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
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 Download PDFInfo
- Publication number
- JP2019207128A JP2019207128A JP2018101756A JP2018101756A JP2019207128A JP 2019207128 A JP2019207128 A JP 2019207128A JP 2018101756 A JP2018101756 A JP 2018101756A JP 2018101756 A JP2018101756 A JP 2018101756A JP 2019207128 A JP2019207128 A JP 2019207128A
- Authority
- JP
- Japan
- Prior art keywords
- damage
- building
- layer
- determination
- damage detection
- 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.)
- Pending
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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)
- 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。 - 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。 - 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。 - 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。
- 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。 - 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。
- 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018101756A JP2019207128A (ja) | 2018-05-28 | 2018-05-28 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018101756A JP2019207128A (ja) | 2018-05-28 | 2018-05-28 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2019207128A true JP2019207128A (ja) | 2019-12-05 |
Family
ID=68768456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018101756A Pending JP2019207128A (ja) | 2018-05-28 | 2018-05-28 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2019207128A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021143575A (ja) * | 2020-03-13 | 2021-09-24 | 五洋建設株式会社 | 損傷度予測装置、学習済モデル、及び学習済モデルの生成方法 |
KR20230103337A (ko) * | 2021-12-31 | 2023-07-07 | 경북대학교 산학협력단 | 건축 구조물의 손상 탐지 방법 및 장치 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5490062A (en) * | 1994-05-11 | 1996-02-06 | The Regents Of The University Of California | Real-time neural network earthquake profile predictor |
JP2013195354A (ja) * | 2012-03-22 | 2013-09-30 | Shimizu Corp | 建物の健全性確認方法 |
JP2015068801A (ja) * | 2013-09-30 | 2015-04-13 | 株式会社地層科学研究所 | 建造物の地震被害予測方法及び予測システム |
JP2016019369A (ja) * | 2014-07-08 | 2016-02-01 | 株式会社Nttファシリティーズ | 構造物検証システム、構造物検証装置、構造物検証プログラム |
JP2017101953A (ja) * | 2015-11-30 | 2017-06-08 | 清水建設株式会社 | 建物の応答推定方法 |
JP2017215157A (ja) * | 2016-05-30 | 2017-12-07 | 株式会社リコー | 情報処理装置、プログラム、転倒予測システム |
-
2018
- 2018-05-28 JP JP2018101756A patent/JP2019207128A/ja active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5490062A (en) * | 1994-05-11 | 1996-02-06 | The Regents Of The University Of California | Real-time neural network earthquake profile predictor |
JP2013195354A (ja) * | 2012-03-22 | 2013-09-30 | Shimizu Corp | 建物の健全性確認方法 |
JP2015068801A (ja) * | 2013-09-30 | 2015-04-13 | 株式会社地層科学研究所 | 建造物の地震被害予測方法及び予測システム |
JP2016019369A (ja) * | 2014-07-08 | 2016-02-01 | 株式会社Nttファシリティーズ | 構造物検証システム、構造物検証装置、構造物検証プログラム |
JP2017101953A (ja) * | 2015-11-30 | 2017-06-08 | 清水建設株式会社 | 建物の応答推定方法 |
JP2017215157A (ja) * | 2016-05-30 | 2017-12-07 | 株式会社リコー | 情報処理装置、プログラム、転倒予測システム |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021143575A (ja) * | 2020-03-13 | 2021-09-24 | 五洋建設株式会社 | 損傷度予測装置、学習済モデル、及び学習済モデルの生成方法 |
JP7341414B2 (ja) | 2020-03-13 | 2023-09-11 | 五洋建設株式会社 | 損傷度予測装置、学習済モデル、及び学習済モデルの生成方法 |
KR20230103337A (ko) * | 2021-12-31 | 2023-07-07 | 경북대학교 산학협력단 | 건축 구조물의 손상 탐지 방법 및 장치 |
KR102650081B1 (ko) | 2021-12-31 | 2024-03-21 | 경북대학교 산학협력단 | 건축 구조물의 손상 탐지 방법 및 장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11340602B2 (en) | Sensor data fusion for prognostics and health monitoring | |
Sharma et al. | One-dimensional convolutional neural network-based damage detection in structural joints | |
Das et al. | Vibration-based damage detection techniques used for health monitoring of structures: a review | |
US10410116B2 (en) | System and method for calculating remaining useful time of objects | |
Liu et al. | Structure damage diagnosis using neural network and feature fusion | |
JP5547029B2 (ja) | 建物の損傷評価方法及び建物の損傷評価装置 | |
CN107944563B (zh) | 机械学习装置以及机械学习方法 | |
JP2019207128A (ja) | 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 | |
Oh et al. | Damage localization method for building structures based on the interrelation of dynamic displacement measurements using convolutional neural network | |
Entezami et al. | Improving feature extraction via time series modeling for structural health monitoring based on unsupervised learning methods | |
JP2020128951A (ja) | 建造物損傷状況推定システム及び建造物損傷状況推定方法 | |
Dodson et al. | Microsecond state monitoring of nonlinear time-varying dynamic systems | |
Avci et al. | Structural damage detection in civil engineering with machine learning: Current state of the art | |
JP2008310623A (ja) | 状況解析システムおよび状況解析方法 | |
JP6475930B2 (ja) | 総合監視装置、総合監視プログラム | |
JP6603260B2 (ja) | 数値制御装置 | |
JP2020008332A (ja) | 建物損傷拡大検知装置、建物損傷拡大検知モデル学習装置、建物損傷拡大検知方法、建物損傷拡大検知モデル学習方法、及びプログラム | |
JP2020027324A (ja) | 分析システム、分析方法、プログラム、及び記憶媒体 | |
WO2022259380A1 (ja) | 点検支援装置、点検支援システム、点検支援方法および点検支援プログラム | |
WO2023066484A1 (en) | Maintenance of elevator system | |
JP6824495B1 (ja) | センシングデバイスおよびセンシングデバイスシステム | |
Roy et al. | Real-time prediction of impact-induced damage for composite structures based on failure analysis and efficient database methods | |
JP6487880B2 (ja) | 建物の構造パラメータ同定システム及び方法 | |
JP2022035161A (ja) | 異常検出方法 | |
EP2323105A1 (en) | Monitoring of machines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210423 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220224 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220308 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20220906 |