JP7246272B2 - 地盤沈下予測システム - Google Patents
地盤沈下予測システム Download PDFInfo
- Publication number
- JP7246272B2 JP7246272B2 JP2019122228A JP2019122228A JP7246272B2 JP 7246272 B2 JP7246272 B2 JP 7246272B2 JP 2019122228 A JP2019122228 A JP 2019122228A JP 2019122228 A JP2019122228 A JP 2019122228A JP 7246272 B2 JP7246272 B2 JP 7246272B2
- Authority
- JP
- Japan
- Prior art keywords
- subsidence
- point
- parameter
- value
- learning
- 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
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
- Foundations (AREA)
Description
1.地盤沈下予測システム1の装置構成について
本実施形態に係る地盤沈下予測システム1は、たとえば、メインサーバ(ホストコンピュータ)10と、携帯端末(通信端末)20を用いて、特定の地点を地盤沈下の推定地点として、推定地点の地盤沈下を予測するものである。以下に、地盤沈下予測システム1を説明する。
2-1.沈下パラメータ学習部11
沈下パラメータ学習部11(以下「第1学習部11」という)は、複数の既設建物A、B、C、…の建設地点P1、P2、P3、…における学習用地盤情報と、各建設地点P1、P2、P3、…に紐付けられた(関連付けられた)学習用沈下パラメータの値と、を教師データとして、任意の地点の地盤情報から、その任意の地点の沈下パラメータの値の算出を機械学習による学習したものである。ここで、第1学習部11により学習される教師データの対象となる「地点」は、既設建物が建設された建設地内に存在する建設地点であり、実際に地盤沈下し、地盤沈下量が測定された建設地内の地点、または、既設建物の仕様等から地盤沈下の沈下量が推定された建設地内の地点である。学習後の第1学習部11に入力されるデータの対象となる「地点」は、所定の地域においてボーリング試験および標準貫入試験が実施された既知地点であり、これらの試験結果から入力されたデータにより出力されるデータは、既知地点の沈下パラメータの値である。
地域情報格納部12には、図5に示すように、所定の地域の地図データと、地図データの地図M1上の複数の既知地点T1、T2、…における既知地点情報が格納されている。この既知地点情報は、既知地点T1、T2、…ごとの位置情報、既知地点T1、T2、…ごとのボーリング試験により得られた、地表からの深度、深度に応じた土質を数値化して設定された土質パラメータの値、および深度に応じた標準貫入試験におけるN値、を含むものであり、これらのデータは既知地点ごとに紐付けられている。ここで示す、深度、土質パラメータの値、およびN値の地盤情報は、学習用地盤情報で説明したものと同じ種類の情報であるので、詳細な説明は省略する。なお、地図データの地図M1上の既知地点に、機械学習で用いた建設地点が含まれていてもよい。
図5に示すように、推定地点設定部21は、地図M1上の推定地点Gを設定する。本実施形態では、携帯端末20の表示・入力部20Bに表示された地図M1上に、操作者が推定地点Gの位置情報を入力する。これにより、携帯端末20の演算装置20Aにおいて、地図M1上の推定地点Gが設定される。
図2および図5に示すように、周辺情報抽出部22は、推定地点設定部21で設定された推定地点Gの周辺に存在する既知地点T1、T7、T8、…ごとの既知地点情報を抽出する(図6参照)。本実施形態では、図5、図7に示すように、推定地点Gを含む所定の範囲RG内に存在する既知地点T1、T7、T8、…ごとの既知地点情報を抽出する。
周辺沈下パラメータ算出部23は、図6に示す周辺情報抽出部22で抽出した既知地点T1、T7、T8、…ごとの既知地点情報を、第1学習部11に入力し、図6に示す既知地点T1、T7、ごとの沈下パラメータの値を第1学習部11に算出させるものである。第1学習部11は、上述した如く、任意の地点の地盤情報から、その任意の地点の沈下パラメータの値の算出が学習されているので、既知地点T1、T7、T8、…ごとの沈下パラメータの値を精度良く算出することができる。
沈下パラメータ推定部24は、図7に示すように、周辺沈下パラメータ算出部23で算出した既知地点T1、T7、T8、…ごとの沈下パラメータに基づいて、推定地点Gの沈下パラメータの値を算出する。ここで、推定地点Gの沈下パラメータの値を、たとえば、算出した既知地点T1、T7、T8、…ごとの沈下パラメータの平均値により算出してもよい。
従って、この数1を、図7に示す場合に適用すると、以下の数2のようになる。
以下に、図8を参照して、本実施形態に係る地盤沈下予測システム1を用いた地盤沈下予測方法を説明する。まず、ステップS1では、第1学習部11により、学習用地盤情報と学習用沈下パラメータの値を用いて機械学習を行う。これにより、地盤情報から沈下パラメータの値を出力するニューラルネットワーク11’のモデルが構築される。
以下に、本発明の第2実施形態に係る地盤沈下予測システム1を、図9~図13を参照しながら説明する。第2実施形態に係る地盤沈下予測システム1が、第1実施形態のものと相違する点は、(1)図9に示すように、沈下推定学習部13を新たに設け、これを用いて沈下パラメータ推定部24で、沈下パラメータを算出した点と、(2)試験実施判定部25を新たに設けた点と、(3)第1学習部の学習に所定の地域の既知地点情報を教師データとして用いて補正した(再学習させた)点とである。したがって、第1実施形態と同じ構成については、その詳細な説明を省略し、相違する構成を以下に説明する。
Claims (5)
- 特定の地点を地盤沈下の推定地点として、前記推定地点の地盤沈下を予測する地盤沈下予測システムであって、
複数の既設建物の建設地点のボーリング試験により得られた、前記建設地点の地表からの深度、前記深度に応じた土質を数値化して設定された土質パラメータの値、および前記深度に応じた標準貫入試験におけるN値、を含む学習用地盤情報と、前記学習用地盤情報に対応した前記既設建物の地盤沈下量に基づいて、地盤沈下のし易さに応じて設定された学習用沈下パラメータの値と、を教師データとして、任意の地点の地盤情報から前記任意の地点の沈下パラメータの値の算出を機械学習により学習した第1学習部と、
所定の地域の地図データと、前記地図データの地図上の複数の既知地点において、前記既知地点ごとの位置情報、前記既知地点ごとのボーリング試験により得られた、地表からの深度、前記深度に応じた土質を数値化して設定された土質パラメータの値、および前記深度に応じた標準貫入試験におけるN値、を含む既知地点情報とが、格納された地域情報格納部と、
前記地図上に前記推定地点を設定する推定地点設定部と、
前記推定地点設定部で設定された前記推定地点の周辺に存在する前記既知地点ごとの前記既知地点情報を抽出する周辺情報抽出部と、
前記周辺情報抽出部で抽出した前記既知地点ごとの前記既知地点情報を、前記第1学習部に入力し、前記既知地点ごとの前記沈下パラメータの値を前記第1学習部に算出させる周辺沈下パラメータ算出部と、
前記周辺沈下パラメータ算出部に算出させた前記既知地点ごとの前記沈下パラメータに基づいて、前記推定地点の沈下パラメータの値を算出する沈下パラメータ推定部と、を備えることを特徴とする地盤沈下予測システム。 - 前記周辺情報抽出部は、前記推定地点から所定の距離内に存在する前記既知地点ごとの前記既知地点情報を抽出するものであり、
前記地盤沈下予測システムは、前記周辺情報抽出部で抽出した前記既知地点の数と、前記沈下パラメータ推定部で算出した沈下パラメータの値とから、前記推定地点のボーリング試験および標準貫入試験の実施の要否を判定する試験実施判定部をさらに備えることを特徴とする請求項1に記載の地盤沈下予測システム。 - 前記地盤沈下予測システムは、複数の既設建物の建設地点から選定した選定地点の学習用沈下パラメータの値と、前記選定地点から所定の範囲内の複数の周辺の建設地点の学習用沈下パラメータの値と、前記選定地点に対する前記周辺の建設地点ごとの相対的な位置情報を特定した学習用位置情報と、を1つのデータ群とし、異なる前記選定地点ごとに得られる複数のデータ群を教師データとし、任意の地点の周辺に存在する複数の周辺地点の沈下パラメータの値と、前記任意の地点に対する前記周辺地点ごとの相対的な位置情報とから、前記任意の地点の沈下パラメータの値の算出を機械学習により学習した第2学習部をさらに備えており、
前記沈下パラメータ推定部は、前記周辺沈下パラメータ算出部で算出した前記既知地点ごとの前記沈下パラメータの値と、前記推定地点に対する前記既知地点ごとの相対的な位置情報と、を前記第2学習部に入力し、前記第2学習部に前記推定地点の沈下パラメータの値を算出させることを特徴とする請求項1または2に記載の地盤沈下予測システム。 - 前記第2学習部は、前記地域情報格納部で格納された前記所定の地域内の既知地点ごとの位置情報と、前記第1学習部で算出された前記所定の地域内の既知地点ごとの沈下パラメータの値とを、教師データとして機械学習したものであることを特徴とする請求項3に記載の地盤沈下予測システム。
- 前記沈下パラメータ推定部は、前記周辺沈下パラメータ算出部で算出した前記既知地点ごとの前記沈下パラメータの値と、前記推定地点から抽出した各既知地点までの距離に基づいて、前記推定地点の沈下パラメータの値を算出することを特徴とする請求項1または2に記載の地盤沈下予測システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019122228A JP7246272B2 (ja) | 2019-06-28 | 2019-06-28 | 地盤沈下予測システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019122228A JP7246272B2 (ja) | 2019-06-28 | 2019-06-28 | 地盤沈下予測システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021008729A JP2021008729A (ja) | 2021-01-28 |
JP7246272B2 true JP7246272B2 (ja) | 2023-03-27 |
Family
ID=74199480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019122228A Active JP7246272B2 (ja) | 2019-06-28 | 2019-06-28 | 地盤沈下予測システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7246272B2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883646B (zh) * | 2021-02-20 | 2023-11-24 | 首都师范大学 | 联合机器学习和土力学模型的建筑沉降量提取方法、系统及装置 |
CN115419120B (zh) * | 2022-06-08 | 2024-07-19 | 山东大学 | 一种公路路基沉降监测预测方法 |
JP7562757B1 (ja) | 2023-05-15 | 2024-10-07 | 日鉄エンジニアリング株式会社 | 沈下量推測方法、建築物補強方法、及び表示制御システム |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006170739A (ja) | 2004-12-15 | 2006-06-29 | Kajima Corp | 緊急地震速報を用いた地震防災システム |
JP2018194404A (ja) | 2017-05-16 | 2018-12-06 | 株式会社パスコ | 機械学習方法、及び地表変動判定方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000002769A (ja) * | 1998-06-17 | 2000-01-07 | Nippon Koei Co Ltd | 地質構造の空間分布を予測して地質図を作成する方法及び装置 |
JP5516211B2 (ja) * | 2010-08-09 | 2014-06-11 | 株式会社大林組 | 地盤推定方法および地盤推定システム |
JP2019065523A (ja) * | 2017-09-29 | 2019-04-25 | 積水化学工業株式会社 | 地盤調査方法 |
-
2019
- 2019-06-28 JP JP2019122228A patent/JP7246272B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006170739A (ja) | 2004-12-15 | 2006-06-29 | Kajima Corp | 緊急地震速報を用いた地震防災システム |
JP2018194404A (ja) | 2017-05-16 | 2018-12-06 | 株式会社パスコ | 機械学習方法、及び地表変動判定方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2021008729A (ja) | 2021-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shahin | State-of-the-art review of some artificial intelligence applications in pile foundations | |
JP7246272B2 (ja) | 地盤沈下予測システム | |
Oh et al. | Neural network-based seismic response prediction model for building structures using artificial earthquakes | |
JP7097274B2 (ja) | 地盤予測システム | |
Shahin | Load–settlement modeling of axially loaded steel driven piles using CPT-based recurrent neural networks | |
JP7121891B2 (ja) | 構造情報表示装置、構造設計支援装置、及び構造設計支援モデル学習装置 | |
Shahin | Use of evolutionary computing for modelling some complex problems in geotechnical engineering | |
Aydin | Fuzzy set approaches to classification of rock masses | |
Peng et al. | Reliability-based robust geotechnical design using Monte Carlo simulation | |
Rafiai et al. | An approximate ANN-based solution for convergence of lined circular tunnels in elasto-plastic rock masses with anisotropic stresses | |
Fontan et al. | Soil–structure interaction: Parameters identification using particle swarm optimization | |
WO2023241472A1 (zh) | 一种岩土工程结构模态预测分析方法以及系统 | |
JP2019179538A (ja) | 建物の建築価格を予測する予測方法およびその建設工期を予測する予測方法 | |
Díaz et al. | Use of artificial neural networks to predict 3-D elastic settlement of foundations on soils with inclined bedrock | |
Hölter et al. | Optimal measurement design for parameter identification in mechanized tunneling | |
Harandizadeh | Developing a new hybrid soft computing technique in predicting ultimate pile bearing capacity using cone penetration test data | |
EP4123287A1 (en) | N-value prediction device and method using data augmentation-based artificial intelligence | |
CN109711063B (zh) | 一种适用于上软下硬地层的车站暗挖进尺调整方法与装置 | |
Barari et al. | Determination of the ultimate limit states of shallow foundations using gene expression programming (GEP) approach | |
JP5516211B2 (ja) | 地盤推定方法および地盤推定システム | |
Monsalve-Giraldo et al. | Hybrid Parabolic Interpolation–Artificial Neural Network Method (HPI-ANNM) for long-term extreme response estimation of steel risers | |
JP4206980B2 (ja) | 沈下量予測方法及び沈下量予測プログラム | |
Vargas et al. | Incremental dynamic analysis and pushover analysis of buildings. A probabilistic comparison | |
Mens et al. | Validating and improving models for vibratory installation of steel sheet piles with field observations | |
Griffin et al. | Development of the 2018 Australian National Seismic Hazard Assessment (NSHA) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220602 |
|
TRDD | Decision of grant or rejection written | ||
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230216 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230221 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230314 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7246272 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |