JP7097274B2

JP7097274B2 - 地盤予測システム

Info

Publication number: JP7097274B2
Application number: JP2018184401A
Authority: JP
Inventors: 文久吉田; 拓馬西
Original assignee: Daiwa House Industry Co Ltd
Current assignee: Daiwa House Industry Co Ltd
Priority date: 2018-09-28
Filing date: 2018-09-28
Publication date: 2022-07-07
Anticipated expiration: 2038-09-28
Also published as: JP2020051213A

Description

本発明は、建設予定の未設建物の建設予定地の地盤の状態を予測する地盤予測システムに関する。

従来から、建設予定の未設建物の建設予定地の地盤の状態を予測することが成されている。たとえば、特許文献１に示す技術では、建設予定地の地盤調査データに基づいて、設定された処理手順に従い基礎判定及び地盤補強工法の選定を行うことにより、総合的な基礎の選定している。具体的には、この地盤予測方法では、資料調査結果データ入力工程と、現地踏査結果データ入力工程と、貫入試験結果データ入力工程と、基礎選定工程と、地盤支持力度判定工程と、地盤沈下判定工程と、からなり、地盤補強が必要か否かの基礎判定をシステム（地盤予測システム）により行っている。

特開２００３－２６８７５６号公報

しかしながら、特許文献１に示す地盤予測システムでは、確かに、貫入試験結果データ等から、建設予定とされる建物の支持力度を判定しているが、この判定の基準は、これまでの構造設計者の過去の経験に基づいて設定されることが多く、地盤沈下の状態の予測がバラツキ易い。

本発明は、このような点を鑑みてなされたものであり、本発明では、建設予定地における未設建物の地盤沈下の状態をより正確に予測し、結果として、未設建物に対して適切な基礎形式を選択することができる地盤予測システムを提供する。

前記課題を鑑みて、本願発明は、建設予定の未設建物の地盤沈下の状態を予測する地盤予測システムであって、前記地盤予測システムは、これまでに建設された既設建物の用途を数値化して設定された用途パラメータの値、前記既設建物の階数、前記既設建物の建築面積、および前記既設建物に選択された基礎形式を数値化して設定された基礎パラメータの値、を含む前記既設建物の建物条件の値と、前記既設建物の建設地のボーリング試験により得られた、地表からの深度、前記深度に応じた土質を数値化して設定された土質パラメータの値、および前記深度に応じた標準貫入試験におけるＮ値、を含む前記既設建物の地盤条件の値と、を入力値とし、前記既設建物の地盤沈下の状態を数値化して設定された地盤状態パラメータの値を出力値とし、複数の前記既設建物の前記入力値に対して算出される前記出力値が、前記各既設建物で実際に測定された地盤状態パラメータの値に収束するように、前記地盤状態パラメータの算出が機械学習により学習された算出部を備えており、前記算出部は、前記未設建物の用途パラメータの値、前記未設建物の階数、前記未設建物の建築面積、および前記未設建物の基礎パラメータの値、を含む前記未設建物の建物条件の値と、前記未設建物の建設予定地の地表からの深度、前記深度に応じた土質パラメータの値、および前記深度に応じたＮ値、を含む前記未設建物の地盤条件の値とが、前記未設建物の入力値として入力され、入力された前記未設建物の入力値から、前記未設建物の地盤状態パラメータの値を算出し、算出した前記未設建物の前記地盤状態パラメータの値を出力値として出力することを特徴とする。

本発明によれば、算出部は、これまでに建設された既設建物の建物条件の値と、既設建物の地盤条件の値とから、数値化されて設定された既設建物の地盤沈下の状態のパラメータの値の算出を学習したものである。したがって、建設予定の未設建物の建物条件の値と、未設建物の（建設予定地の）地盤条件の値とから、地盤沈下の状態のパラメータの値（すなわち地盤沈下の程度）をより正確に算出することができる。

また、既設建物または未設建物の用途パラメータの値、既設建物または未設建物の階数、既設建物または未設建物の建築面積、および既設建物または未設建物の基礎パラメータの値は、基礎から地盤に作用する荷重に関連する値であり、これらの値を入力値とすることにより、この荷重が、既設建物の建設地または未設建物の建設予定地の地盤状態パラメータに反映されることになる。

さらに、既設建物の建設地または未設建物の建設予定地のボーリング試験により得られた、地表からの深度、深度に応じた土質を数値化して設定された土質パラメータの値、および深度に応じた標準貫入試験におけるＮ値、を含む地盤条件の値は、既設建物または未設建物の基礎から作用する荷重の支持力に関連する値であり、これらの値を入力値とすることにより、この支持力が、地盤状態パラメータに反映されることになる。

より好ましい態様としては、前記既設建物の地域を数値化して設定された地域パラメータの値、または、前記既設建物の位置情報を数値化した位置情報パラメータの値を、前記既設建物の前記建物条件の値にさらに含めて、前記算出部は前記既設建物の前記地盤状態パラメータの算出が学習されたものであり、前記算出部は、前記未設建物の地域パラメータの値、または、前記未設建物の位置情報パラメータの値が、前記未設建物の入力値としてさらに入力され、前記未設建物の前記地盤状態パラメータの値を算出する。

一般的に、既設建物の地域またはその位置によっては、その地形等が起因して、既設建物の地盤沈下の状態が、他の地域または他の位置で建設された既設建物の地盤沈下の状態と、大きく異なることがある。従って、この態様では、これらの既設建物の地域またはその位置を、地域パラメータの値または位置情報パラメータとして数値化し、設定する。これにより、未設建物に対して、建設予定地の地域またはその位置による特有の地盤沈下の影響を反映することができる。

より好ましい態様としては、前記算出部は、前記既設建物または前記未設建物の一方の前記建物条件の値と前記一方の前記地盤条件の値とを入力値とし、前記一方の前記地盤状態パラメータの値を出力値として算出するニューラルネットワークを備え、前記ニューラルネットワークは、前記一方の前記建物条件の値と前記一方の前記地盤条件の値とが入力される入力層ニューロン素子を含む入力層と、前記一方の前記地盤状態パラメータの値を出力する出力層ニューロン素子を含む出力層と、前記入力層と前記出力層との間に設けられた複数の中間層ニューロン素子を含む複数の中間層と、を備えており、前記中間層ニューロン素子は、前記入力層ニューロン素子または前記入力層側の中間層ニューロン素子から入力されるニューロンパラメータの値を用いて所定の演算をし、演算したニューロンパラメータの値に、重み付け係数を乗算して、前記出力層ニューロン素子または前記出力層側の中間層ニューロン素子に出力するものである。この態様によれば、ニューラルネットワークを用いることにより、より客観的に、地盤状態パラメータの値を正確に算出することができる。

ここで、本発明では、算出部のニューラルネットワークは、前記既設建物のデータに基づいて学習が完了したプログラムを用いて、前記未設建物の地盤状態パラメータの値を算出してもよいが、より好ましい態様としては、前記ニューラルネットワークは、前記既設建物の前記地盤状態パラメータの値が、前記既設建物の実際に測定された前記地盤状態パラメータに対して所定の範囲に収束するまで、前記重み付け係数を補正することにより、前記算出部の学習を行う。

この態様によれば、算出部に、学習機能を設けることにより、既設建物の地盤状態パラメータの値を、実際に測定された既設建物の地盤状態パラメータに対して所定の範囲に収束させることができるばかりでなく、建設予定の未設建物を新たに建設した後に、この建設した建物の地盤状態のパラメータを測定すれば、新たに建設した建物について、同様の学習を行うことができる。

本発明によれば、建設予定地における未設建物の地盤沈下の状態をより正確に予測し、結果として、未設建物に対して適切な基礎形式を選択することができる。

本発明の実施形態に係る地盤予測システムを説明するための模式的概念図である。基礎構造の一例を説明するための模式図である。図１に示す演算装置（算出部）のニューラルネットワークの模式的概念図である。

以下、本発明の実施形態に係る地盤予測システムを、図面を参照しながら説明する。

図１は、本発明の実施形態に係る地盤予測システムを説明するための模式的概念図である。図２は、基礎構造の一例を説明するための模式図である。図３は、図１に示す演算装置（算出部）のニューラルネットワークの模式的概念図である。

本実施形態に係る地盤予測システム１は、たとえば、端末６を用いて、建設予定となる未設建物の地盤沈下の状態を予測するものである。以下に、地盤予測システム１を説明する。

地盤予測システム１は、記憶装置３および演算装置４にデータを入力するキーボードなどの入力装置２と、未設建物の地盤沈下の状態を予測するためのプログラムが記憶されたＲＯＭまたはＲＡＭ等からなる記憶装置３と、未設建物の地盤沈下を予測するＣＰＵ等からなる演算装置４と、を備えている。

演算装置４には、建設予定の未設建物の建物条件の値および建設予定の未設建物の地盤条件の値が入力値として入力され、入力された入力値から、建設予定の未設建物の地盤状態パラメータの値を算出し、算出した地盤状態パラメータの値を出力値として出力する算出部４２を備えている。なお、本実施形態では、算出部４２は、既設建物の建物条件の値および既設建物の地盤条件の値から、既存建物の地盤状態パラメータの算出を学習する機能をも有する。

まず、既設建物の地盤沈下の算出を学習する際に地盤予測システム１に入力される既設建物の建物条件の値および既設建物の地盤条件の値、地盤予測システム１から出力される既設建物の地盤状態パラメータの値について説明する。また、未設建物の地盤沈下の状態を予測する際に、地盤予測システム１に入力される未設建物の建物条件の値および未設建物の地盤条件の値、地盤予測システム１から出力される未設建物の地盤状態パラメータの値も同様であるので、これらも合わせて説明する。以下の説明では、これらのそれぞれの値は、同じパラメータであるので「既設建物または未設建物」の値として説明する。

図１に示すように、既設建物または未設建物の建物条件の値は、（１）既設建物または未設建物の用途を数値化して設定された用途パラメータの値、（２）既設建物または未設建物の階数、（３）既設建物または未設建物の建築面積、および（４）既設建物または未設建物に選択された基礎形式を数値化して設定された基礎パラメータの値、を含む。

「用途パラメータ」は、既設建物または未設建物の用途に応じたパラメータであり、その用途が、たとえば、病院、学校、工場、またはオフィスビル等に合わせて、既設建物または未設の重量が変動することから、これらの用途に応じて数値化され、設定されている。たとえば、用途パラメータは、地番沈下し難い用途の順に、小さい数値となるように数値が割り当てられている。

「建物階数」は、既設建物または未設建物の階数であり、「建物面積」は、既設建物または未設建物の基礎部分に相当する面積である。

「基礎パラメータ」は、既設建物または未設建物に選択された基礎形式を数値化して設定されたパラメータである。具体的には、図２に示すように、杭１１Ａを設けた直接基礎構造１０Ａ、杭１１Ｂを設けたパイル・ドラフト基礎構造１０Ｂ、摩擦杭１１Ｃによる杭基礎構造１０Ｃ、支持層Ｇにより支持される支持杭１１Ｄによる杭基礎構造１０Ｄを挙げることができ、これらの基礎形式（基礎構造の形式）を数値化して設定される。たとえば、地番沈下し難い基礎構造の順に、小さい数値となるように数値が割り当てられている。

さらに、杭基礎構造１０Ｃの場合には、摩擦杭１１Ｃの長さ、摩擦杭１１Ｃの種類等により、さらに、地番沈下し難い順に、これに応じた大きさの数値が設定されてもよい。さらに、図２に示す基礎構造の他にも、例えば、セメントミルクにより地盤改良された基礎構造等を含んでもよく、この構造にも、上述した如き数値が設定される。

さらに、建物条件の値に、既設建物または未設建物の地域を数値化して設定された地域パラメータを含んでもよい。具体的には、地域ごとの地形に起因して、地盤沈下し易い地域が分かっており、「地域パラメータ」は、既設建物または未設建物の地域ごとに、地盤沈下し難い地域順に、小さい数値となるように数値が割り当てられている。この地域パラメータの代わりに、既設建物または未設建物の位置情報を数値化した位置情報パラメータの値を、入力値として含んでもよい。位置情報パラメータは、たとえば、既設建物または未設建物の緯度と経度に応じて設定されたパラメータである。

建設された既設建物の地域またはその位置によっては、その地形等が起因して、既設建物の地盤沈下の状態が、他の建物の地域または他の位置で建設された既設建物の地番沈下の状態と、大きく異なることがある。従って、既設建物または未設建物の地域またはその位置を、地域パラメータの値または位置情報パラメータとして数値化し、設定することで、後述する建設予定地の地域またはその位置に特有の地盤沈下の影響を反映することができる。

既設建物または未設建物の地盤条件の値は、（５）既設建物または未設建物の建物が建設された建設地または建設予定地のボーリング試験により得られた、地表からの深度、（６）深度に応じた土質を数値化して設定された土質パラメータの値、および（７）深度に応じた標準貫入試験におけるＮ値、を含む。

具体的には、ボーリング試験において、例えば、地表からの深度に応じて、土質の種類が調査される。ここで、「土質パラメータ」とは、土質ごとに数値化されて設定されたパラメータである。たとえば、土質には、粘土、シルト、細砂、粗砂、細礫、中礫、粗礫、コブル、またはボルタなどを挙げることができ、この土質ごとに、数値化されている。たとえば、土質の種類に応じた粒度分布に対応する数値が、設定されていてもよい。たとえば、土質の種類に応じた粒度分布が大きくなるに従って、建物からの荷重を支持する支持力が大きい（地盤沈下し難い）ことから、この順に、小さい数値となるように数値が割り当てられている。

「標準貫入試験におけるＮ値」とは、標準貫入試験（ＪＩＳＡ１２１９に準拠した試験）で測定されたＮ値、スウェーデン式サウンディング試験（ＪＩＳＡ１２１２に準拠した試験）に基づく換算Ｎ値などを挙げることができ、Ｎ値が大きいほど、建物からの荷重を支持する支持力が大きい。

既設建物または未設建物の地盤条件の値としては、所定の深度ごとに、その深度と、深度に応じた土質を数値化して設定された土質パラメータの値、および、深度に応じた標準貫入試験におけるＮ値が入力される。たとえば、既設建物または未設建物ごとに、深度Ｎ１と、深度Ｎ１に応じた土質を数値化して設定された土質パラメータの値、および、深度Ｎ１に応じた標準貫入試験におけるＮ値が入力される。続けて、深度Ｎ２と、深度Ｎ２に応じた土質を数値化して設定された土質パラメータの値、および、深度Ｎ２に応じた標準貫入試験におけるＮ値が入力される。さらに、深度Ｎ３、Ｎ４、…の場合も同様に行う。

「地盤状態パラメータ」は、建物の地盤沈下の状態を数値化して設定された値であり、例えば、この値が小さいほど地盤沈下がし難いような数値に設定されている。

本実施形態では、算出部４２は、これまでに建設された複数の既設建物Ａ、Ｂ、Ｃ、…の入力値に対して算出される出力値が、各既設建物Ａ、Ｂ、Ｃ、…で実際に測定された地盤状態パラメータの値に収束するように、地盤状態パラメータの算出を機械学習により学習する。

この学習は、例えば、入力値の数に応じた変数からなる所定の数式に対して、各変数に乗じられる変数を、繰り返し補正することにより行ってもよい。本実施形態では、図３に示すように、算出部４２は、ディープニューラルネットワーク（ＤＮＮ）：以下「ニューラルネットワーク」という）４３を備えており、ニューラルネットワーク４３は、既設建物または未設建物の建物条件の値と地盤条件の値とを入力値とし、地盤状態パラメータの値を出力値として算出するものである。

具体的には、ニューラルネットワーク４３は、入力層４３Ａを有している。入力層４３Ａは、既設建物または未設建物のそれぞれに対して、（１）用途パラメータの値、（２）建物の階数、（３）建物の建築面積、（４）基礎パラメータの値、（５）地表からの深度Ｎ１、（６）深度Ｎ１に応じた土質パラメータの値、（７）深度Ｎ１に応じたＮ値、（８）地表からの深度Ｎ２、（９）深度Ｎ２に応じた土質パラメータの値、および（１０）深度Ｎ２に応じたＮ値…、等、入力値に合わせた個数の入力層ニューロン素子４３ａを含む。この入力層４３Ａの入力層ニューロン素子４３ａは、入力する条件データの種類に応じて、増やすことができる。

ニューラルネットワーク４３は、出力層４３Ｅを有している。出力層４３Ｅは、地盤状態パラメータを出力する１つの出力層ニューロン素子４３ｅを含む。ニューラルネットワーク４３は、３つの中間層４３Ｂ、４３Ｃ、４３Ｄを有している。３つの中間層４３Ｂ、４３Ｃ、４３Ｄは、入力層４３Ａと出力層４３Ｅとの間に設けられている。各中間層４３Ｂ、４３Ｃ、４３Ｄは、これらの素子に直接的または間接的に結合された複数の中間層ニューロン素子４３ｂ、４３ｃ、４３ｄを含む。

なお、本実施形態では、中間層が３つの層で構成されるが、たとえば、中間層が、１つ、２つの層、４つ以上の層で構成されていてもよく、中間層が３つの層に限定されるものではない。さらに、各中間層４３Ｂ、４３Ｃ、４３Ｄを構成する中間層ニューロン素子４３ｂ、４３ｃ、４３ｄは、入力層ニューロン素子４３ａの個数に応じた個数であるが、入力されるデータ数に応じて、入力層ニューロン素子４３ａの個数に応じて変化させてもよく、入力されるデータ数と異なる個数の中間層のニューロン素子を、各中間層が備えてもよい。

中間層４３Ｂ、４３Ｃ、４３Ｄは、入力層４３Ａ側の同じ層にあるニューロン素子のニューロンパラメータを用いて、所定の演算を行い、その演算結果を、出力層４３Ｅ側のニューロン素子に出力するものである。具体的には、中間層ニューロン素子４３ｂ、４３ｃ、４３ｄおよび出力層ニューロン素子４３ｅは、入力層ニューロン素子４３ａまたは入力層４３Ａ側の中間層ニューロン素子４３ｂ、４３ｃ、４３ｄから入力されるニューロンパラメータの値を用いて、所定の演算を行う。

具体的には、演算を実行する中間層ニューロン素子４３ｂ、４３ｃ、４３ｄと、出力層ニューロン素子４３ｅは、それぞれ所定の活性化関数を有しており、入力されたデータ（パラメータの値）をその活性化関数に代入することにより、ニューロンパラメータの値を演算する。たとえば、中間層４３Ｂの各中間層ニューロン素子４３ｂは、各入力層ニューロン素子４３ａの入力値がニューロンパラメータの値として入力され、活性化関数により、入力層ニューロン素子４３ａごとのニューロンパラメータの値が演算される。

この際、各中間層４３Ｂ、４３Ｃ、４３Ｄの中間層ニューロン素子４３ｂ、４３ｃ、４３ｄにより算出したニューロンパラメータは、その素子内において、活性化関数により演算されたニューロンパラメータに対して、重み付け係数が乗算することで、出力すべきニューロンパラメータとして算出され、出力層ニューロン素子４３ｅまたは出力層４３Ｅ側の中間層ニューロン素子４３ｃ、４３ｄに出力される。

本実施形態では、出力層ニューロン素子４３ｅで出力された既設建物Ａ、Ｂ、Ｃ、…の地盤状態パラメータの値が、実際に測定した既設建物Ａ、Ｂ、Ｃ、…の地盤状態パラメータの値に対して所定の範囲に収束するまで、各中間層ニューロン素子４３ｂ、４３ｃ、４３ｄのニューロンパラメータに乗算される重み付け係数を繰り返し補正する。このようにして、本実施形態では、機械学習により、地盤状態パラメータの算出（方法）を予め学習することができる。なお、実際に測定した既設建物Ａ、Ｂ、Ｃ、…の地盤状態パラメータの値は、入力装置２を介して、既設建物の建物条件、既設建物の地盤条件に合わせて、演算装置４に入力される。

なお、本実施形態では、中間層ニューロン素子４３ｂ、４３ｃ、４３ｄにおいて、活性化関数により算出されたニューロンパラメータに対して乗算される重み付け係数を、各中間層ニューロン素子４３ｂ、４３ｃ、４３ｄに設けたが、これに加えて、出力層ニューロン素子４３ｅにもさらに活性化関数により算出されたニューロンパラメータに対して乗算される重み付け係数を設けてもよい。

未設建物の地盤沈下の状態を予測する際には、機械学習後に重み付け係数が補正されたニューラルネットワーク４３に、例えば、端末６から、未設建物の建物条件の値および地盤条件の値を入力値として入力する。ニューラルネットワーク４３は、入力された入力値から、未設建物の地盤状態パラメータの値を算出し、算出した地盤状態パラメータの値を出力値として出力する。

本実施形態によれば、算出部４２のニューラルネットワーク４３は、これまでに建設された複数の既設建物の建物条件の値と、これに対応する既設建物の地盤条件の値とから、数値化されて設定された既設建物の地盤沈下の状態のパラメータの値の算出を学習したものである。したがって、建設予定となる未設建物の建物条件の値と、未設建物の地盤条件の値とを入力すれば、未設建物の地盤沈下の状態のパラメータの値（すなわち地盤沈下の程度）をより正確に算出することができる。また、ニューラルネットワークを用いることにより、より客観的に、未設建物の地盤状態パラメータの値を正確に算出することができる。

また、既設建物または未設建物の用途パラメータの値、既設建物または未設建物の階数、既設建物または未設建物の建築面積、および既設建物または未設建物の基礎パラメータの値は、基礎から地盤に作用する荷重に関連する値である。したがって、これらの値を入力値とすることにより、この荷重を厳密に計算することなく、この荷重を地盤状態パラメータに簡単に反映することができる。

さらに、既設建物または未設建物が建設された建設地または建設予定地のボーリング試験により得られた、地表からの深度、深度に応じた土質を数値化して設定された土質パラメータの値、および深度に応じた標準貫入試験におけるＮ値、を含む地盤条件の値は、基礎から作用する荷重の支持力に関連する値である。したがって、これらの値を入力値とすることにより、この支持力が、地盤状態パラメータに反映されることになる。

また、本実施形態では、算出部４２のニューラルネットワーク４３に、学習機能を設けることにより、既設建物の地盤状態パラメータの値を、実際に測定された地盤状態パラメータに対して所定の範囲に収束することができるばかりでなく、建設予定の未設建物を新たに建設した後に、この建設した建物の地盤状態のパラメータを測定すれば、新たに建設した建物について、同様の学習を行うことができる。

なお、本実施形態では、算出部４２に学習機能を持たせたが、ニューラルネットワーク４３による学習を別の演算装置で行い、学習されたニューラルネットワークから地盤状態パラメータを算出するプログラムのみを、地盤予測システム１に設けてもよい。

以上、本発明の実施形態について詳述したが、本発明は、前記の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の精神を逸脱しない範囲で、種々の設計変更を行うことができるものである。

１：地盤予測システム、２：入力装置、３：記憶装置、４：演算装置、６：端末、４２：算出部、４３：ニューラルネットワーク、４３Ａ：入力層、４３ａ：入力層ニューロン素子、４３Ｂ～４３Ｄ：中間層、４３ｂ～４３ｄ：中間層ニューロン素子、４３Ｅ：出力層、４３ｅ：出力層ニューロン素子、Ｆ：地表、Ｇ：支持層

Claims

建設予定の未設建物の地盤沈下の状態を予測する地盤予測システムであって、
前記地盤予測システムは、これまでに建設された既設建物の用途を数値化して設定された用途パラメータの値、前記既設建物の階数、前記既設建物の建築面積、および前記既設建物に選択された基礎形式を数値化して設定された基礎パラメータの値、を含む前記既設建物の建物条件の値と、前記既設建物の建設地のボーリング試験により得られた、地表からの深度、前記深度に応じた土質を数値化して設定された土質パラメータの値、および前記深度に応じた標準貫入試験におけるＮ値、を含む前記既設建物の地盤条件の値と、を入力値とし、
前記既設建物の地盤沈下の状態を数値化して設定された地盤状態パラメータの値を出力値とし、
複数の前記既設建物の前記入力値に対して算出される前記出力値が、前記各既設建物で実際に測定された地盤状態パラメータの値に収束するように、前記地盤状態パラメータの算出が機械学習により学習された算出部を備えており、
前記算出部は、前記未設建物の用途パラメータの値、前記未設建物の階数、前記未設建物の建築面積、および前記未設建物の基礎パラメータの値、を含む前記未設建物の建物条件の値と、前記未設建物の建設予定地の地表からの深度、前記深度に応じた土質パラメータの値、および前記深度に応じたＮ値、を含む前記未設建物の地盤条件の値とが、前記未設建物の入力値として入力され、入力された前記未設建物の入力値から、前記未設建物の地盤状態パラメータの値を算出し、算出した前記未設建物の前記地盤状態パラメータの値を出力値として出力することを特徴とする地盤予測システム。
前記既設建物の地域を数値化して設定された地域パラメータの値、または、前記既設建物の位置情報を数値化した位置情報パラメータの値を、前記既設建物の前記建物条件の値にさらに含めて、前記算出部は前記既設建物の前記地盤状態パラメータの算出が学習されたものであり、
前記算出部は、前記未設建物の地域パラメータの値、または、前記未設建物の位置情報パラメータの値が、前記未設建物の入力値としてさらに入力され、前記未設建物の前記地盤状態パラメータの値を算出することを特徴とする請求項１に記載の地盤予測システム。
前記算出部は、前記既設建物または前記未設建物の一方の前記建物条件の値と前記一方の前記地盤条件の値とを入力値とし、前記一方の前記地盤状態パラメータの値を出力値として算出するニューラルネットワークを備え、
前記ニューラルネットワークは、前記一方の前記建物条件の値と前記一方の前記地盤条件の値とが入力される入力層ニューロン素子を含む入力層と、
前記一方の前記地盤状態パラメータの値を出力する出力層ニューロン素子を含む出力層と、
前記入力層と前記出力層との間に設けられた複数の中間層ニューロン素子を含む複数の中間層と、を備えており、
前記中間層ニューロン素子は、前記入力層ニューロン素子または前記入力層側の中間層ニューロン素子から入力されるニューロンパラメータの値を用いて所定の演算をし、演算したニューロンパラメータの値に、重み付け係数を乗算して、前記出力層ニューロン素子または前記出力層側の中間層ニューロン素子に出力するものであることを特徴とする請求項２に記載の地盤予測システム。
前記ニューラルネットワークは、前記既設建物の前記地盤状態パラメータの値が、前記既設建物の実際に測定された前記地盤状態パラメータに対して所定の範囲に収束するまで、前記重み付け係数を補正することにより、前記算出部の学習を行うことを特徴とする請求項３に記載の地盤予測システム。