JP7359313B2 - 腐食性予測方法および装置 - Google Patents
腐食性予測方法および装置 Download PDFInfo
- Publication number
- JP7359313B2 JP7359313B2 JP2022543863A JP2022543863A JP7359313B2 JP 7359313 B2 JP7359313 B2 JP 7359313B2 JP 2022543863 A JP2022543863 A JP 2022543863A JP 2022543863 A JP2022543863 A JP 2022543863A JP 7359313 B2 JP7359313 B2 JP 7359313B2
- Authority
- JP
- Japan
- Prior art keywords
- soil
- corrosion
- environmental information
- information
- prediction
- 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
Classifications
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D31/00—Protective arrangements for foundations or foundation structures; Ground foundation measures for protecting the soil or the subsoil water, e.g. preventing or counteracting oil pollution
- E02D31/06—Protective arrangements for foundations or foundation structures; Ground foundation measures for protecting the soil or the subsoil water, e.g. preventing or counteracting oil pollution against corrosion by soil or water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Immunology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Ecology (AREA)
- Pathology (AREA)
- Environmental Sciences (AREA)
- Hydrology & Water Resources (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Paleontology (AREA)
- Civil Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、土壌腐食性を推定する腐食性予測方法および装置に関する。
我々の生活を支えるインフラ設備は種類も多く、数も膨大である。また、インフラ設備は、市街地だけでなく、山岳地や海岸付近、温泉地や寒冷地、さらに海中や地中に至るまで多様な環境に晒されており、劣化の形態や進行速度も様々である。こうした特徴を持つインフラ設備の保全には、点検による劣化の現状把握や、予測結果を踏まえた効率的な運用が必要になる。
例えば、インフラ設備には、鋼管柱、支持アンカ、および地中鋼配管などに代表されるように、全体またはその一部を地中に埋設した状態で使用する金属製の地中設備も多い。これら地中設備は、土壌に接するために腐食し、土壌環境に応じて異なる速さで劣化が進行する(非特許文献1,非特許文献2) 。
しかしながら、地中設備の劣化状態を直接目視で確認することはできないため、劣化状態に応じて適切にメンテナンスを行うことが困難となっている。また、地中設備は、土壌に触れる部分の劣化状態を直接目視点検して確認することができないため、土壌環境に応じて腐食を予測することもまた困難である。
これらのため、設備の運用・管理面においては、土壌環境の腐食性に着目し、これに応じて保守運用する「ANSI」や「DVGW」などに評価規格が存在する。ここでいう腐食性とは、主に鉄や鋼などの金属材料を腐食させる度合いの大きさを指す。いずれの評価規格においても、腐食性を評価したい土壌について抵抗率や、pH、水分量など、腐食に関与する環境因子をそれぞれ測定して点数化し、各因子の点数の合算値によって土壌腐食性の大小を評価している。
しかしながら、いずれの規格も、定性的評価にとどまり、例えば劣化予測などに利用可能な程度の定量性は有しておらず、得られた評価が必ずしも実態と合っていないことも指摘されている(非特許文献3参照)。これは、土壌腐食に関与する環境因子が多様であり、また、これら環境因子の相互関係が複雑であり、適切な評価方法が確立されていないためと言われている。
門井 守夫 他、「金属材料の土壌腐食についての研究(第1報)-土壌に関する基礎的実験-」、防蝕技術、第16巻、第6号、238-246頁、1967年。
宮田 義一、朝倉 祝治、「電気化学的手法を中心とした土壌腐食計測(その2)-複数の情報の組み合わせによる腐食速度の推定と今後の計測に対する提案-」、材料と環境、第46巻、第10号、610-619頁、1997年。
角田知巳、秋庭徹郎、「土壌の腐食性を評価するための視点」、防蝕技術、第36巻、第3号、168-177頁、1987年。
上述した通り、従来の技術では、土壌腐食の進展速度や経年の腐食量を実態にあった精度で定量的に予測することが困難であるという課題があった。
本発明は、以上のような問題点を解消するためになされたものであり、従来よりも精度の高い腐食予測ができるようにすることを目的とする。
本発明に係る腐食性予測方法は、予測の対象となる土地の土壌に関する情報および土地の気象情報の各要素から構成される環境情報を取得する第1ステップと、取得した環境情報の各要素の各々を2次元以上のテンソルデータとし、取得した環境情報を、各要素が組み合わされて構成された多次元テンソルデータとする第2ステップと、多次元テンソルデータとされた環境情報と、土地に埋設された金属構造物の腐食量および経過年数とから、金属構造物の腐食速度または腐食量と、取得した環境情報との関係を学習して予測モデルを構築する第3ステップと、取得した環境情報および土地に埋設された金属構造物の経過年数から、予測モデルを用いて金属構造物の腐食速度または腐食量を予測する第4ステップとを備える。
また、本発明に係る腐食性予測装置は、予測の対象となる土地の土壌に関する情報および土地の気象情報の各要素から構成される環境情報を取得する取得部と、取得した環境情報の各要素の各々を2次元以上のテンソルデータとし、取得した環境情報を、各要素が組み合わされて構成された多次元テンソルデータとする第1処理部と、多次元テンソルデータとされた環境情報と、土地に埋設された金属構造物の腐食量および経過年数とから、金属構造物の腐食速度または腐食量と、取得した環境情報との関係を学習して予測モデルを構築する第2処理部と、取得した環境情報および土地に埋設された金属構造物の経過年数から、予測モデルを用いて金属構造物の腐食速度または腐食量を予測する第3処理部とを備える。
以上説明したように、本発明によれば、多次元テンソルデータとした環境情報を用い、対象の土地に埋設された金属構造物の腐食速度または腐食量を予測するので、従来よりも精度の高い腐食予測ができる。
以下、本発明の実施の形態に係る腐食性予測方法について図1を参照して説明する。まず、第1ステップS101で、予測の対象となる土地の土壌に関する情報および土地の気象情報の各要素から構成される環境情報を取得する。土壌に関する情報は、例えば、土壌の粒子径、土壌の含水率、土壌の温度、土壌の酸素濃度、土壌の透水係数、土壌の色、土壌区分、および土壌統群などの土壌分類情報である。また、気象情報は、例えば、降雨、気温、気圧、および日照条件の少なくとも1つである。
降雨、気温、気圧、日照条件などの気象条件は、直接的に地中環境に影響するものであるため、土壌中に埋設された金属構造物の腐食に関する知見を与える重要な因子である。また、気象によって土壌、すなわち地中環境がどのような影響を受けるかは、地表面の状況によっても変化する。例えば、地表がコンクリートやアスファルトなどで覆われていた場合は、例えば降雨があった場合でも、地中環境の含水率変化は小さいと考えられる。この場合、地表面からの水の揮発もほとんど起きないため、地中環境は土壌むき出しの土壌と比べて経時的に安定している。また例えば、年間の日照時間が長い土地にある土壌は、短い土壌と比べて水の蒸発が大きいため腐食挙動が異なる。また、水域からの距離も土壌に影響する。例えば水田や川から近い土地にある土壌ほど水分量が高く保持される可能性は高い。
後述する予測モデルの構築や、構築した予測モデルを用いた予測に用いる説明変数として用いるために、予測対象地の土壌に関する情報および気象情報の各要素から構成される環境情報を取得する。環境情報の取得方法は特に制限しない。例えば、土壌に関する情報は、これらを測定し得るセンサを用いて取得することができる。土壌含水率、温度、酸素濃度は、各々対応するセンサで計測することで情報を取得できる。また、土壌の粒子径分布は、予測対象地の土壌を採取し、採取した土壌を、粒子径分布計測装置で計測することで取得できる。
また、土壌区分や土壌統群などの分類情報をもとに、前述の土壌に関する情報として各要素データを推定することで、環境情報とすることができる。例えば、分類ごとに代表的な土壌に関する情報、土壌含水率や酸素濃度、温度の情報を予め用意しておき、土壌の分類情報に照らして、これらを環境情報として用いることも可能である。気象情報は、予測対象地に計測センサを設置することで、取得することが可能である。また、気象観測所などが公開している観測データを取得してこれを用いることもできる。この場合、予測対象地に最も近い気象観測所のデータを用いることが好ましい。
次に、第2ステップS102で、取得した環境情報の各要素の各々を2次元以上のテンソルデータとし、取得した環境情報を、各要素が組み合わされて構成された多次元テンソルデータとする。例えば、取得した環境情報の各要素を、3次元テンソルの画像データに加工する。
例えば、環境情報を構成する要素の1つである土壌粒子径分布の情報の場合を例に説明する。粒子径分布測定装置を用いて土壌を分析することで、粒子径と頻度からなる行列データ、すなわち2次元テンソルデータが得られる。このデータを用いることで、後述する予測モデルの構築ができる。また例えば、環境情報を構成する要素は、3次元テンソルの画像データとする(に変換する)ことができる。また例えば、土壌を光学顕微鏡やSEM画像で撮影した画像を、2次元以上のテンソルデータとして用いることもできる。この画像は、土壌粒子径の情報として粒子径分布および粒子の配列情報を含んでおり、腐食予測に効果的な情報を持っている。
2次元以上のテンソルデータの形状やデータ型は特に制限しないが、環境情報を構成する他の要素と同じ形状やデータ型にすることが好ましい。また例えば、環境情報を構成する要素の1つとして降雨の情報を取得する場合、時間雨量の経時変化データを取得すれば、以下の表2に示すような、時刻と雨量からなる行列データすなわち2次元テンソルデータが得られる。また例えば、取得した環境情報は、図2に示すように、3次元テンソルの画像データ(グラフ)とすることができる。取得する雨量データの期間およびデータ間隔などは、特に制限しない。
ただし、土壌腐食は、1年間の季節を通して周期的に変化することが分かっているので、気象データの経時情報は、1年間の期間で取得することが好ましい。また、他の予測地点における気象データと比較できるように、取得する経時情報の期間は同じにすることが大切である。
ここで、2次元以上のテンソルデータとして用いる意図について述べる。従来方法において、土壌腐食の評価や予測を行う場合は、予測対象地の土壌に関する情報として各要素で1つのスカラー情報、すなわち0次元テンソルデータが用いられている。例えば、予測対象地Aの抵抗率はX、pH値はY、水分量(含水率)はZといったように、要素ごとに0次元テンソルデータを取得して予測に用いる。
しかしながら、これら土壌に関する情報は、常に一定ではなく時間で変化するものであり、平均値として用いるなどデータの次元を落とす行為は、予測の際に有効な情報を削除してしまうことに他ならない。これは、年間平均として同じ水分量の土壌であっても、乾湿のサイクルが多い土壌の方が腐食は圧倒的に速く進むことからも分かる。
本発明では、土壌に関する情報および気象情報を、2次元以上のテンソルデータとして用いることで、必要な情報を保持したまま予測モデルを構築できるため、従来よりも高精度に腐食予測が可能となる。
次に、第3ステップS103で、多次元テンソルデータとされた環境情報と、土地に埋設された金属構造物の腐食量および経過年数とから、金属構造物の腐食速度または腐食量と、取得した環境情報との関係を学習して予測モデルを構築する。
予測モデル構築の際の目的変数は、金属構造物の腐食量もしくは腐食速度である。腐食量を目的変数とする場合は、上述したことにより得られた2次元以上のテンソルデータを要素として構成される環境情報および経過年数が説明変数となる。
また、金属構造物の腐食速度が目的変数の場合は、腐食量と経過年数とから腐食速度を算出してこれを目的変数とする。簡単には、腐食量を経過年数で除すことで算出可能である。この場合の説明変数は、上述したことにより得られた2次元以上のテンソルデータを要素として構成される環境情報となる。予測モデルの構築には、深層学習などを含む機械学習のアルゴリズムを用いる。予測モデル構築のアルゴリズムは特に制限しないが、多次元配列データに対応したアルゴリズムを利用することで効果的に予測モデルを構築することが可能である。
図3に、対象地ごとの環境情報の構成概念図を示す。なお、予測モデル構築においては、説明変数として入力する要素データが、全て2次元以上のテンソルデータで構成されていればよく、目的変数の形態や予測モデルの形態などにも制限はない。
次に、第4ステップS104で、取得した環境情報および土地に埋設された金属構造物の経過年数から、予測モデルを用いて金属構造物の腐食速度または腐食量を予測する。前述した第1ステップS101と同様にすることで、予測対象に関する環境情報を新たに取得し、取得した環境情報と、対象となる金属構造物の経過年数とから、予測モデルを用いて予測を実施する。
予測モデルを用いた予測では、予測対象地の土壌に関する情報および気象情報を、予測モデルに入力し、金属構造物の腐食量や腐食速度を予測する。なお、前述した予測モデルの構築では、予め取得してあるモデル構築用のデータを用い、実際の予測では、予測したい対象地とは異なるデータを用いることが予測の信頼性担保に必要である。なお予測の出力データ形式は特に制限しない。
次に、上述した腐食性予測方法を実施する、腐食性予測装置について、図4を参照して説明する。腐食性予測装置は、取得部101、第1処理部102、第2処理部103、第3処理部104、および表示部105を備える。
第1処理部102、第2処理部103、第3処理部104は、例えば、CPU(Central Processing Unit;中央演算処理装置)と主記憶装置と外部記憶装置とネットワーク接続装置となどを備えたコンピュータ機器であり、主記憶装置に展開されたプログラムによりCPUが動作する(プログラムを実行する)ことで、上述した第2ステップ、第3ステップ、第4ステップの方法(後述する各機能)が実現される。上記プログラムは、上述した方法をコンピュータが実行するためのプログラムである。ネットワーク接続装置は、所定のネットワークに接続する。また、各機能は、複数のコンピュータ機器に分散させることもできる。
取得部101は、予測の対象となる土地の土壌に関する情報および土地の気象情報の各要素から構成される環境情報を取得する。第1ステップS101の説明で示したように、土壌に関する情報は、土壌の粒子径、土壌の含水率、土壌の温度、土壌の酸素濃度、土壌の透水係数、土壌の色、土壌区分、および土壌統群の少なくとも1つである。また、気象情報は、降雨、気温、気圧、および日照条件の少なくとも1つである。
取得部101は、予測対象地の土壌に関する情報および気象情報の各要素から構成される環境情報を、第1処理部102へと入力する機能を有するため、簡単にはこれを計測するセンサもしくは測定装置で構成し、第1処理部102を構成するコンピュータに接続することで実現できる。また、取得部101は、インターネット上のデータを取得できるようにネットワークと接続したコンピュータから構成することができる。なお、センサや測定装置などから構成される取得部101は、第1処理部102と直接的もしくは恒常的に接続されている必要はなく、測定(取得)されたデータをUSBメモリの記録媒体を用いて、間接的に第1処理部102へ入力する(受け渡す)構成とすることもできる。
第1処理部102は、取得した環境情報の各要素の各々を2次元以上のテンソルデータに加工し、取得した環境情報を、各要素が組み合わされて構成された多次元テンソルデータとする。第1処理部102は、加工した2次元以上のテンソルデータを、自身が有する記憶部(不図示)に記憶する。第1処理部102は、取得部101から入力された情報の全てを行列の2次元テンソルデータや、画像データの3次元テンソルデータ、さらに高次のテンソルデータに加工し、記憶する。
例えば、第1処理部102は、0次元データとして入力されたデータも、2次元以上のテンソルデータに加工する。例えば、地表面情報としてアスファルトもしくはコンクリートで覆われていた場合を1、土壌むき出しの場合を0という0次元テンソルデータとして入力された場合も、例えば図5に示すような、2次元テンソルデータへと加工する。図5の(a)は、土壌むき出しの場合の2次元テンソルデータを示し、図5の(b)は、アスファルトもしくはコンクリートで覆われている場合の2次元テンソルデータを示す。データ形状は、他の要素のデータ形状に合わせて加工する。
第2処理部103は、多次元テンソルデータとされた環境情報と、土地に埋設された金属構造物の腐食量および経過年数とから、金属構造物の腐食速度または腐食量と、取得した環境情報との関係を学習して予測モデルを構築する。第2処理部103は、構築した予測モデルを、自身が有する記憶部(不図示)に記憶する。第2処理部103は、機械学習や深層学習アルゴリズムの実行環境および記憶領域を備えたコンピュータで実現できる。
第3処理部104は、取得した環境情報および土地に埋設された金属構造物の経過年数から、予測モデルを用いて金属構造物の腐食速度または腐食量を予測する。予測結果は、表示部105に表示出力される。第3処理部104は、機械学習や深層学習アルゴリズムの実行環境およびこれを用いた予測計算が可能な機能を有すればよく、コンピュータで実現できる。
以上に説明したように、本発明によれば、多次元テンソルデータとした環境情報を用い、対象の土地に埋設された金属構造物の腐食速度または腐食量を予測するので、従来よりも精度の高い腐食予測ができるようになる。
なお、本発明は以上に説明した実施の形態に限定されるものではなく、本発明の技術的思想内で、当分野において通常の知識を有する者により、多くの変形および組み合わせが実施可能であることは明白である。
101…取得部、102…第1処理部、103…第2処理部、104…第3処理部、105…表示部。
Claims (8)
- 予測の対象となる土地の土壌に関する情報および前記土地の気象情報の各要素から構成される環境情報を取得する第1ステップと、
取得した環境情報の前記各要素の各々を2次元以上のテンソルデータとし、取得した環境情報を、前記各要素が組み合わされて構成された多次元テンソルデータとする第2ステップと、
多次元テンソルデータとされた環境情報と、前記土地に埋設された金属構造物の腐食量および経過年数とから、前記金属構造物の腐食速度または腐食量と、取得した環境情報との関係を学習して予測モデルを構築する第3ステップと、
取得した環境情報および前記土地に埋設された前記金属構造物の経過年数から、前記予測モデルを用いて前記金属構造物の腐食速度または腐食量を予測する第4ステップと
を備える腐食性予測方法。 - 請求項1記載の腐食性予測方法において、
前記第2ステップは、取得した環境情報の前記各要素を、3次元テンソルの画像データとすることを特徴とする腐食性予測方法。 - 請求項1または2記載の腐食性予測方法において、
前記土壌に関する情報は、前記土壌の粒子径、前記土壌の含水率、前記土壌の温度、前記土壌の酸素濃度、前記土壌の透水係数、前記土壌の色、土壌区分、および土壌統群の少なくとも1つであることを特徴とする腐食性予測方法。 - 請求項1~3のいずれか1項に記載の腐食性予測方法において、
前記気象情報は、降雨、気温、気圧、および日照条件の少なくとも1つであることを特徴とする腐食性予測方法。 - 予測の対象となる土地の土壌に関する情報および前記土地の気象情報の各要素から構成される環境情報を取得する取得部と、
取得した環境情報の前記各要素の各々を2次元以上のテンソルデータとし、取得した環境情報を、前記各要素が組み合わされて構成された多次元テンソルデータとする第1処理部と、
多次元テンソルデータとされた環境情報と、前記土地に埋設された金属構造物の腐食量および経過年数とから、前記金属構造物の腐食速度または腐食量と、取得した環境情報との関係を学習して予測モデルを構築する第2処理部と、
取得した環境情報および前記土地に埋設された前記金属構造物の経過年数から、前記予測モデルを用いて前記金属構造物の腐食速度または腐食量を予測する第3処理部と
を備える腐食性予測装置。 - 請求項5記載の腐食性予測装置において、
前記第1処理部は、取得した環境情報の前記各要素を、3次元テンソルの画像データにすることを特徴とする腐食性予測装置。 - 請求項5または6記載の腐食性予測装置において、
前記土壌に関する情報は、前記土壌の粒子径、前記土壌の含水率、前記土壌の温度、前記土壌の酸素濃度、前記土壌の透水係数、前記土壌の色、土壌区分、および土壌統群の少なくとも1つであることを特徴とする腐食性予測装置。 - 請求項5~7のいずれか1項に記載の腐食性予測装置において、
前記気象情報は、降雨、気温、気圧、および日照条件の少なくとも1つであることを特徴とする腐食性予測装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/031225 WO2022038699A1 (ja) | 2020-08-19 | 2020-08-19 | 腐食性予測方法および装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2022038699A1 JPWO2022038699A1 (ja) | 2022-02-24 |
JP7359313B2 true JP7359313B2 (ja) | 2023-10-11 |
Family
ID=80323512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022543863A Active JP7359313B2 (ja) | 2020-08-19 | 2020-08-19 | 腐食性予測方法および装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7359313B2 (ja) |
WO (1) | WO2022038699A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115639135B (zh) * | 2022-10-24 | 2023-10-10 | 广州市万保职业安全事务有限公司 | 一种基于机器视觉的钢质腐蚀安全检测方法与系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016103445A1 (ja) | 2014-12-26 | 2016-06-30 | 株式会社日立製作所 | 腐食環境診断システム、腐食防止システム、腐食環境診断方法及び腐食防止方法 |
JP2017003558A (ja) | 2015-06-10 | 2017-01-05 | 日本電信電話株式会社 | 推定方法 |
JP2017090238A (ja) | 2015-11-10 | 2017-05-25 | 日本電信電話株式会社 | 予測方法 |
JP2018092453A (ja) | 2016-12-06 | 2018-06-14 | 日本電気通信システム株式会社 | 学習装置、学習方法およびプログラム |
US20200011784A1 (en) | 2018-07-05 | 2020-01-09 | Accenture Global Solutions Limited | Mitigating asset damage via asset data analysis and processing |
WO2020027203A1 (ja) | 2018-07-31 | 2020-02-06 | 本田技研工業株式会社 | 推定システム、推定装置、推定方法、プログラム、及び記憶媒体 |
JP2020051801A (ja) | 2018-09-25 | 2020-04-02 | 株式会社クボタ | 埋設管更新時期予測装置、埋設管更新時期予測方法、プログラム及びコンピュータ読み取り可能な記録媒体 |
-
2020
- 2020-08-19 JP JP2022543863A patent/JP7359313B2/ja active Active
- 2020-08-19 WO PCT/JP2020/031225 patent/WO2022038699A1/ja active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016103445A1 (ja) | 2014-12-26 | 2016-06-30 | 株式会社日立製作所 | 腐食環境診断システム、腐食防止システム、腐食環境診断方法及び腐食防止方法 |
JP2017003558A (ja) | 2015-06-10 | 2017-01-05 | 日本電信電話株式会社 | 推定方法 |
JP2017090238A (ja) | 2015-11-10 | 2017-05-25 | 日本電信電話株式会社 | 予測方法 |
JP2018092453A (ja) | 2016-12-06 | 2018-06-14 | 日本電気通信システム株式会社 | 学習装置、学習方法およびプログラム |
US20200011784A1 (en) | 2018-07-05 | 2020-01-09 | Accenture Global Solutions Limited | Mitigating asset damage via asset data analysis and processing |
WO2020027203A1 (ja) | 2018-07-31 | 2020-02-06 | 本田技研工業株式会社 | 推定システム、推定装置、推定方法、プログラム、及び記憶媒体 |
JP2020051801A (ja) | 2018-09-25 | 2020-04-02 | 株式会社クボタ | 埋設管更新時期予測装置、埋設管更新時期予測方法、プログラム及びコンピュータ読み取り可能な記録媒体 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2022038699A1 (ja) | 2022-02-24 |
WO2022038699A1 (ja) | 2022-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Evaluation of CHIRPS and its application for drought monitoring over the Haihe River Basin, China | |
Tabari et al. | Comparison of artificial neural network and combined models in estimating spatial distribution of snow depth and snow water equivalent in Samsami basin of Iran | |
Wang et al. | Robust subsampling ANOVA methods for sensitivity analysis of water resource and environmental models | |
Kavianpour et al. | Spatial and temporal analysis of drought based on a combined index using copula | |
Rehamnia et al. | Modeling of seepage flow through concrete face rockfill and embankment dams using three heuristic artificial intelligence approaches: a comparative study | |
Katipoğlu | Spatial analysis of seasonal precipitation using various interpolation methods in the Euphrates basin, Turkey | |
Azimi et al. | Probabilistic analysis of long-term climate drought using steady-state Markov chain approach | |
JP7359313B2 (ja) | 腐食性予測方法および装置 | |
Vos et al. | Integrated data-modelling approach for suspended sediment transport on a regional scale | |
Zaghiyan et al. | Temporal correction of irregular observed intervals of groundwater level series using interpolation techniques | |
Yang et al. | Predicting flood property insurance claims over conus, fusing big earth observation data | |
Mei et al. | Can hydrological models benefit from using global soil moisture, evapotranspiration, and runoff products as calibration targets? | |
Yu | An assessment of uncalibrated CLIGEN in Australia | |
Wang et al. | Temperature prediction of flat steel box girders of long-span bridges utilizing in situ environmental parameters and machine learning | |
Bandara et al. | Towards soil property retrieval from space: Proof of concept using in situ observations | |
Zhang et al. | Enhancing daily streamflow simulation using the coupled SWAT-BiLSTM approach for climate change impact assessment in Hai-River Basin | |
Yenice et al. | Trend analysis of temperature data using innovative polygon trend analysis and modeling by gene expression programming | |
Zhu et al. | Building pedotransfer functions for estimating soil erodibility in southeastern China | |
Hostache et al. | Assimilation of Soil Moisture and Ocean Salinity (SMOS) brightness temperature into a large-scale distributed conceptual hydrological model to improve soil moisture predictions: the Murray–Darling basin in Australia as a test case | |
Tozer et al. | Large‐scale ocean‐atmospheric processes and seasonal rainfall variability in South Australia: accounting for non‐linearity and establishing the hierarchy of influence | |
Mascaro et al. | Closing the loop of satellite soil moisture estimation via scale invariance of hydrologic simulations | |
Huang et al. | Uncertainty analysis of rainfall spatial interpolation in urban small area | |
Rasool et al. | Development of a predictive equation for modelling the infiltration process using gene expression programming | |
Brunner et al. | Testing CASE: A new event‐based Morgan‐Morgan‐Finney‐type erosion model for different rainfall experimental scenarios | |
Leao et al. | TMI for urban resilience: Measuring and mapping long-term climate change effects on soil moisture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221124 |
|
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: 20230829 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230911 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7359313 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |