Development of a method for evaluating the performance of Ground-Source Heat Pump Systems using machine learning

Research Project

Project/Area Number	22K12481
Research Category	Grant-in-Aid for Scientific Research (C)
Allocation Type	Multi-year Fund
Section	一般
Review Section	Basic Section 64050:Sound material-cycle social systems-related
Research Institution	Industrial Research Institute of Ishikawa
Principal Investigator	宗本隆志石川県工業試験場, 化学食品部, 専門研究員 (00745937)
Co-Investigator(Kenkyū-buntansha)	嶋田一裕石川県工業試験場, 化学食品部, 専門研究員 (60504850) 内田洋平国立研究開発法人産業技術総合研究所, エネルギー・環境領域, 研究センター付 (90356577)
Project Period (FY)	2022-04-01 – 2025-03-31
Project Status	Granted (Fiscal Year 2023)
Budget Amount *help	¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000) Fiscal Year 2024: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000) Fiscal Year 2023: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000) Fiscal Year 2022: ¥1,820,000 (Direct Cost: ¥1,400,000、Indirect Cost: ¥420,000)
Keywords	地中熱利用システム / 機械学習
Outline of Research at the Start	地中熱利用システムは、地下浅部の温度変化の小さい熱特性を、空調や融雪などに活用するエネルギーシステムであり、再生可能エネルギーの一つとして注目されているが、地中熱利用ヒートポンプシステムの導入可能性や性能を評価するための調査コストが高く、評価結果が地域的に限定されることが課題となっている。本研究では、機械学習による地中熱利用ヒートポンプシステムの導入可能性および性能を予測・評価するためのモデルを構築する。本研究成果は、再生可能エネルギーの普及・研究促進のみならず、機械学習モデルの重み付けから、地球科学的な諸現象の解明・予測手法として水文地質構造や水質形成プロセスの理解に貢献する。
Outline of Annual Research Achievements	地中熱利用システムは、地下浅部の温度変化の小さい熱特性を、空調や融雪などに活用するエネルギーシステムであり、再生可能エネルギーの一つとして注目されている。地中熱利用システムの性能は、地下水の揚水や涵養量の変化といった地下システムの条件変化などによって複雑に変化するため、水文地質学的特性の相互作用や地域的な不均質性が地中熱利用システムの導入可能性や性能に及ぼす影響を予測・評価する技術が望まれている。そこで本研究では、機械学習による地中熱利用ヒートポンプシステムの導入可能性および性能を予測・評価するためのモデルを構築する。令和５年度は、昨年度に抽出した地中熱交換器長さおよび水文地質データの空間補完データを訓練データと検証データにランダムに分割し、訓練データを用いて、決定木回帰およびランダムフォレスト回帰モデルを構築し、検証データを用いて地中熱交換器長さの予測を行った。また、異なる地域の空間補完データを用いて構築したモデルを用いて、異なる地域における地中熱交換器長さの予測を行った。青森県データをランダムに訓練データと検証データに分割して、訓練データを用いて決定木回帰およびランダムフォレスト回帰モデルを構築した。構築した学習モデルを用いて、検証データの熱交換器長さの予測を行ったところ、決定木回帰およびランダムフォレスト回帰モデルそれぞれ約4 mおよび10 mの残差で熱交換器長さを予測することができた。青森県データを訓練データとしてモデルを構築し、宮城県データを検証データとして熱交換器長さの予測を行ったところ、約40 mの残差であった。異なる地域のデータで学習したモデルの予測精度を向上するためには、地質の熱伝導率などの地質情報を特徴量として学習モデルに組み込む必要があると考えられる。
Current Status of Research Progress	Current Status of Research Progress 2: Research has progressed on the whole more than it was originally planned. Reason 機械学習を用いた地中熱利用システムの稼働に必要な熱量を得るための地中熱交換器長さを予測するモデルの構築を行い、予測を行ったが予測精度が低いため、予測精度の向上が必要であることが分かった。
Strategy for Future Research Activity	今年度は機械学習を用いた地中熱利用システムの性能予測評価モデルの予測精度を向上させるため、システムの実機運転データなどから予測モデルを構築するとともに、評価結果の比較・検証を行う予定である。