JP7117737B2 - 建造物損傷状況推定システム及び建造物損傷状況推定方法 - Google Patents
建造物損傷状況推定システム及び建造物損傷状況推定方法 Download PDFInfo
- Publication number
- JP7117737B2 JP7117737B2 JP2019022413A JP2019022413A JP7117737B2 JP 7117737 B2 JP7117737 B2 JP 7117737B2 JP 2019022413 A JP2019022413 A JP 2019022413A JP 2019022413 A JP2019022413 A JP 2019022413A JP 7117737 B2 JP7117737 B2 JP 7117737B2
- Authority
- JP
- Japan
- Prior art keywords
- damage
- learning
- building
- response
- pattern
- 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
Description
振動台実験
鋼構造骨組のブレース損傷箇所を推定するシステム(損傷推定AIシステムという)の学習およびテストデータの取得を目的に、防災科研つくば本所の大型耐震実験施設の1軸振動台で振動台実験を実施した。対象とする試験体を図13に示す。試験体は短辺6m、長辺方向12m、高さ14m(階高3、5m)の4層の鋼構造骨組を1/3に縮小したモデルであり、スラブおよび3層目、4層目は重量のみを考慮している。図13に示すように試験体の2層目にブレースを4本設置している。ブレースはターンバックルを伸ばすことにより、塑性変形による損傷を模擬している。想定するブレースの損傷パターンを図14に示す。損傷パターンD1とD2は4本とも損傷しているがD1が2mm、D2が1mm伸びており、損傷の度合いが異なる損傷パターンを意図している。D2以外の損傷ブレースの伸びは2mmであり、D3は損傷なし、D5、D6は損傷したブレースの本数が1本、D4、D7、D8は損傷したブレースの本数が2本である。
DNNによる損傷パターンの多クラス分類
以下、「多クラス分類」とは、「損傷パターンの場合分け」と同義とする。
検証例題
本節では、用いるセンサーの数や自由度成分、サンプリング長、各階層のノード数を検証パラメーターとして、交差検定による評価を行い、適切な設定を把握し、提案するAIシステムの適用性を検証する。「振動台実験」の説明の節で述べたように、センサー数は3または5とし、自由度成分はx方向加速度のみの1成分、または、x方向加速度とy軸周りの角速度の2成分とし、サンプリング長は1秒または2秒とする。各階層のノード数については表2に示す3ケースを扱う。
過ぎてDNNのモデルとしての表現能力が劣るためと推察される。
本発明に係る建造物損傷状況推定システム1及び建造物損傷状況推定方法の実現性検討として、学習データ、テストデータに振動台実験データを用いて、損傷ブレース部材の推定問題への深層学習によるディープニューラルネット(DNN)の適用性を検証した。異なるセンサー数、自由度成分数、サンプル長、中間層タイプのケースにおいて交差検定を実施し、以下の結論を得た。
(1) 中間層1 層目のノード数と入力層のノード数の比(以下、ノード数の比)が小さくなり過ぎると、正解率が急激に低下する。検証例題では、ノード数の比が0.1 以下の場合、正解率の大幅な低下が見られた。
(2) ノード数の比が0.1 以上のケースでは77%以上の高い正解率となり、最も高い値として87.9%の正解率を達成し、DNN の高い適用性を示した。
(3) ノード数の比が0.1 以上の場合の中間層タイプの違いや自由度成分数の違いが正解率に及ぼす影響はわずかであるが、サンプル長の違いが正解率に及ぼす影響は比較的大きく、サンプル長が2 秒のほうがサンプル長1 秒に比べて10%程度正解率が落ちるケースが見られた。
(4) それぞれの損傷パターンの判定結果から、損傷箇所が同じで損傷の度合い異なる損傷パターン間で誤判定が最も起きやすく、次いで、損傷ブレースの本数が同じ損傷パターン間で誤判定が起こりやすいことがわかった。
50・・・振動センサー
100・・・データ処理装置
110・・・記憶部
200・・・報知装置
Claims (12)
- 建造物に設置される物理センサーと、
前記物理センサーによって取得される応答データが入力されると共に、各種データ処理が実行され、各種データを記憶する記憶部を有するデータ処理装置と、を有する建造物損傷状況推定システムであって、
前記データ処理装置が、
前記物理センサーによって、地震に基づく実際の実応答を取得する実応答取得工程と、
応答を入力とし損傷パターンを出力とする機械学習により得られた学習済みモデルにより、実応答を入力として、建造物の損傷状況を推定する推定工程と、
前記建造物の予め選定された損傷パターンを考慮したシミュレーションモデルに模擬的振動を入力したときにおける前記物理センサー設置箇所における模擬応答をシミュレーションするシミュレーション工程と、
選定された損傷パターンでの模擬応答を損傷パターンと紐付けて前記記憶部に記憶する記憶工程と、
前記シミュレーション工程と前記記憶工程とを繰り返し、前記記憶部における記憶データ数を増やすことで、学習データベースを作成する学習データベース作成工程と、を実行し、
前記学習データベースが
予め選定された一つまたは複数の損傷候補箇所から複数の損傷パターンを想定し、損傷パターンのそれぞれに対応した模擬応答をシミュレーションすることにより、各損傷パターンでの模擬応答を損傷パターンと紐付けて記憶することを特徴とする建造物損傷状況推定システム。 - 前記機械学習は、前記物理センサー設置箇所における模擬応答に応じた損傷パターンの推定を行う多クラス分類によるものであり、
前記データ処理装置が、
前記多クラス分類におけるパラメーターを、前記学習データベースに基づいて算定する学習工程を実行することを特徴とする請求項1に記載の建造物損傷状況推定システム。 - 前記機械学習は、前記物理センサー設置箇所における模擬応答に応じた損傷パターンの推定を行うニューラルネットワークモデルによるものであり、
前記データ処理装置が、
前記ニューラルネットワークモデルにおけるパラメーターを、前記学習データベースに基づいて算定する学習工程を実行することを特徴とする請求項1に記載の建造物損傷状況推定システム。 - 前記機械学習は、前記物理センサー設置箇所における模擬応答に応じた損傷パターンの推定を行う特徴量抽出と分類器とからなるモデルによるものであり、
前記データ処理装置が、
当該モデルにおけるパラメーターを、前記学習データベースに基づいて算定する学習工程を実行することを特徴とする請求項1に記載の建造物損傷状況推定システム。 - 前記推定工程の前段に、入力された実応答が学習工程で学習済みであるか否かを判定する判定工程をさらに有し、
前記データ処理装置が、
前記判定工程による判定結果が真であると、前記推定工程を実行することを特徴とする請求項2乃至請求項4のいずれか1項に記載の建造物損傷状況推定システム。 - 前記データ処理装置が、
前記判定工程による判定結果が偽であると、入力された実応答に起因して発生する損傷パターンをシミュレーションする実シミュレーション工程を実行することを特徴とする請求項5に記載の建造物損傷状況推定システム。 - 建造物に設置された物理センサーによって、地震に基づく実際の実応答を取得する実応答取得工程と、
応答を入力とし損傷パターンを出力とする機械学習により得られた学習済みモデルにより、実応答を入力として、建造物の損傷状況を推定する推定工程と、
前記建造物の予め選定された損傷パターンを考慮したシミュレーションモデルに模擬的振動を入力したときにおける物理センサー設置箇所における模擬応答をシミュレーションするシミュレーション工程と、
選定された損傷パターンでの模擬応答を損傷パターンと紐付けて記憶する記憶工程と、
前記シミュレーション工程と前記記憶工程とを繰り返し、記憶データ数を増やすことで、学習データベースを作成する学習データベース作成工程と、を有し、
前記学習データベースが
予め選定された一つまたは複数の損傷候補箇所から複数の損傷パターンを想定し、損傷パターンのそれぞれに対応した模擬応答をシミュレーションすることにより、各損傷パターンでの模擬応答を損傷パターンと紐付けて記憶することを特徴とする建造物損傷状況推定方法。 - 前記機械学習は、前記物理センサー設置箇所における模擬応答に応じた損傷パターンの推定を行う多クラス分類によるものであり、
前記多クラス分類におけるパラメーターを、前記学習データベースに基づいて算定する学習工程を実行することを特徴とする請求項7に記載の建造物損傷状況推定方法。 - 前記機械学習は、前記物理センサー設置箇所における模擬応答に応じた損傷パターンの推定を行うニューラルネットワークモデルによるものであり、
前記ニューラルネットワークモデルにおけるパラメーターを、前記学習データベースに基づいて算定する学習工程を実行することを特徴とする請求項7に記載の建造物損傷状況推定方法。 - 前記機械学習は、前記物理センサー設置箇所における模擬応答に応じた損傷パターンの推定を行う特徴量抽出と分類器とからなるモデルによるものであり、
当該モデルにおけるパラメーターを、前記学習データベースに基づいて算定する学習工程を実行することを特徴とする請求項7に記載の建造物損傷状況推定方法。 - 前記推定工程の前段に、入力された実応答が学習工程で学習済みであるか否かを判定する判定工程をさらに有し、
前記判定工程による判定結果が真であると、前記推定工程が実行されることを特徴とする請求項8乃至請求項10のいずれか1項に記載の建造物損傷状況推定方法。 - 前記判定工程による判定結果が偽であると、入力された実応答に起因して発生する損傷パターンをシミュレーションする実シミュレーション工程を有することを特徴とする請求項11に記載の建造物損傷状況推定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019022413A JP7117737B2 (ja) | 2019-02-12 | 2019-02-12 | 建造物損傷状況推定システム及び建造物損傷状況推定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019022413A JP7117737B2 (ja) | 2019-02-12 | 2019-02-12 | 建造物損傷状況推定システム及び建造物損傷状況推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020128951A JP2020128951A (ja) | 2020-08-27 |
JP7117737B2 true JP7117737B2 (ja) | 2022-08-15 |
Family
ID=72174491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019022413A Active JP7117737B2 (ja) | 2019-02-12 | 2019-02-12 | 建造物損傷状況推定システム及び建造物損傷状況推定方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7117737B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102527526B1 (ko) * | 2020-11-06 | 2023-05-02 | 충북대학교 산학협력단 | Lstm 기반 구조물의 동적특성 자동추출방법 및 이를 수행하는 시스템 |
JP7414694B2 (ja) | 2020-11-12 | 2024-01-16 | 大成建設株式会社 | 解析結果判定方法、妥当性判断支援方法、解析結果学習装置および解析結果判定装置 |
CN115032270B (zh) * | 2022-06-01 | 2023-03-28 | 北京科技大学 | 基于机器学习算法建筑幕墙损伤状态定量识别方法及装置 |
CN116227005B (zh) * | 2023-05-05 | 2023-07-14 | 中铁第四勘察设计院集团有限公司 | 一种地下交通枢纽三维数字化建造方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003084070A (ja) | 2001-09-10 | 2003-03-19 | Geoscience Research Laboratory | 振動波形の分析方法と岩盤斜面監視装置 |
JP2004069598A (ja) | 2002-08-08 | 2004-03-04 | Yamato Sekkei Kk | 構造物の損傷推定システムおよびプログラム |
JP2005049225A (ja) | 2003-07-29 | 2005-02-24 | Takenaka Komuten Co Ltd | 地震被害予測装置、地震被害予測方法及び地震被害予測プログラム |
JP2006162415A (ja) | 2004-12-07 | 2006-06-22 | Real Time Jishin Joho Riyo Kyogikai | 緊急地震速報によるダム防災方法および装置 |
JP2007078116A (ja) | 2005-09-15 | 2007-03-29 | Mazda Motor Corp | 自動変速機制御システム |
JP2008090534A (ja) | 2006-09-29 | 2008-04-17 | Takenaka Komuten Co Ltd | 地震被害判定装置、地震被害判定方法及び地震被害判定プログラム |
JP2013254239A (ja) | 2012-06-05 | 2013-12-19 | Toda Constr Co Ltd | 建物診断モニタリングシステム |
JP2016197013A (ja) | 2015-04-02 | 2016-11-24 | アズビル株式会社 | 建物被災推定システムおよび方法 |
JP2017009417A (ja) | 2015-06-22 | 2017-01-12 | 清水建設株式会社 | 建物の応答推定方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06263346A (ja) * | 1993-03-16 | 1994-09-20 | Hitachi Ltd | エレベータの交通流判定装置 |
JPH10303632A (ja) * | 1997-04-24 | 1998-11-13 | Kokusai Denshin Denwa Co Ltd <Kdd> | アレーアンテナにおけるニューラルネットワークによる不要信号の抑圧方法 |
-
2019
- 2019-02-12 JP JP2019022413A patent/JP7117737B2/ja active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003084070A (ja) | 2001-09-10 | 2003-03-19 | Geoscience Research Laboratory | 振動波形の分析方法と岩盤斜面監視装置 |
JP2004069598A (ja) | 2002-08-08 | 2004-03-04 | Yamato Sekkei Kk | 構造物の損傷推定システムおよびプログラム |
JP2005049225A (ja) | 2003-07-29 | 2005-02-24 | Takenaka Komuten Co Ltd | 地震被害予測装置、地震被害予測方法及び地震被害予測プログラム |
JP2006162415A (ja) | 2004-12-07 | 2006-06-22 | Real Time Jishin Joho Riyo Kyogikai | 緊急地震速報によるダム防災方法および装置 |
JP2007078116A (ja) | 2005-09-15 | 2007-03-29 | Mazda Motor Corp | 自動変速機制御システム |
JP2008090534A (ja) | 2006-09-29 | 2008-04-17 | Takenaka Komuten Co Ltd | 地震被害判定装置、地震被害判定方法及び地震被害判定プログラム |
JP2013254239A (ja) | 2012-06-05 | 2013-12-19 | Toda Constr Co Ltd | 建物診断モニタリングシステム |
JP2016197013A (ja) | 2015-04-02 | 2016-11-24 | アズビル株式会社 | 建物被災推定システムおよび方法 |
JP2017009417A (ja) | 2015-06-22 | 2017-01-12 | 清水建設株式会社 | 建物の応答推定方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2020128951A (ja) | 2020-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7117737B2 (ja) | 建造物損傷状況推定システム及び建造物損傷状況推定方法 | |
Ding et al. | Structural damage identification using improved Jaya algorithm based on sparse regularization and Bayesian inference | |
Abdeljaber et al. | Real-time vibration-based structural damage detection using one-dimensional convolutional neural networks | |
Papadimitriou et al. | The effect of prediction error correlation on optimal sensor placement in structural dynamics | |
Chang et al. | Structural damage detection using an iterative neural network | |
de Lautour et al. | Damage classification and estimation in experimental structures using time series analysis and pattern recognition | |
Elkordy et al. | Neural networks trained by analytically simulated damage states | |
Jiang et al. | Dynamic wavelet neural network for nonlinear identification of highrise buildings | |
Kao et al. | Detection of structural damage via free vibration responses generated by approximating artificial neural networks | |
Marwala | Finite element model updating using computational intelligence techniques: applications to structural dynamics | |
Avci et al. | Self-organizing maps for structural damage detection: a novel unsupervised vibration-based algorithm | |
Park et al. | Sequential damage detection approaches for beams using time-modal features and artificial neural networks | |
Jensen et al. | The use of updated robust reliability measures in stochastic dynamical systems | |
Meruane et al. | Real-time structural damage assessment using artificial neural networks and antiresonant frequencies | |
Kourehli | Damage assessment in structures using incomplete modal data and artificial neural network | |
Zhou et al. | Damage localization of cable-supported bridges using modal frequency data and probabilistic neural network | |
Mao et al. | Bayesian finite element model updating of a long-span suspension bridge utilizing hybrid Monte Carlo simulation and kriging predictor | |
Dang et al. | Structural damage detection framework based on graph convolutional network directly using vibration data | |
Sabamehr et al. | System identification and model updating of highway bridges using ambient vibration tests | |
CN107246944B (zh) | 一种基于统计矩理论的结构损伤识别方法 | |
Azam et al. | Output-only schemes for joint input-state-parameter estimation of linear systems | |
Martakis et al. | Fusing damage-sensitive features and domain adaptation towards robust damage classification in real buildings | |
de Souza et al. | Performance comparison of non-adaptive and adaptive optimization algorithms for artificial neural network training applied to damage diagnosis in civil structures | |
Zheng et al. | Bayesian probabilistic framework for damage identification of steel truss bridges under joint uncertainties | |
Peng-hui et al. | Structural damage identification based on genetically trained ANNs in beams |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190213 |
|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20190305 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210707 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210908 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211027 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211202 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20220105 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220318 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20220318 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20220318 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20220408 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20220413 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220601 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220615 |
|
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: 20220706 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220725 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7117737 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |