JP2017087716A - Prediction method for concrete quality or concrete blending condition - Google Patents

Prediction method for concrete quality or concrete blending condition Download PDF

Info

Publication number
JP2017087716A
JP2017087716A JP2016179741A JP2016179741A JP2017087716A JP 2017087716 A JP2017087716 A JP 2017087716A JP 2016179741 A JP2016179741 A JP 2016179741A JP 2016179741 A JP2016179741 A JP 2016179741A JP 2017087716 A JP2017087716 A JP 2017087716A
Authority
JP
Japan
Prior art keywords
data
concrete
value
learning
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2016179741A
Other languages
Japanese (ja)
Other versions
JP6674356B2 (en
Inventor
諒一 末松
Ryoichi Suematsu
諒一 末松
大亮 黒川
Daisuke Kurokawa
大亮 黒川
宙 平尾
Hiroshi Hirao
宙 平尾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiheiyo Cement Corp
Original Assignee
Taiheiyo Cement Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taiheiyo Cement Corp filed Critical Taiheiyo Cement Corp
Publication of JP2017087716A publication Critical patent/JP2017087716A/en
Application granted granted Critical
Publication of JP6674356B2 publication Critical patent/JP6674356B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)

Abstract

PROBLEM TO BE SOLVED: To provide a method capable of predicting concrete quality or a concrete blending condition in a short time at high accuracy.SOLUTION: A prediction method for cement quality or production condition comprises: performing learning of a neural network with sufficiently large number of times of learning such as σ<σusing the neural network having the input and output layers, learning data and monitor data; repeating learning of the neural network until σ≥σwhile reducing the number of learning times; inputting the measured value of a monitoring data to the input layer of the neural network and outputting the speculation value of an estimate data from the output layer if that measured value belongs within a numerical range formed by a specific limited condition when an analytical degree determination value does not satisfy a first set value and when the above determination value satisfy a previously-set second set value.SELECTED DRAWING: Figure 1

Description

本発明は、ニューラルネットワークを用いたコンクリートの品質またはコンクリートの配合条件の予測方法に関する。   The present invention relates to a method for predicting concrete quality or concrete mixing conditions using a neural network.

コンクリートの、流動性等のフレッシュ性状、圧縮強度、または種々の耐久性等の各種品質に、コンクリートの主要材料であるセメントの品質の影響が大きいことは常識である。しかし、その相互の品質間の詳細な関係については不明なところが多く、セメントの品質からコンクリートの品質を予測する技術は未だ確立されていない。
さらに、コンクリートの品質には、セメント以外のコンクリートの材料の品質や、コンクリートの配合や、コンクリートの施工方法や、コンクリートの供用環境及び供用期間等、多くの因子が影響することも周知である。
このように、多くの因子が影響するため、コンクリートの品質を予測することは困難である。そのため、コンクリートの品質管理は、現場試験や、供試体試験等の事後管理が一般的である。また、これまでに提案されている品質の推定方法も、製造後のコンクリートの品質から推定する事後的な方法である。
It is common knowledge that the quality of cement, which is the main material of concrete, has a great influence on the quality of concrete, such as its fresh properties such as fluidity, compressive strength, and various durability. However, there are many unclear points about the detailed relationship between the mutual qualities, and a technique for predicting the quality of concrete from the quality of cement has not yet been established.
Furthermore, it is well known that many factors affect the quality of concrete, such as the quality of concrete materials other than cement, the blending of concrete, the concrete construction method, the service environment and the service period of the concrete.
Thus, it is difficult to predict the quality of concrete because many factors influence it. For this reason, post-management such as on-site testing and specimen testing is common for quality control of concrete. Moreover, the quality estimation methods proposed so far are also post-mortem methods for estimating from the quality of concrete after production.

例えば、特許文献1には、普通コンクリートの性状を推定するコンクリートの性状の推定方法であって、前記普通コンクリートのフレッシュコンクリートをコンクリートポンプのホッパに投入し、前記ホッパ内のフレッシュコンクリートを攪拌する攪拌用の羽根の回転に関する負荷値及び前記羽根の回転数に基づいて、前記普通コンクリートのフレッシュ性状を推定することを特徴とするコンクリートの性状の推定方法が記載されている。
また、特許文献2には、コンクリートの強度とコンクリートの微視的構造に関する指標との関係を得る工程と、躯体を形成する躯体コンクリートの原位置での強度を推定する工程と、前記関係と前記躯体コンクリートの原位置での強度とに基づいて、前記躯体コンクリートの微視的構造に関する指標を算出する工程と、前記躯体コンクリートの微視的構造に関する指標に基づいて、前記躯体コンクリートの耐久性を推定する工程と、を含むことを特徴とするコンクリートの耐久性の推定方法が記載されている。
For example, Patent Literature 1 discloses a concrete property estimation method for estimating the properties of ordinary concrete, in which the fresh concrete concrete is put into a hopper of a concrete pump and the fresh concrete in the hopper is stirred. The concrete property estimation method is characterized in that the fresh property of the ordinary concrete is estimated on the basis of the load value related to the rotation of the blade and the rotation number of the blade.
Patent Document 2 includes a step of obtaining a relationship between the strength of concrete and an index related to the microscopic structure of the concrete, a step of estimating the strength at the original position of the frame concrete forming the frame, and the relationship and the above Based on the strength of the concrete in-situ, the step of calculating an index related to the microscopic structure of the frame concrete, and the durability of the frame concrete based on the index related to the microscopic structure of the frame concrete. A method for estimating the durability of concrete, characterized in that it includes an estimating step.

さらに、ニューラルネットワークとコンクリート施工後に関連する因子を用いたコンクリートの品質の予測方法として、特許文献3には、コンクリート構造物の、鉄筋のかぶり、中性化深さ、鉄筋位置の全塩化物量、コンクリート表面のひび割れ、浮きの有無、一般に公開されている気象情報のうち構造物が設置されている地域の年平均気温、年平均湿度、年間降水量などと、調査により露出した鉄筋の観察により得られる鉄筋の腐食程度を使用して構築されたニューラルネットワークにより、コンクリート中の鉄筋の腐食の進行を予測する方法が記載されている。
なお、ニューラルネットワークとは、学習によって最適化を行っていく情報処理システムであり、学習を深化させることで、より高度で、複雑で、適応性のある情報処理を可能とすることができる。
Furthermore, as a method for predicting the quality of concrete using factors related to neural network and concrete construction, Patent Document 3 describes the covering of concrete structures, the depth of neutralization, the total chloride content at the position of the reinforcing bars, It is obtained by observing the steel bars exposed by the survey, such as cracks on the concrete surface, presence or absence of floating, annual average temperature, annual average humidity, annual precipitation, etc. of the area where structures are installed among publicly available weather information. A method for predicting the progress of corrosion of reinforcing bars in concrete by a neural network constructed using the degree of corrosion of the reinforcing bars is described.
A neural network is an information processing system that performs optimization through learning. By deepening learning, it is possible to perform more advanced, complex, and adaptive information processing.

特開2010−249742号公報JP 2010-249742 A 特開2015−10918号公報Japanese Patent Laying-Open No. 2015-10918 特開平10−21211号公報Japanese Patent Laid-Open No. 10-21211

特許文献1〜3に記載された方法は、製造したコンクリートを用いて事後的にコンクリートの品質を予測する方法であり、予測作業に期待される予防の効果、すなわち、コンクリートを製造する前にコンクリートの品質を予測して、必要な補正を明確にすることで、不適切なコンクリートが製造されることを予防し、適切な品質のコンクリートを製造することができるという効果を得ることができなかった。
本発明の目的は、データの数が少なくても、コンクリートを製造する前に、短時間でかつ高い精度でコンクリートの品質またはコンクリートの配合条件(計画された所定の品質を有するコンクリートを得るために決定される、コンクリートの材料の選択と使用量)を予測することができる方法を提供することである。
The methods described in Patent Documents 1 to 3 are methods for predicting the quality of concrete afterwards using the manufactured concrete, and the preventive effect expected in the prediction work, that is, the concrete before the concrete is manufactured. By predicting the quality of the product and clarifying the necessary corrections, it was not possible to prevent the production of improper concrete and to produce the concrete of suitable quality. .
The object of the present invention is to obtain a concrete quality or a concrete blending condition (concrete having a predetermined planned quality) in a short time and with high accuracy before producing concrete even if the number of data is small. It is to provide a method that can predict the selection and usage of concrete materials.

本発明者らは、上記課題を解決するために鋭意検討した結果、ニューラルネットワークを用いたコンクリートの品質またはコンクリートの配合条件の予測方法であって、学習データとモニターデータを用いて、σ<σ(この式の意味は後で説明する。)となるような、十分に大きい学習回数でニューラルネットワークの学習を行った後に、今度は、学習回数を減らしながらニューラルネットワークの学習をσ≧σとなるまで繰り返し、かつ、解析度判定値が第一の設定値未満である場合、ニューラルネットワークの学習を終了し、ニューラルネットワークの入力層に監視データの実測値を入力し、出力層から評価データの推測値を出力し、解析度判定値が第一の設定値以上でありかつ第二の設定値未満である場合、ニューラルネットワークの入力層に特定の監視データの実測値を入力し、出力層から評価データの推測値を出力する方法によれば、上記目的を達成しうることを見出し、本発明を完成した。 As a result of intensive studies to solve the above problems, the inventors of the present invention are methods for predicting concrete quality or concrete mixing conditions using a neural network, and using learning data and monitor data, σ L < sigma M (the meaning of this expression will be described later.) become as, after the learning of the neural network in a sufficiently large number of times of learning, in turn, sigma L ≧ learning neural network while reducing the number of times of learning When it is repeated until σ M and the analytical determination value is less than the first set value, the learning of the neural network is finished, the actual value of the monitoring data is input to the input layer of the neural network, and the output layer When the estimated value of the evaluation data is output and the analytical determination value is greater than or equal to the first set value and less than the second set value, the neural network Enter the measured value of the specific monitoring data to the input layer of the workpiece, according to the method of outputting the estimated value of the evaluation data from the output layer, it found that can achieve the above object, the present invention has been completed.

すなわち、本発明は、以下の[1]〜[7]を提供するものである。
[1] 入力層及び出力層を有するニューラルネットワークを用いたコンクリートの品質またはコンクリートの配合条件の予測方法であって、上記入力層は、コンクリート製造における監視データの実測値を入力するためのものであり、上記出力層は、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力するためのものであり、上記監視データと上記評価データの組み合わせが、
(i)上記監視データが、セメントに関するデータ、セメントの物理特性に関するデータ、セメント以外のコンクリートの材料に関するデータ、及びコンクリートの配合に関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、コンクリートの品質に関するデータである組み合わせ、または、
(ii)上記監視データが、セメントに関するデータ、セメントの物理特性に関するデータ、セメント以外のコンクリートの材料に関するデータ、コンクリートの配合に関するデータ、及びコンクリートの品質に関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、コンクリートの配合条件に関するデータである組み合わせ、であり、
(A)学習回数の初期設定を行う工程と、
(B)監視データの実測値と評価データの実測値の組み合わせである学習データを複数用いて、ニューラルネットワークの学習を、前工程で設定された学習回数行う工程と、
(C)学習データの監視データの実測値を、直近の工程(B)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σ)、及び、ニューラルネットワークの学習結果の信頼性を確認するための監視データの実測値と評価データの実測値の組み合わせであるモニターデータの中の監視データの実測値を、直近の工程(B)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均2乗誤差(σ)を算出し、算出されたσとσの関係がσ≧σである場合、工程(D)を実施し、算出されたσとσの関係がσ<σである場合、工程(E)を実施する工程と、
(D)直近の工程(A)で設定された学習回数および再設定された直近のニューラルネットワークの学習回数のいずれの学習回数よりも大きい学習回数を新たな学習回数として再設定し、再度工程(B)〜(C)を実施する工程と、
(E)直近のニューラルネットワークの学習で実施された学習回数を減らした学習回数を、新たな学習回数として再設定する工程と、
(F)直近の工程(B)で用いられた学習データを用いて、ニューラルネットワークの学習を直近の工程(E)で設定された学習回数行う工程と、
(G)学習データの監視データの実測値を、直近の工程(F)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σ)、及び、モニターデータの中の監視データの実測値を、直近の工程(F)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均2乗誤差(σ)を算出し、算出されたσとσの関係がσ≧σである場合、工程(I)を実施し、算出されたσとσの関係がσ<σである場合、工程(H)を実施する工程と、
(H)直近の工程(F)におけるニューラルネットワークの学習回数が予め定めた数値を超えている場合、再度工程(E)〜(G)を実施し、直近の工程(F)におけるニューラルネットワークの学習回数が予め定めた数値以下の場合、工程(J)を実施する工程と、
(I)下記式(1)を用いて解析度判定値を算出し、該解析度判定値が予め定めた第一の設定値未満である場合、ニューラルネットワークの学習を終了し、学習済みのニューラルネットワークの入力層に、コンクリート製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力してコンクリートの品質またはコンクリートの配合条件を予測し、上記解析度判定値が予め定めた第一の設定値以上である場合、工程(J)を実施する工程と、
(J)工程(A)を実施した回数の大きさについての判定を行い、該回数が予め設定した回数以下である場合、学習条件の初期化を行って、再度工程(A)〜(I)を行い、該回数が予め設定した回数を超える場合、工程(K)を実施する工程と、
(K)工程(I)において算出した全ての解析度判定値のうち、最も小さい解析度判定値が予め定めた第二の設定値未満である場合、最も小さい解析度判定値を得ることができた工程(I)におけるニューラルネットワークを、学習済みのニューラルネットワークとした後、工程(L)を実施し、最も小さい解析度判定値が予め定めた第二の設定値以上である場合、コンクリートの品質またはコンクリートの配合条件を予測することはできないと判断して予測を終了する工程と、
(L)工程(I)において算出した全ての解析度判定値のうち、最も小さい解析度判定値を得ることができた工程(I)において、学習データとして使用した監視データの実測値と評価データの実測値の組み合わせについて無相関検定を行い、5%の有意水準で有意であると判断された監視データの種類が2種以上である場合、5%の有意水準で有意であると判断された監視データの全種類を座標軸とする座標空間に学習データとして使用した監視データの実測値をプロットし、座標空間において、プロットされた監視データ同士を結ぶことで形成される監視データの全てを包含する領域であって、該領域が最大となるように監視データ同士を結ぶことで形成される領域を、予測可能監視データ領域として設定した後、工程(M)を実施し、5%の有意水準で有意であると判断された監視データが0または1種類である場合、コンクリートの品質またはコンクリートの配合条件を予測することはできないと判断して予測を終了する工程と、
(M)コンクリート製造における監視データの実測値が、上記予測可能監視データ領域に含まれるかどうかを判定し、コンクリート製造における監視データの実測値が、上記予測可能監視データ領域に含まれる場合、工程(K)で得た学習済みのニューラルネットワークの入力層に、コンクリート製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力してコンクリートの品質またはコンクリートの配合条件を予測し、コンクリート製造における監視データの実測値が、上記予測可能監視データ領域に含まれない場合、コンクリートの品質またはコンクリートの配合条件を予測することはできないと判断して予測を終了する工程と、を含むことを特徴とするコンクリートの品質またはコンクリートの配合条件の予測方法。

Figure 2017087716
(上記式(1)中、学習データの平均2乗誤差(σ)とは、学習データの監視データの実測値を学習後のニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σ)である。評価データの推測値の平均値とは、学習データの監視データの実測値を学習後のニューラルネットワークの入力層に入力して得られた評価データの推測値の平均値である。) That is, the present invention provides the following [1] to [7].
[1] A method for predicting the quality of concrete or concrete mixing conditions using a neural network having an input layer and an output layer, wherein the input layer is used for inputting measured values of monitoring data in concrete production. Yes, the output layer is for outputting an estimated value of the evaluation data related to the evaluation of the quality of the concrete or the mixing condition of the concrete, and the combination of the monitoring data and the evaluation data is
(I) The monitoring data is one or more types of data selected from data on cement, data on physical properties of cement, data on materials of concrete other than cement, and data on blending of concrete, and the evaluation A combination where the data is data about the quality of concrete, or
(Ii) The monitoring data is one or more kinds of data selected from data on cement, data on physical properties of cement, data on materials of concrete other than cement, data on blending of concrete, and data on quality of concrete. And the evaluation data is a combination of data relating to the mixing conditions of concrete,
(A) a step of initializing the number of learning times;
(B) using a plurality of learning data that is a combination of the actual measurement value of the monitoring data and the actual measurement value of the evaluation data, and performing learning of the neural network by the number of learning times set in the previous step;
(C) The estimated value of the evaluation data obtained by inputting the actual measurement value of the monitoring data of the learning data to the input layer of the neural network obtained by the learning of the latest step (B) and the actual measurement of the evaluation data of the learning data Of the monitoring data in the monitor data, which is a combination of the measured value of the monitoring data and the evaluation value of the evaluation data for confirming the reliability of the mean square error (σ L ) with the value and the learning result of the neural network Mean square error between the estimated value of the evaluation data obtained by inputting the actual measurement value to the input layer of the neural network obtained by learning in the most recent step (B) and the actual measurement value of the evaluation data in the monitor data (Σ M ) is calculated, and when the calculated relationship between σ L and σ M is σ L ≧ σ M , the step (D) is performed, and the calculated relationship between σ L and σ M is σ L < If σ M , perform step (E) And a process of
(D) A learning number larger than any of the learning number set in the most recent step (A) and the reset number of learning times of the latest neural network is reset as a new learning number, and the step ( Carrying out B) to (C);
(E) resetting the number of learnings obtained by reducing the number of learnings performed in learning of the latest neural network as a new number of learnings;
(F) using the learning data used in the most recent step (B), learning the neural network for the number of times set in the most recent step (E);
(G) An actual value of the monitoring data of the learning data is input to the input layer of the neural network obtained by learning in the latest step (F), and an estimated value of the evaluation data obtained and the actual measurement of the evaluation data of the learning data Obtained by inputting the mean square error (σ L ) with the measured value and the measured value of the monitoring data in the monitoring data to the input layer of the neural network obtained by the learning of the most recent step (F). When the mean square error (σ M ) between the estimated value of the evaluation data and the actually measured value of the evaluation data in the monitor data is calculated, and the relationship between the calculated σ L and σ M is σ L ≧ σ M , Performing step (I), and if the calculated relationship between σ L and σ M is σ LM ,
(H) If the number of learning times of the neural network in the latest step (F) exceeds a predetermined numerical value, the steps (E) to (G) are performed again, and the learning of the neural network in the latest step (F) is performed. A step of performing step (J) when the number of times is equal to or less than a predetermined value;
(I) The analytical value determination value is calculated using the following equation (1), and when the analytical value determination value is less than a predetermined first set value, the learning of the neural network is terminated, and the learned neural network The actual value of monitoring data in concrete production is input to the input layer of the network, and the estimated value of the evaluation data related to the evaluation of the quality of the concrete or the mixing condition of the concrete is output from the output layer of the neural network. Predicting the quality of the material or the mixing condition of the concrete, and the analysis degree determination value is equal to or higher than a predetermined first set value, the step of performing the step (J),
(J) A determination is made as to the number of times the step (A) has been performed. If the number is less than or equal to a preset number, the learning conditions are initialized and the steps (A) to (I) are performed again. Performing the step (K) when the number of times exceeds a preset number of times, and
(K) Of all the analytical determination values calculated in step (I), when the smallest analytical determination value is less than a predetermined second set value, the smallest analytical determination value can be obtained. If the neural network in step (I) is a learned neural network, then step (L) is performed, and if the smallest analytical determination value is greater than or equal to a predetermined second set value, the quality of the concrete Or the process of determining that the blending condition of concrete cannot be predicted and terminating the prediction,
(L) The actual measurement value and evaluation data of the monitoring data used as learning data in the step (I) in which the smallest analysis degree determination value can be obtained among all the analysis degree determination values calculated in the step (I). An uncorrelated test was performed on the combination of measured values of, and when there were two or more types of monitoring data judged to be significant at the 5% significance level, it was judged to be significant at the 5% significance level. Plot actual values of monitoring data used as learning data in a coordinate space with all types of monitoring data as coordinate axes, and include all of the monitoring data formed by connecting the plotted monitoring data in the coordinate space After setting an area formed by connecting the monitoring data so that the area is maximized as a predictable monitoring data area, the process (M) is performed, % If monitoring data is determined to be significant at a significance level of 0 or 1 kind, the step of terminating the prediction is determined that it is impossible to predict the blending conditions of the concrete quality or concrete,
(M) It is determined whether or not an actual measurement value of monitoring data in concrete production is included in the predictable monitoring data area, and an actual measurement value of monitoring data in concrete production is included in the predictable monitoring data area, The actual value of the monitoring data in concrete production is input to the input layer of the learned neural network obtained in (K), and it is related to the evaluation of the concrete quality or the concrete mixing condition from the output layer of the neural network. If the estimated value of the evaluation data is output to predict the concrete quality or the concrete mixing condition, and the actual value of the monitoring data in concrete production is not included in the predictable monitoring data area, the quality of the concrete or the concrete mixing Judging that the condition cannot be predicted Prediction method of blending conditions of quality or concrete of the concrete, which comprises a step, the to end.
Figure 2017087716
(In the above equation (1), the mean square error (σ L ) of the learning data is an estimation of the evaluation data obtained by inputting the measured value of the monitoring data of the learning data to the input layer of the neural network after learning. The mean square error (σ L ) between the value and the actual measurement value of the evaluation data of the learning data The average value of the estimated value of the evaluation data is the input of the neural network after learning the actual measurement value of the monitoring data of the learning data (This is the average estimated value of the evaluation data obtained by entering the layer.)

[2] 上記解析度判定値の予め定めた第一の設定値が6%以下であり、上記解析度判定値の予め定めた第二の設定値が上記第一の設定値よりも大きくかつ20%以下である請求項1に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
[3] 上記ニューラルネットワークが、上記入力層と上記出力層の間に中間層を有する階層型のニューラルネットワークである前記[1]または[2]に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
[4] 上記監視データの値を人為的に変動させて得られた上記評価データの推測値に基づいて、コンクリートの製造条件を最適化する前記[1]〜[3]のいずれかに記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
[5] 上記監視データと上記評価データの組み合わせが、上記(i)の組み合わせであり、かつ、該組み合わせにおける評価データが、強度、スランプ、またはスランプフローである前記[1]〜[4]のいずれかに記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
[6] 上記(i)の組み合わせにおける監視データが、セメントのブレーン比表面積、ふるい試験残分量、色調a値、色調L値、セメントの鉱物組成、セメントの化学組成、モルタルフロー、混和剤量、及び単位水量の中から選ばれる一種以上である前記[5]に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
[7] 工程(A)の前に、(A−1)任意に選択した1種以上の監視データからなる監視データ集合体を、2種以上用意し、該2種以上の監視データ集合体の各々について、監視データの実測値と評価データの実測値の組み合わせである選択データを複数用いて、工程(A)〜(M)において用いられるニューラルネットワークとは異なる未学習のニューラルネットワークの学習を行い、得られたニューラルネットワークの入力層に、選択データの監視データの実測値を入力して得られた評価データの推測値と、選択データの評価データの実測値との平均2乗誤差を算出し、平均2乗誤差の数値が最も小さかった選択データにおける監視データを、工程(A)〜(M)における監視データとして用いる工程、を含む前記[1]〜[6]のいずれかに記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
[2] The predetermined first set value of the analytic degree determination value is 6% or less, and the predetermined second set value of the analytical degree determination value is larger than the first set value and 20 The method for predicting the quality of concrete or the mixing condition of concrete according to claim 1, which is not more than%.
[3] Prediction of concrete quality or concrete mixing condition according to [1] or [2], wherein the neural network is a hierarchical neural network having an intermediate layer between the input layer and the output layer. Method.
[4] The method according to any one of [1] to [3], wherein the concrete production conditions are optimized based on the estimated value of the evaluation data obtained by artificially changing the value of the monitoring data. A method of predicting concrete quality or concrete mix conditions.
[5] The combination of the monitoring data and the evaluation data is the combination of (i), and the evaluation data in the combination is intensity, slump, or slump flow. A method for predicting the quality of concrete or the mixing condition of concrete according to any one of the above.
[6] The monitoring data in the combination of (i) described above are cement brane specific surface area, sieve test residual amount, color tone a value, color tone L value, cement mineral composition, cement chemical composition, mortar flow, admixture amount, And the method for predicting the quality of concrete or the mixing condition of the concrete according to [5], which is at least one selected from unit water amounts.
[7] Before the step (A), (A-1) two or more types of monitoring data aggregates including one or more types of arbitrarily selected monitoring data are prepared, and the two or more types of monitoring data aggregates are prepared. For each, learning is performed for an unlearned neural network that is different from the neural network used in steps (A) to (M) by using a plurality of selection data that is a combination of the actual measurement value of the monitoring data and the actual measurement value of the evaluation data. The mean square error between the estimated value of the evaluation data obtained by inputting the actual value of the monitoring data of the selected data and the actual value of the evaluation data of the selected data is calculated in the input layer of the obtained neural network. Any of the above [1] to [6], including the step of using the monitoring data in the selection data having the smallest mean square error as the monitoring data in the steps (A) to (M) A method for predicting the quality of concrete or the mixing conditions of concrete described in any of them.

本発明のコンクリートの品質またはコンクリートの配合条件の予測方法を用いれば、データの数が少なくても、コンクリートを製造する前に、短時間でかつ高い精度でコンクリートの品質またはコンクリートの配合条件を予測することができる。
また、得られた推測値を基にリアルタイムでコンクリートの品質またはコンクリートの配合条件を最適化することが可能であり、コンクリートの品質の安定化の向上を図ることができる。
さらに、ニューラルネットワークの学習を継続することによって、高い予測の精度を維持することができる。
Using the method for predicting concrete quality or concrete blending conditions of the present invention, even if the number of data is small, the concrete quality or concrete blending conditions can be predicted with high accuracy in a short time before producing concrete. can do.
Further, it is possible to optimize the quality of concrete or the mixing condition of concrete in real time based on the obtained estimated value, and it is possible to improve the stabilization of the quality of concrete.
Furthermore, high prediction accuracy can be maintained by continuing learning of the neural network.

本発明の予測方法の一例を示すフロー図である。It is a flowchart which shows an example of the prediction method of this invention. 工程(L)において設定された予測可能監視データ領域を示す図である。It is a figure which shows the predictable monitoring data area | region set in the process (L).

以下、本発明について詳細に説明する。
本発明の予測方法は、コンクリートの製造における監視データの実測値を入力するための入力層と、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力するための出力層を有するニューラルネットワークを用いて、コンクリートの品質またはコンクリートの配合条件を予測する方法である。
本発明のニューラルネットワークは、入力層と出力層の間に中間層を有する階層型のニューラルネットワークであってもよい。
Hereinafter, the present invention will be described in detail.
The prediction method of the present invention includes an input layer for inputting an actual measurement value of monitoring data in the production of concrete, and an output layer for outputting an estimated value of evaluation data related to the evaluation of the quality of concrete or the mixing condition of concrete. Is used to predict the quality of concrete or the mixing condition of concrete.
The neural network of the present invention may be a hierarchical neural network having an intermediate layer between an input layer and an output layer.

上記監視データと上記評価データの組み合わせとしては、以下の(i)または(ii)が挙げられる。
(i)上記監視データが、セメントに関するデータ、セメントの物理特性に関するデータ、セメント以外のコンクリートの材料に関するデータ、及びコンクリートの配合に関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、コンクリートの品質に関するデータである組み合わせ、または、
(ii)上記監視データが、セメントに関するデータ、セメントの物理特性に関するデータ、セメント以外のコンクリートの材料に関するデータ、コンクリートの配合に関するデータ、及びコンクリートの品質に関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、コンクリートの配合条件に関するデータである組み合わせ
The following (i) or (ii) is mentioned as a combination of the monitoring data and the evaluation data.
(I) The monitoring data is one or more types of data selected from data on cement, data on physical properties of cement, data on materials of concrete other than cement, and data on blending of concrete, and the evaluation A combination where the data is data about the quality of concrete, or
(Ii) The monitoring data is one or more kinds of data selected from data on cement, data on physical properties of cement, data on materials of concrete other than cement, data on blending of concrete, and data on quality of concrete. Yes, and the above-mentioned evaluation data is data related to the mixing conditions of concrete

前記(i)の組み合わせにおける監視データの一つである「セメントに関するデータ」としては、セメントの化学組成、セメントの鉱物組成、各鉱物の鉱物学的性質及び結晶学的性質、湿式f.CaO、強熱減量、ブレーン比表面積、粒度分布、ふるい試験残分量、石膏の半水化率、色調等が挙げられる。
また、セメントに含まれるセメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、及びセメントクリンカーに関するデータも、セメントに関するデータとして使用することができる。
“Data related to cement” which is one of the monitoring data in the combination of (i) includes chemical composition of cement, mineral composition of cement, mineralogy and crystallographic properties of each mineral, wet f. Examples include CaO, loss on ignition, specific surface area of branes, particle size distribution, sieve test residue, gypsum hemihydrate, color tone, and the like.
In addition, data on raw materials of cement clinker contained in cement, data on firing conditions of cement clinker, data on grinding conditions of cement, and data on cement clinker can also be used as data on cement.

ここで、セメントの化学組成としては、セメント原料中のSiO、Al、Fe、CaO、MgO、SO、NaO、KO、NaOeq(全アルカリ)、TiO、P、MnO、Cl、Cr、Zn、Pb、Cu、Ni、V、As、Zr、Mo、Sr、Ba、F等の含有率が挙げられる。
これらは、「JIS R 5202(セメントの化学分析方法)」や「JIS R 5204(セメントの蛍光X線分析方法)」等の化学組成分析方法によって得ることができる。
Here, as the chemical composition of the cement, SiO 2 , Al 2 O 3 , Fe 2 O 3 , CaO, MgO, SO 3 , Na 2 O, K 2 O, Na 2 Oeq (total alkali) in the cement raw material, Examples include TiO 2 , P 2 O 5 , MnO, Cl, Cr, Zn, Pb, Cu, Ni, V, As, Zr, Mo, Sr, Ba, and F.
These can be obtained by chemical composition analysis methods such as “JIS R 5202 (chemical analysis method for cement)” and “JIS R 5204 (fluorescence X-ray analysis method for cement)”.

セメントの鉱物組成としては、3CaO・SiO(CS)、2CaO・SiO(CS)、3CaO・Al(CA)、4CaO・Al・Fe(CAF)、フリーライム、ペリクレース、二水石膏、半水石膏、無水石膏、石灰石粉、高炉スラグ、製鋼スラグ、フライアッシュ、天然ポゾラン、シリカフューム、珪石粉等のセメントクリンカー鉱物、石膏類、「JIS R 5210(ポルトランドセメント)」に記載されている少量混合成分、セメント混合材等の含有率が挙げられる。
これらは、光学顕微鏡や走査型電子顕微鏡の観察像を用いた測定;「JIS K 0131(X線回折分析通則)」に記載された各種鉱物組成定量方法を用いた分析;「JIS K 0129(熱分析通則)」に記載された各種熱分析法を用いた分析;ボーグの方法等による化学組成分値をもちいた推測;セメント色調等の化学組成以外のセメントの特性値を用いた推測;セメント製造工程での計量等の方法によって得ることができる。
As the mineral composition of the cement, 3CaO · SiO 2 (C 3 S), 2CaO · SiO 2 (C 2 S), 3CaO · Al 2 O 3 (C 3 A), 4CaO · Al 2 O 3 · Fe 2 O 3 (C 4 AF), free lime, periclase, dihydrated gypsum, hemihydrate gypsum, anhydrous gypsum, limestone powder, blast furnace slag, steelmaking slag, fly ash, natural pozzolana, silica fume, quartz clinker minerals such as silica powder, gypsum, The content rate of the small amount mixing component described in "JISR5210 (Portland cement)", a cement mixing material, etc. is mentioned.
These are measurements using observation images of an optical microscope and a scanning electron microscope; analysis using various mineral composition quantification methods described in “JIS K 0131 (general rules for X-ray diffraction analysis)”; “JIS K 0129 (heat Analysis using various thermal analysis methods described in "General Rules for Analysis"; Estimation using chemical composition values by Borg's method, etc .; Estimation using characteristic values of cement other than chemical composition such as cement tone; Cement production It can be obtained by a method such as weighing in the process.

各鉱物の鉱物学的性質及び結晶学的性質とは、各鉱物のテクスチャー(組織)、大きさ、色、複屈折等の光学特性、格子定数、結晶子径、格子ひずみ等の評価値、測定値または計算値である。
これらは、光学顕微鏡法、各種電子顕微鏡法または粉末X線回折法等によって得ることができる。
The mineralogy and crystallographic properties of each mineral are the texture (structure), size, color, birefringence and other optical properties, lattice constants, crystallite diameter, lattice strain, and other evaluation values and measurements of each mineral. Value or calculated value.
These can be obtained by optical microscopy, various electron microscopy, powder X-ray diffraction, or the like.

強熱減量は、「JIS R 5202(セメントの化学分析方法)」に記載された強熱減量の定量方法等による、湿分や石灰石の熱分解による乖離二酸化炭素等の揮発性成分の質量の測定値である。
ブレーン比表面積、粒度分布、及びふるい試験残分量は、「JIS R 5201(セメントの物理試験方法)」の比表面積試験または網ふるい試験による試験値、または、「JIS Z 8815(ふるい分け試験方法通則)」の方法によって得られる試験値若しくはレーザー回折・散乱法によって得られる粒度分布測定値である。
色調(色調L値、色調a値、色調b値)は、「JIS Z 8722(色の測定方法−反射及び透過物体色)」の方法等による測定値である。
The ignition loss is measured by measuring the mass of volatile components such as dissociated carbon dioxide due to thermal decomposition of moisture and limestone by the method for determining ignition loss described in "JIS R 5202 (Chemical chemical analysis method)". Value.
The specific surface area of the brain, the particle size distribution, and the residual amount of the sieving test are the values measured by the specific surface area test or the net sieving test of “JIS R 5201 (cement physical test method)” or “JIS Z 8815 (general rule of sieving test method)”. Or a particle size distribution measurement value obtained by the laser diffraction / scattering method.
The color tone (color tone L value, color tone a value, color tone b value) is a value measured by the method of “JIS Z 8722 (color measurement method—reflection and transmission object color)” or the like.

「セメントクリンカーの原料に関するデータ」とは、セメントクリンカーの調合原料の化学組成、水硬率、ふるい試験残分量、ブレーン比表面積(粉末度)、強熱減量、キルンへの投入時から所定の時間前の時点(例えば、5時間前の1つの時点や、3時間前、4時間前、5時間前、及び6時間前の4つの時点のような複数の時点)のセメントクリンカーの原料(搬送中に向流する空気流によって微粒分等が抜き取られたセメントクリンカーの調合原料。以後、セメントクリンカーの窯入原料と称す。)の化学組成、水硬率、供給量、廃棄物のような特殊な原料からなるセメントクリンカーの副原料の供給量、調合原料のブレンディングサイロの貯留量(残量)、調合原料のストレージサイロの貯留量(残量)、原料ミルと調合原料のブレンディングサイロの間に位置するサイクロンの電流値(サイクロンの回転数を表し、サイクロンを通過する原料の速度と相関関係があるもの)、セメントクリンカーの窯入原料と副原料を混合してなる原料の化学組成、水硬率、ブレーン比表面積、ふるい試験残分量、脱炭酸率、水分量等が挙げられる。
ここで、セメントクリンカーの原料(調合原料または窯入原料)の化学組成とは、セメントクリンカーの原料中のSiO、Al、Fe、CaO、MgO、SO、NaO、KO、NaOeq(全アルカリ)、TiO、P、MnO、Cl、Cr、Zn、Pb、Cu、Ni、V、As、Zr、Mo、Sr、Ba、F等の含有率である。
“Data on raw materials of cement clinker” means chemical composition of cement clinker raw material, hydraulic modulus, residual amount of sieving test, specific surface area of brane (fineness), loss of ignition, predetermined time from the time of input to kiln Cement clinker raw material (in transit, such as one time point before 5 hours, or multiple time points such as 1 time point before 3 hours, 4 hours ago, 5 hours ago, and 6 hours ago) The chemical composition, hydraulic modulus, supply amount, waste, etc. of the cement clinker blended raw material from which fine particles etc. are extracted by the air flow that flows in the counter flow (hereinafter referred to as cement clinker kiln raw material) Auxiliary amount of cement clinker made of raw materials, blended silo storage amount (remaining amount) of compounded raw material, storage amount of compound silo storage silo (remaining amount), raw material mill and blended raw material blend The current value of the cyclone located between the wing silos (representing the number of revolutions of the cyclone and correlating with the speed of the raw material passing through the cyclone), raw material chemistry by mixing the cement clinker kiln raw material and auxiliary raw material The composition, hydraulic modulus, brain specific surface area, sieve test residual amount, decarboxylation rate, moisture content, and the like can be mentioned.
Here, the chemical composition of the raw material of cement clinker (prepared raw material or raw material in kiln) is SiO 2 , Al 2 O 3 , Fe 2 O 3 , CaO, MgO, SO 3 , Na 2 O in the raw material of cement clinker. , K 2 O, Na 2 Oeq (total alkali), TiO 2 , P 2 O 5 , MnO, Cl, Cr, Zn, Pb, Cu, Ni, V, As, Zr, Mo, Sr, Ba, F, etc. It is a content rate.

「セメントクリンカーの焼成条件に関するデータ」としては、セメントクリンカーの原料の挿入量、キルン回転数、落口温度、焼成帯温度、セメントクリンカー温度、キルン平均トルク、O濃度、NO濃度、クリンカークーラー温度、プレヒーターのガスの流量(プレヒーターの温度と相関関係があるもの)等が挙げられる。 “Data on the firing conditions of cement clinker” includes the insertion amount of cement clinker raw material, kiln rotational speed, drop outlet temperature, firing zone temperature, cement clinker temperature, kiln average torque, O 2 concentration, NO X concentration, clinker cooler Temperature, gas flow rate of the preheater (correlation with the temperature of the preheater), and the like.

「セメントの粉砕条件に関するデータ」としては、粉砕温度、仕上ミル内の散水量、セパレーター風量、石膏の種類、石膏の添加量、セメントクリンカーの投入量、仕上ミルの回転数、仕上ミルから排出される粉体の温度、仕上ミルから排出される粉体の量、仕上ミルから排出されない粉体の量等が挙げられる。   “Cement grinding conditions data” includes grinding temperature, amount of water spray in finishing mill, separator air volume, type of gypsum, amount of gypsum added, amount of cement clinker input, number of revolutions of finishing mill, discharged from finishing mill And the amount of powder discharged from the finishing mill, the amount of powder not discharged from the finishing mill, and the like.

「セメントクリンカーに関するデータ」としては、セメントクリンカーの鉱物組成、各鉱物の結晶学的性質(格子定数や結晶子径など)、2種以上の鉱物組成の比、化学組成、湿式f.CaO(フリーライム)、容重等が挙げられる。
ここで、セメントクリンカーの鉱物組成とは、3CaO・SiO(CS)、2CaO・SiO(CS)、3CaO・Al(CA)、4CaO・Al・Fe(CAF)、f.CaO、f.MgO等の含有率である。また「2種以上の鉱物組成の比」としては、例えば、CS/CSの比が挙げられる。
なお、セメントクリンカーの鉱物組成は、例えばXRD−リートベルト法によって得ることができる。
セメントクリンカーの化学組成とは、セメントクリンカー中のSiO、Al、Fe、CaO、MgO、SO、NaO、KO、NaOeq(全アルカリ)、TiO、P、MnO、Cl、Cr、Zn、Pb、Cu、Ni、V、As、Zr、Mo、Sr、Ba、F等の含有率である。
上述した「セメントに関するデータ」は、評価データの予測の精度を高める観点から、2種以上を用いることが好ましい。
“Data on cement clinker” includes cement clinker mineral composition, crystallographic properties of each mineral (such as lattice constant and crystallite diameter), ratio of two or more mineral compositions, chemical composition, wet f. CaO (free lime), weight, etc. are mentioned.
Here, the mineral composition of the cement clinker is 3CaO · SiO 2 (C 3 S), 2CaO · SiO 2 (C 2 S), 3CaO · Al 2 O 3 (C 3 A), 4CaO · Al 2 O 3 · Fe 2 O 3 (C 4 AF), f. CaO, f. The content of MgO or the like. As "the ratio of the two or more mineral composition" includes, for example, the ratio of C 3 S / C 2 S.
The mineral composition of the cement clinker can be obtained by, for example, the XRD-Riet belt method.
The chemical composition of the cement clinker means SiO 2 , Al 2 O 3 , Fe 2 O 3 , CaO, MgO, SO 3 , Na 2 O, K 2 O, Na 2 Oeq (total alkali), TiO 2 in the cement clinker. , P 2 O 5 , MnO, Cl, Cr, Zn, Pb, Cu, Ni, V, As, Zr, Mo, Sr, Ba, F, and the like.
It is preferable to use two or more kinds of the “data regarding cement” described above from the viewpoint of improving the accuracy of prediction of evaluation data.

前記(i)の組み合わせにおける監視データの一つである「セメントの物理特性に関するデータ」としては、セメントの密度、粉末度、凝結時間、安定性、強さ(モルタル圧縮強さ、曲げ強度)、流動性(モルタルフロー値等)、水和熱等が挙げられる。
セメントの密度、粉末度、凝結時間、安定性、強さ(モルタル圧縮強さ、曲げ強度)、流動性としては、「JIS R 5201(セメントの物理試験方法)」に記載の試験方法による測定値や、二重円筒型回転粘度計等による降伏値や、塑性粘度等のレオロジー特性の測定値や、セメントペーストまたはモルタルに関する各種流動性試験の測定値等が挙げられる。
セメントの水和熱としては、「JIS R 5203(セメントの水和熱測定方法(溶解熱方法))」に記載の試験方法による測定値等が挙げられる。
上述した「セメントの物理特性に関するデータ」は、評価データの予測の精度を高める観点から、2種以上を用いることが好ましい。
As "data regarding physical properties of cement" which is one of the monitoring data in the combination of (i), cement density, fineness, setting time, stability, strength (mortar compressive strength, bending strength), Examples thereof include fluidity (such as mortar flow value) and heat of hydration.
Cement density, fineness, setting time, stability, strength (mortar compressive strength, flexural strength), and fluidity are measured values according to the test method described in “JIS R 5201 (Cement physical test method)”. And yield values by a double cylindrical rotational viscometer, measured values of rheological properties such as plastic viscosity, and measured values of various fluidity tests on cement paste or mortar.
Examples of the heat of hydration of cement include measured values by the test method described in “JIS R 5203 (Method of measuring heat of hydration of cement (heat of dissolution method))”.
It is preferable to use two or more kinds of the “data relating to the physical properties of cement” described above from the viewpoint of improving the accuracy of prediction of evaluation data.

前記(i)の組み合わせにおける監視データの一つである「セメント以外のコンクリートの材料に関するデータ」において、コンクリートの材料とは、セメント、骨材、水、及び各種混和材料を示す。
以下に、各コンクリートの材料の詳細を述べる。
セメントとしては、「JIS R 5210(ポルトランドセメント)」、「JIS R 5211(高炉セメント)」、「JIS R 5212(シリカセメント)」、「JIS R 5213(フライアッシュセメント)」、または「JIS R 5214(エコセメント)」の規定に適合するセメント;諸外国の国内規格の規定に適合するセメント;白色セメント等が挙げられる。
In “data on concrete materials other than cement”, which is one of the monitoring data in the combination (i), the concrete material indicates cement, aggregate, water, and various admixtures.
Details of each concrete material will be described below.
Examples of the cement include “JIS R 5210 (Portland cement)”, “JIS R 5211 (blast furnace cement)”, “JIS R 5212 (silica cement)”, “JIS R 5213 (fly ash cement)”, or “JIS R 5214”. (Eco-cement) ”: Cement that conforms to the standards of foreign standards, white cement, etc.

骨材としては、「JIS A 5308(レディーミクストコンクリート)」付属書A、「JIS A 5002(構造用軽量コンクリート骨材)」、「JIS A 5005(コンクリート用砕石及び砕砂)」、「JIS A 5011(コンクリート用スラグ骨材)」等の規定に適合する骨材が挙げられる。
水としては、「JIS A 5308(レディーミクストコンクリート)」付属書Cの規定に適合する水等が挙げられる。
各種混和材料としては、「JIS A 6201(コンクリート用フライアッシュ)」、「JIS A 6202(コンクリート用膨張材)」、「JIS A 6204(コンクリート用化学混和剤)」、「JIS A 6205(鉄筋コンクリート用防せい剤)」、「JIS A 6206(コンクリート用高炉スラグ微粉末)」、「JIS A 5008(舗装用石灰石粉)」、「JIS K 5906(塗料用アルミニウム顔料)」の規定に適合する混和材料等が挙げられる。
上述した「セメント以外のコンクリートの材料に関するデータ」は、評価データの予測の精度を高める観点から、2種以上を用いることが好ましい。
As aggregates, “JIS A 5308 (Ready Mixed Concrete)” Annex A, “JIS A 5002 (Lightweight Concrete Aggregate for Structure)”, “JIS A 5005 (Crumbles and Sand for Concrete)”, “JIS A 5011”. (Concrete slag aggregate) ”and other such aggregates.
Examples of water include water that conforms to the provisions of Appendix C of “JIS A 5308 (Ready Mixed Concrete)”.
As various admixtures, "JIS A 6201 (Fly Ash for Concrete)", "JIS A 6202 (Expanding Concrete)", "JIS A 6204 (Chemical Admixture for Concrete)", "JIS A 6205 (For Reinforced Concrete) Anti-corrosive agent ”,“ JIS A 6206 (Blast furnace slag fine powder for concrete) ”,“ JIS A 5008 (limestone powder for paving) ”,“ JIS K 5906 (aluminum pigment for paint) ” Etc.
It is preferable to use two or more kinds of the above-mentioned “data on concrete materials other than cement” from the viewpoint of improving the accuracy of prediction of evaluation data.

前記(i)の組み合わせにおける監視データの一つである「コンクリートの配合に関するデータ」としては、コンクリートに配合されるセメント、細骨材、粗骨材、水、各種混和剤(AE剤、減水剤、AE減水剤、高性能減水剤、高性能AE減水剤、流動化剤、凝結遅延剤等)、及び各種混和材料等の配合割合(例えば、セメント100質量%に対する混和剤の量(質量%))や、示方配合表の項目である、粗骨材の最大寸法、水セメント比、空気量、細骨材率、単位水量、単位セメント量、単位細骨材量、単位粗骨材量、単位混和剤量、及び単位混和材量等が挙げられる。
粗骨材の最大寸法、水セメント比、空気量、及び細骨材率は、「JIS A 0203(コンクリート用語)」に規定されたものである。
単位水量、単位セメント量、単位細骨材量、単位粗骨材量、単位混和剤量、及び単位混和材量は、「JIS A 0203(コンクリート用語)」の“単位量”の規定に準じたものである。
上述した「コンクリートの配合に関するデータ」は、評価データの予測の精度を高める観点から、2種以上を用いることが好ましい。
“Data concerning the blending of concrete” which is one of the monitoring data in the combination of (i) includes cement, fine aggregate, coarse aggregate, water, various admixtures (AE agent, water reducing agent) blended in concrete. , AE water reducing agent, high performance water reducing agent, high performance AE water reducing agent, fluidizing agent, setting retarder, etc.) and blending ratio of various admixtures (for example, the amount of admixture (mass%) relative to 100 mass% of cement ) And maximum composition of coarse aggregate, water cement ratio, air content, fine aggregate rate, unit water content, unit cement content, unit fine aggregate content, unit coarse aggregate content, unit Examples include admixture amount and unit admixture amount.
The maximum size of the coarse aggregate, the water cement ratio, the amount of air, and the fine aggregate rate are those defined in “JIS A 0203 (concrete term)”.
Unit water amount, unit cement amount, unit fine aggregate amount, unit coarse aggregate amount, unit admixture amount, and unit admixture amount conform to the provisions of “Unit Amount” in “JIS A 0203 (concrete term)” Is.
It is preferable to use 2 or more types of the above-mentioned “data regarding the blending of concrete” from the viewpoint of increasing the accuracy of prediction of evaluation data.

前記(i)の組み合わせにおける監視データとして、セメントに関するデータ、セメントの物理特性に関するデータ、セメント以外のコンクリートの材料に関するデータ、及びコンクリートの配合に関するデータの中から選ばれるいずれか一種のデータのみを用いてもよいが、これら4種のデータのうちの2種以上(複数)のデータを用いることが、評価データの予測の精度を高める観点から好ましい。   As the monitoring data in the combination (i), only one kind of data selected from data on cement, data on physical properties of cement, data on materials of concrete other than cement, and data on blending of concrete is used. However, it is preferable to use two or more (plural) of these four types of data from the viewpoint of improving the accuracy of prediction of evaluation data.

前記(i)の組み合わせにおける評価データである「コンクリートの品質に関するデータ」としては、強度(コンクリートの圧縮強度や曲げ強度、モルタル圧縮強さやモルタル曲げ強さ等)、スランプ、スランプフロー、空気量、塩化物含有量、ひび割れ抵抗性、動弾性係数、動せん断弾性係数、動ポアソン比、硬化体空隙量及び空隙径分布、耐久性、色調等が挙げられる。中でも、コンクリートの品質としてより重要性の高い、強度(コンクリートの圧縮強度や曲げ強度、モルタル圧縮強さやモルタル曲げ強さ等)、スランプ、又はスランプフローが好ましい。
なお、上記のコンクリートの圧縮強度や曲げ強度等、スランプ、スランプフロー、空気量、及び塩化物含有量は、「JIS A 5308(レディーミクストコンクリート)」に記載の試験方法で得られた測定値、または任意の配合、材齢において上記試験方法に準拠して得られる測定値であり、モルタル圧縮強さやモルタル曲げ強さは、「JIS R 5201(セメントの物理試験方法)」に記載の試験方法で得られた測定値、または任意の配合、材齢において上記試験方法に準拠して得られる測定値である。
ひび割れ抵抗性は、「JIS A 1151(拘束されたコンクリートの乾燥収縮ひび割れ試験方法)」に記載の試験方法による測定値、または任意の配合、材齢において上記試験方法に準拠して得られる測定値である。
動弾性係数、動せん断弾性係数、及び動ポアソン比は、「JIS A 1127(共鳴振動によるコンクリートの動弾性係数、動せん断弾性係数及び動ポアソン比試験方法)」等に記載の試験方法で得られる測定値である。
硬化体空隙量及び空隙径分布は、水銀圧入法による細孔分布によって得られる測定値である。
The “data on the quality of the concrete” which is the evaluation data in the above combination (i) includes strength (compressive strength and bending strength of concrete, mortar compressive strength and mortar bending strength, etc.), slump, slump flow, air volume, Examples include chloride content, crack resistance, dynamic elastic modulus, dynamic shear elastic modulus, dynamic Poisson's ratio, cured body void amount and void diameter distribution, durability, and color tone. Of these, strength (concrete compressive strength and flexural strength, mortar compressive strength, mortar flexural strength, etc.), slump, and slump flow, which are more important as the quality of concrete, are preferable.
The compressive strength and bending strength of the concrete, such as slump, slump flow, air content, and chloride content, are measured values obtained by the test method described in “JIS A 5308 (Ready Mixed Concrete)”, Or it is a measured value obtained based on the said test method in arbitrary mixing | blendings and material ages, and mortar compressive strength and mortar bending strength are the test methods as described in "JISR5201 (physical test method of cement)". It is a measured value obtained according to the above-mentioned test method in the obtained measured value or arbitrary combination and material age.
Crack resistance is a measured value obtained by the test method described in “JIS A 1151 (Test method for drying shrinkage cracking of constrained concrete)” or a measured value obtained in accordance with the above test method at an arbitrary composition and age. It is.
The dynamic elastic modulus, dynamic shear elastic modulus, and dynamic Poisson's ratio can be obtained by the test methods described in “JIS A 1127 (Test method for dynamic elastic modulus, dynamic shear elastic modulus and dynamic Poisson ratio of concrete by resonance vibration)” and the like. It is a measured value.
The amount of voids and the pore size distribution in the cured product are measured values obtained by pore distribution by the mercury intrusion method.

耐久性としては、促進中性化試験等の中性化に関する試験の測定値、塩化物イオンの拡散係数試験等の塩分浸透性に関する試験の測定値、残存膨張量試験等のアルカリ骨材反応に関する試験の測定値、「JIS A 1148(コンクリートの凍結融解試験方法)」に記載の試験方法等の凍結融解に関する試験の測定値、アウトプット法等の透水量に関する試験の測定値、各種耐久性能に関する試験の測定値等が挙げられる。
色調としては、「JIS Z 8722(色の測定方法−反射及び透過物体色)」の方法等によって得られる測定値等が挙げられる。
Durability includes measured values of neutralization tests such as accelerated neutralization tests, measured values of salt permeability tests such as diffusion coefficient tests of chloride ions, and alkali aggregate reactions such as residual expansion tests. Test values, test values related to freeze / thaw tests such as the test method described in “JIS A 1148 (concrete freeze-thaw test method)”, test values related to water permeability such as output method, and various durability performances The measured value of a test etc. are mentioned.
Examples of the color tone include measurement values obtained by the method of “JIS Z 8722 (color measurement method—reflection and transmission object color)” and the like.

前記(i)の組み合わせにおける評価データの「コンクリートの品質に関するデータ」のうち、強度(コンクリートの圧縮強度や曲げ強度、モルタル圧縮強さやモルタル曲げ強さ等)、スランプ、又はスランプフローを、より高い精度で予測することができる監視データの好ましい組み合わせは、セメントのブレーン比表面積、ふるい試験残分量、色調a値、色調L値、セメントの鉱物組成、セメントの化学組成(より好ましくは、セメント原料中のMgO、NaO、KO、NaOeq(全アルカリ)、P、及びTiOの含有率の中から選ばれる1種以上)、モルタルフロー、混和剤量(より好ましくは、減水剤、AE減水剤、高性能減水剤、高性能AE減水剤の中から選ばれる1種以上)、及び単位水量の中から選ばれる一種以上である。 Among the “data on the quality of concrete” of the evaluation data in the combination (i), the strength (compressive strength and bending strength of concrete, mortar compressive strength, mortar bending strength, etc.), slump, or slump flow is higher. The preferred combination of monitoring data that can be predicted with accuracy is cement brain specific surface area, sieve test residual amount, color tone a value, color tone L value, cement mineral composition, cement chemical composition (more preferably in cement raw material) Of MgO, Na 2 O, K 2 O, Na 2 Oeq (total alkali), P 2 O 5 , and TiO 2 content of one or more), mortar flow, admixture amount (more preferably , Water reducing agent, AE water reducing agent, high performance water reducing agent, one or more selected from high performance AE water reducing agent), and unit water volume Is is one or more.

前記(ii)の組み合わせにおける監視データである、「セメントに関するデータ」、「セメントの物理特性に関するデータ」、「セメント以外のコンクリートの材料に関するデータ」、及び「コンクリートの配合に関するデータ」は、各々、前記(i)の組み合わせにおける監視データである、「セメントに関するデータ」、「セメントの物理特性に関するデータ」、「セメント以外のコンクリートの材料に関するデータ」、及び「コンクリートの配合に関するデータ」と同様である。
また、前記(ii)の組み合わせにおける監視データである「コンクリートの品質に関するデータ」は、前記(i)の組み合わせにおける評価データである、「コンクリートの品質に関するデータ」と同様である。なお、監視データとして「コンクリートの品質に関するデータ」を用いる場合、評価データの予測の精度を高める観点から、2種以上を用いることが好ましい。
The monitoring data in the combination of (ii), “data on cement”, “data on physical properties of cement”, “data on material of concrete other than cement”, and “data on blending of concrete”, respectively, It is the same as “data regarding cement”, “data regarding physical properties of cement”, “data regarding material of concrete other than cement”, and “data regarding blending of concrete” which are monitoring data in the combination of (i). .
Further, the “data related to the quality of concrete” which is the monitoring data in the combination (ii) is the same as the “data related to the quality of concrete” which is the evaluation data in the combination (i). In addition, when using "data regarding the quality of concrete" as monitoring data, it is preferable to use 2 or more types from a viewpoint of improving the precision of prediction of evaluation data.

前記(ii)の組み合わせにおける評価データである、「コンクリートの配合条件」とは、前記(i)の組み合わせにおける監視データの一つである「コンクリートの配合に関するデータ」と同様である。   The “concrete mixing condition”, which is evaluation data in the combination (ii), is the same as “data relating to the mixing of concrete” which is one of the monitoring data in the combination (i).

本発明において、複数の種類の監視データの中から特定の種類の監視データを選択し、選択した監視データを、後述する工程(A)〜(M)において用いることで、評価データの予測の精度をより高めることできる。
なお、特定の種類の監視データ(評価データの予測の精度をより高めることできる、1種又は2種以上の監視データの組み合わせ)は、予測の対象となる評価データの種類によって異なるものである。
特定の種類の監視データは、予測の対象となる評価データと相関性の高いものを選択することが好ましい。特定の種類の監視データを選択する方法については、後述(工程(A−1))する。
In the present invention, a specific type of monitoring data is selected from a plurality of types of monitoring data, and the selected monitoring data is used in the steps (A) to (M) described later, thereby predicting the accuracy of evaluation data. Can be further enhanced.
Note that specific types of monitoring data (one type or a combination of two or more types of monitoring data that can further improve the accuracy of prediction of evaluation data) differ depending on the type of evaluation data to be predicted.
As the specific type of monitoring data, it is preferable to select data having high correlation with the evaluation data to be predicted. A method for selecting a specific type of monitoring data will be described later (step (A-1)).

本発明のコンクリートの品質またはコンクリートの配合条件の予測方法において、対象となるコンクリートは、特に限定されるものではない。例えば、一般構造用コンクリート、寒中コンクリート、マスコンクリート、高流動コンクリート、低発熱コンクリート、膨張コンクリート、プレストレストコンクリート、低収縮コンクリート、繊維補強コンクリート、ポリマーコンクリート、水密コンクリート、水中コンクリート、透排水性コンクリート、樹脂含浸コンクリート、遮蔽用コンクリート、軽量コンクリート、プレパックドコンクリート、吹付けコンクリート、再生コンクリート、舗装用コンクリート、超硬練りコンクリート、ダムコンクリート、プレキャストコンクリート等が挙げられる。また、その配合は、示方配合である。   In the method for predicting the quality of concrete or the mixing condition of concrete of the present invention, the target concrete is not particularly limited. For example, general structural concrete, cold concrete, mass concrete, high fluidity concrete, low heat generation concrete, expanded concrete, prestressed concrete, low shrinkage concrete, fiber reinforced concrete, polymer concrete, watertight concrete, underwater concrete, permeable drainage concrete, resin Examples include impregnated concrete, shielding concrete, lightweight concrete, pre-packed concrete, shotcrete, recycled concrete, pavement concrete, super hard kneaded concrete, dam concrete, and precast concrete. Moreover, the combination is a combination of indications.

本発明では、コンクリート製造における監視データと、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの関係を、ニューラルネットワークによって予め学習し、その学習結果を用いて、上記監視データのみに基づいて、上記評価データを予測する。
以下、本発明の予測方法について、図1を参照しながら詳しく説明する。
[工程(A−1)]
本工程は、評価データの予測の精度をより高める目的で、工程(A)の前に任意に行われる工程である。
本工程では、任意に選択した1種以上の監視データからなる監視データ集合体を、2種以上用意し、該2種以上の監視データ集合体の各々について、工程(A)〜(M)において用いるのに好適な監視データを選択するための、監視データの実測値と評価データの実測値の組み合わせ(以下、「選択データ」ともいう。)を複数用いて、工程(A)〜(M)において用いられるニューラルネットワークとは異なる未学習のニューラルネットワークの学習を行い、得られたニューラルネットワークの入力層に、選択データの監視データの実測値を入力して得られた評価データの推測値と、選択データの評価データの実測値との平均2乗誤差(RMSE:Root Mean Squared Error)を算出し、平均2乗誤差の数値が最も小さかった選択データにおける監視データを、工程(A)〜(M)における監視データとして用いるものとする。
In the present invention, the relationship between the monitoring data in concrete production and the evaluation data related to the evaluation of the quality of the concrete or the mixing condition of the concrete is learned in advance by a neural network, and the learning result is used and only based on the monitoring data. Thus, the evaluation data is predicted.
Hereinafter, the prediction method of the present invention will be described in detail with reference to FIG.
[Step (A-1)]
This step is a step optionally performed before step (A) for the purpose of further improving the accuracy of evaluation data prediction.
In this step, two or more types of monitoring data aggregates including one or more types of arbitrarily selected monitoring data are prepared, and each of the two or more types of monitoring data aggregates is subjected to steps (A) to (M). Steps (A) to (M) are performed by using a plurality of combinations of measured values of monitoring data and measured values of evaluation data (hereinafter also referred to as “selected data”) for selecting monitoring data suitable for use. Learning of an unlearned neural network different from the neural network used in the above, and an estimated value of the evaluation data obtained by inputting the actual measurement value of the monitoring data of the selected data to the input layer of the obtained neural network, Root mean square error (RMSE) with the measured value of the evaluation data of the selected data is calculated, and the numerical value of the mean square error is the smallest Monitoring data in Tsu selection data, shall be used as the monitoring data in the step (A) ~ (M).

任意に選択した1種以上の監視データとは、上述したセメントに関するデータ、セメントの物理特性に関するデータ、セメント以外のコンクリートの材料に関するデータ、コンクリートの配合に関するデータ、及びコンクリートの品質に関するデータとして列挙されたものの中から任意に選択した1種以上(好ましくは2種以上、より好ましくは3種以上)のデータである。   One or more arbitrarily selected monitoring data are listed as data on the above-mentioned cement, data on cement physical properties, data on concrete materials other than cement, data on concrete mix, and data on concrete quality. One or more (preferably two or more, more preferably three or more) data arbitrarily selected from the data.

本工程では、任意に選択した1種以上の監視データからなる監視データ集合体を、2種以上(好ましくは3種以上、より好ましくは4種以上)用意し、該2種以上の監視データ集合体の各々について、集合体における監視データの実測値と評価データの実測値の組み合わせである選択データを複数用いて、未学習のニューラルネットワークの学習を行う。
具体的には、選択用の複数のサンプルを用意し、該サンプルの監視データ(任意に選択した1種以上の監視データ)の実測値、及び予測の対象となる評価データの実測値を測定して、これらを選択データとして用いる。該選択データのうち、監視データの実測値をニューラルネットワークの入力層に入力して、出力層から出力された評価データの推測値と、該評価データの推測値に対応する選択データの評価データの実測値を比較評価してニューラルネットワークを修正することを、任意の学習回数行うことで、ニューラルネットワークの学習が行われる。
選択用のサンプルの数は、より高い精度で予測を行うことができる監視データを選択できる観点から、好ましくは10以上、より好ましくは14以上、さらに好ましくは16以上、特に好ましくは20以上である。サンプル数の上限は、特に限定されるものではないが、作業性の観点から、例えば、10,000である。
上記ニューラルネットワークの学習回数は、特に限定されるものではないが、好ましくは100〜2,000回、より好ましくは200〜1,500回である。
In this step, two or more (preferably three or more, more preferably four or more) monitoring data aggregates comprising one or more arbitrarily selected monitoring data are prepared, and the two or more monitoring data aggregates are prepared. For each of the bodies, learning of an unlearned neural network is performed using a plurality of selection data, which is a combination of the actual measurement values of the monitoring data and the evaluation data of the aggregate.
Specifically, a plurality of samples for selection are prepared, and measured values of monitoring data of the samples (one or more types of arbitrarily selected monitoring data) and measured values of evaluation data to be predicted are measured. These are used as selection data. Of the selection data, the actual value of the monitoring data is input to the input layer of the neural network, the estimated value of the evaluation data output from the output layer, and the evaluation data of the selection data corresponding to the estimated value of the evaluation data Learning of the neural network is performed by performing an arbitrary number of learnings by comparing and evaluating the measured values to correct the neural network.
The number of samples for selection is preferably 10 or more, more preferably 14 or more, still more preferably 16 or more, and particularly preferably 20 or more, from the viewpoint that monitoring data that can be predicted with higher accuracy can be selected. . The upper limit of the number of samples is not particularly limited, but is, for example, 10,000 from the viewpoint of workability.
The number of learning times of the neural network is not particularly limited, but is preferably 100 to 2,000 times, more preferably 200 to 1,500 times.

[工程(A)]
工程(A)において、学習回数の初期設定を実施する。設定される学習回数は、特に限定されるものではないが、好ましくは、ニューラルネットワークの過学習(オーバーラーニング)が発生する程度に、十分に大きな回数である。具体的には、通常5千〜100万回、好ましくは1万〜10万回である。
工程(A)では、ニューラルネットワークの過学習が発生する学習回数、具体的にはσ<σ(詳しくは後述する)となるような学習回数を設定することが好ましいが、後の工程において、学習回数の増減が行われるため、工程(A)において最初に設定される学習回数は、ニューラルネットワークの学習に通常行われる学習回数を用いても問題ない。
工程(A)終了後、工程(B)を実施する。
[Step (A)]
In step (A), initial setting of the number of learning is performed. The number of learning times to be set is not particularly limited, but is preferably a sufficiently large number such that overlearning (overlearning) of the neural network occurs. Specifically, it is usually 5,000 to 1,000,000 times, preferably 10,000 to 100,000 times.
In step (A), it is preferable to set the number of learnings that causes over-learning of the neural network, specifically, the number of learnings such that σ LM (details will be described later). Since the number of learning times is increased / decreased, there is no problem even if the number of learning times initially set in the step (A) is the number of learning times normally performed for learning of the neural network.
A process (B) is implemented after completion | finish of a process (A).

[工程(B)]
工程(B)では、学習用の監視データの実測値と評価データの実測値の組み合わせ(以下、「学習データ」ともいう。)を複数用いて、ニューラルネットワークの学習を、前工程で設定された学習回数行う。上記組み合わせの数は、例えば、5以上、好ましくは7以上である。上記組み合わせの数の上限は、特に限定されないが、例えば、1,000である。
ここで、「前工程で設定された学習回数」とは、工程(A)において設定される学習回数、または、工程(D)において再設定された新たな学習回数であって、直近の工程(工程(A)または工程(D))で設定された学習回数である。
具体的には、学習用の複数のサンプルを用意し、該サンプルの監視データの実測値、及び目的とする評価データの実測値を測定して、これらを学習データとして用いる。該学習データのうち、監視データの実測値をニューラルネットワークの入力層に入力して、出力層から出力された評価データの推測値と、該評価データの推測値に対応する学習データの評価データの実測値を比較評価してニューラルネットワークの修正することを、設定された学習回数行うことで、ニューラルネットワークの学習が行われる。
学習用のサンプルの数は、より高い精度で予測を行う観点から、好ましくは10以上、より好ましくは14以上、さらに好ましくは16以上、特に好ましくは20以上である。サンプル数の上限は、特に限定されるものではないが、作業性の観点から、例えば、10,000である。
なお、学習回数を変更して、ニューラルネットワークの再学習を行う際には、前回の学習の結果得られたニューラルネットワークは初期化され、再度学習が行われる。
工程(B)終了後、工程(C)を実施する。
[Step (B)]
In the step (B), the learning of the neural network is set in the previous step by using a plurality of combinations of the actual measurement values of the monitoring data for learning and the actual measurement values of the evaluation data (hereinafter also referred to as “learning data”). Do the learning times. The number of the combinations is, for example, 5 or more, preferably 7 or more. Although the upper limit of the number of the said combination is not specifically limited, For example, it is 1,000.
Here, the “number of learnings set in the previous step” is the number of learnings set in the step (A) or the new number of learnings reset in the step (D), and the most recent step ( The number of learning times set in the step (A) or the step (D)).
Specifically, a plurality of samples for learning are prepared, and measured values of monitoring data of the samples and measured values of target evaluation data are measured and used as learning data. Among the learning data, the actual value of the monitoring data is input to the input layer of the neural network, the estimated value of the evaluation data output from the output layer, and the evaluation data of the learning data corresponding to the estimated value of the evaluation data The neural network is learned by comparing and evaluating the actual measurement values and correcting the neural network by performing the set number of learning times.
The number of learning samples is preferably 10 or more, more preferably 14 or more, still more preferably 16 or more, and particularly preferably 20 or more, from the viewpoint of performing prediction with higher accuracy. The upper limit of the number of samples is not particularly limited, but is, for example, 10,000 from the viewpoint of workability.
When the learning number is changed and the neural network is re-learned, the neural network obtained as a result of the previous learning is initialized and learning is performed again.
A process (C) is implemented after completion | finish of a process (B).

[工程(C)]
工程(C)では、σとσが算出される。σとσの大小関係から、学習がニューラルネットワークの過学習が発生する程度に十分に大きな回数行われたか否かを判断することができる。
具体的には、学習データの監視データの実測値を、直近の工程(B)において学習が行われたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σ)を算出する。次いで、モニターデータの監視データの実測値を、直近の工程(B)において学習が行われたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの評価データの実測値との平均2乗誤差(σ)を算出する。その後、算出されたσとσの数値を比較することで、ニューラルネットワークの学習が十分に大きな回数で行われたか判断することができる。
ここで、モニターデータとは、学習データを得るために用いられたサンプルとは別のサンプルから得られた、監視データの実測値及び評価データの実測値の組み合わせであり、ニューラルネットワークの信頼性を確認するためのデータである。
モニターデータ(監視データの実測値及び評価データの実測値の組み合わせ)のサンプルの数は、作業性の観点から、学習データのサンプル数の好ましくは5〜50%、より好ましくは10〜30%である。
[Step (C)]
In step (C), σ L and σ M are calculated. From the magnitude relationship between σ L and σ M , it can be determined whether learning has been performed a sufficiently large number of times to cause over-learning of the neural network.
Specifically, the estimated value of the evaluation data obtained by inputting the actual measurement value of the monitoring data of the learning data to the input layer of the neural network learned in the most recent step (B) and the evaluation data of the learning data The mean square error (σ L ) with the actual measurement value is calculated. Next, the estimated value of the monitoring data and the estimated value of the evaluation data obtained by inputting the measured value of the monitoring data of the monitoring data to the input layer of the neural network learned in the most recent step (B) The mean square error (σ M ) is calculated. Thereafter, by comparing the calculated values of σ L and σ M , it can be determined whether the learning of the neural network has been performed a sufficiently large number of times.
Here, the monitor data is a combination of the actual measurement value of the monitoring data and the actual measurement value of the evaluation data obtained from a sample different from the sample used for obtaining the learning data. This is data for confirmation.
From the viewpoint of workability, the number of samples of monitor data (a combination of actual values of monitoring data and actual values of evaluation data) is preferably 5 to 50%, more preferably 10 to 30% of the number of samples of learning data. is there.

工程(C)で算出されたσとσの関係が、σ≧σである場合(図1の過学習判定における「No」)、直近に行った工程(B)の学習回数は、十分に大きな回数ではないと判断することができる。この場合、工程(D)を実施する。工程(C)で算出されたσとσの関係が、σ<σである場合(図1の過学習判定における「Yes」)、直近に行った工程(B)の学習回数は、十分に大きな回数であったと判断することができる。この場合、工程(E)を実施する。 When the relationship between σ L and σ M calculated in the step (C) is σ L ≧ σ M (“No” in the overlearning determination in FIG. 1), the number of learnings in the most recently performed step (B) is It can be determined that the number of times is not sufficiently large. In this case, step (D) is performed. When the relationship between σ L and σ M calculated in the step (C) is σ LM (“Yes” in the over-learning determination in FIG. 1), the number of learnings of the most recently performed step (B) is It can be determined that the number of times was sufficiently large. In this case, step (E) is performed.

[工程(D)]
工程(D)では、直近の工程(A)で設定された学習回数および再設定された直近のニューラルネットワークの学習回数のいずれの学習回数よりも大きい学習回数を新たな学習回数として再設定する(例えば、直近の工程(B)で実施された学習回数に2.0を乗じた数を新たな学習回数として設定する。)。新たな学習回数を再設定した後、再度工程(B)〜(C)を実施する。
[Step (D)]
In the step (D), a learning number larger than any of the learning number set in the most recent step (A) and the reset number of learning times of the latest neural network is reset as a new learning number ( For example, a number obtained by multiplying the number of learning performed in the most recent step (B) by 2.0 is set as a new number of learning. After resetting the new number of learning times, steps (B) to (C) are performed again.

[工程(E)]
工程(E)では、直近のニューラルネットワークの学習で実施された学習回数を減らした学習回数を、新たな学習回数として再設定する(例えば、直近の工程(B)または工程(F)で実施された学習回数に0.95を乗じた数を新たな学習回数として設定する。)。
なお、直近のニューラルネットワークの学習とは、より近い過去に実施された学習を指す。具体的には、工程(B)もしくは後述の工程(F)のうち、より近い過去に実施された学習を指す。
工程(E)終了後、工程(F)を実施する。
[Step (E)]
In step (E), the learning number obtained by reducing the number of learnings performed in the latest neural network learning is reset as a new learning number (for example, performed in the most recent step (B) or step (F)). The number obtained by multiplying the number of learning times by 0.95 is set as the new number of learning times.)
Note that learning of the latest neural network refers to learning performed in the near past. Specifically, it refers to learning performed in the nearer past in step (B) or step (F) described later.
A process (F) is implemented after completion | finish of a process (E).

[工程(F)]
工程(F)では、直近の工程(B)で用いられた学習データを用いて、ニューラルネットワークの学習を直近の工程(E)で設定された学習回数行う。
工程(F)で実施する内容は、ニューラルネットワークの学習を工程(E)において新たに設定された学習回数行う以外は、工程(B)と同じである。
工程(F)終了後、工程(G)を実施する。
[Step (F)]
In step (F), the learning data used in the latest step (B) is used to perform neural network learning for the number of learning times set in the latest step (E).
The contents to be implemented in the step (F) are the same as those in the step (B) except that the neural network learning is performed the number of times newly set in the step (E).
A process (G) is implemented after completion | finish of a process (F).

[工程(G)]
工程(G)では、直近の工程(F)の学習において得られたニューラルネットワークを用いて終了判定を行う。具体的には学習データの監視データの実測値を、直近の工程(F)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σ)、及び、モニターデータの中の監視データの実測値を、直近の工程(F)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均2乗誤差(σ)を算出し、算出されたσとσの関係が、σ≧σである場合(図1の終了判定における「Yes」)、直近に行った工程(F)の学習回数は、もはや十分に大きな回数ではないと判断することができる。この場合、後述する工程(I)を実施する。算出されたσとσの関係がσ<σである場合(図1の終了判定における「No」)、直近に行った工程(F)の学習回数は、いまだ十分に大きな回数であったと判断することができる。この場合、後述する工程(H)を実施する。
[Step (G)]
In step (G), end determination is performed using the neural network obtained in the learning of the latest step (F). Specifically, the actual value of the monitoring data of the learning data is input to the input layer of the neural network obtained by the learning in the latest step (F), and the estimated value of the evaluation data and the evaluation data of the learning data Obtained by inputting the mean square error (σ L ) from the actual measurement value and the actual measurement value of the monitoring data in the monitor data to the input layer of the neural network obtained by the learning of the most recent step (F). The mean square error (σ M ) between the estimated value of the evaluation data and the actually measured value of the evaluation data in the monitor data is calculated, and the relationship between the calculated σ L and σ M is σ L ≧ σ M In this case (“Yes” in the end determination in FIG. 1), it can be determined that the number of times of learning in the most recent step (F) is no longer sufficiently large. In this case, step (I) described later is performed. When the calculated relationship between σ L and σ M is σ LM (“No” in the end determination in FIG. 1), the number of times of learning in the most recent step (F) is still a sufficiently large number. It can be judged that there was. In this case, the step (H) described later is performed.

[工程(H)]
工程(H)では、直近の工程(F)におけるニューラルネットワークの学習回数が予め定めた数値を超えていたかどうかの判定を行う。工程(H)は、工程(E)から工程(G)を無限に繰り返すことを回避するために行われる。工程(H)において直近に行った工程(F)におけるニューラルネットワークの学習回数が予め定めた数値を超えていた場合(図1における「Yes」)は、再度工程(E)〜(G)を実施する。工程(H)において直近に行った工程(F)の学習回数が予め定めた数値以下場合(図1における「No」)は、後述の工程(J)または(K)を実施する。
なお、上記予め定めた数値とは、特に限定されず、例えば、工程(E)で設定された学習回数の100分の1の数値以下、もしくは、1以下または0以下等が挙げられる。
[Step (H)]
In step (H), it is determined whether the neural network learning count in the most recent step (F) has exceeded a predetermined numerical value. Step (H) is performed to avoid repeating steps (E) to (G) indefinitely. If the number of times the neural network has been learned in step (F) most recently performed in step (H) exceeds a predetermined value (“Yes” in FIG. 1), steps (E) to (G) are performed again. To do. When the number of learnings of the step (F) performed most recently in the step (H) is equal to or less than a predetermined numerical value (“No” in FIG. 1), the step (J) or (K) described later is performed.
The predetermined numerical value is not particularly limited, and may be, for example, a numerical value equal to or less than 1/100 of the number of learning times set in the step (E), 1 or less, or 0 or less.

[工程(I)]
工程(I)では解析度判定値が予め定めた第一の設定値未満であるか否かによって、解析度の判定を行うことができる。解析度判定値は下記式(1)を用いて算出される。

Figure 2017087716
上記式(1)中、学習データの平均2乗誤差(σ)とは、直近の工程(G)で算出された平均2乗誤差(σ)と同じである。評価データの推測値の平均値とは、学習データの監視データの実測値を、直近の工程(F)にて得られたニューラルネットワークの入力層に入力して得られた評価データの推測値の平均値である。
解析度の判定を行うことで学習を行ったニューラルネットワークを用いて、コンクリートの品質等の予測を高い精度で行うことができるか否かを判断することができる。
解析度判定値が予め定めた第一の設定値未満(図1の第一の解析度判定における「Yes」)であれば、解析は十分であると判断され、ニューラルネットワークの学習は終了する。
解析は十分であると判断された学習済みのニューラルネットワークは、本発明の予測方法に用いられる。
具体的には、学習済みのニューラルネットワークの入力層に、コンクリート製造における監視データの実測値を入力して、学習済みのニューラルネットワークの出力層から、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力することで、コンクリートの品質またはコンクリートの配合条件を予測することができる。 [Step (I)]
In step (I), the analysis level can be determined depending on whether or not the analysis level determination value is less than a predetermined first set value. The analysis degree determination value is calculated using the following formula (1).
Figure 2017087716
In the above formula (1), the average of the training data square error between (sigma L) is the same as the mean square error calculated in the last step (G) (sigma L). The average value of the estimated value of the evaluation data is the estimated value of the evaluation data obtained by inputting the actually measured value of the monitoring data of the learning data to the input layer of the neural network obtained in the latest step (F). Average value.
It is possible to determine whether or not the quality of the concrete can be predicted with high accuracy using the neural network that has been learned by determining the degree of analysis.
If the analysis level determination value is less than a predetermined first set value (“Yes” in the first analysis level determination in FIG. 1), it is determined that the analysis is sufficient, and the learning of the neural network ends.
A learned neural network determined to be sufficient for analysis is used in the prediction method of the present invention.
Specifically, the actual value of monitoring data in concrete production is input to the input layer of the learned neural network, and the quality of the concrete or concrete mixing conditions is evaluated from the output layer of the learned neural network. By outputting the estimated value of the evaluation data to be performed, it is possible to predict the quality of the concrete or the mixing condition of the concrete.

解析度判定値が予め定めた第一の設定値以上(図1の第一の解析度判定における「No」)であれば、学習データを用いて学習を行ったニューラルネットワークをそのまま用いて、コンクリートの品質等の予測を高い精度で行うことはできないと判断され、工程(J)を実施する。
予め定めた第一の設定値は、特に限定されないが、より高い精度で予測を行う観点から、好ましくは6%以下、より好ましくは5%以下、特に好ましくは3%以下の値である。
なお、工程(A)〜(I)は、工程(I)において解析度判定値が予め定めた第一の設定値未満となるか、工程(J)において該回数が予め設定した回数を超えるまで繰り返される。工程(I)を実施するたびに得られる、解析度判定値及び学習済みのニューラルネットワークは、工程(K)において使用される。
If the analysis degree determination value is equal to or greater than a predetermined first set value (“No” in the first analysis degree determination in FIG. 1), the neural network learned using the learning data is used as it is, and the concrete is used. It is determined that the quality and the like cannot be predicted with high accuracy, and step (J) is performed.
The predetermined first set value is not particularly limited, but is preferably 6% or less, more preferably 5% or less, and particularly preferably 3% or less from the viewpoint of performing prediction with higher accuracy.
In steps (A) to (I), the analysis degree determination value in step (I) is less than a predetermined first set value or the number of times exceeds a preset number in step (J). Repeated. The analytical determination value and the learned neural network obtained each time the step (I) is performed are used in the step (K).

[工程(J)]
工程(J)では、工程(A)を実施した回数が予め設定した数値以下であるかどうかの判定を実施する。判定を実施することによって、工程(A)から工程(I)を無限に繰り返すことを回避することができる。
工程(J)において、工程(A)を実施した回数が予め設定した回数以下(図1の回数判定における「Yes」)である場合、学習条件の初期化を行って、再度工程(A)〜(I)を行い、該回数が予め設定した回数を超える場合(図1の回数判定における「No」)、工程(K)を実施する。
予め設定した回数は、特に限定されないが、通常、5回以上である。予め設定した回数の上限は、工程(A)から工程(I)を多大に繰り返すことを防ぐ観点から、好ましくは100回以下である。
[Process (J)]
In step (J), it is determined whether or not the number of times step (A) has been performed is equal to or less than a preset numerical value. By performing the determination, it is possible to avoid repeating steps (A) to (I) indefinitely.
In the step (J), when the number of times the step (A) is performed is equal to or less than the preset number (“Yes” in the number determination of FIG. 1), the learning condition is initialized, and the steps (A) to (A) to again are performed. (I) is performed, and when the number of times exceeds a preset number of times (“No” in the number of times determination of FIG. 1), step (K) is performed.
The number of times set in advance is not particularly limited, but is usually 5 times or more. The upper limit of the preset number of times is preferably 100 times or less from the viewpoint of preventing steps (A) to (I) from being repeated a great deal.

学習条件の初期化の方法としては、例えば、ニューラルネットワークを構成するユニットの閾値やユニットを結合している重みをランダムで変更した上で、学習データを再入力する方法、学習データを得るためのサンプルの数を増やす、使用する監視データの種類を変更する、又は不適切な学習データを除外する等を行った上で、新たな学習データを入力する方法等が挙げられる。   As a method for initializing learning conditions, for example, a method of re-inputting learning data after randomly changing a threshold value of units constituting a neural network or a weight combining units, and obtaining learning data Examples include a method of inputting new learning data after increasing the number of samples, changing the type of monitoring data to be used, or excluding inappropriate learning data.

[工程(K)]
工程(K)では、工程(I)において算出した全ての解析度判定値のうち、最も小さい解析度判定値が予め定めた第二の設定値未満であるか否かによって、次の予測の実施の可否の判定を行うことができる。
工程(K)の判定を追加することで、工程(I)において、セメントの品質等の予測を高い精度で行うことはできないと判断された学習済みのニューラルネットワークであっても、後述する工程(L)〜(M)を実施することによって、セメントの品質等の予測を高い精度で行うことができるか否かを判断することができる。
最も小さい解析度判定値が予め定めた第二の設定値未満(図1の第二の解析度判定における「Yes」)である場合、最も小さい解析度判定値を得ることができた工程(I)におけるニューラルネットワークを、学習済みのニューラルネットワークとして得た後、工程(L)を実施する。
[Step (K)]
In step (K), the next prediction is performed depending on whether or not the smallest analysis degree determination value calculated in step (I) is less than a predetermined second set value. It can be determined whether or not.
By adding the determination of the step (K), even in a learned neural network that has been determined in step (I) that prediction of cement quality or the like cannot be performed with high accuracy, By performing L) to (M), it is possible to determine whether or not the cement quality and the like can be predicted with high accuracy.
When the smallest analytical determination value is less than a predetermined second set value (“Yes” in the second analytical determination of FIG. 1), the process (I ) Is obtained as a learned neural network, and then step (L) is performed.

最も小さい解析度判定値が予め定めた第二の設定値以上(図1の第二の解析度判定における「No」)であれば、学習データを用いて学習を行ったニューラルネットワークを用いて、コンクリートの品質等の次の予測を高い精度で行うことはできないと判断して予測を終了する。
予め定めた第二の設定値は、上記第一の設定値よりも大きいものである。また、上限は、より高い精度で予測を行う観点から、好ましくは30%以下、より好ましくは20%である。
If the smallest analysis degree determination value is equal to or greater than a predetermined second set value (“No” in the second analysis degree determination in FIG. 1), using a neural network that has learned using learning data, It is determined that the next prediction such as the quality of the concrete cannot be performed with high accuracy, and the prediction is terminated.
The predetermined second set value is larger than the first set value. The upper limit is preferably 30% or less, more preferably 20% from the viewpoint of performing prediction with higher accuracy.

[工程(L)]
工程(L)では、工程(M)で用いられる予測可能監視データ領域を設定する。
最初に、工程(I)において算出した全ての解析度判定値のうち、最も小さい解析度判定値を得ることができた工程(I)において、学習データとして使用した監視データの実測値と評価データの実測値の組み合わせについて無相関検定を実施する。無相関検定において5%の有意水準で有意であると判断された監視データの種類が2種以上である場合(図1の無相関検定における「Yes」)、5%の有意水準で有意であると判断された監視データの全種類を座標軸とする座標空間を作成する。
例えば、5%の有意水準で有意であると判断された監視データが、セメントのブレーン比表面積とセメントのCSの量の二種類である場合、セメントのブレーン比表面積をx軸とし、セメントのCSの量をy軸とする座標空間を作成する(図2参照)。
[Step (L)]
In step (L), a predictable monitoring data area used in step (M) is set.
First, the actual measurement value and evaluation data of the monitoring data used as learning data in the step (I) in which the smallest analysis degree determination value can be obtained among all the analysis degree determination values calculated in the step (I). Perform a non-correlation test for the combination of actual measurements. When there are two or more types of monitoring data judged to be significant at the significance level of 5% in the uncorrelated test (“Yes” in the decorrelation test in FIG. 1), the significance is significant at the significance level of 5%. A coordinate space having all the types of monitoring data determined to be coordinate axes is created.
For example, when there are two types of monitoring data determined to be significant at the significance level of 5%, ie, the cement specific surface area of cement and the amount of C 3 S of cement, the cement specific surface area of x is used as the x axis, A coordinate space having the y-axis as the amount of C 3 S is created (see FIG. 2).

次いで、学習データとして使用した監視データの実測値のうち、5%の有意水準で有意であると判断された種類の監視データの実測値を全て、座標空間にプロットし、座標空間においてプロットされた監視データ同士を結ぶことで予測可能監視データ領域を設定する。該予測可能監視データ領域は、プロットされた監視データの全てを包含する領域であって、該領域が最大となるように監視データ同士を結ぶことで形成される領域である(図2参照)。予測可能監視データ領域を設定した後、工程(M)を実施する。
5%の有意水準で有意であると判断された監視データが0または1種類である場合(図1の無相関検定における「No」)、セメントの品質または製造条件を予測することはできないと判断して予測を終了する。
Next, among the actual measurement values of the monitoring data used as learning data, all the actual measurement values of the types of monitoring data determined to be significant at the significance level of 5% were plotted in the coordinate space and plotted in the coordinate space. A predictable monitoring data area is set by connecting monitoring data. The predictable monitoring data area is an area including all of the plotted monitoring data, and is an area formed by connecting the monitoring data so that the area is maximized (see FIG. 2). After setting the predictable monitoring data area, the process (M) is performed.
When the monitoring data judged to be significant at the significance level of 5% is 0 or 1 type (“No” in the uncorrelated test in FIG. 1), it is judged that the cement quality or the production condition cannot be predicted. To finish the prediction.

[工程(M)]
工程(M)では、コンクリート製造における監視データの実測値と工程(L)で作成された座標空間を用いて、コンクリート製造における監視データの実測値と工程(K)で得た学習済みのニューラルネットワークによって、コンクリートの品質等の予測を高い精度で行うことができるか否かを判定することができる。
コンクリートの品質等の予測に使用される、コンクリート製造における監視データの実測値が、工程(L)で設定した予測可能監視データ領域に含まれる場合(図1の座標判定における「Yes」)、コンクリートの品質等の予測を高い精度で行うことができると判断し、工程(K)で得た学習済みのニューラルネットワークの入力層に、コンクリート製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力することで、コンクリートの品質またはコンクリートの配合条件を予測することができる。
コンクリート製造における監視データの実測値が、上記予測可能監視データ領域に含まれない場合(図1の座標判定における「No」)、コンクリートの品質またはコンクリートの配合条件を予測することはできないと判断して予測を終了する。
なお、コンクリート製造における監視データが、工程(L)で作成された座標空間の座標軸として用いられていない種類の監視データの実測値(無相関検定において5%の有意水準で有意であると判断されなかった監視データの種類)を含む場合、当該の座標軸として用いられていない種類の監視データからは、監視データの実測値に何ら制限は与えない。
[Process (M)]
In the process (M), using the actual measurement value of the monitoring data in the concrete production and the coordinate space created in the process (L), the actual value of the monitoring data in the concrete production and the learned neural network obtained in the process (K). Thus, it can be determined whether or not the quality of the concrete can be predicted with high accuracy.
When the actual value of monitoring data in concrete production used for prediction of concrete quality, etc. is included in the predictable monitoring data area set in step (L) (“Yes” in the coordinate judgment of FIG. 1), concrete It is determined that the quality of the product can be predicted with high accuracy, and the actual value of the monitoring data in concrete production is input to the input layer of the learned neural network obtained in the step (K). By outputting an estimated value of evaluation data related to the evaluation of the quality of the concrete or the mixing condition of the concrete from the output layer, the quality of the concrete or the mixing condition of the concrete can be predicted.
When the actual measurement value of monitoring data in concrete production is not included in the predictable monitoring data area ("No" in the coordinate determination in Fig. 1), it is determined that the quality of concrete or the concrete mixing condition cannot be predicted. To finish the prediction.
It should be noted that the monitoring data in concrete production is determined to be significant at a significance level of 5% in the uncorrelated test using actual measurement values of types of monitoring data not used as coordinate axes in the coordinate space created in step (L). If there is a type of monitoring data that does not exist), there is no limitation on the actual measurement value of the monitoring data from the types of monitoring data that are not used as the coordinate axes.

本発明の予測方法によれば、より高い精度でコンクリートの品質またはコンクリートの配合条件を予測することができる。
本発明において、ニューラルネットワークの学習は、最初に十分に大きな学習回数(σ<σとなる程度の学習回数)で学習を行った後、学習回数を減らしながら、ニューラルネットワークの学習をσ≧σとなるまで繰り返すものである。該方法によれば、学習データにおいて評価データが不足している場合等の要因によって、σ、σの数値にばらつきがある場合であっても、該ばらつきを修正することができ、ニューラルネットワークの学習を適切に行うことができる。
また、学習データのサンプル数が少ない等の理由により、工程(I)において、解析度判定値が所定の基準値を満たしていない場合であっても、入力層に入力されるコンクリート製造における監視データが予測可能監視データ領域に含まれる場合、この監視データと学習済みのニューラルネットワークを用いて、高い精度でコンクリートの品質等の予測を行うことができる。
According to the prediction method of the present invention, the quality of concrete or the mixing condition of concrete can be predicted with higher accuracy.
In the present invention, the learning of the neural network after the learning first with a sufficiently large number of learning (sigma L <learning frequency to the extent that the sigma M), while reducing the number of times of learning, the learning of the neural network sigma L it is intended to be repeated until the ≧ σ M. According to this method, even if the numerical values of σ L and σ M vary due to factors such as when the evaluation data is insufficient in the learning data, the variation can be corrected. Can learn appropriately.
In addition, in the process (I), even if the analysis degree determination value does not satisfy a predetermined reference value due to a small number of samples of learning data, etc., monitoring data in concrete production that is input to the input layer Is included in the predictable monitoring data area, the quality of concrete and the like can be predicted with high accuracy using the monitoring data and the learned neural network.

ニューラルネットワークは、予測の精度を高い状態に維持するために、評価データの推測値と、該推測値に対応する実測値の乖離の大きさを定期的に点検し、その点検結果に基づいて、ニューラルネットワークを更新することが好ましい。   In order to maintain the prediction accuracy at a high level, the neural network periodically checks the magnitude of the difference between the estimated value of the evaluation data and the actually measured value corresponding to the estimated value, and based on the inspection result, It is preferable to update the neural network.

本発明のコンクリートの品質またはコンクリートの配合条件の予測方法によれば、ニューラルネットワークを用いることによって、監視データを入力するだけで、コンクリートの圧縮強度等の評価データの推測値を、1時間以内に得ることができる。
また、得られた評価データの推測値に基づいて、コンクリート製造途中においてコンクリートの品質異常を早期に察知し、原料配合の修正や、混練方法、養生方法等における諸条件の最適化を行うことにより、適正な品質のコンクリートを製造することができる。
具体的には、コンクリートの圧縮強度の推測値に異常が認められた場合、原料配合の修正等を行うことで、コンクリートの圧縮強度を目的のものにすることができる。
また、評価データの推測値に基いて、製造上の目標を修正することも可能である。
例えば、コンクリートの圧縮強度が目標値に達しないと予測される場合、学習に用いた監視データ(因子)とコンクリートの圧縮強度の関係を解析して、使用原料、原料配合、養生方法等のコンクリートの製造処方を最適化することで、コンクリートの品質を目的のものにすることができる。
According to the method for predicting concrete quality or concrete mixing conditions of the present invention, by using a neural network, an estimated value of evaluation data such as compressive strength of concrete can be obtained within one hour simply by inputting monitoring data. Can be obtained.
In addition, based on the estimated value of the obtained evaluation data, early detection of concrete quality abnormalities during concrete production, and optimization of various conditions in raw material composition correction, kneading method, curing method, etc. Proper quality concrete can be manufactured.
Specifically, when an abnormality is found in the estimated value of the compressive strength of the concrete, the compressive strength of the concrete can be achieved by correcting the raw material composition.
It is also possible to correct the manufacturing target based on the estimated value of the evaluation data.
For example, if it is predicted that the compressive strength of concrete will not reach the target value, analyze the relationship between the monitoring data (factors) used for learning and the compressive strength of concrete, and use concrete, raw material composition, curing method, etc. By optimizing the manufacturing recipe, the quality of the concrete can be achieved.

さらに、コンクリート製造を制御するコンピュータと、本発明のコンクリートの品質またはコンクリートの配合条件の予測方法を実施するために用いるコンピュータを接続することによって、評価データに基づいて監視データを人為的に変動させるための制御システムを自動化することもできる。
本発明において、ニューラルネットワークによる演算を行うためのソフトウェアとしては、例えば、OLSOFT社製の「Neural Network Library」(商品名)等が挙げられる。
Furthermore, the monitoring data is artificially changed based on the evaluation data by connecting the computer for controlling the concrete production and the computer used for carrying out the method for predicting the concrete quality or the concrete mixing condition of the present invention. The control system for this can also be automated.
In the present invention, examples of software for performing an operation using a neural network include “Neural Network Library” (trade name) manufactured by OLSOFT.

以下、本発明を実施例により具体的に説明するが、本発明はこれら実施例に限定されるものではない。
[実施例1]
[コンクリートの材齢28日における圧縮強度の予測]
[使用材料]
使用材料としては、以下に示すとおりである。
(1)普通ポルトランドセメント:太平洋セメント社製
(2)細骨材:山口県山口市産の砕砂と佐賀県東松浦郡産の海砂を、1:1の質量比で混合してなる混合砂、密度2.59g/cm
(3)粗骨材:福岡県北九州市産硬質砂岩砕石、最大寸法20mm、密度2.65g/cm
(4)高性能AE減水剤:BASFジャパン製、商品名「マスターグレニウムSP8SV」
(5)消泡剤:BASFジャパン製、商品名「マスターエア404」
EXAMPLES The present invention will be specifically described below with reference to examples, but the present invention is not limited to these examples.
[Example 1]
[Prediction of compressive strength of concrete at age 28 days]
[Materials used]
The materials used are as shown below.
(1) Ordinary Portland cement: Taiheiyo Cement Co., Ltd. (2) Fine aggregate: Mixed sand made by mixing crushed sand from Yamaguchi City, Yamaguchi Prefecture and sea sand from Higashimatsuura-gun, Saga Prefecture at a mass ratio of 1: 1. , Density 2.59 g / cm 3
(3) Coarse aggregate: hard sandstone crushed stone from Kitakyushu City, Fukuoka Prefecture, maximum size 20 mm, density 2.65 g / cm 3
(4) High-performance AE water reducing agent: BASF Japan, trade name “Master Grenium SP8SV”
(5) Antifoaming agent: BASF Japan, trade name “Master Air 404”

選択用および学習用のサンプル(以下、単に「学習用サンプル」ともいう。)としてサンプリング日の異なる134個の普通ポルトランドセメントについて、上記材料を用いてコンクリートを製造した。各材料の配合は、単位セメント量が330kg/m、細骨材率が45質量%、高性能AE減水剤がセメント100質量%に対して0.7質量%となるようにした。また、単位水量と消泡剤の添加量は、空気量が2%以下であり、かつ、「JIS A 1101(コンクリートのスランプ試験方法)」に準拠して得られた、混練直後のスランプが8±2.5cmとなるように調整した。
コンクリートの製造は、「JIS A 1138(試験室におけるコンクリートの作り方)」及び「JIS A 1108(コンクリートの強度試験用供試体の作り方)」に準拠して混練、供試体の作成、養生を行った後、材齢28日における圧縮強度を、「JIS A 1108(コンクリートの圧縮強度試験方法)」に準拠して測定した。
得られた材齢28日における圧縮強度を、選択データおよび学習データ(以下、単に「学習データ」ともいう。)における評価データの実測値とした。
Concrete was manufactured using the above materials for 134 normal Portland cements having different sampling dates as samples for selection and learning (hereinafter also simply referred to as “learning samples”). The composition of each material was such that the unit cement amount was 330 kg / m 3 , the fine aggregate rate was 45% by mass, and the high-performance AE water reducing agent was 0.7% by mass with respect to 100% by mass of cement. The amount of unit water and the amount of antifoaming agent added is 8% or less, and the slump immediately after kneading obtained in accordance with “JIS A 1101 (concrete slump test method)” is 8 Adjustment was made to be ± 2.5 cm.
For the production of concrete, kneading, preparation of specimens and curing were performed in accordance with “JIS A 1138 (How to make concrete in a test room)” and “JIS A 1108 (How to make a specimen for concrete strength test)”. Thereafter, the compressive strength at the age of 28 days was measured in accordance with “JIS A 1108 (Concrete compressive strength test method)”.
The obtained compressive strength at the age of 28 days was used as an actual measurement value of evaluation data in selection data and learning data (hereinafter, also simply referred to as “learning data”).

また、学習用サンプルに使用した134個の普通ポルトランドセメントの各々について、セメントに関するデータとして、セメントのブレーン比表面積、31μm網ふるい試験残分量、色調a値、各鉱物の量、及びP25量を測定して、学習データにおける監視データの実測値とした。
なお、色調a値は、分光色差計(日本電色工業社製、「SE6000」)を用いて、「JIS Z 8722(色の測定方法−反射及び透過物体色)」に準拠して測定した反射測定の値である。
各鉱物の量は、粉末X線回折装置(ブルカー・エイエックスエス社製、「D8 ADVANCE)を用いて、測定範囲:2θ=10〜65°で測定を行い、リ−トベルト解析ソフト(ブルカー・エイエックスエス社製、「DIFFRACplusTOPAS(Ver.3)」)によって計算されたCS、CS、CA、及びCAFの量である。
For each of the 134 ordinary Portland cements used in the learning samples, the cement-related surface area, 31 μm net sieve test residual amount, color tone a value, amount of each mineral, and P 2 O 5 The amount was measured and used as an actual measurement value of monitoring data in learning data.
In addition, the color tone a value is a reflection measured by using a spectral color difference meter (manufactured by Nippon Denshoku Industries Co., Ltd., “SE6000”) in accordance with “JIS Z 8722 (color measurement method—reflection and transmission object color)”. It is a measured value.
The amount of each mineral was measured at a measurement range of 2θ = 10 to 65 ° using a powder X-ray diffractometer (manufactured by Bruker AXS, “D8 ADVANCE”), and Rietveld analysis software (Bruker The amount of C 3 S, C 2 S, C 3 A, and C 4 AF calculated by “DIFFRAC plus TOPAS (Ver. 3)” manufactured by AXS Co., Ltd.).

[監視データの選択]
上述した監視データ(セメントのブレーン比表面積、31μm網ふるい試験残分量、色調a値、CS、CS、CA、及びCAFの量、P25量)のうち、表1に示す監視データを選択した条件1〜4(監視データ集合体1〜4)の各々について(表1中、選択した監視データを「○」で示す。)、選択した監視データの実測値と、評価データの実測値を用いて、未学習のニューラルネットワークの学習を行った。該学習は1200回行った。
学習後のニューラルネットワークの入力層に、選択した監視データの実測値を入力して得られた評価データの推測値と、評価データの実測値との平均2乗誤差(表1中、「RMSE」と示す。)を算出した。
結果を表1に示す。
条件1〜4のうち、平均2乗誤差の値が最も小さかった条件1において選択した監視データの組み合わせ(ブレーン比表面積、31μm網ふるい試験残分量、色調a値、CS、CS、CA、及びCAFの量、P25量)を、ニューラルネットワークの学習に用いられる監視データ(学習データおよびモニターデータ)とした。
[Select monitoring data]
Among the above-mentioned monitoring data (cement specific surface area of cement, 31 µm net sieve test residual amount, color tone a value, C 3 S, C 2 S, C 3 A and C 4 AF amount, P 2 O 5 amount), For each of the conditions 1 to 4 (monitoring data aggregates 1 to 4) for selecting the monitoring data shown in Table 1 (in Table 1, the selected monitoring data is indicated by “◯”), the actual value of the selected monitoring data And the unlearned neural network was trained using the measured values of the evaluation data. The learning was performed 1200 times.
Mean square error between the estimated value of the evaluation data obtained by inputting the actual measurement value of the selected monitoring data to the input layer of the neural network after learning ("RMSE" in Table 1) Calculated).
The results are shown in Table 1.
Among the conditions 1 to 4, the combination of the monitoring data selected in the condition 1 in which the mean square error value was the smallest (Brain specific surface area, 31 μm screen sieve test residual amount, color tone a value, C 3 S, C 2 S, The amounts of C 3 A and C 4 AF and the amount of P 2 O 5 were used as monitoring data (learning data and monitoring data) used for learning of the neural network.

Figure 2017087716
Figure 2017087716

また、モニター用のサンプル(以下、「モニター用サンプル」ともいう。)として、前記134個のサンプルとはサンプリング日の異なる13個の普通ポルトランドセメントを用いて、材齢28日における圧縮強度を、学習データと同様に測定して、モニターデータ(評価データの実測値)とした。さらに、上記13個の普通ポルトランドセメントのブレーン比表面積、31μm網ふるい試験残分量、色調a値、各鉱物の量、及びP25量を学習データと同様に測定して、モニターデータにおける監視データの実測値とした。 In addition, as a sample for monitoring (hereinafter, also referred to as “monitor sample”), 13 normal Portland cements having different sampling dates from the 134 samples, the compressive strength at the age of 28 days, Measurements were made in the same manner as the learning data, and were used as monitor data (measured values of evaluation data). Furthermore, the Blaine specific surface area, the 31 μm net sieve test residual amount, the color tone a value, the amount of each mineral, and the amount of P 2 O 5 of the above 13 ordinary Portland cements were measured in the same manner as the learning data, and monitored in the monitor data. The measured value of data was used.

上記学習データを用いて、ニューラルネットワークの学習を行った。ニューラルネットワークとしては、入力層、中間層及び出力層を有する階層型のニューラルネットワークを用いた。なお、該ニューラルネットワークは、監視データの選択に用いたニューラルネットワークとは異なる未学習のものである。
ニューラルネットワークの学習は、最初に上記学習データとモニターデータを用いて10,000回行った。得られたニューラルネットワークを用いて、σとσMを算出したところ、σとσの関係はσ<σであった。
その後、ニューラルネットワークを初期化し、上記学習データとモニターデータを用いて、ニューラルネットワークの学習を前記学習回数に0.95を乗じた数の学習回数(端数切捨て)行うことを、学習後のニューラルネットワークを用いて算出されたσとσの関係がσ≧σとなるまで繰り返した。
その結果、解析度判定値は、1.67%となったので、学習を終了した。
The neural network was learned using the learning data. As the neural network, a hierarchical neural network having an input layer, an intermediate layer, and an output layer was used. The neural network is an unlearned one different from the neural network used for selecting the monitoring data.
The neural network was first learned 10,000 times using the learning data and the monitor data. When σ L and σ M were calculated using the obtained neural network, the relationship between σ L and σ M was σ LM.
Thereafter, the neural network is initialized, and the learning network and the monitor data are used to perform learning of the neural network by performing the number of learning times (rounded down) by multiplying the number of learning times by 0.95. It repeated until the relationship of (sigma) L calculated using (sigma) L and (sigma) M became (sigma) L > = (sigma) M.
As a result, the analysis degree determination value was 1.67%, so learning was terminated.

上記サンプルとは異なる普通ポルトランドセメントAを用いて、上記学習プロセスで使用したコンクリートと同一の条件で製造したコンクリートについて、材齢28日におけるコンクリートの圧縮強度を測定した。その結果は、58.4N/mmであった。
一方、得られた学習済みのニューラルネットワークの入力層に、普通ポルトランドセメントAのブレーン比表面積、31μm網ふるい試験残分量、色調a値、各鉱物の量、及びP25量を入力し、材齢28日におけるコンクリートの圧縮強度の推測値を出力した。
得られた推測値は、58.3±2.9N/mm(偏差は3σを示す。)であり、実測値と推測値は、ほぼ一致した。
The compressive strength of the concrete at the age of 28 days was measured for the concrete manufactured under the same conditions as the concrete used in the learning process, using ordinary Portland cement A different from the above sample. The result was 58.4 N / mm 2 .
On the other hand, to the input layer of the obtained learned neural network, the Blaine specific surface area of normal Portland cement A, the 31 μm net sieve test residual amount, the color tone a value, the amount of each mineral, and the amount of P 2 O 5 are input. The estimated value of the compressive strength of concrete at the age of 28 days was output.
The obtained estimated value was 58.3 ± 2.9 N / mm 2 (deviation indicates 3σ), and the actually measured value and the estimated value almost coincided.

[比較例1]
実施例1で使用した147個(学習用サンプル134個+モニター用サンプル13個)の普通ポルトランドセメントに関するデータを母集団とし、コンクリートの材齢28日における圧縮強度との高い相関を有するセメントに関するデータ(セメントキャラクター)であった、セメントのブレーン比表面積、31μm網ふるい試験残分量、及び各鉱物の量(CS、CS、CA、及びCAFの量)を説明変数とした重回帰分析を行い、下記回帰式(決定係数R=0.20)を得た。
(コンクリートの材齢28日における圧縮強度(N/mm))=0.005×(セメントのブレーン比表面積(cm/g))+(−0.3)×(31μm網ふるい試験残分量(質量%))+0.2×(CS量(質量%))+(−0.2)×(CS量(質量%))+0.3×(CA量(質量%))+0.2×(CAF量(質量%))+91
上記回帰式に、実施例1で使用した普通ポルトランドセメントAのブレーン比表面積、31μm網ふるい試験残分量、及び各鉱物の量を、各々、代入して得られた材齢28日におけるコンクリートの圧縮強度の推測値は、58.9±5.2N/mm(偏差は3σを示す。)であった。
[Comparative Example 1]
Data on 147 pieces of normal Portland cement used in Example 1 (134 learning samples + 13 monitoring samples) as a population, and data on cement having a high correlation with compressive strength at 28 days of concrete The cement brane specific surface area, 31 μm net sieve screen residual amount, and the amount of each mineral (the amount of C 3 S, C 2 S, C 3 A, and C 4 AF), which were (cement character), were used as explanatory variables. The following regression equation (determination coefficient R 2 = 0.20) was obtained.
(Compressive strength of concrete at age 28 (N / mm 2 )) = 0.005 × (Brain specific surface area of cement (cm 2 /g))+(−0.3)×(31 μm net sieve test residual amount (Mass%)) + 0.2 × (C 3 S amount (mass%)) + (− 0.2) × (C 2 S amount (mass%)) + 0.3 × (C 3 A amount (mass%) ) + 0.2 × (C 4 AF amount (mass%)) + 91
Concrete compression at a material age of 28 days obtained by substituting the Blaine specific surface area of the normal Portland cement A used in Example 1, the 31 μm net sieve test residual amount, and the amount of each mineral into the regression equation above, respectively. The estimated value of intensity was 58.9 ± 5.2 N / mm 2 (the deviation indicates 3σ).

[実施例2]
[コンクリートのスランプの予測]
[使用材料1]
コンクリートの使用材料(普通ポルトランドセメント、細骨材、粗骨材、高性能AE減水剤、消泡剤)は実施例1の使用材料と同じである。
[使用材料2]
また、モニターデータにおける監視データとして用いたモルタルフロー試験でのモルタルの使用材料は、以下に示すとおりである。
(6)普通ポルトランドセメント:太平洋セメント社製(上記(1)と同じ。)
(7)細骨材:一般社団法人セメント協会(販売元)セメント強さ試験用標準砂
(8)高性能減水剤:花王株式会社製、商品名「マイティ150」
(9)消泡剤:株式会社小野田製、商品名「ニコフィックス800」
[Example 2]
[Prediction of concrete slump]
[Used material 1]
The materials used for concrete (ordinary Portland cement, fine aggregate, coarse aggregate, high-performance AE water reducing agent, antifoaming agent) are the same as those used in Example 1.
[Used material 2]
The materials used for mortar in the mortar flow test used as monitoring data in the monitor data are as shown below.
(6) Ordinary Portland cement: Taiheiyo Cement (same as (1) above)
(7) Fine aggregate: Cement Association (sales company) Standard sand for cement strength test (8) High performance water reducing agent: Product name "Mighty 150" manufactured by Kao Corporation
(9) Antifoaming agent: Onoda Co., Ltd., trade name “Nicofix 800”

選択用および学習用サンプルとしてサンプリング日の異なる18個の普通ポルトランドセメントについて、上記材料を用いてコンクリートを製造した。
各材料の配合量は、単位セメント量が330kg/m、細骨材率が45質量%、単位水量が165kg/m、高性能減水剤がセメント100質量%に対して0.7質量%となるようにした。また、空気量が2%以下となるように消泡剤の添加量を調整したコンクリートを製造し、混練直後のコンクリートのスランプを測定した。
コンクリートの製造は、「JIS A 1138(試験室におけるコンクリートの作り方)」に準拠して行った。また、コンクリートのスランプは、「JIS A 1101(コンクリートのスランプ試験方法)」に準拠して測定した。
得られたスランプを評価データの実測値(選択データおよび学習データ)とした。
Concrete was produced using the above materials for 18 ordinary Portland cements with different sampling dates as selection and learning samples.
The blending amount of each material is as follows: the unit cement amount is 330 kg / m 3 , the fine aggregate ratio is 45% by mass, the unit water amount is 165 kg / m 3 , and the high-performance water reducing agent is 0.7% by mass with respect to 100% by mass cement. It was made to become. Moreover, the concrete which adjusted the addition amount of the antifoamer so that air amount might be 2% or less was manufactured, and the slump of the concrete immediately after kneading | mixing was measured.
The concrete was produced in accordance with “JIS A 1138 (How to make concrete in a test room)”. The concrete slump was measured in accordance with “JIS A 1101 (Concrete slump test method)”.
The obtained slump was used as an actual measurement value (selection data and learning data) of evaluation data.

また、上記18個の普通ポルトランドセメントの各々について、セメントに関するデータとして、セメントのブレーン比表面積、31μm網ふるい試験残分量、各鉱物の量を測定し、セメントの物理特性に関するデータとして、モルタルフローを測定して、学習データにおける監視データの実測値とした。
なお、各鉱物の量は、粉末X線回折装置(ブルカー・エイエックスエス株式会社製D8 ADVANCE)にて、測定範囲:2θ=10〜65°の範囲で測定を行い、リ−トベルト解析ソフト(ブルカー・エイエックスエス株式会社製DIFFRACplusTOPAS(Ver.3))によって計算されたCSとCAの量であり、モルタルフローは、以下の方法による混練直後の値と混練30分後の値である。
[モルタルフロー試験]
上記材料を、水セメント比が0.35、細骨材とセメントの質量比(細骨材/セメント)が2.0、高性能減水剤がセメント100質量%に対して1.2質量%、消泡剤がセメント100質量%に対して0.1質量%となるように混合して調製したモルタルについて、「JIS A 1171(ポリマーセメントモルタルの試験方法)」のフロー試験に準拠して、混練直後と混練30分後のモルタルフローを測定した。
In addition, for each of the 18 ordinary Portland cements, as cement-related data, the Blaine specific surface area of the cement, the 31 μm net sieve test residual amount, the amount of each mineral were measured, and the mortar flow was measured as data related to the physical properties of the cement. The measured value was used as the actual measurement value of the monitoring data in the learning data.
The amount of each mineral is measured with a powder X-ray diffractometer (D8 ADVANCE manufactured by Bruker AXS Co., Ltd.) in the measurement range: 2θ = 10 to 65 °, and Rietveld analysis software ( The amount of C 3 S and C 3 A calculated by DIFFRAC plus TOPAS (Ver. 3) manufactured by Bruker AXS Co., Ltd., and the mortar flow is the value immediately after kneading by the following method and 30 minutes after kneading. Is the value of
[Mortar flow test]
The above material has a water cement ratio of 0.35, a fine aggregate to cement mass ratio (fine aggregate / cement) of 2.0, a high-performance water reducing agent of 1.2% by mass with respect to 100% by mass of cement, A mortar prepared by mixing so that the defoamer is 0.1% by mass with respect to 100% by mass of cement, and kneaded according to the flow test of “JIS A 1171 (Testing method for polymer cement mortar)”. Immediately after and 30 minutes after kneading, the mortar flow was measured.

[監視データの選択]
上述した監視データ(セメントのブレーン比表面積、31μm網ふるい試験残分量、CS及びCAの量、モルタルフロー(直後、30分後))のうち、表2に示す監視データを選択した条件1〜4の各々について(表2中、選択した監視データを「○」で示す。)、選択した監視データの実測値と、評価データの実測値を用いて、未学習のニューラルネットワークの学習を行った。該学習は900回行った。
学習後のニューラルネットワークの入力層に、選択した監視データの実測値を入力して得られた評価データの推測値と、評価データの実測値との平均2乗誤差(表2中、「RMSE」と示す。)を算出した。
結果を表2に示す。
条件1〜4のうち、平均2乗誤差の値が最も小さかった条件1において選択した監視データの組み合わせ(セメントのブレーン比表面積、31μm網ふるい試験残分量、CS及びCAの量、モルタルフロー(直後、30分後))を、ニューラルネットワークの学習に用いられる監視データ(学習データおよびモニターデータ)とした。
[Select monitoring data]
The monitoring data shown in Table 2 was selected from the above monitoring data (cement specific surface area of cement, 31 μm net sieve test residual amount, amounts of C 3 S and C 3 A, mortar flow (immediately, after 30 minutes)). For each of the conditions 1 to 4 (in Table 2, the selected monitoring data is indicated by “◯”), learning of an unlearned neural network using the actual value of the selected monitoring data and the actual value of the evaluation data Went. The learning was performed 900 times.
Mean square error between the estimated value of the evaluation data obtained by inputting the actual measurement value of the selected monitoring data to the input layer of the neural network after learning ("RMSE" in Table 2) Calculated).
The results are shown in Table 2.
Among the conditions 1 to 4, the combination of the monitoring data selected in the condition 1 having the smallest mean square error value (cement specific surface area of the cement, 31 μm net sieve test residual amount, amounts of C 3 S and C 3 A, Mortar flow (immediately, after 30 minutes)) was used as monitoring data (learning data and monitor data) used for learning of the neural network.

Figure 2017087716
Figure 2017087716

また、モニター用のサンプルとして、前記18個のサンプルとはサンプリング日の異なる2個の普通ポルトランドセメントを用いて、コンクリートのスランプを学習データと同様に測定して、モニターデータ(評価データの実測値)とした。
さらに、上記2個の普通ポルトランドセメントのブレーン比表面積、31μm網ふるい試験残分量、各鉱物の量、及びモルタルフローを学習データと同様に測定して、モニターデータ(監視データの実測値)とした。
In addition, using two normal Portland cements with different sampling dates as the 18 samples, the concrete slump was measured in the same way as the learning data, and the monitor data (actual value of the evaluation data) was measured. ).
Furthermore, the Blaine specific surface area, 31 μm mesh sieve test residual amount, the amount of each mineral, and the mortar flow of the above two ordinary Portland cements were measured in the same manner as the learning data to obtain monitor data (actual value of monitoring data). .

上記学習データを用いて、ニューラルネットワークの学習を行った。ニューラルネットワークとしては、入力層、中間層及び出力層を有する階層型のニューラルネットワークを用いた。なお、該ニューラルネットワークは、監視データの選択に用いたニューラルネットワークとは異なる未学習のものである。
ニューラルネットワークの学習は、最初に上記学習データとモニターデータを用いて10,000回行った。得られたニューラルネットワークを用いて、σとσMを算出したところ、σとσの関係はσ<σであった。
その後、ニューラルネットワークを初期化し、上記学習データとモニターデータを用いて、ニューラルネットワークの学習を前記学習回数に0.95を乗じた数の学習回数(端数切捨て)行うことを、学習後のニューラルネットワークを用いて算出されたσとσの関係がσ≧σとなるまで繰り返した。その結果、解析度判定値は、3.82%となったので、学習を終了した。
上記サンプルとは異なる普通ポルトランドセメントBを用いて、上記学習プロセスで使用したコンクリートと同一の条件で製造したコンクリートについて、スランプを測定した。その結果は、9.0cmであった。
一方、学習用サンプル及びモニター用のサンプルとして用いた20個の普通ポルトランドセメントのブレーン比表面積、31μm網ふるい試験残分量、各鉱物の量、及びモルタル流動性を、得られた学習済みのニューラルネットワークの入力層に入力し、出力層より、スランプの推測値を出力した。
得られたスランプの推測値は、8.4±0.9cm(偏差は3σを示す。)であった。
The neural network was learned using the learning data. As the neural network, a hierarchical neural network having an input layer, an intermediate layer, and an output layer was used. The neural network is an unlearned one different from the neural network used for selecting the monitoring data.
The neural network was first learned 10,000 times using the learning data and the monitor data. When σ L and σ M were calculated using the obtained neural network, the relationship between σ L and σ M was σ LM.
Thereafter, the neural network is initialized, and the learning network and the monitor data are used to perform learning of the neural network by performing the number of learning times (rounded down) by multiplying the number of learning times by 0.95. It repeated until the relationship of (sigma) L calculated using (sigma) L and (sigma) M became (sigma) L > = (sigma) M. As a result, the analysis level determination value was 3.82%, so learning was terminated.
Using normal Portland cement B different from the above sample, slump was measured for the concrete manufactured under the same conditions as the concrete used in the learning process. The result was 9.0 cm.
On the other hand, the learned neural network obtained was obtained for the Blaine specific surface area, the 31 μm net sieve test residual amount, the amount of each mineral, and the mortar fluidity of 20 ordinary Portland cements used as learning samples and monitoring samples. The estimated slump value was output from the output layer.
The estimated value of the obtained slump was 8.4 ± 0.9 cm (the deviation indicates 3σ).

[比較例2]
実施例2で使用した20個(学習用サンプル18個+モニター用サンプル2個)の普通ポルトランドセメントに関するデータを母集団とし、コンクリートのスランプとの高い相関を有するセメントに関するデータ(セメントキャラクター)及びセメントの物理特性に関するデータであった、セメントのブレーン比表面積、31μm網ふるい試験残分量、各鉱物の量(CS及びCAの量)、及びモルタルフロー(直後、30分後)を説明変数とした重回帰分析を行い、下記回帰式(決定係数R=0.47)を得た。
(コンクリートのスランプ(cm))=(−0.0002)×(セメントのブレーン比表面積(cm/g))+(−0.2)×(31μm網ふるい試験残分量(質量%))+0.03×(CS量(質量%))+(−0.4)×(CA量(質量%))+0.002×(モルタルフロー(直後)値(mm))+0.01×(モルタルフロー(30分後)値(mm))+15
上記回帰式に、実施例2で使用した20個の普通ポルトランドセメントのブレーン比表面積、31μm網ふるい試験残分量、各鉱物の量、及びモルタルフローを代入して得られたスランプの推測値は、8.0±1.5cm(偏差は3σを示す。)であった。
[Comparative Example 2]
Data (cement character) and cement related to cement having high correlation with concrete slump, with data on 20 normal portland cements used in Example 2 (18 learning samples + 2 monitoring samples) as a population. Explains the Blaine specific surface area of cement, 31 μm net sieve test residual amount, amount of each mineral (amount of C 3 S and C 3 A), and mortar flow (immediately, after 30 minutes) Multiple regression analysis using variables was performed to obtain the following regression formula (determination coefficient R 2 = 0.47).
(Concrete slump (cm)) = (− 0.0002) × (cement brane specific surface area (cm 2 /g))+(−0.2)×(31 μm net sieve test residual amount (mass%)) + 0 0.03 × (C 3 S amount (mass%)) + (− 0.4) × (C 3 A amount (mass%)) + 0.002 × (mortar flow (immediately after) value (mm)) + 0.01 × (Mortar flow (after 30 minutes) value (mm)) + 15
The estimated value of the slump obtained by substituting the Blaine specific surface area of the 20 ordinary Portland cements used in Example 2, the 31 μm net sieve test residual amount, the amount of each mineral, and the mortar flow into the above regression equation, It was 8.0 ± 1.5 cm (the deviation shows 3σ).

コンクリートの材齢28日における圧縮強度の予測に関する実施例1で得られた推測値(58.3±2.9N/mm)と、比較例1で得られた推測値(58.9±5.2N/mm)を比較すると、実施例1は比較例1よりも、評価データの実測値(58.4N/mm)に近く、また、信頼性が高いことがわかる。
さらに、コンクリートのスランプの予測に関する実施例2で得られた推測値(8.4±0.9cm)と、比較例2で得られた推測値(8.0±1.5cm)を比較すると、実施例2は比較例2よりも、評価データの実測値(9.0cm)に近く、また、信頼性が高いことがわかる。
The estimated value obtained in Example 1 (58.3 ± 2.9 N / mm 3 ) and the estimated value obtained in Comparative Example 1 (58.9 ± 5) regarding the prediction of compressive strength of concrete at 28 days of age. .2 N / mm 3 ), it can be seen that Example 1 is closer to the actually measured value (58.4 N / mm 2 ) of the evaluation data and more reliable than Comparative Example 1.
Furthermore, when comparing the estimated value (8.4 ± 0.9 cm) obtained in Example 2 regarding prediction of concrete slump with the estimated value (8.0 ± 1.5 cm) obtained in Comparative Example 2, It can be seen that Example 2 is closer to the actually measured value (9.0 cm) of the evaluation data and has higher reliability than Comparative Example 2.

[実施例3]
[コンクリートのスランプの予測]
[使用材料1]
コンクリートの使用材料(普通ポルトランドセメント、高性能AE減水剤、細骨材、粗骨材、消泡剤)は実施例1の使用材料と同じである(以下、実施例4〜6においても同様)。
[使用材料2]
また、モニターデータにおける監視データとして用いたモルタルフロー試験でのモルタルの使用材料は、実施例2の使用材料と同じである(以下、実施例4〜6においても同様)。
[Example 3]
[Prediction of concrete slump]
[Used material 1]
The materials used for concrete (ordinary Portland cement, high-performance AE water reducing agent, fine aggregate, coarse aggregate, antifoaming agent) are the same as those used in Example 1 (hereinafter the same applies to Examples 4 to 6). .
[Used material 2]
Moreover, the material used of the mortar in the mortar flow test used as monitoring data in the monitor data is the same as the material used in Example 2 (hereinafter, the same applies to Examples 4 to 6).

選択用および学習用サンプルとしてサンプリング日の異なる15個の普通ポルトランドセメントについて、上記材料を用いてコンクリートを製造した。
各材料の配合量は、単位セメント量が330kg/m、細骨材率が45質量%、単位水量が165kg/m、高性能AE減水剤の量がコンクリート100質量%中、0.5〜1.0質量%となるようにした。また、空気量が2%以下となるように消泡剤の添加量を調整した。混練直後のコンクリートのスランプを実施例2と同様にして測定した。
得られたスランプを評価データの実測値(選択データおよび学習データ)とした。
Concrete was produced using the above materials for 15 ordinary Portland cements with different sampling dates as selection and learning samples.
The blending amount of each material is such that the unit cement amount is 330 kg / m 3 , the fine aggregate rate is 45% by mass, the unit water amount is 165 kg / m 3 , and the amount of the high-performance AE water reducing agent is 100% by mass in concrete. It was made to be -1.0 mass%. Moreover, the addition amount of the antifoamer was adjusted so that the air amount would be 2% or less. The concrete slump immediately after kneading was measured in the same manner as in Example 2.
The obtained slump was used as an actual measurement value (selection data and learning data) of evaluation data.

15個の学習用サンプルに関して、コンクリートの配合に関するデータとして高性能AE減水剤の量、セメントに関するデータとして各鉱物の量、及び、セメントの物理特性に関するデータとしてモルタルフローを、学習データにおける監視データの実測値とした。
なお、高性能AE減水剤の量は、学習用サンプルとして製造したコンクリートにおいて目標スランプを8±1cmとして添加した量である。
また、各鉱物の量は、上記15個の普通ポルトランドセメントについて、実施例2と同様にして計算したCS及びCAの量である。
また、モルタルフローは、上記15個の普通ポルトランドセメントについて、実施例2と同様にして測定した混練直後の値と混練30分後(混練の終了時から30分後)の値である。
For the 15 learning samples, the amount of high-performance AE water reducing agent as data related to the mix of concrete, the amount of each mineral as data related to cement, and the mortar flow as data related to the physical properties of cement, the monitoring data in the learning data The measured value was used.
The amount of the high-performance AE water reducing agent is an amount obtained by adding the target slump as 8 ± 1 cm in the concrete manufactured as the learning sample.
The amount of each mineral is the amount of C 3 S and C 3 A calculated in the same manner as in Example 2 for the 15 ordinary Portland cements.
The mortar flow is a value immediately after kneading and a value after 30 minutes after kneading (30 minutes after the end of kneading), measured in the same manner as in Example 2 for the 15 ordinary Portland cements.

[監視データの選択]
上述した監視データ(高性能AE減水剤の量、CS及びCAの量、モルタルフロー(直後、30分後))のうち、表3に示す監視データを選択した条件1〜4の各々について(表3中、選択した監視データを「○」で示す。)、選択した監視データの実測値と、評価データの実測値を用いて、未学習のニューラルネットワークの学習を行った。該学習は1300回行った。
学習後のニューラルネットワークの入力層に、選択した監視データの実測値を入力して得られた評価データの推測値と、評価データの実測値との平均2乗誤差(表3中、「RMSE」と示す。)を算出した。
結果を表3に示す。
条件1〜4のうち、平均2乗誤差の値が最も小さかった条件1において選択した監視データの組み合わせ(高性能AE減水剤の量、CS及びCAの量、モルタルフロー(直後、30分後))を、ニューラルネットワークの学習に用いられる監視データ(学習データおよびモニターデータ)とした。
[Select monitoring data]
Of the monitoring data described above (the amount of high-performance AE water reducing agent, the amount of C 3 S and C 3 A, the mortar flow (immediately, after 30 minutes)), the conditions 1 to 4 for selecting the monitoring data shown in Table 3 For each (the selected monitoring data is indicated by “◯” in Table 3), an unlearned neural network was trained using the measured value of the selected monitoring data and the measured value of the evaluation data. The learning was performed 1300 times.
Mean square error between the estimated value of the evaluation data obtained by inputting the actual measurement value of the selected monitoring data to the input layer of the neural network after learning ("RMSE" in Table 3) Calculated).
The results are shown in Table 3.
Among the conditions 1 to 4, the combination of the monitoring data selected in the condition 1 in which the value of the mean square error was the smallest (amount of high-performance AE water reducing agent, amounts of C 3 S and C 3 A, mortar flow (immediately, 30 minutes later)) was used as monitoring data (learning data and monitor data) used for learning of the neural network.

Figure 2017087716
Figure 2017087716

また、モニター用のサンプルとして、前記15個のサンプルとはサンプリング日の異なる2個の普通ポルトランドセメントを用いて、コンクリートのスランプを学習データと同様に測定して、モニターデータ(評価データの実測値)とした。
さらに、上記2個の普通ポルトランドセメントを用いたコンクリートの高性能AE減水剤の量、上記2個の普通ポルトランドセメントの各鉱物の量、及び上記2個の普通ポルトランドセメントを用いたモルタルフローを、学習データと同様にして得て、モニターデータ(監視データの実測値)とした。
In addition, using two normal Portland cements with different sampling dates as the 15 samples, the concrete slump was measured in the same way as the learning data, and the monitor data (actual value of the evaluation data was measured). ).
Furthermore, the amount of the high-performance AE water reducing agent of the concrete using the two ordinary Portland cements, the amount of each mineral of the two ordinary Portland cements, and the mortar flow using the two ordinary Portland cements, It was obtained in the same manner as the learning data and used as monitor data (actually measured value of monitoring data).

上記学習データを用いて、ニューラルネットワークの学習を行った。ニューラルネットワークとしては、入力層、中間層及び出力層を有する階層型のニューラルネットワークを用いた。なお、該ニューラルネットワークは、監視データの選択に用いたニューラルネットワークとは異なる未学習のものである。
ニューラルネットワークの学習は、最初に上記学習データとモニターデータを用いて10,000回行った。得られたニューラルネットワークを用いて、σとσを算出したところ、σとσの関係はσ<σであった。
その後、ニューラルネットワークを初期化し、上記学習データとモニターデータを用いて、ニューラルネットワークの学習を、前記学習回数に0.95を乗じた数の学習回数(端数切捨て)行うことを、学習後のニューラルネットワークを用いて算出されたσとσの関係がσ≧σとなるまで繰り返した。その結果、解析度判定値は、2.56%となったので、学習を終了した。
上記サンプルとは異なる普通ポルトランドセメントBを用いて、上記学習プロセスで使用したコンクリートと同一の条件で製造したコンクリートについて、スランプを測定した。その結果は、8.5cmであった。
一方、学習データおよびモニターデータにおける、17個の監視データの実測値の組み合わせ(高性能AE減水剤の量、各鉱物の量、及びモルタルフローの組み合わせ)を、得られた学習済みのニューラルネットワークの入力層に入力し、出力層より、スランプの推測値を出力した。
得られたスランプの推測値は、8.2±0.6cm(偏差は3σを示す。)であり、実測値と予測値はほぼ一致した。
The neural network was learned using the learning data. As the neural network, a hierarchical neural network having an input layer, an intermediate layer, and an output layer was used. The neural network is an unlearned one different from the neural network used for selecting the monitoring data.
The neural network was first learned 10,000 times using the learning data and the monitor data. When σ L and σ M were calculated using the obtained neural network, the relationship between σ L and σ M was σ LM.
After that, the neural network is initialized, and the learning data and the monitor data are used to learn the neural network by performing the number of learning times (rounded down) by multiplying the number of learning times by 0.95. The relationship between σ L and σ M calculated using the network was repeated until σ L ≧ σ M. As a result, the analysis level determination value was 2.56%, so the learning was terminated.
Using normal Portland cement B different from the above sample, slump was measured for the concrete manufactured under the same conditions as the concrete used in the learning process. The result was 8.5 cm.
On the other hand, in the learning data and the monitor data, the combination of the actual measurement values of the 17 monitoring data (a combination of the amount of high-performance AE water reducing agent, the amount of each mineral, and the mortar flow) Input to the input layer and output the estimated slump value from the output layer.
The estimated value of the obtained slump was 8.2 ± 0.6 cm (deviation shows 3σ), and the actually measured value and the predicted value almost coincided.

[比較例3]
実施例3で使用した17個(学習用サンプル15個+モニター用サンプル2個)の普通ポルトランドセメントに関するデータを母集団とし、コンクリートのスランプとの高い相関を有する、コンクリートの配合に関するデータ、セメントに関するデータ、及び、セメントの物理特性に関するデータであった、高性能AE減水剤の量、各鉱物の量(CS及びCAの量)、及びモルタルフロー(直後、30分後)を説明変数とした重回帰分析を行い、下記回帰式(決定係数R=0.42)を得た。
(コンクリートのスランプ(cm))=(8.95)×(高性能AE減水剤の量(質量%))+(0.04)×(CS量(質量%))−1.09×(CA量(質量%))+1.9×10−3×(モルタルフロー(直後)値(mm))−1.5×10−3×(モルタルフロー(30分後)値(mm))+10.7
上記回帰式に、実施例3で使用した17個の普通ポルトランドセメントに関するデータである、高性能AE減水剤の量、各鉱物の量、及びモルタルフローを代入して得られたスランプの推測値は、8.1±1.4cm(偏差は3σを示す。)であった。
[Comparative Example 3]
Data related to concrete blending, which has a high correlation with concrete slump, with data regarding 17 ordinary Portland cements used in Example 3 (15 learning samples + 2 monitoring samples) as a population, and cement Explains the amount of high-performance AE water reducing agent, amount of each mineral (amount of C 3 S and C 3 A), and mortar flow (immediately after 30 minutes) Multiple regression analysis was performed using variables, and the following regression equation (determination coefficient R 2 = 0.42) was obtained.
(Concrete slump (cm)) = (8.95) × (Amount of high performance AE water reducing agent (mass%)) + (0.04) × (C 3 S amount (mass%)) − 1.09 × (C 3 A amount (% by mass)) + 1.9 × 10 −3 × (mortar flow (immediately after) value (mm)) − 1.5 × 10 −3 × (mortar flow (after 30 minutes) value (mm) ) +10.7
The estimated value of the slump obtained by substituting the amount of the high-performance AE water reducing agent, the amount of each mineral, and the mortar flow, which is data on the 17 ordinary Portland cements used in Example 3, into the regression equation is as follows. 8.1 ± 1.4 cm (deviation shows 3σ).

[実施例4]
[コンクリートのスランプの予測]
選択用および学習用サンプルとしてサンプリング日の異なる15個の普通ポルトランドセメントについて、上記材料を用いてコンクリートを製造した。
各材料の配合量は、水とセメントの質量比(水/セメント)が0.3、細骨材率が45質量%、高性能AE減水剤の量がセメント100質量%に対して0.7質量%となるようにした。また、空気量が2%以下となるように消泡剤の添加量を調整したコンクリートを製造し、混練直後のコンクリートのスランプを測定した。
なお、コンクリートの製造およびスランプの測定方法は実施例2と同じである。
得られたスランプを評価データの実測値(選択データおよび学習データ)とした。
[Example 4]
[Prediction of concrete slump]
Concrete was produced using the above materials for 15 ordinary Portland cements with different sampling dates as selection and learning samples.
The blending amount of each material is such that the mass ratio of water to cement (water / cement) is 0.3, the fine aggregate ratio is 45% by mass, and the amount of high-performance AE water reducing agent is 0.7% with respect to 100% by mass of cement. It was made to become mass%. Moreover, the concrete which adjusted the addition amount of the antifoamer so that air amount might be 2% or less was manufactured, and the slump of the concrete immediately after kneading | mixing was measured.
The concrete production and the slump measurement method are the same as in Example 2.
The obtained slump was used as an actual measurement value (selection data and learning data) of evaluation data.

上記15個の学習用サンプルに関して、コンクリートの配合に関するデータとして単位水量、セメントに関するデータとして各鉱物の量、及び、セメントの物理特性に関するデータとしてモルタルフローを、学習データにおける監視データの実測値とした。
なお、単位水量は、学習用サンプルとして製造したコンクリートにおいて、所要のスランプ(8±1cm)を得ることができる範囲でできるだけ小さくなるよう試験を行って調整した値である。
また、各鉱物の量は、上記15個の普通ポルトランドセメントについて、実施例2と同様にして計算したCS及びCAの量である。
また、モルタルフローは、上記15個の普通ポルトランドセメントについて、実施例2と同様にして測定した混練直後の値と混練30分後の値である。
Regarding the above 15 learning samples, the unit water amount as the data regarding the blending of the concrete, the amount of each mineral as the data regarding the cement, and the mortar flow as the data regarding the physical properties of the cement were used as the actual values of the monitoring data in the learning data. .
The unit water amount is a value adjusted by conducting a test so as to be as small as possible in a range where a required slump (8 ± 1 cm) can be obtained in the concrete manufactured as a learning sample.
The amount of each mineral is the amount of C 3 S and C 3 A calculated in the same manner as in Example 2 for the 15 ordinary Portland cements.
The mortar flow is a value immediately after kneading and a value after 30 minutes of kneading, measured in the same manner as in Example 2 for the 15 ordinary Portland cements.

[監視データの選択]
上述した監視データ(単位水量、CS及びCAの量、及びモルタルフロー(直後、30分後))のうち、表4に示す監視データを選択した条件1〜4の各々について(表4中、選択した監視データを「○」で示す。)、監視データの実測値と、評価データの実測値を用いて、未学習のニューラルネットワークの学習を行った。該学習は800回行った。
学習後のニューラルネットワークの入力層に、選択した監視データの実測値を入力して得られた評価データの推測値と、評価データの実測値との平均2乗誤差(表4中、「RMSE」と示す。)を算出した。
結果を表4に示す。
条件1〜4のうち、平均2乗誤差の値が最も小さかった条件1において選択した監視データの組み合わせ(単位水量、CS及びCAの量、モルタルフロー(直後、30分後))を、ニューラルネットワークの学習に用いられる監視データ(学習データおよびモニターデータ)とした。
[Select monitoring data]
Of each of the monitoring data (unit water amount, C 3 S and C 3 A amount, and mortar flow (immediately, after 30 minutes)) described above, each of the conditions 1 to 4 for selecting the monitoring data shown in Table 4 (Table 4, the selected monitoring data is indicated by “◯”.) Using the actually measured value of the monitoring data and the actually measured value of the evaluation data, an unlearned neural network was learned. The learning was performed 800 times.
Mean square error between the estimated value of the evaluation data obtained by inputting the actual measurement value of the selected monitoring data to the input layer of the neural network after learning ("RMSE" in Table 4) Calculated).
The results are shown in Table 4.
Among conditions 1 to 4, combination of monitoring data selected in condition 1 with the smallest mean square error value (unit water amount, amount of C 3 S and C 3 A, mortar flow (immediately, after 30 minutes)) Was used as monitoring data (learning data and monitor data) used for learning of the neural network.

Figure 2017087716
Figure 2017087716

また、モニター用のサンプルとして、前記15個のサンプルとはサンプリング日の異なる2個の普通ポルトランドセメントを用いて、コンクリートのスランプを学習データと同様に測定して、モニターデータ(評価データの実測値)とした。
さらに、上記2個の普通ポルトランドセメントを用いたコンクリートの単位水量、上記2個の普通ポルトランドセメントの各鉱物の量、及び上記2個の普通ポルトランドセメントを用いたモルタルフローを、学習データと同様に測定して、モニターデータ(監視データの実測値)とした。
In addition, using two normal Portland cements with different sampling dates as the 15 samples, the concrete slump was measured in the same way as the learning data, and the monitor data (actual value of the evaluation data was measured). ).
Furthermore, the unit water amount of the concrete using the above two ordinary Portland cements, the amount of each mineral of the above two ordinary Portland cements, and the mortar flow using the above two ordinary Portland cements are similar to the learning data. Measurement was made to monitor data (actual value of monitoring data).

上記学習データを用いて、ニューラルネットワークの学習を行った。ニューラルネットワークとしては、入力層、中間層及び出力層を有する階層型のニューラルネットワークを用いた。なお、該ニューラルネットワークは、監視データの選択に用いたニューラルネットワークとは異なる未学習のものである。
ニューラルネットワークの学習は、最初に上記学習データとモニターデータを用いて10,000回行った。得られたニューラルネットワークを用いて、σとσMを算出したところ、σとσの関係はσ<σであった。
その後、ニューラルネットワークを初期化し、上記学習データとモニターデータを用いて、ニューラルネットワークの学習を、前記学習回数に0.95を乗じた数の学習回数(端数切捨て)行うことを、学習後のニューラルネットワークを用いて算出されたσとσの関係がσ≧σとなるまで繰り返した。その結果、解析度判定値は、4.66%となったので、学習を終了した。
上記サンプルとは異なる普通ポルトランドセメントBを用いて、上記学習プロセスで使用したコンクリートと同一の条件で製造したコンクリートについて、スランプを測定した。その結果は、7.5cmであった。
一方、学習データおよびモニターデータにおける、17個の監視データの実測値の組み合わせ(単位水量、各鉱物の量、及びモルタルフローの組み合わせ)を、得られた学習済みのニューラルネットワークの入力層に入力し、出力層より、スランプの推測値を出力した。
得られたスランプの推測値は、7.3±1.2cm(偏差は3σを示す。)であり、実測値と予測値はほぼ一致した。
The neural network was learned using the learning data. As the neural network, a hierarchical neural network having an input layer, an intermediate layer, and an output layer was used. The neural network is an unlearned one different from the neural network used for selecting the monitoring data.
The neural network was first learned 10,000 times using the learning data and the monitor data. When σ L and σ M were calculated using the obtained neural network, the relationship between σ L and σ M was σ LM.
After that, the neural network is initialized, and the learning data and the monitor data are used to learn the neural network by performing the number of learning times (rounded down) by multiplying the number of learning times by 0.95. The relationship between σ L and σ M calculated using the network was repeated until σ L ≧ σ M. As a result, the analysis level determination value was 4.66%, so the learning was terminated.
Using normal Portland cement B different from the above sample, slump was measured for the concrete manufactured under the same conditions as the concrete used in the learning process. The result was 7.5 cm.
On the other hand, a combination of measured values of 17 monitoring data (a combination of unit water amount, amount of each mineral, and mortar flow) in learning data and monitor data is input to the input layer of the obtained learned neural network. The estimated slump value was output from the output layer.
The estimated value of the obtained slump was 7.3 ± 1.2 cm (the deviation indicates 3σ), and the actually measured value and the predicted value almost coincided.

[比較例4]
実施例4で使用した17個(学習用サンプル15個+モニター用サンプル2個)の普通ポルトランドセメントに関するデータを母集団とし、コンクリートのスランプとの高い相関を有する、コンクリートの配合に関するデータ、セメントに関するデータ、及び、セメントの物理特性に関するデータであった、単位水量、各鉱物の量(CS及びCAの量)、及びモルタルフロー(直後、30分後)を説明変数とした重回帰分析を行い、下記回帰式(決定係数R=0.47)を得た。
(コンクリートのスランプ(cm))=(0.16)×(単位水量(kg/m))−(0.15)×(CS量(質量%))+1.20×(CA量(質量%))−0.01×(モルタルフロー(直後)値(mm))+0.02×(モルタルフロー(30分後)値(mm))+2.82
上記回帰式に、実施例4で使用した17個の普通ポルトランドセメントに関するデータである単位水量、各鉱物の量、及びモルタルフローを代入して得られたスランプの推測値は、7.1±1.7cm(偏差は3σを示す。)であった。
[Comparative Example 4]
Data on concrete blending, which has a high correlation with concrete slump, with data on 17 normal portland cements used in Example 4 (15 learning samples + 2 monitoring samples) as a population, and on cement Multiple regression using data and data related to the physical properties of cement, with the unit water amount, the amount of each mineral (the amount of C 3 S and C 3 A), and the mortar flow (immediately, after 30 minutes) as explanatory variables Analysis was performed to obtain the following regression equation (decision coefficient R 2 = 0.47).
(Concrete slump (cm)) = (0.16) × (unit water amount (kg / m 3 )) − (0.15) × (C 3 S amount (mass%)) + 1.20 × (C 3 A Amount (% by mass))-0.01 × (mortar flow (immediately after) value (mm)) + 0.02 × (mortar flow (after 30 minutes) value (mm)) + 2.82
The estimated value of slump obtained by substituting the unit water amount, the amount of each mineral, and the mortar flow, which are data on the 17 ordinary Portland cements used in Example 4, into the regression equation is 7.1 ± 1. 0.7 cm (deviation shows 3σ).

[実施例5]
[スランプフローの予測]
選択用および学習用サンプルとしてサンプリング日の異なる15個の普通ポルトランドセメントについて、上記材料を用いてコンクリートを製造した。
各材料の配合量は、単位セメント量が330kg/m、細骨材率が45質量%、単位水量が165kg/mとなるようにした。また、空気量が2%以下となるように消泡剤の添加量を調整したコンクリートを製造し、混練直後のコンクリートのスランプフローを測定した。
コンクリートの製造方法は実施例2と同じである。スランプフローは「JIS A 1150(コンクリートのスランプフロー試験方法)」に準拠して測定した。
得られたスランプフローを評価データの実測値(選択データおよび学習データ)とした。
[Example 5]
[Prediction of slump flow]
Concrete was produced using the above materials for 15 ordinary Portland cements with different sampling dates as selection and learning samples.
The blending amount of each material was such that the unit cement amount was 330 kg / m 3 , the fine aggregate rate was 45 mass%, and the unit water amount was 165 kg / m 3 . Moreover, the concrete which adjusted the addition amount of the antifoamer so that air amount might be 2% or less was manufactured, and the slump flow of the concrete immediately after kneading | mixing was measured.
The method for producing concrete is the same as in Example 2. The slump flow was measured in accordance with “JIS A 1150 (Concrete slump flow test method)”.
The obtained slump flow was used as an actual measurement value (selection data and learning data) of evaluation data.

また、上記15個の学習用サンプルに関して、コンクリートの配合に関するデータとして高性能AE減水剤の量、セメントに関するデータとして各鉱物の量(CS及びCAの量)、及び、セメントの物理特性に関するデータとしてモルタルフロー(直後、30分後)を、学習データにおける監視データの実測値とした。
これらのデータを得る方法は、実施例3と同じである。
In addition, regarding the above 15 learning samples, the amount of high-performance AE water reducing agent as data relating to the blending of concrete, the amount of each mineral (amount of C 3 S and C 3 A) as data relating to cement, and the physics of cement The mortar flow (immediately, after 30 minutes) was used as the data relating to the characteristics as the measured value of the monitoring data in the learning data.
The method for obtaining these data is the same as in the third embodiment.

[監視データの選択]
上述した監視データ(高性能AE減水剤の量、CS及びCAの量、モルタルフロー(直後、30分後))のうち、表5に示す監視データを選択した条件1〜4の各々について(表5中、選択した監視データを「○」で示す。)、監視データの実測値と、評価データの実測値を用いて、未学習のニューラルネットワークの学習を行った。該学習は1500回行った。
学習後のニューラルネットワークの入力層に、選択した監視データの実測値を入力して得られた評価データの推測値と、評価データの実測値との平均2乗誤差(表5中、「RMSE」と示す。)を算出した。
結果を表5に示す。
条件1〜4のうち、平均2乗誤差の値が最も小さかった条件1において選択した監視データの組み合わせ(高性能AE減水剤の量、CS及びCAの量、モルタルフロー(直後、30分後))を、ニューラルネットワークの学習に用いられる監視データ(学習データおよびモニターデータ)とした。
[Select monitoring data]
Of the monitoring data described above (the amount of high-performance AE water reducing agent, the amount of C 3 S and C 3 A, the mortar flow (immediately, after 30 minutes)), the monitoring data shown in Table 5 were selected under conditions 1 to 4 For each (the selected monitoring data is indicated by “◯” in Table 5), an unlearned neural network was trained using the measured value of the monitored data and the measured value of the evaluation data. The learning was performed 1500 times.
Mean square error between the estimated value of the evaluation data obtained by inputting the actual measurement value of the selected monitoring data to the input layer of the neural network after learning ("RMSE" in Table 5) Calculated).
The results are shown in Table 5.
Among the conditions 1 to 4, the combination of the monitoring data selected in the condition 1 in which the value of the mean square error was the smallest (amount of high-performance AE water reducing agent, amounts of C 3 S and C 3 A, mortar flow (immediately, 30 minutes later)) was used as monitoring data (learning data and monitor data) used for learning of the neural network.

Figure 2017087716
Figure 2017087716

また、モニター用のサンプルとして、前記15個のサンプルとはサンプリング日の異なる2個の普通ポルトランドセメントを用いて、コンクリートのスランプフローを学習データと同様に測定して、モニターデータ(評価データの実測値)とした。
さらに、上記2個の普通ポルトランドセメントを用いたコンクリートの高性能AE減水剤量、上記2個の普通ポルトランドセメントの各鉱物の量、及び上記2個の普通ポルトランドセメントを用いたモルタルフローを、学習データと同様に測定して、モニターデータ(監視データの実測値)とした。
In addition, using two normal Portland cements with different sampling dates as the 15 samples, the concrete slump flow was measured in the same way as the learning data, and the monitor data (actually measured evaluation data) was measured. Value).
Furthermore, learn the amount of high-performance AE water reducing agent of concrete using the above two ordinary Portland cements, the amount of each mineral of the above two ordinary Portland cements, and the mortar flow using the above two ordinary Portland cements. Measurement was performed in the same manner as the data to obtain monitor data (actual value of monitoring data).

上記学習データを用いて、ニューラルネットワークの学習を行った。ニューラルネットワークとしては、入力層、中間層及び出力層を有する階層型のニューラルネットワークを用いた。なお、該ニューラルネットワークは、監視データの選択に用いたニューラルネットワークとは異なる未学習のものである。
ニューラルネットワークの学習は、最初に上記学習データとモニターデータを用いて10,000回行った。得られたニューラルネットワークを用いて、σとσMを算出したところ、σとσの関係はσ<σであった。
その後、ニューラルネットワークを初期化し、上記学習データとモニターデータを用いて、ニューラルネットワークの学習を、前記学習回数に0.95を乗じた数の学習回数(端数切捨て)行うことを、学習後のニューラルネットワークを用いて算出されたσとσの関係がσ≧σとなるまで繰り返した。その結果、解析度判定値は、0.34%となったので、学習を終了した。
上記サンプルとは異なる普通ポルトランドセメントBを用いて、上記学習プロセスで使用したコンクリートと同一の条件で製造したコンクリートについて、スランプフローを測定した。その結果は、58.5cmであった。
一方、学習データおよびモニターデータにおける、17個の監視データの実測値の組み合わせ(高性能AE減水剤の量、各鉱物の量、及び、モルタルフローの組み合わせ)を、得られた学習済みのニューラルネットワークの入力層に入力し、出力層より、スランプフローの推測値を出力した。
得られたスランプフローの推測値は、58.6±0.6cm(偏差は3σを示す。)であり、実測値と予測値はほぼ一致した。
The neural network was learned using the learning data. As the neural network, a hierarchical neural network having an input layer, an intermediate layer, and an output layer was used. The neural network is an unlearned one different from the neural network used for selecting the monitoring data.
The neural network was first learned 10,000 times using the learning data and the monitor data. When σ L and σ M were calculated using the obtained neural network, the relationship between σ L and σ M was σ LM.
After that, the neural network is initialized, and the learning data and the monitor data are used to learn the neural network by performing the number of learning times (rounded down) by multiplying the number of learning times by 0.95. The relationship between σ L and σ M calculated using the network was repeated until σ L ≧ σ M. As a result, the analysis level determination value was 0.34%, so learning was terminated.
The slump flow was measured about the concrete manufactured on the same conditions as the concrete used by the said learning process using normal Portland cement B different from the said sample. The result was 58.5 cm.
On the other hand, a learned neural network obtained by combining a combination of measured values of 17 monitoring data (amount of high-performance AE water reducing agent, amount of each mineral, and mortar flow) in learning data and monitor data. The estimated slump flow was output from the output layer.
The estimated value of the obtained slump flow was 58.6 ± 0.6 cm (deviation shows 3σ), and the actually measured value and the predicted value almost coincided.

[比較例5]
実施例5で使用した17個(学習用サンプル15個+モニター用サンプル2個)の普通ポルトランドセメントに関するデータを母集団とし、コンクリートのスランプフローとの高い相関を有する、コンクリートの配合に関するデータ、セメントに関するデータ、及び、セメントの物理特性に関するデータであった、高性能AE減水剤の量、各鉱物の量(CS及びCAの量)、及びモルタルフロー(直後、30分後)を説明変数とした重回帰分析を行い、下記回帰式(決定係数R=0.51)を得た。
(コンクリートのスランプフロー(cm))=(15.9)×(高性能AE減水剤の量(質量%))−(0.11)×(CS量(質量%))−(0.19)×(CA量(質量%))+(0.05)×(モルタルフロー(直後)値(mm))−(0.02)×(モルタルフロー(30分後)値(mm))+33.9
上記回帰式に、実施例5で使用した17個の普通ポルトランドセメントに関するデータである、高性能AE減水剤の量、各鉱物の量、及びモルタルフローを代入して得られたスランプフローの推測値は、59.1±1.6cm(偏差は3σを示す。)であった。
[Comparative Example 5]
Data on concrete blending, which has a high correlation with the slump flow of concrete, with the data on 17 ordinary portland cements used in Example 5 (15 learning samples + 2 monitoring samples) as the population, cement The amount of high-performance AE water reducing agent, the amount of each mineral (amount of C 3 S and C 3 A), and the mortar flow (immediately, after 30 minutes) Multiple regression analysis was performed using explanatory variables, and the following regression equation (decision coefficient R 2 = 0.51) was obtained.
(Slump flow of concrete (cm)) = (15.9) × (Amount of high-performance AE water reducing agent (mass%)) − (0.11) × (Amount of C 3 S (mass%)) − (0. 19) × (C 3 A amount (mass%)) + (0.05) × (mortar flow (immediately after) value (mm)) − (0.02) × (mortar flow (after 30 minutes) value (mm) ) +33.9
The estimated value of the slump flow obtained by substituting the amount of the high-performance AE water reducing agent, the amount of each mineral, and the mortar flow, which is data on the 17 ordinary Portland cements used in Example 5, into the regression equation. Was 59.1 ± 1.6 cm (deviation shows 3σ).

[実施例6]
[スランプフローの予測]
選択用および学習用サンプルとしてサンプリング日の異なる15個の普通ポルトランドセメントについて、上記材料を用いてコンクリートを製造した。
各材料の配合量は、水とセメントの質量比(水/セメント)が0.3、細骨材率が45質量%、高性能AE減水剤の量がセメント100質量%に対して0.7質量%となるようにした。また、空気量が2%以下となるように消泡剤の添加量を調整したコンクリートを製造し、混練直後のコンクリートのスランプフローを測定した。
コンクリートの製造およびスランプフローの測定方法は実施例5と同じである。
得られたスランプフローを評価データの実測値(選択データおよび学習データ)とした。
[Example 6]
[Prediction of slump flow]
Concrete was produced using the above materials for 15 ordinary Portland cements with different sampling dates as selection and learning samples.
The blending amount of each material is such that the mass ratio of water to cement (water / cement) is 0.3, the fine aggregate ratio is 45% by mass, and the amount of high-performance AE water reducing agent is 0.7% with respect to 100% by mass of cement. It was made to become mass%. Moreover, the concrete which adjusted the addition amount of the antifoamer so that air amount might be 2% or less was manufactured, and the slump flow of the concrete immediately after kneading | mixing was measured.
The concrete production and slump flow measurement methods are the same as in Example 5.
The obtained slump flow was used as an actual measurement value (selection data and learning data) of evaluation data.

また、上記15個の学習用サンプルに関して、コンクリートの配合に関するデータとして単位水量、セメントに関するデータとして各鉱物の量(CS及びCAの量)、及び、セメントの物理特性に関するデータとしてモルタルフロー(直後、30分後)を監視データの実測値(選択データおよび学習データ)とした。
これらのデータを得る方法は、実施例4と同じである。
Further, regarding the above 15 learning samples, the amount of unit water as data relating to the blending of concrete, the amount of each mineral (amount of C 3 S and C 3 A) as data relating to cement, and the mortar as data relating to physical properties of cement The flow (immediately, after 30 minutes) was used as the actual measurement value (selection data and learning data) of the monitoring data.
The method for obtaining these data is the same as in the fourth embodiment.

[監視データの選択]
上述した監視データ(単位水量、CS及びCAの量、及びモルタルフロー(直後、30分後))のうち、表6に示す監視データを選択した条件1〜4の各々について(表6中、選択した監視データを「○」で示す。)、監視データの実測値と、評価データの実測値を用いて、未学習のニューラルネットワークの学習を行った。該学習は900回行った。
学習後のニューラルネットワークの入力層に、選択した監視データの実測値を入力して得られた評価データの推測値と、評価データの実測値との平均2乗誤差(表6中、「RMSE」と示す。)を算出した。
結果を表6に示す。
条件1〜4のうち、平均2乗誤差の値が最も小さかった条件1において選択した監視データの組み合わせ(単位水量、CS及びCAの量、モルタルフロー(直後、30分後))を、ニューラルネットワークの学習に用いられる監視データ(学習データおよびモニターデータ)とした。
[Select monitoring data]
Among the above-described monitoring data (unit water amount, C 3 S and C 3 A amounts, and mortar flow (immediately, after 30 minutes)), each of the conditions 1 to 4 for selecting the monitoring data shown in Table 6 (Table 6, the selected monitoring data is indicated by “◯”.) Using the actually measured value of the monitoring data and the actually measured value of the evaluation data, learning of an unlearned neural network was performed. The learning was performed 900 times.
Mean square error between the estimated value of the evaluation data obtained by inputting the actual measurement value of the selected monitoring data to the input layer of the neural network after learning ("RMSE" in Table 6) Calculated).
The results are shown in Table 6.
Among conditions 1 to 4, combination of monitoring data selected in condition 1 with the smallest mean square error value (unit water amount, amount of C 3 S and C 3 A, mortar flow (immediately, after 30 minutes)) Was used as monitoring data (learning data and monitor data) used for learning of the neural network.

Figure 2017087716
Figure 2017087716

また、モニター用のサンプルとして、前記15個のサンプルとはサンプリング日の異なる2個の普通ポルトランドセメントを用いて、コンクリートのスランプフローを学習データと同様に測定して、モニターデータ(評価データの実測値)とした。
さらに、上記2個の普通ポルトランドセメントを用いたコンクリートの単位水量、上記2個の普通ポルトランドセメントの各鉱物の量、及び上記2個の普通ポルトランドセメントを用いたモルタルフローを、学習データと同様に測定して、モニターデータ(監視データの実測値)とした。
In addition, using two normal Portland cements with different sampling dates as the 15 samples, the concrete slump flow was measured in the same way as the learning data, and the monitor data (actually measured evaluation data) was measured. Value).
Furthermore, the unit water amount of the concrete using the above two ordinary Portland cements, the amount of each mineral of the above two ordinary Portland cements, and the mortar flow using the above two ordinary Portland cements are similar to the learning data. Measurement was made to monitor data (actual value of monitoring data).

上記学習データを用いて、ニューラルネットワークの学習を行った。ニューラルネットワークとしては、入力層、中間層及び出力層を有する階層型のニューラルネットワークを用いた。なお、該ニューラルネットワークは、監視データの選択に用いたニューラルネットワークとは異なる未学習のものである。
ニューラルネットワークの学習は、最初に上記学習データとモニターデータを用いて10,000回行った。得られたニューラルネットワークを用いて、σとσMを算出したところ、σとσの関係はσ<σであった。
その後、ニューラルネットワークを初期化し、上記学習データとモニターデータを用いて、ニューラルネットワークの学習を、前記学習回数に0.95を乗じた数の学習回数(端数切捨て)行うことを、学習後のニューラルネットワークを用いて算出されたσとσの関係がσ≧σとなるまで繰り返した。その結果、解析度判定値は、1.07%となったので、学習を終了した。
上記サンプルとは異なる普通ポルトランドセメントBを用いて、上記学習プロセスで使用したコンクリートと同一の条件で製造したコンクリートについて、スランプフローを測定した。その結果は、59.8cmであった。
一方、学習データおよびモニターデータにおける、17個の監視データの実測値の組み合わせ(単位水量、各鉱物の量、及びモルタルフローの組み合わせ)を、得られた学習済みのニューラルネットワークの入力層に入力し、出力層よりスランプフローの推測値を出力した。
得られたスランプフローの推測値は、59.6±1.0cm(偏差は3σを示す。)であり、実測値と予測値はほぼ一致した。
The neural network was learned using the learning data. As the neural network, a hierarchical neural network having an input layer, an intermediate layer, and an output layer was used. The neural network is an unlearned one different from the neural network used for selecting the monitoring data.
The neural network was first learned 10,000 times using the learning data and the monitor data. When σ L and σ M were calculated using the obtained neural network, the relationship between σ L and σ M was σ LM.
After that, the neural network is initialized, and the learning data and the monitor data are used to learn the neural network by performing the number of learning times (rounded down) by multiplying the number of learning times by 0.95. The relationship between σ L and σ M calculated using the network was repeated until σ L ≧ σ M. As a result, the analysis level determination value was 1.07%, so learning was terminated.
The slump flow was measured about the concrete manufactured on the same conditions as the concrete used by the said learning process using normal Portland cement B different from the said sample. The result was 59.8 cm.
On the other hand, a combination of measured values of 17 monitoring data (a combination of unit water amount, amount of each mineral, and mortar flow) in learning data and monitor data is input to the input layer of the obtained learned neural network. The estimated slump flow was output from the output layer.
The estimated value of the obtained slump flow was 59.6 ± 1.0 cm (the deviation indicates 3σ), and the actually measured value and the predicted value almost coincided.

[比較例6]
実施例6で使用した17個(学習用サンプル15個+モニター用サンプル2個)の普通ポルトランドセメントに関するデータを母集団とし、コンクリートのスランプフローとの高い相関を有する、コンクリートの配合に関するデータ、セメントに関するデータ、及び、セメントの物理特性に関するデータであった、単位水量、各鉱物の量(CS及びCAの量)、及びモルタルフロー(直後、30分後)を説明変数とした重回帰分析を行い、下記回帰式(決定係数R=0.39)を得た。
(コンクリートのスランプフロー(cm))=(0.03)×(単位水量(kg/m))−(0.03)×(CS量(質量%))−1.55×(CA量(質量%))−3.1×10−3×(モルタルフロー(直後)値(mm))−4.2×10−4×(モルタルフロー(30分後)値(mm))+18.4
上記回帰式に、実施例6で使用した17個の普通ポルトランドセメントに関するデータである単位水量、各鉱物の量、及びモルタルフローを代入して得られたスランプフローの推測値は、59.0±2.1cm(偏差は3σを示す。)であった。
[Comparative Example 6]
Data on concrete blending, which has a high correlation with the slump flow of concrete, with the data on 17 normal Portland cements used in Example 6 (15 learning samples + 2 monitoring samples) as the population, cement The weight of unit water, the amount of each mineral (amount of C 3 S and C 3 A), and the mortar flow (immediately, after 30 minutes) were explanatory variables Regression analysis was performed to obtain the following regression formula (determination coefficient R 2 = 0.39).
(Slump flow of concrete (cm)) = (0.03) × (unit water amount (kg / m 3 )) − (0.03) × (C 3 S amount (mass%)) − 1.55 × (C 3 A amount (% by mass))-3.1 × 10 −3 × (mortar flow (immediately after) value (mm)) − 4.2 × 10 −4 × (mortar flow (after 30 minutes) value (mm)) +18.4
The estimated value of the slump flow obtained by substituting the unit water amount, the amount of each mineral, and the mortar flow, which is data on the 17 ordinary Portland cements used in Example 6, into the regression equation is 59.0 ±. It was 2.1 cm (deviation shows 3σ).

コンクリートのスランプの予測に関する実施例3で得られた推測値(8.2±0.6cm)と、比較例3で得られた推測値(8.1±1.4cm)を比較すると、実施例3は比較例3よりも、評価データの実測値(8.5cm)に近く、また、信頼性が高いことがわかる。
コンクリートのスランプの予測に関する実施例4で得られた推測値(7.3±1.2cm)と、比較例4で得られた推測値(7.1±1.7cm)を比較すると、実施例4は比較例4よりも、評価データの実測値(7.5cm)に近く、また、信頼性が高いことがわかる。
さらに、コンクリートのスランプフローの予測に関する実施例5で得られた推測値(58.6±0.6cm)と、比較例5で得られた推測値(59.1±1.6cm)を比較すると、実施例5は比較例5よりも、評価データの実測値(58.5cm)に近く、また、信頼性が高いことがわかる。
コンクリートのスランプフローの予測に関する実施例6で得られた推測値(59.6±1.0cm)と、比較例6で得られた推測値(59.0±2.1cm)を比較すると、実施例6は比較例6よりも、評価データの実測値(59.8cm)に近く、また、信頼性が高いことがわかる。

Comparing the estimated value (8.2 ± 0.6 cm) obtained in Example 3 regarding prediction of concrete slump with the estimated value (8.1 ± 1.4 cm) obtained in Comparative Example 3, the example 3 is closer to the actual measurement value (8.5 cm) of the evaluation data than Comparative Example 3, and it is understood that the reliability is high.
Comparing the estimated value (7.3 ± 1.2 cm) obtained in Example 4 with respect to the prediction of the slump of concrete and the estimated value (7.1 ± 1.7 cm) obtained in Comparative Example 4, the Example 4 is closer to the actually measured value (7.5 cm) of the evaluation data than Comparative Example 4, and it can be seen that the reliability is high.
Furthermore, when the estimated value (58.6 ± 0.6 cm) obtained in Example 5 regarding prediction of the slump flow of concrete is compared with the estimated value (59.1 ± 1.6 cm) obtained in Comparative Example 5, It can be seen that Example 5 is closer to the actually measured value (58.5 cm) of the evaluation data and has higher reliability than Comparative Example 5.
When the estimated value (59.6 ± 1.0 cm) obtained in Example 6 regarding prediction of the slump flow of concrete was compared with the estimated value (59.0 ± 2.1 cm) obtained in Comparative Example 6, It can be seen that Example 6 is closer to the actually measured value (59.8 cm) of the evaluation data and has higher reliability than Comparative Example 6.

Claims (7)

入力層及び出力層を有するニューラルネットワークを用いたコンクリートの品質またはコンクリートの配合条件の予測方法であって、
上記入力層は、コンクリート製造における監視データの実測値を入力するためのものであり、上記出力層は、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力するためのものであり、
上記監視データと上記評価データの組み合わせが、
(i)上記監視データが、セメントに関するデータ、セメントの物理特性に関するデータ、セメント以外のコンクリートの材料に関するデータ、及びコンクリートの配合に関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、コンクリートの品質に関するデータである組み合わせ、または、
(ii)上記監視データが、セメントに関するデータ、セメントの物理特性に関するデータ、セメント以外のコンクリートの材料に関するデータ、コンクリートの配合に関するデータ、及びコンクリートの品質に関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、コンクリートの配合条件に関するデータである組み合わせ、であり、
(A)学習回数の初期設定を行う工程と、
(B)監視データの実測値と評価データの実測値の組み合わせである学習データを複数用いて、ニューラルネットワークの学習を、前工程で設定された学習回数行う工程と、
(C)学習データの監視データの実測値を、直近の工程(B)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σ)、及び、ニューラルネットワークの学習結果の信頼性を確認するための監視データの実測値と評価データの実測値の組み合わせであるモニターデータの中の監視データの実測値を、直近の工程(B)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均2乗誤差(σ)を算出し、算出されたσとσの関係がσ≧σである場合、工程(D)を実施し、算出されたσとσの関係がσ<σである場合、工程(E)を実施する工程と、
(D)直近の工程(A)で設定された学習回数および再設定された直近のニューラルネットワークの学習回数のいずれの学習回数よりも大きい学習回数を新たな学習回数として再設定し、再度工程(B)〜(C)を実施する工程と、
(E)直近のニューラルネットワークの学習で実施された学習回数を減らした学習回数を、新たな学習回数として再設定する工程と、
(F)直近の工程(B)で用いられた学習データを用いて、ニューラルネットワークの学習を直近の工程(E)で設定された学習回数行う工程と、
(G)学習データの監視データの実測値を、直近の工程(F)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σ)、及び、モニターデータの中の監視データの実測値を、直近の工程(F)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均2乗誤差(σ)を算出し、算出されたσとσの関係がσ≧σである場合、工程(I)を実施し、算出されたσとσの関係がσ<σである場合、工程(H)を実施する工程と、
(H)直近の工程(F)におけるニューラルネットワークの学習回数が予め定めた数値を超えている場合、再度工程(E)〜(G)を実施し、直近の工程(F)におけるニューラルネットワークの学習回数が予め定めた数値以下の場合、工程(J)を実施する工程と、
(I)下記式(1)を用いて解析度判定値を算出し、該解析度判定値が予め定めた第一の設定値未満である場合、ニューラルネットワークの学習を終了し、学習済みのニューラルネットワークの入力層に、コンクリート製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力してコンクリートの品質またはコンクリートの配合条件を予測し、上記解析度判定値が予め定めた第一の設定値以上である場合、工程(J)を実施する工程と、
(J)工程(A)を実施した回数の大きさについての判定を行い、該回数が予め設定した回数以下である場合、学習条件の初期化を行って、再度工程(A)〜(I)を行い、該回数が予め設定した回数を超える場合、工程(K)を実施する工程と、
(K)工程(I)において算出した全ての解析度判定値のうち、最も小さい解析度判定値が予め定めた第二の設定値未満である場合、最も小さい解析度判定値を得ることができた工程(I)におけるニューラルネットワークを、学習済みのニューラルネットワークとした後、工程(L)を実施し、最も小さい解析度判定値が予め定めた第二の設定値以上である場合、コンクリートの品質またはコンクリートの配合条件を予測することはできないと判断して予測を終了する工程と、
(L)工程(I)において算出した全ての解析度判定値のうち、最も小さい解析度判定値を得ることができた工程(I)において、学習データとして使用した監視データの実測値と評価データの実測値の組み合わせについて無相関検定を行い、5%の有意水準で有意であると判断された監視データの種類が2種以上である場合、5%の有意水準で有意であると判断された監視データの全種類を座標軸とする座標空間に学習データとして使用した監視データの実測値をプロットし、座標空間において、プロットされた監視データ同士を結ぶことで形成される監視データの全てを包含する領域であって、該領域が最大となるように監視データ同士を結ぶことで形成される領域を、予測可能監視データ領域として設定した後、工程(M)を実施し、5%の有意水準で有意であると判断された監視データが0または1種類である場合、コンクリートの品質またはコンクリートの配合条件を予測することはできないと判断して予測を終了する工程と、
(M)コンクリート製造における監視データの実測値が、上記予測可能監視データ領域に含まれるかどうかを判定し、セメント製造における監視データの実測値が、上記予測可能監視データ領域に含まれる場合、工程(K)で得た学習済みのニューラルネットワークの入力層に、コンクリート製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力してコンクリートの品質またはコンクリートの配合条件を予測し、コンクリート製造における監視データの実測値が、上記予測可能監視データ領域に含まれない場合、コンクリートの品質またはコンクリートの配合条件を予測することはできないと判断して予測を終了する工程と、
を含むことを特徴とするコンクリートの品質またはコンクリートの配合条件の予測方法。
Figure 2017087716
(上記式(1)中、学習データの平均2乗誤差(σ)とは、学習データの監視データの実測値を学習後のニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σ)である。評価データの推測値の平均値とは、学習データの監視データの実測値を学習後のニューラルネットワークの入力層に入力して得られた評価データの推測値の平均値である。)
A method for predicting concrete quality or concrete mixing conditions using a neural network having an input layer and an output layer,
The input layer is for inputting actual measurement values of monitoring data in concrete production, and the output layer is for outputting an estimated value of evaluation data related to evaluation of concrete quality or concrete mixing conditions. Is,
The combination of the monitoring data and the evaluation data is
(I) The monitoring data is one or more types of data selected from data on cement, data on physical properties of cement, data on materials of concrete other than cement, and data on blending of concrete, and the evaluation A combination where the data is data about the quality of concrete, or
(Ii) The monitoring data is one or more kinds of data selected from data on cement, data on physical properties of cement, data on materials of concrete other than cement, data on blending of concrete, and data on quality of concrete. And the evaluation data is a combination of data relating to the mixing conditions of concrete,
(A) a step of initializing the number of learning times;
(B) using a plurality of learning data that is a combination of the actual measurement value of the monitoring data and the actual measurement value of the evaluation data, and performing learning of the neural network by the number of learning times set in the previous step;
(C) The estimated value of the evaluation data obtained by inputting the actual measurement value of the monitoring data of the learning data to the input layer of the neural network obtained by the learning of the latest step (B) and the actual measurement of the evaluation data of the learning data Of the monitoring data in the monitor data, which is a combination of the measured value of the monitoring data and the evaluation value of the evaluation data for confirming the reliability of the mean square error (σ L ) with the value and the learning result of the neural network Mean square error between the estimated value of the evaluation data obtained by inputting the actual measurement value to the input layer of the neural network obtained by learning in the most recent step (B) and the actual measurement value of the evaluation data in the monitor data (Σ M ) is calculated, and when the calculated relationship between σ L and σ M is σ L ≧ σ M , the step (D) is performed, and the calculated relationship between σ L and σ M is σ L < If σ M , perform step (E) And a process of
(D) A learning number larger than any of the learning number set in the most recent step (A) and the reset number of learning times of the latest neural network is reset as a new learning number, and the step ( Carrying out B) to (C);
(E) resetting the number of learnings obtained by reducing the number of learnings performed in learning of the latest neural network as a new number of learnings;
(F) using the learning data used in the most recent step (B), learning the neural network for the number of times set in the most recent step (E);
(G) An actual value of the monitoring data of the learning data is input to the input layer of the neural network obtained by learning in the latest step (F), and an estimated value of the evaluation data obtained and the actual measurement of the evaluation data of the learning data Obtained by inputting the mean square error (σ L ) with the measured value and the measured value of the monitoring data in the monitoring data to the input layer of the neural network obtained by the learning of the most recent step (F). When the mean square error (σ M ) between the estimated value of the evaluation data and the actually measured value of the evaluation data in the monitor data is calculated, and the relationship between the calculated σ L and σ M is σ L ≧ σ M , Performing step (I), and if the calculated relationship between σ L and σ M is σ LM ,
(H) If the number of learning times of the neural network in the latest step (F) exceeds a predetermined numerical value, the steps (E) to (G) are performed again, and the learning of the neural network in the latest step (F) is performed. A step of performing step (J) when the number of times is equal to or less than a predetermined value;
(I) The analytical value determination value is calculated using the following equation (1), and when the analytical value determination value is less than a predetermined first set value, the learning of the neural network is terminated, and the learned neural network The actual value of monitoring data in concrete production is input to the input layer of the network, and the estimated value of the evaluation data related to the evaluation of the quality of the concrete or the mixing condition of the concrete is output from the output layer of the neural network. Predicting the quality of the material or the mixing condition of the concrete, and the analysis degree determination value is equal to or higher than a predetermined first set value, the step of performing the step (J),
(J) A determination is made as to the number of times the step (A) has been performed. If the number is less than or equal to a preset number, the learning conditions are initialized and the steps (A) to (I) are performed again. Performing the step (K) when the number of times exceeds a preset number of times, and
(K) Of all the analytical determination values calculated in step (I), when the smallest analytical determination value is less than a predetermined second set value, the smallest analytical determination value can be obtained. If the neural network in step (I) is a learned neural network, then step (L) is performed, and if the smallest analytical determination value is greater than or equal to a predetermined second set value, the quality of the concrete Or the process of determining that the blending condition of concrete cannot be predicted and terminating the prediction,
(L) The actual measurement value and evaluation data of the monitoring data used as learning data in the step (I) in which the smallest analysis degree determination value can be obtained among all the analysis degree determination values calculated in the step (I). An uncorrelated test was performed on the combination of measured values of, and when there were two or more types of monitoring data judged to be significant at the 5% significance level, it was judged to be significant at the 5% significance level. Plot actual values of monitoring data used as learning data in a coordinate space with all types of monitoring data as coordinate axes, and include all of the monitoring data formed by connecting the plotted monitoring data in the coordinate space After setting an area formed by connecting the monitoring data so that the area is maximized as a predictable monitoring data area, the process (M) is performed, % If monitoring data is determined to be significant at a significance level of 0 or 1 kind, the step of terminating the prediction is determined that it is impossible to predict the blending conditions of the concrete quality or concrete,
(M) It is determined whether or not the actual value of monitoring data in concrete production is included in the predictable monitoring data region, and when the actual value of monitoring data in cement manufacturing is included in the predictable monitoring data region, The actual value of the monitoring data in concrete production is input to the input layer of the learned neural network obtained in (K), and it is related to the evaluation of the concrete quality or the concrete mixing condition from the output layer of the neural network. If the estimated value of the evaluation data is output to predict the concrete quality or the concrete mixing condition, and the actual value of the monitoring data in concrete production is not included in the predictable monitoring data area, the quality of the concrete or the concrete mixing Judge that the condition cannot be predicted A step of Ryosuru,
A method for predicting the quality of concrete or the mixing condition of concrete, characterized by comprising:
Figure 2017087716
(In the above equation (1), the mean square error (σ L ) of the learning data is an estimation of the evaluation data obtained by inputting the measured value of the monitoring data of the learning data to the input layer of the neural network after learning. The mean square error (σ L ) between the value and the actual measurement value of the evaluation data of the learning data The average value of the estimated value of the evaluation data is the input of the neural network after learning the actual measurement value of the monitoring data of the learning data (This is the average estimated value of the evaluation data obtained by entering the layer.)
上記解析度判定値の予め定めた第一の設定値が6%以下であり、上記解析度判定値の予め定めた第二の設定値が上記第一の設定値よりも大きくかつ20%以下である請求項1に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。   The predetermined first setting value of the analysis degree determination value is 6% or less, and the predetermined second setting value of the analysis degree determination value is larger than the first setting value and 20% or less. The method for predicting concrete quality or concrete mixing conditions according to claim 1. 上記ニューラルネットワークが、上記入力層と上記出力層の間に中間層を有する階層型のニューラルネットワークである請求項1または2に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。   The method according to claim 1 or 2, wherein the neural network is a hierarchical neural network having an intermediate layer between the input layer and the output layer. 上記監視データの値を人為的に変動させて得られた上記評価データの推測値に基づいて、コンクリートの製造条件を最適化する請求項1〜3のいずれか1項に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。   The concrete quality according to any one of claims 1 to 3, wherein a concrete production condition is optimized based on an estimated value of the evaluation data obtained by artificially changing the value of the monitoring data. Prediction method of concrete mixing conditions. 上記監視データと上記評価データの組み合わせが、上記(i)の組み合わせであり、かつ、該組み合わせにおける評価データが、強度、スランプ、またはスランプフローである請求項1〜4のいずれか1項に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。   The combination of the monitoring data and the evaluation data is the combination of (i), and the evaluation data in the combination is intensity, slump, or slump flow. To predict the quality of concrete or the mixing conditions of concrete. 上記(i)の組み合わせにおける監視データが、セメントのブレーン比表面積、ふるい試験残分量、色調a値、色調L値、セメントの鉱物組成、セメントの化学組成、モルタルフロー、混和剤量、及び単位水量の中から選ばれる一種以上である請求項5に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。   The monitoring data in the combination of (i) above are cement brain surface area, sieve test residual amount, color tone a value, color tone L value, cement mineral composition, cement chemical composition, mortar flow, admixture amount, and unit water amount. The method for predicting the quality of concrete or the mixing condition of concrete according to claim 5, wherein the method is one or more selected from the group consisting of: 工程(A)の前に、(A−1)任意に選択した1種以上の監視データからなる監視データ集合体を、2種以上用意し、該2種以上の監視データ集合体の各々について、
監視データの実測値と評価データの実測値の組み合わせである選択データを複数用いて、工程(A)〜(M)において用いられるニューラルネットワークとは異なる未学習のニューラルネットワークの学習を行い、得られたニューラルネットワークの入力層に、選択データの監視データの実測値を入力して得られた評価データの推測値と、選択データの評価データの実測値との平均2乗誤差を算出し、
平均2乗誤差の数値が最も小さかった選択データにおける監視データを、工程(A)〜(M)における監視データとして用いる工程、を含む請求項1〜6のいずれか1項に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
Prior to step (A), (A-1) two or more types of monitoring data aggregates comprising one or more types of arbitrarily selected monitoring data are prepared, and for each of the two or more types of monitoring data aggregates,
By using a plurality of selection data that is a combination of the actual measurement value of the monitoring data and the actual measurement value of the evaluation data, an unlearned neural network different from the neural network used in the steps (A) to (M) is learned and obtained. Calculating the mean square error between the estimated value of the evaluation data obtained by inputting the actual value of the monitoring data of the selected data to the input layer of the neural network and the actual value of the evaluation data of the selected data,
The quality of concrete of any one of Claims 1-6 including the process of using the monitoring data in the selection data in which the numerical value of the mean square error was the smallest as monitoring data in the processes (A) to (M). Or a method for predicting the mixing conditions of concrete.
JP2016179741A 2015-09-30 2016-09-14 Prediction method of concrete quality or concrete mixing condition Active JP6674356B2 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015194769 2015-09-30
JP2015194769 2015-09-30

Publications (2)

Publication Number Publication Date
JP2017087716A true JP2017087716A (en) 2017-05-25
JP6674356B2 JP6674356B2 (en) 2020-04-01

Family

ID=58767143

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016179741A Active JP6674356B2 (en) 2015-09-30 2016-09-14 Prediction method of concrete quality or concrete mixing condition

Country Status (1)

Country Link
JP (1) JP6674356B2 (en)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019066104A1 (en) * 2017-09-29 2019-04-04 전자부품연구원 Process control method and system which use history data-based neural network learning
CN112010611A (en) * 2020-09-07 2020-12-01 金陵科技学院 Steel slag powder doped sleeve micro-expansion grouting material, preparation method thereof and expansion effect detection method
JP2021020420A (en) * 2019-07-30 2021-02-18 株式会社熊谷組 Aggregate discrimination system
JP2021026478A (en) * 2019-08-05 2021-02-22 三井化学株式会社 Physical property information estimation method, physical property information estimation model generation method, physical property information estimation device, physical property information estimation model generation device, physical property information estimation program and physical property information estimation model generation program
CN113063930A (en) * 2021-03-22 2021-07-02 上海建工建材科技集团股份有限公司 3D printing concrete mechanical property online monitoring method based on neural network
CN113554222A (en) * 2021-07-19 2021-10-26 中国水利水电科学研究院 Dynamic optimization and intelligent regulation and control configuration method for bonding dam generalized bonding material
JP2022526038A (en) * 2019-04-03 2022-05-20 ペリ アクチェンゲゼルシャフト Automatic prediction of the usefulness of concrete for at least one purpose at a construction site
CN117633994A (en) * 2023-12-13 2024-03-01 中交第二航务工程局有限公司 Concrete appearance performance prediction and optimization method based on big data
JP7475303B2 (en) 2020-04-14 2024-04-26 太平洋セメント株式会社 Quality prediction method for soil reinforcement compaction materials

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024065480A1 (en) * 2022-09-29 2024-04-04 Caidio Oy Controlling production of curable composition

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019066104A1 (en) * 2017-09-29 2019-04-04 전자부품연구원 Process control method and system which use history data-based neural network learning
JP2022526038A (en) * 2019-04-03 2022-05-20 ペリ アクチェンゲゼルシャフト Automatic prediction of the usefulness of concrete for at least one purpose at a construction site
JP7284023B2 (en) 2019-07-30 2023-05-30 株式会社熊谷組 Aggregate discrimination system
JP2021020420A (en) * 2019-07-30 2021-02-18 株式会社熊谷組 Aggregate discrimination system
JP2021026478A (en) * 2019-08-05 2021-02-22 三井化学株式会社 Physical property information estimation method, physical property information estimation model generation method, physical property information estimation device, physical property information estimation model generation device, physical property information estimation program and physical property information estimation model generation program
JP7302134B2 (en) 2019-08-05 2023-07-04 三井化学株式会社 Physical property information estimation method, physical property information estimation model generation method, physical property information estimation device, physical property information estimation model generation device, physical property information estimation program, and physical property information estimation model generation program
JP7475303B2 (en) 2020-04-14 2024-04-26 太平洋セメント株式会社 Quality prediction method for soil reinforcement compaction materials
CN112010611A (en) * 2020-09-07 2020-12-01 金陵科技学院 Steel slag powder doped sleeve micro-expansion grouting material, preparation method thereof and expansion effect detection method
CN113063930A (en) * 2021-03-22 2021-07-02 上海建工建材科技集团股份有限公司 3D printing concrete mechanical property online monitoring method based on neural network
CN113063930B (en) * 2021-03-22 2024-01-23 上海建工建材科技集团股份有限公司 Neural network-based 3D printed concrete mechanical property online monitoring method
CN113554222A (en) * 2021-07-19 2021-10-26 中国水利水电科学研究院 Dynamic optimization and intelligent regulation and control configuration method for bonding dam generalized bonding material
CN113554222B (en) * 2021-07-19 2023-11-28 中国水利水电科学研究院 Dynamic optimization and intelligent regulation configuration method for wide-source cementing material of cementing dam
CN117633994A (en) * 2023-12-13 2024-03-01 中交第二航务工程局有限公司 Concrete appearance performance prediction and optimization method based on big data

Also Published As

Publication number Publication date
JP6674356B2 (en) 2020-04-01

Similar Documents

Publication Publication Date Title
JP6674356B2 (en) Prediction method of concrete quality or concrete mixing condition
JP6794039B2 (en) Prediction method of concrete compounding conditions
Kannan Strength and durability performance of self compacting concrete containing self-combusted rice husk ash and metakaolin
US9679244B2 (en) Method for predicting quality or manufacturing condition of cement
Etxeberria et al. Influence of seawater and blast furnace cement employment on recycled aggregate concretes’ properties
Rajhans et al. EMV mix design method for preparing sustainable self compacting recycled aggregate concrete subjected to chloride environment
JP2017066020A (en) Method for predicting quality or manufacturing condition of fly ash cement
Mazloom et al. Evaluating the settlement of lightweight coarse aggregate in self-compacting lightweight concrete
WO2012086754A1 (en) Cement quality/manufacturing condition measurement method
ElNemr Generating water/binder ratio-to-strength curves for cement mortar used in Masnory walls
JP6732380B2 (en) Method of predicting cement quality or manufacturing conditions
Zain et al. Mathematical regression model for the prediction of concrete strength
Allahverdi et al. A model for prediction of compressive strength of chemically activated high phosphorous slag content cement
JP2012107941A (en) Method for determining compounding amount of shrinkage reducing agent
Campos et al. Evaluation of steel slag of Companhia Siderúrgica do Pecém replacing fine aggregate on mortars
Onyia et al. Mathematical modelling of compressive strength of recycled ceramic tile aggregate concrete using modified regression theory
JP2017194417A (en) Method of evaluating aggregate for high strength concrete
ElNemr Role of water/binder ratio on strength development of cement mortar
JP6639987B2 (en) How to predict cement quality or manufacturing conditions
Kumar Mechanical properties, shrinkage, abrasion resistance and carbonation of concrete containing recycled coarse aggregate of different size range
WO2018061239A1 (en) Prediction method for cement quality or manufacturing conditions
Bertolini et al. Influence of concrete composition on parameters related to the durability of reinforced concrete structures
Ettu et al. Split tensile strength of Concrete Incorporating Rice husk ash and Sawdust ash
HAFEEZ et al. Investigation On Mechanical Properties of Concrete by Partial replacement of Cement with Marble Dust in M40 grade concrete (M40)
Shamsuddoha et al. Long-term mechanical and shrinkage properties of cementitious grouts for structural repair

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190613

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200219

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200303

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200306

R150 Certificate of patent or registration of utility model

Ref document number: 6674356

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250