[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

JP7512151B2 - 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 - Google Patents

地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 Download PDF

Info

Publication number
JP7512151B2
JP7512151B2 JP2020159810A JP2020159810A JP7512151B2 JP 7512151 B2 JP7512151 B2 JP 7512151B2 JP 2020159810 A JP2020159810 A JP 2020159810A JP 2020159810 A JP2020159810 A JP 2020159810A JP 7512151 B2 JP7512151 B2 JP 7512151B2
Authority
JP
Japan
Prior art keywords
earthquake motion
earthquake
motion
seismic
characteristic parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2020159810A
Other languages
English (en)
Other versions
JP2022053155A (ja
Inventor
透 石井
温子 小穴
健介 和田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shimizu Corp
Original Assignee
Shimizu Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shimizu Corp filed Critical Shimizu Corp
Priority to JP2020159810A priority Critical patent/JP7512151B2/ja
Publication of JP2022053155A publication Critical patent/JP2022053155A/ja
Application granted granted Critical
Publication of JP7512151B2 publication Critical patent/JP7512151B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置に関する。
過去の地震(震源断層のすべり破壊現象)や地震動(地震によってもたらされる地盤の揺れ)等に関して得られた様々なデータに基づいて将来発生すると考えられる地震による地震動の特性を評価・予測する技術は、その有用性ゆえ、地震動の特徴分析・解釈から建築物・構造物の挙動予測・構造設計等、更には地震防災等に至るまで、社会で幅広く活用されている。
地震動の特性を評価・予測する技術は、一般に、過去に得られた膨大な地震観測記録を収集・整理して評価・予測する技術と、地震や地震動に関する理論や経験を背景に開発された地震動シミュレーション手法を用いて評価・予測する技術の2つに大分される。一般に、前者は不特定多数の地震・地震動について得られた代表的・基本的な指標を扱う技術であり、後者は特定の想定地震によってもたらされる地震動の詳細な特性を扱う技術である。
前者の技術に関しては、ごく限られた一部の専門家によって自らの判断を伴いつつ選定された観測地震・地震動のデータ・情報が専門的な手法によって分析された上で、将来の地震の地震動の最大振幅(最大加速度・最大速度・最大変位等)や応答スペクトル(地震動をある固有周期と減衰定数を有する一質点系に入力させた場合の一質点系の最大応答振幅)等を評価・予測する地震動評価式(距離減衰式、地震動予測式等と称されることもある)が開発され、活用されてきた(例えば、特許文献1、非特許文献1参照)。
一方、後者の技術に関しては、近年のデータ・情報の急増とコンピュータの性能の進歩を背景にごく限られた一部の専門家により開発された高度な手法を用いて、将来の地震の地震動の広帯域時刻歴が面的に評価・予測され、特に最近は、それらの結果が広く公開され、活用されるようになってきた。観測記録が得られてはいないが将来発生することが懸念される稀な大規模地震、断層極近傍の大振幅地震動、地震観測がなされていない地点での地震動なども含めて、面的にも均質にバランス良く評価・予測された地震動のデータ・情報が提供されており、これらを活用することが可能である。
特開2008-39446号公報
Nobuyuki Morikawa and Hiroyuki Fujiwara,A New Ground Motion Prediction Equation for Japan Applicable up to M9 Mega-Earthquake,Journal of Disaster Research,Vol.8,No.5,2013,p.878-888
前者の膨大な地震観測記録の収集・整理に基づく技術では、大地震や大地震動は稀(低頻度)な事象であることや地震観測点の位置が限られていることなどから、評価・予測の拠り所となる地震・地震動のデータ・情報は必ずしも均質にバランス良く得られているわけではない。
一方、後者の地震動シミュレーション手法に基づく技術では、上述したように、前者の技術の欠点を解消することが可能とも考えらえるが、後者の技術の成果として提供される地震動のデータ・情報は、あくまでも限られた想定シナリオに基づく特定の地点群での評価・予測であり、将来発生する様々な地震に対して真に社会が欲する総合的な判断の拠り所としては必ずしも十分とはいえない。
本発明は、このような事情を考慮してなされたものであって、限られた条件下の地震動シミュレーションにて個別に得られた詳細な知見をより一般化した形で活用することを可能とする、地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置を提供することを目的とする。
本発明は、上記課題を解決するものであって、本発明の一実施形態に係る地震動評価モデル生成方法は、
コンピュータを用いて機械学習により地震動評価モデルを生成する地震動評価モデル生成方法であって、
地震動諸特性パラメータと当該地震動諸特性パラメータに基づいて地震動指標を算出する地震動シミュレーションを実行したときの地震動指標算出結果とが関連付けられた地震動データを複数記憶するデータベースから、前記地震動諸特性パラメータを特徴量とし、前記地震動指標算出結果を目的変数として、当該特徴量及び当該目的変数で構成される学習用データを複数取得する取得工程と、
前記取得工程にて取得された複数の前記学習用データに基づいて、前記特徴量及び前記目的変数の相関関係を前記機械学習により学習することにより、前記機械学習の学習済みモデルとして前記地震動評価モデルを生成する生成工程と、を含む。
また、本発明の一実施形態に係る地震動評価モデル生成装置は、
コンピュータであって、上記地震動評価モデル生成方法に含まれる各工程を実行する制御部を備える。
また、本発明の一実施形態に係る地震動評価方法は、
コンピュータを用いて、上記地震動評価モデル生成方法により生成された前記地震動評価モデルに基づいて、地震動の特性を評価する地震動評価方法であって、
予測対象の前記地震動諸特性パラメータを受け付ける受付工程と、
前記受付工程にて受け付けられた前記予測対象の前記地震動諸特性パラメータを前記特徴量として前記地震動評価モデルに入力することにより当該地震動評価モデルから出力される前記目的変数に基づいて、前記予測対象の前記地震動諸特性パラメータに対応する前記地震動指標を予測する予測工程と、を含む。
また、本発明の一実施形態に係る地震動評価装置は、
コンピュータであって、上記地震動評価方法に含まれる各工程を実行する制御部を備える。
本発明の一実施形態に係る地震動評価モデル生成装置、及び、地震動モデル生成装置によれば、地震動シミュレーションを実行したときの地震動諸特性パラメータ及び地震動指標算出結果を、それぞれ特徴量及び目的変数とする学習用データに基づいて地震動評価モデルを生成する。そのため、地震動評価モデルには、将来発生すると考えられる様々な地震を想定して地震動シミュレーションを実行したときの地震動諸特性パラメータ及び地震動指標算出結果の相関関係が学習されて、様々な地震動シミュレーションから得られた知見が集約される。したがって、限られた条件下の地震動シミュレーションにて個別に得られた詳細な知見をより一般化した形で活用することを可能とする地震動評価モデルを提供することができる。
また、本発明の一実施形態に係る地震動評価方法、及び、地震動評価装置によれば、地震動評価モデル生成装置及び地震動評価モデル生成方法により生成された地震動評価モデルを利用することにより、個々の専門家の経験に依存することなく、地震動シミュレーションにて個別に得られた知見が一般化された形で提供されるので、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することができる。
本発明の第1の実施形態に係る地震動評価システム1の一例を示す概略構成図である。 本発明の第1の実施形態に係る地震動評価システム1の一例を示すブロック図である。 本発明の第1の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。 本発明の第1の実施形態に係るデータベース10の一例を示すデータ構成図である。 勾配ブースティング木の概要を示す概要図である。 本発明の第1の実施形態に係る地震動評価装置4及び地震動評価方法の一例を示す機能説明図である。 本発明の第2の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。 本発明の第2の実施形態に係るデータベース10の一例を示すデータ構成図である。 本発明の第2の実施形態に係る地震動評価装置4及び地震動評価方法の一例を示す機能説明図である。 本発明の第3の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。 本発明の第3の実施形態に係るデータベース10の一例を示すデータ構成図である。 本発明の第3の実施形態に係る地震動評価装置4及び地震動評価方法の一例を示す機能説明図である。 本発明の第4の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。 本発明の第4の実施形態に係るデータベース10の一例を示すデータ構成図である。 本発明の第4の実施形態に係る地震動評価装置4及び地震動評価方法の一例を示す機能説明図である。 本発明の第5の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。 本発明の第5の実施形態に係るデータベース10の一例を示すデータ構成図である。 本発明の第5の実施形態に係る地震動評価装置4及び地震動評価方法の一例を示す機能説明図である。
以下、本発明の一実施形態について添付図面を参照しつつ説明する。
(第1の実施形態)
図1は、本発明の第1の実施形態に係る地震動評価システム1の一例を示す概略構成図である。図2は、本発明の第1の実施形態に係る地震動評価システム1の一例を示すブロック図である。
地震動評価システム1は、所定の地震動シミュレーション手法に従って地震動シミュレーションを実行し、そのときのシミュレーション条件やシミュレーション結果をシミュレーションデータとして外部に提供する地震動シミュレーションデータ提供装置2と、地震動シミュレーションデータ提供装置2により提供されたシミュレーションデータに基づいてデータベース10を更新するとともに、その更新したデータベース10を用いて機械学習に基づく地震動評価モデル13を生成する地震動評価モデル生成装置3と、地震動評価モデル生成装置3により生成された地震動評価モデル13に基づいて地震動を評価・予測する地震動評価装置4と、各装置間を接続するネットワーク5とを備える。
地震動評価モデル生成装置3により地震動評価装置4に提供された地震動評価モデル13は、例えば、地震動の特徴分析・解釈から建築物・構造物の挙動予測・構造設計等、更には地震防災等に至るまで、社会で幅広く活用することが可能である。
地震動シミュレーションデータ提供装置2は、地震が発生したときに、又は、仮想の地震が発生したと想定したときに、当該地震による地震動を所定の地震動シミュレーション手法に従って解析するものであり、そのときのシミュレーション条件やシミュレーション結果をシミュレーションデータとして外部に提供する。その際、任意の手法が採用可能であり、複数の手法が採用されてもよい。
なお、地震動シミュレーションデータ提供装置2は、自装置にて地震動シミュレーションを実行することでシミュレーションデータを提供するものでもよいし、他の装置で地震動シミュレーションが実行されたときのシミュレーションデータを提供するものでもよい。また、地震動シミュレーションデータ提供装置2は、地震動シミュレーションを実行する際に必要となる各種のデータを他のデータ提供装置から取得してもよく、例えば、気象庁、国立研究開発法人防災科学技術研究所(以下、「防災科研」という)の強震観測網K-NET、広帯域震観測網F-NET、及び、地震ハザードステーションJ-SHIS等から地震動観測記録や地下構造データ等のデータを取得してもよい。
さらに、地震動シミュレーションデータ提供装置2は、新たな地震動シミュレーションを実行したときに、当該地震動シミュレーションに関するシミュレーションデータを地震動評価モデル生成装置3に随時提供してもよいし、地震動評価モデル生成装置3からデータの要求を受けたときに、その要求に関するシミュレーションデータ(地震動評価モデル生成装置3からシミュレーション条件を受けた場合には、そのシミュレーション条件に基づいて地震動シミュレーションを実行したときのシミュレーション結果を含むシミュレーションデータでもよい)を地震動評価モデル生成装置3に提供してもよい。
ネットワーク5は、無線通信又は有線通信により各種のデータや信号を通信するものであり、任意の通信規格が用いられる。
(地震動評価モデル生成装置3の構成と各部による工程について)
地震動評価モデル生成装置3は、地震動シミュレーションデータ提供装置2により提供されたシミュレーションデータに基づいて、例えば、勾配ブースティング木、ランダムフォレスト、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)、敵対的生成ネットワーク(GAN)等の機械学習アルゴリズムを実行することにより、機械学習の学習済みモデルとして、地震動評価モデル13を生成する。
地震動評価モデル生成装置3は、汎用又は専用のコンピュータで構成されており、図2に示すように、HDD、メモリ等により構成される記憶部30と、CPU、GPU等のプロセッサにより構成される制御部31と、ネットワーク5との通信インターフェースである通信部32と、キーボード、マウス等により構成される入力部33と、ディスプレイ、タッチパネル等により構成される表示部34とを備える。
記憶部30には、地震動シミュレーションデータ提供装置2により提供されたシミュレーションデータが登録・更新されるデータベース10と、学習済みモデルである地震動評価モデル13と、地震動評価モデル生成装置3の動作を制御して地震動評価モデル生成方法を実現する地震動評価モデル生成プログラム300とが記憶されている。なお、記憶部30には、他のデータ提供装置により提供された地震動観測記録や地下構造データ等のデータが記憶されていてもよく、さらにデータベース10の一部として登録されてもよい。また、データベース10は、記憶部30に代えて、外部記憶装置に記憶されていてもよく、その場合には、地震動評価モデル生成装置3は、ネットワーク5を介して当該外部記憶装置と通信し、データベース10にアクセスするようにすればよい。
制御部31は、地震動評価モデル生成プログラム300を実行することにより、DB管理部310、取得部311、及び、生成部312として機能する。なお、各部の機能の詳細は後述する。
図3は、本発明の第1の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。
(DB管理部310によるデータベース管理工程と、データベース10について)
DB管理部310は、地震動シミュレーションデータ提供装置2により提供されたシミュレーションデータに基づいて、データベース10を管理する。具体的には、DB管理部310は、地震動シミュレーションデータ提供装置2により地震動シミュレーションが実行されて新たなシミュレーションデータが提供される度に、当該シミュレーションデータに含まれるシミュレーション条件及びシミュレーション結果を、それぞれ地震動諸特性パラメータ及び地震動指標算出結果としてデータベース10に登録する。
図4は、本発明の第1の実施形態に係るデータベース10の一例を示すデータ構成図である。データベース10には、地震動シミュレーションを実行したときの地震動諸特性パラメータ及び地震動指標が関連付けられた地震動データ11が複数登録されて記憶されている。
地震動諸特性パラメータは、地震動の諸特性を記述する各種のパラメータであり、地震動の諸特性は、例えば、地震動の震源特性、伝播特性、サイト特性を含み、方位特性をさらに含む。地震動諸特性パラメータは、地震動シミュレーションデータ提供装置2が地震動シミュレーションを実行したときのシミュレーション条件を、上記の地震動の諸特性に応じて分類・記録したものである。
本実施形態では、地震動データ11を構成する地震動諸特性パラメータは、地震動シミュレーションにより所定の地震による地震動について所定の対象点における地震動指標を算出したときの地震動の震源特性、伝播特性、及び、方位特性を示す数値データである。以下に、地震動の震源特性、伝播特性、サイト特性、及び、方位特性について説明する。
震源特性は、例えば、マグニチュード(モーメントマグニチュードMw、気象庁マグニチュード等)、震央位置(緯度lat_eq,経度lon_eq)、震源深さH、地震種別Type(内陸地殻内地震・プレート境界地震・スラブ内地震)、断層タイプMech(正断層・逆断層・横ずれ断層)、震源メカニズム解(走向Strike1、傾斜角dip1、すべり角rake1)、及び、震源メカニズム解の共役解(走向Strike2、傾斜角dip2、すべり角rake2)等の少なくとも1つである。本実施形態に係る震源特性は、モーメントマグニチュードMw、震央位置(緯度lat_eq,経度lon_eq)、震源深さH、地震種別Type、断層タイプMech、震源メカニズム解(Strike1、dip1、rake1)、及び、震源メカニズム解の共役解(Strike2、dip2、rake2)である。
伝播特性は、例えば、震源距離X、断層最短距離、及び、震央距離の少なくとも1つである。本実施形態に係る伝播特性は、震源距離Xであり、対象点の位置を示す対象点位置と、震央位置との間の距離として算定される。
サイト特性は、例えば、対象点位置(緯度lat_site,経度lon_site)、地震基盤面深さ、工学的基盤面深さ、層厚、密度、地震波伝播速度、Q値、及び、減衰定数の少なくとも1つである。本実施形態に係るサイト特性は、対象点位置(緯度lat_site,経度lon_site)、最上層のS波速度VS1、表層10m平均S波速度AVS10、表層30m平均S波速度AVS30、微地形区分JCODE、S波速度700m/s層上面深さD7、S波速度1400m/s層上面深さD17、S波速度2100m/s層上面深さD24、及び、地震基盤面深さD28(=S波速度2700m/s層上面深さ)である。なお、表層30m平均S波速度AVS30が、対象点の地下構造データから求められない場合には、防災科研の地震ハザードステーションJ-SHISの250mメッシュの表層30m平均S波速度AVS30で代用し、表層10m平均S波速度AVS10が、対象点の地下構造データから求められない場合には、表層30m平均S波速度AVS30で代用するものとした。また、地震基盤面深さD28は、防災科研の地震ハザードステーションJ-SHISで公開されている対象点位置が含まれるメッシュの深部地盤モデルの第28層の下面深さ(同モデルで地震基盤に相当するP波速度5000m/s・S波速度2700m/sの第29層の上面深さに等しい)とした。
方位特性は、例えば、対象点を基準として震央が位置する方位を示す震央方位Λである。そのため、震央方位Λは、対象点位置を基準として震央位置が存在する方位として算定される。その際、震央方位Λは、真北を0°として時計回りに定めるとともに、真北を境に不連続量となるため、本実施形態に係る方位特性は、震央方位Λを表すsinΛとcosΛのペアを用いる。
地震動指標算出結果は、地震動の強さや揺れを記述する各種の地震動指標であり、地震動の振幅特性、周期特性、及び、経時特性の少なくとも1つを含む。地震動指標算出結果は、地震動シミュレーションデータ提供装置2が地震動シミュレーションを実行したときのシミュレーション結果を、上記の地震動指標に応じて分類・記録したものである。
本実施形態では、地震動データ11を構成する地震動指標算出結果は、地震動シミュレーションにより地震動諸特性パラメータ(数値データ)に基づいて所定の対象点における地震動指標を算出したときの当該対象点における地震動指標を示す数値データである。以下に、地震動の振幅特性、周期特性、及び、経時特性について説明する。
振幅特性は、地震動の最大加速度PGA、最大速度、及び、最大変位の少なくとも1つである。本実施形態に係る振幅特性は、最大加速度PGAである。
周期特性は、地震動観測記録(加速度、速度、及び、変位の時刻歴波形)から得られる応答スペクトル又はフーリエスペクトル等において、少なくとも1つの周期に対する応答値である。応答スペクトルは、例えば、所定の減衰定数(例えば、5%)に対する加速度応答スペクトル、擬似速度応答スペクトルpSv、速度応答スペクトル、及び、変位応答スペクトル等である。フーリエスペクトルは、例えば、加速度フーリエスペクトル、速度フーリエスペクトル、及び、変位フーリエスペクトル等である。本実施形態に係る周期特性は、0.1秒、0.5秒、1秒、3秒、5秒の各周期における減衰定数5%の擬似速度応答スペクトルpSv(0.1s)、pSv(0.5s)、pSv(1s)、pSv(3s)、pSv(5s)の5つである。
経時特性は、例えば、地震動観測記録(加速度、速度、及び、変位の時刻歴波形)から得られる応答継続時間スペクトルにおいて、少なくとも1つの周期に対する応答継続時間である。応答継続時間スペクトルは、例えば、所定の減衰定数(例えば、5%)に対する加速度応答継続時間スペクトル、速度応答継続時間スペクトルTSv、及び、変位応答継続時間スペクトル等である。本実施形態に係る経時特性は、0.1秒、0.5秒、1秒、3秒、5秒の各周期における減衰定数5%の速度応答継続時間スペクトルTSv(0.1s)、TSv(0.5s)、TSv(1s)、TSv(3s)、TSv(5s)の5つである。なお、応答継続時間の開始と終了を規定するパラメータは、p1=0.03、p2=0.95である。
なお、地震動シミュレーションが、1つの対象点ではなく、所定の対象領域に含まれる複数の対象点に対して地震動指標をそれぞれ算出することにより、面的なシミュレーションデータが提供された場合には、各対象点の地震動指標に対応する複数の地震動データ11がデータベース10に登録される。例えば、地震動シミュレーションが、関東地方一都六県(東京・神奈川・千葉・埼玉・茨城・栃木・群馬)を対象領域とし、当該対象領域に含まれる強震観測網K-NETの観測点138地点を複数の対象点として実行された場合には、シミュレーション結果として、138地点の地震動指標がそれぞれ算出されるため、138個の地震動データ11がデータベース10に登録される。
(取得部311による取得工程と、学習用データ12について)
取得部311は、図3に示すように、データベース10に登録された複数の地震動データ11から、地震動諸特性パラメータ(数値データ)を特徴量とし、地震動指標算出結果(数値データ)を目的変数として、特徴量及び目的変数で構成される学習用データ12を複数取得する。なお、学習用データ12は、教師あり学習における学習データ(トレーニングデータ)、検証データ及びテストデータとして用いられるデータである。また、複数の学習用データ12からなる学習用データ12の集合は、学習用データセットという。
本実施形態では、学習用データ12を構成する特徴量は、図4に示す24種類の地震動諸特性パラメータのうち、モーメントマグニチュードMw、震源深さH、震源距離X、震央方位Λ(sinΛとcosΛのペア)、表層30m平均S波速度AVS30、及び、地震基盤面深さ(S波速度2700m/s層上面深さ)D28の6種類であり、学習用データ12を構成する目的変数は、図4に示す11種類の地震動指標のうち、最大加速度PGAの1種類であるものとして説明する。なお、特徴量は、上記6種類の地震動諸特性パラメータに限られず、24種類の地震動諸特性パラメータから任意の地震動諸特性パラメータが選定されて組み合わせられてもよいし、24種類の地震動諸特性パラメータ以外の他の地震動諸特性パラメータが特徴量としてさらに組み合わせられてもよい。
(生成部312による生成工程と、地震動評価モデル13について)
生成部312は、図3に示すように、取得部311にて取得された複数の学習用データ12に基づいて、特徴量及び目的変数の相関関係を機械学習により学習することにより、学習済みモデルとして地震動評価モデル13を生成し、記憶部30に記憶する。本実施形態では、機械学習における機械学習アルゴリズムとして、勾配ブースティング木(Gradient Boosting Decision Tree)を用いる場合について説明する。
図5は、勾配ブースティング木の概要を示す概要図である。勾配ブースティング木は、勾配ブースティングと決定木を組み合わせた学習器である。勾配ブースティングは、複数の弱学習器(低性能な機械学習モデル)を結合していくことにより強学習器(高性能な機械学習モデル)を構築する手法である。決定木は、樹木の分岐構造を利用した条件分岐を行うことにより分類・回帰が可能な機械学習モデルを生成する手法である。これら2つの手法を組み合わせた勾配ブースティング木は、決定木により生成した複数の弱学習器を勾配ブースティングにより結合する手法である。
なお、図4に示す11種類の地震動指標のうち、最大加速度PGA及び擬似速度応答スペクトルpSvについては、振幅が大きくなるにつれてデータ数が急激に減少すると考えられる。そのため、目的変数の分布図に発生する偏りを低減するため、最大加速度PGA及び擬似速度応答スペクトルpSvに対する目的変数のデータとして、常用対数(log10PGAとlog10pSv)をそれぞれ用いるのが好ましい。また、勾配ブースティング木における損失関数として、最大加速度PGA及び擬似速度応答スペクトルpSvには、最小二乗法(正規分布図)を適用し、速度応答継続時間スペクトルTSvにはポアソン分布図を適用するのが好ましい。
さらに、生成部312が、勾配ブースティング木を用いて地震動評価モデル13を生成する際、目的変数として、図4に示す11種類の地震動指標を採用する場合には、地震動評価モデル13を目的変数毎に生成するようにすればよい。すなわち、特徴量と目的変数(最大加速度PGA=1種類目の地震動指標)との相関関係を学習させた第1の地震動評価モデル13A、特徴量と目的変数(擬似速度応答スペクトルpSv(0.1s)=2種類目の地震動指標)との相関関係を学習させた第2の地震動評価モデル13Bというように、第3の地震動評価モデル13Cから第11の地震動評価モデル13Kまでをそれぞれ生成し、合計11個の地震動評価モデル13A~13Kを生成するようにすればよい。
(地震動評価装置4の構成と各部による工程について)
地震動評価装置4は、地震動評価モデル生成装置3により生成された地震動評価モデル13に基づいて、地震動を評価・予測し、その結果を、例えば、表示媒体や紙媒体等の出力媒体に出力する。
地震動評価装置4は、地震動評価モデル生成装置3と同様に、汎用又は専用のコンピュータで構成されており、図2に示すように、HDD、メモリ等により構成される記憶部40と、CPU、GPU等のプロセッサにより構成される制御部41と、ネットワーク5との通信インターフェースである通信部42と、キーボード、マウス等により構成される入力部43と、ディスプレイ、タッチパネル等により構成される表示部44とを備える。
記憶部40には、地震動評価モデル生成装置3により学習済みモデルとして生成された地震動評価モデル13と、地震動評価装置4の動作を制御して地震動評価方法を実現する地震動評価プログラム400が記憶されている。なお、記憶部40には、他のデータ提供装置により提供された地震動観測記録や地下構造データ等のデータが記憶されていてもよい。
制御部41は、地震動評価プログラム400を実行することにより、受付部410、予測部411、及び、出力処理部412として機能する。なお、各部の機能の詳細は後述する。
図6は、本発明の第1の実施形態に係る地震動評価装置4及び地震動評価方法の一例を示す機能説明図である。
(受付部410による受付工程について)
受付部410は、予測対象の地震動諸特性パラメータを受け付ける。具体的には、受付部410は、例えば、地震動評価装置4のユーザが予測対象として想定している地震(以下、「想定地震」という)のモーメントマグニチュードMw、震央位置、及び、震源深さHについて入力部33を介して受け付けるとともに、当該想定地震による地震動がどの程度発生するのかを予測したい予測点の位置を示す予測点位置と、当該予測点位置における表層30m平均S波速度AVS30及び地震基盤面深さD28についても入力部33を介して受け付ける。なお、地下構造データが記憶部40に記憶されている場合には、受付部410は、当該地下構造データを参照することで予測点位置の表層30m平均S波速度AVS30及び地震基盤面深さD28を取得してもよい。また、予測点位置は、複数でもよく、例えば、所定の格子間隔(例えば、5km間隔)における各格子点等でもよい。
そして、受付部410は、想定地震の震央位置と、地震動の予測点位置とに基づいて、震源距離X及び震央方位Λを算出する。これにより、受付部410は、予測対象の地震動諸特性パラメータ(想定地震のモーメントマグニチュードMw、想定地震の震源深さH、想定地震の震源と予測点位置との間の震源距離X、予測点位置を基準として想定地震の震央位置が存在する方位を示す震央方位Λ、予測点位置の表層30m平均S波速度AVS30、及び、予測点位置の地震基盤面深さD28)を受け付ける。
(予測部411による予測工程について)
予測部411は、受付部410にて受け付けられた予測対象の地震動諸特性パラメータ(数値データ)を特徴量として、地震動評価モデル13(本実施形態では、6種類の地震動諸特性パラメータを特徴量とし、1種類の地震動指標を目的変数として、両者の相関関係を学習した学習済みモデル)に入力することにより当該地震動評価モデル13から出力される目的変数(数値データ)に基づいて、予測対象の地震動諸特性パラメータに対応する地震動指標(予測値)を予測する。その際、受付部410が、想定地震を複数受け付けたり、予測点位置を複数受け付けたりすることで、予測対象として複数の地震動諸特性パラメータを受け付けた場合には、予測部411は、複数の地震動諸特性パラメータの各々を地震動評価モデル13に入力することで、複数の地震動諸特性パラメータの各々に対応する地震動指標(予測値)をそれぞれ予測する。
なお、地震動評価モデル13が、目的変数(11種類の地震動指標)毎に生成された合計11個の地震動評価モデル13A~13Kを含む場合には、予測部411は、予測対象の地震動諸特性パラメータを特徴量として合計11個の地震動評価モデル13A~13Kにそれぞれ入力し、合計11個の地震動評価モデル13A~13Kからそれぞれ出力される目的変数(11種類の地震動指標)毎に、予測対象の地震動諸特性パラメータに対応する地震動指標(予測値)を予測すればよい。
(出力処理部412による出力処理工程について)
出力処理部412は、予測部411にて予測された地震動指標の予測値を視認可能な出力媒体に出力する。例えば、出力媒体が、表示部44のような表示媒体である場合には、出力処理部412は、表示媒体に表示するための表示データ(出力データ)を生成し、表示媒体に表示出力する。また、出力媒体が、紙媒体である場合には、出力処理部412は、紙媒体に印刷するための印刷データ(出力データ)を生成し、紙媒体に印刷出力する。なお、出力処理部412は、出力データを、例えば、地震動予測マップ作成システムやハザードマップ作成システム等に通信出力するようにしてもよいし、公共施設、建物、工場等の防災システムに通信出力するようにしてもよい。
例えば、出力処理部412は、受付部410にて受け付けられた予測対象の地震動諸特性パラメータが、1つの想定地震に対して、例えば、各格子点を予測点位置とするような複数の地震動諸特性パラメータであるとき、当該複数の地震動諸特性パラメータに基づいて予測部411にて予測された各予測点位置における複数の地震動指標の予測値を、地図上に重畳するように、例えば、コンター図や、色分けしたメッシュ図として出力媒体に出力する。
また、出力処理部412は、受付部410にて受け付けられた予測対象の地震動諸特性パラメータが、予測点位置を中心として異なる複数の方位特性を含む複数の地震動諸特性パラメータであるとき、当該複数の地震動諸特性パラメータに基づいて予測部411にて予測された各方位における複数の地震動指標の予測値を、出力媒体における基準点からの距離として表すとともに、複数の方位特性を、基準点を中心とする各方位に割り当てることにより、複数の地震動指標を出力媒体に出力する。
さらに、出力処理部412は、受付部410にて受け付けられた予測対象の地震動諸特性パラメータが、異なる震源距離を含む複数の地震動諸特性パラメータであるとき、当該複数の地震動諸特性パラメータに基づいて予測部411にて予測された複数の地震動指標の予測値を距離減衰特性として表すことにより、複数の地震動指標を出力媒体に出力する。
以上のように、本実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法によれば、地震動シミュレーションを実行したときの地震動諸特性パラメータ及び地震動指標算出結果を、それぞれ特徴量及び目的変数とする学習用データ12に基づいて地震動評価モデル13を生成する。そのため、地震動評価モデル13には、将来発生すると考えられる様々な地震を想定して地震動シミュレーションを実行したときの地震動諸特性パラメータ及び地震動指標算出結果の相関関係が学習されて、様々な地震動シミュレーションから得られた知見が集約される。したがって、限られた条件下の地震動シミュレーションにて個別に得られた詳細な知見をより一般化した形で活用することを可能とする地震動評価モデル13を提供することができる。
また、本実施形態に係る地震動評価装置4及び地震動評価方法によれば、地震動評価モデル生成装置3及び地震動評価モデル生成方法により生成された地震動評価モデル13を利用することにより、個々の専門家の経験に依存することなく、地震動シミュレーションにて個別に得られた知見が一般化された形で提供されるので、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することができる。
(第2の実施形態)
第2の実施形態に係る地震動評価システム1では、地震動評価モデル13の目的変数が、第1の実施形態のような数値データではなく、画像データで表された対象領域における地震動指標の分布図である点で第1の実施形態と相違する。その他の基本的な構成及び動作は、第1の実施形態と同様のため、以下では両者の相違点を中心に説明する。
(地震動評価モデル生成装置3について)
図7は、本発明の第2の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。図8は、本発明の第2の実施形態に係るデータベース10の一例を示すデータ構成図である。
地震動データ11を構成する地震動諸特性パラメータは、地震動シミュレーションにより所定の地震による地震動について所定の対象領域における地震動指標を算出したときの地震動の震源特性を示す数値データである。また、地震動データ11を構成する地震動指標算出結果は、地震動シミュレーションにより地震動諸特性パラメータ(数値データ)に基づいて所定の対象領域における地震動指標を算出したときの当該対象領域における地震動指標の分布図を示す画像データである。
取得部311は、図7に示すように、データベース10に登録された複数の地震動データ11から、地震動諸特性パラメータ(数値データ)を特徴量とし、地震動指標算出結果(画像データ)を目的変数として、特徴量及び目的変数で構成される学習用データ12を複数取得する。本実施形態では、特徴量は、震源特性を示すモーメントマグニチュードMw、震央位置lat_eq、lon_eq、震源深さHの数値データであり、目的変数は、対象領域における震度分布図を示す画像データである。
生成部312は、取得部311にて取得された複数の学習用データ12に基づいて、特徴量及び目的変数の相関関係を機械学習(例えば、ニューラルネットワーク、畳み込みニューラルネットワーク、敵対的生成ネットワーク等)により学習することにより、学習済みモデルとして地震動評価モデル13を生成し、記憶部30に記憶する。
(地震動評価装置4について)
図9は、本発明の第2の実施形態に係る地震動評価装置4及び地震動評価方法の一例を示す機能説明図である。
受付部410は、予測対象の地震動諸特性パラメータとして、震源特性を示す数値データ(モーメントマグニチュードMw、震央位置lat_eq、lon_eq、震源深さH)を受け付ける。予測部411は、受付部410にて受け付けられた予測対象の地震動諸特性パラメータ(数値データ)を特徴量として、地震動評価モデル13に入力することにより当該地震動評価モデル13から出力される目的変数(画像データ)に基づいて、予測対象の地震動諸特性パラメータに対応する地震動指標の分布図を予測する。出力処理部412は、予測部411にて予測された地震動指標の分布図を視認可能な出力媒体に出力する。
以上のように、本実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法によれば、地震動シミュレーションを実行したときの地震動諸特性パラメータ(数値データ)及び地震動指標算出結果(画像データ)を、それぞれ特徴量及び目的変数とする学習用データ12に基づいて地震動評価モデル13を生成する。そのため、地震動評価モデル13には、将来発生すると考えられる様々な地震を想定して地震動シミュレーションを実行したときの地震動諸特性パラメータ及び地震動指標算出結果の相関関係が学習されて、地震動の震源特性を基に地震動指標の分布図を評価・予測するための知見が集約される。
(第3の実施形態)
第3の実施形態に係る地震動評価システム1では、地震動評価モデル13の特徴量が、第2の実施形態のような数値データではなく、数値データと画像データとの組み合わせで表された地震動諸特性パラメータである点で第2の実施形態と相違する。その他の基本的な構成及び動作は、第2の実施形態と同様のため、以下では両者の相違点を中心に説明する。
(地震動評価モデル生成装置3について)
図10は、本発明の第3の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。図11は、本発明の第3の実施形態に係るデータベース10の一例を示すデータ構成図である。
地震動データ11を構成する地震動諸特性パラメータは、地震動シミュレーションにより所定の地震による地震動について所定の対象領域における地震動指標を算出したときの、地震動の震源特性を示す数値データと、対象領域におけるサイト特性の分布図を示す画像データである。また、地震動データ11を構成する地震動指標算出結果は、地震動シミュレーションにより地震動諸特性パラメータ(数値データ及び画像データ)に基づいて所定の対象領域における地震動指標を算出したときの当該対象領域における地震動指標の分布図を示す画像データである。
取得部311は、図10に示すように、データベース10に登録された複数の地震動データ11から、地震動諸特性パラメータ(数値データ及び画像データ)を特徴量とし、地震動指標算出結果(画像データ)を目的変数として、特徴量及び目的変数で構成される学習用データ12を複数取得する。本実施形態では、特徴量は、震源特性を示すモーメントマグニチュードMw、震央位置lat_eq、lon_eq、震源深さHの数値データと、地震基盤面深さD28の分布図を示す画像データであり、目的変数は、対象領域における震度分布図を示す画像データである。
生成部312は、取得部311にて取得された複数の学習用データ12に基づいて、特徴量及び目的変数の相関関係を機械学習(例えば、ニューラルネットワーク、畳み込みニューラルネットワーク、敵対的生成ネットワーク等)により学習することにより、学習済みモデルとして地震動評価モデル13を生成し、記憶部30に記憶する。
なお、特徴量としてのサイト特性の分布図を示す画像データは、サイト特性として、地下構造や地形等を表すものであればよく、図11に示すサイト特性以外の他の地震動諸特性パラメータを表すものでもよい。また、特徴量としての画像データは、複数の地震動諸特性パラメータを示す画像データでもよく、地震基盤面深さD28の分布図だけでなく、例えば、表層30m平均S波速度AVS30の分布図をさらに含むものでもよい。
(地震動評価装置4について)
図12は、本発明の第3の実施形態に係る地震動評価装置4及び地震動評価方法の一例を示す機能説明図である。
受付部410は、予測対象の地震動諸特性パラメータとして、震源特性(モーメントマグニチュードMw、震央位置lat_eq、lon_eq、震源深さH)を示す数値データと、対象領域におけるサイト特性の分布図(地震基盤面深さD28の分布図)を示す画像データを受け付ける。予測部411は、受付部410にて受け付けられた予測対象の地震動諸特性パラメータ(数値データ及び画像データ)を特徴量として、地震動評価モデル13に入力することにより当該地震動評価モデル13から出力される目的変数(画像データ)に基づいて、予測対象の地震動諸特性パラメータに対応する地震動指標の分布図を予測する。出力処理部412は、予測部411にて予測された地震動指標の分布図を視認可能な出力媒体に出力する。
以上のように、本実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法によれば、地震動シミュレーションを実行したときの地震動諸特性パラメータ(数値データ及び画像データ)及び地震動指標算出結果(画像データ)を、それぞれ特徴量及び目的変数とする学習用データ12に基づいて地震動評価モデル13を生成する。そのため、地震動評価モデル13には、将来発生すると考えられる様々な地震を想定して地震動シミュレーションを実行したときの地震動諸特性パラメータ及び地震動指標算出結果の相関関係が学習されて、地下構造データの分布図を基に地震動指標の分布図を評価・予測するための知見が集約される。
(第4の実施形態)
第4の実施形態に係る地震動評価システム1では、地震動評価モデル13の特徴量が、第3の実施形態のような数値データと画像データとの組み合わせではなく、数値データが埋め込まれた画像データで表された地震動諸特性パラメータである点で第3の実施形態と相違する。その他の基本的な構成及び動作は、第3の実施形態と同様のため、以下では両者の相違点を中心に説明する。
(地震動評価モデル生成装置3について)
図13は、本発明の第4の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。図14は、本発明の第4の実施形態に係るデータベース10の一例を示すデータ構成図である。
地震動データ11を構成する地震動諸特性パラメータは、地震動シミュレーションにより所定の地震による地震動について所定の対象領域における地震動指標を算出したときの、地震動の震源特性を示す数値データが埋め込まれた画像であって、対象領域におけるサイト特性の分布図を示す画像データである。また、地震動データ11を構成する地震動指標算出結果は、地震動シミュレーションにより地震動諸特性パラメータ(数値データが埋め込まれた画像データ)に基づいて所定の対象領域における地震動指標を算出したときの当該対象領域における地震動指標の分布図を示す画像データである。
取得部311は、図13に示すように、データベース10に登録された複数の地震動データ11から、地震動諸特性パラメータ(数値データが埋め込まれた画像データ)を特徴量とし、地震動指標算出結果(画像データ)を目的変数として、特徴量及び目的変数で構成される学習用データ12を複数取得する。本実施形態では、特徴量は、震源特性を示す震央位置lat_eq、lon_eqに対してモーメントマグニチュードMw及び震源深さHを示す数値データが記録された、地震基盤面深さD28の分布図を示す画像データであり、目的変数は、対象領域における震度分布図を示す画像データである。
生成部312は、取得部311にて取得された複数の学習用データ12に基づいて、特徴量及び目的変数の相関関係を機械学習(例えば、ニューラルネットワーク、畳み込みニューラルネットワーク、敵対的生成ネットワーク等)により学習することにより、学習済みモデルとして地震動評価モデル13を生成し、記憶部30に記憶する。
(地震動評価装置4について)
図15は、本発明の第4の実施形態に係る地震動評価装置4及び地震動評価方法の一例を示す機能説明図である。
受付部410は、予測対象の地震動諸特性パラメータとして、震源特性(モーメントマグニチュードMw、震央位置lat_eq、lon_eq、震源深さH)を示す数値データが埋め込まれた画像データであって、対象領域におけるサイト特性の分布図(地震基盤面深さD28の分布図)を示す画像データを受け付ける。予測部411は、受付部410にて受け付けられた予測対象の地震動諸特性パラメータ(数値データが埋め込まれた画像データ)を特徴量として、地震動評価モデル13に入力することにより当該地震動評価モデル13から出力される目的変数(画像データ)に基づいて、予測対象の地震動諸特性パラメータに対応する地震動指標の分布図を予測する。出力処理部412は、予測部411にて予測された地震動指標の分布図を視認可能な出力媒体に出力する。
以上のように、本実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法によれば、地震動シミュレーションを実行したときの地震動諸特性パラメータ(数値データが埋め込まれた画像データ)及び地震動指標算出結果(画像データ)を、それぞれ特徴量及び目的変数とする学習用データ12に基づいて地震動評価モデル13を生成する。そのため、地震動評価モデル13には、将来発生すると考えられる様々な地震を想定して地震動シミュレーションを実行したときの地震動諸特性パラメータ及び地震動指標算出結果の相関関係が学習されて、地震動の震源特性及び地下構造データの分布図を基に地震動指標の分布図を評価・予測するための知見が集約される。
(第5の実施形態)
第5の実施形態に係る地震動評価システム1では、地震動評価モデル13の目的変数が、第1の実施形態のような数値データではなく、画像データで表された対象点における地震動指標のスペクトル図である点で第1の実施形態と相違する。その他の基本的な構成及び動作は、第1の実施形態と同様のため、以下では両者の相違点を中心に説明する。
(地震動評価モデル生成装置3について)
図16は、本発明の第5の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。図17は、本発明の第5の実施形態に係るデータベース10の一例を示すデータ構成図である。
地震動データ11を構成する地震動諸特性パラメータは、地震動シミュレーションにより所定の地震による地震動について所定の対象点における地震動指標を算出したときの地震動の震源特性、伝播特性、及び、サイト特性を示す数値データである。また、地震動データ11を構成する地震動指標算出結果は、地震動シミュレーションにより地震動諸特性パラメータ(数値データ)に基づいて所定の対象点における地震動指標を算出したときの当該対象点における地震動指標のスペクトル図を示す画像データである。
取得部311は、図16に示すように、データベース10に登録された複数の地震動データ11から、地震動諸特性パラメータ(数値データ)を特徴量とし、地震動指標算出結果(画像データ)を目的変数として、特徴量及び目的変数で構成される学習用データ12を複数取得する。本実施形態では、特徴量は、モーメントマグニチュードMw、震源深さH、震源距離X、震央方位Λ、表層30m平均S波速度AVS30、及び、地震基盤面深さD28の6種類であり、学習用データ12を構成する目的変数は、擬似速度応答スペクトルpSvのスペクトル図を示す画像データである。
生成部312は、取得部311にて取得された複数の学習用データ12に基づいて、特徴量及び目的変数の相関関係を機械学習(例えば、ニューラルネットワーク、畳み込みニューラルネットワーク、敵対的生成ネットワーク等)により学習することにより、学習済みモデルとして地震動評価モデル13を生成し、記憶部30に記憶する。
なお、目的変数としての地震動指標のスペクトル図を示す画像データは、カラー画像でもグレースケール画像でもよく、複数の画像データの間で座標軸の単位やスケールが規格化されていることが好ましいが、変換可能であればよい。また、画像データは、1種類のスペクトル図を含むものでもよいし、複数種類のスペクトル図を含むものでもよい。
(地震動評価装置4について)
図18は、本発明の第5の実施形態に係る地震動評価装置4及び地震動評価方法の一例を示す機能説明図である。
受付部410は、予測対象の地震動諸特性パラメータとして、擬似速度応答スペクトルpSvを示す数値データ(モーメントマグニチュードMw、震源深さH、震源距離X、震央方位Λ、表層30m平均S波速度AVS30、地震基盤面深さD28)を受け付ける。予測部411は、受付部410にて受け付けられた予測対象の地震動諸特性パラメータ(数値データ)を特徴量として、地震動評価モデル13に入力することにより当該地震動評価モデル13から出力される目的変数(画像データ)に基づいて、予測対象の地震動諸特性パラメータに対応する地震動指標のスペクトル図を予測する。出力処理部412は、予測部411にて予測された地震動指標のスペクトル図を視認可能な出力媒体に出力する。
以上のように、本実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法によれば、地震動シミュレーションを実行したときの地震動諸特性パラメータ(数値データ)及び地震動指標算出結果(画像データ)を、それぞれ特徴量及び目的変数とする学習用データ12に基づいて地震動評価モデル13を生成する。そのため、地震動評価モデル13には、将来発生すると考えられる様々な地震を想定して地震動シミュレーションを実行したときの地震動諸特性パラメータ及び地震動指標算出結果の相関関係が学習されて、地震動の震源特性及び地下構造データの分布図を基に地震動指標の分布図を評価・予測するための知見が集約される。
(他の実施形態)
以上、本発明の実施形態について説明したが、本発明は上記各実施形態に限定されるものではなく、本発明の技術的思想を逸脱しない範囲で適宜変更可能である。
例えば、上記第1の実施形態では、地震動評価モデル13の対象となる地域は、関東地方であるものとして説明したが、地震動評価モデル13の対象となる地域はこれに限られず、また、対象となる地域の範囲や形状も任意に変更してもよい。さらに、地震動評価モデル13は、地域を対象とするだけでなく、任意の地点を対象としてもよいし、複数の地点が所定の分類基準に従ってグループ化された地点グループを対象としてもよい。
また、上記各実施形態では、地震動評価モデル生成プログラム300及び地震動評価プログラム400は、記憶部30、40にそれぞれ記憶されたものとして説明したが、インストール可能な形式又は実行可能な形式のファイルでCD-ROM、DVD、USBメモリ等のコンピュータで読み取り可能な記録媒体に記録されて提供されてもよい。また、地震動評価モデル生成プログラム300及び地震動評価プログラム400は、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供されてもよい。
1…地震動評価システム、2…地震動シミュレーションデータ提供装置、
3…地震動評価モデル生成装置、4…地震動評価装置、5…ネットワーク、
10…データベース、11、11A、11B…地震動データ
12…学習用データ、13、13A~13K…地震動評価モデル、
30…記憶部、31…制御部、32…通信部、33…入力部、34…表示部、
40…記憶部、41…制御部、42…通信部、43…入力部、44…表示部、
300…地震動評価モデル生成プログラム、
310…DB管理部、311…取得部、312…生成部
400…地震動評価プログラム、
410…受付部、411…予測部、412…出力処理部

Claims (7)

  1. コンピュータを用いて機械学習により地震動評価モデルを生成する地震動評価モデル生成方法であって、
    地震動諸特性パラメータと当該地震動諸特性パラメータに基づいて地震動指標を算出する地震動シミュレーションを実行したときの地震動指標算出結果とが関連付けられた地震動データを複数記憶するデータベースから、前記地震動諸特性パラメータを特徴量とし、前記地震動指標算出結果を目的変数として、当該特徴量及び当該目的変数で構成される学習用データを複数取得する取得工程と、
    前記取得工程にて取得された複数の前記学習用データに基づいて、前記特徴量及び前記目的変数の相関関係を前記機械学習により学習することにより、前記機械学習の学習済みモデルとして前記地震動評価モデルを生成する生成工程と、を含み、
    前記地震動諸特性パラメータは、
    前記地震動シミュレーションにより所定の地震による地震動について所定の対象領域における前記地震動指標を算出したときの前記地震動の震源特性を示す数値データであり、
    前記地震動指標算出結果は、
    前記対象領域における前記地震動指標の分布図を示す画像データである、
    地震動評価モデル生成方法。
  2. コンピュータを用いて機械学習により地震動評価モデルを生成する地震動評価モデル生成方法であって、
    地震動諸特性パラメータと当該地震動諸特性パラメータに基づいて地震動指標を算出する地震動シミュレーションを実行したときの地震動指標算出結果とが関連付けられた地震動データを複数記憶するデータベースから、前記地震動諸特性パラメータを特徴量とし、前記地震動指標算出結果を目的変数として、当該特徴量及び当該目的変数で構成される学習用データを複数取得する取得工程と、
    前記取得工程にて取得された複数の前記学習用データに基づいて、前記特徴量及び前記目的変数の相関関係を前記機械学習により学習することにより、前記機械学習の学習済みモデルとして前記地震動評価モデルを生成する生成工程と、を含み、
    前記地震動諸特性パラメータは、
    前記地震動シミュレーションにより所定の地震による地震動について所定の対象領域における前記地震動指標を算出したときの、前記地震動の震源特性を示す数値データと、
    前記対象領域におけるサイト特性の分布図を示す画像データであり、
    前記地震動指標算出結果は、
    前記対象領域における前記地震動指標の分布図を示す画像データである、
    地震動評価モデル生成方法。
  3. コンピュータを用いて機械学習により地震動評価モデルを生成する地震動評価モデル生成方法であって、
    地震動諸特性パラメータと当該地震動諸特性パラメータに基づいて地震動指標を算出する地震動シミュレーションを実行したときの地震動指標算出結果とが関連付けられた地震動データを複数記憶するデータベースから、前記地震動諸特性パラメータを特徴量とし、前記地震動指標算出結果を目的変数として、当該特徴量及び当該目的変数で構成される学習用データを複数取得する取得工程と、
    前記取得工程にて取得された複数の前記学習用データに基づいて、前記特徴量及び前記目的変数の相関関係を前記機械学習により学習することにより、前記機械学習の学習済みモデルとして前記地震動評価モデルを生成する生成工程と、を含み、
    前記地震動諸特性パラメータは、
    前記地震動シミュレーションにより所定の地震による地震動について所定の対象領域における前記地震動指標を算出したときの、前記地震動の震源特性を示す数値データが埋め込まれた画像データであって、前記対象領域におけるサイト特性の分布図を示す前記画像データであり、
    前記地震動指標算出結果は、
    前記対象領域における前記地震動指標の分布図を示す画像データである、
    地震動評価モデル生成方法。
  4. コンピュータを用いて機械学習により地震動評価モデルを生成する地震動評価モデル生成方法であって、
    地震動諸特性パラメータと当該地震動諸特性パラメータに基づいて地震動指標を算出する地震動シミュレーションを実行したときの地震動指標算出結果とが関連付けられた地震動データを複数記憶するデータベースから、前記地震動諸特性パラメータを特徴量とし、前記地震動指標算出結果を目的変数として、当該特徴量及び当該目的変数で構成される学習用データを複数取得する取得工程と、
    前記取得工程にて取得された複数の前記学習用データに基づいて、前記特徴量及び前記目的変数の相関関係を前記機械学習により学習することにより、前記機械学習の学習済みモデルとして前記地震動評価モデルを生成する生成工程と、を含み、
    前記地震動諸特性パラメータは、
    前記地震動シミュレーションにより所定の地震による地震動について所定の対象点における前記地震動指標を算出したときの前記地震動の震源特性、伝播特性、及び、サイト特性を示す数値データであり、
    前記地震動指標算出結果は、
    前記対象点における前記地震動指標のスペクトル図を示す画像データである、
    地震動評価モデル生成方法。
  5. コンピュータを用いて、請求項1乃至請求項のいずれか一項に記載の地震動評価モデル生成方法により生成された前記地震動評価モデルに基づいて、地震動の特性を評価する地震動評価方法であって、
    予測対象の前記地震動諸特性パラメータを受け付ける受付工程と、
    前記受付工程にて受け付けられた前記予測対象の前記地震動諸特性パラメータを前記特徴量として前記地震動評価モデルに入力することにより当該地震動評価モデルから出力される前記目的変数に基づいて、前記予測対象の前記地震動諸特性パラメータに対応する前記地震動指標を予測する予測工程と、を含む、
    地震動評価方法。
  6. コンピュータであって、
    請求項1乃至請求項のいずれか一項に記載の地震動評価モデル生成方法に含まれる各工程を実行する制御部を備える、
    地震動評価モデル生成装置。
  7. コンピュータであって、
    請求項5に記載の地震動評価方法に含まれる各工程を実行する制御部を備える、
    地震動評価装置。
JP2020159810A 2020-09-24 2020-09-24 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 Active JP7512151B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020159810A JP7512151B2 (ja) 2020-09-24 2020-09-24 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020159810A JP7512151B2 (ja) 2020-09-24 2020-09-24 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置

Publications (2)

Publication Number Publication Date
JP2022053155A JP2022053155A (ja) 2022-04-05
JP7512151B2 true JP7512151B2 (ja) 2024-07-08

Family

ID=80963120

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020159810A Active JP7512151B2 (ja) 2020-09-24 2020-09-24 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置

Country Status (1)

Country Link
JP (1) JP7512151B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115373029B (zh) * 2022-10-25 2023-01-31 中国科学院地质与地球物理研究所 基于深度学习的实时微地震震源机制计算方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000075040A (ja) 1998-08-27 2000-03-14 Toshiba Corp 地震被害対策支援装置
JP2006170739A (ja) 2004-12-15 2006-06-29 Kajima Corp 緊急地震速報を用いた地震防災システム
JP2008039446A (ja) 2006-08-02 2008-02-21 Kajima Corp 地震被災状況評価プログラム
JP2009150817A (ja) 2007-12-21 2009-07-09 Tohoku Univ 早期地震情報処理システム
JP2014215229A (ja) 2013-04-26 2014-11-17 独立行政法人石油天然ガス・金属鉱物資源機構 信号処理装置及び信号処理方法
WO2018008708A1 (ja) 2016-07-08 2018-01-11 日本電気株式会社 震央距離推定装置、震央距離推定方法、及びコンピュータ読み取り可能な記録媒体
JP2019046469A (ja) 2017-08-31 2019-03-22 富士通株式会社 多変数データの画像化
US20200019882A1 (en) 2016-12-15 2020-01-16 Schlumberger Technology Corporation Systems and Methods for Generating, Deploying, Discovering, and Managing Machine Learning Model Packages

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000075040A (ja) 1998-08-27 2000-03-14 Toshiba Corp 地震被害対策支援装置
JP2006170739A (ja) 2004-12-15 2006-06-29 Kajima Corp 緊急地震速報を用いた地震防災システム
JP2008039446A (ja) 2006-08-02 2008-02-21 Kajima Corp 地震被災状況評価プログラム
JP2009150817A (ja) 2007-12-21 2009-07-09 Tohoku Univ 早期地震情報処理システム
JP2014215229A (ja) 2013-04-26 2014-11-17 独立行政法人石油天然ガス・金属鉱物資源機構 信号処理装置及び信号処理方法
WO2018008708A1 (ja) 2016-07-08 2018-01-11 日本電気株式会社 震央距離推定装置、震央距離推定方法、及びコンピュータ読み取り可能な記録媒体
US20200019882A1 (en) 2016-12-15 2020-01-16 Schlumberger Technology Corporation Systems and Methods for Generating, Deploying, Discovering, and Managing Machine Learning Model Packages
JP2019046469A (ja) 2017-08-31 2019-03-22 富士通株式会社 多変数データの画像化

Also Published As

Publication number Publication date
JP2022053155A (ja) 2022-04-05

Similar Documents

Publication Publication Date Title
Deierlein et al. A cloud-enabled application framework for simulating regional-scale impacts of natural hazards on the built environment
Bourne et al. A Monte Carlo method for probabilistic hazard assessment of induced seismicity due to conventional natural gas production
Chousianitis et al. Predictive model of Arias intensity and Newmark displacement for regional scale evaluation of earthquake-induced landslide hazard in Greece
Alimoradi et al. Machine-learning methods for earthquake ground motion analysis and simulation
CN107315862B (zh) 一种建立明挖基坑工程勘察与模拟参数关系的方法
Irikura et al. Applicability of source scaling relations for crustal earthquakes to estimation of the ground motions of the 2016 Kumamoto earthquake
Sahin et al. Development of integrated earthquake simulation system for Istanbul
Valentini et al. Definition of seismic input from fault‐based PSHA: Remarks after the 2016 central Italy earthquake sequence
CN111487676B (zh) 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法
Gülerce et al. Probabilistic seismic hazard assessment of Eastern Marmara Region
Moya et al. Synthetic building damage scenarios using empirical fragility functions: A case study of the 2016 Kumamoto earthquake
Riaño et al. Integration of 3D large‐scale earthquake simulations into the assessment of the seismic risk of Bogota, Colombia
JP7512151B2 (ja) 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置
Iskandar et al. Estimating urban seismic damages and debris from building-level simulations: application to the city of Beirut, Lebanon
Yazdani et al. Near-field probabilistic seismic hazard analysis of metropolitan Tehran using region-specific directivity models
JP2003296396A (ja) 建物の期待ライフサイクルコスト評価システムおよび期待ライフサイクルコスト評価プログラムを記録した記録媒体
JP7512090B2 (ja) 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置
JP7423427B2 (ja) 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置
Maufroy et al. Towards rapid prediction of topographic amplification at small scales: contribution of the FSC proxy and Pleiades terrain models for the 2016 Amatrice earthquake (Italy, Mw 6.0)
JP7487054B2 (ja) 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置
Sheibani et al. Effective learning of post-seismic building damage with sparse observations
Esmaili et al. An applied method for general regional seismic loss assessment—With a case study in Los Angeles County
JP7512139B2 (ja) 地震動評価モデル提供方法、及び、地震動評価モデル提供装置
Ansal et al. Microzonation for earthquake scenarios
JP7499137B2 (ja) 地震時諸現象統合評価モデル生成方法、地震時諸現象統合評価モデル生成装置、地震時諸現象統合評価方法、及び、地震時諸現象統合評価装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230830

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240319

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240327

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240520

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240605

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240626

R150 Certificate of patent or registration of utility model

Ref document number: 7512151

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150