パイプラインのリーク早期検知：物理モデル × 深層学習 × デジタルツインのハイブリッド化

山崎行政書士事務所
10月2日
読了時間: 6分

――非定常ガス動力学の逆推定＋AE/超音波特徴抽出×DLの融合で、位置・漏えい量をリアルタイム推定する実装指針とドラスティック提言――

要旨（Abstract）

ガスパイプラインのリーク検知は、規格準拠（例：API RP 1130/1175、49 CFR 195.444）と運用現実（誤警報抑制・迅速遮断）を両立させる必要がある。純粋な演算監視（CPM/RTTM）はシステム全体を俯瞰できる一方で微小漏えいに弱く、AE（アコースティックエミッション）/超音波/DASは高感度だがノイズ対策が難しい。本稿は1D 非定常ガス動力学（E‑RTTM級のデジタルツイン）を中核に、AE/超音波（含むDAS）の時周波特徴を深層学習（DL）で高精度分類し、物理逆問題で位置 xLx_LxL と漏えい率 qLq_LqL を連続推定するハイブリッド構成を提案する。主要KPIは検知時間（TTD）、最小検知漏えい（%流量）、位置誤差（m）、漏えい率誤差（%）、誤警報頻度。実務目標として、2–5 kmセグメント/複数センサで TTD ≤ 60 s、位置誤差 ≤ ±50 m、0.2–0.5%流量の検知を掲げる。

1. 現場要件と規制フレーム

プログラム要件：リスクベースで感度・速度・信頼性を指標管理（例：API RP 1175）。
CPM要件：RTTM/E‑RTTM、負圧波（NPW）などの演算監視は手順・試験・記録を備える（例：API RP 1130、49 CFR 195.444）。
ハイブリッドの位置づけ：CPMの一部として組み込み、信号監視（AE/超音波/DAS）の検知を物理尤度で裏づけて誤警報を抑制する。

2. ハイブリッド推定の核：非定常ガス動力学 × 逆問題

2.1 物理モデル（1D 等温・圧縮性流体）

連続式・運動方程式・状態方程式 p=ZρRTp=Z\rho RTp=ZρRT を用いた1D 非定常モデルに、仮想漏えいノードの位置 xxx と開口コンダクタンス CLC_LCL（＝漏えい率のパラメタ）を状態拡張する。E‑RTTMとして同化（UKF/EnKF）を回し、計測（両端/中間の流量・圧力・温度）との整合残差を最小化しながら (xL,qL)(x_L,q_L)(xL,qL) を逐次推定する。

2.2 逆推定の初期化（負圧波：NPW）

圧力急変の到達時刻差 Δt\Delta tΔt から

xL≈L+c Δt2,c=(∂p∂ρ)Tx_L \approx \frac{L + c\,\Delta t}{2},\qquad c=\sqrt{\left(\frac{\partial p}{\partial \rho}\right)_T}xL≈2L+cΔt,c=(∂ρ∂p)T

で初期推定し、粒子初期分布に反映（粗探索→精緻化）。運転過渡と区別するため事後尤度で判定する。

3. 信号側の高感度検知：AE/超音波/DAS × DL

AE（アコースティックエミッション）：リーク噴流や微小亀裂の高周波成分をCWT/STFTで時周波画像化し、CNN/ViTで識別・口径推定。
超音波（ガイド波 UT, GWUT）：長距離伝搬するガイド波の減衰・散乱特性から損傷/漏えいを抽出。埋設・被覆の影響を受けにくい構成を選定。
DAS（分布型音響センシング）：既設ファイバの利用で数十km級の面監視。バルブ操作・施工振動などの外乱との差別化にDLが有効。

実装ポイント

特徴量：CWT/スケーラグラム、STFTスペクトル、DASの群速度・到達差。
教師信号：デジタルツイン合成データ（漏えい径×圧力×騒音モンテカルロ）に短時間の現場ポンピング試験を重ねて領域適応。
誤警報抑制：二段ゲーティング（DLの確信度 × 物理残差の尤度）。運転過渡・外乱を陰性教材として継続学習。

4. 融合アーキテクチャ（リアルタイム構成）

(A) エッジ計測：

SCADA（P/Q/T, 1–10 Hz）、AE/超音波（50 kHz–1 MHz）、DAS（0.5–5 kHz, ゲージ長10 m）。
時刻同期（PTP/NTP）、帯域分割、CWT/STFT、異常スコア化。

(B) デジタルツイン：

E‑RTTM核＋UKF/EnKFで (xL,qL)(x_L,q_L)(xL,qL) 推定。
DLスコアを観測の疑似尤度としてベイズ融合。
高速化：Fourier Neural Operator／PINNで非定常解の超解像近似を構築し、サブ秒の再推定を目指す。

(C) 意思決定：

アラーム階層：AL1（要観察）／AL2（減圧・巡回）／AL3（遮断）。
しきい値最適化：誤警報コストと逸失コストの最小化で動的に最適化（夜間・季節で再調整）。

5. KPI と検知性能の設計値（保守側目標）

TTD（Time‑to‑Detect）：≤ 60 s（>1%流量），≤ 300 s（0.2–0.5%流量）。
位置誤差：≤ ±50 m（2–5 kmセグメント），DAS併用で**±10–20 m**へ。
漏えい率誤差：≤ ±20%（定常化後 5–10 min）。
誤警報：≤ 1 / 月 / 100 km（プログラムKPIで継続監視）。

6. 実装プロトコル（90日で回す）

Week 0–2｜要件化：区間分割（2–5 km）、既設計装、ファイバ有無、電源・通信、遮断弁配置。KPIと行動基準を文書化。Week 2–6｜ツイン初期化：E‑RTTM同定（粗度・地形・漏えい仮想ノード）。NPWで即時位置初期化ロジックを実装。Week 4–8｜信号DL学習：合成＋短時間現場試験でCWT/STFT画像データを拡充。ViT/CNNで漏えい／運転過渡／外乱を識別。Week 6–10｜統合・HIL試験：TTD・位置誤差・誤警報で受入基準を検証。API系手順に準拠した検知・アラーム・復帰テスト。Week 8–12｜PoC運転：30–60日で閾値・重みをチューニング。アラーム階層と遮断ロジックを確定し、監査証跡を自動保存。

7. 運用・保全：誤警報に効く設計作法

二段ゲーティング：DL確信度 × 物理尤度でアラーム決定。
位相整合：AE/超音波/DASの到達順序・群速度と、E‑RTTMの音速 ccc が整合するかを二重確認。
適応しきい：需要変動・圧力階段ごとに動的ベースライン（季節・昼夜）を維持。
データ品質KPI：欠測率、時刻同期誤差、センサSNR、DASゲージ長の最適化を常時監視。

8. 現場専門家としての所見（核心メッセージ）

“物理が主、DLが従”：E‑RTTM/NPWで連続量（位置・漏えい率）を可観測化し、DLはノイズ中の特徴抽出と誤警報抑制に専念させる。
“合成→実データ”の段階学習：デジタルツインで広域の学習データを量産し、短時間の現場試験で領域適応。
“KPIは経営指標”：TTD・誤警報・停止時間は安全と収益を直結で左右する。プログラム管理に落とし込んで継続監査する。

9. ドラスティック提言（大胆だが実務的）

提言①：全送配管で**「RTTM＋AE/DAS」二系統を標準化し、冗長性でCPMの信頼度**を底上げ。
提言②：Neural‑Operator/PINNで**“超解像デジタルツイン”を構築し、サブ秒再推定で誤警報の即時取消**を実現。
提言③：オンライン学習で閾値・重みを運用中に微調整し、月次監査で固定化（監督付きMLOps）。
提言④：三署名遮断（物理尤度 × DL確信度 × 運転イベント無関係）で誤遮断ゼロを目標。
提言⑤：既設ファイバのDAS共用を設計前提にして、長距離面監視を最小CAPEXで実装。

結論（Conclusions）

非定常ガス動力学（E‑RTTM）を主軸に、AE/超音波/DAS×DLを従として融合することで、検知速度・感度・信頼性を同時に底上げできる。規格が求めるテスト・記録・KPI管理を満たしつつ、現場の誤警報コストと逸失コストの境界をデジタルツインで常時最適化する――これが**“早期・確実・低誤報”**の最短ルートである。