JP2023065743A - コンクリートの品質予測方法 - Google Patents
コンクリートの品質予測方法 Download PDFInfo
- Publication number
- JP2023065743A JP2023065743A JP2021176059A JP2021176059A JP2023065743A JP 2023065743 A JP2023065743 A JP 2023065743A JP 2021176059 A JP2021176059 A JP 2021176059A JP 2021176059 A JP2021176059 A JP 2021176059A JP 2023065743 A JP2023065743 A JP 2023065743A
- Authority
- JP
- Japan
- Prior art keywords
- concrete
- data
- prediction
- learning
- image data
- 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
Abstract
【課題】コンクリートの品質(特に、コンクリートの仕上げ性)について、人間の感覚や経験によらなくても、短時間でかつ高い精度で予測することができる方法を提供する。
【解決手段】予測モデルを用いて、コンクリートの品質を予測するための方法であって、予測モデルは、画像データを含む学習用入力データとコンクリートの仕上げ性に関する学習用出力データの組み合わせである学習データを複数用いた機械学習によって作成されたものであり、画像データを含む予測用入力データを、予測モデルに入力し、予測モデルからコンクリートの仕上げ性に関する予測用出力データを出力して、該予測用出力データを用いてコンクリートの品質を予測するコンクリートの品質予測方法。
【選択図】図1
【解決手段】予測モデルを用いて、コンクリートの品質を予測するための方法であって、予測モデルは、画像データを含む学習用入力データとコンクリートの仕上げ性に関する学習用出力データの組み合わせである学習データを複数用いた機械学習によって作成されたものであり、画像データを含む予測用入力データを、予測モデルに入力し、予測モデルからコンクリートの仕上げ性に関する予測用出力データを出力して、該予測用出力データを用いてコンクリートの品質を予測するコンクリートの品質予測方法。
【選択図】図1
Description
本発明は、コンクリートの品質予測方法に関する。
コンクリート製品工場では、最初に、コンクリート製品の用途、品質等に合わせて調整されたコンクリートの配合に基いて、ミキサ内で各材料を練り混ぜることで生コンクリートが製造される。次いで、生コンクリートの性状に合わせて、適宜、締固め、表面仕上げ、及び養生等が行われてコンクリート製品が製造される。
一方で、配合や練り混ぜ時間が同じであっても、骨材の表面水率の状態や外気温等の変動によって、生コンクリートの性状も変動するため、所望のコンクリート製品を製造するためには、適宜、仕上げ工程における諸条件を調整する必要がある。
例えば、想定していたよりも流動性の高い生コンクリートが製造された場合、仕上げの際にダレが生じる可能性が高くなるため、所定時間静置した後に仕上げ工程が行われる。また、想定していたよりも流動性の低い生コンクリートが製造された場合、仕上げ工程に要する時間が予定よりも長くなる可能性がある。
一方で、配合や練り混ぜ時間が同じであっても、骨材の表面水率の状態や外気温等の変動によって、生コンクリートの性状も変動するため、所望のコンクリート製品を製造するためには、適宜、仕上げ工程における諸条件を調整する必要がある。
例えば、想定していたよりも流動性の高い生コンクリートが製造された場合、仕上げの際にダレが生じる可能性が高くなるため、所定時間静置した後に仕上げ工程が行われる。また、想定していたよりも流動性の低い生コンクリートが製造された場合、仕上げ工程に要する時間が予定よりも長くなる可能性がある。
生コンクリートの品質について、人間の感覚や経験によらなくても、短時間でかつ高い精度で予測することができる方法として、特許文献1には、予測モデルを用いて、生コンクリートの品質を予測するための方法であって、上記予測モデルは、画像データを含む学習用入力データと生コンクリートの品質に関する学習用出力データの組み合わせである学習データを複数用いた機械学習によって作成されたものであり、画像データを含む予測用入力データを、上記予測モデルに入力し、上記予測モデルから生コンクリートの品質に関する予測用出力データを出力して、該予測用出力データを用いて生コンクリートの品質を予測することを特徴とする生コンクリートの品質予測方法が記載されている。
また、特許文献2には、施工中のコンクリートの表面に対する均し作業を実施する前に、均し作業を行うのに好適な均し作業可能時期を予測するための方法であって、施工時間帯の気温とコンクリートの温度が相関関係にあるとみなして、施工時間帯に予想される予想気温を、予め把握された所定の貫入抵抗試験により得られる貫入抵抗値と経過時間の関係を表す近似式の傾き情報と、コンクリートの温度の関係に当てはめることで、予想気温に対応する傾き情報を求めるステップと、求めた傾き情報を、予め把握されたフレッシュコンクリートを作製する際の注水時刻からコンクリートの導電率低下時刻までの時間と、傾き情報の関係に当てはめることで、求めた傾き情報に対応する導電率低下時刻を推定するステップと、求めた傾き情報に対応する貫入抵抗値と経過時間の関係を推定するステップと、推定した貫入抵抗値と経過時間の関係と、推定した導電率低下時刻から、コンクリートの均し作業可能時期を予測するステップとを備えることを特徴とするコンクリートの均し 作業可能時期の予測方法が記載されている。
コンクリートの表面仕上げや締固め等の仕上げ工程に関する判断の指標の一つとして、コンクリートのスランプ値が知られている。
しかし、コンクリート製品工場において多く採用されている低スランプのコンクリートのように、コンクリートのスランプ値が最初から小さく設定されている場合、上記指標としてのスランプ値の信頼性は低くなるという問題がある。このため、仕上げ工程における諸条件の調整は、熟練作業者の感覚と経験に依存している面が大きい。
本発明の目的は、コンクリートの品質(特に、コンクリートの仕上げ性)について、人間の感覚や経験によらなくても、短時間でかつ高い精度で予測することができる方法を提供することである。
しかし、コンクリート製品工場において多く採用されている低スランプのコンクリートのように、コンクリートのスランプ値が最初から小さく設定されている場合、上記指標としてのスランプ値の信頼性は低くなるという問題がある。このため、仕上げ工程における諸条件の調整は、熟練作業者の感覚と経験に依存している面が大きい。
本発明の目的は、コンクリートの品質(特に、コンクリートの仕上げ性)について、人間の感覚や経験によらなくても、短時間でかつ高い精度で予測することができる方法を提供することである。
本発明者は、上記課題を解決するために鋭意検討した結果、画像データを含む入力データとコンクリートの仕上げ性に関する出力データの組み合わせを複数用いた機械学習によって作成された予測モデルに、画像データを含む入力データを入力して得られた出力データを用いて、コンクリートの品質を予測する方法によれば、上記目的を達成できることを見出し、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] 予測モデルを用いて、コンクリートの品質を予測するための方法であって、上記予測モデルは、画像データを含む学習用入力データとコンクリートの仕上げ性に関する学習用出力データの組み合わせである学習データを複数用いた機械学習によって作成されたものであり、画像データを含む予測用入力データを、上記予測モデルに入力し、上記予測モデルからコンクリートの仕上げ性に関する予測用出力データを出力して、該予測用出力データを用いてコンクリートの品質を予測することを特徴とするコンクリートの品質予測方法。
[2] 上記学習用出力データ及び上記予測用出力データが、コンクリートの仕上げ中の作業に関するデータを含む前記[1]に記載のコンクリートの品質予測方法。
すなわち、本発明は、以下の[1]~[7]を提供するものである。
[1] 予測モデルを用いて、コンクリートの品質を予測するための方法であって、上記予測モデルは、画像データを含む学習用入力データとコンクリートの仕上げ性に関する学習用出力データの組み合わせである学習データを複数用いた機械学習によって作成されたものであり、画像データを含む予測用入力データを、上記予測モデルに入力し、上記予測モデルからコンクリートの仕上げ性に関する予測用出力データを出力して、該予測用出力データを用いてコンクリートの品質を予測することを特徴とするコンクリートの品質予測方法。
[2] 上記学習用出力データ及び上記予測用出力データが、コンクリートの仕上げ中の作業に関するデータを含む前記[1]に記載のコンクリートの品質予測方法。
[3] 上記学習用出力データ及び上記予測用出力データが、コンクリートの仕上げ後の品質に関するデータを含む前記[1]又は[2]に記載のコンクリートの品質予測方法。
[4] 上記学習用入力データ及び上記予測用入力データとして用いられるデータのうち、少なくとも1種以上のデータが、標準化されたデータである前記[1]~[3]のいずれかに記載のコンクリートの品質予測方法。
[5] 上記標準化されたデータが、上記学習用入力データ及び上記予測用入力データに含まれる画像データであって、上記画像データがグレースケール画像であり、上記グレースケール画像を構成する各画素の画素値を各々標準化したものである前記[4]に記載のコンクリートの品質予測方法。
[6] 上記画像データが、コンクリートの材料を練り混ぜるためのミキサ内で上記材料を練り混ぜる様子を連続的に撮影した複数の画像データであって、上記画像データと上記予測用出力データを表示手段に表示する前記[1]~[5]のいずれかに記載のコンクリートの品質予測方法。
[7] 上記学習用入力データ及び上記予測用入力データに含まれるデータのうち少なくとも1種以上のデータが、コンクリート工場における情報管理システムから得られたものである前記[1]~[6]のいずれかに記載のコンクリートの品質予測方法。
[4] 上記学習用入力データ及び上記予測用入力データとして用いられるデータのうち、少なくとも1種以上のデータが、標準化されたデータである前記[1]~[3]のいずれかに記載のコンクリートの品質予測方法。
[5] 上記標準化されたデータが、上記学習用入力データ及び上記予測用入力データに含まれる画像データであって、上記画像データがグレースケール画像であり、上記グレースケール画像を構成する各画素の画素値を各々標準化したものである前記[4]に記載のコンクリートの品質予測方法。
[6] 上記画像データが、コンクリートの材料を練り混ぜるためのミキサ内で上記材料を練り混ぜる様子を連続的に撮影した複数の画像データであって、上記画像データと上記予測用出力データを表示手段に表示する前記[1]~[5]のいずれかに記載のコンクリートの品質予測方法。
[7] 上記学習用入力データ及び上記予測用入力データに含まれるデータのうち少なくとも1種以上のデータが、コンクリート工場における情報管理システムから得られたものである前記[1]~[6]のいずれかに記載のコンクリートの品質予測方法。
本発明のコンクリートの品質予測方法を用いれば、短時間でかつ高い精度でコンクリートの品質(特に、コンクリートの仕上げ性)を予測することができる。このため、目的とする品質のコンクリートを効率的かつ安定的に製造することができる。
本発明のコンクリートの品質予測方法は、予測モデルを用いて、コンクリートの品質を予測するための方法であって、予測モデルは、画像データを含む学習用入力データとコンクリートの仕上げ性に関する学習用出力データの組み合わせである学習データを複数用いた機械学習によって作成されたものであり、画像データを含む予測用入力データを、予測モデルに入力し、予測モデルからコンクリートの仕上げ性に関する予測用出力データを出力して、該予測用出力データを用いてコンクリートの品質を予測するものである。
以下、詳しく説明する。
以下、詳しく説明する。
予測モデルは、機械学習によって作成されたものである。
機械学習に用いられる学習方法の例としては、ニューラルネットワーク、線形回帰、決定木、サポートベクター回帰、アンサンブル法、サポートベクターマシン、判別分析、単純ベイズ法、最近傍法等が挙げられる。これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
中でも、より高い精度で品質を予測することができる観点から、ニューラルネットワークが好ましい。
ニューラルネットワークは、より高い精度で品質を予測することができる観点から、入力層と出力層の間に一つ以上の中間層を有する階層型のニューラルネットワークが好適である。
機械学習に用いられる学習方法の例としては、ニューラルネットワーク、線形回帰、決定木、サポートベクター回帰、アンサンブル法、サポートベクターマシン、判別分析、単純ベイズ法、最近傍法等が挙げられる。これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
中でも、より高い精度で品質を予測することができる観点から、ニューラルネットワークが好ましい。
ニューラルネットワークは、より高い精度で品質を予測することができる観点から、入力層と出力層の間に一つ以上の中間層を有する階層型のニューラルネットワークが好適である。
ニューラルネットワークの例としては、3次元畳み込みニューラルネットワーク(3DCNN:3D Convolutional Neural Network)等の畳み込みニューラルネットワーク(CNN:Convolutional Neural Network)や、再帰型ニューラルネットワーク(RNN:Recurrent Neural Network)や、長期・短期記憶(LSTM:Long Short-Term memory)ニューラルネットワーク(LSTMを用いて再帰型ニューラルネットワークを改良したもの)等が挙げられる。
中でも、画像認識の分野において優れた性能を有する、畳み込みニューラルネットワーク(中間層として、畳み込み層やプーリング層等を有するニューラルネットワーク)がより好適である。畳み込みニューラルネットワークによれば、画像データから特徴量を検出し、該特徴量を用いて、分類または回帰を行うことが可能な予測モデルを作成することができる。
畳み込みニューラルネットワークにおける、畳み込み層とプーリング層の組み合わせからなる層の数は、より高い精度で予測をすることができる観点から、好ましくは2つ以上、より好ましくは3つ以上である。
また、機械学習は、例えば、Google社が開発したソフトウェアライブラリである「TensorFlow」(「TENSORFLOW」は、登録商標である。)や、IBM社が開発したシステムである「IBM Watson」(「IBM WATSON」は、登録商標である。)等を用いて行うことができる。
中でも、画像認識の分野において優れた性能を有する、畳み込みニューラルネットワーク(中間層として、畳み込み層やプーリング層等を有するニューラルネットワーク)がより好適である。畳み込みニューラルネットワークによれば、画像データから特徴量を検出し、該特徴量を用いて、分類または回帰を行うことが可能な予測モデルを作成することができる。
畳み込みニューラルネットワークにおける、畳み込み層とプーリング層の組み合わせからなる層の数は、より高い精度で予測をすることができる観点から、好ましくは2つ以上、より好ましくは3つ以上である。
また、機械学習は、例えば、Google社が開発したソフトウェアライブラリである「TensorFlow」(「TENSORFLOW」は、登録商標である。)や、IBM社が開発したシステムである「IBM Watson」(「IBM WATSON」は、登録商標である。)等を用いて行うことができる。
予測モデルは、画像データを含む学習用入力データとコンクリートの仕上げ性に関する学習用出力データの組み合わせである学習データを複数用いた機械学習によって作成される。
学習用入力データとして用いられる画像データとしては、コンクリートの製造に関する画像データが挙げられる。具体的には、コンクリートの材料を練り混ぜるためのミキサ(以下、単に「ミキサ」ともいう。)内で各材料を練り混ぜる様子を撮影した画像データや、ミキサ内で各材料を練り混ぜて生コンクリートを得た後、該生コンクリートをミキサからホッパーに投入する様子を撮影した画像データや、トラックアジテータのドラム内で攪拌されている生コンクリートの様子を撮影した画像データ(例えば、トラックアジテータの生コンクリート投入口付近から、ライト等を用いて光を当てて、ドラム内を撮影したもの)、コンクリートの材料の練り混ぜ時におけるミキサの電力負荷値の履歴を表示しているモニタ(電力負荷値の経時変化等を、グラフ等を用いて視覚的にわかるように表示したもの)を撮影した画像データ等が挙げられる。これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
中でも、より高い精度で品質を予測することができる観点から、ミキサ内で各材料を練り混ぜる様子を撮影した画像データが好ましい。該画像データは、各材料の練り混ぜ直後から練り混ぜ終了時までのどの時点の画像データでもよいが、早期に品質を予測する観点から、電力負荷値の減少の程度が緩やかになったときに撮影したものが好ましい。
学習用入力データとして用いられる画像データとしては、コンクリートの製造に関する画像データが挙げられる。具体的には、コンクリートの材料を練り混ぜるためのミキサ(以下、単に「ミキサ」ともいう。)内で各材料を練り混ぜる様子を撮影した画像データや、ミキサ内で各材料を練り混ぜて生コンクリートを得た後、該生コンクリートをミキサからホッパーに投入する様子を撮影した画像データや、トラックアジテータのドラム内で攪拌されている生コンクリートの様子を撮影した画像データ(例えば、トラックアジテータの生コンクリート投入口付近から、ライト等を用いて光を当てて、ドラム内を撮影したもの)、コンクリートの材料の練り混ぜ時におけるミキサの電力負荷値の履歴を表示しているモニタ(電力負荷値の経時変化等を、グラフ等を用いて視覚的にわかるように表示したもの)を撮影した画像データ等が挙げられる。これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
中でも、より高い精度で品質を予測することができる観点から、ミキサ内で各材料を練り混ぜる様子を撮影した画像データが好ましい。該画像データは、各材料の練り混ぜ直後から練り混ぜ終了時までのどの時点の画像データでもよいが、早期に品質を予測する観点から、電力負荷値の減少の程度が緩やかになったときに撮影したものが好ましい。
学習用入力データとして用いられる画像データの数は、より高い精度で品質を予測することができる観点から、好ましくは100以上、より好ましくは1,000以上、さらに好ましくは1万以上、さらに好ましくは5万以上、特に好ましくは10万以上である。
画像データは、動画像のデータであっても静止画像のデータであってもよい。また、画像は2次元画像であってもよく3次元画像であってもよい。
画像データの撮影は、ミキサ内やミキサ周辺等に適宜設置されたカメラによって行われる。例えば、ミキサ内の上部に、練り混ぜられている各材料が良く映るように、カメラを設置する。
また、練り混ぜられている各材料の凹凸が良く見えるようにする目的で、練り混ぜられている各材料の側面あるいは斜め上方からライト等を用いて光を当てて、影がより濃く生じるようにしてもよい。
また、画像データの撮影は、より高い精度で品質を予測することができる観点から、ミキサ内において回転している撹拌羽根(ミキサ羽根)が、任意に定めた特定の回転の位置にある時に行うことが好ましい。上記位置は、一か所であっても二か所以上であってもよい
画像データは、動画像のデータであっても静止画像のデータであってもよい。また、画像は2次元画像であってもよく3次元画像であってもよい。
画像データの撮影は、ミキサ内やミキサ周辺等に適宜設置されたカメラによって行われる。例えば、ミキサ内の上部に、練り混ぜられている各材料が良く映るように、カメラを設置する。
また、練り混ぜられている各材料の凹凸が良く見えるようにする目的で、練り混ぜられている各材料の側面あるいは斜め上方からライト等を用いて光を当てて、影がより濃く生じるようにしてもよい。
また、画像データの撮影は、より高い精度で品質を予測することができる観点から、ミキサ内において回転している撹拌羽根(ミキサ羽根)が、任意に定めた特定の回転の位置にある時に行うことが好ましい。上記位置は、一か所であっても二か所以上であってもよい
画像データは、ミキサ内を撮影した画像(例えば、ミキサ内の全体が映るように撮影されたもの)から、特定の範囲の画像を切り出したものであってもよい。
上記特定の範囲は、より高い精度で予測をすることができる観点から、ミキサ内においてコンクリートの材料を練り混ぜる様子を連続的に撮影する際に、材料の挙動が表れやすい部分が映りこむ可能性のある範囲が好ましい。
具体的には、上記特定の範囲は、ミキサの回転軸と該回転軸に固着してなる撹拌羽根からなる混練用部材の、以下の(1)~(3)のすべての部分の近傍であって、コンクリートの材料が映りこむ可能性のある範囲である。
(1) 上記回転軸の少なくとも一部分
(2) 上記撹拌羽根の先端部分
(3) 上記回転軸に上記撹拌羽根が固着している部分
なお、上記特定の範囲は、撹拌羽根が複数ある場合は、少なくとも1つの攪拌羽根の、上記先端部分及び上記固着部分が映りこめばよい。
また、上記ミキサが二軸ミキサである場合、一方の回転軸と他方の回転軸のいずれについても上記(1)~(3)のすべての部分が映り込む範囲であり、かつ、コンクリートの材料が映りこむ可能性のある範囲が好ましい。
なお、ミキサ内を撮影した一つの画像から、複数の画像データを切り出してもよい。
上記特定の範囲は、より高い精度で予測をすることができる観点から、ミキサ内においてコンクリートの材料を練り混ぜる様子を連続的に撮影する際に、材料の挙動が表れやすい部分が映りこむ可能性のある範囲が好ましい。
具体的には、上記特定の範囲は、ミキサの回転軸と該回転軸に固着してなる撹拌羽根からなる混練用部材の、以下の(1)~(3)のすべての部分の近傍であって、コンクリートの材料が映りこむ可能性のある範囲である。
(1) 上記回転軸の少なくとも一部分
(2) 上記撹拌羽根の先端部分
(3) 上記回転軸に上記撹拌羽根が固着している部分
なお、上記特定の範囲は、撹拌羽根が複数ある場合は、少なくとも1つの攪拌羽根の、上記先端部分及び上記固着部分が映りこめばよい。
また、上記ミキサが二軸ミキサである場合、一方の回転軸と他方の回転軸のいずれについても上記(1)~(3)のすべての部分が映り込む範囲であり、かつ、コンクリートの材料が映りこむ可能性のある範囲が好ましい。
なお、ミキサ内を撮影した一つの画像から、複数の画像データを切り出してもよい。
撮影された二つ以上の画像データから任意に選択された二つの画像データから得られる差分データを、学習用入力データとして用いられる画像データとして用いてもよい。例えば、ミキサ内の任意に定めた二か所の場所にミキサ羽根が位置した際に撮影された二つの画像データの差分データを、学習用入力データとして用いられる画像データとして用いてもよい。
なお、本明細書中、差分データとは、二つの画像データを比較して、異なる部分のみを抽出した画像データをいう。
また、経時的に連続する複数の静止画像を重ね合わせて合成したものを画像データとして用いてもよい。このような画像データは、例えば、市販の画像ソフトを用いて、複数の静止画像の各々の不透明度(または透明度)を30~70%程度にしたうえで、重ね合わせることで得ることができる。重ね合わせる静止画像の枚数は、作業の効率性等の観点から、好ましくは2~20枚である。
画像データの撮影は、例えば、1秒間あたりのフレーム数を10として、10秒間行われる。これにより、100枚の静止画像のデータを得ることができる。
なお、本明細書中、差分データとは、二つの画像データを比較して、異なる部分のみを抽出した画像データをいう。
また、経時的に連続する複数の静止画像を重ね合わせて合成したものを画像データとして用いてもよい。このような画像データは、例えば、市販の画像ソフトを用いて、複数の静止画像の各々の不透明度(または透明度)を30~70%程度にしたうえで、重ね合わせることで得ることができる。重ね合わせる静止画像の枚数は、作業の効率性等の観点から、好ましくは2~20枚である。
画像データの撮影は、例えば、1秒間あたりのフレーム数を10として、10秒間行われる。これにより、100枚の静止画像のデータを得ることができる。
より高い精度で品質を予測することができる観点から、学習用入力データとして、さらに、練り混ぜ時におけるミキサの電力負荷値(以下、単に「電力負荷値」ともいう。)に関するデータを用いてもよい。
電力負荷値に関するデータの例としては、各材料の練り混ぜの開始直後から練り混ぜ終了時までの特定の時点における電力負荷値及びその絶対値や、練り混ぜ時における電力負荷値の最大値または最小値や、電力負荷値の単位時間当たりの変化量や、電力負荷値の変化パターン等が挙げられる。これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
また、電力負荷値に関するデータの数は1つであってもよいが、より高い精度で品質を予測することができる観点から、好ましくは2以上、より好ましくは5以上である。
電力負荷値に関するデータの例としては、各材料の練り混ぜの開始直後から練り混ぜ終了時までの特定の時点における電力負荷値及びその絶対値や、練り混ぜ時における電力負荷値の最大値または最小値や、電力負荷値の単位時間当たりの変化量や、電力負荷値の変化パターン等が挙げられる。これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
また、電力負荷値に関するデータの数は1つであってもよいが、より高い精度で品質を予測することができる観点から、好ましくは2以上、より好ましくは5以上である。
また、電力負荷値に関するデータに基づいて、学習用入力データとして使用する画像データ(ミキサ内で各材料を練り混ぜる様子を撮影した画像データ)を定めてもよい。例えば、より高い精度でかつ早い段階で品質を予測することができる観点からは、水と水以外のコンクリートの材料の練り混ぜを開始して、ミキサの電力負荷値が安定した時点(電力負荷値の単位時間当たりの変化量が小さくなった時点)の後に、撮影した画像データを用いることが好ましい。
コンクリートの材料の練り混ぜにおいて、ミキサの電力負荷値が安定する時期は、コンクリートの水セメント比等によっても異なるが、水セメント比が50~70%程度であれば、水と水以外のコンクリートの材料の練り混ぜの開始時(例えば、水以外のコンクリートの材料をミキサ内に投入して空練りした後、ミキサに水を投入して練り混ぜを開始した時)から、30秒間程度経過した後である。
また、強度発現性の観点から水セメント比を、上述の数値範囲(50~70%)よりも小さくした場合、上記電力負荷値が安定する時期は遅くなり、高強度コンクリートでは、水と水以外のコンクリートの材料の混練の開始時から、5~10分間程度経過した後となる場合もある。
コンクリートの材料の練り混ぜにおいて、ミキサの電力負荷値が安定する時期は、コンクリートの水セメント比等によっても異なるが、水セメント比が50~70%程度であれば、水と水以外のコンクリートの材料の練り混ぜの開始時(例えば、水以外のコンクリートの材料をミキサ内に投入して空練りした後、ミキサに水を投入して練り混ぜを開始した時)から、30秒間程度経過した後である。
また、強度発現性の観点から水セメント比を、上述の数値範囲(50~70%)よりも小さくした場合、上記電力負荷値が安定する時期は遅くなり、高強度コンクリートでは、水と水以外のコンクリートの材料の混練の開始時から、5~10分間程度経過した後となる場合もある。
また、電力負荷値に関するデータに基づいて、二つ以上の画像データを撮影し、撮影された二つ以上の画像データから任意に選択された二つの画像データから得られる差分データを、学習用入力データとして用いられる画像データとして用いてもよい。例えば、電力負荷値が安定した時点から、任意の時間、撮影(例えば、1秒間で30枚(フレーム)撮影)を行い、得られた複数の画像データから任意に選択された二つの画像データから得られる差分データを、学習用入力データとして用いられる画像データとして用いてもよい。
また、より高い精度で品質を予測する観点から、学習用入力データとして、さらに他のデータを用いてもよい。
他のデータとしては、コンクリートの配合条件に関するデータ、コンクリートの品質に関するデータ、セメントに関するデータ、セメント以外のコンクリートの材料に関するデータ、練り混ぜの手段及び方法に関するデータ、練り混ぜ時の環境に関するデータ、及びコンクリートの運搬に関するデータ等が挙げられる。これらは1種を単独で用いてもよいが、2種以上を組み合わせて用いてもよい。
これらの各種データには、数値に関するデータ、及び、分類に関するデータが含まれる。
ここで、本明細書中、数値に関するデータとは、具体的な数値として表すことのできるデータを意味する。数値に関するデータには、例えば、作業者の目視や手作業の際(例えば、コンクリートをコテで叩いた際、コンクリートをハンドスコップで持ち上げた際等)の感覚等に基づいて、コンクリートの品質を複数の段階に分けて評価し、各段階を数値で置き換えたものも含まれるものとする。
分類に関するデータとは、特定の配合設計や、特定の種類や、特定の性質や、特定の数値範囲等の基準に従って区分されたデータを意味している。
他のデータとしては、コンクリートの配合条件に関するデータ、コンクリートの品質に関するデータ、セメントに関するデータ、セメント以外のコンクリートの材料に関するデータ、練り混ぜの手段及び方法に関するデータ、練り混ぜ時の環境に関するデータ、及びコンクリートの運搬に関するデータ等が挙げられる。これらは1種を単独で用いてもよいが、2種以上を組み合わせて用いてもよい。
これらの各種データには、数値に関するデータ、及び、分類に関するデータが含まれる。
ここで、本明細書中、数値に関するデータとは、具体的な数値として表すことのできるデータを意味する。数値に関するデータには、例えば、作業者の目視や手作業の際(例えば、コンクリートをコテで叩いた際、コンクリートをハンドスコップで持ち上げた際等)の感覚等に基づいて、コンクリートの品質を複数の段階に分けて評価し、各段階を数値で置き換えたものも含まれるものとする。
分類に関するデータとは、特定の配合設計や、特定の種類や、特定の性質や、特定の数値範囲等の基準に従って区分されたデータを意味している。
コンクリートの配合条件に関するデータの例としては、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(高炉スラグ微粉末、シリカフューム、フライアッシュ等)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、水セメント比、空気量、細骨材率、単位水量(コンクリート1m3当たりの水の量)、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。これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
コンクリートの品質に関するデータの例としては、目的とするコンクリートの設計上のデータとして、強度(呼び強度、圧縮強度、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。これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
中でも、コンクリートの品質として重要性が高い点で、スランプ及びスランプフローが好ましい。
なお、コンクリートの強度、スランプ、スランプフロー、空気量、及び塩化物含有量は、例えば、「JIS A 5308:2014(レディーミクストコンクリート)」に記載の試験方法によって測定することができる。
中でも、コンクリートの品質として重要性が高い点で、スランプ及びスランプフローが好ましい。
なお、コンクリートの強度、スランプ、スランプフロー、空気量、及び塩化物含有量は、例えば、「JIS A 5308:2014(レディーミクストコンクリート)」に記載の試験方法によって測定することができる。
セメントに関するデータの例としては、セメント全体に関するデータ、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等が挙げられる。
セメント全体に関するデータの例としては、(i)コンクリートの材料として用いられるセメントのデータとして、種類、化学組成、鉱物組成、湿式f.CaO(フリーライム量)、強熱減量、ブレーン比表面積、粒度分布、ふるい残分量、色調、(ii)セメントに含まれる各鉱物の鉱物学的性質及び結晶学的性質、(iii)セメントに含まれる石膏の半水化率等が挙げられる。
セメントクリンカーの原料に関するデータの例としては、(i)セメントクリンカーの調合原料のデータとして、化学組成、該化学組成から算出される水硬率、ふるい残分量、ブレーン比表面積(粉末度)、強熱減量、供給量、副原料(廃棄物のような特殊な原料)の供給量、ブレンディングサイロの貯留量(残量)、ストレージサイロの貯留量(残量)、(ii)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)、(iii)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、該化学組成から算出される水硬率、(iv)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データとして、化学組成、該化学組成から算出される水硬率、ブレーン比表面積、ふるい残分量、脱炭酸率、及び水分量等が挙げられる。
セメント全体に関するデータの例としては、(i)コンクリートの材料として用いられるセメントのデータとして、種類、化学組成、鉱物組成、湿式f.CaO(フリーライム量)、強熱減量、ブレーン比表面積、粒度分布、ふるい残分量、色調、(ii)セメントに含まれる各鉱物の鉱物学的性質及び結晶学的性質、(iii)セメントに含まれる石膏の半水化率等が挙げられる。
セメントクリンカーの原料に関するデータの例としては、(i)セメントクリンカーの調合原料のデータとして、化学組成、該化学組成から算出される水硬率、ふるい残分量、ブレーン比表面積(粉末度)、強熱減量、供給量、副原料(廃棄物のような特殊な原料)の供給量、ブレンディングサイロの貯留量(残量)、ストレージサイロの貯留量(残量)、(ii)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)、(iii)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、該化学組成から算出される水硬率、(iv)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データとして、化学組成、該化学組成から算出される水硬率、ブレーン比表面積、ふるい残分量、脱炭酸率、及び水分量等が挙げられる。
セメントの焼成条件に関するデータの例としては、(i)セメントクリンカーの焼成時におけるデータとして、セメントクリンカーの原料のキルンへの挿入量、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、O2濃度、NOX濃度、(ii)クリンカークーラー温度、及び、(iii)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。
セメンの粉砕条件に関するデータの例としては、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の例としては、セメントクリンカーのデータとして、(i)鉱物組成、化学組成、湿式f.CaO(フリーライム)、及び、容重、(ii)セメントクリンカーに含まれる各鉱物の結晶学的性質(格子定数や結晶子径など)、(iii)セメントクリンカーに含まれる2種以上の鉱物の比等が挙げられる。
これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
セメンの粉砕条件に関するデータの例としては、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の例としては、セメントクリンカーのデータとして、(i)鉱物組成、化学組成、湿式f.CaO(フリーライム)、及び、容重、(ii)セメントクリンカーに含まれる各鉱物の結晶学的性質(格子定数や結晶子径など)、(iii)セメントクリンカーに含まれる2種以上の鉱物の比等が挙げられる。
これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
セメント以外のコンクリートの材料に関するデータの例としては、(i)骨材(細骨材や粗骨材)のデータとして、種類、密度、吸水率、含水率、表面水率、粒度分布、最大寸法、及び、粒形、(ii)混和剤の種類、(iii)混和材の種類等が挙げられる。これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
練り混ぜの手段及び方法に関するデータの例としては、ミキサの種類、形式、容量や、材料の練り混ぜ量や、練り混ぜ時間等が挙げられる。これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
練り混ぜ時の環境に関するデータの例としては、温度(外気温、ミキサ内の温度、コンクリートの温度)、練り混ぜ水の温度、湿度、製造日、製造時刻等が挙げられる。これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
コンクリートの運搬に関するデータの例としては、トラックアジテータのドラム内の電力負荷値や、コンクリートの容量、質量及び温度や、運搬時の外気温度や、運搬時間(練り混ぜ終了後、運搬終了時点(荷卸時)までの時間)、運搬距離、運搬日、運搬時刻等が挙げられる。これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
練り混ぜの手段及び方法に関するデータの例としては、ミキサの種類、形式、容量や、材料の練り混ぜ量や、練り混ぜ時間等が挙げられる。これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
練り混ぜ時の環境に関するデータの例としては、温度(外気温、ミキサ内の温度、コンクリートの温度)、練り混ぜ水の温度、湿度、製造日、製造時刻等が挙げられる。これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
コンクリートの運搬に関するデータの例としては、トラックアジテータのドラム内の電力負荷値や、コンクリートの容量、質量及び温度や、運搬時の外気温度や、運搬時間(練り混ぜ終了後、運搬終了時点(荷卸時)までの時間)、運搬距離、運搬日、運搬時刻等が挙げられる。これらは1種を単独で用いてもよく、2種以上を組み合わせて用いてもよい。
上述した各種学習用入力データは、コンクリート工場における既存の情報管理システムから得られたものであってもよい。
コンクリート工場における情報管理システムとは、コンクリート工場において、コンクリートの製造を制御するのに必要なデータ及びコンクリートの製造の際に得られるデータ等を、コンピュータやネットワーク等を用いて一元管理するシステムである。
コンクリート工場の例としては、生コンクリート工場、コンクリート製品工場等が挙げられる。各種学習用入力データは、生コンクリート工場における既存の情報管理システム、及びコンクリート製品工場における既存の情報管理システムのいずれか一方の情報管理システムから得られたものでもよく、両方の情報管理システムから得られたものでもよい。
情報管理システムの例としては、生コンクリート工場における、生コンクリートに使用された材料の配合情報(生コンクリートを出荷する際に、上記コンクリートの品質を示す情報として開示されるもの)を管理するためのシステム、保管されていた材料の計量値(バッチ毎の各材料の投入量)を設定し、かつ、ミキサ等の生コンクリートの製造装置を制御するためのシステム、製造された生コンクリートを、アジテータ車等を用いて運搬する際の運搬条件等の情報を管理するためシステム(例えば、GPSを活用した生コン配車システムである「スカイワンII」(パシフィックシステム株式会社製))等が挙げられる。
上述した情報管理システムは例示であり、各種データの取得方法は、特に限定されるものではない。
なお、本明細書中、「生コンクリート」とは、硬化する前の流動性を有するコンクリートをいう。また、「コンクリート」の語には、硬化する前の流動性を有するコンクリート(生コンクリート)、及び、硬化後のコンクリートの両方が含まれるものとする。
コンクリート工場における情報管理システムとは、コンクリート工場において、コンクリートの製造を制御するのに必要なデータ及びコンクリートの製造の際に得られるデータ等を、コンピュータやネットワーク等を用いて一元管理するシステムである。
コンクリート工場の例としては、生コンクリート工場、コンクリート製品工場等が挙げられる。各種学習用入力データは、生コンクリート工場における既存の情報管理システム、及びコンクリート製品工場における既存の情報管理システムのいずれか一方の情報管理システムから得られたものでもよく、両方の情報管理システムから得られたものでもよい。
情報管理システムの例としては、生コンクリート工場における、生コンクリートに使用された材料の配合情報(生コンクリートを出荷する際に、上記コンクリートの品質を示す情報として開示されるもの)を管理するためのシステム、保管されていた材料の計量値(バッチ毎の各材料の投入量)を設定し、かつ、ミキサ等の生コンクリートの製造装置を制御するためのシステム、製造された生コンクリートを、アジテータ車等を用いて運搬する際の運搬条件等の情報を管理するためシステム(例えば、GPSを活用した生コン配車システムである「スカイワンII」(パシフィックシステム株式会社製))等が挙げられる。
上述した情報管理システムは例示であり、各種データの取得方法は、特に限定されるものではない。
なお、本明細書中、「生コンクリート」とは、硬化する前の流動性を有するコンクリートをいう。また、「コンクリート」の語には、硬化する前の流動性を有するコンクリート(生コンクリート)、及び、硬化後のコンクリートの両方が含まれるものとする。
コンクリートの仕上げ性に関する学習用出力データの例としては、実際にコンクリートを製造した際のコンクリートの仕上げ中の作業に関するデータや、コンクリートの仕上げ後の品質に関するデータ、及びコンクリートの仕上げ前の流動性に関するデータ(スランプ値、スランプフロー値等)等が挙げられる。
なお、コンクリートの仕上げとは、コンクリートを打設した後に、コテ等を用いてコンクリートの表面を仕上げることをいう。
コンクリートの仕上げ中の作業に関するデータの例としては、仕上げ性の定性評価、仕上げ作業時間、仕上げ作業時間と仕上げ人数の積算値、締固め性(バイブレーターの使用時間)等が挙げられる。
なお、コンクリートの仕上げとは、コンクリートを打設した後に、コテ等を用いてコンクリートの表面を仕上げることをいう。
コンクリートの仕上げ中の作業に関するデータの例としては、仕上げ性の定性評価、仕上げ作業時間、仕上げ作業時間と仕上げ人数の積算値、締固め性(バイブレーターの使用時間)等が挙げられる。
仕上げ性の定性評価とは、実際にコンクリートの表面の仕上げを行った作業者による、コンクリートの仕上げ性(コテ等を用いてコンクリートの表面を仕上げる際の容易性)の目視や手作業の際の感覚等に基いた評価である。例えば、上記仕上げ性を、非常に硬め、硬め、良好、軟らかめ、及び、非常に軟らかめの5段階で評価してもよい。
また、上記5段階の各評価を数字で置き換えてもよい。例えば、非常に硬めを「-2」、硬めを「-1」、良好を「0」、軟らかめを「1」、非常に軟らかめを「2」の各数値に置き換えてもよい。
また、上記5段階の各評価を数字で置き換えてもよい。例えば、非常に硬めを「-2」、硬めを「-1」、良好を「0」、軟らかめを「1」、非常に軟らかめを「2」の各数値に置き換えてもよい。
コンクリートの仕上げ後の品質に関するデータの例としては、コンクリートの仕上がり具合の目視評価、寸法(硬化後のコンクリート製品の実測値)、テストハンマーによる反発度(例えば、「JIS A 1155:2012(コンクリートの反発度の測定方法)」に準拠して測定された反発度)、トレント法による透気係数等が挙げられる。
コンクリートの仕上がり具合の目視評価とは、実際にコンクリートを仕上げた後のコンクリートの外観の目視による評価である。例えば、外観が良好な場合を「A」、ジャンカが発生している場合を「B」、ひび割れが発生している場合を「C」、表面気泡が発生している場合を「D」、レイタンスが発生している場合を「E」、断面欠損が発生している場合を「F」とし、コンクリートの外観を、例えば、「A」や、「B及びC」等として評価してもよい。
コンクリートの仕上がり具合の目視評価とは、実際にコンクリートを仕上げた後のコンクリートの外観の目視による評価である。例えば、外観が良好な場合を「A」、ジャンカが発生している場合を「B」、ひび割れが発生している場合を「C」、表面気泡が発生している場合を「D」、レイタンスが発生している場合を「E」、断面欠損が発生している場合を「F」とし、コンクリートの外観を、例えば、「A」や、「B及びC」等として評価してもよい。
本発明における機械学習は、画像データを含む学習用入力データとコンクリートの仕上げ性に関する学習用出力データの組み合わせである学習データを複数用いて、従来知られている一般的な機械学習の方法に従って行われる。
なお、学習データとして用いられる学習用入力データ及び学習用出力データは、実際に学習データ用のサンプルとして、コンクリートを製造した際に得られる画像や実測値等のデータである。
学習データ用のサンプルの数は、必要とされる学習用入力データ及び学習用出力データの種類によっても異なるが、より高い精度で品質を予測することができる観点から、好ましくは4以上、より好ましくは6以上、特に好ましくは8以上である。
なお、学習データとして用いられる学習用入力データ及び学習用出力データは、実際に学習データ用のサンプルとして、コンクリートを製造した際に得られる画像や実測値等のデータである。
学習データ用のサンプルの数は、必要とされる学習用入力データ及び学習用出力データの種類によっても異なるが、より高い精度で品質を予測することができる観点から、好ましくは4以上、より好ましくは6以上、特に好ましくは8以上である。
学習回数は、より高い精度で品質を予測することができる観点から、好ましくは1,000回以上、より好ましくは8,000回以上、特に好ましくは1万回以上である。
一回の学習において、サンプルから得られたデータの全てを使用する必要はなく、一部のみを使用してもよい。
一回の学習で使用される学習データの選択は、特に限定されるものではなく、特定の条件(例えば、撮影した順序)によって上から下に向かって並べられた学習データをその並びの順番に選択してもよく、ランダムに選択してもよい。また、学習データ用のサンプルが複数ある場合には、各サンプルのデータが少なくとも一つ学習データに含まれるように選択することが好ましい。
また、一つのサンプルから得られる画像データの数は、より高い精度で品質を予測することができる観点から、好ましくは1,000以上、より好ましくは2,000以上、特に好ましくは2,500以上である。
また、本明細書中、「機械学習」とは、人間による思考を介さずに、機械(特に、コンピュータ)のみによって学習するこという。
一回の学習において、サンプルから得られたデータの全てを使用する必要はなく、一部のみを使用してもよい。
一回の学習で使用される学習データの選択は、特に限定されるものではなく、特定の条件(例えば、撮影した順序)によって上から下に向かって並べられた学習データをその並びの順番に選択してもよく、ランダムに選択してもよい。また、学習データ用のサンプルが複数ある場合には、各サンプルのデータが少なくとも一つ学習データに含まれるように選択することが好ましい。
また、一つのサンプルから得られる画像データの数は、より高い精度で品質を予測することができる観点から、好ましくは1,000以上、より好ましくは2,000以上、特に好ましくは2,500以上である。
また、本明細書中、「機械学習」とは、人間による思考を介さずに、機械(特に、コンピュータ)のみによって学習するこという。
機械学習によって作成された予測モデルに、画像データを含む予測用入力データを入力し、予測モデルからコンクリートの仕上げ性に関する予測用出力データを出力した後、該予測用出力データを用いてコンクリートの品質を予測することができる。
より高い精度で品質を予測することができる観点から、予測用入力データとして、さらに、練り混ぜ時におけるミキサの電力負荷値に関するデータ、コンクリートの配合条件に関するデータ、目的とするコンクリートの品質に関するデータ、セメントに関するデータ、セメント以外のコンクリートの材料に関するデータ、練り混ぜの手段及び方法に関するデータ、練り混ぜ時の環境に関するデータ、及びコンクリートの運搬に関するデータ等を用いてもよい。これらは1種を単独で用いてもよいが、2種以上を組み合わせて用いてもよい。これらのデータは、コンクリートの製造において、リアルタイムに得られるデータである。
より高い精度で品質を予測することができる観点から、予測用入力データとして、さらに、練り混ぜ時におけるミキサの電力負荷値に関するデータ、コンクリートの配合条件に関するデータ、目的とするコンクリートの品質に関するデータ、セメントに関するデータ、セメント以外のコンクリートの材料に関するデータ、練り混ぜの手段及び方法に関するデータ、練り混ぜ時の環境に関するデータ、及びコンクリートの運搬に関するデータ等を用いてもよい。これらは1種を単独で用いてもよいが、2種以上を組み合わせて用いてもよい。これらのデータは、コンクリートの製造において、リアルタイムに得られるデータである。
予測用入力データとして用いられる画像データ等の詳細は、上述した学習用入力データとして用いられる画像データ等と同じである。
また、コンクリートの仕上げ性に関する予測用出力データの詳細は、上述したコンクリートの仕上げ性に関する学習用出力データと同じである。
また、コンクリートの品質予測をリアルタイムで集中的に管理、制御することができ、予測モデルの再学習を定期的に行うことができる等の観点から、上述した学習用入力データ及び予測用入力データに含まれるデータのうち少なくとも1種以上のデータが、コンクリート工場(生コンクリート工場及びコンクリート製品工場の少なくともいずれか一方)における情報管理システムから得られたものであることが好ましい。
また、コンクリートの仕上げ性に関する予測用出力データの詳細は、上述したコンクリートの仕上げ性に関する学習用出力データと同じである。
また、コンクリートの品質予測をリアルタイムで集中的に管理、制御することができ、予測モデルの再学習を定期的に行うことができる等の観点から、上述した学習用入力データ及び予測用入力データに含まれるデータのうち少なくとも1種以上のデータが、コンクリート工場(生コンクリート工場及びコンクリート製品工場の少なくともいずれか一方)における情報管理システムから得られたものであることが好ましい。
より高い精度でコンクリートの仕上げ性を予測する観点から、上述した学習用入力データ及び予測用入力データとして用いられるデータのうち、少なくとも1種以上のデータとして、標準化されたデータを用いてもよい。
なお、学習用入力データにおいて特定の種類のデータを標準化した場合、標準化されたデータと同じ種類の予測用入力データについても標準化する必要がある。例えば、学習用入力データの1種として用いられる設計スランプ値を標準化した場合、予測用入力データとして用いられる設計スランプ値も、予測モデルに入力する前に標準化する必要がある。
また、標準化することが可能なデータは、数値に関するデータ(数値として表すことができるデータ)である。
データの標準化は、以下の手順を用いて行うことができる。
学習データの個数をn、学習用入力データとして用いられるデータであって標準化の対象となるデータをxとして、下記式(1)~(2)から、xi(ただし、iは1~nまでの整数である。)の平均値μ及び標準偏差σを算出する。
なお、標準化の対象となるデータは、学習用入力データの中から任意に選択されるデータであり、1種であっても2種以上であってもよい。
なお、学習用入力データにおいて特定の種類のデータを標準化した場合、標準化されたデータと同じ種類の予測用入力データについても標準化する必要がある。例えば、学習用入力データの1種として用いられる設計スランプ値を標準化した場合、予測用入力データとして用いられる設計スランプ値も、予測モデルに入力する前に標準化する必要がある。
また、標準化することが可能なデータは、数値に関するデータ(数値として表すことができるデータ)である。
データの標準化は、以下の手順を用いて行うことができる。
学習データの個数をn、学習用入力データとして用いられるデータであって標準化の対象となるデータをxとして、下記式(1)~(2)から、xi(ただし、iは1~nまでの整数である。)の平均値μ及び標準偏差σを算出する。
なお、標準化の対象となるデータは、学習用入力データの中から任意に選択されるデータであり、1種であっても2種以上であってもよい。
次いで、上記平均値μ、上記標準偏差σ及び下記式(3)を用いて、xiを標準化して、標準化されたデータZを得ることができる。
標準化されたデータは、平均が0であり、分散が1である数値である。単位や桁が異なる複数の種類のデータ(例えば、設計スランプ値(cm)、設計空気量(%)、粗骨材最大寸法(mm)、単位粗骨材量(kg/m3))の各々について、標準化することで、単位や桁が異なるデータを揃えることができる。このため、各データの予測用出力データへの影響が比較しやすくなり、予測モデルを作成する際に使用する学習データの取捨選択が容易になる。
また、予測モデルを用いてコンクリートの品質を予測する際に、標準化されたデータ(学習用入力データの中から任意に選択されたデータ)と同じ種類の予測用入力データも、標準化する必要がある。
この場合、予測用入力データの標準化に用いられる平均値μ及び標準偏差σは、学習用入力データを用いて算出されたものを使用する。
標準化されたデータは、平均が0であり、分散が1である数値である。単位や桁が異なる複数の種類のデータ(例えば、設計スランプ値(cm)、設計空気量(%)、粗骨材最大寸法(mm)、単位粗骨材量(kg/m3))の各々について、標準化することで、単位や桁が異なるデータを揃えることができる。このため、各データの予測用出力データへの影響が比較しやすくなり、予測モデルを作成する際に使用する学習データの取捨選択が容易になる。
また、予測モデルを用いてコンクリートの品質を予測する際に、標準化されたデータ(学習用入力データの中から任意に選択されたデータ)と同じ種類の予測用入力データも、標準化する必要がある。
この場合、予測用入力データの標準化に用いられる平均値μ及び標準偏差σは、学習用入力データを用いて算出されたものを使用する。
より高い精度でコンクリートの仕上げ性を予測する観点から、上記学習用入力データ及び上記予測用入力データに含まれる画像データとして、標準化された画像データを用いることが好ましい。標準化された画像データを用いることで、画像全体の輝度値の変化(例えば、画像データの撮影時間の違いや撮影条件の違いによる、画面全体の明るさの変化)が予測モデルの作成に与える影響を抑えることができる。
画像データを標準化する方法としては、例えば、以下の方法が挙げられる。
標準化される画像データは、グレースケール画像のデータである。撮影された画像データがカラー画像である場合、カラー画像をグレースケール画像に変換する必要がある。カラー画像をグレースケール画像に変換する方法としては、特に限定されるものではなく、市販されている画像ソフトの機能を用いて、NTSC加重平均法等の一般的な方法で行えばよい。
画像データを標準化する方法としては、例えば、以下の方法が挙げられる。
標準化される画像データは、グレースケール画像のデータである。撮影された画像データがカラー画像である場合、カラー画像をグレースケール画像に変換する必要がある。カラー画像をグレースケール画像に変換する方法としては、特に限定されるものではなく、市販されている画像ソフトの機能を用いて、NTSC加重平均法等の一般的な方法で行えばよい。
次いで、グレースケール画像を構成する各画素の画素値(輝度値)を、各々標準化する。
具体的には、学習用入力データに含まれる画像データが、64×64ピクセルの画像30枚からなる画像データである場合、該画像データを構成する全ての画素の画素値(64×64×30=122,880個の画素値)と上記式(1)~(2)を用いて、平均値μと標準偏差σを算出する(式(1)中、nは122,880、xは画素値(輝度値)である。)。
次いで、上記平均値μ、上記標準偏差σ及び上記式(3)を用いて、xiを標準化して、標準化されたデータZを得ることができる。
具体的には、学習用入力データに含まれる画像データが、64×64ピクセルの画像30枚からなる画像データである場合、該画像データを構成する全ての画素の画素値(64×64×30=122,880個の画素値)と上記式(1)~(2)を用いて、平均値μと標準偏差σを算出する(式(1)中、nは122,880、xは画素値(輝度値)である。)。
次いで、上記平均値μ、上記標準偏差σ及び上記式(3)を用いて、xiを標準化して、標準化されたデータZを得ることができる。
本発明のコンクリートの品質予測方法によれば、コンクリートの製造において、予め作成した予測モデルに、製造中のコンクリートの画像データ等を入力することで、得られるコンクリートの仕上げ性を人間の判断によらずに、高い精度で迅速に予測することができる。
特に、目的とするコンクリートの設計上のスランプ値が最初から小さく設定されている場合(例えば、スランプ値が15cm以下、好ましくは10cm以下、より好ましくは5cm以下に設定されている場合)、及び、製造されたコンクリートのスランプ値の実測値が小さい場合(例えば、スランプ値が15cm以下、好ましくは10cm以下、より好ましくは5cm以下である場合)の少なくともいずれか一方の場合では、コンクリートの流動性が低下して仕上げが困難になるとともに、コンクリートの表面仕上げや締固め等の仕上げ工程に関する判断の指標としてのスランプ値の信頼性は低くなるという問題がある。
本発明のコンクリートの品質予測方法によれば、設計上のスランプ値が最初から小さく設定されている(特に、0~5cmの範囲内の数値に設定されている)コンクリートから得られた学習データ(学習用入力データ及び学習用出力データの組み合わせ)、及び、予測用入力データを用いる場合等において、従来、精度よく予測することが難しかったスタンプ値の小さいコンクリートの仕上げ性を、より高い精度で予測することができ、コンクリートの仕上げ性のばらつきに応じて行われる仕上げ工程における調整を容易に行なうことができる。
特に、コンクリート製品工場は、低スランプのコンクリートを製造する場合が多いため、本発明のコンクリートの品質予測方法は、コンクリート製品工場におけるコンクリートの品質予測方法として好適である。
また、コンクリートの仕上げ性の予測は、製造時に取得された複数の画像データ毎に行うこともできるため、複数の画像データから、複数の出力データ(例えば、仕上げ性の定性評価)を得ることができる。得られた複数の出力データのうち、明らかに他と異なるデータを排除したものや、得られた複数の出力データから算出された平均値を、予測用出力データとしてもよい。
特に、目的とするコンクリートの設計上のスランプ値が最初から小さく設定されている場合(例えば、スランプ値が15cm以下、好ましくは10cm以下、より好ましくは5cm以下に設定されている場合)、及び、製造されたコンクリートのスランプ値の実測値が小さい場合(例えば、スランプ値が15cm以下、好ましくは10cm以下、より好ましくは5cm以下である場合)の少なくともいずれか一方の場合では、コンクリートの流動性が低下して仕上げが困難になるとともに、コンクリートの表面仕上げや締固め等の仕上げ工程に関する判断の指標としてのスランプ値の信頼性は低くなるという問題がある。
本発明のコンクリートの品質予測方法によれば、設計上のスランプ値が最初から小さく設定されている(特に、0~5cmの範囲内の数値に設定されている)コンクリートから得られた学習データ(学習用入力データ及び学習用出力データの組み合わせ)、及び、予測用入力データを用いる場合等において、従来、精度よく予測することが難しかったスタンプ値の小さいコンクリートの仕上げ性を、より高い精度で予測することができ、コンクリートの仕上げ性のばらつきに応じて行われる仕上げ工程における調整を容易に行なうことができる。
特に、コンクリート製品工場は、低スランプのコンクリートを製造する場合が多いため、本発明のコンクリートの品質予測方法は、コンクリート製品工場におけるコンクリートの品質予測方法として好適である。
また、コンクリートの仕上げ性の予測は、製造時に取得された複数の画像データ毎に行うこともできるため、複数の画像データから、複数の出力データ(例えば、仕上げ性の定性評価)を得ることができる。得られた複数の出力データのうち、明らかに他と異なるデータを排除したものや、得られた複数の出力データから算出された平均値を、予測用出力データとしてもよい。
得られるコンクリートの仕上げ性が、目的とするコンクリートの仕上げ性を満たさないと予測される場合には、コンクリートの製造条件を変える等の対応を適宜行うことによって、効率的かつ安定的にコンクリートを製造することができる。
例えば、予測モデルから得られた仕上げ性の定性評価が、目標とする仕上げ性の定性評価と大きく異なる場合には、コンクリートの材料として使用した、セメント、骨材、混和剤等の品質の異常や、これらの材料の計量値が誤っていた可能性が考えられるため、直ちに製造工程を見直す必要がある。また、骨材の表面水の設定値が実際の値と異なることも想定され、ミキサから排出される前に補正値を算出し、補正値に基いて適切な量の追加の水をミキサ内に注水することもできる。
また、予測用入力データとして、コンクリートの材料を練り混ぜるためのミキサ内で材料を練り混ぜる様子を連続的に撮影した画像データを予測用モデルに入力し、得られた予測用出力データを、上記画像データとともに、表示手段(例えば、ディスプレイ)に表示してもよい。上記表示を、例えば、リアルタイムで行うことで、予測用出力データと、ミキサ内のコンクリートの様子を確認しながら、コンクリートの製造条件を変える等の対応をより迅速に行うことができる。
また、定期的に仕上げ性の定性評価の予測を行い、得られた仕上げ性の定性評価の予測値が、目標値と少しずつずれていく場合には、骨材の表面水率の変動が考えられるため、表面水の設定値を見直す等の対応を行えばよい。
さらに、コンクリートの品質の予測に使用した、予測用入力データ及び実際のコンクリートの仕上げ性に関するデータを蓄積し、蓄積されたデータを用いて予測モデルの再学習を定期的に行うことで、予測の精度の向上を図ってもよい。
例えば、予測モデルから得られた仕上げ性の定性評価が、目標とする仕上げ性の定性評価と大きく異なる場合には、コンクリートの材料として使用した、セメント、骨材、混和剤等の品質の異常や、これらの材料の計量値が誤っていた可能性が考えられるため、直ちに製造工程を見直す必要がある。また、骨材の表面水の設定値が実際の値と異なることも想定され、ミキサから排出される前に補正値を算出し、補正値に基いて適切な量の追加の水をミキサ内に注水することもできる。
また、予測用入力データとして、コンクリートの材料を練り混ぜるためのミキサ内で材料を練り混ぜる様子を連続的に撮影した画像データを予測用モデルに入力し、得られた予測用出力データを、上記画像データとともに、表示手段(例えば、ディスプレイ)に表示してもよい。上記表示を、例えば、リアルタイムで行うことで、予測用出力データと、ミキサ内のコンクリートの様子を確認しながら、コンクリートの製造条件を変える等の対応をより迅速に行うことができる。
また、定期的に仕上げ性の定性評価の予測を行い、得られた仕上げ性の定性評価の予測値が、目標値と少しずつずれていく場合には、骨材の表面水率の変動が考えられるため、表面水の設定値を見直す等の対応を行えばよい。
さらに、コンクリートの品質の予測に使用した、予測用入力データ及び実際のコンクリートの仕上げ性に関するデータを蓄積し、蓄積されたデータを用いて予測モデルの再学習を定期的に行うことで、予測の精度の向上を図ってもよい。
また、コンクリートの製造を制御するコンピュータと、本発明のコンクリートの品質予測方法を実施するために用いられるコンピュータを接続することによって、制御システムの自動化を図ることができる。
さらに、複数の工場におけるコンクリートの製造における各種データを、インターネットを経由して送信し、一か所において本発明のコンクリートの品質予測方法を用いてリアルタイムで集中的に管理、制御してもよい。
さらに、複数の工場におけるコンクリートの製造における各種データを、インターネットを経由して送信し、一か所において本発明のコンクリートの品質予測方法を用いてリアルタイムで集中的に管理、制御してもよい。
[コンクリート1~20の作製]
セメント、細骨材(山砂)、粗骨材A(砕石5号)、粗骨材B(砕石6号)を二軸ミキサに投入して、空練りした後、水を投入して練り混ぜて、コンクリート(生コンクリート)1~20を作製した。各材料の量は、表1に示す単位量となる量にした。
なお、コンクリートは、目標とするスランプ値を3.0cmとし、該スランプ値を得ることができるように各材料の配合設計を行ったものである。
また、コンクリートを作製する際に、二軸ミキサの上方にビデオカメラを設置し、各材料を練り混ぜる際の動画像を撮影した。
作製した各コンクリートについて、「JIS A 1101:2014(コンクリートのスランプ試験方法)」に準拠して、スランプの実測値を測定した。
また、各コンクリートの仕上げ性の定性評価(コテを用いて表面を仕上げた際の、作業者の目視等の感覚に基いた評価)を、非常に硬めを「-2」、硬めを「-1」、良好を「0」、軟らかめを「1」、非常に軟らかめを「2」として行った。
結果を表1に示す。
セメント、細骨材(山砂)、粗骨材A(砕石5号)、粗骨材B(砕石6号)を二軸ミキサに投入して、空練りした後、水を投入して練り混ぜて、コンクリート(生コンクリート)1~20を作製した。各材料の量は、表1に示す単位量となる量にした。
なお、コンクリートは、目標とするスランプ値を3.0cmとし、該スランプ値を得ることができるように各材料の配合設計を行ったものである。
また、コンクリートを作製する際に、二軸ミキサの上方にビデオカメラを設置し、各材料を練り混ぜる際の動画像を撮影した。
作製した各コンクリートについて、「JIS A 1101:2014(コンクリートのスランプ試験方法)」に準拠して、スランプの実測値を測定した。
また、各コンクリートの仕上げ性の定性評価(コテを用いて表面を仕上げた際の、作業者の目視等の感覚に基いた評価)を、非常に硬めを「-2」、硬めを「-1」、良好を「0」、軟らかめを「1」、非常に軟らかめを「2」として行った。
結果を表1に示す。
[実施例1]
学習データ用のサンプルとして、コンクリート1、3~7、11及び13~15を選択した。
各サンプルについて、ミキサ内に水を投入して、練り混ぜを開始して1分間経過した時点から15秒間の動画像から、一秒あたりのフレーム数を30として、二軸ミキサの内部全体が映っている450(15×30)枚の静止画像を得た。各静止画像から、二軸ミキサの略中央部分でありかつ一方の回転軸と他方の回転軸が位置する間の範囲であって、練り混ぜを行いながら撮影した際に、(1)両方の回転軸の一部分、(2)回転軸(二つの回転軸のうち、いずれか一方又は両方)に固着してなる複数の撹拌羽根の先端部分の少なくとも一つ、(3)回転軸(二つの回転軸のうち、いずれか一方又は両方)と複数の撹拌羽根の固着している部分の少なくとも一つ、のすべての部分について、その近傍に位置するコンクリートの材料が映りこむ可能性のある範囲の画像データ(256×256ピクセル)を切り出した(図1(a)の線で囲まれた部分参照)。
なお、二軸ミキサの電力負荷値は、練り混ぜを開始して1分間経過した時点ですでに安定した状態であり、練り混ぜが終了するまで電力負荷値は安定していた。
学習データ用のサンプルとして、コンクリート1、3~7、11及び13~15を選択した。
各サンプルについて、ミキサ内に水を投入して、練り混ぜを開始して1分間経過した時点から15秒間の動画像から、一秒あたりのフレーム数を30として、二軸ミキサの内部全体が映っている450(15×30)枚の静止画像を得た。各静止画像から、二軸ミキサの略中央部分でありかつ一方の回転軸と他方の回転軸が位置する間の範囲であって、練り混ぜを行いながら撮影した際に、(1)両方の回転軸の一部分、(2)回転軸(二つの回転軸のうち、いずれか一方又は両方)に固着してなる複数の撹拌羽根の先端部分の少なくとも一つ、(3)回転軸(二つの回転軸のうち、いずれか一方又は両方)と複数の撹拌羽根の固着している部分の少なくとも一つ、のすべての部分について、その近傍に位置するコンクリートの材料が映りこむ可能性のある範囲の画像データ(256×256ピクセル)を切り出した(図1(a)の線で囲まれた部分参照)。
なお、二軸ミキサの電力負荷値は、練り混ぜを開始して1分間経過した時点ですでに安定した状態であり、練り混ぜが終了するまで電力負荷値は安定していた。
また、図1(b)に示すように、上記画像データを切り出した位置を基準として、縦方向及び横方向(上下の方向及び左右の方向)に5ピクセル単位でずらした位置から、256×256ピクセルの画像データを、合計で24枚(切り出した位置がすべて異なる画像データ)切り出した。すなわち、1つの静止画像から合計で25枚の画像データを切り出し、サンプル1つにつき11,250(30×15×25)枚、合計して112,500(11,250×10)枚の画像データを得た。
なお、25枚の画像データは、上記(1)~(3)のすべての部分について、その近傍に位置する生コンクリートの材料が映りこむ可能性のある範囲の画像データであった。
次いで、各画像データを64×64ピクセルの画像サイズに縮小して、学習入力用データとして用いる112,500枚の80%である90,000枚の画像データを使用し、学習用テストデータとして残りの20%である22,500枚を使用した。
なお、25枚の画像データは、上記(1)~(3)のすべての部分について、その近傍に位置する生コンクリートの材料が映りこむ可能性のある範囲の画像データであった。
次いで、各画像データを64×64ピクセルの画像サイズに縮小して、学習入力用データとして用いる112,500枚の80%である90,000枚の画像データを使用し、学習用テストデータとして残りの20%である22,500枚を使用した。
得られた64×64ピクセルの画像データを、該画像データを構成する1ピクセル(画素)毎に256階調に変換したグレースケール画像とした。
変換後の画像データ(グレースケール画像)に対して標準化処理を行い、標準化処理後の画像データを学習用入力データとして、学習用入力データとして使用する画像データが得られたサンプルのスランプの実測値、コンクリートの仕上げ性の定性評価(作業者の目視や手作業の際の感覚等による評価であり、非常に硬めを「-2」、硬めを「-1」、良好を「0」、軟らかめを「1」、非常に軟らかめを「2」としたもの;コンクリートの仕上げ性に関するデータ)を学習用出力データとした。
上記学習用入力データと上記学習用出力データの組み合わせからなる学習データを使用して、予測モデルの機械学習を行い、学習済みの予測モデルを得た。
機械学習には、「TensorFlow」を使用し、6層の畳み込みニューラルネットワークを用いて学習を行った。なお、畳み込み層とプーリング層は、「畳み込み層とプーリング層の組み合わせ」を1層として数えるものとする。
学習回数は50万回とし、一回の学習で入力される画像データ(学習用入力データ)の数は、50個(ランダムに選択されたもの)とした。また、学習において、誤差関数として最小二乗法を使用した。
変換後の画像データ(グレースケール画像)に対して標準化処理を行い、標準化処理後の画像データを学習用入力データとして、学習用入力データとして使用する画像データが得られたサンプルのスランプの実測値、コンクリートの仕上げ性の定性評価(作業者の目視や手作業の際の感覚等による評価であり、非常に硬めを「-2」、硬めを「-1」、良好を「0」、軟らかめを「1」、非常に軟らかめを「2」としたもの;コンクリートの仕上げ性に関するデータ)を学習用出力データとした。
上記学習用入力データと上記学習用出力データの組み合わせからなる学習データを使用して、予測モデルの機械学習を行い、学習済みの予測モデルを得た。
機械学習には、「TensorFlow」を使用し、6層の畳み込みニューラルネットワークを用いて学習を行った。なお、畳み込み層とプーリング層は、「畳み込み層とプーリング層の組み合わせ」を1層として数えるものとする。
学習回数は50万回とし、一回の学習で入力される画像データ(学習用入力データ)の数は、50個(ランダムに選択されたもの)とした。また、学習において、誤差関数として最小二乗法を使用した。
検証データ用のサンプルとして、学習に使用していないコンクリート2、8~10、12及び16~20を選択した。
各サンプルについて、ミキサ内に水を投入して、練り混ぜを開始して1分間経過した時点から15秒間の動画像から、一秒あたりのフレーム数を30として、二軸ミキサの内部全体が映っている450枚の静止画像を得た。1つの静止画像から、上記(1)~(3)のすべての部分について、その近傍に位置する生コンクリートの材料が映りこむ可能性のある範囲の画像データ(256×256ピクセル)を切り出した。次いで、該画像データを切り出した位置を基準として、縦方向及び横方向(上下の方向及び左右の方向)に10ピクセル単位でずらした位置から、256×256ピクセルの画像データを、合計で8枚(切り出した位置がすべて異なる画像データ)切り出した。すなわち、1つの静止画像から合計で9枚の画像データを切り出し、サンプル1つにつき11,250枚、合計して112,500枚の画像データを得た。
各サンプルについて、ミキサ内に水を投入して、練り混ぜを開始して1分間経過した時点から15秒間の動画像から、一秒あたりのフレーム数を30として、二軸ミキサの内部全体が映っている450枚の静止画像を得た。1つの静止画像から、上記(1)~(3)のすべての部分について、その近傍に位置する生コンクリートの材料が映りこむ可能性のある範囲の画像データ(256×256ピクセル)を切り出した。次いで、該画像データを切り出した位置を基準として、縦方向及び横方向(上下の方向及び左右の方向)に10ピクセル単位でずらした位置から、256×256ピクセルの画像データを、合計で8枚(切り出した位置がすべて異なる画像データ)切り出した。すなわち、1つの静止画像から合計で9枚の画像データを切り出し、サンプル1つにつき11,250枚、合計して112,500枚の画像データを得た。
得られた画像データの各々について、64×64ピクセルの画像サイズに縮小した後、該画像データを構成する1ピクセル(画素)毎に256階調に変換したグレースケール画像にした。
変換後の画像データ(グレースケール画像)に対して標準化処理を行い、標準化処理後の画像データを予測用入力データとして、上記学習済みの予測モデルに入力し、予測モデルから、コンクリートの仕上げ性に関する予測用出力データとして、学習用入力データとして使用する画像データが得られたサンプルのスランプの予測値、及び、コンクリートの仕上げ性の定性評価(コンクリートの仕上げ性に関する予測用出力データ)を出力した。
検証データ用のサンプル(コンクリート2、8~10、12及び16~20の合計10個のサンプル)の各々について、上記サンプルから得られた予測用入力データ(11,250枚の画像データ)を予測モデルに入力することで得られたスランプの予測値(予測用出力データ)の平均値を算出した。次いで、サンプルのスランプの実測値と、上記平均値を比較し、該平均値が実測値の±0.25cm以内の数値であった場合を正解(許容範囲内)とした。検証データ用のサンプル(10個)から得られた、スランプの実測値と上記平均値の比較から得られた正解率(全サンプル中、上記平均値がスランプの実測値の±0.25cm以内の数値であったサンプルの個数の割合)は、80%であった。
また、検証データ用のサンプル(コンクリート2、8~10、12及び16~20の合計10個のサンプル)の各々について、上記サンプルから得られた予測用入力データ(11,250枚の画像データ)を予測モデルに入力することで、予測用出力データとしてコンクリートの仕上げ性の定性評価の最頻値(10個)を得た。
得られた仕上げ性に関するデータの正解率(全サンプル中、予測が正しかったサンプル(すなわち、予測された評価(-2、-1、0、1または2)と、実際のサンプルの評価(-2、-1、0、1または2)が同じもの)の個数の割合)は、90%であった。
実施例1から、本発明によれば、画像データを用いて、高い精度でコンクリートの仕上げ性を予測しうることがわかる。
変換後の画像データ(グレースケール画像)に対して標準化処理を行い、標準化処理後の画像データを予測用入力データとして、上記学習済みの予測モデルに入力し、予測モデルから、コンクリートの仕上げ性に関する予測用出力データとして、学習用入力データとして使用する画像データが得られたサンプルのスランプの予測値、及び、コンクリートの仕上げ性の定性評価(コンクリートの仕上げ性に関する予測用出力データ)を出力した。
検証データ用のサンプル(コンクリート2、8~10、12及び16~20の合計10個のサンプル)の各々について、上記サンプルから得られた予測用入力データ(11,250枚の画像データ)を予測モデルに入力することで得られたスランプの予測値(予測用出力データ)の平均値を算出した。次いで、サンプルのスランプの実測値と、上記平均値を比較し、該平均値が実測値の±0.25cm以内の数値であった場合を正解(許容範囲内)とした。検証データ用のサンプル(10個)から得られた、スランプの実測値と上記平均値の比較から得られた正解率(全サンプル中、上記平均値がスランプの実測値の±0.25cm以内の数値であったサンプルの個数の割合)は、80%であった。
また、検証データ用のサンプル(コンクリート2、8~10、12及び16~20の合計10個のサンプル)の各々について、上記サンプルから得られた予測用入力データ(11,250枚の画像データ)を予測モデルに入力することで、予測用出力データとしてコンクリートの仕上げ性の定性評価の最頻値(10個)を得た。
得られた仕上げ性に関するデータの正解率(全サンプル中、予測が正しかったサンプル(すなわち、予測された評価(-2、-1、0、1または2)と、実際のサンプルの評価(-2、-1、0、1または2)が同じもの)の個数の割合)は、90%であった。
実施例1から、本発明によれば、画像データを用いて、高い精度でコンクリートの仕上げ性を予測しうることがわかる。
[実施例2]
コンクリート製品の工場において、実際に行われているコンクリートの製造において、以下に記載するコンクリートの品質予測方法を用いて、コンクリートの仕上げ性を予測した。
コンクリートの材料としては、セメント(普通ポルトランドセメント、中庸熱ポルトランドセメント、又は低熱ポルトランドセメント)、細骨材(砕砂と山砂を混合してなるもの)、粗骨材(砕石2005)、及び、混和剤(AE剤、AE減水剤、及び高性能AE減水剤から選ばれる少なくとも1種)を使用した。
各材料の種類及び量は、コンクリートの水セメント比が30~40%の範囲内であり、得られるコンクリートのスランプ値が2~4cmの範囲内となるように適宜定めた。また、各材料の混練は、二軸ミキサ(容量5m3)を使用し、練り混ぜ時間は60~120秒間の範囲内とし、各材料の合計の量は1.00~3.25m3の範囲内とした。
コンクリート製品の工場において、実際に行われているコンクリートの製造において、以下に記載するコンクリートの品質予測方法を用いて、コンクリートの仕上げ性を予測した。
コンクリートの材料としては、セメント(普通ポルトランドセメント、中庸熱ポルトランドセメント、又は低熱ポルトランドセメント)、細骨材(砕砂と山砂を混合してなるもの)、粗骨材(砕石2005)、及び、混和剤(AE剤、AE減水剤、及び高性能AE減水剤から選ばれる少なくとも1種)を使用した。
各材料の種類及び量は、コンクリートの水セメント比が30~40%の範囲内であり、得られるコンクリートのスランプ値が2~4cmの範囲内となるように適宜定めた。また、各材料の混練は、二軸ミキサ(容量5m3)を使用し、練り混ぜ時間は60~120秒間の範囲内とし、各材料の合計の量は1.00~3.25m3の範囲内とした。
上述した条件で、様々な配合のコンクリートを70バッチ製造し、該バッチから学習データを得た。
具体的には、コンクリートを製造する際に、二軸ミキサの上部にビデオカメラを設置し、該カメラを用いて、各材料を練り混ぜる際の動画像を撮影した。撮影された動画像は、ビデオ信号分配器によって監視室のモニタに映し出すとともに、録画装置のSDカード内に動画像のデータとして保存した。
動画像の撮影は、練り混ぜ終了時(コンクリートを二軸ミキサから排出する直前)の15秒前から、練り混ぜ終了時までの15秒間行った。動画像の一秒あたりのフレーム数を30とし、二軸ミキサの内部全体が映っている450(30×15)枚の静止画像を得た。各静止画像から、二軸ミキサ内の回転軸に固着してなる撹拌羽根の近傍に位置するコンクリートの材料が映りこむ可能性のある範囲から、画像データ(512×512ピクセル)を切り出した。
なお、上記範囲は、経時的に連続する複数の静止画像を確認し、画像に映りこむコンクリートの表面の動きが大きいと判断した範囲であり、該範囲は撹拌羽根の近傍の部分であった。
なお、二軸ミキサの電力負荷値は、動画像の撮影を開始する際にはすでに安定した状態であり、練り混ぜが終了するまで電力負荷値は安定していた。
具体的には、コンクリートを製造する際に、二軸ミキサの上部にビデオカメラを設置し、該カメラを用いて、各材料を練り混ぜる際の動画像を撮影した。撮影された動画像は、ビデオ信号分配器によって監視室のモニタに映し出すとともに、録画装置のSDカード内に動画像のデータとして保存した。
動画像の撮影は、練り混ぜ終了時(コンクリートを二軸ミキサから排出する直前)の15秒前から、練り混ぜ終了時までの15秒間行った。動画像の一秒あたりのフレーム数を30とし、二軸ミキサの内部全体が映っている450(30×15)枚の静止画像を得た。各静止画像から、二軸ミキサ内の回転軸に固着してなる撹拌羽根の近傍に位置するコンクリートの材料が映りこむ可能性のある範囲から、画像データ(512×512ピクセル)を切り出した。
なお、上記範囲は、経時的に連続する複数の静止画像を確認し、画像に映りこむコンクリートの表面の動きが大きいと判断した範囲であり、該範囲は撹拌羽根の近傍の部分であった。
なお、二軸ミキサの電力負荷値は、動画像の撮影を開始する際にはすでに安定した状態であり、練り混ぜが終了するまで電力負荷値は安定していた。
また、上記画像データを切り出した位置を基準として、縦方向及び横方向(上下の方向及び左右の方向)に5ピクセル単位でずらした位置から、512×512ピクセルの画像データを、合計で24枚(切り出した位置がすべて異なる画像データ)切り出した。すなわち、1つの静止画像から合計で25枚の画像データを切り出し、1バッチにつき11,250(30×15×25)枚、合計して787,500(11,250×70)枚の画像データ(70バッチ分の画像データ)を得た。
なお、25枚の画像データは、上記のすべての部分について、二軸ミキサ内の回転軸に固着してなる撹拌羽根の近傍に位置するコンクリートの材料が映りこむ可能性のある範囲の画像データであった。
次いで、各画像データを64×64ピクセルの画像サイズに縮小した後、得られた64×64ピクセルの画像データを、該画像データを構成する1ピクセル(画素)毎に256階調に変換したグレースケール画像とした。
変換後の画像データ(グレースケール画像)に対して標準化処理を行い、標準化処理後の画像データ(787,500枚)の80%に相当する630,000枚の画像データを学習用入力データとして使用した。また、残り20%に相当する157,500枚を、機械学習後に得られた予測モデルの信頼性を確認するためのテストデータとして使用した。
なお、25枚の画像データは、上記のすべての部分について、二軸ミキサ内の回転軸に固着してなる撹拌羽根の近傍に位置するコンクリートの材料が映りこむ可能性のある範囲の画像データであった。
次いで、各画像データを64×64ピクセルの画像サイズに縮小した後、得られた64×64ピクセルの画像データを、該画像データを構成する1ピクセル(画素)毎に256階調に変換したグレースケール画像とした。
変換後の画像データ(グレースケール画像)に対して標準化処理を行い、標準化処理後の画像データ(787,500枚)の80%に相当する630,000枚の画像データを学習用入力データとして使用した。また、残り20%に相当する157,500枚を、機械学習後に得られた予測モデルの信頼性を確認するためのテストデータとして使用した。
製造後のコンクリートを、ミキサから排出して、排出されたコンクリートを採取して、「JIS A 1101:2014(コンクリートのスランプ試験方法)」に準拠して、70バッチ分のスランプの実測値を測定し、該実測値を学習用出力データまたはテストデータとした。
また、70バッチ分のコンクリートの仕上げ性の定性評価(作業者の目視や手作業の際の感覚等よる評価であり、非常に硬めを「-2」、硬めを「-1」、良好を「0」、軟らかめを「1」、非常に軟らかめを「2」としたもの;コンクリートの仕上げ性に関するデータ)を、学習用出力データまたはテストデータとした。
学習用入力データ(画像データ)と、該学習用入力データとして使用する画像データが得られたバッチの学習用出力データ(スランプの実測値及びコンクリートの仕上げ性の定性評価)の組み合わせを学習データとした。
SDカード内の動画像のデータを別のコンピュータに保存した後、該コンピュータを用いて、上記学習データを使用して、予測モデルの機械学習を行い、学習済みの予測モデルを得た。
機械学習には、「TensorFlow」を使用し、7層の畳み込みニューラルネットワークを用いて学習を行った。また、学習において、誤差関数として最小二乗法を使用した。
学習回数は50万回とし、一回の学習で入力される画像データ(学習用入力データ)の数は、50枚(ランダムに選択されたもの)とした。
また、70バッチ分のコンクリートの仕上げ性の定性評価(作業者の目視や手作業の際の感覚等よる評価であり、非常に硬めを「-2」、硬めを「-1」、良好を「0」、軟らかめを「1」、非常に軟らかめを「2」としたもの;コンクリートの仕上げ性に関するデータ)を、学習用出力データまたはテストデータとした。
学習用入力データ(画像データ)と、該学習用入力データとして使用する画像データが得られたバッチの学習用出力データ(スランプの実測値及びコンクリートの仕上げ性の定性評価)の組み合わせを学習データとした。
SDカード内の動画像のデータを別のコンピュータに保存した後、該コンピュータを用いて、上記学習データを使用して、予測モデルの機械学習を行い、学習済みの予測モデルを得た。
機械学習には、「TensorFlow」を使用し、7層の畳み込みニューラルネットワークを用いて学習を行った。また、学習において、誤差関数として最小二乗法を使用した。
学習回数は50万回とし、一回の学習で入力される画像データ(学習用入力データ)の数は、50枚(ランダムに選択されたもの)とした。
検証データ用として、上述した70バッチと同様の条件で、新たに26バッチのコンクリートを製造し、上述した70バッチのコンクリートと同様にして動画像を撮影し、該動画像から、1バッチにつき、450(30×15)枚の静止画像を得た。
各静止画像から、上述した70バッチと同様にして、一つの画像データを切り出し、さらに、該画像データを切り出した位置を基準として、縦方向及び横方向(上下の方向及び左右の方向)に10ピクセル単位でずらした位置から、512×512ピクセルの画像データを、合計で8枚(切り出した位置がすべて異なる画像データ)切り出した。すなわち、1つの静止画像から合計で9枚の画像データを切り出し、1バッチにつき4,050(30×15×9)枚、合計して105,300(4,050×26)枚の画像データ(26バッチ分の画像データ)を得た。
なお、上記画像データは、上記(1)~(3)のすべての部分について、その近傍に位
置するコンクリートの材料が映りこむ可能性のある範囲の画像データであった。
次いで、各画像データを64×64ピクセルの画像サイズに縮小した後、該画像データを構成する1ピクセル(画素)毎に256階調に変換したグレースケール画像にした。
変換後の画像データ(グレースケール画像)に対して標準化処理を行い、標準化処理後の画像データを検証用データとした。
また、製造後の生コンクリートの、スランプの実測値及びコンクリートの仕上げ性の定性評価を、上述した70バッチの生コンクリートと同様にして測定した。
各静止画像から、上述した70バッチと同様にして、一つの画像データを切り出し、さらに、該画像データを切り出した位置を基準として、縦方向及び横方向(上下の方向及び左右の方向)に10ピクセル単位でずらした位置から、512×512ピクセルの画像データを、合計で8枚(切り出した位置がすべて異なる画像データ)切り出した。すなわち、1つの静止画像から合計で9枚の画像データを切り出し、1バッチにつき4,050(30×15×9)枚、合計して105,300(4,050×26)枚の画像データ(26バッチ分の画像データ)を得た。
なお、上記画像データは、上記(1)~(3)のすべての部分について、その近傍に位
置するコンクリートの材料が映りこむ可能性のある範囲の画像データであった。
次いで、各画像データを64×64ピクセルの画像サイズに縮小した後、該画像データを構成する1ピクセル(画素)毎に256階調に変換したグレースケール画像にした。
変換後の画像データ(グレースケール画像)に対して標準化処理を行い、標準化処理後の画像データを検証用データとした。
また、製造後の生コンクリートの、スランプの実測値及びコンクリートの仕上げ性の定性評価を、上述した70バッチの生コンクリートと同様にして測定した。
検証用データが得られた26バッチの画像データを予測用入力データとして、上記学習済みの予測モデルに入力し、予測モデルから、コンクリートの仕上げ性に関する予測用出力データとして、コンクリートのスランプの予測値及びコンクリートの仕上げ性の定性評価を出力した。次いで、バッチ毎にコンクリートのスランプの予測値の平均値及びコンクリートの仕上げ性の定性評価の最頻値を得た。
スランプの実測値とスランプの予測値の平均値(予測用出力データとして出力されたコンクリートのスランプの予測値の平均値)を比較し、スランプの予測値の平均値が、上記実測値の±0.25cm以内の数値であったバッチを正解(許容範囲内)とした場合、正解率は88%であった。また、コンクリートの仕上げ性の定性評価の最頻値の正解率(予測が正しかったもの(すなわち、予測された分類(-2、-1、0、1または2)と、実際のサンプルの分類(-2、-1、0、1または2)が同じもの)の割合)の正解率は92%であった。
これらの結果から、本発明によれば、画像データを用いて、高い精度でコンクリートの仕上げ性を予測しうることがわかる。
スランプの実測値とスランプの予測値の平均値(予測用出力データとして出力されたコンクリートのスランプの予測値の平均値)を比較し、スランプの予測値の平均値が、上記実測値の±0.25cm以内の数値であったバッチを正解(許容範囲内)とした場合、正解率は88%であった。また、コンクリートの仕上げ性の定性評価の最頻値の正解率(予測が正しかったもの(すなわち、予測された分類(-2、-1、0、1または2)と、実際のサンプルの分類(-2、-1、0、1または2)が同じもの)の割合)の正解率は92%であった。
これらの結果から、本発明によれば、画像データを用いて、高い精度でコンクリートの仕上げ性を予測しうることがわかる。
Claims (7)
- 予測モデルを用いて、コンクリートの品質を予測するための方法であって、
上記予測モデルは、画像データを含む学習用入力データとコンクリートの仕上げ性に関する学習用出力データの組み合わせである学習データを複数用いた機械学習によって作成されたものであり、
画像データを含む予測用入力データを、上記予測モデルに入力し、上記予測モデルからコンクリートの仕上げ性に関する予測用出力データを出力して、該予測用出力データを用いてコンクリートの品質を予測することを特徴とするコンクリートの品質予測方法。 - 上記学習用出力データ及び上記予測用出力データが、コンクリートの仕上げ中の作業に関するデータを含む請求項1に記載のコンクリートの品質予測方法。
- 上記学習用出力データ及び上記予測用出力データが、コンクリートの仕上げ後の品質に関するデータを含む請求項1又は2に記載のコンクリートの品質予測方法。
- 上記学習用入力データ及び上記予測用入力データとして用いられるデータのうち、少なくとも1種以上のデータが、標準化されたデータである請求項1~3のいずれか1項に記載のコンクリートの品質予測方法。
- 上記標準化されたデータが、上記学習用入力データ及び上記予測用入力データに含まれる画像データであって、
上記画像データがグレースケール画像であり、上記グレースケール画像を構成する各画素の画素値を各々標準化したものである請求項4に記載のコンクリートの品質予測方法。 - 上記画像データが、コンクリートの材料を練り混ぜるためのミキサ内で上記材料を練り混ぜる様子を連続的に撮影した複数の画像データであって、
上記画像データと上記予測用出力データを表示手段に表示する請求項1~5のいずれか1項に記載のコンクリートの品質予測方法。 - 上記学習用入力データ及び上記予測用入力データに含まれるデータのうち少なくとも1種以上のデータが、コンクリート工場における情報管理システムから得られたものである請求項1~6のいずれか1項に記載のコンクリートの品質予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021176059A JP2023065743A (ja) | 2021-10-28 | 2021-10-28 | コンクリートの品質予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021176059A JP2023065743A (ja) | 2021-10-28 | 2021-10-28 | コンクリートの品質予測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023065743A true JP2023065743A (ja) | 2023-05-15 |
Family
ID=86322110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021176059A Pending JP2023065743A (ja) | 2021-10-28 | 2021-10-28 | コンクリートの品質予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2023065743A (ja) |
-
2021
- 2021-10-28 JP JP2021176059A patent/JP2023065743A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6735944B1 (ja) | 生コンクリートの品質予測方法 | |
EP2790884B1 (en) | Multivariate management of entrained air and rheology in cementitious mixes | |
TWI582422B (zh) | The quality of cement or the manufacturing conditions of the forecast method | |
JP6794039B2 (ja) | コンクリートの配合条件の予測方法 | |
JP7393489B2 (ja) | コンクリートの製造方法 | |
US20220106227A1 (en) | Modification of properties of pozzolanic materials through blending | |
JP6636358B2 (ja) | フライアッシュセメントの品質または製造条件の予測方法 | |
JP7131943B2 (ja) | コンクリートの製造システム及びコンクリートの製造方法 | |
Elevado et al. | Compressive strength modelling of concrete mixed with fly ash and waste ceramics using K-nearest neighbor algorithm | |
JP2021135199A (ja) | 骨材の品質推定方法およびコンクリート製造方法 | |
JP6793864B1 (ja) | 生コンクリートの品質予測方法 | |
JP6732380B2 (ja) | セメントの品質または製造条件の予測方法 | |
JP2023065743A (ja) | コンクリートの品質予測方法 | |
JP7475303B2 (ja) | 地盤強化用締固め材の品質予測方法 | |
Onyia et al. | Mathematical modelling of compressive strength of recycled ceramic tile aggregate concrete using modified regression theory | |
US20230212084A1 (en) | Adjusting Concrete Mixes and Mix Designs Using Diagnostic Delta Data Curve | |
JP2017178648A (ja) | セメントの品質または製造条件の予測方法 | |
JP2024008078A (ja) | 生コンクリートの品質予測方法 | |
WO2018061239A1 (ja) | セメントの品質または製造条件の予測方法 | |
Li et al. | Clarifying the effects of volume proportion and surface area of aggregate on chloride diffusivity of concrete through microstructural design | |
JP6208403B1 (ja) | セメントの品質または製造条件の予測方法 | |
US20240083068A1 (en) | Mobile volumetric concrete-production system | |
JP2023144630A (ja) | 土壌改良材による配合試験の自動評価装置および自動評価方法 | |
KR20230103082A (ko) | 실시간 표면수 측정이 적용된 레미콘 생산시스템 | |
JPH1048203A (ja) | 生コン製造プラントにおける水量値補正方法 |