Presentations

The author’s research group has proposed a damage pattern classification method using a deep neural network (DNN) for monitoring the structural health of a building. We aimed to make the DNN for damage pattern classification, more accountable using the “interpretation” and “explanation” methods. We proposed generating input data that maximize the classification probability of each damage pattern, called a prototype, and drew a trajectory on a two-dimensional phase plane of appropriately selected state variables with color information on the degree of influence on the classification. We applied the proposed method to DNNs for damage classification of a wooden structure and a steel frame. The acceleration–velocity plane provided useful information about the mechanical characteristics of the DNN used in the damage pattern classification, and we thus demonstrated the effectiveness of the proposed method.

2016年熊本地震の余震記録を用いて震源が近接したペアを作成し、フーリエ振幅平均値とフーリエ位相差の関係を巻き込み正規分布を用いてモデル化した。次にフーリエ振幅平均値から巻き込み正規分布のパラメータを予測する回帰式を求め、その回帰係数と震源間距離と震源距離の回帰式を導き、要素地震の位相の設定方法を提案した。提案した位相モデル、ランダム位相モデル、コヒーレント位相モデルの3つの模擬地震動と実観測記録の加速度応答スペクトルのRMS誤差を比較し、提案モデルが他の2つモデルに比べ誤差が小さいことを確認した。

国立研究開発法人防災科学技術研究所では開発中のシミュレーションシステム「数値震動台」を建築物の構造ヘルスモニタリングに活用するための研究を行っている．対象建物について複数の損傷パターンを想定し，様々な入力地震動に対して地震応答解析を行うことで，深層ニューラルネットワークの訓練データを多量に生成することができる．本報告では鋼構造骨組の振動台実験結果を用いて学習を行い，深層ニューラルネットワークの損傷パターン判別精度を検討した結果を紹介する．また，未学習の損傷パターンに対する誤判定を防ぐため，新たに開発した未学習パターンデータ検知法も紹介する．