| Project/Area Number |
23K22838
|
|---|
| Project/Area Number (Other) |
22H01568 (2022-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2022-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 22020:Structure engineering and earthquake engineering-related
|
|---|
| Research Institution | Tohoku University |
|---|
Principal Investigator |
内藤 英樹 東北大学, 工学研究科, 准教授 (50361142)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
前島 拓 日本大学, 工学部, 講師 (20845630)
木本 智幸 大分工業高等専門学校, 電気電子工学科, 教授 (30259973)
山本 佳士 法政大学, デザイン工学部, 教授 (70532802)
|
|---|
| Project Period (FY) |
2022-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥17,160,000 (Direct Cost: ¥13,200,000、Indirect Cost: ¥3,960,000)
Fiscal Year 2025: ¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2024: ¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2023: ¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2022: ¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
|
|---|
| Keywords | コンクリート構造物 / 舗装 / 非破壊検査 / 構造ヘルスモニタリング / 機械学習 / ヘルスモニタリング / 異常検知 / 振動試験 |
|---|
| Outline of Research at the Start |
本研究は、高精度な局所振動試験法を移動体に組み込み、構造物上を走行しながら構造物内部を点検する。AIが点検データを分析することにより、構造物の劣化箇所と劣化程度を可視化する。この走行式点検の実現により、道路、鉄道軌道、空港滑走路を広範囲かつ高速に点検できるとともに、AIに必要な大量データを効率よく集めて、AIの識別精度をさらに高めることができる。高速かつ高精度の走行式点検技術を活用して、インフラ施設の安全性や対策の緊急性を即時に判断できる診断システムを提案する。
|
| Outline of Annual Research Achievements |
本研究では、ハンマリング装置や加振器を移動体に組み込むことで、道路、鉄道、空港滑走路、港湾桟橋などを対象にして広範囲かつ高速に点検データを取得する。さらに取得された点検データに対して機械学習を適用することで、構造物の劣化診断の精度向上を図るとともに、構造物の安全性と対策の緊急性を即時に判断できる診断システムに繋げる。2023年度の研究実績を以下に列挙する。
(1)ハンマリングによる点検データの取得: 模擬空隙を埋め込んだコンクリート床版試験体および荷重によるひび割れを与えたコンクリートはり試験体を対象にして、自動ハンマリング装置により点検データを取得した。
(2)良品学習による異常検知: 前年度までに構築した教師なしの良品学習モデルによって、上記(1)の空隙箇所およびひび割れ箇所を異常検知することができた。特に、提案手法は床版の水平ひび割れやはりのせん断ひび割れなど、構造上重大な損傷に対して敏感であることが示された。
(3)転移学習の適用: 上記(2)の良品学習は、模擬空隙のない基準試験体や載荷前の試験体から訓練データを取得しており、構造ヘルスモニタリング手法として有用である。その一方で、健全状態のデータが入手できない既設構造物の劣化診断への応用・展開が課題であった。2023年度は、転移学習を適用することによって上記(2)の良品学習モデルの汎用性拡大を図った。転移学習を適用することにより、点検対象構造物から取得した極少量の良品データを与えることで、別途訓練した既存モデルを用いて点検対象構造物の劣化診断が可能になることが示唆された。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
前年度に作成した機械学習のプログラムコードが優れており、これを発展させることで、様々な構造物および測定条件にも適用可能な汎用性の高い機械学習モデルが実装できたため。
|
| Strategy for Future Research Activity |
今後の研究の推進方策として、以下の2つの個別項目を検討し、得られた知見・成果をもって相互のアップデートを図る。
(1)自動点検装置の開発: ハンマリング装置あるいは加振器を搭載した自動点検装置の開発を継続する。一般道路、高速道路、鉄道、空港・港湾の点検ニーズに合わせて、点検の範囲、速度、精度、無人化の必要性、装置の価格や重量などを選択できるように、複数種類の自動点検装置の開発を平行して進める。また、これらの構造物の管理者らと共同体制を整え、実構造物での試行および高度化検討を進める。
(2)構造物内部のひび割れ・劣化性状の推定: 様々な構造物と劣化パターンの組み合わせに対して、劣化診断の精度を上げるためには、良質かつ大量の訓練データを与えた教師あり学習が有効と考えている。そのために、コンクリート構造物のひび割れ解析と波動伝搬解析によって実測を模擬した大量データを取得し、転移学習によって上記(1)の実測による点検データとのキャリブレーションを図る。コンクリート構造物のひび割れ解析の結果は、構造物の安全性評価においても有用なデータにもなる。
|
