JP7036385B2 - 支持体の種別及び配置最適化支援装置 - Google Patents
支持体の種別及び配置最適化支援装置 Download PDFInfo
- Publication number
- JP7036385B2 JP7036385B2 JP2018241663A JP2018241663A JP7036385B2 JP 7036385 B2 JP7036385 B2 JP 7036385B2 JP 2018241663 A JP2018241663 A JP 2018241663A JP 2018241663 A JP2018241663 A JP 2018241663A JP 7036385 B2 JP7036385 B2 JP 7036385B2
- Authority
- JP
- Japan
- Prior art keywords
- seismic isolation
- support
- learning
- isolation material
- unit
- 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
- Vibration Prevention Devices (AREA)
Description
特許法第３０条第２項適用 平成３０年１２月６日 一般社団法人日本建築学会発行の、日本建築学会 第４１回情報・システム・利用・技術シンポジウム論文集にて公開
特許法第３０条第２項適用 平成３０年１２月７日 建築会館（東京都港区芝５丁目２６番２０号）にて開催された、日本建築学会 第４１回情報・システム・利用・技術シンポジウムにて公開
本発明は、支持体の種別及び配置最適化支援装置に関する。
大地震などの地震動に対して建物の揺れを低減するための免震材料は、鉛コア入り積層ゴム免震材料などの多数の種類が存在する（特許文献１参照）。
また、建物の杭基礎としても同様に多数の種類が存在する。
そのため、建物設計における免震材料や杭基礎の選択や配置に関する行為は、建物の構造性能を大きく左右する重要な決定行為である。
また、建物の杭基礎としても同様に多数の種類が存在する。
そのため、建物設計における免震材料や杭基礎の選択や配置に関する行為は、建物の構造性能を大きく左右する重要な決定行為である。
しかし、免震材料や杭基礎の決定において、選択しうる膨大な免震材料や杭基礎の組合せの中から、制約条件を満足し、かつ、地震時に建物に発生する最大応答加速度や最大変位、免震材料のコストなどから優れたものの組合せを選び取る必要がある。
一方、地震時の建物の正確な応答予測が困難であることから、設計者の見識と経験に頼る部分が大きく、限られた設計時間の中で性能の優れた設計を実現することが困難である。
一方、地震時の建物の正確な応答予測が困難であることから、設計者の見識と経験に頼る部分が大きく、限られた設計時間の中で性能の優れた設計を実現することが困難である。
本発明は、設計者の見識と経験に頼らず、免震材料や杭基礎の選択と配置とを効率的に行うことを可能にすることを目的とする。
上記目的を達成するために、本発明の支持体の種別及び配置最適化支援装置は、構造物を支持する支持体の種別と配置に関する複数の学習用支持体配置データを入力するデータ入力部と、前記学習用支持体配置データを時刻歴応答解析し、解析結果を機械学習する機械学習部と、前記機械学習部の学習結果を格納する保存部と、前記学習結果を活用して前記支持体の配置の複数の組合せにおける構造物の応答量を推定し、当該推定された応答量を最適化する最適化部と、前記支持体の配置の複数の組合せについて、前記最適化部により推定された全応答量を取得し、所定のフィルタリングを実行して優良解を得る優良解部と、前記優良解を用いて、時刻歴応答解析を実行して、適正な支持体の種別及び支持体の配置の最終採用解に関する情報を出力する情報出力部と、を含んで構成される。
これにより、設計者の見識と経験に頼らず、免震材料や杭基礎の選択と配置とを効率的に行うことができる。また、支持体の種別及び支持体の配置の組合せが無数にあり、全ての支持体の種別及び支持体の配置の組合せについて時刻歴応答解析を実行することは不可能であるが、学習した学習結果を用いることで、時刻歴応答解析を実行する支持体の種別及び支持体の配置の組合せを少なくすることができる
これにより、設計者の見識と経験に頼らず、免震材料や杭基礎の選択と配置とを効率的に行うことができる。また、支持体の種別及び支持体の配置の組合せが無数にあり、全ての支持体の種別及び支持体の配置の組合せについて時刻歴応答解析を実行することは不可能であるが、学習した学習結果を用いることで、時刻歴応答解析を実行する支持体の種別及び支持体の配置の組合せを少なくすることができる
本発明の学習用支持体配置データは、少なくとも地震動の大きさを示すレベルにおける前記支持体の固有周期であることを特徴とする。
本発明のフィルタリングは、少なくとも前記構造物の加速度及び変位から前記優良解を得ることを特徴とする。
本発明によれば、設計者の見識と経験に頼らず、免震材料や杭基礎の選択と配置とを効率的に行うことができる、という効果が得られる。
本発明の実施形態について詳細に説明する。
＜本発明の実施形態に係る免震材料の種別及び配置最適化支援装置のシステム構成＞
図１は、本発明の実施形態に係る免震材料の種別及び配置最適化支援装置１００の構成の一例を示すブロック図である。免震材料の種別及び配置最適化支援装置１００は、機能的には、図１に示されるように、データ入力部１０、コンピュータ２０、及び出力部３０を含んだ構成で表すことができる。
図１は、本発明の実施形態に係る免震材料の種別及び配置最適化支援装置１００の構成の一例を示すブロック図である。免震材料の種別及び配置最適化支援装置１００は、機能的には、図１に示されるように、データ入力部１０、コンピュータ２０、及び出力部３０を含んだ構成で表すことができる。
データ入力部１０は、学習用の構造物を支持する免震材料の種別と配置に関する複数の学習用支持体配置データを入力するものである。データ入力部１０は、例えばキーボード、マウス、又は外部装置からの入力を受け付ける入出力装置等によって実現される。
本実施形態では、図２に示すように、構造物として、４スパンの建物を想定し、５×５の計２５個（位置「１」～「２５」）の免震材料の種別と配置に関する複数、例えば３００パターンの学習用支持体配置データを入力する。
ここで、図２（ａ）は、免震材料が配置された構造物の正面図であり、図２（ｂ）は、免震材料の配置を説明するために、免震材料の配置を平面図で示しているものである。
なお、本実施形態では構造物として４×４スパンの正方形の建物を想定しているが、これに限定されず、様々な建物、例えば、４×１０スパンの長方形の建物や、長方形の建物を組み合わせたＬ字状の建物などであっても良い。
ここで、図２（ａ）は、免震材料が配置された構造物の正面図であり、図２（ｂ）は、免震材料の配置を説明するために、免震材料の配置を平面図で示しているものである。
なお、本実施形態では構造物として４×４スパンの正方形の建物を想定しているが、これに限定されず、様々な建物、例えば、４×１０スパンの長方形の建物や、長方形の建物を組み合わせたＬ字状の建物などであっても良い。
ここで、本実施形態では、図３に示すように、免震材料として、ＮＲＢ（天然ゴム系積層ゴム支承）のＮＲＢ６０（直径６００mm）、ＮＲＢ６５（直径６５０mm）、ＮＲＢ７０（直径７００mm）、ＮＲＢ７５（直径７５０mm）、ＮＲＢ８０（直径８００mm）、ＬＲＢ（鉛プラグ挿入型積層ゴム支承）のＬＲＢ６０（直径６００mm）、ＬＲＢ６５（直径６５０mm）、ＬＲＢ７０（直径７００mm）、ＬＲＢ７５（直径７５０mm）、ＬＲＢ８０（直径８００mm）、ＳＢ（Ｌ）（低摩擦（μ=０．０１）弾性すべり支承）のＳＳＲ４５Ｌ（直径４５０mm）、ＳＳＲ５５Ｌ（直径５５０mm）、ＳＳＲ６５Ｌ（直径６５０mm）、ＳＢ（Ｈ）（高摩擦（μ=０．１３）弾性すべり支承）のＳＳＲ４５Ｈ（直径４５０mm）、ＳＳＲ５５Ｈ（直径５５０mm）、ＳＳＲ６５Ｈ（直径６５０mm）、オイルダンパー（バイリニア型）の１７種類の中から選択している。
なお、免震材料としては、上述した１７種類に限定されず、他の種類の免震材料を選択しても良いし、又、１７種類より多い免震材料から選択しても良いし、１７種類より少ない免震材料から選択しても良い。
なお、免震材料としては、上述した１７種類に限定されず、他の種類の免震材料を選択しても良いし、又、１７種類より多い免震材料から選択しても良いし、１７種類より少ない免震材料から選択しても良い。
また、データ入力部１０で入力された学習用支持体配置データは、図５を用いて後述する学習用データ記憶部にＩＤと関連づけられて記憶されることとなる。
なお、図４に示すように、免震材料が配置される位置を同種の位置毎にグルーピングして、同じグループ（Ｇｒ）では同じ免震材料が選択されるようにしても良い。
すなわち、四隅（位置「１」「５」「２１」「２５」）に配置される免震材料のグループ１（Ｇｒ１）、グループ１の免震材料の隣（位置「２」「４」「６」「１０」「１６」「２０」「２２」「２４」）に配置される免震材料のグループ２（Ｇｒ２）、グループ２の免震材料の間（位置「３」「１１」「１５」「２３」）に配置される免震材料のグループ３（Ｇｒ３）、グループ３の免震材料の間（位置「７」「９」「１７」「１９」）に配置される免震材料のグループ４（Ｇｒ４）、グループ４の免震材料の間（位置「８」「１２」「１４」「１８」）に配置される免震材料のグループ５（Ｇｒ５）、中心（位置「１３」）に配置される免震材料のグループ６（Ｇｒ６）に分け、例えば、グループ１には免震材料ＮＲＢ６０、グループ２には免震材料ＮＲＢ６５、グループ３には免震材料ＮＲＢ６０、グループ４には免震材料ＬＲＢ７０、グループ５には免震材料ＬＲＢ６０、グループ６には免震材料ＬＲＢ８０などを配置する学習用データを入力する。
すなわち、四隅（位置「１」「５」「２１」「２５」）に配置される免震材料のグループ１（Ｇｒ１）、グループ１の免震材料の隣（位置「２」「４」「６」「１０」「１６」「２０」「２２」「２４」）に配置される免震材料のグループ２（Ｇｒ２）、グループ２の免震材料の間（位置「３」「１１」「１５」「２３」）に配置される免震材料のグループ３（Ｇｒ３）、グループ３の免震材料の間（位置「７」「９」「１７」「１９」）に配置される免震材料のグループ４（Ｇｒ４）、グループ４の免震材料の間（位置「８」「１２」「１４」「１８」）に配置される免震材料のグループ５（Ｇｒ５）、中心（位置「１３」）に配置される免震材料のグループ６（Ｇｒ６）に分け、例えば、グループ１には免震材料ＮＲＢ６０、グループ２には免震材料ＮＲＢ６５、グループ３には免震材料ＮＲＢ６０、グループ４には免震材料ＬＲＢ７０、グループ５には免震材料ＬＲＢ６０、グループ６には免震材料ＬＲＢ８０などを配置する学習用データを入力する。
また、データ入力部１０は、後述する機械学習部２３の学習結果を活用して構造物の応答量を推定する免震材料の配置の複数の組合せ、例えば、２０個の免震材料の種別と配置に関する組合せを入力する。
例えば、位置「１」、「５」、「２１」、「２５」に「ＮＲＢ６０」を、位置「２」、「４」、「６」、「１０」、「１６」、「２０」、「２２」、「２４」に「ＮＲＢ８０」を、位置「３」、「１１」、「１５」、「２３」に「ＬＲＢ６０」を、位置「７」、「９」、「１７」、「１９」に「ＬＲＢ７０」を、位置「８」、「１２」、「１４」、「１８」に「ＮＲＢ７０」を、位置「１３」に「ＬＲＢ８０」を配置する組合せなどを入力する。
なお、ここで入力される免震材料の配置の複数の組合せは、上述した、学習用支持体配置データとは別の組合せであることが望ましいが、これに限定されず、同じであっても良い。
例えば、位置「１」、「５」、「２１」、「２５」に「ＮＲＢ６０」を、位置「２」、「４」、「６」、「１０」、「１６」、「２０」、「２２」、「２４」に「ＮＲＢ８０」を、位置「３」、「１１」、「１５」、「２３」に「ＬＲＢ６０」を、位置「７」、「９」、「１７」、「１９」に「ＬＲＢ７０」を、位置「８」、「１２」、「１４」、「１８」に「ＮＲＢ７０」を、位置「１３」に「ＬＲＢ８０」を配置する組合せなどを入力する。
なお、ここで入力される免震材料の配置の複数の組合せは、上述した、学習用支持体配置データとは別の組合せであることが望ましいが、これに限定されず、同じであっても良い。
コンピュータ２０は、ＣＰＵ（Central Processing Unit）、各処理ルーチンを実現するためのプログラム等を記憶したＲＯＭ（Read Only Memory）、データを一時的に記憶するＲＡＭ（Random Access Memory）、記憶手段としてのメモリ、ネットワークインタフェース等を含んで構成されている。コンピュータ２０は、機能的には、取得部２１と、学習用データ記憶部２２と、機械学習部２３と、保存部２４と、最適化部２５と、優良解部２６と、情報出力部２７とを備えている。
取得部２１は、データ入力部１０によって受け付けられた、複数の学習用支持体配置データを取得する。
また、取得部２１は、データ入力部１０によって受け付けられた、機械学習部２３の学習結果を活用して構造物の応答量を推定する免震材料の配置の複数の組合せを取得する。
また、取得部２１は、データ入力部１０によって受け付けられた、機械学習部２３の学習結果を活用して構造物の応答量を推定する免震材料の配置の複数の組合せを取得する。
学習用データ記憶部２２には、取得部２１によって取得された複数の学習用支持体配置データが格納される。例えば、図５に示されるように、配置される位置と免震材料の種別とが対応付けられて格納される。
図５に示すように、ＩＤ「１」の学習用支持体配置データでは、位置「１」～「２５」の全てに「ＮＲＢ６０」を配置した場合の例、ＩＤ「２」の学習用支持体配置データでは、位置「１」～「２５」の全てに「ＮＲＢ６５」を配置した場合の例、ＩＤ「３」の学習用支持体配置データでは、位置「１」～「２５」の全てに「ＮＲＢ７０」を配置した場合の例、ＩＤ「４」の学習用支持体配置データでは、位置「１」～「２５」の全てに「ＮＲＢ８０」を配置した場合の例、ＩＤ「１１」の学習用支持体配置データでは、位置「１」～「１３」に「ＮＲＢ６０」、位置「１４」～「２５」に「ＮＲＢ６５」を配置した場合の例、ＩＤ「１５」の学習用支持体配置データでは、位置「１」～「１３」に「ＮＲＢ６０」、位置「１４」～「２５」に「ＬＲＢ６０」を配置した場合の例、ＩＤ「９９」の学習用支持体配置データでは、位置「１」に「ＳＳＲ４５Ｈ」、位置「２」に「ＮＲＢ６０」、位置「３」に「ＬＲＢ６０」、位置「４」に「ＮＲＢ６０」、位置「５」に「ＬＲＢ７０」、位置「６」に「ＳＳＲ６５Ｈ」、位置「７」に「ＮＲＢ６０」、位置「８」に「ＮＲＢ８０」、位置「９」に「ＬＲＢ７０」、位置「１０」に「ＳＳＲ４５Ｌ」、位置「１１」に「ＮＲＢ６５」、位置「１２」に「ＮＲＢ６０」、位置「１３」に「ＬＲＢ７０」、位置「１４」に「ＮＲＢ６０」、位置「１５」に「ＳＳＲ４５Ｈ」、位置「１６」に「ＬＲＢ６０」、位置「１７」に「ＮＲＢ６０」、位置「１８」に「ＬＲＢ６０」、位置「１９」に「ＳＳＲ４５Ｌ」、位置「２０」に「ＮＲＢ８０」、位置「２１」に「ＮＲＢ６０」、位置「２２」に「ＬＲＢ８０」、位置「２３」に「ＮＲＢ６０」、位置「２４」に「ＬＲＢ６０」、位置「２５」に「ＬＲＢ７０」を配置した場合の例、である。
また、ＩＤ「１０１」～「２００」の学習用支持体配置データでは、免震材料の配置はＩＤ「１」～「１００」と同じであるが、オイルダンパーを「１」個備えている例である。
また、ＩＤ「２０１」～「３００」の学習用支持体配置データでは、免震材料の配置はＩＤ「１」～「１００」と同じであるが、オイルダンパーを「８」個備えている例である。
また、ＩＤ「２０１」～「３００」の学習用支持体配置データでは、免震材料の配置はＩＤ「１」～「１００」と同じであるが、オイルダンパーを「８」個備えている例である。
なお、学習用支持体配置データとして「３００」パターンを入力したがこれに限定されない。また、オイルダンパーの数として「０」個、「１」個、「８」個のパターンを入力したがこれに限定されない。
また、学習用支持体配置データは、免震特性の広範な分布をカバーすることが望ましいため、同じ免震材料を使用する場合と、複数の免震材料を組合せて使用する場合とを含むように入力される。
また、学習用支持体配置データは、免震特性の広範な分布をカバーすることが望ましいため、同じ免震材料を使用する場合と、複数の免震材料を組合せて使用する場合とを含むように入力される。
機械学習部２３は、学習用データ記憶部２２に格納された複数の学習用支持体配置データを元に、図６に示す入力に示す諸元を算定する。そして、算出された諸元を元に、後述するように学習用支持体配置データを時刻歴応答解析し、解析結果を機械学習することで学習結果（推定器）を得る。
具体的には、図６に示すように、免震層等価固有周期（sec）の５mm変形時、２００mm変形時、４００mm変形時の諸元、履歴減衰による等価粘性減衰定数(%)の５mm変形時、２００mm変形時、４００mm変形時の諸元、粘性ダンパーにより付加される等価粘性減衰定数（％）の５mm変形時、２００mm変形時、４００mm変形時の諸元、免震層の層せん断力係数のうち、免震層二次剛性により生じる分の５mm変形時、２００mm変形時、４００mm変形時の諸元、免震層の層せん断力係数のうち、免震層切片荷重により生じる分の５mm変形時、２００mm変形時、４００mm変形時の諸元、を算定する。
なお、学習用支持体配置データを元に算定される諸元は、図６に示すものに限定されず、又、図６に示す全てを算定する場合に限定されず、一部のみ、例えば、免震層等価固有周期(s)のみを算定するようにしても良い。
具体的には、図６に示すように、免震層等価固有周期（sec）の５mm変形時、２００mm変形時、４００mm変形時の諸元、履歴減衰による等価粘性減衰定数(%)の５mm変形時、２００mm変形時、４００mm変形時の諸元、粘性ダンパーにより付加される等価粘性減衰定数（％）の５mm変形時、２００mm変形時、４００mm変形時の諸元、免震層の層せん断力係数のうち、免震層二次剛性により生じる分の５mm変形時、２００mm変形時、４００mm変形時の諸元、免震層の層せん断力係数のうち、免震層切片荷重により生じる分の５mm変形時、２００mm変形時、４００mm変形時の諸元、を算定する。
なお、学習用支持体配置データを元に算定される諸元は、図６に示すものに限定されず、又、図６に示す全てを算定する場合に限定されず、一部のみ、例えば、免震層等価固有周期(s)のみを算定するようにしても良い。
算定された諸元の一例を、全ての位置に免震材料「ＮＲＢ６０」を配置し、オイルダンパーを８個使用したＩＤ「２０１」の場合を挙げて説明する。
図６に示すように、全ての位置に免震材料「ＮＲＢ６０」を配置し、オイルダンパーを８個使用した場合の免震層等価固有周期(s)の諸元は、５mm変形時では４．８０４[sec]、２００mm変形時では４．８０４[sec]、４００mm変形時では４．８０４[sec]、であり、履歴減衰による等価減衰定数の諸元は、５mm変形時では０[%]、２００mm変形時では０［％］、４００mm変形時では０［％］、であり、オイルダンパーにより付加される等価粘性減衰定数の諸元は、５mm変形時では９６．８８［％］、２００mm変形時では９６．８８［％］、４００mm変形時では６１．８１［％］であり、免震層の層せん断力係数のうち免震層二次剛性により生じる分の諸元は、５mm変形時では０．０００９、２００mm変形時では０．０３４９、４００mm変形時では０．０６９８であり、免震層の層せん断力係数のうち免震層切片荷重により生じる分の諸元は、５mm変形時では０．０００、２００mm変形時では０．０００、４００mm変形時では０．０００である。
図６に示すように、全ての位置に免震材料「ＮＲＢ６０」を配置し、オイルダンパーを８個使用した場合の免震層等価固有周期(s)の諸元は、５mm変形時では４．８０４[sec]、２００mm変形時では４．８０４[sec]、４００mm変形時では４．８０４[sec]、であり、履歴減衰による等価減衰定数の諸元は、５mm変形時では０[%]、２００mm変形時では０［％］、４００mm変形時では０［％］、であり、オイルダンパーにより付加される等価粘性減衰定数の諸元は、５mm変形時では９６．８８［％］、２００mm変形時では９６．８８［％］、４００mm変形時では６１．８１［％］であり、免震層の層せん断力係数のうち免震層二次剛性により生じる分の諸元は、５mm変形時では０．０００９、２００mm変形時では０．０３４９、４００mm変形時では０．０６９８であり、免震層の層せん断力係数のうち免震層切片荷重により生じる分の諸元は、５mm変形時では０．０００、２００mm変形時では０．０００、４００mm変形時では０．０００である。
また、機械学習部２３は、学習用データ記憶部２２に格納された複数の学習用支持体配置データを諸元を元に時刻歴応答解析し、解析結果を機械学習して学習結果（推定器）を得る。
ここで、本実施形態では、時刻歴応答解析は質点系モデルで行い、機械学習にはＲ言語の機械学習プログラムを用い、アルゴリズムにはランダムフォレストを採用したが、これに限定されない。
ここで、本実施形態では、時刻歴応答解析は質点系モデルで行い、機械学習にはＲ言語の機械学習プログラムを用い、アルゴリズムにはランダムフォレストを採用したが、これに限定されない。
本免震材料の種別及び配置最適化支援については、多目的組み合わせ最適化問題として図７に示す式で定式化される。
ここで、目的関数である、ＤＩＳＰ、ＡＣＣ、ＣＯＳＴ、Ｎdevは、それぞれ、地震時に免震層上部に生じる最大応答変位、最大応答加速度、免震材料とオイルダンパーとを合わせた総コスト、使用する免震材料の種別数、を表す。また、Ｘは、免震材料の選択を表す設計変数、Ｌisoは選択候補とする免震材料のリスト、Ｃvは付加する粘性ダンパーの減衰係数を表す設計変数、Ｃv UおよびＣv Lはその上下限値を表す。Ｌiso，Ｃv UおよびＣv Lは，軸力レベルや建物規模等から設計者が事前に定める。ｇ（Ｘ）≧０は免震装置の設計時に満たすべき全ての制約条件で、長期および短期の軸力上下限値制約、偏心率の制約などからなる。
なお、実際の設計において、オイルダンパーは既製のものを使用し、またその種類はあらかじめ決めたうえで、その個数を調整するのが一般的である。よって、以降は問題（Ｐ）中のＣv，Ｃv U，Ｃv Lをそれぞれ、オイルダンパーの個数を表す設計変数ｎvおよびその上下限値ｎv U，ｎv Lに読み替えて扱う。
ここで、目的関数である、ＤＩＳＰ、ＡＣＣ、ＣＯＳＴ、Ｎdevは、それぞれ、地震時に免震層上部に生じる最大応答変位、最大応答加速度、免震材料とオイルダンパーとを合わせた総コスト、使用する免震材料の種別数、を表す。また、Ｘは、免震材料の選択を表す設計変数、Ｌisoは選択候補とする免震材料のリスト、Ｃvは付加する粘性ダンパーの減衰係数を表す設計変数、Ｃv UおよびＣv Lはその上下限値を表す。Ｌiso，Ｃv UおよびＣv Lは，軸力レベルや建物規模等から設計者が事前に定める。ｇ（Ｘ）≧０は免震装置の設計時に満たすべき全ての制約条件で、長期および短期の軸力上下限値制約、偏心率の制約などからなる。
なお、実際の設計において、オイルダンパーは既製のものを使用し、またその種類はあらかじめ決めたうえで、その個数を調整するのが一般的である。よって、以降は問題（Ｐ）中のＣv，Ｃv U，Ｃv Lをそれぞれ、オイルダンパーの個数を表す設計変数ｎvおよびその上下限値ｎv U，ｎv Lに読み替えて扱う。
例えば、Ｘ＝［ＮＲＢ６０，ＮＲＢ６０，・・・ＮＲＢ６０，ＮＲＢ６０］として、ＩＤ「２０１」の場合、すなわち、位置「１」～「２５」の全てに「ＮＲＢ６０」を使用し、ｎ（オイルダンパーの個数）「８」の場合、の時刻歴応答解析によって求められるＤＩＳＰは、１４．９ｃｍ、ＡＣＣは１０２．４６ [cm/sec2]、ＣＯＳＴは、１，９００×２５＋３，０００×８＝７１，５００ [千円]、Ｎdev＝１、となる。
保存部２４には、機械学習部２３によって得られた学習結果（推定器）が格納される。
最適化部２５は、学習結果（推定器）を活用して、取得部２１によって取得された免震材料の配置の複数の組合せにおける構造物の応答量（最大変位、最大加速度）の推定と、推定された応答量の最適化とを行う。
具体的には、免震材料の配置の複数の組合せの１つ１つについて、学習結果（推定器）を使用して、時刻歴応答解析を実行して構造物の応答量を推定し、推定された応答量を多目的ＳＡ法（焼きなまし法（ＭＯＳＡ：Ｍｕｌｔｉｐｌｅ－Ｏｂｊｅｃｔｉｖｅ Ｓｉｍｕｌａｔｅｄ Ａｎｅａｌｉｎｇ））によって所定回数、例えば１５００回、繰り返し最適化を行う。
具体的には、免震材料の配置の複数の組合せの１つ１つについて、学習結果（推定器）を使用して、時刻歴応答解析を実行して構造物の応答量を推定し、推定された応答量を多目的ＳＡ法（焼きなまし法（ＭＯＳＡ：Ｍｕｌｔｉｐｌｅ－Ｏｂｊｅｃｔｉｖｅ Ｓｉｍｕｌａｔｅｄ Ａｎｅａｌｉｎｇ））によって所定回数、例えば１５００回、繰り返し最適化を行う。
本実施形態では、免震材料の配置の複数の組合せとして２０個を取得し、各組合せに対し最適化を１５００回繰り返すため、２０×１，５００＝３０，０００の探索解を得ることとなる。
そして、全探索解をプロットした結果を図８に示す。
ここで、多目的ＳＡ法を用いた最適化は、汎用の最適化パッケージである「ｍｏｄｅＦＲＯＮＴＩＥＲ」（登録商標）を用いたが、これに限定されない。
そして、全探索解をプロットした結果を図８に示す。
ここで、多目的ＳＡ法を用いた最適化は、汎用の最適化パッケージである「ｍｏｄｅＦＲＯＮＴＩＥＲ」（登録商標）を用いたが、これに限定されない。
優良解部２６は、免震材料の配置の複数の組合せについて、最適化部２５により推定された全応答量を取得し、所定のフィルタリングを実行して、優良解を得る。
ここで、上述したように、本実施形態では、全応答量は、図８にプロットした３０，０００個の探索解である。
ここで、上述したように、本実施形態では、全応答量は、図８にプロットした３０，０００個の探索解である。
フィルタリングは、少なくとも構造物の加速度及び変位から優良解を得ることである。
具体的には、図８にプロットする３０，０００個の探索解の中から、横軸である最大加速度と、縦軸である最大変位との両方が小さくなる探索解、すなわち、図８に示す探索解の中から点線で囲まれた複数個、例えば、２００個の優良解を抽出する。
かかる探索解の抽出は、横軸である最大加速度の数値と、縦軸である最大変位との計を比較し、小さくなる探索解を抽出することとなる。
具体的には、図８にプロットする３０，０００個の探索解の中から、横軸である最大加速度と、縦軸である最大変位との両方が小さくなる探索解、すなわち、図８に示す探索解の中から点線で囲まれた複数個、例えば、２００個の優良解を抽出する。
かかる探索解の抽出は、横軸である最大加速度の数値と、縦軸である最大変位との計を比較し、小さくなる探索解を抽出することとなる。
なお、かかる探索解の抽出は、優良解部２６（コンピュータ）が行っても良いが、設計者が探索解の中から選択することによっても実現することが可能である。
この場合には、データ入力部１０を用い、選択した優良解を入力することとなる。
この場合には、データ入力部１０を用い、選択した優良解を入力することとなる。
ここで、フィルタリングにより抽出された２００個の優良解について、図７の各目的関数値を軸とする多次元解析チャートを図９に示す。
これらの中から、例として（ａ）推定加速度最小の免震材料の配置、（ｂ）推定変位最小の免震材料の配置、（ｃ）コスト最小の免震材料の配置、（ｄ）これらの目的関数値がいずれも中間的な値を取る免震材料の配置、についてオイルダンパーの数と共に図１０に示す。
図９中のチャート（ａ）（ｂ）（ｃ）（ｄ）は、図１０の（ａ）（ｂ）（ｃ）（ｄ）にそれぞれ相当する。
これらの中から、例として（ａ）推定加速度最小の免震材料の配置、（ｂ）推定変位最小の免震材料の配置、（ｃ）コスト最小の免震材料の配置、（ｄ）これらの目的関数値がいずれも中間的な値を取る免震材料の配置、についてオイルダンパーの数と共に図１０に示す。
図９中のチャート（ａ）（ｂ）（ｃ）（ｄ）は、図１０の（ａ）（ｂ）（ｃ）（ｄ）にそれぞれ相当する。
ここで、図１０における四角で囲った数字は各位置に配置される免震材料の種別を示す数値であり、「１」はＮＲＢ６０、「２」はＮＲＢ７０、「３」はＮＲＢ８０、「４」はＬＲＢ６０、「５」はＬＲＢ７０、「６」はＬＲＢ８０、「７」はＳＳＲ４５Ｌ、「８」はＳＳＲ５５Ｌ、「９」はＳＳＲ６５Ｌ、「１０」はＳＳＲ４５Ｈ、「１１」はＳＳＲ５５Ｈ、「１２」はＳＳＲ６５Ｈ、をそれぞれ示すものである。
例えば、（ａ）推定加速度最小の免震材料の配置は、位置「１」にＳＳＲ４５Ｌ、位置「２」にＳＳＲ５５Ｌ、位置「３」にＮＲＢ７０、位置「４」にＳＳＲ５５Ｌ、位置「５」にＳＳＲ４５Ｌ、位置「６」にＳＳＲ５５Ｌ、位置「７」にＳＳＲ６５Ｌ、位置「８」にＳＳＲ６５Ｌ、位置「９」にＳＳＲ６５Ｌ、位置「１０」にＳＳＲ５５Ｌ、位置「１１」にＮＲＢ７０、位置「１２」にＳＳＲ６５Ｌ、位置「１３」にＳＳＲ６５Ｌ、位置「１４」にＳＳＲ６５Ｌ、位置「１５」にＮＲＢ７０、位置「１６」にＳＳＲ５５Ｌ、位置「１７」にＳＳＲ６５Ｌ、位置「１８」にＳＳＲ６５Ｌ、位置「１９」にＳＳＲ６５Ｌ、位置「２０」にＳＳＲ５５Ｌ、位置「２１」にＳＳＲ４５Ｌ、位置「２２」にＳＳＲ５５Ｌ、位置「２３」にＮＲＢ７０、位置「２４」にＳＳＲ５５Ｌ、位置「２５」にＳＳＲ４５Ｌ、をそれぞれ配置し、オイルダンパーを３個使用すると、推定加速度が最小になることを示している。
情報出力部２７は、優良解部によって得られた優良解を用いて、時刻歴応答解析を実行して、適正な免震材料の種別及び免震材料の配置の最終採用解に関する情報を出力する。
すなわち、本発明は、免震材料の種別及び免震材料の配置の組合せが無数にあり、全ての免震材料の種別及び免震材料の配置の組合せについて時刻歴応答解析を実行することは不可能であるが、学習した推定器を用いることで、時刻歴応答解析を実行する免震材料の種別及び免震材料の配置の組合せを少なくすることを可能とするものである。
すなわち、本発明は、免震材料の種別及び免震材料の配置の組合せが無数にあり、全ての免震材料の種別及び免震材料の配置の組合せについて時刻歴応答解析を実行することは不可能であるが、学習した推定器を用いることで、時刻歴応答解析を実行する免震材料の種別及び免震材料の配置の組合せを少なくすることを可能とするものである。
ここで、出力される適正な免震材料の種別及び免震材料の配置の最終採用解に関する情報としては、位置「１」には免震材料「ＮＲＢ７０」を、位置「２」には免震材料「ＬＲＢ６０」を、というような形式の免震材料の種別及び免震材料の配置に関する情報が出力される。
免震材料の種別及び配置最適化支援装置のユーザである設計者は、出力された免震材料の種別及び免震材料の配置を参考にして、対象の構造物の免震材料の種別及び免震材料の配置を決定する。
免震材料の種別及び配置最適化支援装置のユーザである設計者は、出力された免震材料の種別及び免震材料の配置を参考にして、対象の構造物の免震材料の種別及び免震材料の配置を決定する。
なお、出力される免震材料の種別及び免震材料の配置に関する情報は、１パターンに限定されず、複数パターン出力されても良い。
このような複数パターン出力される場合であっても、設計者が、複数の出力された免震材料の種別及び免震材料の配置を参考にして、対象の構造物の免震材料の種別及び免震材料の配置を決定することとなる。
このような複数パターン出力される場合であっても、設計者が、複数の出力された免震材料の種別及び免震材料の配置を参考にして、対象の構造物の免震材料の種別及び免震材料の配置を決定することとなる。
出力部３０は、情報出力部２７によって出力された、免震材料の種別及び免震材料の配置に関する情報を結果として出力する。例えば、出力部３０は、ディスプレイによって実現される。
免震材料の種別及び免震材料の配置を設計する設計者は、出力部３０によって出力された免震材料の種別及び免震材料の配置に関する情報を確認し、対象の構造物の免震材料の種別及び免震材料の配置を決定する際の参考にする。そして、設計者は、最終的な免震材料の種別及び免震材料の配置を決定すると、実際の建設工事が行われる。
＜免震材料の種別及び配置最適化支援装置の作用＞
つぎに、免震材料の種別及び配置最適化支援装置１００の作用を説明する。免震材料の種別及び配置最適化支援装置１００は、学習処理ルーチンと免震材料の種別及び配置最適化支援処理ルーチンとを実行する。
＜学習処理ルーチン＞
図１に示すように、免震材料の種別及び配置最適化支援装置１００のデータ入力部１０による学習用の構造物を支持する免震材料の種別と配置に関する複数の学習用支持体配置データの入力を受け付けると、学習用データ記憶部２２へ格納する。そして、免震材料の種別及び配置最適化支援装置１００のコンピュータ２０は、学習処理の実行の指示信号を受け付けると、図１１に示す学習処理ルーチンを実行する。
ステップＳ１００において、機械学習部２３は、学習用データ記憶部２２に格納された複数の学習用支持体配置データを取得する。
ステップＳ１０２において、機械学習部２３は、上記ステップＳ１００で取得された複数の学習用支持体配置データを元に諸元を算定し、算定された諸元を元に時刻歴応答解析を実行し、解析結果を機械学習して、学習結果として推定器を作成する。
ステップＳ１０４において、機械学習部２３は、上記ステップＳ１０２で作成された推定器を保存部２４に格納して、学習処理ルーチンを終了する。
＜免震材料の種別及び配置最適化支援処理ルーチン＞
免震材料の種別及び配置最適化支援装置１００は、保存部２４に推定器が格納され、且つデータ入力部１０が、機械学習部の学習結果を活用して構造物の応答量を推定する免震材料の配置の複数の組合せを受け付けると、図１２に示す免震材料の種別及び配置最適化支援処理ルーチンを実行する。
ステップＳ２００において、最適化部２５は、データ入力部１０によって受け付けた、構造物の応答量を推定する免震材料の配置の複数の組合せを取得する。
ステップＳ２０２において、最適化部２５は、保存部２４に格納された推定器を読み出し、読み出した推定器を使用して、構造物の応答量を推定する免震材料の配置の複数の組合せについて構造物の応答量を推定し、推定された応答量を多目的ＳＡ法によって最適化を行う。
ステップＳ２０４において、優良解部２６は、上記ステップＳ２０２で推定された応答量を取得し、フィルタリングをして、優良解を得る。
ステップＳ２０６において、情報出力部２７は、上記ステップＳ２０４で取得された優良解を用いて時刻歴応答解析を実行して、免震材料の種別及び免震材料の配置の最終採用解に関する情報を出力する。
出力部３０は、情報出力部２７によって出力された最終採用解に関する情報を結果として出力する。設計者は、出力された免震材料の種別及び免震材料の配置を参考にして、対象の構造物の免震材料の種別及び免震材料の配置を決定する。
以上詳細に説明したように、本実施形態では、設計者の見識と経験に頼らず、免震材料の選択と配置とを効率的に行うことを可能にすることができる。
また、本実施形態では、免震材料の種別及び免震材料の配置の組合せが無数にあり、全ての免震材料の種別及び免震材料の配置の組合せについて時刻歴応答解析を実行することは不可能であるが、学習した推定器を用いることで、時刻歴応答解析を実行する免震材料の種別及び免震材料の配置の組合せを少なくすることを可能にすることができる。
また、本実施形態では、免震材料の種別及び免震材料の配置の組合せが無数にあり、全ての免震材料の種別及び免震材料の配置の組合せについて時刻歴応答解析を実行することは不可能であるが、学習した推定器を用いることで、時刻歴応答解析を実行する免震材料の種別及び免震材料の配置の組合せを少なくすることを可能にすることができる。
なお、本発明は、上述した実施の形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。
例えば、上記実施形態では、免震材料の種別及び配置の最適化を支援する場合を例に説明したが、免震材料に限定されず、杭基礎の種別及び配置の最適化を支援する場合に用いても良い。
杭基礎の種別としては、杭基礎の径の大きさや、コンクリート杭、鋼杭などの杭の種類、場所打ち杭による工法、既製杭による工法などの工法の種類、などがあり、上記実施形態を変形して、杭基礎の種別及び配置の最適化を支援するようにしても良い。
杭基礎の種別としては、杭基礎の径の大きさや、コンクリート杭、鋼杭などの杭の種類、場所打ち杭による工法、既製杭による工法などの工法の種類、などがあり、上記実施形態を変形して、杭基礎の種別及び配置の最適化を支援するようにしても良い。
また、最適化を行うモデルとして、多目的ＳＡ法を例に説明したが、これに限定されるものではない。例えば、遺伝的アルゴリズム、モンテカルロ法などを用いても良い。
また、優良解について時刻歴応答解析を実行することにより最終採用解を得るようにしているが、これに限定されるものではない。例えば、時刻歴応答解析ではなく、ニューラルネットワークによる機械学習などを用いて最終採用解を得るようにしても良い。
また、上記ではプログラムがＨＤＤなどの記憶部（図示省略）に予め記憶（インストール）されている態様を説明したが、プログラムは、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ及びマイクロＳＤカード等の記録媒体の何れかに記録されている形態で提供することも可能である。
また、本発明は、支持体の種別及び配置最適化支援装置として説明しているが、支持体の種別及び配置最適化支援方法とすることも可能である。
この場合には、構造物を支持する支持体の種別と配置に関する複数の学習用支持体配置データを入力するデータ入力ステップと、学習用支持体配置データを時刻歴応答解析し、解析結果を機械学習する機械学習ステップと、機械学習ステップの学習結果を格納する学習結果保存ステップと、学習結果を活用して支持体の配置の複数の組合せの内、一つの組合せにおける構造物の応答量を推定し、当該推定された応答量を最適化する最適化ステップと、支持体の配置の複数の組合せについて、最適化ステップにより推定された全応答量を取得し、所定のフィルタリングを実行して優良解を得る優良解ステップと、優良解を用いて、時刻歴応答解析を実行して、適正な支持体の種別及び支持体の配置の最終採用解に関する情報を出力する情報出力ステップと、を含む支持体の種別及び配置最適化支援方法、としてとらえることが可能である。
この場合には、構造物を支持する支持体の種別と配置に関する複数の学習用支持体配置データを入力するデータ入力ステップと、学習用支持体配置データを時刻歴応答解析し、解析結果を機械学習する機械学習ステップと、機械学習ステップの学習結果を格納する学習結果保存ステップと、学習結果を活用して支持体の配置の複数の組合せの内、一つの組合せにおける構造物の応答量を推定し、当該推定された応答量を最適化する最適化ステップと、支持体の配置の複数の組合せについて、最適化ステップにより推定された全応答量を取得し、所定のフィルタリングを実行して優良解を得る優良解ステップと、優良解を用いて、時刻歴応答解析を実行して、適正な支持体の種別及び支持体の配置の最終採用解に関する情報を出力する情報出力ステップと、を含む支持体の種別及び配置最適化支援方法、としてとらえることが可能である。
１０ データ受付部
２０ コンピュータ
２１ 取得部
２２ 学習用データ記憶部
２３ 機械学習部
２４ 保存部
２５ 最適化部
２６ 優良解部
２７ 情報出力部
３０ 出力部
１００ 免震材料の種別及び配置支援装置
２０ コンピュータ
２１ 取得部
２２ 学習用データ記憶部
２３ 機械学習部
２４ 保存部
２５ 最適化部
２６ 優良解部
２７ 情報出力部
３０ 出力部
１００ 免震材料の種別及び配置支援装置
Claims (3)
- 構造物を支持する支持体の種別と配置に関する複数の学習用支持体配置データを入力するデータ入力部と、
前記学習用支持体配置データを時刻歴応答解析し、解析結果を機械学習する機械学習部と、
前記機械学習部の学習結果を格納する保存部と、
前記学習結果を活用して前記支持体の配置の複数の組合せにおける構造物の応答量を推定し、当該推定された応答量を最適化する最適化部と、
前記支持体の配置の複数の組合せについて、前記最適化部により推定された全応答量を取得し、所定のフィルタリングを実行して優良解を得る優良解部と、
前記優良解を用いて、時刻歴応答解析を実行して、適正な支持体の種別及び支持体の配置の最終採用解に関する情報を出力する情報出力部と、
を含む支持体の種別及び配置最適化支援装置。 - 前記学習用支持体配置データは、少なくとも地震動の大きさを示すレベルにおける前記支持体の固有周期であることを特徴とする請求項１に記載の支持体の種別及び配置最適化支援装置。
- 前記フィルタリングは、少なくとも前記構造物の加速度及び変位から前記優良解を得ることを特徴とする請求項１又は２に記載の支持体の種別及び配置最適化支援装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018241663A JP7036385B2 (ja) | 2018-12-25 | 2018-12-25 | 支持体の種別及び配置最適化支援装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018241663A JP7036385B2 (ja) | 2018-12-25 | 2018-12-25 | 支持体の種別及び配置最適化支援装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020102157A JP2020102157A (ja) | 2020-07-02 |
| JP7036385B2 true JP7036385B2 (ja) | 2022-03-15 |
Family
ID=71139738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018241663A Active JP7036385B2 (ja) | 2018-12-25 | 2018-12-25 | 支持体の種別及び配置最適化支援装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7036385B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7555743B2 (ja) | 2020-07-17 | 2024-09-25 | 株式会社竹中工務店 | 設計支援装置、設計支援方法、及び設計支援プログラム |
| JP7158554B1 (ja) * | 2021-10-29 | 2022-10-21 | 日鉄エンジニアリング株式会社 | 学習用データセット生成システム、学習済みモデルの作成方法、地震応答予測装置、学習用データセット生成方法及びプログラム |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003108618A (ja) | 2001-09-28 | 2003-04-11 | Nippon Soken Holdings:Kk | 建造物への制振ダンパーの配置量決定支援方法及びそのシステム並びにそのプログラム |
| JP2008112374A (ja) | 2006-10-31 | 2008-05-15 | Bridgestone Corp | 免震部材配置計画支援装置及び免震部材配置計画支援プログラム |
| JP2014235693A (ja) | 2013-06-05 | 2014-12-15 | ジャパンホームシールド株式会社 | 基礎地業設計システム、そのプログラムおよび記録媒体、ならびに基礎梁への負担荷重の設定方法および杭の支持力の案分方法、ならびに杭の配置情報の判定方法 |
-
2018
- 2018-12-25 JP JP2018241663A patent/JP7036385B2/ja active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003108618A (ja) | 2001-09-28 | 2003-04-11 | Nippon Soken Holdings:Kk | 建造物への制振ダンパーの配置量決定支援方法及びそのシステム並びにそのプログラム |
| JP2008112374A (ja) | 2006-10-31 | 2008-05-15 | Bridgestone Corp | 免震部材配置計画支援装置及び免震部材配置計画支援プログラム |
| JP2014235693A (ja) | 2013-06-05 | 2014-12-15 | ジャパンホームシールド株式会社 | 基礎地業設計システム、そのプログラムおよび記録媒体、ならびに基礎梁への負担荷重の設定方法および杭の支持力の案分方法、ならびに杭の配置情報の判定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2020102157A (ja) | 2020-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Effectiveness of fluid-viscous dampers for improved seismic performance of inter-storey isolated buildings | |
| Kolay et al. | Implementation and application of the unconditionally stable explicit parametrically dissipative KR‐α method for real‐time hybrid simulation | |
| Kaveh et al. | Optimum parameters of tuned mass dampers for seismic applications using charged system search | |
| Kaveh et al. | Performance-based multi-objective optimization of large steel structures | |
| JP7036385B2 (ja) | 支持体の種別及び配置最適化支援装置 | |
| Lara-Valencia et al. | Design of a tuned mass damper inerter (TMDI) based on an exhaustive search optimization for structural control of buildings under seismic excitations | |
| Zhang et al. | Optimal sensor placement for latticed shell structure based on an improved particle swarm optimization algorithm | |
| Mortezaei et al. | Effectiveness of modified pushover analysis procedure for the estimation of seismic demands of buildings subjected to near‐fault earthquakes having forward directivity | |
| Moschen et al. | Vertical acceleration demands on column lines of steel moment‐resisting frames | |
| CN112231821B (zh) | 一种基于可靠度分析的基础隔震结构体系优化方法 | |
| Morales‐Beltran et al. | Distribution of strong earthquake input energy in tall buildings equipped with damped outriggers | |
| Wang et al. | Stochastic optimization and sensitivity analysis of the combined negative stiffness damped outrigger and conventional damped outrigger systems subjected to nonstationary seismic excitation | |
| Netzer et al. | Optimized seismic design of passively damped outriggers considering perimeter column flexibility | |
| Zhang et al. | Novel model‐free optimal active vibration control strategy based on deep reinforcement learning | |
| Rezazadeh et al. | Optimum energy-based design of BRB frames using nonlinear response history analysis | |
| Ningthoukhongjam et al. | Mass irregularity effect on seismic response of moment‐resisting steel frame by nonlinear time history analysis using force analogy method | |
| Shi et al. | A structural pounding formulation using systematic modal truncation | |
| Fakhry et al. | Optimized seismic response control of coupled FEM-BEM high-rise structural models using magnetorheological dampers | |
| CN114527769B (zh) | 轨迹规划方法、装置、运动设备及计算机可读存储介质 | |
| JP2021014761A (ja) | 支持体の種別及び配置の最適化支援装置 | |
| Kazemi Bidokhti et al. | Semi‐active fuzzy control for seismic response reduction of building frames using SHD dampers | |
| Momeni et al. | Multi-objective control optimization of isolated bridge using replicator controller and NSGA-II | |
| Pan | Earthquake ground motion estimation for buildings using absolute floor acceleration response data | |
| JP2021105874A (ja) | 架構データ生成装置、架構データ生成方法及び架構データ生成プログラム | |
| Mohebbi | Minimizing Hankel’s norm as design criterion of multiple tuned mass dampers |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20190123 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201217 |
|
| 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: 20220201 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220221 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7036385 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |