Real-time Artificial Intelligence (AI) Prediction of Seepage Failure and Evacuation Assistance by Structural Health Monitoring of River Levees

河川堤防の構造ヘルスモニタリングを実施することにより，従来の維持管理技術と防災技術を対症療法型から予防保全型への転換する技術提案の実用化に結び付け，堤防災害の減災への貢献を目的とする。令和４年度に実施した研究実績としては， 2箇所の一級河川堤防において，河川水位や基盤透水層内の水位変動，そして，のり面表層領域での降雨浸透による土中水分量の動態および傾斜変動に対する長期間の堤防ヘルスモニタリングを実施したことにある。これらの計測事実を用いることで，洪水時に発生する堤内基盤水位の変動を準リアルタイムで予測する回帰モデルとして，深層学習による非線形回帰モデルとスパースモデリングによる線形回帰モデルを構築した。それぞれのモデルには，過去の洪水時や日常的な水位変動時に対象堤防において計測された堤内基盤水位と河川水位変動の関係を学習させた．学習水位としては，現時刻から180分前までの7時刻（180分前，150分前，120分前，90分前，60分前，30分前，現時刻）における河川水位と基盤水位の計14の水位計測値を用いた。得られた成果を以下に示す。１）非線形回帰モデルは予測対象洪水事例によって感度解析により決定されるモデル構造が異なるため，水位予測精度が変化することが懸念される．一方，線形回帰モデルは構造が単純でその構築が容易であるため，洪水時の堤防基盤水位予測モデルとしての実用性を有していると考えられる。２）回帰モデルでは，学習した水位変動範囲外の外挿条件での予測精度が担保されないため，目的変数に用いる水位データの扱いに工夫が必要である．そのため，河川堤防における基盤水位の変動要因として，計測すべき物理量を適切に選定した計測システムの構築と計測の継続による事例の蓄積が重要であると思われる。

河川堤防の構造ヘルスモニタリングを実施することにより，従来の維持管理技術と防災技術を対症療法型から予防保全型への転換する技術提案の実用化に結び付け，堤防災害の減災への貢献を目的とする。令和４年度に実施した研究実績としては， 2箇所の一級河川堤防において，河川水位や基盤透水層内の水位変動，そして，のり面表層領域での降雨浸透による土中水分量の動態および傾斜変動に対する長期間の堤防ヘルスモニタリングを実施したことにある。これらの計測事実を用いることで，洪水時に発生する堤内基盤水位の変動を準リアルタイムで予測する回帰モデルとして，深層学習による非線形回帰モデルとスパースモデリングによる線形回帰モデルを構築した。それぞれのモデルには，過去の洪水時や日常的な水位変動時に対象堤防において計測された堤内基盤水位と河川水位変動の関係を学習させた．学習水位としては，現時刻から180分前までの7時刻（180分前，150分前，120分前，90分前，60分前，30分前，現時刻）における河川水位と基盤水位の計14の水位計測値を用いた。得られた成果を以下に示す。１）非線形回帰モデルは予測対象洪水事例によって感度解析により決定されるモデル構造が異なるため，水位予測精度が変化することが懸念される．一方，線形回帰モデルは構造が単純でその構築が容易であるため，洪水時の堤防基盤水位予測モデルとしての実用性を有していると考えられる。２）回帰モデルでは，学習した水位変動範囲外の外挿条件での予測精度が担保されないため，目的変数に用いる水位データの扱いに工夫が必要である．そのため，河川堤防における基盤水位の変動要因として，計測すべき物理量を適切に選定した計測システムの構築と計測の継続による事例の蓄積が重要であると思われる。