| 研究課題/領域番号 |
20K05207
|
|---|
| 研究機関 | 信州大学 |
|---|
研究代表者 |
嶋田 五百里 信州大学, 学術研究院繊維学系, 講師 (40708187)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2023-03-31
|
| キーワード | 残油流動接触分解 / 機械学習 / 特徴量エンジニアリング |
|---|
| 研究実績の概要 |
本研究では、石油精製技術の一つである残油流動接触分解（RFCC）プロセスにおいて、重質油中に含まれる多環芳香族炭化水素を分解して高付加価値な単環芳香族炭化水素に転換することを目指し、反応機構の解明や反応条件の最適化に取り組んでいる。そのために、原料に含まれる成分組成や反応条件から多環芳香族炭化水素の分解活性を決定する要因を抽出し、反応生成物の組成を予測するモデルの構築を検討している。令和２年度までに、機械学習を利用して原料組成（5種類のモデル原料の混合組成）および反応条件（反応温度や接触時間）から生成物組成を予測するモデルを構築した。令和3年度は、アルキルベンゼン類や4環芳香族類など、従来よりも幅広い原料を用いた反応試験データを取得するとともに、機械学習モデルの拡張を行った。
新たな原料を用いた反応試験を行うことで取得したデータを機械学習モデルに組み込むことで、従来は5種類の重質油モデル原料にしか対応できていなかったものを、14種類まで拡張した。原料が多様化しても機械学習モデルの予測精度は悪化せず、高い精度で生成物組成を予測できることが確かめられた。さらに、含酸素化合物（7種類）の反応も取り入れることで、今後のRFCCプロセスにおいて期待されるバイオ原料のコプロセッシングに向けても、機械学習を用いた生成物組成予測モデルが有効であることを確かめた。
一方で、これまで構築してきたモデルでは、新規のモデル物質を用いた実験データを追加するにあたり、毎回モデルの再構築が必要となっていることが課題である。そこで、原料を個別に入力するのではなく、原料に関する情報を圧縮した形で表現することを検討し、これまでに良い結果が得られている。これによって、モデル構築の負担軽減だけでなく、外挿的な新規原料の反応予測にもつながることが期待される。これについては、次年度も継続して検討する予定である。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
多様な原料組成の反応試験を行い、機械学習モデルに組み込むことで反応生成物組成の予測が可能となった。さらに、構築したモデルを解析することで、重要な相互作用の抽出ができる可能性が示された。また、データの大量取得に向けた新規実験装置も概ね完成し、従来よりも格段にデータ取得速度が上がっている。以上を勘案し、本研究はおおむね順調に進展していると判断する。
|
| 今後の研究の推進方策 |
本研究で作成した新規実験装置も活用しながら、引き続き実験データを蓄積する。また、原料情報を圧縮してモデルに導入する仕組みを作ることで、モデル構築に用いていない新規原料の外挿的反応予測を可能にする。さらに、実際の重質油（減圧軽油など）を原料に用いた実験も行い、反応性の予測が可能かどうかを検証する。
|
