特許 7411473 妥当性確認方法、妥当性確認システム及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2023-12-27

(45)【発行日】2024-01-11

(54)【発明の名称】妥当性確認方法、妥当性確認システム及びプログラム

(51)【国際特許分類】

   G06Q 10/0635 20230101AFI20231228BHJP

   G05B 23/02 20060101ALI20231228BHJP

   G06Q 50/06 20240101ALI20231228BHJP

【ＦＩ】

G06Q10/0635

G05B23/02 302R

G06Q50/06

【請求項の数】 12

(21)【出願番号】P 2020058259

(22)【出願日】2020-03-27

(65)【公開番号】P2021157597

(43)【公開日】2021-10-07

【審査請求日】2022-11-11

(73)【特許権者】

【識別番号】000006208

【氏名又は名称】三菱重工業株式会社

(74)【代理人】

【識別番号】100149548

【弁理士】

【氏名又は名称】松沼 泰史

(74)【代理人】

【識別番号】100162868

【弁理士】

【氏名又は名称】伊藤 英輔

(74)【代理人】

【識別番号】100161702

【弁理士】

【氏名又は名称】橋本 宏之

(74)【代理人】

【識別番号】100189348

【弁理士】

【氏名又は名称】古都 智

(74)【代理人】

【識別番号】100196689

【弁理士】

【氏名又は名称】鎌田 康一郎

(72)【発明者】

【氏名】平井 俊輔

(72)【発明者】

【氏名】森田 克明

(72)【発明者】

【氏名】藤井 康文

【審査官】大野 朋也

(56)【参考文献】

【文献】特開２０１４－０５９５９７（ＪＰ，Ａ）

【文献】特開２０１２－２５２５１９（ＪＰ，Ａ）

【文献】特開２０１０－０８９７６０（ＪＰ，Ａ）

【文献】特開２０１９－１９７３２９（ＪＰ，Ａ）

【文献】特開２０１５－０４９７７５（ＪＰ，Ａ）

【文献】特開２０１２－００８７４４（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１５／００６７４００（ＵＳ，Ａ１）

【文献】米国特許出願公開第２００８／００１０２３０（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００－９９／００

Ｇ０５Ｂ ２３／０２

(57)【特許請求の範囲】

【請求項1】

コンピュータによって実行される妥当性確認方法であって、
確率論的リスク評価モデルから出力されるカットセットの特徴量を演算するステップと、
前記カットセットについて、前記特徴量に基づく階層的クラスタリングを実行するステップと、
前記階層的クラスタリングによって生成された各々の第１クラスに含まれる前記カットセットの中から１つまたは複数を抽出するステップと、
抽出された前記カットセットについての妥当性の評価結果を取得するステップと、
前記評価結果が妥当ではない場合、前記確率論的リスク評価モデルの修正情報を受け付けるステップと、
を有し、
前記演算するステップでは、１つの前記カットセットについて、当該カットセットを構成する基事象を示すテキストデータに出現する単語の当該カットセットにおける出現回数と他の前記カットセットにも前記単語が出現するかどうかの傾向とを数値化した値を前記特徴量として算出し、
前記妥当性の評価結果は、前記カットセットに含まれる基事象に誤りがないか、前記基事象の組合せ条件に誤りがないかどうか、についての技術者による評価結果を含み、
前記確率論的リスク評価モデルの修正情報には、前記妥当性の評価結果が、誤りがあることを示す評価結果の場合に、前記技術者によって作成された当該誤りを修正するための情報が含まれる、
妥当性確認方法。

【請求項2】

前記評価結果が妥当とされた前記カットセットの前記特徴量に基づいて、非階層的クラスタリングによって1又は複数の第２クラスを生成し、前記第２クラスの重心と前記カットセットが妥当であるとみなせる範囲とを演算するステップと、
前記抽出するステップで、抽出しなかった前記カットセットについて、前記範囲に基づいて妥当性を判定するステップと、
前記判定するステップにて、妥当ではないと判定された前記カットセットについて、さらに前記重心からの距離に基づく選別を行うステップと、
選別された前記カットセットについての妥当性の評価結果が妥当ではない場合、前記確率論的リスク評価モデルの修正情報を受け付けるステップと、
をさらに有する請求項１に記載の妥当性確認方法。

【請求項3】

前記選別を行うステップでは、前記重心からの距離が離れているものから順に所定個の前記カットセットを選別する、
請求項２に記載の妥当性確認方法。

【請求項4】

前記選別を行うステップでは、さらに階層的クラスタリングを行ってクラスタを生成し、当該クラスタごとに前記重心からの距離が離れているものから順に所定個の前記カットセットを選別する、
請求項２に記載の妥当性確認方法。

【請求項5】

前記特徴量は前記カットセットを構成する基事象を示すテキストデータに出現する単語を、テキスト分析することによりベクトル化した値である、
請求項１から請求項４の何れか１項に記載の妥当性確認方法。

【請求項6】

前記抽出するステップでは、前記階層的クラスタリングによって生成された各々の前記第１クラスから前記特徴量の近接性が所定値より低い前記カットセットを抽出する、
請求項１から請求項５の何れか１項に記載の妥当性確認方法。

【請求項7】

前記抽出するステップでは、前記階層的クラスタリングによって生成された各々の前記第１クラスから前記カットセットの発生確率に基づいて前記カットセットを抽出する。
請求項１から請求項５の何れか１項に記載の妥当性確認方法。

【請求項8】

請求項１に記載の妥当性確認方法を、妥当性がないと判断される前記カットセットが抽出されなくなるまで繰り返し実行し、その後、請求項２に記載の前記演算するステップと、請求項２に記載の前記判定するステップと、請求項２に記載の前記選別を行うステップと、請求項２に記載の前記修正情報を受け付けるステップと、を実行する、
妥当性確認方法。

【請求項9】

確率論的リスク評価モデルから出力されるカットセットの特徴量を演算する特徴量演算部と、
前記カットセットについて、前記特徴量に基づく階層的クラスタリングを実行する階層的クラスタリング部、
前記階層的クラスタリングによって生成された各々の第１クラスに含まれる前記カットセットの中から１つまたは複数を抽出する抽出部と、
抽出された前記カットセットについての妥当性の評価結果が妥当ではない場合、前記確率論的リスク評価モデルの修正情報を受け付ける修正受付部と、
を有し、
前記特徴量演算部は、１つの前記カットセットについて、当該カットセットを構成する基事象を示すテキストデータに出現する単語の当該カットセットにおける出現回数と他の前記カットセットにも前記単語が出現するかどうかの傾向とを数値化した値を前記特徴量として算出し、
前記妥当性の評価結果は、前記カットセットに含まれる基事象に誤りがないか、前記基事象の組合せ条件に誤りがないかどうか、についての技術者による評価結果を含み、
前記確率論的リスク評価モデルの修正情報には、前記妥当性の評価結果が、誤りがあることを示す評価結果の場合に、前記技術者によって作成された当該誤りを修正するための情報が含まれる、
妥当性確認システム。

【請求項10】

前記評価結果が妥当とされた前記カットセットの前記特徴量に基づいて、非階層的クラスタリングによって1又は複数の第２クラスを生成し、前記第２クラスの重心と前記カットセットが妥当であるとみなせる範囲とを演算する非階層的クラスタリング部と、
前記抽出部が抽出しなかった前記カットセットについて、前記範囲に基づいて妥当性を判定する判定部と、
前記判定部によって、妥当ではないと判定された前記カットセットについて、さらに前記重心からの距離に基づく選別を行う選別部と、
をさらに有し、
前記修正受付部は、選別された前記カットセットについての妥当性の評価結果が妥当ではない場合、前記確率論的リスク評価モデルの修正情報を受け付ける、
請求項９に記載の妥当性確認システム。

【請求項11】

コンピュータに、
確率論的リスク評価モデルから出力されるカットセットの特徴量を演算するステップと、
前記カットセットについて、前記特徴量に基づく階層的クラスタリングを実行するステップと、
前記階層的クラスタリングによって生成された各々の第１クラスに含まれる前記カットセットの中から１つまたは複数を抽出するステップと、
抽出された前記カットセットについての妥当性の評価結果を取得するステップと、
前記評価結果が妥当ではない場合、前記確率論的リスク評価モデルの修正情報を受け付けるステップと、
を実行させるプログラムであって、
前記演算するステップでは、１つの前記カットセットについて、当該カットセットを構成する基事象を示すテキストデータに出現する単語の当該カットセットにおける出現回数と他の前記カットセットにも前記単語が出現するかどうかの傾向とを数値化した値を前記特徴量として算出し、
前記妥当性の評価結果は、前記カットセットに含まれる基事象に誤りがないか、前記基事象の組合せ条件に誤りがないかどうか、についての技術者による評価結果を含み、
前記確率論的リスク評価モデルの修正情報には、前記妥当性の評価結果が、誤りがあることを示す評価結果の場合に、前記技術者によって作成された当該誤りを修正するための情報が含まれる、
プログラム。

【請求項12】

前記評価結果が妥当とされた前記カットセットの前記特徴量に基づいて、非階層的クラスタリングによって1又は複数の第２クラスを生成し、それぞれの前記第２クラスの重心と前記カットセットが妥当であるとみなせる範囲とを演算するステップと、
前記抽出するステップで、抽出しなかった前記カットセットについて、前記範囲に基づいて妥当性を判定するステップと、
前記判定するステップにて、妥当ではないと判定された前記カットセットについて、さらに前記重心からの距離に基づく選別を行うステップと、
選別された前記カットセットについての妥当性の評価結果が妥当ではない場合、前記確率論的リスク評価モデルの修正情報を受け付けるステップと、
をさらに実行させる請求項１１に記載のプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、確率論的リスク評価モデルの妥当性確認方法、妥当性確認システム及びプログラムに関する。

【背景技術】

【0002】

原子力発電プラントのリスク評価に確率論的リスク評価（Probabilistic Risk Assessment:ＰＲＡ）モデル（以下、ＰＲＡモデルと記載する。）が用いられることがある（特許文献１）。リスク評価の精度を保つため、技術者が、ＰＲＡモデルに基づいて生成される頂上事象のカットセットを手作業で確認することがある。

【0003】

特許文献２には、トレーニングデータの特徴ベクトルをクラスタリングし、クラスタリングされた特徴ベクトルを用いて、認識すべきデータの特徴ベクトルを補間演算した後に音声認識モデルに入力して、音声認識モデルを最適に調整する技術が記載されている。

【先行技術文献】

【特許文献】

【0004】

【文献】特許第５４８００３３号公報

【文献】国際公開第２０１８／００５８５８号

【発明の概要】

【発明が解決しようとする課題】

【0005】

原子力発電プラントのＰＲＡモデルから出力される頂上事象のカットセットの数は、１プラントあたり、数万から数十万になることがあるため、これら全てを手作業で確認するのは困難である。

【0006】

本開示は、上記課題を解決することができる妥当性確認方法、妥当性確認システム及びプログラムを提供する。

【課題を解決するための手段】

【0007】

本開示の妥当性確認方法は、コンピュータによって実行される妥当性確認方法であって、ＰＲＡモデルから出力されるカットセットの特徴量を演算するステップと、前記カットセットについて、前記特徴量に基づく階層的クラスタリングを実行するステップと、前記階層的クラスタリングによって生成された各々のクラスに含まれる前記カットセットの中から１つまたは複数を抽出するステップと、抽出された前記カットセットについての妥当性の評価結果を取得するステップと、前記評価結果が妥当ではない場合、前記ＰＲＡモデルの修正情報を受け付けるステップと、を有し、前記演算するステップでは、１つの前記カットセットについて、当該カットセットを構成する基事象を示すテキストデータに出現する単語の当該カットセットにおける出現回数と他の前記カットセットにも前記単語が出現するかどうかの傾向とを数値化した値を前記特徴量として算出し、前記妥当性の評価結果は、前記カットセットに含まれる基事象に誤りがないか、前記基事象の組合せ条件に誤りがないかどうか、についての技術者による評価結果を含み、前記確率論的リスク評価モデルの修正情報には、前記妥当性の評価結果が、誤りがあることを示す評価結果の場合に、前記技術者によって作成された当該誤りを修正するための情報が含まれる。

【0008】

また、本開示の妥当性確認システムは、ＰＲＡモデルから出力されるカットセットの特徴量を演算する特徴量演算部と、前記カットセットについて、前記特徴量に基づく階層的クラスタリングを実行する階層的クラスタリング部、前記階層的クラスタリングによって生成された各々のクラスに含まれる前記カットセットの中から１つまたは複数を抽出する抽出部と、抽出された前記カットセットについての妥当性の評価結果が妥当ではない場合、前記ＰＲＡモデルの修正情報を受け付ける修正受付部と、を有し、前記特徴量演算部は、１つの前記カットセットについて、当該カットセットを構成する基事象を示すテキストデータに出現する単語の当該カットセットにおける出現回数と他の前記カットセットにも前記単語が出現するかどうかの傾向とを数値化した値を前記特徴量として算出し、前記妥当性の評価結果は、前記カットセットに含まれる基事象に誤りがないか、前記基事象の組合せ条件に誤りがないかどうか、についての技術者による評価結果を含み、前記確率論的リスク評価モデルの修正情報には、前記妥当性の評価結果が、誤りがあることを示す評価結果の場合に、前記技術者によって作成された当該誤りを修正するための情報が含まれる。

【0009】

また、本開示のプログラムは、コンピュータに、ＰＲＡモデルから出力されるカットセットの特徴量を演算するステップと、前記カットセットについて、前記特徴量に基づく階層的クラスタリングを実行するステップと、前記階層的クラスタリングによって生成された各々のクラスに含まれる前記カットセットの中から１つまたは複数を抽出するステップと、抽出された前記カットセットについての妥当性の評価結果を取得するステップと、前記評価結果が妥当ではない場合、前記ＰＲＡモデルの修正情報を受け付けるステップと、を実行させるプログラムであって、前記演算するステップでは、１つの前記カットセットについて、当該カットセットを構成する基事象を示すテキストデータに出現する単語の当該カットセットにおける出現回数と他の前記カットセットにも前記単語が出現するかどうかの傾向とを数値化した値を前記特徴量として算出し、前記妥当性の評価結果は、前記カットセットに含まれる基事象に誤りがないか、前記基事象の組合せ条件に誤りがないかどうか、についての技術者による評価結果を含み、前記確率論的リスク評価モデルの修正情報には、前記妥当性の評価結果が、誤りがあることを示す評価結果の場合に、前記技術者によって作成された当該誤りを修正するための情報が含まれる。

【発明の効果】

【0010】

上述の妥当性確認方法、妥当性確認システム及びプログラムによれば、ＰＲＡモデルの妥当性を効率的に確認することができる。

【図面の簡単な説明】

【0011】

【図1】実施形態に係る妥当性確認システムの一例を示すブロック図である。

【図2】実施形態に係る妥当性確認処理の一例を示す図である。

【図3】実施形態に係る頂上事象のカットセットを説明するための図である。

【図4】実施形態に係るカットセットの一例を示す図である。

【図5】実施形態に係る階層的クラスタリングについて説明する図である。

【図6】実施形態に係る非階層的クラスタリングについて説明する図である。

【図7】実施形態に係る妥当性確認システムのハードウェア構成の一例を示す図である。

【発明を実施するための形態】

【0012】

＜実施形態＞
以下、本開示の妥当性確認システムについて、図１～図７を参照しながら説明する。
（システム構成）
図１は、実施形態に係る妥当性確認システムの一例を示すブロック図である。
妥当性確認システム１は、ＰＲＡモデルを構成する頂上事象のカットセットの妥当性確認作業を支援する。図示するように妥当性確認システム１は、ＰＲＡモデル管理装置１０と、妥当性確認支援装置２０とを備える。ＰＲＡモデル管理装置１０と妥当性確認支援装置２０は通信可能に接続されている。

【0013】

（ＰＲＡモデル管理装置の構成）
ＰＲＡモデル管理装置１０は、カットセット出力部１１と、修正受付部１２と、記憶部１３とを備える。
カットセット出力部１１は、ＰＲＡモデルを解析して、頂上事象のカットセットを出力する。頂上事象とは、例えば、原子力発電プラントにおける重大な事故事象である。頂上事象のカットセットとは、頂上事象を引き起こす、１または複数の基事象の組合せである。基事象は、例えば、ポンプの起動失敗、逆止弁の開失敗など、重大な事故事象に繋がる個々の事故事象である。以下、頂上事象のカットセットを単にカットセットと記載する。例えば、原子力発電プラントの場合、ＰＲＡモデルから出力されるカットセットの数は、数万から数十万になることがある。ＰＲＡモデルから出力される複数のカットセットをカットセットリストと呼ぶ。
修正受付部１２は、ＰＲＡモデルに対する修正指示を受け付け、ＰＲＡモデルを修正する。
記憶部１３は、ＰＲＡモデルを記憶する。ＰＲＡモデルには、ＦＴ（Fault Tree）やＥＴ（Event Tree）が含まれている。

【0014】

（妥当性確認支援装置の構成）
妥当性確認支援装置２０は、カットセット取得部２１と、特徴量演算部２２と、階層的クラスタリング部２３と、抽出部２４と、非階層的クラスタリング部２５と、選別部２６と、出力部２７と、記憶部２８と、を備える。
カットセット取得部２１は、ＰＲＡモデル管理装置１０が出力したカットセットを取得する。
特徴量演算部２２は、カットセット取得部２１が取得した各カットセットの特徴量を演算する。具体的には、カットセットに含まれる基事象のＩＤ（識別情報）は、所定のルールに従ってコード化されているが、コード化されたテキストデータを所定の単位に分節し、分節された文字列を単語、カットセットを文書のように扱って、ｔｆｉｄｆやｗｏｒｄ２ｖｅｃ等のテキスト分析を用いて、カットセットに出現する単語に基づく特徴量を演算する。演算結果の特徴量は、ベクトルとして表される。このベクトルの各要素は、基事象ＩＤから分節して得られる文字列（単語）についてテキスト分析した値である。

【0015】

階層的クラスタリング部２３は、特徴量演算部２２が演算したカットセットの特徴量に基づいて、階層的クラスタリングを実行し、ＰＲＡモデルから生成された全カットセットを、類似するカットセット同士に分類する。
抽出部２４は、階層的クラスタリングによって生成された各クラスの中から技術者が確認するカットセットのサンプルを抽出する。

【0016】

非階層的クラスタリング部２５は、技術者によって妥当であると確認されたカットセットの集合を対象として、ｋ－ｍｅａｎｓ法などの非階層的クラスタリングを行う。
選別部２６は、非階層的クラスタリングの結果に基づいて、カットセットの中から不適切である可能性が高いカットセットを選別する。

【0017】

出力部２７は、階層的クラスタリングの結果、非階層的クラスタリングの結果などを表示装置に表示したり、電子データとして出力したりする。
記憶部２８は、カットセットリスト、処理中のデータなどを記憶する。

【0018】

（動作）
次に図２～図６を用いて、妥当性確認システム１の動作について説明する。
図２は、実施形態に係る妥当性確認処理の一例を示す図である。
妥当性確認システム１の動作は、テキスト分析と階層的クラスタリングにより、偏りなく確認対象のカットセットを抽出し、技術者の確認を求めることにより、妥当なカットセットを偏りなく蓄積する処理（後述するＳ１～Ｓ８）と、蓄積された妥当なカットセットを学習して、学習結果に基づいて不適切なカットセットを選別する処理（後述するＳ９～Ｓ１３）の２段階で構成されている。以下、これらの処理について説明する。

【0019】

まず、技術者が、ＰＲＡモデル管理装置１０へカットセットリストを出力するよう指示する。カットセット出力部１１は、記憶部１３からＰＲＡモデルを読み出して、カットセットを出力する。ここで、図３を参照する。

【0020】

図３は、実施形態に係る頂上事象のカットセットを説明するための図である。
図３にＰＲＡモデルに含まれるＦＴの一例を示す。図３の円で示したＡ～Ｅは基事象を示し、四角で示したＰ～Ｑは中間事象を示し、ＯＲゲートは、基事象Ａ、Ｃ、中間事象Ｐの何れかが発生すると、頂上事象が発生することを示す。上のＡＮＤゲートは、基事象Ｂと中間事象Ｑが発生すると、中間事象Ｐが発生することを示している。さらに下のＡＮＤゲートは、基事象Ｄと基事象Ｅが発生すると、中間事象Ｑが発生することを示している。図３のＦＴの場合、頂上事象を引き起こすカットセットは、（１）基事象Ａ、（２）基事象Ｂ、基事象Ｄ、基事象Ｅの組合せ、（３）基事象Ｃである。ＰＲＡモデル管理装置１０のカットセット出力部１１は、例えば、図３のＦＴに基づいて、カットセット１（基事象Ａ）、カットセット２（基事象Ｂ、基事象Ｄ、基事象Ｅ）、カットセット３（基事象Ｃ）を含むカットセットリストを出力する（Ｓ１）。

【0021】

妥当性確認支援装置２０では、カットセット取得部２１が、カットセット出力部１１が出力したカットセットリストを取得する（Ｓ２）。記憶部２８は、カットセットリストを記憶する。妥当性確認支援装置２０は、取得したカットセットリストに含まれるカットセットの妥当性を確認する作業を効率化、省力化する機能を提供する。図４を参照する。

【0022】

図４は、実施形態に係るカットセットの一例を示す図である。
図４に図３のＦＴに基づくカットセットを示す。ＩＤはカットセットのＩＤ、発生確率はカットセットの事象が発生する確率、基事象はカットセットに含まれる基事象を示す。図４の例の場合、ＩＤ＝１は、図３で説明したカットセット１に相当し、確率はＸ１％、このカットセットを構成する基事象は基事象Ａである。確率の算出方法については、公知のため説明しないが、例えば、図３のＦＴ及び図示しないＥＴに基づいて算出することができる。例えば、ＩＤ=２のカットセット（図３で説明したカットセット２に相当）の場合、カットセット２の事象が発生する確率Ｘ２％は、基事象Ｂ、基事象Ｄ、基事象Ｅが発生する確率に基づいて算出される。確率は、リスクの大きさを示す。ここで、Ｘ１％＞Ｘ３％＞Ｘ２％が成立するとする。図４に例示するカットセットは３個の為、技術者は全てを確認することができるが、カットセットが全部で数万個あり、カットセット１の確率Ｘ１％とカットセット３の確率Ｘ３％が確率の観点から数万個のうちの上位（例えば、上から１００個以内）に入り、カットセット２の確率Ｘ２％が数万個のうちの下位に順位付けられるとする。確率が大きいカットセットは、それだけ頂上事象（事故）を引き起こしやすいという意味で重要である。その為、技術者は、例えば、確率が高い（リスクが高い）カットセットから順に妥当性の確認を行う。

【0023】

図３のＦＴに誤りがあり、図３の下のＡＮＤゲートはＯＲゲートが正しいとする。この場合、カットセット２は誤りであって、正しいＦＴから出力されるカットセットリストには、基事象Ｂと基事象Ｄから構成されるカットセット２ａと、基事象Ｂと基事象Ｅから構成されるカットセット２ｂと、上記のカットセット１と、カットセット３と、が含まれる。カットセット２ａの確率をＸ２ａ％、カットセット２ｂの確率をＸ２ｂ％とし、例えば、確率Ｘ２ａ％が上位に順位付けられるとするならば、本来であれば、高リスクのカットセット２ａは技術者によって確認されるはずのカットセットである。しかし、ＰＲＡモデル（例えば、ＦＴ）の誤りにより、カットセットの確率が小さく算出されている場合、技術者の確認の対象から漏れる可能性がある。仮にＰＲＡモデルが正しく、カットセット２ａが出力されていれば、カットセット２ａに関する基事象Ｂと基事象Ｄについて、注意が向けられ、リスク情報活用の観点に基づき、頂上事象の発生確率を低減するための対策を講じることが可能となる。しかし、ＰＲＡモデルの誤りにより、発生確率が高いカットセット２ａが出力されない場合、カットセット２ａは見過ごされ、それが原因でリスク低減のための対策が講じられない可能性がある。妥当性確認支援装置２０は、カットセットの確率の高低に関わらず、広い範囲のカットセットを対象に妥当性の確認が行えるよう、カットセットを抽出し、技術者へ提示する。

【0024】

図２に戻り、妥当性確認支援装置２０の処理について説明する。まず、特徴量演算部２２が、カットセット取得部２１が取得したカットセットリスト内の各カットセットについて、「（１）テキスト分析によるカットセットのベクトル化」を実行する（Ｓ３）。基事象はコード化されたテキストデータとして表すことができる。例えば、基事象ＡのＩＤは、図４に例示するように“Ａａ１ｂｂｂ１０５２Ａ”である。例えば、先頭の３桁“Ａａ１”はプラントの系統ＩＤ、次の４桁”ｂｂｂ１”は故障モードＩＤ、最後の４桁“０５２Ａ”は故障に関する機器番号を示している。このように基事象ＩＤには、故障事象が生じた機器、系統、故障の種類に関する情報が含まれている。そこで、カットセットを文章として捉え、カットセットに含まれる各基事象の基事象ＩＤを、系統ＩＤ、故障モードＩＤ、機器番号等の意味のある要素（単語）に分節して、これらの単語のカットセットにおける重要度や意味をテキスト分析によって分析し、その分析結果をカットセットの特徴量として扱う。このような考えに基づいて、特徴量演算部２２は、カットセットに含まれる基事象のテキストデータに対してテキスト分析を行って、カットセットを数値化、ベクトル化する。後述するように、カットセットをベクトル化することにより、ベクトルの近接性（テキストの類似性）に基づいてカットセットを分類することができるようになる。

【0025】

次にカットセットの特徴量の演算、つまり、カットセットのベクトル化の一例について具体的に説明する。説明の便宜のため、カットセットリストには、カットセット１～３のみが含まれ、カットセット１は基事象Ａのみ、カットセット２は基事象Ｂのみ、カットセット３は基事象Ｃのみを含むものとする。基事象Ａ～Ｃの基事象ＩＤを図４に示す。まず、各カットセットのベクトルの次元を、全カットセット（カットセット１～３）に存在する全ての基事象（基事象Ａ～Ｃ）の基事象ＩＤを分節して得られる要素（単語）の数とする。具体的には、基事象ＡのＩＤは、“Ａａ１”、“ｂｂｂ１”、“０５２Ａ”に分節され、基事象ＢのＩＤは、“Ａａ１”、“ｄｄｄ２”、“０５２Ａ”に分節され、基事象ＣのＩＤは、“Ａａ２”、“ｃｃｃ３”、“０２４Ｂ”に分節されることから、要素の数は、“Ａａ１”、“Ａａ２”、“ｂｂｂ１”、“ｃｃｃ３”、“ｄｄｄ２”、“０５２Ａ”、“０２４Ｂ”の７つとなり、ベクトルの次元数は７となる。例えば、特徴量演算部２２は、カットセット１～３のそれぞれについて（単語“Ａａ１”についてのテキスト分析値、単語“Ａａ２”についてのテキスト分析値、単語“ｂｂｂ１”についてのテキスト分析値、単語“ｃｃｃ３”についてのテキスト分析値、単語“ｄｄｄ２”についてのテキスト分析値、単語“０５２Ａ”についてのテキスト分析値、単語“０２４Ｂ”についてのテキスト分析値）で表されるベクトルを作成する。テキスト分析とは、例えば、ｔｆｉｄｆである。例えば、カットセット１のベクトルの要素の１つ目、単語“Ａａ１”についてのｔｆｉｄｆによるテキスト分析値は、以下の式によって演算することができる。

【0026】

ｔｆ（“Ａａ１”、カットセット１）＝カットセット１（“Ａａ１ｂｂｂ１０５２Ａ”）内における“Ａａ１”の出現回数／カットセット１の全ての単語（“Ａａ１”と、”ｂｂｂ１“と、”０５２Ａ”）の出現回数の和・・・（１）
ｉｄｆ（“Ａａ１”）＝ｌｏｇ（総カットセット数（＝３）／単語“Ａａ１”が出現するカットセット数（＝２））・・・（２）
カットセット１の１つ目の要素のテキスト分析値（ｔｆｉｄｆ）＝ｔｆ（“Ａａ１”、カットセット１）×ｉｄｆ（“Ａａ１”）＝式（１）×式（２）・・・（３）

【0027】

あるカットセット内での出現回数は多いが（ｔｆが大きい）、他のカットセットには出現していない（ｉｄｆが大きい）単語は、ｔｆｉｄｆによるテキスト分析値が大きくなる。また、それ以外の単語はｔｆｉｄｆが小さくなる。例えば、複数のカットセットに出現している単語は、各カットセットの特徴を表しているとは言えないためｔｆｉｄｆの値は小さい。一方、特定のカットセットのみに出現している単語は、カットセットの特徴を表していると言えるためｔｆｉｄｆの値は大きくなる。ｔｆｉｄｆにより、カットセットにおける単語の重要度を算出できる。このような性質を有するｔｆｉｄｆによる分析値を各要素とするベクトルを作成することで、基事象ＩＤを構成するテキスト（単語の組合せ）の観点からカットセットの特徴を表すことができる。ベクトルの要素の値は、ｗｏｒｄ２ｖｅｃによって演算してもよい。

【0028】

特徴量演算部２２が、各カットセットを表すベクトルを演算すると、次に階層的クラスタリング部２３が、全カットセットのベクトルを対象に「（２）階層的クラスタリング」を行って、ベクトルが類似するカットセット同士を同じクラスに分類する（Ｓ４）。階層的クラスタリング部２３は、ベクトルの距離が近いカットセット同士で集合(クラスタ)にしていく過程を、最終的に全カットセットが１つのクラスタに統合されるまで繰り返す。この処理は、カットセットに含まれる単語のテキスト分析結果が、基事象の組み合わせの類似度を表すと想定して、カットセットをカテゴライズするために行う。図５に階層的クラスタリングの結果の一例を示す。

【0029】

次に抽出部２４が、階層的クラスタリングによって生成したクラスタ群を、任意の階層（図５の閾値Ｌ１）で分割し、クラスに分ける（Ｓ５）。図５の樹形図（デンドログラム）の下に記載したＣ１～Ｃ２０の各々が、閾値Ｌ１で分割したときに生成されるクラスである。閾値Ｌ１は、予め定められていてもよいし、分割後のクラス数が予め定められていて、このクラス数に応じて、抽出部２４が閾値Ｌ１を設定してもよい。抽出部２４は、分割後のクラスについて、「（３）各クラスから一部のカットセットを抽出する」（Ｓ６）。各クラスには、ベクトルが類似するカットセットが集まっているので、全クラスからカットセットを抽出することで、数万個以上存在するカットセットの中から代表的なサンプルを偏りなく抽出することができる。抽出部２４は、例えば、各クラスから全く任意に１又は複数のカットセットを抽出してもよいし、満遍なくカットセットを抽出するためにベクトルの近接性が所定の閾値よりも低いカットセットの組み合わせを抽出してもよい。あるいは、各クラスから１つだけカットセットを抽出する場合、抽出部２４は、各クラスのベクトルの重心を演算し、重心に最も近いカットセットを抽出してもよい。また、抽出部２４は、閾値Ｌ１の他にカットセット抽出用に閾値Ｌ２（図５）を設定し、閾値Ｌ２によって分割されたクラスから、例えば１つずつ（複数でも良い）のカットセットを抽出してもよい。また、抽出部２４は、各クラスＣ１～Ｃ２０の各々から、図４に例示する確率に基づいてカットセットを抽出してもよい。例えば、抽出部２４は、各クラス内の確率が最上位から順に所定個のカットセットを抽出し、最下位から順に所定個のカットセットを抽出したり、確率が所定の範囲内のものから任意にカットセットを抽出したりしてもよい。また、抽出部２４は、確率とベクトルを組み合わせて、例えば、各クラス内の確率が最上位のものから順にベクトルの近接性が所定以上離れていることを条件に所定個のカットセットを抽出してもよい。抽出部２４は、抽出したカットセットのＩＤを記憶部２８に記録する。これは、後に再びＳ６の処理を行うときに、過去に抽出したカットセットを抽出しないようにするためである。

【0030】

抽出部２４がカットセットを抽出すると、出力部２７が、抽出されたカットセットを表示装置などに出力する。次に「（４）技術者による妥当性確認」を行う。技術者は、各クラスタから抽出されたカットセットを手作業により確認する。例えば、技術者は、カットセットに含まれる基事象に誤りがないか、余計な基事象が含まれていないか、基事象の組合せ条件（ＯＲ、ＡＮＤ）に誤りがないかどうか等を確認する。誤りがあった場合、技術者は、修正指示情報をＰＲＡモデル管理装置１０に入力し、ＰＲＡモデル管理装置１０は、「（５）不適切なカットセットが同定された場合、ＰＲＡモデルを修正」する（Ｓ７）。具体的には、ＰＲＡモデル管理装置１０では、修正受付部１２が、ＰＲＡモデルの修正指示情報を取得し、修正指示情報に基づいて、記憶部１３のＰＲＡモデルを修正する。カットセットに誤りが無い場合、技術者は、「（６）不適切なカットセットが同定されなければ妥当性確認支援装置２０へ入力」を行う（Ｓ８）。妥当性確認支援装置２０では、カットセット取得部２１が、技術者による確認済みのカットセットを、確認済みであることを示す目印を付けて記憶部２８に記録する。

【0031】

以上が、テキスト分析技術を用いた妥当なカットセットの学習処理である。妥当性確認システム１は、「（４）技術者による妥当性確認」にて、不適切なカットセットが同定されなくなるまで、Ｓ１～Ｓ８の処理を繰り返し行う。２回目以降の処理では、抽出部２４は、１度抽出したカットセットを再び抽出せず、他のカットセットを抽出する。Ｓ１～Ｓ８の処理を繰り返すと、記憶部２８には、不適切ではないと確認されたカットセットが蓄積される。蓄積された確認済みのカットセットは、階層的クラスタリングによって生成された各クラスから抽出されたカットセットであるから、全カットセット中に存在する様々なカットセットを代表するカットセットであると考えられる。

【0032】

不適切なカットセットが同定されなくなると、技術者は、不適切なカットセットの抽出処理を実行するよう妥当性確認支援装置２０へ指示する。すると、非階層的クラスタリング部２５は、記憶部２８に蓄積された不適切ではないと確認されたカットセットを対象に、「（７）ｋ－ｍｅａｎｓ法によるクラスタリング」を実行する（Ｓ９）。非階層的クラスタリング部２５は、ｋ－ｍｅａｎｓ法によって、確認済みカットセットのベクトルの近接性に基づいて、確認済みカットセットを予め設定されたクラス数に分類し、各クラスの重心と、重心を中心とする確認済みカットセットのベクトルが分布する範囲を演算する。また、非階層的クラスタリング部２５は、抽出部２４によって抽出されなかったカットセット、不適切ではないと確認されたもの以外のカットセット（これらを未確認カットセットと呼ぶ。）について、ｋ－ｍｅａｎｓ法によって生成された各クラスに基づく評価を行う。図６にｋ－ｍｅａｎｓ法によって生成されたクラスの一例を示す。図６に示すのは、カットセットのベクトル空間である。便宜上ベクトル空間を２次元で示し、１つのクラスのみを示している。図６に示す星印の点は、このクラスの重心である。丸印の点は、技術者による確認済みカットセットのベクトルを示している。×印の点と三角印の点は何れも未確認カットセットのベクトルを示している。円６１は、重心を中心に確認済みのカットセットが含まれる範囲を示している。非階層的クラスタリング部２５は、クラスに分類された確認済みのカットセットのうち、重心からの距離が一番遠いカットセットを特定し、特定したカットセットから重心までの距離を半径とする円６１を規定する。円６２は、未確認カットセットについて、適切なカットセットであると判断する許容範囲を示している。非階層的クラスタリング部２５は、例えば、円６１の半径×所定の係数によって演算される長さを半径とする円６２によって許容範囲を規定する。非階層的クラスタリング部２５は、全ての未確認カットセットの各々について、重心からの距離を演算し、円６１に含まれるか否か、円６２に含まれるか否かを判定する。

【0033】

非階層的クラスタリング部２５は、円６２に含まれる未確認カットセットを適切なカットセット、円６２の外に位置する未確認カットセットを不適切なカットセットと判定する（Ｓ１０）。非階層的クラスタリング部２５は、未確認カットセットごとに判定結果を記憶部２８に記録する。非階層的クラスタリング部２５は、Ｓ９で生成された全てのクラスについて、重心や許容範囲等の演算を行い、Ｓ１０の判定を行う。ここで、不適切なカットセットと判定された全ての未確認カットセットを技術者が確認すると、ＰＲＡモデルの精度を高めることができるが、不適切と判定された未確認カットセットの数が膨大になると、技術者が確認しきれない可能性がある。一方、ＰＲＡモデルに含まれている誤った要素（基事象や論理式）に関連するカットセットを１つでも確認し、その誤った要素を修正することができるならば、誤った要素に関連するカットセットは全て正しく修正される。従って、ＰＲＡモデルに存在する誤った要素に関連するカットセットの何れか１つを的確に選んで、技術者に確認を求めることができれば、技術者は、少数のカットセットだけを確認すれば良く、効率的にＰＲＡモデルを修正することができる。

【0034】

上記のような考えに基づいて、選別部２６は、Ｓ１０で不適切と判定されたカットリストの中から、実際に不適切な可能性が高いカットセットを選別する（Ｓ１１）。具体的には、選別部２６は、「（８）各クラスの重心からの距離に基づく分類」を行う。（ａ）例えば、選別部２６は、不適切と判定されたカットセット（図６の三角印）のうち、重心からの距離が遠いものから順に所定個を選んで、選んだカットセットを実際に不適切な可能性が高いカットセットとする。（ｂ）あるいは、選別部２６は、不適切と判定されたカットセットについて、階層的クラスタリング部２３を用いて階層的クラスタリングを行う。そして、階層的クラスタリングによって生成された各クラスから、重心からの距離が遠い順に所定個のカットセットを選んで、これらを実際に不適切な可能性が高いカットセットとする。階層的クラスタリングによって、不適切と判定されたカットリストをカテゴライズすることにより、例えば、ＰＲＡモデルに存在する誤りによって生成されたカットセットを１又は複数の特定のクラスへ分類できる可能性がある。そして、分類されたクラスにおいて重心からの距離が遠いものを選べば、実際に不適切な可能性が高いカットセットを選択できる確度を高めることが期待できる。また、階層的クラスタリングを利用することで、偏りなく実際に不適切な可能性が高いカットセットを選別することができる。なお、クラスから不適切な可能性が高いカットセットを選ぶ方法は、Ｓ６で説明したものと同様の方法であっても良い。（ｃ）また、例えば、選別部２６は、不適切と判定されたカットセットのうち、重心からの距離が所定値以上のものを全て選んで、これらを実際に不適切な可能性が高いカットセットしてもよい。妥当性が確認されたカットセットのベクトルからの距離が遠いカットセットを選択することで、上記で説明したＰＲＡモデルの誤った要素に関連するカットセットを選ぶ可能性を高めることができる。選別部２６は、Ｓ９で生成された全てのクラスについて、Ｓ１１の選別処理を行う。

【0035】

選別部２６は、Ｓ１１で選別した、全ての実際に不適切な可能性が高いカットセットの中から「（９）一部のカットセットを抽出」し、出力部２７へ出力する（Ｓ１２）。実際に不適切な可能性が高いカットセットの数が所定数以下であれば、選別部２６は、実際に不適切な可能性が高いカットセットを全て出力部２７へ出力してもよい。出力部２７は、選別されたカットセットの一部又は全部を表示装置などに出力する。次に「（１０）技術者による妥当性確認」を行う。技術者は、実際に不適切な可能性が高いカットセットについて、妥当性の確認を行う。ＰＲＡモデル管理装置１０は、「（１１）不適切なカットセットが同定された場合、ＰＲＡモデルを修正」する（Ｓ１３）。具体的には、修正受付部１２が、ＰＲＡモデルの修正指示情報を取得し、記憶部１３のＰＲＡモデルを修正する。

【0036】

技術者が手動で数十万規模のカットセットを確認する場合、リスクが上位のカットセットから優先的に確認することがある。

【0037】

これに対し、本実施形態によれば、全カットセットに対する階層的クラスタリングにより、全体から基事象の組み合わせの観点で代表的なカットセットを満遍なく抽出し、カットセットの妥当性の確認を行うことができる(Ｓ１～Ｓ８）。これにより、リスクの高低に関わらず、全体的に偏りなくカットセットの確認を行うことができる。また、Ｓ１～Ｓ８の処理を繰り返し行うことで、ＰＲＡモデルの精度を高めることができる。

【0038】

また、階層的クラスタリングでは、確認済カットセットと未確認カットセットのベクトルの類似性を定量的に比較できないところ、Ｓ９～Ｓ１２の処理では、非階層的クラスタリングであるｋ－ｍｅａｎｓ法を用いて各クラスの重心と未確認カットセットとのベクトル空間上の距離を算出し、近い場合は「適切」、遠い場合は「不適切」と判定する。これにより、Ｓ１～Ｓ８の処理で技術者が妥当と判断したカットセットに基づいて、妥当と考えられるカットセットとの類似性が低く、実際に不適切な可能性が高いと考えられるカットセットを自動的に抽出して技術者に提示することができる。これにより、技術者は、少ない作業量で効率よく不適切なカットセットを確認し、ＰＲＡモデルを修正することができる。

【0039】

また、カットセットの確認作業は、安全性向上の観点から技術者によって継続的に実行される作業である。本実施形態の妥当性確認システム１を導入することによって、確認作業の効率化、省力化の効果を長期的に享受することができる。

【0040】

上記実施形態では、原子力発電プラントにおいて作成されたＰＲＡモデルのカットセットの確認作業を省力化・効率化するについて述べた。上述の通り、原子力発電プラントでは、カットセットの数が数万～数十万に達することがあり、本実施形態のＰＲＡモデルの妥当性確認方法は有効である。しかし、妥当性確認システム１の適用分野は、原子力プラントに限定されない。ＰＲＡモデルを用いてリスク評価を行うどのような産業分野にも適用が可能である。
また、階層的クラスタリング、非階層的クラスタリングの具体的手法についても特に上記した手法に限定するものでは無く、同様の手法を用いることができる。

【0041】

図７は、妥当性確認システムのハードウェア構成の一例を示す図である。
コンピュータ９００は、ＣＰＵ９０１、主記憶装置９０２、補助記憶装置９０３、入出力インタフェース９０４、通信インタフェース９０５を備える。
上述のＰＲＡモデル管理装置１０、妥当性確認支援装置２０は、コンピュータ９００に実装される。そして、上述した各機能は、プログラムの形式で補助記憶装置９０３に記憶されている。ＣＰＵ９０１は、プログラムを補助記憶装置９０３から読み出して主記憶装置９０２に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ９０１は、プログラムに従って、記憶領域を主記憶装置９０２に確保する。また、ＣＰＵ９０１は、プログラムに従って、処理中のデータを記憶する記憶領域を補助記憶装置９０３に確保する。

【0042】

なお、ＰＲＡモデル管理装置１０、妥当性確認支援装置２０の全部または一部の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各機能部による処理を行ってもよい。ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、ＣＤ、ＤＶＤ、ＵＳＢ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また、このプログラムが通信回線によってコンピュータ９００に配信される場合、配信を受けたコンピュータ９００が当該プログラムを主記憶装置９０２に展開し、上記処理を実行しても良い。また、上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
ＰＲＡモデル管理装置１０、妥当性確認支援装置２０は、それぞれ通信可能な複数のコンピュータ９００によって構成されていても良い。また、ＰＲＡモデル管理装置１０、妥当性確認支援装置２０が１台のコンピュータ９００によって構成されていても良い。

【0043】

以上のとおり、本開示に係るいくつかの実施形態を説明したが、これら全ての実施形態は、例として提示したものであり、発明の範囲を限定することを意図していない。これらの実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。これらの実施形態及びその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

【0044】

＜付記＞
各実施形態に記載の確率論的リスク評価モデル（ＰＲＡモデル）の妥当性確認方法、妥当性確認システム１及びプログラムは、例えば以下のように把握される。

【0045】

（１）第１の態様に係る確率論的リスク評価モデル（ＰＲＡモデル）の妥当性確認方法は、確率論的リスク評価モデル（ＰＲＡモデル）から出力されるカットセットの特徴量を演算するステップ（Ｓ３）と、前記カットセットについて、前記特徴量に基づく階層的クラスタリングを実行するステップ（Ｓ４）と、前記階層的クラスタリングによって生成された各々のクラスに含まれる前記カットセットの中から１つまたは複数を抽出するステップ（Ｓ６）と、抽出された前記カットセットについての妥当性の評価結果を取得するステップ（Ｓ７、Ｓ８）と、前記評価結果が妥当ではない場合、前記確率論的リスク評価モデル（ＰＲＡモデル）の修正情報を受け付けるステップ（Ｓ７）と、を有する。

【0046】

カットセットの特徴量を演算し数値化することにより、全カットセットを対象にクラスタリングを行うことができる。全てのカットセットを対象に階層的クラスタリングを行うことにより、全体を代表的するカットセットを抽出することができる。代表的なカットセットを抽出して確認作業を行うので偏りなく省力的にカットセットの確認を行うことができる。

【0047】

（２）第２の態様に係る妥当性確認方法は、（１）の妥当性確認方法であって、前記評価結果が妥当とされた前記カットセットの前記特徴量に基づいて、非階層的クラスタリングによって1又は複数の第２クラスを生成し、前記第２クラスの重心と前記カットセットが妥当であるとみなせる範囲とを演算するステップ（Ｓ９）と、前記抽出するステップ（Ｓ６）で、抽出しなかった前記カットセットについて、前記範囲に基づいて妥当性を判定するステップ（Ｓ１０）と、前記判定するステップにて、妥当ではないと判定された前記カットセットについて、さらに前記重心からの距離に基づく選別を行うステップ（Ｓ１１）と、選別された前記カットセットについての妥当性の評価結果が妥当ではない場合、前記確率論的リスク評価モデル（ＰＲＡモデル）の修正情報を受け付けるステップ（Ｓ１３）と、をさらに有する。

【0048】

これにより、技術者が妥当性を確認したカットセットに基づいて、未確認のカットセットの妥当性を自動的に判定することができる。また、妥当ではない（不適切）と判定されたカットセットについても、さらにクラスの重心からの距離に基づく選別を行うことで、不適切な可能性が高いカットセットを技術者に提示することができる。
（１）と（２）の妥当性確認方法により、膨大な量のカットセットの妥当性を効率的かつ、漏れを少なく確認することが可能となる。

【0049】

（３）第３の態様に係る妥当性確認方法は、（２）の妥当性確認方法であって、前記選別を行うステップでは、前記重心からの距離が離れているものから順に所定個の前記カットセットを選別する。

【0050】

（４）第４の態様に係る妥当性確認方法は、（２）の妥当性確認方法であって、前記選別を行うステップでは、さらに階層的クラスタリングを行ってクラスタを生成し、当該クラスタごとに前記重心からの距離が離れているものから順に所定個の前記カットセットを選別する。

【0051】

（３）～（４）の妥当性確認方法により、より確実に、実際に不適切である可能性が高いカットセットを選択することができる。また、（４）の妥当性確認方法によれば、不適切である可能性が高いカットセットにある傾向がある場合、階層的クラスタリングによって、その傾向を有したカットセットを一つのクラスに集めることにより、効率良く、実際に不適切である可能性が高いカットセットを選択することができる。

【0052】

（５）第５の態様に係る妥当性確認方法は、（１）～（４）の妥当性確認方法であって、前記特徴量は前記カットセットを構成する基事象を示すテキストデータに出現する単語をテキスト分析することによりベクトル化した値である。

【0053】

これにより、カットセットの基事象のテキストデータに含まれるその基事象に関する単語の観点から、カットセットの特徴量を演算することができる。

【0054】

（６）第６の態様に係る妥当性確認方法は、（１）～（５）の妥当性確認方法であって、前記抽出するステップでは、前記階層的クラスタリングによって生成された各々の前記第１クラスから前記特徴量の近接性が所定値より低い前記カットセットを抽出する。

【0055】

（７）第７の態様に係る妥当性確認方法は、（１）～（５）の妥当性確認方法であって、前記抽出するステップでは、前記階層的クラスタリングによって生成された各々の前記第１クラスから前記カットセットの発生確率に基づいて前記カットセットを抽出する。

【0056】

（６）～（７）の妥当性確認方法により、確認対象のカットセットを広範な範囲から偏りなく抽出することができる。

【0057】

（８）第８の態様に係る妥当性確認方法は、（１）～（７）の妥当性確認方法であって、（１）に記載の妥当性確認方法を、妥当性がないと判断される前記カットセットが抽出されなくなるまで繰り返し実行し、その後、（２）に記載の前記演算するステップと、（２）に記載の前記判定するステップと、（２）に記載の前記選別を行うステップと、（２）に記載の前記修正情報を受け付けるステップと、を実行する。

【0058】

これにより、妥当性が確認されたカットセットを蓄積しつつ、確率論的リスク評価モデル（ＰＲＡモデル）を修正し、請求項１に記載の妥当性確認方法では、不適切なカットセットが見つけられなくなった段階で、妥当性確認済みのカットセットに基づく学習（非階層的クラスタリング）により、未確認のカットセットから実際に不適切である可能性が高いカットセットを選別するので、効率的、省力的に不適切なカットセットを見つけ出して、確率論的リスク評価モデル（ＰＲＡモデル）の修正を行うことができる。

【0059】

（９）第９の態様に係る妥当性確認システムは、確率論的リスク評価モデル（ＰＲＡモデル）から出力されるカットセットの特徴量を演算する特徴量演算部２２と、前記カットセットについて、前記特徴量に基づく階層的クラスタリングを実行する階層的クラスタリング部２３、前記階層的クラスタリングによって生成された各々の第１クラスに含まれる前記カットセットの中から１つまたは複数を抽出する抽出部２４と、抽出された前記カットセットについての妥当性の評価結果が妥当ではない場合、前記確率論的リスク評価モデル（ＰＲＡモデル）の修正情報を受け付ける修正受付部１２と、を有する。

【0060】

（１０）第１０の態様に係る妥当性確認システムは、（９）の妥当性確認システムであって、前記評価結果が妥当とされた前記カットセットの前記特徴量に基づいて、非階層的クラスタリングによって1又は複数の第２クラスを生成し、前記第２クラスの重心と前記カットセットが妥当であるとみなせる範囲とを演算する非階層的クラスタリング部２５と、前記抽出部２４が、抽出しなかった前記カットセットについて、前記範囲に基づいて妥当性を判定する判定部（非階層的クラスタリング部２５）と、前記判定部（非階層的クラスタリング部２５）によって、妥当ではないと判定された前記カットセットについて、さらに前記重心からの距離に基づく選別を行う選別部２６と、をさらに有し、前記修正受付部１２は、選別された前記カットセットについての妥当性の評価結果が妥当ではない場合、前記確率論的リスク評価モデル（ＰＲＡモデル）の修正情報を受け付ける。

【0061】

（１１）第１１の態様に係るプログラムは、コンピュータ９００に、確率論的リスク評価モデル（ＰＲＡモデル）から出力されるカットセットの特徴量を演算するステップと、前記カットセットについて、前記特徴量に基づく階層的クラスタリングを実行するステップと、前記階層的クラスタリングによって生成された各々の第１クラスに含まれる前記カットセットの中から１つまたは複数を抽出するステップと、抽出された前記カットセットについての妥当性の評価結果を取得するステップと、前記評価結果が妥当ではない場合、前記確率論的リスク評価モデル（ＰＲＡモデル）の修正情報を受け付けるステップと、を実行させる。

【0062】

（１２）第１２の態様に係るプログラムは、（１１）のプログラムであって、前記コンピュータ９００に、前記評価結果が妥当とされた前記カットセットの前記特徴量に基づいて、非階層的クラスタリングによって1又は複数の第２クラスを生成し、前記第２クラスの重心と前記カットセットが妥当であるとみなせる範囲とを演算するステップと、前記抽出するステップで、抽出しなかった前記カットセットについて、前記範囲に基づいて妥当性を判定するステップと、前記判定するステップにて、妥当ではないと判定された前記カットセットについて、さらに前記重心からの距離に基づく選別を行うステップと、選別された前記カットセットについての妥当性の評価結果が妥当ではない場合、前記確率論的リスク評価モデル（ＰＲＡモデル）の修正情報を受け付けるステップと、をさらに実行させる。

【符号の説明】

【0063】

１・・・妥当性確認システム
１０・・・ＰＲＡモデル管理装置
１１・・・カットセット出力部
１２・・・修正受付部
１３・・・記憶部
２０・・・妥当性確認支援装置
２１・・・カットセット取得部
２２・・・特徴量演算部
２３・・・階層的クラスタリング部
２４・・・抽出部
２５・・・非階層的クラスタリング部
２６・・・選別部
２７・・・出力部
２８・・・記憶部
９００・・・コンピュータ
９０１・・・ＣＰＵ、
９０２・・・主記憶装置、
９０３・・・補助記憶装置、
９０４・・・入出力インタフェース
９０５・・・通信インタフェース

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】