Surrogate Model

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 …

Engineering Structures, 2025

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 …

This study proposes a surrogate model using deep kernel learning (DKL) with a convolutional neural network (CNN) and attention mechanism for efficient seismic fragility assessment of infrastructure. The CNN extracts features from seismic response …

IABSE, 2025

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 …

Advances in Structural Engineering, 2024