JP7761900B2 - Ａｉによるコンクリートの流動性推定システム - Google Patents

Description

本発明は、コンクリートの流動性を推定する流動性推定システムに関するものである。

コンクリートはいわゆるバッチャープラントのミキサによって、普通ポルトランドセメント、混練水、細骨材、粗骨材、そして適宜添加される混和剤が混練されて得られる。製造されたコンクリートはアジテータトラックによって搬送され、コンクリート打設現場で荷下ろしされ打設される。コンクリートは要求される強度、性状等がコンクリート打設現場によって異なっており、発注時に指定されている。コンクリートの性状を示す指標の一つにスランプがある。スランプは流動性を示す指標であり、正式には次のようにして測定する。すなわち円錐形の高さ３０ｃｍの容器すなわちスランプコーンにコンクリートを詰め、これを逆さにしてスランプコーンを静かに上方に抜き取る。このときコンクリートの形状が崩れて頂部が低下するが、この低下によって下がる高さがスランプであり、値が大きいと流動性が大きく、小さいと流動性が小さいことを示している。バッチャープラントのミキサの多くにはスランプモニタが設けられている。スランプモニタは、ミキサを駆動する電流等からスランプを推定している。

特許第６６８０９３６号公報

特許文献１には、機械学習を使ってスランプを推定する推定システムが記載されている。この推定システムにおいては、まずコンクリートを混練する際にミキサ内においてコンクリートを撮影し、得られた画像データをニューラルネットワークに説明変数として入力し、そのときのスランプを教師データとして学習させる。学習したニューラルネットワークにおいて、スランプを推定したいコンクリートについてその画像データを入力する。そうすると目的変数として推定値としてのスランプが出力される。

従来のスランプモニタによるスランプの推定方法によっても、実用的な精度でスランプを推定することができ優れている。また、特許文献１に記載のスランプの推定システムによってもスランプモニタを使用せずにスランプを推定でき優れている。しかしながら、バッチャープラントにスランプモニタが設けられていなければスランプを推定することはできないし、スランプモニタが必ずしも正しいスランプを推定するとは限らない。特許文献１に記載の方法によるスランプの推定システムについては、スランプの推定の精度が必ずしも実用的な精度に達しているとは言えず、さらに推定精度を改善する余地があるように見受けられる。

本発明は、スランプあるいはスランプフローからなるコンクリートの流動性についてより推定精度の高い推定値を推定することができる流動性推定システムを提供することを目的としている。

本発明は、コンクリート混練用のミキサと、マイクロホンと、カメラと、制御装置とからなるコンクリートの流動性推定システムとして構成する。制御装置には流動性推定ＡＩを備える。流動性推定ＡＩは、教師あり学習型のニューラルネットワークである第１～３のＡＩから構成する。第１のＡＩは複数回のタイミングでマイクロホンで得たコンクリートの混練音である時系列の複数個の音響データを説明変数として入力し、複数個の第１の中間流動性推定値を目的変数として出力する。第２のＡＩは複数回のタイミングでカメラで撮影した時系列の複数個のコンクリートの画像データを説明変数として入力し、複数個の第２の中間流動性推定値を目的変数として出力する。そして第３のＡＩは複数個の第１、２の中間流動性推定値を説明変数とし、コンクリートの流動性推定値を目的変数として出力するようにする。なお、複数回のタイミングはコンクリートの混練完了１０秒前から混練完了までの１秒毎のタイミングを含むように構成する。

本発明によると、３個のＡＩつまり第１～３のＡＩから流動性推定ＡＩを構成しており、コンクリートの混練音の音響データとコンクリートの画像データとから流動性推定値を出力するようにしているので、高い推定精度でコンクリートの流動性を推定することができる。

本実施の形態に係るコンクリートの流動性推定システムを示す正面図である。 本実施の形態に係る流動性推定ＡＩを示すブロック図である。 本実施の形態に係る流動性推定ＡＩを構成する第１のＡＩのニューラルネットワークを示す図である。 本実施の形態に係る流動性推定ＡＩを構成する第２のＡＩのニューラルネットワークを示す図である。 本実施の形態に係る流動性推定ＡＩを構成する第３のＡＩのニューラルネットワークを示す図である。

本実施の形態を説明する。
本発明の形態に係るコンクリートの流動性推定システム１は、図１に示されているように、バッチャープラント２のミキサ４に関連して設けられている。バッチャープラント２には、図に示されていないが、普通ポルトランドセメントを貯蔵・投入するセメントビン、骨材を貯蔵・投入する骨材ビン、そしてこれらから投入される材料を計量する複数の計量槽、混練水・混和剤を投入する計量槽、等が設けられている。ミキサ４にはこれらから材料が投入されるようになっており、混練してコンクリートを製造する。ミキサ４の下方には積み込み用ホッパ５が設けられており、製造したコンクリートをアジテータトラック６に積載するようになっている。なお、ミキサ４には、ミキサの駆動に要するトルク、つまり消費される電力を測定して、コンクリートのスランプを推定するスランプモニタ７が設けられている。

本実施の形態に係る流動性推定システム１は、ミキサ４と、ミキサ４の近傍に設けられているマイクロホン１０と、ミキサ４の上方に設けられているカメラ１２と、コントローラつまり制御装置１４とから構成されている。制御装置１４には、次に詳しく説明する本実施の形態に係る流動性推定ＡＩ１６が設けられており、コンクリートの流動性を推定するようになっている。推定する流動性としてスランプとすることも、スランプフローとすることもできるが、本実施の形態においてはスランプを推定するようになっている。流動性推定ＡＩ１６が学習型のＡＩからなり、教師データとしてスランプが与えられるようになっているからである。ミキサ４において混練されるコンクリートは、マイクロホン１０によって混練音が集音され、そしてカメラ１２によって撮影されるようになっている。混練音はサンプリングされて音響データとして、そしてコンクリートの撮影された画像は画像データとして、それぞれ制御装置１４に送られる。流動性推定ＡＩ１６は、これらからコンクリートの流動性を推定する。なお、本実施の形態においては、制御装置１４にはスランプモニタ７が接続されている。スランプモニタ７で測定したスランプによって、流動性推定ＡＩ１６が学習するようになっている。

本実施の形態に係る流動性推定ＡＩ１６は、図２に示されているように、３個のＡＩつまり第１～３のＡＩ１８、１９、２０を組み合わせた構成になっている。第１～３のＡＩ１８、１９、２０は、いずれも教師あり学習型のニューラルネットワークである。

第１のＡＩ１８は、コンクリート混練音のサンプリングである音響データを説明変数として入力し、コンクリートの流動性の中間的な推定値である第１の中間流動性推定値を目的変数として出力するようになっている。図３には第１のＡＩ１８を構成するニューラルネットワークが模式的に示されている。複数層に階層化された複数個のニューロンと、隣り合う階層のニューロン同士を接続しているシナプスとから構成され、いわゆるパーセプトロン型のニューラルネットワークからなる。つまり、入力層２２と、複数層の中間層２４と、出力層２５とから構成されている。入力層２２に説明変数としての音響データが入力され、これが処理されて出力層２５から目的変数としての第１の中間流動性推定値が出力されるようになっている。図２に示されているように、第１のＡＩ１８にはコンクリート流動性実測値も入力されるようになっており、これによって第１のＡＩ１８が学習するようになっている。コンクリート流動性実測値は、本実施の形態においてはスランプモニタ７で測定されるスランプになっている。この測定されたスランプを、コンクリート流動性実測値として採用し、学習するようにしている。

本実施の形態においては、音響データはコンクリートの混練完了前の所定のタイミングから、混練完了のタイミングまで所定の周期でサンプリングされている。例えば混練完了の１０秒前から、混練完了するまで毎秒サンプリングされている。このような、サンプリングされた複数のタイミングの音響データに対して、第１のＡＩ１８が処理し、それぞれ第１の中間流動性推定値を出力するようになっている。つまり、本実施の形態に係る流動性推定ＡＩ１６において、第１の中間流動性推定値は、時系列に複数個出力されるようになっている。

流動性推定ＡＩ１６を構成している第２のＡＩ１９は、図２に示されているように、コンクリートの画像の画像データを説明変数として入力とし、コンクリートの流動性の中間的な推定値である第２の中間流動性推定値を目的変数として出力するようになっている。第２のＡＩ１９も第１のＡＩ１８と同様に構成され、図４に示されているように入力層２７と、中間層２８と、出力層２９とからなる。入力層に説明変数としての画像データが入力され、出力層２９から目的変数としての第２の中間流動性推定値が出力される。この第２のＡＩ１９も、図２に示されているように、コンクリート流動性実測値であるスランプモニタ７で測定されるスランプが入力され、学習するようになっている。本実施の形態においては、画像データもコンクリートの混練完了前の所定のタイミングから、混練完了のタイミングまで所定の周期で撮影されるようになっている。例えば混練完了の１０秒前から、混練完了するまで毎秒撮影されている。このような複数のタイミングで撮影された画像データに対して、第２のＡＩ１９が処理し、それぞれ第２の中間流動性推定値を出力するようになっている。つまり第２の中間流動性推定値も、時系列に複数個出力されるようになっている。

流動性推定ＡＩ１６を構成している第３のＡＩ２０は、図２に示されているように、第１、２のＡＩ１８、１９が目的変数として出力した第１、２の中間流動性推定値を説明変数として入力し、コンクリートの流動性の推定値、つまり流動性推定値を目的変数として出力するようになっている。第３のＡＩ２０も第１のＡＩ１８と同様に構成され、図５に示されているように入力層３１と、中間層３２と、出力層３３とからなる。ところで図５には、入力層に入力されている第１の中間流動性推定値と、第２の中間流動性推定値は、それぞれ複数個示されている。これらはいずれも、第１、２のＡＩ１８、１９から時系列に複数個出力された第１、２の中間流動性推定値である。第３のＡＩ２０は、これらの時系列に複数個ある第１、２の中間流動性推定値について処理して、１個の流動性推定値を出力する。この第３のＡＩ２０も、図２に示されているように、コンクリート流動性実測値としてスランプモニタ７で測定されるスランプが入力され、学習するようになっている。

本実施の形態に係る流動性推定ＡＩ１６は、次のようにして学習させる。まず、バッチャープラント２において、多数ロットのコンクリートを製造する。つまりミキサ４においてコンクリートを混練し、それぞれのコンクリートについて音響データ、画像データを得る。そしてスランプモニタ７において測定されるスランプを得る。以下、このスランプをスランプ実測値と呼ぶ。多数ロットについて得た、これらの学習用データによって学習させる。まず、音響データとスランプ実測値とから第１のＡＩ１８を学習させ、画像データとスランプ実測値とから第２のＡＩ１９を学習させる。第１、２のＡＩ１８、１９の学習が進むと第１、２のＡＩ、１８、１９の出力する第１、２の中間流動性推定値が安定する。このようになったら、第１、２のＡＩ１８、１９により出力される第１、２の中間流動性推定値と、スランプ実測値とから第３のＡＩ２０を学習させる。

流動性推定ＡＩ１６が学習されたら、バッチャープラント２において混練するコンクリートについて、次のようにスランプを推定することができる。コンクリートの混練音から音響データを得、コンクリートの画像データを得る。これらを流動性ＡＩ１６に入力すると、流動性推定値が得られる。すなわちスランプを推定することができる。

本実施の形態に係る流動性推定システム１は色々な変形が可能である。例えば流動性推定ＡＩ１６について変形することができる。例えば第１～３のＡＩ１８、１９、２０に入力する入力データを追加することができる。コンクリートを製造するとき、流動性の目標値として例えば呼び方スランプを指定している。呼び方スランプは必ずしも製造されるコンクリートのスランプと一致するとは限らないが、このような呼び方スランプを説明変数として追加することができる。例えば、第１のＡＩ１８と、第３のＡＩ２０に対して、呼び方スランプを説明変数として追加する、ということが考えられる。説明変数として他のデータ、例えば気温、水温等を追加してもよい。説明変数の追加は適宜実施することができる。他の点についての変形も可能である。本実施の形態に係る流動性推定システム１では、目的変数に関する教師データとしてスランプモニタ７で測定されるスランプが採用されている。しかしながらスランプフローを実測することができれば、これを教師データとして与えて学習させることができる。この場合に流動性推定システム１で推定する流動性推定値は、スランプではなく当然にスランプフローになる。

本実施の形態に係る流動性推推定システム１について、十分に高い精度でスランプを推定できることを確認するため、実験を行った。
実験方法：
バッチャープラント２において、スランプが異なるコンクリートを１５１３１ロット分製造し、学習用データを得た。つまり１５１３１セット分の時系列の音響データと、時系列の画像データと、スランプモニタ７で測定したスランプ実測値を得た。
第１のＡＩ１８に対しては、学習用データの音響データを説明変数とし、スランプ実測値を目的変数についての教師データとして与えて学習させた。
第２のＡＩ１９に対しては、学習用の画像データだけでなくコンクリートを製造したときに指定した呼び方スランプも説明変数として与え、スランプ実測値とともに学習させた。
第３のＡＩ２０に対しては、第１、２の中間流動性推定値だけでなく、呼び方スランプも説明変数として与え、スランプ実測値とともに学習させた。
次に、バッチャープラント２において、スランプが異なるコンクリートを３０００ロット分製造し、確認用データを得た。つまり、３０００セット分の時系列の音響データと、時系列の画像データと、スランプモニタ７で測定したスランプ実測値を得た。
学習済みの第１のＡＩ１８に対して、確認用データの音響データを与えて第１の中間流動性推定値を出力させ、スランプ実測値と比較した。比較した結果を表１－１に示す。
同様に学習済みの第２のＡＩ１９に対して、確認用データの画像データと呼び方スランプとを与えて第２の中間流動性推定値を出力させ、スランプ実測値と比較した。比較した結果を表１－２に示す。
最後に、学習済みの第２のＡＩ１９に対して、第１、２のＡＩ１８、１９が出力した第１、２の中間流動性推定値と呼び方スランプとを与えて流動性推定値を出力させ、スランプ実測値と比較した。比較した結果を表１－３に示す。

考察：
本実施の形態に係る流動性推定ＡＩ１６のうち、第１のＡＩ１８によって推定した第１の中間流動性推定値については、スランプ実測値との比較で誤差が±２．５ｃｍ以内になった割合は７９．４７％であり比較的良好であった。しかしながら誤差が±１．５ｃｍ以内になった割合は６１．０９％であり、十分に高いとは言えない。同様に、第２のＡＩ２０によって推定した第２の流感流動性推定値については、スランプ実測値との比較で誤差が±２．５ｃｍ以内になった割合は８８．０６％であり比較的良好であったが、誤差が±１．５ｃｍ以内になった割合は７０．９０％であり、十分に高いとは言えない。
これに対して、第３のＡＩ２０によって推定した流動性推定値、つまり本実施の形態に係る流動性推定ＡＩ１６によって推定した流動性推定値については、スランプ実測値との比較で誤差が±２．５ｃｍ以内になった割合が９６．３１％であり誤差が±１．５ｃｍ以内になった割合が８０．８４％であり、非常に良好であった。本実施の形態に係る流動性推定ＡＩ１６は、高い精度でスランプを推定できることが確認できた。

本実施の形態に係る流動性推定ＡＩ１６に対し、説明変数として呼び方スランプを与えないでスランプを推定させる実験を行った。
実験方法：
実施例１の実験において得た１５１３１セット分の学習用データと、３０００セット分の確認用データとを使用して実施例２の実験を行った。
実験例１の実験では、第２、３のＡＩ１９、２０に対して、説明変数として呼び方スランプを与えるようにしたが、この実施例２の実験では、呼び方スランプを与えないようにして学習した。そして学習済みの第１～３のＡＩ１８、１９、２０に対して、呼び方スランプを与えないでスランプを推定させた。流動性推定ＡＩ１６が推定したスランプと、スランプ実測値との比較を表２に示す。

考察：
本実施の形態に係る流動性推定ＡＩ１６によって推定した流動性推定値は、スランプ実測値との比較で誤差が±２．５ｃｍ以内になった割合が９４．８３％であり誤差が±１．５ｃｍ以内になった割合が７８．３３％であり、非常に良好であった。本実施の形態に係る流動性推定ＡＩ１６は、説明変数として呼び方スランプを与えなくても十分に高い精度でスランプを推定できることが確認できた。

本実施の形態について、マイクロホン１０によってコンクリート混練音のサンプリングである音響データを得ると説明した。ところで混練音には、コンクリート材料同士が衝突・分散・混合するときのコンクリート材料が発する音の他に、コンクリート材料がミキサ４の鋼板にぶつかる衝撃音や摩擦音も含まれている。さらにはミキサ４を駆動するモータ音も含まれている。マイクロホン１０を設置する場所に応じて、それぞれの音の割合が当然に変わってくる。つまり、ミキサ４を駆動するモータ近傍にマイクロホン１０が配置されていると、モータ音の割合が高くなるが、ミキサ４内に配置されているとコンクリート材料が発する音の割合が高くなるからである。本実施の形態に係る流動性推定ＡＩ１６は、音響データに含まれるこれらの音の割合がどのようになっていても、コンクリートの流動性を推定できる。つまり、音響データに含まれる音の中でモータ音の割合が大きくても、あるいはほとんどなくても、コンクリートの流動性を推定できる。ただし、マイクロホン１０の設置位置については、固定にして学習用データとしての音響データを得、コンクリート流動性の推定用として音響データを得るようにすることが好ましい。

１ 流動性推定システム ２ バッチャープラント
４ ミキサ ５ ホッパ
６ アジテータトラック ７ スランプモニタ
１０ マイクロホン １２ カメラ
１４ 制御装置 １６ 流動性推定ＡＩ
１８ 第１のＡＩ １９ 第２のＡＩ
２０ 第３のＡＩ

Claims (2)

1. コンクリート混練用のミキサと、
   前記ミキサの近傍に設けられているマイクロホンと、
   前記ミキサの近傍に設けられているカメラと、
   制御装置と、を備え、
   前記制御装置は、前記マイクロホンで検出されるコンクリート混練音のサンプリングを複数回のタイミングで得る時系列の複数個の音響データと、前記カメラで前記複数回のタイミングで撮影されるコンクリートの時系列の複数個の画像データとを説明変数として入力し、スランプまたはスランプフローからなるコンクリート流動性についての推定値である流動性推定値を目的変数として出力する流動性推定ＡＩを備え、
   前記複数回のタイミングは、コンクリートの混練完了１０秒前から混練完了までの１秒毎のタイミングを含んでおり、
   前記流動性推定ＡＩは、教師あり学習型のニューラルネットワークである第１～３のＡＩから構成され、
   前記第１のＡＩは、説明変数として入力する前記音響データから目的変数である第１の中間流動性推定値を出力するようになっており、それによって複数個の前記音響データに対して複数個の前記第１の中間流動性推定値が得られるようになっており、
   前記第２のＡＩは、説明変数として入力する前記画像データから目的変数である第２の中間流動性推定値を出力するようになっており、それによって複数個の前記画像データに対して複数個の前記第２の中間流動性推定値が得られるようになっており、
   前記第３のＡＩは、複数個の前記第１の中間流動性推定値と複数個の前記第２の中間流動性推定値とが説明変数として入力されると、前記流動性推定値が目的変数としてとして出力されるようになっており、
   前記第１～３のＡＩは、複数ロットのコンクリートについてミキサにて混練して得た、それぞれの時系列の複数個の前記音響データと時系列の複数個の前記画像データとを学習用の説明変数とすると共に、実測されたスランプあるいは実測されたスランプフローからなるコンクリート流動性実測値を、複数個の前記第１、２の中間流動性推定値と前記流動性推定値のそれぞれに対する教師データとして与えて学習するようになっている、コンクリートの流動性推定システム。
2. 前記第１～３のＡＩのいずれか、あるいは全てに対して、コンクリートを混練する際に指定する呼び方スランプあるいは呼び方スランプフローが入力されるようになっている、請求項１に記載のコンクリートの流動性推定システム。