特許ウォッチ

公開番号2025168176
公報種別公開特許公報(A)
公開日2025-11-07
出願番号2024134097
出願日2024-08-09
発明の名称深層学習に基づく損傷判定方法
出願人浙江大学,ZHEJIANG UNIVERSITY,大成建設株式会社
代理人弁理士法人磯野国際特許商標事務所
主分類G01M 99/00 20110101AFI20251030BHJP(測定;試験)
要約【課題】深層学習に基づくひずみ分布図予測及び損傷判定の方法を提供する。
【解決手段】
本発明は、ひずみ分布図予測に関する有限要素解析結果の画像データセットを確立するステップS1と、DeepLabv3+ネットワークに基づいてひずみ分布図予測のための深層学習モデルを構築し、学習と検証を実施するステップS2と、構造解析モデルの損傷判定のためのデータセットを確立し、予備的な処理とデータ強化操作を実施するステップS3と、畳み込みニューラルネットワークに基づいて損傷判定のための2値分類深層学習モデルを構築し、遷移学習の学習と検証を実施するステップS4と、学習された2値分類構造解析モデルに対して解釈可能性解析を行い、分類により寄与する画像内の領域を出力するステップS5と、を含む。
【選択図】図1
特許請求の範囲【請求項１】
深層学習に基づくひずみ分布図予測を行い、ひずみ分布図に基づき損傷判定を行う損傷判定方法であって、
以下のステップを含む、即ち、
有限要素解析のソフトウェアを用いて、複数の可変パラメータを有する構造解析モデルを計算し、すべての荷重ステップの下で各構造解析モデルのひずみ分布図を取得し、サンプルデータセットを学習用セットと、検証用セットと、テスト用セットと、に分けるステップS1と、
領域分類向け畳み込みニューラルネットワークを用いて、ひずみ分布図を予測するための深層学習モデルを構築し、学習と検証を行い、構造解析モデルの幾何学情報、材料情報、荷重情報の図を入力し、そのひずみ分布図を出力することを実現するステップS2と、
前記ステップS1における前記有限要素解析で得られた前記ひずみ分布図を入力として用い、当該ひずみ分布図の状態で前記構造解析モデルの破壊または非破壊の情報を付与し、これで損傷判定用データセットを構成し、前記データセットに対する予備的なバランス調整操作とデータ強化操作を行った後、前記サンプルデータセットを前記学習用セットと、前記検証用セットと、前記テスト用セットと、に分けるステップS3と、
畳み込みニューラルネットワークを用いて損傷判定用深層学習モデルを構築し、学習と検証を行い、ある状態でのある構造解析モデルのひずみ分布図を入力し、現在損傷と判定される確率を出力することを実現するステップS4と、
前記ステップS4で学習により得られた２クラス分類モデルについて、勾配重み付けクラス活性化マッピングGrad-CAM法の解釈可能性解析を行い、予測結果に対するニューラルネットワークモデルの寄与分布が得られ、分類寄与の大きい画像領域を強調表示するステップS5と、を含む
ことを特徴とする損傷判定方法。
続きを表示（約 2,300 文字）【請求項２】
前記ステップS1において、ひずみ分布図のデータセットを取得し、処理する工程は、以下の工程を含む、即ち、
前記有限要素解析のソフトウェアを通じて、構造解析モデルの幾何学情報の図とひずみ分布図とを出力し、幾何学情報の図とひずみ分布図とを同じ比例の正方形の画像に統一で出力する工程S1.1と、
画像のサイズを一定に保ち、材料情報と荷重情報である非幾何学的情報は、一定の倍数の値で塗りつぶされたグレースケール画像として示し、非幾何学的情報をグレースケール値で特徴付けるという目的を達成する工程S1.2と、
前記データセットを前記学習用セットと、前記検証用セットと、前記テスト用セットと、に分ける工程S1.3と、を含む
ことを特徴とする請求項１に記載の損傷判定方法。
【請求項３】
前記ステップS2において、ひずみ分布図を予測するための深層学習の構築工程は以下の工程を含む、即ち、
領域分類向け畳み込みニューラルネットワークに基づいて、構造解析モデルの幾何学情報、材料情報、荷重情報の図を入力し、平面ひずみ分布図を出力する深層学習モデルを構築する工程S2.1と、
ひずみ分布図予測問題では、クロスエントロピー関数を損失関数として以下の式を用いる工程S2.2と、
JPEG
2025168176000014.jpg
16
146
ここで、p
t
は予測が真の確率であり、Ｗは画像の幅であり、Hは画像の高さであり、p
t
,
i
,
j
は画像位置（i、j）で予測が正しい確率であり、
ひずみ分布図の予測問題では、評価指標として平均交差結合MIoUを以下の式で用いる工程S2.3と、
JPEG
2025168176000015.jpg
16
146
ここで、kはひずみ分布図のカラー階調の数であり、iは画素の有限要素解析結果のカラー序数であり、jは画素のニューラルネットワーク予測結果のカラー序数であり、p
ij
はカラーiをカラーjとして誤って予測した画素の数であり、
学習ハイパーパラメータを調整し、ニューラルネットワークモデルを学習し、予測結果によりより良い組み合わせを検証する工程S2.4と、を含む
ことを特徴とする請求項１に記載の損傷判定方法。
【請求項４】
前記ステップS3において、損傷判定カテゴリのアンバランスデータセットを強化し、予めバランスを調整する工程は以下の工程を含む、即ち、
画像データセットに対してデータ強化操作を実行し、具体的には、ファジィ化と、鮮明化と、水平反転と、垂直反転と、90°回転と、270°回転と、を含む工程S3.1と、
データセット内の異なるカテゴリ間の数の差を予めバランスさせるために、より多くの構造解析モデルでカテゴリの画像をランダムにサンプリングする工程S3.2と、を含む
ことを特徴とする請求項１に記載の損傷判定方法。
【請求項５】
前記ステップS4において、損傷判定のための２クラス分類の深層学習モデルを構築する工程は以下の工程を含む、即ち、
畳み込みニューラルネットワークに基づいて判定対象のひずみ分布図を入力し、判定結果を出力する深層学習モデルを構築する工程S4.1と、
学習データでのカテゴリのアンバランスのクラス分類の問題では、Focal Loss 関数を学習工程で用いる損失関数として、以下の式で用いる工程S4.2と、
JPEG
2025168176000016.jpg
8
146
ここで、p
t
は予測が真の確率であり、α
t
は異なるカテゴリの寄与のバランスを調整するために使用できるカテゴリ重みであり、γは分類が困難なサンプルに損失が集中するレートを制御するフォーカシングパラメータであり、
評価指標として精度、リコール率、F1値を以下の式で用いる工程S4.3と、
JPEG
2025168176000017.jpg
42
146
ここで、TPは損傷が発生しているひずみ分布図を損傷が発生したひずみ分布図として正しく予測した数であり、FPは損傷が未発生のひずみ分布図を損傷が未発生のひずみ分布図として正しく予測した数であり、FNは損傷が発生したひずみ分布図を損傷が未発生のひずみ分布図として誤って予測した数であり、
学習ハイパーパラメータを調整し、遷移学習法を用いてニューラルネットワークモデルを学習し、予測結果によりより良い組み合わせを検証する工程S4.4と、を含む
ことを特徴とする請求項１に記載の損傷判定方法。
【請求項６】
前記ステップS5において、損傷判定用深層学習モデルの解釈可能性を解析する工程は以下の通りである、即ち、
勾配重み付けクラス活性化マッピングGrad-CAM法を用いて、予測出力に対するニューラルネットワークモデルの寄与度の分布が得られ、即ち、損傷が発生したと判定されたひずみ分布図について、当該ひずみ分布図の特徴を有する位置が色付けによって強調される工程S5.1であることを特徴とする請求項１に記載の損傷判定方法。

発明の詳細な説明【技術分野】
【０００１】
本発明は、コンピュータビジョン支援機械的特性解析の分野に属し、具体的には、深層学習に基づくひずみ分布図予測及び損傷判定の方法に関する。
続きを表示（約 4,300 文字）【背景技術】
【０００２】
数値シミュレーションは、様々な構造物や部材の機械的特性を解析及び評価するために用いる重要な手段である。正確な構造解析結果を得るためには、有限要素解析に精通した技術者が、通常、「モデリング－コンピュータ解析－結果出力－手作業判定」のワークフローを実行する必要があり、解析対象の構造解析モデルパラメータの組み合わせが多くなると、有限要素解析に要する時間は倍増し、コンピュータの性能に対する要求も徐々に高くなる。同時に、モデリングや状態判定も経験豊富な技術者が繰り返し作業を行う必要があるため、有限要素解析法をマルチパラメータの組み合わせ構造解析モデルの機械的解析に用いるには多くの制約がある。深層学習法では、既存の有限要素解析データ結果を十分に利用することで、機械的解析結果や状態判定結果を高精度に得ることができるため、本発明では、深層学習・ニューラルネットワーク法に基づいてひずみ分布図予測及び損傷判定を行っている。
【０００３】
現在、有限要素解析の迅速な代替に深層学習技術を用いる研究はまだ初期開発段階にあり、一部の研究者は全畳み込みニューラルネットワークなどの方法を用いて２次元線形弾性材料成分の応力分布を予測し、MRE（平均相対誤差）はわずか2.04％である。しかし、ひずみやひずみ分布の結果のみが出力され、ひずみやひずみ分布の状態を手作業で判定する必要があり、その後の自動解析ステップが欠如している。ニューラルネットワーク法によるコンポーネントの損傷判定については、より多くの研究がされており、通常、様々な種類の損傷の画像データを収集して、それぞれの状態に関する情報を付与し、その後、画像分類ニューラルネットワークを用いて解析と研究を行い、最終的に入力画像が各損傷状態に属する確率が得られる。しかし、判定はしばしば「ブラックボックス」と見なされており、技術者は判定結果や構造的な原理を確信することができず、さらなる改善が必要である。
【０００４】
上記の問題を解決するために、本発明は、深層学習に基づくひずみ分布図予測と部材状態判定解析及びその解釈可能性解析のための高速な方法を提案する。本発明では、新しいパラメータの組み合わせの構造解析モデルデータを入力し、そのひずみ分布図の結果を出力することが可能である。その後、その状態下でのひずみ分布図を損傷判定ニューラルネットワークに入力し、その荷重下での損傷状態を出力する。最後に、ヒートマップを通じて構造解析モデルの判定の寄与度が高い領域を与える。その結果、本方法は、ある荷重下における部材のひずみ分布と破壊判定結果を迅速かつ正確に得ることができ、破壊力学の理論に従って解釈可能な解析ヒートマップを出力できることが示された。
【発明の概要】
【発明が解決しようとする課題】
【０００５】
本発明は、パラメータの組み合わせが多い同類構造解析モデルの有限要素解析工程における時間と労働資源の消費を低減し、効率的で正確な機械的特性の解析結果を与えるために、深層学習に基づくひずみ分布画像及び損傷判定の自動化方法を提供する。
【課題を解決するための手段】
【０００６】
本発明が解決しようとする技術的課題は、以下の技術的解決手段を用いて達成される、即ち、
深層学習に基づくひずみ分布図予測を行い、ひずみ分布図に基づき損傷判定を行う損傷判定方法であって、
以下のステップを含む、即ち、
有限要素解析のソフトウェアを用いて、複数の可変パラメータを有する構造解析モデルを計算し、すべての荷重ステップの下で各構造解析モデルのひずみ分布図を取得し、サンプルデータセットを学習用セットと、検証用セットと、テスト用セットと、に分けるステップS1と、
領域分類向け畳み込みニューラル（例えばDeepLabv3+ネットワーク）を用いて、ひずみ分布図予測の深層学習モデルを構築し、学習と検証を行い、構造解析モデルの幾何学情報、材料情報、荷重情報の図を入力し、そのひずみ分布図を出力することを実現するステップS2と、
前記ステップS1の前記有限要素解析で得られた前記ひずみ分布図を入力として用い、当該ひずみ分布図の状態で前記構造解析モデルの破壊または非破壊の情報を付与し、これで損傷判定用データセットを構成し、データセットに対する予備的なバランス調整操作とデータ強化操作を行った後、前記サンプルデータセットを学習用セットと、検証用セットと、テスト用セットと、に分けるステップS3と、
畳み込みニューラルネットワーク（例えば深さが１６層の畳み込みニューラルネットワークであるVGG-16ネットワーク）を用いて損傷判定深層学習モデルを構築し、学習と検証を行い、ある状態でのある構造解析モデルのひずみ分布図を入力し、現在損傷と判定される確率を出力することを実現するステップS4と、
前記ステップS4で学習により得られた２クラス分類の深層学習モデルについて、勾配重み付けクラス活性化マッピングGrad-CAM法の解釈可能性解析を行い、予測結果に対するニューラルネットワークモデルの寄与分布が得られ、分類寄与の大きい画像領域を強調表示するステップS5と、を含む。
【０００７】
前記深層学習に基づくひずみ分布図予測及び損傷判定の方法では、ステップS1において、ひずみ分布図のデータセットを取得し、処理する工程は、以下の工程を含む、即ち、
有限要素解析のソフトウェアを通じて、構造解析モデルの幾何学的図形とひずみ分布図を出力し、幾何学的図形とひずみ分布図を同じ比例の正方形の画像に統一で出力する工程S1.1と、
画像のサイズを一定に保ち、材料情報と荷重情報である非幾何学的情報は、一定の倍数の値で塗りつぶされたグレースケール画像として示し、非幾何学的情報をグレースケール値で特徴付けるという目的を達成する工程S1.2と、
データセットを学習用セットと、検証用セットと、テスト用セットと、に分ける工程S1.3と、を含む。
【０００８】
前記深層学習に基づくひずみ分布図予測及び損傷判定の方法では、ステップS2において、ひずみ分布図予測の深層学習モデルの構築工程は以下の工程を含む、即ち、
領域分類向け畳み込みニューラルネットワークに基づいて、構造解析モデルの幾何学情報、材料情報、荷重情報の図を入力し、平面ひずみ分布図を出力する深層学習モデルを構築する工程S2.1と、
ひずみ分布図予測問題では、クロスエントロピー関数を損失関数として以下の式を用いる工程S2.2と、
JPEG
2025168176000002.jpg
17
166
ここで、p
t
は予測が真の確率であり、Ｗは画像の幅であり、Hは画像の高さであり、p
t
,
i
,
j
は画像位置（i、j）で予測が正しい確率であり、
ひずみ分布図予測問題に対して、評価指標として平均交差結合MIoUを以下の式で用いる工程S2.3と、
JPEG
2025168176000003.jpg
16
166
ここで、kはひずみ分布図のカラー階調の数であり、iは画素の有限要素解析結果のカラー序数であり、jは画素のニューラルネットワーク予測結果のカラー序数であり、p
ij
はカラーiをカラーjとして誤って予測した画素の数であり、
学習ハイパーパラメータを調整して、ニューラルネットワークモデルを学習し、予測結果によりより良い組み合わせを検証する工程S2.4と、を含む。
【０００９】
前記深層学習に基づくひずみ分布図予測及び損傷判定の方法では、ステップS3において、損傷判定カテゴリのアンバランスデータセットを強化し、予めバランスを調整する工程は以下の工程を含む、即ち、
画像データセットに対してデータ強化操作を実行し、具体的には、ファジィ化と、鮮明化と、水平反転と、垂直反転と、90°回転と、270°回転と、を含む工程S3.1と、
データセット内の異なるカテゴリ間の数の差を予めバランスさせるために、より多くのサンプルでカテゴリの画像をランダムにサンプリングする工程S3.2と、を含む。
【００１０】
前記深層学習に基づくひずみ分布図予測及び損傷判定の方法では、ステップS4において、損傷判定のための2クラス分類の深層学習モデルを構築する工程は以下の工程を含む、即ち、
畳み込みニューラルネットワークに基づいて判定対象のひずみ分布図を入力し、判定結果を出力する深層学習モデルを構築する工程S4.1と、
学習データでのカテゴリのアンバランスの２クラス分類の問題に対して、Focal Loss 関数を学習工程で用いる損失関数として、以下の式で用いる工程S4.2と、
JPEG
2025168176000004.jpg
8
166
ここで、p
t
は予測が真の確率であり、α
t
は異なるカテゴリの寄与のバランスを調整するために使用できるカテゴリ重みであり、γは分類が困難なサンプルに損失が集中するレートを制御するフォーカシングパラメータであり、
評価指標として精度（precision）、リコール率（recall）、F1値を以下の式で用いる工程S4.3と、
JPEG
2025168176000005.jpg
41
166
ここで，TPは「損傷発生」したひずみ分布図を「損傷発生」したひずみ分布図として正しく予測した数であり、FPは「損傷未発生」のひずみ分布図を「損傷未発生」のひずみ分布図として正しく予測した数であり、FNは「損傷発生」したひずみ分布図を「損傷未発生」のひずみ分布図として誤って予測した数であり、
学習ハイパーパラメータを調整し、遷移学習法を用いてニューラルネットワークモデルを学習し、予測結果によりより良い組み合わせを検証する工程S4.4と、を含む。
（【００１１】以降は省略されています）

関連特許