← 論文一覧に戻る

力学情報に基づく断層横断機械学習を用いた地下注入ノードのデジタルツイン対応予測リスク管理

Digital Twin Ready Predictive Risk Management of Subsurface Injection Nodes Using Mechanics Informed Cross Fault Machine Learning (原題)

Akpabli G, Rahnema H, Marfo WA, Hayford K

Research Squareプレプリント2026-09-22#CCUS対象セクター: power
DOI: 10.20944/preprints202609.1912.v1
原典: https://doi.org/10.20944/preprints202609.1912.v1

🤖 gxceed AI 要約

日本語

CCUSサプライチェーンの要となる地下注入ノードの容量喪失リスクを予測するデジタルツイン対応のリスク管理手法を開発。18件の滑り事象を7つの力学変数で表現し、機械学習でWatch・Mitigate・Holdの3状態に分類。粗面から平滑面への政策移転では全6事象を検知し、警告中央値16.5秒・3.5秒を達成した。予測リスク・領域妥当性・人間の権限・物理フォールバックを分離するIndustry 5.0アーキテクチャを提案。

English

This design science study develops a digital twin ready predictive risk artifact for subsurface injection nodes in CCUS supply chains, converting measurements into governed Watch/Mitigate/Hold states via mechanics-informed cross-fault machine learning. Rough-to-smooth policy transfer intercepted all six events with median warnings of 16.5s and 3.5s and no pre-horizon burden. Results support an Industry 5.0 architecture separating predictive risk, domain validity, human authority, and physics-based fallback.

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

CCUSは日本のGX実現に向けた重要技術であり、特に北海道・新潟等での実証が進む。本論文の予測リスク管理手法は、注入ノードの安定運用を通じてCCUSプロジェクトの信頼性向上に寄与し、ひいてはカーボンクレジットやトランジション金融の基盤強化につながる。SSBJ開示における気候関連リスク管理の定量的裏付けとしても参考になる。

In the global GX context

CCUS is a key pillar of global decarbonization pathways and transition finance. This paper's predictive risk management for injection nodes enhances operational reliability, which is critical for de-risking CCUS investments and supporting climate disclosure under TCFD/ISSB. The proposed Industry 5.0 architecture—separating predictive risk, domain validity, human authority, and physics-based fallback—offers a governance model for AI in climate-critical infrastructure.

👥 読者別の含意

🔬研究者:機械学習と物理モデルを融合したリスク予測の設計科学アプローチと、領域外検知のためのサポートゲート手法が参考になる。

🏢実務担当者:CCUSプロジェクトの注入ノード監視において、予測リスクと人間の判断を分離する運用設計のヒントを得られる。

🏛政策担当者:CCUSの安全規制やデジタルツイン導入基準を検討する際に、予測モデルの権限と物理フォールバックの分離が重要であることを示唆。

📄 Abstract（原文）

Carbon capture, utilization, and storage (CCUS) supply chains depend on injection nodes whose loss of capacity can propagate upstream as curtailment and network disruption. This design science study develops a digital twin ready predictive risk artifact that converts subsurface measurements into governed states rather than treating model probability as automatic authority. Eighteen slip events from two rough and one smooth fault were represented by seven mechanics aligned variables. Source domain leave one event out probabilities were mapped to Watch (60 s), Mitigate (30 s), and Hold (10 s) states using source calibrated negative exposure quantiles and persistence rules. A cross fitted Mahalanobis support gate identified states outside source experience. Rough to smooth Watch and Mitigate policies intercepted all six events with median warnings of 16.5 and 3.5 s and no pre horizon intervention burden. Smooth to rough policies also intercepted all twelve events but incurred 22.9 and 42.2 s/event of burden. At the 99th percentile support cutoff, support eligible coverage within 30 s was 91.7% versus 36.4% in reverse, and within 10 s it was 75.0% versus 11.7%. These specimen limited results support an Industry 5.0 architecture that separates predictive risk, domain validity, human authority, and physics based fallback.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。