| Project/Area Number |
23K05457
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 41040:Agricultural environmental engineering and agricultural information engineering-related
|
|---|
| Research Institution | Hirosaki University |
|---|
Principal Investigator |
森谷 慈宙 弘前大学, 農学生命科学部, 准教授 (30539870)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
藤崎 和弘 弘前大学, 理工学研究科, 准教授 (90435678)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥3,770,000 (Direct Cost: ¥2,900,000、Indirect Cost: ¥870,000)
Fiscal Year 2025: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2024: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2023: ¥1,820,000 (Direct Cost: ¥1,400,000、Indirect Cost: ¥420,000)
|
|---|
| Keywords | 深層学習 / 回帰問題 / LSTM / ヒートポンプ / 農業施設の加温 |
|---|
| Outline of Research at the Start |
ヒートポンプのCOPは外気温や水温によって変化するため、ハイブリッド温水器の切替基準を単純に利用水温にすることは特に低温環境下では効率的ではない。この基準をCOP値にすることにより地域や時期に限定されず汎用性の高い給湯システムが構築できる。そこで本研究では、ヒートポンプ回路における複数個所の入力温度データから冷媒熱力学理論に基づいたCOP値を多量に算出してランダムな教師データを作成し、深層学習によって最適なパラメータを得る。そして、ヒートポンプ回路の入力温度の場所や数を変化させながら、少数の温度センサ測定を可能にするCOP推定の高精度化を試みる。
|
| Outline of Annual Research Achievements |
冬季における農業施設では、主に重油を用いた温風または温水によって加温されている。重油に頼らず地下水等の水温を利用するヒートポンプは高いエネルギー効率、COP「coefficient of performance」を示すものの、特に寒冷地においてCOPが低下し、消費電力が高くなるのが問題となっている。最近ではヒートポンプ温水器とガス・電気給湯を組み合わせたハイブリッド型が普及し始めてきている。地域や時期に限定されず汎用性の高い給湯システムが構築するためには、ヒートポンプ回路における複数個所の入力温度データから算出されるCOP値を基準として温水器と給湯器を切り替えるなどの工夫が必要である。2024年度では入力温度とCOPの関係性を深層学習で求めるために、まずは回帰問題に対応したモデル作成を行った。このモデルではCNN（Convolutional Neural Network）とLSTM（Long Short Term Memory）を組み合わせ、モデルを検証するためにMNISTという手書き数字の画像データを使用した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
モデル検証では、CNNのフィルター数、全結合層の重みの数などを変化させて精度の影響を調べた。なお、モデル作成にあたり、レイヤやメソッドの動きを確認できるように、TensorFlowやPyTorchといった既存のフレームワークを使用せず、外部ライブラリの使用を最小限に抑えた。このため、コードエラーの解決に時間を要したが、高い精度で推定することができた。
|
| Strategy for Future Research Activity |
回帰問題に関して、LSTMを発展させたseq2seqやAttentionなどいくつかのモデルを用いて学習を行い、高い精度で推論できるモデルを構築していく予定である。
|
