指標では比抵抗、ｐＨ値等から土壌の腐食性を予測している（例えば、非特許文献１参照）。地下設備が淡水に接触している場合、淡水腐食の予測式により、塩化物イオン濃度、硫酸イオン濃度、及び炭酸水素イオン濃度の三種類のイオンの比であるLarson Skold Indexを用いることで腐食速度が推定可能である（例えば、非特許文献２参照）。

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】角田知己、外１名、「土壌の腐食性を評価するための視点」、防食技術、Vol.3、pp.168－177、1987年

【非特許文献2】小澤正義、外１名、「海水及び淡水中の炭素鋼の均一腐食進展予測モデルの構築」、材料と環境、Vol.66、No.3、pp.99－106、2017年

【発明の概要】

【発明が解決しようとする課題】

【0004】

従来の技術では、土壌の成分、水質等で金属の腐食性が評価されるが、土壌又は水質自体の調査が必要であった。個別の点検データが公的データとしてある場合でも、流域毎に地下設備の腐食率を判定可能なデータベースが整備されていないため、特定の河川又は水系等の流域における管路の腐食性を推定するのは難しいという問題があった。このように、地下設備が含まれる流域を考慮して地下設備の腐食率を予測する技術を改善することが望まれていた。

【0005】

かかる事情に鑑みてなされた本発明の目的は、地下設備が含まれる流域を考慮して地下設備の腐食率を予測する技術を改善することにある。

【課題を解決するための手段】

【0006】

上述の課題を解決するため、本発明に係る学習装置は、地下設備の腐食率と、前記地下設備の建設年数と種類とを含む前記地下設備の特徴とを示す腐食率情報と、前記地下設備の少なくとも一部が含まれる流域の水質を含む、前記流域の特徴を示す流域情報とを取得するモデル生成用情報取得部と、前記地下設備の特徴と前記流域の特徴とを説明変数とし、前記腐食率を目的変数とする機械学習を行うことにより学習モデルを生成するモデル生成部と、を備える。

【0007】

また、本発明に係る腐食予測装置は、本発明に係る前記学習モデルを取得するモデル取得部と、対象の地下設備の特徴と前記対象の地下設備が含まれる流域の特徴とを示す推定用情報を取得する推定用情報取得部と、取得した前記推定用情報を、取得した前記学習モデルに適用し、前記対象の地下設備の腐食率を推定する推定部と、を備える。

【0008】

また、本発明に係る学習方法は、学習装置が実行する学習方法であって、地下設備の腐食率と、前記地下設備の建設年数と種類とを含む前記地下設備の特徴とを示す腐食率情報と、前記地下設備の少なくとも一部が含まれる流域の水質を含む、前記流域の特徴を示す流域情報とを取得するモデル生成用情報取得ステップと、前記地下設備の特徴と前記流域の特徴とを説明変数とし、前記腐食率を目的変数とする機械学習を行うことにより学習モデルを生成するモデル生成ステップと、を含む。

【0009】

また、本発明に係る腐食予測方法は、腐食予測装置が実行する腐食予測方法であって、本発明に係る前記学習モデルを取得するモデル取得ステップと、対象の地下設備の特徴と前記対象の地下設備が含まれる流域の特徴とを示す推定用情報を取得する推定用情報取得ステップと、取得した前記推定用情報を、取得した前記学習モデルに適用し、前記対象の地下設備の腐食率を推定する推定ステップと、を含む。

【0010】

また、本発明に係るプログラムは、コンピュータを、本発明に係る学習装置として機能させる。

【0011】

また、本発明に係るプログラムは、コンピュータを、本発明に係る腐食予測装置として機能させる。

【発明の効果】

【0012】

本発明によれば、地下設備が含まれる流域を考慮して地下設備の腐食率を予測する技術を改善することができる。

【図面の簡単な説明】

【0013】

【図1】本実施形態に係る腐食予測システムの概略構成を示す図である。

【図2】本実施形態に係る点検情報の例を示す図である。

【図3A】本実施形態に係る、分割された点検情報の例を示す図である。

【図3B】本実施形態に係る、分割された点検情報の例を示す図である。

【図4A】本実施形態に係る、流域毎腐食率データベースの例を示す図である。

【図4B】本実施形態に係る、流域毎腐食率データベースの例を示す図である。

【図5】本実施形態に係る、データベース検索用情報の例を示す図である。

【図6A】本実施形態に係る、流域毎腐食率・特徴データベースの例を示す図である。

【図6B】本実施形態に係る、流域毎腐食率・特徴データベースの例を示す図である。

【図7A】本実施形態に係る腐食予測システムの動作を示す図である。

【図7B】本実施形態に係る腐食予測システムの動作を示す図である。

【発明を実施するための形態】

【0014】

以下、本発明の実施形態について適宜図面を参照しながら説明する。以下に説明する実施形態は本発明の構成の例であり、本発明は、以下の実施形態に制限されるものではない。

【0015】

＜腐食予測システム１の概略構成＞
図１は、本実施形態に係る腐食予測システム１の構成を示す図である。図１に示すように、腐食予測システム１は、学習装置１０と、腐食予測装置２０とを備える。学習装置１０と腐食予測装置２０とは、例えばインターネット及び移動体通信網等を含むネットワーク３０と有線又は無線により通信可能に接続される。各装置間で情報を送受信するための通信方法は、特に限定されない。学習装置１０と腐食予測装置２０とは、一体化されていてもよい。

【0016】

学習装置１０及び腐食予測装置２０は、クラウドコンピューティングシステム又はその他のコンピューティングシステムに属するサーバ等のコンピュータである。

【0017】

ネットワーク３０は、インターネット、少なくとも１つＷＡＮ（Wide Area Network）、少なくとも１つのＭＡＮ（Metropolitan Area Network）、又はこれらの任意の組合せを含む。ネットワーク３０は、少なくとも１つの無線ネットワーク、少なくとも１つの光ネットワーク、又はこれらの任意の組合せを含んでもよい。無線ネットワークは、例えば、アドホックネットワーク、セルラーネットワーク、無線ＬＡＮ（local area network）、衛星通信ネットワーク、又は地上マイクロ波ネットワークである。

【0018】

まず、本実施形態の概要について説明し、詳細については後述する。学習装置１０は、地下設備の腐食率と、地下設備の建設年数と種類とを含む地下設備の特徴とを示す腐食率情報と、地下設備の少なくとも一部が含まれる流域の水質を含む、流域の特徴を示す流域情報とを取得する。学習装置１０は、地下設備の特徴と流域の特徴とを説明変数とし、腐食率を目的変数とする機械学習を行うことにより学習モデルを生成する。学習装置１０は、生成した学習モデルを腐食予測装置２０に出力する。

【0019】

地下設備とは、地下に埋設された管路、マンホール、とう道等を含む。管路は例えば通信ケーブルを保護する通信用管路であって、地下に埋設されるものを含む。管路は水道用管路、ガス用管路、電力用管路等であってもよい。地下設備の種類とは、一定の地下設備の材質を含む。例えば地下設備が管路である場合、地下設備の種類として鋼管、ビニル管等が含まれてよい。これに限られず、地下設備の種類は、管路、マンホール、とう道等の地下設備自体の種類を含んでよい。

【0020】

腐食予測装置２０は、学習装置１０が生成した学習モデルを取得する。腐食予測装置２０は、対象の地下設備の特徴と対象の地下設備が含まれる流域の特徴とを示す推定用情報を取得する。腐食予測装置２０は、取得した推定用情報を、取得した学習モデルに適用し、対象の地下設備の腐食率を推定する。

【0021】

本実施形態によれば、過去の地下設備の点検結果を用いて、当該地下設備の腐食率を推定する学習モデルを生成できる。地下設備の特徴だけでなく、地下設備が含まれる流域の特徴を学習モデルに自動的に適用することで、より精度よく地下設備の腐食率を推定できる。よって、地下設備が含まれる流域を考慮して地下設備の腐食率を予測する技術を改善することができる。

【0022】

＜学習装置１０の構成＞
図１に示すように、学習装置１０は、制御部１１と、記憶部１２と、通信部１３と、入力部１４と、出力部１５とを備える。

【0023】

記憶部１２は、１つ以上のメモリを含み、例えば半導体メモリ、磁気メモリ、光メモリ等を含んでもよい。記憶部１２に含まれる各メモリは、例えば主記憶装置、補助記憶装置、又はキャッシュメモリとして機能してもよい。記憶部１２は、学習装置１０の動作に用いられる任意の情報を記憶する。記憶部１２は、必ずしも学習装置１０が内部に備える必要はなく、学習装置１０の外部に備える構成としてもよい。

【0024】

通信部１３は、ネットワーク３０に接続する１つ以上の通信用インターフェースを含む。当該通信用インターフェースは、例えば移動通信規格、有線ＬＡＮ規格、又は無線ＬＡＮ規格に対応するが、これらに限られず、任意の通信規格に対応してもよい。通信部１３は、学習装置１０の動作に用いられる情報を受信し、また学習装置１０の動作によって得られる情報を送信する。

【0025】

入力部１４には、少なくとも１つの入力用インターフェースが含まれる。入力用インターフェースは、例えば、物理キー、静電容量キー、ポインティングデバイス、ディスプレイと一体的に設けられたタッチスクリーン、又はマイクである。入力部１４は、学習装置１０の動作に用いられる情報を入力する操作を受け付ける。入力部１４は、学習装置１０に備えられる代わりに、外部の入力機器として学習装置１０に接続されてもよい。接続方式としては、例えば、ＵＳＢ（Universal Serial Bus）、ＨＤＭＩ（High-Definition Multimedia Interface）（登録商標）、又はBluetooth（登録商標）等の任意の方式を用いることができる。

【0026】

出力部１５には、少なくとも１つの出力用インターフェースが含まれる。出力用インターフェースは、例えば、ディスプレイ又はスピーカである。ディスプレイは、例えば、ＬＣＤ（Liquid Crystal Display）又は有機ＥＬ（Electro Luminescence）ディスプレイである。出力部１５は、学習装置１０の動作によって得られる情報を出力する。出力部１５は、学習装置１０に備えられる代わりに、外部の出力機器として学習装置１０に接続されてもよい。接続方式としては、例えば、ＵＳＢ、ＨＤＭＩ（登録商標）、又はBluetooth（登録商標）等の任意の方式を用いることができる。

【0027】

制御部１１は、制御演算回路（コントローラ）により実現される。該制御演算回路は、ＡＳＩＣ（Application Specific Integrated Circuit)、ＦＰＧＡ(Field-Programmable Gate Array)等の専用のハードウェアによって構成されてもよいし、プロセッサによって構成されてもよいし、双方を含んで構成されてもよい。制御部１１は、学習装置１０の各部を制御しながら、学習装置１０の動作に関わる処理を実行する。制御部１１は、外部装置との情報の送受信を、通信部１３及びネットワーク３０を介して行うことができる。

【0028】

制御部１１は、点検情報取得部１１１と、分割部１１２と、腐食率情報生成部１１３と、モデル生成用情報取得部１１４と、モデル生成部１１５とを備える。

【0029】

点検情報取得部１１１は、地下設備の位置と、地下設備の腐食の有無を点検した結果とを示す点検情報を取得する。点検情報取得部１１１は、点検情報を記憶部１２から読み出すことで取得してもよいし、点検作業者が使用する端末装置と通信し、当該端末装置から点検結果を示す情報を点検情報として受信することで取得してもよい。これに限られず、点検情報取得部１１１は、ユーザによって入力された点検情報を、入力部１４を介して受け付けることで取得してもよい。点検情報取得部１１１は、取得した点検情報を分割部１１２に出力する。

【0030】

図２は点検情報の一例を示す図である。図２では、点検情報をテーブル形式で表すが、点検情報の形式はこれに限られない。図２に示すように、点検情報は、地下設備毎にレコード番号、当該地下設備の種類、建設年数、位置、点検の結果としての当該地下設備の腐食の有無を含む。

【0031】

地下設備の位置は、緯度及び経度で表される。これに限られず、地下設備の位置には地表からの地下設備の深度等が含まれてもよい。

【0032】

点検情報には、例えば地下設備の大きさ又は長さ、地下設備の修理履歴等の情報がさらに含まれてもよい。例えば地下設備が管路である場合、当該管路の亘長、継ぎ手部の材質、管径等が点検情報として含まれてもよい。例えば地下設備がマンホールである場合、当該マンホールに接続された管路の本数等が点検情報に含まれてもよい。

【0033】

本実施形態では、点検情報が含む腐食の有無は二値で表されるが、これに限られず、腐食の程度を段階的に示す離散値又は連続値であってもよい。

【0034】

図２を参照すると、タイトル行の下の管路についての点検情報を示す行では、レコード番号１の地下設備の種類は「Ｉ」であり、建設年数は「５年」であり、位置は緯度が「35.680986」、経度が「139.686182」である。点検の結果、腐食の有無は「有り」であったことがわかる。次の行のレコード番号２の地下設備の種類は「Ｓ」であり、建設年数は「１２年」であり、位置は緯度が「35.611572」、経度が「139.626586」である。腐食の有無は「無し」であったことがわかる。

【0035】

点検情報取得部１１１は、点検情報のうち、値が入っていない項目については任意の値を取得して入力できてよい。例えば点検情報取得部１１１は、ある地下設備から所定の距離以内にある他の地下設備を特定し、当該他の地下設備の点検情報が含む値と同様の値を、当該ある地下設備の点検情報として入力できてもよい。

【0036】

分割部１１２は、点検情報取得部１１１から点検情報を取得する。分割部１１２は、点検情報が示す地下設備の位置に基づいて地下設備が含まれる流域を判定し、当該流域毎に点検情報を分割する。流域の判定には任意の手法が採用されてよい。例えば分割部１１２は、流域を管理する省庁等の外部装置と通信して当該地下設備の位置を示す情報を送信し、当該外部装置が備えるデータベースにおいて検索された、当該位置が含まれる流域を受信することで、地下設備の属する流域を判定してよい。流域は河川又は水系等であってよいが、以下で説明する、データベース検索用情報又は推定用情報が含む流域と一致していることが望ましい。

【0037】

当該外部装置が備えるデータベースは、例えば以下のようなものであってよい。
文献１：国土交通省“国土数値情報ダウンロードサービス”、［online］、［令和4年9月15日検索］、インターネット〈URL：https://nlftp.mlit.go.jp/ksj/gml/datalist/KsjTmplt-W07.html〉

【0038】

図３Ａと図３Ｂとは、図２の点検情報を分割部１１２が分割した結果の例を示す。図３Ａ及び図３Ｂを参照すると、点検情報が流域Ａと流域Ｂとに分割されていることがわかる。分割部１１２は、分割した点検情報を腐食率情報生成部１１３へ出力する。

【0039】

腐食率情報生成部１１３は、分割部１１２から取得した分割された点検情報を地下設備の経過年数と種類とでクロス集計を行い、腐食率を算出して腐食率情報を生成する。腐食率の算出には任意の手法が採用されてよい。例えば腐食率情報生成部１１３は、点検情報が示す腐食があると判断された地下設備の数を、当該地下設備が含まれる流域と、地下設備の建設年数と、種類とが同一の管路の全数で除した値を腐食率として算出してよい。例えば点検情報が、流域Ａに含まれる地下設備としての管路であって、建設年数が０から２０年、種類がＳである当該管路の全数が５０本であり、そのうち腐食があると判断された管路の数が１０本であるとする。この場合、腐食率情報生成部１１３は腐食率を２０パーセントと算出する。これに限られず、点検が全ての地下設備ではなくサンプルとして選択された地下設備について行われていた場合に、腐食率情報生成部１１３は、腐食があると判断されたサンプル数を全体のサンプル数で除して算出された腐食率を腐食率情報に反映させてもよい。

【0040】

腐食率情報生成部１１３は、生成した腐食率情報をモデル生成用情報取得部１１４へ出力する。

【0041】

モデル生成用情報取得部１１４は、地下設備の腐食率と、地下設備の建設年数と種類とを含む、地下設備の特徴とを示す腐食率情報と、地下設備が含まれる流域の水質を含む、流域の特徴を示す流域情報とを取得する。モデル生成用情報取得部１１４は、腐食率情報に流域情報を付加し、モデル生成部１１５に出力する。流域情報を付加するタイミングはこれに限られず、例えば分割部１１２が流域を判定するときに流域の特徴を併せて付加してもよい。

【0042】

モデル生成用情報取得部１１４は、流域の特徴を示す流域情報を任意の手法により取得できる。例えばモデル生成用情報取得部１１４は、流域を点検又は管理する省庁等の外部装置と通信し、当該外部装置が備えるデータベースにおいて検索された流域の特徴を受信することで流域情報を取得できてよい。当該データベースは、例えば上述の文献１に記載のものと同様のものであってもよい。

【0043】

流域情報は、流域の特徴として、流域の水質、気候等を含む。水質は具体的には、ｐＨ値、塩化物イオン量、硫酸イオン量等であってよい。気候は具体的には、流域内の年間平均雨量、年間総雨量、平均気温、平均湿度、平均日照時間、平均日射量、平均風速、飛来塩分量等を含んでよい。流域情報は例えば、流域が少なくとも一部含まれる土地の土壌の種類を含んでよい。土壌の種類は、流域が複数の土地に含まれる場合、最も流域と接する面積の大きい土地の土壌の種類であってもよい。土壌の種類は具体的には砂土、壌土、埴土等を含んでよい。これに限られず、土壌中の成分、地中温度、含水量、ｐＨ値等が流域情報に含まれてもよい。

【0044】

モデル生成用情報取得部１１４は、取得した情報の少なくとも１つに基づいてデータベースを作成し、記憶部１２に格納してよい。図４Ａと図４Ｂとは、腐食率情報に基づいてモデル生成用情報取得部１１４が作成する、流域毎腐食率データベースの例である。当該データベースにおいては建設年数が０年以上２０年未満、２０年以上４０年未満、４０年以上６０年未満と分けて登録されているが、建設年数の区分はこれに限られない。

【0045】

例えば制御部１１は、ユーザから対象の地下設備に関する情報を取得し、記憶部１２に格納された流域毎腐食率データベースを検索し、当該対象の地下設備の腐食率を抽出してよい。図５は、流域毎腐食率データベースを用いて腐食率を検索するための、対象の地下設備に関する情報を示すデータベース検索用情報の一例である。データベース検索用情報の取得には任意の手法が採用されてよい。例えば制御部１１はユーザの端末装置からデータベース検索用情報を受信することで取得してもよい。

【0046】

図５では、データベース検索用情報をテーブル形式で表すが、データベース検索用情報の形式はこれに限られない。図５に示すように、データベース検索用情報は一番左の列から順に、レコード番号、地下設備の種類、建設年数、及び当該地下設備の位置を示す。本実施形態では、対象の地下設備の位置は緯度と経度とにより表される。

【0047】

制御部１１は、データベース検索用情報を取得すると、データベース検索用情報が示す位置に基づき、対象の地下設備が含まれる流域を判定する。制御部１１は、上述の分割部１１２と同様の手法により流域を判定してよい。具体的には、制御部１１は、流域を管理する省庁等の外部装置と通信して当該対象の地下設備の位置を示す情報を送信し、当該外部装置から返された、当該位置が含まれる流域を示す情報を受信することで、対象の地下設備の属する流域を判定してよい。制御部１１は、このようにして判定した流域と、地下設備の建設年数及び種類とによって流域毎腐食率データベースを検索し、腐食率を抽出する。判定した流域が流域毎腐食率データベースに登録されていない場合、制御部１１は、データベース検索用情報が含む条件と同様の条件の地下設備のうち、点検済みの地下設備の平均腐食率を算出してユーザに対し出力できてもよい。

【0048】

制御部１１は、流域毎腐食率データベースを検索して抽出した腐食率を、出力部１５を介してユーザに対し通知する。当該通知には任意の手法が採用されてよい。例えば制御部１１は、出力部１５を介して、地図上に抽出した腐食率を表示してもよい。

【0049】

例えば制御部１１が、図５のデータベース検索用情報のレコード番号１の地下設備について腐食率を抽出するとする。レコード番号１の地下設備の位置は、緯度が「35.686972」、経度が「139.708932」である。制御部１１は、当該位置を示す情報を、流域を管理する省庁等の外部装置に送信する。制御部１１は、当該外部装置から返された流域を示す情報を取得することで、レコード番号１の地下設備の属する流域を判定する。当該流域が流域Ａであるとする。制御部１１は、図４Ａの流域毎腐食率データベースを検索し、流域Ａ、建設年数２０年から４０年、種類Ｉの腐食率Ｐｄを抽出し、出力部１５を介して腐食率Ｐｄを表示する。

【0050】

モデル生成用情報取得部１１４が生成するデータベースは図４Ａ及び図４Ｂの流域毎腐食率データベースに限られない。例えばモデル生成用情報取得部１１４は、腐食率情報と流域情報とに基づいて、図６Ａ及び図６Ｂに示すような流域毎腐食率・特徴データベースを作成し、記憶部１２に格納してもよい。図６Ａ及び図６Ｂの流域毎腐食率・特徴データベースにおいては、異なる設備種類毎にそれぞれデータベースが作成されているが、データベースの形式はこれに限られない。制御部１１は、流域毎腐食率データベースの場合と同様に、当該流域毎腐食率・特徴データベースの検索に必要な情報を取得して、当該流域毎腐食率・特徴データベースから対象の地下設備の腐食率を抽出できてよい。

【0051】

モデル生成用情報取得部１１４は、取得した腐食率情報が示す腐食率が不明なレコードの数が所定値以上であるかに基づいて、モデル生成部１１５に流域情報を付加した腐食率情報を出力することを決定してもよい。具体的には、モデル生成用情報取得部１１４は、腐食率が不明なレコードの数が所定値以上ある場合に、モデル生成部１１５に流域情報を付加した腐食率情報を出力することを決定し、所定値未満である場合には、モデル生成部１１５に腐食率情報を出力せず、上述の流域毎腐食率データベース又は流域毎腐食率・特徴データベースを作成することを決定してよい。これにより、腐食率情報が示す腐食率が所定の程度判明している場合はデータベースを検索することで腐食率を抽出し、一方、腐食率が不明な場合には、自動的に以下で説明する学習モデルを生成し、腐食率を推定することが可能となる。

【0052】

モデル生成部１１５は、モデル生成用情報取得部１１４から出力された、流域情報が付加された腐食率情報を取得する。モデル生成部１１５は、地下設備の特徴と流域の特徴とを説明変数とし、腐食率を目的変数とする機械学習を行うことにより学習モデルを生成する。当該機械学習の手法は、決定木の勾配ブースティング、ランダムフォレスト等の教師あり学習の手法であって良い。機械学習の手法はこれらに限られず、ニューラルネットワーク、分類、回帰木等を含んでよい。モデル生成部１１５は、生成した学習モデルを記憶部１２に格納する。

【0053】

学習モデルは、地下設備の腐食率を学習する。学習モデルは、腐食率を、連続値、腐食の有無を表す０及び１の二値、任意の離散値又はカテゴリ値等で示してよい。モデル生成部１１５は、記憶部１２から生成した学習モデルを読み出し、腐食予測装置２０に出力する。

【0054】

＜腐食予測装置２０の構成＞
再び図１を参照すると、腐食予測装置２０は、制御部２１と、記憶部２２と、通信部２３と、入力部２４と、出力部２５とを備える。

【0055】

記憶部２２は、１つ以上のメモリを含み、例えば半導体メモリ、磁気メモリ、光メモリ等を含んでもよい。記憶部２２に含まれる各メモリは、例えば主記憶装置、補助記憶装置、又はキャッシュメモリとして機能してもよい。記憶部２２は、腐食予測装置２０の動作に用いられる任意の情報を記憶する。記憶部２２は、必ずしも腐食予測装置２０が内部に備える必要はなく、腐食予測装置２０の外部に備える構成としてもよい。

【0056】

通信部２３は、ネットワーク３０に接続する１つ以上の通信用インターフェースを含む。当該通信用インターフェースは、例えば移動通信規格、有線ＬＡＮ規格、又は無線ＬＡＮ規格に対応するが、これらに限られず、任意の通信規格に対応してもよい。通信部２３は、腐食予測装置２０の動作に用いられる情報を受信し、また腐食予測装置２０の動作によって得られる情報を送信する。

【0057】

入力部２４には、少なくとも１つの入力用インターフェースが含まれる。入力用インターフェースは、例えば、物理キー、静電容量キー、ポインティングデバイス、ディスプレイと一体的に設けられたタッチスクリーン、又はマイクである。入力部２４は、腐食予測装置２０の動作に用いられる情報を入力する操作を受け付ける。入力部２４は、腐食予測装置２０に備えられる代わりに、外部の入力機器として腐食予測装置２０に接続されてもよい。接続方式としては、例えば、ＵＳＢ、ＨＤＭＩ（登録商標）、又はBluetooth（登録商標）等の任意の方式を用いることができる。

【0058】

出力部２５には、少なくとも１つの出力用インターフェースが含まれる。出力用インターフェースは、例えば、ディスプレイ又はスピーカである。ディスプレイは、例えば、ＬＣＤ又は有機ＥＬディスプレイである。出力部２５は、腐食予測装置２０の動作によって得られる情報を出力する。出力部２５は、腐食予測装置２０に備えられる代わりに、外部の出力機器として腐食予測装置２０に接続されてもよい。接続方式としては、例えば、ＵＳＢ、ＨＤＭＩ（登録商標）、又はBluetooth（登録商標）等の任意の方式を用いることができる。

【0059】

制御部２１は、制御演算回路（コントローラ）により実現される。該制御演算回路は、ＡＳＩＣ、ＦＰＧＡ等の専用のハードウェアによって構成されてもよいし、プロセッサによって構成されてもよいし、双方を含んで構成されてもよい。制御部２１は、腐食予測装置２０の各部を制御しながら、腐食予測装置２０の動作に関わる処理を実行する。制御部２１は、外部装置との情報の送受信を、通信部２３及びネットワーク３０を介して行うことができる。

【0060】

制御部２１は、モデル取得部２１１、推定用情報取得部２１２、及び推定部２１３を備える。

【0061】

モデル取得部２１１は、腐食率を推定するための学習モデルを取得する。本実施形態では、モデル取得部２１１は、学習装置１０が生成した学習モデルを学習装置１０から受信することで取得する。モデル取得部２１１は取得した学習モデルを推定部２１３に出力する。

【0062】

推定用情報取得部２１２は、対象の地下設備の特徴と対象の地下設備が含まれる流域の特徴とを示す推定用情報を取得する。推定用情報の取得には任意の手法が採用されてよい。

【0063】

例えば、推定用情報取得部２１２はまず、ユーザから対象の地下設備の建設年数、種類、及び対象の地下設備の位置の入力を促す表示を、出力部２５を介して行い、ユーザが入力部２４を介して入力した値を受け付ける。

【0064】

次に推定用情報取得部２１２は、入力された対象の地下設備の位置に基づき、対象の地下設備が含まれる流域を判定する。推定用情報取得部２１２は、上述の分割部１１２と同様の手法により流域を判定してよい。具体的には、推定用情報取得部２１２は、流域を管理する省庁等の外部装置と通信して当該対象の地下設備の位置を示す情報を送信し、当該外部装置から返された、当該位置が含まれる流域を示す情報を受信することで、対象の地下設備の属する流域を判定してよい。

【0065】

次に推定用情報取得部２１２は、このようにして判定した流域に基づいて流域の特徴を示す流域情報を任意の手法によりさらに取得する。推定用情報取得部２１２は、上述のモデル生成用情報取得部１１４と同様の手法により流域情報を取得してよい。具体的には、推定用情報取得部２１２は、流域を点検又は管理する省庁等の外部装置と通信し、当該外部装置が備えるデータベースにおいて検索された流域の特徴を受信することで流域情報を取得できてよい。

【0066】

推定用情報取得部２１２は、このようにして対象の地下設備の特徴と流域情報が含む流域の特徴とを推定用情報として取得する。推定用情報取得部２１２は、取得した推定用情報を推定部２１３に出力する。

【0067】

推定部２１３は、取得した推定用情報を、モデル取得部２１１から取得した学習モデルに適用し、対象の地下設備の腐食率を推定する。具体的には、推定部２１３は、推定用情報が含む対象の地下設備の特徴と対象の地下設備が含まれる流域の特徴とをそれぞれ数値化して、取得した学習モデルに入力する。推定部２１３は、学習モデルが算出した腐食率を取得する。このようにして推定部２１３は対象の地下設備の腐食率を推定する。

【0068】

推定部２１３は、学習モデルが算出した腐食率を、出力部２５を介してユーザに対し通知してもよいし、通信部２３を介してユーザの保持する端末装置に送信することでユーザに対し通知してもよい。例えば推定部２１３は、出力部２５に表示された地図上に、推定した腐食率を表示してもよい。

【0069】

＜プログラム＞
上述した学習装置１０又は腐食予測装置２０として機能させるために、プログラム命令を実行可能なコンピュータを用いることも可能である。ここで、コンピュータは、汎用コンピュータ、専用コンピュータ、ワークステーション、ＰＣ（Personal Computer）、電子ノートパッド等であってもよい。プログラム命令は、必要なタスクを実行するためのプログラムコード、コードセグメント等であってもよい。

【0070】

コンピュータは、プロセッサと、記憶部と、入力部と、出力部と、通信インターフェースとを備える。プロセッサは、ＣＰＵ(Central Processing Unit)、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＳｏＣ（System on a Chip）等であり、同種又は異種の複数のプロセッサにより構成されてもよい。プロセッサは、記憶部からプログラムを読み出して実行することで、上記各構成の制御及び各種の演算処理を行う。なお、これらの処理内容の少なくとも一部をハードウェアで実現することとしてもよい。入力部は、ユーザの入力操作を受け付けてユーザの操作に基づく情報を取得する入力インターフェースであり、ポインティングデバイス、キーボード、マウス等である。出力部は、情報を出力する出力インターフェースであり、ディスプレイ、スピーカ等である。通信インターフェースは、外部の装置と通信するためのインターフェースである。

【0071】

プログラムは、コンピュータが読み取り可能な記録媒体に記録されていてもよい。このような記録媒体を用いれば、プログラムをコンピュータにインストールすることが可能である。ここで、プログラムが記録された記録媒体は、非一過性（non-transitory）の記録媒体であってもよい。非一過性の記録媒体は、特に限定されるものではないが、例えば、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ＵＳＢメモリ等であってもよい。また、このプログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

【0072】

＜腐食予測システム１の動作＞
次に、図７Ａ及び図７Ｂを参照して、本実施形態に係る学習装置１０及び腐食予測装置２０を含む腐食予測システム１の動作について説明する。腐食予測システム１の動作のうち、学習装置１０の動作は、本実施形態に係る学習方法に相当し、腐食予測装置２０の動作は、本実施形態に係る腐食予測方法に相当する。

【0073】

図７ＡのステップＳ１において、学習装置１０の点検情報取得部１１１は、地下設備の位置と、地下設備の腐食の有無を点検した結果とを示す点検情報を取得する。点検情報の取得には任意の手法が採用されてよい。点検情報取得部１１１は、取得した点検情報を分割部１１２に出力する。

【0074】

ステップＳ２において、分割部１１２は、地下設備の位置に基づいて地下設備が含まれる流域毎に点検情報を分割する。分割部１１２は、点検情報が示す地下設備の位置に基づき、点検された各地下設備がどの流域に所属するかを判定する。流域の判定には任意の手法が採用されてよい。例えば分割部１１２は、流域を管理する省庁等の外部装置と通信して当該地下設備の位置を示す情報を送信し、当該外部装置が備えるデータベースにおいて検索された、当該位置が含まれる流域を受信することで、地下設備の属する流域を判定してよい。分割部１１２は、分割した点検情報を腐食率情報生成部１１３へ出力する。

【0075】

ステップＳ３において、腐食率情報生成部１１３は、分割部１１２から取得した分割された点検情報を地下設備の経過年数と種類とでクロス集計を行い、腐食率を算出して腐食率情報を生成する。腐食率の算出には任意の手法が採用されてよい。腐食率情報生成部１１３は、生成した腐食率情報をモデル生成用情報取得部１１４へ出力する。

【0076】

ステップＳ４において、モデル生成用情報取得部１１４は、地下設備の腐食率と、地下設備の建設年数と種類とを含む地下設備の特徴とを示す腐食率情報と、地下設備が含まれる流域の水質を含む、流域の特徴を示す流域情報とを取得する。本実施形態では、モデル生成用情報取得部１１４は、腐食率情報を腐食率情報生成部１１３から取得し、流域情報を、流域を点検又は管理する省庁等の外部装置から取得する。モデル生成用情報取得部１１４は、取得した腐食率情報に取得した流域情報を付加し、モデル生成部１１５に出力する。

【0077】

モデル生成用情報取得部１１４は、取得した情報の少なくとも１つに基づいてデータベースを作成し、記憶部１２に格納してよい。モデル生成用情報取得部１１４は、図４Ａ及び図４Ｂに示すような流域毎腐食率データベース、又は図６Ａ及び図６Ｂに示すような流域毎腐食率・特徴データベースを作成してよい。この場合、制御部１１は、ユーザから対象の地下設備の情報を取得し、記憶部１２に格納された流域毎腐食率データベース又は流域毎腐食率・特徴データベースを検索して、当該対象の地下設備の腐食率を抽出してよい。制御部１１は、データベースから抽出した腐食率をユーザに対し通知してよい。

【0078】

ステップＳ５において、モデル生成部１１５は、モデル生成用情報取得部１１４から出力された、流域情報が付加された腐食率情報を取得する。モデル生成部１１５は、地下設備の特徴と流域の特徴とを説明変数とし、腐食率を目的変数とする機械学習を行うことにより学習モデルを生成する。当該機械学習の手法は，決定木の勾配ブースティング、ランダムフォレスト等の教師あり学習の手法であってよい。モデル生成部１１５は、生成した学習モデルを記憶部１２に格納する。

【0079】

ステップＳ６において、制御部１１は、記憶部１２からモデル生成部１１５が生成した学習モデルを読み出し、通信部１３を介して腐食予測装置２０へ送信する。

【0080】

ステップＳ７において、腐食予測装置２０のモデル取得部２１１は、学習装置１０から送信された学習モデルを、通信部２３を介して受信することで取得する。モデル取得部２１１は、取得した学習モデルを推定部２１３に出力する。

【0081】

ステップＳ８において、推定用情報取得部２１２は、対象の地下設備の特徴と対象の地下設備が含まれる流域の特徴とを示す推定用情報を取得する。推定用情報の取得には任意の手法が採用されてよい。

【0082】

例えば推定用情報取得部２１２はまず、ユーザから対象の地下設備の建設年数、種類、及び地下設備が含まれる位置の入力を促す表示を、出力部２５を介して行い、ユーザが入力部２４を介して入力した値を受け付けて取得する。次に推定用情報取得部２１２は、入力された対象の地下設備の位置を示す情報に基づいて流域を判定する。流域の判定には任意の手法が採用されてよい。例えば推定用情報取得部２１２は、ステップＳ２と同様の手法により流域を判定してよい。推定用情報取得部２１２は、判定した流域に基づいて流域の特徴を示す流域情報を任意の手法によりさらに取得する。流域情報の取得には任意の手法が採用されてよい。例えば推定用情報取得部２１２は、ステップＳ４と同様の手法により流域情報を取得してよい。

【0083】

推定用情報取得部２１２は、取得した推定用情報を推定部２１３に出力する。

【0084】

図７ＢのステップＳ９において、推定部２１３は、取得した推定用情報を、モデル取得部２１１から取得した学習モデルに適用し、学習モデルが算出した腐食率を取得する。このようにして推定部２１３は対象の地下設備の腐食率を推定する。

【0085】

ステップＳ１０において、推定部２１３は、推定した腐食率を、ユーザに対し通知する。通知には任意の手法が採用されてよい。その後、腐食予測システム１の動作は終了する。

【0086】

上述の通り、本実施形態の学習装置１０は、地下設備の腐食率と、地下設備の建設年数と種類とを含む地下設備の特徴とを示す腐食率情報と、地下設備の少なくとも一部が含まれる流域の水質を含む、流域の特徴を示す流域情報とを取得するモデル生成用情報取得部１１４と、地下設備の特徴と流域の特徴とを説明変数とし、腐食率を目的変数とする機械学習を行うことにより学習モデルを生成するモデル生成部１１５とを備える。

【0087】

本実施形態の学習装置１０によれば、地下設備が含まれる流域の特徴と地下設備の特徴とに基づいて、地下設備の腐食率を推定する学習モデルを生成できる。当該学習モデルにより、流域の腐食率が不明な箇所が多い場合であっても、腐食率を、機械学習を用いて予測することが可能となる。地下設備の腐食に影響を及ぼす流域の特徴を加味して、地下設備の腐食率を精度よく推定できるようになるため、点検コストを削減できる。よって、地下設備が含まれる流域を考慮して地下設備の腐食率を予測する技術を改善することが可能となる。

【0088】

上述の通り、本実施形態の学習装置１０は、地下設備の位置と、地下設備の腐食の有無を点検した結果とを示す点検情報を取得する点検情報取得部１１１と、地下設備の位置に基づいて地下設備が含まれる流域毎に点検情報を分割する分割部１１２と、分割した点検情報に基づいて、腐食率情報を生成する腐食率情報生成部１１３と、をさらに備える。

【0089】

本実施形態の学習装置１０によれば、流域毎に点検情報が自動的に分割され、学習モデルの生成に必要な流域毎の腐食率を示す腐食率情報を効率よく生成できる。流域毎の腐食率を表す流域毎腐食率データベース及び流域毎腐食率・特徴データベースが生成できるため、当該データベースを検索して腐食率の抽出も可能になる。よって、地下設備が含まれる流域を考慮して地下設備の腐食率を予測する技術を改善することが可能となる。

【0090】

上述の通り、本実施形態の腐食予測装置２０は、学習モデルを取得するモデル取得部２１１と、対象の地下設備の特徴と対象の地下設備が含まれる流域の特徴とを示す推定用情報を取得する推定用情報取得部２１２と、取得した推定用情報を、取得した学習モデルに適用し、対象の地下設備の腐食率を推定する推定部２１３と、を備える。

【0091】

本実施形態の腐食予測装置２０によれば、対象の地下設備が含まれる流域の特徴を自動的に取得し、対象の地下設備の腐食率を精度よく予測できる。点検するまで不明であった地下設備の腐食状況を容易に予測できるようになるため、点検および維持管理の効率化が可能となる。よって、地下設備が含まれる流域を考慮して地下設備の腐食率を予測する技術を改善することが可能となる。

【0092】

本発明を諸図面や実施形態に基づき説明してきたが、当業者であれば本発明に基づき種々の変形や修正を行うことが容易であることに注意されたい。従って、これらの変形や修正は本発明の範囲に含まれることに留意されたい。

【符号の説明】

【0093】

１ 腐食予測システム
１０ 学習装置
１１ 制御部
１２ 記憶部
１３ 通信部
１４ 入力部
１５ 出力部
２０ 腐食予測装置
２１ 制御部
２２ 記憶部
２３ 通信部
２４ 入力部
２５ 出力部
３０ ネットワーク
１１１ 点検情報取得部
１１２ 分割部
１１３ 腐食率情報生成部
１１４ モデル生成用情報取得部
１１５ モデル生成部
２１１ モデル取得部
２１２ 推定用情報取得部
２１３ 推定部

【図1】

【図2】

【図3A】

【図3B】

【図4A】

【図4B】

【図5】

【図6A】

【図6B】

【図7A】

【図7B】