| 研究課題/領域番号 |
21K04766
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分27020:反応工学およびプロセスシステム工学関連
|
|---|
| 研究機関 | 東京農工大学 |
|---|
研究代表者 |
山下 善之 東京農工大学, 工学(系)研究科(研究院), 教授 (60200698)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2024-03-31
|
| 研究課題ステータス |
完了 (2023年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2023年度: 520千円 (直接経費: 400千円、間接経費: 120千円)
2022年度: 390千円 (直接経費: 300千円、間接経費: 90千円)
2021年度: 3,250千円 (直接経費: 2,500千円、間接経費: 750千円)
|
|---|
| キーワード | プロセスモニタリング / バッチプロセス / 化学プラント / 機械学習 / モデル化 / 動特性 / 予測モデル |
|---|
| 研究開始時の研究の概要 |
多品種の化学製品を作るためにはバッチプロセスが使われている．バッチプロセスの挙動を予測するモデルを作る際には，それぞれの品種ごとの運転・操業データを用いてモデルを作る必要があるが，それぞれの品種ごとの運転データが不足しているために高精度なモデルを作ることが困難であった．本研究は，機械学習の最新手法の考え方と，対象プロセスに対する化学工学的知識（物理モデル）とを併用することによって，高い精度の挙動予測モデルを構築するための実用的手法を開発しようとするものである．
|
| 研究成果の概要 |
化学産業や製薬産業では，バッチプラントが広く使われています．バッチプラントの運転・操業においては，品質管理や効率化，最適化が重要ですが，そのために，近年ではデータ駆動型のモデル化技術の活用が進められています．データ駆動型のモデルを構築するためには大量のデータが必要ですが，バッチプラントは多品種少量生産が多いために蓄積しているデータの量が少なく，十分な精度のモデルを構築することが困難でした．そこで本研究では，異なる品種の生産も含めたさまざまなバッチのデータを最大限に活用することによって，学習データの量が少なくても高精度なモデルを構築することができるデータ駆動型手法を開発しました．
|
| 研究成果の学術的意義や社会的意義 |
この研究はデータ駆動型機械学習を発展し，学習データの不足という問題を解決する新たなアプローチを提案しています．この手法は、少量のデータからも高精度な予測モデルを構築可能とし，機械学習の理論と実践のギャップを埋める学術的意義の高いものです．
社会的には，この研究成果は化学産業や製薬産業におけるバッチプラントの生産性や効率，品質，安全性を向上させることに直接寄与します．エネルギー消費の削減や原料の使用効率を高め，環境負荷の軽減にも繋がります．また，作業員のリスクを減少させ，より持続可能な製造業の実現を支援します．
|
