JP2018069487A - コンクリートの配合条件の予測方法 - Google Patents

Abstract

【課題】コンクリートの配合条件を予測することができる方法を提供する。【解決手段】学習済みのニューラルネットワークを用いたコンクリートの配合条件の予測方法であって、監視データが予測の対象となる、コンクリートの配合条件に関するデータを少なくとも含むものであり、任意に変動させた監視データの値を含む、複数の監視データの値を、学習済みのニューラルネットワークの入力層に入力して、評価データの推測値を得ることを複数回行った後、変動させた監視データの値と評価データの推測値からなる複数の組み合わせを用いて回帰分析を行い、予測の対象となる、コンクリートの配合条件に関するデータである監視データと目標とする評価データとの関係式を得た後、得られた関係式と目標とする評価データの値から、目標とする評価データの値を得ることが可能なコンクリートの配合条件を予測する工程を含むコンクリートの配合条件の予測方法。【選択図】図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配合条件の予測方法に関する。

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。

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。

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。

特開２０１０−２４９７４２号公報 特開２０１５−１０９１８号公報 特開平１０−２１２１１号公報

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、コンクリートを製造する前に目標とするコンクリートの品質を定め、該品質を得ることが可能なコンクリートの配合条件を予測するものではなかった。
本発明の目的は、コンクリートを製造する前に、短時間でかつ高い精度で、目標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を得ることが可能な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。

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、学習済みのニューラルネットワークを用いたコンクリートの配合条件の予測方法であって、監視データが予測の対象となる、コンクリートの配合条件に関するデータを少なくとも含むものであり、任意に変動させた監視データの値を含む、複数の監視データの値を、学習済みのニューラルネットワークの入力層に入力して、評価データの推測値を得ることを複数回行った後、変動させた監視データの値と評価データの推測値からなる複数の組み合わせを用いて回帰分析を行い、予測の対象となる、コンクリートの配合条件に関するデータである監視データと目標とする評価データとの関係式を得た後、得られた関係式と目標とする評価データの値から、目標とする評価データの値を得ることが可能なコンクリートの配合条件を予測する工程を含むコンクリートの配合条件の予測方法によれば、上記目的を達成しうることを見出し、本発明を完成した。

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学習済みのニューラルネットワークを用いた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値を出力するためのものであり、上記監視データが、予測の対象となる、コンクリートの配合条件に関するデータを少なくとも含むものであり、かつ、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条件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条件に関するデータ、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、
（Ｍ）予測の対象となる、コンクリートの配合条件に関するデータであって、任意に変動させた監視データの値を含む、複数の監視データの値を、上記学習済みのニューラルネットワークの入力層に入力して、評価データの推測値を得ることを複数回行って、上記変動させた監視データの値と上記評価データの推測値からなる複数の組み合わせを得た後、得られた複数の組み合わせを用いて回帰分析を行い、予測の対象となる、コンクリートの配合条件に関するデータである監視データと、目標とする評価データとの関係式を得た後、得られた関係式と目標とする評価データの値から、目標とする評価データの値を得ることが可能なコンクリートの配合条件を予測する工程、
を含むことを特徴とするコンクリートの配合条件の予測方法。

［２］ 上記監視データが、予測の対象となる、コンクリートの配合条件に関するデータを少なくとも含む、２種以上の監視データであり、
工程（Ｍ）において、予測の対象となる、コンクリートの配合条件に関するデータである監視データを除く監視データの固定値を設定し、該固定値と、予測の対象となる、コンクリートの配合条件に関するデータであって任意に変動させた監視データの値を、上記学習済みのニューラルネットワークの入力層に入力して、評価データの推測値を得る、前記［１］に記載のコンクリートの配合条件の予測方法。
［３］ 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］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（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［３］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］ 上記監視データが、（Ａ−１）予測の対象となる、コンクリートの配合条件に関するデータを含む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、上記学習済みの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である、前記［１］〜［４］のいずれかに記載のコンクリートの配合条件の予測方法。

［６］ 工程（Ｍ）の前に、（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_Ｌ）、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_Ｍ）を算出し、算出されたσ_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍである場合、工程（Ｄ）を実施し、算出されたσ_Ｌとσ_Ｍの関係がσ_Ｌ＜σ_Ｍ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_Ｌ）、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_Ｍ）を算出し、算出されたσ_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍである場合、工程（Ｉ）を実施し、算出されたσ_Ｌとσ_Ｍの関係がσ_Ｌ＜σ_Ｍ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て、学習済みのニューラルネットワークを得た後、工程（Ｍ）を実施し、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て得た後、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、学習済みのニューラルネットワークを得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、予測の対象となる、コンクリートの配合条件に関するデータである監視データを含み、かつ、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、予測の対象となる、コンクリートの配合条件に関するデータである監視データを含まない場合、あるいは、０または１種類である場合、工程（Ｋ）で得た学習済みのニューラルネットワークを用いて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を含み、
工程（Ｍ）において使用する学習済みのニューラルネットワークが、工程（Ｋ）で得た学習済みのニューラルネットワークである場合、上記学習済みのニューラルネットワークの入力層に入力する監視データが、上記予測可能監視データ領域に含まれるものである、前記［１］〜［５］のいずれかに記載のコンクリートの配合条件の予測方法。

（上記式（１）中、学習データの平均２乗誤差（σ_Ｌ）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_Ｌ）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。）
［７］ 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％以下である前記［６］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。

本発明のコンクリートの配合条件の予測方法を用いれば、コンクリートを製造する前に、短時間でかつ高い精度で、目標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を得ることが可能なコンクリートの配合条件を予測することができる。

本発明の予測方法の一例を示すフロー図である。 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。

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値を出力するための出力層を有する学習済みのニューラルネットワークを用いて、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。

上記監視データは、予測の対象となる、コンクリートの配合条件に関するデータを少なくとも含むものである。
さらに、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条件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条件に関するデータ、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

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。

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_２、Ａｌ_２Ｏ_３、Ｆｅ_２Ｏ_３、ＣａＯ、ＭｇＯ、ＳＯ_３、Ｎａ_２Ｏ、Ｋ_２Ｏ、Ｎａ_２Ｏｅｑ（全アルカリ）、ＴｉＯ_２、Ｐ_２Ｏ_５、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。

セメントの鉱物組成としては、３ＣａＯ・ＳｉＯ_２（Ｃ_３Ｓ）、２ＣａＯ・ＳｉＯ_２（Ｃ_２Ｓ）、３ＣａＯ・Ａｌ_２Ｏ_３（Ｃ_３Ａ）、４ＣａＯ・Ａｌ_２Ｏ_３・Ｆｅ_２Ｏ_３（Ｃ_４ＡＦ）、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量や割合（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。

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。

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。

「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_２、Ａｌ_２Ｏ_３、Ｆｅ_２Ｏ_３、ＣａＯ、ＭｇＯ、ＳＯ_３、Ｎａ_２Ｏ、Ｋ_２Ｏ、Ｎａ_２Ｏｅｑ（全アルカリ）、ＴｉＯ_２、Ｐ_２Ｏ_５、ＭｎＯ、Ｃｌ、Ｃｒ、Ｚｎ、Ｐｂ、Ｃｕ、Ｎｉ、Ｖ、Ａｓ、Ｚｒ、Ｍｏ、Ｓｒ、Ｂａ、Ｆ等の含有率である。

「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_２濃度、ＮＯ_Ｘ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。

「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。

「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_２（Ｃ_３Ｓ）、２ＣａＯ・ＳｉＯ_２（Ｃ_２Ｓ）、３ＣａＯ・Ａｌ_２Ｏ_３（Ｃ_３Ａ）、４ＣａＯ・Ａｌ_２Ｏ_３・Ｆｅ_２Ｏ_３（Ｃ_４ＡＦ）、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、Ｃ_３Ｓ／Ｃ_２Ｓ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_２、Ａｌ_２Ｏ_３、Ｆｅ_２Ｏ_３、ＣａＯ、ＭｇＯ、ＳＯ_３、Ｎａ_２Ｏ、Ｋ_２Ｏ、Ｎａ_２Ｏｅｑ（全アルカリ）、ＴｉＯ_２、Ｐ_２Ｏ_５、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。

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。

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。

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。

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条件に関するデータ」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条件に関するデータ」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。

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条件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、後述する工程（Ａ−１）、（Ａ）〜（Ｌ）において、より精度の高い（評価データの予測をより高い精度で行うことができる）学習済みのニューラルネットワークを得ることができる観点から好ましい。

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、モルタル曲げ強度等）、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、モルタル圧縮強さ、曲げ強度等）、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。

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。

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、モルタル曲げ強度等）、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、Ｎａ_２Ｏ、Ｋ_２Ｏ、Ｎａ_２Ｏｅｑ（全アルカリ）、Ｐ_２Ｏ_５、及びＴｉＯ_２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。

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条件に関するデータ」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条件に関するデータ」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、後述する工程（Ａ−１）、（Ａ）〜（Ｌ）において、より精度の高い学習済みのニューラルネットワークを得ることができる観点から、２種以上を用いることが好ましい。

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条件に関するデータ」と同様である。

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−１）、（Ａ）〜（Ｌ）において用いることで、より精度の高い学習済みのニューラルネットワークを得ることができる。また、工程（Ｍ）において、該学習済みのニューラルネットワーク及び選択した監視データを用いることで、コンクリートの配合条件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（より精度の高い学習済みのニューラルネットワークを得ることができる、１種又は２種以上の監視データの組み合わせ）は、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、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。

本発明の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。

本発明は、学習済みのニューラルネットワークを用いて、コンクリートの配合条件を予測する方法（後述する工程（Ｍ））である。
本発明で用いられる学習済みのニューラルネットワークは、上述した監視データ及び評価データを用いた、一般的なニューラルネットワークの学習方法によって得られたものであってもよいが、コンクリートの配合条件の予測の精度をより高める観点から、以下の工程（Ａ−１）、（Ａ）〜（Ｌ）によって得られた学習済みのニューラルネットワーク（評価データの予測をより高い精度で行うことができるもの）を用いることが好ましい。
以下、工程（Ａ−１）、（Ａ）〜（Ｌ）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、より精度の高い学習済みのニューラルネットワークを得ることができ、かつ、コンクリートの配合条件の予測の精度をより高める観点から任意に行われる工程である。
本工程では、予測の対象となる、コンクリートの配合条件に関するデータを含む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。

予測の対象となる、コンクリートの配合条件に関するデータを含む１種以上の監視データが、予測の対象となる、コンクリートの配合条件に関するデータ以外の監視データを含む場合（予測の対象となる、コンクリートの配合条件に関するデータを含む２種以上の監視データの場合）、予測の対象となる、コンクリートの配合条件に関するデータ以外の監視データとは、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条件に関するデータ、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。

本工程では、予測の対象となる、コンクリートの配合条件に関するデータを含む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。

［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_Ｌ＜σ_Ｍ（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。

［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。

［工程（Ｃ）］
工程（Ｃ）では、σ_Ｌとσ_Ｍが算出される。σ_Ｌとσ_Ｍ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_Ｌ）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_Ｍ）を算出する。その後、算出されたσ_Ｌとσ_Ｍ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。

工程（Ｃ）で算出されたσ_Ｌとσ_Ｍの関係が、σ_Ｌ≧σ_Ｍ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_Ｌとσ_Ｍの関係が、σ_Ｌ＜σ_Ｍ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。

［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。

［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。

［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。

［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_Ｌ）、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_Ｍ）を算出し、算出されたσ_Ｌとσ_Ｍの関係が、σ_Ｌ≧σ_Ｍ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_Ｌとσ_Ｍの関係がσ_Ｌ＜σ_Ｍ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。

［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。

［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。

上記式（１）中、学習データの平均２乗誤差（σ_Ｌ）とは、直近の工程（Ｇ）で算出された平均２乗誤差（σ_Ｌ）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を終了して、学習済みのニューラルネットワーク得た後、後述する工程（Ｍ）を実施する。

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。

［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。

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。

［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、コンクリートの配合条件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。

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、コンクリートの配合条件の予測を高い精度で行うことが可能である学習済みのニューラルネットワークを得ることが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。

［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、予測の対象となる、コンクリートの配合条件に関する監視データを含み、かつ、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Ｃ_３Ｓ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Ｃ_３Ｓの量をｙ軸とする座標空間を作成する（図２参照）。

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、予測の対象となる、コンクリートの配合条件に関する監視データを含まない場合、あるいは、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高い精度で予測することはできないと判断して予測を終了する。

上述した工程（Ａ−１）、（Ａ）〜（Ｌ）において行われる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_Ｌ＜σ_Ｍ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_Ｌ≧σ_Ｍ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_Ｌ、σ_Ｍ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、後述する工程（Ｍ）において、入力層に入力される監視データを予測可能監視データ領域に含まれるようにすることで、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配合条件の予測を行うことができる。
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。
なお、上述した工程（Ａ）〜（Ｌ）は、工程（Ｍ）の前に、任意に行われる工程である。

［工程（Ｍ）］
工程（Ｍ）では、予測の対象となる、コンクリートの配合条件に関するデータであって、任意に変動させた監視データの値を含む、複数の監視データの値を、学習済みのニューラルネットワークの入力層に入力して、評価データの推測値を得ることを複数回行って、変動させた監視データの値と評価データの推測値からなる複数の組み合わせを得た後、得られた複数の組み合わせを用いて回帰分析を行い、予測の対象となる、コンクリートの配合条件に関するデータである監視データと、目標とする評価データとの関係式を得た後、得られた関係式と目標とする評価データの値から、目標とする評価データの値を得ることが可能なコンクリートの配合条件を予測する工程である。
なお、工程（Ｍ）において使用する監視データの種類が１種類のみ（予測の対象となる、コンクリートの配合条件に関するデータのみ）の場合、上記「複数の監視データの値」とは、「予測の対象となる、コンクリートの配合条件に関するデータであって、任意に変動させた監視データの値」のみからなるものである。
変動させた監視データの値は、より高い精度で予測を行う観点から、ニューラルネットワークの学習に用いた監視データ（例えば、上述した学習データおよびモニターデータの監視データ）の実測値の、最大値と最小値の範囲内で変動させた値である。変動させた値の個数は、特に限定されるものではないが、より高い精度で予測を行う観点から、好ましくは５個以上、より好ましくは８個以上、特に好ましくは１０個以上である。

上述した監視データが、予測の対象となる、コンクリートの配合条件に関するデータを少なくとも含む、２種以上である場合において、より高い精度で予測を行う観点から、学習済みのニューラルネットワークの入力層に入力する、予測の対象となる、コンクリートの配合条件に関するデータである監視データを除く監視データの値として、予め設定した固定値を用いることが好ましい。
該固定値は、任意で設定してもよいが、より高い精度で予測を行う観点から、ニューラルネットワークの学習に用いた監視データ（例えば、上述した学習データおよびモニターデータの監視データ）の実測値の、最大値と最小値の範囲内の数値であり、より好ましくは学習に用いた監視データの実測値の平均値である。

回帰分析によって得られた、予測の対象となる、コンクリートの配合条件に関するデータである監視データと目標とする評価データとの関係式について、安全性に考慮した誤差の修正を行ってもよい。
該修正は、評価データの実測値（実際に製造されるコンクリートの品質または製造条件に関するもの）が、目標とする評価データの値と比べて過小になることを防ぐ目的で行われるものである。具体的には、任意の数値（誤差を考慮した数値）を、回帰分析によって得られた、予測の対象となる、コンクリートの配合条件に関するデータである監視データと目標とする評価データとの関係式の右辺から減算することで行われる。

工程（Ｍ）において使用する学習済みのニューラルネットワークが、上述した工程（Ｋ）で得られた学習済みのニューラルネットワークである場合、より高い精度で予測を行う観点から、学習済みのニューラルネットワークの入力層に入力する監視データは、工程（Ｌ）で設定した予測可能監視データ領域に含まれるものを使用する。
具体的には、予測の対象となる、コンクリートの配合条件に関するデータである監視データの値（任意に変動させたもの）や、予測の対象となる、コンクリートの配合条件に関するデータである監視データを除く監視データの固定値が、予測可能監視データ領域に含まれるように設定する。
なお、ニューラルネットワークの学習に用いた監視データ（上述した学習データおよびモニターデータの監視データ）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（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は、工程（Ｍ）において入力される監視データの値に何ら制限を与えない。具体的には、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は、工程（Ｍ）において学習済みのニューラルネットワークの入力層に入力する監視データから除外され、該監視データを除いた監視データの値を用いて、関係式を得た後、得られた関係式を用いてコンクリートの配合条件を予測することができる。
また、工程（Ｍ）において使用する学習済みのニューラルネットワークが、上述した工程（Ｉ）で得られた学習済みのニューラルネットワークである場合、学習済みのニューラルネットワークの入力層に入力する監視データは、特に限定されるものではない。

本発明の予測方法によれば、目標とする評価データの値（例えば、コンクリートのモルタルフロー値）を得ることが可能であるコンクリートの配合条件（例えば、高性能減水剤の量）を、より高い精度で予測することができる。

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、目標とする評価データの値に基づいて、該評価データの値を得ることができる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。

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。
［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Ａ：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
（３）細骨材Ｂ：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
（４）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^３
（５）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」
（６）高性能減水剤：花王株式会社製、商品名「マイティ１５０」
（７）消泡剤Ａ：ＢＡＳＦジャパン製、商品名「マスターエア４０４」
（８）消泡剤Ｂ：株式会社小野田製、商品名「ニコフィックス８００」

［実施例１］
［高性能ＡＥ減水剤量の予測］
選択用および学習用サンプル（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１５個の普通ポルトランドセメントについて、上記細骨材Ａ、粗骨材、高性能ＡＥ減水剤、消泡剤Ａ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^３、細骨材率が４５質量％、単位水量が１６５ｋｇ／ｍ^３、高性能ＡＥ減水剤量がコンクリート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。製造したコンクリートの混練直後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。

また、学習用サンプルに使用した１５個の普通ポルトランドセメントの各々について、コンクリートの配合条件に関するデータとして高性能ＡＥ減水剤の量（以下、「高性能ＡＥ減水剤量」ともいう。）、セメントに関するデータとしてセメントの鉱物組成、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（コンクリート１００質量％中の割合（質量％））である。
また、セメントの鉱物組成は、上記１５個の普通ポルトランドセメントについて、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ＤＩＦＦＲＡＣ^ｐｌｕｓＴＯＰＡＳ(Ｖｅｒ．３)）によって計算されたＣ_３ＳとＣ_３Ａの含有率である。
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］
上記普通ポルトランドセメント、細骨材Ｂ、高性能減水剤、消泡剤Ｂ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。

［監視データの選択］
上述した監視データ（高性能ＡＥ減水剤量、Ｃ_３Ｓ及びＣ_３Ａの含有率、モルタルフロー（直後、３０分後））のうち、表１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（高性能ＡＥ減水剤量、Ｃ_３Ｓ及びＣ_３Ａの含有率、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。

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、前記学習用サンプルとして使用した１５個の普通ポルトランドセメント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た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減水剤量、上記２個の普通ポルトランドセメントの鉱物組成、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。

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_Ｌとσ_Ｍを算出したところ、σ_Ｌとσ_Ｍの関係はσ_Ｌ＜σ_Ｍ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_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍ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減水剤量、セメントの鉱物組成、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。このことから、得られた学習済みのニューラルネットワークは信頼性の高いものであることがわかる。

次に、上記学習済みのニューラルネットワークを用いて、コンクリートの配合条件（高性能ＡＥ減水剤量）の予測を行った。
上記ニューラルネットワークの学習に使用した、サンプリング日の異なる１７個（学習用サンプル１５個とモニター用サンプル２個の合計）のコンクリートの高性能ＡＥ減水剤量を除く監視データ（Ｃ_３Ｓ及びＣ_３Ａの含有率、モルタルフロー（直後、３０分後））の実測値の平均値を算出した。
その結果、Ｃ_３Ｓの含有率の実測値の平均値は６０．４質量％、Ｃ_３Ａの含有率の実測値の平均値は６．７質量％、モルタルフロー（直後）の実測値の平均値は２３２ｍｍ、モルタルフロー（３０分後）の実測値の平均値は１６０ｍｍであった。

次いで、上記学習済みのニューラルネットワークの入力層に、高性能ＡＥ減水剤量を除く監視データ（Ｃ_３Ｓ及びＣ_３Ａの含有率、モルタルフロー（直後、３０分後））の実測値の平均値と、表２に示す高性能ＡＥ減水剤量を入力して、各高性能ＡＥ減水剤量に対するスランプの推測値を得た。結果を表２に示す。なお、高性能ＡＥ減水剤量は、上記１７個のコンクリートの高性能ＡＥ減水剤量の実測値の数値範囲内で、任意に変動した値（実測値の最大値と最小値を１０等分するように変動した値）である。

高性能ＡＥ減水剤量とスランプの推測値との組み合わせから、回帰分析を行い、高性能ＡＥ減水剤量とスランプの推測値との関係を示す下記式（１）を得た。
スランプの推測値＝８．５１×（高性能ＡＥ減水剤量）＋１．５９・・・（１）
式（１）から、安全側に考慮して誤差を修正して、高性能ＡＥ減水剤の必要量とスランプの目標値との関係を示す下記式（２）を得た。修正はスランプの実測値がスランプの推測値と比べて過少になることを防ぐ目的で行われるものである。具体的には、誤差０．４２ｃｍ（２σ）の値を、式（１）の右辺から減算することで行った。
スランプの目標値＝８．５１×（高性能ＡＥ減水剤の必要量）＋１．１７・・・（２）

得られた式（２）を用いて、スランプの目標値に対する高性能ＡＥ減水剤の必要量を求めた。具体的には、スランプの目標値を８．５ｃｍ以上と定め、上記式（２）に該目標値の下限値（８．５ｃｍ）を代入することで、高性能ＡＥ減水剤の必要量（０．８０質量％）を得た。該必要量は、コンクリートの製造において、高性能ＡＥ減水剤量を０．８０質量％以上とすれば、得られるコンクリートのスランプが目標値（８．５ｃｍ以上）を下回ることはないと推測できる値である。

[比較例１]
実施例１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条件に関するデータ、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減水剤量、セメントの鉱物組成（Ｃ_３Ｓ及びＣ_３Ａの含有率）、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^２＝０．４２）を得た。
（コンクリートのスランプ（ｃｍ））＝（８．９５）×（高性能ＡＥ減水剤量（質量％））＋（０．０４）×（Ｃ_３Ｓの含有率（質量％））−１．０９×（Ｃ_３Ａの含有率（質量％））＋１．９×１０^−３×（モルタルフロー（直後）（ｍｍ））−１．５×１０^−３×（モルタルフロー（３０分後）（ｍｍ））＋１０．７
上記回帰式に、実施例１で使用した１５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減水剤量、セメントの鉱物組成（Ｃ_３Ｓ及びＣ_３Ａの含有率）、及びモルタルフロー（直後、３０分後）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。

学習済みのニューラルネットワークに高性能ＡＥ減水剤量を除く監視データの実測値の平均値と表２に示す高性能ＡＥ減水剤量を入力する代わりに、上記回帰式に高性能ＡＥ減水剤量を除く監視データの実測値の平均値と表２に示す高性能ＡＥ減水剤量を代入して、各高性能ＡＥ減水剤量に対するスランプの推測値を得る以外は実施例１と同様にして、高性能ＡＥ減水剤量とスランプの推測値との関係を示す下記式（３）を得た。
スランプの推測値＝８．０６×（高性能ＡＥ減水剤量）＋１．５９・・・（３）
式（３）から、安全側に考慮して誤差を修正して、高性能ＡＥ減水剤の必要量（スランプの目標値を得ることが可能である高性能ＡＥ減水剤量）とスランプの目標値との関係を示す下記式（４）を得た。修正はスランプの実測値がスランプの推測値と比べて過少になることを防ぐ目的で行われるものである。具体的には、誤差０．４２ｃｍ（２σ）の値を、式（３）の右辺から減算することで行った。
スランプの目標値＝８．０６×（高性能ＡＥ減水剤の必要量）＋１．３９・・・（４）
得られた式（４）によりスランプの目標値（８．５ｃｍ以上）に対する高性能ＡＥ減水剤量の必要量を求めたところ、０．８８質量％であった。

実施例１及び比較例１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とはサンプリング日の異なる普通ポルトランドセメントを用いたコンクリートであって、高性能ＡＥ減水剤量を除く監視データの実測値が上記１７個のサンプルの実測値の平均値に近く、かつスランプが８．５ｃｍに近いコンクリートにおける高性能ＡＥ減水剤量は０．７９質量％であった。
該量は、比較例１で求めた高性能ＡＥ減水剤の必要量（０．８８質量％）よりも、実施例１で求めた高性能ＡＥ減水剤の必要量（０．８０質量％）に近いことから、本発明の予測方法によれば、より正確にコンクリートの配合条件を予測することができることがわかる。

［実施例２］
［単位水量の予測］
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、上記細骨材Ａ、粗骨材、高性能ＡＥ減水剤、消泡剤Ａ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、製造したコンクリートの混練直後のスランプを測定した。
なお、コンクリートの製造方法およびスランプの測定方法は実施例１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。

また、学習用サンプルに使用した１５個の普通ポルトランドセメントの各々について、
コンクリートの配合条件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セメントの鉱物組成、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、セメントの鉱物組成は、上記１５個の普通ポルトランドセメントについて、実施例１と同様にして計算したＣ_３Ｓ及びＣ_３Ａの含有率である。
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１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。

［監視データの選択］
上述した監視データ（単位水量、Ｃ_３Ｓ及びＣ_３Ａの含有率、及びモルタルフロー（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（単位水量、Ｃ_３Ｓ及びＣ_３Ａの含有率、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。

また、モニター用のサンプルとして、前記学習用サンプルとして使用した１５個の普通ポルトランドセメント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セメントの鉱物組成、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。

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_Ｌとσ_Ｍを算出したところ、σ_Ｌとσ_Ｍの関係はσ_Ｌ＜σ_Ｍ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_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍ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、セメントの鉱物組成、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。このことから、得られた学習済みのニューラルネットワークは信頼性の高いものであることがわかる。

次に、上記学習済みのニューラルネットワークを使用してコンクリートの製造条件（単位水量）の予測を行った。
上記ニューラルネットワークの学習に使用した、サンプリング日の異なる１７個（学習用サンプル１５個とモニター用サンプル２個の合計）のコンクリートの単位水量を除く監視データ（Ｃ_３Ｓ及びＣ_３Ａの含有率、モルタルフロー（直後、３０分後））の実測値の平均値を算出した。
その結果、Ｃ_３Ｓの含有率の実測値の平均値は６０．４質量％、Ｃ_３Ａの含有率の実測値の平均値は６．７質量％、モルタルフロー（直後）の実測値の平均値は２３２ｍｍ、モルタルフロー（３０分後）の実測値の平均値は１６０ｍｍであった。

次いで、上記学習済みのニューラルネットワークの入力層に、単位水量を除く監視データ（Ｃ_３Ｓ及びＣ_３Ａの含有率、モルタルフロー（直後、３０分後））の実測値の平均値と、表４に示す単位水量を入力して、各単位水量に対するスランプの推測値を得た。結果を表４に示す。
なお、単位水量は、上記１７個のコンクリートの単位水量の実測値の数値範囲内で、任意に変動した値（実測値の最大値と最小値を１０等分するように変動した値）である。

単位水量とスランプの推測値との組み合わせから、回帰分析を行い、単位水量とスランプの推測値との関係を示す下記式（５）を得た。
スランプの推測値＝０．３２×（単位水量）−４４．９・・・（５）
式（５）から、安全側に考慮して誤差を修正して、単位水量の必要量とスランプの目標値との関係を示す下記式（６）を得た。修正はスランプの実測値がスランプの推測値と比べて過少になることを防ぐ目的で行われるものである。具体的には、誤差０．７８ｃｍ（２σ）の値を、式（５）の右辺から減算する形で行った。
スランプの目標値＝０．３２×（単位水量の必要量）−４５．７・・・（６）

得られた式（６）を用いて、スランプの目標値に対する単位水量の必要量を求めた。具体的には、スランプの目標値を８．０ｃｍ以上と定め、上記式（６）に該目標値の下限値（８．０ｃｍ）を代入することで、単位水量の必要量（１６５．３ｋｇ／ｍ^３）を得た。該必要量は、コンクリートの製造において、単位水量を１６５．３ｋｇ／ｍ^３以上とすれば、得られるコンクリートのスランプが目標値（８．０ｃｍ以上）を下回ることはないと推測できる値である。

[比較例２]
実施例２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条件に関するデータ、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、セメントの鉱物組成（Ｃ_３Ｓ及びＣ_３Ａの含有率）、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^２＝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^３））−（０．１５）×（Ｃ_３Ｓの含有率（質量％））＋１．２０×（Ｃ_３Ａの含有率（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２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、セメントの鉱物組成（Ｃ_３Ｓ及びＣ_３Ａの含有率）、及びモルタルフロー（直後、３０分後）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。

学習済みのニューラルネットワークに単位水量を除く監視データの実測値の平均値と表４に示す単位水量を入力する代わりに、上記回帰式に単位水量を除く監視データの実測値の平均値と表４に示す単位水量を代入して、各単位水量に対するスランプの推測値を得る以外は実施例２と同様にして、単位水量とスランプの推測値の関係式（７）を得た。
スランプの推測値＝０．１７×（単位水量）−２０．２・・・（７）
式（７）から安全側に考慮して誤差を修正して、単位水量の必要量とスランプの目標値との関係を示す下記式（８）を得た。修正はスランプの実測値がスランプの推測値と比べて過小になることを防ぐ目的で行われるものである。具体的には、誤差１．１２ｃｍ（２σの値）を式（７）の右辺から減算することで行った。
スランプの目標値＝０．１７×（単位水量の必要量）−２１．３・・・（８）
得られた式（８）によりスランプの目標値（８．０ｃｍ以上）に対する必要となる単位水量を求めたところ、１７３．６ｋｇ／ｍ^３となった。

実施例２及び比較例２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とはサンプリング日の異なる普通ポルトランドセメントを用いたコンクリートであって、単位水量を除く監視データの実測値が上記１７個のサンプルの実測値の平均値に近く、かつスランプが８．０ｃｍに近いコンクリートの単位水量は１６５．７ｋｇ／ｍ^３であった。
該単位量は、比較例２で求めた単位水量の必要量（１７３．６ｋｇ／ｍ^３）よりも、実施例２で求めた単位水量の必要量（１６５．７ｋｇ／ｍ^３）に近いことから、本発明の予測方法によれば、より正確にコンクリートの配合条件を予測することができることがわかる。

［実施例３］
［高性能ＡＥ減水剤量の予測］
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、上記細骨材Ａ、粗骨材、消泡剤Ａ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^３、細骨材率が４５質量％、単位水量が１６５ｋｇ／ｍ^３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た。製造したコンクリートの混練直後のスランプフローを測定した。
なお、コンクリートの製造方法は実施例１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。

また、学習用サンプルに使用した１５個の普通ポルトランドセメントの各々について、コンクリートの配合条件に関するデータとして高性能ＡＥ減水剤量、セメントに関するデータとしてセメントの鉱物組成、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。
これらのデータを得る方法は、実施例１と同様である。

［監視データの選択］
上述した監視データ（高性能ＡＥ減水剤量、Ｃ_３Ｓ及びＣ_３Ａの含有率、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減水剤量、Ｃ_３Ｓ及びＣ_３Ａの含有率、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。

また、モニター用のサンプルとして、前記学習用サンプルとして使用した１５個の普通ポルトランドセメント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鉱物組成、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。

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_Ｌとσ_Ｍを算出したところ、σ_Ｌとσ_Ｍの関係はσ_Ｌ＜σ_Ｍ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_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍ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減水剤量、セメントの鉱物組成、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。このことから、得られた学習済みのニューラルネットワークは信頼性の高いものであることがわかる。

次に、上記学習済みのニューラルネットワークを使用してコンクリートの配合条件（高性能ＡＥ減水剤量）の予測を行った。
上記ニューラルネットワークの学習に使用した、サンプリング日の異なる １７ 個（学習用サンプル１５個とモニター用サンプル２個の合計）のコンクリートの高性能ＡＥ減水剤を除く監視データ（Ｃ_３Ｓ及びＣ_３Ａの含有率、モルタルフロー（直後、３０分後））の実測値の平均値を算出した。
その結果、Ｃ_３Ｓの含有率の実測値の平均値は５６．２質量％、Ｃ_３Ａの含有率の実測値の平均値は６．５質量％、モルタルフロー（直後）の実測値の平均値は３３３ｍｍ、モルタルフロー（３０分後）の実測値の平均値は２４３ｍｍであった。

次いで、上記学習済みのニューラルネットワークの入力層に、高性能ＡＥ減水剤量を除く監視データ（Ｃ_３Ｓ及びＣ_３Ａの含有率、モルタルフロー（直後、３０分後））の実測値の平均値と、表６に示す高性能ＡＥ減水剤量を入力して、各高性能ＡＥ減水剤量に対するスランプフローの推測値を得た。結果を表６に示す。
なお、高性能ＡＥ減水剤量は、上記１７個のコンクリートの高性能ＡＥ減水剤量の実測値の数値範囲内で、任意に変動した値（実測値の最大値と最小値を８等分するように変動した値）である。

高性能ＡＥ減水剤量とスランプフローの推測値との組み合わせから、回帰分析を行い、高性能ＡＥ減水剤量とスランプフローの推測値との関係を示す下記式（９）を得た。
スランプフローの推測値＝１４．８×（高性能ＡＥ減水剤量）＋４３．４・・・（９）
式（９）から、安全側に考慮して誤差を修正して、高性能ＡＥ減水剤の必要量とスランプフローの目標値との関係を示す下記式（１０）を得た。修正はスランプフローの実測値がスランプフローの推測値と比べて過少になることを防ぐ目的で行われるものである。具体的には、誤差０．４２ｃｍ（２σ）の値を、式（９）の右辺から減算することで行った。
スランプフローの目標値＝１４．８×（高性能ＡＥ減水剤の必要量）＋４３．０・・・（１０）

得られた式（１０）を用いて、スランプフローの目標値に対する高性能ＡＥ減水剤の必要量を求めた。具体的には、スランプフローの目標値を６０ｃｍ以上と定め、上記式（１０）に該目標値の下限値（６０ｃｍ）を代入することで、高性能ＡＥ減水剤の必要量（１．１２質量％）を得た。該必要量は、コンクリートの製造において、高性能ＡＥ減水剤量を１．１２質量％以上とすれば、得られるコンクリートのスランプフローが目標値（６０ｃｍ以上）を下回ることはないと推測できる値である。

[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フローとの高い相関を有する、コンクリートの配合条件に関するデータ、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減水剤量、セメントの鉱物組成（Ｃ_３Ｓ及びＣ_３Ａの含有率）、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^２＝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減水剤量（質量％））−（０．１１）×（Ｃ_３Ｓの含有率（質量％））−（０．１９）×（Ｃ_３Ａの含有率（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減水剤量、セメントの鉱物組成（Ｃ_３Ｓ及びＣ_３Ａの含有率）、及びモルタルフロー（直後、３０分後）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。

学習済みのニューラルネットワークに高性能ＡＥ減水剤量を除く監視データの実測値の平均値と表６に示す高性能ＡＥ減水剤量を入力する代わりに、上記回帰式に高性能ＡＥ減水剤量を除く監視データの実測値の平均値と表６に示す高性能ＡＥ減水剤量を代入して、各高性能ＡＥ減水剤量に対するスランプフローの推測値を得る以外は実施例３と同様にして、高性能ＡＥ減水剤量とスランプフローの推測値の関係式（１１）を導出した。
スランプフローの推測値＝１５．９×（高性能ＡＥ減水剤量）＋４３．１・・・（１１）
式（１１）から安全側に考慮して誤差を修正して、高性能減水剤の必要量とスランプフローの目標値との関係を示す式（１２）を得た。修正はスランプフローの実測値がスランプフローの推測値と比べて過小になることを防ぐ目的で行われるものである。具体的には、誤差１．１２ｃｍ（２σの値）を式（１１）の右辺から減算することで行った。
スランプフローの目標値＝１５．９×（高性能ＡＥ減水剤の必要量）＋４２．０・・・（１２）
得られた式（１２）によりスランプフローの目標値（６０ｃｍ以上）に対する高性能ＡＥ減水剤量の必要量を求めたところ、１．１９質量％となった。

実施例３及び比較例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とはサンプリング日の異なる普通ポルトランドセメントを用いたコンクリートであって、高性能ＡＥ減水剤量を除く監視データの実測値が上記１７個のサンプルの実測値の平均値に近く、かつスランプフローが６０ｃｍに近いコンクリートの高性能ＡＥ減水剤量は１．１１質量％であった。
該量は、比較例３で求めた高性能ＡＥ減水剤の必要量（１．１９質量％）よりも、実施例３で求めた高性能ＡＥ減水剤の必要量（１．１５質量％）に近いことから、本発明の予測方法によれば、より正確にコンクリートの配合条件を予測することができることがわかる。

［実施例４］
［単位水量の予測］
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、上記細骨材Ａ、粗骨材、高性能ＡＥ減水剤、消泡剤Ａ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方法およびスランプフローの測定方法は実施例３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。

また、学習用サンプルに使用した１５個の普通ポルトランドセメントの各々について、
コンクリートの配合条件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セメントの鉱物組成、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。
これらのデータを得る方法は、実施例２と同様である。

［監視データの選択］
上述した監視データ（単位水量、Ｃ_３Ｓ及びＣ_３Ａの含有率、及びモルタルフロー（直後、３０分後））のうち、表７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７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７中、「ＲＭＳＥ」と示す。）を算出した。
結果を表７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、Ｃ_３Ｓ及びＣ_３Ａの含有率、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。

また、モニター用のサンプルとして、前記学習用サンプルとして使用した１５個の普通ポルトランドセメント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鉱物組成、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。

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_Ｌとσ_Ｍを算出したところ、σ_Ｌとσ_Ｍの関係はσ_Ｌ＜σ_Ｍ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_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍ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、セメントの鉱物組成、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。このことから、得られた学習済みのニューラルネットワークは信頼性の高いものであることがわかる。

次に、上記学習済みのニューラルネットワークを使用してコンクリートの製造条件（単位水量）の予測を行った。
上記ニューラルネットワークの学習に使用した、サンプリング日の異なる １７ 個（学習用サンプル１５個とモニター用サンプル２個の合計）のコンクリートの単位水量を除く監視データ（Ｃ_３Ｓ及びＣ_３Ａの含有率、モルタルフロー（直後、３０分後））の実測値の平均値を算出した。Ｃ_３Ｓの含有率の実測値の平均値は５６．２質量％、Ｃ_３Ａの含有率の実測値の平均値は６．５質量％、モルタルフロー（直後）の実測値の平均値は３３３ｍｍ、モルタルフロー（３０分後）の実測値の平均値は２４３ｍｍであった。

次いで、上記学習済みのニューラルネットワークの入力層に、単位水量を除く監視データ（Ｃ_３Ｓ及びＣ_３Ａの含有率、モルタルフロー（直後、３０分後））の実測値の平均値と、表８に示す単位水量を入力して、各単位水量に対するスランプフローの推測値を得た。結果を表８に示す。
なお、単位水量は、上記１７個のコンクリートの単位水量の実測値の数値範囲内で、任意に設定した値（実測値の最大値と最小値を１０等分するように変動した値）である。

単位水量とスランプフローの推測値との組み合わせから、回帰分析を行い、単位水量とスランプフローの推測値との関係を示す下記式（１３）を得た。
スランプフローの推測値＝０．４４×（単位水量）−１４．０・・・（１３）
式（１３）から、安全側に考慮して誤差を修正して、単位水量の必要量とスランプフローの目標値との関係を示す下記式（１４）を得た。修正はスランプフローの実測値がスランプフローの推測値と比べて過少になることを防ぐ目的で行われるものである。具体的には、誤差０．６６ｃｍ（２σ）の値を、式（１３）の右辺から減算することで行った。
スランプフローの目標値＝０．４４×（単位水量の必要量）−１４．７・・・（１４）

得られた式（１４）を用いて、スランプフローの目標値に対する単位水量の必要量を求めた。具体的には、スランプフローの目標値を６０ｃｍ以上と定め、上記式（１４）に該目標値の下限値（６０ｃｍ）を代入することで、単位水量の必要量（１６８．１ｋｇ／ｍ^３）を得た。該必要量は、コンクリートの製造において、単位水量を１６８．１ｋｇ／ｍ^３以上とすれば、得られるコンクリートのスランプフローが目標値（６０ｃｍ以上）を下回ることはないと推測できる値である。

[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フローとの高い相関を有する、コンクリートの配合条件に関するデータ、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、セメントの鉱物組成（Ｃ_３Ｓ及びＣ_３Ａの含有率）、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^２＝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^３））−（０．０３）×（Ｃ_３Ｓの含有率（質量％））−１．５５×（Ｃ_３Ａの含有率（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、セメントの鉱物組成（Ｃ_３Ｓ及びＣ_３Ａの含有率）、及びモルタルフロー（直後、３０分後）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。

学習済みのニューラルネットワークに単位水量を除く監視データの実測値の平均値と表８に示す単位水量の実測値を入力する代わりに、上記回帰式に単位水量を除く監視データの実測値の平均値と表８に示す単位水量を代入して、各単位水量に対するスランプフローの推測値を得る以外は実施例４と同様にして、単位水量とスランプフローの推測値との関係を示す下記式（１５）を得た。
スランプフローの推測値＝０．４４×（単位水量）−１５．３・・・（１５）
式（１５）から、安全側に考慮して誤差を修正して、単位水量の必要量とスランプフローの目標値との関係を示す下記式（１６）を得た。修正はスランプフローの実測値がスランプフローの推測値と比べて過小になることを防ぐ目的で行われるものである。具体的には、誤差０．７２Ｎ／ｍｍ^２（２σの値）を、式（１５）の右辺から減算することで行った。
スランプフローの目標値＝０．４４×（単位水量の必要量）−１６．０・・・（１６）
得られた式（１６）により、スランプフローの目標値（６０ｃｍ以上）に対する必要となる単位水量を求めたところ、１７１．４ｋｇ／ｍ^３であった。

実施例４及び比較例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とはサンプリング日の異なる普通ポルトランドセメントを用いたコンクリートであって、単位水量を除く監視データの実測値が上記１７個のサンプルの実測値の平均値に近く、かつスランプフローが６０ｃｍに近いコンクリートの単位水量は１６７．６ｋｇ／ｍ^３であった。
該量は、比較例４で求めた単位水量の必要量（１７１．４ｋｇ／ｍ^３）よりも、実施例４で求めた単位水量の必要量（１６７．６ｋｇ／ｍ^３）に近いことから、本発明の予測方法によれば、より正確にコンクリートの配合条件を予測することができることがわかる。

Claims (7)

1. 入力層及び出力層を有する学習済みのニューラルネットワークを用いた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値を出力するためのものであり、
   上記監視データが、予測の対象となる、コンクリートの配合条件に関するデータを少なくとも含むものであり、かつ、
   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条件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条件に関するデータ、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、
   （Ｍ）予測の対象となる、コンクリートの配合条件に関するデータであって、任意に変動させた監視データの値を含む、複数の監視データの値を、上記学習済みのニューラルネットワークの入力層に入力して、評価データの推測値を得ることを複数回行って、上記変動させた監視データの値と上記評価データの推測値からなる複数の組み合わせを得た後、得られた複数の組み合わせを用いて回帰分析を行い、予測の対象となる、コンクリートの配合条件に関するデータである監視データと、目標とする評価データとの関係式を得た後、得られた関係式と目標とする評価データの値から、目標とする評価データの値を得ることが可能なコンクリートの配合条件を予測する工程、
   を含むことを特徴とするコンクリートの配合条件の予測方法。
2. 上記監視データが、予測の対象となる、コンクリートの配合条件に関するデータを少なくとも含む、２種以上の監視データであり、
   工程（Ｍ）において、予測の対象となる、コンクリートの配合条件に関するデータである監視データを除く監視データの固定値を設定し、
   該固定値と、予測の対象となる、コンクリートの配合条件に関するデータであって任意に変動させた監視データの値を、上記学習済みのニューラルネットワークの入力層に入力して、評価データの推測値を得る、請求項１に記載のコンクリートの配合条件の予測方法。
3. 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（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３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. 上記監視データが、（Ａ−１）予測の対象となる、コンクリートの配合条件に関するデータを含む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、上記学習済みの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配合条件の予測方法。
6. 工程（Ｍ）の前に、（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_Ｌ）、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_Ｍ）を算出し、算出されたσ_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍである場合、工程（Ｄ）を実施し、算出されたσ_Ｌとσ_Ｍの関係がσ_Ｌ＜σ_Ｍ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_Ｌ）、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_Ｍ）を算出し、算出されたσ_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍである場合、工程（Ｉ）を実施し、算出されたσ_Ｌとσ_Ｍの関係がσ_Ｌ＜σ_Ｍ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て、学習済みのニューラルネットワークを得た後、工程（Ｍ）を実施し、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て得た後、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、学習済みのニューラルネットワークを得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、予測の対象となる、コンクリートの配合条件に関するデータである監視データを含み、かつ、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、予測の対象となる、コンクリートの配合条件に関するデータである監視データを含まない場合、あるいは、０または１種類である場合、工程（Ｋ）で得た学習済みのニューラルネットワークを用いて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を含み、
   工程（Ｍ）において使用する学習済みのニューラルネットワークが、工程（Ｋ）で得た学習済みのニューラルネットワークである場合、上記学習済みのニューラルネットワークの入力層に入力する監視データが、上記予測可能監視データ領域に含まれるものである、請求項１〜５のいずれか１項に記載のコンクリートの配合条件の予測方法。
   

   

   （上記式（１）中、学習データの平均２乗誤差（σ_Ｌ）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_Ｌ）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。）
7. 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６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。

Images