| Project/Area Number |
23K04351
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 25030:Disaster prevention engineering-related
|
|---|
| Research Institution | Kanto Gakuin University |
|---|
Principal Investigator |
福谷 陽 関東学院大学, 理工学部, 教授 (10785322)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
元木 誠 関東学院大学, 理工学部, 教授 (20440282)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000)
Fiscal Year 2025: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2024: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2023: ¥2,210,000 (Direct Cost: ¥1,700,000、Indirect Cost: ¥510,000)
|
|---|
| Keywords | 津波 / 浸水予測 / 機械学習 / ニューラルネットワーク / DNN / 確率論的ハザード評価 / 南海トラフ巨大地震 / 高潮 / 確率論的浸水評価 |
|---|
| Outline of Research at the Start |
津波や高潮等による沿岸災害に対する事前の災害対策を実施するためには、陸域での浸水深、浸水領域等の津波や高潮の強度を事前に評価することが重要となる。陸域の浸水ハザードは一般に非線形性が強く、多大な不確定性を有するため、決定論的評価ではなく確率論的評価が有効であるが、その計算負荷は多大で実務への適用が進んでいない。本研究では、ニューラルネットワークを中心とした機械学習の技術を用いて、津波や高潮の伝播過程の線形性（海域）と非線形性（陸域）の出力関係を学習し、学習モデルを通して、線形モデルの結果から非線形モデルの結果を即座に得られるようにすることで、陸域の確率論的浸水予測の大幅な効率化を図る。
|
| Outline of Annual Research Achievements |
本研究では、多数のランダムなすべり分布を持つ海溝型巨大地震を想定し、機械学習の技術を用いて、多大な不確定性を有する陸域での津波の浸水深、流速等の発生確率分布を推定することを目的としている。この目的を達成するため、2023年度は南海トラフの震源データを基に津波数値解析を実行して、沖合波高や浸水データを整備し、DNN（ディープニューラルネットワーク）を構築し、対象地域の浸水深の頻度分布を生成した。具体的にはまず、南海トラフの震源領域で、6種類のマグニチュード（Mw 9.0、Mw 8.8、Mw 8.6、Mw 8.4、Mw 8.2、Mw 8.0）、各マグニチュード100ケースずつの滑り分布の異なる震源600ケースの断層パラメータを生成後、初期水位分布、および、線形長波理論により計算した地震後2分，5分，10分，20分，40分の沖の津波波高分布を得た。出力として、非線形長波理論により計算した対象地域（漁港を含む500m四方の領域）の浸水深分布を得た。これらのデータを隠れ層1層、3層、5層のDNNや、Dropoutを組み込む等して学習し、どの入出力データの組み合わせが最も良い精度で対象地域の浸水深分布を得られるか考察した。現時点の結果では、初期水位分布や地震発生後の津波高分布よりも、地震の断層パラメータの1つであるすべり量を入力値とすることで、最も精度良く対象地域の浸水深分布を得られた。最良のDNNで、訓練時の最小誤差は0.742 m、検証時の最小誤差は1.060 mとなった。しかし、このDNNを用いて、テストデータにより結果出力した場合、誤差が1.548 mとなり、過学習であることが示唆された。更に当初の600ケースとは相違する1200ケースの断層パラメータ（すべり量）を用いて浸水深の頻度分布を出力したところ、非線形長波理論により解析した結果と比較して過大評価になる傾向が示された。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初計画では、2023年度にニューラルネットワークによる学習モデルの構築を実施する予定としていた。当初予定通り、数値解析による学習データの整備、DNNによる学習モデルの構築、対象地域の浸水深の頻度分布出力まで、一通り実施したことから、おおむね順調に進展している、と判断した。
|
| Strategy for Future Research Activity |
1年目において、学習モデル構築から結果出力まで一通り実施したものの、現時点では未知のデータに対する予測結果の精度が高くないことから、訓練データに対する過学習の傾向が考えられる。2年目では、学習データの増加、および、DNNモデルの改良などを試行し、構築したモデルの精度を高めていく。モデルの精度がある程度得られたところで、地震発生の切迫性を考慮した発生確率モデル（BPT分布）を組み込み、対象地域における確率論的津波ハザード評価を実施する。
|
