JP6793864B1 - 生コンクリートの品質予測方法 - Google Patents
生コンクリートの品質予測方法 Download PDFInfo
- Publication number
- JP6793864B1 JP6793864B1 JP2020015991A JP2020015991A JP6793864B1 JP 6793864 B1 JP6793864 B1 JP 6793864B1 JP 2020015991 A JP2020015991 A JP 2020015991A JP 2020015991 A JP2020015991 A JP 2020015991A JP 6793864 B1 JP6793864 B1 JP 6793864B1
- Authority
- JP
- Japan
- Prior art keywords
- ready
- data
- mixed concrete
- prediction
- quality
- 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
Images
Landscapes
- On-Site Construction Work That Accompanies The Preparation And Application Of Concrete (AREA)
Abstract
【課題】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を提供する。【解決手段】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、予測モデルは、電力負荷値に関する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、電力負荷値に関する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生コンクリートの品質予測方法。【選択図】図１
Description
本発明は、生コンクリートの品質予測方法に関する。
生コンクリートは、目的とする生コンクリートの品質に合わせて調整された配合に基づいて、ミキサ内で各材料を所定の時間練り混ぜることで製造される。
一方で、配合や練り混ぜ時間が同じであっても、骨材の表面水率や、外気温等の変動によって、製造された生コンクリートの品質も変動する。このため、通常、ミキサ内に設置されたカメラによって撮影されたモニタ画像の目視による確認や、ミキサの電力負荷値等を用いて、所望の品質を有する生コンクリートを製造できるか否かを判断して、適宜、製造条件を調整している。
しかし、上記判断は、感覚と経験に基づいて、人間が行うものであるため、作業者によって判断が異なる場合があり、安定した品質の生コンクリートを製造することは困難である。
一方で、配合や練り混ぜ時間が同じであっても、骨材の表面水率や、外気温等の変動によって、製造された生コンクリートの品質も変動する。このため、通常、ミキサ内に設置されたカメラによって撮影されたモニタ画像の目視による確認や、ミキサの電力負荷値等を用いて、所望の品質を有する生コンクリートを製造できるか否かを判断して、適宜、製造条件を調整している。
しかし、上記判断は、感覚と経験に基づいて、人間が行うものであるため、作業者によって判断が異なる場合があり、安定した品質の生コンクリートを製造することは困難である。
熟練者ではなくてもコンクリートの品質管理を行うことが可能なシステムとして、例えば、特許文献１には、高流動コンクリートを混練中にミキサから発生する振動や音を計測する計測手段と、前記計測した振動や音をスペクトル解析するスペクトル解析手段と、前記スペクトル解析した結果から高流動コンクリートに関する品質を推定する品質推定手段と、を備えた高流動コンクリート品質管理システムが記載されている。
本発明の目的は、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、電力負荷値に関するデータを含む入力データと生コンクリートの品質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、電力負荷値に関する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、生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］〜［８］を提供するものである。
［１］ 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、電力負荷値に関する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、電力負荷値に関する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。
すなわち、本発明は、以下の［１］〜［８］を提供するものである。
［１］ 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、電力負荷値に関する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、電力負荷値に関する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。
［２］ 上記電力負荷値に関するデータが、上記生コンクリートの材料を練り混ぜるためのミキサ内において、生コンクリートの材料の練り混ぜを開始した直後から計測される上記ミキサの電力負荷値から得られたものである前記［１］に記載の生コンクリートの品質予測方法。
［３］ 上記電力負荷値に関するデータが、経時的に連続する２個以上の電力負荷値からなるブロックである前記［１］又は［２］に記載の生コンクリートの品質予測方法。
［４］ 上記予測用入力データに用いられる電力負荷値に関するデータが、電力負荷値の予測値を含み、上記電力負荷値の予測値が、電力負荷値に関する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として出力されたものである前記［１］〜［３］のいずれかに記載の生コンクリートの品質予測方法。
［５］ 上記機械学習が、再帰型ニューラルネットワークを用いた学習である前記［１］〜［４］のいずれかに記載の生コンクリートの品質予測方法。
［６］ 上記学習用出力データ及び上記予測用出力データが、生コンクリートのスランプ及びスランプフローの少なくともいずれか一方の分類に関するデータである、前記［１］〜［５］のいずれかに記載の生コンクリートの品質予測方法。
［７］ 上記学習用出力データ及び上記予測用出力データが、生コンクリートのスランプ及びスランプフローの少なくともいずれか一方の数値に関するデータである、前記［１］〜［５］のいずれかに記載の生コンクリートの品質予測方法。
［８］ 上記学習用入力データ及び上記予測用入力データが、さらに、生コンクリートの配合条件に関するデータ、目的とする生コンクリートの品質に関するデータ、生コンクリートの材料であるセメントに関するデータ、セメント以外の生コンクリートの材料に関するデータ、生コンクリートの材料の練り混ぜの手段及び方法に関するデータ、生コンクリートの材料の練り混ぜ時の環境に関するデータ、及び生コンクリートの運搬に関するデータの中から選ばれる１種以上のデータを含む前記［１］〜［７］のいずれかに記載の生コンクリートの品質予測方法。
［３］ 上記電力負荷値に関するデータが、経時的に連続する２個以上の電力負荷値からなるブロックである前記［１］又は［２］に記載の生コンクリートの品質予測方法。
［４］ 上記予測用入力データに用いられる電力負荷値に関するデータが、電力負荷値の予測値を含み、上記電力負荷値の予測値が、電力負荷値に関する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として出力されたものである前記［１］〜［３］のいずれかに記載の生コンクリートの品質予測方法。
［５］ 上記機械学習が、再帰型ニューラルネットワークを用いた学習である前記［１］〜［４］のいずれかに記載の生コンクリートの品質予測方法。
［６］ 上記学習用出力データ及び上記予測用出力データが、生コンクリートのスランプ及びスランプフローの少なくともいずれか一方の分類に関するデータである、前記［１］〜［５］のいずれかに記載の生コンクリートの品質予測方法。
［７］ 上記学習用出力データ及び上記予測用出力データが、生コンクリートのスランプ及びスランプフローの少なくともいずれか一方の数値に関するデータである、前記［１］〜［５］のいずれかに記載の生コンクリートの品質予測方法。
［８］ 上記学習用入力データ及び上記予測用入力データが、さらに、生コンクリートの配合条件に関するデータ、目的とする生コンクリートの品質に関するデータ、生コンクリートの材料であるセメントに関するデータ、セメント以外の生コンクリートの材料に関するデータ、生コンクリートの材料の練り混ぜの手段及び方法に関するデータ、生コンクリートの材料の練り混ぜ時の環境に関するデータ、及び生コンクリートの運搬に関するデータの中から選ばれる１種以上のデータを含む前記［１］〜［７］のいずれかに記載の生コンクリートの品質予測方法。
本発明の生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生コンクリートの品質を予測することができ、目的とする品質の生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。
本発明の生コンクリートの品質予測方法は、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、予測モデルは、電力負荷値に関する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、電力負荷値に関する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、長期・短期記憶（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ ｍｅｍｏｒｙ）ニューラルネットワーク等の再帰型ニューラルネットワーク（ＲＮＮ：Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等が挙げられる。
なお、長期・短期記憶ニューラルネットワークは、ＬＳＴＭを用いた再帰型ニューラルネットワークの１種である。
中でも、経時変化データの分野において優れた性能を有する、再帰型ニューラルネットワークが好適である。
再帰型ニューラルネットワークにおける層の数は、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。
なお、長期・短期記憶ニューラルネットワークは、ＬＳＴＭを用いた再帰型ニューラルネットワークの１種である。
中でも、経時変化データの分野において優れた性能を有する、再帰型ニューラルネットワークが好適である。
再帰型ニューラルネットワークにおける層の数は、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、電力負荷値に関する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る。
学習用入力データとして用いられる電力負荷値に関するデータとは、生コンクリートの製造時の電力負荷値から得られるデータである。
電力負荷値に関するデータの例としては、生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。）内において、生コンクリートの材料の練り混ぜを開始した直後から計測されるミキサの電力負荷値のデータ、該電力負荷値から得られたデータ、該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データ、該電力負荷値の予測値のデータ、該電力負荷値を計測する際の生コンクリートの材料の練り混ぜを開始してからの経過時間の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。
学習用入力データとして用いられる電力負荷値に関するデータとは、生コンクリートの製造時の電力負荷値から得られるデータである。
電力負荷値に関するデータの例としては、生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。）内において、生コンクリートの材料の練り混ぜを開始した直後から計測されるミキサの電力負荷値のデータ、該電力負荷値から得られたデータ、該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データ、該電力負荷値の予測値のデータ、該電力負荷値を計測する際の生コンクリートの材料の練り混ぜを開始してからの経過時間の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。
上記電力負荷値のデータの例としては、生コンクリートの材料の練り混ぜを開始した直後から、練り混ぜを終了する時までの電力負荷値またはその絶対値、練り混ぜ時における電力負荷値の最大値または最小値等が挙げられる。
電力負荷値の計測間隔は、好ましくは０．０１〜１秒間である。該間隔が０．０１秒間以上であれば、計測が容易となる、該間隔が１秒間以下であれば、より高い精度で品質を予測することができる。電力負荷値の計測は、水以外の生コンクリートの材料の練り混ぜを開始した直後、または、空練り（水以外の生コンクリートの材料の練り混ぜ）後、水以外の生コンクリートの材料に水を加えて練り混ぜを開始した直後から開始してもよい。
計測される電力負荷値の数は、電力負荷値の計測間隔や、練り混ぜ時間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、特定の時点における電力負荷値を選択して用いてもよい。
電力負荷値は、ミキサと同一電源に設置した装置により計測することができる。
電力負荷値の計測間隔は、好ましくは０．０１〜１秒間である。該間隔が０．０１秒間以上であれば、計測が容易となる、該間隔が１秒間以下であれば、より高い精度で品質を予測することができる。電力負荷値の計測は、水以外の生コンクリートの材料の練り混ぜを開始した直後、または、空練り（水以外の生コンクリートの材料の練り混ぜ）後、水以外の生コンクリートの材料に水を加えて練り混ぜを開始した直後から開始してもよい。
計測される電力負荷値の数は、電力負荷値の計測間隔や、練り混ぜ時間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、特定の時点における電力負荷値を選択して用いてもよい。
電力負荷値は、ミキサと同一電源に設置した装置により計測することができる。
上記電力負荷値（ミキサ内において、生コンクリートの材料の練り混ぜを開始した直後から計測されるミキサの電力負荷値）から得られたデータの例としては、経時的に連続する２個以上（好ましくは２〜５０個、より好ましくは５〜４０、特に好ましくは１０〜０個）の電力負荷値からなるブロック、電力負荷値の変化量、電力負荷値の変化パターン等が挙げられる。
中でも、再帰型ニューラルネットワーク（特に、長期・短期記憶ニューラルネットワーク）を用いて機械学習を行う場合において、より高い精度で品質を予測することができる予測モデルを作成することができる観点から、電力負荷値からなるブロックが好適である。
中でも、再帰型ニューラルネットワーク（特に、長期・短期記憶ニューラルネットワーク）を用いて機械学習を行う場合において、より高い精度で品質を予測することができる予測モデルを作成することができる観点から、電力負荷値からなるブロックが好適である。
電力負荷値の予測値のデータとは、予め作成された予測モデル等を用いて予測された、電力負荷値の予測値である。ここで、予め作成された予測モデルとしては、本願明細書に記載されている予測モデルと同様のものが挙げられる。
予測モデルを用いて、電力負荷値の予測値（未来の電力負荷値）を得た後、該予測値を、予測モデルの学習用入力データとしてフィードバックすることで、学習用入力データの個数を増やして、再度、機械学習を行うことで、新たな予測モデルを作成したり、該予測値を、予測用入力データとして用いることで、より高い精度で品質を予測することができる。
予測モデルを用いて、電力負荷値の予測値（未来の電力負荷値）を得た後、該予測値を、予測モデルの学習用入力データとしてフィードバックすることで、学習用入力データの個数を増やして、再度、機械学習を行うことで、新たな予測モデルを作成したり、該予測値を、予測用入力データとして用いることで、より高い精度で品質を予測することができる。
学習用入力データとして用いられる電子負荷値に関するデータの数は、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２以上、より好ましくは５以上、さらに好ましくは１０以上、さらに好ましくは１００以上、さらに好ましくは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。
また、電力負荷値に関するデータのうち、特定の時点におけるデータを選択して用いてもよい。
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、水と水以外の生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（電力負荷値の変化量が小さくなった時点）の後の電力負荷値に関するデータを用いることが好ましい。
生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の判断は、生コンクリートの水セメント比等によっても異なるが、例えば、以下の（１）〜（３）のいずれかの条件を満たした後であれば、ミキサの電力負荷値が安定したと判断してもよい。
（１） 電力負荷値が、練り混ぜ終了時の電力負荷値から±２０％程度の値となった後
（２） 生コンクリートの水セメント比が５０〜７０％程度であれば、水と水以外の生コンクリートの材料の練り混ぜの開始時（例えば、水以外の生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
（３）強度発現性の観点から水セメント比を小さく（５０％未満に）した場合、上記時期は遅くなり、高強度コンクリートでは、水と水以外の生コンクリートの材料の混練の開始時から、１〜１０分間程度経過した後
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、水と水以外の生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（電力負荷値の変化量が小さくなった時点）の後の電力負荷値に関するデータを用いることが好ましい。
生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の判断は、生コンクリートの水セメント比等によっても異なるが、例えば、以下の（１）〜（３）のいずれかの条件を満たした後であれば、ミキサの電力負荷値が安定したと判断してもよい。
（１） 電力負荷値が、練り混ぜ終了時の電力負荷値から±２０％程度の値となった後
（２） 生コンクリートの水セメント比が５０〜７０％程度であれば、水と水以外の生コンクリートの材料の練り混ぜの開始時（例えば、水以外の生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
（３）強度発現性の観点から水セメント比を小さく（５０％未満に）した場合、上記時期は遅くなり、高強度コンクリートでは、水と水以外の生コンクリートの材料の混練の開始時から、１〜１０分間程度経過した後
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、生コンクリートの配合条件に関するデータ、目的とする生コンクリートの品質に関するデータ、生コンクリートの材料であるセメントに関するデータ、セメント以外の生コンクリートの材料に関するデータ、生コンクリートの材料の練り混ぜの手段及び方法に関するデータ、生コンクリートの材料の練り混ぜ時の環境に関するデータ、及び生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し、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、生コンクリートの配合条件に関するデータ、目的とする生コンクリートの品質に関するデータ、生コンクリートの材料であるセメントに関するデータ、セメント以外の生コンクリートの材料に関するデータ、生コンクリートの材料の練り混ぜの手段及び方法に関するデータ、生コンクリートの材料の練り混ぜ時の環境に関するデータ、及び生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し、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。
生コンクリートの配合条件に関するデータの例としては、生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、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。
目的とする生コンクリートの品質に関するデータの例としては、目的とする生コンクリートの設計上の、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、バッチャーデータ（加温・冷却装置種類、貯蔵水温度、貯蔵骨材温度、貯蔵セメント温度、計量瓶形式、吐出量、最大吐出圧力等）、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、生コンクリートの品質としてより重要性の高い、スランプ及びスランプフローが好ましい。
なお、生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 ５３０８：２０１９（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、生コンクリートの品質としてより重要性の高い、スランプ及びスランプフローが好ましい。
なお、生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 ５３０８：２０１９（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。
生コンクリートの材料であるセメントに関するデータの例としては、生コンクリートの材料として用いられるセメントの、種類、化学組成、鉱物組成、湿式ｆ．ＣａＯ、強熱減量、ブレーン比表面積、粒度分布、ふるい試験残分量、色調や、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や、セメントに含まれる石膏の半水化率等の、セメント全体に関するデータ；セメントクリンカーの調合原料の、化学組成、水硬率、ふるい試験残分量、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）や、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）や、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。）の化学組成及びその水硬率や、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化学組成、水硬率、ブレーン比表面積、ふるい試験残分量、脱炭酸率、及び水分量等の、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時における、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濃度や、クリンカークーラー温度、及び、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）等の、セメントクリンカーの焼成条件に関するデータ；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の、セメントの粉砕条件に関するデータ；セメントクリンカーの、鉱物組成、化学組成、湿式ｆ．ＣａＯ（フリーライム）、及び、容重や、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）や、セメントクリンカーに含まれる２種以上の鉱物組成の比等の、セメントクリンカー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。
セメント以外の生コンクリートの材料に関するデータの例としては、骨材（細骨材や粗骨材）の、種類、密度、吸水率、含水率、表面水率、粒度分布、最大寸法、及び、粒形や、混和剤の種類や、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。
生コンクリートの材料の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。
生コンクリートの材料の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、生コンクリートの温度）や、練り混ぜ水、セメント、骨材等の使用材料の各温度や、保管する場所（容器内）の温度及び湿度等が挙げられる。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。
生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、生コンクリートの容量、打ち込み部材厚、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。
生コンクリートの材料の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。
生コンクリートの材料の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、生コンクリートの温度）や、練り混ぜ水、セメント、骨材等の使用材料の各温度や、保管する場所（容器内）の温度及び湿度等が挙げられる。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。
生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、生コンクリートの容量、打ち込み部材厚、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。
生コンクリートの品質に関する学習用出力データの例としては、ミキサによる練り混ぜ直後又はアジテータトラックを用いた運搬終了時点（荷卸時）における生コンクリートの、スランプ、スランプフロー、空気量、単位水量、温度、施工性、生コンクリートを構成する各材料の分離状況、流動性、レオロジーに関する値（塑性粘度、降伏値など）、硬化後の強度（圧縮強度、曲げ強度、ヤング係数等）や耐久性（収縮、凍結融解抵抗性、中性化など）、ミキサの電力負荷値等が挙げられる。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。
本発明における機械学習は、電力負荷値に関する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て、機械学習の従来知られている一般的な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、生コンクリートを製造した際に得られる電力負荷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、生コンクリートを製造した際に得られる電力負荷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。
また、一つのサンプルから得られる電力負荷値に関するデータの数は、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。
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学習データの全てを使用する必要はなく、全ての学習データから選択された複数の学習データを使用してもよい。
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、電力負荷値を計測した時間）によって並べられた学習データを上から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、各サンプルの学習データが少なくとも一つ入るように選択してもよい。
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）のみよって学習するこという。
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学習データの全てを使用する必要はなく、全ての学習データから選択された複数の学習データを使用してもよい。
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、電力負荷値を計測した時間）によって並べられた学習データを上から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、各サンプルの学習データが少なくとも一つ入るように選択してもよい。
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）のみよって学習するこという。
また、学習データ（学習用入力データと学習用出力データの組み合わせ）の一部（例えば、全学習データのうち、１５〜２５％の学習データ）については、機械学習において使用せず、機械学習によって作成さ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用いてもよい。具体的には、予測モデルを作成した後、該予測モデルに、テストデータから得られる予測用入力データを入力し、予測モデルから得られた予測用出力データ（予測値）と、テストデータから得られた実測値を比較することで、得られた予測モデルの信頼性を推し測ることができる。
通常、機械学習は、学習データとして使用されるデータの種類、学習データの個数、及び学習回数等を適宜変更しながら行われ、信頼性に優れた予測モデルが得られるまで行われる。
通常、機械学習は、学習データとして使用されるデータの種類、学習データの個数、及び学習回数等を適宜変更しながら行われ、信頼性に優れた予測モデルが得られるまで行われる。
機械学習によって作成された予測モデルに、電力負荷値に関する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た後、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、生コンクリートの配合条件に関するデータ、目的とする生コンクリートの品質に関するデータ、生コンクリートの材料であるセメントに関するデータ、セメント以外の生コンクリートの材料に関するデータ、生コンクリートの材料の練り混ぜの手段及び方法に関するデータ、生コンクリートの材料の練り混ぜ時の環境に関するデータ、及び生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、生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電力負荷値に関するデータ等の詳細は、上述した学習用入力データとして用いられる電力負荷値に関するデータ等と同じである。
また、生コンクリートの品質に関する予測用出力データの詳細は、上述した生コンクリートの品質に関する学習用出力データと同じである。
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、生コンクリートの配合条件に関するデータ、目的とする生コンクリートの品質に関するデータ、生コンクリートの材料であるセメントに関するデータ、セメント以外の生コンクリートの材料に関するデータ、生コンクリートの材料の練り混ぜの手段及び方法に関するデータ、生コンクリートの材料の練り混ぜ時の環境に関するデータ、及び生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、生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電力負荷値に関するデータ等の詳細は、上述した学習用入力データとして用いられる電力負荷値に関するデータ等と同じである。
また、生コンクリートの品質に関する予測用出力データの詳細は、上述した生コンクリートの品質に関する学習用出力データと同じである。
本発明の生コンクリートの品質予測方法によれば、生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、電力負荷値に関するデータ等を入力することで、得られる生コンクリートの品質（例えば、生コンクリートのスランプ）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。なお、「生コンクリートの品質」には、生コンクリートが硬化してなる硬化体の品質が含まれるものとする。
品質の予測は、製造時に取得された複数の電力負荷値に関するデータ毎に行われるので、複数の電力負荷値に関するデータから、複数の出力データ（例えば、スランプ等の予測値）を得ることができる。
品質の予測は、製造時に取得された複数の電力負荷値に関するデータ毎に行われるので、複数の電力負荷値に関するデータから、複数の出力データ（例えば、スランプ等の予測値）を得ることができる。
また、より高い精度で品質を予測する観点から、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。
例えば、学習用入力データとして用いられる電力負荷値に関するデータが、生コンクリートの材料を練り混ぜるためのミキサ内において、水と水以外の生コンクリートの材料を練り混ぜている状態で、連続的に計測した複数の電力負荷値（経時的に連続する電力負荷値）から得られる、複数の電力負荷値（又は、複数のブロック）であり、上記複数の電力負荷値（又は、複数のブロック）の各々について、電力負荷値（又は、ブロック）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た後、出力された複数の予測用出力データの移動平均値を用いて生コンクリートの品質を予測してもよい。
移動平均値は、連続的（経時的に）に計測した複数の電力負荷値に関するデータの各々から得られる、複数のデータを用いて得られた、全ての予測用出力データの平均値であってもよく、連続的に計測した複数の電力負荷値に関するデータの各々から得られる、複数のデータのうち、品質の予測を行う時から直近に得られた任意の数（例えば、５）のデータを用いて得られた、複数（任意の数）の予測用出力データの平均値であってもよい。
例えば、学習用入力データとして用いられる電力負荷値に関するデータが、生コンクリートの材料を練り混ぜるためのミキサ内において、水と水以外の生コンクリートの材料を練り混ぜている状態で、連続的に計測した複数の電力負荷値（経時的に連続する電力負荷値）から得られる、複数の電力負荷値（又は、複数のブロック）であり、上記複数の電力負荷値（又は、複数のブロック）の各々について、電力負荷値（又は、ブロック）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た後、出力された複数の予測用出力データの移動平均値を用いて生コンクリートの品質を予測してもよい。
移動平均値は、連続的（経時的に）に計測した複数の電力負荷値に関するデータの各々から得られる、複数のデータを用いて得られた、全ての予測用出力データの平均値であってもよく、連続的に計測した複数の電力負荷値に関するデータの各々から得られる、複数のデータのうち、品質の予測を行う時から直近に得られた任意の数（例えば、５）のデータを用いて得られた、複数（任意の数）の予測用出力データの平均値であってもよい。
また、練り混ぜ中に、連続的に計測することで得られた複数の電力負荷値に関するデータの各々について予測値を出力した場合等において、得られた複数の出力データ（例えば、スランプ等の予測値）のうち、明らかに他の出力データと異なる出力データが得られた場合、該データを予測用出力データから排除してもよい。
得られた出力データを、予測用出力データから排除する方法の例としては、データ集合の標準偏差σを算出し、そのデータ集合の平均値から±σまたは±２σである数値範囲から外れる出力データを、明らかに他の出力データと異なる出力データと判断して、排除する方法等が挙げられる。
得られる生コンクリートの品質が、目的とする生コンクリートの品質を満たさないと予測される場合には、生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生コンクリートを製造することができる。
得られた出力データを、予測用出力データから排除する方法の例としては、データ集合の標準偏差σを算出し、そのデータ集合の平均値から±σまたは±２σである数値範囲から外れる出力データを、明らかに他の出力データと異なる出力データと判断して、排除する方法等が挙げられる。
得られる生コンクリートの品質が、目的とする生コンクリートの品質を満たさないと予測される場合には、生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生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スランプの予測値が、目標とするスランプの数値（以下、「目標値」ともいう。）と大きく異なる場合には、生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、定期的にスランプの予測を行い、得られたスランプの予測値が、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。
また、定期的にスランプの予測を行い、得られたスランプの予測値が、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。
また、生コンクリートの製造を制御するコンピュータと、本発明の生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。例えば、スランプの予測値と目標値の差の変動から、表面水の設定を自動制御で行う方法が挙げられる。
さらに、複数の工場における生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生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生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生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。
また、実際の生コンクリート工場において生コンクリートを製造する際に、本発明の品質予測方法を用いて生コンクリートの品質を予測する場合、リアルタイムの電力負荷値を用いて予測してもよい。具体的な予測方法としては、生コンクリート工場の電力負荷値の測定装置とコンピュータを接続し、生コンクリート製造中の電力負荷値をリアルタイムで抽出しながら、予め作成した学習モデルを組み込んだコンピュータでリアルタイムに予測する方法等が挙げられる。
また、実際の生コンクリート工場において生コンクリートを製造する際に得られた、電力負荷値に関するデータを学習用入力データとし、練り混ぜ後に測定したスランプ等を学習用出力データとし、上記学習用入力データと学習用出力データの組み合わせである学習データを用いて、予め作成した学習モデルを、随時、再学習させて、最新の学習モデルを得ることによって、予測値の精度をより高めることができる。
また、実際の生コンクリート工場において生コンクリートを製造する際に得られた、電力負荷値に関するデータを学習用入力データとし、練り混ぜ後に測定したスランプ等を学習用出力データとし、上記学習用入力データと学習用出力データの組み合わせである学習データを用いて、予め作成した学習モデルを、随時、再学習させて、最新の学習モデルを得ることによって、予測値の精度をより高めることができる。
以下、本発明を実施例により具体的に説明するが、本発明はこれらの実施例に限定されるものではない。
［実施例１］
生コンクリートのサンプルとして、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、配合の異なる５０５種類の生コンクリートを作製した。
作製した各生コンクリートを製造する際の電力負荷値を、スランプモニターを用いて計測した。
電力負荷値の計測は、水以外の材料を投入して空練りを開始した直後から、０．１秒ごとに行い、混練終了まで行った。ミキサの混練時間と、電力負荷値との関係を示す図の一例を図１に示す。
作製した各生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。なお、生コンクリートのスランプは１４．５〜２５ｃｍの範囲内であった。
［実施例１］
生コンクリートのサンプルとして、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、配合の異なる５０５種類の生コンクリートを作製した。
作製した各生コンクリートを製造する際の電力負荷値を、スランプモニターを用いて計測した。
電力負荷値の計測は、水以外の材料を投入して空練りを開始した直後から、０．１秒ごとに行い、混練終了まで行った。ミキサの混練時間と、電力負荷値との関係を示す図の一例を図１に示す。
作製した各生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。なお、生コンクリートのスランプは１４．５〜２５ｃｍの範囲内であった。
学習データ用のサンプルとして、４５７個の生コンクリートを選択し、残り４８個の生コンクリートは検証用のサンプルとした。
学習データ用の各サンプルを製造する際に得られた電力負荷値について、計測を行った順番に２０個の電力負荷値からなるブロック（経時的に連続した２０個の電力負荷値からなるブロック）を、１サンプル当たり平均３０個作成し、これらのブロックを学習用入力データとした。また、学習用入力データとして使用するブロックが得られたサンプルのスランプの実測値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、３層の長期・短期記憶（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ ｍｅｍｏｒｙ）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１万回とし、一回の学習で入力される学習データの数は、３０個（ランダムに選択されたもの）とした。
学習データ用の各サンプルを製造する際に得られた電力負荷値について、計測を行った順番に２０個の電力負荷値からなるブロック（経時的に連続した２０個の電力負荷値からなるブロック）を、１サンプル当たり平均３０個作成し、これらのブロックを学習用入力データとした。また、学習用入力データとして使用するブロックが得られたサンプルのスランプの実測値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、３層の長期・短期記憶（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ ｍｅｍｏｒｙ）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１万回とし、一回の学習で入力される学習データの数は、３０個（ランダムに選択されたもの）とした。
検証用の各サンプルについて、混練終了前の１５秒間に得られた電力負荷値について、計測を行った順番に２０個の電力負荷値からなるブロック（経時的に連続した２０個の電力負荷値からなるブロック）７個を、各々、予測用入力データとして、学習済みの予測モデルに入力して、スランプの予測値を７個出力し、合計３３６個（７×４８）の予測値を得た。
予測値と実測値を比較して、予測値と実測値の差が±１．０ｃｍであった予測値（
許容誤差±１．０ｃｍの予測値）を正解として、全予測値の正解率を算出したところ、６５．５％であった。
予測値と実測値を比較して、予測値と実測値の差が±１．０ｃｍであった予測値（
許容誤差±１．０ｃｍの予測値）を正解として、全予測値の正解率を算出したところ、６５．５％であった。
［実施例２］
実施例１で作成した５０５種類の生コンクリートの各々について、「ＪＩＳ Ａ １１５０：２００７（コンクリートのスランプフロー試験方法）」に準拠して、スランプフローの実測値を測定した。なお、生コンクリートのスランプフローの実測値は２５．７５〜５６．５ｃｍの範囲内であった。
学習用出力データとして、スランプの実測値の代わりにスランプフローの実測値を使用する以外は実施例１と同様にして、予測モデルを作成し、該予測モデルを用いてスランプフローの予測値を７個出力し、合計３３６個（７×４８）の予測値を得た。
予測値と実測値を比較して、予測値と実測値の差が±７．０ｃｍであった予測値（許容誤差±７．０ｃｍ）を正解として、全予測値の正解率を算出したところ、９７．２％であった。
実施例１で作成した５０５種類の生コンクリートの各々について、「ＪＩＳ Ａ １１５０：２００７（コンクリートのスランプフロー試験方法）」に準拠して、スランプフローの実測値を測定した。なお、生コンクリートのスランプフローの実測値は２５．７５〜５６．５ｃｍの範囲内であった。
学習用出力データとして、スランプの実測値の代わりにスランプフローの実測値を使用する以外は実施例１と同様にして、予測モデルを作成し、該予測モデルを用いてスランプフローの予測値を７個出力し、合計３３６個（７×４８）の予測値を得た。
予測値と実測値を比較して、予測値と実測値の差が±７．０ｃｍであった予測値（許容誤差±７．０ｃｍ）を正解として、全予測値の正解率を算出したところ、９７．２％であった。
［実施例３］
実施例１で作成した５０５種類の生コンクリートの各々について、学習用入力データとして用いられる、電力負荷値からなるブロック（７個）の次に得られる、８番目の電力負荷値からなるブロック（２０個の電力負荷値からなるもの）を、スランプの実測値の代わりに学習用出力データとして使用する以外は実施例１と同様にして、予測モデルを作成した。
次いで、検証用の各サンプルについて、上記予測モデルを用いて、８番目の電力負荷値のブロックの予測値を出力し、合計４８個の予測値を得た。該予測値と実測値を比較したところ、ほとんど同じ数値となった。
実施例１で作成した５０５種類の生コンクリートの各々について、学習用入力データとして用いられる、電力負荷値からなるブロック（７個）の次に得られる、８番目の電力負荷値からなるブロック（２０個の電力負荷値からなるもの）を、スランプの実測値の代わりに学習用出力データとして使用する以外は実施例１と同様にして、予測モデルを作成した。
次いで、検証用の各サンプルについて、上記予測モデルを用いて、８番目の電力負荷値のブロックの予測値を出力し、合計４８個の予測値を得た。該予測値と実測値を比較したところ、ほとんど同じ数値となった。
Claims (8)
- 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、電力負荷値に関する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、
電力負荷値に関する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し、
上記学習用入力データ及び上記予測用入力データの各々における、電力負荷値に関するデータが、上記生コンクリートの材料を練り混ぜるためのミキサ内において、生コンクリートの材料の練り混ぜを開始した直後から、０．０１〜１秒間の間隔で計測される上記ミキサの電力負荷値から得られたものであって、経時的に連続する２〜５０個の電力負荷値からなるブロックであり、
上記機械学習が、再帰型ニューラルネットワークを用いた学習であることを特徴とする生コンクリートの品質予測方法。 - 上記経時的に連続する２〜５０個の電力負荷値が、上記０．０１〜１秒間の間隔で計測される上記ミキサの電力負荷値の中から、上記ミキサの電力負荷値が安定した時点の後に計測される上記ミキサの電力負荷値を選択したものである請求項１に記載の生コンクリートの品質予測方法。
- 上記予測用入力データに用いられる電力負荷値に関するデータが、電力負荷値の予測値を含み、
上記電力負荷値の予測値が、電力負荷値に関する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として出力されたものである請求項１又は２に記載の生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、生コンクリートのスランプ及びスランプフローの少なくともいずれか一方の分類に関するデータである、請求項１〜３のいずれか１項に記載の生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、数値に関するデータであり、
上記予測用入力データが複数であり、上記予測用出力データを複数出力した後、複数の予測用出力データの標準偏差σを算出し、次いで、複数の予測用出力データの平均値から±σ又は±２σの数値範囲から外れる予測用出力データを排除し、残余の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請求項１〜３のいずれか１項に記載の生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、数値に関するデータであり、
上記予測用入力データが複数であり、上記予測用出力データを複数出力した後、出力された複数の予測用出力データの移動平均値を用いて生コンクリートの品質を予測する請求項１〜３のいずれか１項に記載の生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、生コンクリートのスランプ及びスランプフローの少なくともいずれか一方の数値に関するデータである、請求項１〜３、５〜６のいずれか１項に記載の生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が、さらに、生コンクリートの配合条件に関するデータ、目的とする生コンクリートの品質に関するデータ、生コンクリートの材料であるセメントに関するデータ、セメント以外の生コンクリートの材料に関するデータ、生コンクリートの材料の練り混ぜの手段及び方法に関するデータ、生コンクリートの材料の練り混ぜ時の環境に関するデータ、及び生コンクリートの運搬に関するデータの中から選ばれる１種以上のデータを含む請求項１〜７のいずれか１項に記載の生コンクリートの品質予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020015991A JP6793864B1 (ja) | 2020-02-03 | 2020-02-03 | 生コンクリートの品質予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020015991A JP6793864B1 (ja) | 2020-02-03 | 2020-02-03 | 生コンクリートの品質予測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6793864B1 true JP6793864B1 (ja) | 2020-12-02 |
| JP2021124304A JP2021124304A (ja) | 2021-08-30 |
Family
ID=73544728
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020015991A Active JP6793864B1 (ja) | 2020-02-03 | 2020-02-03 | 生コンクリートの品質予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6793864B1 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591362A (zh) * | 2021-04-26 | 2021-11-02 | 湖南师范大学 | 一种基于大数据智能控制算法的熟料比例优化调节方法 |
| CN116479725A (zh) * | 2023-05-04 | 2023-07-25 | 宁波中海建材有限公司 | 混凝土质量智能化加工预测系统 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7547671B1 (ja) | 2024-03-28 | 2024-09-09 | Ｕｂｅ三菱セメント株式会社 | 生コンクリートの品質予測方法、品質予測プログラム、生コンクリートの製造方法、及び、生コンクリートの品質予測装置 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS59224311A (ja) * | 1983-06-03 | 1984-12-17 | システム綜合開発株式会社 | 生コンクリ−トの混練り監視装置 |
| JPS61217215A (ja) * | 1985-03-25 | 1986-09-26 | 三林 良喜 | コンクリ−トの製造方法及びその装置 |
| JPS6343126B2 (ja) * | 1984-02-28 | 1988-08-29 | Shisutemu Sogo Kaihatsu Kk | |
| JPH0376607A (ja) * | 1989-08-19 | 1991-04-02 | Nikko Co Ltd | 生コン製造プラントにおける表面水率設定値補正方法 |
| JPH0636B2 (ja) * | 1989-11-13 | 1994-01-05 | システム綜合開発株式会社 | パン生地ミキシング工程管理方法および装置 |
| JPH08323735A (ja) * | 1995-06-05 | 1996-12-10 | Taiheiyo Kiko Kk | コンクリートの混練方法 |
| JPH102843A (ja) * | 1996-06-14 | 1998-01-06 | Syst Sogo Kaihatsu Kk | 製造工程管理システム |
| JPH1177659A (ja) * | 1997-09-10 | 1999-03-23 | Tokyo Electric Power Co Inc:The | フレッシュコンクリートのコンシステンシー推定装置 |
| JP2001227164A (ja) * | 2000-02-14 | 2001-08-24 | Somic Ishikawa Inc | 生コンクリート製造装置および該装置に用いられる品質管理値計測装置 |
| JP2003177115A (ja) * | 2001-12-11 | 2003-06-27 | Pacific Systems Corp | 高流動コンクリート品質管理システム |
| JP2008008629A (ja) * | 2006-06-27 | 2008-01-17 | Mori Engineering:Kk | スランプ値算出装置、スランプ値算出方法、スランプ値算出方法をコンピュータに実行させることが可能なプログラム、及び、このプログラムを記録した記録媒体 |
| JP2009175059A (ja) * | 2008-01-25 | 2009-08-06 | Nagaoka Univ Of Technology | 環境負荷濃度変化判定装置及び方法 |
| JP2009184273A (ja) * | 2008-02-07 | 2009-08-20 | Pacific Technos Corp | コンクリート材料の配合制御方法及びシステム |
| JP2016142532A (ja) * | 2015-01-29 | 2016-08-08 | 前田建設工業株式会社 | 施工性評価プログラム、施工性評価方法及び施工性評価装置 |
| JP2018018354A (ja) * | 2016-07-28 | 2018-02-01 | 高砂香料工業株式会社 | ディープラーニングを用いた飲食品の品質予測方法及び飲食品 |
| JP2019188718A (ja) * | 2018-04-26 | 2019-10-31 | 前田建設工業株式会社 | コンクリートの製造方法 |
| JP6680936B1 (ja) * | 2018-09-26 | 2020-04-15 | 太平洋セメント株式会社 | 生コンクリートの品質予測方法 |
-
2020
- 2020-02-03 JP JP2020015991A patent/JP6793864B1/ja active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS59224311A (ja) * | 1983-06-03 | 1984-12-17 | システム綜合開発株式会社 | 生コンクリ−トの混練り監視装置 |
| JPS6343126B2 (ja) * | 1984-02-28 | 1988-08-29 | Shisutemu Sogo Kaihatsu Kk | |
| JPS61217215A (ja) * | 1985-03-25 | 1986-09-26 | 三林 良喜 | コンクリ−トの製造方法及びその装置 |
| JPH0376607A (ja) * | 1989-08-19 | 1991-04-02 | Nikko Co Ltd | 生コン製造プラントにおける表面水率設定値補正方法 |
| JPH0636B2 (ja) * | 1989-11-13 | 1994-01-05 | システム綜合開発株式会社 | パン生地ミキシング工程管理方法および装置 |
| JPH08323735A (ja) * | 1995-06-05 | 1996-12-10 | Taiheiyo Kiko Kk | コンクリートの混練方法 |
| JPH102843A (ja) * | 1996-06-14 | 1998-01-06 | Syst Sogo Kaihatsu Kk | 製造工程管理システム |
| JPH1177659A (ja) * | 1997-09-10 | 1999-03-23 | Tokyo Electric Power Co Inc:The | フレッシュコンクリートのコンシステンシー推定装置 |
| JP2001227164A (ja) * | 2000-02-14 | 2001-08-24 | Somic Ishikawa Inc | 生コンクリート製造装置および該装置に用いられる品質管理値計測装置 |
| JP2003177115A (ja) * | 2001-12-11 | 2003-06-27 | Pacific Systems Corp | 高流動コンクリート品質管理システム |
| JP2008008629A (ja) * | 2006-06-27 | 2008-01-17 | Mori Engineering:Kk | スランプ値算出装置、スランプ値算出方法、スランプ値算出方法をコンピュータに実行させることが可能なプログラム、及び、このプログラムを記録した記録媒体 |
| JP2009175059A (ja) * | 2008-01-25 | 2009-08-06 | Nagaoka Univ Of Technology | 環境負荷濃度変化判定装置及び方法 |
| JP2009184273A (ja) * | 2008-02-07 | 2009-08-20 | Pacific Technos Corp | コンクリート材料の配合制御方法及びシステム |
| JP2016142532A (ja) * | 2015-01-29 | 2016-08-08 | 前田建設工業株式会社 | 施工性評価プログラム、施工性評価方法及び施工性評価装置 |
| JP2018018354A (ja) * | 2016-07-28 | 2018-02-01 | 高砂香料工業株式会社 | ディープラーニングを用いた飲食品の品質予測方法及び飲食品 |
| JP2019188718A (ja) * | 2018-04-26 | 2019-10-31 | 前田建設工業株式会社 | コンクリートの製造方法 |
| JP6680936B1 (ja) * | 2018-09-26 | 2020-04-15 | 太平洋セメント株式会社 | 生コンクリートの品質予測方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591362A (zh) * | 2021-04-26 | 2021-11-02 | 湖南师范大学 | 一种基于大数据智能控制算法的熟料比例优化调节方法 |
| CN116479725A (zh) * | 2023-05-04 | 2023-07-25 | 宁波中海建材有限公司 | 混凝土质量智能化加工预测系统 |
| CN116479725B (zh) * | 2023-05-04 | 2023-11-10 | 紫云黔冠电力设备有限责任公司 | 混凝土质量智能化加工预测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021124304A (ja) | 2021-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6782867B2 (ja) | 生コンクリートの品質予測方法 | |
| JP6793864B1 (ja) | 生コンクリートの品質予測方法 | |
| Muthukrishnan et al. | Effect of alkali reactions on the rheology of one-part 3D printable geopolymer concrete | |
| TWI582422B (zh) | The quality of cement or the manufacturing conditions of the forecast method | |
| Nematzadeh et al. | Post-fire compressive strength of recycled PET aggregate concrete reinforced with steel fibers: Optimization and prediction via RSM and GEP | |
| Campos et al. | Low-cement high-strength concrete with partial replacement of Portland cement with stone powder and silica fume designed by particle packing optimization | |
| Şimşek et al. | A RSM-based multi-response optimization application for determining optimal mix proportions of standard ready-mixed concrete | |
| 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 | |
| JP2018069487A (ja) | コンクリートの配合条件の予測方法 | |
| WO2012086754A1 (ja) | セメントの品質または製造条件の予測方法 | |
| JP2003520974A (ja) | 水和性セメント質組成物の検定方法 | |
| Safiddine et al. | How quarry waste limestone filler affects the rheological behavior of cement-based materials | |
| Miličević et al. | Relation between the compressive strength and modulus of elasticity of concrete with crushed brick and roof tile aggregates | |
| JP6732380B2 (ja) | セメントの品質または製造条件の予測方法 | |
| JP2023031937A (ja) | 生コンクリートの品質予測システム、及び生コンクリートの品質予測方法 | |
| Tsamatsoulis | Prediction of cement strength: analysis and implementation in process quality control | |
| 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 | |
| JP2017194417A (ja) | 高強度コンクリート用骨材の評価方法 | |
| JP2017178648A (ja) | セメントの品質または製造条件の予測方法 | |
| JP5323290B1 (ja) | セメントの品質または製造条件の予測方法 | |
| Elshafie et al. | Influence of mineral admixtures on the mechanical properties of fresh and hardened concrete | |
| WO2018061239A1 (ja) | セメントの品質または製造条件の予測方法 | |
| Gu et al. | Extrudability window and offline test methods to predict buildability of 3D printing concrete | |
| JP6208403B1 (ja) | セメントの品質または製造条件の予測方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200304 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200304 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200616 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200623 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200807 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200818 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201013 |
|
| 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: 20201027 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201110 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6793864 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |