JP7224133B2 - インフラ設備点検支援システム、インフラ設備点検支援方法及びプログラム - Google Patents
インフラ設備点検支援システム、インフラ設備点検支援方法及びプログラム Download PDFInfo
- Publication number
- JP7224133B2 JP7224133B2 JP2018189514A JP2018189514A JP7224133B2 JP 7224133 B2 JP7224133 B2 JP 7224133B2 JP 2018189514 A JP2018189514 A JP 2018189514A JP 2018189514 A JP2018189514 A JP 2018189514A JP 7224133 B2 JP7224133 B2 JP 7224133B2
- Authority
- JP
- Japan
- Prior art keywords
- area
- infrastructure
- infrastructure equipment
- failure prediction
- inspection
- 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
- 238000007689 inspection Methods 0.000 title claims description 144
- 238000000034 method Methods 0.000 title claims description 40
- 230000007547 defect Effects 0.000 claims description 60
- 238000007477 logistic regression Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 description 79
- 238000004364 calculation method Methods 0.000 description 39
- 238000010586 diagram Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 10
- 239000000463 material Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 239000004567 concrete Substances 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
ここで、策定方法としては、大きく分類した場合、一定の期間内において保守対象の設備を順番に巡回するように決定する手法1と、過去のデータや担当者の経験に基づいて、優先すべきインフラ設備を選定して巡回する手法2とがある。
この手法1の場合において、資材及び人材などの点検リソースと、点検対象のインフラ設備の数とにより、各インフラ設備の点検の順番を設定した点検計画を策定し、この点検計画に従った点検が行なわれる。
このとき、点検周期となるごとに順次点検が行なわれ、例えば、点検周期が10年であれば、点検を行なった直後のインフラ設備に対する次の点検は10年後となる。
また、手法2の場合において、インフラ設備の不良予測技術として、点検対象のインフラ設備の経時劣化と環境情報との対応関係に基づき、各インフラ設備の経時劣化の度合いを、遠隔地から監視して予測する技術がある(例えば、特許文献2参照)。
また、手法2の場合において、インフラ設備の不良の発生件数の結果と、インフラ設備の不良となった際の影響度とのマトリクスを生成し、このマトリクスに対してインフラ設備の各々を分類し、分類毎の点検の優先度を点検計画の策定に用いる技術がある(例えば、特許文献3参照)。
この結果、点検周期に達するまでに、リスクの高いインフラ設備が不良となる場合があり、インフラ設備毎の経時劣化の状態を加味せずに作成した点検計画では、リスクの高いインフラ設備の不良の発生を未然に防ぐことが難しい。
このため、特許文献2の予測技術は、点検計画を策定を行う際に、インフラ設備の不良予測の精度が悪く用いることができない。
このため、インフラ設備が多い地域の場合、不良の発生件数も他より多くなり、不良による影響度も大きく、インフラ設備の不良予測としての精度は低い。このため、都市部ほど点検の優先度が上がり、地方部ほど点検の優先度が低くなり、点検の頻度に偏りが発生してしまう。
図1において、本実施形態におけるインフラ設備点検支援システム1は、不良予測部10及び優先度生成部20の各々を備えている。
不良予測部10は、エリア分類部11、データ正規化部12、モデル生成部13、不良予測値算出部14、エリア面積比データベース15、インフラ設備データベース16、エリア気象データベース17及び不良予測モデル記憶部18の各々を備えている。
そして、エリア分類部11は、エリア全体の面積における土地種別の各々の土地の占有面積の比(占有面積比)それぞれの組合せを特徴ベクトルとして、エリアそれぞれの座標点を特徴空間に分布させ、すでに述べたk-menas法などに従ったクラスタリングを行ない、各エリアを特徴が近似するグループに分類する。
また、エリア分類部11は、エリア面積比データベース15のエリア面積比テーブルにおけるグループ識別情報の欄に対して、エリアがクラスタリングにより分類されたグループのグループ識別情報を書き込む。
すなわち、モデル生成部13は、全ての学習に用いたインフラ設備毎に、インフラ設備の属性情報の経年、材質、直径、高さの規格化されたデータと、属性情報の気温、降水量、風速、湿度、日射量、積雪量の規格化されたデータとの各々を、説明変数x1、x2、…、xpのそれぞれに代入し、各不良設備の不良フラグの数値に最も近くなる予測値Yが得られる回帰係数a1、a2、…、apの各々を求める(回帰係数のフィッティング処理)。
図5は、不良予測モデル記憶部18に記憶されている不良予測モデルテーブルの一例を示す図である。図5の不良予測モデルテーブルは、レコード毎に、エリア識別情報及び不良予測モデルの各々の欄が設けられている。ここで、気温、降水量、風速、湿度、日射量、積雪量、…は、気象データの属性情報を示している。ここで、エリア識別情報は、各エリアを識別するための識別情報である。不良予測モデルは、モデル生成部13により生成されたエリア識別情報の示すエリアに対応したロジスティック回帰分析モデルである。
上述したように、本実施形態においては、例えば、1年を予測期間とし、n年内におけるインフラ設備の不良の予測値を求める場合、n-1年のインフラ設備及び気象データの属性情報を学習用データとして用い、n年内の予測値の算出に用いる不良予測モデルを生成し、この不良予測モデルに対してn-1年の各インフラ設備のインフラ設備及び気象データの属性情報を代入し、各エリアのインフラ設備のn年内における不良の予測値を算出する。
優先度生成部20は、パラメータ設定部21、データ正規化部22、優先度算出部23、社会的影響度データベース24、点検能率データベース25及び優先度データベース26の各々を備えている。本実施形態においては、すでに述べたように、優先度を求めるための目的指標として、不良発生リスク指標、不良発生時の社会的影響度指標及び点検能率指標の各々を設定している。この不良発生リスク指標の指標値(パラメータ)としては、すでに説明した不良予測部10が求めた各インフラ設備の不良の予測値が用いられる。
本実施形態においては、優先度生成部20により、以下の(3)式により、優先度が求められる。
…(3)
(3)式においては、重み係数を調整することにより、不良発生リスク、社会的影響度及び点検能率のいずれを点検の優先度を決める目的とするかを設定する。
また、重み係数が「0」とされた指標値は、(3)式の構成から判るように優先度の設定には寄与しない。
そして、パラメータ設定部21は、入力欄に入力された重み係数α、β及びγの各々を、優先度算出部23に対して出力する。
そして、パラメータ設定部21は、表示画面の選択欄から選択結果を読み込み、インフラ設備単体及びエリア単位のいずれが選択されたかを示す通知を、データ正規化部22及び優先度算出部23の各々に対して出力する。
そして、パラメータ設定部21は、表示画面の選択欄から選択結果を読み込み、選択された社会的影響度指標の複数の種類、及び点検能率指標の複数の種類の各々を示す通知を、データ正規化部22及び優先度算出部23の各々に対して出力する。
・インフラ設備単体の場合
データ正規化部22は、点検対象の全てのエリアに属するインフラ設備の不良の予測値を(1)式により、平均が「0」となり、分散が「1」となる正規化を行ない、これを(3)式における不良発生リスク指標値とする。
データ正規化部22は、点検対象の全てのエリア毎に、各エリアに属するインフラ設備の不良の予測値の総和を求め、点検対象の全てのエリアの総和それぞれを(1)式により、平均が「0」となり、分散が「1」となる正規化を行ない、これを(3)式における不良発生リスク指標値とする。
図6は、社会的影響度データベース24の社会的影響度指標テーブルの一例を示す図である。図6の社会的影響度指標テーブルは、レコード毎に、エリア識別情報、昼間人口、夜間人口、住宅密度、エリア種別、道路面積、…の各々の欄が設けられている。
・社会的影響度指標が一つ選択された場合
データ正規化部22は、点検対象の全てのエリアにおける、選択された社会的影響度指標の数値それぞれを(1)式により、平均が「0」となり、分散が「1」となる正規化を行ない、これを(3)式における社会的影響度指標値とする。例えば、社会的影響度指標として、昼間人口が選択された場合、データ正規化部22は、点検対象の全てのエリアの昼間人口のそれぞれを(1)式により、平均が「0」となり、分散が「1」となる正規化を行なう。
データ正規化部22は、点検対象の全てのエリアにおける、選択された社会的影響度指標の数値それぞれを(1)式により、平均が「0」となり、分散が「1」となる正規化を行なう。そして、データ正規化部22は、全てをエリア毎に正規化後の複数種類の社会的影響度指標値を加算して、加算結果を再度(1)式により、平均が「0」となり、分散が「1」となる正規化を行ない、(3)式で用いる社会的影響度指標値を求める。
図7は、点検能率データベース25の点検能率指標テーブルの一例を示す図である。図7の点検能率指標テーブルは、レコード毎に、インフラ設備数(個数)、顧客数(社数)、道路面積(平方m)、鉄道面積(平方m)、…の各々の欄が設けられている。
データ正規化部22は、点検対象の全てのエリアにおける、選択された点検能率指標の数値それぞれを(1)式により、平均が「0」となり、分散が「1」となる正規化を行ない、これを(3)式における点検能率指標値とする。例えば、点検能率指標として、昼間人口が選択された場合、データ正規化部22は、点検対象の全てのエリアの昼間人口のそれぞれを(1)式により、平均が「0」となり、分散が「1」となる正規化を行なう。
データ正規化部22は、点検対象の全てのエリアにおける、選択された点検能率指標の数値それぞれを(1)式により、平均が「0」となり、分散が「1」となる正規化を行なう。そして、データ正規化部22は、全てのエリア毎に正規化後の複数種類の点検能率指標値を加算して、加算結果を再度(1)式により、平均が「0」となり、分散が「1」となる正規化を行ない、(3)式で用いる点検能率指標値を求める。
表示画像201は、各エリアの不良発生リスク指標値の大きさを示している。また、表示画像202は、各エリアの社会的影響度指標値の大きさを示している。表示画像203は、各エリアの点検能率指標値の大きさを示している。表示画像201、202及び203の各々は、濃い色ほど指標値が大きく、薄い色ほど指標値が低く表示されている。
表示画像200、200A、201、202及び203の各々が表示画面に表示され、優先度の計算に用いた不良発生リスク指標値、社会的影響度指標値及び点検能率指標値の各々と、これらから導出された優先度との対応がビジュアルに確認できる。
そして、データ正規化部12は、この正規化によって不良予測モデルの作成する際に用いる、学習用データとしてのデータマートの作成を行なる。データ正規化部12は、この作成したデータマートをモデル生成部13に対して出力する。
そして、モデル生成部13は、このデータマートにおけるエリア毎の規格化されたデータを用いて、不良予測モデル(上記(2)式)の生成を、それぞれのエリア単位に行なう。モデル生成部13は、生成した不良予測モデルの各々を、対応するエリアのエリア識別情報に対応させて、不良予測モデル記憶部18の不良予測テーブルに書き込んで記憶させる。
そして、データ正規化部12は、対象のインフラ設備の属性情報と、対象のインフラ設備が設置されているエリアの気象データの属性情報とのそれぞれを読み出し、これら属性情報におけるデータの規格化を行なう。
正規化された属性情報が供給されると、不良予測値算出部14は、不良の予測値を算出する対象のインフラ設備が設置されているエリアに対応する不良予測モデルを、不良予測モデル記憶部18の不良予測モデルテーブルから読み出す。
この処理により、不良予測部10は、点検の対象となっている全てのインフラ設備の不良の予測値を算出する。
以下、図10のフローチャート、図11のフローチャートの順番で説明する。
ステップS21:パラメータ設定部21は、表示画面の入力欄から、重み係数α、β及びγの各々の数値を読み込み、読み込んだみ係数α、β及びγの各々の数値を、優先度算出部23に対して出力する。
また、パラメータ設定部21は、表示画面の選択欄から、優先度の計算対象がインフラ設備単位か、あるいはエリア単位とするかの選択情報を読み込み、データ正規化部22及び優先度算出部23の各々に出力する。
また、パラメータ設定部21は、表示画面の選択欄から、社会的影響度指標及び点検能率指標の各々の種類を入力し、入力した社会的影響度指標、点検能率指標のそれぞれをデータ正規化部22及び優先度算出部23の各々に出力する。
このとき、データ正規化部22は、計算対象がインフラ設備単位である場合、処理をステップS23へ進める。一方、データ正規化部22は、計算対象がエリア単位である場合、処理をステップS26へ進める。
また、優先度算出部23は、(3)式の社会的影響度指標値に対して、データ正規化部22が正規化した社会的影響度指標値をパラメータとして代入し、これに重み係数βを乗算する。
また、優先度算出部23は、(3)式の点検能率指標値に対して、データ正規化部22が正規化した点検能率指標値をパラメータとして代入し、これに重み係数γを乗算する。
そして、優先度算出部23は、不良発生リスク指標値に重み係数αを乗算した結果と、社会的影響度指標値に重み係数βを乗算した結果と、点検能率指標値に重み係数γを乗算した結果とを加算し、インフラ設備単位の優先度数値Qを算出する。
そして、データ正規化部22は、全てのエリアの予測値の総和を(1)式により正規化して、正規化された不良の予測値を(3)式における不良発生リスク指標値とする。
また、優先度算出部23は、(3)式の社会的影響度指標値に対して、データ正規化部22が正規化した社会的影響度指標値をパラメータとして代入し、これに重み係数βを乗算する。
また、優先度算出部23は、(3)式の点検能率指標値に対して、データ正規化部22が正規化した点検能率指標値をパラメータとして代入し、これに重み係数γを乗算する。
そして、優先度算出部23は、不良発生リスク指標値に重み係数αを乗算した結果と、社会的影響度指標値に重み係数βを乗算した結果と、点検能率指標値に重み係数γを乗算した結果とを加算し、エリア単位の優先度数値Qを算出する。
ステップS101:データ正規化部22は、社会影響度指標が一つか否かの判定を行なう。このとき、データ正規化部22は、社会影響度指標が一つの場合、処理をステップS102へ進める。
一方、データ正規化部22は、社会影響度指標が複数(二つ以上)の場合、処理をステップS103へ進める。
そして、データ正規化部22は、全てをエリア毎に正規化後の複数種類の社会的影響度指標値を加算して、加算結果を再度(1)式により正規化し、この正規化の結果を(3)式で用いる社会的影響度指標値とする。
一方、データ正規化部22は、点検能率指標が複数の場合、処理をステップS103へ進める。
そして、データ正規化部22は、全てをエリア毎に正規化後の複数種類の点検能率指標値を加算して、加算結果を再度(1)式により正規化し、この正規化の結果を(3)式で用いる点検能率指標値とする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD-ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
10…不良予測部
11…エリア分類部
12,22…データ正規化部
13…モデル生成部
14…不良予測値算出部
15…エリア面積比データベース
16…インフラ設備データベース
17…エリア気象データベース
18…不良予測モデル記憶部
20…優先度生成部
21…パラメータ設定部
23…優先度算出部
24…社会的影響度データベース
25…点検能率データベース
26…優先度データベース
Claims (6)
- 土地種別属性毎にエリアが分類されたエリアグループ毎に設けられ、前記エリアにおけるインフラ設備の設備属性情報及び気象データの入力により、当該インフラ設備の不良予測を行なう不良予測モデルが記憶された不良予測モデル記憶部と、
前記不良予測モデルに対して、前記インフラ設備の前記設備属性情報及び当該インフラ設備の属する前記エリアの気象データとを入力し、前記インフラ設備の所定の周期内における不良発生の予測を行なう不良予測部と
を備えることを特徴とするインフラ設備点検支援システム。 - 前記土地種別属性である前記エリアの各々における土地種別毎の占有面積比の組合せにより、前記エリアの各々をエリアグループに分類するエリア分類部と、
学習用データとして、前記エリアグループに含まれる前記エリアにおける前記インフラ設備の各々の不良の発生の有無を予測値とし、当該インフラ設備の前記設備属性情報、属するエリアの気象データを説明変数として、前記不良予測モデルの生成を行なう不良予測モデル生成部と
をさらに備えることを特徴とする請求項1に記載のインフラ設備点検支援システム。 - 前記不良発生の予測の数値を示す指標の不良発生リスク指標、不良発生時の前記エリアにおける社会的影響の度合いを示す指標の社会的影響度指標及びインフラ設備の点検の能率を示す指標である点検能率指標の各々の重み付けした加算結果により、前記インフラ設備の各々の点検における優先度を設定する優先度生成部
をさらに備えることを特徴とする請求項1または請求項2に記載のインフラ設備点検支援システム。 - 前記不良予測モデルがロジスティック回帰分析モデルである
ことを特徴とする請求項1から請求項3のいずれか一項に記載のインフラ設備点検支援システム。 - 不良予測部が、土地種別属性毎にエリアが分類されたエリアグループ毎に設けられ、前記エリアにおけるインフラ設備の設備属性情報及び気象データの入力により、当該インフラ設備の不良予測を行なう不良予測モデルが記憶された不良予測モデル記憶部から、評価対象の前記インフラ設備が位置する前記エリアに対応した前記不良予測モデルを読み出す過程と、
前記不良予測部が、前記不良予測モデルに対して、前記インフラ設備の前記設備属性情報及び当該インフラ設備の属する前記エリアの気象データとを入力し、前記インフラ設備の所定の周期内における不良発生の予測を行なう過程と
を含むことを特徴とするインフラ設備点検支援方法。 - コンピュータを、
土地種別属性毎にエリアが分類されたエリアグループ毎に設けられ、前記エリアにおけるインフラ設備の設備属性情報及び気象データの入力により、当該インフラ設備の不良予測を行なう不良予測モデルが記憶された不良予測モデル記憶部から、評価対象の前記インフラ設備が位置する前記エリアに対応した前記不良予測モデルを読み出す読出手段、
前記不良予測モデルに対して、前記インフラ設備の前記設備属性情報及び当該インフラ設備の属する前記エリアの気象データとを入力し、前記インフラ設備の所定の周期内における不良発生の予測を行なう不良予測手段
として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018189514A JP7224133B2 (ja) | 2018-10-04 | 2018-10-04 | インフラ設備点検支援システム、インフラ設備点検支援方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018189514A JP7224133B2 (ja) | 2018-10-04 | 2018-10-04 | インフラ設備点検支援システム、インフラ設備点検支援方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020060810A JP2020060810A (ja) | 2020-04-16 |
JP7224133B2 true JP7224133B2 (ja) | 2023-02-17 |
Family
ID=70218976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018189514A Active JP7224133B2 (ja) | 2018-10-04 | 2018-10-04 | インフラ設備点検支援システム、インフラ設備点検支援方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7224133B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6925549B1 (ja) * | 2021-01-07 | 2021-08-25 | 三谷産業株式会社 | リスク管理システムおよびリスク管理方法 |
JP7019859B1 (ja) * | 2021-01-07 | 2022-02-15 | 三谷産業株式会社 | リスク管理システムおよびリスク管理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014167667A (ja) | 2013-02-28 | 2014-09-11 | Mitsubishi Electric Corp | 設備点検順位設定装置 |
JP2015049606A (ja) | 2013-08-30 | 2015-03-16 | 株式会社日立情報通信エンジニアリング | 管理システム、管理対象装置、管理装置、方法及びプログラム |
WO2015166637A1 (ja) | 2014-04-28 | 2015-11-05 | 日本電気株式会社 | メンテナンス時期決定装置、劣化予測システム、劣化予測方法および記録媒体 |
JP2016012968A (ja) | 2014-06-27 | 2016-01-21 | 日本電信電話株式会社 | マンホール点検支援装置及びマンホール点検支援方法 |
-
2018
- 2018-10-04 JP JP2018189514A patent/JP7224133B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014167667A (ja) | 2013-02-28 | 2014-09-11 | Mitsubishi Electric Corp | 設備点検順位設定装置 |
JP2015049606A (ja) | 2013-08-30 | 2015-03-16 | 株式会社日立情報通信エンジニアリング | 管理システム、管理対象装置、管理装置、方法及びプログラム |
WO2015166637A1 (ja) | 2014-04-28 | 2015-11-05 | 日本電気株式会社 | メンテナンス時期決定装置、劣化予測システム、劣化予測方法および記録媒体 |
JP2016012968A (ja) | 2014-06-27 | 2016-01-21 | 日本電信電話株式会社 | マンホール点検支援装置及びマンホール点検支援方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2020060810A (ja) | 2020-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6770125B2 (ja) | 建築物改装に伴う損害防止の推定 | |
Zhou et al. | Forecast of low visibility and fog from NCEP: Current status and efforts | |
Kezunovic et al. | Big data analytics for future electricity grids | |
Musa et al. | A review of geospatial-based urban growth models and modelling initiatives | |
Peng et al. | Quantitative risk analysis for landslides: the case of the Three Gorges area, China | |
Li et al. | A statistical model for risk management of electric outage forecasts | |
Corbane et al. | Pan-European seismic risk assessment: a proof of concept using the Earthquake Loss Estimation Routine (ELER) | |
CN112308292A (zh) | 一种火灾风险等级分布图的绘制方法 | |
Bahraminejad et al. | Proposing an early-warning system for optimal management of protected areas (Case study: Darmiyan protected area, Eastern Iran) | |
Gradeci et al. | The use of insurance data in the analysis of Surface Water Flood events–A systematic review | |
Bass et al. | Incorporating climate change into risk assessment using grey mathematical programming | |
JP7224133B2 (ja) | インフラ設備点検支援システム、インフラ設備点検支援方法及びプログラム | |
Gullick et al. | Tree risk evaluation environment for failure and limb loss (TREEFALL): An integrated model for quantifying the risk of tree failure from local to regional scales | |
Royer et al. | Rapid evaluation and response to impacts on critical end-use loads following natural hazard-driven power outages: A modular and responsive geospatial technology | |
Quesada-Ganuza et al. | Vulnerability assessment and categorization against heat waves for the Bilbao historic area | |
Lagarias | Exploring land use policy scenarios with the use of a cellular automata-based model: urban sprawl containment and sustainable development in Thessaloniki | |
Whipple | Predictive storm damage modeling and optimizing crew response to improve storm response operations | |
Hansen | An adaptive land-use simulation model for integrated coastal zone planning | |
Bannayan et al. | Predicting realizations of daily weather data for climate forecasts using the non‐parametric nearest‐neighbour re‐sampling technique | |
Liu et al. | The return periods and risk assessment of severe dust storms in Inner Mongolia with consideration of the main contributing factors | |
Xu et al. | Vulnerability Assessment Method for Immovable Cultural Relics Based on Artificial Neural Networks—An Example of a Heavy Rainfall Event in Henan Province | |
Hu et al. | Framework for prioritizing geospatial data processing tasks during extreme weather events | |
Sharma et al. | Assessment of meteorological drought with application of standardized precipitation evapotranspiration index (SPEI) for Tripura, Northeast India | |
Mohapatra et al. | Short to Medium Range Weather Forewarning System in India | |
White et al. | Nonmeteorological influences on severe thunderstorm warning issuance: a geographically weighted regression-based analysis of county warning area boundaries, land cover, and demographic variables |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210813 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220630 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220802 |
|
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: 20230110 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230207 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7224133 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |