JP6919705B2

JP6919705B2 - 劣化予測装置、劣化予測方法、及びプログラム

Info

Publication number: JP6919705B2
Application number: JP2019508139A
Authority: JP
Inventors: 泰弘十河; 三上　伸弘; 伸弘三上
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2017-03-31
Filing date: 2017-03-31
Publication date: 2021-08-18
Anticipated expiration: 2037-03-31
Also published as: JPWO2018179376A1; WO2018179376A1; US11263573B2; US20200027044A1

Description

本発明は、インフラ構造物等の対象の劣化を予測する、劣化予測装置、及び劣化予測方法に関し、更には、これらを実現するためのプログラムに関する。

橋梁、トンネル、道路舗装等のインフラ構造物の保全には、点検者の目視、打音等による点検が定期的に行われている。その結果確認された構造物の損傷の状態に応じて、人手によって、知識に基づいた、構造物の劣化判定が行われている。非特許文献１は、このような構造物の劣化判定を伴う点検、及び構造物の保全のためのプロセスを開示している。また、このような劣化判定は、健全度判定とも呼ばれている。

ところで、多数の構造物に存在する全ての損傷を同時に補修することはコスト、及び、人的リソースの制約上困難であるため、構造物の管理者は、点検から得られた劣化判定の結果、及び劣化進行の予測に基づいて、構造物の補修計画を立案する。そのため、年度毎に劣化判定を実行すること、劣化の進行を予測することは非常に重要である。

このため、特許文献１及び特許文献２は、予め物理モデルを構築することで構造物の劣化予測を行ない、それに基づいて補修計画を策定する方法を提案している。また、非特許文献２は、マルコフ遷移確率の推定による構造物の劣化予測方法を開示している。更に、非特許文献３は、高速道路の橋梁の点検のように定期的に実施される点検から取得されたデータに対して、重回帰分析を実行することで、構造物の劣化を評価する方法を開示している。

特開２００６―１７７０８０号公報特開２００６−３２３７４１号公報

東日本高速道路株式会社、中日本高速道路株式会社、西日本高速道路株式会社、「保全点検要領構造物編平成２７年４月」、ＮＥＸＣＯ総研、２０１５年貝戸清之、小林潔司、「マルコフ劣化ハザードモデルのベイズ推定」、土木学会論文集Ａ，Ｖｏｌ．６３，Ｎｏ．２，２００７年大竹雄、流石尭、本城勇介、村上茂之、小林孝一「統計的手法を用いた橋梁点検データベースに基づく橋梁健全度評価に関する基礎的研究」、土木学会論文集Ａ２，Ｖｏｌ．６７，Ｎｏ．２，２０１１年

しかしながら、上記特許文献１及び特許文献２に開示された方法では、物理モデルは単純要因に基づいて構築されているため、複合的な要因によって劣化が進行する構造物について、年度毎の劣化の予測を精緻に行なうことは不可能である。

また、上記非特許文献２に開示されている方法では、複合的要因を考慮して年度毎に劣化を予測することは可能であるが、考慮できる複合的要因は予め決められているため、大量のパラメータを用いて新たな要因を考慮して予測を行なうことは不可能である。

更に、上記非特許文献３に開示された方法では、設定された周期単位で劣化を予測するモデルしか学習できないため、設定された周期よりも時間的粒度を細かくして予測を行なうことが不可能である。

例えば、高速道路橋では法定点検周期が５年に定めている。従って、上記非特許文献３に開示された方法では、５年毎の劣化予測しか行えず、管理者は、予測対象の橋梁の１年後の健全度を予測したい場合は、５年後の予測結果、過去の点検結果、及び供用環境情報を加味して、自身の経験に基づいて予測を行なう必要がある。なお、供用環境情報とは、構造物の劣化の要因となる構造物の材料、構造、及び交通量等のことを意味する。

本発明の目的の一例は、上記問題を解消し、人手によることなく、実施されている定期診断の間隔よりも短い間隔で、構造物等の対象の劣化の状態を予測し得る、劣化予測装置、劣化予測方法、及びプログラムを提供することにある。

上記目的を達成するため、本発明の一側面における劣化予測装置は、
対象の劣化の進行をシミュレーションする劣化進行モデルを用いて、前記対象の定期診断を実施する期間よりも短い期間で定期診断が行われた場合に得られるデータを生成する、データ生成部と、
生成された前記データを用いて、前記対象の特定の時点での劣化状態を示す劣化指標を予測するための予測モデルを生成する、予測モデル生成部と、
前記予測モデルに基づいて、前記対象の将来の劣化指標を予測する、劣化指標予測部と、
を備えている、ことを特徴とする。

また、上記目的を達成するため、本発明の一側面における劣化予測方法は、
（ａ）対象の劣化の進行をシミュレーションする劣化進行モデルを用いて、前記対象の定期診断を実施する期間よりも短い期間で定期診断が行われた場合に得られるデータを生成する、ステップと、
（ｂ）生成された前記データを用いて、前記対象の特定の時点での劣化状態を示す劣化指標を予測するための予測モデルを生成する、ステップと、
（ｃ）前記予測モデルに基づいて、前記対象の将来の劣化指標を予測する、ステップと、
を有する、ことを特徴とする。

更に、上記目的を達成するため、本発明の一側面におけるプログラムは、
コンピュータに、
（ａ）対象の劣化の進行をシミュレーションする劣化進行モデルを用いて、前記対象の定期診断を実施する期間よりも短い期間で定期診断が行われた場合に得られるデータを生成する、ステップと、
（ｂ）生成された前記データを用いて、前記対象の特定の時点での劣化状態を示す劣化指標を予測するための予測モデルを生成する、ステップと、
（ｃ）前記予測モデルに基づいて、前記対象の将来の劣化指標を予測する、ステップと、
を実行させることを特徴とする。

以上のように、本発明によれば、人手によることなく、実施されている定期診断の間隔よりも短い間隔で、構造物等の対象の劣化の状態を予測することができる。

図１は、本発明の実施の形態における劣化予測装置の構成を概略的に示すブロック図である。図２は、本発明の実施の形態における劣化予測装置の構成を具体的に示すブロック図である。図３は、本発明の実施の形態で用いられる学習データの一例を示す図である。図４は、本発明の実施の形態で用いられる生成データの一例を示す図である。図５は、図４に示した生成データと新たに生成されたデータとを示す図である。図６は、本発明の実施の形態で用いられる予測データの一例を示す図である。図７は、本発明の実施の形態において予測された予測健全度の一例を示す図である。図８は、本発明の実施の形態における劣化予測装置の動作を示すフロー図である。図９は、本発明の実施の形態における、予測結果の出力画面の一例を示す図である。図１０は、本発明の実施の形態における劣化予測装置を実現するコンピュータの一例を示すブロック図である。

（実施の形態）
以下、本発明の実施の形態における、劣化予測装置、劣化予測方法、及びプログラムについて、図１〜図１０を参照しながら説明する。

［装置構成］
最初に、図１を用いて、本実施の形態における劣化予測装置の構成について説明する。図１は、本発明の実施の形態における劣化予測装置の構成を概略的に示すブロック図である。

図１に示す本実施の形態における、劣化予測装置１００は、対象の劣化を予測するための装置である。図１に示すように、劣化予測装置１００は、データ生成部１１２と、予測モデル生成部１１３と、劣化指標予測部１１４とを備えている。

データ生成部１１２は、対象の劣化の進行をシミュレーションする劣化進行モデルを用いて、対象の定期診断を実施する期間よりも短い期間で定期診断が行われた場合に得られるデータを生成する。

予測モデル生成部１１３は、生成されたデータを用いて、対象の特定の時点での劣化状態を示す劣化指標を予測するための予測モデルを生成する。劣化指標予測部１１４は、予測モデルに基づいて、対象の将来の劣化指標を予測する。

このように、本実施の形態では、劣化進行モデルによって、対象に対して行なわれた定期診断よりも短い期間で定期診断が行なわれた場合を推定して、新たにデータが生成される。そして、元の定期診断で得られているデータと新たに生成されたデータとから、劣化指標を予測するモデルが生成される。このため、本実施の形態によれば、人手によることなく、実施されている定期診断の間隔よりも短い間隔で、構造物等の対象の劣化の状態を予測することができる。

続いて、図２を用いて、本実施の形態における劣化予測装置の構成についてより具体的に説明する。図２は、本発明の実施の形態における劣化予測装置の構成を具体的に示すブロック図である。なお、図１及び図２において、同一の構成要素には同一の符号が付与されている。

まず、本実施の形態では、対象としては、橋梁、トンネルといったインフラ構造物（以下、単に「構造物」とも表記する。）が挙げられる。また、データ生成部１１２が用いる劣化進行モデルは、対象の定期診断の結果、対象を劣化させる要因を特定する劣化要因情報、及び定期診断の結果に基づいて付与された劣化指標に基づいて、統計的に作成されている。また、定期診断の結果として、インフラ構造物に対して定期的に行なわれた点検記録が用いられても良い。また、劣化要因情報として、インフラ構造物が供されている環境を特定する供用環境情報が用いられても良い。

また、図２に示すように、本実施形態では、劣化予測装置１００は、図１に示した構成に加えて、シミュレーションモデル生成部１１１と、劣化指標提示部１１５と、学習データ記憶部１１６と、生成データ記憶部１１７と、予測データ記憶部１１８とを更に備えている。

学習データ記憶部１１６は、劣化進行モデルの生成に用いられる学習データを記憶している。学習データは、学習の対象となる１以上の構造物の各々の供用環境情報と、各々の点検記録と、当該構造物の点検記録に対して判定された劣化判定の結果（劣化指標）を示す。点検記録は、構造物の定期診断で実施された点検によって生成されたデータである。また、学習データにおける劣化判定の結果、即ち、劣化指標は、定期診断の際に、例えば、熟練の専門家、専門家集団等によって、点検記録の結果に基づいて付与されている。また、学習データは、予めユーザ等により、学習データ記憶部１１６に格納されている。供用環境情報は、定期診断が行われた年度における構造物が供された環境を示す情報である。

図３は、本発明の実施の形態で用いられる学習データの一例を示す図である。図３の例では、学習データは、学習の対象となる構造物の識別子（構造物ＩＤ（Identifier））と点検年度毎に関連付けられた、供用環境情報、点検記録、及び健全度で構成されている。また、図３において「健全度」は、上述した劣化判定の結果である劣化指標を示している。

また、点検記録の欄には、構造物に存在する各損傷の面積［ｍ^２］（「損傷Ａ」、「損傷Ｂ」、…）が登録されている。ここで、各損傷は、例えば、漏水、鉄筋の露出といった種別の異なる損傷であっても良いし、異なる部分の損傷であってもよい。

供用環境情報の欄には、当該年度における当該構造物上を走行する車両の年間走行車両数、年間累積軸重荷重、凍結防止のためにまかれる融雪剤の散布量、当該構造物の供用開始年度、当該構造物の構造等が登録されている。

健全度の欄には、本実施の形態では、対象となる構造物が健全である程（劣化の程度が小さい程）、値が小さくなる健全度が登録される。健全度は上述したように劣化指標を示している。例えば、健全度が「４」の、構造物ＩＤが「２」である構造物（以下、構造物「２」のように記載する）は、健全度が「５」の構造物「１」より健全である（図３参照）。なお、図３においては、健全度はローマ数字にて表記している。

シミュレーションモデル生成部１１１は、学習データ記憶部１１６から学習データを読み出し、読み出した学習データを用いて、劣化進行モデル（シミュレーションモデル）を生成する。

シミュレーションモデル生成部１１１は、シミュレーションモデルとして、例えば、学習データにおける供用環境情報の各項目と点検記録の各項目とを共変量として用いた、マルコフ劣化ハザードモデルにより、健全度の推移確率と、経過年数と、供用環境情報の各項目と、点検記録の各項目との関係を表す数式を生成する。

また、健全度の推移確率と経過年数と供用環境情報の各項目と点検記録の各項目との関係を表すことができるのであれば、シミュレーションモデル生成部１１１は、マルコフ劣化ハザードモデル以外の他の方法によりシミュレーションモデルを生成しても良い。例えば、シミュレーションモデル生成部１１１は、ワイブルハザード関数に基づく生存時間解析によってシミュレーションモデルを生成しても良い。

生成データ記憶部１１７は、予測モデル生成部１１３が予測モデルを生成するための生成データを格納している。生成データには、対象に対して設定期間毎に実施された定期診断の結果及び健全度が含まれている。また、定期診断の結果には、対象となる構造物に対して設定期間毎に実施された点検で得られた、点検記録が含まれる。また、生成データには、点検が実施された年度の供用環境情報と、実施された年度以外の供用環境情報も含まれる。

図４は、本発明の実施の形態で用いられる生成データの一例を示す図である。図４の例では、生成データは、学習対象となる構造物の構造物ＩＤと年度毎に、供用環境情報、点検記録、及び点検記録に対して付与された健全度とを関連付けて構成されている。生成データは、予めユーザ等により、生成データ記憶部１１７に格納されている。また、図４の例では、点検が実施されていない年度の供用環境情報も生成データとして格納されている。

また、図４において、点検が実施されていない年度の点検記録と、健全度とが、データ生成部１１２によって新たに生成されている。図５は、図４に示した生成データと新たに生成されたデータとを示す図である。図５に示すように、データ生成部１１２によってデータが生成されると、生成データ記憶部１１７は、生成データと、データ生成部１１２が生成したデータとを格納する。

データ生成部１１２は、本実施の形態では、シミュレーションモデル生成部１１１により生成されたシミュレーションモデルを用いて、構造物の定期診断を実施する期間よりも短い期間で定期診断が行われた場合に得られるデータとして、点検未実施年度の健全度及び点検記録を生成する。具体的には、シミュレーションモデル生成部１１１により生成されたシミュレーションモデルを用いて、点検未実施年度の健全度を、点検記録と供用環境情報とに基づいて、確率的に算出する。また、データ生成部１１２は、シミュレーションモデルを用いて、点検未実施年度の点検記録を、実施年度の点検記録に基づいて推定する。

具体的には、データ生成部１１２は、例えば、生成データに含まれる構造物の供用環境情報と点検記録と健全度と指定の経過年数とをシミュレーションモデルに入力する。そして、データ生成部１１２は、これによって得られた健全度推移確率に従って、健全度を算出する。なお、以降において、データ生成部１１２によって算出された健全度を「生成健全度」と表記し、他の健全度と区別することとする。

例えば、シミュレーションモデル生成部１１１が、シミュレーションモデルとして、「構造物の点検記録内に１ｍ^２の大きさの損傷があり、供用環境情報として大型車の一日平均交通量が５万台であり、現在の健全度２の場合に1年後の健全度が３になる確率は、８０％」を生成しているとする。この場合、データ生成部１１２は、学習データにおいて１ｍ^２以上の大きさの損傷を有し、健全度が２である構造物については、その健全度は１年後に８０％の確率で３となるので、健全度を「３」と算出する。

また、データ生成部１１２は、対象となる構造物の点検未実施年度の点検記録を、点検実施年度の点検結果を参照して生成する。例えば、データ生成部１１２は、各未実施年度以前で最新の実施された点検によって得られている点検記録を参照し、点検未実施年度の点検記録を補完する。また、データ生成部１１２は、点検記録の各項目それぞれに対応する物理的劣化モデル式を用い、これに、点検実施年度の点検記録を適応して、点検未実施年度の点検記録を補完しても良い。更に、データ生成部１１２は、当該年度前後の点検実施年度の点検記録を参照して、当該年度とそれぞれの点検実施年度との年数差で按分して、点検未実施年度の点検記録を生成しても良い。

予測モデル生成部１１３は、本実施の形態では、生成データ記憶部１１７から、それに予め格納されている生成データと新たに生成されたデータとを読み出し、読み出したこれらのデータを用いて（図４参照）、予測モデルを生成する。

具体的には、予測モデル生成部１１３は、まず、例えば、生成データ（新たに生成されたデータを含む）における過去の供用環境情報の各項目と点検記録の各項目と健全度とを説明変数とし、最新の健全度を目的変数として、重回帰分析法を実行する。そして、予測モデル生成部１１３は、重回帰分析の結果から、最新の健全度と過去の健全度と供用環境情報の各項目と点検記録の各項目との関係を表す数式を生成し、得られた数式を予測モデルとする。

例えば、１年後の健全度を予測する予測モデルを生成する場合には、予測モデル生成部１１３は、最新の健全度に対し、１年前の健全度と供用環境情報の各項目と点検記録の各項目とを説明変数とする。

また、予測モデル生成部１１３は、最新の健全度と過去の健全度と供用環境情報の各項目と点検記録の各項目との関係を表すことができれば、重回帰分析法以外の他の方法により予測モデルを生成することもできる。例えば、予測モデル生成部１１３は、劣化進行モデルで得られる確率（健全度推移確率）によって、データ生成部１１２が生成したデータに含まれる各値に対して重み付けを行なう事によって、予測モデルを生成することもできる。

また、予測モデル生成部１１３は、Support Vector Regression、又はDeep Learningによって予測モデルを生成しても良い。また、予測モデル生成部１１３は、if-thenルールの形で説明変数と目的変数との関係を表すC4.5アルゴリズムによって予測モデルを生成しても良い。

予測データ記憶部１１８は、劣化指標予測部１１４が予測の際に用いるデータ（以下「予測データ」と表記する。）を記憶する。予測データとしては、対象となる１以上の構造物における、予測する年度以前の年度毎の供用環境情報と、同年度毎の点検記録と、当該点検記録に対して判定された健全度とを含むデータが挙げられる。

図６は、本発明の実施の形態で用いられる予測データの一例を示す図である。図６の例では、予測データは、検査対象の構造物ＩＤ毎に、最新の年度における、供用環境情報と、最新の点検記録と、最新の健全度とを関連付けて構成されている。なお、ここでの供用環境情報及び点検記録は、学習データにおける供用環境情報及び点検記録と同様の項目で構成されている。予測データも、予めユーザ等によって予測データ記憶部１１８に格納される。

劣化指標予測部１１４は、本実施の形態では、予測モデル生成部１１３により生成された予測モデルを用いて、予測データ記憶部１１８から読みだした予測データに含まれる、予測対象の構造物の健全度を予測する。なお、以降において、劣化指標予測部１１４によって予測された健全度（劣化指標）を「予測健全度」とも表記する。

劣化指標予測部１１４は、例えば、予測データに含まれる構造物の最新の供用環境情報と最新の点検記録と最新の健全度を予測モデルに適用することで、健全度を予測する。具体的には、予測モデルとして、「構造物の点検記録内に１ｍ^２以上の大きさの損傷があり、供用環境情報として大型車の一日平均交通量が５万台であり、現在の健全度が２の場合に、予測される健全度は「３」というルールが定義されていると仮定する。

この場合、劣化指標予測部１１４は、予測データから、「１ｍ^２以上の大きさの損傷を有し、大型車の一日平均交通量が5万台で現在の健全度が「２」である」構造物を特定できると、この構造物の予測健全度を「３」と予測する。なお、予測モデルの生成に用いられた生成データにおいて健全度が整数で表される場合であっても、予測健全度は整数に限定されるものではない。

図７は、本発明の実施の形態において予測された予測健全度の一例を示す図である。図７に示すように、劣化指標予測部１１４は、将来における各構造物の健全度を予測している。なお、劣化指標予測部１１４は、予測データ記憶部１１８の予測データについて健全度を予測する代わりに、外部の機器を介してユーザ等から入力された予測データについて予測健全度を予測することもできる。

劣化指標提示部１１５は、劣化指標予測部１１４により予測された健全度を、劣化予測装置１００に接続された表示装置１１０の画面上に提示する。これにより、予測健全度がユーザ等に掲示される。また、劣化指標予測部１１４は、表示装置１１０の代わりに、ネットワークを介して劣化予測装置１００に接続された端末装置に対して、予測対象の構造物のＩＤのリスト（図７参照）を送信し、端末装置の画面上に、予測健全度を提示することもできる。

［動作説明］
次に、本実施の形態における劣化予測装置１００の動作について図８を用いて説明する。図８は、本発明の実施の形態における劣化予測装置の動作を示すフロー図である。以下の説明においては、適宜図１〜図７を参酌する。また、本実施の形態では、劣化予測装置１００を動作させることによって、劣化予測方法が実施される。よって、本実施の形態における劣化予測方法の説明は、以下の劣化予測装置１００の動作説明に代える。

図８に示すように、最初に、シミュレーションモデル生成部１１１は、学習データ記憶部１１６から学習データを読み出す（ステップＳ１０１）。続いて、シミュレーションモデル生成部１１１は、読みだした学習データを用いて、劣化進行モデル（シミュレーションモデル）を生成する（ステップＳ１０２）。

次に、データ生成部１１２は、生成データ記憶部１１７から生成データを読み出す（ステップＳ１０３）。続いて、データ生成部１１２は、シミュレーションモデルを用いて、生成データに含まれる、対象となる構造物の点検未実施の年度の健全度を算出し、同時に、点検未実施の年度の点検記録を推定する（ステップＳ１０４）。また、データ生成部１１２は、算出した健全度と推定した点検記録とを、生成データ記憶部１１７に格納する。

次に、予測モデル生成部１１３は、生成データ記憶部１１７から、予め格納されている生成データと、新たに生成されたデータ（生成健全度を含む）とを読み出す（ステップＳ１０５）。続いて、予測モデル生成部１１３は、読み出したデータを用いて、予測モデルを生成する（ステップＳ１０６）。

次に、劣化指標予測部１１４は、予測データ記憶部１１８から予測データを読み出す（ステップＳ１０７）。続いて、劣化指標予測部１１４は、予測モデルを用いて、予測データに含まれる、予測対象の構造物の予測健全度を予測する（ステップＳ１０８）。

次に、劣化指標提示部１１５は、ステップＳ１０８で予測された予測対象の構造物の予測健全度を、表示装置１１０の画面上に提示する（ステップＳ１０９）

［具体例］
次に、本実施の形態における劣化予測装置１００の動作の具体例について説明する。また、以下の説明では、学習データ記憶部１１６には、図３に示す学習データが格納されており、生成データ記憶部１１７には、図４に示す生成データが格納されているとする。更に、予測データ記憶部１１８には、図６に示す予測データが格納されており、当該予測データに含まれる構造物ＩＤが２０１〜２０４の構造物を予測対象として、２０１７年度の健全度の予測が行なわれるとする。

まず、シミュレーションモデル生成部１１１は、図３に示す学習データに含まれる構造物ＩＤが１〜１００の構造物について、１９９１年〜２０１６年の間の５年毎の点検記録、供用環境情報、及び、健全度を取得する。次に、シミュレーションモデル生成部１１１は、取得したデータを用いて、シミュレーションモデルであるマルコフ劣化ハザードモデル（非特許文献２参照）による推定を実行する。

具体的には、シミュレーションモデル生成部１１１は、供用環境情報と点検記録の各項目を共変量として用い、現在の健全度がiである場合のｔ年後に健全度へ推移する確率が下記の数１で表されるシミュレーションモデルを生成する。

上記数１において、ｐ（ｔ年後の健全度＝ｊ│現在の健全度＝ｉ）は、健全度iからｔ年後の健全度ｊに推移する確率を示している。ｘ_ｐ（ｐ＝１，２，３，．．．，Ｐ）はそれぞれ点検記録の各項目及び供用環境情報の各項目を表している。ｗ_ａ，ｐ（ａ＝１，２，．．．，ｊ）はデータから推定される点検記録の各項目及び供用環境情報の各項目に対する係数である。ただし、ｘ₀は１であり、ｗ_ａ，0は定数項である。

次に、データ生成部１１２は、生成データ記憶部１１７から、図４に示した生成データを読み出す。続いて、データ生成部１１２は、図５に示すように、読み出した生成データに含まれる構造物ＩＤ１０１〜２００の各構造物について、点検未実施の年度について、シミュレーションモデルの健全度推移確率に基づいて、確率的に生成健全度を算出する。また、データ生成部１１２は、点検未実施年度の点検記録を、各未実施年度以前で最新の実施された点検によって得られている点検記録を参照して、推定する。

例えば、データ生成部１１２は、２０１３年の点検記録の各項目について、２０１１年の点検記録を参照して、推定する。また、データ生成部１１２は、点検記録の各項目それぞれに対応する物理的劣化モデル式を用いて、推定しても良い。更に、データ生成部１１２は、当該年度前後の点検実施年度の点検記録を参照して、当該年度とそれぞれの点検実施年度との年数差で按分して補完しても良い。

次に、予測モデル生成部１１３は、図５に示した生成データと新たに生成したデータとを読み出し、読み出したデータに含まれる構造物ＩＤが１０１〜２００の構造物について、全年度の点検記録と供用環境情報と健全度とを用いて、最小二乗法による線形回帰分析を実行する。

具体的には、予測モデル生成部１１３は、各年度の点検結果と供用環境情報の各項目と当該年度の健全度とを説明変数、当該年度の1年後の健全度を目的変数として用い、各構造物の各年度を生成データの１サンプルとして、予測モデルを構築する。予測モデルは、例えば、下記の数２によって表される。

上記数２において、ｙ＿（ｔ＋１）は1年後の健全度を表し、ｘ＿１からｘ＿Ｐはそれぞれ当該年度の点検記録と供用環境情報の各項目とを表す。また、ｙ＿ｔは当該年度の健全度を表し、Ｂ＿ｔ、Ａ＿１〜Ａ＿Ｐはそれぞれ回帰係数を表し、Ａ＿０は定数項を表す。

また、予測モデル生成部１１３は通常の最小二乗法による線形回帰分析を実行する際、代わりに、シミュレーションモデルの健全度推移確率を重みとした重み付き最小二乗法による線形回帰分析を実行しても良い。例えば、データ生成部１１２が作成した補完データにおいて、構造物ＩＤが１０１の構造物の１９９２年度における健全度が、５０％の推移確率でＩＩとなっていたとする。この場合、予測モデル生成部１１３は、そのサンプルに対する重みを０．５として、重み付き最小二乗法による線形回帰分析を行なう。

劣化指標予測部１１４は、このようにして作成した予測モデルを用いて、図６に示した予測データを用い、それに含まれる構造物ＩＤが２０１〜２０４の各構造物について、図７に示すように、予測健全度を算出する。

また、劣化指標提示部１１５は、図９に示す画面を表示装置１１０の画面上に表示させる。図９は、本発明の実施の形態における、予測結果の出力画面の一例を示す図である。図９の例では、出力画面において、劣化指標提示部１１５は、データ生成部１１２で用いられるシミュレーションモデルを参照して、過去の点検未実施年度の健全度を補完することで、過去の点検から将来までを含む任意の期間の健全度の推移をグラフで表示している。

ユーザ等は、図９の出力画面を参照することで、優先的に補修すべき構造物の決定を効率的に行なうことができる。図９の例では、２つの構造物（橋梁）についての健全度の推移がグラフで表示されている。図９において、灰色の丸形は、一方の橋梁のシミュレーションモデルによって生成された健全度を表している。灰色の四角形とは、他方の橋梁のシミュレーションモデルによって生成された健全度を表している。

また、２０１１年度及び２０１６年度における黒色の四角形（■）と黒色の丸形（●）は、実際の定期診断で得られた２つの橋梁の健全度を表している。更に、２０１７年度における黒色の四角形（■）と白抜きの四角形（□）は、それぞれ２つの橋梁の予測健全度を表している。また、図９中の２本の破線は、それぞれ、二つの橋の健全度推移を、各年度の各橋梁の健全度からスプライン補間などによって図示したものである。

なお、劣化指標提示部１１５によって提示される画面は、図９に示した出力画面に限らず、予測健全度を認識できる画面であれば良く、例えば、図7に示した、予測対象の構造物毎に予測健全度が示されたリストを示す画面であっても良い。

［実施の形態による効果］
本実施の形態によれば、人に頼らず自動的に任意の年数が経過した際の健全度の予測を行なうことができる。その理由は、データ生成部１１２が、シミュレーションモデルに基づき、学習対象の構造物の各年度の健全度を生成し、予測モデル生成部１１３が、任意の年数が経過した場合の健全度の予測モデルを生成し、劣化指標予測部１１４が、予測モデルに基づき、予測対象の構造物の予測健全度を算出するからである。また、この結果、ユーザ等は、人手による処理を行なうことなく、任意の年度の健全度の予測結果を得ることができる。

［プログラム］
本実施の形態におけるプログラムは、コンピュータに、図８に示すステップＳ１０１〜Ｓ１０９を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態における劣化予測装置１００と劣化予測方法とを実現することができる。この場合、コンピュータのＣＰＵ（Central Processing Unit）は、シミュレーションモデル生成部１１１、データ生成部１１２、予測モデル生成部１１３、劣化指標予測部１１４、及び劣化指標提示部１１５として機能し、処理を行なう。

また、本実施の形態では、学習データ記憶部１１６、生成データ記憶部１１７、及び予測データ記憶部１１８は、コンピュータに備えられたハードディスク等の記憶装置に、これらを構成するデータファイルを格納することによって、又はこのデータファイルが格納された記録媒体をコンピュータと接続された読取装置に搭載することによって実現できる。

また、本実施の形態におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、シミュレーションモデル生成部１１１、データ生成部１１２、予測モデル生成部１１３、劣化指標予測部１１４、及び劣化指標提示部１１５のいずれかとして機能しても良い。また、学習データ記憶部１１６、生成データ記憶部１１７、及び予測データ記憶部１１８は、本実施の形態におけるプログラムを実行するコンピュータとは別のコンピュータ上に構築されていても良い。

［物理構成］
ここで、本実施の形態におけるプログラムを実行することによって、劣化予測装置１００を実現するコンピュータについて図１０を用いて説明する。図１０は、本発明の実施の形態における劣化予測装置を実現するコンピュータの一例を示すブロック図である。

図１０に示すように、コンピュータ２１０は、ＣＰＵ２１１と、メインメモリ２１２と、記憶装置２１３と、入力インターフェイス２１４と、表示コントローラ２１５と、データリーダ／ライタ２１６と、通信インターフェイス２１７とを備える。これらの各部は、バス２１９を介して、互いにデータ通信可能に接続される。

ＣＰＵ２１１は、記憶装置２１３に格納された、本実施の形態におけるプログラム（コード）をメインメモリ２１２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ２１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。また、本実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体２２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス２１７を介して接続されたインターネット上で流通するものであっても良い。

また、記憶装置２１３の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス２１４は、ＣＰＵ２１１と、キーボード及びマウスといった入力機器２１８との間のデータ伝送を仲介する。表示コントローラ２１５は、表示装置１１０と接続され、表示装置１１０での表示を制御する。

データリーダ／ライタ２１６は、ＣＰＵ２１１と記録媒体２２０との間のデータ伝送を仲介し、記録媒体２２０からのプログラムの読み出し、及びコンピュータ２１０における処理結果の記録媒体２２０への書き込みを実行する。通信インターフェイス２１７は、ＣＰＵ２１１と、他のコンピュータとの間のデータ伝送を仲介する。

また、記録媒体２２０の具体例としては、ＣＦ（Compact Flash（登録商標））及びＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記録媒体、又はＣＤ−ＲＯＭ（Compact Disk Read Only Memory）などの光学記録媒体が挙げられる。

また、本実施の形態における劣化予測装置１００は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェア、例えば、電気回路（circuitry）を用いることによっても実現可能である。更に、劣化予測装置１００は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。なお、ここで、電気回路（circuitry）とは、単一のデバイス（single device）、複数のデバイス（multiple devices）、チップセット（chipset）、または、クラウド（cloud）を概念的に含む。

上述した実施の形態の一部又は全部は、以下に記載する（付記１）〜（付記１２）によって表現することができるが、以下の記載に限定されるものではない。

（付記１）
対象の劣化の進行をシミュレーションする劣化進行モデルを用いて、前記対象の定期診断を実施する期間よりも短い期間で定期診断が行われた場合に得られるデータを生成する、データ生成部と、
生成された前記データを用いて、前記対象の特定の時点での劣化状態を示す劣化指標を予測するための予測モデルを生成する、予測モデル生成部と、
前記予測モデルに基づいて、前記対象の将来の劣化指標を予測する、劣化指標予測部と、
を備えている、ことを特徴とする劣化予測装置。

（付記２）
前記劣化進行モデルは、前記対象の定期診断の結果、前記対象を劣化させる要因を特定する劣化要因情報、及び前記定期診断の結果に基づいて付与された前記劣化指標に基づいて、統計的に作成されている、
付記１に記載の劣化予測装置。

（付記３）
前記対象は、インフラ構造物であり、
前記劣化進行モデルは、前記定期診断の結果として、前記インフラ構造物に対して定期的に行なわれた点検記録を用い、更に、前記劣化要因情報として、前記インフラ構造物が供されている環境を特定する供用環境情報を用いて、統計的に作成され、
前記劣化指標予測部は、前記対象の点検記録、供用環境情報、及び劣化指標を、前記予測モデルに適用して、前記対象の将来の劣化指標を予測する、
付記２に記載の劣化予測装置。

（付記４）
前記予測モデル生成部は、前記劣化進行モデルで得られる確率によって、前記データ生成部が生成した前記データに含まれる各値に対して重み付けを行なうことによって、前記予測モデルを生成する、付記３に記載の劣化予測装置。

（付記５）
（ａ）対象の劣化の進行をシミュレーションする劣化進行モデルを用いて、前記対象の定期診断を実施する期間よりも短い期間で定期診断が行われた場合に得られるデータを生成する、ステップと、
（ｂ）生成された前記データを用いて、前記対象の特定の時点での劣化状態を示す劣化指標を予測するための予測モデルを生成する、ステップと、
（ｃ）前記予測モデルに基づいて、前記対象の将来の劣化指標を予測する、ステップと、
を有する、ことを特徴とする劣化予測方法。

（付記６）
前記劣化進行モデルは、前記対象の定期診断の結果、前記対象を劣化させる要因を特定する劣化要因情報、及び前記定期診断の結果に基づいて付与された前記劣化指標に基づいて、統計的に作成されている、
付記５に記載の劣化予測方法。

（付記７）
前記対象が、インフラ構造物であり、
前記劣化進行モデルは、前記定期診断の結果として、前記インフラ構造物に対して定期的に行なわれた点検記録を用い、更に、前記劣化要因情報として、前記インフラ構造物が供されている環境を特定する供用環境情報を用いて、統計的に作成され、
前記（ｃ）のステップにおいて、前記対象の点検記録、供用環境情報、及び劣化指標を、前記予測モデルに適用して、前記対象の将来の劣化指標を予測する、
付記６に記載の劣化予測方法。

（付記８）
前記（ｂ）のステップにおいて、前記劣化進行モデルで得られる確率によって、前記（ａ）のステップで生成した前記データに含まれる各値に対して重み付けを行なうことによって、前記予測モデルを生成する、
付記７に記載の劣化予測方法。

（付記９）
コンピュータに、
（ａ）対象の劣化の進行をシミュレーションする劣化進行モデルを用いて、前記対象の定期診断を実施する期間よりも短い期間で定期診断が行われた場合に得られるデータを生成する、ステップと、
（ｂ）生成された前記データを用いて、前記対象の特定の時点での劣化状態を示す劣化指標を予測するための予測モデルを生成する、ステップと、
（ｃ）前記予測モデルに基づいて、前記対象の将来の劣化指標を予測する、ステップと、
を実行させるプログラム。

（付記１０）
前記劣化進行モデルは、前記対象の定期診断の結果、前記対象を劣化させる要因を特定する劣化要因情報、及び前記定期診断の結果に基づいて付与された前記劣化指標に基づいて、統計的に作成されている、
付記９に記載のプログラム。

（付記１１）
前記対象が、インフラ構造物であり、
前記劣化進行モデルは、前記定期診断の結果として、前記インフラ構造物に対して定期的に行なわれた点検記録を用い、更に、前記劣化要因情報として、前記インフラ構造物が供されている環境を特定する供用環境情報を用いて、統計的に作成され、
前記（ｃ）のステップにおいて、前記対象の点検記録、供用環境情報、及び劣化指標を、前記予測モデルに適用して、前記対象の将来の劣化指標を予測する、
付記１０に記載のプログラム。

（付記１２）
前記（ｂ）のステップにおいて、前記劣化進行モデルで得られる確率によって、前記（ａ）のステップで生成した前記データに含まれる各値に対して重み付けを行なう事によって、前記予測モデルを生成する、付記１１に記載のプログラム。

以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

以上のように、本発明によれば、人手によることなく、実施されている定期診断の間隔よりも短い間隔で、構造物等の対象の劣化の状態を予測することができる。本発明は、構造物、更には生体の経時的な劣化及び損傷を推定するシステムに有用である。

１００劣化予測装置
１１０表示装置
１１１シミュレーションモデル生成部
１１２データ生成部
１１３予測モデル生成部
１１４劣化指標予測部
１１５劣化指標提示部
１１６学習データ記憶部
１１７生成データ記憶部
１１８予測データ記憶部
２１０コンピュータ
２１１ＣＰＵ
２１２メインメモリ
２１３記憶装置
２１４入力インターフェイス
２１５表示コントローラ
２１６データリーダ／ライタ
２１７通信インターフェイス
２１８入力機器
２１９バス
２２０記録媒体

Claims

複数の構造物ごとに、前記構造物を識別する識別子と、点検の実施時期を表す点検時点情報と、前記構造物の点検記録を表す第一の点検記録情報と、前記構造物が供されている環境の状態を表す供用環境情報と、前記構造物の健全の程度を表す第一の健全度情報とが関連付けられた学習データを用いて、あらかじめ生成された生成データに含まれている点検を実施していない期間の点検記録を推定するための劣化進行モデルを生成する、シミュレーションモデル生成部と、
前記生成データに含まれる、前記第一の点検記録情報と、前記供用環境情報と、前記第一の健全度情報と、指定された経過時期を表す情報とを、劣化進行モデルに入力して、前記生成データに含まれる点検を実施していない時期における点検記録と健全度を推定し、推定した前記点検記録を表す第二の点検記録情報と、推定した前記健全度を表す第二の健全度情報を用いて前記生成データを補完する、データ生成部と、
補完された前記生成データに含まれる、前記第一の点検記録情報と、前記第二の点検記録情報と、前記第一の健全度情報と、前記第二の健全度情報との関係を表す予測モデルを生成する、予測モデル生成部と、
対象とする構造物を識別する識別子と、最新の点検の実施時期における、最新の点検時点情報と、最新の点検記録情報と、最新の供用環境情報と、最新の健全度情報とが関連付けられた予測データを、前記予測モデルに入力して、対象とする前記構造物の健全度を予測する、劣化指標予測部と、
を有する劣化予測装置。
請求項１に記載の劣化予測装置であって、
前記劣化進行モデルは、前記学習データにおける、前記供用環境情報に含まれる一つ以上の前記構造物の供用状態を表す供用状態情報と、一つ以上の前記点検記録情報に含まれる一つ以上の前記構造物に生じた損傷の状態を表す損傷状態情報とを共変量とした、マルコフ劣化ハザードモデルである
劣化予測装置。
（ａ）複数の構造物ごとに、前記構造物を識別する識別子と、点検の実施時期を表す点検時点情報と、前記構造物の点検記録を表す第一の点検記録情報と、前記構造物が供されている環境の状態を表す供用環境情報と、前記構造物の健全の程度を表す第一の健全度情報とが関連付けられた学習データを用いて、あらかじめ生成された生成データに含まれている点検を実施していない期間の点検記録を推定するための劣化進行モデルを生成する、ステップと、
（ｂ）前記生成データに含まれる、前記第一の点検記録情報と、前記供用環境情報と、前記第一の健全度情報と、指定された経過時期を表す情報とを、劣化進行モデルに入力して、前記生成データに含まれる点検を実施していない時期における点検記録と健全度を推定し、推定した前記点検記録を表す第二の点検記録情報と、推定した前記健全度を表す第二の健全度情報を用いて前記生成データを補完する、ステップと、
（ｃ）補完された前記生成データに含まれる、前記第一の点検記録情報と、前記第二の点検記録情報と、前記第一の健全度情報と、前記第二の健全度情報との関係を表す予測モデルを生成する、ステップと、
（ｄ）対象とする構造物を識別する識別子と、最新の点検の実施時期における、最新の点検時点情報と、最新の点検記録情報と、最新の供用環境情報と、最新の健全度情報とが関連付けられた予測データを、前記予測モデルに入力して、対象とする前記構造物の健全度を予測する、ステップと、
を有する劣化予測方法。
請求項３に記載の劣化予測方法であって、
前記劣化進行モデルは、前記学習データにおける、前記供用環境情報に含まれる一つ以上の前記構造物の供用状態を表す供用状態情報と、一つ以上の前記点検記録情報に含まれる一つ以上の前記構造物に生じた損傷の状態を表す損傷状態情報とを共変量とした、マルコフ劣化ハザードモデルである
劣化予測方法。
コンピュータに、
（ａ）複数の構造物ごとに、前記構造物を識別する識別子と、点検の実施時期を表す点検時点情報と、前記構造物の点検記録を表す第一の点検記録情報と、前記構造物が供されている環境の状態を表す供用環境情報と、前記構造物の健全の程度を表す第一の健全度情報とが関連付けられた学習データを用いて、あらかじめ生成された生成データに含まれている点検を実施していない期間の点検記録を推定するための劣化進行モデルを生成する、ステップと、
（ｂ）前記生成データに含まれる、前記第一の点検記録情報と、前記供用環境情報と、前記第一の健全度情報と、指定された経過時期を表す情報とを、劣化進行モデルに入力して、前記生成データに含まれる点検を実施していない時期における点検記録と健全度を推定し、推定した前記点検記録を表す第二の点検記録情報と、推定した前記健全度を表す第二の健全度情報を用いて前記生成データを補完する、ステップと、
（ｃ）補完された前記生成データに含まれる、前記第一の点検記録情報と、前記第二の点検記録情報と、前記第一の健全度情報と、前記第二の健全度情報との関係を表す予測モデルを生成する、ステップと、
（ｄ）対象とする構造物を識別する識別子と、最新の点検の実施時期における、最新の点検時点情報と、最新の点検記録情報と、最新の供用環境情報と、最新の健全度情報とが関連付けられた予測データを、前記予測モデルに入力して、対象とする前記構造物の健全度を予測する、ステップと、
を実行させるプログラム。
請求項５に記載のプログラムであって、
前記劣化進行モデルは、前記学習データにおける、前記供用環境情報に含まれる一つ以上の前記構造物の供用状態を表す供用状態情報と、一つ以上の前記点検記録情報に含まれる一つ以上の前記構造物に生じた損傷の状態を表す損傷状態情報とを共変量とした、マルコフ劣化ハザードモデルである
プログラム。