JP7046469B1 - Caisson state prediction system and program - Google Patents

Caisson state prediction system and program Download PDF

Info

Publication number
JP7046469B1
JP7046469B1 JP2020201749A JP2020201749A JP7046469B1 JP 7046469 B1 JP7046469 B1 JP 7046469B1 JP 2020201749 A JP2020201749 A JP 2020201749A JP 2020201749 A JP2020201749 A JP 2020201749A JP 7046469 B1 JP7046469 B1 JP 7046469B1
Authority
JP
Japan
Prior art keywords
caisson
skeleton information
skeleton
time points
time point
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
JP2020201749A
Other languages
Japanese (ja)
Other versions
JP2022089385A (en
Inventor
匡浩 進藤
禎直 倉知
俊宏 近藤
悟 速水
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.)
Oriental Shiraishi Corp
Original Assignee
Oriental Shiraishi 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
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=81256650&utm_source=***_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=JP7046469(B1) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by Oriental Shiraishi Corp filed Critical Oriental Shiraishi Corp
Priority to JP2020201749A priority Critical patent/JP7046469B1/en
Application granted granted Critical
Publication of JP7046469B1 publication Critical patent/JP7046469B1/en
Publication of JP2022089385A publication Critical patent/JP2022089385A/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】計算に時間を必要としないケーソンの状態予測システム及びプログラムを提供する。【解決手段】ニューマチックケーソン工法に使用されるケーソン躯体の各種状態を出力するケーソンの状態予測システムにおいて、２以上の各時点におけるケーソン躯体の各種状態を示す躯体情報を取得する取得手段と、２以上の各時点における前記躯体情報を入力とし、前記２以上の時点の中で最も後の時点よりも後の次時点における前記躯体情報を出力とした予測モデルを用いて、前記取得手段により取得された２以上の各時点における躯体情報を入力とした場合、次時点における前記躯体情報を出力する探索手段とを備える。【選択図】図４PROBLEM TO BE SOLVED: To provide a caisson state prediction system and a program which do not require time for calculation. SOLUTION: In a caisson state prediction system that outputs various states of a caisson skeleton used in a pneumatic caisson method, an acquisition means for acquiring skeleton information indicating various states of the caisson skeleton at each of two or more time points, and 2 Acquired by the acquisition means using a prediction model in which the skeleton information at each of the above time points is input and the skeleton information at the next time point after the latest time point among the two or more time points is output. When the skeleton information at each of the two or more time points is input, the search means for outputting the skeleton information at the next time point is provided. [Selection diagram] FIG. 4

Description

本発明は、ニューマチックケーソン工法に使用されるケーソン躯体の各種状態を予測するケーソンの状態予測システム及びプログラムに関する。 The present invention relates to a caisson state prediction system and a program for predicting various states of a caisson skeleton used in a pneumatic caisson method.

ケーソンは、コンクリート製又は鋼製で全体が略筒状をなし、例えば、立坑等の地下構造物や橋梁基礎等の水中構造物に用いられる。ケーソンは、地下構造物として用いる場合には、地盤を掘削しながら、自重や圧入力により地中に沈設される。ケーソンを地盤中に沈設する工法には、大きくオープンケーソン工法とニューマチックケーソン工法の二つに分けられる。オープンケーソン工法は、両端に蓋のない筒として掘削する工法であるのに対して、ニューマチックケーソン工法は、ケーソンの下部に気密にした作業室を設け、そこに圧縮空気を送り込んで地下水の浸入を防ぎ、地上と同じ状態で掘削を行う工法である。 The caisson is made of concrete or steel and has a substantially tubular shape as a whole, and is used for, for example, an underground structure such as a shaft or an underwater structure such as a bridge foundation. When used as an underground structure, the caisson is submerged in the ground by its own weight or pressure input while excavating the ground. The method of submerging a caisson in the ground can be broadly divided into the open caisson method and the pneumatic caisson method. The open caisson method is a method of excavating as a cylinder without lids on both ends, while the pneumatic caisson method provides an airtight work room at the bottom of the caisson and sends compressed air into it to allow groundwater to enter. It is a construction method that prevents digging and excavates in the same condition as on the ground.

ニューマチックケーソン工法の作業室の気圧は、原則として地盤の間隙水圧に見合った気圧にするため、一般的に周辺地盤の地下水位を下げることがなく、周辺地盤の地盤沈下や井戸涸れなどの心配がなく優れた工法と言われる。 In principle, the air pressure in the work room of the pneumatic cason method is set to match the pore water pressure of the ground, so generally there is no need to lower the groundwater level in the surrounding ground, and there are concerns about land subsidence and well dripping in the surrounding ground. It is said to be an excellent construction method.

ところで、このニューマチックケーソン工法に基づいてケーソンを地盤に掘削しつつコンクリート躯体を沈設していく過程において、特にこのコンクリート躯体を鉛直方向に向けてまっすぐに沈下させていくことが求められる。しかしながら、掘削順序やコンクリート躯体周囲の地盤に対する摩擦力、地盤特性や、コンクリート躯体の形状等の各要因に応じてケーソンの位置や姿勢が変化してしまう場合が多々あることから、その沈下方向は必ずしも鉛直方向にならず、場合によっては斜め方向に沈下させてしまう場合もある。このため、これら各要因に基づいてケーソンの位置や姿勢を微調整しながらコンクリート躯体を地盤中に沈下させる必要があるが、実際にこれを高精度に行うためには相当の熟練が必要になり、また工事にともなう労力の負担が過大になっている。このため、これらケーソン躯体を自動的に鉛直方向に向けて沈設制御を行うことが可能な技術が従来より望まれていた。 By the way, in the process of laying a concrete skeleton while excavating a caisson in the ground based on this pneumatic caisson method, it is particularly required to sunk the concrete skeleton straight in the vertical direction. However, the position and attitude of the caisson often change depending on factors such as the excavation order, the frictional force against the ground around the concrete skeleton, the ground characteristics, and the shape of the concrete skeleton. It does not necessarily go vertically, and in some cases it may sink diagonally. For this reason, it is necessary to subside the concrete skeleton into the ground while fine-tuning the position and attitude of the caisson based on each of these factors, but considerable skill is required to actually do this with high accuracy. In addition, the burden of labor associated with the construction has become excessive. For this reason, a technique capable of automatically directing these caisson skeletons in the vertical direction and controlling the subsidence has been desired.

このようなケーソン躯体の鉛直方向への自動的な沈設制御を行う上では、現時点におけるケーソン躯体の各種状態から、次時点におけるケーソン躯体の各種状態を予測することが重要となる。つまり、現時点におけるケーソン躯体の位置や姿勢等の各種状態においてある掘削方法に基づいて掘削を行った場合、次時点においてケーソン躯体がどのような位置や姿勢等の各種状態に遷移するのかを予測することができれば、逆にケーソン躯体の鉛直方向への沈設を行う上で必要な掘削方法を見出すことが可能となり、ひいてはケーソン躯体の鉛直方向への自動的な沈設制御にもつながる（例えば、特許文献１参照）。 In order to automatically control the subsidence of the caisson skeleton in the vertical direction, it is important to predict the various states of the caisson skeleton at the next time from the various states of the caisson skeleton at the present time. That is, when excavation is performed based on a certain excavation method in various states such as the position and posture of the caisson skeleton at the present time, it is predicted what kind of position and posture the caisson skeleton will transition to in various states at the next time point. If this is possible, on the contrary, it will be possible to find the excavation method necessary for vertically sinking the caisson skeleton, which in turn will lead to automatic sinking control of the caisson skeleton in the vertical direction (for example, Patent Document). See 1).

特許文献１では、躯体現在情報と、掘り残し土に基づく函内地形情報とに対する次時点における躯体将来情報との３段階以上の連関度を参照し、次時点における躯体将来情報を探索するケーソンの状態予測システムが開示されている。 In Patent Document 1, the caisson that searches for the skeleton future information at the next time point by referring to the degree of association between the skeleton present information and the skeleton future information at the next time point with respect to the Hakouchi topographical information based on the undigged soil. A state prediction system is disclosed.

特開２０１９－６５６３９号公報Japanese Unexamined Patent Publication No. 2019-65639

ここで、現時点におけるケーソン躯体の位置や姿勢等の各種状態においてある掘削方法に基づいて掘削を行った場合、次時点においてケーソン躯体がどのような位置や姿勢等の各種状態に遷移するかを予想するためには、実際に掘削を行ってから、ケーソン躯体が遷移するまでに次時点におけるケーソン躯体の各種情報の予測をする必要がある。 Here, when excavation is performed based on a certain excavation method in various states such as the position and posture of the caisson skeleton at the present time, it is predicted what kind of position and posture the caisson skeleton will transition to in various states at the next time point. In order to do so, it is necessary to predict various information of the caisson skeleton at the next time point from the actual excavation to the transition of the caisson skeleton.

一方、特許文献１では、次時点における躯体将来情報を探索のために、躯体現在情報と、掘り残し土に基づく函内地形情報とに対する次時点における躯体将来情報との予め記憶された３段階以上の連関度を参照している。予め記憶された３段階以上の連関度には、過去の様々な状況下でのケーソンの躯体現在情報と、掘り残し土に基づく函内地形情報とに対する次時点における躯体将来情報とに基づく学習データが扱われている。このため、特許文献１では、実際にケーソン躯体の各種情報の予測のために、関連性の低い学習データとの連関度まで考慮される。このため、特許文献１では、次時点における躯体将来情報の探索を行うには、膨大な計算が必要となり、探索を行うのに時間が必要となる。このため、特許文献１の開示技術では、掘削を行ってから、ケーソン躯体が遷移するまでに次時点におけるケーソン躯体の各種情報の予測が間に合わないことが問題とされていた。 On the other hand, in Patent Document 1, in order to search for the skeleton future information at the next time point, the skeleton present information and the skeleton future information at the next time point with respect to the Hakouchi topographical information based on the undigged soil are stored in three or more stages in advance. Refers to the degree of association. The pre-stored three-level or higher degree of association includes learning data based on the caisson's current skeleton information under various past situations and the skeleton future information at the next time point with respect to the Hakouchi topographical information based on the undigged soil. Is being dealt with. Therefore, in Patent Document 1, in order to actually predict various information of the caisson skeleton, even the degree of association with learning data having low relevance is taken into consideration. Therefore, in Patent Document 1, a huge amount of calculation is required to search for future information on the skeleton at the next time point, and it takes time to search. Therefore, in the disclosure technique of Patent Document 1, there has been a problem that various information of the caisson skeleton cannot be predicted at the next time point from the excavation to the transition of the caisson skeleton.

また、特許文献１では、次時点における躯体将来情報の探索のために、躯体現在情報と、掘り残し土に基づく函内地形情報とに対する次時点における躯体将来情報との予め記憶された３段階以上の連関度を参照している。このため、特許文献１では、現在の躯体情報を、連関度に反映することができない。このことから、次時点における躯体将来情報の探索の予測精度が低いことが問題とされていた。 Further, in Patent Document 1, in order to search for the skeleton future information at the next time point, the skeleton present information and the skeleton future information at the next time point with respect to the Hakouchi topographical information based on the undigged soil are stored in three or more stages in advance. Refers to the degree of association. Therefore, in Patent Document 1, the current skeleton information cannot be reflected in the degree of association. From this, it has been a problem that the prediction accuracy of the search for the future information of the skeleton at the next time point is low.

そこで本発明は、上述した問題に鑑みて案出されたものであり、その目的とするところは、計算に時間を必要としない予測精度の高いケーソンの状態予測システム及びプログラムを提供することにある。 Therefore, the present invention has been devised in view of the above-mentioned problems, and an object of the present invention is to provide a caisson state prediction system and a program with high prediction accuracy that do not require time for calculation. ..

第１発明に係るケーソンの状態予測システムは、ニューマチックケーソン工法に使用されるケーソン躯体の各種状態を出力するケーソンの状態予測システムにおいて、３以上の各時点におけるケーソン躯体の各種状態を示す躯体情報を取得する取得手段と、前記取得手段により取得された２以上の各時点における前記躯体情報を入力とし、前記取得手段により取得された前記２以上の時点の中で最も後の時点よりも後の次時点における前記躯体情報を出力とした予測モデルを生成するモデル生成手段と、前記モデル生成手段により生成された予測モデルを用いて、前記取得手段により取得された２以上の各時点における躯体情報を入力とした場合、次時点における前記躯体情報を出力する探索手段とを備えることを特徴とする。 The caisson state prediction system according to the first invention is a caisson state prediction system that outputs various states of the caisson skeleton used in the pneumatic caisson method, and is skeleton information indicating various states of the caisson skeleton at each of three or more time points. The acquisition means for acquiring the above and the skeleton information at each of the two or more time points acquired by the acquisition means are input, and the two or more time points acquired by the acquisition means are later than the latest time point. Using the model generation means for generating a prediction model using the skeleton information as an output at the next time point and the prediction model generated by the model generation means, the skeleton information at each of two or more time points acquired by the acquisition means can be obtained. When input, it is characterized by including a search means for outputting the skeleton information at the next time point.

第２発明に係るケーソンの状態予測システムは、ニューマチックケーソン工法に使用されるケーソン躯体の各種状態を出力するケーソンの状態予測システムにおいて、３以上の各時点におけるケーソン躯体の各種状態を示す躯体情報を取得する取得手段と、前記取得手段により取得された２以上の各時点における前記躯体情報を入力とし、前記取得手段により取得された前記２以上の時点の中で最も後の時点よりも後の次時点における前記躯体情報を出力として、機械学習により予測モデルを生成するモデル生成手段と、前記モデル生成手段により生成された予測モデルを用いて、前記取得手段により取得された２以上の各時点における躯体情報を入力とした場合、次時点における前記躯体情報を出力する探索手段とを備えることを特徴とする。 The caisson state prediction system according to the second invention is a caisson state prediction system that outputs various states of the caisson skeleton used in the pneumatic caisson method, and is skeleton information indicating various states of the caisson skeleton at each of three or more time points. The acquisition means for acquiring the above and the skeleton information at each of the two or more time points acquired by the acquisition means are input, and the two or more time points acquired by the acquisition means are later than the latest time point. Two or more models acquired by the acquisition means using the model generation means that generates a prediction model by machine learning using the skeleton information at the next time point as an output and the prediction model generated by the model generation means. When the skeleton information at each time point is input, it is characterized by including a search means for outputting the skeleton information at the next time point.

第３発明に係るケーソンの状態予測システムは、ニューマチックケーソン工法に使用されるケーソン躯体の各種状態を出力するケーソンの状態予測システムにおいて、３以上の各時点におけるケーソン躯体の各種状態を示す躯体情報を取得する取得手段と、前記取得手段により取得された２以上の各時点における前記躯体情報を入力とし、前記取得手段により取得された前記２以上の時点の中で最も後の時点よりも後の次時点における前記躯体情報を出力として、非線形力学系により予測モデルを生成するモデル生成手段と、前記モデル生成手段により生成された予測モデルを用いて、前記取得手段により取得された２以上の各時点における躯体情報を入力とした場合、次時点における前記躯体情報を出力する探索手段とを備えることを特徴とする。 The caisson state prediction system according to the third invention is a caisson state prediction system that outputs various states of the caisson skeleton used in the nonlinear caisson construction method, and is skeleton information indicating various states of the caisson skeleton at each of three or more time points. The acquisition means for acquiring the above and the skeleton information at each of the two or more time points acquired by the acquisition means are input, and the two or more time points acquired by the acquisition means are later than the latest time point. Two or more time points acquired by the acquisition means using the model generation means for generating a prediction model by the nonlinear dynamical system and the prediction model generated by the model generation means using the skeleton information at the next time point as an output. When the skeleton information in the above is input, it is characterized by including a search means for outputting the skeleton information at the next time point.

第４発明に係るケーソンの状態予測システムは、第１発明～第３発明の何れかにおいて、前記探索手段は、前記探索手段により出力された躯体情報を含める２以上の各時点における前記躯体情報を入力として、前記予測モデルを用いて、次時点における前記躯体情報を出力することを複数回繰り返すことを特徴とする。 In the caisson state prediction system according to the fourth invention, in any one of the first invention to the third invention, the search means obtains the skeleton information at each of two or more time points including the skeleton information output by the search means. As an input, the prediction model is used, and the skeleton information at the next time point is output repeatedly a plurality of times.

第５発明に係るケーソンの状態予測システムは、第１発明～第４発明の何れかにおいて、前記探索手段は、前記取得手段により取得された２以上の各時点における躯体情報を入力とし、前記取得手段により取得された次時点における前記躯体情報を出力として、前記予測モデルを生成することを特徴とする。 In any of the first to fourth inventions, the caisson state prediction system according to the fifth invention uses the search means as input of the skeleton information acquired by the acquisition means at each of the two or more time points, and the acquisition thereof. It is characterized in that the prediction model is generated by using the skeleton information at the next time point acquired by the means as an output.

第６発明に係るケーソンの状態予測プログラムは、ニューマチックケーソン工法に使用されるケーソン躯体の各種状態を出力するケーソンの状態予測プログラムにおいて、３以上の各時点におけるケーソン躯体の各種状態を示す躯体情報を取得する取得ステップと、前記取得ステップにより取得された２以上の各時点における前記躯体情報を入力とし、前記取得ステップにより取得された前記２以上の時点の中で最も後の時点よりも後の次時点における前記躯体情報を出力とした予測モデルを生成するモデル生成ステップと、前記モデル生成ステップにより生成された予測モデルを用いて、前記取得ステップにより取得された２以上の各時点における躯体情報を入力とした場合、次時点における前記躯体情報を出力する探索ステップとをコンピュータに実行させることを特徴とする。 The caisson state prediction program according to the sixth invention is a caisson state prediction program that outputs various states of the caisson skeleton used in the pneumatic caisson method, and is skeleton information showing various states of the caisson skeleton at each of three or more time points. The acquisition step to acquire the above and the skeleton information at each of the two or more time points acquired by the acquisition step are input, and the two or more time points acquired by the acquisition step are later than the latest time point. Using the model generation step that generates a prediction model with the skeleton information as output at the next time point and the prediction model generated by the model generation step, the skeleton information at each of the two or more time points acquired by the acquisition step is obtained. When input, the computer is made to execute a search step for outputting the skeleton information at the next time point.

第７発明に係るケーソンの状態予測プログラムは、ニューマチックケーソン工法に使用されるケーソン躯体の各種状態を出力するケーソンの状態予測プログラムにおいて、３以上の各時点におけるケーソン躯体の各種状態を示す躯体情報を取得する取得ステップと、前記取得ステップにより取得された２以上の各時点における前記躯体情報を入力とし、前記取得ステップにより取得された前記２以上の時点の中で最も後の時点よりも後の次時点における前記躯体情報を出力として、機械学習により予測モデルを生成するモデル生成ステップと、前記モデル生成ステップにより生成された予測モデルを用いて、前記取得ステップにより取得された２以上の各時点における躯体情報を入力とした場合、次時点における前記躯体情報を出力する探索ステップとをコンピュータに実行させることを特徴とする。 The caisson state prediction program according to the seventh invention is a caisson state prediction program that outputs various states of the caisson skeleton used in the pneumatic caisson method, and is skeleton information showing various states of the caisson skeleton at each of three or more time points. The acquisition step to acquire the above and the skeleton information at each of the two or more time points acquired by the acquisition step are input, and the two or more time points acquired by the acquisition step are later than the latest time point. Two or more acquired by the acquisition step using the model generation step of generating the prediction model by machine learning and the prediction model generated by the model generation step using the skeleton information at the next time point as output. When the skeleton information at each time point is input, the computer is made to execute the search step for outputting the skeleton information at the next time point .

第８発明に係るケーソンの状態予測プログラムは、ニューマチックケーソン工法に使用されるケーソン躯体の各種状態を出力するケーソンの状態予測プログラムにおいて、３以上の各時点におけるケーソン躯体の各種状態を示す躯体情報を取得する取得ステップと、前記取得ステップにより取得された２以上の各時点における前記躯体情報を入力とし、前記取得ステップにより取得された前記２以上の時点の中で最も後の時点よりも後の次時点における前記躯体情報を出力として、非線形力学系により予測モデルを生成するモデル生成ステップと、前記モデル生成ステップにより生成された予測モデルを用いて、前記取得ステップにより取得された２以上の各時点における躯体情報を入力とした場合、次時点における前記躯体情報を出力する探索ステップとをコンピュータに実行させることを特徴とする。 The caisson state prediction program according to the eighth invention is a caisson state prediction program that outputs various states of the caisson skeleton used in the pneumatic caisson method, and is skeleton information showing various states of the caisson skeleton at each of three or more time points. The acquisition step to acquire the above and the skeleton information at each of the two or more time points acquired by the acquisition step are input, and the two or more time points acquired by the acquisition step are later than the latest time point. Two or more time points acquired by the acquisition step using the model generation step of generating a prediction model by the nonlinear dynamical system and the prediction model generated by the model generation step using the skeleton information at the next time point as an output. When the skeleton information in the above is input, the computer is made to execute the search step for outputting the skeleton information at the next time point .

第９発明に係るケーソンの状態予測プログラムは、第６発明～第８発明の何れかにおいて、前記探索ステップは、前記探索ステップにより出力された躯体情報を含める２以上の各時点における前記躯体情報を入力として、前記予測モデルを用いて、次時点における前記躯体情報を出力することを複数回繰り返すことを特徴とするケーソンの状態予測プログラム。 In any of the sixth inventions to the eighth invention, the caisson state prediction program according to the ninth invention uses the skeleton information at each of two or more time points including the skeleton information output by the search step. A caisson state prediction program characterized by repeating the output of the skeleton information at the next time point a plurality of times using the prediction model as an input.

第１０発明に係るケーソンの状態予測プログラムは、第６発明～第９発明の何れかにおいて、前記探索ステップは、前記取得ステップにより取得された２以上の各時点における躯体情報を入力とし、前記取得手段により取得された次時点における前記躯体情報を出力として、前記予測モデルを生成することを特徴とするケーソンの状態予測プログラム。 In any of the sixth inventions to the ninth invention, the caisson state prediction program according to the tenth invention inputs the skeleton information at each of two or more time points acquired by the acquisition step, and the acquisition step is the acquisition. A caisson state prediction program characterized in that the prediction model is generated by outputting the skeleton information at the next time point acquired by the means.

第１発明～第５発明によれば、本発明のケーソンの状態予測システムは、２以上の各時点における躯体情報を入力とした場合、次時点における躯体情報を出力する。これによって、関連性の低いデータを用いることなく、予測モデルを生成できるため、短い計算時間での精度の高い予測が可能となる。 According to the first to fifth inventions, the caisson state prediction system of the present invention outputs the skeleton information at the next time point when the skeleton information at each of two or more time points is input. As a result, a prediction model can be generated without using irrelevant data, so that highly accurate prediction can be made in a short calculation time.

特に第４発明によれば、本発明のケーソンの状態予測システムは、探索手段により出力された躯体情報を含める２以上の各時点における躯体情報を入力として、次時点における躯体情報を出力することを複数回繰り返す。これによって、同じ予測モデルを用いて、さらに次の時点の予測が可能となり、短い計算時間で、さらに次の時点の精度の高い予測ができる。 In particular, according to the fourth invention, the caisson state prediction system of the present invention inputs the skeleton information at each of two or more time points including the skeleton information output by the search means, and outputs the skeleton information at the next time point. Repeat multiple times. This makes it possible to make predictions at the next time point using the same prediction model, and it is possible to make highly accurate predictions at the next time point in a short calculation time.

第５発明によれば、本発明のケーソンの状態予測システムは、取得手段により取得された２以上の各時点における躯体情報を入力とし、取得手段により取得された次時点における躯体情報を出力として、予測モデルを生成する。これによって、実際に施工するケーソンの躯体情報を用いて、予測モデルを生成することができるため、短い計算時間で、施工環境の変化に応じた精度の高い予測が可能となる。 According to the fifth aspect of the invention, the caisson state prediction system of the present invention inputs the skeleton information at each of two or more time points acquired by the acquisition means, and outputs the skeleton information at the next time point acquired by the acquisition means. Generate a predictive model. As a result, a prediction model can be generated using the caisson skeleton information to be actually constructed, so that highly accurate prediction can be made in response to changes in the construction environment in a short calculation time.

第６発明～第１０発明によれば、本発明のケーソンの状態予測プログラムは、２以上の各時点における躯体情報を入力とした場合、次時点における躯体情報を出力する。これによって、関連性の低いデータを用いることなく、予測モデルを生成できるため、短い計算時間での精度の高い予測が可能となる。 According to the sixth to tenth inventions, the caisson state prediction program of the present invention outputs the skeleton information at the next time point when the skeleton information at each of two or more time points is input. As a result, a prediction model can be generated without using irrelevant data, so that highly accurate prediction can be made in a short calculation time.

特に第９発明によれば、本発明のケーソンの状態予測プログラムは、探索手段により出力された躯体情報を含める２以上の各時点における躯体情報を入力として、次時点における躯体情報を出力することを複数回繰り返す。これによって、同じ予測モデルを用いて、さらに次の時点の予測が可能となり短い計算時間で、さらに次の時点の精度の高い予測ができる。 In particular, according to the ninth aspect of the invention, the caisson state prediction program of the present invention inputs the skeleton information at each of two or more time points including the skeleton information output by the search means, and outputs the skeleton information at the next time point. Repeat multiple times. This makes it possible to make predictions at the next time point using the same prediction model, and it is possible to make highly accurate predictions at the next time point in a short calculation time.

第１０発明によれば、本発明のケーソンの状態予測プログラムは、取得手段により取得された２以上の各時点における躯体情報を入力とし、取得手段により取得された次時点における躯体情報を出力として、予測モデルを生成する。これによって、実際に施工するケーソンの躯体情報を用いて、予測モデルを生成することができるため、短い計算時間で、施工環境の変化に応じた精度の高い予測が可能となる。 According to the tenth invention, the caisson state prediction program of the present invention inputs the skeleton information at each of two or more time points acquired by the acquisition means, and outputs the skeleton information at the next time point acquired by the acquisition means. Generate a predictive model. As a result, a prediction model can be generated using the caisson skeleton information to be actually constructed, so that highly accurate prediction can be made in response to changes in the construction environment in a short calculation time.

図１は、ニューマチックケーソン工法の主要設備を示す縦断面図である。FIG. 1 is a vertical sectional view showing the main equipment of the pneumatic caisson method. 図２は、刃口部を示す縦断面図である。FIG. 2 is a vertical cross-sectional view showing a cutting edge portion. 図３は、本発明に係る作業機の一例である掘削機の側面図である。FIG. 3 is a side view of an excavator which is an example of a working machine according to the present invention. 図４は、掘削機における制御系統を示すブロック図である。FIG. 4 is a block diagram showing a control system in an excavator. 図５は、ケーソンの傾きを示す図である。FIG. 5 is a diagram showing the inclination of the caisson. 図６は、本発明を適用したケーソンの状態予測システムの第１実施形態の全体構成を示すブロック図である。FIG. 6 is a block diagram showing an overall configuration of a first embodiment of a caisson state prediction system to which the present invention is applied. 図７は、本発明を適用したケーソンの状態予測システムの第１実施形態の動作についてのフローチャートである。FIG. 7 is a flowchart of the operation of the first embodiment of the caisson state prediction system to which the present invention is applied. 図８は、自己回帰モデルの生成を示す図である。FIG. 8 is a diagram showing the generation of an autoregressive model. 図９は、本発明を適用したケーソンの状態予測システムの第２実施形態の全体構成を示すブロック図である。FIG. 9 is a block diagram showing an overall configuration of a second embodiment of a caisson state prediction system to which the present invention is applied. 図１０は、本発明を適用したケーソンの状態予測システムの第２実施形態の動作についてのフローチャートである。FIG. 10 is a flowchart of the operation of the second embodiment of the caisson state prediction system to which the present invention is applied. 図１１は、非線形力学系モデルの生成の一例を示す図である。FIG. 11 is a diagram showing an example of generation of a nonlinear dynamical system model. 図１２は、本発明を適用したケーソンの状態予測システムの第３実施形態の全体構成を示すブロック図である。FIG. 12 is a block diagram showing an overall configuration of a third embodiment of a caisson state prediction system to which the present invention is applied. 図１３は、本発明を適用したケーソンの状態予測システムの第３実施形態の動作についてのフローチャートである。FIG. 13 is a flowchart of the operation of the third embodiment of the caisson state prediction system to which the present invention is applied. 図１４は、Deep Learningモデルの一例を示す図である。FIG. 14 is a diagram showing an example of a deep learning model.

図１は、本発明に係るケーソンの状態予測システムが用いられるニューマチックケーソン工法の主要設備の一例を示す図である。図１では、ケーソン１の構築途中の状態が示されている。詳しくは、ケーソン１のうちの大半が地盤８内に沈下して静止している状態が示されている。ニューマチックケーソン工法は、掘削設備Ｅ１、艤装設備Ｅ２、排土設備Ｅ３、送気設備Ｅ４及び予備・安全設備Ｅ５を用いて、鉄筋コンクリート製のケーソン１を地中に沈下させていくことにより、地下構造物を構築するように構成されている。 FIG. 1 is a diagram showing an example of the main equipment of the pneumatic caisson method in which the caisson state prediction system according to the present invention is used. FIG. 1 shows a state in which the caisson 1 is being constructed. In detail, it is shown that most of the caisson 1 is subsided in the ground 8 and is stationary. The pneumatic caisson method uses excavation equipment E1, equipment equipment E2, soil removal equipment E3, air supply equipment E4, and reserve / safety equipment E5 to submerge the reinforced concrete caisson 1 underground. It is configured to build a structure.

掘削設備Ｅ１は、例えば、掘削機１００（以下、ケーソンショベル１００という）と、土砂自動積込装置１１と、地上遠隔操作室１３とを備える。ケーソンショベル１００は、ケーソン１の底部に設けられた刃口部７の内側に設けられる作業室２内に設置される。土砂自動積込装置１１は、ケーソンショベル１００により掘削された土砂を円筒状のアースバケット３１に積み込む。地上遠隔操作室１３は、ケーソンショベル１００の作動を地上から遠隔操作する遠隔操作装置１２を備える。 The excavation equipment E1 includes, for example, an excavator 100 (hereinafter referred to as a caisson excavator 100), an automatic earth and sand loading device 11, and a ground remote control room 13. The caisson excavator 100 is installed in a work room 2 provided inside a cutting edge portion 7 provided at the bottom of the caisson 1. The earth and sand automatic loading device 11 loads the earth and sand excavated by the caisson excavator 100 into the cylindrical earth bucket 31. The ground remote control room 13 includes a remote control device 12 that remotely controls the operation of the caisson excavator 100 from the ground.

艤装設備Ｅ２は、例えば、マンシャフト２１と、マンロック２２（エアロック）と、マテリアルシャフト２３と、マテリアルロック２４（エアロック）とを備える。マンシャフト２１は、作業者が作業室２へ出入りするために地上と作業室２とを繋ぐ円筒状の通路であり、例えば、螺旋階段２５が設けられている。マンロック２２は、マンシャフト２１に設けられ地上の大気圧と作業室２内の圧力差を調節する二重扉構造の気密扉である。マテリアルシャフト２３は、土砂自動積込装置１１により土砂が積み込まれたアースバケット３１を地上に運び出すために地上と作業室２とを繋ぐ円筒状の通路である。マテリアルロック２４は、マテリアルシャフト２３と、材料等を搬出入するためのマテリアルシャフト２３に設けられた地上の大気圧と作業室２内の圧力差を調節する二重扉構造の気密扉である。マンロック２２およびマテリアルロック２４は、作業室２内の気圧が変化することを抑えて作業者やアースバケット３１を作業室２へ出入りさせることが可能になるように構成されている。 The fitting equipment E2 includes, for example, a man shaft 21, a man lock 22 (airlock), a material shaft 23, and a material lock 24 (airlock). The man shaft 21 is a cylindrical passage connecting the ground and the work room 2 for an operator to enter and exit the work room 2, and is provided with, for example, a spiral staircase 25. The man lock 22 is an airtight door having a double door structure provided on the man shaft 21 to adjust the atmospheric pressure on the ground and the pressure difference in the work room 2. The material shaft 23 is a cylindrical passage connecting the ground and the work room 2 in order to carry the earth bucket 31 on which the earth and sand are loaded by the earth and sand automatic loading device 11 to the ground. The material lock 24 is an airtight door having a double door structure that adjusts the atmospheric pressure on the ground and the pressure difference in the work room 2 provided on the material shaft 23 and the material shaft 23 for carrying in and out materials. The man lock 22 and the material lock 24 are configured so that the worker and the earth bucket 31 can move in and out of the work room 2 by suppressing the change in the air pressure in the work room 2.

排土設備Ｅ３は、例えば、アースバケット３１と、キャリア装置３２と、土砂ホッパー３３とを備える。アースバケット３１は、ケーソンショベル１００により掘削された土砂が積み込まれる有底円筒状の筒容器である。キャリア装置３２は、アースバケット３１を、マテリアルシャフト２３を介して地上まで引き上げて運び出す装置である。土砂ホッパー３３は、アースバケット３１及びキャリア装置３２により地上に運び出された土砂を一時的に貯めておく設備である。 The soil removal equipment E3 includes, for example, an earth bucket 31, a carrier device 32, and a soil hopper 33. The earth bucket 31 is a bottomed cylindrical tubular container on which earth and sand excavated by the caisson excavator 100 are loaded. The carrier device 32 is a device that pulls up the earth bucket 31 to the ground via the material shaft 23 and carries it out. The earth and sand hopper 33 is a facility for temporarily storing the earth and sand carried to the ground by the earth bucket 31 and the carrier device 32.

送気設備Ｅ４は、例えば、空気圧縮機４２と、空気清浄装置４３と、送気圧力調整装置４４と、自動減圧装置４５とを備える。空気圧縮機４２は、送気管４１及びケーソン１に形成された送気路３を介して作業室２内に圧縮空気を送る装置である。空気清浄装置４３は、空気圧縮機４２により送り込む圧縮空気を浄化する装置である。送気圧力調整装置４４は、作業室２内の気圧が地下水圧と等しくなるように空気圧縮機４２から作業室２内へ送る圧縮空気の量（圧力）を調整する装置である。自動減圧装置４５は、マンロック２２内の気圧を減圧する装置である。 The air supply equipment E4 includes, for example, an air compressor 42, an air purifier 43, an air supply pressure adjusting device 44, and an automatic depressurizing device 45. The air compressor 42 is a device that sends compressed air into the working room 2 through the air supply passage 3 formed in the air supply pipe 41 and the caisson 1. The air purifying device 43 is a device that purifies the compressed air sent by the air compressor 42. The air supply pressure adjusting device 44 is a device that adjusts the amount (pressure) of the compressed air sent from the air compressor 42 into the working room 2 so that the air pressure in the working room 2 becomes equal to the groundwater pressure. The automatic decompression device 45 is a device that decompresses the air pressure in the man lock 22.

予備・安全設備Ｅ５は、例えば、非常用空気圧縮機５１と、ホスピタルロック５３とを備える。非常用空気圧縮機５１は、空気圧縮機４２の故障又は点検などの時に空気圧縮機４２に代わって作業室２内に圧縮空気を送ることが可能な装置である。ホスピタルロック５３は、作業室２内で作業を行った作業者が入り、当該作業者の身体を徐々に大気圧に慣らしていくための減圧室である。 The spare / safety equipment E5 includes, for example, an emergency air compressor 51 and a hospital lock 53. The emergency air compressor 51 is a device capable of sending compressed air into the work room 2 in place of the air compressor 42 when the air compressor 42 fails or is inspected. The hospital lock 53 is a decompression chamber for a worker who has worked in the work room 2 to enter and gradually acclimatize the worker's body to atmospheric pressure.

次に、本発明における刃口部７について、図２を用いて説明する。刃口部７は、ケーソン１の下端部の備えられるものである。刃口部７は、図２に示すように、ケーソン沈下時に地盤８に貫入する部位であり、概ね円筒状に形成されている。刃口部７の内周面７１は、刃口部先端７２から上方に向かうほどケーソン１の中心側に近づくように傾斜したテーパー状に形成されている。詳しくは、刃口部７の最下端部における内周面７１の傾斜角は、その上側の内周面７１における上述した傾斜角よりも大きくなるように設定されている。 Next, the cutting edge portion 7 in the present invention will be described with reference to FIG. The blade edge portion 7 is provided with a lower end portion of the caisson 1. As shown in FIG. 2, the blade edge portion 7 is a portion that penetrates into the ground 8 when the caisson sinks, and is formed in a substantially cylindrical shape. The inner peripheral surface 71 of the cutting edge portion 7 is formed in a tapered shape that is inclined so as to approach the center side of the caisson 1 toward the upper side from the cutting edge portion tip 72. Specifically, the inclination angle of the inner peripheral surface 71 at the lowermost end portion of the cutting edge portion 7 is set to be larger than the above-mentioned inclination angle of the inner peripheral surface 71 above the inner peripheral surface 71.

ここで、ケーソン沈設施工の際に、刃口部７は、図２に示すように、掘り残し土８０に貫入する。掘り残し土８０は、刃口部７に掛かる地盤反力を弱めてケーソン１の沈降を制限する目的で刃口部７近傍に設ける土砂の掘り残しである。掘り残し土８０が内周面７１に達しているときには内周面７１が地盤反力を受けるため、ケーソン１の沈降を抑えることができる。特に軟弱地盤においては、掘り残し土８０を大きくすることにより刃口部７が受ける地盤反力を低減させることにより、ケーソン１の沈降を抑えることができる。また、刃口境界部７０は、刃口部７の内周面７１のうちの作業室２に露出している部分と内周面７１のうちの掘り残し土８０内に貫入している部分との境界である。刃口境界部７０を判定することにより、掘り残し土幅８１の算出が可能となる。また、刃口境界部７０から、刃口部先端７２までの高さＨが刃口深度となる。 Here, at the time of caisson subsidence construction, the cutting edge portion 7 penetrates into the undigged soil 80 as shown in FIG. The leftover soil 80 is leftover soil provided in the vicinity of the cutting edge 7 for the purpose of weakening the ground reaction force applied to the cutting edge 7 and limiting the subsidence of the caisson 1. When the undigged soil 80 reaches the inner peripheral surface 71, the inner peripheral surface 71 receives the ground reaction force, so that the subsidence of the caisson 1 can be suppressed. Especially in soft ground, the sedimentation of the caisson 1 can be suppressed by reducing the ground reaction force received by the cutting edge portion 7 by enlarging the undigged soil 80. Further, the blade edge boundary portion 70 includes a portion of the inner peripheral surface 71 of the blade edge portion 7 that is exposed to the work chamber 2 and a portion of the inner peripheral surface 71 that penetrates into the undigged soil 80. It is the boundary of. By determining the blade edge boundary portion 70, it is possible to calculate the undigged soil width 81. Further, the height H from the blade edge boundary portion 70 to the blade edge portion tip 72 is the blade edge depth.

次に、本発明に係るケーソンショベル１００について図３～図４を用いて説明する。ケーソンショベル１００は、図３に示すように、例えば、走行体１１０と、ブーム１３０と、バケットアタッチメント１５０とを備える。走行体１１０は、作業室２の天井部に設けられた左右一対の走行レール４に取り付けられ、左右の走行レール４に懸下された状態で走行レール４に沿って走行移動する。ブーム１３０は、走行体１１０の旋回フレーム１２１に上下方向に揺動可能に枢結される。バケットアタッチメント１５０は、ブーム１３０の先端部に取り付けられる。 Next, the caisson excavator 100 according to the present invention will be described with reference to FIGS. 3 to 4. As shown in FIG. 3, the caisson excavator 100 includes, for example, a traveling body 110, a boom 130, and a bucket attachment 150. The traveling body 110 is attached to a pair of left and right traveling rails 4 provided on the ceiling of the work room 2, and travels along the traveling rails 4 while being suspended from the left and right traveling rails 4. The boom 130 is pivotally connected to the turning frame 121 of the traveling body 110 so as to be swingable in the vertical direction. The bucket attachment 150 is attached to the tip of the boom 130.

走行体１１０は、走行フレーム１１１と、旋回フレーム１２１と、走行ローラ１１３とを備える。旋回フレーム１２１は、走行フレーム１１１の下面側に旋回自在に設けられる。走行ローラ１１３は、走行フレーム１１１の上面側前後に、設けられている前後左右の４個のローラである。走行体１１０は、前後左右の走行ローラ１１３を回転駆動させて左右の走行レール４に沿って走行移動するように構成されている。 The traveling body 110 includes a traveling frame 111, a turning frame 121, and a traveling roller 113. The swivel frame 121 is provided on the lower surface side of the traveling frame 111 so as to be swivelable. The traveling roller 113 is four rollers on the front, rear, left, and right provided on the front and rear on the upper surface side of the traveling frame 111. The traveling body 110 is configured to rotate and drive the traveling rollers 113 in the front-rear and left-right directions to travel along the left and right traveling rails 4.

ブーム１３０は、例えば、基端ブーム１３１と、先端ブーム１３２と、伸縮シリンダ１３３と、起伏シリンダ１３４とを備える。基端ブーム１３１は、旋回フレーム１２１に起伏自在又は上下方向に揺動自在に取り付けられる。先端ブーム１３２は、基端ブーム１３１に入れ子式に組み合わされ、構成される。伸縮シリンダ１３３は、基端ブーム１３１内に設けられている。起伏シリンダ１３４は、基端ブーム１３１の左右に２個設けられている。ブーム１３０は、伸縮シリンダ１３３を伸縮させると、基端ブーム１３１に対して先端ブーム１３２が長手方向に移動し、これによりブーム１３０が伸縮するように構成されている。２個の起伏シリンダ１３４の基端部は基端ブーム１３１の左右側部にそれぞれ回動自在に取り付けられている。 The boom 130 includes, for example, a base end boom 131, a tip end boom 132, a telescopic cylinder 133, and an undulating cylinder 134. The base end boom 131 is attached to the swivel frame 121 so as to be undulating or swingable in the vertical direction. The tip boom 132 is nested and configured with the proximal boom 131. The telescopic cylinder 133 is provided in the base end boom 131. Two undulating cylinders 134 are provided on the left and right sides of the base end boom 131. The boom 130 is configured such that when the telescopic cylinder 133 is expanded and contracted, the tip boom 132 moves in the longitudinal direction with respect to the proximal boom 131, whereby the boom 130 expands and contracts. The base ends of the two undulating cylinders 134 are rotatably attached to the left and right sides of the base end boom 131, respectively.

バケットアタッチメント１５０は、ベース部材１５１と、バケット１５２と、バケットシリンダ１５３とを備える。ベース部材１５１は、先端ブーム１３２に取り付けられる。バケット１５２は、ベース部材１５１の先端部に上下揺動自在に取り付けられる。バケットシリンダ１５３は、ベース部材１５１に対してバケット１５２を上下揺動させるように構成される。 The bucket attachment 150 includes a base member 151, a bucket 152, and a bucket cylinder 153. The base member 151 is attached to the tip boom 132. The bucket 152 is attached to the tip of the base member 151 so as to be swingable up and down. The bucket cylinder 153 is configured to swing the bucket 152 up and down with respect to the base member 151.

コントロールユニット１６５は、図４に示すように、メインコントローラ１６５ａと、走行体用コントローラ１６５ｂと、ブーム・バケット用コントローラ１６５ｃとを備える。また、コントロールユニット１６５は、ケーソンショベル１００と、遠隔操作装置１２と接続されていてもよい。コントロールユニット１６５は、遠隔操作装置１２に内蔵されていてもよい。メインコントローラ１６５ａは、走行体用コントローラ１６５ｂと、ブーム・バケット用コントローラ１６５ｃとに接続され、遠隔操作装置１２からの操作信号を受けて、その操作信号に応じた駆動制御信号を走行体用コントローラ１６５ｂと、ブーム・バケット用コントローラ１６５ｃとに出力する。走行体用コントローラ１６５ｂは、メインコントローラ１６５ａから出力された駆動制御信号に応じて、走行体１１０を駆動させるように構成されている。メインコントローラ１６５ａおよび走行体用コントローラ１６５ｂは、走行体１１０の旋回フレーム１２１に配設されている。ブーム・バケット用コントローラ１６５ｃは、メインコントローラ１６５ａから出力された駆動制御信号に応じて、ブーム１３０及びバケットアタッチメント１５０を駆動させるように構成されている。ブーム・バケット用コントローラ１６５ｃは、ブーム１３０の基端ブーム１３１の側部に配設されている。 As shown in FIG. 4, the control unit 165 includes a main controller 165a, a traveling body controller 165b, and a boom / bucket controller 165c. Further, the control unit 165 may be connected to the caisson excavator 100 and the remote control device 12. The control unit 165 may be built in the remote control device 12. The main controller 165a is connected to the traveling body controller 165b and the boom / bucket controller 165c, receives an operation signal from the remote control device 12, and outputs a drive control signal corresponding to the operation signal to the traveling body controller 165b. And output to the boom bucket controller 165c. The vehicle controller 165b is configured to drive the vehicle 110 in response to a drive control signal output from the main controller 165a. The main controller 165a and the traveling body controller 165b are arranged on the turning frame 121 of the traveling body 110. The boom / bucket controller 165c is configured to drive the boom 130 and the bucket attachment 150 in response to the drive control signal output from the main controller 165a. The boom bucket controller 165c is arranged on the side of the base end boom 131 of the boom 130.

ケーソンショベル１００は、図４に示すように、走行***置センサ２０１と、旋回角度センサ２０２と、ブーム起伏角度センサ２０３と、ブーム伸長量センサ２０４と、バケット揺動角度センサ２０５と、外界センサ２０６とを備える。走行***置センサ２０１は、走行体１１０が走行レール４の何処の位置に位置しているかを検出する。旋回角度センサ２０２は、走行フレーム１１１に対する旋回フレーム１２１の旋回角度を検出する。ブーム起伏角度センサ２０３は、旋回フレーム１２１に対するブーム１３０の起伏角度を検出する。ブーム伸長量センサ２０４は、ブーム１３０の伸長量を検出する。バケット揺動角度センサ２０５は、ブーム１３０又はバケットアタッチメント１５０のベース部材１５１に対するバケット１５２の揺動角度を検出する。外界センサ２０６は、走行体１１０に設けられて作業室２内の掘削地面までの距離、地面の形状などの情報を取得する。また、ケーソンショベル１００は、遠隔操作装置１２と、コントロールユニット１６５と通信を行い、各センサ２０１～２０６で得たデータを、遠隔操作装置１２と、コントロールユニット１６５とに送信してもよい。 As shown in FIG. 4, the cason excavator 100 includes a traveling body position sensor 201, a turning angle sensor 202, a boom undulation angle sensor 203, a boom extension amount sensor 204, a bucket swing angle sensor 205, and an outside world sensor 206. And prepare. The traveling body position sensor 201 detects the position of the traveling body 110 on the traveling rail 4. The turning angle sensor 202 detects the turning angle of the turning frame 121 with respect to the traveling frame 111. The boom undulation angle sensor 203 detects the undulation angle of the boom 130 with respect to the swivel frame 121. The boom extension amount sensor 204 detects the extension amount of the boom 130. The bucket swing angle sensor 205 detects the swing angle of the bucket 152 with respect to the base member 151 of the boom 130 or the bucket attachment 150. The outside world sensor 206 is provided on the traveling body 110 and acquires information such as the distance to the excavated ground in the work room 2 and the shape of the ground. Further, the caisson excavator 100 may communicate with the remote control device 12 and the control unit 165, and transmit the data obtained by the sensors 201 to 206 to the remote control device 12 and the control unit 165.

走行***置センサ２０１は、例えば、走行体１１０の走行フレーム１１１に配設されたレーザセンサによって構成される。走行***置センサ２０１は、レーザ光を走行レール４の端部又は作業室２の壁部に向けて照射して走行レール４の端部又は作業室２の壁部において反射して戻ってくるまでの時間を測定する。走行***置センサ２０１は、この時間に基づいて走行レール４の端部又は作業室２の壁部から走行体１１０までの距離を検出する。旋回角度センサ２０２は、例えば、走行体１１０の旋回フレーム１２１に配設された光学式のロータリーエンコーダによって構成される。旋回角度センサ２０２は、走行フレーム１１１に対する旋回フレーム１２１の旋回量を電気信号に変換する。旋回角度センサ２０２は、その信号を演算処理して旋回フレーム１２１の旋回方向及び位置を含める旋回角度を検出する。なお、走行***置センサ２０１及び旋回角度センサ２０２は一例を説明したもので、走行体１１０の二次元的な位置を検出する他のセンサ、旋回フレーム１２１の旋回角度を検出する他のセンサをそれぞれ用いてもよい。 The traveling body position sensor 201 is composed of, for example, a laser sensor arranged on the traveling frame 111 of the traveling body 110. The traveling body position sensor 201 irradiates the laser beam toward the end of the traveling rail 4 or the wall of the working room 2 until it is reflected at the end of the traveling rail 4 or the wall of the working room 2 and returns. Measure the time of. The traveling body position sensor 201 detects the distance from the end portion of the traveling rail 4 or the wall portion of the work room 2 to the traveling body 110 based on this time. The turning angle sensor 202 is composed of, for example, an optical rotary encoder arranged on the turning frame 121 of the traveling body 110. The turning angle sensor 202 converts the turning amount of the turning frame 121 with respect to the traveling frame 111 into an electric signal. The turning angle sensor 202 calculates and processes the signal to detect a turning angle including the turning direction and position of the turning frame 121. The traveling body position sensor 201 and the turning angle sensor 202 have been described as an example, and other sensors for detecting the two-dimensional position of the traveling body 110 and other sensors for detecting the turning angle of the turning frame 121 are used respectively. You may use it.

ブーム起伏角度センサ２０３は、例えば、起伏シリンダ１３４のシリンダボトムの側部に配設されたレーザセンサによって構成される。ブーム起伏角度センサ２０３は、レーザ光を旋回フレーム１２１に向けて照射して旋回フレーム１２１において反射して戻ってくるまでの時間を測定する。ブーム起伏角度センサ２０３は、この時間に基づいて起伏シリンダ１３４の伸長量を検出し、その起伏シリンダ１３４の伸長量に基づいて旋回フレーム１２１に対するブーム１３０の起伏角度又は起伏位置を検出する。ブーム起伏角度センサ２０３も一例を説明したものであり、光学式ロータリーエンコーダ、ポテンショメータなどによりブーム１３０の起伏角を直接検出する他のセンサを用いてもよい。 The boom undulation angle sensor 203 is composed of, for example, a laser sensor arranged on the side of the cylinder bottom of the undulation cylinder 134. The boom undulation angle sensor 203 irradiates the laser beam toward the swivel frame 121 and measures the time until the laser beam is reflected by the swivel frame 121 and returned. The boom undulation angle sensor 203 detects the extension amount of the undulation cylinder 134 based on this time, and detects the undulation angle or the undulation position of the boom 130 with respect to the swivel frame 121 based on the extension amount of the undulation cylinder 134. The boom undulation angle sensor 203 also describes an example, and another sensor that directly detects the undulation angle of the boom 130 by an optical rotary encoder, a potentiometer, or the like may be used.

ブーム伸長量センサ２０４は、例えば、ブーム１３０の基端ブーム１３１に配設されたレーザセンサによって構成される。ブーム伸長量センサ２０４は、レーザ光を先端ブーム１３２の先端部に取り付けられたバケットアタッチメント１５０のベース部材１５１に向けて照射してベース部材１５１において反射して戻ってくるまでの時間を測定する。ブーム伸長量センサ２０４は、この時間に基づいて、ブーム１３０の伸長量として基端ブーム１３１に対する先端ブーム１３２の伸長量を検出する。ブーム伸長量センサ２０４も一例を説明したものであり、ブーム伸縮と共に伸縮するケーブルの伸長量を直接測定する他のセンサを用いてもよい。 The boom extension amount sensor 204 is composed of, for example, a laser sensor disposed on the base end boom 131 of the boom 130. The boom extension amount sensor 204 irradiates a laser beam toward the base member 151 of the bucket attachment 150 attached to the tip of the tip boom 132, and measures the time until the laser beam is reflected by the base member 151 and returned. Based on this time, the boom extension amount sensor 204 detects the extension amount of the tip boom 132 with respect to the proximal boom 131 as the extension amount of the boom 130. The boom extension amount sensor 204 also describes an example, and another sensor that directly measures the extension amount of the cable that expands and contracts with the expansion and contraction of the boom may be used.

バケット揺動角度センサ２０５は、例えば、バケットシリンダ１５３の油路に配設された流量センサによって構成される。バケット揺動角度センサ２０５は、バケットシリンダ１５３に供給される作動油の流量を検出し、その流量の積分値を算出する。バケット揺動角度センサ２０５は、この流量積分値に基づいてバケットシリンダ１５３のピストンロッドの伸長量を求め、そのバケットシリンダ１５３の伸長量に基づいて、バケットアタッチメント１５０のベース部材１５１又はブーム１３０に対するバケット１５２の揺動角度又は揺動位置を検出する。バケット揺動角度センサ２０５も一例を説明したものであり、光学式ロータリーエンコーダ、ポテンショメータなどによりバケット１５２の揺動角度を直接検出他のセンサや、レーザセンサによりバケットシリンダ１５３の伸長量を求める他のセンサを用いてもよい。 The bucket swing angle sensor 205 is composed of, for example, a flow rate sensor arranged in an oil passage of the bucket cylinder 153. The bucket swing angle sensor 205 detects the flow rate of the hydraulic oil supplied to the bucket cylinder 153 and calculates the integrated value of the flow rate. The bucket swing angle sensor 205 obtains the extension amount of the piston rod of the bucket cylinder 153 based on this flow integral value, and based on the extension amount of the bucket cylinder 153, the bucket with respect to the base member 151 or the boom 130 of the bucket attachment 150. The swing angle or swing position of 152 is detected. The bucket swing angle sensor 205 is also an example, and the swing angle of the bucket 152 is directly detected by an optical rotary encoder, a potentiometer, or the like, or another sensor that obtains the extension amount of the bucket cylinder 153 by a laser sensor. A sensor may be used.

外界センサ２０６は、例えば、走行体１１０の旋回フレーム１２１に配設されたＲＧＢ－Ｄセンサによって構成される。外界センサ２０６は、掘削地面のＲＧＢ画像又はカラー画像、及び距離画像又は点群データを取得し、それらの画像に基づいて掘削地面までの距離情報、掘削地面の形状情報を取得する。外界センサ２０６は、ＲＧＢ－Ｄセンサの他の例として、ステレオカメラや超音波距離計、レーザセンサなどを用いてもよい。 The outside world sensor 206 is composed of, for example, an RGB-D sensor arranged on the turning frame 121 of the traveling body 110. The outside world sensor 206 acquires an RGB image or a color image of the excavated ground, a distance image or a point cloud data, and acquires distance information to the excavated ground and shape information of the excavated ground based on these images. As another example of the RGB-D sensor, the external world sensor 206 may use a stereo camera, an ultrasonic rangefinder, a laser sensor, or the like.

走行***置センサ２０１、旋回角度センサ２０２、ブーム起伏角度センサ２０３、ブーム伸長量センサ２０４、バケット揺動角度センサ２０５及び外界センサ２０６により検出されたそれぞれの情報は、コントロールユニット１６５のメインコントローラ１６５ａに送信される。メインコントローラ１６５ａは、走行***置測定部２１１と、バケット位置測定部２１２と、地盤形状測定部２１３とを備える。 Information detected by the traveling body position sensor 201, the turning angle sensor 202, the boom undulation angle sensor 203, the boom extension amount sensor 204, the bucket swing angle sensor 205, and the outside world sensor 206 is transmitted to the main controller 165a of the control unit 165. Will be sent. The main controller 165a includes a traveling body position measuring unit 211, a bucket position measuring unit 212, and a ground shape measuring unit 213.

走行***置測定部２１１は、走行***置センサ２０１により検出された走行レール４の端部又は作業室２の壁部から走行体１１０までの距離情報と、当該走行レール４が作業室２内の何処の位置に設けられた走行レールであるかという情報とを用いて、走行体１１０が作業室２内のどこに位置しているかを算出する。また、走行レール４が作業室２内の何処の位置に設けられた走行レールであるかという情報は、走行体１１０が取り付けられた走行レール４の情報であり、走行体１１０が取り付けられたときに走行***置測定部２１１に設定されてもよい。また、走行***置センサ２０１による距離情報の検出を周囲複数箇所に対して検出することにより、走行体１１０の天井内における二次元的な位置又は走行体１１０の向きを含む位置を検出してもよい。 The traveling body position measuring unit 211 includes distance information from the end portion of the traveling rail 4 or the wall portion of the working room 2 to the traveling body 110 detected by the traveling body position sensor 201, and the traveling body position 4 is in the working room 2. It is calculated where the traveling body 110 is located in the work room 2 by using the information of the traveling rail provided at which position. Further, the information on the position of the traveling rail 4 in the work room 2 is the information of the traveling rail 4 to which the traveling body 110 is attached, and when the traveling body 110 is attached. It may be set in the traveling body position measuring unit 211. Further, even if the detection of the distance information by the traveling body position sensor 201 is detected for a plurality of surrounding locations, a two-dimensional position in the ceiling of the traveling body 110 or a position including the direction of the traveling body 110 can be detected. good.

バケット位置測定部２１２は、旋回角度センサ２０２により検出された走行フレーム１１１に対する旋回フレーム１２１の旋回方向及び位置を含める旋回角度と、ブーム起伏角度センサ２０３により検出された旋回フレーム１２１に対するブーム１３０の起伏角度又は起伏位置と、ブーム伸長量センサ２０４により検出されたブーム１３０の伸長量と、バケット揺動角度センサ２０５により検出されたブーム１３０に対するバケット１５２の揺動角度又は揺動位置とを用いて、走行体１１０の走行フレーム１１１に対するバケット１５２の位置を算出する。 The bucket position measuring unit 212 includes a turning angle including the turning direction and position of the turning frame 121 with respect to the traveling frame 111 detected by the turning angle sensor 202, and the undulation of the boom 130 with respect to the turning frame 121 detected by the boom undulating angle sensor 203. Using the angle or undulation position, the extension amount of the boom 130 detected by the boom extension amount sensor 204, and the swing angle or swing position of the bucket 152 with respect to the boom 130 detected by the bucket swing angle sensor 205, The position of the bucket 152 with respect to the traveling frame 111 of the traveling body 110 is calculated.

地盤形状測定部２１３は、走行***置測定部２１１により求められた作業室２内における走行体１１０の位置と、旋回角度センサ２０２により検出された走行フレーム１１１に対する旋回フレーム１２１の旋回方向および位置を含める旋回角度とを用いて、旋回フレーム１２１に設けられた外界センサ２０６の位置と、外界センサ２０６により距離情報を取得する方向と、外界センサ２０６により取得した距離情報を用いて、掘削地面の位置とを算出する。また、地盤形状測定部２１３は、掘り残し土８０の形状を算出してもよい。掘り残し土８０の形状とは、掘り残し土法面８２と形状と、掘り残し土８０が内周面７１に接する面の水平面での形状との両方を含む。 The ground shape measuring unit 213 determines the position of the traveling body 110 in the work room 2 determined by the traveling body position measuring unit 211, and the turning direction and position of the turning frame 121 with respect to the traveling frame 111 detected by the turning angle sensor 202. Using the included turning angle, the position of the outside world sensor 206 provided on the turning frame 121, the direction in which the distance information is acquired by the outside world sensor 206, and the position of the excavated ground using the distance information acquired by the outside world sensor 206. And calculate. Further, the ground shape measuring unit 213 may calculate the shape of the undigged soil 80. The shape of the leftover soil 80 includes both the shape of the leftover soil slope 82 and the shape of the surface of the leftover soil 80 in contact with the inner peripheral surface 71 in the horizontal plane.

また、ケーソン１は、ケーソン１の各種状態を示す躯体情報を計測する計測装置９を備える。 Further, the caisson 1 includes a measuring device 9 for measuring skeleton information indicating various states of the caisson 1.

躯体情報は、ケーソン１の位置、ケーソン１の速度、ケーソン１の加速度、ケーソン１の姿勢、ケーソン１の変形量等である。ケーソン１の位置は、目標となる座標とのズレを示すものであり、基準座標（ｘ，ｙ，ｚ）－誤差（ｘ，ｙ，ｚ）で表される。躯体姿勢は、図５のようにケーソン１の傾きθ等を表しており、躯体の４隅のｚ座標の差分値で表示してもよいし、ｘ軸方向、ｙ軸方向、ｚ軸方向の傾き角を介して表示してもよい。また、躯体情報には、刃口深度、函内地形情報、相対的地盤情報、ケーソン情報、固定的地盤情報及び函内圧力が含まれてもよい。 The skeleton information is the position of the caisson 1, the velocity of the caisson 1, the acceleration of the caisson 1, the posture of the caisson 1, the amount of deformation of the caisson 1, and the like. The position of the caisson 1 indicates a deviation from the target coordinates, and is represented by the reference coordinates (x, y, z) -error (x, y, z). The skeleton posture represents the inclination θ of the caisson 1 as shown in FIG. 5, and may be displayed by the difference value of the z-coordinates at the four corners of the skeleton, or may be displayed in the x-axis direction, the y-axis direction, and the z-axis direction. It may be displayed via the tilt angle. Further, the skeleton information may include blade edge depth, box topographic information, relative ground information, caisson information, fixed ground information, and box pressure.

函内地形情報は、函内地形であり、例えば掘り残し土の量や位置に応じて定量化される情報である。この函内地形情報は、函内の地盤を等間隔な格子で区切った場合に、各格子点の基準面からの高さを表したデータ等で表示するようにしてもよい。 The Hakouchi topography information is the Hakouchi topography, and is information that is quantified according to, for example, the amount and position of undigged soil. This Hakouchi topographical information may be displayed as data showing the height of each grid point from the reference plane when the ground in Hakouchi is divided by grids at equal intervals.

相対的地盤情報は、ケーソン１の受圧面積、開口率、周辺摩擦力、刃口反力、周囲地盤状況、周囲構造物状態等である。受圧面積は、食込刃口面積＋未掘削面積＋仮受材面積で表示される。開口率は、掘削済面積[ｍ２]/躯体底面積[ｍ２]で表される。また、受圧面積に基づいて刃口部７が、接している地面から受ける刃口反力を算出してもよい。周囲構造物状態は、ケーソン１の周囲にある構造物の位置や距離等の情報である。 The relative ground information includes the pressure receiving area of the caisson 1, the aperture ratio, the peripheral frictional force, the blade edge reaction force, the surrounding ground condition, the surrounding structure state, and the like. The pressure receiving area is displayed as the biting blade edge area + unexcavated area + temporary receiving material area. The aperture ratio is expressed by the excavated area [m 2 ] / skeleton bottom area [m 2 ]. Further, the blade edge reaction force received by the blade edge portion 7 from the ground in contact with the blade edge portion 7 may be calculated based on the pressure receiving area. The surrounding structure state is information such as the position and distance of the structure around the caisson 1.

函内圧力は、作業室２内の圧力である。ケーソン情報は、ケーソン１の寸法、底面積、形状、重量等の情報が含まれる。固定的地盤情報は、掘削対象としている地盤８の地質や地下水位等の情報が含まれる。 The pressure inside the box is the pressure inside the work room 2. The caisson information includes information such as dimensions, bottom area, shape, and weight of the caisson 1. The fixed ground information includes information such as the geology and groundwater level of the ground 8 to be excavated.

なお、上述した躯体情報は、函内地形情報、相対的地盤情報、函内圧力、ケーソン情報、固定的地盤情報の例に限定されるものではなく、概念的にこれらに含まれるいかなるパラメータも含まれる。そして、計測装置９は、これら各種情報を検出する上で必要ないかなるセンサやデバイス等の計測手段により具現化される。躯体情報は、常に固定的なものではなく、ケーソン１による掘削の進展に応じて変動、更新される可能性のある情報である。このため、これら躯体情報は、計測装置９を介して随時取得され、更新されることになる。計測装置９は、計測した躯体情報を遠隔操作装置１２に出力する。 The above-mentioned skeleton information is not limited to the examples of Hakouchi topographic information, relative ground information, Hakouchi pressure, caisson information, and fixed ground information, but conceptually includes any parameters included in these. Is done. The measuring device 9 is embodied by any measuring means such as a sensor or a device necessary for detecting these various types of information. The skeleton information is not always fixed, but is information that may be changed and updated according to the progress of excavation by the caisson 1. Therefore, these skeleton information will be acquired and updated at any time via the measuring device 9. The measuring device 9 outputs the measured skeleton information to the remote control device 12.

〈第１実施形態〉
以下、本発明の第１実施形態について図面を参照しながら説明する。図６は、本発明の第１実施形態を適用したケーソンの状態予測システム６の全体構成を示すブロック図である。状態予測システム６は、ケーソン１の躯体の次時点における各種状態を予測する。状態予測システム６は、上述した計測装置９と、計測装置９に接続された探索部１４を備えている。 <First Embodiment>
Hereinafter, the first embodiment of the present invention will be described with reference to the drawings. FIG. 6 is a block diagram showing an overall configuration of a caisson state prediction system 6 to which the first embodiment of the present invention is applied. The state prediction system 6 predicts various states at the next time point of the caisson 1 skeleton. The state prediction system 6 includes the above-mentioned measuring device 9 and a search unit 14 connected to the measuring device 9.

探索部１４は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。また、探索部１４は、予測モデルを記憶したサーバ等に接続されていてもよい。また、探索部１４は、自己回帰モデルを記憶したデータベース等を内蔵してもよい。計測装置９から入力されたデータに基づいて、探索部１４は、次時点における躯体情報を予測してもよい。また、探索部１４は、遠隔操作装置１２に内蔵されていてもよい。 The search unit 14 is composed of, for example, an electronic device such as a personal computer (PC), but is embodied in any other electronic device such as a mobile phone, a smartphone, a tablet terminal, a wearable terminal, etc., in addition to the PC. It may be the one to be converted. Further, the search unit 14 may be connected to a server or the like that stores the prediction model. Further, the search unit 14 may include a database or the like that stores the autoregressive model. Based on the data input from the measuring device 9, the search unit 14 may predict the skeleton information at the next time point. Further, the search unit 14 may be built in the remote control device 12.

探索部１４は、予測モデルを用いて、計測装置９により取得した連続した２以上の各時点における躯体情報を入力とし、次時点における前記躯体情報を出力する。 Using the prediction model, the search unit 14 inputs the skeleton information at each of two or more consecutive time points acquired by the measuring device 9, and outputs the skeleton information at the next time point.

次に、本発明の第１実施形態を適用した状態予測システム６の動作について説明をする。図７に示すようにステップＳ１１において、計測装置９は、各種センサを用いて、連続した２以上の各時点におけるケーソン躯体の各種状態を示す躯体情報を取得する。計測装置９は、取得した躯体情報を探索部１４に出力する。 Next, the operation of the state prediction system 6 to which the first embodiment of the present invention is applied will be described. As shown in FIG. 7, in step S11, the measuring device 9 uses various sensors to acquire skeleton information indicating various states of the caisson skeleton at each of two or more consecutive time points. The measuring device 9 outputs the acquired skeleton information to the search unit 14.

連続した２以上の時点とは、例えばある時点がｔで表されるとすると、時点ｔに連続する時点はｔ＋１で表され、さらに時点ｔ＋１に連続する時点はｔ＋２で表される。上述したように、等間隔に並んだ２つ以上の時点を連続した２以上の時点とする。また、連続した２以上の時点の中で最も後の時点に連続する次時点は、例えば図８のように、時点ｔ、ｔ＋１という連続した２以上の時点の中で最も後の時点ｔ＋１に連続する時点ｔ＋２のことを指す。また、時点毎の間隔は任意の時間を設定してもよい。例えば時点間の間隔を１０分、又は１０秒に設定してもよいが、この限りではない。また、連続した２以上の時点の躯体情報を用いて、次時点における躯体情報を求めることが好ましいが、この限りではなく、等間隔ではない複数の時点における躯体情報を用いてもよい。 For example, if a certain time point is represented by t, the two or more consecutive time points are represented by t + 1, and the time point continuous to the time point t + 1 is represented by t + 2. As described above, two or more time points arranged at equal intervals are defined as two or more consecutive time points. Further, the next time point continuous to the latest time point among two or more consecutive time points is continuous to the latest time point t + 1 among two or more consecutive time points such as time point t and t + 1, as shown in FIG. 8, for example. It refers to the time point t + 2. Further, the interval for each time point may be set to any time. For example, the interval between time points may be set to 10 minutes or 10 seconds, but this is not the case. Further, it is preferable to obtain the skeleton information at the next time point by using the skeleton information at two or more consecutive time points, but this is not limited to this, and the skeleton information at a plurality of time points that are not evenly spaced may be used.

次に、ステップＳ１２において、計測装置９から躯体情報を入力された探索部１４は、計測装置９により取得した連続した２以上の各時点における躯体情報を説明変数とし、躯体情報の探索のために、予測モデルを用いて次時点における躯体情報を予測する。 Next, in step S12, the search unit 14 in which the skeleton information is input from the measuring device 9 uses the skeleton information acquired by the measuring device 9 at each of two or more consecutive time points as an explanatory variable, and searches for the skeleton information. , Predict the skeleton information at the next time point using the prediction model.

予測モデルは、例えば連続した２以上の各時点における躯体情報を説明変数とし、連続した２以上の時点の中で最も後の時点に連続する次時点における躯体情報を目的変数として構成される、生成方法を限定しない学習モデルである。予測モデルは、例えば機械学習によって生成される機械学習モデルや非線形力学系によって生成される非線形力学系モデルであってもよい。 In the prediction model, for example, the skeleton information at each of two or more consecutive time points is used as an explanatory variable, and the skeleton information at the next time point continuous to the latest time point among the two or more consecutive time points is used as an objective variable. It is a learning model that does not limit the method. The prediction model may be, for example, a machine learning model generated by machine learning or a nonlinear dynamical system model generated by a nonlinear dynamical system.

非線形力学系モデルは、例えばＥＤＭ（Empirical Dynamic Modeling）の非線形モデリング手法で生成される学習モデルである。ＥＤＭ（Empirical Dynamic Modeling）は、例えばSimplex Projection、S-Map、Multi-view Embeddingを含めるモデリング手法である。 The nonlinear dynamical system model is, for example, a learning model generated by a nonlinear modeling method of EDM (Empirical Dynamic Modeling). EDM (Empirical Dynamic Modeling) is a modeling method that includes, for example, Simplex Projection, S-Map, and Multi-view Embedding.

機械学習モデルは、例えば回帰手法によって生成された回帰モデルや、Deep Learning等によって生成されたDeep Learningモデルを含める。 The machine learning model includes, for example, a regression model generated by a regression method, a deep learning model generated by deep learning, or the like.

回帰モデルは、例えば連続した２以上の各時点における躯体情報を説明変数とし、連続した２以上の時点の中で最も後の時点に連続する次時点における躯体情報を目的変数として、説明変数が目的変数の過去の変数となるような学習モデルである。回帰モデルは、線形回帰、リッジ回帰、ラッソ回帰、ガウス過程回帰によって生成されてもよい。また、回帰モデルは、自己回帰モデル（Auto Regression）を含める。自己回帰モデルは、例えばＶＡＲ（Vector Autoregression）、ＡＲＭＡ（autoregressive moving average model）、ＡＲＩＭＡ（Autoregressive Integrated Moving Average）であってもよい。 In the regression model, for example, the skeleton information at each of two or more consecutive time points is used as an explanatory variable, and the skeleton information at the next time point that is continuous to the latest time point among the two or more consecutive time points is used as the objective variable. It is a learning model that becomes a variable in the past. Regression models may be generated by linear regression, ridge regression, lasso regression, Gaussian process regression. In addition, the regression model includes an autoregression model (Auto Regression). The autoregressive model may be, for example, VAR (Vector Autoregression), ARMA (autoregressive moving average model), ARIMA (Autoregressive Integrated Moving Average).

本発明の第１実施形態では、自己回帰モデルを用いた場合を説明する。自己回帰モデルは、例えば式１を用いて、式１に含まれる係数を、連続する２以上の時点における躯体情報を用いて決定することで、生成してもよい。

Figure 0007046469000002
また、この場合、連続する２以上の時点における躯体情報を用いることが好ましいが、この限りではない。 In the first embodiment of the present invention, the case where the autoregressive model is used will be described. The autoregressive model may be generated by, for example, using Equation 1 to determine the coefficients contained in Equation 1 using the skeleton information at two or more consecutive time points.
Figure 0007046469000002
 Further, in this case, it is preferable to use the skeleton information at two or more consecutive time points, but this is not the case.

式１を用いて、自己回帰モデルを生成する場合、例えばｐ＝２であるならば、連続するｎ個の時点（ｔ～ｔ-ｎ）における躯体情報を用いて式２のように複数の式を立てることができる。式２において、一番上の式で最小二乗法等を用いて、係数を計算し、この係数を用いて下の式を順に計算することで、式１の係数を精度よく決定することが可能となる。これによって、自己回帰モデルを生成することができる。

Figure 0007046469000003
また、自己回帰モデルの生成に使われる躯体情報は、予め取得され、探索部１４に内蔵されたデータベース、或いは接続されたサーバ等に記憶されたものを使用することで、自己回帰モデルを予め生成しておくことが可能になる。 When an autoregressive model is generated using Eq. 1, for example, if p = 2, a plurality of Eqs. Can be set up. In Equation 2, the coefficient of Equation 1 can be determined accurately by calculating the coefficient using the least squares method in the top equation and then calculating the following equations in order using this coefficient. It becomes. This makes it possible to generate an autoregressive model.
Figure 0007046469000003
 Further, the skeleton information used for generating the autoregressive model is acquired in advance, and the autoregressive model is generated in advance by using the database built in the search unit 14 or the one stored in the connected server or the like. It will be possible to keep it.

また、自己回帰モデルを生成する際に、ステップＳ１１で計測装置９を用いて取得された連続した２以上の各時点における躯体情報を使用してもよい。上述した躯体情報を使用することにより、予測対象のケーソン１躯体の各種情報を反映した自己回帰モデルを生成することができる。かかる場合には、現時点をｔとすると、時点ｔ－ｎから時点ｔまでの躯体情報を自己回帰モデルの生成に用いる。ｐ＝２の場合は、図８のように、時点ｔ－ｎ＋１と時点ｔ－ｎにおける躯体情報Ｙｔ-ｎ+１及びＹｔ-ｎとＹｔ-ｎ+２との関係式から係数を計算し、この係数を用いて、式２を順に計算することで自己回帰モデルを生成することができる。 Further, when generating the autoregressive model, the skeleton information at each of two or more consecutive time points acquired by using the measuring device 9 in step S11 may be used. By using the above-mentioned skeleton information, it is possible to generate an autoregressive model that reflects various information of the caisson 1 skeleton to be predicted. In such a case, assuming that the current time is t, the skeleton information from the time point nt to the time point t is used to generate the autoregressive model. When p = 2, as shown in FIG. 8, the coefficient is calculated from the relational expression between the skeleton information Ytn + 1 and Ytn and Ytn + 2 at the time point nt + 1 and the time point nt. An autoregressive model can be generated by calculating and using this coefficient to sequentially calculate Equation 2.

ステップＳ１２では、上述した自己回帰モデルを用いて、ステップＳ１１で計測装置９を用いて取得された連続した２以上の各時点における躯体情報から、次時点における躯体情報を計算する。例えば、上述した自己回帰モデルの生成によって係数が決定された式１を用いて、ステップＳ１１で計測装置９を用いて取得された連続した２以上の各時点における躯体情報から、次時点における躯体情報を予測してもよい。また、ステップＳ１２では、ステップＳ１２で、自己回帰モデルを用いて、予測した上述した次時点における躯体情報から、上述した次時点のさらに次の時点における躯体情報を予測してもよい。具体的には、ステップＳ１２で、式３のように、時点ｔと時点ｔ－１における躯体情報Ｙｔ、及びＹｔ-１から、自己回帰モデルを用いて、次時点ｔ＋１における躯体情報Ｙｔ+１を予測したとすると、上述した躯体情報Ｙｔ+１及びＹｔから、さらに次の時点ｔ＋２の躯体情報Ｙｔ+２を予測してもよい。また、ステップＳ１２は、式３のように、上述した計算を繰り返し、躯体情報Ｙｔ+３、Ｙｔ+４、・・・Ｙｔ+ｎを予測してもよい。

Figure 0007046469000004
これによって、計算に時間を要することなく、精度の良い躯体情報の予測が可能となる。 In step S12, using the above-mentioned autoregressive model, the skeleton information at the next time point is calculated from the skeleton information at each of two or more consecutive time points acquired by using the measuring device 9 in step S11. For example, using the equation 1 whose coefficient is determined by the generation of the autoregressive model described above, the skeleton information at each of two or more consecutive time points acquired by the measuring device 9 in step S11 is used as the skeleton information at the next time point. May be predicted. Further, in step S12, the autoregressive model may be used to predict the skeleton information at the next time point after the above-mentioned next time point from the predicted skeleton information at the next time point mentioned above. Specifically, in step S12, as in Equation 3, the skeleton information Y t at the next time point t + 1 is used from the skeleton information Y t and Y t-1 at the time point t and the time point t-1. Assuming that +1 is predicted, the skeleton information Y t + 2 at the next time point t + 2 may be further predicted from the above-mentioned skeleton information Y t + 1 and Y t . Further, in step S12, as in Equation 3, the above-mentioned calculation may be repeated to predict the skeleton information Y t + 3 , Y t + 4 , ... Y t + n .
Figure 0007046469000004
 This makes it possible to accurately predict the skeleton information without requiring time for calculation.

〈第２実施形態〉
以下、本発明の第２実施形態について図面を参照しながら説明する。第２実施形態は、第１実施形態において、自己回帰モデルを用いて予測していたものが、非線形力学系モデルを用いて予測する点で異なる。図９は、本発明の第２実施形態を適用したケーソンの状態予測システム６の全体構成を示すブロック図である。状態予測システム６は、ケーソン１の躯体の次時点における各種状態を予測する。状態予測システム６は、上述した計測装置９と、計測装置９に接続された探索部１４を備えている。以下、第１実施形態と同様なものの説明は省略する。 <Second Embodiment>
Hereinafter, the second embodiment of the present invention will be described with reference to the drawings. The second embodiment is different from the one predicted by using the autoregressive model in the first embodiment in that the prediction is made by using the nonlinear dynamical system model. FIG. 9 is a block diagram showing an overall configuration of a caisson state prediction system 6 to which the second embodiment of the present invention is applied. The state prediction system 6 predicts various states at the next time point of the caisson 1 skeleton. The state prediction system 6 includes the above-mentioned measuring device 9 and a search unit 14 connected to the measuring device 9. Hereinafter, the description of the same as that of the first embodiment will be omitted.

探索部１４は、非線形力学系モデルを記憶したサーバ等に接続されていてもよい。また、探索部１４は、非線形力学系モデルを記憶したデータベース等を内蔵してもよい。また、探索部１４は、非線形力学系モデルを用いて、計測装置９により取得した連続した２以上の各時点における躯体情報を入力とし、次時点における前記躯体情報を出力する。また、この場合、連続する２以上の時点における躯体情報を用いることが好ましいが、この限りではない。 The search unit 14 may be connected to a server or the like that stores the nonlinear dynamical system model. Further, the search unit 14 may include a database or the like that stores the nonlinear dynamical system model. Further, the search unit 14 inputs the skeleton information at each of two or more consecutive time points acquired by the measuring device 9 using the nonlinear dynamical system model, and outputs the skeleton information at the next time point. Further, in this case, it is preferable to use the skeleton information at two or more consecutive time points, but this is not the case.

次に、本発明の第２実施形態を適用した状態予測システム６の動作について図１０を用いて説明をする。ステップＳ２２において、探索部１４は、計測装置９から取得した連続した２以上の各時点における躯体情報を入力とし、非線形力学系モデルを用いて、次時点における躯体情報を予測する。 Next, the operation of the state prediction system 6 to which the second embodiment of the present invention is applied will be described with reference to FIG. In step S22, the search unit 14 inputs the skeleton information at each of two or more consecutive time points acquired from the measuring device 9, and predicts the skeleton information at the next time point using the nonlinear dynamical system model.

非線形力学系モデルは、例えば図１１のように、連続した２以上の各時点における躯体情報に含まれる各種情報を情報毎に時系列データにしたものを、各時系列データに２以上の埋め込み次元空間の時間遅れ座標系の再構成をしたものである。時間遅れ座標系の再構成は、等間隔の時系列データをｘ［ｎ］（ｎはデータ点の数）、埋め込み次元をｄとすると、式４で表すことができる。式４のように、時間遅れ座標系の再構成とは、連続するｄ個の等間隔データをひとつのベクトルとみなし、各々をｄ次元空間の１点として、表現し直すことである。

Figure 0007046469000005
また、非線形力学系モデルは、複数種類の時系列データｘ［ｎ］、ｙ［ｍ］（ｎ、ｍはデータ点の数）を一つの埋め込み次元空間の時間遅れ座標系に再構成されたものでもよい。 In the non-linear dynamical system model, for example, as shown in FIG. 11, various information contained in the skeleton information at each of two or more consecutive time points is converted into time-series data for each information, and two or more embedded dimensions are embedded in each time-series data. It is a reconstruction of the time-lag coordinate system in space. The reconstruction of the time-delayed coordinate system can be expressed by Equation 4, assuming that the time-series data at equal intervals is x [n] (n is the number of data points) and the embedding dimension is d. As shown in Equation 4, the reconstruction of the time-delayed coordinate system is to regard d consecutive equidistant data as one vector and re-express each of them as one point in the d-dimensional space.
Figure 0007046469000005
 In the nonlinear dynamical system model, a plurality of types of time series data x [n] and y [m] (n and m are the number of data points) are reconstructed into a time-delayed coordinate system in one embedded dimensional space. But it may be.

ステップＳ２２は、上述した非線形力学系モデルを用いて、計測装置９により取得した連続した２以上の各時点における躯体情報を入力とし、次時点における前記躯体情報を出力する。具体的な方法として、例えば、非線形力学系モデルに対して最大リアプノフ指数解析を行う。最大リアプノフ指数解析によって得られたリアプノフ指数と、躯体情報との関係式に基づいて、次時点における躯体情報を推定する。これによって、計算に時間を要することなく、精度の良い躯体情報の予測が可能となる。他の例として、Simplex Projectionでは、時間遅れ座標系の中で最も後の時点における座標 ｄｔについて、時間遅れ座標系における２以上の近傍点 {n(t-α), n(t-β)} を求め、それら近傍点の次時点座標 { n(t-α+1), n(t-β+1)} を探索し、ｄｔと近傍点との距離に応じた重みによって近傍点の次時刻座標の荷重平均を取ったものを予測値として、予測値に基づいて、次時点における躯体情報を予測する。また、S-Mapは、２以上の近傍点ではなく全ての点を考慮して、次時点座標の回帰式から予測値を得ることで、次時点における躯体情報を予測する。また、Multi-view Embeddingは、様々な組み合わせの時間遅れ座標系を構成してS-MapやSimplex Projectionによる予測値を計算し，最後にそれらの平均をとって予測値とする。 In step S22, using the nonlinear dynamical system model described above, the skeleton information at each of two or more consecutive time points acquired by the measuring device 9 is input, and the skeleton information at the next time point is output. As a specific method, for example, maximum Lyapunov exponential analysis is performed on a nonlinear dynamical system model. Based on the relational expression between the Lyapunov exponent obtained by the maximum Lyapunov exponent analysis and the skeleton information, the skeleton information at the next time point is estimated. This makes it possible to accurately predict the skeleton information without requiring time for calculation. As another example, in Simplex Projection, for the coordinate dt at the latest point in the time-lag coordinate system, two or more neighborhood points in the time-lag coordinate system {n (t-α), n (t-β)} , Search for the next-time coordinates {n (t-α + 1), n (t-β + 1)} of those neighboring points, and use the weight according to the distance between dt and the neighboring points to determine the next time of the neighboring points. The skeleton information at the next time point is predicted based on the predicted value, using the weight average of the coordinates as the predicted value. In addition, S-Map predicts the skeleton information at the next time point by obtaining the predicted value from the regression equation of the next time point coordinates by considering all points instead of two or more neighboring points. In addition, Multi-view Embedding constructs various combinations of time-delayed coordinate systems, calculates predicted values by S-Map and Simplex Projection, and finally takes the average of them to obtain the predicted values.

〈第３実施形態〉
以下、本発明の第３実施形態について図面を参照しながら説明する。第３実施形態は、第１実施形態において、自己回帰モデルを用いて予測していたものが、Deep Learningモデルを用いて予測する点で異なる。図１２は、本発明の第３実施形態を適用したケーソンの状態予測システム６の全体構成を示すブロック図である。状態予測システム６は、ケーソン１の躯体の次時点における各種状態を予測する。状態予測システム６は、上述した計測装置９と、計測装置９に接続された探索部１４を備えている。以下、第１実施形態と同様なものの説明は省略する。 <Third Embodiment>
Hereinafter, the third embodiment of the present invention will be described with reference to the drawings. The third embodiment is different from the one predicted by using the autoregressive model in the first embodiment in that the prediction is made by using the deep learning model. FIG. 12 is a block diagram showing an overall configuration of a caisson state prediction system 6 to which the third embodiment of the present invention is applied. The state prediction system 6 predicts various states at the next time point of the caisson 1 skeleton. The state prediction system 6 includes the above-mentioned measuring device 9 and a search unit 14 connected to the measuring device 9. Hereinafter, the description of the same as that of the first embodiment will be omitted.

探索部１４は、Deep Learningモデルを記憶したサーバ等に接続されていてもよい。また、探索部１４は、Deep Learningモデルを記憶したデータベース等を内蔵してもよい。探索部１４は、Deep Learningモデルを用いて、計測装置９により取得した連続した２以上の各時点における躯体情報を入力とし、次時点における前記躯体情報を出力する。 The search unit 14 may be connected to a server or the like that stores the Deep Learning model. Further, the search unit 14 may include a database or the like that stores the Deep Learning model. Using the deep learning model, the search unit 14 inputs the skeleton information at each of two or more consecutive time points acquired by the measuring device 9, and outputs the skeleton information at the next time point.

次に、本発明の第３実施形態を適用した状態予測システム６の動作について図１３を用いて説明をする。ステップＳ２２において、探索部１４は、計測装置９から取得した連続した２以上の各時点における躯体情報を入力とし、Deep Learningモデルを用いて、次時点における躯体情報を予測する。 Next, the operation of the state prediction system 6 to which the third embodiment of the present invention is applied will be described with reference to FIG. In step S22, the search unit 14 inputs the skeleton information at each of two or more consecutive time points acquired from the measuring device 9, and predicts the skeleton information at the next time point using the deep learning model.

Deep Learningモデルは、連続した２以上の各時点における躯体情報と、連続した２以上の時点の中で最も後の時点に連続する次時点における躯体情報とからなるデータセットを学習データとして用いて、入力を連続した２以上の各時点における躯体情報とし、出力を連続した２以上の時点の中で最も後の時点に連続する次時点における躯体情報として、Deep Learningにより生成したものである。Deep Learningモデルは、連続した２以上の各時点における躯体情報に含まれる各種情報に対して連関度を介して、連続した２以上の時点の中で最も後の時点に連続する次時点における躯体情報に含まれる各種情報に紐づけされている。 The deep learning model uses a data set consisting of skeleton information at each of two or more consecutive time points and skeleton information at the next time point that is continuous to the latest time point among two or more consecutive time points as training data. The input is the skeleton information at each of two or more consecutive time points, and the output is the skeleton information at the next time point that is continuous to the latest time point among the two or more consecutive time points, and is generated by deep learning. The deep learning model is based on the information contained in the skeleton information at each of two or more consecutive time points, and the skeleton information at the next time point following the latest point point among the two or more consecutive time points through the degree of association. It is linked to various information contained in.

また、連関度は、図１４に示すように、躯体情報に含まれる各種情報との組み合わせの集合がいわゆる隠れ層の複数のノードとして表現されることとなる。各ノードは、入力に対する重み付けと、出力に対する重み付けがそれぞれ設定されている。この重み付けが百分率やパーセントで示される３段階以上の連関度である。例えば、あるノードは、時点ｔ-ｎにおける躯体情報に含まれる刃口深度が連関度８０％で、躯体情報に含まれる周辺摩擦が連関度６０％で、他のノードが連関度３０％で連関している。 Further, as shown in FIG. 14, the degree of association is expressed as a set of combinations with various information included in the skeleton information as a plurality of nodes of a so-called hidden layer. Each node is set with a weight for input and a weight for output. This weighting is a degree of association of three or more levels expressed as a percentage or a percentage. For example, for one node, the blade edge depth included in the skeleton information at time point nt is 80%, the peripheral friction included in the skeleton information is 60%, and the other node is associated with 30%. is doing.

これらの連関度は、連続した２以上の各時点における躯体情報に含まれる各種情報の組み合わせで掘削を行った結果、次時点におけるケーソン１躯体の位置や姿勢がどのように変化したかを予め調査し、これを連関度に落とし込んで探索部１４に蓄積しておくようにしてもよい。また、予測する次時点よりも前の連続した時点における躯体情報を入力データとし、連続した２以上の時点の中で最も後の時点に連続する次時点における躯体情報を出力として、予測の直前に連関度を設定してもよい。この連関度は、いわゆるニューラルネットワーク又はＬＳＴＭ（Long short-term memory）、ＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Network）、Transformer、AutoEncoderにより構成されていてもよい。この連関度は、連続した２以上の各時点における躯体情報に含まれる各種情報に対する、次時点における躯体情報に含まれる各種情報を判別する上での的確性を示すものである。即ち、連関度が高ければ高いほど、より的確な判断ということになる。 For these degrees of association, it was investigated in advance how the position and posture of the caisson 1 skeleton at the next time point changed as a result of excavation using a combination of various information contained in the skeleton information at each of two or more consecutive time points. However, this may be reduced to the degree of association and stored in the search unit 14. In addition, the skeleton information at consecutive time points before the next time to be predicted is used as input data, and the skeleton information at the next time point following the latest time point among two or more consecutive time points is output as output immediately before the prediction. You may set the degree of association. This degree of association may be composed of a so-called neural network or LSTM (Long short-term memory), CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), Transformer, and AutoEncoder. This degree of association indicates the accuracy in discriminating the various information contained in the skeleton information at the next time point with respect to the various information contained in the skeleton information at each of two or more consecutive time points. That is, the higher the degree of association, the more accurate the judgment.

ステップＳ２２において、探索部１４は、計測装置９から入力された連続した２以上の各時点における躯体情報を入力とし、上述したDeep Learningモデルを用いて、次時点における躯体情報を予測する。例えば、入力として用いた計測装置９から入力された連続した２以上の各時点における躯体情報に最も近似した躯体情報との連関度を参照し、最も連関度の大きい出力を最適解として出力してもよい。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる躯体情報を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論である。即ち、この躯体将来情報の選択は、連関度が高いものから順に選択される場合に限定されるものではなく、ケースに応じて連関度が低いものから順に選択されるものであってもよいし、その他いかなる優先順位で選択されるものであってもよい。また、探索部１４は、予測された次時点における躯体情報を入力として、さらに次の時点における躯体情報を予測してもよい。これによって、従来の技術よりも精度が高く、計算時間の短い予測が可能となる。 In step S22, the search unit 14 inputs the skeleton information at each of two or more consecutive time points input from the measuring device 9, and predicts the skeleton information at the next time point using the above-mentioned Deep Learning model. For example, the degree of association with the skeleton information that is closest to the skeleton information at each of two or more consecutive time points input from the measuring device 9 used as an input is referred to, and the output with the largest degree of association is output as the optimum solution. May be good. However, it is not essential to select the one with the highest degree of association as the optimum solution, and the skeleton information that has the lowest degree of association but the association itself is recognized may be selected as the optimum solution. Of course, other than this, an output solution to which the arrow is not connected may be selected. That is, the selection of the skeleton future information is not limited to the case where the information is selected in order from the one with the highest degree of association, and may be selected in order from the one with the lowest degree of association depending on the case. , Or any other priority may be selected. Further, the search unit 14 may use the predicted skeleton information at the next time point as an input to further predict the skeleton information at the next time point. This makes it possible to make predictions with higher accuracy and shorter calculation time than conventional techniques.

本発明の実施形態を説明したが、この実施形態は例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。 Although embodiments of the present invention have been described, these embodiments are presented as examples and are not intended to limit the scope of the invention. These novel embodiments can be implemented in various other embodiments, and various omissions, replacements, and changes can be made without departing from the gist of the invention. These embodiments and variations thereof are included in the scope and gist of the invention, and are also included in the scope of the invention described in the claims and the equivalent scope thereof.

１ ケーソン
２ 作業室
３ 送気路
４ 走行レール
６ 状態予測システム
７ 刃口部
８ 地盤
９ 計測装置
１１ 土砂自動積込装置
１２ 遠隔操作装置
１３ 地上遠隔操作室
１４ 探索部
２１ マンシャフト
２２ マンロック
２３ マテリアルシャフト
２４ マテリアルロック
２５ 螺旋階段
３１ アースバケット
３２ キャリア装置
３３ 土砂ホッパー
４１ 送気管
４２ 空気圧縮機
４３ 空気清浄装置
４４ 送気圧力調整装置
４５ 自動減圧装置
５１ 非常用空気圧縮機
５３ ホスピタルロック
７０ 刃口境界部
７１ 内周面
７２ 刃口部先端
８０ 掘り残し土
８１ 掘り残し土幅
８２ 掘り残し土法面
１００ ケーソンショベル
１１０ 走行体
１１１ 走行フレーム
１１３ 走行ローラ
１２１ 旋回フレーム
１３０ ブーム
１３１ 基端ブーム
１３２ 先端ブーム
１３３ 伸縮シリンダ
１３４ 起伏シリンダ
１５０ バケットアタッチメント
１５１ ベース部材
１５２ バケット
１５３ バケットシリンダ
１６５ コントロールユニット
１６５ａ メインコントローラ
１６５ｂ 走行体用コントローラ
１６５ｃ ブーム・バケット用コントローラ
２０１ 走行***置センサ
２０２ 旋回角度センサ
２０３ ブーム起伏角度センサ
２０４ ブーム伸長量センサ
２０５ バケット揺動角度センサ
２０６ 外界センサ
２１１ 走行***置測定部
２１２ バケット位置測定部
２１３ 地盤形状測定部 1 Cason 2 Work room 3 Air supply path 4 Travel rail 6 Condition prediction system 7 Blade edge 8 Ground 9 Measuring device 11 Sediment automatic loading device 12 Remote control device 13 Ground remote control room 14 Search section 21 Man shaft 22 Man lock 23 Material shaft 24 Material lock 25 Spiral stairs 31 Earth bucket 32 Carrier device 33 Earth and sand hopper 41 Air supply pipe 42 Air compressor 43 Air purifier 44 Air supply pressure regulator 45 Automatic decompression device 51 Emergency air compressor 53 Hospital lock 70 Blade edge Boundary part 71 Inner peripheral surface 72 Cutting edge tip 80 Leftover soil 81 Leftover soil width 82 Leftover soil Slope 100 Cason excavator 110 Traveling body 111 Traveling frame 113 Traveling roller 121 Swing frame 130 Boom 131 Base end boom 132 Tip boom 133 Telescopic Cylinder 134 Undulating Cylinder 150 Bucket Attachment 151 Base Member 152 Bucket 153 Bucket Cylinder 165 Control Unit 165a Main Controller 165b Traveling Body Controller 165c Boom / Bucket Controller 201 Traveling Body Position Sensor 202 Swing Angle Sensor 203 Boom Undulating Angle Sensor 204 Boom Elongation amount sensor 205 Bucket swing angle sensor 206 External world sensor 211 Traveling body position measurement unit 212 Bucket position measurement unit 213 Ground shape measurement unit

Claims (10)

ニューマチックケーソン工法に使用されるケーソン躯体の各種状態を出力するケーソンの状態予測システムにおいて、
３以上の各時点におけるケーソン躯体の各種状態を示す躯体情報を取得する取得手段と、
前記取得手段により取得された２以上の各時点における前記躯体情報を入力とし、前記取得手段により取得された前記２以上の時点の中で最も後の時点よりも後の次時点における前記躯体情報を出力とした予測モデルを生成するモデル生成手段と、
前記モデル生成手段により生成された予測モデルを用いて、前記取得手段により取得された２以上の各時点における躯体情報を入力とした場合、次時点における前記躯体情報を出力する探索手段とを備えること
を特徴とするケーソンの状態予測システム。 In a caisson state prediction system that outputs various states of the caisson frame used in the pneumatic caisson method.
Acquisition means for acquiring caisson skeleton information indicating various states of the caisson skeleton at each of the three or more time points, and
The skeleton information at each of the two or more time points acquired by the acquisition means is input, and the skeleton information at the next time point after the latest time point among the two or more time points acquired by the acquisition means is input. A model generation means that generates a predictive model as output, and
When the prediction model generated by the model generation means is used and the skeleton information acquired by the acquisition means at each of the two or more time points is input, the search means for outputting the skeleton information at the next time point is provided. Caisson state prediction system featuring. ニューマチックケーソン工法に使用されるケーソン躯体の各種状態を出力するケーソンの状態予測システムにおいて、
３以上の各時点におけるケーソン躯体の各種状態を示す躯体情報を取得する取得手段と、
前記取得手段により取得された２以上の各時点における前記躯体情報を入力とし、前記取得手段により取得された前記２以上の時点の中で最も後の時点よりも後の次時点における前記躯体情報を出力として、機械学習により予測モデルを生成するモデル生成手段と、
前記モデル生成手段により生成された予測モデルを用いて、前記取得手段により取得された２以上の各時点における躯体情報を入力とした場合、次時点における前記躯体情報を出力する探索手段とを備えること
を特徴とするケーソンの状態予測システム。 In a caisson state prediction system that outputs various states of the caisson frame used in the pneumatic caisson method.
Acquisition means for acquiring caisson skeleton information indicating various states of the caisson skeleton at each of the three or more time points, and
The skeleton information at each of the two or more time points acquired by the acquisition means is input, and the skeleton information at the next time point after the latest time point among the two or more time points acquired by the acquisition means is input. As an output, a model generation means that generates a predictive model by machine learning,
When the prediction model generated by the model generation means is used and the skeleton information acquired by the acquisition means at each of the two or more time points is input, the search means for outputting the skeleton information at the next time point is provided. Caisson state prediction system featuring. ニューマチックケーソン工法に使用されるケーソン躯体の各種状態を出力するケーソンの状態予測システムにおいて、
３以上の各時点におけるケーソン躯体の各種状態を示す躯体情報を取得する取得手段と、
前記取得手段により取得された２以上の各時点における前記躯体情報を入力とし、前記取得手段により取得された前記２以上の時点の中で最も後の時点よりも後の次時点における前記躯体情報を出力として、非線形力学系により予測モデルを生成するモデル生成手段と、
前記モデル生成手段により生成された予測モデルを用いて、前記取得手段により取得された２以上の各時点における躯体情報を入力とした場合、次時点における前記躯体情報を出力する探索手段とを備えること
を特徴とするケーソンの状態予測システム。 In a caisson state prediction system that outputs various states of the caisson frame used in the pneumatic caisson method.
Acquisition means for acquiring caisson skeleton information indicating various states of the caisson skeleton at each of the three or more time points, and
The skeleton information at each of the two or more time points acquired by the acquisition means is input, and the skeleton information at the next time point after the latest point point among the two or more time points acquired by the acquisition means is input. As an output, a model generation means that generates a prediction model by a nonlinear dynamical system,
When the prediction model generated by the model generation means is used and the skeleton information acquired by the acquisition means at each of the two or more time points is input, the search means for outputting the skeleton information at the next time point is provided. Caisson state prediction system featuring. 前記探索手段は、前記探索手段により出力された躯体情報を含める２以上の各時点における前記躯体情報を入力として、前記予測モデルを用いて、次時点における前記躯体情報を出力することを複数回繰り返すこと
を特徴とする請求項１～３の何れか１項に記載のケーソンの状態予測システム。 The search means repeatedly outputs the skeleton information at the next time point using the prediction model, using the skeleton information at each of two or more time points including the skeleton information output by the search means as an input. The caisson state prediction system according to any one of claims 1 to 3, wherein the caisson state is predicted. 前記探索手段は、前記取得手段により取得された２以上の各時点における躯体情報を入力とし、前記取得手段により取得された次時点における前記躯体情報を出力として、前記予測モデルを生成すること
を特徴とする請求項１～４の何れか１項に記載のケーソンの状態予測システム。 The search means is characterized in that the prediction model is generated by inputting the skeleton information at each of two or more time points acquired by the acquisition means and outputting the skeleton information at the next time point acquired by the acquisition means. The caisson state prediction system according to any one of claims 1 to 4. ニューマチックケーソン工法に使用されるケーソン躯体の各種状態を出力するケーソンの状態予測プログラムにおいて、
３以上の各時点におけるケーソン躯体の各種状態を示す躯体情報を取得する取得ステップと、
前記取得ステップにより取得された２以上の各時点における前記躯体情報を入力とし、前記取得ステップにより取得された前記２以上の時点の中で最も後の時点よりも後の次時点における前記躯体情報を出力とした予測モデルを生成するモデル生成ステップと、
前記モデル生成ステップにより生成された予測モデルを用いて、前記取得ステップにより取得された２以上の各時点における躯体情報を入力とした場合、次時点における前記躯体情報を出力する探索ステップとをコンピュータに実行させること
を特徴とするケーソンの状態予測プログラム。 In a caisson state prediction program that outputs various states of the caisson frame used in the pneumatic caisson method.
An acquisition step for acquiring caisson skeleton information indicating various states of the caisson skeleton at each of the three or more time points, and
The skeleton information at each of the two or more time points acquired by the acquisition step is input, and the skeleton information at the next time point after the latest point point among the two or more time points acquired by the acquisition step is input. A model generation step to generate a predictive model as output, and
When the prediction model generated by the model generation step is used and the skeleton information acquired by the acquisition step at each of the two or more time points is input, the computer is provided with a search step for outputting the skeleton information at the next time point. A caisson state prediction program characterized by running. ニューマチックケーソン工法に使用されるケーソン躯体の各種状態を出力するケーソンの状態予測プログラムにおいて、
３以上の各時点におけるケーソン躯体の各種状態を示す躯体情報を取得する取得ステップと、
前記取得ステップにより取得された２以上の各時点における前記躯体情報を入力とし、前記取得ステップにより取得された前記２以上の時点の中で最も後の時点よりも後の次時点における前記躯体情報を出力として、機械学習により予測モデルを生成するモデル生成ステップと、
前記モデル生成ステップにより生成された予測モデルを用いて、前記取得ステップにより取得された２以上の各時点における躯体情報を入力とした場合、次時点における前記躯体情報を出力する探索ステップとをコンピュータに実行させること
を特徴とするケーソンの状態予測プログラム。 In a caisson state prediction program that outputs various states of the caisson frame used in the pneumatic caisson method.
An acquisition step for acquiring caisson skeleton information indicating various states of the caisson skeleton at each of the three or more time points, and
The skeleton information at each of the two or more time points acquired by the acquisition step is input, and the skeleton information at the next time point after the latest time point among the two or more time points acquired by the acquisition step is input. As output, a model generation step that generates a predictive model by machine learning,
When the prediction model generated by the model generation step is used and the skeleton information acquired by the acquisition step at each of the two or more time points is input, the computer is provided with a search step for outputting the skeleton information at the next time point. A caisson state prediction program characterized by running. ニューマチックケーソン工法に使用されるケーソン躯体の各種状態を出力するケーソンの状態予測プログラムにおいて、
３以上の各時点におけるケーソン躯体の各種状態を示す躯体情報を取得する取得ステップと、
前記取得ステップにより取得された２以上の各時点における前記躯体情報を入力とし、前記取得ステップにより取得された前記２以上の時点の中で最も後の時点よりも後の次時点における前記躯体情報を出力として、非線形力学系により予測モデルを生成するモデル生成ステップと、
前記モデル生成ステップにより生成された予測モデルを用いて、前記取得ステップにより取得された２以上の各時点における躯体情報を入力とした場合、次時点における前記躯体情報を出力する探索ステップとをコンピュータに実行させること
を特徴とするケーソンの状態予測プログラム。 In a caisson state prediction program that outputs various states of the caisson frame used in the pneumatic caisson method.
An acquisition step for acquiring caisson skeleton information indicating various states of the caisson skeleton at each of the three or more time points, and
The skeleton information at each of the two or more time points acquired by the acquisition step is input, and the skeleton information at the next time point after the latest time point among the two or more time points acquired by the acquisition step is input. As an output, a model generation step that generates a predictive model by a nonlinear dynamical system,
When the prediction model generated by the model generation step is used and the skeleton information acquired by the acquisition step at each of the two or more time points is input, the computer is provided with a search step for outputting the skeleton information at the next time point. A caisson state prediction program characterized by running. 前記探索ステップは、前記探索ステップにより出力された躯体情報を含める２以上の各時点における前記躯体情報を入力として、前記予測モデルを用いて、次時点における前記躯体情報を出力することを複数回繰り返すこと
を特徴とする請求項６～８の何れか１項に記載のケーソンの状態予測プログラム。 The search step repeats outputting the skeleton information at the next time point a plurality of times using the prediction model with the skeleton information at each of two or more time points including the skeleton information output by the search step as an input. The caisson state prediction program according to any one of claims 6 to 8, wherein the caisson state is predicted. 前記探索ステップは、前記取得ステップにより取得された２以上の各時点における躯体情報を入力とし、前記取得手段により取得された次時点における前記躯体情報を出力として、前記予測モデルを生成すること
を特徴とする請求項６～９の何れか１項に記載のケーソンの状態予測プログラム。 The search step is characterized in that the prediction model is generated by inputting the skeleton information at each of two or more time points acquired by the acquisition step and outputting the skeleton information at the next time point acquired by the acquisition means. The caisson state prediction program according to any one of claims 6 to 9.
JP2020201749A 2020-12-04 2020-12-04 Caisson state prediction system and program Active JP7046469B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020201749A JP7046469B1 (en) 2020-12-04 2020-12-04 Caisson state prediction system and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020201749A JP7046469B1 (en) 2020-12-04 2020-12-04 Caisson state prediction system and program

Publications (2)

Publication Number Publication Date
JP7046469B1 true JP7046469B1 (en) 2022-04-04
JP2022089385A JP2022089385A (en) 2022-06-16

Family

ID=81256650

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020201749A Active JP7046469B1 (en) 2020-12-04 2020-12-04 Caisson state prediction system and program

Country Status (1)

Country Link
JP (1) JP7046469B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7497538B1 (en) 2024-02-02 2024-06-10 オリエンタル白石株式会社 Caisson management system and program

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015066569A (en) 2013-09-27 2015-04-13 Ｊｆｅスチール株式会社 Rolling controller and rolling control method
JP2019065639A (en) 2017-10-04 2019-04-25 オリエンタル白石株式会社 Caisson condition predicting system and program
JP2019159675A (en) 2018-03-12 2019-09-19 三菱重工業株式会社 Apparatus, method and program for plant operation assistance
JP2019183783A (en) 2018-04-13 2019-10-24 三菱日立パワーシステムズ株式会社 Valve opening determination device of cooling air adjusting valve, disc cavity target temperature determination device and disc cavity temperature control device
JP2020090798A (en) 2018-12-03 2020-06-11 株式会社大林組 Measurement system
JP2020090796A (en) 2018-12-03 2020-06-11 株式会社大林組 Measurement system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015066569A (en) 2013-09-27 2015-04-13 Ｊｆｅスチール株式会社 Rolling controller and rolling control method
JP2019065639A (en) 2017-10-04 2019-04-25 オリエンタル白石株式会社 Caisson condition predicting system and program
JP2019159675A (en) 2018-03-12 2019-09-19 三菱重工業株式会社 Apparatus, method and program for plant operation assistance
JP2019183783A (en) 2018-04-13 2019-10-24 三菱日立パワーシステムズ株式会社 Valve opening determination device of cooling air adjusting valve, disc cavity target temperature determination device and disc cavity temperature control device
JP2020090798A (en) 2018-12-03 2020-06-11 株式会社大林組 Measurement system
JP2020090796A (en) 2018-12-03 2020-06-11 株式会社大林組 Measurement system

Also Published As

Publication number Publication date
JP2022089385A (en) 2022-06-16

Similar Documents

Publication Publication Date Title
US11934192B2 (en) Obstacle detection and manipulation by a vehicle within a dig site
JP4971146B2 (en) Control method of surface change machine
JP6824830B2 (en) Fall prevention device and work machine
JP2008500471A5 (en)
AU2014274647A1 (en) Determining terrain model error
JP6974217B2 (en) Construction management equipment
JP7046469B1 (en) Caisson state prediction system and program
US20230009234A1 (en) Information communications system for construction machine and machine learning apparatus
CN116911115A (en) Digital twin tunnel and intelligent construction method and system
CN115690354A (en) Shallow tunnel construction dynamic control method based on three-dimensional live-action numerical analysis
EP4348378A1 (en) Selectively causing remote processing of data for an autonomous digging operation
JP7022018B2 (en) Work machine
JP6915181B1 (en) Blade edge judgment system and program
JP6995555B2 (en) Caisson state prediction system and program
KR101770774B1 (en) The perpendicular distance physical map system between the bucket location and the current excavated face and calculation method of the distance
JP2021188362A (en) Excavation plan preparation device, work machine, and method for preparing excavation plan
JP7014930B1 (en) Earth bucket recognition system and program
JP7497538B1 (en) Caisson management system and program
JP2023070294A (en) Excavation shape predicting device, excavation shape predicting method and program
JP2022010037A (en) Construction management device, display device, and construction management method
JP6816783B2 (en) crane
JP6816784B2 (en) crane
JP2020090796A (en) Measurement system
JP2022089691A (en) Direction control method for shield machine, force point determination device, direction control system, and method for generating learned model
JP2020090798A (en) Measurement system

Legal Events

Date Code Title Description
A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A711

Effective date: 20210408

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20210408

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210817

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211110

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20211110

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211221

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220114

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: 20220322

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220322

R150 Certificate of patent or registration of utility model

Ref document number: 7046469

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R157 Certificate of patent or utility model (correction)

Free format text: JAPANESE INTERMEDIATE CODE: R157