地域・社会貢献 Action
地域・社会貢献 Action
Embedded Files
最近の研究室での成果や卒論・修論テーマを，SDGsとの関連性をもって紹介します．大学の専門科目で学ぶ抽象的かつ体系的な知識は，社会的課題への理解を深める基盤となります．特に，数学や流体力学のような物理の専門分野の学びが，社会課題の解決にどう貢献できるかを探究することで，より幅広い視野と深い理解が得られます．
共同研究・社会実装の案件一覧（AI for Science & Industry）
熱とながれを制御する
熱とながれを制御する
熱エネルギーの取り扱いは産業プロセス全般において重要であり，エネルギーを効率的に利用することは産業基盤の効率化の鍵を握ります．例えば，熱交換器の設計や，計算機のCPU/GPUの冷却システム，車載バッテリーやモーターの熱管理などにも流れが関わり，流体力学が重要な役割を果たします．その応用と流動制御のためには，特に乱流という非常に複雑な流れのダイナミクスを解析する必要があります．空気の流れや熱のうごきは目に見えないため，高度な数値シミュレーションが不可欠です．
乱流は古典力学最後の難問と呼ばれ，その支配方程式であるナビエ・ストークス方程式（流体の運動量保存則）は解析解の存在が未だに証明されていない，数学の中でも特に困難な問題とされています．方程式に忠実なシミュレーションは計算資源の大量消費を伴い，高度なプログラミングスキルとスーパーコンピューターを利用したハイ・パフォーマンス・コンピューティング (HPC)の技術が必要です．
私たちの研究では，ダクト内乱流に起因する二次流れを深層強化学習を用いて制御する新たなアプローチを提案しています．動的に変化する乱流状態を壁面加熱による浮力を利用して制御し，従来とは異なる二次流れパターンを安定化できることを数値シミュレーションを用いて示しました．これは，熱エネルギーの再利用および流体制御の分野における革新的なステップとなることが期待できます．
さて，「新たな流動制御がAI・機械学習を取り入れたから実現できた」というと簡単なように思えますが，実際はこれまでの流体力学の知見の蓄積があり，英語の文献をしっかりと読む力が必要です．過去の強化学習による流動制御の研究例は２次元のカルマン渦列を対象としており，私たちの研究は３次元乱流で制御を実現させています．臨界レイノルズ数での乱流の挙動，ナビエ・ストークス方程式の非線形定常進行波解の存在，浮力（リチャードソン数）をどれくらいの強さで与えると乱流に影響するか？プラントル数の依存性は？など，根気がいる基礎研究の蓄積が本研究の背後にあります．
この研究も発展途上です．現在では，わけがわからない乱流現象を深層強化学習というブラックボックスを用いてコントロールしたに過ぎません．なぜ，うまく制御できるのか？制御と流れパターンの関連性や数理モデリングは見いだせるか？ 加熱制御の高度化やより高レイノルズ数への応用は可能か？シミュレーションではなく実物で制御する方法の開発など，まだまだ課題はたくさんあります．
※ 稲盛財団 2023年度稲盛研究助成「数理最適化理論に基づくデータ駆動型の先端流動制御」の支援を受けて実施しました．
https://www.inamori-f.or.jp/recipient/sekimoto-atsushi/
https://prtimes.jp/main/html/rd/p/000001364.000072793.html
住環境との調和を目指した畜産業からの
臭気拡散シミュレーション
住環境との調和を目指した畜産業からの
臭気拡散シミュレーション
笠岡湾の干拓地における畜産業は，規模の拡大と機械化が進み重要な産業となっていますが，畜産業に起因する臭気問題が長年の課題となっています．大規模畜産業が密集しており，近隣の市街地や住宅地までの距離も1~2kmしかありません．風向きによっては，臭気が十分に希釈されずに市街地に到達してしまいます．
臭気は目に見えないため，その拡散を把握するには数値シミュレーションが有効です．私たちはDS部の学生有志と協力して，笠岡の住宅地と郊外の干拓地の数値シミュレーションモデルを構築しました．地形データは国土地理院が公開しているCADデータを利用することができましたが，地方都市の建物データは無く，自作する必要がありました．上の図では計算モデルの，干拓地に臭気発生エリアを設定し，西，南西，南からの風によって臭気が住宅地に到達する様子を可視化しました．臭気が住宅エリアに入り込む様子を可視化することで，市で行われるさまざま臭気対策への活用が期待できます．
最近では，東京や大阪などの大都市や岡山中心部は点群データが整備されてきています. 今後はこれらのデータの活用によって，簡便に都市のデジタルツインを構築できるようになると思います．PLATEAU: https://www.mlit.go.jp/plateau/ 参照)．都市の暑熱環境の可視化や大気汚染物質の分布の様子をリアルタイムモニターして，アプリで確認できるようなサービスへの応用を目指します．
※ 本研究の実施にあたって，笠岡市担当職員の方とDS部の協力を得ました．また，岡山大学 AI・数理データサイエンスセンター (Cypher) 令和4年度 Society 5.0 研究支援プログラムとして実施しました． ※※ 気流解析にはアドバンスドナレッジ研究所の「FlowDesigner」(アカデミック板) を利用しました．
中山間地域農業の持続可能性と気象リスク対策
〜 微気象解析による霜害リスクの見える化 〜
中山間地域農業の持続可能性と気象リスク対策
〜 微気象解析による霜害リスクの見える化 〜
中山間地域の農業は高齢化により持続可能性が危ぶまれています．しかしながら，手放される農地の増加は新規就農者にとってチャンスにもなります．従来は，閉ざされていた農村地域でも，外部人材の受入れや大規模化，先進的手法の導入が進んでおり，この変化は今後10~20年かけて緩やかに進行すると予測されます．農業の大規模化が進むにつれ，少ない人的リソースで効率的に圃場を運営するノウハウの開発が必要になります．
気象災害の一つである霜害は，気候変動の影響からか，3-4月の発生が増加しています．中山間地に点在する圃場の霜害リスクを評価できれば，効果的な対策が可能になります．しかし，気象庁の予報は解像度が粗く，中山間地農業への利用にはより詳細な情報が必要です．そこで私たちは，気象データより詳細な微気象シミュレーションにより，霜害リスクの可視化を行いました．
霜害には地面の熱伝導、赤外線放射、対流熱伝達、水蒸気の相変化など複雑な現象が関与します。これらを全て考慮して中山間地域を対象とした3次元気流解析（微気象解析と呼びます)は高度な基礎研究課題です．これは，農業の高度化と基盤技術の向上に貢献し，さらに，AI予測や観測データとの同化など、気象分野の新技術を実装することは、新しいビジネスチャンスにもつながります．
霜害に関わる熱移動現象には，地面の熱伝導，天空への赤外線放射，対流熱伝達の3つがあり，さらに水蒸気が氷になるときの顕熱も無視できません．これらすべての影響を加味し，中山間地域を対象とした３次元気流解析（微気象解析）を実施しました．上図は，明け方，風がほとんど吹かなかった晴れの日の条件でのシミュレーション結果です．地表面からの単位面積あたりの熱移動量（熱流束，熱フラックス）を可視化しました．結露のリスクが高い地域が青や緑色で表わされています．
総社市近辺の地形図（上図）と
CADデータを取り込んだ様子（下図）
※ JST共創の場形成支援プログラム「ダイバーシティ農業による地域イノベーション共創拠点」（岡山大学）の支援を受けて実施しました．
https://okayama-diversity-agri.jp/
※※ 気流解析には（株）アドバンスドナレッジ研究所の「FlowDesigner」（アカデミック版）を利用しました．
https://okayama-diversity-agri.jp/
※※ 気流解析には（株）アドバンスドナレッジ研究所の「FlowDesigner」（アカデミック版）を利用しました．
key concepts:
流体 (Fluid)：気体や液体のように，一定の形をもたずに流れるものの総称です．固体と違い，力を加え続けると変形し続けます．
粘性と慣性 (Viscosity and inertia)：粘性は速さの違いをならそうとする流体の「ねばり」，慣性は流れがそのまま進み続けようとする性質です．この2つのバランスで流れの性格が決まります．
無次元数 (Dimensionless numbers)：レイノルズ数やプラントル数，リチャードソン数などがありますが，単純に言えば「比」です．例えばレイノルズ数は慣性と粘性の比で，大きいほど流れは乱流になりやすくなります．
無次元化 (Non-dimensionalization)：単純に言えば「単位変換」です．メートルや秒などの単位は人間が使いやすいように決められた量ですが，流れの特徴をとらえるには，物体の大きさや流れの速さを単位とした方が便利です．
層流 (Laminar flow)：流れが乱れないように非常にゆっくり流すと，きれいな層状に流れます．このような流れの状態を層流と呼びます．レイノルズ数が小さい流れで，数学的な解析が可能です．
乱流 (Turbulence)：乱れた流れの総称で，層流でない状態です．大小さまざまな渦が生まれては消え，熱や物質を効率よく混ぜます．身の回りの流れの多くは乱流です．
ナビエ–ストークス方程式 (Navier–Stokes equations)：流体の速度，圧力，密度，温度などの時間変化と空間分布を記述する非線形偏微分方程式で，流体の運動量保存則から導かれます．
流体の数値シミュレーション (Computational fluid dynamics, CFD)：ナビエ–ストークス方程式に基づいて，流体の動きをコンピュータで予測する手法です．実験が難しい空気や水の流速や温度分布の時間変化を調べられます．空気の流れのシミュレーションは気流シミュレーションとも呼ばれ，飛行機の設計，気象予報，車両の空力解析，化学反応工学，河川や海洋の流れ，血流解析など，多くの分野で使われています．
直接数値シミュレーション (Direct numerical simulation, DNS)：乱流モデルを使わず，最も小さな渦まで格子で解像してナビエ–ストークス方程式を直接解く方法です．物理に忠実なデータが得られる一方，計算量が膨大なため，スーパーコンピュータや GPU が必要です．
乱流モデル (Turbulence models)：小さな渦の効果を近似的なモデルで置き換えて，計算量を減らす方法です（RANS や LES など）．工学設計や気象の計算で広く使われていますが，モデルの精度が課題です．
微気象 (Micrometeorology)：地表付近の数メートルから数キロメートルの範囲で起こる風や気温の変化です．地形や建物，植生の影響を強く受け，霜害や臭気の拡散など地域の課題に直結します．
機械学習 (Machine learning)：いわゆる AI で使われる計算モデルのパラメータを，データから自動的に決める手法の総称です．データの背景にある法則や特徴的なパターンを見つけます．代表的な方法に「教師あり学習」「教師なし学習」「強化学習」があり，背景にあるのは統計学や最適化などの数理科学です．
深層強化学習 (Deep reinforcement learning)：試行錯誤を通じて，報酬が最大になる行動の決め方を学ぶ機械学習です．関本研究室では，乱流の制御（壁面加熱による制御など）に使っています．
随伴解析とデータ同化 (Adjoint analysis and data assimilation)：結果から原因を逆向きにたどる手法です．シミュレーションと観測データを組み合わせて，目標を実現する条件や，直接は見えない流れの状態を推定します．
説明可能 AI (Explainable AI, XAI)：AI がなぜその予測や判断をしたのかを，人が理解できる形で示す技術です．AI から物理の理解を引き出すためにも，安全に使うためにも欠かせません．
データ駆動型計算 (Data-driven computing)：たくさんのデータから，機械学習の手法を使って数理モデルのパラメータを決める計算です．一方，ナビエ–ストークス方程式などの数学モデルに基づくシミュレーションはモデル駆動の計算と呼べ，物理に忠実なデータを生み出せるため，現象の解明に重要です．関本研究室は両者を組み合わせています．
HPC と GPU 計算 (High-performance computing)：スーパーコンピュータや GPU を使って，大量の計算を並列に高速で行う技術です．大規模なシミュレーションと AI の学習の両方を支えます．
デジタルツイン (Digital twin)：現実の地形・建物・設備をコンピュータ上に再現し，シミュレーションで「もしも」を試す仕組みです．地域の気流解析や設備の熱管理などに使えます．
AI for Science：AI を科学研究そのものに使い，発見や理解を加速する取り組みです．関本研究室では，流体・熱の研究と計算基盤，人材育成を組み合わせて進めています．
Page updated
Google Sites
Report abuse