JP6674356B2 - コンクリートの品質またはコンクリートの配合条件の予測方法 - Google Patents
コンクリートの品質またはコンクリートの配合条件の予測方法 Download PDFInfo
- Publication number
- JP6674356B2 JP6674356B2 JP2016179741A JP2016179741A JP6674356B2 JP 6674356 B2 JP6674356 B2 JP 6674356B2 JP 2016179741 A JP2016179741 A JP 2016179741A JP 2016179741 A JP2016179741 A JP 2016179741A JP 6674356 B2 JP6674356 B2 JP 6674356B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- concrete
- learning
- value
- neural network
- 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.)
- Active
Links
- 239000004567 concrete Substances 0.000 title claims description 362
- 238000000034 method Methods 0.000 title claims description 94
- 238000002156 mixing Methods 0.000 title claims description 72
- 230000013016 learning Effects 0.000 claims description 306
- 238000012544 monitoring process Methods 0.000 claims description 244
- 238000013528 artificial neural network Methods 0.000 claims description 200
- 239000004568 cement Substances 0.000 claims description 165
- 238000011156 evaluation Methods 0.000 claims description 155
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 71
- 239000004570 mortar (masonry) Substances 0.000 claims description 68
- 238000004458 analytical method Methods 0.000 claims description 56
- 239000000463 material Substances 0.000 claims description 55
- 238000012360 testing method Methods 0.000 claims description 54
- 238000005259 measurement Methods 0.000 claims description 52
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 50
- 239000011707 mineral Substances 0.000 claims description 50
- 239000000203 mixture Substances 0.000 claims description 45
- 238000004519 manufacturing process Methods 0.000 claims description 36
- 230000000704 physical effect Effects 0.000 claims description 21
- 239000000126 substance Substances 0.000 claims description 13
- 239000011398 Portland cement Substances 0.000 description 57
- 235000010755 mineral Nutrition 0.000 description 49
- 239000003638 chemical reducing agent Substances 0.000 description 35
- 239000002994 raw material Substances 0.000 description 24
- 230000000052 comparative effect Effects 0.000 description 18
- 238000010998 test method Methods 0.000 description 17
- 238000004898 kneading Methods 0.000 description 16
- CPLXHLVBOLITMK-UHFFFAOYSA-N Magnesium oxide Chemical compound [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 description 12
- 238000005070 sampling Methods 0.000 description 12
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 9
- 239000002518 antifoaming agent Substances 0.000 description 8
- 239000000843 powder Substances 0.000 description 8
- 229910018072 Al 2 O 3 Inorganic materials 0.000 description 7
- 229910004298 SiO 2 Inorganic materials 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 239000000395 magnesium oxide Substances 0.000 description 6
- 235000012245 magnesium oxide Nutrition 0.000 description 6
- 238000013329 compounding Methods 0.000 description 5
- 238000000611 regression analysis Methods 0.000 description 5
- 239000004576 sand Substances 0.000 description 5
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 4
- 229910010413 TiO 2 Inorganic materials 0.000 description 4
- 239000003513 alkali Substances 0.000 description 4
- 238000005452 bending Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 239000010440 gypsum Substances 0.000 description 4
- 229910052602 gypsum Inorganic materials 0.000 description 4
- 239000002893 slag Substances 0.000 description 4
- 235000019738 Limestone Nutrition 0.000 description 3
- 229910052785 arsenic Inorganic materials 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 229910052801 chlorine Inorganic materials 0.000 description 3
- 229910052804 chromium Inorganic materials 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 238000001723 curing Methods 0.000 description 3
- 239000013530 defoamer Substances 0.000 description 3
- 238000010304 firing Methods 0.000 description 3
- 239000010881 fly ash Substances 0.000 description 3
- 238000000227 grinding Methods 0.000 description 3
- 230000036571 hydration Effects 0.000 description 3
- 238000006703 hydration reaction Methods 0.000 description 3
- 229910052745 lead Inorganic materials 0.000 description 3
- 239000006028 limestone Substances 0.000 description 3
- VASIZKWUTCETSD-UHFFFAOYSA-N manganese(II) oxide Inorganic materials [Mn]=O VASIZKWUTCETSD-UHFFFAOYSA-N 0.000 description 3
- 229910052759 nickel Inorganic materials 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 229910052720 vanadium Inorganic materials 0.000 description 3
- 229910052725 zinc Inorganic materials 0.000 description 3
- 229910052726 zirconium Inorganic materials 0.000 description 3
- WKBPZYKAUNRMKP-UHFFFAOYSA-N 1-[2-(2,4-dichlorophenyl)pentyl]1,2,4-triazole Chemical compound C=1C=C(Cl)C=C(Cl)C=1C(CCC)CN1C=NC=N1 WKBPZYKAUNRMKP-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 2
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 2
- 235000011941 Tilia x europaea Nutrition 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- ZOMBKNNSYQHRCA-UHFFFAOYSA-J calcium sulfate hemihydrate Chemical compound O.[Ca+2].[Ca+2].[O-]S([O-])(=O)=O.[O-]S([O-])(=O)=O ZOMBKNNSYQHRCA-UHFFFAOYSA-J 0.000 description 2
- 238000009614 chemical analysis method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 239000004571 lime Substances 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 239000000377 silicon dioxide Substances 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 238000002076 thermal analysis method Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- UFWIBTONFRDIAS-UHFFFAOYSA-N Naphthalene Chemical compound C1=CC=CC2=CC=CC=C21 UFWIBTONFRDIAS-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000012615 aggregate Substances 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052788 barium Inorganic materials 0.000 description 1
- 239000011400 blast furnace cement Substances 0.000 description 1
- 239000002981 blocking agent Substances 0.000 description 1
- OSGAYBCDTDRGGQ-UHFFFAOYSA-L calcium sulfate Chemical compound [Ca+2].[O-]S([O-])(=O)=O OSGAYBCDTDRGGQ-UHFFFAOYSA-L 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000011978 dissolution method Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001493 electron microscopy Methods 0.000 description 1
- 239000011210 fiber-reinforced concrete Substances 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007561 laser diffraction method Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000000399 optical microscopy Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 239000011433 polymer cement mortar Substances 0.000 description 1
- 239000002986 polymer concrete Substances 0.000 description 1
- 238000000634 powder X-ray diffraction Methods 0.000 description 1
- 239000011178 precast concrete Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000011513 prestressed concrete Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000000790 scattering method Methods 0.000 description 1
- 239000011378 shotcrete Substances 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 229910021487 silica fume Inorganic materials 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000008030 superplasticizer Substances 0.000 description 1
- 238000005979 thermal decomposition reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011041 water permeability test Methods 0.000 description 1
- 238000004876 x-ray fluorescence Methods 0.000 description 1
Images
Landscapes
- Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)
Description
さらに、コンクリートの品質には、セメント以外のコンクリートの材料の品質や、コンクリートの配合や、コンクリートの施工方法や、コンクリートの供用環境及び供用期間等、多くの因子が影響することも周知である。
このように、多くの因子が影響するため、コンクリートの品質を予測することは困難である。そのため、コンクリートの品質管理は、現場試験や、供試体試験等の事後管理が一般的である。また、これまでに提案されている品質の推定方法も、製造後のコンクリートの品質から推定する事後的な方法である。
また、特許文献2には、コンクリートの強度とコンクリートの微視的構造に関する指標との関係を得る工程と、躯体を形成する躯体コンクリートの原位置での強度を推定する工程と、前記関係と前記躯体コンクリートの原位置での強度とに基づいて、前記躯体コンクリートの微視的構造に関する指標を算出する工程と、前記躯体コンクリートの微視的構造に関する指標に基づいて、前記躯体コンクリートの耐久性を推定する工程と、を含むことを特徴とするコンクリートの耐久性の推定方法が記載されている。
なお、ニューラルネットワークとは、学習によって最適化を行っていく情報処理システムであり、学習を深化させることで、より高度で、複雑で、適応性のある情報処理を可能とすることができる。
本発明の目的は、データの数が少なくても、コンクリートを製造する前に、短時間でかつ高い精度でコンクリートの品質またはコンクリートの配合条件(計画された所定の品質を有するコンクリートを得るために決定される、コンクリートの材料の選択と使用量)を予測することができる方法を提供することである。
[1] 入力層及び出力層を有するニューラルネットワークを用いたコンクリートの品質またはコンクリートの配合条件の予測方法であって、上記入力層は、コンクリート製造における監視データの実測値を入力するためのものであり、上記出力層は、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力するためのものであり、上記監視データと上記評価データの組み合わせが、
(i)上記監視データが、セメントに関するデータ、セメントの物理特性に関するデータ、セメント以外のコンクリートの材料に関するデータ、及びコンクリートの配合に関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、コンクリートの品質に関するデータである組み合わせ、または、
(ii)上記監視データが、セメントに関するデータ、セメントの物理特性に関するデータ、セメント以外のコンクリートの材料に関するデータ、コンクリートの配合に関するデータ、及びコンクリートの品質に関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、コンクリートの配合条件に関するデータである組み合わせ、であり、
(A)学習回数の初期設定を行う工程と、
(B)監視データの実測値と評価データの実測値の組み合わせである学習データを複数用いて、ニューラルネットワークの学習を、前工程で設定された学習回数行う工程と、
(C)学習データの監視データの実測値を、直近の工程(B)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σL)、及び、ニューラルネットワークの学習結果の信頼性を確認するための監視データの実測値と評価データの実測値の組み合わせであるモニターデータの中の監視データの実測値を、直近の工程(B)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均2乗誤差(σM)を算出し、算出されたσLとσMの関係がσL≧σMである場合、工程(D)を実施し、算出されたσLとσMの関係がσL<σMである場合、工程(E)を実施する工程と、
(D)直近の工程(A)で設定された学習回数および再設定された直近のニューラルネットワークの学習回数のいずれの学習回数よりも大きい学習回数を新たな学習回数として再設定し、再度工程(B)〜(C)を実施する工程と、
(E)直近のニューラルネットワークの学習で実施された学習回数を減らした学習回数を、新たな学習回数として再設定する工程と、
(F)直近の工程(B)で用いられた学習データを用いて、ニューラルネットワークの学習を直近の工程(E)で設定された学習回数行う工程と、
(G)学習データの監視データの実測値を、直近の工程(F)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σL)、及び、モニターデータの中の監視データの実測値を、直近の工程(F)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均2乗誤差(σM)を算出し、算出されたσLとσMの関係がσL≧σMである場合、工程(I)を実施し、算出されたσLとσMの関係がσL<σMである場合、工程(H)を実施する工程と、
(H)直近の工程(F)におけるニューラルネットワークの学習回数が予め定めた数値を超えている場合、再度工程(E)〜(G)を実施し、直近の工程(F)におけるニューラルネットワークの学習回数が予め定めた数値以下の場合、工程(J)を実施する工程と、
(I)下記式(1)を用いて解析度判定値を算出し、該解析度判定値が予め定めた第一の設定値未満である場合、ニューラルネットワークの学習を終了し、学習済みのニューラルネットワークの入力層に、コンクリート製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力してコンクリートの品質またはコンクリートの配合条件を予測し、上記解析度判定値が予め定めた第一の設定値以上である場合、工程(J)を実施する工程と、
(J)工程(A)を実施した回数の大きさについての判定を行い、該回数が予め設定した回数以下である場合、学習条件の初期化を行って、再度工程(A)〜(I)を行い、該回数が予め設定した回数を超える場合、工程(K)を実施する工程と、
(K)工程(I)において算出した全ての解析度判定値のうち、最も小さい解析度判定値が予め定めた第二の設定値未満である場合、最も小さい解析度判定値を得ることができた工程(I)におけるニューラルネットワークを、学習済みのニューラルネットワークとした後、工程(L)を実施し、最も小さい解析度判定値が予め定めた第二の設定値以上である場合、コンクリートの品質またはコンクリートの配合条件を予測することはできないと判断して予測を終了する工程と、
(L)工程(I)において算出した全ての解析度判定値のうち、最も小さい解析度判定値を得ることができた工程(I)において、学習データとして使用した監視データの実測値と評価データの実測値の組み合わせについて無相関検定を行い、5%の有意水準で有意であると判断された監視データの種類が2種以上である場合、5%の有意水準で有意であると判断された監視データの全種類を座標軸とする座標空間に学習データとして使用した監視データの実測値をプロットし、座標空間において、プロットされた監視データ同士を結ぶことで形成される監視データの全てを包含する領域であって、該領域が最大となるように監視データ同士を結ぶことで形成される領域を、予測可能監視データ領域として設定した後、工程(M)を実施し、5%の有意水準で有意であると判断された監視データが0または1種類である場合、コンクリートの品質またはコンクリートの配合条件を予測することはできないと判断して予測を終了する工程と、
(M)コンクリート製造における監視データの実測値が、上記予測可能監視データ領域に含まれるかどうかを判定し、コンクリート製造における監視データの実測値が、上記予測可能監視データ領域に含まれる場合、工程(K)で得た学習済みのニューラルネットワークの入力層に、コンクリート製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力してコンクリートの品質またはコンクリートの配合条件を予測し、コンクリート製造における監視データの実測値が、上記予測可能監視データ領域に含まれない場合、コンクリートの品質またはコンクリートの配合条件を予測することはできないと判断して予測を終了する工程と、を含むことを特徴とするコンクリートの品質またはコンクリートの配合条件の予測方法。
[3] 上記ニューラルネットワークが、上記入力層と上記出力層の間に中間層を有する階層型のニューラルネットワークである前記[1]または[2]に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
[4] 上記監視データの値を人為的に変動させて得られた上記評価データの推測値に基づいて、コンクリートの製造条件を最適化する前記[1]〜[3]のいずれかに記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
[5] 上記監視データと上記評価データの組み合わせが、上記(i)の組み合わせであり、かつ、該組み合わせにおける評価データが、強度、スランプ、またはスランプフローである前記[1]〜[4]のいずれかに記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
[6] 上記(i)の組み合わせにおける監視データが、セメントのブレーン比表面積、ふるい試験残分量、色調a値、色調L値、セメントの鉱物組成、セメントの化学組成、モルタルフロー、混和剤量、及び単位水量の中から選ばれる一種以上である前記[5]に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
[7] 工程(A)の前に、(A−1)任意に選択した1種以上の監視データからなる監視データ集合体を、2種以上用意し、該2種以上の監視データ集合体の各々について、監視データの実測値と評価データの実測値の組み合わせである選択データを複数用いて、工程(A)〜(M)において用いられるニューラルネットワークとは異なる未学習のニューラルネットワークの学習を行い、得られたニューラルネットワークの入力層に、選択データの監視データの実測値を入力して得られた評価データの推測値と、選択データの評価データの実測値との平均2乗誤差を算出し、平均2乗誤差の数値が最も小さかった選択データにおける監視データを、工程(A)〜(M)における監視データとして用いる工程、を含む前記[1]〜[6]のいずれかに記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
また、得られた推測値を基にリアルタイムでコンクリートの品質またはコンクリートの配合条件を最適化することが可能であり、コンクリートの品質の安定化の向上を図ることができる。
さらに、ニューラルネットワークの学習を継続することによって、高い予測の精度を維持することができる。
本発明の予測方法は、コンクリートの製造における監視データの実測値を入力するための入力層と、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力するための出力層を有するニューラルネットワークを用いて、コンクリートの品質またはコンクリートの配合条件を予測する方法である。
本発明のニューラルネットワークは、入力層と出力層の間に中間層を有する階層型のニューラルネットワークであってもよい。
(i)上記監視データが、セメントに関するデータ、セメントの物理特性に関するデータ、セメント以外のコンクリートの材料に関するデータ、及びコンクリートの配合に関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、コンクリートの品質に関するデータである組み合わせ、または、
(ii)上記監視データが、セメントに関するデータ、セメントの物理特性に関するデータ、セメント以外のコンクリートの材料に関するデータ、コンクリートの配合に関するデータ、及びコンクリートの品質に関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、コンクリートの配合条件に関するデータである組み合わせ
また、セメントに含まれるセメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、及びセメントクリンカーに関するデータも、セメントに関するデータとして使用することができる。
これらは、「JIS R 5202(セメントの化学分析方法)」や「JIS R 5204(セメントの蛍光X線分析方法)」等の化学組成分析方法によって得ることができる。
これらは、光学顕微鏡や走査型電子顕微鏡の観察像を用いた測定;「JIS K 0131(X線回折分析通則)」に記載された各種鉱物組成定量方法を用いた分析;「JIS K 0129(熱分析通則)」に記載された各種熱分析法を用いた分析;ボーグの方法等による化学組成分値をもちいた推測;セメント色調等の化学組成以外のセメントの特性値を用いた推測;セメント製造工程での計量等の方法によって得ることができる。
これらは、光学顕微鏡法、各種電子顕微鏡法または粉末X線回折法等によって得ることができる。
ブレーン比表面積、粒度分布、及びふるい試験残分量は、「JIS R 5201(セメントの物理試験方法)」の比表面積試験または網ふるい試験による試験値、または、「JIS Z 8815(ふるい分け試験方法通則)」の方法によって得られる試験値若しくはレーザー回折・散乱法によって得られる粒度分布測定値である。
色調(色調L値、色調a値、色調b値)は、「JIS Z 8722(色の測定方法−反射及び透過物体色)」の方法等による測定値である。
ここで、セメントクリンカーの原料(調合原料または窯入原料)の化学組成とは、セメントクリンカーの原料中のSiO2、Al2O3、Fe2O3、CaO、MgO、SO3、Na2O、K2O、Na2Oeq(全アルカリ)、TiO2、P2O5、MnO、Cl、Cr、Zn、Pb、Cu、Ni、V、As、Zr、Mo、Sr、Ba、F等の含有率である。
ここで、セメントクリンカーの鉱物組成とは、3CaO・SiO2(C3S)、2CaO・SiO2(C2S)、3CaO・Al2O3(C3A)、4CaO・Al2O3・Fe2O3(C4AF)、f.CaO、f.MgO等の含有率である。また「2種以上の鉱物組成の比」としては、例えば、C3S/C2Sの比が挙げられる。
なお、セメントクリンカーの鉱物組成は、例えばXRD−リートベルト法によって得ることができる。
セメントクリンカーの化学組成とは、セメントクリンカー中のSiO2、Al2O3、Fe2O3、CaO、MgO、SO3、Na2O、K2O、Na2Oeq(全アルカリ)、TiO2、P2O5、MnO、Cl、Cr、Zn、Pb、Cu、Ni、V、As、Zr、Mo、Sr、Ba、F等の含有率である。
上述した「セメントに関するデータ」は、評価データの予測の精度を高める観点から、2種以上を用いることが好ましい。
セメントの密度、粉末度、凝結時間、安定性、強さ(モルタル圧縮強さ、曲げ強度)、流動性としては、「JIS R 5201(セメントの物理試験方法)」に記載の試験方法による測定値や、二重円筒型回転粘度計等による降伏値や、塑性粘度等のレオロジー特性の測定値や、セメントペーストまたはモルタルに関する各種流動性試験の測定値等が挙げられる。
セメントの水和熱としては、「JIS R 5203(セメントの水和熱測定方法(溶解熱方法))」に記載の試験方法による測定値等が挙げられる。
上述した「セメントの物理特性に関するデータ」は、評価データの予測の精度を高める観点から、2種以上を用いることが好ましい。
以下に、各コンクリートの材料の詳細を述べる。
セメントとしては、「JIS R 5210(ポルトランドセメント)」、「JIS R 5211(高炉セメント)」、「JIS R 5212(シリカセメント)」、「JIS R 5213(フライアッシュセメント)」、または「JIS R 5214(エコセメント)」の規定に適合するセメント;諸外国の国内規格の規定に適合するセメント;白色セメント等が挙げられる。
水としては、「JIS A 5308(レディーミクストコンクリート)」付属書Cの規定に適合する水等が挙げられる。
各種混和材料としては、「JIS A 6201(コンクリート用フライアッシュ)」、「JIS A 6202(コンクリート用膨張材)」、「JIS A 6204(コンクリート用化学混和剤)」、「JIS A 6205(鉄筋コンクリート用防せい剤)」、「JIS A 6206(コンクリート用高炉スラグ微粉末)」、「JIS A 5008(舗装用石灰石粉)」、「JIS K 5906(塗料用アルミニウム顔料)」の規定に適合する混和材料等が挙げられる。
上述した「セメント以外のコンクリートの材料に関するデータ」は、評価データの予測の精度を高める観点から、2種以上を用いることが好ましい。
粗骨材の最大寸法、水セメント比、空気量、及び細骨材率は、「JIS A 0203(コンクリート用語)」に規定されたものである。
単位水量、単位セメント量、単位細骨材量、単位粗骨材量、単位混和剤量、及び単位混和材量は、「JIS A 0203(コンクリート用語)」の“単位量”の規定に準じたものである。
上述した「コンクリートの配合に関するデータ」は、評価データの予測の精度を高める観点から、2種以上を用いることが好ましい。
なお、上記のコンクリートの圧縮強度や曲げ強度等、スランプ、スランプフロー、空気量、及び塩化物含有量は、「JIS A 5308(レディーミクストコンクリート)」に記載の試験方法で得られた測定値、または任意の配合、材齢において上記試験方法に準拠して得られる測定値であり、モルタル圧縮強さやモルタル曲げ強さは、「JIS R 5201(セメントの物理試験方法)」に記載の試験方法で得られた測定値、または任意の配合、材齢において上記試験方法に準拠して得られる測定値である。
ひび割れ抵抗性は、「JIS A 1151(拘束されたコンクリートの乾燥収縮ひび割れ試験方法)」に記載の試験方法による測定値、または任意の配合、材齢において上記試験方法に準拠して得られる測定値である。
動弾性係数、動せん断弾性係数、及び動ポアソン比は、「JIS A 1127(共鳴振動によるコンクリートの動弾性係数、動せん断弾性係数及び動ポアソン比試験方法)」等に記載の試験方法で得られる測定値である。
硬化体空隙量及び空隙径分布は、水銀圧入法による細孔分布によって得られる測定値である。
色調としては、「JIS Z 8722(色の測定方法−反射及び透過物体色)」の方法等によって得られる測定値等が挙げられる。
また、前記(ii)の組み合わせにおける監視データである「コンクリートの品質に関するデータ」は、前記(i)の組み合わせにおける評価データである、「コンクリートの品質に関するデータ」と同様である。なお、監視データとして「コンクリートの品質に関するデータ」を用いる場合、評価データの予測の精度を高める観点から、2種以上を用いることが好ましい。
なお、特定の種類の監視データ(評価データの予測の精度をより高めることできる、1種又は2種以上の監視データの組み合わせ)は、予測の対象となる評価データの種類によって異なるものである。
特定の種類の監視データは、予測の対象となる評価データと相関性の高いものを選択することが好ましい。特定の種類の監視データを選択する方法については、後述(工程(A−1))する。
以下、本発明の予測方法について、図1を参照しながら詳しく説明する。
[工程(A−1)]
本工程は、評価データの予測の精度をより高める目的で、工程(A)の前に任意に行われる工程である。
本工程では、任意に選択した1種以上の監視データからなる監視データ集合体を、2種以上用意し、該2種以上の監視データ集合体の各々について、工程(A)〜(M)において用いるのに好適な監視データを選択するための、監視データの実測値と評価データの実測値の組み合わせ(以下、「選択データ」ともいう。)を複数用いて、工程(A)〜(M)において用いられるニューラルネットワークとは異なる未学習のニューラルネットワークの学習を行い、得られたニューラルネットワークの入力層に、選択データの監視データの実測値を入力して得られた評価データの推測値と、選択データの評価データの実測値との平均2乗誤差(RMSE:Root Mean Squared Error)を算出し、平均2乗誤差の数値が最も小さかった選択データにおける監視データを、工程(A)〜(M)における監視データとして用いるものとする。
具体的には、選択用の複数のサンプルを用意し、該サンプルの監視データ(任意に選択した1種以上の監視データ)の実測値、及び予測の対象となる評価データの実測値を測定して、これらを選択データとして用いる。該選択データのうち、監視データの実測値をニューラルネットワークの入力層に入力して、出力層から出力された評価データの推測値と、該評価データの推測値に対応する選択データの評価データの実測値を比較評価してニューラルネットワークを修正することを、任意の学習回数行うことで、ニューラルネットワークの学習が行われる。
選択用のサンプルの数は、より高い精度で予測を行うことができる監視データを選択できる観点から、好ましくは10以上、より好ましくは14以上、さらに好ましくは16以上、特に好ましくは20以上である。サンプル数の上限は、特に限定されるものではないが、作業性の観点から、例えば、10,000である。
上記ニューラルネットワークの学習回数は、特に限定されるものではないが、好ましくは100〜2,000回、より好ましくは200〜1,500回である。
工程(A)において、学習回数の初期設定を実施する。設定される学習回数は、特に限定されるものではないが、好ましくは、ニューラルネットワークの過学習(オーバーラーニング)が発生する程度に、十分に大きな回数である。具体的には、通常5千〜100万回、好ましくは1万〜10万回である。
工程(A)では、ニューラルネットワークの過学習が発生する学習回数、具体的にはσL<σM(詳しくは後述する)となるような学習回数を設定することが好ましいが、後の工程において、学習回数の増減が行われるため、工程(A)において最初に設定される学習回数は、ニューラルネットワークの学習に通常行われる学習回数を用いても問題ない。
工程(A)終了後、工程(B)を実施する。
工程(B)では、学習用の監視データの実測値と評価データの実測値の組み合わせ(以下、「学習データ」ともいう。)を複数用いて、ニューラルネットワークの学習を、前工程で設定された学習回数行う。上記組み合わせの数は、例えば、5以上、好ましくは7以上である。上記組み合わせの数の上限は、特に限定されないが、例えば、1,000である。
ここで、「前工程で設定された学習回数」とは、工程(A)において設定される学習回数、または、工程(D)において再設定された新たな学習回数であって、直近の工程(工程(A)または工程(D))で設定された学習回数である。
具体的には、学習用の複数のサンプルを用意し、該サンプルの監視データの実測値、及び目的とする評価データの実測値を測定して、これらを学習データとして用いる。該学習データのうち、監視データの実測値をニューラルネットワークの入力層に入力して、出力層から出力された評価データの推測値と、該評価データの推測値に対応する学習データの評価データの実測値を比較評価してニューラルネットワークの修正することを、設定された学習回数行うことで、ニューラルネットワークの学習が行われる。
学習用のサンプルの数は、より高い精度で予測を行う観点から、好ましくは10以上、より好ましくは14以上、さらに好ましくは16以上、特に好ましくは20以上である。サンプル数の上限は、特に限定されるものではないが、作業性の観点から、例えば、10,000である。
なお、学習回数を変更して、ニューラルネットワークの再学習を行う際には、前回の学習の結果得られたニューラルネットワークは初期化され、再度学習が行われる。
工程(B)終了後、工程(C)を実施する。
工程(C)では、σLとσMが算出される。σLとσMの大小関係から、学習がニューラルネットワークの過学習が発生する程度に十分に大きな回数行われたか否かを判断することができる。
具体的には、学習データの監視データの実測値を、直近の工程(B)において学習が行われたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σL)を算出する。次いで、モニターデータの監視データの実測値を、直近の工程(B)において学習が行われたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの評価データの実測値との平均2乗誤差(σM)を算出する。その後、算出されたσLとσMの数値を比較することで、ニューラルネットワークの学習が十分に大きな回数で行われたか判断することができる。
ここで、モニターデータとは、学習データを得るために用いられたサンプルとは別のサンプルから得られた、監視データの実測値及び評価データの実測値の組み合わせであり、ニューラルネットワークの信頼性を確認するためのデータである。
モニターデータ(監視データの実測値及び評価データの実測値の組み合わせ)のサンプルの数は、作業性の観点から、学習データのサンプル数の好ましくは5〜50%、より好ましくは10〜30%である。
工程(D)では、直近の工程(A)で設定された学習回数および再設定された直近のニューラルネットワークの学習回数のいずれの学習回数よりも大きい学習回数を新たな学習回数として再設定する(例えば、直近の工程(B)で実施された学習回数に2.0を乗じた数を新たな学習回数として設定する。)。新たな学習回数を再設定した後、再度工程(B)〜(C)を実施する。
工程(E)では、直近のニューラルネットワークの学習で実施された学習回数を減らした学習回数を、新たな学習回数として再設定する(例えば、直近の工程(B)または工程(F)で実施された学習回数に0.95を乗じた数を新たな学習回数として設定する。)。
なお、直近のニューラルネットワークの学習とは、より近い過去に実施された学習を指す。具体的には、工程(B)もしくは後述の工程(F)のうち、より近い過去に実施された学習を指す。
工程(E)終了後、工程(F)を実施する。
工程(F)では、直近の工程(B)で用いられた学習データを用いて、ニューラルネットワークの学習を直近の工程(E)で設定された学習回数行う。
工程(F)で実施する内容は、ニューラルネットワークの学習を工程(E)において新たに設定された学習回数行う以外は、工程(B)と同じである。
工程(F)終了後、工程(G)を実施する。
工程(G)では、直近の工程(F)の学習において得られたニューラルネットワークを用いて終了判定を行う。具体的には学習データの監視データの実測値を、直近の工程(F)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σL)、及び、モニターデータの中の監視データの実測値を、直近の工程(F)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均2乗誤差(σM)を算出し、算出されたσLとσMの関係が、σL≧σMである場合(図1の終了判定における「Yes」)、直近に行った工程(F)の学習回数は、もはや十分に大きな回数ではないと判断することができる。この場合、後述する工程(I)を実施する。算出されたσLとσMの関係がσL<σMである場合(図1の終了判定における「No」)、直近に行った工程(F)の学習回数は、いまだ十分に大きな回数であったと判断することができる。この場合、後述する工程(H)を実施する。
工程(H)では、直近の工程(F)におけるニューラルネットワークの学習回数が予め定めた数値を超えていたかどうかの判定を行う。工程(H)は、工程(E)から工程(G)を無限に繰り返すことを回避するために行われる。工程(H)において直近に行った工程(F)におけるニューラルネットワークの学習回数が予め定めた数値を超えていた場合(図1における「Yes」)は、再度工程(E)〜(G)を実施する。工程(H)において直近に行った工程(F)の学習回数が予め定めた数値以下場合(図1における「No」)は、後述の工程(J)または(K)を実施する。
なお、上記予め定めた数値とは、特に限定されず、例えば、工程(E)で設定された学習回数の100分の1の数値以下、もしくは、1以下または0以下等が挙げられる。
工程(I)では解析度判定値が予め定めた第一の設定値未満であるか否かによって、解析度の判定を行うことができる。解析度判定値は下記式(1)を用いて算出される。
解析度の判定を行うことで学習を行ったニューラルネットワークを用いて、コンクリートの品質等の予測を高い精度で行うことができるか否かを判断することができる。
解析度判定値が予め定めた第一の設定値未満(図1の第一の解析度判定における「Yes」)であれば、解析は十分であると判断され、ニューラルネットワークの学習は終了する。
解析は十分であると判断された学習済みのニューラルネットワークは、本発明の予測方法に用いられる。
具体的には、学習済みのニューラルネットワークの入力層に、コンクリート製造における監視データの実測値を入力して、学習済みのニューラルネットワークの出力層から、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力することで、コンクリートの品質またはコンクリートの配合条件を予測することができる。
予め定めた第一の設定値は、特に限定されないが、より高い精度で予測を行う観点から、好ましくは6%以下、より好ましくは5%以下、特に好ましくは3%以下の値である。
なお、工程(A)〜(I)は、工程(I)において解析度判定値が予め定めた第一の設定値未満となるか、工程(J)において該回数が予め設定した回数を超えるまで繰り返される。工程(I)を実施するたびに得られる、解析度判定値及び学習済みのニューラルネットワークは、工程(K)において使用される。
工程(J)では、工程(A)を実施した回数が予め設定した数値以下であるかどうかの判定を実施する。判定を実施することによって、工程(A)から工程(I)を無限に繰り返すことを回避することができる。
工程(J)において、工程(A)を実施した回数が予め設定した回数以下(図1の回数判定における「Yes」)である場合、学習条件の初期化を行って、再度工程(A)〜(I)を行い、該回数が予め設定した回数を超える場合(図1の回数判定における「No」)、工程(K)を実施する。
予め設定した回数は、特に限定されないが、通常、5回以上である。予め設定した回数の上限は、工程(A)から工程(I)を多大に繰り返すことを防ぐ観点から、好ましくは100回以下である。
工程(K)では、工程(I)において算出した全ての解析度判定値のうち、最も小さい解析度判定値が予め定めた第二の設定値未満であるか否かによって、次の予測の実施の可否の判定を行うことができる。
工程(K)の判定を追加することで、工程(I)において、セメントの品質等の予測を高い精度で行うことはできないと判断された学習済みのニューラルネットワークであっても、後述する工程(L)〜(M)を実施することによって、セメントの品質等の予測を高い精度で行うことができるか否かを判断することができる。
最も小さい解析度判定値が予め定めた第二の設定値未満(図1の第二の解析度判定における「Yes」)である場合、最も小さい解析度判定値を得ることができた工程(I)におけるニューラルネットワークを、学習済みのニューラルネットワークとして得た後、工程(L)を実施する。
予め定めた第二の設定値は、上記第一の設定値よりも大きいものである。また、上限は、より高い精度で予測を行う観点から、好ましくは30%以下、より好ましくは20%である。
工程(L)では、工程(M)で用いられる予測可能監視データ領域を設定する。
最初に、工程(I)において算出した全ての解析度判定値のうち、最も小さい解析度判定値を得ることができた工程(I)において、学習データとして使用した監視データの実測値と評価データの実測値の組み合わせについて無相関検定を実施する。無相関検定において5%の有意水準で有意であると判断された監視データの種類が2種以上である場合(図1の無相関検定における「Yes」)、5%の有意水準で有意であると判断された監視データの全種類を座標軸とする座標空間を作成する。
例えば、5%の有意水準で有意であると判断された監視データが、セメントのブレーン比表面積とセメントのC3Sの量の二種類である場合、セメントのブレーン比表面積をx軸とし、セメントのC3Sの量をy軸とする座標空間を作成する(図2参照)。
5%の有意水準で有意であると判断された監視データが0または1種類である場合(図1の無相関検定における「No」)、セメントの品質または製造条件を予測することはできないと判断して予測を終了する。
工程(M)では、コンクリート製造における監視データの実測値と工程(L)で作成された座標空間を用いて、コンクリート製造における監視データの実測値と工程(K)で得た学習済みのニューラルネットワークによって、コンクリートの品質等の予測を高い精度で行うことができるか否かを判定することができる。
コンクリートの品質等の予測に使用される、コンクリート製造における監視データの実測値が、工程(L)で設定した予測可能監視データ領域に含まれる場合(図1の座標判定における「Yes」)、コンクリートの品質等の予測を高い精度で行うことができると判断し、工程(K)で得た学習済みのニューラルネットワークの入力層に、コンクリート製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力することで、コンクリートの品質またはコンクリートの配合条件を予測することができる。
コンクリート製造における監視データの実測値が、上記予測可能監視データ領域に含まれない場合(図1の座標判定における「No」)、コンクリートの品質またはコンクリートの配合条件を予測することはできないと判断して予測を終了する。
なお、コンクリート製造における監視データが、工程(L)で作成された座標空間の座標軸として用いられていない種類の監視データの実測値(無相関検定において5%の有意水準で有意であると判断されなかった監視データの種類)を含む場合、当該の座標軸として用いられていない種類の監視データからは、監視データの実測値に何ら制限は与えない。
本発明において、ニューラルネットワークの学習は、最初に十分に大きな学習回数(σL<σMとなる程度の学習回数)で学習を行った後、学習回数を減らしながら、ニューラルネットワークの学習をσL≧σMとなるまで繰り返すものである。該方法によれば、学習データにおいて評価データが不足している場合等の要因によって、σL、σMの数値にばらつきがある場合であっても、該ばらつきを修正することができ、ニューラルネットワークの学習を適切に行うことができる。
また、学習データのサンプル数が少ない等の理由により、工程(I)において、解析度判定値が所定の基準値を満たしていない場合であっても、入力層に入力されるコンクリート製造における監視データが予測可能監視データ領域に含まれる場合、この監視データと学習済みのニューラルネットワークを用いて、高い精度でコンクリートの品質等の予測を行うことができる。
また、得られた評価データの推測値に基づいて、コンクリート製造途中においてコンクリートの品質異常を早期に察知し、原料配合の修正や、混練方法、養生方法等における諸条件の最適化を行うことにより、適正な品質のコンクリートを製造することができる。
具体的には、コンクリートの圧縮強度の推測値に異常が認められた場合、原料配合の修正等を行うことで、コンクリートの圧縮強度を目的のものにすることができる。
また、評価データの推測値に基いて、製造上の目標を修正することも可能である。
例えば、コンクリートの圧縮強度が目標値に達しないと予測される場合、学習に用いた監視データ(因子)とコンクリートの圧縮強度の関係を解析して、使用原料、原料配合、養生方法等のコンクリートの製造処方を最適化することで、コンクリートの品質を目的のものにすることができる。
本発明において、ニューラルネットワークによる演算を行うためのソフトウェアとしては、例えば、OLSOFT社製の「Neural Network Library」(商品名)等が挙げられる。
[実施例1]
[コンクリートの材齢28日における圧縮強度の予測]
[使用材料]
使用材料としては、以下に示すとおりである。
(1)普通ポルトランドセメント:太平洋セメント社製
(2)細骨材:山口県山口市産の砕砂と佐賀県東松浦郡産の海砂を、1:1の質量比で混合してなる混合砂、密度2.59g/cm3
(3)粗骨材:福岡県北九州市産硬質砂岩砕石、最大寸法20mm、密度2.65g/cm3
(4)高性能AE減水剤:BASFジャパン製、商品名「マスターグレニウムSP8SV」
(5)消泡剤:BASFジャパン製、商品名「マスターエア404」
コンクリートの製造は、「JIS A 1138(試験室におけるコンクリートの作り方)」及び「JIS A 1108(コンクリートの強度試験用供試体の作り方)」に準拠して混練、供試体の作成、養生を行った後、材齢28日における圧縮強度を、「JIS A 1108(コンクリートの圧縮強度試験方法)」に準拠して測定した。
得られた材齢28日における圧縮強度を、選択データおよび学習データ(以下、単に「学習データ」ともいう。)における評価データの実測値とした。
なお、色調a値は、分光色差計(日本電色工業社製、「SE6000」)を用いて、「JIS Z 8722(色の測定方法−反射及び透過物体色)」に準拠して測定した反射測定の値である。
各鉱物の量は、粉末X線回折装置(ブルカー・エイエックスエス社製、「D8 ADVANCE)を用いて、測定範囲:2θ=10〜65°で測定を行い、リ−トベルト解析ソフト(ブルカー・エイエックスエス社製、「DIFFRACplusTOPAS(Ver.3)」)によって計算されたC3S、C2S、C3A、及びC4AFの量である。
上述した監視データ(セメントのブレーン比表面積、31μm網ふるい試験残分量、色調a値、C3S、C2S、C3A、及びC4AFの量、P2O5量)のうち、表1に示す監視データを選択した条件1〜4(監視データ集合体1〜4)の各々について(表1中、選択した監視データを「○」で示す。)、選択した監視データの実測値と、評価データの実測値を用いて、未学習のニューラルネットワークの学習を行った。該学習は1200回行った。
学習後のニューラルネットワークの入力層に、選択した監視データの実測値を入力して得られた評価データの推測値と、評価データの実測値との平均2乗誤差(表1中、「RMSE」と示す。)を算出した。
結果を表1に示す。
条件1〜4のうち、平均2乗誤差の値が最も小さかった条件1において選択した監視データの組み合わせ(ブレーン比表面積、31μm網ふるい試験残分量、色調a値、C3S、C2S、C3A、及びC4AFの量、P2O5量)を、ニューラルネットワークの学習に用いられる監視データ(学習データおよびモニターデータ)とした。
ニューラルネットワークの学習は、最初に上記学習データとモニターデータを用いて10,000回行った。得られたニューラルネットワークを用いて、σLとσMを算出したところ、σLとσMの関係はσL<σMであった。
その後、ニューラルネットワークを初期化し、上記学習データとモニターデータを用いて、ニューラルネットワークの学習を前記学習回数に0.95を乗じた数の学習回数(端数切捨て)行うことを、学習後のニューラルネットワークを用いて算出されたσLとσMの関係がσL≧σMとなるまで繰り返した。
その結果、解析度判定値は、1.67%となったので、学習を終了した。
一方、得られた学習済みのニューラルネットワークの入力層に、普通ポルトランドセメントAのブレーン比表面積、31μm網ふるい試験残分量、色調a値、各鉱物の量、及びP2O5量を入力し、材齢28日におけるコンクリートの圧縮強度の推測値を出力した。
得られた推測値は、58.3±2.9N/mm2(偏差は3σを示す。)であり、実測値と推測値は、ほぼ一致した。
実施例1で使用した147個(学習用サンプル134個+モニター用サンプル13個)の普通ポルトランドセメントに関するデータを母集団とし、コンクリートの材齢28日における圧縮強度との高い相関を有するセメントに関するデータ(セメントキャラクター)であった、セメントのブレーン比表面積、31μm網ふるい試験残分量、及び各鉱物の量(C3S、C2S、C3A、及びC4AFの量)を説明変数とした重回帰分析を行い、下記回帰式(決定係数R2=0.20)を得た。
(コンクリートの材齢28日における圧縮強度(N/mm2))=0.005×(セメントのブレーン比表面積(cm2/g))+(−0.3)×(31μm網ふるい試験残分量(質量%))+0.2×(C3S量(質量%))+(−0.2)×(C2S量(質量%))+0.3×(C3A量(質量%))+0.2×(C4AF量(質量%))+91
上記回帰式に、実施例1で使用した普通ポルトランドセメントAのブレーン比表面積、31μm網ふるい試験残分量、及び各鉱物の量を、各々、代入して得られた材齢28日におけるコンクリートの圧縮強度の推測値は、58.9±5.2N/mm2(偏差は3σを示す。)であった。
[コンクリートのスランプの予測]
[使用材料1]
コンクリートの使用材料(普通ポルトランドセメント、細骨材、粗骨材、高性能AE減水剤、消泡剤)は実施例1の使用材料と同じである。
[使用材料2]
また、モニターデータにおける監視データとして用いたモルタルフロー試験でのモルタルの使用材料は、以下に示すとおりである。
(6)普通ポルトランドセメント:太平洋セメント社製(上記(1)と同じ。)
(7)細骨材:一般社団法人セメント協会(販売元)セメント強さ試験用標準砂
(8)高性能減水剤:花王株式会社製、商品名「マイティ150」
(9)消泡剤:株式会社小野田製、商品名「ニコフィックス800」
各材料の配合量は、単位セメント量が330kg/m3、細骨材率が45質量%、単位水量が165kg/m3、高性能減水剤がセメント100質量%に対して0.7質量%となるようにした。また、空気量が2%以下となるように消泡剤の添加量を調整したコンクリートを製造し、混練直後のコンクリートのスランプを測定した。
コンクリートの製造は、「JIS A 1138(試験室におけるコンクリートの作り方)」に準拠して行った。また、コンクリートのスランプは、「JIS A 1101(コンクリートのスランプ試験方法)」に準拠して測定した。
得られたスランプを評価データの実測値(選択データおよび学習データ)とした。
なお、各鉱物の量は、粉末X線回折装置(ブルカー・エイエックスエス株式会社製D8 ADVANCE)にて、測定範囲:2θ=10〜65°の範囲で測定を行い、リ−トベルト解析ソフト(ブルカー・エイエックスエス株式会社製DIFFRACplusTOPAS(Ver.3))によって計算されたC3SとC3Aの量であり、モルタルフローは、以下の方法による混練直後の値と混練30分後の値である。
[モルタルフロー試験]
上記材料を、水セメント比が0.35、細骨材とセメントの質量比(細骨材/セメント)が2.0、高性能減水剤がセメント100質量%に対して1.2質量%、消泡剤がセメント100質量%に対して0.1質量%となるように混合して調製したモルタルについて、「JIS A 1171(ポリマーセメントモルタルの試験方法)」のフロー試験に準拠して、混練直後と混練30分後のモルタルフローを測定した。
上述した監視データ(セメントのブレーン比表面積、31μm網ふるい試験残分量、C3S及びC3Aの量、モルタルフロー(直後、30分後))のうち、表2に示す監視データを選択した条件1〜4の各々について(表2中、選択した監視データを「○」で示す。)、選択した監視データの実測値と、評価データの実測値を用いて、未学習のニューラルネットワークの学習を行った。該学習は900回行った。
学習後のニューラルネットワークの入力層に、選択した監視データの実測値を入力して得られた評価データの推測値と、評価データの実測値との平均2乗誤差(表2中、「RMSE」と示す。)を算出した。
結果を表2に示す。
条件1〜4のうち、平均2乗誤差の値が最も小さかった条件1において選択した監視データの組み合わせ(セメントのブレーン比表面積、31μm網ふるい試験残分量、C3S及びC3Aの量、モルタルフロー(直後、30分後))を、ニューラルネットワークの学習に用いられる監視データ(学習データおよびモニターデータ)とした。
さらに、上記2個の普通ポルトランドセメントのブレーン比表面積、31μm網ふるい試験残分量、各鉱物の量、及びモルタルフローを学習データと同様に測定して、モニターデータ(監視データの実測値)とした。
ニューラルネットワークの学習は、最初に上記学習データとモニターデータを用いて10,000回行った。得られたニューラルネットワークを用いて、σLとσMを算出したところ、σLとσMの関係はσL<σMであった。
その後、ニューラルネットワークを初期化し、上記学習データとモニターデータを用いて、ニューラルネットワークの学習を前記学習回数に0.95を乗じた数の学習回数(端数切捨て)行うことを、学習後のニューラルネットワークを用いて算出されたσLとσMの関係がσL≧σMとなるまで繰り返した。その結果、解析度判定値は、3.82%となったので、学習を終了した。
上記サンプルとは異なる普通ポルトランドセメントBを用いて、上記学習プロセスで使用したコンクリートと同一の条件で製造したコンクリートについて、スランプを測定した。その結果は、9.0cmであった。
一方、学習用サンプル及びモニター用のサンプルとして用いた20個の普通ポルトランドセメントのブレーン比表面積、31μm網ふるい試験残分量、各鉱物の量、及びモルタル流動性を、得られた学習済みのニューラルネットワークの入力層に入力し、出力層より、スランプの推測値を出力した。
得られたスランプの推測値は、8.4±0.9cm(偏差は3σを示す。)であった。
実施例2で使用した20個(学習用サンプル18個+モニター用サンプル2個)の普通ポルトランドセメントに関するデータを母集団とし、コンクリートのスランプとの高い相関を有するセメントに関するデータ(セメントキャラクター)及びセメントの物理特性に関するデータであった、セメントのブレーン比表面積、31μm網ふるい試験残分量、各鉱物の量(C3S及びC3Aの量)、及びモルタルフロー(直後、30分後)を説明変数とした重回帰分析を行い、下記回帰式(決定係数R2=0.47)を得た。
(コンクリートのスランプ(cm))=(−0.0002)×(セメントのブレーン比表面積(cm2/g))+(−0.2)×(31μm網ふるい試験残分量(質量%))+0.03×(C3S量(質量%))+(−0.4)×(C3A量(質量%))+0.002×(モルタルフロー(直後)値(mm))+0.01×(モルタルフロー(30分後)値(mm))+15
上記回帰式に、実施例2で使用した20個の普通ポルトランドセメントのブレーン比表面積、31μm網ふるい試験残分量、各鉱物の量、及びモルタルフローを代入して得られたスランプの推測値は、8.0±1.5cm(偏差は3σを示す。)であった。
さらに、コンクリートのスランプの予測に関する実施例2で得られた推測値(8.4±0.9cm)と、比較例2で得られた推測値(8.0±1.5cm)を比較すると、実施例2は比較例2よりも、評価データの実測値(9.0cm)に近く、また、信頼性が高いことがわかる。
[コンクリートのスランプの予測]
[使用材料1]
コンクリートの使用材料(普通ポルトランドセメント、高性能AE減水剤、細骨材、粗骨材、消泡剤)は実施例1の使用材料と同じである(以下、実施例4〜6においても同様)。
[使用材料2]
また、モニターデータにおける監視データとして用いたモルタルフロー試験でのモルタルの使用材料は、実施例2の使用材料と同じである(以下、実施例4〜6においても同様)。
各材料の配合量は、単位セメント量が330kg/m3、細骨材率が45質量%、単位水量が165kg/m3、高性能AE減水剤の量がコンクリート100質量%中、0.5〜1.0質量%となるようにした。また、空気量が2%以下となるように消泡剤の添加量を調整した。混練直後のコンクリートのスランプを実施例2と同様にして測定した。
得られたスランプを評価データの実測値(選択データおよび学習データ)とした。
なお、高性能AE減水剤の量は、学習用サンプルとして製造したコンクリートにおいて目標スランプを8±1cmとして添加した量である。
また、各鉱物の量は、上記15個の普通ポルトランドセメントについて、実施例2と同様にして計算したC3S及びC3Aの量である。
また、モルタルフローは、上記15個の普通ポルトランドセメントについて、実施例2と同様にして測定した混練直後の値と混練30分後(混練の終了時から30分後)の値である。
上述した監視データ(高性能AE減水剤の量、C3S及びC3Aの量、モルタルフロー(直後、30分後))のうち、表3に示す監視データを選択した条件1〜4の各々について(表3中、選択した監視データを「○」で示す。)、選択した監視データの実測値と、評価データの実測値を用いて、未学習のニューラルネットワークの学習を行った。該学習は1300回行った。
学習後のニューラルネットワークの入力層に、選択した監視データの実測値を入力して得られた評価データの推測値と、評価データの実測値との平均2乗誤差(表3中、「RMSE」と示す。)を算出した。
結果を表3に示す。
条件1〜4のうち、平均2乗誤差の値が最も小さかった条件1において選択した監視データの組み合わせ(高性能AE減水剤の量、C3S及びC3Aの量、モルタルフロー(直後、30分後))を、ニューラルネットワークの学習に用いられる監視データ(学習データおよびモニターデータ)とした。
さらに、上記2個の普通ポルトランドセメントを用いたコンクリートの高性能AE減水剤の量、上記2個の普通ポルトランドセメントの各鉱物の量、及び上記2個の普通ポルトランドセメントを用いたモルタルフローを、学習データと同様にして得て、モニターデータ(監視データの実測値)とした。
ニューラルネットワークの学習は、最初に上記学習データとモニターデータを用いて10,000回行った。得られたニューラルネットワークを用いて、σLとσMを算出したところ、σLとσMの関係はσL<σMであった。
その後、ニューラルネットワークを初期化し、上記学習データとモニターデータを用いて、ニューラルネットワークの学習を、前記学習回数に0.95を乗じた数の学習回数(端数切捨て)行うことを、学習後のニューラルネットワークを用いて算出されたσLとσMの関係がσL≧σMとなるまで繰り返した。その結果、解析度判定値は、2.56%となったので、学習を終了した。
上記サンプルとは異なる普通ポルトランドセメントBを用いて、上記学習プロセスで使用したコンクリートと同一の条件で製造したコンクリートについて、スランプを測定した。その結果は、8.5cmであった。
一方、学習データおよびモニターデータにおける、17個の監視データの実測値の組み合わせ(高性能AE減水剤の量、各鉱物の量、及びモルタルフローの組み合わせ)を、得られた学習済みのニューラルネットワークの入力層に入力し、出力層より、スランプの推測値を出力した。
得られたスランプの推測値は、8.2±0.6cm(偏差は3σを示す。)であり、実測値と予測値はほぼ一致した。
実施例3で使用した17個(学習用サンプル15個+モニター用サンプル2個)の普通ポルトランドセメントに関するデータを母集団とし、コンクリートのスランプとの高い相関を有する、コンクリートの配合に関するデータ、セメントに関するデータ、及び、セメントの物理特性に関するデータであった、高性能AE減水剤の量、各鉱物の量(C3S及びC3Aの量)、及びモルタルフロー(直後、30分後)を説明変数とした重回帰分析を行い、下記回帰式(決定係数R2=0.42)を得た。
(コンクリートのスランプ(cm))=(8.95)×(高性能AE減水剤の量(質量%))+(0.04)×(C3S量(質量%))−1.09×(C3A量(質量%))+1.9×10−3×(モルタルフロー(直後)値(mm))−1.5×10−3×(モルタルフロー(30分後)値(mm))+10.7
上記回帰式に、実施例3で使用した17個の普通ポルトランドセメントに関するデータである、高性能AE減水剤の量、各鉱物の量、及びモルタルフローを代入して得られたスランプの推測値は、8.1±1.4cm(偏差は3σを示す。)であった。
[コンクリートのスランプの予測]
選択用および学習用サンプルとしてサンプリング日の異なる15個の普通ポルトランドセメントについて、上記材料を用いてコンクリートを製造した。
各材料の配合量は、水とセメントの質量比(水/セメント)が0.3、細骨材率が45質量%、高性能AE減水剤の量がセメント100質量%に対して0.7質量%となるようにした。また、空気量が2%以下となるように消泡剤の添加量を調整したコンクリートを製造し、混練直後のコンクリートのスランプを測定した。
なお、コンクリートの製造およびスランプの測定方法は実施例2と同じである。
得られたスランプを評価データの実測値(選択データおよび学習データ)とした。
なお、単位水量は、学習用サンプルとして製造したコンクリートにおいて、所要のスランプ(8±1cm)を得ることができる範囲でできるだけ小さくなるよう試験を行って調整した値である。
また、各鉱物の量は、上記15個の普通ポルトランドセメントについて、実施例2と同様にして計算したC3S及びC3Aの量である。
また、モルタルフローは、上記15個の普通ポルトランドセメントについて、実施例2と同様にして測定した混練直後の値と混練30分後の値である。
上述した監視データ(単位水量、C3S及びC3Aの量、及びモルタルフロー(直後、30分後))のうち、表4に示す監視データを選択した条件1〜4の各々について(表4中、選択した監視データを「○」で示す。)、監視データの実測値と、評価データの実測値を用いて、未学習のニューラルネットワークの学習を行った。該学習は800回行った。
学習後のニューラルネットワークの入力層に、選択した監視データの実測値を入力して得られた評価データの推測値と、評価データの実測値との平均2乗誤差(表4中、「RMSE」と示す。)を算出した。
結果を表4に示す。
条件1〜4のうち、平均2乗誤差の値が最も小さかった条件1において選択した監視データの組み合わせ(単位水量、C3S及びC3Aの量、モルタルフロー(直後、30分後))を、ニューラルネットワークの学習に用いられる監視データ(学習データおよびモニターデータ)とした。
さらに、上記2個の普通ポルトランドセメントを用いたコンクリートの単位水量、上記2個の普通ポルトランドセメントの各鉱物の量、及び上記2個の普通ポルトランドセメントを用いたモルタルフローを、学習データと同様に測定して、モニターデータ(監視データの実測値)とした。
ニューラルネットワークの学習は、最初に上記学習データとモニターデータを用いて10,000回行った。得られたニューラルネットワークを用いて、σLとσMを算出したところ、σLとσMの関係はσL<σMであった。
その後、ニューラルネットワークを初期化し、上記学習データとモニターデータを用いて、ニューラルネットワークの学習を、前記学習回数に0.95を乗じた数の学習回数(端数切捨て)行うことを、学習後のニューラルネットワークを用いて算出されたσLとσMの関係がσL≧σMとなるまで繰り返した。その結果、解析度判定値は、4.66%となったので、学習を終了した。
上記サンプルとは異なる普通ポルトランドセメントBを用いて、上記学習プロセスで使用したコンクリートと同一の条件で製造したコンクリートについて、スランプを測定した。その結果は、7.5cmであった。
一方、学習データおよびモニターデータにおける、17個の監視データの実測値の組み合わせ(単位水量、各鉱物の量、及びモルタルフローの組み合わせ)を、得られた学習済みのニューラルネットワークの入力層に入力し、出力層より、スランプの推測値を出力した。
得られたスランプの推測値は、7.3±1.2cm(偏差は3σを示す。)であり、実測値と予測値はほぼ一致した。
実施例4で使用した17個(学習用サンプル15個+モニター用サンプル2個)の普通ポルトランドセメントに関するデータを母集団とし、コンクリートのスランプとの高い相関を有する、コンクリートの配合に関するデータ、セメントに関するデータ、及び、セメントの物理特性に関するデータであった、単位水量、各鉱物の量(C3S及びC3Aの量)、及びモルタルフロー(直後、30分後)を説明変数とした重回帰分析を行い、下記回帰式(決定係数R2=0.47)を得た。
(コンクリートのスランプ(cm))=(0.16)×(単位水量(kg/m3))−(0.15)×(C3S量(質量%))+1.20×(C3A量(質量%))−0.01×(モルタルフロー(直後)値(mm))+0.02×(モルタルフロー(30分後)値(mm))+2.82
上記回帰式に、実施例4で使用した17個の普通ポルトランドセメントに関するデータである単位水量、各鉱物の量、及びモルタルフローを代入して得られたスランプの推測値は、7.1±1.7cm(偏差は3σを示す。)であった。
[スランプフローの予測]
選択用および学習用サンプルとしてサンプリング日の異なる15個の普通ポルトランドセメントについて、上記材料を用いてコンクリートを製造した。
各材料の配合量は、単位セメント量が330kg/m3、細骨材率が45質量%、単位水量が165kg/m3となるようにした。また、空気量が2%以下となるように消泡剤の添加量を調整したコンクリートを製造し、混練直後のコンクリートのスランプフローを測定した。
コンクリートの製造方法は実施例2と同じである。スランプフローは「JIS A 1150(コンクリートのスランプフロー試験方法)」に準拠して測定した。
得られたスランプフローを評価データの実測値(選択データおよび学習データ)とした。
これらのデータを得る方法は、実施例3と同じである。
上述した監視データ(高性能AE減水剤の量、C3S及びC3Aの量、モルタルフロー(直後、30分後))のうち、表5に示す監視データを選択した条件1〜4の各々について(表5中、選択した監視データを「○」で示す。)、監視データの実測値と、評価データの実測値を用いて、未学習のニューラルネットワークの学習を行った。該学習は1500回行った。
学習後のニューラルネットワークの入力層に、選択した監視データの実測値を入力して得られた評価データの推測値と、評価データの実測値との平均2乗誤差(表5中、「RMSE」と示す。)を算出した。
結果を表5に示す。
条件1〜4のうち、平均2乗誤差の値が最も小さかった条件1において選択した監視データの組み合わせ(高性能AE減水剤の量、C3S及びC3Aの量、モルタルフロー(直後、30分後))を、ニューラルネットワークの学習に用いられる監視データ(学習データおよびモニターデータ)とした。
さらに、上記2個の普通ポルトランドセメントを用いたコンクリートの高性能AE減水剤量、上記2個の普通ポルトランドセメントの各鉱物の量、及び上記2個の普通ポルトランドセメントを用いたモルタルフローを、学習データと同様に測定して、モニターデータ(監視データの実測値)とした。
ニューラルネットワークの学習は、最初に上記学習データとモニターデータを用いて10,000回行った。得られたニューラルネットワークを用いて、σLとσMを算出したところ、σLとσMの関係はσL<σMであった。
その後、ニューラルネットワークを初期化し、上記学習データとモニターデータを用いて、ニューラルネットワークの学習を、前記学習回数に0.95を乗じた数の学習回数(端数切捨て)行うことを、学習後のニューラルネットワークを用いて算出されたσLとσMの関係がσL≧σMとなるまで繰り返した。その結果、解析度判定値は、0.34%となったので、学習を終了した。
上記サンプルとは異なる普通ポルトランドセメントBを用いて、上記学習プロセスで使用したコンクリートと同一の条件で製造したコンクリートについて、スランプフローを測定した。その結果は、58.5cmであった。
一方、学習データおよびモニターデータにおける、17個の監視データの実測値の組み合わせ(高性能AE減水剤の量、各鉱物の量、及び、モルタルフローの組み合わせ)を、得られた学習済みのニューラルネットワークの入力層に入力し、出力層より、スランプフローの推測値を出力した。
得られたスランプフローの推測値は、58.6±0.6cm(偏差は3σを示す。)であり、実測値と予測値はほぼ一致した。
実施例5で使用した17個(学習用サンプル15個+モニター用サンプル2個)の普通ポルトランドセメントに関するデータを母集団とし、コンクリートのスランプフローとの高い相関を有する、コンクリートの配合に関するデータ、セメントに関するデータ、及び、セメントの物理特性に関するデータであった、高性能AE減水剤の量、各鉱物の量(C3S及びC3Aの量)、及びモルタルフロー(直後、30分後)を説明変数とした重回帰分析を行い、下記回帰式(決定係数R2=0.51)を得た。
(コンクリートのスランプフロー(cm))=(15.9)×(高性能AE減水剤の量(質量%))−(0.11)×(C3S量(質量%))−(0.19)×(C3A量(質量%))+(0.05)×(モルタルフロー(直後)値(mm))−(0.02)×(モルタルフロー(30分後)値(mm))+33.9
上記回帰式に、実施例5で使用した17個の普通ポルトランドセメントに関するデータである、高性能AE減水剤の量、各鉱物の量、及びモルタルフローを代入して得られたスランプフローの推測値は、59.1±1.6cm(偏差は3σを示す。)であった。
[スランプフローの予測]
選択用および学習用サンプルとしてサンプリング日の異なる15個の普通ポルトランドセメントについて、上記材料を用いてコンクリートを製造した。
各材料の配合量は、水とセメントの質量比(水/セメント)が0.3、細骨材率が45質量%、高性能AE減水剤の量がセメント100質量%に対して0.7質量%となるようにした。また、空気量が2%以下となるように消泡剤の添加量を調整したコンクリートを製造し、混練直後のコンクリートのスランプフローを測定した。
コンクリートの製造およびスランプフローの測定方法は実施例5と同じである。
得られたスランプフローを評価データの実測値(選択データおよび学習データ)とした。
これらのデータを得る方法は、実施例4と同じである。
上述した監視データ(単位水量、C3S及びC3Aの量、及びモルタルフロー(直後、30分後))のうち、表6に示す監視データを選択した条件1〜4の各々について(表6中、選択した監視データを「○」で示す。)、監視データの実測値と、評価データの実測値を用いて、未学習のニューラルネットワークの学習を行った。該学習は900回行った。
学習後のニューラルネットワークの入力層に、選択した監視データの実測値を入力して得られた評価データの推測値と、評価データの実測値との平均2乗誤差(表6中、「RMSE」と示す。)を算出した。
結果を表6に示す。
条件1〜4のうち、平均2乗誤差の値が最も小さかった条件1において選択した監視データの組み合わせ(単位水量、C3S及びC3Aの量、モルタルフロー(直後、30分後))を、ニューラルネットワークの学習に用いられる監視データ(学習データおよびモニターデータ)とした。
さらに、上記2個の普通ポルトランドセメントを用いたコンクリートの単位水量、上記2個の普通ポルトランドセメントの各鉱物の量、及び上記2個の普通ポルトランドセメントを用いたモルタルフローを、学習データと同様に測定して、モニターデータ(監視データの実測値)とした。
ニューラルネットワークの学習は、最初に上記学習データとモニターデータを用いて10,000回行った。得られたニューラルネットワークを用いて、σLとσMを算出したところ、σLとσMの関係はσL<σMであった。
その後、ニューラルネットワークを初期化し、上記学習データとモニターデータを用いて、ニューラルネットワークの学習を、前記学習回数に0.95を乗じた数の学習回数(端数切捨て)行うことを、学習後のニューラルネットワークを用いて算出されたσLとσMの関係がσL≧σMとなるまで繰り返した。その結果、解析度判定値は、1.07%となったので、学習を終了した。
上記サンプルとは異なる普通ポルトランドセメントBを用いて、上記学習プロセスで使用したコンクリートと同一の条件で製造したコンクリートについて、スランプフローを測定した。その結果は、59.8cmであった。
一方、学習データおよびモニターデータにおける、17個の監視データの実測値の組み合わせ(単位水量、各鉱物の量、及びモルタルフローの組み合わせ)を、得られた学習済みのニューラルネットワークの入力層に入力し、出力層よりスランプフローの推測値を出力した。
得られたスランプフローの推測値は、59.6±1.0cm(偏差は3σを示す。)であり、実測値と予測値はほぼ一致した。
実施例6で使用した17個(学習用サンプル15個+モニター用サンプル2個)の普通ポルトランドセメントに関するデータを母集団とし、コンクリートのスランプフローとの高い相関を有する、コンクリートの配合に関するデータ、セメントに関するデータ、及び、セメントの物理特性に関するデータであった、単位水量、各鉱物の量(C3S及びC3Aの量)、及びモルタルフロー(直後、30分後)を説明変数とした重回帰分析を行い、下記回帰式(決定係数R2=0.39)を得た。
(コンクリートのスランプフロー(cm))=(0.03)×(単位水量(kg/m3))−(0.03)×(C3S量(質量%))−1.55×(C3A量(質量%))−3.1×10−3×(モルタルフロー(直後)値(mm))−4.2×10−4×(モルタルフロー(30分後)値(mm))+18.4
上記回帰式に、実施例6で使用した17個の普通ポルトランドセメントに関するデータである単位水量、各鉱物の量、及びモルタルフローを代入して得られたスランプフローの推測値は、59.0±2.1cm(偏差は3σを示す。)であった。
コンクリートのスランプの予測に関する実施例4で得られた推測値(7.3±1.2cm)と、比較例4で得られた推測値(7.1±1.7cm)を比較すると、実施例4は比較例4よりも、評価データの実測値(7.5cm)に近く、また、信頼性が高いことがわかる。
さらに、コンクリートのスランプフローの予測に関する実施例5で得られた推測値(58.6±0.6cm)と、比較例5で得られた推測値(59.1±1.6cm)を比較すると、実施例5は比較例5よりも、評価データの実測値(58.5cm)に近く、また、信頼性が高いことがわかる。
コンクリートのスランプフローの予測に関する実施例6で得られた推測値(59.6±1.0cm)と、比較例6で得られた推測値(59.0±2.1cm)を比較すると、実施例6は比較例6よりも、評価データの実測値(59.8cm)に近く、また、信頼性が高いことがわかる。
Claims (7)
- 入力層及び出力層を有するニューラルネットワークを用いたコンクリートの品質またはコンクリートの配合条件の予測方法であって、
上記入力層は、コンクリート製造における監視データの実測値を入力するためのものであり、上記出力層は、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力するためのものであり、
上記監視データと上記評価データの組み合わせが、
(i)上記監視データが、セメントに関するデータ、セメントの物理特性に関するデータ、セメント以外のコンクリートの材料に関するデータ、及びコンクリートの配合に関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、コンクリートの品質に関するデータである組み合わせ、または、
(ii)上記監視データが、セメントに関するデータ、セメントの物理特性に関するデータ、セメント以外のコンクリートの材料に関するデータ、コンクリートの配合に関するデータ、及びコンクリートの品質に関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、コンクリートの配合条件に関するデータである組み合わせ、であり、
(A)学習回数の初期設定を行う工程と、
(B)監視データの実測値と評価データの実測値の組み合わせである学習データを複数用いて、ニューラルネットワークの学習を、前工程で設定された学習回数行う工程と、
(C)学習データの監視データの実測値を、直近の工程(B)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σL)、及び、ニューラルネットワークの学習結果の信頼性を確認するための監視データの実測値と評価データの実測値の組み合わせであるモニターデータの中の監視データの実測値を、直近の工程(B)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均2乗誤差(σM)を算出し、算出されたσLとσMの関係がσL≧σMである場合、工程(D)を実施し、算出されたσLとσMの関係がσL<σMである場合、工程(E)を実施する工程と、
(D)直近の工程(A)で設定された学習回数および再設定された直近のニューラルネットワークの学習回数のいずれの学習回数よりも大きい学習回数を新たな学習回数として再設定し、再度工程(B)〜(C)を実施する工程と、
(E)直近のニューラルネットワークの学習で実施された学習回数を減らした学習回数を、新たな学習回数として再設定する工程と、
(F)直近の工程(B)で用いられた学習データを用いて、ニューラルネットワークの学習を直近の工程(E)で設定された学習回数行う工程と、
(G)学習データの監視データの実測値を、直近の工程(F)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σL)、及び、モニターデータの中の監視データの実測値を、直近の工程(F)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均2乗誤差(σM)を算出し、算出されたσLとσMの関係がσL≧σMである場合、工程(I)を実施し、算出されたσLとσMの関係がσL<σMである場合、工程(H)を実施する工程と、
(H)直近の工程(F)におけるニューラルネットワークの学習回数が予め定めた数値を超えている場合、再度工程(E)〜(G)を実施し、直近の工程(F)におけるニューラルネットワークの学習回数が予め定めた数値以下の場合、工程(J)を実施する工程と、
(I)下記式(1)を用いて解析度判定値を算出し、該解析度判定値が予め定めた第一の設定値未満である場合、ニューラルネットワークの学習を終了し、学習済みのニューラルネットワークの入力層に、コンクリート製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力してコンクリートの品質またはコンクリートの配合条件を予測し、上記解析度判定値が予め定めた第一の設定値以上である場合、工程(J)を実施する工程と、
(J)工程(A)を実施した回数の大きさについての判定を行い、該回数が予め設定した回数以下である場合、学習条件の初期化を行って、再度工程(A)〜(I)を行い、該回数が予め設定した回数を超える場合、工程(K)を実施する工程と、
(K)工程(I)において算出した全ての解析度判定値のうち、最も小さい解析度判定値が予め定めた第二の設定値未満である場合、最も小さい解析度判定値を得ることができた工程(I)におけるニューラルネットワークを、学習済みのニューラルネットワークとした後、工程(L)を実施し、最も小さい解析度判定値が予め定めた第二の設定値以上である場合、コンクリートの品質またはコンクリートの配合条件を予測することはできないと判断して予測を終了する工程と、
(L)工程(I)において算出した全ての解析度判定値のうち、最も小さい解析度判定値を得ることができた工程(I)において、学習データとして使用した監視データの実測値と評価データの実測値の組み合わせについて無相関検定を行い、5%の有意水準で有意であると判断された監視データの種類が2種以上である場合、5%の有意水準で有意であると判断された監視データの全種類を座標軸とする座標空間に学習データとして使用した監視データの実測値をプロットし、座標空間において、プロットされた監視データ同士を結ぶことで形成される監視データの全てを包含する領域であって、該領域が最大となるように監視データ同士を結ぶことで形成される領域を、予測可能監視データ領域として設定した後、工程(M)を実施し、5%の有意水準で有意であると判断された監視データが0または1種類である場合、コンクリートの品質またはコンクリートの配合条件を予測することはできないと判断して予測を終了する工程と、
(M)コンクリート製造における監視データの実測値が、上記予測可能監視データ領域に含まれるかどうかを判定し、セメント製造における監視データの実測値が、上記予測可能監視データ領域に含まれる場合、工程(K)で得た学習済みのニューラルネットワークの入力層に、コンクリート製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、コンクリートの品質またはコンクリートの配合条件の評価に関連する評価データの推測値を出力してコンクリートの品質またはコンクリートの配合条件を予測し、コンクリート製造における監視データの実測値が、上記予測可能監視データ領域に含まれない場合、コンクリートの品質またはコンクリートの配合条件を予測することはできないと判断して予測を終了する工程と、
を含むことを特徴とするコンクリートの品質またはコンクリートの配合条件の予測方法。
- 上記解析度判定値の予め定めた第一の設定値が6%以下であり、上記解析度判定値の予め定めた第二の設定値が上記第一の設定値よりも大きくかつ20%以下である請求項1に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
- 上記ニューラルネットワークが、上記入力層と上記出力層の間に中間層を有する階層型のニューラルネットワークである請求項1または2に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
- 上記監視データの値を人為的に変動させて得られた上記評価データの推測値に基づいて、コンクリートの製造条件を最適化する請求項1〜3のいずれか1項に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
- 上記監視データと上記評価データの組み合わせが、上記(i)の組み合わせであり、かつ、該組み合わせにおける評価データが、強度、スランプ、またはスランプフローである請求項1〜4のいずれか1項に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
- 上記(i)の組み合わせにおける監視データが、セメントのブレーン比表面積、ふるい試験残分量、色調a値、色調L値、セメントの鉱物組成、セメントの化学組成、モルタルフロー、混和剤量、及び単位水量の中から選ばれる一種以上である請求項5に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
- 工程(A)の前に、(A−1)任意に選択した1種以上の監視データからなる監視データ集合体を、2種以上用意し、該2種以上の監視データ集合体の各々について、
監視データの実測値と評価データの実測値の組み合わせである選択データを複数用いて、工程(A)〜(M)において用いられるニューラルネットワークとは異なる未学習のニューラルネットワークの学習を行い、得られたニューラルネットワークの入力層に、選択データの監視データの実測値を入力して得られた評価データの推測値と、選択データの評価データの実測値との平均2乗誤差を算出し、
平均2乗誤差の数値が最も小さかった選択データにおける監視データを、工程(A)〜(M)における監視データとして用いる工程、を含む請求項1〜6のいずれか1項に記載のコンクリートの品質またはコンクリートの配合条件の予測方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015194769 | 2015-09-30 | ||
JP2015194769 | 2015-09-30 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017087716A JP2017087716A (ja) | 2017-05-25 |
JP6674356B2 true JP6674356B2 (ja) | 2020-04-01 |
Family
ID=58767143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016179741A Active JP6674356B2 (ja) | 2015-09-30 | 2016-09-14 | コンクリートの品質またはコンクリートの配合条件の予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6674356B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024065480A1 (en) * | 2022-09-29 | 2024-04-04 | Caidio Oy | Controlling production of curable composition |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019066104A1 (ko) * | 2017-09-29 | 2019-04-04 | 전자부품연구원 | 히스토리 데이터 기반 뉴럴 네트워크 학습을 통한 공정 제어 방법 및 시스템 |
DE102019108779A1 (de) * | 2019-04-03 | 2020-10-08 | Peri Gmbh | Automatische Vorhersage der Verwendbarkeit von Beton für mindestens einen Verwendungszweck auf einer Baustelle |
JP7284023B2 (ja) * | 2019-07-30 | 2023-05-30 | 株式会社熊谷組 | 骨材判別システム |
JP7302134B2 (ja) * | 2019-08-05 | 2023-07-04 | 三井化学株式会社 | 物性情報推測方法、物性情報推測モデル生成方法、物性情報推測装置、物性情報推測モデル生成装置、物性情報推測プログラム、及び物性情報推測モデル生成プログラム |
JP7475303B2 (ja) | 2020-04-14 | 2024-04-26 | 太平洋セメント株式会社 | 地盤強化用締固め材の品質予測方法 |
CN112010611B (zh) * | 2020-09-07 | 2022-03-11 | 金陵科技学院 | 掺入钢渣粉套筒微膨胀灌浆料及其制备和膨胀效应检测方法 |
CN113063930B (zh) * | 2021-03-22 | 2024-01-23 | 上海建工建材科技集团股份有限公司 | 一种基于神经网络的3d打印混凝土力学性能在线监测方法 |
CN113554222B (zh) * | 2021-07-19 | 2023-11-28 | 中国水利水电科学研究院 | 一种胶结坝广源化胶结料动态优化和智能调控配置方法 |
-
2016
- 2016-09-14 JP JP2016179741A patent/JP6674356B2/ja active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024065480A1 (en) * | 2022-09-29 | 2024-04-04 | Caidio Oy | Controlling production of curable composition |
Also Published As
Publication number | Publication date |
---|---|
JP2017087716A (ja) | 2017-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6674356B2 (ja) | コンクリートの品質またはコンクリートの配合条件の予測方法 | |
JP6794039B2 (ja) | コンクリートの配合条件の予測方法 | |
Kannan | Strength and durability performance of self compacting concrete containing self-combusted rice husk ash and metakaolin | |
Bao et al. | Influence of the incorporation of recycled coarse aggregate on water absorption and chloride penetration into concrete | |
Etxeberria et al. | Influence of seawater and blast furnace cement employment on recycled aggregate concretes’ properties | |
Matos et al. | Design of self-compacting high-performance concrete: Study of mortar phase | |
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 | |
Mazloom et al. | Evaluating the settlement of lightweight coarse aggregate in self-compacting lightweight concrete | |
ElNemr | Generating water/binder ratio-to-strength curves for cement mortar used in Masnory walls | |
Prusty et al. | Nano-engineered concrete using recycled aggregates and nano-silica: Taguchi approach | |
JP6732380B2 (ja) | セメントの品質または製造条件の予測方法 | |
Campos et al. | Evaluation of steel slag of Companhia Siderúrgica do Pecém replacing fine aggregate on mortars | |
Onyia et al. | Mathematical modelling of compressive strength of recycled ceramic tile aggregate concrete using modified regression theory | |
Mohanasundharam et al. | An experimental study on performance of bacteria in concrete | |
JP2017194417A (ja) | 高強度コンクリート用骨材の評価方法 | |
ElNemr | Role of water/binder ratio on strength development of cement mortar | |
JP6639987B2 (ja) | セメントの品質または製造条件の予測方法 | |
Datta et al. | Structural sustainable recycled aggregate concrete production under environmental conditions | |
Boughamsa et al. | Optimizing Sand Concrete Properties Through Partial Substitution of Natural Sand with Cement Kiln Dust. | |
Kumar | Mechanical properties, shrinkage, abrasion resistance and carbonation of concrete containing recycled coarse aggregate of different size range | |
Bertolini et al. | Influence of concrete composition on parameters related to the durability of reinforced concrete structures | |
Ettu et al. | Split tensile strength of Concrete Incorporating Rice husk ash and Sawdust ash | |
WO2018061239A1 (ja) | セメントの品質または製造条件の予測方法 | |
El Nemr et al. | The Effect of Mineral Pigments on Mechanical Properties of Concrete | |
Hoque et al. | Study on the effect of silica fume on the properties of brick aggregate concrete |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190613 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200219 |
|
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: 20200303 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200306 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6674356 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |