Machine Learning

地震フラジリティ解析は、不確定性考慮のため計算コストが高い。この課題に対し、応答スペクトルからCNNで特徴量を自動抽出し、ガウス過程（GP）と組み合わせたサロゲートモデルを提案する。CNNがGP予測に最適な地震動特徴量を抽出するため、従来の地震動指標（IM）を用いる手法より高精度化が期待できる。免震RC橋脚のフラジリティ解析を用いた検証では、提案手法IMを用いた手法より高い予測精度を示した。さらに、200回の解析データで構築したモデルが、100万回の数値解析に基づくフラジリティ曲線をおおむね再現 …

This study adopted transfer learning for the seismic response prediction of real structures using deep learning. This approach aims to address the challenge posed by the scarcity of observation data. Specifically, the deep learning model Explanianble …

本研究では、有限要素法などの数値解析を用いずに、センサーデータから構造物の地震応答を予測するための説明可能な深層学習モデルであるExSRNet（Explainable Seismic Response Networks）を提案する。ExSRNetは周波数特性に着目し、周波数帯域分割にSincNet、時間的特徴抽出に因果的Dilated Convolution、各周波数帯域の重み付けに周波数アテンション、時間履歴応答予測にLSTMを組み合わせることで構成される。検証では、6層RC建物の観測データを …

地震による構造物の被災度を確率論的に評価するために、地震動の不確定性を考慮する必要がある。しかし、不確定性を考慮し、数値計算を繰り返すのは計算コストが高い。本研究では、地震応答解析を深層学習器で置き換える代替モデルを用いることで計算コストの低減を図る。代替モデルには、Attention機構と説明性を有する畳み込み演算によって、なぜその予測結果に至ったのかを、周波数領域への寄与度計算を通して説明可能なモデル構築を行った。検証では橋脚の地震応答解析に対する代替モデルを構築し、寄与度の高かった周波数帯 …

Civil structures should keep functionality during earthquake events, necessitating detailed seismic evaluations. However, to account for uncertainties in seismic loading, nonlinear time history analyses must be repeated many times, increasing the …

In this study, an explainable seismic response surrogate model, which can be deemed valid from an engineering perspective, was developed. The model employs SincNet convolution to segment features by frequency band and an attention mechanism to …

This study presents a regularized Deep Kernel Learning (DKL) model for reliability analysis with high-dimensional uncertainties. Combining Deep Learning (DL) and Gaussian Process Regression (GPR), the model leverages DL for feature extraction and GPR …