Verification of the indeces of high CO2 concentration detection in a natural CO2 leakage sea and its implementation in ecosystem model
| Project/Area Number |
21H01539
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 24020:Marine engineering-related
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
佐藤 徹 東京大学, 大学院新領域創成科学研究科, 教授 (30282677)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
下島 公紀 東京海洋大学, 学術研究院, 教授 (70371490)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Project Status |
Completed (Fiscal Year 2023)
|
| Budget Amount *help |
¥17,420,000 (Direct Cost: ¥13,400,000、Indirect Cost: ¥4,020,000)
Fiscal Year 2023: ¥5,590,000 (Direct Cost: ¥4,300,000、Indirect Cost: ¥1,290,000)
Fiscal Year 2022: ¥5,980,000 (Direct Cost: ¥4,600,000、Indirect Cost: ¥1,380,000)
Fiscal Year 2021: ¥5,850,000 (Direct Cost: ¥4,500,000、Indirect Cost: ¥1,350,000)
|
|---|
| Keywords | CCS / CO2漏洩 / 海中漏出 / 機械学習 / 海水中CO2関連濃度 / 生物活動 / pCO2センサー / 溶存CO2濃度 / AUV / CO2濃度 / 海洋調査 / 溶存酸素 |
|---|
| Outline of Research at the Start |
海底下CO2貯留を実施する際、予期せぬ漏洩に備えて海水中CO2濃度の監視が要求される。しかし、CO2濃度は生物活動により大きく変動するため、漏洩CO2を自然変動から識別するための指標が必要となる。
研究代表者は、高い相関の2つの指標を考案し、従来指標とこれらを併用することで自然変動を漏出とミスジャッジすることが回避できることを示した。
本研究では、これら複数指標を用い、自然CO2漏出海域にてCO2漏洩を確実に異常値として検出できるか確認する。さらに、海水中の炭素循環システムを生態系シミュレーターに実装し、自然CO2漏出海域のCO2濃度分布を再現する。
|
| Outline of Annual Research Achievements |
二酸化炭素回収・貯留 (CCS) は、二酸化炭素 (CO2) の排出を大幅に削減する技術である。 CO2 を貯蔵する場所の1つは、キャップロック層の下の海底帯水層となる。しかし、このアプローチには、検出されていない断層や、放棄された井戸、大規模な地震等により、CO2が海に漏出する潜在的なリスクがある。したがって、海水中の二酸化炭素濃度を監視することが法的に義務付けられている。もし万が一海中から高いCO2濃度が検出された場合、海洋への漏出が起きたかどうかを判断することが重要となる。しかし、CO2濃度は主に生物活動により大きく変動する。そこで漏出判断のため、CO2関連濃度の海水データを使用して漏出を特定する合理的な方法を提供する必要がある。
今日、機械学習 (ML) は、予測、分類、識別などのデータ分析に非常に有効なツールとなった。本研究は、海水中のCO2関連濃度の複数の指標に関する先行研究を参考にしつつ、新らたな手法を提案する。MLには、ロジスティック回帰とニューラルネットワークという2つの「教師あり学習法」を適用し、CO2関連濃度の線形相関指標の入力パラメーターを使用してMLモデルに学習させ、海水データを分類していく。海底からCO2を放出した館山沖でCO2関連濃度の現地測定を実施し、学習用の漏出（異常値）データを作成した。CO2漏出の影響を受けない海水（通常値）データも取得した。
これらを用いて、学習したMLモデルを適用して、他の海のCO2関連濃度データを判断したところ、適切な結果を得ることができた。今後の課題として、学習用の漏出（異常値）データ数を増やし、より精度を高めることがあげられる。
|
| Research Progress Status |
令和5年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和5年度が最終年度であるため、記入しない。
|
Report
(3 results)
Research Products
(12 results)
