2022 Fiscal Year Annual Research Report
High Accuracy Evaluation of Concrete Delamination Risk by Deep Learning of Hammering Sounds
| Project/Area Number |
20H02234
|
|---|
| Research Institution | Kyushu University |
|---|
Principal Investigator |
園田 佳巨 九州大学, 工学研究院, 教授 (40304737)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
玉井 宏樹 九州大学, 工学研究院, 助教 (20509632)
別府 万寿博 防衛大学校(総合教育学群、人文社会科学群、応用科学群、電気情報学群及びシステム工学群), システム工学群, 教授 (90532797)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | 打音検査 / コンクリート構造物 / 劣化損傷（浮き・剥離） / 深層学習 / 畳み込みオートエンコーダー / 畳み込みニューラルネットワーク |
|---|
| Outline of Annual Research Achievements |
2022年度は，２種類の深さと７種類の面積が異なる打ち継ぎ目（底面にフィルムを敷いて人工的に剥離層を設けた）を有するコンクリート版供試体を用いて，各供試体で2000回程度の打音検査を行い，計測された打音の音圧-時間データに時間周波数解析（短時間フーリエ変換）を行った結果のスペクトログラムを入力データとする深層学習をCAE（畳み込みオートエンコーダー）およびCNN（畳み込みニューラルネットワーク）の２種類の手法で行い，それぞれによる打音評価の精度と特性を比較検討した。以下に，その概要を示す。
1)CAEを用いた打音診断(スペクトログラム図の再構成ロス値を用いた)によって，欠陥の有無の識別は概ね100%の精度で行えること，再構成ロス値の大きさと損傷度(欠陥面積の大きさ)には高い相関性があり，損傷程度の予測可能性があること，ただし欠陥位置が深くなる程，異なる欠陥面積間の再構成ロス値の差が小さくなり，損傷度(欠陥面積)の把握が難しくなることなどが認められた。
2)CNNによる打音診断は，損傷度(欠陥面積)が異なる各供試体の打音データを学習後に診断を行うため，教師無し学習のCAEよりも高精度な損傷度(欠陥面積)の評価が可能であること，欠陥位置が深い場合においても診断精度の低下が少なく適用可能性があることが認められた。ただし，意図的に学習データを欠落させた損傷度(欠陥面積)の供試体については，診断精度の低下が生じる場合もあることから，予め学習させるデータについては，広範囲でかつ偏りが無い分布となっているか検討する必要があることも認められた。
3)今後の課題として，CAEに関しては再構成ロス値(定義等)を用いた損傷度評価法の検討，CNNに関しては解析的に生成した打音データによる学習可能性の検討などが挙げられる。
|
| Research Progress Status |
令和4年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和4年度が最終年度であるため、記入しない。
|
