JP2019207128A - 建物損傷検知装置、建物損傷検知モデル学習装置、建物損傷検知方法、建物損傷検知モデル学習方法、プログラム - Google Patents

Abstract

【課題】閾値と応答値の比較による判定とは異なる判定方法によって建物損傷の評価を行うことができる建物損傷検知装置を提供する。【解決手段】多層構造の建物の観測層に設けられたセンサから得られる加速度データと前記観測層における損傷の有無を示す損傷情報とを用い、前記観測層における加速度データと当該観測層における損傷の有無の関係を学習した建物損傷検知モデルを用いて、前記観測層のうち判定対象である判定層における損傷の判定を行う判定部と、前記観測層のうち判定層に設けられたセンサから加速度データを取得する取得部と、前記取得された加速度データと前記損傷検知モデルを用いて前記判定層における損傷の判定を前記判定部によって行われた判定結果を出力する出力部と、を有する。【選択図】図１

Description

本発明は、建物損傷検知装置、建物損傷検知モデル学習装置、建物損傷検知方法、建物損傷検知モデル学習方法、プログラムに関する。

建物の構造モニタリングシステムでは、建物に設置された加速度センサ情報から各層の層間変形角を算出し、地震時における建物健全性の評価が行われている（例えば、特許文献１参照）。評価を行うことで、例えば、地震が発生した場合に建物が受ける損傷度合を事前に把握することで、建物の耐震性能を評価することもできる。

特開２０１３−１９５３５４号公報

しかしながら、層間変形角による建物損傷判定は、事前に設定している閾値と応答値の比較による判定であり、具体的な損傷検知ができているわけではない。

本発明は、このような事情に鑑みてなされたもので、その目的は、閾値と応答値の比較による判定とは異なる判定方法によって建物損傷の評価を行うことができる建物損傷検知装置、建物損傷検知モデル学習装置、建物損傷検知方法、建物損傷検知モデル学習方法、プログラムを提供することにある。

上述した課題を解決するために、本発明は、多層構造の建物の観測層に設けられたセンサから得られる加速度データと前記観測層における損傷の有無を示す損傷情報とを用い、前記観測層における加速度データと当該観測層における損傷の有無の関係を学習した建物損傷検知モデルを用いて、前記観測層のうち判定対象である判定層における損傷の判定を行う判定部と、前記観測層のうち判定層に設けられたセンサから加速度データを取得する取得部と、前記取得された加速度データと前記損傷検知モデルを用いて前記判定層における損傷の判定を前記判定部によって行われた判定結果を出力する出力部と、を有する建物損傷検知装置である。

また、本発明は、多層構造の建物の観測層に設けられたセンサから得られる加速度データと前記観測層における損傷の有無を示す損傷情報とを用い、前記観測層における加速度データと当該観測層における損傷の有無の関係を表す建物損傷検知モデルを学習によって生成する学習部を有する建物損傷検知モデル学習装置である。
また、本発明は、建物損傷検知方法、建物損傷検知モデル学習方法、プログラムである。

以上説明したように、この発明によれば、閾値と応答値の比較による判定とは異なる判定方法によって建物損傷の評価を行うことができる。すなわち、建物の加速度データとあらかじめ定義した損傷の有無を組み合わせたデータセットを機械学習させ、建物損傷検知モデルを作成する。この建物損傷検知モデルに損傷度を検証したい建物の各層の加速度データを入力することで、各層の損傷の有無を評価することができる。

この発明の一実施形態による建物損傷検知システム１の構成を示す概略ブロック図である。 前処理部２３が行うデータセット作成の流れを示す図である。 処理部２３が新たなデータセットを生成する流れと損傷検知モデルを作成する流れを表す図である。 損傷検知モデルを作成するために使用したデータの一例を示す図である。 作成した損傷検知モデルを用いて梁端損傷度を検証した結果を示す図である。 傾きａに対応する層の初期剛性係数ｉの逆数１／ｉを乗じ、新たな傾きａ’を算出する処理について説明する図である。 損傷検知モデル作成を作成するために使用したデータの一例を示す図である。 第１の実施形態における損傷度予測の結果を示す図である。 第１の実施形態の変形例における損傷度予測の結果を示す図である。

以下、本発明の一実施形態による建物損傷検知装置を用いた建物損傷検知システムについて図面を参照して説明する。
図１は、この発明の第１の実施形態による建物損傷検知システム１の構成を示す概略ブロック図である。
建物損傷検知システム１は、複数の加速度計１０（加速度計１０ａ〜１０ｆ）と、建物損傷検知装置２０とを含んで構成される。
建物損傷検知システム１は、多層構造の建物を対象として損傷を判定することができる。建物は多層構造であればよく、この実施形態においては、１階から６階までの６階層の建造物である場合を一例として説明する。
加速度計１０は、多層構造の建物の観測層に設けられるセンサである。加速度計１０は、自身が設けられた層における加速度を測定し、測定結果を加速度データとして出力する。この加速度計１０として地震計を用い、建物に対して加えられる地震動などの地盤の振動による加速度を検出することで加速度データとして用いるようにしてもよい。ここでは、加速度計１０のうち、加速度計１０ａが１階、加速度計１０ｂが２階、加速度計１０ｃが３階、加速度計１０ｄが４階、加速度計１０ｅが５階、加速度計１０ｆが６階に設けられている。加速度計１０ａから加速度計１０ｆについて特に識別しない場合には、加速度計１０と称する場合もある。ここでは、加速度計１０には、識別子が予め設定されており、加速度データと識別子とを出力することで、どの層において測定された加速度データであるかを把握できるようになっている。

建物損傷検知装置２０は、取得部２１と、判定部２２と、前処理部２３と、学習部２４と、出力部２５とを有する。
取得部２１は、外部から各種データを取得する。例えば、取得部２１は、建物損傷検知モデルの学習を行うための入力データ（学習データ）を取得する場合には、多層構造の建物の各観測層に設けられたそれぞれの加速度計１０から得られる加速度データと観測層における損傷の有無を示す損傷情報との組となったデータを取得する。この場合、取得部２１は、加速度データについては加速度計１０によって計測されたデータ、損傷情報については、加速度計１０が設けられた層において損傷があったか否かについて判定された結果がキーボードやマウス等の入力装置を利用して入力されるデータであってもよい。この損傷情報は、損傷状態を表すラベル情報として入力されるデータであってもよい。損傷があったか否かの判断は、建物に振動が加えられて加速度計１０によって加速度データが計測された際に、その振動が加えられた後の層の損傷状況を作業員が判断してもよい。
また、取得部２１は、損傷の判定を行う場合には、観測層のうち判定層に設けられた加速度計１０から加速度データを取得する。

判定部２２は、多層構造の建物の各観測層に設けられたそれぞれの加速度計１０から得られる加速度データと観測層における損傷の有無を示す損傷情報とを用い、観測層における加速度データと当該観測層における損傷の有無の関係を学習した建物損傷検知モデルを用いて、観測層のうち判定対象である判定層における損傷の判定を行う。
前処理部２３は、入力データから損傷検知モデルを生成するための前処理を行う機能と、損傷検知モデルを用いて損傷の判定を行う際に判定対象である入力データの前処理を行う。
学習部２４は、観測層に設けられたセンサから得られる加速度データと観測層における損傷の有無を示す損傷情報とを用い、観測層における加速度データと当該観測層における損傷の有無の関係を表す建物損傷検知モデルを学習することで生成する。学習部２４は、生成された建物損傷検知モデルに対して、学習用の入力データを追加で取得することで、建物損傷検知モデルを更新（学習）することもできる。
学習部２４の学習は、どのようなものを用いてもよく、例えば、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）技術を用いた、機械学習、強化学習、複数の中間層を含むニューラルネットワークによるディープラーニングのうちいずれかであってもよい。
出力部２５は、取得された加速度データと損傷検知モデルを用いて判定層における損傷の判定を判定部２２によって行われた判定結果を出力する。

次に、上述の建物損傷検知システム１の動作を説明する。建物損傷検知システム１の動作としては、大きくわけて、学習フェーズと判定フェーズとがある。
まず、学習フェーズについて説明する。
建物損傷検知装置２０の取得部２１は、学習用の入力データを取得する。ここでは、建物に対して振動が加えられた際における、建物の各層の加速度計１０から得られる加速度データと、その加速度計１０が取付けられた層の損傷の有無を示す損傷情報とを組み合わせたデータである。このような入力データは、建物のそれぞれの層について取得される。

学習用の入力データが取得されると、前処理部２３は、次のようにして前処理を行う。
すなわち、前処理部２３は、まず、学習用の入力データのうち、加速度データから層間変形角時刻歴とせん断力時刻歴を求める。層間変形角時刻歴は、層の加速度データを基に、各層で計測された加速度時刻歴を数値積分して変位時刻歴を求め、各階の差分を求め階高で割ることで、層間変形角時刻歴を求める。
さらに前処理部２３は、せん断力時刻歴を算出する。このせん断力時刻歴は、各層の加速度にその層の質量を乗じ、屋上階から累積することで算出することができる。

層間変形角時刻歴とせん断力時刻歴が求められると、前処理部２３は、層間変形角時刻歴とせん断力時刻歴をαＳｅｃごとに区切り、区切られたデータとその層の損傷有無を１つのデータとして、層ごとにデータセット（ｎ個データで構成）を作成する。
この前処理部２３が行うデータセット作成の流れを図２に示す。αは、層間変形角時刻歴とせん断力時刻歴から建物の揺れ特性を十分に表現し得ると思われるデータが入るように設定される。ここで、αの値を大きくしすぎると、機械学習に必要なデータ数が確保できなくなる可能性があるため、学習器に合わせてαを調整することが望ましい。

前処理部２３は、用意したデータセットの特徴量である層間変形角、せん断力それぞれにおいて最大値を１とした正規化をした後、αＳｅｃで区切られたデータごとに層間変形角を説明変数ｘ、せん断力を目的変数ｙとして、線形回帰分析を行い（１データセットはｎ回線形回帰させる）、傾きａと切片ｂを求める。前処理部２３は、求めた傾きａと切片ｂとそのときの損傷の有無を１つのデータとして、新たにデータセットを作成し、このデータセットを損傷検知モデルを生成するためのデータとして学習部２４に出力する。

学習部２４は、前処理部２３によって生成されたデータセットを用いて決定木学習を行うことで、決定木モデルを作成し、作成された決定木モデルを建物損傷検知モデルとする。
ここで図３は、処理部２３が新たなデータセットを生成する流れと損傷検知モデル（決定木）を作成する流れを表す図である。

次に、判定フェーズについて説明する。
損傷検知モデルが生成され、建物の損傷度を評価する場合、判定部２２は、検証する対象となる層の加速度計１０から加速度データを取得する。判定部２２は、検証対象の加速度データが得られると、前処理部２３によってデータセットを作成し、作成されたデータセットを、損傷検知モデルに入力する。ここで前処理部２３によるデータセットの作成は、学習部２４が学習を行う際に行われた前処理と同様に行われることで、線形回帰分析を行い、傾きａと切片ｂを求められる。判定部２２は、この傾きａと切片ｂを損傷検知モデルに入力することで、判定を行う。

判定結果としては、例えば、複数の加振波が建物に与えられる場合において、加振波のそれぞれを識別する識別番号が加振波に付与されており、その加振波の識別番号と、判定対象の層を表す層の番号と、損傷が生じ得る確率（例えば％）とが対応づけられたデータが判定結果として出力される。

次に、上述した建物損傷検知システム１を用いて実験が行われた実験データをについて説明する。ここで用いた実験データは、１８層鉄骨造フレームモデルの振動台実験のものである。また、各加振に対して梁端（梁端部）が破断した場合としなかった場合を損傷情報とし、１８層鉄骨造フレームモデルの各層において生じた加速度データと入力データとして用いた。１８層のうち、梁端損傷結果の分かる２〜７層の加速度データを基に損傷検知モデルを作成した。
損傷検知モデルを作成するのに使用したデータを図４に示す。加振のために与えられた１１波に対する実験データのうち、図中に示すように梁端が損傷していないデータと損傷しているデータとして、それぞれ２波分の学習用データを用い、その他の加振波に対するデータは検証用データとして用いた。損傷無データについては、２〜７層、損傷有データについては、ほぼ全ての梁端が損傷した２〜４層のデータのみ用いた。作成した損傷検知モデルを用いて梁端損傷度を検証した結果を図５に示す。例えば、この図において、識別番号７である加振波が建物に与えられた場合、６層においては、損傷確率が２％であることが算出され、識別番号８である加振波が建物に与えられた場合、３層においては、損傷確率が１６％であることが算出され、識別番号１１である加振波が建物に与えられた場合、５層においては、損傷確率が１００％であることが算出された。このように、損傷検知モデルで算出（判定）された各層の梁端損傷度（％）が数値で示されるようにしているが、損傷のあるデータ、損傷のないデータ共に比較的良い精度で予測できている。特に、半分以下の梁端が損傷している場合であってもよい精度で予測していることが特出すべき点である。

この実施形態によれば、学習によって生成された損傷検知モデルに判定対象の層において得られた加速度データを入力することで、その層における損傷度を判定するようにしたので、従来の構造ヘルスモニタリングのように建物の健全性評価を行う上で事前に閾値を設定する必要がなく、観測された加速度データだけを用いてあらかじめ定義した建物の損傷度を評価することができる。

次に、上述した建物損傷検知システム１において、建物損傷検知モデルを作成するにあたり、機械学習に用いるデータの階数の偏りやデータ個数によっては、判定結果が大きく異なることも考えられる。また、機械学習に用いるデータセットが検知したいすべての階で得られる場合には適用できるが、必ずしもそのようなデータは得られるとは限らない。また、同じ２〜３階のデータセットであっても４０階建ての建物における２〜３階と１０階建ての建物における２〜３階では意味が異なってくる。そこで、上述した建物損傷検知システム１のデータセットに変更を加えることで、建物階数や適用する階に関わらず損傷検知が可能なモデル作成方法について変形例として説明する。

この変形例においては、データセットにおいて、まず、対象建物の各層の初期剛性を１層目の初期剛性（Ｋｉ）のαｉ倍と表現する。例えば、１層目の初期剛性をＫ１とした場合、２層目の初期剛性をＫ２（＝α２×Ｋ１）、ｎ層目の初期剛性をＫｎ（＝αｎ×Ｋ１）として求めることができ、上層になるほど、初期剛性が低い値になるように設定する。
そして、上述の実施形態においては、特徴量である層間変形角、せん断力それぞれにおいて正規建物損傷検知モデルの一般建物への拡張方法化をした後、データごとに層間変形角を説明変数ｘ、せん断力を目的変数ｙとして、線形回帰分析を行い傾きａ，切片ｂを求め、そのときの損傷の有無を１つのデータとしてデータセットを作成した。本変形例では、図６に示すように、傾きａに対応する層の初期剛性係数ｉの逆数１／ｉを乗じ、新たな傾きａ’を算出する。これにより、傾きａは加速度データ取得位置を考慮した傾きａ’に補正される。この傾きａ’、切片ｂ、損傷の有無を１つのデータセットとして作成する。建物損傷検知モデルを用いて損傷度を評価する際は、検証するデータについても傾きａを補正する処理を行うまでを同様に行ってデータセットを作成し、損傷検知モデルに入力する。

次に、上述の変形例における実験データについて説明する。用いた実験データは、概ね同じであるが、この変形例では、建物として１８層鉄骨造フレームモデルを対象として振動台によって加振する実験を対象としたものであり、各層に対する加振に対して梁端が破断した場合としなかった場合の各層の加速度データを用いた。損傷検知モデル作成に用いるデータを図７に示す。損傷無データ、損傷有データはそれぞれ２波分のデータを用いるが、損傷無データは、用いるデータの階数について、３ケース用意した。ケースは３層分（２，７，１４層）、ケース２は５層分（２，７，１０，１４，１８層）、ケース３は１７層分（２−１８層）のデータを損傷無データとした。損傷有データはいずれもほぼ全ての梁端が損傷した２−４層のデータを使用した。

図７に示したデータを用い、第１実施形態と同様の方法で作成した損傷検知モデル（以後元モデルと呼ぶ）と、今回の変形例で示す階数を考慮した方法で作成した損傷検知モデル（以後新モデルと呼ぶ）により検証した結果をそれぞれ図８、図９に示す。検証では２層から１８層全ての損傷結果のわかる加振波のうち、いずれの層も損傷していない場合と、梁端が損傷した層のある場合の２つの加振波における加速度データを用いた。
図８より、元モデルの場合、損傷無データの数が増えると上層部の損傷度予測の精度が新モデルほどの高さでは得られていない。また、多くの層で、学習データの数により予測結果が異なってくることが分かる。これに対し、図９に示す新モデルの場合、損傷無データの個数が変化しても各層の梁端損傷度にあまり変化はなく、損傷度予測の精度が保持されている。

上述した変形例における建物損傷検知モデルを用いた場合では、加速度データの階数（層の高さに応じた初期剛性）を考慮することで、データの階数の偏りやデータ個数の影響を抑えることができる。また、建物階数や適用する階に関わらず損傷検知が可能なため、高層建物を含む一般建物への適用が可能となる。

上述した実施形態においては、建物損傷検知装置２０における取得部２１、前処理部２３、学習部２４の機能を建物損傷検知装置２０とは別の装置として建物損傷検知モデル学習装置として構成するようにしてもよい。この場合、建物損傷検知モデル学習装置によって学習された建物損傷検知モデルを建物損傷検知装置２０に読み込ませ、判定部２２によって判定するようにしてもよい。

上述した実施形態における建物損傷検知装置２０をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。またこのようなプログラムをサーバからコンピュータにダウンロードさせ、コンピュータにおいてこのプログラムを実行することで、建物損傷検知装置として機能させるようにしてもよい。

以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

１…建物損傷検知システム、１０，１０ａ，１０ｂ，１０ｃ，１０ｄ，１０ｅ，１０ｆ…加速度計、２０…建物損傷検知装置、２１…取得部、２２…判定部、２３…前処理部、２４…学習部、２５…出力部

Claims (7)

1. 多層構造の建物の観測層に設けられたセンサから得られる加速度データと前記観測層における損傷の有無を示す損傷情報とを用い、前記観測層における加速度データと当該観測層における損傷の有無の関係を学習した建物損傷検知モデルを用いて、前記観測層のうち判定対象である判定層における損傷の判定を行う判定部と、
   前記観測層のうち判定層に設けられたセンサから加速度データを取得する取得部と、
   前記取得された加速度データと前記損傷検知モデルを用いて前記判定層における損傷の判定を前記判定部によって行われた判定結果を出力する出力部と、
   を有する建物損傷検知装置。
2. 前記観測層に設けられたセンサから得られる加速度データと前記観測層における損傷の有無を示す損傷情報とを用い、前記観測層における加速度データと当該観測層における損傷の有無の関係を表す建物損傷検知モデルを学習によって生成する学習部を有し、
   前記判定部は、前記学習部によって学習された建物損傷検知モデルを用いて前記判定層における損傷の判定を行う
   請求項１記載の建物損傷検知装置。
3. 前記判定部は、前記観測層のそれぞれに設けられたセンサから得られる加速度データを用いて求められる、所定の時間間隔毎に層間変形角を説明変数としせん断力を目的変数として線形回帰分析を行うことで求められる傾きと切片と前記損傷情報との組み合わせのデータを用いて前記学習が行われた建物損傷検知モデルを用いて判定を行う
   請求項１または請求項２記載の建物損傷検知装置。
4. 多層構造の建物の観測層に設けられたセンサから得られる加速度データと前記観測層における損傷の有無を示す損傷情報とを用い、前記観測層における加速度データと当該観測層における損傷の有無の関係を表す建物損傷検知モデルを学習によって生成する学習部を有する建物損傷検知モデル学習装置。
5. 判定部が、多層構造の建物の観測層に設けられたセンサから得られる加速度データと前記観測層における損傷の有無を示す損傷情報とを用い、前記観測層における加速度データと当該観測層における損傷の有無の関係を学習した建物損傷検知モデルを用いて、前記観測層のうち判定対象である判定層における損傷の判定を行い、
   取得部が、前記観測層のうち判定層に設けられたセンサから加速度データを取得し、
   出力部が、前記取得された加速度データと前記損傷検知モデルを用いて前記判定層における損傷の判定を前記判定部によって行われた判定結果を出力する
   建物損傷検知方法。
6. 学習部が、多層構造の建物の観測層に設けられたセンサから得られる加速度データと前記観測層における損傷の有無を示す損傷情報とを用い、前記観測層における加速度データと当該観測層における損傷の有無の関係を表す建物損傷検知モデルを学習によって生成する建物損傷検知モデル学習方法。
7. コンピュータを、請求項１から請求項３のうちいずれか１項に記載の建物損傷検知装置または、請求項４に記載の建物損傷検知モデル学習装置として動作させるためのプログラムであって、前記コンピュータを前記建物損傷検知装置または、前記建物損傷検知モデル学習装置が備える各部として機能させるためのプログラム。

Images