JP2022148889A - 建物の被災度推定方法、建物の被災度推定システム、建物の被災度学習方法、建物の被災度学習システム及びプログラム - Google Patents
建物の被災度推定方法、建物の被災度推定システム、建物の被災度学習方法、建物の被災度学習システム及びプログラム Download PDFInfo
- Publication number
- JP2022148889A JP2022148889A JP2021050741A JP2021050741A JP2022148889A JP 2022148889 A JP2022148889 A JP 2022148889A JP 2021050741 A JP2021050741 A JP 2021050741A JP 2021050741 A JP2021050741 A JP 2021050741A JP 2022148889 A JP2022148889 A JP 2022148889A
- Authority
- JP
- Japan
- Prior art keywords
- building
- damage
- information
- degree
- learning
- 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
Links
- 230000006378 damage Effects 0.000 title claims abstract description 194
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000033001 locomotion Effects 0.000 claims abstract description 115
- 230000001133 acceleration Effects 0.000 claims abstract description 68
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 30
- 238000001228 spectrum Methods 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims description 50
- 239000010410 layer Substances 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 10
- 239000011229 interlayer Substances 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 38
- 238000010586 diagram Methods 0.000 description 25
- 238000012545 processing Methods 0.000 description 21
- 238000010276 construction Methods 0.000 description 18
- 238000007781 pre-processing Methods 0.000 description 17
- 238000012360 testing method Methods 0.000 description 16
- 238000012549 training Methods 0.000 description 14
- 230000015654 memory Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000009467 reduction Effects 0.000 description 7
- 238000006073 displacement reaction Methods 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 5
- 238000013016 damping Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
【課題】コストの低減をしやすく、被災度の推定に要する時間を短縮しやすい建物の被災度推定方法、建物の被災度推定システム、建物の被災度学習方法、建物の被災度学習システム及びプログラムを提供する。【解決手段】建物の被災度推定システム１は、取得部１３２と、推定部１３３と、を備える。取得部１３２は、地震動の最大加速度および地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を含む入力情報を取得する。推定部１３３は、予め構築された学習済みモデルを用いて、入力情報を基に出力情報を推定する。学習済みモデルは、入力情報を入力データとするものであって、建物の地震動による被災度に関する出力情報を教師データとして、機械学習により構築される。【選択図】図１
Description
本開示は、建物の被災度推定方法、建物の被災度推定システム、建物の被災度学習方法、建物の被災度学習システム及びプログラムに関する。
特許文献１は、建物被災推定システムおよび方法を開示する。この建物被災推定システムは、建物被災推定装置と、建物の基礎地盤面に設置された地震センサと、建物内の代表ポイントに設置された地震センサから構成される。建物被災推定装置は、建物の既知の建物情報に基づいて、建物の地震による動きを数式化した仮想建物モデルを導出する仮想建物モデル導出部と、地震発生中に地震センサで計測された地動加速度を仮想建物モデルに入力して、仮想建物モデルの地震応答解析を行う地震応答解析部と、地震応答解析の結果を用いて、地震情報と建物の地震による動きを示す動き情報を算出する地震・動き情報算出部と、地震終了後に地震情報と動き情報を用いて、建物の被災度を推定する被災度推定部とを備える。
特許文献１に記載の建物被災推定システムおよび方法にあっては、建物の全ての層に加速度センサを設置する必要がなく、建物の基礎地盤面と建物内の代表ポイントにのみ地震センサを設置すればよい。このため、地震発生後の建物の被災度を従来よりも安価に推定することができるものであった。
しかしながら、特許文献１に記載の建物被災推定システムおよび方法にあっては、少なくとも建物内の代表ポイントに地震センサを設置する必要があるため、建物の全ての層に加速度センサを設置する場合と比較すれば安価であるものの、依然としてコストの低減をしにくいという問題があった。
また、地震応答解析部が行う地震応答解析は、具体的には建物剛性の非線形性を考慮した時刻歴応答解析であるため、解析に時間を要するという問題があった。
本開示は、上記従来の問題点に鑑みて発明したものであって、コストの低減をしやすく、被災度の推定に要する時間を短縮しやすい建物の被災度推定方法、建物の被災度推定システム、建物の被災度学習方法、建物の被災度学習システム及びプログラムを提供することを課題とする。
本開示の一態様の建物の被災度推定方法は、取得ステップと、推定ステップと、を備える。前記取得ステップは、地震動の最大加速度および前記地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を含む入力情報を取得するステップである。前記推定ステップは、予め構築された学習済みモデルを用いて、前記入力情報を基に前記出力情報を推定するステップである。前記学習済みモデルは、前記入力情報を入力データとするものであって、建物の前記地震動による被災度に関する出力情報を教師データとして、機械学習により構築される。
本開示の一態様の建物の被災度推定システムは、取得部と、推定部と、を備える。前記取得部は、地震動の最大加速度および前記地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を含む入力情報を取得する。前記推定部は、予め構築された学習済みモデルを用いて、前記入力情報を基に前記出力情報を推定する。前記学習済みモデルは、前記入力情報を入力データとするものであって、建物の前記地震動による被災度に関する出力情報を教師データとして、機械学習により構築される。
本開示の一態様の建物の被災度学習方法は、取得ステップと、学習ステップと、を備える。前記取得ステップは、地震動の最大加速度および前記地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を含む入力情報を取得するステップである。前記学習ステップは、前記入力情報を入力データとする学習済みモデルであって、建物の前記地震動による被災度に関する出力情報を教師データとして、前記学習済みモデルを機械学習により構築するステップである。
本開示の一態様の建物の被災度学習システムは、取得部と、学習部と、を備える。前記取得部は、地震動の最大加速度および前記地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を含む入力情報を取得する。前記学習部は、前記入力情報を入力データとする学習済みモデルであって、建物の前記地震動による被災度に関する出力情報を教師データとして、前記学習済みモデルを機械学習により構築する。
本開示の一態様のプログラムは、１以上のプロセッサに、前記建物の被災度推定方法又は前記建物の被災度学習方法を実行させる。
本開示の一態様の建物の被災度推定方法、建物の被災度推定システム、建物の被災度学習方法、建物の被災度学習システム及びプログラムによれば、コストの低減をしやすく、被災度の推定に要する時間を短縮しやすい。
（概要）
本開示は、建物の被災度推定方法、建物の被災度推定システム、建物の被災度学習方法、建物の被災度学習システム及びプログラムについてであって、地震が発生した際に、迅速に建物の被災度を推定することを第一の目的としている。また、本開示は、迅速な建物の被災度の推定を低コストで実現することを第二の目的としている。
本開示は、建物の被災度推定方法、建物の被災度推定システム、建物の被災度学習方法、建物の被災度学習システム及びプログラムについてであって、地震が発生した際に、迅速に建物の被災度を推定することを第一の目的としている。また、本開示は、迅速な建物の被災度の推定を低コストで実現することを第二の目的としている。
地震による人的被害及び建物の被害は以前より大きな問題となっており、昨今、これらの被害を低減すべく様々な取り組みがなされている。人的被害としては、地震発生時及び地震発生直後に、人が転倒したり落下物と衝突して怪我をしたり、建物の損傷に起因する怪我をしたりする被害が挙げられる。また、地震発生時に人的被害が発生しなくても、建物の被害が発生すると、損傷した建物がさらに損傷したり崩壊したりすることによる人的被害が発生する可能性がある。いずれにしても、建物の損傷は、建物の被害であると共に人的被害の原因となるものであり、人的被害及び建物の被害を最小限に止めるためには、建物の損傷度合（被災度）を速やかに把握する必要がある。
このため、住宅メーカをはじめとする一部の企業においては、建物に地震センサを設置して、地震動による建物の振動を直接的に計測することにより、建物の被災度を把握している。しかしながら、このような方法では、建物の被災度を精度良く把握しやすいものの、多数の住戸に地震センサを設置すると共に地震センサからの計測データを送信する環境を整備する必要があり、コストがかかる。また、公的機関等が公表する震度分布から求まる震度のみでは、推定する被災度の精度がよくない。
本開示の建物の被災度推定方法、建物の被災度推定システム、建物の被災度学習方法、建物の被災度学習システム及びプログラムにおいては、入力情報として、現実の住戸に設置した多数の地震センサからの地震動の時系列波形の情報を不要とし、代わりに、地震動の最大加速度および地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を入力情報としている。これにより、建物に地震センサを全く又はほとんど設置する必要がなくなり、コストの低減をしやすくなると共に、建物剛性の非線形性を考慮した時刻歴応答解析を行わずに建物の被災度を推定するため、建物の被災度の推定に要する時間を短縮しやすくなる。
（詳細）
以下、本開示の一実施形態に係る建物の被災度推定方法、建物の被災度推定システム、建物の被災度学習方法、建物の被災度学習システム及びプログラムについて、図１１Ｂを参照して詳細に説明する。本実施形態の建物の被災度推定方法は、図１に示す建物の被災度推定システム１により実行され得る。被災度推定システム１は、通信ネットワーク８を介して地震動波形サーバ９と接続可能である。
以下、本開示の一実施形態に係る建物の被災度推定方法、建物の被災度推定システム、建物の被災度学習方法、建物の被災度学習システム及びプログラムについて、図１１Ｂを参照して詳細に説明する。本実施形態の建物の被災度推定方法は、図１に示す建物の被災度推定システム１により実行され得る。被災度推定システム１は、通信ネットワーク８を介して地震動波形サーバ９と接続可能である。
（１）被災度推定システム
被災度推定システム１は、上述したように、本実施形態の建物の被災度推定方法を実行するためのシステムである。被災度推定システム１は、通信部１１と、記憶部１２と、処理部１３とを備える。被災度推定システム１は、１以上のサーバにより実現され得る。
被災度推定システム１は、上述したように、本実施形態の建物の被災度推定方法を実行するためのシステムである。被災度推定システム１は、通信部１１と、記憶部１２と、処理部１３とを備える。被災度推定システム１は、１以上のサーバにより実現され得る。
通信部１１は、通信インターフェースである。通信部１１は、通信ネットワーク８に接続可能であり、通信ネットワーク８を通じた通信を行う機能を有する。通信部１１は、例えば、トランスミッタとレシーバを含む。通信部１１は、所定の通信プロトコルに準拠している。所定の通信プロトコルは、周知の様々な有線及び無線通信規格から選択され得る。
記憶部１２は、処理部１３が利用する情報を記憶するために用いられる。記憶部１２は、１以上の記憶装置を含む。記憶装置は、例えば、ＲＡＭ（Random Access Memory）、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）である。
処理部１３は、被災度推定システム１の動作を制御する制御回路である。処理部１３は、例えば、１以上のプロセッサ（マイクロプロセッサ）と１以上のメモリとを含むコンピュータシステムにより実現され得る。つまり、１以上のプロセッサが１以上のメモリに記憶された１以上の（コンピュータ）プログラム（アプリケーション）を実行することで、処理部１３として機能する。プログラムは、ここでは処理部１３のメモリに予め記録されているが、インターネット等の電気通信回線を通じて、又はメモリカード等の非一時的な記録媒体に記録されて提供されてもよい。
処理部１３は、前処理部１３１と、取得部１３２と、推定部１３３と、提示部１３４と、を備える。前処理部１３１と、取得部１３２と、推定部１３３と、提示部１３４とは実体のある構成を示しているわけではなく、処理部１３によって実現される機能を示している。
（１－１）前処理部
前処理部１３１は、被災度推定システム１が実行する被災度推定方法において必要となる入力情報を取得するため、地震動発生時の地表における変位の時系列データ、速度の時系列データ又は加速度の時系列データ（これらを総称して地震動の時系列波形というものとする）を基に、入力情報を求める処理を実行する。
前処理部１３１は、被災度推定システム１が実行する被災度推定方法において必要となる入力情報を取得するため、地震動発生時の地表における変位の時系列データ、速度の時系列データ又は加速度の時系列データ（これらを総称して地震動の時系列波形というものとする）を基に、入力情報を求める処理を実行する。
地震動の時系列波形は、通信ネットワーク８を介して地震動波形サーバ９より取得可能である。地震動波形サーバ９としては、例えば、国立研究開発法人防災科学技術研究所が運営するインターネット上のサーバが挙げられ、このサーバから地震動の時系列波形として、「強震観測網（K-NET, KiK-net）」といったデータが取得可能である。「強震観測網（K-NET, KiK-net）」では、全国の多数の観測点におけるデータが取得可能である。
前処理部１３１は、地震動波形サーバ９より取得した地震動の時系列波形より、被災度推定システム１が実行する被災度推定方法において必要となる入力情報を求める。入力情報は、地震動の最大加速度、所定加速度継続時間およびスペクトル値の情報を含む。
地震動の最大加速度は、いわゆる地表面最大加速度（Peak Ground Acceleration、略してＰＧＡとする）であり、地震動発生時の地表における加速度の最大値の測定値である。ＰＧＡは、地震動の時系列波形より求めることができる。
所定加速度継続時間は、地震動の所定の継続時間に占める、ＰＧＡに１未満の正数値を乗じてなる所定加速度を超える地震動の加速度が継続する時間である。ＰＧＡに乗じる正数値は、本実施形態では０．８である。所定加速度継続時間は、地震動の時系列波形より求めることができる。
スペクトル値は、地震動の加速度の時系列波形の応答スペクトル解析（本実施形態では以下に示すように加速度応答スペクトル解析）により得られる。具体的には、減衰定数を一定とした（本実施形態では５％とした）線形の１質点系せん断モデルに対象の地震動波形を入力して時刻歴応答解析を行うことで最大応答加速度が得られ、１質点系せん断モデルの固有周期を変化させて本解析を繰り返すことで、固有周期と最大応答加速度の関係を示す加速度応答スペクトルが表される。
（１－２）取得部
取得部１３２は、被災度推定システム１が実行する被災度推定方法において必要となる入力情報を取得する。入力情報は、上述したＰＧＡ、所定加速度継続時間および地震動の時系列波形の加速度応答スペクトル解析におけるスペクトル値である。
取得部１３２は、被災度推定システム１が実行する被災度推定方法において必要となる入力情報を取得する。入力情報は、上述したＰＧＡ、所定加速度継続時間および地震動の時系列波形の加速度応答スペクトル解析におけるスペクトル値である。
（１－３）推定部
推定部１３３は、予め構築された学習済みモデルを用いて、取得部１３２で取得した入力情報を基に、建物の地震動による被災度に関する出力情報を推定する。本実施形態においては、推定部１３３は出力情報として、建物の最大変形量の情報を出力する。
推定部１３３は、予め構築された学習済みモデルを用いて、取得部１３２で取得した入力情報を基に、建物の地震動による被災度に関する出力情報を推定する。本実施形態においては、推定部１３３は出力情報として、建物の最大変形量の情報を出力する。
学習済みモデルは、入力情報を入力データとするものであって、出力情報を教師データとして、機械学習により構築される。本実施形態においては、学習済みモデルは、ニューラルネットワークを用いたものである。学習済みモデルは、建物の被災度学習システム２により構築される。被災度学習システム２については後述する。
（１－４）提示部
提示部１３４は、推定部１３３により推定された出力情報を提示する。本実施形態では、推定部１３３により推定された出力情報を、通信ネットワーク８を通じて端末装置７に送ることで、端末装置７の入出力部７１にて出力情報を提示可能である。
提示部１３４は、推定部１３３により推定された出力情報を提示する。本実施形態では、推定部１３３により推定された出力情報を、通信ネットワーク８を通じて端末装置７に送ることで、端末装置７の入出力部７１にて出力情報を提示可能である。
（２－１）通信ネットワーク
通信ネットワーク８は、インターネットを含み得る。通信ネットワーク８は、単一の通信プロトコルに準拠したネットワークだけではなく、異なる通信プロトコルに準拠した複数のネットワークで構成され得る。通信プロトコルは、周知の様々な有線及び無線通信規格から選択され得る。通信ネットワーク８は、リピータハブ、スイッチングハブ、ブリッジ、ゲートウェイ、ルータ等のデータ通信機器を含み得る。
通信ネットワーク８は、インターネットを含み得る。通信ネットワーク８は、単一の通信プロトコルに準拠したネットワークだけではなく、異なる通信プロトコルに準拠した複数のネットワークで構成され得る。通信プロトコルは、周知の様々な有線及び無線通信規格から選択され得る。通信ネットワーク８は、リピータハブ、スイッチングハブ、ブリッジ、ゲートウェイ、ルータ等のデータ通信機器を含み得る。
（２－２）端末装置
端末装置７は、建物の被災度推定システム１からの情報の表示や、例えば被災度推定システム１への安否情報の送信に利用可能である。端末装置７は、入出力部７１と、通信部７２と、処理部７３とを備える。端末装置７は、デスクトップコンピュータ、ラップトップコンピュータ、又は、携帯端末（スマートフォン、タブレット端末、ウェアラブル端末等）により実現され得る。
端末装置７は、建物の被災度推定システム１からの情報の表示や、例えば被災度推定システム１への安否情報の送信に利用可能である。端末装置７は、入出力部７１と、通信部７２と、処理部７３とを備える。端末装置７は、デスクトップコンピュータ、ラップトップコンピュータ、又は、携帯端末（スマートフォン、タブレット端末、ウェアラブル端末等）により実現され得る。
入出力部７１は、端末装置７を操作するための入力装置を備える。入力装置は、例えば、キーボード、マウス、タッチパッド等を含み得る。また、入出力部７１は、情報を表示するための画像表示装置を備える。画像表示装置は、液晶ディスプレイや有機ＥＬディスプレイ等の薄型のディスプレイ装置を含み得る。
通信部７２は、通信インターフェースであり、上述した通信部１１と同様のものであるため、詳細な説明を省略する。
処理部７３は、例えば、１以上のプロセッサ（マイクロプロセッサ）と１以上のメモリとを含むコンピュータシステムにより実現され得る。
（３）被災度学習システム
被災度学習システム２は、通信部２１と、記憶部２２と、処理部２３とを備える。被災度学習システム２は、１以上のサーバにより実現され得る。
被災度学習システム２は、通信部２１と、記憶部２２と、処理部２３とを備える。被災度学習システム２は、１以上のサーバにより実現され得る。
通信部２１は、通信インターフェースであり、上述した通信部１１と同様のものであるため、詳細な説明を省略する。記憶部２２は、処理部２３が利用する情報を記憶するために用いられるものであり、上述した記憶部１２と同様のものであるため、詳細な説明を省略する。処理部２３は、被災度学習システム２の動作を制御する制御回路であり、上述した記憶部１２と同様のハードウェア構成を有している。
処理部２３は、前処理部２３１と、取得部２３２と、学習部２３３と、提示部２３４と、を備える。前処理部２３１と、取得部２３２と、学習部２３３と、提示部２３４とは実体のある構成を示しているわけではなく、処理部２３によって実現される機能を示している。
（３－１）前処理部
前処理部２３１は、被災度学習システム２が実行する被災度学習方法において必要となる教師データとなる入力情報を取得するため、地震動の時系列波形を基に、入力情報を求める処理を実行する。教師データの基となる地震動の時系列波形は、被災度推定システム１と同様に、通信ネットワーク８を介して地震動波形サーバ９より取得可能である。
前処理部２３１は、被災度学習システム２が実行する被災度学習方法において必要となる教師データとなる入力情報を取得するため、地震動の時系列波形を基に、入力情報を求める処理を実行する。教師データの基となる地震動の時系列波形は、被災度推定システム１と同様に、通信ネットワーク８を介して地震動波形サーバ９より取得可能である。
前処理部２３１は、地震動波形サーバ９より取得した地震動の時系列波形より、被災度学習システム２が実行する被災度学習方法において必要となる入力情報を求める。入力情報として、被災度推定システム１と同様のＰＧＡ、所定加速度継続時間およびスペクトル値の情報を含む。
（３－２）取得部
取得部２３２は、被災度学習システム２が実行する被災度学習方法において必要となる入力情報を取得する。入力情報は、上述したＰＧＡ、所定加速度継続時間およびスペクトル値の情報である。
取得部２３２は、被災度学習システム２が実行する被災度学習方法において必要となる入力情報を取得する。入力情報は、上述したＰＧＡ、所定加速度継続時間およびスペクトル値の情報である。
（３－３）学習部
学習部２３３は、入力情報を入力データとする学習済みモデルであって、建物の地震動による被災度に関する出力情報を教師データとする学習済みモデルを機械学習により構築する。学習済みモデルは、図２に示すニューラルネットワーク４を用いたものである。本実施形態では、入力データとして、入力層４１のノード４１０００に計測震度のデータを入力し、ノード４１００１にＰＧＡのデータを入力し、ノード４１００２に所定加速度継続時間のデータ（正数値は０．８）を入力する。また、入力層４１のノード４１００３～ノード４１１０２に、地震動の加速度応答スペクトル値を入力する。スペクトル値は、ノード４１００３には周期帯０．０（ｓｅｃ）以上かつ０．１（ｓｅｃ）未満の最大値、ノード４１００４には周期帯０．１（ｓｅｃ）以上かつ０．２（ｓｅｃ）未満の最大値、・・・ノード４１１０２には周期帯９．９（ｓｅｃ）以上かつ１０．０（ｓｅｃ）未満の最大値をそれぞれ入力する。入力層４１は、ノード４１０００～ノード４１１０２の１０３個のノードを有している。
学習部２３３は、入力情報を入力データとする学習済みモデルであって、建物の地震動による被災度に関する出力情報を教師データとする学習済みモデルを機械学習により構築する。学習済みモデルは、図２に示すニューラルネットワーク４を用いたものである。本実施形態では、入力データとして、入力層４１のノード４１０００に計測震度のデータを入力し、ノード４１００１にＰＧＡのデータを入力し、ノード４１００２に所定加速度継続時間のデータ（正数値は０．８）を入力する。また、入力層４１のノード４１００３～ノード４１１０２に、地震動の加速度応答スペクトル値を入力する。スペクトル値は、ノード４１００３には周期帯０．０（ｓｅｃ）以上かつ０．１（ｓｅｃ）未満の最大値、ノード４１００４には周期帯０．１（ｓｅｃ）以上かつ０．２（ｓｅｃ）未満の最大値、・・・ノード４１１０２には周期帯９．９（ｓｅｃ）以上かつ１０．０（ｓｅｃ）未満の最大値をそれぞれ入力する。入力層４１は、ノード４１０００～ノード４１１０２の１０３個のノードを有している。
ニューラルネットワーク４は、中間層４２及び中間層４３の２層の中間層を有している。中間層４２は、ノード４２００～ノード４２６３の６４個のノードを有している。中間層４３は、ノード４３００～ノード４３６３の６４個のノードを有している。出力層４４は、１個のノード４４０を有している。ノード４４０から出力される出力情報は、建物の最大変形量の情報である。教師データとしての建物の最大変形量は、建物の解析モデルについて、前処理部２３１で取得した地震動の時系列波形を時刻歴応答解析して得たデータを用いる。建物の解析モデルについては後述する。
（３－４）提示部
図１に示すように、提示部２３４は、処理部２３からの各種の出力結果を提示する。本実施形態では、処理部２３からの各種の出力結果を、通信ネットワーク８を通じて端末装置７に送ることで、端末装置７の入出力部７１にて出力情報を提示可能である。
図１に示すように、提示部２３４は、処理部２３からの各種の出力結果を提示する。本実施形態では、処理部２３からの各種の出力結果を、通信ネットワーク８を通じて端末装置７に送ることで、端末装置７の入出力部７１にて出力情報を提示可能である。
（４）建物の解析モデル
図３に示すように、本実施形態では、建物３の解析モデルは、非線形せん断剛性と線形粘性減衰を有するｎ質点系せん断モデルとする。建物３への外乱入力は地盤３０の振動のみとし、地盤３０のロッキングバネの影響はないものとする。
図３に示すように、本実施形態では、建物３の解析モデルは、非線形せん断剛性と線形粘性減衰を有するｎ質点系せん断モデルとする。建物３への外乱入力は地盤３０の振動のみとし、地盤３０のロッキングバネの影響はないものとする。
図１に示すように、建物３のｉ（ｉ＝１～ｎ）層（階）の質量をｍｉで表わし、ｉ層の層剛性をｋｉ、ｉ層の層減衰係数をｃｉ、時刻ｔにおけるｉ層の絶対加速度をｕ″ｉ（ｔ）で表わすと、ｉ層における時刻ｔの層せん断力Ｑｉ（ｔ）は、運動方程式に基づいて下記の［数１］に示す式で表現される。式（１）のｕ′ｉ（ｔ）は時刻ｔの絶対速度であり、ｕｉ（ｔ）は時刻ｔの絶対変位である。
時刻ｔにおけるｉ層の層間変位Ｄｉ（ｔ）＝ｕｉ（ｔ）－ｕｉ－１（ｔ）、層間速度Ｄｉ′（ｔ）＝ｕｉ′（ｔ）－ｕｉ－１′（ｔ）、層間加速度Ｄｉ″（ｔ）＝ｕｉ″（ｔ）－ｕｉ－１″（ｔ）とおくと、式（１）は下記の［数２］に示す式で表現される。
１（すなわちｉ＝１）層の絶対加速度ｕ１″（ｔ）、絶対速度ｕ１′（ｔ）及び絶対変位ｕ１（ｔ）は、地震動の時系列波形より求められる。そして、建物３の解析モデルの時刻歴応答解析により、全ての絶対加速度ｕｉ″（ｔ）、絶対速度ｕｉ′（ｔ）及び絶対変位ｕｉ（ｔ）、全ての層間変位Ｄｉ（ｔ）、層間速度Ｄｉ′（ｔ）及び層間加速度Ｄｉ″、各層の最大変形量が求められる。
本実施形態では、いわゆる異なる工法であるＡ工法とＢ工法の２パターンについて、それぞれ建物３の解析モデルを設定している。
（５）動作
（５－１）建物の被災度学習方法
図４に示すように、被災度学習システム２において、まず、前処理ステップが実行される（Ｓ１）。ステップＳ１において、前処理部２３１により、入力情報を求める処理が実行される。具体的には、ステップＳ１において、計測震度のデータが取得される。更に、前処理ステップにおいて、地震動の時系列波形が取得されて、ＰＧＡのデータ及び所定加速度継続時間のデータが抽出される。更に、ステップＳ１において、地震動の時系列波形が加速度応答スペクトル解析されて、各周期帯におけるスペクトル値が取得される。
（５－１）建物の被災度学習方法
図４に示すように、被災度学習システム２において、まず、前処理ステップが実行される（Ｓ１）。ステップＳ１において、前処理部２３１により、入力情報を求める処理が実行される。具体的には、ステップＳ１において、計測震度のデータが取得される。更に、前処理ステップにおいて、地震動の時系列波形が取得されて、ＰＧＡのデータ及び所定加速度継続時間のデータが抽出される。更に、ステップＳ１において、地震動の時系列波形が加速度応答スペクトル解析されて、各周期帯におけるスペクトル値が取得される。
本実施形態では、国立研究開発法人防災科学技術研究所が運営する地震動波形サーバ９より、近年日本で発生した１２５０の地震動の時系列波形を取得して、被災度の学習を行っている。
次に、取得ステップが実行される（Ｓ２）。ステップＳ２において、取得部２３２により、入力情報が取得される。
次に、学習ステップが実行される（Ｓ３）。ステップＳ３において、学習部２３３により、学習済みモデルが構築される。本実施形態では、１２５０の地震動の時系列波形を基にしたデータのうち、７５％にあたる９３７の地震動の時系列波形を基にしたデータを訓練データとし、２５％にあたる３１３の地震動の時系列波形を基にしたデータを汎化能力の確認に用いるテストデータとした。
次に、提示ステップが実行される（Ｓ４）。ステップＳ４において、提示部２３４により、ニューラルネットワーク４の重みＷ１～Ｗ３が提示される。
図５に、Ａ工法の解析モデルのニューラルネットワーク４の学習済みモデルにおける重みＷ１の平均値－ノード関係図を示す。この結果より、ノード４１０００（計測震度）、ノード４１００１（ＰＧＡ）、ノード４１００２（所定加速度継続時間）、ノード４１００３（周期帯０．０（ｓｅｃ）以上かつ０．１（ｓｅｃ）未満のスペクトル値）～ノード４１００７（周期帯０．４（ｓｅｃ）以上かつ０．５（ｓｅｃ）未満のスペクトル値）の値に乗じる重みＷ１の値が、ノード４１００８～ノード４１１０２の値に乗じる重みＷ１の値よりも大きく、ノード４１０００～ノード４１１０７の値が出力情報に与える影響が大きいことが分かる。
同様に、図６に、Ｂ工法の解析モデルのニューラルネットワーク４の学習済みモデルにおける重みＷ１の平均値－ノード関係図を示す。この結果より、図５と同様に、Ｂ工法においても、ノード４１００８～ノード４１１０２の値に乗じる重みＷ１の値よりも大きく、ノード４１０００～ノード４１１０７の値が出力情報に与える影響が大きいことが分かる。
（５－２）建物の被災度推定方法
図７に示すように、被災度推定システム１において、まず、前処理ステップが実行される（Ｓ１１）。ステップＳ１１において、前処理部１３１により、入力情報を求める処理が実行される。具体的には、ステップＳ１１において、計測震度のデータが取得される。更に、ステップＳ１１において、地震動の時系列波形が取得されて、ＰＧＡのデータ及び所定加速度継続時間のデータが抽出される。更に、ステップＳ１１において、地震動の時系列波形が加速度応答スペクトル解析されて、各周期帯におけるスペクトル値と各周期帯におけるスペクトル値の最大値が取得される。
図７に示すように、被災度推定システム１において、まず、前処理ステップが実行される（Ｓ１１）。ステップＳ１１において、前処理部１３１により、入力情報を求める処理が実行される。具体的には、ステップＳ１１において、計測震度のデータが取得される。更に、ステップＳ１１において、地震動の時系列波形が取得されて、ＰＧＡのデータ及び所定加速度継続時間のデータが抽出される。更に、ステップＳ１１において、地震動の時系列波形が加速度応答スペクトル解析されて、各周期帯におけるスペクトル値と各周期帯におけるスペクトル値の最大値が取得される。
次に、取得ステップが実行される（Ｓ１２）。ステップＳ１２において、取得部１３２により、入力情報が取得される。
次に、推定ステップが実行される（Ｓ１３）。ステップＳ１３において、推定部１３３により、学習済みモデルを用いて、被災度の推定が実行される。本実施形態では、９３７の地震動の時系列波形を基にした訓練データと、３１３の地震動の時系列波形を基にしたテストデータとについて、推定した。
次に、提示ステップが実行される（Ｓ１４）。ステップＳ１４において、提示部２３４により、出力情報として、建物の最大変形量が提示される。
図８Ａに、Ａ工法の訓練データを用いた被災度の推定値－正解値（教師データ）の関係図を示し、図８Ｂに、Ａ工法のテストデータを用いた被災度の推定値－正解値の関係図を示す。なお、単位は任意単位（ａ．ｕ．）とする。この結果より、テストデータを用いた被災度の推定値の正解度は、訓練データを用いた被災度の推定値の正解度に比べて遜色なく、被災度推定方法における汎化能力が確認できる。
図９Ａに、Ｂ工法の訓練データを用いた被災度の推定値－正解値の関係図を示し、図９Ｂに、Ｂ工法のテストデータを用いた被災度の推定値－正解値の関係図を示す。この結果からも同様に、テストデータを用いた被災度の推定値の正解度は、訓練データを用いた被災度の推定値の正解度に比べて遜色なく、被災度推定方法における汎化能力が確認できる。
（６）本実施形態のまとめ
上述した被災度推定システム１、被災度推定方法、被災度学習システム２、被災度学習方法にあっては、入力情報として、地震動の時系列波形の情報を不要とし、学習済みモデルを用いることにより、地震動の最大加速度および地震動の時系列波形の加速度応答スペクトル解析におけるスペクトル値の情報を要するだけですむようにしている。これにより、従来のような時刻歴応答解析を行う必要がなくなり、被災度の推定に要する時間を短縮しやすい。具体的には、時刻歴応答解析を行う場合、解析に要する時間が膨大となっていたところ、推定部１３３における推定に要する時間は数分ですむ。なお、加速度応答スペクトル解析を行う前処理部１３１における処理に幾分かの時間を要するが、これを合わせても被災度推定方法に要する時間は時刻歴応答解析を行う場合と比較して１０分の１以下ですみ、従来よりも大幅な時間短縮が可能である。
上述した被災度推定システム１、被災度推定方法、被災度学習システム２、被災度学習方法にあっては、入力情報として、地震動の時系列波形の情報を不要とし、学習済みモデルを用いることにより、地震動の最大加速度および地震動の時系列波形の加速度応答スペクトル解析におけるスペクトル値の情報を要するだけですむようにしている。これにより、従来のような時刻歴応答解析を行う必要がなくなり、被災度の推定に要する時間を短縮しやすい。具体的には、時刻歴応答解析を行う場合、解析に要する時間が膨大となっていたところ、推定部１３３における推定に要する時間は数分ですむ。なお、加速度応答スペクトル解析を行う前処理部１３１における処理に幾分かの時間を要するが、これを合わせても被災度推定方法に要する時間は時刻歴応答解析を行う場合と比較して１０分の１以下ですみ、従来よりも大幅な時間短縮が可能である。
また、建物に地震センサを全く又はほとんど設置する必要がなくなり、コストの低減が図られる。
（６－１）例１
図１０Ａに、同上の実施形態のＢ工法のテストデータを用いた被災度の推定値－正解値の関係図（図９Ｂと同）を示し、図１０Ｂに、例１のＢ工法のテストデータを用いた被災度の推定値－正解値の関係図を示す。
図１０Ａに、同上の実施形態のＢ工法のテストデータを用いた被災度の推定値－正解値の関係図（図９Ｂと同）を示し、図１０Ｂに、例１のＢ工法のテストデータを用いた被災度の推定値－正解値の関係図を示す。
例１は、入力データとして、所定加速度継続時間のデータを含めない場合の例である。図１０Ｂに示す例１の推定値の正解値に対する一致度は、図１０Ａに示す本実施形態の推定値の正解値に対する一致度よりも低く、図１０Ｂに示す例１の被災度の推定値の正解度は、図１０Ａに示す本実施形態の被災度の推定値の正解度に比べて劣っている。このことから、入力データとして所定加速度継続時間のデータを含めることの有効性が確認できる。
（６－２）例２
図１１Ａに、同上の実施形態のＢ工法のテストデータを用いた被災度の推定値－正解値の関係図（図９Ｂと同）を示し、図１１Ｂに、例２のＢ工法のテストデータを用いた被災度の推定値－正解値の関係図を示す。
図１１Ａに、同上の実施形態のＢ工法のテストデータを用いた被災度の推定値－正解値の関係図（図９Ｂと同）を示し、図１１Ｂに、例２のＢ工法のテストデータを用いた被災度の推定値－正解値の関係図を示す。
例２は、入力データとして、周期帯３．０（ｓｅｃ）以上かつ１０．０（ｓｅｃ）未満におけるスペクトル値の最大値のデータを含めない場合の例である。すなわち、本実施形態では、入力層４１がノード４１０００～ノード４１１０２の１０３個のノードを有するのに対して、例２では、入力層４１がノード４１０００～ノード４１０３２の３３個のノードのみを有する。
図１１Ｂに示す例２の推定値の正解値に対する一致度は、図１１Ａに示す本実施形態の推定値の正解値に対する一致度よりも低く、図１１Ｂに示す例２の被災度の推定値の正解度は、図１１Ａに示す本実施形態の被災度の推定値の正解度に比べて劣っている。このことから、入力データのスペクトル値の周期帯０．０（ｓｅｃ）以上かつ１０．０（ｓｅｃ）の範囲とすることの有効性が確認できる。
（７）変形例
本開示の実施形態は、上記実施形態に限定されない。上記実施形態は、本開示の課題を達成できれば、設計等に応じて種々の変更が可能である。以下に、上記実施形態の変形例を列挙する。以下に説明する変形例は、適宜組み合わせて適用可能である。
本開示の実施形態は、上記実施形態に限定されない。上記実施形態は、本開示の課題を達成できれば、設計等に応じて種々の変更が可能である。以下に、上記実施形態の変形例を列挙する。以下に説明する変形例は、適宜組み合わせて適用可能である。
本開示における被災度推定システム１、被災度学習システム２は、例えば、コンピュータシステムを含んでいる。コンピュータシステムは、ハードウェアとしてのプロセッサ及びメモリを主構成とする。コンピュータシステムのメモリに記録されたプログラムをプロセッサが実行することによって、本開示における建物の被災度推定方法や被災度学習方法としての機能が実現される。プログラムは、コンピュータシステムのメモリに予め記録されてもよく、電気通信回線を通じて提供されてもよく、コンピュータシステムで読み取り可能なメモリカード、光学ディスク、ハードディスクドライブ等の非一時的記録媒体に記録されて提供されてもよい。コンピュータシステムのプロセッサは、半導体集積回路（ＩＣ）又は大規模集積回路（ＬＳＩ）を含む１ないし複数の電子回路で構成される。ここでいうＩＣ又はＬＳＩ等の集積回路は、集積の度合いによって呼び方が異なっており、システムＬＳＩ、ＶＬＳＩ（Very Large Scale Integration）、又はＵＬＳＩ（Ultra Large Scale Integration）と呼ばれる集積回路を含む。さらに、ＬＳＩの製造後にプログラムされる、ＦＰＧＡ（Field- Programmable Gate Array）、又はＬＳＩ内部の接合関係の再構成若しくはＬＳＩ内部の回路区画の再構成が可能な論理デバイスについても、プロセッサとして採用することができる。複数の電子回路は、１つのチップに集約されていてもよいし、複数のチップに分散して設けられていてもよい。複数のチップは、１つの装置に集約されていてもよいし、複数の装置に分散して設けられていてもよい。ここでいうコンピュータシステムは、１以上のプロセッサ及び１以上のメモリを有するマイクロコントローラを含む。したがって、マイクロコントローラについても、半導体集積回路又は大規模集積回路を含む１ないし複数の電子回路で構成される。
また、被災度推定システム１、被災度学習システム２における複数の機能が、１つの筐体内に集約されてもよい。さらに、被災度推定システム１、被災度学習システム２の少なくとも一部の機能、例えば、処理部２３の一部の機能がいわゆるクラウド（クラウドコンピューティング）等によって実現されてもよい。
地震動の時系列波形として、公的機関が公表する地震動の時系列波形を利用しているが、自ら計測して地震動の時系列波形を取得してもよい。
地震動の時系列波形は、必ずしも通信ネットワーク８を介して取得しなくてもよい。例えば、通信ネットワーク８を介さず、被災度推定システム１が地震動波形サーバ９より直接的に地震動の時系列波形を取得してもよい。また、被災度推定システム１が地震計を直接備えてもよい。
ＰＧＡに乗じる正数値は、０．８でなくてもよく、０．９、０．７、０．６、０．５等、適宜に設定可能である。
推定部１３３からの出力情報は、建物の最大変形量の情報に限定されない。
機械学習のアルゴリズムとしては、教師あり学習のアルゴリズムであるサポートベクトルマシン（Support Vector Machine）等、ニューラルネットワークを用いるもの以外のアルゴリズムを用いてもよい。
建物３の解析モデルは、非線形せん断剛性と線形粘性減衰を有するｎ質点系せん断モデルに限定されない。
推定部１３３における推定に用いられる入力情報は、計測震度の情報を含むことが好ましい。これにより、建物の被災度の推定の精度を高めやすくなる。
推定部１３３において推定される出力情報は、複数の層についての最大変形量の情報を含むことが好ましい。これにより、建物の被災度の推定の精度を高めやすくなる。
推定部１３３において推定される出力情報は、最大層間変形量の情報を含むことが好ましい。これにより、建物の被災度の推定の精度を高めやすくなる。
推定部１３３において推定される出力情報は、建物の累積塑性変形量の情報を含むことが好ましい。これにより、建物の被災度の推定の精度を高めやすくなる。
推定部１３３において推定される出力情報は、被災ランクの情報を含むことが好ましい。これにより、建物の被災度の推定の精度を高めやすくなる。
応答スペクトル解析としては、加速度応答スペクトル解析の他に、速度応答スペクトル解析、変位応答スペクトル解析等が挙げられるが、応答スペクトル解析としてはこれらのうち任意のものが採用可能であって、応答スペクトル解析は特に限定されない。
（８）態様
上記実施形態及び変形例から明らかなように、本開示は、下記の態様を含む。
上記実施形態及び変形例から明らかなように、本開示は、下記の態様を含む。
第１の態様は、建物の被災度推定方法であって、取得ステップと、推定ステップと、を備える。取得ステップは、地震動の最大加速度および地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を含む入力情報を取得するステップである。推定ステップは、予め構築された学習済みモデルを用いて、入力情報を基に出力情報を推定するステップである。学習済みモデルは、入力情報を入力データとするものであって、建物の地震動による被災度に関する出力情報を教師データとして、機械学習により構築される。この態様によれば、入力情報として、地震動の時系列波形の情報を不要とし、学習済みモデルを用いることにより、地震動の最大加速度および地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を要するだけである。このため、従来のような時刻歴応答解析を行う必要がなくなり、被災度の推定に要する時間を短縮しやすい。また、建物に地震センサを全く又はほとんど設置する必要がなくなり、コストの低減をしやすい。
第２の態様は、第１の態様に基づく建物の被災度推定方法である。第２の態様では、入力情報は、所定加速度継続時間の情報を含む。所定加速度継続時間は、地震動の所定の継続時間に占める、地震動の最大加速度に１未満の正数値を乗じてなる所定加速度を超える地震動の加速度が継続する時間である。この態様によれば、建物の被災度の推定の精度を高めやすくなる。
第３の態様は、第１又は第２の態様に基づく建物の被災度推定方法である。第３の態様では、入力情報は、計測震度の情報を含む。この態様によれば、建物の被災度の推定の精度を高めやすくなる。
第４の態様は、第１～第３のいずれかの態様に基づく建物の被災度推定方法である。第４の態様では、出力情報は、建物の最大変形量の情報を含む。この態様によれば、建物の被災度の推定の精度を高めやすくなる。
第５の態様は、第４の態様に基づく建物の被災度推定方法である。第５の態様では、建物は、複数の層を備える。出力情報は、複数の層についての最大変形量の情報を含む。この態様によれば、建物の被災度の推定の精度を高めやすくなる。
第６の態様は、第１～第５のいずれかの態様に基づく建物の被災度推定方法である。第６の態様では、建物は、複数の層を備える。出力情報は、最大層間変形量の情報を含む。この態様によれば、建物の被災度の推定の精度を高めやすくなる。
第７の態様は、第１～第６のいずれかの態様に基づく建物の被災度推定方法である。第７の態様では、出力情報は、建物の累積塑性変形量の情報を含む。この態様によれば、建物の被災度の推定の精度を高めやすくなる。
第８の態様は、第１～第７のいずれかの態様に基づく建物の被災度推定方法である。第８の態様では、出力情報は、被災ランクの情報を含む。この態様によれば、建物の被災度の推定の精度を高めやすくなる。
第９の態様は、第１～第８のいずれかの態様に基づく建物の被災度推定方法である。第９の態様では、学習済みモデルは、ニューラルネットワーク４を用いたものである。この態様によれば、建物の被災度の推定の精度を高めやすくなる。
第１０の態様は、建物の被災度推定システム１であって、取得部１３２と、推定部１３３と、を備える。取得部１３２は、地震動の最大加速度および地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を含む入力情報を取得する。推定部１３３は、予め構築された学習済みモデルを用いて、入力情報を基に出力情報を推定する。学習済みモデルは、入力情報を入力データとするものであって、建物の地震動による被災度に関する出力情報を教師データとして、機械学習により構築される。この態様によれば、入力情報として、地震動の時系列波形の情報を不要とし、学習済みモデルを用いることにより、地震動の最大加速度および地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を要するだけである。このため、従来のような時刻歴応答解析を行う必要がなくなり、被災度の推定に要する時間を短縮しやすい。また、建物に地震センサを全く又はほとんど設置する必要がなくなり、コストの低減をしやすい。
第１１の態様は、建物の被災度学習方法であって、取得ステップと、学習ステップと、を備える。取得ステップは、地震動の最大加速度および地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を含む入力情報を取得するステップである。学習ステップは、入力情報を入力データとする学習済みモデルであって、建物の地震動による被災度に関する出力情報を教師データとする学習済みモデルを機械学習により構築するステップである。この態様によれば、入力情報として、地震動の時系列波形の情報を不要とし、学習済みモデルを用いることにより、地震動の最大加速度および地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を要するだけである。このため、従来のような時刻歴応答解析を行う必要がなくなり、被災度の推定に要する時間を短縮しやすい。また、建物に地震センサを全く又はほとんど設置する必要がなくなり、コストの低減をしやすい。
第１２の態様は、建物の被災度学習システム２であって、取得部２３２と、学習部２３３と、を備える。取得部２３２は、地震動の最大加速度および地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を含む入力情報を取得する。学習部２３３は、入力情報を入力データとする学習済みモデルであって、建物の地震動による被災度に関する出力情報を教師データとする学習済みモデルを機械学習により構築する。この態様によれば、入力情報として、地震動の時系列波形の情報を不要とし、学習済みモデルを用いることにより、地震動の最大加速度および地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を要するだけである。このため、従来のような時刻歴応答解析を行う必要がなくなり、被災度の推定に要する時間を短縮しやすい。また、建物に地震センサを全く又はほとんど設置する必要がなくなり、コストの低減をしやすい。
第１３の態様は、プログラムであって、第１～第９の態様のいずれかの態様の建物の被災度推定方法又は第１１の態様の建物の被災度学習方法を、１以上のプロセッサに実行させる。この態様によれば、入力情報として、地震動の時系列波形の情報を不要とし、学習済みモデルを用いることにより、地震動の最大加速度および地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を要するだけである。このため、従来のような時刻歴応答解析を行う必要がなくなり、被災度の推定に要する時間を短縮しやすい。また、建物に地震センサを全く又はほとんど設置する必要がなくなり、コストの低減をしやすい。
１ 被災度推定システム
１３２ 取得部
１３３ 推定部
２ 被災度学習システム
２３２ 取得部
２３３ 学習部
３ 建物
４ ニューラルネットワーク
１３２ 取得部
１３３ 推定部
２ 被災度学習システム
２３２ 取得部
２３３ 学習部
３ 建物
４ ニューラルネットワーク
Claims (13)
- 地震動の最大加速度および前記地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を含む入力情報を取得する取得ステップと、
前記入力情報を入力データとする学習済みモデルであって、建物の前記地震動による被災度に関する出力情報を教師データとして機械学習により予め構築された前記学習済みモデルを用いて、前記入力情報を基に前記出力情報を推定する推定ステップと、を備える、
建物の被災度推定方法。 - 前記入力情報は、所定加速度継続時間の情報を含み、
前記所定加速度継続時間は、前記地震動の所定の継続時間に占める、前記地震動の最大加速度に１未満の正数値を乗じてなる所定加速度を超える前記地震動の加速度が継続する時間である、
請求項１記載の建物の被災度推定方法。 - 前記入力情報は、計測震度の情報を含む、
請求項１又は２記載の建物の被災度推定方法。 - 前記出力情報は、前記建物の最大変形量の情報を含む、
請求項１～３のいずれか一項に記載の建物の被災度推定方法。 - 前記建物は、複数の層を備え、
前記出力情報は、複数の前記層についての前記最大変形量の情報を含む、
請求項４に記載の建物の被災度推定方法。 - 前記建物は、複数の層を備え、
前記出力情報は、最大層間変形量の情報を含む、
請求項１～５のいずれか一項に記載の建物の被災度推定方法。 - 前記出力情報は、前記建物の累積塑性変形量の情報を含む、
請求項１～６のいずれか一項に記載の建物の被災度推定方法。 - 前記出力情報は、被災ランクの情報を含む、
請求項１～７のいずれか一項に記載の建物の被災度推定方法。 - 前記学習済みモデルは、ニューラルネットワークを用いたものである、
請求項１～８のいずれか一項に記載の建物の被災度推定方法。 - 地震動の最大加速度および前記地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を含む入力情報を取得する取得部と、
前記入力情報を入力データとする学習済みモデルであって、建物の前記地震動による被災度に関する出力情報を教師データとして機械学習により予め構築された前記学習済みモデルを用いて、前記入力情報を基に前記出力情報を推定する推定部と、を備える、
建物の被災度推定システム。 - 地震動の最大加速度および前記地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を含む入力情報を取得する取得ステップと、
前記入力情報を入力データとする学習済みモデルであって、建物の前記地震動による被災度に関する出力情報を教師データとする前記学習済みモデルを機械学習により構築する学習ステップと、を備える、
建物の被災度学習方法。 - 地震動の最大加速度および前記地震動の時系列波形の応答スペクトル解析におけるスペクトル値の情報を含む入力情報を取得する取得部と、
前記入力情報を入力データとする学習済みモデルであって、建物の前記地震動による被災度に関する出力情報を教師データとする前記学習済みモデルを機械学習により構築する学習部と、を備える、
建物の被災度学習システム。 - １以上のプロセッサに、
請求項１～９のいずれか一項に記載の建物の被災度推定方法又は請求項１１に記載の建物の被災度学習方法を実行させる、
プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021050741A JP7444811B2 (ja) | 2021-03-24 | 2021-03-24 | 建物の被災度推定方法、建物の被災度推定システム、建物の被災度学習方法、建物の被災度学習システム及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021050741A JP7444811B2 (ja) | 2021-03-24 | 2021-03-24 | 建物の被災度推定方法、建物の被災度推定システム、建物の被災度学習方法、建物の被災度学習システム及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022148889A true JP2022148889A (ja) | 2022-10-06 |
| JP7444811B2 JP7444811B2 (ja) | 2024-03-06 |
Family
ID=83462342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021050741A Active JP7444811B2 (ja) | 2021-03-24 | 2021-03-24 | 建物の被災度推定方法、建物の被災度推定システム、建物の被災度学習方法、建物の被災度学習システム及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7444811B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116433991A (zh) * | 2023-06-14 | 2023-07-14 | 中国地质大学（武汉） | 一种用于应急救援的震后建筑物受损评估方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008298704A (ja) * | 2007-06-04 | 2008-12-11 | Sekisui Chem Co Ltd | 建物の被災診断システム |
| JP2009156743A (ja) * | 2007-12-27 | 2009-07-16 | Osaka Gas Co Ltd | 感震器、緊急遮断システム及び緊急遮断システムの使用方法 |
| JP2011057420A (ja) * | 2009-09-14 | 2011-03-24 | Mitsubishi Electric Corp | エレベーター地震被害予測装置 |
| JP2013152197A (ja) * | 2012-01-26 | 2013-08-08 | Daiwa House Industry Co Ltd | 建物の地震被害損失の評価装置・評価方法・評価プログラム |
| JP2014153191A (ja) * | 2013-02-08 | 2014-08-25 | Ohbayashi Corp | 建物の地震による応答値計算システム及び建物の地震による被害調査表作成方法 |
| JP2016197014A (ja) * | 2015-04-02 | 2016-11-24 | アズビル株式会社 | 建物被災推定システムおよび方法 |
| US20180336652A1 (en) * | 2017-05-16 | 2018-11-22 | One Concern, Inc. | Estimation of damage prevention with building retrofit |
| JP2020101941A (ja) * | 2018-12-20 | 2020-07-02 | 旭化成ホームズ株式会社 | 被災度導出システム、被災度導出装置、被災度導出方法、及びプログラム |
-
2021
- 2021-03-24 JP JP2021050741A patent/JP7444811B2/ja active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008298704A (ja) * | 2007-06-04 | 2008-12-11 | Sekisui Chem Co Ltd | 建物の被災診断システム |
| JP2009156743A (ja) * | 2007-12-27 | 2009-07-16 | Osaka Gas Co Ltd | 感震器、緊急遮断システム及び緊急遮断システムの使用方法 |
| JP2011057420A (ja) * | 2009-09-14 | 2011-03-24 | Mitsubishi Electric Corp | エレベーター地震被害予測装置 |
| JP2013152197A (ja) * | 2012-01-26 | 2013-08-08 | Daiwa House Industry Co Ltd | 建物の地震被害損失の評価装置・評価方法・評価プログラム |
| JP2014153191A (ja) * | 2013-02-08 | 2014-08-25 | Ohbayashi Corp | 建物の地震による応答値計算システム及び建物の地震による被害調査表作成方法 |
| JP2016197014A (ja) * | 2015-04-02 | 2016-11-24 | アズビル株式会社 | 建物被災推定システムおよび方法 |
| US20180336652A1 (en) * | 2017-05-16 | 2018-11-22 | One Concern, Inc. | Estimation of damage prevention with building retrofit |
| JP2020101941A (ja) * | 2018-12-20 | 2020-07-02 | 旭化成ホームズ株式会社 | 被災度導出システム、被災度導出装置、被災度導出方法、及びプログラム |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116433991A (zh) * | 2023-06-14 | 2023-07-14 | 中国地质大学（武汉） | 一种用于应急救援的震后建筑物受损评估方法 |
| CN116433991B (zh) * | 2023-06-14 | 2023-08-22 | 中国地质大学（武汉） | 一种用于应急救援的震后建筑物受损评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7444811B2 (ja) | 2024-03-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | Lost data recovery for structural health monitoring based on convolutional neural networks | |
| Lu et al. | A deep learning approach to rapid regional post‐event seismic damage assessment using time‐frequency distributions of ground motions | |
| Markhvida et al. | Modeling spatially correlated spectral accelerations at multiple periods using principal component analysis and geostatistics | |
| Eads et al. | Spectral shape metrics and structural collapse potential | |
| Loth et al. | A spatial cross‐correlation model of spectral accelerations at multiple periods | |
| Su et al. | Identification of instantaneous modal parameter of time‐varying systems via a wavelet‐based approach and its application | |
| Lai et al. | Semi‐supervised structural linear/nonlinear damage detection and characterization using sparse identification | |
| Mackie et al. | Response sensitivity of highway bridges to randomly oriented multi-component earthquake excitation | |
| Basu et al. | Extracting rotational components of earthquake ground motion using data recorded at multiple stations | |
| Bradley | Correlation of arias intensity with amplitude, duration and cumulative intensity measures | |
| Zhang et al. | Substructure identification for shear structures I: Substructure identification method | |
| Rupakhety et al. | Can simple pulses adequately represent near-fault ground motions? | |
| WO2017136234A1 (en) | Motion sensing wi-fi sensor networks for continuous 3d modeling and prediction of facility responses to disturbances | |
| Hu et al. | Conditional simulation of spatially variable seismic ground motions based on evolutionary spectra | |
| Kuwabara et al. | A new approach to system identification and damage detection of high‐rise buildings | |
| Torbol | Real‐time frequency‐domain decomposition for structural health monitoring using general‐purpose graphic processing unit | |
| Kuok et al. | Investigation of modal identification and modal identifiability of a cable-stayed bridge with Bayesian framework | |
| Sousa et al. | On the treatment of uncertainty in seismic vulnerability and portfolio risk assessment | |
| JP2017044614A (ja) | 構造物の伝達関数の高精度評価・地震応答予測・劣化診断システム及びその方法 | |
| Cao et al. | Reconstruction of full-field dynamic responses for large-scale structures using optimal sensor placement | |
| Bagheri et al. | Time domain damage localization and quantification in seismically excited structures using a limited number of sensors | |
| Lu et al. | Data‐driven two‐level performance evaluation of eddy‐current tuned mass damper for building structures using shaking table and field testing | |
| Du | Empirical correlations of frequency-content parameters of ground motions with other intensity measures | |
| DeBock et al. | Incorporation of spatial correlations between building response parameters in regional seismic loss assessment | |
| JP7444811B2 (ja) | 建物の被災度推定方法、建物の被災度推定システム、建物の被災度学習方法、建物の被災度学習システム及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210929 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221025 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221226 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230322 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230515 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230725 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231023 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20231109 |
|
| 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: 20240130 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240222 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7444811 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |