人工知能技術を援用した道路ネットワーク構造物群の維持管理技術の開発
| Project/Area Number |
18K04330
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 22020:Structure engineering and earthquake engineering-related
|
|---|
| Research Institution | Tokyo City University |
|---|
Principal Investigator |
丸山 收 東京都市大学, 工学部, 教授 (50209699)
|
|---|
| Project Period (FY) |
2018-04-01 – 2021-03-31
|
| Project Status |
Granted (Fiscal Year 2018)
|
| Budget Amount *help |
¥1,820,000 (Direct Cost: ¥1,400,000、Indirect Cost: ¥420,000)
Fiscal Year 2020: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000)
Fiscal Year 2019: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000)
Fiscal Year 2018: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
|
|---|
| Keywords | 劣化予測 / 維持管理 / 機械学習 / 確率微分方程式 / カーネル補間 / 構造物維持管理 / 人工知能 / 道路交通網 |
|---|
| Outline of Annual Research Achievements |
現在，整備されているトンネルおよび橋梁の点検データに加えてデータの取集・分析を行った．トンネル覆工コンクリートおよび橋梁点検データに関しては，新規に点検が行われたデータをデータベースに追加した．収集したデータは異なる劣化区分により評価されているものであるので，構造物ごとに統一した評価基準にキャリブレーションする必要があるために，同一尺度に変換するための理論開発を行った．
点検データのキャリブレーション結果に基づいて，劣化進行の不確定性を考慮した確率論に基づくモデルの構築を行った．本研究で用いる劣化予測モデルは，すでに開発された複合Poisson過程を駆動雑音とする確率微分方程式に定式化してモデル化するものであり，点検データに基づいて予測式の精度を検証している．将来予測の精度の検証のために，仮に既に得られた点検記録と予測式の精度検証を行い，十分な再現性があることを確認した．また，橋梁に関しては複数の部材の劣化を考慮する必要があり，確率論に基づいてべイジアンネットワークを用いた複数部材の劣化予測に関する理論を開発中である．
また，本研究で対象とする大規模データ解析に対応するために，機械学習理論を援用する理論開発を行っている．具体的には，確率論手法に基づいたベイズ情報更新理論と機械学習理論の特長を生かして，カーネル関数による機械学習効率の向上を期待できる手法の開発である．この成果に関しては，本年5月に国際学会で発表予定である．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
初年度の研究計画として，点検データの整備および劣化予測手法の開発を挙げている．
1)点検データ整備
これまでに整備されているトンネルおよび橋梁の点検データに加えてデータの取集・分析を行った．収集したデータは異なる劣化区分により評価されているものであるので，構造物ごとに統一した評価基準にキャリブレーションする必要がある．この点に関しては，カーネル関数を用いて，点検データのレーティングが異なる場合にも，共通に評価できる確率分布を得る手法の開発を行った．
2）構造物の劣化予測手法の開発
本研究で用いる劣化予測モデルは，複合Poisson過程を駆動雑音とする確率微分方程式に定式化して，Wiener過程を駆動雑音として用いることによる解過程の増減挙動を回避している．実点検データと確率微分方程式によるサンプル実現値のヒストグラムを比較することで予測精度の検証を行った．提案手法による結果は，実際の点検データ分布と非常に良い対応を示している結果が得られ，精度の良い予測が行えることが分かった．
前述したトンネルの点検データは覆工コンクリート版の劣化のみに着目していたが，橋梁の場合には桁，床板，支承，橋脚および付帯施設など数多くの項目に対する点検が行われている．これら各要素の劣化モデルと橋梁全体の健全度を評価するモデルを構築することが必要となる．この点に関しては，研究を継続中である．
|
| Strategy for Future Research Activity |
実際には各種構造物が存在して，トンネル，橋梁，道路などの複数の構造物で構成されるネットワーク構造を形成している．リンク上に異なる劣化進行状態にある道路，橋梁・トンネルが存在しているので，維持管理戦略もシステムとして扱う必要がある．
今後はネットワーク理論の最小費用流問題のアルゴリズムにより道路ネットワークの重要度・機能性の拘束条件を表現をして，毎年の点検データの蓄積から時々刻々ネットワーク上に存在する構造物の状態を入力して，予防保全型の予算配分を行うルールを人工知能技術で行う．
|
Report
(1 results)
Research Products
(1 results)
