WO2021240650A1 - 管路脆弱性推定システム、管路脆弱性推定方法、モデル作成装置、およびプログラム - Google Patents

管路脆弱性推定システム、管路脆弱性推定方法、モデル作成装置、およびプログラム Download PDF

Info

Publication number
WO2021240650A1
WO2021240650A1 PCT/JP2020/020765 JP2020020765W WO2021240650A1 WO 2021240650 A1 WO2021240650 A1 WO 2021240650A1 JP 2020020765 W JP2020020765 W JP 2020020765W WO 2021240650 A1 WO2021240650 A1 WO 2021240650A1
Authority
WO
WIPO (PCT)
Prior art keywords
pipeline
data
vulnerability
machine learning
unit
Prior art date
Application number
PCT/JP2020/020765
Other languages
English (en)
French (fr)
Inventor
陽 伊藤
大 奥津
Original Assignee
日本電信電話株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to JP2022527323A priority Critical patent/JP7288229B2/ja
Priority to PCT/JP2020/020765 priority patent/WO2021240650A1/ja
Publication of WO2021240650A1 publication Critical patent/WO2021240650A1/ja

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02B—HYDRAULIC ENGINEERING
    • E02B9/00—Water-power plants; Layout, construction or equipment, methods of, or apparatus for, making same
    • E02B9/02—Water-ways
    • E02B9/06—Pressure galleries or pressure conduits; Galleries specially adapted to house pressure conduits; Means specially adapted for use therewith, e.g. housings, valves, gates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/20—Hydro energy

Definitions

  • This disclosure relates to a pipeline vulnerability estimation system, a pipeline vulnerability estimation method, a model creation device, and a program.
  • Patent Document 1 the presence or absence of damage is determined by comparing the force generated at the time of an earthquake calculated from the pipeline laying form of the pipeline laid underground and the residual strength of the pipeline calculated based on the number of years elapsed since the earthquake. The method of estimation is described.
  • the evaluation method of the vulnerability of the communication pipeline that accommodates the communication cable in the ground in order to prevent damage to the communication pipeline in the event of a large-scale earthquake, the pipeline A method for classifying the fragility of a pipeline by classifying it into four stages based on the pipe type, length, microtopography classification, and seismic intensity of the pipe is described.
  • Non-Patent Document 2 describes a method of estimating a standard damage rate curve from a past earthquake and multiplying it by a correction coefficient for water supply pipes, in which the pipe diameter, pipe type, and the ground where the pipe is laid. The method of determining the coefficient is described.
  • Non-Patent Document 3 describes a method for predicting damage to a gas pipe.
  • seismographs are installed at each point and measures are taken to stop when the SI (Spectral Intensity) value exceeds the threshold, and Monte Carlo simulation is applied to this. Based on this, there are examples of machine learning being used to improve the accuracy of damage prediction, such as clarifying the relationship between the SI value and damage to gas pipes using a support vector machine.
  • the purpose of this disclosure made in view of such circumstances is to accurately estimate the vulnerability of the pipeline even in the situation where the seismic motion index cannot be used.
  • the pipeline vulnerability estimation system includes a model creation device and a vulnerability calculation device, and the model creation device provides information on the presence or absence of earthquake damage and the characteristics of the pipeline.
  • a first model creation unit that creates a first machine learning model that outputs the vulnerability of the pipeline for each characteristic of the pipeline using the first pipeline damage data including the above, and the first machine.
  • a feature amount extraction unit for specifying a feature amount having a high contribution to prediction and a pipeline damage data in which the feature amount is an average value are extracted from the first pipeline damage data.
  • the vulnerability calculation device includes a second model creation unit that creates a second machine learning model that outputs the vulnerability of the pipeline, and the vulnerability calculation device acquires evaluation target pipeline data including information on the characteristics of the pipeline to be evaluated.
  • the evaluation target pipeline acquisition unit, the model reception unit that acquires the second machine learning model, and the evaluation target pipeline data include information on the characteristics of the evaluation target pipeline. It is provided with a calculation unit for calculating the vulnerability of the pipeline to be evaluated by applying the second machine learning model to the pipeline data.
  • the pipeline vulnerability estimation method uses the first pipeline damage data including information on the presence or absence of earthquake damage and the characteristics of the pipeline, and uses the first pipeline damage data for each of the characteristics of the pipeline. From the step of creating the first machine learning model to output the vulnerability, the step of specifying the feature amount having a high contribution to the prediction for each of the first machine learning models, and the first pipeline damage data. A step of extracting pipeline damage data in which the feature amount is an average value and outputting data obtained by excluding the feature amount from the pipeline damage data as second pipeline damage data, and the second tube. Evaluation target pipeline data including a step of creating a second machine learning model that outputs the vulnerability of the pipeline for each characteristic of the pipeline using the road damage data, and information on the characteristics of the pipeline to be evaluated.
  • the evaluation target pipeline data is described as described above.
  • a second machine learning model is applied to include a step of calculating the vulnerability of the pipeline to be evaluated.
  • the model creation device uses the first pipeline damage data including information on the presence / absence of earthquake damage and the characteristics of the pipeline, and outputs the vulnerability of the pipeline for each characteristic of the pipeline.
  • An average data extraction unit that extracts pipeline damage data in which the feature amount is an average value from the road damage data, and outputs data obtained by excluding the feature amount from the pipeline damage data as second pipeline damage data.
  • a second model creation unit that creates a second machine learning model that outputs the vulnerability of the pipeline for each characteristic of the pipeline by using the second pipeline damage data.
  • program according to the present disclosure causes the computer to function as the above-mentioned model creation device.
  • the pipeline vulnerability estimation method it is possible to accurately estimate the vulnerability of the pipeline even in a situation where the seismic motion index cannot be used. ..
  • FIG. 1 is a diagram showing a main configuration of a pipeline vulnerability estimation system 1 according to an embodiment of the present disclosure.
  • the pipeline vulnerability estimation system 1 includes a model creation device 10 and a vulnerability calculation device 20.
  • the model creation device 10 and the vulnerability calculation device 20 may be connected so as to be able to communicate with each other by wire or wirelessly.
  • the communication method for transmitting and receiving information between the devices is not particularly limited. Further, the model creation device 10 and the vulnerability calculation device 20 may be integrated.
  • the model creation device 10 creates a machine learning model using data on the presence or absence of damage to the pipeline, and transmits the created machine learning model to the vulnerability calculation device 20. Specifically, as will be described in detail below, the model creation device 10 creates and creates N (N ⁇ 2) first machine learning models using the data regarding the presence or absence of damage to the pipeline. Features are extracted from the first machine learning model to identify seismic motion indexes with high impact. Next, the model creation device 10 extracts data on which the specified seismic motion index is average, and creates N second machine learning models using the extracted data. The model creation device 10 outputs the created N second machine learning models to the vulnerability calculation device 20.
  • the vulnerability calculation device 20 applies the data of the pipeline to be evaluated for vulnerability to the trained N second machine learning models to calculate the vulnerability of the pipeline. Specifically, as will be described in detail below, the vulnerability calculation device 20 first acquires the data of the pipeline to be evaluated for vulnerability in response to the input of the characteristics of the pipeline of the user. Next, the acquired pipeline data is applied to the second machine learning model received from the model creation device 10, the vulnerability of the pipeline is calculated, and the calculation result is output for each characteristic of the pipeline.
  • FIG. 2 is a diagram showing an example of the configuration of the model creation device 10 according to the present embodiment.
  • the model creation device 10 includes a storage unit 11, an input unit 12, a control unit 13, and an output unit 14.
  • the storage unit 11 includes one or more memories, and may include, for example, a semiconductor memory, a magnetic memory, an optical memory, and the like. Each memory included in the storage unit 11 may function as, for example, a main storage device, an auxiliary storage device, or a cache memory.
  • the storage unit 11 stores various information used for the operation of the model creation device 10.
  • the storage unit 11 stores the past seismic pipeline damage database 111, various programs necessary for the control unit 13 to execute various processes, and various information.
  • the storage unit 11 stores the first machine learning model created by the first model creation unit 131 of the control unit 13, which will be described later, and the second machine learning model created by the second model creation unit 134. Is preferable.
  • the storage unit 11 can be referred to from another terminal, the machine learning model can be browsed from a plurality of terminals.
  • the storage unit 11 may be, for example, a hard disk of a file server or a non-volatile memory that can be accessed from the control unit 13 via a network. Even with such a configuration, the storage unit 11 functions as a part of the model creation device 10, and the control unit 13 can access the storage unit 11 when necessary.
  • the past earthquake pipeline damage database 111 stores the information of the inspection results for each span at the time of the past earthquake as the characteristics of the pipeline.
  • “Span” means the section of the underground pipeline arranged between the manholes and the section related to the bridge including the bridge attachment pipe and the connecting pipe to the abutment.
  • the “characteristics of the pipeline” are, for example, the presence or absence of damage due to an earthquake, the length of the span, the pipe type, the outer diameter, the year of construction, the latitude and longitude of the central part of the span, and the AVS (Average Shear) at the position where the span is laid.
  • AVS 30 refers to the average S wave velocity from the ground surface to a depth of 30 m.
  • PGA is the maximum acceleration of seismic motion.
  • PGV refers to the maximum velocity of seismic motion.
  • FIGS. 3A and 3B are information in a table format, but the information is not limited to this, and any format may be used as long as the information associates the above-mentioned information.
  • the characteristics of the pipeline included in the equipment information are not limited to the examples shown in FIGS. 3A and 3B. Etc. may be included.
  • the characteristics of the pipeline included in the ground information are not limited to the examples shown in FIGS. 3A and 3B, but also regarding the average inclination angle, average elevation, and whether or not the land is presumed to be artificially flattened. Information, the basic natural period of the ground, etc. may be included.
  • the microtopography classification is not limited to the example shown in Fig. 3, and other foothills, hills, volcanoes, volcanic foothills, volcanic hills, rock plateaus, gravel plateaus, valley bottom lowlands, alluvial fans, natural embankments, etc.
  • the characteristics of the pipeline included in the seismic motion information are not limited to the examples shown in FIGS. 3A and 3B, and may include the equivalent predominant period of the earthquake, the maximum displacement amount, the value of the ground strain based on the gas guideline, and the like.
  • the input unit 12 receives each information of the inspection result of the pipeline at the time of the past earthquake from the user.
  • the input unit 12 may be, for example, at least one of a keyboard and a mouse, or may be a touch panel, but is not particularly limited.
  • Each piece of information received by the input unit 12 is stored in the past seismic pipeline damage database 111 of the storage unit 11 and is used in the model creation process described later.
  • the control unit 13 includes a first model creation unit 131, a feature amount extraction unit 132, an average data extraction unit 133, and a second model creation unit 134.
  • the control unit 13 may be configured by dedicated hardware, a general-purpose processor, or a processor specialized for a specific process.
  • the first model creation unit 131 acquires the data included in the past earthquake pipeline damage database 111 with reference to the storage unit 11, summarizes the data for each of the characteristics of the N pipelines, and damages the first pipeline.
  • the data is divided into the data for creating the first machine learning model.
  • the first model creation unit 131 uses the first pipeline damage data divided into N pieces as learning data, performs machine learning for each, and outputs the vulnerability of the pipeline for each of the characteristics of the pipeline. Create a first machine learning model.
  • the machine learning method may be, but is not limited to, binary classification regression using random forest or odor boosting. Details of the random forest and the gradient boosting method are disclosed in, for example, Document 1 below, and are omitted here.
  • the "fragility of the pipeline” refers to the probability of the presence or absence of earthquake damage in a span having the characteristics of a certain pipeline calculated by the first model creation unit 131, and is represented by a continuous value from 0 to 1.
  • NS The closer the fragility of a pipeline is to 0, the less likely it is that a span with the characteristics of a certain pipeline will be damaged by an earthquake, and the closer the fragility of a pipeline is to 1, the less likely it is that the span has the characteristics of a certain pipeline. It means that there is a high possibility that the span with is damaged by the earthquake.
  • the first model creating unit 131 stores the first machine learning model created for each characteristic of the pipeline in the storage unit 11. Reference 1: Trevor Hastie et al., "Basics of Statistical Learning-Data Mining / Inference / Prediction-", Kyoritsu Shuppan, 2014
  • the feature amount extraction unit 132 acquires the first machine learning model created by the first model creation unit 131 with reference to the storage unit 11, and extracts the feature amount for each of the acquired first machine learning models. ..
  • extraction of feature amount means grasping the characteristics of a pipeline having a high degree of contribution to the prediction of the first machine learning model.
  • the method of the importance of the feature amount of the permutation may be used for the extraction of the feature amount. Details of the method of importance of permutation features are disclosed in, for example, Document 2 below, and are omitted here.
  • the feature amount extraction unit 132 extracts the feature amount and identifies the seismic motion index having the highest contribution to the prediction of the first machine learning model. Reference 2: Altmann, et al., “Permutation importance: corrected feature importance measure”, Vol. 26, No.10, pp.1340-1347 (2010)
  • the average data extraction unit 133 collects span data for which the seismic motion index specified by the feature quantity extraction unit 132 is an average value from the past seismic pipeline damage database 111 for each of the N first machine learning models. Extract.
  • the average value is, for example, a value within the range of the average value ⁇ standard deviation. Then, the average data extraction unit 133 excludes all the seismic motion index information from the extracted pipeline damage data.
  • the average data extraction unit 133 stores the pipeline damage data from which the seismic motion index information has been deleted in the storage unit 11 as the second pipeline damage data.
  • the second model creation unit 134 refers to the storage unit 11 and newly performs machine learning using the second pipeline damage data extracted by the average data extraction unit 133 as learning data, and performs new machine learning for each characteristic of the pipeline. Create N second machine learning models that output the vulnerability of the pipeline.
  • the machine learning method may be, but is not limited to, binary classification regression using random forest or odor boosting, as in the creation of the first machine learning model.
  • the second model creation unit 134 expresses the vulnerability of a span having a characteristic of a certain pipeline by a continuous value from 0 to 1.
  • the second model creating unit 134 stores the second machine learning model created for each characteristic of the pipeline in the storage unit 11.
  • the second machine learning model uses the presence or absence of earthquake damage as the objective variable and explains information other than seismic motion index information, that is, equipment information, coordinate information, and ground information. It becomes a model to be a variable.
  • FIG. 4 is a ROC curve (Receiver Operating Characteristic curve) showing the accuracy of the second machine learning model in which the characteristic of the pipeline is “threaded joint steel pipe” according to the present embodiment.
  • the horizontal axis shows the true positive rate TPR (True Positive Rate), and the vertical axis shows the false positive rate FPR (False Positive Rate).
  • the area AUC (area under the curve) under the ROC curve in FIG. 4 is 0.80, indicating that the accuracy of the second machine learning model is excellent.
  • the second machine learning model created for the data in which the characteristic of the fragile pipeline is "threaded joint steel pipe” is used, and the characteristic of the pipeline is ".
  • the fragility of pipelines is calculated by applying it to the verification data of "screw joint steel pipes” and the top 10% of spans with high fragility are extracted, about 15% of the pipes that were actually damaged are included. It was confirmed that the accuracy of vulnerability calculation was excellent.
  • the output unit 14 outputs N second machine learning models created by the second model creation unit 134 to the vulnerability calculation device 20.
  • the vulnerability calculation device 20 applies the second machine learning model created by the model creation device 10 to the data of the span of the pipeline targeted for evaluation of the vulnerability, and estimates the vulnerability of the pipeline. can do.
  • the output unit 14 may be configured to be a liquid crystal display, an organic EL display, an inorganic EL display, or the like so that the machine learning model created can be displayed to the user.
  • FIG. 5 is a diagram showing an example of the configuration of the vulnerability calculation device 20 according to the present embodiment.
  • the vulnerability calculation device 20 includes a storage unit 21, an input unit 22, a control unit 23, and an output unit 24.
  • the storage unit 21 includes one or more memories, and may include, for example, a semiconductor memory, a magnetic memory, an optical memory, and the like. Each memory included in the storage unit 21 may function as, for example, a main storage device, an auxiliary storage device, or a cache memory.
  • the storage unit 21 stores various information used for the operation of the vulnerability calculation device 20.
  • the storage unit 21 stores the evaluation target pipeline database 211, the second machine learning model received from the model creation device 10, various programs necessary for the control unit 23 to execute various processes, and various information. do.
  • the storage unit 21 stores various calculation results of the vulnerability calculation device 20 according to the present embodiment.
  • the storage unit 21 may be, for example, a hard disk of a file server or a non-volatile memory accessible from the control unit 23 via a network. Even with such a configuration, the storage unit 21 functions as a part of the vulnerability calculation device 20, and the control unit 23 can access the storage unit 21 when necessary.
  • FIG. 6 shows an example of the evaluation target pipeline database 211.
  • the evaluation target pipeline database 211 stores data including equipment information and coordinate information for each span of the pipeline to be evaluated for vulnerability.
  • Ground information acquired from an external device such as a server of the earthquake hazard station (J-SHIS) by the control unit 23 may be added to the evaluation target pipeline database 211.
  • J-SHIS earthquake hazard station
  • the characteristics of the pipeline including the equipment information, coordinate information, and ground information of the data stored in the evaluation target pipeline database 211 are the same as the characteristics of the pipeline of the data stored in the above-mentioned past earthquake pipeline damage database 111. May be.
  • the data stored in the evaluation target pipeline database 211 is not limited to the table format as shown in FIG. 6, and may be in any format as long as it is information that associates the above-mentioned information.
  • the input unit 22 receives input of the characteristics of the pipeline to be evaluated from the user. For example, the user can input the characteristic "threaded joint steel pipe" of the pipeline of the category "pipe type" via the input unit 22.
  • the input unit 22 may be, for example, at least one of a keyboard and a mouse, or may be a touch panel integrated with the output unit 24, but is not particularly limited.
  • the information on the characteristics of the pipeline input by the input unit 22 is transmitted to the control unit 23 and used for the vulnerability calculation process of the control unit 23.
  • the control unit 23 includes an evaluation target pipeline acquisition unit 231, a model reception unit 232, and a calculation unit 233.
  • the control unit 23 may be configured by dedicated hardware, a general-purpose processor, or a processor specialized for a specific process.
  • the evaluation target pipeline acquisition unit 231 acquires the data of the span having the characteristics of the pipeline input via the input unit 22 from the evaluation target pipeline database 211 of the storage unit 21. For example, when the characteristic of the pipeline input via the input unit 22 is "screw joint steel pipe", the evaluation target pipeline acquisition unit 231 uses the "thread joint steel pipe” in the data of FIG. 6 as the characteristic of the pipeline. Span No. Select and acquire data 1, 2, and 5.
  • the model reception unit 232 receives a second machine learning model corresponding to the characteristics of the pipeline from the model creation device 10.
  • the model reception unit 232 stores the received second machine learning model in the storage unit 21.
  • the model reception unit 232 may repeatedly, for example, periodically receive a second machine learning model from the model creation device 10 and store it in the storage unit 21 each time.
  • the model reception unit 232 may receive a second machine learning model from the model creation device 10 when a user input is received via the input unit 22. For example, when the characteristic of the pipeline input by the user is "screw joint steel pipe", the model reception unit 232 has the characteristic of the pipeline among the data included in the past earthquake pipeline damage database 111 of the model creation device 10. A second machine learning model created using the data of the "screw joint steel pipe" is accepted from the model creation device 10.
  • the calculation unit 233 refers to the storage unit 21 and applies the second machine learning model received by the model reception unit 232 to the data acquired by the evaluation target pipeline acquisition unit 231.
  • the calculation unit 233 estimates the vulnerability of the span based on the characteristics of the pipeline included in the data of the span as the evaluation target acquired by the evaluation target pipeline acquisition unit 231.
  • the estimated vulnerability is output as a continuous value from 0 to 1.
  • the calculation unit 233 may repeat the application of the model until the model is applied to all the span data acquired by the evaluation target pipeline acquisition unit 231.
  • the calculation unit 233 stores the calculated vulnerability of each span in the storage unit 21.
  • the output unit 24 displays to the user the calculation result of the vulnerability of the pipeline to be evaluated calculated by the control unit 23.
  • the output unit 24 is, for example, a liquid crystal display, an organic EL display, an inorganic EL display, or the like. Further, the output unit 24 may be a touch panel, and in this case, the output unit 24 functions as an input unit 22 that displays the calculation result to the user and accepts the input by the user's operation.
  • FIGS. 7A and 7B Examples of map display are shown in FIGS. 7A and 7B.
  • FIG. 7A is an example of the calculation result of the vulnerability of the span to be evaluated, which is displayed on the output unit 24 and whose characteristic of the pipeline is “screw joint steel pipe”.
  • FIG. 7B is an example of the calculation result of the vulnerability of the span to be evaluated, which is displayed on the output unit 24 and whose characteristic of the pipeline is “bonded joint steel pipe”.
  • the white circles are manholes, and the solid lines, double lines, and dashed lines with large and small intervals are the pipelines connecting the manholes.
  • the output unit 24 sets each span as a solid line (high vulnerability), a double line (medium vulnerability), a broken line with a large interval (low vulnerability), and a broken line with a small interval according to the height of the vulnerability of each span. Display with (no vulnerability).
  • the method of displaying the vulnerability is not limited to the method shown in FIGS. 7A and 7B, and the method of expressing the span by color, the method of showing the calculated value of the vulnerability, the method of showing the vulnerability by video or audio, etc. It may be. By looking at the screen displayed on the output unit 24, the user can centrally grasp the vulnerability of the pipeline on the map for each characteristic of the input pipeline.
  • the output unit 24 can switch between FIGS. 7A and 7B alternately by the user's operation, and may be able to switch the display on the map according to the characteristics of the pipeline input by the user.
  • the output unit 24 may be configured so that the map can be displayed separately for each section having a size of, for example, 1 km ⁇ 1 km or a size of 250 m ⁇ 250 m, by the operation of the user.
  • the output unit 24 may be able to display the span and vulnerability of the pipeline by a list.
  • the model creation device 10 and the vulnerability calculation device 20 may be computers capable of executing program instructions, respectively.
  • the computer stores a program describing the processing contents that realize each function of the model creation device 10 and the vulnerability calculation device 20 in the storage unit of the computer, and the processor of the computer reads and executes the program. Some of these processing contents may be realized by hardware.
  • the computer may be a general-purpose computer, a dedicated computer, a workstation, a PC (Personal Computer), an electronic notepad, or the like.
  • the program instruction may be a program code, a code segment, or the like for executing a necessary task.
  • the processor may be a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), a DSP (Digital Signal Processor), or the like.
  • this program may be recorded on a recording medium that can be read by a computer. Using such a recording medium, it is possible to install the program on the computer.
  • the recording medium on which the program is recorded may be a non-transient recording medium.
  • the non-transient recording medium is not particularly limited, but may be, for example, a recording medium such as a CD-ROM or a DVD-ROM.
  • the program can also be provided by download over the network.
  • FIG. 8A and 8B are flowcharts showing an example of the operation of the model creation device 10 included in the pipeline vulnerability estimation system 1.
  • the first model creation unit 131 of the model creation device 10 acquires the data included in the past earthquake pipeline damage database 111, summarizes the data for each characteristic of N pipelines, and N as the first pipeline damage data. It is divided into training data for creating the first model (step S1).
  • the first model creation unit 131 includes data including "screw joint steel pipe" as a characteristic of the pipeline, that is, span NO.
  • the data of 1, 3, and 5 are regarded as a set of data, and the data including "bonded joint steel pipe” as a characteristic of the pipeline, that is, the span NO.
  • the data of 2 and 4 are regarded as a set of data, and the data is divided according to the characteristics of the pipeline.
  • the first model creation unit 131 divides the data included in the existing seismic pipeline damage database 111 into N groups for each characteristic of the pipeline.
  • the first model creation unit 131 uses a set of N first pipeline damage data divided in step S1 as learning data, performs first machine learning for each characteristic of the pipeline, and performs the first machine learning for each of the pipelines.
  • a first machine learning model that outputs the vulnerability of the pipeline for each characteristic is created (step S2).
  • the first model creation unit 131 includes data including a “threaded joint steel pipe” as a characteristic of a pipeline, that is, a span NO.
  • the first machine learning is performed using the data of 1, 3, and 5 as training data (step S2_1).
  • data including "bonded joint steel pipe" as a characteristic of the pipeline that is, span NO.
  • the first machine learning is performed using the data of 2 and 4 as training data (step S2_2).
  • the first model creation unit 131 performs the first machine learning of a total of N pieces for each of the N pieces of data (step S2_N).
  • the first model creating unit 131 stores each of the first machine learning models 1A to 1N created in steps S2-1 to S2_N in the storage unit 11.
  • the feature amount extraction unit 132 obtains N first machine learning models 1A to 1N created by the first model creation unit 131 with reference to the storage unit 11, and extracts the feature amount for each of them.
  • the features included in the seismic motion index category are specified (steps S3-1 to S3_N).
  • 9A and 9B show a first machine learning model 1A in which the characteristic of the pipeline is a “threaded joint steel pipe” and a first machine learning model 1A in which the characteristic of the pipeline is a “bonded joint steel pipe”, as grasped by the feature quantity extraction unit 132. It is a figure which shows the characteristic of the pipeline which has a high degree of contribution to the prediction with respect to the machine learning model 1B of No. 1 in order of the degree of contribution.
  • the vertical axis shows the characteristics of the pipeline that contributes to the first machine learning model
  • the horizontal axis shows the amount of decrease in the area AUC under the ROC curve of the created first machine learning model.
  • the average data extraction unit 133 is the data of the span in which the feature amount included in the category of the seismic motion index information having the highest contribution specified is the average value from each of the N pieces of data divided in step S1. Is extracted (step S4_1 to step S4_N).
  • the average data extraction unit 133 may calculate an average value as a value that becomes an average value ⁇ standard deviation before extracting data.
  • the seismic motion index having the highest contribution is the SI value, so that the average data extraction unit 133 has a pipeline characteristic of “screw joint steel pipe”.
  • the data whose SI value is the average value is extracted from the data. Referring to FIG.
  • the average data extraction unit 133 includes data including “screw joint steel pipe” as a characteristic of the pipeline, that is, span NO. Of 1, 3, and 5, for example, the span No. 1 in which the SI value is an average value. 1 is extracted, and the data obtained by excluding all the seismic motion index information from the pipeline damage data is stored in the storage unit 11 as the second pipeline damage data.
  • the second model creation unit 134 refers to the storage unit 11 and performs machine learning using the second pipeline damage data extracted by the average data extraction unit 133 in steps S4-1 to S4_N as learning data, and performs machine learning.
  • a second machine learning model that outputs the vulnerability of the pipeline is created for each characteristic of (step S5-1 to step S5_N).
  • the second model creation unit 134 has the span No. 3 of FIG. 3 extracted by the average data extraction unit 133 in step S4_1.
  • the second machine learning is performed using the data of 1 as the training data (step S5_1), and similarly, the second machine learning is performed for the data having the characteristics of the other pipelines extracted in steps S4_2 to S4_N. (Step S5-2 to step S5_N).
  • the second model creation unit 134 performs a total of N second machine learnings.
  • the second machine learning is a model in which the presence or absence of earthquake damage is used as an objective variable, and information other than seismic motion index information, that is, equipment information, coordinate information, and ground information is used as an explanatory variable.
  • the second model creation unit 134 stores the created second machine learning model in the storage unit 11.
  • the control unit 13 outputs each of the N second calculation models stored in the storage unit 11 via the output unit 14 to the vulnerability calculation device 20 (step S6). After that, the control unit 13 ends the process.
  • the machine learning model is created by the above steps S1 to S6, and the created model is output to the vulnerability calculation device 20.
  • FIG. 10 is a flowchart showing an example of the operation of the vulnerability calculation device 20 included in the pipeline vulnerability estimation system 1.
  • the input unit 22 of the vulnerability calculation device 20 receives input of the characteristics of the pipeline to be evaluated from the user (step S7).
  • the user inputs the characteristics of the pipeline of the "threaded joint steel pipe" via the input unit 22.
  • the evaluation target pipeline acquisition unit 231 of the vulnerability calculation device acquires data having the characteristics of the pipeline input via the input unit 22 from the evaluation target pipeline database 211 of the storage unit 21 (step S8).
  • the evaluation target pipeline acquisition unit 231 has the span No. 1 having "screw joint steel pipe" as a characteristic of the pipeline among the data stored in the vulnerability evaluation target database shown in FIG. Select and acquire data 1, 2 and 5.
  • the model reception unit 232 of the vulnerability calculation device 20 receives a second machine learning model corresponding to the characteristics of the pipeline input via the input unit 22 from the model creation device 10 (step S9).
  • the model reception unit 232 stores the received second machine learning model in the storage unit 21.
  • the model reception unit 232 is a machine learning model created for the data that the characteristic of the pipeline is "thread joint steel pipe”. 1A is received from the model creation device 10.
  • the calculation unit 233 of the vulnerability calculation device 20 refers to the storage unit 21 and applies the machine learning model 1A received by the model reception unit 232 to the data acquired by the evaluation target pipeline acquisition unit 231 (step). S10).
  • the calculation unit 233 has a span No. 1 in which the characteristic of the pipeline shown in FIG. 6 is “screw joint steel pipe”. Calculate 1, 2 and 5 vulnerabilities.
  • the calculation unit 233 repeats step S10 until the application of the second machine learning model is completed for the acquired data of all spans (step S11). After applying the machine learning model 1A to the acquired data of all spans, the calculation unit 233 stores the calculated vulnerability of each span in the storage unit.
  • the output unit 24 displays to the user the calculation result of the vulnerability of each span stored in the storage unit (step S12).
  • the output unit 24 displays the span of the pipeline of the data acquired by the evaluation target pipeline acquisition unit 231 together with the map information.
  • the output unit 24 switches the screen for each pipeline characteristic by the user's operation to show the vulnerability of each span so that the vulnerability of each span can be seen on the map for each pipeline characteristic desired by the user. Can be done.
  • the vulnerability of the pipeline is estimated by steps S1 to S6 of the model creation device 10 included in the pipeline vulnerability estimation system 1 and steps S7 to S12 of the vulnerability calculation device 20.
  • the pipeline vulnerability estimation system 1 includes a model creation device 10 and a vulnerability calculation device 20.
  • the model creation device 10 uses the first pipeline damage data including information on the presence or absence of earthquake damage and the characteristics of the pipeline, and outputs the vulnerability of the pipeline for each characteristic of the pipeline.
  • the feature amount extraction unit 132 that specifies the feature amount that has a high contribution to prediction for each of the first machine learning models, and the feature amount from the first pipeline damage data.
  • the average data extraction unit 133 which extracts the pipeline damage data having an average value, and outputs the data obtained by excluding the feature amount having a high contribution from the pipeline damage data as the second pipeline damage data.
  • the vulnerability calculation device 20 has an evaluation target pipeline acquisition unit 231 that acquires evaluation target pipeline data including information on the characteristics of the evaluation target pipeline, and a model reception that acquires a second machine learning model from the model creation device.
  • a second machine learning model is applied to the evaluation target pipeline data according to the information about the characteristics of the evaluation target pipeline included in the evaluation target pipeline data and the unit 232, and the vulnerability of the evaluation target pipeline is applied. It is provided with a calculation unit 233 for calculating.
  • a machine learning model corresponding to the characteristics of the pipeline of the span of the pipeline to be evaluated is applied, and the vulnerability of the pipeline can be estimated accurately.
  • the information on the characteristics of the pipeline included in the pipeline damage data includes the information on the seismic motion index, and the feature quantity having a high contribution is the seismic motion index.
  • the second model creation unit 134 creates a second machine learning model with the presence or absence of earthquake damage as the objective variable.
  • the model creation device 10 creates a second machine learning model that does not use the seismic motion index information, and applies it to the data of the pipeline to be evaluated. That is, in a situation where the seismic motion is unknown, damage prediction can be performed with high accuracy even for a pipeline span that is difficult to predict, so that it is possible for the user to formulate a planned renewal / repair plan.
  • the vulnerability calculation device 20 further includes an input unit 22 for receiving user input, and the evaluation target pipeline acquisition unit 231 relates to the characteristics of the evaluation target pipeline input by the user. Select and acquire evaluation target pipeline data including information.
  • the vulnerability calculated by applying the model corresponding to the pipeline is displayed for each characteristic of the pipeline desired by the user, so that it becomes easy for the user to narrow down the pipeline to be repaired. , User convenience is improved.
  • the model creation device 10 uses the first pipeline damage data including information on the presence / absence of earthquake damage and the characteristics of the pipeline, and uses the first pipeline damage data for each of the characteristics of the pipeline.
  • a first model creation unit 131 that creates a first machine learning model that outputs vulnerabilities
  • a feature quantity extraction unit 132 that specifies a feature quantity that has a high contribution to prediction for each of the first machine learning models
  • a feature quantity extraction unit 132 The pipeline damage data in which the feature amount is an average value is extracted from the first pipeline damage data, and the data obtained by excluding the feature amount having a high contribution from the pipeline damage data is used as the second pipeline damage data.
  • the average data extraction unit 133 to be output, and the second model creation unit 134 to create a second machine learning model that outputs the vulnerability of the pipeline for each characteristic of the pipeline using the second pipeline damage data. To prepare for.
  • a machine learning model corresponding to the characteristics of the pipeline of the span of the pipeline to be evaluated is applied, and the vulnerability of the pipeline can be estimated accurately.
  • the information on the characteristics of the pipeline included in the pipeline damage data includes the information on the seismic motion index, and the feature amount having a high contribution is the seismic motion index.
  • the second model creation unit 134 creates a second machine learning model with the presence or absence of earthquake damage as the objective variable.
  • the model creation device 10 creates a second machine learning model that does not use the seismic motion index information, and applies it to the data of the pipeline to be evaluated. That is, in a situation where the seismic motion is unknown, damage prediction can be performed with high accuracy even for a pipeline span that is difficult to predict, so that it is possible for the user to formulate a planned renewal / repair plan.
  • the second machine learning model is applied for each characteristic of the pipeline input to the user, and the calculation result of the vulnerability is output.
  • a model is created. Before creating the machine learning model, the device 10 divides the data of the past seismic pipeline damage database 111 into training data and verification data, creates a second machine learning model of the machine learning model, and then performs verification. The data may be used to verify the accuracy of the second machine learning model.
  • the model creation device 10 also outputs the verification result to the vulnerability calculation device 20, and the vulnerability calculation device 20 can select a second machine learning model to be used for calculating the vulnerability of the pipeline to be evaluated. You may be able to do it.
  • the output unit 24 of the vulnerability calculation device 20 shows the estimation result of the vulnerability of the pipeline for each span on the map, but the vulnerability of all the spans included in the section is averaged. It may be configured so that the estimation result of the vulnerability can be displayed for each section.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

モデル作成装置１０は、地震被害の有無と管路の特性とに関する情報を含む第１の管路被害データを用いて、管路の脆弱性を出力する第１の機械学習モデルを作成する第１モデル作成部１３１と、第１の機械学習モデルのそれぞれについて特徴量を特定する特徴量抽出部１３２と、第１の管路被害データから特徴量が平均的な管路被害データを抽出し、該管路被害データから前記特徴量を除外したデータを第２の管路被害データとして出力する平均データ抽出部１３３と、第２の管路被害データを用いて管路の脆弱性出力する第２の機械学習モデルを作成する第２モデル作成部１３４とを備える。脆弱性算出装置２０は、評価対象の管路の特性に関する情報を含む評価対象管路データを取得し、評価対象管路データに含まれる評価対象の管路の特性に関する情報に応じて、評価対象管路データに第２の機械学習モデルを適用して、評価対象の管路の脆弱性を算出する。

Description

管路脆弱性推定システム、管路脆弱性推定方法、モデル作成装置、およびプログラム
　本開示は、管路脆弱性推定システム、管路脆弱性推定方法、モデル作成装置、およびプログラムに関する。
　地下に布設された管路の地震発生時における脆弱性の評価手法についての研究が進められている。
　例えば、特許文献１には、地下に布設された管路の管路敷設形態から算出した地震時に生じる力と、地震からの経過年数により算出される管路残存耐力とを比較して被害有無を推定する手法が記載されている。また、通信ケーブルを地中で収容する通信管路の脆弱性の評価手法については、非特許文献１において、大規模震災発生時に通信管路に被害が発生することを予防するため、管路の管種、亘長、微地形区分および地震動強さに基づき４段階にクラスを分けて管路の脆弱性を分類する手法が記載されている。
　非特許文献２には、上水道配水管について、標準被害率曲線を既往地震から推定し、補正係数を乗じる手法であって、管路の管径、管種、および管路が布設されている地盤によって係数を定める手法が記載されている。また、非特許文献３においては、ガス管に関して被害予測を行う手法が記載されている。ここでは、計画段階ではなく発災直後に供給停止判断を行うため、各地点で地震計を設置しＳＩ（Spectral Intensity）値が閾値を超えると停止させる措置を行っており、これにモンテカルロシミュレーションを基にＳＩ値とガス管への被害の関係をサポートベクトルマシンを用いて明らかにするなど、被害予測の精度向上に機械学習が利用されている事例が記載されている。
特開２０１７－１５０１９３号公報
庄司学、外４名、「通信埋設管路の地震対策に活用するスクリーニング手法の提案及び地震被害関数の作成」、土木学会論文集Ａ１（構造・地震工学）、Ｖｏｌ．　７２、Ｎｏ．　４　（地震工学論文集第３５巻）、Ｉ＿５２３－Ｉ＿５４１、２０１６年 能島暢呂、「脆弱性指数を用いたライフライン網の地震時脆弱性評価～上水道配水管網への適用～」、地域安全会論文集、Ｎｏ．１０、ｐｐ．１３７－１４６、２００８年１１月 能島暢呂、外１名、「都市ガス供給システムにおける導管被害予測と供給停止判断への機械学習の応用」、土木学会論文集Ａ１（構造・地震工学）、Ｖｏｌ．７３、Ｎｏ．４、２０１７年
　しかし、上記の管路の脆弱性評価手法には精度の向上の余地があった。例えば非特許文献１のスクリーニング手法では、最も脆弱性が高いとクラス分けされた管路は全体の約２０％となり、この内被害を実際に受けるのは全体の約４％程度に留まっていた。また、特許文献１、非特許文献２、および非特許文献３の手法も、地震動のモデル化により評価結果が大きく左右されてしまう。どこでどの程度の地震動が発生するか不明な状況下、すなわち地震動指標が利用できない状況下で、地震に対する脆弱性が高い管路を精度よく見つけ出す手法が望まれていた。
　このような事情に鑑みてなされた本開示の目的は、地震動指標が利用できない状況下でも、精度よく管路の脆弱性を推定することを目的とする。
　前記課題を解決するため、本開示に係る管路脆弱性推定システムは、モデル作成装置と、脆弱性算出装置とを備え、前記モデル作成装置は、地震被害の有無と管路の特性とに関する情報を含む第１の管路被害データを用いて、前記管路の特性ごとに前記管路の脆弱性を出力する第１の機械学習モデルを作成する第１モデル作成部と、前記第１の機械学習モデルのそれぞれについて、予測に対する寄与度の高い特徴量を特定する特徴量抽出部と、前記第１の管路被害データから前記特徴量が平均的な値である管路被害データを抽出し、該管路被害データから前記特徴量を除外したデータを第２の管路被害データとして出力する平均データ抽出部と、前記第２の管路被害データを用いて、前記管路の特性ごとに前記管路の脆弱性出力する第２の機械学習モデルを作成する第２モデル作成部とを備え、前記脆弱性算出装置は、評価対象の管路の特性に関する情報を含む評価対象管路データを取得する評価対象管路取得部と、前記第２の機械学習モデルを取得するモデル受付部と、前記評価対象管路データに含まれる前記評価対象の管路の特性に関する情報に応じて、前記評価対象管路データに前記第２の機械学習モデルを適用して、前記評価対象の管路の脆弱性を算出する算出部とを備える。
　また、本開示に係る管路脆弱性推定方法は、地震被害の有無と管路の特性とに関する情報を含む第１の管路被害データを用いて、前記管路の特性ごとに前記管路の脆弱性出力する第１の機械学習モデルを作成するステップと、前記第１の機械学習モデルのそれぞれについて、予測に対する寄与度の高い特徴量を特定するステップと、前記第１の管路被害データから前記特徴量が平均的な値である管路被害データを抽出し、該管路被害データから前記特徴量を除外したデータを第２の管路被害データとして出力するステップと、前記第２の管路被害データを用いて、前記管路の特性ごとに前記管路の脆弱性出力する第２の機械学習モデルを作成するステップと、評価対象の管路の特性に関する情報を含む評価対象管路データを取得するステップと、前記第２の機械学習モデルを取得するステップと、前記評価対象管路データに含まれる前記評価対象の管路の特性に関する情報に応じて、前記評価対象管路データに前記第２の機械学習モデルを適用して、前記評価対象の管路の脆弱性を算出するステップと、を含む。
　また、本開示に係るモデル作成装置は、地震被害の有無と管路の特性とに関する情報を含む第１の管路被害データを用いて、前記管路の特性ごとに前記管路の脆弱性出力する第１の機械学習モデルを作成する第１モデル作成部と、前記第１の機械学習モデルのそれぞれについて、予測に対する寄与度の高い特徴量を特定する特徴量抽出部と、前記第１の管路被害データから前記特徴量が平均的な値である管路被害データを抽出し、該管路被害データから前記特徴量を除外したデータを第２の管路被害データとして出力する平均データ抽出部と、前記第２の管路被害データを用いて、前記管路の特性ごとに前記管路の脆弱性出力する第２の機械学習モデルを作成する第２モデル作成部と、を備える。
　また、本開示に係るプログラムは、コンピュータを、上記モデル作成装置として機能させる。
　本開示に係る管路脆弱性推定システム、管路脆弱性推定方法、モデル作成装置、およびプログラムによれば、地震動指標が利用できない状況下でも、精度よく管路の脆弱性を推定することができる。
本開示の一実施形態に係る管路脆弱性推定システムの概略構成を示す図である。 本開示の一実施形態に係るモデル作成装置の構成の一例を示す図である。 本開示の一実施形態に係る既往地震管路被害データベースに格納されるテーブルの例を示す図である。 本開示の一実施形態に係る既往地震管路被害データベースに格納されるテーブルの例を示す図である。 本開示の一実施形態に係るモデル作成装置の適用例を示す図である。 本開示の一実施形態に係る脆弱性算出装置の構成の一例を示す図である。 本開示の一実施形態に係る評価対象管路データベースに格納されるテーブルの例を示す図である。 本開示の一実施形態に係る脆弱性算出装置の適用例を示す図である。 本開示の一実施形態に係る脆弱性算出装置の適用例を示す図である。 本開示の一実施形態に係るモデル作成装置の動作の一例を示すフローチャートである。 本開示の一実施形態に係るモデル作成装置の動作の一例を示すフローチャートである。 本開示の一実施形態に係るモデル作成装置の特徴量抽出部の適用例を示す図である。 本開示の一実施形態に係るモデル作成装置の特徴量抽出部の適用例を示す図である。 本開示の一実施形態に係る脆弱性算出装置の動作の一例を示すフローチャートである。
　以下、本開示の一つの実施形態について適宜図面を参照しながら説明する。以下に説明する実施形態は本開示の構成の例であり、本開示は、以下の実施形態に制限されるものではない。
＜管路脆弱性推定システム１の概略構成＞
　図１は、本開示の一実施形態に係る管路脆弱性推定システム１の要部構成を示す図である。図１に示すように、管路脆弱性推定システム１は、モデル作成装置１０と、脆弱性算出装置２０と、を備える。
　モデル作成装置１０と脆弱性算出装置２０とは、有線または無線により通信可能に接続されていてもよい。各装置間で情報を送受信するための通信方法は、特に限定されない。また、モデル作成装置１０と脆弱性算出装置２０とは、一体化されていてもよい。
　モデル作成装置１０は、管路の被害有無に関するデータを用いて機械学習モデルを作成し、作成した機械学習モデルを脆弱性算出装置２０に送信する。具体的には、以下で詳細に説明するように、モデル作成装置１０は、管路の被害有無に関するデータを用いてＮ（Ｎ≧２）個の第１の機械学習モデルを作成し、作成した第１の機械学習モデルから特徴量の抽出を行って影響度の高い地震動指標を特定する。次に、モデル作成装置１０は、特定した地震動指標が平均的なデータを抽出し、抽出したデータを用いてＮ個の第２の機械学習モデルを作成する。モデル作成装置１０は、作成したＮ個の第２の機械学習モデルを、脆弱性算出装置２０に出力する。
　脆弱性算出装置２０は、脆弱性評価の対象とする管路のデータを、学習済みのＮ個の第２の機械学習モデルに適用して、管路の脆弱性を算出するものである。具体的には、以下で詳細に説明するように、脆弱性算出装置２０は、まずユーザの管路の特性の入力に応じて脆弱性評価の対象とする管路のデータを取得する。次に、取得した管路のデータをモデル作成装置１０から受け付けた第２の機械学習モデルに適用して、当該管路の脆弱性を算出し、算出結果を管路の特性ごと出力する。
＜モデル作成装置１０の構成＞
　図２は、本実施形態に係るモデル作成装置１０の構成の一例を示す図である。図２に示すように、モデル作成装置１０は、記憶部１１と、入力部１２と、制御部１３と、出力部１４とを備える。
　記憶部１１は、１つ以上のメモリを含み、例えば、半導体メモリ、磁気メモリ、光メモリなどを含んでよい。記憶部１１に含まれる各メモリは、例えば、主記憶装置、補助記憶装置、又はキャッシュメモリとして機能してよい。記憶部１１は、モデル作成装置１０の動作に用いられる各種情報を記憶する。記憶部１１は既往地震管路被害データベース１１１と、制御部１３が各種処理を実行するために必要な各種プログラムと、各種情報とを記憶する。ここで記憶部１１は、後述する制御部１３の第１モデル作成部１３１が作成した第１の機械学習モデルと、第２モデル作成部１３４が作成した第２の機械学習モデルとを格納することが好ましい。このとき、他の端末から記憶部１１が参照可能であれば、複数の端末から機械学習モデルを閲覧することが可能になる。記憶部１１は例えばネットワーク経由で制御部１３からアクセス可能なファイルサーバーのハードディスクや不揮発性メモリであってもよい。このような構成であっても、記憶部１１はモデル作成装置１０の一部として機能し、制御部１３は必要な場合に記憶部１１にアクセスできる。
　既往地震管路被害データベース１１１は、図３Ａおよび図３Ｂに示すように、既往の地震の際のスパンごとの点検結果の情報を、管路の特性として格納する。「スパン」とは、マンホールとマンホールとの間に配された地下管路の区間と、橋梁添架管および橋台への接続管を含めて橋梁に関わる区間とをいう。「管路の特性」とは、例えば、地震による被害有無、スパンの亘長、管種、外径、建設年、スパンの中央部の緯度および経度、スパンが布設された位置のＡＶＳ（Average Shear-Wave Velocity）３０、微地形区分、既往地震の際のスパンが布設された位置におけるＰＧＶ（Peak Ground Velocity）、ＰＧＡ（Peak Ground Acceleration）、ＳＩ値、震度等である。ここで、ＡＶＳ３０は、地表から深さ３０ｍまでの平均Ｓ波速度をいう。ＰＧＡは地震動の最大加速度いう。ＰＧＶは地震動の最大速度をいう。管路の特性は、図３に示すように、被害有無情報、設備情報、座標情報、地盤情報、および地震動指標情報のカテゴリに分けることができる。なお、図３Ａおよび図３Ｂに示す例はテーブル形式の情報となっているが、これに限定されるものではなく、上述の各情報を関連付ける情報であればどのような形式であってもよい。
　設備情報に含まれる管路の特性は、図３Ａおよび図３Ｂに示した例に限られず、他に管路の素材、曲り角度、防護コンクリートの有無、近接構造物の有無、布設場所の縦断勾配等を含んでもよい。地盤情報に含まれる管路の特性は、図３Ａおよび図３Ｂに示した例に限られず、他に平均傾斜角度、平均標高、人工的に平坦化されたと推定される土地であるか否かについての情報、地盤の基本固有周期等を含んでもよい。また、微地形区分は、図３に示した例に限られず、他に山麓地、丘陵、火山地、火山山麓地、火山性丘陵、岩石台地、砂礫質台地、谷底低地、扇状地、自然堤防、後背湿地、旧河道、三角州・海岸低地、砂州・砂礫州、砂丘、砂州・砂丘間低地、干拓地、磯・岩礁、河原、河道、湖沼等を含んでもよい。地震動情報に含まれる管路の特性は、図３Ａおよび図３Ｂに示した例に限られず、他に地震の等価卓越周期、最大変位量、ガス指針に基づく地盤ひずみの値等を含んでもよい。
　入力部１２は、ユーザから既往の地震の際の管路の点検結果の各情報を受け付ける。入力部１２は、例えばキーボードおよびマウスの少なくとも一方であってもよいし、タッチパネルであってもよいが、特に限定されるものではない。入力部１２によって受け付けられた各情報は、記憶部１１の既往地震管路被害データベース１１１に格納され、後述するモデル作成処理に用いられる。
　制御部１３は、第１モデル作成部１３１と、特徴量抽出部１３２と、平均データ抽出部１３３と、第２モデル作成部１３４とを備える。制御部１３は、専用のハードウェアによって構成されてもよいし、汎用のプロセッサ又は特定の処理に特化したプロセッサによって構成されてもよい。
　第１モデル作成部１３１は、記憶部１１を参照して、既往地震管路被害データベース１１１に含まれるデータを取得し、データをＮ個の管路の特性ごとにまとめ、第１の管路被害データとして第１の機械学習モデル作成用のデータに分ける。第１モデル作成部１３１は、Ｎ個に分けられた第１の管路被害データを学習データとして用いてそれぞれ機械学習を行い、管路の特性ごとに管路の脆弱性を出力するＮ個の第１の機械学習モデルの作成を行う。機械学習の手法は、ランダムフォレストまたは匂配ブースティングを用いた二値分類回帰によるものであってよいが、これに限られない。ランダムフォレスト、勾配ブースティング方式の詳細については、例えば下記の文献１に開示されているため、ここでは省略する。ここで「管路の脆弱性」とは、第１モデル作成部１３１が算出する、ある管路の特性を有するスパンの地震被害の有無の確率をいい、０から１の連続した値で表される。管路の脆弱性が０に近づくほど、ある管路の特性を有するスパンに地震の被害がある可能性が低いことを意味し、管路の脆弱性が１に近づくほど、ある管路の特性を有するスパンに地震の被害がある可能性が高いことを意味する。第１モデル作成部１３１は、管路の特性ごとに作成した第１の機械学習モデルを、記憶部１１に記憶させる。
　文献１：Ｔｒｅｖｏｒ　Ｈａｓｔｉｅ　他、「統計的学習の基礎―データマイニング・推論・予測―」、共立出版、２０１４年
　特徴量抽出部１３２は、記憶部１１を参照して第１モデル作成部１３１が作成した第１の機械学習モデルを取得し、取得した第１の機械学習モデルのそれぞれについて特徴量の抽出を行う。ここで本実施形態において、「特徴量の抽出」とは、第１の機械学習モデルの予測に対して寄与度の高い管路の特性を把握することをいう。特徴量の抽出は、順列の特徴量の重要度（Permutation Feature Importance）の手法を用いてもよい。順列の特徴量の重要度の手法の詳細については、例えば下記の文献２に開示されているため、ここでは省略する。特徴量抽出部１３２は、特徴量の抽出を行い、第１の機械学習モデルの予測に対する寄与度が最も高い地震動指標を特定する。
　文献２：Altmann, et al., “Permutation importance: corrected feature importance measure”, Vol. 26, No.10, pp.1340-1347 (2010)
　平均データ抽出部１３３は、特徴量抽出部１３２により特定された地震動指標が平均的な値であるスパンのデータを、既往地震管路被害データベース１１１から、Ｎ個の第１の機械学習モデルそれぞれについて抽出する。平均的な値とは、例えば平均値±標準偏差の範囲内の値である。そして、平均データ抽出部１３３は、抽出した管路被害データから、地震動指標情報をすべて除外する。平均データ抽出部１３３は、地震動指標情報が削除された管路被害データを第２の管路被害データとして記憶部１１に記憶させる。
　第２モデル作成部１３４は、記憶部１１を参照して、平均データ抽出部１３３が抽出した第２の管路被害データを学習データとして用いて新たに機械学習を行い、管路の特性ごとに管路の脆弱性を出力するＮ個の第２の機械学習モデルの作成を行う。機械学習の手法は、第１の機械学習モデルの作成と同様、ランダムフォレストまたは匂配ブースティングを用いた二値分類回帰によるものであってよいが、これに限られない。第２モデル作成部１３４は、ある管路の特性を有するスパンの脆弱性を、０から１の連続した値で表される。第２モデル作成部１３４は、管路の特性ごとに作成した第２の機械学習モデルを、記憶部１１に記憶させる。
　抽出した管路被害データを学習データとして用いることで、第２の機械学習モデルは、地震被害の有無を目的変数とし、地震動指標情報以外の情報、すなわち設備情報、座標情報、および地盤情報を説明変数とするモデルとなる。
　図４は、本実施形態に係る、管路の特性が「ねじ継手鋼管」である第２の機械学習モデルの精度を示すＲＯＣ曲線（Receiver Operating Characteristic curve：受信者動作特性曲線）である。横軸は真陽性率ＴＰＲ（True Positive Rate）を示し、縦軸は偽陽性率ＦＰＲ（False Positive Rate）を示す。図４のＲＯＣ曲線下の面積ＡＵＣ（area under the curve）は０．８０であり、第２の機械学習モデルの精度が優れていることがわかる。また、既往地震管路被害データベース１１１のデータを検証用データとして、脆弱性管路の特性が「ねじ継手鋼管」であるデータについて作成された第２の機械学習モデルを、管路の特性が「ねじ継手鋼管」である当該検証用データに適用して管路の脆弱性を算出し、脆弱性が高いスパンの上位１０％を抽出すると、そのうち実際に被害のあった管路が１５％程度含まれ、脆弱性算出の精度が優れていることが確認された。
　出力部１４は、第２モデル作成部１３４が作成したＮ個の第２の機械学習モデルを、脆弱性算出装置２０に対し出力する。これにより、脆弱性算出装置２０は、モデル作成装置１０が作成した第２の機械学習モデルを、脆弱性の評価対象とした管路のスパンのデータに適用して、管路の脆弱性を推定することができる。出力部１４は液晶ディスプレイ、有機ＥＬディスプレイ、無機ＥＬディスプレイ等であって作成した機械学習モデルをユーザに表示可能に構成されてもよい。
＜脆弱性算出装置２０の構成＞
　図５は、本実施形態に係る脆弱性算出装置２０の構成の一例を示す図である。図５に示すように、脆弱性算出装置２０は、記憶部２１と、入力部２２と、制御部２３と、出力部２４とを備える。
　記憶部２１は、１つ以上のメモリを含み、例えば、半導体メモリ、磁気メモリ、光メモリなどを含んでよい。記憶部２１に含まれる各メモリは、例えば、主記憶装置、補助記憶装置、又はキャッシュメモリとして機能してよい。記憶部２１は、脆弱性算出装置２０の動作に用いられる各種情報を記憶する。記憶部２１は、評価対象管路データベース２１１と、モデル作成装置１０から受け付けた第２の機械学習モデルと、制御部２３が各種処理を実行するために必要な各種プログラムと、各種情報とを記憶する。ここで記憶部２１は、本実施形態にかかる脆弱性算出装置２０の各種算出結果を格納することが好ましい。このとき、他の端末から記憶部２１が参照可能であれば、複数の端末から管路の脆弱性の推定結果を閲覧することが可能になる。記憶部２１は例えばネットワーク経由で制御部２３からアクセス可能なファイルサーバーのハードディスクや不揮発性メモリであってもよい。このような構成であっても、記憶部２１は脆弱性算出装置２０の一部として機能し、制御部２３は必要な場合に記憶部２１にアクセスできる。
　評価対象管路データベース２１１の例を図６に示す。評価対象管路データベース２１１は、脆弱性の評価対象とする管路のスパンごとの設備情報、および座標情報を含むデータを格納する。評価対象管路データベース２１１に、制御部２３によって地震ハザードステーション（Ｊ－ＳＨＩＳ）が有するサーバ等の外部装置から取得された地盤情報が付加されてもよい。
　評価対象管路データベース２１１が格納するデータの設備情報、座標情報、および地盤情報を含む管路の特性は、上述の既往地震管路被害データベース１１１が格納するデータの管路の特性と同様のものであってもよい。評価対象管路データベース２１１に格納されるデータは図６に示すようなテーブル形式に限定されず、上述の各情報を関連付ける情報であればどのような形式であってもよい。
　入力部２２は、ユーザから、評価対象とする管路の特性の入力を受け付ける。例えばユーザはカテゴリ「管種」の管路の特性「ねじ継手鋼管」を、入力部２２を介して入力することができる。入力部２２は、例えばキーボードおよびマウスの少なくとも一方であってもよいし、出力部２４と一体となったタッチパネルであってもよいが、特に限定されるものではない。入力部２２によって入力された管路の特性の情報は、制御部２３に伝えられて、制御部２３の脆弱性算出処理に用いられる。
　制御部２３は、評価対象管路取得部２３１と、モデル受付部２３２と、算出部２３３と、を備える。制御部２３は、専用のハードウェアによって構成されてもよいし、汎用のプロセッサ又は特定の処理に特化したプロセッサによって構成されてもよい。
　評価対象管路取得部２３１は、入力部２２を介して入力された管路の特性を有するスパンのデータを、記憶部２１の評価対象管路データベース２１１から取得する。例えば、入力部２２を介して入力された管路の特性が「ねじ継手鋼管」である場合、評価対象管路取得部２３１は、図６のデータのうち「ねじ継手鋼管」を管路の特性として有するスパンＮｏ．１、２、および５のデータを選択して取得する。
　モデル受付部２３２は、モデル作成装置１０から管路の特性に対応する第２の機械学習モデルを受け付ける。モデル受付部２３２は、受け付けた第２の機械学習モデルを記憶部２１に記憶させる。モデル受付部２３２は、繰り返し、例えば定期的に、モデル作成装置１０から第２の機械学習モデルを受け付けてその都度記憶部２１に格納しておいてもよい。モデル受付部２３２は、入力部２２を介してユーザの入力があったときにモデル作成装置１０から第２の機械学習モデルを受け付けてもよい。例えば、ユーザが入力された管路の特性が「ねじ継手鋼管」である場合、モデル受付部２３２は、モデル作成装置１０の既往地震管路被害データベース１１１に含まれるデータのうち管路の特性が「ねじ継手鋼管」であるデータを用いて作成された第２の機械学習モデルを、モデル作成装置１０から受け付ける。
　算出部２３３は、記憶部２１を参照して、評価対象管路取得部２３１が取得したデータに、モデル受付部２３２が受け付けた第２の機械学習モデルを適用する。算出部２３３は、評価対象管路取得部２３１によって取得された評価対象としたスパンのデータに含まれる管路の特性に基づき、スパンの脆弱性を推定する。推定される脆弱性は、０から１の連続した値で出力される。算出部２３３は、評価対象管路取得部２３１が取得したスパンのデータのすべてにモデルが適用されるまで、モデルの適用を繰り返してもよい。算出部２３３は、算出した各スパンの脆弱性を記憶部２１に格納する。
　出力部２４は、制御部２３が算出した評価対象の管路の脆弱性の算出結果をユーザに表示する。出力部２４は例えば液晶ディスプレイ、有機ＥＬディスプレイ、無機ＥＬディスプレイ等である。また、出力部２４はタッチパネルであってもよく、この場合、出力部２４はユーザに算出結果を表示するとともに、ユーザの操作による入力を受付ける入力部２２として機能する。
　出力部２４では、算出結果は地図情報と共に表示されてもよい。地図表示の例を図７Ａと図７Ｂとに示す。図７Ａは出力部２４に表示される、管路の特性が「ねじ継手鋼管」である評価対象のスパンの脆弱性の算出結果の一例である。図７Ｂは、出力部２４に表示される、管路の特性が「接着継手鋼管」である評価対象のスパンの脆弱性の算出結果の一例である。なお、白丸はマンホールであって、実線、二重線、間隔大および間隔小の破線がマンホールを繋ぐ管路である。出力部２４は、各スパンの脆弱性の高さに応じて、各スパンを実線（脆弱性高）、二重線（脆弱性中）、間隔大の破線（脆弱性低）、間隔小の破線（脆弱性無）で表示する。脆弱性の表示方法は図７Ａと図７Ｂとに示すような方法に限られず、スパンを色別に表す方法、算出された脆弱性の数値を示す方法、映像または音声等で脆弱性を示す方法等であってもよい。出力部２４に表示された画面を見ると、ユーザは、入力した管路の特性ごとに、地図上の管路の脆弱性を一元的に把握することができる。
　出力部２４は、図７Ａと図７Ｂとをユーザの操作によって交互に切り替えて表示可能であり、ユーザの入力した管路の特性に応じて地図上の表示を切り替えることができてもよい。出力部２４は、ユーザの操作によって、例えば１ｋｍ×１ｋｍのサイズ、または２５０ｍ×２５０ｍのサイズの区画ごとに地図を分けて表示できるよう構成されてもよい。出力部２４は地図上に管路のスパンと脆弱性を表示する他、リストによって管路のスパンと脆弱性を表示できてもよい。
＜プログラム＞
　モデル作成装置１０および脆弱性算出装置２０は、それぞれプログラム命令を実行可能なコンピュータであってもよい。コンピュータは、モデル作成装置１０および脆弱性算出装置２０の各機能を実現する処理内容を記述したプログラムを該コンピュータの記憶部に格納しておき、該コンピュータのプロセッサによってこのプログラムを読み出して実行する。これらの処理内容の一部はハードウェアで実現されてもよい。ここで、コンピュータは、汎用コンピュータ、専用コンピュータ、ワークステーション、ＰＣ（Personal Computer）、電子ノートパッドなどであってもよい。プログラム命令は、必要なタスクを実行するためのプログラムコード、コードセグメントなどであってもよい。プロセッサは、ＣＰＵ(Central Processing Unit)、ＧＰＵ（Graphics Processing Unit）、ＤＳＰ(Digital Signal Processor)などであってもよい。
　また、このプログラムは、コンピュータが読み取り可能な記録媒体に記録されていてもよい。このような記録媒体を用いれば、プログラムをコンピュータにインストールすることが可能である。ここで、プログラムが記録された記録媒体は、非一過性の記録媒体であってもよい。非一過性の記録媒体は、特に限定されるものではないが、例えば、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭなどの記録媒体であってもよい。また、このプログラムは、ネットワークを介したダウンロードによって提供することもできる。
　次に、図８Ａ、図８Ｂ、図９Ａ、および図９Ｂを参照して、本実施形態に係る管路脆弱性推定システム１の動作について説明する。
＜モデル作成装置１０の動作＞
　まず、管路脆弱性推定システム１に含まれるモデル作成装置１０の動作を説明する。図８Ａおよび図８Ｂは、管路脆弱性推定システム１に含まれるモデル作成装置１０の動作の一例を示すフローチャートである。
　モデル作成装置１０の第１モデル作成部１３１は、既往地震管路被害データベース１１１に含まれるデータを取得し、データをＮ個の管路の特性ごとにまとめ、第１の管路被害データとしてＮ個の第１モデル作成用の学習データに分ける（ステップＳ１）。例えば、第１モデル作成部１３１は、図３Ａおよび図３Ｂに示す既往地震管路被害データベース１１１に格納されるデータのうち、「ねじ継手鋼管」を管路の特性として備えるデータ、すなわちスパンＮＯ．１、３、および５のデータをひとまとまりのデータとし、また、「接着継手鋼管」を管路の特性として備えるデータ、すなわちスパンＮＯ．２および４のデータをひとまとまりのデータとしとして、管路の特性ごとにデータを分ける。このように、第１モデル作成部１３１は管路の特性ごとにＮ個のまとまりに既往地震管路被害データベース１１１に含まれるデータを分ける。
　第１モデル作成部１３１は、ステップＳ１で分けたＮ個の第１の管路被害データのまとまりを学習データとして用いて、管路の特性ごとに第１の機械学習をそれぞれ行い、管路の特性ごとに管路の脆弱性を出力する第１の機械学習モデルの作成を行う（ステップＳ２）。図３Ａおよび図３Ｂを参照すると、例えば、第１モデル作成部１３１は、「ねじ継手鋼管」を管路の特性として備えるデータ、すなわちスパンＮＯ．１、３、および５のデータを学習データとして第１の機械学習を行う（ステップＳ２＿１）。また、「接着継手鋼管」を管路の特性として備えるデータ、すなわちスパンＮＯ．２および４のデータを学習データとして第１の機械学習を行う（ステップＳ２＿２）。このように、第１モデル作成部１３１はＮ個のデータのまとまりそれぞれについて、合計Ｎ個の第一の機械学習を行う（ステップＳ２＿Ｎ）。そして、第１モデル作成部１３１は、ステップＳ２＿１～ステップＳ２＿Ｎで作成した第１の機械学習モデル１Ａ～１Ｎのそれぞれを、記憶部１１に記憶させる。
　次に特徴量抽出部１３２は、記憶部１１を参照して、第１モデル作成部１３１が作成したＮ個の第１の機械学習モデル１Ａ～１Ｎを取得し、それぞれついて特徴量を抽出し、抽出した特徴量のうち地震動指標のカテゴリに含まれる特徴量を特定する（ステップＳ３＿１～ステップＳ３＿Ｎ）。図９Ａおよび図９Ｂは、特徴量抽出部１３２が把握した、管路の特性が「ねじ継手鋼管」である第１の機械学習モデル１Ａと、管路の特性が「接着継手鋼管」である第１の機械学習モデル１Ｂとについての予測に対する寄与度の高い管路の特性を、寄与度の高い順に示す図である。いずれの図も、縦軸は第１の機械学習モデルに寄与する管路の特性を、横軸は作成された第１の機械学習モデルのＲＯＣ曲線下の面積ＡＵＣの減少量を示す。図９Ａから、管路の特性が「ねじ継手鋼管」の第１の機械学習モデル１Ａに対し特徴量の抽出を行うと、最も寄与度の高い地震動指標（地震動指標情報のカテゴリに含まれる特徴量）はＳＩ値であることがわかる。また、図９Ｂを見ると、管路の特性が「接着継手鋼管」の第１の機械学習モデル１Ｂに対し行った特徴量の抽出を行うと、最も寄与度の高い地震動指標はＰＧＡであることがわかる。なお、図９Ｂにおいては、最も寄与度の高い特徴量である「Ｙｅａｒｓ」は建設年度を示し、次に寄与度の高い「Ｌｅｎｇｔｈ」は亘長を示し、いずれの管路の特性も設備情報のカテゴリに含まれる。よって、図９Ｂにおいては、最も寄与度の高い地震動指標としては、ＰＧＡが特定される。
　次に平均データ抽出部１３３は、ステップＳ１で分けたＮ個のデータのまとまりそれぞれから、特定した最も寄与度の高い地震動指標情報のカテゴリに含まれる特徴量が平均的な値であるスパンのデータを抽出する（ステップＳ４＿１～ステップＳ４＿Ｎ）。平均データ抽出部１３３は、データの抽出を行う前に、平均的な値を平均値±標準偏差となる値として算出しておいてもよい。本実施形態では、ステップＳ３＿１において抽出された特徴量のうち、最も寄与度の高い地震動指標はＳＩ値であったので、平均データ抽出部１３３は、管路の特性が「ねじ継手鋼管」であるデータのうちＳＩ値が平均的な値のデータを抽出する。図３を参照すると、平均データ抽出部１３３は、「ねじ継手鋼管」を管路の特性として備えるデータ、すなわちスパンＮＯ．１、３、および５のうち、例えばＳＩ値が平均的な値であるスパンＮｏ．１を抽出し、該管路被害データから地震動指標情報をすべて除外したデータを第２の管路被害データとして記憶部１１に記憶させる。
　第２モデル作成部１３４は、記憶部１１を参照して、ステップＳ４＿１～ステップＳ４＿Ｎで平均データ抽出部１３３が抽出した第２の管路被害データを学習データとして用いて機械学習を行い、管路の特性ごとに管路の脆弱性を出力する第２の機械学習モデルの作成を行う（ステップＳ５＿１～ステップＳ５＿Ｎ）。例えば、第２モデル作成部１３４は、ステップＳ４＿１で平均データ抽出部１３３が抽出した図３のスパンＮｏ．１のデータを学習データとして第２の機械学習を行い（ステップＳ５＿１）、同様に、ステップＳ４＿２～ステップＳ４＿Ｎで抽出された他の管路の特性を備えるデータについても、それぞれ第２の機械学習を行う（ステップＳ５＿２～ステップＳ５＿Ｎ）。このように、第２モデル作成部１３４は合計Ｎ個の第２の機械学習を行う。第２の機械学習は、地震被害の有無を目的変数とし、地震動指標情報以外の情報、すなわち設備情報、座標情報、および地盤情報を説明変数とするモデルとなる。第２モデル作成部１３４は、作成した第２の機械学習モデルを記憶部１１に記憶させる。
　制御部１３は、出力部１４を介して記憶部１１に格納されたＮ個の第２の算出モデルそれぞれを、脆弱性算出装置２０に対し出力する（ステップＳ６）。そのあと、制御部１３は処理を終了する。
　以上のステップＳ１～Ｓ６によって、機械学習モデルが作成され、脆弱性算出装置２０に作成されたモデルが出力される。
　次に、管路脆弱性推定システム１に含まれる脆弱性算出装置２０の動作を説明する。図１０は、管路脆弱性推定システム１に含まれる脆弱性算出装置２０の動作の一例を示すフローチャートである。
　脆弱性算出装置２０の入力部２２は、ユーザから、評価対象とする管路の特性の入力を受け付ける（ステップＳ７）。本実施形態では、ユーザが「ねじ継手鋼管」の管路の特性を入力部２２を介して入力したとする。
　脆弱性算出装置の評価対象管路取得部２３１は、入力部２２を介して入力された管路の特性を有するデータを記憶部２１の評価対象管路データベース２１１から取得する（ステップＳ８）。本実施形態では、評価対象管路取得部２３１は、図６に示す脆弱性評価対象データベースに格納されたデータのうち、「ねじ継手鋼管」を管路の特性として有するスパンＮｏ．１、２、５のデータを選択して取得する。
　脆弱性算出装置２０のモデル受付部２３２は、入力部２２を介して入力された管路の特性に対応する第２の機械学習モデルをモデル作成装置１０から受け付ける（ステップＳ９）。モデル受付部２３２は、受け付けた第２の機械学習モデルを記憶部２１に記憶させる。本実施形態において、ユーザが入力された管路の特性が「ねじ継手鋼管」である場合、モデル受付部２３２は、管路の特性が「ねじ継手鋼管」であるデータについて作成された機械学習モデル１Ａをモデル作成装置１０から受け付ける。
　次に脆弱性算出装置２０の算出部２３３は、記憶部２１を参照して、評価対象管路取得部２３１が取得したデータに、モデル受付部２３２が受け付けた機械学習モデル１Ａを適用する（ステップＳ１０）。これにより、算出部２３３は、図６に示す管路の特性が「ねじ継手鋼管」であるスパンＮｏ．１、２、５の脆弱性を算出する。算出部２３３は、取得したすべてのスパンのデータについて第２の機械学習モデルの適用が終わるまで、ステップＳ１０を繰り返す（ステップＳ１１）。算出部２３３は、取得したすべてのスパンのデータについて機械学習モデル１Ａを適用したら、算出した各スパンの脆弱性を記憶部に格納する。
　出力部２４は、記憶部に格納された各スパンの脆弱性の算出結果をユーザに表示する（ステップＳ１２）。出力部２４は、評価対象管路取得部２３１が取得したデータの管路のスパンを地図情報と共に表示する。出力部２４は、ユーザが希望する管路の特性ごとに各スパンの脆弱性が地図上で見られるよう、ユーザの操作によって管路の特性ごとに画面を切り替えて各スパンの脆弱性を示すことができる。
　上述のとおり、管路脆弱性推定システム１に含まれるモデル作成装置１０のステップＳ１～Ｓ６、および脆弱性算出装置２０のステップＳ７～Ｓ１２により、管路の脆弱性の推定が行われる。
　上述したように、本実施形態にかかる管路脆弱性推定システム１は、モデル作成装置１０と、脆弱性算出装置２０とを備える。モデル作成装置１０は、地震被害の有無と管路の特性とに関する情報を含む第１の管路被害データを用いて、管路の特性ごとに管路の脆弱性を出力する第１の機械学習モデルを作成する第１モデル作成部１３１と、第１の機械学習モデルのそれぞれについて、予測に対する寄与度の高い特徴量を特定する特徴量抽出部１３２と、第１の管路被害データから特徴量が平均的な値である管路被害データを抽出し、該管路被害データから寄与度の高い特徴量を除外したデータを第２の管路被害データとして出力する平均データ抽出部１３３と、第２の管路被害データを用いて、管路の特性ごとに管路の脆弱性を出力する第２の機械学習モデルを作成する第２モデル作成部１３４とを備える。脆弱性算出装置２０は、評価対象の管路の特性に関する情報を含む評価対象管路データを取得する評価対象管路取得部２３１と、第２の機械学習モデルをモデル作成装置から取得するモデル受付部２３２と、評価対象管路データに含まれる評価対象の管路の特性に関する情報に応じて、評価対象管路データに第２の機械学習モデルを適用して、評価対象の管路の脆弱性を算出する算出部２３３とを備える。
　本実施形態によれば、評価対象とする管路のスパンの管路の特性に対応した機械学習モデルが適用され、精度よく管路の脆弱性を推定することができる。
　上述したように、本実施形態にかかる管路脆弱性推定システム１では、管路被害データに含まれる管路の特性に関する情報は地震動指標の情報を含み、寄与度の高い特徴量は地震動指標であり、第２モデル作成部１３４は、地震被害の有無を目的変数とする第２の機械学習モデルを作成する。
　本実施形態によれば、モデル作成装置１０によって地震動指標情報を用いない第２の機械学習モデルが作成され、評価対象の管路のデータに適用される。すなわち、地震動が不明な状況下、予測困難な管路のスパンについても被害予測を高精度に行うことができるため、ユーザの計画的な更改・補修計画の立案が可能となる。
　上述したように、本実施形態にかかる脆弱性算出装置２０は、ユーザの入力を受け付ける入力部２２をさらに備え、評価対象管路取得部２３１は、ユーザが入力した評価対象の管路の特性に関する情報を含む評価対象管路データを選択して取得する。
　本実施形態によれば、ユーザが所望する管路の特性ごとに、当該管路に対応したモデルを適用して算出した脆弱性が表示されるため、ユーザが修理すべき管路を絞り込みやすくなり、ユーザの利便性が向上する。
　上述したように、本実施形態にかかるモデル作成装置１０は、地震被害の有無と管路の特性とに関する情報を含む第１の管路被害データを用いて、管路の特性ごとに管路の脆弱性を出力する第１の機械学習モデルを作成する第１モデル作成部１３１と、第１の機械学習モデルのそれぞれについて、予測に対する寄与度の高い特徴量を特定する特徴量抽出部１３２と、第１の管路被害データから特徴量が平均的な値である管路被害データを抽出し、該管路被害データから寄与度の高い特徴量を除外したデータを第２の管路被害データとして出力する平均データ抽出部１３３と、第２の管路被害データを用いて、管路の特性ごとに管路の脆弱性を出力する第２の機械学習モデルを作成する第２モデル作成部１３４とを備える。
　本実施形態によれば、評価対象とする管路のスパンの管路の特性に対応した機械学習モデルが適用され、精度よく管路の脆弱性を推定することができる。
上述したように、本実施形態にかかるモデル作成装置１０では、管路被害データに含まれる管路の特性に関する情報は地震動指標の情報を含み、寄与度の高い特徴量は地震動指標であり、前記第２モデル作成部１３４は、地震被害の有無を目的変数とする第２の機械学習モデルを作成する。
　本実施形態によれば、モデル作成装置１０によって地震動指標情報を用いない第２の機械学習モデルが作成され、評価対象の管路のデータに適用される。すなわち、地震動が不明な状況下、予測困難な管路のスパンについても被害予測を高精度に行うことができるため、ユーザの計画的な更改・補修計画の立案が可能となる。
　本開示を諸図面や実施形態に基づき説明してきたが、当業者であれば本開示に基づき種々の変形や修正を行うことが容易であることに注意されたい。従って、これらの変形や修正は本開示の範囲に含まれることに留意されたい。
　上記の実施形態に実施形態では、ユーザに入力された管路の特性ごとに第２の機械学習モデルが適用され、脆弱性の算出結果が出力されるが、本開示の変形例として、モデル作成装置１０は、機械学習モデルを作成する前に、既往地震管路被害データベース１１１のデータを学習用データと検証用データとに分け、機械学習モデル第２の機械学習モデルを作成した後、検証用データを用いて第２の機械学習モデルの精度を検証してもよい。モデル作成装置１０が、検証した結果も併せて脆弱性算出装置２０へ出力し、脆弱性算出装置２０が評価対象の管路の脆弱性の算出に用いる第２の機械学習モデルを選択することができてもよい。
　また、上記の実施形態では、脆弱性算出装置２０の出力部２４は地図上のスパンごとに管路の脆弱性の推定結果を示すが、区画に含まれるすべてのスパンの脆弱性を平均して区画ごとに脆弱性の推定結果が表示できるよう構成されてもよい。
　　　１　管路脆弱性推定システム
　　１０　モデル作成装置
　　２０　脆弱性算出装置
　　１１　記憶部
　　１２　入力部
　　１３　制御部
　　１４　出力部
　１１１　既往地震管路被害データベース
　１３１　第１モデル作成部
　１３２　特徴量抽出部
　１３３　平均データ抽出部
　１３４　第２モデル作成部
　　２１　記憶部
　　２２　入力部
　　２３　制御部
　　２４　出力部
　２１１　評価対象管路データベース
　２３１　評価対象管路取得部
　２３２　モデル受付部
　２３３　算出部

Claims (8)

  1. 　モデル作成装置と、脆弱性算出装置とを備える管路脆弱性推定システムであって、
    　前記モデル作成装置は、
    　　地震被害の有無と管路の特性とに関する情報を含む第１の管路被害データを用いて、前記管路の特性ごとに前記管路の脆弱性を出力する第１の機械学習モデルを作成する第１モデル作成部と、
    　　前記第１の機械学習モデルのそれぞれについて、予測に対する寄与度の高い特徴量を特定する特徴量抽出部と、
    　　前記第１の管路被害データから前記特徴量が平均的な値である管路被害データを抽出し、該管路被害データから前記特徴量を除外したデータを第２の管路被害データとして出力する平均データ抽出部と、
    　　前記第２の管路被害データを用いて、前記管路の特性ごとに前記管路の脆弱性出力する第２の機械学習モデルを作成する第２モデル作成部とを備え、
    　前記脆弱性算出装置は、
    　　評価対象の管路の特性に関する情報を含む評価対象管路データを取得する評価対象管路取得部と、
    　　前記第２の機械学習モデルを取得するモデル受付部と、
    　　前記評価対象管路データに含まれる前記評価対象の管路の特性に関する情報に応じて、前記評価対象管路データに前記第２の機械学習モデルを適用して、前記評価対象の管路の脆弱性を算出する算出部とを備える、
    管路脆弱性推定システム。
  2. 　前記第１の管路被害データに含まれる管路の特性に関する情報は、地震動指標の情報を含み、
    　前記寄与度の高い特徴量は、地震動指標であり、
    　前記第２モデル作成部は、地震被害の有無を目的変数とする第２の機械学習モデルを作成する、請求項１に記載の管路脆弱性推定システム。
  3. 　前記脆弱性算出装置は、ユーザの入力を受け付ける入力部をさらに備え、
    　前記評価対象管路取得部は、前記ユーザが入力した評価対象の管路の特性に関する情報を含む評価対象管路データを選択して取得する、請求項１または２に記載の管路脆弱性推定システム。
  4. 　地震被害の有無と管路の特性とに関する情報を含む第１の管路被害データを用いて、前記管路の特性ごとに前記管路の脆弱性出力する第１の機械学習モデルを作成するステップと、
    　前記第１の機械学習モデルのそれぞれについて、予測に対する寄与度の高い特徴量を特定するステップと、
    　前記第１の管路被害データから前記特徴量が平均的な値である管路被害データを抽出し、該管路被害データから前記特徴量を除外したデータを第２の管路被害データとして出力するステップと、
    　前記第２の管路被害データを用いて、前記管路の特性ごとに前記管路の脆弱性出力する第２の機械学習モデルを作成するステップと、
    　評価対象の管路の特性に関する情報を含む評価対象管路データを取得するステップと、
    　前記第２の機械学習モデルを取得するステップと、
    　前記評価対象管路データに含まれる前記評価対象の管路の特性に関する情報に応じて、前記評価対象管路データに前記第２の機械学習モデルを適用して、前記評価対象の管路の脆弱性を算出するステップと、
    を含む管路脆弱性推定方法。
  5. 　前記第１の管路被害データに含まれる管路の特性に関する情報は、地震動指標の情報を含み、
    　前記寄与度の高い特徴量は、地震動指標であり、
    　前記第２の機械学習モデルを作成するステップは、地震被害の有無を目的変数とする第２の機械学習モデルを作成する、請求項４に記載の方法。
  6. 　地震被害の有無と管路の特性とに関する情報を含む第１の管路被害データを用いて、前記管路の特性ごとに前記管路の脆弱性出力する第１の機械学習モデルを作成する第１モデル作成部と、
    　前記第１の機械学習モデルのそれぞれについて、予測に対する寄与度の高い特徴量を特定する特徴量抽出部と、
    　前記第１の管路被害データから前記特徴量が平均的な値である管路被害データを抽出し、該管路被害データから前記特徴量を除外したデータを第２の管路被害データとして出力する平均データ抽出部と、
    　前記第２の管路被害データを用いて、前記管路の特性ごとに前記管路の脆弱性出力する第２の機械学習モデルを作成する第２モデル作成部と、
    を備える、モデル作成装置。
  7. 　前記第１の管路被害データに含まれる管路の特性に関する情報は地震動指標の情報を含み、
    　前記寄与度の高い特徴量は、地震動指標であり、
    　前記第２モデル作成部は、地震被害の有無を目的変数とする第２の機械学習モデルを作成する、請求項６に記載のモデル作成装置。
  8. 　コンピュータを、請求項６または７に記載のモデル作成装置として機能させるプログラム。
PCT/JP2020/020765 2020-05-26 2020-05-26 管路脆弱性推定システム、管路脆弱性推定方法、モデル作成装置、およびプログラム WO2021240650A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2022527323A JP7288229B2 (ja) 2020-05-26 2020-05-26 管路脆弱性推定システム、管路脆弱性推定方法、モデル作成装置、およびプログラム
PCT/JP2020/020765 WO2021240650A1 (ja) 2020-05-26 2020-05-26 管路脆弱性推定システム、管路脆弱性推定方法、モデル作成装置、およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/020765 WO2021240650A1 (ja) 2020-05-26 2020-05-26 管路脆弱性推定システム、管路脆弱性推定方法、モデル作成装置、およびプログラム

Publications (1)

Publication Number Publication Date
WO2021240650A1 true WO2021240650A1 (ja) 2021-12-02

Family

ID=78723039

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/020765 WO2021240650A1 (ja) 2020-05-26 2020-05-26 管路脆弱性推定システム、管路脆弱性推定方法、モデル作成装置、およびプログラム

Country Status (2)

Country Link
JP (1) JP7288229B2 (ja)
WO (1) WO2021240650A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220172373A1 (en) * 2020-11-30 2022-06-02 Accenture Global Solutions Limited Slip-to-slip connection time on oil rigs with computer vision

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1184017A (ja) * 1997-09-03 1999-03-26 Hitachi Ltd 地震被害推定装置及びその実施プログラムを記録した媒体
JP2001331559A (ja) * 2000-05-22 2001-11-30 Suido Kanro Sogo Kenkyusho:Kk 管網の耐震化選択システム
JP2008191763A (ja) * 2007-02-01 2008-08-21 Kurimoto Ltd データ処理方法
JP2009092468A (ja) * 2007-10-05 2009-04-30 Central Res Inst Of Electric Power Ind 災害被害想定装置、災害被害想定方法および災害被害想定プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1184017A (ja) * 1997-09-03 1999-03-26 Hitachi Ltd 地震被害推定装置及びその実施プログラムを記録した媒体
JP2001331559A (ja) * 2000-05-22 2001-11-30 Suido Kanro Sogo Kenkyusho:Kk 管網の耐震化選択システム
JP2008191763A (ja) * 2007-02-01 2008-08-21 Kurimoto Ltd データ処理方法
JP2009092468A (ja) * 2007-10-05 2009-04-30 Central Res Inst Of Electric Power Ind 災害被害想定装置、災害被害想定方法および災害被害想定プログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220172373A1 (en) * 2020-11-30 2022-06-02 Accenture Global Solutions Limited Slip-to-slip connection time on oil rigs with computer vision
US11836930B2 (en) * 2020-11-30 2023-12-05 Accenture Global Solutions Limited Slip-to-slip connection time on oil rigs with computer vision

Also Published As

Publication number Publication date
JP7288229B2 (ja) 2023-06-07
JPWO2021240650A1 (ja) 2021-12-02

Similar Documents

Publication Publication Date Title
Esposito et al. Simulation‐based seismic risk assessment of gas distribution networks
JP6682021B2 (ja) 道路陥没危険度評価装置および道路陥没危険度評価方法、ならびに道路陥没危険度評価用コンピュータプログラム
CN109034641A (zh) 管道缺陷预测方法及装置
KR101625660B1 (ko) 지구통계기법에서의 관측자료를 이용한 2차자료 생성 방법
Goda et al. Empirical assessment of non-linear seismic demand of mainshock–aftershock ground-motion sequences for Japanese earthquakes
WO2021240650A1 (ja) 管路脆弱性推定システム、管路脆弱性推定方法、モデル作成装置、およびプログラム
Jiang et al. Inverse analysis for geomaterial parameter identification using Pareto multiobjective optimization
Li et al. Bayesian Approach for Sequential Probabilistic Back Analysis of Uncertain Geomechanical Parameters and Reliability Updating of Tunneling‐Induced Ground Settlements
Sengani et al. Advanced analysis of road-slope stability in a brittle and faulted rockmass terrain by several techniques
JP6860437B2 (ja) 機器システムの機能損傷と関連が高い地震動強さ指標の検出方法
Taghlabi et al. Prelocalization and leak detection in drinking water distribution networks using modeling-based algorithms: A case study for the city of Casablanca (Morocco)
Kamura et al. Exploring the possibility of assessing the damage degree of liquefaction based only on seismic records by artificial neural networks
WO2022013974A1 (ja) 被害率曲線作成方法、被害率曲線作成装置、及びプログラム
CN114996830B (zh) 盾构隧道下穿既有隧道的可视化安全评估方法及设备
JP2017150193A (ja) 管路被災予測装置、管路被災予測方法および管路被災予測プログラム
JP7512151B2 (ja) 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置
Che et al. Embankment Seismic Fragility Assessment under the Near‐Fault Pulse‐like Ground Motions by Applying the Response Surface Method
JP2008191763A (ja) データ処理方法
Xueping et al. A GIS-based monitoring and early warning system for cover-collapse sinkholes in karst terrane in Wuhan, China
JP2009058486A (ja) ケーブル地震被害推定装置及び方法及びプログラム
Garcia et al. Earthquake liquefaction susceptibility mapping of Pasig City
Wang et al. Regional evaluation of liquefaction-induced lateral ground deformation for city-scale transportation resilience analysis
Sharifi-Mood et al. Probabilistic liquefaction-induced lateral spread hazard mapping and its application to Utah County, Utah
JP7466969B1 (ja) Ａｉ地震被害予測システム、ａｉ地震被害予測方法及びａｉ地震被害予測プログラム
CN115437009B (zh) 钻孔数据处理方法、装置、电子设备和计算机可读介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20938129

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022527323

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20938129

Country of ref document: EP

Kind code of ref document: A1