A Study on Seismic Response Prediction Method Based on RC Non-Structural Wall Damage Photographs Using Deep Learning

点击翻译按钮获取中文摘要

本研究では， RC方立壁の地震被害写真から損傷量を画像測定し，その損傷量からそれが経験した最大部材角を推測する技術の確立を目指している。当該年度は，せん断破壊を想定した実大RC方立壁試験体としてD700試験体（寸法：壁長700mm×壁高800mm×壁厚150mm，せん断スパン比0.57，壁筋：ダブル配筋）を3体，及び昨年度に1体実施したS800試験体（寸法：壁長800mm×壁高800mm×壁厚150mm，せん断スパン比0.5，壁筋：シングル配筋）を追加で2体実施した。得られた実験結果から，損傷量（ひび割れ長さ，コンリート剥落・欠損面積）と部材角の関係に与えるせん断スパン比，壁筋量の影響を確認した。得られた知見として，せん断スパン比の増加に伴い，同一部材角におけるコンクリート剥落・欠損面積は減少する範囲が存在するものの，ひび割れ長さには大きな相違を見られなかった。一方，壁筋量の減少に伴い，同一部材角におけるコンクリート剥落・欠損面積とひび割れ長さが共に減少する傾向が見られた。さらに，昨年度生成したDeep neural networkモデルを用いたSemantic segmentationによるRC方立壁の損傷検出器の改良を行った。表面気泡を含むコンクリート打放面の画像を十分なエポック数，すなわち検証画像に対する正解率が頭打ちになるまで学習させることで，それをひび割れと誤認識することが大幅に減少した。さらに，極細ひび割れ（幅約0.2mm）の検出するため，損傷画像を拡大（解像度：約0.2mm/画素から約0.1mm/画素）し，さらに512×512画素に損傷画像を分割し検出器に入力する際に，上下・左右で256画素分重複した分割画像を作成し入力した。その結果，検出器による極細ひび割れの検出精度の向上が見られた。