| Project/Area Number |
22K04304
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 22030:Geotechnical engineering-related
|
|---|
| Research Institution | Akita University |
|---|
Principal Investigator |
荻野 俊寛 秋田大学, 理工学研究科, 准教授 (80312693)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
田口 岳志 秋田大学, 理工学研究科, 助教 (00452839)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2024: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000)
Fiscal Year 2023: ¥2,080,000 (Direct Cost: ¥1,600,000、Indirect Cost: ¥480,000)
Fiscal Year 2022: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
|
|---|
| Keywords | ベンダーエレメント試験 / 機械学習 / ガウス過程回帰 / サポートベクターマシン / ニューラルネットワーク / ベンダーエレメント / モード解析 / セルフモニタリング / 伝達関数 |
|---|
| Outline of Research at the Start |
土のせん断弾性係数は，地盤材料の剛性を決める重要なパラメータである。ベンダーエレメント(BE)法はせん断弾性係数を得るために必要な，土中を伝播するS波の速度を測定する試験である。しかしながら，波の到達時間決定に曖昧さを有しており，そのために試験の適用範囲が制限されている。
本研究では「BE法は線形理論によって解釈可能である」という，仮説に基づき，不必要なBEの振動特性をモデル化し， その振動特性を取り除く受信波補正法によりBE法の適用限界を拡張する。さらに，一般利用を念頭に補正モデルを構築する。
本申請課題が提案する学習済み補正モデルを利用することで，補正値を簡単に入手可能な環境構築を目指す。
|
| Outline of Annual Research Achievements |
研究年度の2年目である令和5年度の予定は，一般利用を念頭にしたS波到達点の補正モデルの構築を行うことであり，補正モデルを単純な実験式で表すことは困難であるため，補正モデルの実装には機械学習を用いる予定であった。また，モデルの学習には申請者の過去の研究から考案したシミュレーションによって人工的に合成した送受信波を用いることとしていた。
当初の予定通り，アルゴリズムとしてサポートベクター回帰を用いた機械学習モデルを構築した。学習にはあらかじめ設定したパラメータの範囲で7240通りの受信波形を計算し，供試体の寸法などの実験条件と，送受信波形のピーク点など波形の特徴から合計11次元の特徴量，真のS波到達点を学習させ，S波到達点予測モデルを作成した．学習済みのモデルを用いて実際の実験から得られる受信波形に対してS波到達点の予測を行い，熟練者が判定した値との誤差を比較した。その結果，構築した機械学習モデルが非常に高い精度で熟練者の判定値と近いS波到達点を予測することを示した。
さらに，サポートベクター回帰以外に，ガウス過程回帰，ニューラルネットワークの2種類のアルゴリズムを用いて同様の機械学習モデルを作成し，汎化性能の比較を行った．構築した機械学習モデルはいずれも高い汎化性能を示すことが明らかとなった。また，アルゴリズムごと予測に傾向があり，その中でガウス過程回帰の予測が最も熟練者の判定した値に近いことを示した。これらの成果は当初の予定を上回るものであった。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
当初計画していたサポートベクター回帰による機械学習モデルの構築がいち早く成功し，さらに異なる2つのアルゴリズムを用いて追加のモデルを構築することができたため。
|
| Strategy for Future Research Activity |
令和5年度は3種類の機械学習モデルを構築することができ，いずれも高い汎化性能を示すことが確認できた。このことは当初の予定を上回る成果であったことから，次年度はこの成果をさらに発展させるべく，さらなる高い汎化性能を持つモデルの構築にチャレンジする。具体的には2つの案を考えている。1つ目は アンサンブル学習によるモデルである。これは複数の機械学習モデルによる予測を合わせることで汎化性能を高める手法である。2つ目は畳込みニューラルネットワークを用いたモデルである。畳込みニューラルネットワークは近年，画像処理などに頻繁に用いられる機械学習モデルだが，ベンダーエレメント試験の送受信波のような多次元の波形データに対しても有効であると考えられる。これによって送受信波形データを余すことなく学習に使用できるため，これまで11次元だった特徴量が飛躍的に増加するため，汎化性能の向上が見込まれる。
また，ベンダーエレメント試験の未経験者を対象としたS波到達点の判定試験を実施し，機械学習モデルのアシスト高価を定量的に確かめる予定である。
|
