JP7461312B2 - 管路事故リスク評価装置および管路事故リスク評価方法 - Google Patents
管路事故リスク評価装置および管路事故リスク評価方法 Download PDFInfo
- Publication number
- JP7461312B2 JP7461312B2 JP2021015367A JP2021015367A JP7461312B2 JP 7461312 B2 JP7461312 B2 JP 7461312B2 JP 2021015367 A JP2021015367 A JP 2021015367A JP 2021015367 A JP2021015367 A JP 2021015367A JP 7461312 B2 JP7461312 B2 JP 7461312B2
- Authority
- JP
- Japan
- Prior art keywords
- pipeline
- accident
- data
- risk assessment
- attribute
- 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
- 238000000034 method Methods 0.000 title claims description 80
- 238000012502 risk assessment Methods 0.000 title claims description 52
- 238000011156 evaluation Methods 0.000 claims description 46
- 230000010354 integration Effects 0.000 claims description 34
- 238000012937 correction Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000009434 installation Methods 0.000 claims description 20
- 238000013178 mathematical model Methods 0.000 claims description 19
- 230000002776 aggregation Effects 0.000 claims description 14
- 238000004220 aggregation Methods 0.000 claims description 14
- 239000013589 supplement Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 36
- 238000010276 construction Methods 0.000 description 34
- 230000008569 process Effects 0.000 description 31
- 238000003062 neural network model Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 229910001018 Cast iron Inorganic materials 0.000 description 3
- 229910001141 Ductile iron Inorganic materials 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 229920000915 polyvinyl chloride Polymers 0.000 description 2
- 239000004800 polyvinyl chloride Substances 0.000 description 2
- 239000004698 Polyethylene Substances 0.000 description 1
- BZHJMEDXRYGGRV-UHFFFAOYSA-N Vinyl chloride Chemical compound ClC=C BZHJMEDXRYGGRV-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- -1 polyethylene Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Description
以下、本発明に係る実施形態1を、図1ないし図13を用いて説明する。
管路事故リスク評価装置100は、水道事業者の提供する管路やその漏水事故に関するデータから、管路の事故リスクを評価するための数式モデルを構築し、各々の管路の経年における事故リスクを事前に評価するための装置である。管路事故リスク評価装置100は、図1に示されるように、機能構成として、データ統合処理部101、モデル構築(最小二乗法による)処理部102、事故リスク評価部110、ユーザインタフェース部120、記憶部200からなる。
管路事故リスク評価装置100のハードウェア構成としては、例えば、図2に示されるパーソナルコンピュータのような一般的な情報処理装置で実現される。
実施形態1のデータ統合処理は、モデル構築(最小二乗法による)処理のためのデータを作成する処理である。
先ず、管路事故リスク評価装置100は、各事業体から提供される図3に示した複数の管路データテーブル201の全レコードを統合して、管路IDを新管路IDにして、図5に示した一つの統合管路データテーブル203を作成する(S401)。このときに、統合管路データテーブル203の新管路ID203は、重複がないように一意的に割り振られる。
先ず、図10に示すように、管路属性ごとに、その属性に属する管路の延長、事故件数のデータを取得し(図10では、新管路IDごとに各データを横につなげて図示している)、累積延長、累積事故件数を計算する。図10に示される例では、属性ID:14、すなわち、管種:DIP、管タイプ:一般継手スリーブなし、口径:75mm、地盤:良い、供用年数:56~60年の属性のデータを取得して示した例である。
ここでは、以下の数式によって表現される事故率モデルを仮定して、各管路の事故率の予測を行う例について説明する。
次に、上記(式1)~(式5)と読み込んだ管路属性・事故率対応テーブル205のデータに基づき、非線形最小二乗法により、管種別の管路属性VS事故率のデータを活用し、管種ごとに最適なパラメータa,b,c,d,e,f,gを求め、記憶部200に格納する(S1102)。
管路事故リスク表示画面400は、管路ネットワークのマップと各々の管路に対する事故リスク評価の情報を表示する画面である。
管路事故リスク表示画面400には、管路ネットワークマップ401がそれぞれの管路のマップ上に対応付けて表示される。管路ネットワークマップ401の各々の管路は、事故率リスク評価処理の結果として各々の管路に設定された管理事故リスク評価テーブル206の予測された事故率206gの値に基づいて、例えば、管路が色分けや線の太さなど凡例402に従って、ユーザ(例えば、水道事業者の管路の施設計画者や管路の保守管理者)に識別できる形態で表示される。
以下、本発明に係る実施形態2を、図14および図15を用いて説明する。
実施形態1の管路データテーブル201では、管路ID2003、3054、4498、6056の4レコードの管路の布設年度が不明であった。一方、この事業体では、管種がDIPの管路に対して、1970年から1972年ごろ記録が途絶えたという記録があるものとする。
実施形態2のデータ統合処理は、図9に示されるデータ統合処理に、S400が付け加わったものである。図15に示されるS401~S405は、図9に示されるS401~S405と同様である。
実施形態2のデータ統合処理では、データの入力者は、欠損データの値を推定し、管路事故リスク評価装置100にその値を入力し、欠損データ補完後の管路データテーブル201を作成する(S400)。
以下、本発明に係る実施形態3を、図16ないし図18を用いて説明する。
実施形態3に係る管路事故リスク評価装置は、機能構成として、図1の実施形態1のモデル構築(最小二乗法による)処理部102の代わりに、モデル構築(ニューラルネットワークによる)処理部103を有している。
モデル構築(ニューラルネットワークによる)処理部103は、管種ごとに、ニューラルネットワークモデルを構築して事故率を予測する機能部である。
本実施形態では、図17に示されるように、入力データが、供用年数、管タイプ(DIPの場合、スリーブなしで0、スリーブありで1を入力とする)、口径、地盤情報(良い地盤で0、悪い地盤で1を入力とする)とし、出力が、事故率予測値Ypとするニューラルネットワークモデルを構築する。
xj=σ(w1x1+w2x2+…+wnxn) …(式7)
ここで、σは、ノードの作用を表現する関数であり、例えば、シグモイド関数がよく使用される。
例えば、学習過程では、以下の(式8)によるN(管種)の値が小さくなるように、ニューラルネットワークモデルの重みWが決定される。
先ず、データ統合処理により設定された管路属性・事故率対応テーブル205のデータを読み込む(S1301)
次に、管路属性・事故率対応テーブル205のデータを学習用データと、検証用データに分割する(S1302)
例えば、図7に示した例で、同じ属性の事故率データを2分割し、一つを学習用データ、他の一つを検証用データとする。図7に示した例では、データID:1とデータID:2、データID:19とデータID:20、データID:308からデータID:310は、それぞれ同じ属性であり、このように同じ属性のデータを2分割する。
〔実施形態4〕
以下、本発明に係る実施形態4を、図19ないし図21を用いて説明する。
実施形態4に係る管路事故リスク評価装置は、機能構成として、図1の実施形態1のモデル構築(最小二乗法による)処理部102の代わりに、モデル構築(ハイブリッド手法による)処理部104を有している。
モデル構築(ハイブリッド手法による)処理部104は、管種ごとに、ベースパラメータに対しては、最小二乗法、補正係数に対してニューラルネットワークを使用して事故率を予測する機能部である。
本実施形態の管路事故リスク評価装置100は、以下の管種ごとに定まる(式9)、(式10)の数式モデルにより事故率を予測する。
最終的に得られたベースパラメータa,bと補正係数C(ニューラルネットによる関数)より、管路属性情報から事故率を予測することができる。
先ず、データ統合処理により設定された管路属性・事故率対応テーブル205のデータを読み込む(S1501)。
次に、最小二乗法により、ベースパラメータa,bを同定する(S1502)。ここで、図示しなかったが、ループに入る前では、補正係数Cは、C=1に初期化されているものとする。
次に、ニューラルネットワークにより、重みWを学習し、補正係数Cを同定する(1503)。
以下では、実施形態1、実施形態3、実施形態4において、三つのモデル構築処理を説明した。モデル構築に使用できるデータ数(図5の統合管路データテーブルのレコード数)が比較的小さい(例えば、2000未満の)場合は、実施形態1の処理を実行し、大きい場合(例えば、2000以上)は、実施形態3、実施形態4の処理を実行するのが好適である。また、実施形態3のニューラルネットワークよる手法において、供用年数増加に対して事故率が単調増加にならない場合には、実施形態4のハイブリッド手法を用いれば良い。
201…管路データテーブル、202…事故履歴データテーブル、203…統合管路データテーブル、204…管路属性毎集約テーブル、205…管路属性・事故率対応テーブル、206…管理事故リスク評価テーブル
Claims (7)
- 管路の供用年数と管路属性を変数として含み、期間ごと管路の長さあたりの予測事故率の数式モデルによって管路の漏水事故率を算出する管路事故リスク評価装置であって、
布設年度と管路の延長を含む管路属性を、管路ごとに記憶する管路データテーブルと、
管路ごとに事故年月日を含む事故情報を記憶する事故履歴データテーブル202とを保持し、
前記管路データテーブルと前記事故履歴データテーブル202のデータより、各々の管路に対して供用年数と事故件数を含むデータ統合テーブルを作成し、
前記データ統合テーブルを参照して、管路属性ごとに、前記データ統合テーブルのレコードを表すIDを記憶する管路属性毎集約テーブルを作成し、
管路属性別に、管路の延長単位ごとに各々の管路の事故率を記憶する管路属性・事故率対応テーブルとを作成し、
前記管路属性・事故率対応テーブルのデータに基づいて、管路属性を含む予測事故率を算出する数式モデルにおける管路属性に対するパラメータを決定して、
各々の管路に対する予測事故率を求めることを特徴とする管路事故リスク評価装置。 - 前記数式モデルの予測事故率は、供用年数に対する指数関数またはべき乗関数で表され、口径に対する連続関数として表されることを特徴とする請求項1記載の管路事故リスク評価装置。
- 前記数式モデルにおける管路属性に対するパラメータは、非線形最小二乗法により求めることを特徴とする請求項1記載の管路事故リスク評価装置。
- 前記数式モデルにおける管路属性に対するパラメータは、ニューラルネットワークにより求めることを特徴とする請求項1記載の管路事故リスク評価装置。
- 前記数式モデルにおける管路属性に対するパラメータに対して、管タイプ、口径、地盤にかかわる補正係数を、ニューラルネットワークにより求め、その他のベースパラメータは、非線形最小二乗法により求めることを特徴とする請求項1記載の管路事故リスク評価装置。
- 管路の供用年数と管路属性を変数として含み、期間ごと管路の長さあたりの予測事故率の数式モデルによって管路の漏水事故率を算出する管路事故リスク評価装置による管路事故リスク評価方法であって、
前記管路事故リスク評価装置は、
布設年度と管路の延長を含む管路属性を、管路ごとに記憶する管路データテーブルと、
管路ごとに事故年月日を含む事故情報を記憶する事故履歴データテーブル202とを保持し、
前記管路事故リスク評価装置が、前記管路データテーブルと前記事故履歴データテーブル202のデータより、各々の管路に対しての供用年数と事故件数を含むデータ統合テーブルを作成するステップと、
前記データ統合テーブルを参照して、管路属性ごとに、前記データ統合テーブルのレコードを表すIDを記憶する管路属性毎集約テーブルを作成するステップと、
管路属性別に、管路の延長単位ごとに各々の管路の事故率を記憶する管路属性・事故率対応テーブルとを作成するステップと、
前記管路属性・事故率対応テーブルのデータに基づいて、管路属性を含む予測事故率を算出する数式モデルにおける管路属性に対するパラメータを決定するステップと、
各々の管路に対する予測事故率を求めるステップとを有することを特徴とする管路事故リスク評価方法。 - 前記管路データテーブルのデータに欠損データがあるときに、その欠損データを補充したデータを、前記管路事故リスク評価装置に入力するステップを有することを特徴とする請求項6記載の管路事故リスク評価方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021015367A JP7461312B2 (ja) | 2021-02-02 | 2021-02-02 | 管路事故リスク評価装置および管路事故リスク評価方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021015367A JP7461312B2 (ja) | 2021-02-02 | 2021-02-02 | 管路事故リスク評価装置および管路事故リスク評価方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022118672A JP2022118672A (ja) | 2022-08-15 |
JP7461312B2 true JP7461312B2 (ja) | 2024-04-03 |
Family
ID=82840032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021015367A Active JP7461312B2 (ja) | 2021-02-02 | 2021-02-02 | 管路事故リスク評価装置および管路事故リスク評価方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7461312B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7343951B1 (ja) | 2023-06-14 | 2023-09-13 | フジ地中情報株式会社 | 管路属性情報補完システム、管路属性情報補完方法及び管路属性情報補完プログラム |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005269731A (ja) | 2004-03-17 | 2005-09-29 | Tokyo Electric Power Co Inc:The | 雷事故件数予測装置、雷事故件数予測方法、耐雷設備予測装置、耐雷設備予測方法 |
JP2020517004A (ja) | 2017-04-13 | 2020-06-11 | オラクル・インターナショナル・コーポレイション | パイプ漏れを予測する新規な自律的人工知能システム |
-
2021
- 2021-02-02 JP JP2021015367A patent/JP7461312B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005269731A (ja) | 2004-03-17 | 2005-09-29 | Tokyo Electric Power Co Inc:The | 雷事故件数予測装置、雷事故件数予測方法、耐雷設備予測装置、耐雷設備予測方法 |
JP2020517004A (ja) | 2017-04-13 | 2020-06-11 | オラクル・インターナショナル・コーポレイション | パイプ漏れを予測する新規な自律的人工知能システム |
Also Published As
Publication number | Publication date |
---|---|
JP2022118672A (ja) | 2022-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharma et al. | Regional resilience analysis: A multiscale approach to optimize the resilience of interdependent infrastructure | |
Hu et al. | Clash relevance prediction based on machine learning | |
Chen et al. | BIM-based framework for automatic scheduling of facility maintenance work orders | |
Liu et al. | Survey: Common knowledge in BIM for facility maintenance | |
Mendoza et al. | Critical success factors for managing systems integration. | |
Heravi et al. | Group decision making for stochastic optimization of time, cost, and quality in construction projects | |
Diab et al. | Modeling the construction risk ratings to estimate the contingency in highway projects | |
JP2015094665A (ja) | 漏水調査計画立案装置、漏水調査計画立案システム、及び漏水調査計画立案方法 | |
CN109858823B (zh) | 主配网停电计划选择方法及装置 | |
Kisi et al. | Estimation of optimal productivity in labor-intensive construction operations: Advanced study | |
Choi et al. | Construction project risk assessment using existing database and project-specific information | |
JP7461312B2 (ja) | 管路事故リスク評価装置および管路事故リスク評価方法 | |
Zhao et al. | Decision-making chains in electrical safety for construction workers | |
Kanno et al. | Human-centered modeling framework of multiple interdependency in urban systems for simulation of post-disaster recovery processes | |
O’Connor et al. | Proactive approach to engineering and design deliverables quality enhancement | |
Faddoul et al. | Incorporating Bayesian networks in Markov decision processes | |
Eskandari et al. | Offering a preventive solution to defects in commercial building facility system using BIM | |
Li et al. | Project schedule forecasting for skyscrapers | |
Yang et al. | Building information model and optimization algorithms for supporting campus facility maintenance management: a case study of maintaining water dispensers | |
Assaad et al. | Quantification of the state of practice of offsite construction and related technologies: Current trends and future prospects | |
Zhang et al. | Assessing safety risk management performance in Chinese subway construction projects: A multistakeholder perspective | |
Zarghami | Forecasting project duration in the face of disruptive events: A resource-based approach | |
US20170330132A1 (en) | Method and system to manage supervision activity in utility system to reduce damage | |
Mani | A framework for estimating labor productivity frontiers | |
Korman et al. | Prototype tool for mechanical, electrical, and plumbing coordination |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230424 |
|
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: 20240312 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240313 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240322 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7461312 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |