健全性劣化評価システム
【課題】土木・建築構造物や災害危険箇所などの点検対象物に対する補修の必要度あるいは災害発生に対する危険度の評価を行なう際に、技術者や点検者による先入観や主観を排除しながら、点検された多数の項目のデータに基づいて、これを修正しながら補修工事の必要度や災害危険箇所への災害防止対応策の必要性について客観的で精度の高い定量的評価を可能としながら、その補修工事や災害防止対応策の優先順位を客観的かつ高精度に定めることができる健全性劣化評価システムを提供する。
【解決手段】入力部１と、演算部２と、格納部１２等と、出力部１０を有し、ＳＶＭを用いてある点検対象物における危険度を算出して補修又は点検の必要性を評価するために、演算部２は、学習用点検データ分析部４によって検出された矛盾点検対象物に関するデータを削除することで修正学習用点検総合データ１９を生成する学習用点検データ修正部５を備える。
【解決手段】入力部１と、演算部２と、格納部１２等と、出力部１０を有し、ＳＶＭを用いてある点検対象物における危険度を算出して補修又は点検の必要性を評価するために、演算部２は、学習用点検データ分析部４によって検出された矛盾点検対象物に関するデータを削除することで修正学習用点検総合データ１９を生成する学習用点検データ修正部５を備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、例えば土木・建築構造物や災害危険箇所等の点検対象物における健全性劣化に関する点検データから得られる補修の必要性の有無あるいは災害発生の可能性の有無を分離する判別面に基づいて算出される点検対象物における補修の必要度や対策の必要度を高精度に評価する健全性劣化評価システムに関する。
【背景技術】
【０００２】
橋梁、トンネル、鉄塔、上・下水道・高層ビル等の土木・建築構造物や災害危険箇所は、維持管理のために日常的に点検が行われ、損傷が認められた場合にはその程度を判断し、必要な補修対策がとられるのが常である。この点検業務には現地で簡便に利用することができるチェックシートが利用されている場合が多い。これらのシートでは、点検対象物の損傷状況に応じて評点をつけ、さらに補修実施の実績データを加味することにより、現況の安全性が評価されるように工夫されている。
このような点検業務は、高い見識と熟練した技術や判断力を備えた技術者が行うことが望ましいが、全国の土木・建築構造物や災害危険箇所すべてにそのような卓越した技術者を派遣することは現実的には不可能である。また、点検業務における損傷程度の判定は点検技術者の経験に基づいた主観による部分が多くを占め、その判定データには経験の多少が大きく影響し、経験の少ない点検技術者によればノイズとも考えられる内容のものが含まれる可能性もあり、補修対策の方針を決定する基準に客観性を欠いていることは否めない。
また、点検を請け負う企業や点検技術者によって、同じ状況であっても判定が異なることがあるため、評価結果と実際の損傷状況に食い違いが生じることも多く、評価者が変われば評価そのものが全く変わってしまう等、精度上の問題、客観性の課題が残されていた。
しかも、補修実施の実績データが全くない場合、又は極端に少ない場合には補修工事や保守のための対応策を講じるための優先順位を客観的に決定することは困難である。
一方、補修実施の実績データが豊富な場合においても、前述のとおり、評価者の主観的な判断に基づく評価は、矛盾点も多く、豊富な実績データをそのまま鵜呑みにして、将来の補修や点検業務へ利用することにもリスクが生じていた。しかも、検査技術や評価技術の進歩はもちろんのこと、評価基準や補修基準自体も時代変遷や経済状況などの影響を受けることがあるため、過去の基準をそのまま踏襲することが困難な場合もあり、せっかく蓄積された過去のデータがそのまま使用できない場合も生じており、このような事情からも潜在的な非効率性やリスクが生じていた。
土木・建築構造物や災害危険箇所の維持管理による有効利用が求められる昨今にあって、既存の社会資本の保守事業遂行は急務であるが、これをより効率的に実施するためには一層高精度且つ客観性を有した損傷状況の評価手法の確立が不可欠であると考えられる。
土木・建築構造物や災害危険箇所に関する評価手法は、土木・建築構造物の他にも、例えば土砂災害や陥没災害などの自然災害においても未然防止の観点から急峻な斜面に対して補強工事や排水工などの対策工を施すなどする際に、その危険度を評価するために必要であり、本願発明者らは既に自然災害の未然防止の観点から様々な検討を実施している。
【０００３】
例えば、防災事業計画の立案支援などのために実際の災害発生あるいは非発生に関するデータをコンピュータ処理することで精度の高い情報を得る研究に関しては、本発明者らが既に、がけ崩れの発生予測に用いられる発生降雨、非発生降雨の判別境界線であるがけ崩れの発生限界線や、避難基準線、警戒基準線を設定する方法について非特許文献１に示されるように発表している。
【０００４】
非特許文献１では、複雑な自然現象を直線近似せず、高精度の発生限界線等を設定することを目的として、非線形判別に優れた放射状基底関数ネットワーク（以後、ＲＢＦＮと略す場合がある。）を用い、地域毎の非線形がけ崩れ発生限界雨量線を設定する方法を提案している。本非特許文献１に開示される技術では、ＲＢＦＮを用いて、その学習機能を利用して最適な中間層と出力層の重みを決定することによって非線形がけ崩れ発生限界雨量線を設定している。
その結果、例えば非特許文献１では、横軸に実効雨量、縦軸に時間雨量をとった判別境界面が曲線の集合として描かれる。
この曲線は、いわば等高線を示したもので、これが非線形のがけ崩れ発生限界線を示している。判別境界面は、災害の発生、非発生の実効雨量と時間雨量をプロットしながら、その高さ方向として災害の発生の場合には教師値データを「−１」とし、非発生の場合には教師値データを「＋１」とした放射状基底関数を考え、その重ね合わせによって演算されたものである。従って、これらの等高線は、原点に近い方が高いもので、原点の存在する左下の角から対角方向に向かってなだらかに低いものとなっている。
このような災害の発生限界線や避難基準線、警戒基準線（以下、これらを総称してＣＬという。）を定量的、客観的に描くことによって精度の高い防災事業の立案の判断が可能であり、また、コンピュータ処理によって膨大なデータを短時間に処理できることから、ＣＬの陳腐化を防止して精度の高い情報を提供できるのである。
【０００５】
また、特許文献１においては、「災害対策支援システム」として、災害発生時に実行すべき災害対策を自動的に選択して表示し、その進捗状況を併せて示す手段を備えたシステムが開示されている。
本特許文献１に開示される災害対策支援システムは、基本的にはｉｆ−ｔｈｅｎ形式で、予め発生する事象とそれに対応する対策を関連付けて格納された対策リストを読みだして、対応するものである。災害時に精神的、時間的、人的に余裕のない状況で、的確な判断を可能とすべくなされたものである。また、標準的な作業時間と実働時に要した作業時間及び対策可能な残り時間を表示することで、対策進捗状況をリアルタイムに把握することが可能であると同時に、重要度の高い対策と低い対策を取捨選択するためにも用いることができる。
【０００６】
さらに、特許文献２においては、非特許文献１に開示される技術を警戒避難システムに応用した発明が開示されている。本特許文献２に開示された発明では、災害に影響を及ぼす地形要因、地質・土質要因、環境要因及び地震要因を踏まえた上で、短期降雨指標として、例えば発生時刻から３時間以内の最大時間雨量（以下、一定時間内の代表的な雨量を「時間雨量」と略すことがある。）を、また、長期降雨指標として、例えばその時刻における半減期を７２時間とした実効雨量を用いて、ＣＬを演算するものである。
このようにして得られたＣＬを用いることで、信頼性の高い警戒避難支援システムを提供することが可能である。
【非特許文献１】倉本和正 他５名：RBFネットワークを用いた非線形がけ崩れ発生限界雨量線の設定に関する研究、土木学会論文集のＮｏ．６７２／ＶＩ−５０，ｐｐ．１１７−１３２，２００１．３
【特許文献１】特開２００２−２３０２３５号公報
【特許文献２】特開２００３−１８４０９８号公報
【発明の開示】
【発明が解決しようとする課題】
【０００７】
しかしながら、非特許文献１及び特許文献２に開示された発明では、災害の発生限界線や、避難基準線、警戒基準線を設定することに主眼を置いており、ある特定の地域あるいは一定の条件毎にまとめられた地域グループにおいて、短期降雨指標や長期降雨指標がどの程度に至れば災害の発生の危険性があるのかを客観的に評価することに留まっていた。極端に言えば、同一地点において、蓄積された短期及び長期の降雨指標のデータを入力して、その地点で蓄積された降雨データに基づいて、どの程度の降雨で災害が生じることになるかという判断を行っていたのである。
これでは、客観的、定量的な評価であっても、地域毎あるいはグループ毎に個別具体的な評価を行なうことはできるものの、特定の地域ではなく、地域全般に共通の一般的、普遍的な評価を行なうことが困難であるという課題があった。さらに、データ自身の信憑性については疑いを挟む余地がなく、データとしては、広範な地域のデータを一律に取り扱い、点検業務を実施した者の技術力の個人差などは考慮されず、過去のデータの信頼性に関する評価を行うことなく、普遍的に高い精度で評価することが困難であるという課題があった。
従って、いずれの地域に対して優先的に補修工事を施すか、あるいは防災の対策を施すかという判断を行うには、ばらつきが生じることで均一な判断を行うことが困難であった。
【０００８】
また、特許文献１に開示された発明では、基本的に複雑ではあるけれども予め定められたあるいは既知の条件とその対策をリスト状のデータ構造を備えたものを用いて、対策の具体的な実施手順を示すものである。確かに対策リストは補正、更新が可能であるものの基本的には入力されたデータを基に判断がなされ、コンピュータは、事象と対策を結合させるという処理を行うに過ぎないものであり、データ自体の評価を実施したり、その精度を向上させるという点では困難であるという課題があった。
【０００９】
さらに、橋梁、トンネル、鉄塔、上・下水道・高層ビル等の土木・建築構造物等や災害危険箇所等は、維持管理のために日常的に点検が行われ、損傷が認められた場合にはその程度を判断し、必要な補修対策がとられるのが常である。この点検業務には現地で簡便に利用することができるチェックシート(点検データシート)が利用されている場合が多い。これらのシートでは対象物の損傷状況に応じて評点をつけることにより現況の安全性が評価できるように工夫されている。ただし、シートの評点決定に関して明瞭な決定根拠が示されているものはほとんどなく、最終的な判断は高度な技術者の判定に委ねられることも少なくない。
これについて、既往の点検データと補修実施の実績データを修正しながら、ＳＶＭを用いることにより、点検対象物の危険度を演算し、その演算結果に基づいて補修の要否や対応策の要否を高精度に評価することが可能なシステムを発明した。このシステムを用いることで、土木構造物や建築物の補修要否、あるいは災害危険箇所の災害防止対応策の要否判断において高い精度を発揮しながら、客観性も確保することが出来、構造物や災害危険箇所の維持補修事業の効率化・高精度化・客観化に大きな効果が期待できる。
また、土木・建築構造物の維持管理や災害危険箇所の監視にかかるコストの中でも特に、「点検」に焦点を絞り、ライフサイクルコストを最小にするような効率的な維持管理手法の確立を可能とするという効果も期待できる。
【００１０】
本発明は、かかる従来の事情に対処してなされたものであり、土木・建築構造物や災害危険箇所などの点検対象物に対する補修の必要度あるいは災害発生に対する危険度の評価を行なう際に、技術者や点検者による先入観や主観を排除しながら、点検された多数の項目のデータに基づいて、これを修正しながら補修工事の必要度や災害危険箇所への災害防止対応策の必要性について客観的で精度の高い定量的評価を可能としながら、その補修工事や災害防止対応策の優先順位を客観的かつ高精度に定めることができる健全性劣化評価システムを提供することを目的とする。
【課題を解決するための手段】
【００１１】
上記目的を達成するため、請求項１記載の発明である健全性劣化評価システムは、入力部と、演算部と、格納部と、出力部を有し、点検対象物における健全性劣化の要因（要因数をｎとする。ｎ≧２）に係るｎ次元の要因データと前記点検対象物に対する前記要因毎に構成される点検データと前記点検対象物に対する補修の有無データとを備える点検総合データと、前記点検データを用いて補修の必要性の有無あるいは災害発生の可能性の有無を分離するための判別面を解析して得るためのＳＶＭと、を用いてある点検対象物における危険度を算出して補修又は点検の必要性を評価するための健全性劣化評価システムであって、
前記格納部は、前記判別面を解析するためのＳＶＭデータと、前記ＳＶＭに代入されるｎ次元の要因データと，前記点検対象物に対する前記要因データ毎に構成される学習用点検データと，前記点検対象物における補修の有無データを正負又は負正に対応させた前記ＳＶＭに対する教師値データと，を備える学習用点検総合データと、前記点検対象物に対する前記要因データ毎に構成され前記学習用点検データよりも確度の高いことが予め明らかなマスタ点検データとを格納する格納部であって、
前記入力部は、前記点検対象物における前記健全性劣化の要因に係るｎ次元の要因データと前記要因データ毎の点検データを入力可能な手段であって、
前記演算部は、前記マスタ点検データ及び前記ＳＶＭデータを前記格納部から読み出して前記マスタ判別面を解析する判別面演算部と、
前記学習用点検データを前記格納部から読み出して、前記マスタ判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記学習用点検データを座標点として入力し、この座標点から前記多次元空間中に形成されるマスタ判別面までの距離を前記点検対象物の学習データ危険度として演算する判別面距離演算部と、
前記点検対象物毎に前記学習用点検総合データの教師値データを前記格納部から読み出して、前記判別面距離演算部で演算された点検対象物の学習データ危険度と比較して、教師値データが表現する補修有無に対して学習データ危険度が反している矛盾点検対象物を検出する学習用点検データ分析部と、
前記学習用点検データ分析部によって検出された矛盾点検対象物に関する学習用点検データ及び教師値データを前記学習用点検データ及び教師値データから削除し修正学習用点検総合データを生成して前記格納部に格納する学習用点検データ修正部と、を備え、
前記判別面演算部は、前記修正学習用点検総合データ及び前記ＳＶＭデータを前記格納部から読み取り前記判別面を解析する判別面演算部であり、
前記判別面距離演算部は、前記入力部から入力された前記点検データを読み取り、前記判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記点検データを座標点として入力し、この座標点から前記多次元空間中に形成される判別面までの距離を前記点検対象物の危険度として演算する判別面距離演算部である手段であって、
前記出力部は、前記入力部から入力されるデータ、前記演算部で演算された結果に関するデータ又は前記格納部に格納されるデータを、それぞれ入力部、演算部、格納部から読み出して出力可能な手段であることを特徴とするものである。
【００１２】
なお、本請求項１の記載も含めて本願における点検対象物とは、道路、橋梁、トンネル、ダム、高層ビル、鉄塔、上・下水道など、建設工事を施すことによって建設される土木・建築構造物、及び、がけ崩れ（土砂崩れ）、地面陥没、土石流などが発生する可能性のある災害危険箇所などを含む概念である。また、本願において、点検データとは、点検対象物に対して実施される点検や試験において、点検対象物における劣化要因となりうる要因毎に得られたデータをいい、学習用点検データとは、ＳＶＭにおいて学習データとして取り扱うための点検データであり、劣化要因となりうる要因毎に得られたデータであることは共通している。また、点検総合データとは、要因データと点検データと点検対象物に対する補修の有無データのデータセットを意味し、学習用点検総合データは、同様に、要因データと学習用点検データと点検対象物に対する補修の有無データをＳＶＭの教師値データとしたデータのデータセットを意味する。なお、点検総合データの補修の有無のデータは、教師値データとはしていないが、有無を表現するデータであればその形態は問わないため、例えば−１と＋１のように教師値データと同値を用いてもよい。
さらに、判別面は、先の要因毎に得られたデータを多次元空間上の座標にプロットしながら、多次元のうちの１次元の方向として災害の発生や補修工事の実施の場合には教師値データを「−１」とし、非発生あるいは未補修の場合には教師値データを「＋１」としたＳＶＭを考え、その重ね合わせによって演算されたものである。教師値データとしては、−１と＋１を選択しているが、特にこの数値に限定するものではなく、正負いずれかをそれぞれ取るのであれば、その絶対値の大小にはこだわるものではない。
なお、本願発明では、点検対象物の点検データを多次元空間中に座標点として入力し、この座標点から多次元空間中に形成される判別面までの距離を点検対象物の危険度として定義しているが、この危険度という語は、補修や対策工などを必要としている程度を示す語であり、危険自体を定量的に図るものではない。従って、必要度などとしてもよく、語句自体に拘泥するものではない。
【００１３】
請求項２記載の発明である健全性劣化評価システムは、入力部と、演算部と、格納部と、出力部を有し、点検対象物における健全性劣化の要因（要因数をｎとする。ｎ≧２）に係るｎ次元の要因データと前記点検対象物に対する前記要因毎に構成される点検データと前記点検対象物に対する補修の有無データとを備える点検総合データと、前記点検データを用いて補修の必要性の有無あるいは災害発生の可能性の有無を分離するための判別面を解析して得るためのＳＶＭと、を用いてある点検対象物における危険度を算出して補修又は点検の必要性を評価するための健全性劣化評価システムであって、
前記格納部は、前記判別面を解析するためのＳＶＭデータと、前記ＳＶＭに代入されるｎ次元の要因データと，前記点検対象物に対する前記要因データ毎に構成される学習用点検データと，前記点検対象物における補修の有無データを正負又は負正に対応させた前記ＳＶＭに対する教師値データと，を備える学習用点検総合データと、を格納する手段であって、
前記入力部は、前記点検対象物における前記健全性劣化の要因に係るｎ次元の要因データと前記要因データ毎の点検データを入力可能な手段であって、
前記演算部は、前記点検対象物毎に学習用点検データ及び前記教師値データを前記格納部から読み出して、前記学習用点検データをキーとして前記教師値データを比較して、前記学習用点検データが同一であるにもかかわらず前記教師値データが異なる矛盾点検対象物を検出する学習用点検データ分析部と、
前記学習用点検データ分析部によって検出された矛盾点検対象物に関する学習用点検データ及び教師値データを前記学習用点検データ及び教師値データから削除し修正学習用点検総合データを生成して前記格納部に格納する学習用点検データ修正部と、
前記修正学習用点検データ及び前記ＳＶＭデータを前記格納部から読み出して前記判別面を解析する判別面演算部と、
前記入力部から入力された前記点検データを読み取り、前記判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記点検データを座標点として入力し、この座標点から前記多次元空間中に形成される判別面までの距離を前記点検対象物の危険度として演算する判別面距離演算部と、を備える手段であって、
前記出力部は、前記入力部から入力されるデータ、前記演算部で演算された結果に関するデータ又は前記格納部に格納されるデータを、それぞれ入力部、演算部、格納部から読み出して出力可能な手段であることを特徴とするものである。
【００１４】
また、請求項３に記載の発明である健全性劣化評価システムは、入力部と、演算部と、格納部と、出力部を有し、点検対象物における健全性劣化の要因（要因数をｎとする。ｎ≧２）に係るｎ次元の要因データと前記点検対象物に対する前記要因毎に構成される点検データと前記点検対象物に対する補修の有無データとを備える点検総合データと、前記点検データを用いて補修の必要性の有無あるいは災害発生の可能性の有無を分離するための判別面を解析して得るためのＳＶＭと、を用いてある点検対象物における危険度を算出して補修又は点検の必要性を評価するための健全性劣化評価システムであって、
前記格納部は、前記判別面を解析するためのＳＶＭデータと、前記ＳＶＭに代入されるｎ次元の要因データと，前記点検対象物に対する前記要因データ毎に構成される学習用点検データと，前記点検対象物における補修の有無データを正負又は負正に対応させた前記ＳＶＭに対する教師値データと，を備える学習用点検総合データと、を格納する手段であって、
前記入力部は、前記点検対象物における前記健全性劣化の要因に係るｎ次元の要因データと前記要因データ毎の点検データを入力可能な手段であって、
前記演算部は、前記点検対象物毎に学習用点検データを前記格納部から読み出して、前記点検時期毎に学習用点検データを比較して、ある点検時期とその点検時期よりも後の点検時期における前記教師値データが補修無を表現する値で変化がないにもかかわらず前記学習用点検データが改善している矛盾点検対象物を検出する学習用点検データ分析部と、
前記学習用点検データ分析部によって検出された矛盾点検対象物に関する学習用点検データ及び教師値データを前記学習用点検データ及び教師値データから削除し修正学習用点検総合データを生成して前記格納部に格納する学習用点検データ修正部と、
前記修正学習用点検データ及び前記ＳＶＭデータを前記格納部から読み出して前記判別面を解析する判別面演算部と、
前記入力部から入力された前記点検データを読み取り、前記判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記点検データを座標点として入力し、この座標点から前記多次元空間中に形成される判別面までの距離を前記点検対象物の危険度として演算する判別面距離演算部と、を備える手段であって、
前記出力部は、前記入力部から入力されるデータ、前記演算部で演算された結果に関するデータ又は前記格納部に格納されるデータを、それぞれ入力部、演算部、格納部から読み出して出力可能な手段であることを特徴とするものである。
【００１５】
請求項４に記載の発明では、請求項１乃至請求項３のいずれか１項に記載の健全性劣化評価システムにおいて、前記格納部は、前記学習用点検総合データ又は前記修正学習用点検総合データの精度を試験するために、前記点検対象物に対する前記要因データ毎に構成されるテスト点検データと、
このテスト点検データを用いて演算された前記点検対象物の危険度を介して前記学習用点検総合データ又は前記修正学習用点検総合データを評価するために、前記危険度と，補修有の点検対象物と補修無の点検対象物の組合せ及び／又は点検対象物の全数に対する補修有の点検対象物の数である補修率のデータと，を図示する分離性評価関数データと、を格納する手段であって、
前記演算部は、前記学習用点検総合データ又は前記修正学習用点検総合データ及び前記ＳＶＭデータを前記格納部から読み取り判別面を解析する判別面演算部と、
前記格納部に格納された前記テスト点検データを読み取り、前記判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記テスト点検データを座標点として入力し、この座標点から前記多次元空間中に形成される判別面までの距離を前記点検対象物のテスト危険度として演算する判別面距離演算部と、
前記格納部から前記分離性評価関数データを読み出して、前記テスト危険度と、前記テスト点検データに含まれる補修有の点検対象物と補修無の点検対象物の組合せ及び／又は点検対象物の全数に対する補修有の点検対象物の数である補修率のデータと，を表又は図で示す学習用点検データ試験部と、を有し、
前記出力部は、前記表又は図を出力可能であることを特徴とするものである。
【発明の効果】
【００１６】
本発明は、土木・建築構造物や災害危険箇所等の点検対象物に対する学習用点検データの精度を向上させるべく修正し、その修正されてデータとしての精度が高まった学習用点検データを用いて判別面を演算し、この高い精度を維持した判別面を用いて、点検データの多次元座標空間における座標点から判別面までの距離を危険度として点検データを解析し、点検対象物における補修工事あるいは対応策の必要性を高精度かつ客観的に評価することができる。
また、最初に学習用点検データの精度を向上させるので、補修や保守工事などの実績データあるいは点検データがある程度まとまってあるものの、これまで使用されていない場合においても、判別面を形成可能であるので、これまで使用できずに放置されていた実績データや点検データ、あるいは低い精度で運用されていた実績データや点検データを高い精度で利用することができ、より客観的な解析を実行することが可能である。従って、補修工事や災害危険箇所に対する対応策の優先順位などを、より確度と客観性をもって決定することができ、限られた社会資本を適切に投入・処理することが可能である。
【００１７】
特に、請求項４に記載の発明では、修正後の学習用点検データの評価を行うことが可能であるため、修正された学習用点検データの精度を確認することができ、さらに修正を行うべきか、点検データの解析に用いることができるか、あるいは修正をあきらめるかの判断を行うことができる。
【発明を実施するための最良の形態】
【００１８】
以下、本発明の実施の形態に係る健全性劣化評価システムについて説明する前に、まず、ＳＶＭについて説明を行う。
本実施の形態に係る健全性劣化評価システムにおいては、点検結果を評価するための手段として、ＳＶＭという数理的手法を用いている。
ＳＶＭは１９９２ 年にVapnik らによって提案された手法で、現在、最も強力なパターン分類手法として注目されている。一般的なパターン分類問題では、線形分離可能な問題よりも線形分離不可能な問題の方が圧倒的に多いとされている。ＳＶＭでは、図１の基本概念に示すように、線形分離不可能なパターン分類問題では、ある非線形写像によって、特徴空間と呼ばれる高次元空間にマッピングすることによって、線形分離可能な状態となり、最適な分離超平面を求めることができる。
【００１９】
ＳＶＭによる点検結果評価の基本的な概念を２次元のイメージ図として図２に示す。
本図では、点検対象物として橋梁を例にとり、橋梁下から目視で行う「はり上点検」での伸縮継手の点検結果を要因データとし、過去の補修履歴を教師値データとしてＳＶＭによるパターン分類を行なうと、図中に示すような判別面によってデータが分離される。ここで、はり上点検の結果のデータはその判別面によって補修必要度の高いもの（判別面の外側、すなわち判別面を挟んで原点が含まれない側）と低いもの（判別面の内側、すなわち判別面を挟んで原点が含まれる側）に分類された状態にある。そこで、本実施の形態では各データの判別面からの距離ｆ（ｘ）を算出し、それを危険度の指標とすることを基本とした。
なお、ここで言う伸縮継手の「はり上点検」とは、床版・橋桁下面からの検査であり橋脚はり上から主に目視で点検するもので、交通を妨げずに行なえ比較的小規模で容易に実施可能である。また、「上・下部工点検」とは、路上からの点検で損傷を的確に確認できるものの交通規制を要し多大な費用と労力を必要とするものである。なお、図２中に示すとおり、本実施の形態において判別面からの距離ｆ（ｘ）は、判別面上で０、判別面の外側では負、判別面の内側では正となるものであるが、正負は逆としてもよいことは言うまでもない。
また図２ではＸ軸Ｙ軸とも値が大きくなる方を危険側としたが、逆にＸ軸Ｙ軸が大きくなる方を安全側としてもよいことは言うまでもない。
【００２０】
次に、点検に関する種類について説明する。道路構造物を例に取ると、以下のような種類があり、目的により使い分けを行なう。
a) 初期点検
構造物の新設、または改築にあたって、以後の維持管理を行なう上での基礎資料となる構造物完成後の初期状態を把握することを目的としている。
b) 日常点検
道路構造物を常に良好な状態で保全し、安全かつ円滑な交通の確保および第三者に対する障害の防止を図ることを目的としている。
c) 定期点検
長期点検計画に基づいて、一定の期間ごとに構造物に接近して行なう点検で、機能低下の原因となる損傷を早期に発見し、構造物の損傷度を把握するとともに、補修計画作成のための資料を得ることを目的としている。
d) 臨時点検
初期点検、日常点検、定期点検を補完するため、適宜必要に応じ実施する点検で、災害時点検（自然災害の事後対策等）、事故時点検（重量物の落下等、突発的事項による損傷対応）、追跡・詳細点検（日常・定期点検などで発見された損傷の対応策）を検討するにあたり、より詳細な損傷状況の把握、原因の究明並びに損傷状態の継続的な観察などを目的としている。
なお、今回の実施の形態において用いる「はり上点検」及び「上・下部工点検」は、上記のｃ）の定期点検に分類されるものである。
【００２１】
高速道路を例に取り、その点検方法について説明を加える。
高速道路の点検は、まず目視による点検から始める。接近して目視点検を行なうためには，足場が必要になるため検査路のない箇所での点検は、路下から接近できる場合は高所作業車を使用し、接近できない場合は高速道路上からオーバーハング車によって道路下面に接近する。また、海上の長大橋などは、建設時に設置された検査車を利用した点検を実施している。
はり上点検および上・下部工点検が分類される定期点検は、数年に一度といった頻度で、対象構造物に接近し、目視，たたき，または簡単な計測により行なう。
今回の実施の形態における解析は、国内の高速道路の伸縮継手を対象にＳＶＭを用いて行ったものである。伸縮継手に関するデータベースとして、資産データ、点検データ、補修データが存在する。資産データとは、土木構造物を主体に構造・部位別の諸元情報を示した台帳データである。点検データとは、日常点検と定期点検の結果を文字データおよび写真データとしてデータベース化したもので、1985年以降のデータが蓄積されている。また、補修データとは、補修工事に関するデータをデータベース化したもので、こちらも1985年以降のデータが蓄積されている。すなわち、補修の有無に関するデータである。
以上の３データの中から、はり上点検データとして、1985年、1987年、1990年、1992年、1995年、1999年、2004年に行なわれた点検データおよび、1985年〜2003年に行なわれた補修データを用いた。また、上・下部工点検データとして、1994年、2000年に行なわれた点検データを用いた。はり上点検と上・下部工点検の実施年を表１にまとめ示す。
【００２２】
【表１】
【００２３】
表１にまとめられたデータのうち、本実施の形態では、はり上点検の点検項目とその結果による処置方針を2004年の点検データの一例を用いて、表２に示す。
【００２４】
【表２】
【００２５】
解析に用いる要因は、９個の損傷項目（ボルトのゆるみ、ボルトの欠損、異常音、排水樋のつまり、排水樋の損傷、漏水、止水工、伸縮本体の損傷、その他）とした。各損傷項目の損傷度合を示す指標として、Ａ・Ｂ・Ｃの３つのランクがあり、Ａが最も損傷度合が大きく、以下Ｂ、Ｃの順に小さくなっている。ＳＶＭを用いて検討をするにあたって、数値化を行なう必要があり、Ａを３、Ｂを２、Ｃを１とし、記載なしのもの（損傷のないもの）については０とした。また、解析に用いる教師値データとして、処置方針（補修要否判定）を用い、補修不要を１、要補修を−１とした。以上を数値化し、表２を表３のように変換した。
なお、本願発明及び実施の形態においては、このような数値化したものや、その前の例えばＡ，Ｂ，Ｃの３つのランクの状態であっても点検データに含まれる。
【００２６】
【表３】
【００２７】
同様に、2004年以前のデータについても数値化を行なう。例として1995年の点検データの一例を表４に示す。
【００２８】
【表４】
【００２９】
表４を含め2004年以前の点検データには処置方針が記載されていない。そこで、2004年以前の点検データにおける教師値データは、表５に示す補修データを用いることとした。教師値データの設定は、はり上点検の翌年から、次回のはり上点検の前年までの補修の有無により決定した。
【００３０】
【表５】
【００３１】
例えば、表４に示す1995年のはり上点検における教師値データは、表１にあるように次のはり上点検が1999年であるため、表５の1996年〜1998年に補修されたものを教師値データ−１とし、補修のなかったものを教師値データ１とする。表４と表５を集約し、さらに数値化を行ない、表６のように変換した。2004年以前のデータにおいて、本実施の形態の説明では、この教師値データの考え方を用いた。
【００３２】
【表６】
【００３３】
次に、このようなＳＶＭを用いて、本実施の形態に係る健全性劣化評価システムによって点検対象物の健全性劣化を評価するが、その評価の基本的な考え方について説明を加える。
図３にＳＶＭを用いて、補修有無を分離させた場合の２次元イメージ図を示す。補修履歴のデータ群は、ｆ（ｘ）＝０（実線）によって分離される。さらに、ｆ（ｘ）＝−１、ｆ（ｘ）＝１で区切り、各範囲におけるデータの個数および補修率の関係を図で示すと、図４のように示される。この図４のデータは、表１に示される1985年から1999年までのはり上点検データ結果及び補修履歴（1,152データ）を用いて、図示したものである。
横軸にｆ（ｘ）をとると、ｆ（ｘ）＞０は安全領域、ｆ（ｘ）＜０は危険領域となる。この図から判断すると、危険領域で高い補修率、安全領域で低い補修率となっており、ＳＶＭにより補修の有無を分離させることができたと考えられる。
そもそも本願発明の開発の発端は、過去の蓄積されたデータを用いて補修の要否を高精度で評価可能とすることであり、そのために、まず、過去の蓄積されたデータによって、補修の有無を予測できるものかどうかの検証を行った。
学習用点検データとしては、表１に示される1985年から1995年までのはり上点検データ結果及び補修履歴（896データ）を用い、1999年のはり上点検（256データ）における補修有無が予測可能か否かの検討を行った。
【００３４】
a) 点検データ
1985年〜1995年のはり上点検データを学習用点検データ、1999年のはり上点検データをテスト点検データとした。
b) 教師値データ
前述の考え方の通り、学習用点検データおよびテスト点検データにおける教師値データは、補修の有無にて設定した。
c) 予測結果
ＳＶＭを用いて、補修有無を分離させた結果を図５（ａ）に示す。横軸にｆ（ｘ）をとると、ｆ（ｘ）＞０は安全領域、ｆ（ｘ）＜０は危険領域となる。この図から判断すると、危険領域で高い補修率、安全領域で低い補修率となっており、ＳＶＭにより学習データに関しては補修の有無を分離させることができた。
この結果で得られた判別面上に、1999年のデータを入れて、判別面からの距離ｆ（ｘ）を求め、それらのデータを補修有・補修無別にｆ（ｘ）値に対して示したものを図５（ｂ）に示す。この図から判断すると、危険領域（ｆ（ｘ）＜０）にもかかわらず低い補修率、安全領域（ｆ（ｘ）＞０）にもかかわらず高い補修率となっており、過去の点検結果および補修履歴より1999年のテスト点検データの補修の有無を予測することは難しいことがわかった。
【００３５】
本願発明者は、このようにＳＶＭに、過去に蓄積された学習用点検データを用いて判別面を解析し、学習用点検データとは別個に評価対象たる点検データを分離して評価する際の精度を向上させるための健全性劣化評価システムを鋭意努力の結果開発し、この程特許出願するに至ったものである。
【００３６】
本願発明者は、まず、上述の予測結果において過去の点検結果及び補修履歴より1999年のテスト点検データの補修の有無を予測することが難しい理由を検討したところ、判別面の解析に用いられる学習用点検データにノイズと思われるデータが存在し、このノイズが判別面の形成の精度を劣化させていることがわかった。そこで、この学習用点検データの修正を行う機能を持たせた健全性劣化評価システムを開発したのである。
【００３７】
以下、本願実施の形態に係る健全性劣化評価システムについて、図６乃至図１３を参照しながら説明する。
図６は、本発明の実施の形態に係る健全性劣化評価システムの構成図であり、図７（ａ）は、本実施の形態に係る学習用点検総合データの構成を示す概念図、（ｂ）は同じく修正学習用点検総合データの構成を示す概念図、（ｃ）は同じく点検総合データの構成を示す概念図である。
図６において、健全性劣化評価システムは、入力部１と演算部２と出力部１０及び格納部として複数のデータベース１２，１６，１８，２０，２４，２７，３１，３４から構成される。
入力部１は、これらのデータベース１２，１６，１８，２０，２４，２７，３１，３４に格納されるデータ１１ａ（具体的には、学習用点検総合データ１３、マスタ点検データ１４、テスト点検データ１５、点検総合データ１７、修正学習用点検総合データ１９、判別面距離データ２１、学習用判別面距離データ２２、試験用判別面距離データ２３、ＳＶＭデータ２８、矛盾データ検索関数データ２９、分離性評価関数データ３０、判別面データ３２、マスタ判別面データ３３、分離性評価データ３５）や解析条件１１ｂ（解析条件データ２５、パラメータデータ２６）を予め入力したり、あるいは演算部２の作業時にデータ１１ａや解析条件１１ｂを入力するために使用されるものである。入力部１としての具体例には、キーボード、マウス、ペンタブレット、光学式の読み取り装置あるいは、コンピュータ等の解析装置や計測機器等から通信回線を介してデータを受信する受信装置など複数種類の装置からなり目的に応じた使い分け可能な装置が考えられる。
【００３８】
演算部２は、モード選択部３、学習用点検データ分析部４、学習用点検データ修正部５、学習用点検データ試験部６、点検データ評価部７、判別面演算部８及び判別面距離演算部９から構成されるものである。
演算部２は、各データベースから読み出されたり、入力部１から入力されるデータ１１ａや解析条件１１ｂを用いて、土木・建築構造物や災害危険箇所等の点検対象物における健全性劣化に関する点検データから得られる補修や対応策の必要性の有無あるいは災害発生の可能性の有無を分離する判別面を演算する判別面演算部８、また、その判別面に基づいて算出される点検対象物の危険度を演算する判別面距離演算部９を備えている。また、学習用点検データ分析部４及び学習用点検データ修正部５は判別面を解析するための学習用点検データの精度を向上させるために用いられる構成要素であり、学習用点検データ試験部６は、学習用点検データの精度を試験するための構成要素である。さらに、点検データ評価部７は、学習用点検データの精度が十分担保される場合に、判別面を形成させて評価対象たる点検データを評価するための構成要素である。
なお、モード選択部３は、本実施の形態に係る健全性劣化評価システムの操作時に演算のモードを選択するための構成要素である。モード選択部３としては、押しボタン式のものでもよいし、出力部１０にボタンのアイコンを表示してタッチボタン方式で、手で触れることでモードの選択が可能なものとしてもよい。
演算部２として具体的には、ワークステーションやパーソナルコンピュータ等のコンピュータが考えられる。
【００３９】
また、データベースとしては、土木・建築構造物や災害危険箇所において実施された点検で取得された点検総合データ１７を格納する点検データベース１６をはじめとして、点検総合データ１７の評価を実施するために用いられる判別面を解析するためにＳＶＭに学習用データとして使用される学習用点検総合データ１３や、この学習用点検総合データ１３を修正して精度を向上させるために用いられるマスタ点検データ１４、あるいは学習用点検総合データ１３又はこれを修正した修正学習用点検総合データ１９の精度をテストするために用いられるテスト点検データ１５を格納するデータ修正用点検データベース１２がある。
【００４０】
学習用点検総合データ１３は、図７（ａ）に示されるとおり、点検対象物における劣化要因となりうる要因に関する要因データ４０、この要因毎に点検された結果であり、それを学習用として用いるための学習用点検データ４１、さらに前述のとおり、点検対象物に対して補修が実施されているか否かを示すための教師値データ４２のデータセットである。この学習用点検総合データ１３は、元々点検によって得られるデータであるため、点検対象物毎に存在し、例えば１年毎に定期点検を行うような場合であれば、毎年生成され、半年周期の定期点検であれば、半年毎に生成されるものである。なお、要因データ４０は、例えば橋梁であれば、その橋梁の健全性劣化に係る要因として、「ボルトのゆるみ」、「ボルトの欠損」、「異常音」、「排水樋のつまり」、「排水樋の損傷」、「漏水」、「止水工」、「伸縮本体の損傷」、「その他（さび・腐食）」などが該当し、これらを文字データの集合として捉えたものが要因データ４０となるので、点検対象物によっては通常異なる。学習用点検データ４１は、それぞれの要因に対して点検によって得られた数値やレンジを持って評価される場合には、その該当レンジやそのレンジが示すレベル値のような指標が該当する場合もある。
【００４１】
修正学習用点検総合データ１９は、図７（ｂ）に示されるとおり、要因データ４０と同様の要因データ４３、学習用点検データ４１から矛盾するデータを削除することで修正し精度を向上させた修正学習用点検データ４４、教師値データ４２の中から不要な教師値データを削除することで修正し精度を向上させた修正教師値データ４５のデータセットである。
さらに、点検総合データ１７は、図７（ｃ）に示されるとおり、要因データ４０や要因データ４３と同様な要因データ４６、評価対象となる点検対象物に対する点検データ４７、点検対象物における補修の有無データ４８のデータセットである。点検総合データ１７のみが教師値データではなく補修の有無データ４８となっているが、補修の有無に関するデータは、そのまま教師値データとすることも可能であるので、本願では教師値データを含む概念として考えてもよい。
【００４２】
また、ＳＶＭを用いて実施される解析のための解析条件データ２５やパラメータデータ２６を格納する解析条件データベース２４を備え、また、ＳＶＭを用いた解析を実行させるためのＳＶＭデータ２８や学習用点検総合データ１３から矛盾したデータを取り除くための検索関数に関するデータである矛盾データ検索関数データ２９、さらには、点検データや学習用点検データの評価を行う際に使用されるデータ分離性の評価のための関数データである分離性評価関数データ３０を格納する解析関数データベース２７を備えている。また、分離性評価関数データ３０を用いて実行された結果得られた分離性評価データ３５は、分離性評価データベース３４に格納される。
判別面演算部８において演算される学習用点検総合データ１３あるいは修正学習用点検総合データ１９を使用して得られる判別面を構成する判別面データ３２及び、マスタ点検データ１４を用いて得られるマスタ判別面を構成するマスタ判別面データ３３を格納する判別面データベース３１を備え、また、それらの判別面を用いて演算された結果得られる判別面距離データ２１、学習用判別面距離データ２２、試験用判別面距離データ２３を格納する判別面距離データベース２０を備えている。
【実施例１】
【００４３】
以下、図６乃至図８を参照しながら、本実施の形態の実施例１に係る健全性劣化評価システムについて説明する。図８は本実施例１に係る健全性劣化評価システムを用いて、学習用点検データから修正学習用点検データを生成するための方法を示すフローチャートである。
利用者は、本実施の形態に係る健全性劣化評価システムを起動するが、予め入力部１を利用して、各データベースには解析や評価に必要なデータ１１ａや解析条件１１ｂは、入力、格納されている。
起動時には、出力部１０に、モード選択部３によって、これから実行されるべきモードがいくつか表示される。具体的には、学習用点検データから修正学習用点検データを生成するための修正モード、学習用点検データ又は修正学習用点検データの精度をテストするための試験モード、また、未評価の点検データを評価するための評価モードである。
利用者は、学習用点検総合データ１３の修正を行う場合には、修正モードを選択する（ステップＳ１）。その際には、出力部１０に表示されるモードを示すボタンや出力部１０をタッチパネルとして、その画面（アイコン）自体を手で触れると修正モードが選択されるようにしておくとよい。修正モードが選択されると、さらに、矛盾教師値削除モード、矛盾点検値削除モード、マスタ点検データ利用モードの３種類のモードがモード選択部３によって出力部１０に表示される。
利用者は、それぞれ希望するモードに対して、ボタンを押したりあるいはタッチパネルのアイコンに触れるなどして選択する。
本実施の形態においては、矛盾教師値削除モードを選択し、（ステップＳ２）他の修正モードを選択する場合については後述する。（本実施例は、特に請求項２に対応する。）
モード選択部３は、選択されたモードに関する信号を学習用点検データ分析部４に送信する。モード選択部３から送信される信号を受信すると、学習用点検データ分析部４は、まず、データ修正用点検データベース１２から学習用点検総合データ１３を読み出す。
表７に読み出された学習用点検総合データ１３の一部を示す。学習用点検総合データ１３としては、表の上欄に記載されるもので、劣化に影響のある要因である「ボルトのゆるみ」から「伸縮本体の損傷」に加えて「その他」も含めている。また、それらの要因データ４０に対応するように、学習用点検データ４１としてそれぞれのレベル値が記載されている。また、右欄には、教師値データ４２として、補修の有無に相当する数値が、−１，＋１として記載されている。
学習用点検データ分析部４は、読み出した学習用点検総合データ１３に含まれる要因データ４０毎に、学習用点検データ４１を読み出し（ステップＳ３）、その教師値データ４２を読み出す（ステップＳ４）。学習用点検総合データ１３は、対象点検物毎に例えば表７に示されるように、管理番号及び点検年を付した上で、格納されると、それらをキーとして学習用点検データ分析部４などによって読み出し易くなるので望ましい。
【００４４】
【表７】
【００４５】
学習用点検データ分析部４は、読み出した点検対象物毎の学習用点検データ４１と教師値データ４２の組合せで、同じ要因データ４０に係る学習用点検データ４１の組合せにおいて、矛盾を生じている教師値データ４２を検索する（ステップＳ６）。この矛盾を生じている学習用点検データ４１の検索には、学習用点検データ分析部４が、解析関数データベース２７に格納されている矛盾データ検索関数データ２９を用いて実行される。
具体的には、表７に示されるように、橋梁Ｎｏ．がP-390とP-391として管理される点検対象物とP-392で管理される点検対象物では、それぞれ同じ要因データの「漏水」において、その学習用点検データがレベル１で共通するものの、その教師値データはP-390とP-391ではそれぞれ−１で、P-392では＋１となっており矛盾している。
このように矛盾する教師値データを検索した後には、学習用点検データ分析部４はその矛盾教師値データを有する学習用点検データ４１を抽出する（ステップＳ６）。そして、学習用点検データ分析部４は、この抽出した学習用点検データ４１と矛盾を生じている教師値データ４２を含めて、学習用点検総合データ１３を学習用点検データ修正部５に送信する。
学習用点検データ修正部５では、矛盾を生じている教師値データ４２及び学習用点検データ４１を学習用点検総合データ１３から削除することで修正学習用点検総合データ１９を生成する（ステップＳ７）。本実施例では、当初896データであったものが、このような矛盾を生じているデータを削除することで、199データに減らせることができた。生成された修正学習用点検総合データ１９は、学習用点検データ修正部５によって、修正学習用点検データベース１８に格納される。
なお、学習用点検データ修正部５における矛盾データの削除方法については、特に限定するものではないが、例えば、矛盾を生じているいずれが正しいかなどの判断を省略して安全側にすべてを削除する方法や、教師値データなどで、保守的な方のデータ、すなわち安全側に判断されるデータ（データ自身が危険なデータ）を残して、削除する方法がある。データが安全側か危険側か等の判断をさせる場合には、その判別式を学習用点検データ修正部５内部に設けて矛盾データを読み出して、その判別式にかけて抽出して削除する必要があると考えられる。
【実施例２】
【００４６】
次に、図６、図７及び図９を参照しながら、本実施の形態の実施例２に係る健全性劣化評価システムについて説明する。図９は本実施例２に係る健全性劣化評価システムを用いて、学習用点検データから修正学習用点検データを生成するための方法を示すフローチャートである。本実施例２では、矛盾点検値削除モードを選択するものである。（本実施例は、特に請求項３に対応する。）
利用者は、先の実施例１と同様に修正モードを選択する（ステップＳ１）。修正モードが選択されると、さらに、矛盾教師値削除モード、矛盾点検値削除モード、マスタ点検データ利用モードの３種類のモードがモード選択部３によって出力部１０に表示されるが、今回は矛盾点検値削除モードを選択する（ステップＳ２）。
モード選択部３は、実施例１と同様に、選択されたモードに関する信号を学習用点検データ分析部４に送信する。モード選択部３から送信される信号を受信すると、学習用点検データ分析部４は、まず、データ修正用点検データベース１２から学習用点検総合データ１３を読み出す。
表８に読み出された学習用点検総合データ１３の一部を示す。学習用点検総合データ１３としては、表７と同様に要因データ４０、学習用点検データ４１、そして教師値データ４２も含まれている。
学習用点検データ分析部４は、読み出した学習用点検総合データ１３に含まれる要因データ４０毎に、学習用点検データ４１を読み出し（ステップＳ３）、その教師値データ４２を読み出す（ステップＳ４）。
【００４７】
【表８】
【００４８】
学習用点検データ分析部４は、読み出した点検対象物毎の学習用点検データ４１と教師値データ４２の組合せで、同じ要因データ４０に係る学習用点検データ４１の組合せにおいて、矛盾を生じている学習用点検データ４１を検索する（ステップＳ５）。この矛盾を生じている学習用点検データ４１の検索には、学習用点検データ分析部４が、解析関数データベース２７に格納されている矛盾データ検索関数データ２９を用いて実行される。
具体的には、表８に示されるように、橋梁Ｎｏ．がP-88において、1995年に要因データである「排水樋のつまり」の学習用点検データで、レベル２とあるものが、その年から1999年の前年までに補修がなかったにもかかわらず1999年の点検では、レベル０となっており、損傷度合が小さくなるという矛盾を生じている。さらに、橋梁Ｎｏ．P-132では、1987年の「排水樋のつまり」、「排水樋の損傷」、「漏水」という３つの要因データで、それぞれレベル２，３，１の状態にあったものが、P-88と同様にその年から1990年の前年までに補修がなかったにもかかわらず、1990年にはいずれもレベル０となっており矛盾を生じている。
このように矛盾する学習用点検データ４１を検索した後には、学習用点検データ分析部４はその矛盾学習用点検データを有する学習用点検データ４１及びその教師値データ４２を抽出する（ステップＳ６）。そして、学習用点検データ分析部４は、この抽出した矛盾を生じている学習用点検データ４１と教師値データ４２を含めて、学習用点検総合データ１３を学習用点検データ修正部５に送信する。
学習用点検データ修正部５では、矛盾を生じている学習用点検データ４１及び教師値データ４２を学習用点検総合データ１３から削除することで修正学習用点検総合データ１９を生成する（ステップＳ７）。本実施例では、当初896データであったものが、このような矛盾を生じているデータを削除することで、616データに減らすことができた。生成された修正学習用点検総合データ１９は、学習用点検データ修正部５によって、修正学習用点検データベース１８に格納される。
【実施例３】
【００４９】
次に、図６、図７及び図１０を参照しながら、本実施の形態の実施例３に係る健全性劣化評価システムについて説明する。図１０は本実施例３に係る健全性劣化評価システムを用いて、学習用点検データから修正学習用点検データを生成するための方法を示すフローチャートである。本実施例３では、マスタ点検データ利用モードを選択するものである。（本実施例は、特に請求項１に対応する。）
利用者は、先の実施例１や２と同様に修正モードを選択する（ステップＳ１）。修正モードが選択されると、さらに、矛盾教師値削除モード、矛盾点検値削除モード、マスタ点検データ利用モードの３種類のモードがモード選択部３によって出力部１０に表示されるが、本実施例ではマスタ点検データ利用モードを選択する（ステップＳ２）。
モード選択部３は、実施例１、２と同様に、選択されたモードに関する信号を学習用点検データ分析部４に送信する。モード選択部３から送信される信号を受信すると、学習用点検データ分析部４は、まず、データ修正用点検データベース１２からマスタ点検データ１４を読み出す（ステップＳ３）。
【００５０】
マスタ点検データとは、熟練した点検技術者が点検した結果に関するデータであり、精度が高く信頼できるデータを意味するものである。マスタ点検データ１４を読み出した学習用点検データ分析部４は、そのマスタ点検データ１４を判別面演算部８に送信し、判別面演算部８では解析関数データベース２７に格納されたＳＶＭデータ２８を読み出して、ＳＶＭにマスタ点検データ１４を用いて判別面を演算する（ステップＳ４）。判別面演算部８は、この判別面をマスタ判別面として演算するが、複数の要因データに対応したマスタ点検データ１４であるため、マスタ判別面は多次元空間に形成される判別面となる。このマスタ判別面は要因データの要因数（本願ではこの要因数をｎと表現している。）以上の次元数の多次元空間に形成される。
判別面演算部８は、マスタ判別面に関するマスタ判別面データ３３を判別面データベース３１に格納する。
このマスタ判別面の演算が終了すると、学習用点検データ分析部４は、データ修正用点検データベース１２から学習用点検総合データ１３を読み出す（ステップＳ５）。読み出された学習用点検総合データ１３は、判別面距離演算部９へ送信され、判別面距離演算部９は、マスタ判別面データ３３を判別面データベース３１から読み出して、先の要因データの要因数ｎ以上の次元数の多次元空間に形成される座標中に形成させると同時に、学習用点検総合データ１３の学習用点検データ４１を点検対象物・点検年毎に、それぞれの要因データを対応させた座標軸に座標点としてプロットする。このようにしてプロットされた学習用点検データ４１の座標点から、先のマスタ判別面までの距離を演算する（ステップＳ６）。但し、この「距離」は、座標点が判別面に対して多次元空間の原点側にある場合を正と概念するものである。
演算されたマスタ判別面までの距離は、判別面距離演算部９によって学習用判別面距離データ２２として判別面距離データベース２０に格納される（ステップＳ６）。
【００５１】
次に、判別面距離演算部９が学習用点検データ４１の座標点からマスタ判別面までの距離の演算を終えると、学習用点検データ分析部４は、データ修正用点検データベース１２から読み出した学習用点検総合データ１３からそれぞれの学習用点検データ４１に対応する教師値データ４２を読み出す（ステップＳ７）。
そして、この教師値データ４２と、先に判別面距離演算部９において演算された学習用判別面距離データ２２を判別面距離データベース２０から読み出して比較しながら矛盾する教師値データ４２及び判別面距離データを検索する。
この教師値データ４２と学習用判別面距離データ２２の比較の様子をデータで示したものが表９である。
表９に読み出された学習用点検総合データ１３に学習用判別面距離データ２２を加えたものの一部を示す。学習用点検総合データ１３としては、表７，８と同様に要因データ４０、学習用点検データ４１、そして教師値データ４２も含まれており、さらに、ｆ（ｘ）で表現されている学習用判別面距離データ２２が含まれている。
【００５２】
【表９】
【００５３】
表９において、矛盾する教師値データ４２及び学習用判別面距離データ２２として具体的には、橋梁Ｎｏ．がP-62の点検年1995年において、教師値データが−１（補修有り）と、正として安全であることを示すｆ（ｘ）の値が矛盾している。また、橋梁Ｎｏ．がP-64の点検年1995年においては、逆に教師値データが＋１（補修無し）と、負として危険性があることを示すｆ（ｘ）の値が矛盾している。
このように矛盾する教師値データ４２と学習用判別面距離データ２２を検索した後には、学習用点検データ分析部４はその矛盾する教師値データ４２と学習用判別面距離データ２２を有する学習用点検データ４１を抽出する（ステップＳ８）。そして、学習用点検データ分析部４は、この抽出した矛盾を生じている教師値データ４２と学習用点検データ４１を含めて学習用点検総合データ１３を学習用点検データ修正部５に送信する。
学習用点検データ修正部５では、矛盾を生じている学習用点検データ４１及び教師値データ４２を学習用点検総合データ１３から削除することで修正学習用点検総合データ１９を生成する（ステップＳ９）。生成された修正学習用点検総合データ１９は、学習用点検データ修正部５によって、修正学習用点検データベース１８に格納される。
以上説明したとおり、実施例３をはじめ、実施例１及び実施例２に関する共通の効果としては、修正学習用点検総合データ１９を生成することによって、これまで存在していたノイズを含む学習用点検データの精度を向上させることができ、この修正学習用点検総合データを用いることで、点検データをより精度高く評価することができるという点がある。すなわち、その点検データを取得した地域、地点、箇所、あるいは構造物や建造物（以下、地域等という。）における対策の必要性、対策を施す優先順位の策定、あるいは点検の必要性に関する評価を精度高く実施することができるのである。
【実施例４】
【００５４】
次に、図６、図７及び図１１を参照しながら、本実施の形態の実施例４に係る健全性劣化評価システムについて説明する。図１１は本実施例４に係る健全性劣化評価システムを用いて学習用点検総合データ１３あるいは修正学習用点検総合データ１９の精度を確認するための方法を示すフローチャートである。本実施例４では、健全性劣化評価システムにおいて試験モードを選択するものである。（本実施例は、特に請求項４に対応する。）
利用者は、試験モードを選択する（ステップＳ１）。試験モードが選択されると、モード選択部３は、他の実施例と同様に選択されたモードに関する信号を学習用点検データ試験部６に送信する。モード選択部３から送信される信号を受信すると、学習用点検データ試験部６は、データ修正用点検データベース１２から学習用点検総合データ１３を読み出すか、あるいは修正学習用点検データベース１８から修正学習用点検総合データ１９を読み出す。（ステップＳ２）。
このデータの選定は、学習用点検データ試験部６がデータ修正用点検データベース１２及び修正学習用点検データベース１８にアクセスして、試験可能な学習用点検総合データ１３及び修正学習用点検総合データ１９のデータセット名を出力部１０に表示して、ボタン操作やタッチパネル化した出力部１０を用いて選択可能としておくとよい。
【００５５】
学習用点検データ試験部６は、読み出した学習用点検総合データ１３又は修正学習用点検総合データ１９を判別面演算部８に送信し、判別面演算部８では解析関数データベース２７に格納されたＳＶＭデータ２８を読み出して、ＳＶＭに学習用点検総合データ１３あるいは修正学習用点検総合データ１９を用いて判別面を演算し（ステップＳ３）、判別面に関する判別面データ３２を判別面データベース３１に格納する。この判別面も要因データの要因数ｎ以上の次元数の多次元空間に形成される。
この判別面の演算が終了すると、学習用点検データ試験部６は、データ修正用点検データベース１２からテスト点検データ１５を読み出す（ステップＳ４）。このテスト点検データ１５は、先に説明したとおり、1999年のはり上点検（256データ）を用いている。但し、本実施の形態においては、予めテスト点検データ１５においても実施例３において示した修正モードによって修正し、これをテスト点検データ１５として用いている。このようにテスト点検データ１５も修正モードによって修正してもよいし、しなくともよい。
読み出されたテスト点検データ１５は、判別面距離演算部９へ送信され、判別面距離演算部９は、判別面データ３２を判別面データベース３１から読み出して、先の要因データの要因数ｎ以上の次元数の多次元空間に形成される座標中に形成させると同時に、テスト点検データ１５を点検対象物・点検年毎に、それぞれの要因データを対応させた座標軸に座標点としてプロットする。このようにしてプロットされたテスト点検データ１５の座標点から、先の判別面まので距離を演算する（ステップＳ５）。但し、この「距離」の概念も前述のとおり、座標点が判別面に対して多次元空間の原点側にある場合を正とするものである。
演算された判別面までの距離は、判別面距離演算部９によって試験用判別面距離データ２３として判別面距離データベース２０に格納される。
【００５６】
次に、判別面距離演算部９がテスト点検データ１５の座標点から判別面までの距離の演算を終えると、学習用点検データ試験部６は、データ分離性の評価を行う（ステップＳ６）。
このデータ分離性の評価は、解析関数データベース２７から分離性評価関数データ３０を読み出しつつ、先の試験用判別面距離データ２３を判別面距離データベース２０から読み出して、これをその分離性評価関数に入力することで実行されるものである。
分離性評価関数は、試験用判別面距離データ２３のうち、横軸に試験用判別面距離データの数値をとるように処理され、縦軸に点検対象物の箇所数、あるいは補修率の平均値を示すことが可能である。また、点検対象物の箇所数は、補修済のものと未補修のものに分けて表示することができる。
【００５７】
このような分離性評価関数を用いて処理された例を、図１２、図１３及び図１４を参照しながら説明する。図１２は、先の実施例１で説明した修正学習用点検総合データ１９を用いてデータ分離性の評価を実施する際の出力結果を示すものであり、図１３は同様に先の実施例２で説明した修正学習用点検総合データ１９を用いたものである。また図１４は、先の実施例３で説明した修正学習用点検総合データ１９を用いてデータ分離性の評価を実施する際の出力結果を示すものである。
図１２、図１３及び図１４の横軸には、判別面距離演算部９によって演算された試験用判別面距離データ２３のうち、試験用判別面距離として演算されたｆ（ｘ）がとられている。本実施の形態では、距離の概念として方向を含めて検討しており、数値は正となる方が安全側であり、負となる方が危険側となっているが、このような正負に限定するものではなく、逆の方向について距離を概念する場合には数値の正負は逆となることもある。
図１２、図１３及び図１４の縦軸には、箇所数とあるのは点検対象物の箇所数を示しており、補修率は補修済の点検対象物の数を点検対象物の全体数で除したものである。また、図１２、図１３及び図１４では、箇所数については補修済と補修無の場合に分けて表示している。
図１２、図１３及び図１４の横軸に示されるｆ（ｘ）は、修正学習用点検データ４４を用いて演算される距離であり、基準となる修正学習用点検データ４４の精度が高いと、判別面が精度高く形成され、演算されるｆ（ｘ）も精度の高いものとなると考えられる。そして、そのｆ（ｘ）に基づいて、補修率や補修の有無による箇所数を縦軸に表示して、一致すれば、演算と現実の危険度（安全度）が一致することになり、逆に、修正学習用点検データ４４の精度が検証できるということになる。本実施の形態においては、図に示したが表に示してもよいことは言うまでもない。他の実施例においても同様である。
本実施例のように、学習用点検データ試験部６を備えて点検データのデータ分離性評価を行うことで、補修の有無を予測することは可能であると理解できる。
ここで、図５（ｂ）には修正前の学習用点検データ４１を用いて判別面を解析し、テスト点検データ１５を用いて評価した結果を示す。
図５（ｂ）に示されるとおり、修正前の場合には、危険領域（ｆ（ｘ）＜０）にもかかわらず低い補修率、安全領域（ｆ（ｘ）＞０）にもかかわらず高い補修率となっており、修正前の学習用点検データ４１を用いる場合には、データ分離性は悪いことが理解される。
実施例１の修正方法から得られた図１２および実施例２の修正方法から得られた図１３と、図５（ｂ）を比較すると，補修の有無の予測はほとんど改善されていないと理解される。
しかしながら，実施例３の修正方法から得られた図１４では、危険領域（ｆ（ｘ）＜０）で１００％の補修率、安全領域（ｆ（ｘ）＞０）で低い補修率となっており、実施例３に示されるような方法で、学習用点検データを修正して不一致を削除した補修履歴を用いることで、テスト点検データ１５の補修の有無を予測することは可能であることがわかった。
つまり、本実施例１および本実施例２というデータ修正方法もあるが，本実施例３において行われたデータ修正方法が最も妥当な修正方法であることが理解される。
なお、本願明細書の実施の形態の説明においては、モード選択部３を備えて修正モード、試験モード、評価モードを選択可能としたが、モード選択部３を備えることなく、これらの中から１つのモードのみ、あるいはいくつかのモードがシーケンシャルに自動的に実行されるように予めプログラムされているようなシステムであってもよい。また、修正モードでは、さらに３種類のモードが選択可能となっているが、これも予め定めた１つのモードが自動的に選択されるようにされてもよいし、必ずしも３つのモードではなく、これらの中から２つのモードが選択されるようにしてもよい。
【００５８】
一方、図５（ｂ）には修正前の学習用点検データ４１を用いて判別面を解析し、テスト点検データ１５を用いて評価した結果を示す。
図５（ｂ）に示されるとおり、修正前の場合には、危険領域（ｆ（ｘ）＜０）にもかかわらず低い補修率、安全領域（ｆ（ｘ）＞０）にもかかわらず高い補修率となっており、修正前の学習用点検データ４１を用いる場合には、データ分離性は悪いことが理解される。これに比べて図１４に示す先の実施例３によるデータ修正が妥当であり、このデータ修正によって、学習用点検データ４１の精度が大きく向上したと考えることができる。
本実施例によれば、実施例１乃至３に係る健全性劣化評価システムの効果に加えて、学習用点検データ４１の精度が向上することを確認可能なシステムを提供することができ、修正学習用点検総合データ１９を用いて実施される点検データを取得した地域等における評価の前に、妥当性を確認して精度を担保することができる。
【実施例５】
【００５９】
次に、図６、図７及び図１５を参照しながら、本実施の形態の実施例５に係る健全性劣化評価システムについて説明する。図１５は本実施例５に係る健全性劣化評価システムを用いて点検で得られた点検総合データ１７を評価するための方法を示すフローチャートである。本実施例５では、健全性劣化評価システムにおいて評価モードを選択するものである。（本実施例は、特に請求項１乃至４に対応する。）
利用者は、評価モードを選択する（ステップＳ１）。評価モードが選択されると、モード選択部３は、他の実施例と同様に選択されたモードに関する信号を点検データ評価部７に送信する。モード選択部３から送信される信号を受信すると、点検データ評価部７は、データ修正用点検データベース１２から学習用点検総合データ１３を読み出すか、あるいは修正学習用点検データベース１８から修正学習用点検総合データ１９を読み出す。（ステップＳ２）。
このデータの選定は、点検データ評価部７がデータ修正用点検データベース１２及び修正学習用点検データベース１８にアクセスして、利用可能な学習用点検総合データ１３及び修正学習用点検総合データ１９のデータセット名を出力部１０に表示して、ボタン操作やタッチパネル化した出力部１０を用いて選択可能としておくとよい。
点検データ評価部７は、読み出した学習用点検総合データ１３又は修正学習用点検総合データ１９を判別面演算部８に送信し、判別面演算部８では解析関数データベース２７に格納されたＳＶＭデータ２８を読み出して、ＳＶＭに学習用点検総合データ１３あるいは修正学習用点検総合データ１９を用いて判別面を演算し（ステップＳ３）、判別面に関する判別面データ３２を判別面データベース３１に格納する。この判別面も要因データの要因数ｎ以上の次元数の多次元空間に形成される。
この判別面の演算が終了すると、点検データ評価部７は、点検データベース１６から点検総合データ１７を読み出す（ステップＳ４）。点検総合データ１７は、この健全性劣化評価システムを利用して実際に評価されるべき対象である。
読み出された点検総合データ１７は、判別面距離演算部９へ送信され、判別面距離演算部９は、判別面データ３２を判別面データベース３１から読み出して、先の要因データの要因数ｎ以上の次元数の多次元空間に形成される座標中に形成させると同時に、点検総合データ１７の点検データ４７を点検対象物・点検年毎に、それぞれの要因データ４６を対応させた座標軸に座標点としてプロットする。このようにしてプロットされた点検総合データ１７の座標点から、先の判別面までの距離を演算する（ステップＳ５）。但し、この「距離」の概念も前述のとおり、座標点が判別面に対して多次元空間の原点側にある場合を正とするものである。
演算された判別面までの距離は、判別面距離演算部９によって判別面距離データ２１として判別面距離データベース２０に格納される。
【００６０】
次に、判別面距離演算部９が学習用点検データ４１あるいは修正学習用点検データ４４の座標点から判別面までの距離の演算を終えると、点検データ評価部７は、データ分離性の評価を行う（ステップＳ６）。
このデータ分離性の評価は、実施例４と同様に、解析関数データベース２７から分離性評価関数データ３０を読み出しつつ、先の判別面距離データ２１を判別面距離データベース２０から読み出して、これをその分離性評価関数に入力することで実行されるものである。但し、本実施例では、このデータ分離性の評価は、点検データ評価部７において実行される。
分離性評価関数は、判別面距離データ２１のうち、横軸に判別面距離データの数値をとるように処理され、縦軸に点検対象物の箇所数、あるいは補修率の平均値を示すことが可能である。また、点検対象物の箇所数は、補修済のものと未補修のものに分けて表示することができる。
【００６１】
このような分離性評価関数を用いて処理された例を、図１６を参照しながら説明する。図１６は、表（ａ）に示すデータ例を用いてデータ分離性の評価を実施する際の出力結果を示すものである。図２を用いて説明したように（ａ）をＳＶＭにて分析した結果、（ｂ）表の右列に示すｆ（ｘ）が得られる。これを（ｃ）に示すような形式で整理がなされ、（ｄ）に示したような出力結果が得られるというものである。
なお、本実施例では、学習用点検総合データ１３をデータ修正用点検データベース１２から、あるいは修正学習用点検総合データ１９を修正学習用点検データベース１８から読み出して、判別面を演算し、その判別面に対して点検総合データ１７を用いて判別面距離を演算し、これを用いて点検データ評価部７で、データ分離性の評価を実施したが、この点検データ評価部７では、学習用点検総合データ１３あるいは修正学習用点検総合データ１９自身のデータ分離性も評価可能である。
【００６２】
この学習用点検総合データ１３あるいは修正学習用点検総合データ１９自身のデータ分離性の評価について、以下に説明を加える。
本実施例では、点検データ評価部７が、ステップＳ４において点検データベース１６から点検総合データ１７を読み出したが、ここで、データ修正用点検データベース１２から学習用点検総合データ１３あるいは修正学習用点検データベース１８から修正学習用点検総合データ１９を読み出し、さらに、この中の学習用点検データ４１あるいは修正学習用点検データ４４を読み出す。読み出された学習用点検データ４１あるいは修正学習用点検データ４４は、判別面距離演算部９へ送信され、判別面距離演算部９は、判別面データ３２を判別面データベース３１から読み出して、多次元空間に形成される座標中に形成させると同時に、学習用点検データ４１あるいは修正学習用点検データ４４を点検対象物・点検年毎に、それぞれの要因データを対応させた座標軸に座標点としてプロットする。このようにしてプロットされた学習用点検データ４１あるいは修正学習用点検データ４４の座標点から、先の判別面まので距離を演算する。
演算された判別面までの距離は、判別面距離演算部９によって学習用判別面距離データ２２として判別面距離データベース２０に格納され、点検データ評価部７は、データ分離性の評価を行う。この評価方法は、先に説明した内容と同様であるので省略する。
【００６３】
次に、本実施例５の健全性劣化評価システムのうち、修正学習用点検データを得るための修正モードとして実施例３を採用する健全性劣化評価システムが発揮し得る有用で優れた効果について、さらに詳細に説明を加える。
図１７（ａ）乃至（ｆ）は、それぞれ学習用点検データ４１あるいは修正学習用点検データ４４を用いて点検データ４７を評価する工程を模式的に表現する概念図である。図中、符号Ａ及びＸで表現されるのは、学習用点検データ４１で、Ａ’及びＸ’で表現されるのは修正学習用点検データ４４であり、符号Ｍで表現されるのはマスタ点検データ１４である。
また、Ａを用いてＢを評価する（ａ）乃至（ｃ）は、学習用点検データであるＡあるいは修正学習用点検データであるＡ’の取得箇所は、マスタ点検データであるＭと同一の取得箇所であるものの、データの取得時期が異なる場合を意味しており、Ｘを用いてＹを評価する（ｄ）乃至（ｆ）は、学習用点検データであるＸあるいは修正学習用点検データであるＸ’の取得時期の異同はともかく、取得箇所が、マスタ点検データＭと異なっている場合を意味するものである。
図１７（ａ）は、本実施例によって学習用点検データ４１を修正することなく点検データ４７を評価する場合、（ｂ）は、本実施例によってマスタ点検データ１４を用いてマスタ判別面を構築し、修正学習用点検データ４４を生成して、それを用いて、点検データ４７を評価する場合、（ｃ）は、マスタ点検データ１４を用いて点検データ４７を評価する場合である。
さらに、（ａ）〜（ｃ）とは異なる地域で得られた学習用点検データ４１を修正することなく、点検データ４７を評価する場合を（ｄ）とし、（ｅ）は異なる地域のマスタ点検データ１４を用いて、学習用点検データ４１を修正して修正学習用点検データ４４を生成し、そしてそれを用いて点検データ４７を評価する場合、（ｆ）は、異なる地域のマスタ点検データ１４を用いて点検データ４７を評価する場合である。
【００６４】
このような６つのケースについて点検データ４７を評価した結果により、本実施例３に係る修正モードを採用する健全性劣化評価システムが優れた効果を発揮することを説明するものである。
この優れた効果とは以下のような効果である。ある地域、地点、箇所、あるいは構造物や建造物において、過去に蓄積された点検データが存在するものの、その過去の時点ではノイズも含まれていることが予想される場合には、その点検データをそのまま健全性劣化評価のための学習データとして用いると精度上リスクが大きいと考えられる。このような場合には、この学習データを、その地域等において精度高く実施された点検によって得られた点検データ、すなわち、マスタ点検データを用いて修正して、あるいはマスタ点検データの量が十分であれば、そのマスタ点検データを用いて、先の学習データの取得時期と異なる時期に取得された点検データを評価することが考えられる。しかしながら、マスタ点検データを取得するためには熟練した技術者が必要であることから、そのマスタ点検データが取得されている地域等はまだまだ少ないのが現状である。しかしながら、本実施例によれば、評価したい地域等で取得されたマスタ点検データでなくとも、すなわち、点検データを取得した地域で、学習用点検データが存在しさえすれば、他地域等で取得されたマスタ点検データを用いて、この学習用点検データを修正して修正学習用点検データを取得し、この修正学習用点検データをあたかもその地域等のマスタ点検データとして点検データを評価することが可能である。
この効果が優れているのである。この効果を発揮し得ることを図１７乃至図２３を参照しながら説明するものである。
【００６５】
図１８は、図１７（ａ）に示されるケースの評価結果を示すものである。すなわち、図１８（ａ）では、図１７（ａ）においてＡとして示される学習用点検データをそのまま用いて判別面を形成して、そのＡとして示される学習用点検データの分離性について評価した結果をグラフと表に示すものである。また、（ｂ）では、Ａの学習用点検データを用いて形成された判別面を用いてＢで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
図１８（ａ）において、グラフの見方は図１４を用いて説明したとおりであるので省略するが、その下の表について説明を加える。表では、横軸のｆ（ｘ）に対して、右欄にそれぞれ補修済の箇所と補修無の箇所の数を示し、そのさらに右欄に補修率を計算している。さらに下表には、ｆ（ｘ）が負の場合に補修済である箇所数と、ｆ（ｘ）が正の場合に補修無である箇所数を加え、全体の箇所数で除した数値が記載されている。これは、すなわち、相対的に危険と評価される箇所で補修済の箇所、安全と評価される箇所で補修無の箇所の和であり、適切な処理が施されている箇所の割合を示すものである。従って、本願ではこの数値を「的中率」と呼ぶことにする。
図１８（ｂ）においては、前述のとおり、Ａの学習用点検データ、すなわち、マスタ点検データを用いることなく、そのままの学習用点検データを用いて形成された判別面を用いてＢの点検データを評価した結果を示すが、先の的中率は、２７％と低い値を示している。従って、未修正データの判別面を用いた場合には、あまりよく点検データを分離できておらず、過去（１９８５年〜１９９５年）に取得された同じ箇所でのデータ（学習用点検データ）を用いて、別時点（１９９９年）に取得された同じ箇所でのデータ（点検データ）を評価することに無理があることが理解される。
【００６６】
次に、図１９を参照しながら、Ｍのマスタ点検データを用いてＡの学習用点検データを修正してＡ’とし、それを用いて同じ箇所で取得されたＢの点検データを評価した結果を説明する。図１９（ａ）では、図１７（ｂ）においてＡとして示される学習用点検データを、Ｍのマスタ点検データを用いて形成された判別面を用いて修正して、Ａ’の修正学習用点検データを生成して、そのＡ’ の分離性を評価したグラフと表を示すものである。その結果はもちろん的中率１００％となる。また、（ｂ）では、そのＡ’の修正学習用点検データを用いて形成された判別面を用いてＢで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
図１９（ａ）において、修正済のＡ’では、図１８（ａ）に示される修正前の場合に比較して分離が進み、その的中率は当然１００％になっている。一方、（ｂ）では、的中率が５６％と図１８（ｂ）の２７％に比べると大幅に向上しており、この修正学習用点検データによって形成される判別面を用いる場合には、取得時点が異なる点検データを分離することができるものと理解される。
【００６７】
さらに、図２０を参照しながら、Ｍのマスタ点検データを直接用いてＢの点検データを評価した結果について説明する。図２０（ａ）では、図１７（ｃ）においてＭとして示されるマスタ点検データを用いて形成された判別面でマスタ点検データ自身の分離性を評価したグラフと表を示すものである。また、（ｂ）では、そのＭのマスタ点検データを用いて形成された判別面を用いてＢで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
図２０（ａ）において、Ｍのマスタ点検データでは分離性が高く、その的中率も１００％となっている。一方、（ｂ）では、的中率が５８％と、図１９（ｂ）に示されるケースに比較してほぼ同等であり、また、図１８（ｂ）に示されるケースに比較すると大幅に向上している。このことから、このマスタ点検データによって形成される判別面を直接用いた場合（図２０（ｂ））に対して、マスタ点検データを用いて学習用点検データを修正して修正学習用点検データを生成してから、その修正学習用点検データを用いて点検データを評価する場合（図１９（ｂ））ではほぼ同等の分離性が得られることが理解される。
【００６８】
次に、図２１を参照しながら、別の地域等で取得されたマスタ点検データを用いて学習用点検データを修正して修正学習用点検データを生成し、その修正学習用点検データを用いて点検データを評価する場合について、分離性を向上させることができるか否かについて説明を追加する。
図２１は、図１７（ｄ）に示されるケースの評価結果を示すものである。すなわち、図２１（ａ）では、図１７（ｄ）においてＸとして示される学習用点検データをそのまま用いて判別面を形成して、そのＸとして示される学習用点検データの分離性について評価した結果をグラフと表に示すものである。また、（ｂ）では、Ｘの学習用点検データを用いて形成された判別面を用いてＹで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。これらのデータを取得した箇所は、図中にＨ路線と記載されるとおり、いずれも図１８に示される箇所とは異なる箇所で得られたデータに基づくものである。
図２１（ｂ）においては、Ｘの学習用点検データ、すなわち、マスタ点検データを用いることなく、そのままの学習用点検データを用いて形成された判別面を用いてＹの点検データを評価した結果を示すが、先の的中率は、７８％とかなり高い値を示している。従って、図１８で示した結果とは異なり、本Ｈ路線では、未修正データの判別面を用いた場合でも同じ箇所でのデータ（点検データ）を評価することが可能であることが理解される。
【００６９】
次に、図２２を参照しながら、Ｍのマスタ点検データを用いてＸの学習用点検データを修正してＸ’とし、それを用いて同じ箇所で取得されたＹの点検データを評価した結果を説明する。図２２（ａ）では、図１７（ｅ）においてＸとして示される学習用点検データを、このＸを取得した地域等とは異なる地域等で取得したＭのマスタ点検データを用いて形成された判別面を用いて修正して、Ｘ’の修正学習用点検データを生成して、そのＸ’の分離性を評価したグラフと表を示すものである。また、（ｂ）では、そのＸ’の修正学習用点検データを用いて形成された判別面を用いてＹで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
図２２（ａ）において、修正済のＸ’では、図２１（ａ）に示される修正前の場合に比較して分離が進み、その的中率も９９％と高い値を示している。一方、（ｂ）においても、高かった的中率が更に９０％と向上しており、この修正学習用点検データによって形成される判別面を用いる場合には、取得した地域等が異なる点検データを分離することができるものと理解される。
【００７０】
さらに、図２３を参照しながら、Ｍのマスタ点検データを直接用いてＹの点検データを評価した結果について説明する。図２３（ａ）では、図１７（ｆ）においてＭとして示されるマスタ点検データを用いて形成された判別面でマスタ点検データ自身の分離性を評価したグラフと表を示すものである。また、（ｂ）では、そのＭのマスタ点検データを用いて形成された判別面を用いてＹで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
図２３（ａ）において、Ｍのマスタ点検データでは分離性が高く、その的中率も１００％となっている。一方、（ｂ）では、的中率が８６％と、図２１（ｂ）に示されるケースに比較すると向上しているのが認められるが、図２２（ｂ）に示されるケースに比較すると若干低下していることが理解される。
このことから、このマスタ点検データによって形成される判別面を直接用いた場合（図２３（ｂ））よりも、マスタ点検データを用いて学習用点検データを修正して修正学習用点検データを生成してから、その修正学習用点検データを用いて点検データを評価する場合（図２２（ｂ））の方がより高い分離性が得られることが理解される。
すなわち、マスタ点検データを用いてそのデータが取得された地域等以外の地域等において取得された学習用点検データを修正して修正学習用点検データを生成することによれば、その修正学習用点検データを、あたかもその地域等のマスタ点検データとして取り扱うことで、他地域等で取得されたマスタ点検データを用いるよりもより優れた効果、すなわち、点検データの高い分離性を発揮させることが可能であり、健全性劣化評価をより精度高く実施することが可能である。
本実施の形態に係る健全性劣化評価システムを用いることで、他地域等で取得されたマスタ点検データを用いて、当該地域のマスタ点検データを生成することが可能となり、数少ないマスタ点検データの利用局面が増えることで、多数の地域において、これまでノイズを含んで利用が抑制されていた過去の点検データ（学習用点検データ）を修正学習用点検データとして活用することが可能となり、健全性劣化評価の精度の飛躍的な向上とコスト削減を同時に実現することができるという優れた効果を発揮することができるのである。
【００７１】
以上説明したとおり、本実施の形態に係る健全性劣化評価システムにおいては、過去に蓄積された点検データが熟練していない点検技術者による判断を含んでいることで、ノイズとなってしまい、そのままその蓄積された点検データを学習データとして、判別面を構築するには精度上問題が生じてしまうような場合に、ノイズを含む点検データを修正することで、学習データの精度を向上させつつ、点検データの評価精度を向上させることができる。
【産業上の利用可能性】
【００７２】
自治体をはじめとして道路、トンネル、ダム、高層ビル、鉄塔などを管理する管理団体、検査団体あるいは設計会社、建設会社、コンサルティング会社など建築構造物、土木構造物あるいは災害危険箇所に関係するあらゆる団体、企業において、構造物の建設から構造物や危険箇所の補修計画の立案、補修工事の施工後の管理まで幅広い用途がある。また、教育機関などにおいて構造物における事故や災害危険箇所における事故や災害の未然防止や避難訓練用の教材としても活用が見込まれる。さらに、建設・土木事業を営む企業においては、補修工事事業のニーズ掘り起こしや事業提案のためのツール、あるいは公的機関との連携を図るための共有ツールとして活用が可能であり、企業の補修工事技術に関する研究開発や設計事業などの用途にも適用可能である。
【図面の簡単な説明】
【００７３】
【図１】ＳＶＭの基本的概念を模式的に示す図である。
【図２】ＳＶＭによる点検結果評価の基本的な概念を表現した２次元イメージ図である。
【図３】本実施の形態に係る健全性劣化評価システムにおける点検対象物の健全性劣化の評価において、ＳＶＭを用いて点検対象物の補修有無を分離させた場合の２次元イメージ図である。
【図４】表１に示される1985年から1999年までのはり上点検データ結果及び補修履歴（1,152データ）を用いて、ｆ（ｘ）の値で区切って各範囲におけるデータの個数および補修率の関係を図で示したものである。
【図５】（ａ）は、1985年〜1995年のはり上点検データを学習用点検データとしてＳＶＭを用いて判別面を形成してｆ（ｘ）を演算し、図４と同様にｆ（ｘ）の値で区切って各範囲におけるデータの個数および補修率の関係を図で示したものであり、（ｂ）は、（ａ）の判別面を用いて、1999年のはり上点検データを入力してｆ（ｘ）を演算し、図４と同様にｆ（ｘ）の値で区切って各範囲におけるデータの個数および補修率の関係を図で示したものである。
【図６】本発明の実施の形態に係る健全性劣化評価システムの構成図である。
【図７】（ａ）は、本実施の形態に係る学習用点検総合データの構成を示す概念図、（ｂ）は同じく修正学習用点検総合データの構成を示す概念図、（ｃ）は同じく点検総合データの構成を示す概念図である。
【図８】本実施例１に係る健全性劣化評価システムを用いた修正学習用点検データを生成するための方法を示すフローチャートである。
【図９】本実施例２に係る健全性劣化評価システムを用いた修正学習用点検データを生成するための方法を示すフローチャートである。
【図１０】本実施例３に係る健全性劣化評価システムを用いた修正学習用点検データを生成するための方法を示すフローチャートである。
【図１１】本実施例４に係る健全性劣化評価システムを用いて学習用点検総合データあるいは修正学習用点検総合データの精度を確認するための方法を示すフローチャートである。
【図１２】本実施の形態に係る健全性劣化評価システムの点検データ評価部によって、先の実施例１で説明した修正学習用点検総合データを用いてデータ分離性の評価を実施する際の出力結果を示すものである。
【図１３】本実施の形態に係る健全性劣化評価システムの点検データ評価部によって、先の実施例２で説明した修正学習用点検総合データを用いたデータ分離性の評価を実施する際の出力結果を示すものである。
【図１４】本実施例４に係る健全性劣化評価システムを用いて、先の実施例３で説明した修正学習用点検総合データでデータ分離性の評価を実施する際の出力結果を示すものである。
【図１５】本実施例５に係る健全性劣化評価システムを用いて点検で得られた点検総合データを評価するための方法を示すフローチャートである。
【図１６】データの分離性を評価する際の出力結果についてデータ例を用いて示したものである。
【図１７】（ａ）乃至（ｆ）は、それぞれ学習用点検データ４１あるいは修正学習用点検データ４４を用いて点検データ４７を評価する工程を模式的に表現する概念図である。
【図１８】（ａ）は、図１７（ａ）においてＡとして示される学習用点検データをそのまま用いて判別面を形成して、そのＡとして示される学習用点検データの分離性について評価した結果をグラフと表に示すものであり、（ｂ）は、Ａの学習用点検データを用いて形成された判別面を用いてＢで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
【図１９】（ａ）は、図１７（ｂ）においてＡとして示される学習用点検データを、Ｍのマスタ点検データを用いて形成された判別面を用いて修正して、Ａ’の修正学習用点検データを生成して、そのＡ’の分離性を評価したグラフと表を示すものであり、（ｂ）は、そのＡ’の修正学習用点検データを用いて形成された判別面を用いてＢで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
【図２０】（ａ）は、図１７（ｃ）においてＭとして示されるマスタ点検データを用いて形成された判別面でマスタ点検データ自身の分離性を評価したグラフと表を示すものであり、（ｂ）は、そのＭのマスタ点検データを用いて形成された判別面を用いてＢで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
【図２１】（ａ）は、図１７（ｄ）においてＸとして示される学習用点検データをそのまま用いて判別面を形成して、そのＸとして示される学習用点検データの分離性について評価した結果をグラフと表に示すものであり、（ｂ）は、Ｘの学習用点検データを用いて形成された判別面を用いてＹで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
【図２２】（ａ）は、図１７（ｅ）においてＸとして示される学習用点検データを、このＸを取得した地域等とは異なる地域等で取得したＭのマスタ点検データを用いて形成された判別面を用いて修正して、Ｘ’の修正学習用点検データを生成して、そのＸ’の分離性を評価したグラフと表を示すものであり、（ｂ）は、そのＸ’の修正学習用点検データを用いて形成された判別面を用いてＹで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
【図２３】（ａ）では、図１７（ｆ）においてＭとして示されるマスタ点検データを用いて形成された判別面でマスタ点検データ自身の分離性を評価したグラフと表を示すものであり、（ｂ）は、そのＭのマスタ点検データを用いて形成された判別面を用いてＹで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
【符号の説明】
【００７４】
１…入力部 ２…演算部 ３…モード選択部 ４…学習用点検データ分析部 ５…学習用点検データ修正部 ６…学習用点検データ試験部 ７…点検データ評価部 ８…判別面演算部 ９…判別面距離演算部 １０…出力部 １１ａ…データ １１ｂ…解析条件 １２…データ修正用点検データベース １３…学習用点検総合データ １４…マスタ点検データ １５…テスト点検データ １６…点検データベース １７…点検総合データ １８…修正学習用点検データベース １９…修正学習用点検総合データ ２０…判別面距離データベース ２１…判別面距離データ ２２…学習用判別面距離データ ２３…試験用判別面距離データ ２４…解析条件データベース ２５…解析条件データ ２６…パラメータデータ ２７…解析関数データベース ２８…ＳＶＭデータ ２９…矛盾データ検索関数データ ３０…分離性評価関数データ ３１…判別面データベース ３２…判別面データ ３３…マスタ判別面データ ３４…分離性評価データベース ３５…分離性評価データ ４０…要因データ ４１…学習用点検データ ４２…教師値データ ４３…要因データ ４４…修正学習用点検データ ４５…修正教師値データ ４６…要因データ ４７…点検データ ４８…補修の有無データ
【技術分野】
【０００１】
本発明は、例えば土木・建築構造物や災害危険箇所等の点検対象物における健全性劣化に関する点検データから得られる補修の必要性の有無あるいは災害発生の可能性の有無を分離する判別面に基づいて算出される点検対象物における補修の必要度や対策の必要度を高精度に評価する健全性劣化評価システムに関する。
【背景技術】
【０００２】
橋梁、トンネル、鉄塔、上・下水道・高層ビル等の土木・建築構造物や災害危険箇所は、維持管理のために日常的に点検が行われ、損傷が認められた場合にはその程度を判断し、必要な補修対策がとられるのが常である。この点検業務には現地で簡便に利用することができるチェックシートが利用されている場合が多い。これらのシートでは、点検対象物の損傷状況に応じて評点をつけ、さらに補修実施の実績データを加味することにより、現況の安全性が評価されるように工夫されている。
このような点検業務は、高い見識と熟練した技術や判断力を備えた技術者が行うことが望ましいが、全国の土木・建築構造物や災害危険箇所すべてにそのような卓越した技術者を派遣することは現実的には不可能である。また、点検業務における損傷程度の判定は点検技術者の経験に基づいた主観による部分が多くを占め、その判定データには経験の多少が大きく影響し、経験の少ない点検技術者によればノイズとも考えられる内容のものが含まれる可能性もあり、補修対策の方針を決定する基準に客観性を欠いていることは否めない。
また、点検を請け負う企業や点検技術者によって、同じ状況であっても判定が異なることがあるため、評価結果と実際の損傷状況に食い違いが生じることも多く、評価者が変われば評価そのものが全く変わってしまう等、精度上の問題、客観性の課題が残されていた。
しかも、補修実施の実績データが全くない場合、又は極端に少ない場合には補修工事や保守のための対応策を講じるための優先順位を客観的に決定することは困難である。
一方、補修実施の実績データが豊富な場合においても、前述のとおり、評価者の主観的な判断に基づく評価は、矛盾点も多く、豊富な実績データをそのまま鵜呑みにして、将来の補修や点検業務へ利用することにもリスクが生じていた。しかも、検査技術や評価技術の進歩はもちろんのこと、評価基準や補修基準自体も時代変遷や経済状況などの影響を受けることがあるため、過去の基準をそのまま踏襲することが困難な場合もあり、せっかく蓄積された過去のデータがそのまま使用できない場合も生じており、このような事情からも潜在的な非効率性やリスクが生じていた。
土木・建築構造物や災害危険箇所の維持管理による有効利用が求められる昨今にあって、既存の社会資本の保守事業遂行は急務であるが、これをより効率的に実施するためには一層高精度且つ客観性を有した損傷状況の評価手法の確立が不可欠であると考えられる。
土木・建築構造物や災害危険箇所に関する評価手法は、土木・建築構造物の他にも、例えば土砂災害や陥没災害などの自然災害においても未然防止の観点から急峻な斜面に対して補強工事や排水工などの対策工を施すなどする際に、その危険度を評価するために必要であり、本願発明者らは既に自然災害の未然防止の観点から様々な検討を実施している。
【０００３】
例えば、防災事業計画の立案支援などのために実際の災害発生あるいは非発生に関するデータをコンピュータ処理することで精度の高い情報を得る研究に関しては、本発明者らが既に、がけ崩れの発生予測に用いられる発生降雨、非発生降雨の判別境界線であるがけ崩れの発生限界線や、避難基準線、警戒基準線を設定する方法について非特許文献１に示されるように発表している。
【０００４】
非特許文献１では、複雑な自然現象を直線近似せず、高精度の発生限界線等を設定することを目的として、非線形判別に優れた放射状基底関数ネットワーク（以後、ＲＢＦＮと略す場合がある。）を用い、地域毎の非線形がけ崩れ発生限界雨量線を設定する方法を提案している。本非特許文献１に開示される技術では、ＲＢＦＮを用いて、その学習機能を利用して最適な中間層と出力層の重みを決定することによって非線形がけ崩れ発生限界雨量線を設定している。
その結果、例えば非特許文献１では、横軸に実効雨量、縦軸に時間雨量をとった判別境界面が曲線の集合として描かれる。
この曲線は、いわば等高線を示したもので、これが非線形のがけ崩れ発生限界線を示している。判別境界面は、災害の発生、非発生の実効雨量と時間雨量をプロットしながら、その高さ方向として災害の発生の場合には教師値データを「−１」とし、非発生の場合には教師値データを「＋１」とした放射状基底関数を考え、その重ね合わせによって演算されたものである。従って、これらの等高線は、原点に近い方が高いもので、原点の存在する左下の角から対角方向に向かってなだらかに低いものとなっている。
このような災害の発生限界線や避難基準線、警戒基準線（以下、これらを総称してＣＬという。）を定量的、客観的に描くことによって精度の高い防災事業の立案の判断が可能であり、また、コンピュータ処理によって膨大なデータを短時間に処理できることから、ＣＬの陳腐化を防止して精度の高い情報を提供できるのである。
【０００５】
また、特許文献１においては、「災害対策支援システム」として、災害発生時に実行すべき災害対策を自動的に選択して表示し、その進捗状況を併せて示す手段を備えたシステムが開示されている。
本特許文献１に開示される災害対策支援システムは、基本的にはｉｆ−ｔｈｅｎ形式で、予め発生する事象とそれに対応する対策を関連付けて格納された対策リストを読みだして、対応するものである。災害時に精神的、時間的、人的に余裕のない状況で、的確な判断を可能とすべくなされたものである。また、標準的な作業時間と実働時に要した作業時間及び対策可能な残り時間を表示することで、対策進捗状況をリアルタイムに把握することが可能であると同時に、重要度の高い対策と低い対策を取捨選択するためにも用いることができる。
【０００６】
さらに、特許文献２においては、非特許文献１に開示される技術を警戒避難システムに応用した発明が開示されている。本特許文献２に開示された発明では、災害に影響を及ぼす地形要因、地質・土質要因、環境要因及び地震要因を踏まえた上で、短期降雨指標として、例えば発生時刻から３時間以内の最大時間雨量（以下、一定時間内の代表的な雨量を「時間雨量」と略すことがある。）を、また、長期降雨指標として、例えばその時刻における半減期を７２時間とした実効雨量を用いて、ＣＬを演算するものである。
このようにして得られたＣＬを用いることで、信頼性の高い警戒避難支援システムを提供することが可能である。
【非特許文献１】倉本和正 他５名：RBFネットワークを用いた非線形がけ崩れ発生限界雨量線の設定に関する研究、土木学会論文集のＮｏ．６７２／ＶＩ−５０，ｐｐ．１１７−１３２，２００１．３
【特許文献１】特開２００２−２３０２３５号公報
【特許文献２】特開２００３−１８４０９８号公報
【発明の開示】
【発明が解決しようとする課題】
【０００７】
しかしながら、非特許文献１及び特許文献２に開示された発明では、災害の発生限界線や、避難基準線、警戒基準線を設定することに主眼を置いており、ある特定の地域あるいは一定の条件毎にまとめられた地域グループにおいて、短期降雨指標や長期降雨指標がどの程度に至れば災害の発生の危険性があるのかを客観的に評価することに留まっていた。極端に言えば、同一地点において、蓄積された短期及び長期の降雨指標のデータを入力して、その地点で蓄積された降雨データに基づいて、どの程度の降雨で災害が生じることになるかという判断を行っていたのである。
これでは、客観的、定量的な評価であっても、地域毎あるいはグループ毎に個別具体的な評価を行なうことはできるものの、特定の地域ではなく、地域全般に共通の一般的、普遍的な評価を行なうことが困難であるという課題があった。さらに、データ自身の信憑性については疑いを挟む余地がなく、データとしては、広範な地域のデータを一律に取り扱い、点検業務を実施した者の技術力の個人差などは考慮されず、過去のデータの信頼性に関する評価を行うことなく、普遍的に高い精度で評価することが困難であるという課題があった。
従って、いずれの地域に対して優先的に補修工事を施すか、あるいは防災の対策を施すかという判断を行うには、ばらつきが生じることで均一な判断を行うことが困難であった。
【０００８】
また、特許文献１に開示された発明では、基本的に複雑ではあるけれども予め定められたあるいは既知の条件とその対策をリスト状のデータ構造を備えたものを用いて、対策の具体的な実施手順を示すものである。確かに対策リストは補正、更新が可能であるものの基本的には入力されたデータを基に判断がなされ、コンピュータは、事象と対策を結合させるという処理を行うに過ぎないものであり、データ自体の評価を実施したり、その精度を向上させるという点では困難であるという課題があった。
【０００９】
さらに、橋梁、トンネル、鉄塔、上・下水道・高層ビル等の土木・建築構造物等や災害危険箇所等は、維持管理のために日常的に点検が行われ、損傷が認められた場合にはその程度を判断し、必要な補修対策がとられるのが常である。この点検業務には現地で簡便に利用することができるチェックシート(点検データシート)が利用されている場合が多い。これらのシートでは対象物の損傷状況に応じて評点をつけることにより現況の安全性が評価できるように工夫されている。ただし、シートの評点決定に関して明瞭な決定根拠が示されているものはほとんどなく、最終的な判断は高度な技術者の判定に委ねられることも少なくない。
これについて、既往の点検データと補修実施の実績データを修正しながら、ＳＶＭを用いることにより、点検対象物の危険度を演算し、その演算結果に基づいて補修の要否や対応策の要否を高精度に評価することが可能なシステムを発明した。このシステムを用いることで、土木構造物や建築物の補修要否、あるいは災害危険箇所の災害防止対応策の要否判断において高い精度を発揮しながら、客観性も確保することが出来、構造物や災害危険箇所の維持補修事業の効率化・高精度化・客観化に大きな効果が期待できる。
また、土木・建築構造物の維持管理や災害危険箇所の監視にかかるコストの中でも特に、「点検」に焦点を絞り、ライフサイクルコストを最小にするような効率的な維持管理手法の確立を可能とするという効果も期待できる。
【００１０】
本発明は、かかる従来の事情に対処してなされたものであり、土木・建築構造物や災害危険箇所などの点検対象物に対する補修の必要度あるいは災害発生に対する危険度の評価を行なう際に、技術者や点検者による先入観や主観を排除しながら、点検された多数の項目のデータに基づいて、これを修正しながら補修工事の必要度や災害危険箇所への災害防止対応策の必要性について客観的で精度の高い定量的評価を可能としながら、その補修工事や災害防止対応策の優先順位を客観的かつ高精度に定めることができる健全性劣化評価システムを提供することを目的とする。
【課題を解決するための手段】
【００１１】
上記目的を達成するため、請求項１記載の発明である健全性劣化評価システムは、入力部と、演算部と、格納部と、出力部を有し、点検対象物における健全性劣化の要因（要因数をｎとする。ｎ≧２）に係るｎ次元の要因データと前記点検対象物に対する前記要因毎に構成される点検データと前記点検対象物に対する補修の有無データとを備える点検総合データと、前記点検データを用いて補修の必要性の有無あるいは災害発生の可能性の有無を分離するための判別面を解析して得るためのＳＶＭと、を用いてある点検対象物における危険度を算出して補修又は点検の必要性を評価するための健全性劣化評価システムであって、
前記格納部は、前記判別面を解析するためのＳＶＭデータと、前記ＳＶＭに代入されるｎ次元の要因データと，前記点検対象物に対する前記要因データ毎に構成される学習用点検データと，前記点検対象物における補修の有無データを正負又は負正に対応させた前記ＳＶＭに対する教師値データと，を備える学習用点検総合データと、前記点検対象物に対する前記要因データ毎に構成され前記学習用点検データよりも確度の高いことが予め明らかなマスタ点検データとを格納する格納部であって、
前記入力部は、前記点検対象物における前記健全性劣化の要因に係るｎ次元の要因データと前記要因データ毎の点検データを入力可能な手段であって、
前記演算部は、前記マスタ点検データ及び前記ＳＶＭデータを前記格納部から読み出して前記マスタ判別面を解析する判別面演算部と、
前記学習用点検データを前記格納部から読み出して、前記マスタ判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記学習用点検データを座標点として入力し、この座標点から前記多次元空間中に形成されるマスタ判別面までの距離を前記点検対象物の学習データ危険度として演算する判別面距離演算部と、
前記点検対象物毎に前記学習用点検総合データの教師値データを前記格納部から読み出して、前記判別面距離演算部で演算された点検対象物の学習データ危険度と比較して、教師値データが表現する補修有無に対して学習データ危険度が反している矛盾点検対象物を検出する学習用点検データ分析部と、
前記学習用点検データ分析部によって検出された矛盾点検対象物に関する学習用点検データ及び教師値データを前記学習用点検データ及び教師値データから削除し修正学習用点検総合データを生成して前記格納部に格納する学習用点検データ修正部と、を備え、
前記判別面演算部は、前記修正学習用点検総合データ及び前記ＳＶＭデータを前記格納部から読み取り前記判別面を解析する判別面演算部であり、
前記判別面距離演算部は、前記入力部から入力された前記点検データを読み取り、前記判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記点検データを座標点として入力し、この座標点から前記多次元空間中に形成される判別面までの距離を前記点検対象物の危険度として演算する判別面距離演算部である手段であって、
前記出力部は、前記入力部から入力されるデータ、前記演算部で演算された結果に関するデータ又は前記格納部に格納されるデータを、それぞれ入力部、演算部、格納部から読み出して出力可能な手段であることを特徴とするものである。
【００１２】
なお、本請求項１の記載も含めて本願における点検対象物とは、道路、橋梁、トンネル、ダム、高層ビル、鉄塔、上・下水道など、建設工事を施すことによって建設される土木・建築構造物、及び、がけ崩れ（土砂崩れ）、地面陥没、土石流などが発生する可能性のある災害危険箇所などを含む概念である。また、本願において、点検データとは、点検対象物に対して実施される点検や試験において、点検対象物における劣化要因となりうる要因毎に得られたデータをいい、学習用点検データとは、ＳＶＭにおいて学習データとして取り扱うための点検データであり、劣化要因となりうる要因毎に得られたデータであることは共通している。また、点検総合データとは、要因データと点検データと点検対象物に対する補修の有無データのデータセットを意味し、学習用点検総合データは、同様に、要因データと学習用点検データと点検対象物に対する補修の有無データをＳＶＭの教師値データとしたデータのデータセットを意味する。なお、点検総合データの補修の有無のデータは、教師値データとはしていないが、有無を表現するデータであればその形態は問わないため、例えば−１と＋１のように教師値データと同値を用いてもよい。
さらに、判別面は、先の要因毎に得られたデータを多次元空間上の座標にプロットしながら、多次元のうちの１次元の方向として災害の発生や補修工事の実施の場合には教師値データを「−１」とし、非発生あるいは未補修の場合には教師値データを「＋１」としたＳＶＭを考え、その重ね合わせによって演算されたものである。教師値データとしては、−１と＋１を選択しているが、特にこの数値に限定するものではなく、正負いずれかをそれぞれ取るのであれば、その絶対値の大小にはこだわるものではない。
なお、本願発明では、点検対象物の点検データを多次元空間中に座標点として入力し、この座標点から多次元空間中に形成される判別面までの距離を点検対象物の危険度として定義しているが、この危険度という語は、補修や対策工などを必要としている程度を示す語であり、危険自体を定量的に図るものではない。従って、必要度などとしてもよく、語句自体に拘泥するものではない。
【００１３】
請求項２記載の発明である健全性劣化評価システムは、入力部と、演算部と、格納部と、出力部を有し、点検対象物における健全性劣化の要因（要因数をｎとする。ｎ≧２）に係るｎ次元の要因データと前記点検対象物に対する前記要因毎に構成される点検データと前記点検対象物に対する補修の有無データとを備える点検総合データと、前記点検データを用いて補修の必要性の有無あるいは災害発生の可能性の有無を分離するための判別面を解析して得るためのＳＶＭと、を用いてある点検対象物における危険度を算出して補修又は点検の必要性を評価するための健全性劣化評価システムであって、
前記格納部は、前記判別面を解析するためのＳＶＭデータと、前記ＳＶＭに代入されるｎ次元の要因データと，前記点検対象物に対する前記要因データ毎に構成される学習用点検データと，前記点検対象物における補修の有無データを正負又は負正に対応させた前記ＳＶＭに対する教師値データと，を備える学習用点検総合データと、を格納する手段であって、
前記入力部は、前記点検対象物における前記健全性劣化の要因に係るｎ次元の要因データと前記要因データ毎の点検データを入力可能な手段であって、
前記演算部は、前記点検対象物毎に学習用点検データ及び前記教師値データを前記格納部から読み出して、前記学習用点検データをキーとして前記教師値データを比較して、前記学習用点検データが同一であるにもかかわらず前記教師値データが異なる矛盾点検対象物を検出する学習用点検データ分析部と、
前記学習用点検データ分析部によって検出された矛盾点検対象物に関する学習用点検データ及び教師値データを前記学習用点検データ及び教師値データから削除し修正学習用点検総合データを生成して前記格納部に格納する学習用点検データ修正部と、
前記修正学習用点検データ及び前記ＳＶＭデータを前記格納部から読み出して前記判別面を解析する判別面演算部と、
前記入力部から入力された前記点検データを読み取り、前記判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記点検データを座標点として入力し、この座標点から前記多次元空間中に形成される判別面までの距離を前記点検対象物の危険度として演算する判別面距離演算部と、を備える手段であって、
前記出力部は、前記入力部から入力されるデータ、前記演算部で演算された結果に関するデータ又は前記格納部に格納されるデータを、それぞれ入力部、演算部、格納部から読み出して出力可能な手段であることを特徴とするものである。
【００１４】
また、請求項３に記載の発明である健全性劣化評価システムは、入力部と、演算部と、格納部と、出力部を有し、点検対象物における健全性劣化の要因（要因数をｎとする。ｎ≧２）に係るｎ次元の要因データと前記点検対象物に対する前記要因毎に構成される点検データと前記点検対象物に対する補修の有無データとを備える点検総合データと、前記点検データを用いて補修の必要性の有無あるいは災害発生の可能性の有無を分離するための判別面を解析して得るためのＳＶＭと、を用いてある点検対象物における危険度を算出して補修又は点検の必要性を評価するための健全性劣化評価システムであって、
前記格納部は、前記判別面を解析するためのＳＶＭデータと、前記ＳＶＭに代入されるｎ次元の要因データと，前記点検対象物に対する前記要因データ毎に構成される学習用点検データと，前記点検対象物における補修の有無データを正負又は負正に対応させた前記ＳＶＭに対する教師値データと，を備える学習用点検総合データと、を格納する手段であって、
前記入力部は、前記点検対象物における前記健全性劣化の要因に係るｎ次元の要因データと前記要因データ毎の点検データを入力可能な手段であって、
前記演算部は、前記点検対象物毎に学習用点検データを前記格納部から読み出して、前記点検時期毎に学習用点検データを比較して、ある点検時期とその点検時期よりも後の点検時期における前記教師値データが補修無を表現する値で変化がないにもかかわらず前記学習用点検データが改善している矛盾点検対象物を検出する学習用点検データ分析部と、
前記学習用点検データ分析部によって検出された矛盾点検対象物に関する学習用点検データ及び教師値データを前記学習用点検データ及び教師値データから削除し修正学習用点検総合データを生成して前記格納部に格納する学習用点検データ修正部と、
前記修正学習用点検データ及び前記ＳＶＭデータを前記格納部から読み出して前記判別面を解析する判別面演算部と、
前記入力部から入力された前記点検データを読み取り、前記判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記点検データを座標点として入力し、この座標点から前記多次元空間中に形成される判別面までの距離を前記点検対象物の危険度として演算する判別面距離演算部と、を備える手段であって、
前記出力部は、前記入力部から入力されるデータ、前記演算部で演算された結果に関するデータ又は前記格納部に格納されるデータを、それぞれ入力部、演算部、格納部から読み出して出力可能な手段であることを特徴とするものである。
【００１５】
請求項４に記載の発明では、請求項１乃至請求項３のいずれか１項に記載の健全性劣化評価システムにおいて、前記格納部は、前記学習用点検総合データ又は前記修正学習用点検総合データの精度を試験するために、前記点検対象物に対する前記要因データ毎に構成されるテスト点検データと、
このテスト点検データを用いて演算された前記点検対象物の危険度を介して前記学習用点検総合データ又は前記修正学習用点検総合データを評価するために、前記危険度と，補修有の点検対象物と補修無の点検対象物の組合せ及び／又は点検対象物の全数に対する補修有の点検対象物の数である補修率のデータと，を図示する分離性評価関数データと、を格納する手段であって、
前記演算部は、前記学習用点検総合データ又は前記修正学習用点検総合データ及び前記ＳＶＭデータを前記格納部から読み取り判別面を解析する判別面演算部と、
前記格納部に格納された前記テスト点検データを読み取り、前記判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記テスト点検データを座標点として入力し、この座標点から前記多次元空間中に形成される判別面までの距離を前記点検対象物のテスト危険度として演算する判別面距離演算部と、
前記格納部から前記分離性評価関数データを読み出して、前記テスト危険度と、前記テスト点検データに含まれる補修有の点検対象物と補修無の点検対象物の組合せ及び／又は点検対象物の全数に対する補修有の点検対象物の数である補修率のデータと，を表又は図で示す学習用点検データ試験部と、を有し、
前記出力部は、前記表又は図を出力可能であることを特徴とするものである。
【発明の効果】
【００１６】
本発明は、土木・建築構造物や災害危険箇所等の点検対象物に対する学習用点検データの精度を向上させるべく修正し、その修正されてデータとしての精度が高まった学習用点検データを用いて判別面を演算し、この高い精度を維持した判別面を用いて、点検データの多次元座標空間における座標点から判別面までの距離を危険度として点検データを解析し、点検対象物における補修工事あるいは対応策の必要性を高精度かつ客観的に評価することができる。
また、最初に学習用点検データの精度を向上させるので、補修や保守工事などの実績データあるいは点検データがある程度まとまってあるものの、これまで使用されていない場合においても、判別面を形成可能であるので、これまで使用できずに放置されていた実績データや点検データ、あるいは低い精度で運用されていた実績データや点検データを高い精度で利用することができ、より客観的な解析を実行することが可能である。従って、補修工事や災害危険箇所に対する対応策の優先順位などを、より確度と客観性をもって決定することができ、限られた社会資本を適切に投入・処理することが可能である。
【００１７】
特に、請求項４に記載の発明では、修正後の学習用点検データの評価を行うことが可能であるため、修正された学習用点検データの精度を確認することができ、さらに修正を行うべきか、点検データの解析に用いることができるか、あるいは修正をあきらめるかの判断を行うことができる。
【発明を実施するための最良の形態】
【００１８】
以下、本発明の実施の形態に係る健全性劣化評価システムについて説明する前に、まず、ＳＶＭについて説明を行う。
本実施の形態に係る健全性劣化評価システムにおいては、点検結果を評価するための手段として、ＳＶＭという数理的手法を用いている。
ＳＶＭは１９９２ 年にVapnik らによって提案された手法で、現在、最も強力なパターン分類手法として注目されている。一般的なパターン分類問題では、線形分離可能な問題よりも線形分離不可能な問題の方が圧倒的に多いとされている。ＳＶＭでは、図１の基本概念に示すように、線形分離不可能なパターン分類問題では、ある非線形写像によって、特徴空間と呼ばれる高次元空間にマッピングすることによって、線形分離可能な状態となり、最適な分離超平面を求めることができる。
【００１９】
ＳＶＭによる点検結果評価の基本的な概念を２次元のイメージ図として図２に示す。
本図では、点検対象物として橋梁を例にとり、橋梁下から目視で行う「はり上点検」での伸縮継手の点検結果を要因データとし、過去の補修履歴を教師値データとしてＳＶＭによるパターン分類を行なうと、図中に示すような判別面によってデータが分離される。ここで、はり上点検の結果のデータはその判別面によって補修必要度の高いもの（判別面の外側、すなわち判別面を挟んで原点が含まれない側）と低いもの（判別面の内側、すなわち判別面を挟んで原点が含まれる側）に分類された状態にある。そこで、本実施の形態では各データの判別面からの距離ｆ（ｘ）を算出し、それを危険度の指標とすることを基本とした。
なお、ここで言う伸縮継手の「はり上点検」とは、床版・橋桁下面からの検査であり橋脚はり上から主に目視で点検するもので、交通を妨げずに行なえ比較的小規模で容易に実施可能である。また、「上・下部工点検」とは、路上からの点検で損傷を的確に確認できるものの交通規制を要し多大な費用と労力を必要とするものである。なお、図２中に示すとおり、本実施の形態において判別面からの距離ｆ（ｘ）は、判別面上で０、判別面の外側では負、判別面の内側では正となるものであるが、正負は逆としてもよいことは言うまでもない。
また図２ではＸ軸Ｙ軸とも値が大きくなる方を危険側としたが、逆にＸ軸Ｙ軸が大きくなる方を安全側としてもよいことは言うまでもない。
【００２０】
次に、点検に関する種類について説明する。道路構造物を例に取ると、以下のような種類があり、目的により使い分けを行なう。
a) 初期点検
構造物の新設、または改築にあたって、以後の維持管理を行なう上での基礎資料となる構造物完成後の初期状態を把握することを目的としている。
b) 日常点検
道路構造物を常に良好な状態で保全し、安全かつ円滑な交通の確保および第三者に対する障害の防止を図ることを目的としている。
c) 定期点検
長期点検計画に基づいて、一定の期間ごとに構造物に接近して行なう点検で、機能低下の原因となる損傷を早期に発見し、構造物の損傷度を把握するとともに、補修計画作成のための資料を得ることを目的としている。
d) 臨時点検
初期点検、日常点検、定期点検を補完するため、適宜必要に応じ実施する点検で、災害時点検（自然災害の事後対策等）、事故時点検（重量物の落下等、突発的事項による損傷対応）、追跡・詳細点検（日常・定期点検などで発見された損傷の対応策）を検討するにあたり、より詳細な損傷状況の把握、原因の究明並びに損傷状態の継続的な観察などを目的としている。
なお、今回の実施の形態において用いる「はり上点検」及び「上・下部工点検」は、上記のｃ）の定期点検に分類されるものである。
【００２１】
高速道路を例に取り、その点検方法について説明を加える。
高速道路の点検は、まず目視による点検から始める。接近して目視点検を行なうためには，足場が必要になるため検査路のない箇所での点検は、路下から接近できる場合は高所作業車を使用し、接近できない場合は高速道路上からオーバーハング車によって道路下面に接近する。また、海上の長大橋などは、建設時に設置された検査車を利用した点検を実施している。
はり上点検および上・下部工点検が分類される定期点検は、数年に一度といった頻度で、対象構造物に接近し、目視，たたき，または簡単な計測により行なう。
今回の実施の形態における解析は、国内の高速道路の伸縮継手を対象にＳＶＭを用いて行ったものである。伸縮継手に関するデータベースとして、資産データ、点検データ、補修データが存在する。資産データとは、土木構造物を主体に構造・部位別の諸元情報を示した台帳データである。点検データとは、日常点検と定期点検の結果を文字データおよび写真データとしてデータベース化したもので、1985年以降のデータが蓄積されている。また、補修データとは、補修工事に関するデータをデータベース化したもので、こちらも1985年以降のデータが蓄積されている。すなわち、補修の有無に関するデータである。
以上の３データの中から、はり上点検データとして、1985年、1987年、1990年、1992年、1995年、1999年、2004年に行なわれた点検データおよび、1985年〜2003年に行なわれた補修データを用いた。また、上・下部工点検データとして、1994年、2000年に行なわれた点検データを用いた。はり上点検と上・下部工点検の実施年を表１にまとめ示す。
【００２２】
【表１】
【００２３】
表１にまとめられたデータのうち、本実施の形態では、はり上点検の点検項目とその結果による処置方針を2004年の点検データの一例を用いて、表２に示す。
【００２４】
【表２】
【００２５】
解析に用いる要因は、９個の損傷項目（ボルトのゆるみ、ボルトの欠損、異常音、排水樋のつまり、排水樋の損傷、漏水、止水工、伸縮本体の損傷、その他）とした。各損傷項目の損傷度合を示す指標として、Ａ・Ｂ・Ｃの３つのランクがあり、Ａが最も損傷度合が大きく、以下Ｂ、Ｃの順に小さくなっている。ＳＶＭを用いて検討をするにあたって、数値化を行なう必要があり、Ａを３、Ｂを２、Ｃを１とし、記載なしのもの（損傷のないもの）については０とした。また、解析に用いる教師値データとして、処置方針（補修要否判定）を用い、補修不要を１、要補修を−１とした。以上を数値化し、表２を表３のように変換した。
なお、本願発明及び実施の形態においては、このような数値化したものや、その前の例えばＡ，Ｂ，Ｃの３つのランクの状態であっても点検データに含まれる。
【００２６】
【表３】
【００２７】
同様に、2004年以前のデータについても数値化を行なう。例として1995年の点検データの一例を表４に示す。
【００２８】
【表４】
【００２９】
表４を含め2004年以前の点検データには処置方針が記載されていない。そこで、2004年以前の点検データにおける教師値データは、表５に示す補修データを用いることとした。教師値データの設定は、はり上点検の翌年から、次回のはり上点検の前年までの補修の有無により決定した。
【００３０】
【表５】
【００３１】
例えば、表４に示す1995年のはり上点検における教師値データは、表１にあるように次のはり上点検が1999年であるため、表５の1996年〜1998年に補修されたものを教師値データ−１とし、補修のなかったものを教師値データ１とする。表４と表５を集約し、さらに数値化を行ない、表６のように変換した。2004年以前のデータにおいて、本実施の形態の説明では、この教師値データの考え方を用いた。
【００３２】
【表６】
【００３３】
次に、このようなＳＶＭを用いて、本実施の形態に係る健全性劣化評価システムによって点検対象物の健全性劣化を評価するが、その評価の基本的な考え方について説明を加える。
図３にＳＶＭを用いて、補修有無を分離させた場合の２次元イメージ図を示す。補修履歴のデータ群は、ｆ（ｘ）＝０（実線）によって分離される。さらに、ｆ（ｘ）＝−１、ｆ（ｘ）＝１で区切り、各範囲におけるデータの個数および補修率の関係を図で示すと、図４のように示される。この図４のデータは、表１に示される1985年から1999年までのはり上点検データ結果及び補修履歴（1,152データ）を用いて、図示したものである。
横軸にｆ（ｘ）をとると、ｆ（ｘ）＞０は安全領域、ｆ（ｘ）＜０は危険領域となる。この図から判断すると、危険領域で高い補修率、安全領域で低い補修率となっており、ＳＶＭにより補修の有無を分離させることができたと考えられる。
そもそも本願発明の開発の発端は、過去の蓄積されたデータを用いて補修の要否を高精度で評価可能とすることであり、そのために、まず、過去の蓄積されたデータによって、補修の有無を予測できるものかどうかの検証を行った。
学習用点検データとしては、表１に示される1985年から1995年までのはり上点検データ結果及び補修履歴（896データ）を用い、1999年のはり上点検（256データ）における補修有無が予測可能か否かの検討を行った。
【００３４】
a) 点検データ
1985年〜1995年のはり上点検データを学習用点検データ、1999年のはり上点検データをテスト点検データとした。
b) 教師値データ
前述の考え方の通り、学習用点検データおよびテスト点検データにおける教師値データは、補修の有無にて設定した。
c) 予測結果
ＳＶＭを用いて、補修有無を分離させた結果を図５（ａ）に示す。横軸にｆ（ｘ）をとると、ｆ（ｘ）＞０は安全領域、ｆ（ｘ）＜０は危険領域となる。この図から判断すると、危険領域で高い補修率、安全領域で低い補修率となっており、ＳＶＭにより学習データに関しては補修の有無を分離させることができた。
この結果で得られた判別面上に、1999年のデータを入れて、判別面からの距離ｆ（ｘ）を求め、それらのデータを補修有・補修無別にｆ（ｘ）値に対して示したものを図５（ｂ）に示す。この図から判断すると、危険領域（ｆ（ｘ）＜０）にもかかわらず低い補修率、安全領域（ｆ（ｘ）＞０）にもかかわらず高い補修率となっており、過去の点検結果および補修履歴より1999年のテスト点検データの補修の有無を予測することは難しいことがわかった。
【００３５】
本願発明者は、このようにＳＶＭに、過去に蓄積された学習用点検データを用いて判別面を解析し、学習用点検データとは別個に評価対象たる点検データを分離して評価する際の精度を向上させるための健全性劣化評価システムを鋭意努力の結果開発し、この程特許出願するに至ったものである。
【００３６】
本願発明者は、まず、上述の予測結果において過去の点検結果及び補修履歴より1999年のテスト点検データの補修の有無を予測することが難しい理由を検討したところ、判別面の解析に用いられる学習用点検データにノイズと思われるデータが存在し、このノイズが判別面の形成の精度を劣化させていることがわかった。そこで、この学習用点検データの修正を行う機能を持たせた健全性劣化評価システムを開発したのである。
【００３７】
以下、本願実施の形態に係る健全性劣化評価システムについて、図６乃至図１３を参照しながら説明する。
図６は、本発明の実施の形態に係る健全性劣化評価システムの構成図であり、図７（ａ）は、本実施の形態に係る学習用点検総合データの構成を示す概念図、（ｂ）は同じく修正学習用点検総合データの構成を示す概念図、（ｃ）は同じく点検総合データの構成を示す概念図である。
図６において、健全性劣化評価システムは、入力部１と演算部２と出力部１０及び格納部として複数のデータベース１２，１６，１８，２０，２４，２７，３１，３４から構成される。
入力部１は、これらのデータベース１２，１６，１８，２０，２４，２７，３１，３４に格納されるデータ１１ａ（具体的には、学習用点検総合データ１３、マスタ点検データ１４、テスト点検データ１５、点検総合データ１７、修正学習用点検総合データ１９、判別面距離データ２１、学習用判別面距離データ２２、試験用判別面距離データ２３、ＳＶＭデータ２８、矛盾データ検索関数データ２９、分離性評価関数データ３０、判別面データ３２、マスタ判別面データ３３、分離性評価データ３５）や解析条件１１ｂ（解析条件データ２５、パラメータデータ２６）を予め入力したり、あるいは演算部２の作業時にデータ１１ａや解析条件１１ｂを入力するために使用されるものである。入力部１としての具体例には、キーボード、マウス、ペンタブレット、光学式の読み取り装置あるいは、コンピュータ等の解析装置や計測機器等から通信回線を介してデータを受信する受信装置など複数種類の装置からなり目的に応じた使い分け可能な装置が考えられる。
【００３８】
演算部２は、モード選択部３、学習用点検データ分析部４、学習用点検データ修正部５、学習用点検データ試験部６、点検データ評価部７、判別面演算部８及び判別面距離演算部９から構成されるものである。
演算部２は、各データベースから読み出されたり、入力部１から入力されるデータ１１ａや解析条件１１ｂを用いて、土木・建築構造物や災害危険箇所等の点検対象物における健全性劣化に関する点検データから得られる補修や対応策の必要性の有無あるいは災害発生の可能性の有無を分離する判別面を演算する判別面演算部８、また、その判別面に基づいて算出される点検対象物の危険度を演算する判別面距離演算部９を備えている。また、学習用点検データ分析部４及び学習用点検データ修正部５は判別面を解析するための学習用点検データの精度を向上させるために用いられる構成要素であり、学習用点検データ試験部６は、学習用点検データの精度を試験するための構成要素である。さらに、点検データ評価部７は、学習用点検データの精度が十分担保される場合に、判別面を形成させて評価対象たる点検データを評価するための構成要素である。
なお、モード選択部３は、本実施の形態に係る健全性劣化評価システムの操作時に演算のモードを選択するための構成要素である。モード選択部３としては、押しボタン式のものでもよいし、出力部１０にボタンのアイコンを表示してタッチボタン方式で、手で触れることでモードの選択が可能なものとしてもよい。
演算部２として具体的には、ワークステーションやパーソナルコンピュータ等のコンピュータが考えられる。
【００３９】
また、データベースとしては、土木・建築構造物や災害危険箇所において実施された点検で取得された点検総合データ１７を格納する点検データベース１６をはじめとして、点検総合データ１７の評価を実施するために用いられる判別面を解析するためにＳＶＭに学習用データとして使用される学習用点検総合データ１３や、この学習用点検総合データ１３を修正して精度を向上させるために用いられるマスタ点検データ１４、あるいは学習用点検総合データ１３又はこれを修正した修正学習用点検総合データ１９の精度をテストするために用いられるテスト点検データ１５を格納するデータ修正用点検データベース１２がある。
【００４０】
学習用点検総合データ１３は、図７（ａ）に示されるとおり、点検対象物における劣化要因となりうる要因に関する要因データ４０、この要因毎に点検された結果であり、それを学習用として用いるための学習用点検データ４１、さらに前述のとおり、点検対象物に対して補修が実施されているか否かを示すための教師値データ４２のデータセットである。この学習用点検総合データ１３は、元々点検によって得られるデータであるため、点検対象物毎に存在し、例えば１年毎に定期点検を行うような場合であれば、毎年生成され、半年周期の定期点検であれば、半年毎に生成されるものである。なお、要因データ４０は、例えば橋梁であれば、その橋梁の健全性劣化に係る要因として、「ボルトのゆるみ」、「ボルトの欠損」、「異常音」、「排水樋のつまり」、「排水樋の損傷」、「漏水」、「止水工」、「伸縮本体の損傷」、「その他（さび・腐食）」などが該当し、これらを文字データの集合として捉えたものが要因データ４０となるので、点検対象物によっては通常異なる。学習用点検データ４１は、それぞれの要因に対して点検によって得られた数値やレンジを持って評価される場合には、その該当レンジやそのレンジが示すレベル値のような指標が該当する場合もある。
【００４１】
修正学習用点検総合データ１９は、図７（ｂ）に示されるとおり、要因データ４０と同様の要因データ４３、学習用点検データ４１から矛盾するデータを削除することで修正し精度を向上させた修正学習用点検データ４４、教師値データ４２の中から不要な教師値データを削除することで修正し精度を向上させた修正教師値データ４５のデータセットである。
さらに、点検総合データ１７は、図７（ｃ）に示されるとおり、要因データ４０や要因データ４３と同様な要因データ４６、評価対象となる点検対象物に対する点検データ４７、点検対象物における補修の有無データ４８のデータセットである。点検総合データ１７のみが教師値データではなく補修の有無データ４８となっているが、補修の有無に関するデータは、そのまま教師値データとすることも可能であるので、本願では教師値データを含む概念として考えてもよい。
【００４２】
また、ＳＶＭを用いて実施される解析のための解析条件データ２５やパラメータデータ２６を格納する解析条件データベース２４を備え、また、ＳＶＭを用いた解析を実行させるためのＳＶＭデータ２８や学習用点検総合データ１３から矛盾したデータを取り除くための検索関数に関するデータである矛盾データ検索関数データ２９、さらには、点検データや学習用点検データの評価を行う際に使用されるデータ分離性の評価のための関数データである分離性評価関数データ３０を格納する解析関数データベース２７を備えている。また、分離性評価関数データ３０を用いて実行された結果得られた分離性評価データ３５は、分離性評価データベース３４に格納される。
判別面演算部８において演算される学習用点検総合データ１３あるいは修正学習用点検総合データ１９を使用して得られる判別面を構成する判別面データ３２及び、マスタ点検データ１４を用いて得られるマスタ判別面を構成するマスタ判別面データ３３を格納する判別面データベース３１を備え、また、それらの判別面を用いて演算された結果得られる判別面距離データ２１、学習用判別面距離データ２２、試験用判別面距離データ２３を格納する判別面距離データベース２０を備えている。
【実施例１】
【００４３】
以下、図６乃至図８を参照しながら、本実施の形態の実施例１に係る健全性劣化評価システムについて説明する。図８は本実施例１に係る健全性劣化評価システムを用いて、学習用点検データから修正学習用点検データを生成するための方法を示すフローチャートである。
利用者は、本実施の形態に係る健全性劣化評価システムを起動するが、予め入力部１を利用して、各データベースには解析や評価に必要なデータ１１ａや解析条件１１ｂは、入力、格納されている。
起動時には、出力部１０に、モード選択部３によって、これから実行されるべきモードがいくつか表示される。具体的には、学習用点検データから修正学習用点検データを生成するための修正モード、学習用点検データ又は修正学習用点検データの精度をテストするための試験モード、また、未評価の点検データを評価するための評価モードである。
利用者は、学習用点検総合データ１３の修正を行う場合には、修正モードを選択する（ステップＳ１）。その際には、出力部１０に表示されるモードを示すボタンや出力部１０をタッチパネルとして、その画面（アイコン）自体を手で触れると修正モードが選択されるようにしておくとよい。修正モードが選択されると、さらに、矛盾教師値削除モード、矛盾点検値削除モード、マスタ点検データ利用モードの３種類のモードがモード選択部３によって出力部１０に表示される。
利用者は、それぞれ希望するモードに対して、ボタンを押したりあるいはタッチパネルのアイコンに触れるなどして選択する。
本実施の形態においては、矛盾教師値削除モードを選択し、（ステップＳ２）他の修正モードを選択する場合については後述する。（本実施例は、特に請求項２に対応する。）
モード選択部３は、選択されたモードに関する信号を学習用点検データ分析部４に送信する。モード選択部３から送信される信号を受信すると、学習用点検データ分析部４は、まず、データ修正用点検データベース１２から学習用点検総合データ１３を読み出す。
表７に読み出された学習用点検総合データ１３の一部を示す。学習用点検総合データ１３としては、表の上欄に記載されるもので、劣化に影響のある要因である「ボルトのゆるみ」から「伸縮本体の損傷」に加えて「その他」も含めている。また、それらの要因データ４０に対応するように、学習用点検データ４１としてそれぞれのレベル値が記載されている。また、右欄には、教師値データ４２として、補修の有無に相当する数値が、−１，＋１として記載されている。
学習用点検データ分析部４は、読み出した学習用点検総合データ１３に含まれる要因データ４０毎に、学習用点検データ４１を読み出し（ステップＳ３）、その教師値データ４２を読み出す（ステップＳ４）。学習用点検総合データ１３は、対象点検物毎に例えば表７に示されるように、管理番号及び点検年を付した上で、格納されると、それらをキーとして学習用点検データ分析部４などによって読み出し易くなるので望ましい。
【００４４】
【表７】
【００４５】
学習用点検データ分析部４は、読み出した点検対象物毎の学習用点検データ４１と教師値データ４２の組合せで、同じ要因データ４０に係る学習用点検データ４１の組合せにおいて、矛盾を生じている教師値データ４２を検索する（ステップＳ６）。この矛盾を生じている学習用点検データ４１の検索には、学習用点検データ分析部４が、解析関数データベース２７に格納されている矛盾データ検索関数データ２９を用いて実行される。
具体的には、表７に示されるように、橋梁Ｎｏ．がP-390とP-391として管理される点検対象物とP-392で管理される点検対象物では、それぞれ同じ要因データの「漏水」において、その学習用点検データがレベル１で共通するものの、その教師値データはP-390とP-391ではそれぞれ−１で、P-392では＋１となっており矛盾している。
このように矛盾する教師値データを検索した後には、学習用点検データ分析部４はその矛盾教師値データを有する学習用点検データ４１を抽出する（ステップＳ６）。そして、学習用点検データ分析部４は、この抽出した学習用点検データ４１と矛盾を生じている教師値データ４２を含めて、学習用点検総合データ１３を学習用点検データ修正部５に送信する。
学習用点検データ修正部５では、矛盾を生じている教師値データ４２及び学習用点検データ４１を学習用点検総合データ１３から削除することで修正学習用点検総合データ１９を生成する（ステップＳ７）。本実施例では、当初896データであったものが、このような矛盾を生じているデータを削除することで、199データに減らせることができた。生成された修正学習用点検総合データ１９は、学習用点検データ修正部５によって、修正学習用点検データベース１８に格納される。
なお、学習用点検データ修正部５における矛盾データの削除方法については、特に限定するものではないが、例えば、矛盾を生じているいずれが正しいかなどの判断を省略して安全側にすべてを削除する方法や、教師値データなどで、保守的な方のデータ、すなわち安全側に判断されるデータ（データ自身が危険なデータ）を残して、削除する方法がある。データが安全側か危険側か等の判断をさせる場合には、その判別式を学習用点検データ修正部５内部に設けて矛盾データを読み出して、その判別式にかけて抽出して削除する必要があると考えられる。
【実施例２】
【００４６】
次に、図６、図７及び図９を参照しながら、本実施の形態の実施例２に係る健全性劣化評価システムについて説明する。図９は本実施例２に係る健全性劣化評価システムを用いて、学習用点検データから修正学習用点検データを生成するための方法を示すフローチャートである。本実施例２では、矛盾点検値削除モードを選択するものである。（本実施例は、特に請求項３に対応する。）
利用者は、先の実施例１と同様に修正モードを選択する（ステップＳ１）。修正モードが選択されると、さらに、矛盾教師値削除モード、矛盾点検値削除モード、マスタ点検データ利用モードの３種類のモードがモード選択部３によって出力部１０に表示されるが、今回は矛盾点検値削除モードを選択する（ステップＳ２）。
モード選択部３は、実施例１と同様に、選択されたモードに関する信号を学習用点検データ分析部４に送信する。モード選択部３から送信される信号を受信すると、学習用点検データ分析部４は、まず、データ修正用点検データベース１２から学習用点検総合データ１３を読み出す。
表８に読み出された学習用点検総合データ１３の一部を示す。学習用点検総合データ１３としては、表７と同様に要因データ４０、学習用点検データ４１、そして教師値データ４２も含まれている。
学習用点検データ分析部４は、読み出した学習用点検総合データ１３に含まれる要因データ４０毎に、学習用点検データ４１を読み出し（ステップＳ３）、その教師値データ４２を読み出す（ステップＳ４）。
【００４７】
【表８】
【００４８】
学習用点検データ分析部４は、読み出した点検対象物毎の学習用点検データ４１と教師値データ４２の組合せで、同じ要因データ４０に係る学習用点検データ４１の組合せにおいて、矛盾を生じている学習用点検データ４１を検索する（ステップＳ５）。この矛盾を生じている学習用点検データ４１の検索には、学習用点検データ分析部４が、解析関数データベース２７に格納されている矛盾データ検索関数データ２９を用いて実行される。
具体的には、表８に示されるように、橋梁Ｎｏ．がP-88において、1995年に要因データである「排水樋のつまり」の学習用点検データで、レベル２とあるものが、その年から1999年の前年までに補修がなかったにもかかわらず1999年の点検では、レベル０となっており、損傷度合が小さくなるという矛盾を生じている。さらに、橋梁Ｎｏ．P-132では、1987年の「排水樋のつまり」、「排水樋の損傷」、「漏水」という３つの要因データで、それぞれレベル２，３，１の状態にあったものが、P-88と同様にその年から1990年の前年までに補修がなかったにもかかわらず、1990年にはいずれもレベル０となっており矛盾を生じている。
このように矛盾する学習用点検データ４１を検索した後には、学習用点検データ分析部４はその矛盾学習用点検データを有する学習用点検データ４１及びその教師値データ４２を抽出する（ステップＳ６）。そして、学習用点検データ分析部４は、この抽出した矛盾を生じている学習用点検データ４１と教師値データ４２を含めて、学習用点検総合データ１３を学習用点検データ修正部５に送信する。
学習用点検データ修正部５では、矛盾を生じている学習用点検データ４１及び教師値データ４２を学習用点検総合データ１３から削除することで修正学習用点検総合データ１９を生成する（ステップＳ７）。本実施例では、当初896データであったものが、このような矛盾を生じているデータを削除することで、616データに減らすことができた。生成された修正学習用点検総合データ１９は、学習用点検データ修正部５によって、修正学習用点検データベース１８に格納される。
【実施例３】
【００４９】
次に、図６、図７及び図１０を参照しながら、本実施の形態の実施例３に係る健全性劣化評価システムについて説明する。図１０は本実施例３に係る健全性劣化評価システムを用いて、学習用点検データから修正学習用点検データを生成するための方法を示すフローチャートである。本実施例３では、マスタ点検データ利用モードを選択するものである。（本実施例は、特に請求項１に対応する。）
利用者は、先の実施例１や２と同様に修正モードを選択する（ステップＳ１）。修正モードが選択されると、さらに、矛盾教師値削除モード、矛盾点検値削除モード、マスタ点検データ利用モードの３種類のモードがモード選択部３によって出力部１０に表示されるが、本実施例ではマスタ点検データ利用モードを選択する（ステップＳ２）。
モード選択部３は、実施例１、２と同様に、選択されたモードに関する信号を学習用点検データ分析部４に送信する。モード選択部３から送信される信号を受信すると、学習用点検データ分析部４は、まず、データ修正用点検データベース１２からマスタ点検データ１４を読み出す（ステップＳ３）。
【００５０】
マスタ点検データとは、熟練した点検技術者が点検した結果に関するデータであり、精度が高く信頼できるデータを意味するものである。マスタ点検データ１４を読み出した学習用点検データ分析部４は、そのマスタ点検データ１４を判別面演算部８に送信し、判別面演算部８では解析関数データベース２７に格納されたＳＶＭデータ２８を読み出して、ＳＶＭにマスタ点検データ１４を用いて判別面を演算する（ステップＳ４）。判別面演算部８は、この判別面をマスタ判別面として演算するが、複数の要因データに対応したマスタ点検データ１４であるため、マスタ判別面は多次元空間に形成される判別面となる。このマスタ判別面は要因データの要因数（本願ではこの要因数をｎと表現している。）以上の次元数の多次元空間に形成される。
判別面演算部８は、マスタ判別面に関するマスタ判別面データ３３を判別面データベース３１に格納する。
このマスタ判別面の演算が終了すると、学習用点検データ分析部４は、データ修正用点検データベース１２から学習用点検総合データ１３を読み出す（ステップＳ５）。読み出された学習用点検総合データ１３は、判別面距離演算部９へ送信され、判別面距離演算部９は、マスタ判別面データ３３を判別面データベース３１から読み出して、先の要因データの要因数ｎ以上の次元数の多次元空間に形成される座標中に形成させると同時に、学習用点検総合データ１３の学習用点検データ４１を点検対象物・点検年毎に、それぞれの要因データを対応させた座標軸に座標点としてプロットする。このようにしてプロットされた学習用点検データ４１の座標点から、先のマスタ判別面までの距離を演算する（ステップＳ６）。但し、この「距離」は、座標点が判別面に対して多次元空間の原点側にある場合を正と概念するものである。
演算されたマスタ判別面までの距離は、判別面距離演算部９によって学習用判別面距離データ２２として判別面距離データベース２０に格納される（ステップＳ６）。
【００５１】
次に、判別面距離演算部９が学習用点検データ４１の座標点からマスタ判別面までの距離の演算を終えると、学習用点検データ分析部４は、データ修正用点検データベース１２から読み出した学習用点検総合データ１３からそれぞれの学習用点検データ４１に対応する教師値データ４２を読み出す（ステップＳ７）。
そして、この教師値データ４２と、先に判別面距離演算部９において演算された学習用判別面距離データ２２を判別面距離データベース２０から読み出して比較しながら矛盾する教師値データ４２及び判別面距離データを検索する。
この教師値データ４２と学習用判別面距離データ２２の比較の様子をデータで示したものが表９である。
表９に読み出された学習用点検総合データ１３に学習用判別面距離データ２２を加えたものの一部を示す。学習用点検総合データ１３としては、表７，８と同様に要因データ４０、学習用点検データ４１、そして教師値データ４２も含まれており、さらに、ｆ（ｘ）で表現されている学習用判別面距離データ２２が含まれている。
【００５２】
【表９】
【００５３】
表９において、矛盾する教師値データ４２及び学習用判別面距離データ２２として具体的には、橋梁Ｎｏ．がP-62の点検年1995年において、教師値データが−１（補修有り）と、正として安全であることを示すｆ（ｘ）の値が矛盾している。また、橋梁Ｎｏ．がP-64の点検年1995年においては、逆に教師値データが＋１（補修無し）と、負として危険性があることを示すｆ（ｘ）の値が矛盾している。
このように矛盾する教師値データ４２と学習用判別面距離データ２２を検索した後には、学習用点検データ分析部４はその矛盾する教師値データ４２と学習用判別面距離データ２２を有する学習用点検データ４１を抽出する（ステップＳ８）。そして、学習用点検データ分析部４は、この抽出した矛盾を生じている教師値データ４２と学習用点検データ４１を含めて学習用点検総合データ１３を学習用点検データ修正部５に送信する。
学習用点検データ修正部５では、矛盾を生じている学習用点検データ４１及び教師値データ４２を学習用点検総合データ１３から削除することで修正学習用点検総合データ１９を生成する（ステップＳ９）。生成された修正学習用点検総合データ１９は、学習用点検データ修正部５によって、修正学習用点検データベース１８に格納される。
以上説明したとおり、実施例３をはじめ、実施例１及び実施例２に関する共通の効果としては、修正学習用点検総合データ１９を生成することによって、これまで存在していたノイズを含む学習用点検データの精度を向上させることができ、この修正学習用点検総合データを用いることで、点検データをより精度高く評価することができるという点がある。すなわち、その点検データを取得した地域、地点、箇所、あるいは構造物や建造物（以下、地域等という。）における対策の必要性、対策を施す優先順位の策定、あるいは点検の必要性に関する評価を精度高く実施することができるのである。
【実施例４】
【００５４】
次に、図６、図７及び図１１を参照しながら、本実施の形態の実施例４に係る健全性劣化評価システムについて説明する。図１１は本実施例４に係る健全性劣化評価システムを用いて学習用点検総合データ１３あるいは修正学習用点検総合データ１９の精度を確認するための方法を示すフローチャートである。本実施例４では、健全性劣化評価システムにおいて試験モードを選択するものである。（本実施例は、特に請求項４に対応する。）
利用者は、試験モードを選択する（ステップＳ１）。試験モードが選択されると、モード選択部３は、他の実施例と同様に選択されたモードに関する信号を学習用点検データ試験部６に送信する。モード選択部３から送信される信号を受信すると、学習用点検データ試験部６は、データ修正用点検データベース１２から学習用点検総合データ１３を読み出すか、あるいは修正学習用点検データベース１８から修正学習用点検総合データ１９を読み出す。（ステップＳ２）。
このデータの選定は、学習用点検データ試験部６がデータ修正用点検データベース１２及び修正学習用点検データベース１８にアクセスして、試験可能な学習用点検総合データ１３及び修正学習用点検総合データ１９のデータセット名を出力部１０に表示して、ボタン操作やタッチパネル化した出力部１０を用いて選択可能としておくとよい。
【００５５】
学習用点検データ試験部６は、読み出した学習用点検総合データ１３又は修正学習用点検総合データ１９を判別面演算部８に送信し、判別面演算部８では解析関数データベース２７に格納されたＳＶＭデータ２８を読み出して、ＳＶＭに学習用点検総合データ１３あるいは修正学習用点検総合データ１９を用いて判別面を演算し（ステップＳ３）、判別面に関する判別面データ３２を判別面データベース３１に格納する。この判別面も要因データの要因数ｎ以上の次元数の多次元空間に形成される。
この判別面の演算が終了すると、学習用点検データ試験部６は、データ修正用点検データベース１２からテスト点検データ１５を読み出す（ステップＳ４）。このテスト点検データ１５は、先に説明したとおり、1999年のはり上点検（256データ）を用いている。但し、本実施の形態においては、予めテスト点検データ１５においても実施例３において示した修正モードによって修正し、これをテスト点検データ１５として用いている。このようにテスト点検データ１５も修正モードによって修正してもよいし、しなくともよい。
読み出されたテスト点検データ１５は、判別面距離演算部９へ送信され、判別面距離演算部９は、判別面データ３２を判別面データベース３１から読み出して、先の要因データの要因数ｎ以上の次元数の多次元空間に形成される座標中に形成させると同時に、テスト点検データ１５を点検対象物・点検年毎に、それぞれの要因データを対応させた座標軸に座標点としてプロットする。このようにしてプロットされたテスト点検データ１５の座標点から、先の判別面まので距離を演算する（ステップＳ５）。但し、この「距離」の概念も前述のとおり、座標点が判別面に対して多次元空間の原点側にある場合を正とするものである。
演算された判別面までの距離は、判別面距離演算部９によって試験用判別面距離データ２３として判別面距離データベース２０に格納される。
【００５６】
次に、判別面距離演算部９がテスト点検データ１５の座標点から判別面までの距離の演算を終えると、学習用点検データ試験部６は、データ分離性の評価を行う（ステップＳ６）。
このデータ分離性の評価は、解析関数データベース２７から分離性評価関数データ３０を読み出しつつ、先の試験用判別面距離データ２３を判別面距離データベース２０から読み出して、これをその分離性評価関数に入力することで実行されるものである。
分離性評価関数は、試験用判別面距離データ２３のうち、横軸に試験用判別面距離データの数値をとるように処理され、縦軸に点検対象物の箇所数、あるいは補修率の平均値を示すことが可能である。また、点検対象物の箇所数は、補修済のものと未補修のものに分けて表示することができる。
【００５７】
このような分離性評価関数を用いて処理された例を、図１２、図１３及び図１４を参照しながら説明する。図１２は、先の実施例１で説明した修正学習用点検総合データ１９を用いてデータ分離性の評価を実施する際の出力結果を示すものであり、図１３は同様に先の実施例２で説明した修正学習用点検総合データ１９を用いたものである。また図１４は、先の実施例３で説明した修正学習用点検総合データ１９を用いてデータ分離性の評価を実施する際の出力結果を示すものである。
図１２、図１３及び図１４の横軸には、判別面距離演算部９によって演算された試験用判別面距離データ２３のうち、試験用判別面距離として演算されたｆ（ｘ）がとられている。本実施の形態では、距離の概念として方向を含めて検討しており、数値は正となる方が安全側であり、負となる方が危険側となっているが、このような正負に限定するものではなく、逆の方向について距離を概念する場合には数値の正負は逆となることもある。
図１２、図１３及び図１４の縦軸には、箇所数とあるのは点検対象物の箇所数を示しており、補修率は補修済の点検対象物の数を点検対象物の全体数で除したものである。また、図１２、図１３及び図１４では、箇所数については補修済と補修無の場合に分けて表示している。
図１２、図１３及び図１４の横軸に示されるｆ（ｘ）は、修正学習用点検データ４４を用いて演算される距離であり、基準となる修正学習用点検データ４４の精度が高いと、判別面が精度高く形成され、演算されるｆ（ｘ）も精度の高いものとなると考えられる。そして、そのｆ（ｘ）に基づいて、補修率や補修の有無による箇所数を縦軸に表示して、一致すれば、演算と現実の危険度（安全度）が一致することになり、逆に、修正学習用点検データ４４の精度が検証できるということになる。本実施の形態においては、図に示したが表に示してもよいことは言うまでもない。他の実施例においても同様である。
本実施例のように、学習用点検データ試験部６を備えて点検データのデータ分離性評価を行うことで、補修の有無を予測することは可能であると理解できる。
ここで、図５（ｂ）には修正前の学習用点検データ４１を用いて判別面を解析し、テスト点検データ１５を用いて評価した結果を示す。
図５（ｂ）に示されるとおり、修正前の場合には、危険領域（ｆ（ｘ）＜０）にもかかわらず低い補修率、安全領域（ｆ（ｘ）＞０）にもかかわらず高い補修率となっており、修正前の学習用点検データ４１を用いる場合には、データ分離性は悪いことが理解される。
実施例１の修正方法から得られた図１２および実施例２の修正方法から得られた図１３と、図５（ｂ）を比較すると，補修の有無の予測はほとんど改善されていないと理解される。
しかしながら，実施例３の修正方法から得られた図１４では、危険領域（ｆ（ｘ）＜０）で１００％の補修率、安全領域（ｆ（ｘ）＞０）で低い補修率となっており、実施例３に示されるような方法で、学習用点検データを修正して不一致を削除した補修履歴を用いることで、テスト点検データ１５の補修の有無を予測することは可能であることがわかった。
つまり、本実施例１および本実施例２というデータ修正方法もあるが，本実施例３において行われたデータ修正方法が最も妥当な修正方法であることが理解される。
なお、本願明細書の実施の形態の説明においては、モード選択部３を備えて修正モード、試験モード、評価モードを選択可能としたが、モード選択部３を備えることなく、これらの中から１つのモードのみ、あるいはいくつかのモードがシーケンシャルに自動的に実行されるように予めプログラムされているようなシステムであってもよい。また、修正モードでは、さらに３種類のモードが選択可能となっているが、これも予め定めた１つのモードが自動的に選択されるようにされてもよいし、必ずしも３つのモードではなく、これらの中から２つのモードが選択されるようにしてもよい。
【００５８】
一方、図５（ｂ）には修正前の学習用点検データ４１を用いて判別面を解析し、テスト点検データ１５を用いて評価した結果を示す。
図５（ｂ）に示されるとおり、修正前の場合には、危険領域（ｆ（ｘ）＜０）にもかかわらず低い補修率、安全領域（ｆ（ｘ）＞０）にもかかわらず高い補修率となっており、修正前の学習用点検データ４１を用いる場合には、データ分離性は悪いことが理解される。これに比べて図１４に示す先の実施例３によるデータ修正が妥当であり、このデータ修正によって、学習用点検データ４１の精度が大きく向上したと考えることができる。
本実施例によれば、実施例１乃至３に係る健全性劣化評価システムの効果に加えて、学習用点検データ４１の精度が向上することを確認可能なシステムを提供することができ、修正学習用点検総合データ１９を用いて実施される点検データを取得した地域等における評価の前に、妥当性を確認して精度を担保することができる。
【実施例５】
【００５９】
次に、図６、図７及び図１５を参照しながら、本実施の形態の実施例５に係る健全性劣化評価システムについて説明する。図１５は本実施例５に係る健全性劣化評価システムを用いて点検で得られた点検総合データ１７を評価するための方法を示すフローチャートである。本実施例５では、健全性劣化評価システムにおいて評価モードを選択するものである。（本実施例は、特に請求項１乃至４に対応する。）
利用者は、評価モードを選択する（ステップＳ１）。評価モードが選択されると、モード選択部３は、他の実施例と同様に選択されたモードに関する信号を点検データ評価部７に送信する。モード選択部３から送信される信号を受信すると、点検データ評価部７は、データ修正用点検データベース１２から学習用点検総合データ１３を読み出すか、あるいは修正学習用点検データベース１８から修正学習用点検総合データ１９を読み出す。（ステップＳ２）。
このデータの選定は、点検データ評価部７がデータ修正用点検データベース１２及び修正学習用点検データベース１８にアクセスして、利用可能な学習用点検総合データ１３及び修正学習用点検総合データ１９のデータセット名を出力部１０に表示して、ボタン操作やタッチパネル化した出力部１０を用いて選択可能としておくとよい。
点検データ評価部７は、読み出した学習用点検総合データ１３又は修正学習用点検総合データ１９を判別面演算部８に送信し、判別面演算部８では解析関数データベース２７に格納されたＳＶＭデータ２８を読み出して、ＳＶＭに学習用点検総合データ１３あるいは修正学習用点検総合データ１９を用いて判別面を演算し（ステップＳ３）、判別面に関する判別面データ３２を判別面データベース３１に格納する。この判別面も要因データの要因数ｎ以上の次元数の多次元空間に形成される。
この判別面の演算が終了すると、点検データ評価部７は、点検データベース１６から点検総合データ１７を読み出す（ステップＳ４）。点検総合データ１７は、この健全性劣化評価システムを利用して実際に評価されるべき対象である。
読み出された点検総合データ１７は、判別面距離演算部９へ送信され、判別面距離演算部９は、判別面データ３２を判別面データベース３１から読み出して、先の要因データの要因数ｎ以上の次元数の多次元空間に形成される座標中に形成させると同時に、点検総合データ１７の点検データ４７を点検対象物・点検年毎に、それぞれの要因データ４６を対応させた座標軸に座標点としてプロットする。このようにしてプロットされた点検総合データ１７の座標点から、先の判別面までの距離を演算する（ステップＳ５）。但し、この「距離」の概念も前述のとおり、座標点が判別面に対して多次元空間の原点側にある場合を正とするものである。
演算された判別面までの距離は、判別面距離演算部９によって判別面距離データ２１として判別面距離データベース２０に格納される。
【００６０】
次に、判別面距離演算部９が学習用点検データ４１あるいは修正学習用点検データ４４の座標点から判別面までの距離の演算を終えると、点検データ評価部７は、データ分離性の評価を行う（ステップＳ６）。
このデータ分離性の評価は、実施例４と同様に、解析関数データベース２７から分離性評価関数データ３０を読み出しつつ、先の判別面距離データ２１を判別面距離データベース２０から読み出して、これをその分離性評価関数に入力することで実行されるものである。但し、本実施例では、このデータ分離性の評価は、点検データ評価部７において実行される。
分離性評価関数は、判別面距離データ２１のうち、横軸に判別面距離データの数値をとるように処理され、縦軸に点検対象物の箇所数、あるいは補修率の平均値を示すことが可能である。また、点検対象物の箇所数は、補修済のものと未補修のものに分けて表示することができる。
【００６１】
このような分離性評価関数を用いて処理された例を、図１６を参照しながら説明する。図１６は、表（ａ）に示すデータ例を用いてデータ分離性の評価を実施する際の出力結果を示すものである。図２を用いて説明したように（ａ）をＳＶＭにて分析した結果、（ｂ）表の右列に示すｆ（ｘ）が得られる。これを（ｃ）に示すような形式で整理がなされ、（ｄ）に示したような出力結果が得られるというものである。
なお、本実施例では、学習用点検総合データ１３をデータ修正用点検データベース１２から、あるいは修正学習用点検総合データ１９を修正学習用点検データベース１８から読み出して、判別面を演算し、その判別面に対して点検総合データ１７を用いて判別面距離を演算し、これを用いて点検データ評価部７で、データ分離性の評価を実施したが、この点検データ評価部７では、学習用点検総合データ１３あるいは修正学習用点検総合データ１９自身のデータ分離性も評価可能である。
【００６２】
この学習用点検総合データ１３あるいは修正学習用点検総合データ１９自身のデータ分離性の評価について、以下に説明を加える。
本実施例では、点検データ評価部７が、ステップＳ４において点検データベース１６から点検総合データ１７を読み出したが、ここで、データ修正用点検データベース１２から学習用点検総合データ１３あるいは修正学習用点検データベース１８から修正学習用点検総合データ１９を読み出し、さらに、この中の学習用点検データ４１あるいは修正学習用点検データ４４を読み出す。読み出された学習用点検データ４１あるいは修正学習用点検データ４４は、判別面距離演算部９へ送信され、判別面距離演算部９は、判別面データ３２を判別面データベース３１から読み出して、多次元空間に形成される座標中に形成させると同時に、学習用点検データ４１あるいは修正学習用点検データ４４を点検対象物・点検年毎に、それぞれの要因データを対応させた座標軸に座標点としてプロットする。このようにしてプロットされた学習用点検データ４１あるいは修正学習用点検データ４４の座標点から、先の判別面まので距離を演算する。
演算された判別面までの距離は、判別面距離演算部９によって学習用判別面距離データ２２として判別面距離データベース２０に格納され、点検データ評価部７は、データ分離性の評価を行う。この評価方法は、先に説明した内容と同様であるので省略する。
【００６３】
次に、本実施例５の健全性劣化評価システムのうち、修正学習用点検データを得るための修正モードとして実施例３を採用する健全性劣化評価システムが発揮し得る有用で優れた効果について、さらに詳細に説明を加える。
図１７（ａ）乃至（ｆ）は、それぞれ学習用点検データ４１あるいは修正学習用点検データ４４を用いて点検データ４７を評価する工程を模式的に表現する概念図である。図中、符号Ａ及びＸで表現されるのは、学習用点検データ４１で、Ａ’及びＸ’で表現されるのは修正学習用点検データ４４であり、符号Ｍで表現されるのはマスタ点検データ１４である。
また、Ａを用いてＢを評価する（ａ）乃至（ｃ）は、学習用点検データであるＡあるいは修正学習用点検データであるＡ’の取得箇所は、マスタ点検データであるＭと同一の取得箇所であるものの、データの取得時期が異なる場合を意味しており、Ｘを用いてＹを評価する（ｄ）乃至（ｆ）は、学習用点検データであるＸあるいは修正学習用点検データであるＸ’の取得時期の異同はともかく、取得箇所が、マスタ点検データＭと異なっている場合を意味するものである。
図１７（ａ）は、本実施例によって学習用点検データ４１を修正することなく点検データ４７を評価する場合、（ｂ）は、本実施例によってマスタ点検データ１４を用いてマスタ判別面を構築し、修正学習用点検データ４４を生成して、それを用いて、点検データ４７を評価する場合、（ｃ）は、マスタ点検データ１４を用いて点検データ４７を評価する場合である。
さらに、（ａ）〜（ｃ）とは異なる地域で得られた学習用点検データ４１を修正することなく、点検データ４７を評価する場合を（ｄ）とし、（ｅ）は異なる地域のマスタ点検データ１４を用いて、学習用点検データ４１を修正して修正学習用点検データ４４を生成し、そしてそれを用いて点検データ４７を評価する場合、（ｆ）は、異なる地域のマスタ点検データ１４を用いて点検データ４７を評価する場合である。
【００６４】
このような６つのケースについて点検データ４７を評価した結果により、本実施例３に係る修正モードを採用する健全性劣化評価システムが優れた効果を発揮することを説明するものである。
この優れた効果とは以下のような効果である。ある地域、地点、箇所、あるいは構造物や建造物において、過去に蓄積された点検データが存在するものの、その過去の時点ではノイズも含まれていることが予想される場合には、その点検データをそのまま健全性劣化評価のための学習データとして用いると精度上リスクが大きいと考えられる。このような場合には、この学習データを、その地域等において精度高く実施された点検によって得られた点検データ、すなわち、マスタ点検データを用いて修正して、あるいはマスタ点検データの量が十分であれば、そのマスタ点検データを用いて、先の学習データの取得時期と異なる時期に取得された点検データを評価することが考えられる。しかしながら、マスタ点検データを取得するためには熟練した技術者が必要であることから、そのマスタ点検データが取得されている地域等はまだまだ少ないのが現状である。しかしながら、本実施例によれば、評価したい地域等で取得されたマスタ点検データでなくとも、すなわち、点検データを取得した地域で、学習用点検データが存在しさえすれば、他地域等で取得されたマスタ点検データを用いて、この学習用点検データを修正して修正学習用点検データを取得し、この修正学習用点検データをあたかもその地域等のマスタ点検データとして点検データを評価することが可能である。
この効果が優れているのである。この効果を発揮し得ることを図１７乃至図２３を参照しながら説明するものである。
【００６５】
図１８は、図１７（ａ）に示されるケースの評価結果を示すものである。すなわち、図１８（ａ）では、図１７（ａ）においてＡとして示される学習用点検データをそのまま用いて判別面を形成して、そのＡとして示される学習用点検データの分離性について評価した結果をグラフと表に示すものである。また、（ｂ）では、Ａの学習用点検データを用いて形成された判別面を用いてＢで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
図１８（ａ）において、グラフの見方は図１４を用いて説明したとおりであるので省略するが、その下の表について説明を加える。表では、横軸のｆ（ｘ）に対して、右欄にそれぞれ補修済の箇所と補修無の箇所の数を示し、そのさらに右欄に補修率を計算している。さらに下表には、ｆ（ｘ）が負の場合に補修済である箇所数と、ｆ（ｘ）が正の場合に補修無である箇所数を加え、全体の箇所数で除した数値が記載されている。これは、すなわち、相対的に危険と評価される箇所で補修済の箇所、安全と評価される箇所で補修無の箇所の和であり、適切な処理が施されている箇所の割合を示すものである。従って、本願ではこの数値を「的中率」と呼ぶことにする。
図１８（ｂ）においては、前述のとおり、Ａの学習用点検データ、すなわち、マスタ点検データを用いることなく、そのままの学習用点検データを用いて形成された判別面を用いてＢの点検データを評価した結果を示すが、先の的中率は、２７％と低い値を示している。従って、未修正データの判別面を用いた場合には、あまりよく点検データを分離できておらず、過去（１９８５年〜１９９５年）に取得された同じ箇所でのデータ（学習用点検データ）を用いて、別時点（１９９９年）に取得された同じ箇所でのデータ（点検データ）を評価することに無理があることが理解される。
【００６６】
次に、図１９を参照しながら、Ｍのマスタ点検データを用いてＡの学習用点検データを修正してＡ’とし、それを用いて同じ箇所で取得されたＢの点検データを評価した結果を説明する。図１９（ａ）では、図１７（ｂ）においてＡとして示される学習用点検データを、Ｍのマスタ点検データを用いて形成された判別面を用いて修正して、Ａ’の修正学習用点検データを生成して、そのＡ’ の分離性を評価したグラフと表を示すものである。その結果はもちろん的中率１００％となる。また、（ｂ）では、そのＡ’の修正学習用点検データを用いて形成された判別面を用いてＢで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
図１９（ａ）において、修正済のＡ’では、図１８（ａ）に示される修正前の場合に比較して分離が進み、その的中率は当然１００％になっている。一方、（ｂ）では、的中率が５６％と図１８（ｂ）の２７％に比べると大幅に向上しており、この修正学習用点検データによって形成される判別面を用いる場合には、取得時点が異なる点検データを分離することができるものと理解される。
【００６７】
さらに、図２０を参照しながら、Ｍのマスタ点検データを直接用いてＢの点検データを評価した結果について説明する。図２０（ａ）では、図１７（ｃ）においてＭとして示されるマスタ点検データを用いて形成された判別面でマスタ点検データ自身の分離性を評価したグラフと表を示すものである。また、（ｂ）では、そのＭのマスタ点検データを用いて形成された判別面を用いてＢで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
図２０（ａ）において、Ｍのマスタ点検データでは分離性が高く、その的中率も１００％となっている。一方、（ｂ）では、的中率が５８％と、図１９（ｂ）に示されるケースに比較してほぼ同等であり、また、図１８（ｂ）に示されるケースに比較すると大幅に向上している。このことから、このマスタ点検データによって形成される判別面を直接用いた場合（図２０（ｂ））に対して、マスタ点検データを用いて学習用点検データを修正して修正学習用点検データを生成してから、その修正学習用点検データを用いて点検データを評価する場合（図１９（ｂ））ではほぼ同等の分離性が得られることが理解される。
【００６８】
次に、図２１を参照しながら、別の地域等で取得されたマスタ点検データを用いて学習用点検データを修正して修正学習用点検データを生成し、その修正学習用点検データを用いて点検データを評価する場合について、分離性を向上させることができるか否かについて説明を追加する。
図２１は、図１７（ｄ）に示されるケースの評価結果を示すものである。すなわち、図２１（ａ）では、図１７（ｄ）においてＸとして示される学習用点検データをそのまま用いて判別面を形成して、そのＸとして示される学習用点検データの分離性について評価した結果をグラフと表に示すものである。また、（ｂ）では、Ｘの学習用点検データを用いて形成された判別面を用いてＹで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。これらのデータを取得した箇所は、図中にＨ路線と記載されるとおり、いずれも図１８に示される箇所とは異なる箇所で得られたデータに基づくものである。
図２１（ｂ）においては、Ｘの学習用点検データ、すなわち、マスタ点検データを用いることなく、そのままの学習用点検データを用いて形成された判別面を用いてＹの点検データを評価した結果を示すが、先の的中率は、７８％とかなり高い値を示している。従って、図１８で示した結果とは異なり、本Ｈ路線では、未修正データの判別面を用いた場合でも同じ箇所でのデータ（点検データ）を評価することが可能であることが理解される。
【００６９】
次に、図２２を参照しながら、Ｍのマスタ点検データを用いてＸの学習用点検データを修正してＸ’とし、それを用いて同じ箇所で取得されたＹの点検データを評価した結果を説明する。図２２（ａ）では、図１７（ｅ）においてＸとして示される学習用点検データを、このＸを取得した地域等とは異なる地域等で取得したＭのマスタ点検データを用いて形成された判別面を用いて修正して、Ｘ’の修正学習用点検データを生成して、そのＸ’の分離性を評価したグラフと表を示すものである。また、（ｂ）では、そのＸ’の修正学習用点検データを用いて形成された判別面を用いてＹで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
図２２（ａ）において、修正済のＸ’では、図２１（ａ）に示される修正前の場合に比較して分離が進み、その的中率も９９％と高い値を示している。一方、（ｂ）においても、高かった的中率が更に９０％と向上しており、この修正学習用点検データによって形成される判別面を用いる場合には、取得した地域等が異なる点検データを分離することができるものと理解される。
【００７０】
さらに、図２３を参照しながら、Ｍのマスタ点検データを直接用いてＹの点検データを評価した結果について説明する。図２３（ａ）では、図１７（ｆ）においてＭとして示されるマスタ点検データを用いて形成された判別面でマスタ点検データ自身の分離性を評価したグラフと表を示すものである。また、（ｂ）では、そのＭのマスタ点検データを用いて形成された判別面を用いてＹで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
図２３（ａ）において、Ｍのマスタ点検データでは分離性が高く、その的中率も１００％となっている。一方、（ｂ）では、的中率が８６％と、図２１（ｂ）に示されるケースに比較すると向上しているのが認められるが、図２２（ｂ）に示されるケースに比較すると若干低下していることが理解される。
このことから、このマスタ点検データによって形成される判別面を直接用いた場合（図２３（ｂ））よりも、マスタ点検データを用いて学習用点検データを修正して修正学習用点検データを生成してから、その修正学習用点検データを用いて点検データを評価する場合（図２２（ｂ））の方がより高い分離性が得られることが理解される。
すなわち、マスタ点検データを用いてそのデータが取得された地域等以外の地域等において取得された学習用点検データを修正して修正学習用点検データを生成することによれば、その修正学習用点検データを、あたかもその地域等のマスタ点検データとして取り扱うことで、他地域等で取得されたマスタ点検データを用いるよりもより優れた効果、すなわち、点検データの高い分離性を発揮させることが可能であり、健全性劣化評価をより精度高く実施することが可能である。
本実施の形態に係る健全性劣化評価システムを用いることで、他地域等で取得されたマスタ点検データを用いて、当該地域のマスタ点検データを生成することが可能となり、数少ないマスタ点検データの利用局面が増えることで、多数の地域において、これまでノイズを含んで利用が抑制されていた過去の点検データ（学習用点検データ）を修正学習用点検データとして活用することが可能となり、健全性劣化評価の精度の飛躍的な向上とコスト削減を同時に実現することができるという優れた効果を発揮することができるのである。
【００７１】
以上説明したとおり、本実施の形態に係る健全性劣化評価システムにおいては、過去に蓄積された点検データが熟練していない点検技術者による判断を含んでいることで、ノイズとなってしまい、そのままその蓄積された点検データを学習データとして、判別面を構築するには精度上問題が生じてしまうような場合に、ノイズを含む点検データを修正することで、学習データの精度を向上させつつ、点検データの評価精度を向上させることができる。
【産業上の利用可能性】
【００７２】
自治体をはじめとして道路、トンネル、ダム、高層ビル、鉄塔などを管理する管理団体、検査団体あるいは設計会社、建設会社、コンサルティング会社など建築構造物、土木構造物あるいは災害危険箇所に関係するあらゆる団体、企業において、構造物の建設から構造物や危険箇所の補修計画の立案、補修工事の施工後の管理まで幅広い用途がある。また、教育機関などにおいて構造物における事故や災害危険箇所における事故や災害の未然防止や避難訓練用の教材としても活用が見込まれる。さらに、建設・土木事業を営む企業においては、補修工事事業のニーズ掘り起こしや事業提案のためのツール、あるいは公的機関との連携を図るための共有ツールとして活用が可能であり、企業の補修工事技術に関する研究開発や設計事業などの用途にも適用可能である。
【図面の簡単な説明】
【００７３】
【図１】ＳＶＭの基本的概念を模式的に示す図である。
【図２】ＳＶＭによる点検結果評価の基本的な概念を表現した２次元イメージ図である。
【図３】本実施の形態に係る健全性劣化評価システムにおける点検対象物の健全性劣化の評価において、ＳＶＭを用いて点検対象物の補修有無を分離させた場合の２次元イメージ図である。
【図４】表１に示される1985年から1999年までのはり上点検データ結果及び補修履歴（1,152データ）を用いて、ｆ（ｘ）の値で区切って各範囲におけるデータの個数および補修率の関係を図で示したものである。
【図５】（ａ）は、1985年〜1995年のはり上点検データを学習用点検データとしてＳＶＭを用いて判別面を形成してｆ（ｘ）を演算し、図４と同様にｆ（ｘ）の値で区切って各範囲におけるデータの個数および補修率の関係を図で示したものであり、（ｂ）は、（ａ）の判別面を用いて、1999年のはり上点検データを入力してｆ（ｘ）を演算し、図４と同様にｆ（ｘ）の値で区切って各範囲におけるデータの個数および補修率の関係を図で示したものである。
【図６】本発明の実施の形態に係る健全性劣化評価システムの構成図である。
【図７】（ａ）は、本実施の形態に係る学習用点検総合データの構成を示す概念図、（ｂ）は同じく修正学習用点検総合データの構成を示す概念図、（ｃ）は同じく点検総合データの構成を示す概念図である。
【図８】本実施例１に係る健全性劣化評価システムを用いた修正学習用点検データを生成するための方法を示すフローチャートである。
【図９】本実施例２に係る健全性劣化評価システムを用いた修正学習用点検データを生成するための方法を示すフローチャートである。
【図１０】本実施例３に係る健全性劣化評価システムを用いた修正学習用点検データを生成するための方法を示すフローチャートである。
【図１１】本実施例４に係る健全性劣化評価システムを用いて学習用点検総合データあるいは修正学習用点検総合データの精度を確認するための方法を示すフローチャートである。
【図１２】本実施の形態に係る健全性劣化評価システムの点検データ評価部によって、先の実施例１で説明した修正学習用点検総合データを用いてデータ分離性の評価を実施する際の出力結果を示すものである。
【図１３】本実施の形態に係る健全性劣化評価システムの点検データ評価部によって、先の実施例２で説明した修正学習用点検総合データを用いたデータ分離性の評価を実施する際の出力結果を示すものである。
【図１４】本実施例４に係る健全性劣化評価システムを用いて、先の実施例３で説明した修正学習用点検総合データでデータ分離性の評価を実施する際の出力結果を示すものである。
【図１５】本実施例５に係る健全性劣化評価システムを用いて点検で得られた点検総合データを評価するための方法を示すフローチャートである。
【図１６】データの分離性を評価する際の出力結果についてデータ例を用いて示したものである。
【図１７】（ａ）乃至（ｆ）は、それぞれ学習用点検データ４１あるいは修正学習用点検データ４４を用いて点検データ４７を評価する工程を模式的に表現する概念図である。
【図１８】（ａ）は、図１７（ａ）においてＡとして示される学習用点検データをそのまま用いて判別面を形成して、そのＡとして示される学習用点検データの分離性について評価した結果をグラフと表に示すものであり、（ｂ）は、Ａの学習用点検データを用いて形成された判別面を用いてＢで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
【図１９】（ａ）は、図１７（ｂ）においてＡとして示される学習用点検データを、Ｍのマスタ点検データを用いて形成された判別面を用いて修正して、Ａ’の修正学習用点検データを生成して、そのＡ’の分離性を評価したグラフと表を示すものであり、（ｂ）は、そのＡ’の修正学習用点検データを用いて形成された判別面を用いてＢで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
【図２０】（ａ）は、図１７（ｃ）においてＭとして示されるマスタ点検データを用いて形成された判別面でマスタ点検データ自身の分離性を評価したグラフと表を示すものであり、（ｂ）は、そのＭのマスタ点検データを用いて形成された判別面を用いてＢで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
【図２１】（ａ）は、図１７（ｄ）においてＸとして示される学習用点検データをそのまま用いて判別面を形成して、そのＸとして示される学習用点検データの分離性について評価した結果をグラフと表に示すものであり、（ｂ）は、Ｘの学習用点検データを用いて形成された判別面を用いてＹで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
【図２２】（ａ）は、図１７（ｅ）においてＸとして示される学習用点検データを、このＸを取得した地域等とは異なる地域等で取得したＭのマスタ点検データを用いて形成された判別面を用いて修正して、Ｘ’の修正学習用点検データを生成して、そのＸ’の分離性を評価したグラフと表を示すものであり、（ｂ）は、そのＸ’の修正学習用点検データを用いて形成された判別面を用いてＹで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
【図２３】（ａ）では、図１７（ｆ）においてＭとして示されるマスタ点検データを用いて形成された判別面でマスタ点検データ自身の分離性を評価したグラフと表を示すものであり、（ｂ）は、そのＭのマスタ点検データを用いて形成された判別面を用いてＹで示される点検データを評価した場合に、点検データが分離可能であるか否かをグラフと表で示すものである。
【符号の説明】
【００７４】
１…入力部 ２…演算部 ３…モード選択部 ４…学習用点検データ分析部 ５…学習用点検データ修正部 ６…学習用点検データ試験部 ７…点検データ評価部 ８…判別面演算部 ９…判別面距離演算部 １０…出力部 １１ａ…データ １１ｂ…解析条件 １２…データ修正用点検データベース １３…学習用点検総合データ １４…マスタ点検データ １５…テスト点検データ １６…点検データベース １７…点検総合データ １８…修正学習用点検データベース １９…修正学習用点検総合データ ２０…判別面距離データベース ２１…判別面距離データ ２２…学習用判別面距離データ ２３…試験用判別面距離データ ２４…解析条件データベース ２５…解析条件データ ２６…パラメータデータ ２７…解析関数データベース ２８…ＳＶＭデータ ２９…矛盾データ検索関数データ ３０…分離性評価関数データ ３１…判別面データベース ３２…判別面データ ３３…マスタ判別面データ ３４…分離性評価データベース ３５…分離性評価データ ４０…要因データ ４１…学習用点検データ ４２…教師値データ ４３…要因データ ４４…修正学習用点検データ ４５…修正教師値データ ４６…要因データ ４７…点検データ ４８…補修の有無データ
【特許請求の範囲】
【請求項１】
入力部と、演算部と、格納部と、出力部を有し、点検対象物における健全性劣化の要因（要因数をｎとする。ｎ≧２）に係るｎ次元の要因データと前記点検対象物に対する前記要因毎に構成される点検データと前記点検対象物に対する補修の有無データとを備える点検総合データと、前記点検データを用いて補修の必要性の有無あるいは災害発生の可能性の有無を分離するための判別面を解析して得るためのサポートベクターマシン（以下、単にＳＶＭという。）と、を用いてある点検対象物における危険度を算出して補修又は点検の必要性を評価するための健全性劣化評価システムであって、
前記格納部は、前記判別面を解析するためのＳＶＭデータと、前記ＳＶＭに代入されるｎ次元の要因データと，前記点検対象物に対する前記要因データ毎に構成される学習用点検データと，前記点検対象物における補修の有無データを正負又は負正に対応させた前記ＳＶＭに対する教師値データと，を備える学習用点検総合データと、前記点検対象物に対する前記要因データ毎に構成され前記学習用点検データよりも確度の高いことが予め明らかなマスタ点検データとを格納する格納部であって、
前記入力部は、前記点検対象物における前記健全性劣化の要因に係るｎ次元の要因データと前記要因データ毎の点検データを入力可能な手段であって、
前記演算部は、前記マスタ点検データ及び前記ＳＶＭデータを前記格納部から読み出して前記マスタ判別面を解析する判別面演算部と、
前記学習用点検データを前記格納部から読み出して、前記マスタ判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記学習用点検データを座標点として入力し、この座標点から前記多次元空間中に形成されるマスタ判別面までの距離を前記点検対象物の学習データ危険度として演算する判別面距離演算部と、
前記点検対象物毎に前記学習用点検総合データの教師値データを前記格納部から読み出して、前記判別面距離演算部で演算された点検対象物の学習データ危険度と比較して、教師値データが表現する補修有無に対して学習データ危険度が反している矛盾点検対象物を検出する学習用点検データ分析部と、
前記学習用点検データ分析部によって検出された矛盾点検対象物に関する学習用点検データ及び教師値データを前記学習用点検データ及び教師値データから削除し修正学習用点検総合データを生成して前記格納部に格納する学習用点検データ修正部と、を備え、
前記判別面演算部は、前記修正学習用点検総合データ及び前記ＳＶＭデータを前記格納部から読み取り前記判別面を解析する判別面演算部であり、
前記判別面距離演算部は、前記入力部から入力された前記点検データを読み取り、前記判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記点検データを座標点として入力し、この座標点から前記多次元空間中に形成される判別面までの距離を前記点検対象物の危険度として演算する判別面距離演算部である手段であって、
前記出力部は、前記入力部から入力されるデータ、前記演算部で演算された結果に関するデータ又は前記格納部に格納されるデータを、それぞれ入力部、演算部、格納部から読み出して出力可能な手段であることを特徴とする健全性劣化評価システム。
【請求項２】
入力部と、演算部と、格納部と、出力部を有し、点検対象物における健全性劣化の要因（要因数をｎとする。ｎ≧２）に係るｎ次元の要因データと前記点検対象物に対する前記要因毎に構成される点検データと前記点検対象物に対する補修の有無データとを備える点検総合データと、前記点検データを用いて補修の必要性の有無あるいは災害発生の可能性の有無を分離するための判別面を解析して得るためのサポートベクターマシン（以下、単にＳＶＭという。）と、を用いてある点検対象物における危険度を算出して補修又は点検の必要性を評価するための健全性劣化評価システムであって、
前記格納部は、前記判別面を解析するためのＳＶＭデータと、前記ＳＶＭに代入されるｎ次元の要因データと，前記点検対象物に対する前記要因データ毎に構成される学習用点検データと，前記点検対象物における補修の有無データを正負又は負正に対応させた前記ＳＶＭに対する教師値データと，を備える学習用点検総合データと、を格納する手段であって、
前記入力部は、前記点検対象物における前記健全性劣化の要因に係るｎ次元の要因データと前記要因データ毎の点検データを入力可能な手段であって、
前記演算部は、前記点検対象物毎に学習用点検データ及び前記教師値データを前記格納部から読み出して、前記学習用点検データをキーとして前記教師値データを比較して、前記学習用点検データが同一であるにもかかわらず前記教師値データが異なる矛盾点検対象物を検出する学習用点検データ分析部と、
前記学習用点検データ分析部によって検出された矛盾点検対象物に関する学習用点検データ及び教師値データを前記学習用点検データ及び教師値データから削除し修正学習用点検総合データを生成して前記格納部に格納する学習用点検データ修正部と、
前記修正学習用点検データ及び前記ＳＶＭデータを前記格納部から読み出して前記判別面を解析する判別面演算部と、
前記入力部から入力された前記点検データを読み取り、前記判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記点検データを座標点として入力し、この座標点から前記多次元空間中に形成される判別面までの距離を前記点検対象物の危険度として演算する判別面距離演算部と、を備える手段であって、
前記出力部は、前記入力部から入力されるデータ、前記演算部で演算された結果に関するデータ又は前記格納部に格納されるデータを、それぞれ入力部、演算部、格納部から読み出して出力可能な手段であることを特徴とする健全性劣化評価システム。
【請求項３】
入力部と、演算部と、格納部と、出力部を有し、点検対象物における健全性劣化の要因（要因数をｎとする。ｎ≧２）に係るｎ次元の要因データと前記点検対象物に対する前記要因毎に構成される点検データと前記点検対象物に対する補修の有無データとを備える点検総合データと、前記点検データを用いて補修の必要性の有無あるいは災害発生の可能性の有無を分離するための判別面を解析して得るためのサポートベクターマシン（以下、単にＳＶＭという。）と、を用いてある点検対象物における危険度を算出して補修又は点検の必要性を評価するための健全性劣化評価システムであって、
前記格納部は、前記判別面を解析するためのＳＶＭデータと、前記ＳＶＭに代入されるｎ次元の要因データと，前記点検対象物に対する前記要因データ毎に構成される学習用点検データと，前記点検対象物における補修の有無データを正負又は負正に対応させた前記ＳＶＭに対する教師値データと，を備える学習用点検総合データと、を格納する手段であって、
前記入力部は、前記点検対象物における前記健全性劣化の要因に係るｎ次元の要因データと前記要因データ毎の点検データを入力可能な手段であって、
前記演算部は、前記点検対象物毎に学習用点検データを前記格納部から読み出して、前記点検時期毎に学習用点検データを比較して、ある点検時期とその点検時期よりも後の点検時期における前記教師値データが補修無を表現する値で変化がないにもかかわらず前記学習用点検データが改善している矛盾点検対象物を検出する学習用点検データ分析部と、
前記学習用点検データ分析部によって検出された矛盾点検対象物に関する学習用点検データ及び教師値データを前記学習用点検データ及び教師値データから削除し修正学習用点検総合データを生成して前記格納部に格納する学習用点検データ修正部と、
前記修正学習用点検データ及び前記ＳＶＭデータを前記格納部から読み出して前記判別面を解析する判別面演算部と、
前記入力部から入力された前記点検データを読み取り、前記判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記点検データを座標点として入力し、この座標点から前記多次元空間中に形成される判別面までの距離を前記点検対象物の危険度として演算する判別面距離演算部と、を備える手段であって、
前記出力部は、前記入力部から入力されるデータ、前記演算部で演算された結果に関するデータ又は前記格納部に格納されるデータを、それぞれ入力部、演算部、格納部から読み出して出力可能な手段であることを特徴とする健全性劣化評価システム。
【請求項４】
前記格納部は、前記学習用点検総合データ又は前記修正学習用点検総合データの精度を試験するために、前記点検対象物に対する前記要因データ毎に構成されるテスト点検データと、
このテスト点検データを用いて演算された前記点検対象物の危険度を介して前記学習用点検総合データ又は前記修正学習用点検総合データを評価するために、前記危険度と，補修有の点検対象物と補修無の点検対象物の組合せ及び／又は点検対象物の全数に対する補修有の点検対象物の数である補修率のデータと，を図示する分離性評価関数データと、を格納する手段であって、
前記演算部は、前記学習用点検総合データ又は前記修正学習用点検総合データ及び前記ＳＶＭデータを前記格納部から読み取り判別面を解析する判別面演算部と、
前記格納部に格納された前記テスト点検データを読み取り、前記判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記テスト点検データを座標点として入力し、この座標点から前記多次元空間中に形成される判別面までの距離を前記点検対象物のテスト危険度として演算する判別面距離演算部と、
前記格納部から前記分離性評価関数データを読み出して、前記テスト危険度と、前記テスト点検データに含まれる補修有の点検対象物と補修無の点検対象物の組合せ及び／又は点検対象物の全数に対する補修有の点検対象物の数である補修率のデータと，を表又は図で示す学習用点検データ試験部と、を有し、
前記出力部は、前記表又は図を出力可能であることを特徴とする請求項１乃至請求項３のいずれか１項に記載の健全性劣化評価システム。
【請求項１】
入力部と、演算部と、格納部と、出力部を有し、点検対象物における健全性劣化の要因（要因数をｎとする。ｎ≧２）に係るｎ次元の要因データと前記点検対象物に対する前記要因毎に構成される点検データと前記点検対象物に対する補修の有無データとを備える点検総合データと、前記点検データを用いて補修の必要性の有無あるいは災害発生の可能性の有無を分離するための判別面を解析して得るためのサポートベクターマシン（以下、単にＳＶＭという。）と、を用いてある点検対象物における危険度を算出して補修又は点検の必要性を評価するための健全性劣化評価システムであって、
前記格納部は、前記判別面を解析するためのＳＶＭデータと、前記ＳＶＭに代入されるｎ次元の要因データと，前記点検対象物に対する前記要因データ毎に構成される学習用点検データと，前記点検対象物における補修の有無データを正負又は負正に対応させた前記ＳＶＭに対する教師値データと，を備える学習用点検総合データと、前記点検対象物に対する前記要因データ毎に構成され前記学習用点検データよりも確度の高いことが予め明らかなマスタ点検データとを格納する格納部であって、
前記入力部は、前記点検対象物における前記健全性劣化の要因に係るｎ次元の要因データと前記要因データ毎の点検データを入力可能な手段であって、
前記演算部は、前記マスタ点検データ及び前記ＳＶＭデータを前記格納部から読み出して前記マスタ判別面を解析する判別面演算部と、
前記学習用点検データを前記格納部から読み出して、前記マスタ判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記学習用点検データを座標点として入力し、この座標点から前記多次元空間中に形成されるマスタ判別面までの距離を前記点検対象物の学習データ危険度として演算する判別面距離演算部と、
前記点検対象物毎に前記学習用点検総合データの教師値データを前記格納部から読み出して、前記判別面距離演算部で演算された点検対象物の学習データ危険度と比較して、教師値データが表現する補修有無に対して学習データ危険度が反している矛盾点検対象物を検出する学習用点検データ分析部と、
前記学習用点検データ分析部によって検出された矛盾点検対象物に関する学習用点検データ及び教師値データを前記学習用点検データ及び教師値データから削除し修正学習用点検総合データを生成して前記格納部に格納する学習用点検データ修正部と、を備え、
前記判別面演算部は、前記修正学習用点検総合データ及び前記ＳＶＭデータを前記格納部から読み取り前記判別面を解析する判別面演算部であり、
前記判別面距離演算部は、前記入力部から入力された前記点検データを読み取り、前記判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記点検データを座標点として入力し、この座標点から前記多次元空間中に形成される判別面までの距離を前記点検対象物の危険度として演算する判別面距離演算部である手段であって、
前記出力部は、前記入力部から入力されるデータ、前記演算部で演算された結果に関するデータ又は前記格納部に格納されるデータを、それぞれ入力部、演算部、格納部から読み出して出力可能な手段であることを特徴とする健全性劣化評価システム。
【請求項２】
入力部と、演算部と、格納部と、出力部を有し、点検対象物における健全性劣化の要因（要因数をｎとする。ｎ≧２）に係るｎ次元の要因データと前記点検対象物に対する前記要因毎に構成される点検データと前記点検対象物に対する補修の有無データとを備える点検総合データと、前記点検データを用いて補修の必要性の有無あるいは災害発生の可能性の有無を分離するための判別面を解析して得るためのサポートベクターマシン（以下、単にＳＶＭという。）と、を用いてある点検対象物における危険度を算出して補修又は点検の必要性を評価するための健全性劣化評価システムであって、
前記格納部は、前記判別面を解析するためのＳＶＭデータと、前記ＳＶＭに代入されるｎ次元の要因データと，前記点検対象物に対する前記要因データ毎に構成される学習用点検データと，前記点検対象物における補修の有無データを正負又は負正に対応させた前記ＳＶＭに対する教師値データと，を備える学習用点検総合データと、を格納する手段であって、
前記入力部は、前記点検対象物における前記健全性劣化の要因に係るｎ次元の要因データと前記要因データ毎の点検データを入力可能な手段であって、
前記演算部は、前記点検対象物毎に学習用点検データ及び前記教師値データを前記格納部から読み出して、前記学習用点検データをキーとして前記教師値データを比較して、前記学習用点検データが同一であるにもかかわらず前記教師値データが異なる矛盾点検対象物を検出する学習用点検データ分析部と、
前記学習用点検データ分析部によって検出された矛盾点検対象物に関する学習用点検データ及び教師値データを前記学習用点検データ及び教師値データから削除し修正学習用点検総合データを生成して前記格納部に格納する学習用点検データ修正部と、
前記修正学習用点検データ及び前記ＳＶＭデータを前記格納部から読み出して前記判別面を解析する判別面演算部と、
前記入力部から入力された前記点検データを読み取り、前記判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記点検データを座標点として入力し、この座標点から前記多次元空間中に形成される判別面までの距離を前記点検対象物の危険度として演算する判別面距離演算部と、を備える手段であって、
前記出力部は、前記入力部から入力されるデータ、前記演算部で演算された結果に関するデータ又は前記格納部に格納されるデータを、それぞれ入力部、演算部、格納部から読み出して出力可能な手段であることを特徴とする健全性劣化評価システム。
【請求項３】
入力部と、演算部と、格納部と、出力部を有し、点検対象物における健全性劣化の要因（要因数をｎとする。ｎ≧２）に係るｎ次元の要因データと前記点検対象物に対する前記要因毎に構成される点検データと前記点検対象物に対する補修の有無データとを備える点検総合データと、前記点検データを用いて補修の必要性の有無あるいは災害発生の可能性の有無を分離するための判別面を解析して得るためのサポートベクターマシン（以下、単にＳＶＭという。）と、を用いてある点検対象物における危険度を算出して補修又は点検の必要性を評価するための健全性劣化評価システムであって、
前記格納部は、前記判別面を解析するためのＳＶＭデータと、前記ＳＶＭに代入されるｎ次元の要因データと，前記点検対象物に対する前記要因データ毎に構成される学習用点検データと，前記点検対象物における補修の有無データを正負又は負正に対応させた前記ＳＶＭに対する教師値データと，を備える学習用点検総合データと、を格納する手段であって、
前記入力部は、前記点検対象物における前記健全性劣化の要因に係るｎ次元の要因データと前記要因データ毎の点検データを入力可能な手段であって、
前記演算部は、前記点検対象物毎に学習用点検データを前記格納部から読み出して、前記点検時期毎に学習用点検データを比較して、ある点検時期とその点検時期よりも後の点検時期における前記教師値データが補修無を表現する値で変化がないにもかかわらず前記学習用点検データが改善している矛盾点検対象物を検出する学習用点検データ分析部と、
前記学習用点検データ分析部によって検出された矛盾点検対象物に関する学習用点検データ及び教師値データを前記学習用点検データ及び教師値データから削除し修正学習用点検総合データを生成して前記格納部に格納する学習用点検データ修正部と、
前記修正学習用点検データ及び前記ＳＶＭデータを前記格納部から読み出して前記判別面を解析する判別面演算部と、
前記入力部から入力された前記点検データを読み取り、前記判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記点検データを座標点として入力し、この座標点から前記多次元空間中に形成される判別面までの距離を前記点検対象物の危険度として演算する判別面距離演算部と、を備える手段であって、
前記出力部は、前記入力部から入力されるデータ、前記演算部で演算された結果に関するデータ又は前記格納部に格納されるデータを、それぞれ入力部、演算部、格納部から読み出して出力可能な手段であることを特徴とする健全性劣化評価システム。
【請求項４】
前記格納部は、前記学習用点検総合データ又は前記修正学習用点検総合データの精度を試験するために、前記点検対象物に対する前記要因データ毎に構成されるテスト点検データと、
このテスト点検データを用いて演算された前記点検対象物の危険度を介して前記学習用点検総合データ又は前記修正学習用点検総合データを評価するために、前記危険度と，補修有の点検対象物と補修無の点検対象物の組合せ及び／又は点検対象物の全数に対する補修有の点検対象物の数である補修率のデータと，を図示する分離性評価関数データと、を格納する手段であって、
前記演算部は、前記学習用点検総合データ又は前記修正学習用点検総合データ及び前記ＳＶＭデータを前記格納部から読み取り判別面を解析する判別面演算部と、
前記格納部に格納された前記テスト点検データを読み取り、前記判別面が、前記要因数以上の次元数で構成される多次元空間の座標中に形成され、この多次元空間の座標中に、前記テスト点検データを座標点として入力し、この座標点から前記多次元空間中に形成される判別面までの距離を前記点検対象物のテスト危険度として演算する判別面距離演算部と、
前記格納部から前記分離性評価関数データを読み出して、前記テスト危険度と、前記テスト点検データに含まれる補修有の点検対象物と補修無の点検対象物の組合せ及び／又は点検対象物の全数に対する補修有の点検対象物の数である補修率のデータと，を表又は図で示す学習用点検データ試験部と、を有し、
前記出力部は、前記表又は図を出力可能であることを特徴とする請求項１乃至請求項３のいずれか１項に記載の健全性劣化評価システム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２２】
【図２３】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２２】
【図２３】
【公開番号】特開２００９−１１６４２７（Ｐ２００９−１１６４２７Ａ）
【公開日】平成２１年５月２８日（２００９．５．２８）
【国際特許分類】
【出願番号】特願２００７−２８５７８６（Ｐ２００７−２８５７８６）
【出願日】平成１９年１１月２日（２００７．１１．２）
【出願人】（３０４０２０１７７）国立大学法人山口大学 (579)
【出願人】（５９４１６２３０８）西日本技術開発株式会社 (16)
【出願人】（５９２２５０６９８）株式会社四電技術コンサルタント (15)
【出願人】（５９１２６０６７２）中電技術コンサルタント株式会社 (58)
【出願人】（５９８１５４９４７）株式会社エイトコンサルタント (16)
【出願人】（５９２０００８８６）八千代エンジニヤリング株式会社 (16)
【公開日】平成２１年５月２８日（２００９．５．２８）
【国際特許分類】
【出願日】平成１９年１１月２日（２００７．１１．２）
【出願人】（３０４０２０１７７）国立大学法人山口大学 (579)
【出願人】（５９４１６２３０８）西日本技術開発株式会社 (16)
【出願人】（５９２２５０６９８）株式会社四電技術コンサルタント (15)
【出願人】（５９１２６０６７２）中電技術コンサルタント株式会社 (58)
【出願人】（５９８１５４９４７）株式会社エイトコンサルタント (16)
【出願人】（５９２０００８８６）八千代エンジニヤリング株式会社 (16)
[ Back to top ]