Many of the chemical plants in Japan are aging and deteriorating, but it is almost impossible to reconstruct them from an economic standpoint. In chemical plants, not only metallic materials but also non-metallic materials are widely used. Metallic materials have been used in many places for a long time, and various data and knowledge, including damage mechanisms, are available; however, non-metallic materials have a shorter history and are used in fewer places. For this reason, the damage mechanisms of non-metallic materials are still unknown compared to those of metallic materials, and there is currently little data and knowledge collected on these materials. Meanwhile, damage to the materials in the equipment in chemical plants is highly likely to lead to safety problems and accidents, resulting in enormous economic losses. Accurate prediction of plant damage is an important issue from the standpoint of preventing accidents caused by material damage, as well as from the standpoint of economic efficiency and effective use of resources. Especially for non-metallic materials, it is necessary to predict material damage with a small amount of data. In addition, the aging of specialists in chemical plant maintenance requires that tacit knowledge and know-how be passed on to the next gener-ation, and there is a strong demand for the visualization of tacit knowledge for non-metallic materials. As a means to solve these problems, we investigated the use of decision tree analysis, one of the machine learning methods.As mentioned above, data on non-metallic materials is scarce, but we organized the data from reports of non-metallic material damage cases and conducted further data cleansing and analysis. As a result, although there are some problems such as the volume of data and over-learning, we obtained valid results regarding the extraction of damage mechanisms.Keywords : Non-Metallic Materials, Damage mechanism, AI, Machine Learning, Decision TreeRui Miyaji, Nobuo Mitomno, Hiroyasu Matsuda and Masatoshi Kubouchi 我が国では多くの化学プラントにおいて高経年化・老朽化が進んでいるが，経済性の観点等からプラントの建て替えを行うことはほとんどできないのが現状であり，安全なプラントの運転のためには，経済性を考慮した既存設備等の効果的，効率的な維持管理を行うことが求められている． 化学プラントにおいては金属材料だけではなく，非金属材料も多く用いられている．金属材料は古くから多くの箇所で用いられており，損傷機構を含め様々なデータや知見があるが，非金属材料は，歴史的にも短く，使用箇所についても少ない．そのため，非金属材料の損傷機構等は金属材料に比べ不明な点が多く，収集されたデータや知見は少ないのが現状である．一方，化学プラント内の機器等における材料の損傷は事故に繋がる可能性が高く，安全上の問題に加え経済的損失も膨大になる． 材料損傷に起因する事故の未然防止のため，また経済性あるいは資源有効利用の観点から，プラントの損傷を精度よく予測することは重要な課題である．特に非金属材料においては，少ないデータで材料の損傷を予測する必要がある．さらに，化学プラントの保全を行う専門家の高齢化等から，専門家の暗黙知やノウハウを次の世代へ伝承することが強く求められており，非金属材料に対する暗黙知の可視化要求は大きい．これらを解決するための手段として，機械学習の手法の一つである決定木分析を用いて検討を行った． 前述の通り数少ない非金属材料のデータではあるが，非金属材料の損傷事例の報告書等から整理し，さらにデータクレンジングを行い解析を行った．その結果，データ数や過学習の問題等はあるが，損傷機構の抽出等については妥当性のある結果が得られた．キーワード：非金属材料，損傷機構，人工知能，機械学習，決定木Journal（掲載誌）ZAIRYO-TO-KANKYO, 71(5), 143-148, May 2022.－ －25非金属材料の腐食機構等のAI予測システムの開発Development of an AI prediction System for Corrosion Mechanism of Non-Metallic MaterialsPublished Paper
元のページ ../index.html#27