増強型ファジィ認知AIと製造工程パラメータを用いた複合高圧水素容器の気孔率予測

水素タンクの微小な気泡が重要な理由

高圧水素タンクは、燃料電池車から産業用貯蔵まで将来のクリーンな移動手段の基盤です。これらの容器は非常に強くかつ軽量である必要があるため、プラスチックライナーの周りにカーボンファイバー複合材の層を巻き付けて作られます。しかし、これらの層内部には微小な空隙—気孔—が生じることがあります。数が多すぎたり、適切でない場所にあると、長年持つはずのタンクが破損する可能性があります。本研究は、工場で得られた実データから解釈可能な形の人工知能が、どの程度の気孔が発生するか、また巻き付け工程のどの要因がそれらを制御するうえで重要かを予測できるかを探ります。

より安全な水素シェルの構築

本研究で検討したタンクは、車両や定置型システムで用いられるいわゆるタイプIV水素容器です。ポリマー製ライナーに樹脂に浸した多数のカーボンファイバー層を巻き付ける、ウェットフィラメントワインディングという工程で構成されます。ワインディング中には多くのパラメータを調整できます：各ファイバースプールの張力、内側のマンドレルの回転速度、ファイバーが表面に交差する角度、層の堆積速度、金属ブレードがファイバーに広げる樹脂量などです。認証規則ではある程度の気孔は許容されますが、過剰な空隙は構造を弱め安全性を損なう可能性があります。これらすべての因子の物理的相互作用は非常に複雑であるため、著者らは完全な物理方程式を書き下す代わりにデータ駆動型のモデル化を選びました。

ハイリスクシステム向けの透明な人工知能

欧州の規制では、水素タンクの安全性に関わる判断は高リスクなAI用途に分類されます。つまり、モデルはブラックボックスであってはなりません：エンジニアや規制当局が予測の根拠を理解できる必要があります。深層ニューラルネットワークや大規模な決定木アンサンブルなどは高精度になり得ますが、その内部ロジックは本質的に不透明です。そこで著者らはXTRACTISと呼ばれる増強型ファジィ認知AIを用いました。XTRACTISは推論を隠すのではなく、選択された工程変数と結果を結びつける人間が読めるIF…THENルールの集合を自動で構築します。また、入力数やルール数が少なく、なおかつ予測性能を保つモデルを評価して、単純さと性能を両立させるようにスコアリングします。

工場計測から学習されたルールへ

実際のタンクのデータ取得は高価で、フルスケールの容器一基あたり数千ユーロかかり、さらに3D X線トモグラフィーでスキャンする必要があります。そのため本研究では12基のタンクを用い、180の個別ワインディング層に分けて解析しました。各層については、張力、速度、角度、樹脂制御やその他の設計選択を表す58の潜在的予測子が利用可能であり、それぞれにX線で計測された気孔データが対応していました。チームは生の個数ではなく気孔数の対数を予測対象に選び、極端値を平滑化しました。XTRACTISは何千ものモデル構成を探索し、過学習を避けるために厳密なクロスバリデーション戦略を用いてデータの異なる分割で繰り返し学習と検証を行いました。最良のモデル群を単一のより単純なルールベースの「仮想エキスパート」に蒸留したところ、未知のテスト層に対しても良好な精度で気孔数を再現し、予測誤差は約8％未満、予測値と観測値の間に強い相関が得られました。

モデルが示すより良いタンク作りの指針

最終モデルは少数のファジィIF…THENルールとして表現されるため、その挙動はほとんど工学上の指針として読めます。ルールは、ファイバー張力を均一かつ適切な範囲に保つことが極めて重要であることを示しています：異なるスプール間で張力が大きくばらつくと、一部の領域はたるみ、他は過度に引っ張られ、余分な空隙が生じやすくなります。マンドレルの回転速度と巻き角度は共同で、ファイバーの詰まり具合と均一さを決めます；速度が低すぎたり角度が浅すぎると、圧縮不足や樹脂分布の不均一が生じます。もう一つの重要要素はドクターブレードによる樹脂制御と各層の総体積です。樹脂フローが適切に調整されていれば、ドライファイバー領域や樹脂過多のポケットの両方を防ぎ、どちらも気泡の発生を助長します。モデルはまた、小さく安定したファイバースプールが張力を安定させ、気孔率低減に寄与する可能性を示唆しています。

データの限界と品質管理への教訓

研究者らはまた、工場現場でよく使われる各層を低気孔率と中・高気孔率に分類するモデルの学習も試みました。しかし、この分類タスクではXTRACTISも不透明なブーステッドツリーアルゴリズムも、新しいデータに対しては成績が振るいませんでした。後の確認で、気孔率ラベル自体がノイズを含んでいたことが明らかになりました。というのも、すべての気孔が球形と仮定され、簡略化した方法で層に自動割当てされていたためです。この誤ラベリングがクラス間の境界を曖昧にした可能性が高いです。この対比は示唆に富みます：ターゲット値が信頼できる場合、解釈可能なAIは限られたデータでもよく機能し得ますが、ラベル自体が疑わしければ、どのアルゴリズムでも救えません。総じて、本研究は解釈可能なファジィルールモデルがエンジニアに安全な工程設定への指針を示すとともに、計測やデータ準備の弱点を浮き彫りにできることを示しています。

より安全な水素貯蔵への明確な道筋

平たく言えば、本研究は説明可能なAIシステムが工場データの限られた量から学び、水素タンクの複合殻内にどれほどの微視的空隙が生じるかを予測し、生産ライン上でどの調整が重要かを特定できることを示しています。得られたルールは複雑な数学を理解しやすい工程上の助言に翻訳します：ファイバー張力を安定させ、適切な巻き速度と角度を選び、樹脂流量と層体積を注意深く管理すること。より多くかつ高品質なデータが今後これらの知見を洗練し新しいタンクで検証するために必要ですが、このアプローチは、エンジニアを置き換えるのではなく、分散した測定値を行動に移せる理解へと変える透明なパートナーを提供することで、水素貯蔵の安全性を高める有望な設計図を提示します。

引用: Achour, L., Zalila, Z., Aboura, Z. et al. Predicting porosity in composite high-pressure hydrogen vessels using augmented fuzzy cognitive AI and manufacturing process parameters. Sci Rep 16, 9894 (2026). https://doi.org/10.1038/s41598-026-38447-1

キーワード: 水素貯蔵, 複合材料, 製造欠陥, 説明可能なAI, フィラメントワインディング