| 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 |
Sato Toru 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海中漏洩 / 海水中CO2濃度 / 海洋調査 / 溶存酸素 / 機械学習 / CO2漏洩 / 海中漏出 / 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 |
|---|
| 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 Final Research Achievements |
Offshore CO2 storage requires monitoring of seawater CO2 concentration in case of unexpected leaks. However, since CO2 concentration is affected by biological activities such as photosynthesis, an index is needed to distinguish leakage from natural fluctuations. In 2021 and 2020, CO2 concentrations were observed in concentric circles around the leakage point in the natural CO2 leakage area of Tachibana Bay, Nagasaki Prefecture and the artificial leak off the coast of Tateyama. As a result, false negatives caused by natural fluctuations due to leakage could be avoided. We also developed a method of the optimal placement of observation points using an inverse method that accurately estimates a leak location from observation point information. In 2020, we developed a machine learning method that learned the CO2 concentration off Tateyama and analyzed seawater data from other areas to determine leakage, and were able to obtain appropriate results.
|
| Academic Significance and Societal Importance of the Research Achievements |
理論上、相関が高い指標は漏洩を自然変動と誤判断する確率を減らすことが可能なはずである。ただし、提案する高相関指標を含む複数指標を用いて、海底下に貯留したCO2の予期せぬ漏洩を検出するためには、それを実証する必要があった。この研究では、自然CO2漏出海域にて、新たな指標を併用する手法が、高精度に擬陽性のみならず偽陰性を回避できることを確認した。さらに、機械学習法を用いることで、科学的根拠のない閾値を用いることなく、漏出と自然変動を識別することができた。これは海底下CO2貯留事業において、高コストの再調査の頻度を格段に下げるという社会的なニーズも非常に高い成果と言える。
|
