特開 2022-143628 掘進予測モデルの重み付け探索方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022143628

(43)【公開日】2022-10-03

(54)【発明の名称】掘進予測モデルの重み付け探索方法

(51)【国際特許分類】

   E21D 9/093 20060101AFI20220926BHJP

   G06N 20/00 20190101ALI20220926BHJP

【ＦＩ】

E21D9/093 C

G06N20/00 130

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2021044246

(22)【出願日】2021-03-18

【国等の委託研究の成果に係る記載事項】（出願人による申告）国等の委託研究の成果に係る特許出願（令和元年度国土交通省関東地方整備局「千代田幹線工事」施工現場における品質管理の高度化等を図る技術の試行業務、産業技術力強化法第１７条の適用を受ける特許出願）

(71)【出願人】

【識別番号】000140292

【氏名又は名称】株式会社奥村組

(74)【代理人】

【識別番号】110002170

【氏名又は名称】弁理士法人翔和国際特許事務所

(72)【発明者】

【氏名】木下 茂樹

(72)【発明者】

【氏名】伊東 俊彦

(72)【発明者】

【氏名】犬飼 貴

(72)【発明者】

【氏名】吉田 英典

【テーマコード（参考）】

2D054

【Ｆターム（参考）】

2D054AA01

2D054AA02

2D054AC02

2D054GA02

2D054GA04

2D054GA25

(57)【要約】

【課題】シールド掘進管理システムから送られる、ＡＩによる機械学習の説明変数に設定される重み付けの適否を、効率良く判定できる重み付け探索方法を提供する。
【解決手段】重み付け基本値及び重み付け係数を設定する工程と、重み付けを探索する工程とを含んでいる。重み付けを探索する工程では、各探索グループＡ，Ｂ，Ｃに対して設定された、重み付け係数の各々のパターン数を掛け合わせた数のデータセットによる、複数の重み付け探索用モデルが作成される。各探索グループＡ，Ｂ，Ｃに対して設定された、重み付け係数の各々のパターン数を掛け合わせた数のデータセットによる、複数の重み付け探索用モデルによる各々のシールド掘進機の先端の偏差の出力データを、実測値と比較して、採用すべき重み付け探索用モデルに用いたデータセットから、説明変数の重み付けを決定する。
【選択図】図２

【特許請求の範囲】

【請求項1】

シールド掘進工法において、シールド掘進管理システムから送られる施工計測データを教師データとして、人工知能による機械学習によりシールド掘進機の先端の偏差を予測する掘進予測モデルを作成する際に用いられる、説明変数の重み付けを決定するための掘進予測モデルの重み付け探索方法であって、
前記掘進予測モデルは、掘進方向後方側の一又は複数のリングを施工した際の前記施工計測データを説明変数とし、掘進方向前方側の所定のリングを施工する際のシールド掘進機の先端の偏差を目的変数とする、学習済みモデルとして作成されるようになっており、
説明変数の重み付けの探索は、重み付け基本値及び重み付け係数を設定する工程と、設定された重み付け基本値及び重み付け係数によって重み付けされたデータを用いた複数のデータセットを説明変数とした、複数の重み付け探索用モデルを作成し、作成した複数の重み付け探索用モデルによる各々のシールド掘進機の先端の偏差の出力データを比較して、採用すべき重み付け探索用モデルに用いた前記データセットから、説明変数の重み付けを探索する工程とを含んでおり、
前記重み付け基本値及び重み付け係数を設定する工程では、前記施工計測データから選択された、シールド掘進機の方向予測に関する所定の選択データを、方向予測の寄与度に応じて複数の探索グループにグループ分けすると共に、グループ分けされた各探索グループの各々の選択データに前記重み付け基本値を設定し、且つ各探索グループに対して、０．０～１．０の探索範囲における所定の数値となる、所定のパターン数の前記重み付け係数を設定するようになっており、
前記説明変数の重み付けを探索する工程では、各探索グループに対して設定された、前記探索範囲における前記重み付け係数の各々のパターン数を掛け合わせた数の前記データセットによる、複数の前記重み付け探索用モデルが作成されるようになっており、各探索グループに対して設定された、前記探索範囲における前記重み付け係数の各々のパターン数を掛け合わせた数の前記データセットによる、複数の前記重み付け探索用モデルによる各々のシールド掘進機の先端の偏差の出力データを、実測値と比較して、採用すべき前記重み付け探索用モデルに用いた前記データセットから、説明変数の重み付けを決定するようになっている掘進予測モデルの重み付け探索方法。

【請求項2】

前記重み付け基本値及び重み付け係数を設定する工程において設定される、前記重み付け基本値及び前記重み付け係数は、シールドエンジアである作業員の知見に基づいて設定された値となっており、方向予測への寄与度が大きいほど、１．０に近くなっている請求項１記載の掘進予測モデルの重み付け探索方法。

【請求項3】

前記施工計測データから選択された、シールド掘進機の方向予測に関する所定の選択データは、方向予測の寄与度に応じて第１グループ、第２グループ、第３グループの３つの探索グループにグループ分けされると共に、第１グループ、第２グループ、第３グループの順で、より大きな前記重み付け基本値が設定されるようになっている請求項１又は２記載の掘進予測モデルの重み付け探索方法。

【請求項4】

前記第１グループの探索グループには、０．２、０．４、０．６、０．８、１．０の４パターン数の重み付け係数が設定されており、前記第２グループの探索グループには、０．４、０．７、１．０の３パターン数の重み付け係数が設定されており、前記第３グループの探索グループには、０．５、１．０の２パターン数の重み付け係数が設定されており、各探索グループに設定された、前記探索範囲における前記重み付け係数のパターン数を掛け合わせた数として、３０の前記データセットによる複数の前記重み付け探索用モデルが作成されるようになっている請求項１～３のいずれか１項記載の掘進予測モデルの重み付け探索方法。

【請求項5】

前記機械学習が、サポートベクターマシンをアルゴリズムとするニューラルネットワークによる機械学習である請求項１～４のいずれか１項記載の掘進予測モデルの重み付け探索方法。

【請求項6】

目的変数となるシールド掘進機の先端の偏差が、水平偏差、垂直偏差、及び方向偏差である請求項１～５のいずれか１項記載の掘進予測モデルの重み付け探索方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、掘進予測モデルの重み付け探索方法に関し、特に、人工知能による機械学習によってシールド掘進機の掘進予測モデルを作成する際に用いられる、説明変数の重み付けを決定するための掘進予測モデルの重み付け探索方法に関する。

【背景技術】

【0002】

シールド掘進工法は、公知の土圧式や泥水式等のシールド掘進機の先端の切羽面を、泥土圧、泥水圧等によって押さえ付けて安定させつつ回転カッターによって地山を掘削すると共に、これらのシールド掘進機の後方にセグメントによるトンネル覆工体を一リング毎に組み立てながら、発進立坑から到達立坑に向けて、地中にトンネルを形成してゆく工法であり、都市部や平野部における主要なトンネル工事のための工法として広く採用されている。

【0003】

また、シールド掘進工法に用いる土圧式や泥水式等のシールド掘進機は、スキンプレートと呼ばれる金属製の外殻体の前部に切羽面を切削する回転カッターや、隔壁、カッター駆動装置、排土機構等を備えると共に、スキンプレートの後部に、シールドジャッキ、エレクター装置等を備えており、エレクター装置を用いてセグメントによるトンネル覆工体を一リング毎に組み立てて、組み立てたトンネル覆工体から反力をとりつつ、シールドジャッキによってスキンプレートと共に回転カッターを押し出すことで、切羽面を切削しながらシールドトンネルを掘進して行くようになっている。

【0004】

このようなシールド掘進工法では、地中に設定された掘進計画延長線に沿って、精度良くシールド掘進機を掘進させて行く必要があるが、地中での施工になるため、周囲の地盤の地質の変化や環境状態の変化、個々のシールド掘進機の特性等に由来する何等かの種々の要因によって、掘進計画延長線に沿って精度良く掘進して行くように制御しながら運転することが難しく、一般に、掘進計画延長線に対する水平偏差や垂直偏差や方向偏差が、シールド掘進機の先端に生じることになる。特に、個々のシールド掘進機の特性等に由来する何等かの種々の要因は、個々の施工現場におけるシールド掘進機の「クセ」と呼ばれて、正確に把握することが難しく、従来は、熟練の作業員による経験と勘による運転の制御によって、掘進計画延長線に対する偏差が大きくならないように、シールド掘進機を掘進させるようになっていた。

【0005】

また、近年、ＩｏＴ（Internet of Things）やＡＩ（人工知能：Artificial Intelligence）の技術革新に基づき、大量のデータとＡＩの利用によって、第四次産業革命の実現が期待されており、シールド掘進工法においても、例えばＡＩを活用したシールド掘進計画支援システムが開発されている（例えば、非特許文献１参照）。非特許文献１のシールド掘進計画支援システムでは、ＡＩが試行錯誤しながら自己学習することで最適解を導く強化学習手法により、シールドトンネルの線形に応じたシールド掘進機の操作の計画値や、セグメントの配置計画を導き出すことができるようになっている。

【先行技術文献】

【非特許文献】

【0006】

【非特許文献1】ＡＩを活用したシールド掘進計画支援システムを開発／企業情報／清水建設、２０１８年５月２５日、〔２０１９年６月１０日検索〕、インターネット（URL:https：//www.shimz.co.jp/company/about/news-release/2018/2018005/html）

【特許文献】

【0007】

【特許文献1】特開２０２１－１４７２７

【発明の概要】

【発明が解決しようとする課題】

【0008】

しかしながら、非特許文献１のシールド掘進計画支援システムは、施工現場で実際にシールド掘進工事を施工するのに先立って、計画線形に対するシールド掘進機の運転方法と、形状の異なる複数のセグメントの割り付け方法について事前シミュレーションを行って、これらの計画値を設定するものに過ぎないばかりか、学習済みモデルを作成するため教師データのデータ項目（パラメータ）は、限定された特定のものとなっているため、個々の施工現場において、周囲の地盤の地質の変化や環境状態の変化、あるいは個々のシールド掘進機の特性等に由来する種々の不確定な要因による、シールド掘進機の「クセ」と呼ばれる特質を反映させた精度の良い予測モデルを得て、地中に設定された掘進計画延長線に沿ってシールド掘進機が掘進して行くように、適切に管理することは困難である。

【0009】

一方、シールド掘進工法では、シールド掘進機の進行に応じた掘進状況を詳細に把握することを目的として、シールド掘進管理システムが導入されることが多くなっている。シールド掘進管理システムは、シールド掘進工事における測量データや、シールド掘進機に設置した各種センサーによる計測データ等の各種のデータの収集を行って、シールド掘進機の管理の一元化を担う公知のシステムであり、施工時の計測データの経時的変化やデータの統計処理の結果によって、地山の掘削土砂の状況やシールドマシンの負荷状況などを推測できるようになっており、また測量結果が入力されることにより、シールド掘進機やセグメントの位置を計算して、掘進計画延長線からの偏差を求めることができるようになっている。

【0010】

また、シールド掘進管理システムでは、シールドトンネルを形成するセグメントによる覆工体の各々のリングに対応する掘進が行なわれる際に、多数のパラメータ（データ項目）に関するデータが、例えば５秒程度の時間間隔毎に、或いはシールドジャッキによる１０ｍｍ程度のジャッキストロ－ク毎に収集されて、大量の数のデータとして記憶されている。これらの大量の数のデータをＡＩによって解析させることにより、個々の施工現場における周囲の地盤の地質の変化や環境状態の変化、あるいは個々のシールド掘進機の特性等に由来する種々の不確定な要因による、シールド掘進機の「クセ」と呼ばれる特質を反映させて、シールド掘進機が地中に設定された掘進計画延長線に沿って掘進して行くように、適切に管理することが可能になると考えられる。

【0011】

このようなことから、本願出願人は、例えば特許文献１において、シールド掘進管理システムから送られる施工計測データを教師データとする人工知能による機械学習の結果を利用して、シールド掘進機の掘進を管理するシールド掘進機の施工管理方法を提案している。特許文献１のシールド掘進機の施工管理方法では、施工現場におけるシールド掘進機の掘進計画延長線上に学習領域を設定し、設定された学習領域において、掘進方向後方側の一又は複数のリングを施工した際の施工計測データを説明変数として、掘進方向前方側の所定のリングを施工する際のシールド掘進機の先端の偏差を目的変数とする学習済みモデルを機械学習により作成し、学習領域よりも掘進方向前方側の本掘進領域において、作成された学習済みモデルを予測モデルとして、施工された掘進方向後方側の一又は複数のリングを施工した際の施工計測データを入力し、掘進方向前方側の所定のリングを施工する際のシールド掘進機の先端の偏差を出力させて、シールド掘進機の先端の掘進計画延長線からの偏差を予測しながらシールド掘進機の掘進を管理するようになっている。

【0012】

また、特許文献１では、学習領域において掘進方向後方側の一又は複数のリングで計測された施工計測データから、選択された所定のパラメータに関するデータを抽出し、抽出された所定のパラメータに関するデータを説明変数として、掘進方向前方側の所定のリングを施工する際のシールド掘進機の先端の偏差を目的変数とする予測モデルを作成し、本掘進領域において、作成された予測モデルに、選択された所定のパラメータに関する、掘進方向後方側の一又は複数のリングを施工した際の施工計測データを入力して、掘進方向前方側の所定のリングを施工する際のシールド掘進機の先端の偏差を出力させるようになっている。

【0013】

さらに、特許文献１では、選択された所定のパラメータは、学習領域において、掘進方向後方側の一又は複数のリングを施工した際の施工計測データから特定のパラメータに関するデータを削除したデータを確認用説明変数とし、掘進方向前方側の所定のリングを施工する際のシールド掘進機の先端の偏差を確認用目的変数とするパラメータ確認用モデルを、データを削除する特定のパラメータを入れ替えて複数作成し、学習済みモデルによるシールド掘進機の先端の偏差の出力データと、各々のパラメータ確認用モデルによるシールド掘進機の先端の偏差の出力データとを比較して選択された確認済みパラメータを含むようになっている。これによって、例えばシールド掘進機の先端の偏差を目的変数とする予測モデルの精度に悪影響を与えるパラメータや、精度に影響のないパラメータに関するデータを除いた教師データによる予測モデルを作成して、シールド掘進機が地中に設定された掘進計画延長線に沿って掘進して行くように、さらに効率良く、且つ精度良く適切に管理してゆくことができるようになっている。

【0014】

特許文献１のシールド掘進機の施工管理方法では、予測モデルを作成するための教師データの説明変数となるパラメータを、予測モデルの精度に影響があると思われるものに絞り込むことで、予測モデルの精度を向上させることが可能になるが、予測モデルの精度をより一層向上させるためには、選択された説明変数となるパラメータに適切な重み付けを設定した状態で、人工知能による機械学習によって、シールド掘進機の先端の偏差を予測する掘進予測モデルを作成することが望ましい。

【0015】

しかしながら、説明変数となるパラメータは、予測モデルの精度に影響があると思われるものに絞り込んだ場合でも、パラメータの数は依然として相当数になることから、個々のパラメータの重み付けの適否を判定するために作成する確認用モデルの数が、膨大なものとなり、これによって人工知能による機械学習に多くの時間と手間を要することなる。このようなことから、シールド掘進工法において、シールド掘進管理システムから送られて説明変となるパラメータに設定される重み付けの適否を、より効率良く判定できるようにして、人工知能による機械学習によって作成される予測モデルの精度を、一層向上させることを可能にする技術の開発が望まれている。

【0016】

本発明は、シールド掘進工法において、シールド掘進管理システムから送られて説明変数となるパラメータに設定される重み付けの適否を、より効率良く判定できるようにして、人工知能による機械学習によって作成される予測モデルの精度を、一層向上させることのできる掘進予測モデルの重み付け探索方法を提供することを目的とする。

【課題を解決するための手段】

【0017】

本発明は、シールド掘進工法において、シールド掘進管理システムから送られる施工計測データを教師データとして、人工知能による機械学習によりシールド掘進機の先端の偏差を予測する掘進予測モデルを作成する際に用いられる、説明変数の重み付けを決定するための掘進予測モデルの重み付け探索方法であって、前記掘進予測モデルは、掘進方向後方側の一又は複数のリングを施工した際の前記施工計測データを説明変数とし、掘進方向前方側の所定のリングを施工する際のシールド掘進機の先端の偏差を目的変数とする、学習済みモデルとして作成されるようになっており、説明変数の重み付けの探索は、重み付け基本値及び重み付け係数を設定する工程と、設定された重み付け基本値及び重み付け係数によって重み付けされたデータを用いた複数のデータセットを説明変数とした、複数の重み付け探索用モデルを作成し、作成した複数の重み付け探索用モデルによる各々のシールド掘進機の先端の偏差の出力データを比較して、採用すべき重み付け探索用モデルに用いた前記データセットから、説明変数の重み付けを探索する工程とを含んでおり、前記重み付け基本値及び重み付け係数を設定する工程では、前記施工計測データから選択された、シールド掘進機の方向予測に関する所定の選択データを、方向予測の寄与度に応じて複数の探索グループにグループ分けすると共に、グループ分けされた各探索グループの各々の選択データに前記重み付け基本値を設定し、且つ各探索グループに対して、０．０～１．０の探索範囲における所定の数値となる、所定のパターン数の前記重み付け係数を設定するようになっており、前記説明変数の重み付けを探索する工程では、各探索グループに対して設定された、前記探索範囲における前記重み付け係数の各々のパターン数を掛け合わせた数の前記データセットによる、複数の前記重み付け探索用モデルが作成されるようになっており、各探索グループに対して設定された、前記探索範囲における前記重み付け係数の各々のパターン数を掛け合わせた数の前記データセットによる、複数の前記重み付け探索用モデルによる各々のシールド掘進機の先端の偏差の出力データを、実測値と比較して、採用すべき前記重み付け探索用モデルに用いた前記データセットから、説明変数の重み付けを決定するようになっている掘進予測モデルの重み付け探索方法を提供することにより、上記目的を達成したものである。

【0018】

そして、本発明の掘進予測モデルの重み付け探索方法は、前記重み付け基本値及び重み付け係数を設定する工程において設定される、前記重み付け基本値及び前記重み付け係数が、シールドエンジアである作業員の知見に基づいて設定された値となっており、方向予測への寄与度が大きいほど、１．０に近くなっていることが好ましい。

【0019】

また、本発明の掘進予測モデルの重み付け探索方法は、前記施工計測データから選択された、シールド掘進機の方向予測に関する所定の選択データが、方向予測の寄与度に応じて第１グループ、第２グループ、第３グループの３つの探索グループにグループ分けされると共に、第１グループ、第２グループ、第３グループの順で、より大きな前記重み付け基本値が設定されるようになっていることが好ましい。

【0020】

さらに、本発明の掘進予測モデルの重み付け探索方法は、前記第１グループの探索グループには、０．２、０．４、０．６、０．８、１．０の４パターン数の重み付け係数が設定されており、前記第２グループの探索グループには、０．４、０．７、１．０の３パターン数の重み付け係数が設定されており、前記第３グループの探索グループには、０．５、１．０の２パターン数の重み付け係数が設定されており、各探索グループに設定された、前記探索範囲における前記重み付け係数のパターン数を掛け合わせた数として、３０の前記データセットによる複数の前記重み付け探索用モデルが作成されるようになっていることが好ましい。

【0021】

さらにまた、本発明の掘進予測モデルの重み付け探索方法は、前記機械学習が、サポートベクターマシンをアルゴリズムとするニューラルネットワークによる機械学習であることが好ましい。

【0022】

また、本発明の掘進予測モデルの重み付け探索方法は、目的変数となるシールド掘進機の先端の偏差が、水平偏差、垂直偏差、及び方向偏差であることが好ましい。

【発明の効果】

【0023】

本発明の掘進予測モデルの重み付け探索方法によれば、シールド掘進工法において、シールド掘進管理システムから送られて説明変数となるパラメータ（選択データ）に付与され重み付けの適否を、より効率良く判定できるようにして、人工知能による機械学習によって作成される予測モデルの精度を、一層向上させることができる。

【図面の簡単な説明】

【0024】

【図1】本発明の好ましい一実施形態に係る掘進予測モデルの重み付け探索方法が実施されるシステムネットワークの説明図である。

【図2】学習済みモデル作成工程の説明図である。

【図3】リング報の説明図である。

【図4】学習済みモデルを作成すための教師データとなる複数の変数（パラメータ）を例示する説明図である。

【図5】施工データの位置関係の説明図である。

【発明を実施するための形態】

【0025】

本発明の好ましい一実施形態に係る掘進予測モデルの重み付け探索方法は、例えば図１に示す構成のシステムネットワークにおいて実施されるようになっている。図１に示す構成のシステムネットワークは、例えばシールド施工現場でシールド掘進機２０（図２参照）の施工を管理するシールド掘進管理システム１０と、ＬＡＮ１２を介して接続する、ＡＩ（人工知能：Artificial Intelligence）として好ましくはサポートベクターマシンをアルゴリズムとするニューラルネットワークを実装可能な公知の機械学習ツール（ソフトウェア）が組み込まれた、好ましくはクラウドサーバ１１を用いて、例えばシールド掘進機２０の先端の偏差を目的変数とする予測モデルを作成することで、シールド掘進機２０が地中に設定された掘進計画延長線２１（図２参照）に沿って掘進して行くように、適切に管理できるようにするものである。本実施形態の掘進予測モデルの重み付け探索方法は、好ましくは図１に示す構成のシステムネットワークにおいて、シールド施工現場のシールド掘進管理システム１０から送られてクラウドサーバ１１に記憶された、多数のパラメータに関する大量のデータ（施工計測データ）を用いることで、ＡＩによる機械学習によって実施されると共に、説明変数となる選択された所定のパラメータ（選択データ）に設定される重み付けの適否を、より効率良く判定できるようにして、人工知能による機械学習によって作成される予測モデルの精度を、一層向上させることができるようにするものとなっている。

【0026】

ここで、本実施形態では、公知のシールド掘進管理システム１０として、例えば商品名「Arigataya」（株式会社演算工房製）を好ましく用いることができる。また、クラウドサーバ１１は、例えばコンピュータを含んで構成されている。コンピュータは、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、Ｉ／Ｆ（Interface）、ＨＤＤ（Hard Disk Drive）、記憶手段、入力手段、表示手段、出力手段等を備えている。ＣＰＵは、ＲＯＭに組み込まれた各種のプログラムに従って、ＲＡＭをワークエリアとして使用しながら、ＡＩによる機械学習を制御する。また、ＣＰＵは、各種のコンピュータプログラムがＲＯＭに組み込まれていることにより、記憶手段、入力手段、表示手段、出力手段等を機能させると共に、シールド掘進管理システム１０から送られる大量のデータやＡＩによる解析結果等を、例えばデータベース部に記憶させたり、所定の情報として、ＬＡＮ１２や現場に設置されたパーソナルコンピュータ１３等を介して、例えば現場のディスプレイ１４に表示させたり、プリンタから出力させたりできるようになっている。

【0027】

そして、本実施形態の掘進予測モデルの重み付け探索方法は、シールド掘進工法において、シールド掘進管理システム１０から送られる施工計測データを教師データとして、ＡＩによる機械学習によりシールド掘進機２０の先端の偏差を予測する掘進予測モデルを作成する際に用いられる、説明変数の重み付けを決定するための探索方法であって、掘進予測モデルは、好ましくは掘進方向後方側の一又は複数のリングＮ－１～Ｎ－５（図２参照）を施工した際の施工計測データを説明変数とし、好ましくは掘進方向前方側の所定のリングＮ～Ｎ＋５を施工する際のシールド掘進機２０の先端の偏差を目的変数とする、学習済みモデルとして作成されるようになっており、説明変数の重み付けの探索は、重み付け基本値（表１参照）及び重み付け係数（表２参照）を設定する工程と、設定された重み付け基本値及び重み付け係数によって重み付けされたデータを用いた複数のデータセットを説明変数とした、複数の重み付け探索用モデルを作成し、作成した複数の重み付け探索用モデルによる各々のシールド掘進機２０の先端の偏差の出力データを比較して、採用すべき重み付け探索用モデルに用いたデータセットから、説明変数の重み付けを探索する工程とを含んでいる。

【0028】

重み付け基本値及び重み付け係数を設定する工程では、施工計測データ（図３、図４参照）から選択された、シールド掘進機２０の方向予測に関する所定の選択データを、方向予測の寄与度に応じて複数の探索グループＡ，Ｂ，Ｃにグループ分けすると共に（表１参照）、グループ分けされた各探索グループＡ，Ｂ，Ｃの各々の選択データに重み付け基本値を設定し（表１参照）、且つ各探索グループＡ，Ｂ，Ｃに対して、０．０～１．０の探索範囲における所定の数値となる、所定のパターン数の重み付け係数を設定するようになっている（表２参照）。

【0029】

説明変数の重み付けを探索する工程では、各探索グループＡ，Ｂ，Ｃに対して設定された、探索範囲における重み付け係数の各々のパターン数を掛け合わせた数のデータセットによる、複数の重み付け探索用モデルが作成されるようになっており、各探索グループＡ，Ｂ，Ｃに対して設定された、探索範囲における重み付け係数の各々のパターン数を掛け合わせた数のデータセットによる、複数の重み付け探索用モデルによる各々のシールド掘進機の先端の偏差の出力データを、実測値と比較して、採用すべき前記重み付け探索用モデルに用いたデータセットから、説明変数の重み付けを決定するようになっている。

【0030】

【表1】

【0031】

【表2】

【0032】

また、本実施形態では、施工計測データ（図３、図４参照）から選択された、シールド掘進機２０の方向予測に関する所定の選択データは、表１に示すように、方向予測の寄与度に応じて第１グループＡ、第２グループＢ、第３グループの３つの探索グループにグループ分けされると共に、第１グループＡ、第２グループＢ、第３グループＣの順で、より大きな重み付け基本値が設定されるようになっている。

【0033】

さらに、本実施形態では、表２に示すように、第１の探索グループＡには、０．２、０．４、０．６、０．８、１．０の４パターン数の重み付け係数が設定されており、第２グループの探索グループＢには、０．４、０．７、１．０の３パターン数の重み付け係数が設定されており、第３グループの探索グループＣには、０．５、１．０の２パターン数の重み付け係数が設定されている。本実施形態では、各探索グループＡ，Ｂ，Ｃに設定された、探索範囲における重み付け係数のパターン数を掛け合わせた数として、５×３×２＝３０のデータセットによる複数の重み付け探索用モデルが作成されるようになっている。

【0034】

さらにまた、本実施形態では、重み付け基本値及び重み付け係数を設定する工程において設定される、重み付け基本値及び前記重み付け係数は、シールドエンジアである作業員の知見に基づいて設定された値となっており、方向予測への寄与度が大きいほど、１．０に近くなっている。

【0035】

本実施形態では、シールド施工現場において、シールド掘進管理システム１０から送られる教師データとなるトンネル掘進時の施工計測データは、例えばシールド掘進管理システム１０により「リング報」（図３参照）として出力可能な多数のデータ項目から、好ましくはシールドエンジニアの知見によって、シールド掘進機２０の方向制御に関するものとして選別された、例えば図４に示す１８７項目程度の、多数のパラメータに関するデータとなっている。これらのデータは、シールドトンネルを構成する覆工体の各々のリング毎に、まとまったデータとして収集され、好ましくは５秒毎にクラウドサーバ１１に送られて、例えば記憶部に蓄積されるようになっている。すなわち、シールド掘進工法では、一リング分の長さに対応する掘進長で、シールド掘進機２０の先端の回転カッター２０ａにより切羽面を掘削しつつ、シールドジャッキ２０ｂを伸長させながら掘進したら、シールド掘進機２０の掘進作業を一旦中断し、スキンプレート２０ｃの後部において、エレクター装置２０ｄを用いてセグメント２０ｅによる一リング分のトンネル覆工体が組み立てられることで、一リング毎に掘進作業が行なわれることから、好ましくは施工計測データは、一リング毎にまとまったデータとして処理されるようになっている。

【0036】

また、本実施形態では、選別された好ましくは１８７のデータ項目（パラメータ）の施工計測データは、シールド掘進機２０の位置の把握に関する合計４４点の掘進データ（前胴、中胴、後胴、ジャイロコンパス、座標、偏差、変位量などに関するもの）５０Ａと、シールド掘進機２０の方向制御に関する合計１２０点の掘進データ（シールドジャッキ、中折れジャッキ、コピーカッタなどに関するもの）５０Ｂと、土質などその他の合計２３点の掘進データ（記録日時、カッタビット加速度、テールクリアランスなどに関するもの）５０Ｃとに分類されるようになっている。これらの分類されたデータ項目は、上述にように、例えば５秒毎にシールド掘進管理システム１０を介してクラウドサーバ１１に送られることで、経時的変化を伴うデータとして収集されて、例えば記憶部に記憶されるようになっている。なお、図４中、「※」で示されるシールド掘進機２０の先端の水平偏差、先端の垂直偏差、及び方位偏差（方向偏差）は、目的変数となるものである。

【0037】

これらの施工計測データは、好ましくはセグメント２０ｅの組立て位置のリングＮｏ．を表題として、収集されるようになっている。すなわち、図５に示すように、データ項目によっては、データが収集される位置が、例えば回転カッター２０ａが配置されるシールド掘進機２０の先端の切羽面の位置やスキンプレート２０ｃの後方の裏込め材の注入位置と、シールドジャッキ２０ｂの伸縮部に配置されるセグメント２０ｅによる各リングの組立て位置とが、１リング分の長さよりも離れた位置となっている。これらの１リング分の長さよりも離れた位置のデータについても、セグメントの組立て位置のリングＮｏ．を表題とする、当該リングＮｏ．の組立て位置のリング幅を確保するための切羽面の掘削作業中のデータや、当該リングＮｏ．の組立て位置のリングにおける組立て作業中のデータとして、シールド掘進管理システム１０に送られて収集されるようになっている。

【0038】

さらに、本実施形態では、シールド掘進機の構造又は機械設備の性能に関する前提条件データが、予めシールド掘進管理システム１０やクラウドサーバ１１に入力されて登録されている。シールド掘進機の構造に関する前提条件データとして、例えばカッタ面板の直径や、シールドジャッキや中折れジャッキ本数、配置等を挙げることができる。これらのシールド掘進機の構造に関する前提条件データは、説明変数として直接入力されるのではなく、シールド掘進管理システム１０から送られるトンネル掘進時の施工計測データと組み合わせて、特徴量エンジニアリングを行うことにより正規化してから、入力することができる。またシールド掘進機の機械設備の性能に関する前提条件データとして、例えば各々のシールドジャッキや中折れジャッキの最大圧力や、伸縮の最大速度、最大ストローク等を挙げることができる。これらのシールド掘進機の機械設備の性能に関する前提条件データは、最大値を１．０に換算して入力されて、シールド掘進管理システム１０から送られるトンネル掘進時の施工計測データを、０．０～１．０の値で正規化して評価するために用いることができる。

【0039】

さらにまた、本実施形態では、シールド掘進管理システム１０から送られるトンネル掘進時の施工計測データのうち、特徴量エンジニアリングや正規化により加工して入力される計測データは、例えば作業者の操作に関するデータとして、シールドジャッキや中折れジャッキの圧力やストロークに関するデータ、カッタ回転に関するデータ等を挙げることができる。また、例えばシールド掘進機の位置や方向に関するデータとして、水平変位量、垂直変位量、方向変位量等に関するデータ等を挙げることができる。さらに、例えば周辺環境がシールド掘進機に影響を与えるデータとして、切羽水圧やテールクリアランス等に関するデータ等を挙げることができる。

【0040】

また、本実施形態では、シールド掘進管理システム１０から送られるトンネル掘進時の施工計測データには、正側と負側の値をとるデータが含まれている。このような正側と負側の値をとるデータとして、例えば前胴のピッチング角やローリング角、後胴のピッチング角やローリング角、カッタ回転、カッタトルク等に関するデータを挙げることができる。例えばカッタトルクのように正側（右回転）と負側（左回転）とがある場合、正規化後の最小値は－０．５、最大値は＋０．５とすることができる（最小と最大の差が１．０）。カッタトルクの最大値が３００ｋＮ・ｍで、１５０ｋＮ・ｍで右回転した場合に、正規化後の値を＋０．２５とすることができる。

【0041】

そして、本実施形態では、所定のシールド施工現場において、シールド掘進機２０の掘進計画延長線２１上に設定された、例えば７０リング分（１リング＝１．５ｍ）の延長の初期の施工区間を第１週の学習領域（例えば１２５ｍ）とし、図２に示すように、掘進方向後方側の好ましくは５リングＮ－１～Ｎ－５を施工した際の、各探索グループＡ，Ｂ，Ｃに設定された、探索範囲における重み付け係数のパターン数を掛け合わせた数として、３０のデータセットによる施工計測データを説明変数とし、好ましくは掘進方向前方側の６箇所のリングＮ～Ｎ＋５の６リングを各々施工する際の、シールド掘進機２０の先端の３偏差（水平偏差、垂直偏差、方向偏差）の各々を目的変数とする、合計５４０（３０×６×３）の学習済みモデルを、重み付け探索用モデルとして各々作成する。ここで、掘進方向後方側の好ましくは５リングＮ－１～Ｎ－５を施工した際にシールド掘進管理システム１０から送られる、説明変数となる施工計測データのうちの、シールド掘進機２０の構造又は機械設備の性能に関する所定のデータは、正規化されたものや、特徴的エンジニアリングによって意味のある合成データに変換されたものを含んでいることが好ましい。

【0042】

また、本実施形態では、目的変数となるシールド掘進機２０の先端の偏差として、水平偏差、垂直偏差、及び方向偏差の３偏差は、掘進方向前方側の６箇所のリングＮ～Ｎ＋５を各々施工する際に得られた施工計測データに基づいて、例えばシールド掘進機２０に取り付けられたジャイロコンパスによる計測データ等の、所定の測量データに関するデータから、所定の計算式に従って算定された、好ましくはシールド掘進機２０の先端のカッター中心の、シールドトンネルの掘進計画延長線２１からの水平偏差や垂直偏差や方向偏差の値とすることができる。

【0043】

ここで、本実施形態では、重み付け基本値及び重み付け係数を設定する工程において、施工計測データ（図３、図４参照）から選択された、シールド掘進機２０の方向予測に関する所定の選択データは、方向予測の寄与度に応じて複数の探索グループＡ，Ｂ，Ｃにグループ分けされるようになっており、第１グループの探索グループＡに属するものは、表１に示すように、好ましくは水平変異量（先）、水平変異量（後）、中折角度（左右）、水平偏差（後端）、水平方向のカッタ面の傾き、水平方向のモーメント、及び水平方向の余掘量の、７データとなっている。これらの選択データには、重み付け基本値として、水平変異量（先）及び水平変異量（後）に０．８が、中折角度（左右）、水平偏差（後端）、水平方向のカッタ面の傾き、水平方向のモーメント、及び水平方向の余掘量に０．５が、各々設定されている。

【0044】

また、シールド掘進機２０の方向予測に関する所定の選択データのうち、第２グループの探索グループＢに属するものは、好ましくはシールドジャッキ圧力、推力、カッタビット加速度1X軸、及びカッタビット加速度1Y軸の、４データとなっている。これらの４項目の選択データには、重み付け基本値及び重み付け係数を設定する工程において、重み付け基本値として、０．３が、各々設定されている。

【0045】

さらに、シールド掘進機２０の方向予測に関する所定の選択データのうち、第３グループの探索グループＣに属するものは、好ましくは方位偏差、方位変位量、及び後胴方位の、３データとなっている。これらの３項目の選択データには、重み付け基本値及び重み付け係数を設定する工程において、重み付け基本値として、０．２が、各々設定されている。

【0046】

なお、上述の探索グループＡ，Ｂ，Ｃに属する選択データのうち、水平方向のカッタ面の傾き、水平方向のモーメント、及び水平方向の余掘量は、特徴的エンジニアリングにより変換された合成データとなっており、シールドジャッキ圧力、推力等は、正規化されたデータとなっている。

【0047】

さらにまた、本実施形態では、重み付け基本値及び重み付け係数を設定する工程において、上述のように、方向予測への寄与度が大きい第１グループの探索グループＡには、０．２、０．４、０．６、０．８、１．０の５パターン数の重み付け係数が設定されており、方向予測への寄与度が中程度の第２グループの探索グループＢには、０．４、０．７、１．０の３パターン数の重み付け係数が設定されており、方向予測への寄与度が小さい第３グループの探索グループＣには、０．５、１．０の２パターン数の重み付け係数が設定されており、後述する説明変数の重み付けを探索する工程においては、各々の探索グループＡ，Ｂ，Ｃに設定された、探索範囲における重み付け係数のパターン数を掛け合わせた数として、５×３×２＝３０のデータセットによる複数の学習済みモデルが、重み付け探索用モデルとして作成されるようになっている。

【0048】

すなわち、本実施形態では、説明変数の重み付けを探索する工程において、正規化されたデータや、特徴的エンジニアリングによって変換された合成データを含む上述の３０のデータセットを説明変数として、好ましくはサポートベクターマシンをアルゴリズムとするニューラルネットワークによる機械学習を行うことで、掘進方向後方側の５リングＮ－１～Ｎ－５の、３０のデータセットによる説明変を入力データとし、掘進方向前方側の６箇所のリングＮ～Ｎ＋５を各々施工する際のシールド掘進機２０の先端の、水平偏差、垂直偏差、及び方向偏差の３偏差の各々を出力データとする、３０×６×３＝５４０の合計５４０の学習済みモデルを、重み付け探索用モデルとして作成することができる。

【0049】

また、本実施形態では、シールド施工現場における上述の学習領域で計測されて、シールド掘進管理システム１０からクラウドサーバ１１に送られて記憶・蓄積されている、掘進方向後方側の一又は複数のリングＮ－１～Ｎ－５を施工した際の施工計測データから選択された、上述の選択データを、作成した合計５４０の重み付け探索用モデルの各々に、説明変数として入力し、目的変数である、掘進方向前方側の所定のリングＮ～Ｎ＋５を施工した際のシールド掘進機２０の先端の３偏差（水平偏差、垂直偏差、及び方向偏差）を出力させる。このようにして、各々の重み付け探索用モデルから出力させた３偏差を、実測されてクラウドサーバ１１に記憶されている、シールド掘進機３０の先端の偏差の実測値と比較することで、これらの５４０（水平偏差用：１８０モデル、垂直偏差用：１８０モデル、方向偏差用：１８０モデル）の重み付け探索用モデルから、好ましくは最も実測値に近い水平偏差や垂直偏差や方向偏差を出力したものを選定する。選定した所定の重み付け探索用モデルを作成する際に用いたデータセットを構成する、各々の選択データに設定された重み付けから、各々の選択データに設定されるべき最適な重み付けを探索して、決定することが可能になる。

【0050】

また、これらの重み付けは、水平偏差用の１８０の重み付け探索用モデル、垂直偏差用の１８０の重み付け探索用モデル、又は方向偏差用の１８０の重み付け探索用モデルから、各々の偏差の実測値に最も近い水平偏差や垂直偏差や方向偏差を出力したものを選定して、各々の重み付け探索用モデルを作成する際に用いたデータセットを構成する、各々の選択データに設定された重み付けから、各々の選択データに設定されるべき最適な重み付けを探索して、決定することも可能になる。

【0051】

これらによって、本実施形態の掘進予測モデルの重み付け探索方法によれば、個々のパラメータに設定すべき重み付けの適否を判定するための、膨大な数の確認用モデルを作成することなく、好ましくはシールドエンジアの知見に基づいて、選択データを予めグループ分けしたり、グループ分けした選択データに重み付け基本値や重み付け係数を付与したりすることを可能にして、シールド掘進管理システムから送られて説明変数となるパラメータ（選択データ）に設定される重み付けの適否を、より効率良く判定できるようにして、人工知能による機械学習によって作成される予測モデルの精度を、一層向上させることが可能なる。

【0052】

なお、本発明は上記実施形態に限定されることなく種々の変更が可能である。例えば、学習済みモデルを作成するための説明変数となる施工計測データは、掘進方向後方側の直前の５リングから得られるものである必要は必ずしもなく、掘進方向後方側の一又は複数のリングを適宜選択して、これらのリングから得られる施工計測データとすることもできる。目的変数となるシールド掘進機の先端の偏差が計測されるリングは、掘進方向前方側の直後の６リングうちのいずれかである必要は必ずしも無く、７リング以上前方側のリングにおけるシールド掘進機の先端の偏差であっても良い。学習済みモデルやパラメータ確認用モデルや予測モデルを作成するための機械学習は、サポートベクターマシンをアルゴリズムとするニューラルネットワークによるものである必要は必ずしも無く、大量の施工計測データを解析することが可能な、その他の種々のアルゴリズムによるものであっても良い。

【符号の説明】

【0053】

１０ シールド掘進管理システム
１１ クラウドサーバ
１２ ＬＡＮ
１３ パーソナルコンピュータ
１４ ディスプレイ
２０ シールド掘進機
２０ａ 回転カッター
２０ｂ シールドジャッキ
２０ｃ スキンプレート
２０ｄ エレクター装置
２０ｅ セグメント
２１ 掘進計画延長線
２２ 学習領域
Ｎ～Ｎ＋５，Ｎ－１～Ｎ－５ リング

【図1】

【図2】

【図3】

【図4】

【図5】