NASAのArtemis計画では、Starship HLS（Human Landing System）で月面に降りるために、低地球軌道（LEO）に16機前後のタンカー機を連続して打ち上げ、軌道上で推進剤を移送することが想定されています。1回の有人月着陸のために、ロケットを十数回連続で打ち上げる——一見すると気が遠くなる話ですが、これはロケット方程式の数式が要求する物理的必然です。地表から月着陸地点まで推進剤を一括で運ぶには質量比の壁が高すぎて、現実的な構造比のロケットでは到底届かない。だから途中で「給油」するのです。
軌道上のガソリンスタンド——推進剤デポ（propellant depot） は、月・火星探査、デブリ除去衛星の延命、太陽系深部ミッションといった次世代宇宙活動の鍵を握る基盤インフラです。しかしデポを実現するには、地上のタンクローリーとは比べ物にならない難題が立ちはだかります。液体水素は20Kでしか液体でいられず、太陽光の輻射を浴びれば刻々と蒸発（ボイルオフ）していく。微小重力では液面が消え、気液が泡のように混じる「スラッシング」が制御を狂わせる。さらに、別々のロケットで打ち上げた2機が時速27,000kmで飛びながらドッキングし、極低温配管を接続しなくてはなりません。
本記事の内容
- なぜ軌道上補給が必要か——Tsiolkovskyの式から導かれる質量比の壁
- 極低温推進剤（LH2 / LOX / CH4）の物理: ボイルオフ、スラッシング、温度成層
- Zero Boil-Off技術: パッシブMLI遮熱とアクティブ冷凍機の熱バランス
- デポをどこに置くか: LEO / GEO / 地球–月L2 / 月低軌道（LLO）のトレードスタディ
- ISRUによる現地推進剤生産: 月極域水資源と水電解による LH2 / LOX 生成
- 経済モデル: 地上打ち上げコスト vs デポ運用コストの損益分岐点
- Pythonによる熱バランスシミュレーション、累積推進剤要求量、デポ運用最適化
前提知識
この記事を読む前に、以下の記事を読んでおくと理解が深まります。
- Tsiolkovskyのロケット方程式と多段ロケット
- 衛星の熱制御 — MLI・ヒートパイプ・ラジエータの設計
- 軌道上燃料補給による衛星の寿命延長
- 軌道上サービス（OOS）の全体像
- 大型構造物の軌道上組立
なぜ軌道上補給が必要か — 質量比の壁
Tsiolkovskyの式が押し付ける制約
ロケットが達成できる速度増分 $\Delta v$ は、Tsiolkovskyのロケット方程式に支配されています。
$$ \Delta v = I_{\mathrm{sp}}\, g_0 \ln\!\left(\frac{m_0}{m_f}\right) $$
ここで $I_{\mathrm{sp}}$ は比推力、$g_0 = 9.80665\,\mathrm{m/s^2}$、$m_0$ は初期質量、$m_f$ は推進剤を使い切った後の最終質量です。式の中で自然対数が効いているのが本質で、$\Delta v$ を線形に増やそうとすると、質量比 $m_0/m_f$ は指数関数的に膨らんでいきます。
たとえば $I_{\mathrm{sp}} = 380\,\mathrm{s}$（LOX/メタンエンジンの典型値）として、地表から月面着陸地点まで一気に推進する場合、必要な $\Delta v$ はおよそ $\Delta v_{\mathrm{LEO}} + \Delta v_{\mathrm{TLI}} + \Delta v_{\mathrm{LOI}} + \Delta v_{\mathrm{descent}} \approx 9.4 + 3.1 + 0.9 + 1.9 = 15.3\,\mathrm{km/s}$ になります。これをロケット方程式に放り込むと、
$$ \frac{m_0}{m_f} = \exp\!\left(\frac{15{,}300}{380 \times 9.80665}\right) \approx \exp(4.10) \approx 60.4 $$
質量比は60倍。最終質量1トンの宇宙機を月面に下ろすために、地表で60トンの推進剤＋構造を積み上げる必要がある計算です。構造比（推進剤を使い切ったあとに残る構造の割合）は現代の極低温推進剤タンクでも10–20%が限界なので、構造重量だけで6トン以上、ペイロードが1トンも残らないかもしれません。
軌道上補給で何が変わるか
ここで、もしLEOで一度推進剤タンクを満タンに「補給」できたとしたらどうなるでしょうか。地表からLEOまでに必要な $\Delta v_{\mathrm{LEO}} = 9.4\,\mathrm{km/s}$ を1段目、LEO以降の $\Delta v = 5.9\,\mathrm{km/s}$ を2段目として、ロケット方程式を二回に分けて適用できます。
$$ \frac{m_0}{m_1} = \exp\!\left(\frac{9{,}400}{380 \times 9.80665}\right) \approx 12.5, \qquad \frac{m_1}{m_f} = \exp\!\left(\frac{5{,}900}{380 \times 9.80665}\right) \approx 4.85 $$
二段ロケット相当の構造でいえば、補給がない場合の総質量比60.4倍に対し、補給ありなら12.5倍と4.85倍を別個に確保すればよくなります。指数関数の中の足し算が、補給によって掛け算の分解に置き換わる——これがTsiolkovskyの呪縛から逃れる唯一の道です。
直感的には、長距離トラックがガソリンスタンドで給油するのと同じです。途中で給油できるなら、巨大なタンクを最初から積む必要はなく、その分を貨物に回せる。宇宙でも、軌道上に「ガソリンスタンド」が存在すれば、同じロケットでより遠くへ、より重いペイロードを運べるようになります。
Starship HLSの16機タンカー
NASA Artemis III用のStarship HLSは、まさにこの戦略で設計されています。Starshipのドライ重量（構造のみ）は約100トン、推進剤容量は約1,200トン（LOX/メタン）。LEO到達時点で推進剤はほぼ空になるため、月遷移軌道（TLI）以降に必要な推進剤をLEOで別のタンカーStarshipから補給します。1機のタンカーが約100トンの推進剤を運べると仮定すると、約1,200トンを満たすには10数機の補給が必要になるわけです。
ここで自然な疑問が湧いてきます——LEOでタンカーが運んでくる推進剤を、何ヶ月にもわたって保管できるのでしょうか。LOX沸点は90K、メタンは112K、液体水素にいたっては20K。宇宙の真空は太陽光に対しては「断熱材」になりません。輻射と内部熱漏れが推進剤を蒸発させ続け、せっかく運んだ推進剤が日々失われていきます。次のセクションで、この「ボイルオフ」の物理を見ていきます。
極低温推進剤の物理 — ボイルオフ・スラッシング・温度成層
ボイルオフの基本原理
タンクに液体水素を満たして宇宙に置くと、外部からの輻射熱流入と伝導熱漏れでタンク壁が温められ、液体水素は沸騰して蒸気になります。閉鎖系で蒸気が溜まり続けるとタンク内圧が上昇し、構造強度の限界に達する前にバルブから蒸気を放出する必要があります。この放出量がボイルオフ率（boil-off rate） で、典型的には1日あたりタンク内推進剤の0.1〜数%にもなります。
ボイルオフ流量 $\dot{m}_{\mathrm{bo}}$ は、外部からの正味熱流入 $\dot{Q}$ と気化潜熱 $h_{\mathrm{lv}}$ の関係で決まります。
$$ \dot{m}_{\mathrm{bo}} = \frac{\dot{Q}}{h_{\mathrm{lv}}} $$
液体水素の気化潜熱は約 $446\,\mathrm{kJ/kg}$、LOXは $213\,\mathrm{kJ/kg}$、液体メタンは $510\,\mathrm{kJ/kg}$。同じ熱流入でも、低潜熱の推進剤ほど多く蒸発してしまいます。LH2はその点でもっとも厄介で、20Kという極低温を保ちながら、しかも気化潜熱が低いため、わずかな熱漏れでも大きなボイルオフを引き起こします。
微小重力での液体挙動 — スラッシング
地上のタンクでは、液体は重力で下部に集まり、自由表面ができてその下に気相がきれいに分離します。ところが微小重力環境では重力で液面が形成されず、液体は表面張力に従ってタンクの内壁にへばりついたり、中央に球状に浮かんだりします。さらに、姿勢制御スラスタの噴射やドッキング衝撃で液体が振動・回転を始め、これがスラッシング（slosh） です。
スラッシングは2つの問題を引き起こします。第一に、推進剤を吸い出すインテーク管が気相を吸い込んで（vapor ingestion） エンジンに気泡を送ってしまう危険。第二に、液体の重心移動が宇宙機全体の慣性テンソルを時間変動させ、姿勢制御を不安定にします。これに対抗するため、PMD（Propellant Management Device） として表面張力を利用するベーン、スポンジ、トラップが内壁に貼り付けられ、液体を確実にインテーク側に保持します。
温度成層とその崩壊
タンク内部で熱は均一には伝わりません。タンク壁から侵入した熱は、液体の上部（蒸気と接する境界）と壁面近傍に温度成層（stratification） を作ります。液体内部の対流が抑制される微小重力では特に顕著で、上層が下層より数K高くなることがあります。
蒸気圧は温度の指数関数なので、上層温度が高くなると蒸気圧が急上昇し、内圧が制御を超えるリスクが生まれます。この成層を崩すために、TVS（Thermodynamic Vent System） が用いられます。少量の液体を Joule–Thomson 弁で減圧・冷却し、その冷たい液体をタンク内部に噴霧することで液体全体を均一に冷やす——いわば「内蔵冷蔵庫」です。
ここまでで、推進剤デポが地上のタンクとはまったく違う物理に支配されていることが見えてきました。では、これらの困難を克服してボイルオフを実質ゼロに抑える「Zero Boil-Off」とは何か、そのアーキテクチャを見ていきましょう。
Zero Boil-Off — パッシブ遮熱とアクティブ冷却
熱バランスの全体像
デポタンクの熱バランスは、外部からの熱流入 $\dot{Q}_{\mathrm{ext}}$、内部冷凍機による排熱 $\dot{Q}_{\mathrm{cryo}}$、そしてボイルオフによる気化潜熱排出 $\dot{Q}_{\mathrm{bo}} = \dot{m}_{\mathrm{bo}} h_{\mathrm{lv}}$ の3つから成ります。
$$ \dot{Q}_{\mathrm{ext}} = \dot{Q}_{\mathrm{cryo}} + \dot{Q}_{\mathrm{bo}} $$
Zero Boil-Off（ZBO）条件は $\dot{Q}_{\mathrm{bo}} = 0$、すなわち冷凍機が外部熱流入をすべて引き受ける状態です。これを達成するには、$\dot{Q}_{\mathrm{ext}}$ を可能な限り減らし、残った分を効率良く冷凍機で除熱する二段戦略が必要になります。
パッシブ遮熱: MLIとサンシールド
外部熱流入の主源は太陽輻射（LEOで $1{,}361\,\mathrm{W/m^2}$）、地球アルベド、地球放射（赤外）です。これを抑える第一段がMLI（Multi-Layer Insulation、多層断熱）。アルミ蒸着マイラーフィルム数十層を真空中に重ね、層間の輻射伝熱を遮断します。理想MLIの有効熱伝導率は $10^{-4}\,\mathrm{W/(m\cdot K)}$ オーダーで、エアロゲルや真空断熱材より2桁低い性能が出ます。
MLIを貫通する熱流束は、各層が黒体的に輻射しあう Stefan–Boltzmann の式から、層数 $N$ のMLIでは
$$ \dot{q}_{\mathrm{MLI}} = \frac{\sigma\,(T_h^4 – T_c^4)}{N + 1} \cdot \frac{\varepsilon}{2 – \varepsilon} $$
と近似されます（$\sigma$ はStefan–Boltzmann定数、$\varepsilon$ は各層の輻射率）。層数を増やすほど熱流が抑えられますが、現実には層間のスペーサー導電、構造支持の伝導、シーム部の輻射漏れがあり、$N=30$–$50$ あたりで実効的な飽和に達します。
さらに、サンシールド（日陰板）でタンク自体を太陽光から遮蔽し、ラジエータでタンク壁の温度を宇宙背景に近づけることで、Stefan–Boltzmannの $T^4$ 項を劇的に下げられます。James Webb 宇宙望遠鏡の5層サンシールドが、太陽側80℃から望遠鏡側 $-230\,°\mathrm{C}$ までを実現したのと同じ原理です。
アクティブ冷却: クライオクーラー
パッシブ遮熱で熱流入を $\dot{Q}_{\mathrm{ext}} \sim 数\,\mathrm{W}$ レベルまで抑えても、長期保管ではこれが累積し、最終的に蒸気を発生させます。完全なZBOには機械的冷凍機（cryocooler） が必要です。代表的な方式は次のとおりです。
- 逆ブレイトンサイクル: ヘリウムを作動流体としたガスタービン冷凍機。20K帯で数十W〜数百Wの冷却能力。NASA-Glenn の CRYOTE 試験で実証。
- パルス管冷凍機: 機械的可動部のないシンプル構造。10–80Kで動作。宇宙望遠鏡の検出器冷却に多用される。
- 逆Stirlingサイクル: 効率は高いが可動ピストンの振動が宇宙機に伝わる課題。
冷凍機の理論最大効率（Carnot効率）は
$$ \eta_{\mathrm{Carnot}} = \frac{T_c}{T_h – T_c} $$
で、低温側 $T_c = 20\,\mathrm{K}$、高温側 $T_h = 300\,\mathrm{K}$ では $\eta_{\mathrm{Carnot}} \approx 0.071$。実機の効率はCarnotの10–30%程度なので、20Kで1W除熱するために100W以上の電力を消費します。デポにとって電力は太陽電池パネルからのみ供給されるため、ZBOには大電力インフラが直結することになります。
熱バランスのモデル化
簡略化された熱バランスを定量的に書き下しましょう。タンクの形状を球（半径 $R$、表面積 $A = 4\pi R^2$）と仮定し、外部熱流入は太陽輻射（吸収率 $\alpha$）と地球IR（fovと放射率で重み付け）の和、内部からは冷凍機による定常除熱、そして残差がボイルオフへ。
$$ \dot{Q}_{\mathrm{ext}} = \alpha S A_{\mathrm{sun}} + \varepsilon \sigma T_{\mathrm{earth}}^4 A_{\mathrm{earth}} – \frac{\sigma\,(T_w^4 – T_l^4)}{N+1} A $$
ここで $S$ は太陽定数、$A_{\mathrm{sun}}$ は太陽に向いた投影面積、$T_w$ はタンク壁外表面温度、$T_l$ は液体温度。第3項のMLI透過がボイルオフへ転化します。次節のPythonシミュレーションで、これを時間積分してボイルオフの累積を可視化します。
ここまでで、ZBOを支える物理的レイヤーが揃いました。では実際のデポはどこに置けばよいのか——次に軌道アーキテクチャの選択について考えます。
軌道アーキテクチャ — デポをどこに置くか
候補軌道と特性
推進剤デポを設置する候補は4つあります。
- 低地球軌道（LEO, 400–800 km）: 打ち上げコスト最小。Starship HLSの補給はここ。タンカーとの会合に必要な $\Delta v$ も最小。デメリットは大気抵抗による軌道減衰でデポ自体の維持にも推進剤を消費すること、そして地球IR熱流入が大きいこと。
- 静止軌道（GEO, 36,000 km）: 通信衛星サービス向け。LEOよりも到達コストが高いが、デブリ環境が比較的安定で、地球熱流入も小さい。
- 地球–月L2点周辺ハロー軌道（NRHO）: Artemis計画のGateway軌道。地球と月の双方からアクセスしやすく、月面ミッション中継に最適。
- 月低軌道（LLO）または月面: 月面ISRU推進剤を直接受け取る配置。月への着陸機補給専用。
デポ配置のトレードスタディ
どの軌道に置くかは、「補給される側」のミッションに必要な $\Delta v$ プロファイルと、「補給する側」のタンカーが届けるコストの積で決まります。
LEOデポは「最も安く運べるが、最も多く補給が必要」。GEOやNRHOデポは「補給コスト高いが、目的地に近いので必要量が少ない」。月面デポは「ISRUで地上輸送ゼロにできるが、現地生産インフラ建設費が巨額」。
数学的には、目的地 $D$ への往復ミッションで必要な総推進剤質量 $M_{\mathrm{prop}}$ は
$$ M_{\mathrm{prop}} = m_f \cdot \left(\exp\!\left(\frac{\Delta v_{D \to \mathrm{depot}}}{I_{\mathrm{sp}} g_0}\right) – 1\right) + (\text{打ち上げ補給コスト}) $$
の最小化問題になり、デポ位置の選択肢それぞれで評価して比較します。Pythonでの数値比較は後段で行います。
軌道上ランデブー＆ドッキングと配管接続
デポへの補給は、別々に打ち上げられた2機の宇宙機が秒速7〜8 kmで飛びながら近接・接触する自動ランデブー＆ドッキング（AR&D） で実現します。NASA OSAM-1 や宇宙ロボティクスでは、視覚センサ（LIDAR、可視カメラ）と GNC（Guidance, Navigation, Control）が cm 精度でのアプローチを実現してきました。
ドッキング後の課題は極低温配管の接続です。20Kの液体水素を漏らさず移送するには、配管継手が低温真空シールを維持する必要があります。室温で挿し込んだ後、冷却の熱収縮でシールが緩む現象（leakage upon chilldown）が古くから問題で、現在は二重シール構造と能動的なpre-cooldownで対処します。Robotic Refueling Mission 3（RRM3、ISS 2018年）では液体メタンを ISS の真空中で扱う実証が行われ、JAXAも同様の研究を進めています。
ドッキングと配管接続の自動化が成り立てば、デポは商業サービスとして成立します。Orbit Fab社（米）は「軌道上ガソリンスタンド構想」を掲げ、衛星に取り付ける標準補給インタフェース RAFTI を発表し、2024年に “Tenzing” タンカーをGEOに打ち上げています。Astroscale も類似のサービスを欧州・日本で展開中です。
ここまでが「軌道上で補給する」基盤技術です。しかし究極のスケーラビリティを得るには、推進剤そのものを宇宙で作れる必要があります。次にISRU——現地資源利用について見ていきます。
ISRUによる現地推進剤生産
月極域の水資源
月の南極・北極の永久影クレーター（PSR, Permanently Shadowed Region）には、太陽光がまったく届かず温度が40K以下で安定している領域があります。LRO や VIPER のミッションで、これらの領域に水氷が体積比5〜10%、推定量100万トン以上で堆積していることが確認されています。
水を水電解（$\mathrm{H_2O} \to \mathrm{H_2} + \tfrac{1}{2}\mathrm{O_2}$）すれば、液体水素と液体酸素という最高比推力（$I_{\mathrm{sp}} \approx 450\,\mathrm{s}$）のロケット推進剤が直接生産できます。重量1kgの水から、$\tfrac{2}{18} \approx 0.111\,\mathrm{kg}$ のH2と $\tfrac{16}{18} \approx 0.889\,\mathrm{kg}$ のO2が得られる計算です。
ISRU推進剤のエネルギーコスト
水電解は理論最低エネルギーで $237\,\mathrm{kJ/mol}$ を必要とします。水1モル（18 g）あたり237 kJ、すなわち1 kgの水から推進剤を作るのに $13.2\,\mathrm{MJ}$ が必要です。実機の電解効率を70%として、1 kgあたり $\approx 19\,\mathrm{MJ}$、月昼間（14日間日照）の太陽電池からの平均電力 $300\,\mathrm{W/m^2}$ 程度を想定すると、1日24時間で1パネル ${\rm m^2}$ あたり $\approx 26\,\mathrm{MJ}$。理屈の上では1日 1 m²のソーラーアレイで1 kg程度の推進剤が作れる試算になりますが、液化までを含めるとさらに3〜5倍の電力が必要です。
月面から軌道へのスケーリング
月面で生産した推進剤を月低軌道（LLO）や地球–月L2のデポへ運ぶには、月面発射機（タンカーロケット）が必要です。月から脱出速度は $2.38\,\mathrm{km/s}$、LLOまでなら $\approx 1.8\,\mathrm{km/s}$。地球からの $9.4\,\mathrm{km/s}$ と比べると約5分の1で済むため、ロケット方程式の指数関数は劇的に有利に働きます。月面ISRUデポは「ガソリンスタンドのガソリンも現地で作る」究極の自律エコシステムです。
経済モデルの考え方
地球から推進剤を打ち上げる単価を $c_{\mathrm{earth}}$（USD/kg）、月面ISRUで生産する単価を $c_{\mathrm{moon}}$ とすると、ISRUインフラの初期投資 $I_{\mathrm{ISRU}}$ を償却するまでの累積生産量 $N_{\mathrm{break}}$ は
$$ N_{\mathrm{break}} = \frac{I_{\mathrm{ISRU}}}{c_{\mathrm{earth}} – c_{\mathrm{moon}}} $$
で与えられます。$c_{\mathrm{earth}} = 5{,}000\,\mathrm{USD/kg}$（Starship想定の低価格帯）、$c_{\mathrm{moon}} = 2{,}000\,\mathrm{USD/kg}$（電力・設備償却を含む推定）、$I_{\mathrm{ISRU}} = 10$ 億 USD と置くと、$N_{\mathrm{break}} \approx 333{,}000\,\mathrm{kg}$。年間 30 機程度の月着陸ミッションで1機あたり 10トン消費するなら、約 11 年で回収できる計算です。これが、現在NASAや民間企業が月面ISRUに巨額投資する経済的根拠です。
数式と試算で「なぜ軌道上補給とデポが宇宙開発の本丸か」が見えてきました。次にPythonで、ここまでの理論を数値モデルに落とし込んでいきます。
Pythonによるボイルオフモデル
単一タンクの熱バランスシミュレーション
まず、デポタンク1基の熱バランスをODEで時間積分し、ボイルオフ累積量を可視化します。LEO上の半径3 mの球状LH2タンクを想定します。
import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import odeint
# 物理定数
sigma = 5.670374419e-8 # Stefan-Boltzmann [W/(m^2 K^4)]
S_sun = 1361.0 # 太陽定数 [W/m^2]
T_earth_ir = 255.0 # 地球の実効放射温度 [K]
albedo = 0.30 # 地球アルベド
# タンク仕様
R = 3.0 # タンク半径 [m]
A = 4 * np.pi * R**2 # 全表面積 [m^2]
A_sun_proj = np.pi * R**2 # 太陽に向いた投影面積
A_earth = A / 2 # 地球側半球
alpha = 0.10 # 吸収率（白色塗装＋MLI）
epsilon = 0.05 # MLI外表面の輻射率
# 推進剤（液体水素）
m0 = 50_000.0 # 初期質量 [kg]
h_lv = 446_000.0 # 気化潜熱 [J/kg]
T_liq = 20.0 # 液体水素温度 [K]
# MLI
N_MLI = 40 # 多層断熱の層数
# 冷凍機(クライオクーラー)能力 [W] — ケースで切替
Q_cryo_cases = [0.0, 50.0, 200.0]
def heat_flux_external():
"""外部熱流入 [W]"""
Q_sun = alpha * S_sun * A_sun_proj * 0.6 # 60%日照と仮定
Q_albedo = alpha * albedo * S_sun * A_earth * 0.3
Q_earth_ir = epsilon * sigma * T_earth_ir**4 * A_earth
return Q_sun + Q_albedo + Q_earth_ir
def boil_off_rate(Q_net):
"""ボイルオフ流量 [kg/s]"""
if Q_net <= 0:
return 0.0
return Q_net / h_lv
def dmdt(m, t, Q_cryo):
"""質量変化のODE右辺"""
Q_ext = heat_flux_external()
# MLIによる減衰: 簡略化で Q_ext を実効的に既に減衰済みとして扱う
Q_net = Q_ext - Q_cryo
return -boil_off_rate(Q_net)
# シミュレーション
t = np.linspace(0, 180 * 86400, 1000) # 180日間 [s]
plt.figure(figsize=(10, 6))
for Q_cryo in Q_cryo_cases:
m_history = odeint(dmdt, m0, t, args=(Q_cryo,))
plt.plot(t / 86400, m_history / m0 * 100,
label=f"Cryocooler = {Q_cryo:.0f} W")
plt.xlabel("Time [days]")
plt.ylabel("Remaining propellant [%]")
plt.title(f"LH2 boil-off in LEO depot (R={R} m, m0={m0/1000:.0f} t)")
plt.grid(True, alpha=0.3)
plt.legend()
plt.tight_layout()
plt.savefig("boiloff_simulation.png", dpi=150, bbox_inches="tight")
plt.show()
print(f"外部熱流入: {heat_flux_external():.1f} W")
print(f"無冷却ボイルオフ: {boil_off_rate(heat_flux_external())*86400:.2f} kg/day")
このシミュレーションから3つの重要な傾向が読み取れます。第一に、冷凍機ゼロのケースでは180日後に推進剤が10〜20%失われており、半年保管したいデポ運用には致命的です。第二に、Q_cryo を 50 W 加えるだけでボイルオフが大幅に減速し、200 Wでほぼゼロになることが見えます——ZBO条件は「冷凍機が外部熱流入を完全に引き受けた瞬間」に達成されます。第三に、外部熱流入そのものは数百Wオーダーで、これがMLIのおかげでこの程度に抑えられていることを意味します。MLI性能が悪化（層数減や破損）すれば熱流入は指数的に増えるため、設計マージンが必要です。
MLI層数の効果
次に、MLI層数を変えた場合の熱流入と所要冷凍機電力を計算してみます。
import numpy as np
import matplotlib.pyplot as plt
# MLIの熱流束モデル（簡略 Lockheed 式の風）
sigma = 5.670374419e-8
T_hot, T_cold = 300.0, 20.0
emissivity = 0.05
N_layers = np.arange(5, 101, 5)
# 単純化: 透過熱流束 q = σ(T_h^4 - T_c^4) * ε / ((N+1) * (2 - ε))
q_mli = sigma * (T_hot**4 - T_cold**4) * emissivity / ((N_layers + 1) * (2 - emissivity))
# タンク表面積で総熱流入
A_tank = 4 * np.pi * 3.0**2
Q_total = q_mli * A_tank
# Carnot効率を仮定した必要電力
T_c = 20.0
T_h = 300.0
eta_carnot = T_c / (T_h - T_c)
eta_actual = 0.20 * eta_carnot # Carnotの20%実機効率
P_required = Q_total / eta_actual
fig, ax1 = plt.subplots(figsize=(10, 6))
ax1.plot(N_layers, Q_total, "b-o", label="Heat leak [W]")
ax1.set_xlabel("Number of MLI layers")
ax1.set_ylabel("Heat leak through MLI [W]", color="b")
ax1.tick_params(axis="y", labelcolor="b")
ax1.grid(True, alpha=0.3)
ax2 = ax1.twinx()
ax2.plot(N_layers, P_required, "r-^", label="Cryocooler power [W]")
ax2.set_ylabel("Cryocooler input power [W]", color="r")
ax2.tick_params(axis="y", labelcolor="r")
plt.title("MLI layer count vs heat leak and required cryocooler power")
fig.tight_layout()
plt.savefig("mli_layers.png", dpi=150, bbox_inches="tight")
plt.show()
このグラフから、MLI層数を増やすほど熱流入が双曲的に減少し、それに比例して必要冷凍機電力も減ることが視覚化されます。実装上は層数 30〜50 で性能向上が飽和し、それ以上を積んでもマス・パラメータ（重量・スペース）の代償が見合わなくなります。冷凍機が処理しなくてはならない熱量が数Wレベルになると、太陽電池パネルからの数十W電力で十分カバーでき、ZBO運用が現実的になることがわかります。
月ミッションの累積推進剤要求
Artemis規模ミッションの試算
月着陸ミッションを年間複数回実施する場合、デポが供給すべき推進剤の累積量を試算します。
import numpy as np
import matplotlib.pyplot as plt
# Tsiolkovsky式から1ミッションの推進剤量を計算
def prop_required(dv, isp, m_dry):
"""ロケット方程式から推進剤質量を逆算"""
g0 = 9.80665
mass_ratio = np.exp(dv / (isp * g0))
return m_dry * (mass_ratio - 1)
# ミッション仕様
isp = 380.0 # LOX/methane [s]
m_dry_hls = 100_000.0 # Starship HLS ドライ質量 [kg] 程度
dv_segments = {
"LEO→TLI": 3100,
"TLI→LOI": 900,
"LOI→descent": 1900,
"ascent→LLO": 1900,
"LLO→TEI": 900,
}
# 各セグメントの推進剤を後ろから順に積み上げ計算
segments_order = list(dv_segments.items())[::-1]
m_current = m_dry_hls
masses = []
for name, dv in segments_order:
m_prop = prop_required(dv, isp, m_current)
masses.append((name, m_prop))
m_current += m_prop # 前段では「次段の推進剤含む全質量」を運ぶ
# 表示順を元に戻す
masses = masses[::-1]
total_prop = sum(m for _, m in masses)
print(f"1回のミッション総推進剤: {total_prop/1000:.1f} t")
for name, m in masses:
print(f" {name}: {m/1000:.1f} t")
# 年間ミッション数 → 累積推進剤
years = np.arange(2026, 2041)
missions_per_year = np.array([1, 2, 2, 3, 4, 4, 6, 6, 8, 8, 10, 10, 12, 12, 12])
cumulative_prop = np.cumsum(missions_per_year) * total_prop / 1000
plt.figure(figsize=(10, 6))
plt.bar(years, missions_per_year * total_prop / 1000, alpha=0.6, label="Annual [t]")
plt.plot(years, cumulative_prop, "r-o", lw=2, label="Cumulative [t]")
plt.xlabel("Year")
plt.ylabel("Propellant demand [t]")
plt.title("Cumulative propellant demand for Artemis-class lunar missions")
plt.grid(True, alpha=0.3)
plt.legend()
plt.tight_layout()
plt.savefig("cumulative_propellant.png", dpi=150, bbox_inches="tight")
plt.show()
このグラフから2つの読み取りができます。第一に、1回の月着陸ミッションで必要な推進剤は約1,200トン規模に達し、これはStarshipのタンク容量とほぼ一致します。各セグメントの内訳を見ると、LEO→TLIが圧倒的に大きく、ここの「打ち上げ後初の大噴射」がいかに高価かが数値で実感できます。第二に、累積需要は2030年代後半に向けて指数的に増え、2040年までに累積1万トン超に達します。これが「軌道上補給インフラなしには月開発は経済的に成り立たない」という主張の数値的根拠です。
デポ配置のトレードスタディ
LEO・GEO・NRHO・LLO の4候補について、「補給する側のコスト」「補給される側の節約量」を一覧化します。
import numpy as np
import matplotlib.pyplot as plt
# デポ候補とその特性
depot_options = {
"LEO": {"dv_to_depot": 9400, "dv_to_dest": 5900, "tanker_cost_per_kg": 2000},
"GEO": {"dv_to_depot": 11800, "dv_to_dest": 3500, "tanker_cost_per_kg": 4000},
"NRHO": {"dv_to_depot": 13500, "dv_to_dest": 2500, "tanker_cost_per_kg": 6000},
"LLO": {"dv_to_depot": 15300, "dv_to_dest": 1900, "tanker_cost_per_kg": 8000},
}
isp = 380.0
g0 = 9.80665
m_dry_lander = 50_000.0 # 着陸機ドライ質量 [kg]
results = {}
for name, p in depot_options.items():
# 補給される側: デポから目的地までの推進剤
mr_dest = np.exp(p["dv_to_dest"] / (isp * g0))
m_prop_from_depot = m_dry_lander * (mr_dest - 1)
# 補給する側: 1kgをデポへ運ぶコスト
cost_per_kg = p["tanker_cost_per_kg"]
total_cost = m_prop_from_depot * cost_per_kg
results[name] = {
"m_prop": m_prop_from_depot / 1000, # トン
"cost_M": total_cost / 1e6, # 百万USD
}
# 可視化
labels = list(results.keys())
m_prop = [results[k]["m_prop"] for k in labels]
costs = [results[k]["cost_M"] for k in labels]
fig, ax1 = plt.subplots(figsize=(10, 6))
x = np.arange(len(labels))
w = 0.35
ax1.bar(x - w/2, m_prop, w, label="Propellant needed [t]", color="steelblue")
ax1.set_ylabel("Propellant from depot [t]", color="steelblue")
ax1.set_xticks(x)
ax1.set_xticklabels(labels)
ax2 = ax1.twinx()
ax2.bar(x + w/2, costs, w, label="Total mission cost [M$]", color="orange")
ax2.set_ylabel("Mission cost [M USD]", color="orange")
plt.title("Depot location trade study")
fig.tight_layout()
plt.savefig("depot_tradestudy.png", dpi=150, bbox_inches="tight")
plt.show()
for k, v in results.items():
print(f"{k}: prop = {v['m_prop']:.1f} t, cost = {v['cost_M']:.1f} M$")
このトレードスタディから興味深い結論が読み取れます。目的地に近いデポほど補給される側の推進剤量が劇的に減る——LLOデポなら着陸用に必要な推進剤は LEO デポの 1/4 以下です。しかしタンカーコストは目的地に近いほど上昇するため、両者を掛けた総コストには最適点が存在します。本シミュレーションのパラメータでは GEO/NRHO の中間が最小コストになり、これは Artemis Gateway が NRHO に配置される設計判断と整合します。実際の運用では、ここに ISRU 推進剤生産（LLO/月面デポのタンカーコストが激減）を加えて再評価することになります。
デポ運用のスケジューリング最適化
問題設定
複数のミッションが時間軸上で要求する推進剤を、タンカー打ち上げによって補給するスケジュールを考えます。デポの貯蔵能力には上限があり、ボイルオフによる損失も発生します。これを線形計画として定式化し、最小コストのタンカー打ち上げ計画を求めましょう。
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import linprog
# パラメータ
T = 12 # 12ヶ月の計画期間
capacity = 1500 # デポタンク容量 [t]
boiloff_rate = 0.001 # 月あたり 0.1% のボイルオフ
tanker_capacity = 100 # 1機あたり輸送量 [t]
tanker_cost = 50 # 1機あたりコスト [百万USD]
initial_stock = 200 # 初期備蓄 [t]
# ミッション需要（月ごと）
demand = np.array([0, 0, 300, 0, 0, 600, 0, 0, 400, 0, 0, 500])
# 変数: 各月のタンカー本数 x_t (整数だがLPで連続緩和)
# 各月末の在庫 s_t（補助変数）
# 目的関数: Σ tanker_cost * x_t を最小化
# 簡略化: greedy なシミュレーションで運用評価
def simulate_schedule(tanker_schedule, demand, initial_stock,
capacity, boiloff_rate, tanker_capacity):
T = len(demand)
stock = np.zeros(T + 1)
stock[0] = initial_stock
for t in range(T):
# タンカー到着で補給
stock[t] += tanker_schedule[t] * tanker_capacity
# 上限でクリップ（溢れは無駄）
overflow = max(0, stock[t] - capacity)
stock[t] -= overflow
# 需要消費
if stock[t] < demand[t]:
# 不足
return None, None
stock[t] -= demand[t]
# ボイルオフ
stock[t+1] = stock[t] * (1 - boiloff_rate)
return stock, overflow
# greedyスケジュール: 需要月の前にタンカー打ち上げ
schedule_greedy = np.zeros(T, dtype=int)
sim_stock = initial_stock
for t in range(T):
if t > 0 and demand[t] > sim_stock:
n_tankers = int(np.ceil((demand[t] - sim_stock) / tanker_capacity))
schedule_greedy[t-1] = n_tankers
sim_stock += n_tankers * tanker_capacity
sim_stock -= demand[t]
sim_stock *= (1 - boiloff_rate)
stock_hist, _ = simulate_schedule(
schedule_greedy, demand, initial_stock,
capacity, boiloff_rate, tanker_capacity)
fig, axes = plt.subplots(2, 1, figsize=(11, 7), sharex=True)
months = np.arange(T)
axes[0].bar(months, demand, alpha=0.6, label="Demand")
axes[0].bar(months, schedule_greedy * tanker_capacity,
alpha=0.6, label="Tanker delivery", color="orange")
axes[0].set_ylabel("Propellant [t]")
axes[0].legend()
axes[0].grid(True, alpha=0.3)
axes[1].plot(np.arange(T+1), stock_hist, "g-o", label="Stock")
axes[1].axhline(capacity, color="red", ls="--", label="Capacity")
axes[1].set_xlabel("Month")
axes[1].set_ylabel("Depot stock [t]")
axes[1].legend()
axes[1].grid(True, alpha=0.3)
plt.suptitle("Depot operation schedule (greedy)")
plt.tight_layout()
plt.savefig("depot_schedule.png", dpi=150, bbox_inches="tight")
plt.show()
total_cost = schedule_greedy.sum() * tanker_cost
print(f"必要タンカー機数: {schedule_greedy.sum()} 機")
print(f"総コスト: {total_cost} 百万USD")
このスケジュール最適化から、運用上の重要な洞察が得られます。第一に、需要のピーク（3、6、9、12月の大規模ミッション）の直前に集中的にタンカー打ち上げが必要となります。greedy戦略では「必要になる直前に運ぶ」を採用しているため在庫はちょうど消費前にピークを迎え、ボイルオフ損失を最小化できます。第二に、タンク容量制約に張り付くタイミングが発生する場合があり、これがデポのタンクサイズ設計のクリティカルパラメータとなります。実用的には、より高度な定式化（混合整数計画、確率的需要モデル）でロバスト最適化を行うことが研究されています。
補給ロジスティクスの感度分析
最後に、ボイルオフ率を変えた場合の総コスト感度を見てみます。
import numpy as np
import matplotlib.pyplot as plt
T = 12
initial_stock = 200
capacity = 1500
tanker_capacity = 100
tanker_cost = 50
demand = np.array([0, 0, 300, 0, 0, 600, 0, 0, 400, 0, 0, 500])
boiloff_rates = np.linspace(0.0, 0.05, 30) # 0% — 5%/月
total_costs = []
for bo in boiloff_rates:
schedule = np.zeros(T, dtype=int)
sim_stock = initial_stock
for t in range(T):
if t > 0 and demand[t] > sim_stock:
n = int(np.ceil((demand[t] - sim_stock) / tanker_capacity))
schedule[t-1] = n
sim_stock += n * tanker_capacity
sim_stock -= demand[t]
sim_stock *= (1 - bo)
total_costs.append(schedule.sum() * tanker_cost)
plt.figure(figsize=(10, 6))
plt.plot(boiloff_rates * 100, total_costs, "b-o")
plt.xlabel("Boil-off rate [%/month]")
plt.ylabel("Total tanker cost [M USD]")
plt.title("Depot operation cost vs boil-off rate")
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.savefig("boiloff_sensitivity.png", dpi=150, bbox_inches="tight")
plt.show()
このグラフから「ボイルオフ率が運用コストに直接乗ってくる」ことが明瞭に見えます。ボイルオフ率が0%から5%/月へと増えると、総コストがおよそ1.5〜2倍に膨らみます。これは、デポ運用の最大の経済リスクが熱保管性能の劣化であることを意味し、ZBO技術への投資が長期運用で必ず回収できる根拠を与えます。前出のMLI層数や冷凍機電力の最適化は、単なる工学的趣味ではなく経済的必然なのです。
まとめ
本記事では、推進剤デポと軌道上補給アーキテクチャを、Tsiolkovskyの式から経済モデルまで通貫して解説しました。
- 質量比の壁: 単段の長距離ミッションは指数関数の制約で実質不可能。軌道上補給は $\Delta v$ の和を質量比の積に分解する唯一の手段。
- 極低温推進剤の物理: LH2は気化潜熱が低く20Kを保つ必要があるため最も難しい。スラッシングと温度成層は微小重力固有の課題で、PMDとTVSが対処。
- Zero Boil-Off: パッシブMLI（30–50層）で熱流入を数Wレベルに抑え、残りをパルス管／逆ブレイトン冷凍機で処理。Carnot効率の制約により1Wの除熱に100W以上の電力。
- 軌道アーキテクチャ: LEO（補給容易・需要大）、GEO（商業）、NRHO（月探査ハブ）、LLO/月面（ISRUと直結）の4候補。総コスト最小点は中間軌道。
- ISRU: 月極域水資源から水電解でLH2/LOX生産。$N_{\mathrm{break}} = I_{\mathrm{ISRU}}/(c_{\mathrm{earth}} – c_{\mathrm{moon}})$ で初期投資の回収可能性が定量化される。
- 既存研究と商業: NASA Pathfinder, CRYOTE, RRM3で要素技術が実証され、Orbit Fab “Tenzing”、Astroscaleが商業化を進める。
Pythonでの数値シミュレーションは、ボイルオフ累積、MLI層数効果、ミッション需要累積、デポ配置トレードスタディ、運用スケジュール、ボイルオフ感度の6つを通じて、デポが工学・経済・運用の全層で最適化を要する複合システムであることを示しました。
次のステップとして、以下の記事も参考にしてください。