特開2023-38192学習装置、学習方法、制御装置、建築構造物、学習済みモデルの生成方法、及びプログラム
(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】P2023038192
(43)【公開日】2023-03-16
(54)【発明の名称】学習装置、学習方法、制御装置、建築構造物、学習済みモデルの生成方法、及びプログラム
(51)【国際特許分類】
G01M 7/02 20060101AFI20230309BHJP
G01M 99/00 20110101ALI20230309BHJP
G01H 17/00 20060101ALI20230309BHJP
E04H 9/02 20060101ALI20230309BHJP
F16F 15/02 20060101ALI20230309BHJP
【ＦＩ】
G01M7/02 B
G01M99/00 Z
G01H17/00 D
E04H9/02 311
F16F15/02 A
【審査請求】有
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2022203054
(22)【出願日】2022-12-20
(62)【分割の表示】P 2021131179の分割
【原出願日】2017-11-09
【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り 株式会社ＮＴＴファシリティーズ、資料（ＮＥＷＳ ＲＥＬＥＡＳＥ）、平成２９年８月３０日発行 ウェブサイト（ｈｔｔｐ：／／ｗｗｗ．ｎｔｔ－ｆ．ｃｏ．ｊｐ／ｎｅｗｓ／２０１７／１７０８３０．ｈｔｍｌ）、平成２９年８月３０日掲載 ＮＴＴファシリティーズ ビジネスソリューションセミナー、平成２９年９月１３日開催 ＰＭシンポジウム２０１７、平成２９年９月１４日開催 ［関西］住宅・都市イノベーション総合展２０１７ 専門セミナー、平成２９年９月２１日開催 ＭＭフォーラム２１、平成２９年９月２６日開催 ＮＴＴ ＧＲＯＵＰ ＣＯＬＬＥＣＴＩＯＮ ２０１７（大阪）、平成２９年１０月５－６日開催 ＮＴＴファシリティーズフォーラム、平成２９年１０月１２日開催 ＮＴＴ ＧＲＯＵＰ ＣＯＬＬＥＣＴＩＯＮ ２０１７（福岡）、平成２９年１０月２６－２７日開催 一般社団法人電気通信協会、ＮＴＴ技術ジャーナル ２０１７年１１月号、Ｖｏｌ．２９、Ｎｏ．１１、平成２９年１１月１日発行 株式会社ＮＴＴファシリティーズ、ＮＴＴファシリティーズジャーナル、２０１７年１１月号、Ｎｏ．３２４、平成２９年１１月１日発行 数理システムユーザーコンファレンス２０１７ 論文集、平成２９年１１月２日発行 数理システムユーザーコンファレンス２０１７、平成２９年１１月２日開催
(71)【出願人】
【識別番号】593063161
【氏名又は名称】株式会社ＮＴＴファシリティーズ
(74)【代理人】
【識別番号】110001634
【氏名又は名称】弁理士法人志賀国際特許事務所
(72)【発明者】
【氏名】鈴木 幹夫
(72)【発明者】
【氏名】林 政輝
(72)【発明者】
【氏名】千葉 大輔
(72)【発明者】
【氏名】吉海 伸祐
(72)【発明者】
【氏名】渡邉 啓介
(57)【要約】
【課題】より簡易な方法で、建築構造物の振動を抑制できる。
【解決手段】制振制御システムは、複数の層を備える建築構造物の振動を模擬する振動シミュレータを用いて学習処理がなされた第１人工ニューラルネット（以下、第１ＮＮという。）を含み、前記複数の層のうちの特定の層を挟む２つの床部分に応力調整部が水平方向の偶力として作用させる力を、前記第１ＮＮにより調整する制御部を備える。
【選択図】図１
【解決手段】制振制御システムは、複数の層を備える建築構造物の振動を模擬する振動シミュレータを用いて学習処理がなされた第１人工ニューラルネット（以下、第１ＮＮという。）を含み、前記複数の層のうちの特定の層を挟む２つの床部分に応力調整部が水平方向の偶力として作用させる力を、前記第１ＮＮにより調整する制御部を備える。
【選択図】図１
【特許請求の範囲】
【請求項1】
複数の層を備える建築構造物の振動を模擬する振動シミュレータを用いて学習処理がなされた第１人工ニューラルネット（以下、第１ＮＮという。）を含み、前記複数の層のうちの特定の層を挟む２つの床部分に応力調整部が水平方向の偶力として作用させる力を、前記第１ＮＮにより調整する制御部
を備える制振制御システム。
を備える制振制御システム。
【請求項2】
前記建築構造物の動きを検出する検出部と、
制御に基づいて、前記２つの床部分に前記建築構造物内で前記偶力を掛ける応力調整部と、
を備え、
前記制御部の第１ＮＮは、
前記建築構造物の動きを表す物理量に基づいて前記応力調整部を制御する、
請求項１に記載の制振制御システム。
制御に基づいて、前記２つの床部分に前記建築構造物内で前記偶力を掛ける応力調整部と、
を備え、
前記制御部の第１ＮＮは、
前記建築構造物の動きを表す物理量に基づいて前記応力調整部を制御する、
請求項１に記載の制振制御システム。
【請求項3】
前記建築構造物の仮想建築構造物モデルを駆動する応答解析により、前記仮想建築構造物モデルに基づいて振動を解析する振動解析装置の第２人工ニューラルネットが前記応力調整部に代わる仮想応力調整部の制御量を生成し、前記生成された制御量に基づいて、前記２つの床部分に対応する前記仮想建築構造物モデルの第１質点と第２質点との間に、又は前記第１質点と前記仮想建築構造物モデルの基準面との間に前記仮想応力調整部が水平方向の偶力を作用させて、前記仮想建築構造物モデルを駆動する応答解析を実施して、前記仮想建築構造物モデルの各部の動きを表す状態値が生成され、
前記制御部の第１ＮＮの特徴情報が、前記振動シミュレータによって生成された前記状態値に基づいた振動制御の度合いを報酬にした学習により決定されている、
請求項１又は請求項２に記載の制振制御システム。
前記制御部の第１ＮＮの特徴情報が、前記振動シミュレータによって生成された前記状態値に基づいた振動制御の度合いを報酬にした学習により決定されている、
請求項１又は請求項２に記載の制振制御システム。
【請求項4】
複数の層を備える建築構造物の振動を模擬する振動解析装置であって、
人工ニューラルネットが生成する制御量に基づいて、前記複数の層のうちの特定の層を挟む２つの床部分に応力調整部が水平方向の偶力を作用させるように前記建築構造物の仮想建築構造物モデルを駆動して、前記仮想建築構造物モデルの各部の動きを表す状態値を振動解析により生成する振動シミュレータ
を備える振動解析装置。
人工ニューラルネットが生成する制御量に基づいて、前記複数の層のうちの特定の層を挟む２つの床部分に応力調整部が水平方向の偶力を作用させるように前記建築構造物の仮想建築構造物モデルを駆動して、前記仮想建築構造物モデルの各部の動きを表す状態値を振動解析により生成する振動シミュレータ
を備える振動解析装置。
【請求項5】
前記振動シミュレータは、前記２つの床部分に前記建築構造物内で作用させる前記偶力を動的に調整して前記状態値を生成する、
請求項４に記載の振動解析装置。
請求項４に記載の振動解析装置。
【請求項6】
複数の層を備える建築構造物の振動を模擬するシミュレータを用いて学習処理がなされた人工ニューラルネットが、前記複数の層のうちの特定の層を挟む２つの床部分に応力調整部が作用させる水平方向の偶力を調整する過程
を含む制振制御方法。
を含む制振制御方法。
【請求項7】
複数の層を備える建築構造物の振動を模擬する振動解析装置の振動解析方法であって、
人工ニューラルネットが生成する制御量に基づいて、前記複数の層のうちの特定の層を挟む２つの床部分に応力調整部が水平方向の偶力を作用させるように前記建築構造物の仮想建築構造物モデルを駆動して、前記仮想建築構造物モデルの各部の動きを表す状態値を生成する応答解析を実施する過程
を含む振動解析方法。
人工ニューラルネットが生成する制御量に基づいて、前記複数の層のうちの特定の層を挟む２つの床部分に応力調整部が水平方向の偶力を作用させるように前記建築構造物の仮想建築構造物モデルを駆動して、前記仮想建築構造物モデルの各部の動きを表す状態値を生成する応答解析を実施する過程
を含む振動解析方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、制振制御システム、制振制御方法、振動解析装置及び振動解析方法
に関する。
に関する。
【背景技術】
【0002】
制振制御システムにおける制振技術には、パッシブ方式とアクティブ方式が含まれる。アクティブ方式は、対象物に設けられたセンサによる計測値に基づいて、対象物に応力を掛けるアクチュエータを制御して、能動的に対象物の振動を抑制する。建築分野におけるアクティブ方式の制振制御システムとして、制御対象を定常かつ線形のシステムとして扱う制御理論を適用したものが知られている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２００５－２４９６８７号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、実際の建築構造物の場合、建築構造物に応力を生じさせる地震動などの外乱は非定常であり、建築構造物自体も非線形の特性を有する。そのため、建築構造物の制振制御システムに、制御対象を定常かつ線形のシステムとして扱う制御理論を適用しても、期待するほどの制振効果が得られないことがある。
【0005】
本発明が解決しようとする課題は、より簡易な方法で、建築構造物の振動を抑制できる制振制御システム、制振制御方法、振動解析装置及び振動解析方法を提供する。
【課題を解決するための手段】
【0006】
本発明の一態様の制振制御システムは、複数の層を備える建築構造物の振動を模擬する振動シミュレータを用いて学習処理がなされた第１人工ニューラルネット（以下、第１ＮＮという。）を含み、前記複数の層のうちの特定の層を挟む２つの床部分に応力調整部が水平方向の偶力として作用させる力を、前記第１ＮＮにより調整する制御部を備える制振制御システムである。
【0007】
上記の制振制御システムは、前記建築構造物の動きを検出する検出部と、制御に基づいて、前記２つの床部分に前記建築構造物内で前記偶力を掛ける応力調整部と、を備え、前記制御部の第１ＮＮは、前記建築構造物の動きを表す物理量に基づいて前記応力調整部を制御する。
【0008】
上記の制振制御システムにおいて、前記建築構造物の仮想建築構造物モデルを駆動する応答解析により、前記仮想建築構造物モデルに基づいて振動を解析する振動解析装置の第２人工ニューラルネットが前記応力調整部に代わる仮想応力調整部の制御量を生成し、前記生成された制御量に基づいて、前記２つの床部分に対応する前記仮想建築構造物モデルの第１質点と第２質点との間に、又は前記第１質点と前記仮想建築構造物モデルの基準面との間に、前記仮想応力調整部が水平方向の偶力を作用させて、前記仮想建築構造物モデルを駆動する応答解析を実施して、前記仮想建築構造物モデルの各部の動きを表す状態値が生成され、前記制御部の第１ＮＮの特徴情報が、前記振動シミュレータによって生成された前記状態値に基づいた振動制御の度合いを報酬にした学習により決定されている。
【0009】
本発明の一態様の振動解析装置は、複数の層を備える建築構造物の振動を模擬する振動解析装置であって、人工ニューラルネット（第１ＮＮ）が生成する制御量に基づいて、前記複数の層のうちの特定の層を挟む２つの床部分に応力調整部が水平方向の偶力を作用させるように前記建築構造物の仮想建築構造物モデルを駆動して、前記仮想建築構造物モデルの各部の動きを表す状態値を振動解析により生成する振動シミュレータを備える振動解析装置である。
【0010】
本発明の一態様の振動解析装置における前記振動シミュレータは、前記２つの床部分に前記建築構造物内で作用させる前記偶力を動的に調整して前記状態値を生成する。
【0011】
本発明の一態様の制振制御方法は、複数の層を備える建築構造物の振動を模擬するシミュレータを用いて学習処理がなされた人工ニューラルネット（第１ＮＮ）が、前記複数の層のうちの特定の層を挟む２つの床部分に応力調整部が作用させる水平方向の偶力を調整する過程を含む制振制御方法である。
【0012】
本発明の一態様の振動解析方法は、複数の層を備える建築構造物の振動を模擬する振動解析装置の振動解析方法であって、人工ニューラルネット（第１ＮＮ）が生成する制御量に基づいて、前記複数の層のうちの特定の層を挟む２つの床部分に応力調整部が水平方向の偶力を作用させるように前記建築構造物の仮想建築構造物モデルを駆動して、前記仮想建築構造物モデルの各部の動きを表す状態値を生成する応答解析を実施する過程を含む振動解析方法である。
【発明の効果】
【0013】
本発明によれば、より簡易な方法で、建築構造物の振動を抑制できる制振制御システム、制振制御方法、振動解析装置及び振動解析方法を提供できる。
【図面の簡単な説明】
【0014】
【図1】第１の実施形態の実施形態に係る制振制御システムの概要を説明するための図である。
【図2】実施形態の制振装置が設置される建物の一部を示す図である。
【図3】実施形態の制振装置を示す断面図である。
【図4】実施形態の制振制御システム１の制御系の構成図である。
【図5】実施形態の機械学習器１０の構成図である。
【図6】実施形態の仮想建築構造物モデルを説明するための図である。
【図7】実施形態のニューロンのモデルを示す模式図である。
【図8】実施形態のニューラルネットを示す模式図である。
【図9】実施形態の強化学習処理の手順を示すフローチャートである。
【発明を実施するための形態】
【0015】
以下、本発明の実施形態について、添付図面を参照して説明する。なお以下の説明では、同一または類似の機能を有する構成に同一の符号を付す。そして、それら構成の重複する説明は省略する場合がある。
なお、実施形態において建物は、建築構造物の一例であり、例えば、ラーメン構造を有するものであってよい。また、建物の「層」は、互いに地上高が異なる複数の床（床部分）に挟まれた範囲のことである。例えば、上記の複数の床が互いに隣り合う位置に配置されている場合には、各床部分は、建物の階に対応する。なお、偶力を作用させる一対の床の間には、偶力を作用させない他の床が配置されていてもよい。また、偶力を作用させる「床部分」は、振動シミュレータにおける仮想建築構造物モデルを多質点系で形成した場合の質点又は基準面に対応する。上記の基準面とは、仮想建築構造物モデルに対応する建物における地表面、基礎部、１階の床などに対応する。なお、実施形態において「人工ニューラルネットの特徴情報」とは、人工ニューラルネットにおける振動制御ルールとして獲得した情報のことである。
なお、実施形態において建物は、建築構造物の一例であり、例えば、ラーメン構造を有するものであってよい。また、建物の「層」は、互いに地上高が異なる複数の床（床部分）に挟まれた範囲のことである。例えば、上記の複数の床が互いに隣り合う位置に配置されている場合には、各床部分は、建物の階に対応する。なお、偶力を作用させる一対の床の間には、偶力を作用させない他の床が配置されていてもよい。また、偶力を作用させる「床部分」は、振動シミュレータにおける仮想建築構造物モデルを多質点系で形成した場合の質点又は基準面に対応する。上記の基準面とは、仮想建築構造物モデルに対応する建物における地表面、基礎部、１階の床などに対応する。なお、実施形態において「人工ニューラルネットの特徴情報」とは、人工ニューラルネットにおける振動制御ルールとして獲得した情報のことである。
【0016】
（第１の実施形態）
図１は、本発明の実施形態に係る制振制御システムの概要を説明するための図である。
図１は、本発明の実施形態に係る制振制御システムの概要を説明するための図である。
【0017】
［制振制御システムの概要］
制振制御システム１は、建物ＢＬを制御対象にして、建物ＢＬの制振制御を実施する。
制振制御システム１は、建物ＢＬを制御対象にして、建物ＢＬの制振制御を実施する。
【0018】
図１に示すように、制振制御システム１は、例えば、高層または超高層の建物（建築構造物）ＢＬに設けられ、地震動の発生時など（以下、単に「振動発生時」と称する）に建物ＢＬの揺れを抑制する。制振制御システム１は、例えば建物ＢＬの長周期地震動対策として設けられるアクティブ型の制振制御システムである。本実施形態の制振制御システム１は、複数の制振装置１１（応力調整部）と、複数のセンサ１２（検出部）と、制御部１３とを備えている。なお、制振装置１１およびセンサ１２は、それぞれ１つだけでもよい。なお、建物ＢＬは、１又は複数の層を備えるものであってよい。例えば、制振制御システム１は、高層の建物ＢＬに限らず、低層（例えば３階から５階建）の建物ＢＬに適用されてもよい。例えば、建物ＢＬにおいて、制振装置１１が配置された層の構造は、制振装置１１が配置されていない層の構造と所定の範囲内で同一である。図１に示す建物ＢＬは、ラーメン構造を有し、地盤上に構築されている。上記の所定の範囲内で同一とは、制振装置１１が配置された層の構造と、制振装置１１が配置されていない層の構造とが同じ構造様式を有することをいう。
【0019】
制振装置１１は、例えば建物ＢＬの下層部（低層階）に配置される。制振装置１１は、後述する回転型ダンパー２３を含み、振動発生時に減衰力を作用させる。複数の制振装置１１は、例えば建物ＢＬの複数の層（階）に分かれて配置される。なお、制振装置１１の設置個所は、建物ＢＬの下層部に限らず、任意の層（階）でよい。
【0020】
センサ（振動センサ）１２は、建物ＢＬの任意の層に配置され、建物ＢＬの振動に関する情報を検出する。センサ１２は、例えば建物ＢＬの振動を加速度として検出する加速度センサであるが、これに限定されない。例えば、センサ１２は、設置された地点の振動を検出し、直交する３軸方向の成分に分けて出力する。
【0021】
センサ１２は、例えば、制振装置１１を配置した層より低層側（建物の基礎部、地階を含む。）の層に設置される。制振装置１１を配置した層より低層側の層にセンサ１２を配置することにより、低層側の揺れの状況を反映した制御がしやすくなる。なお、各層においてセンサ１２を配置する位置には制限はなく、適宜選択してよい。以下の説明では、例えば、センサ１２を当該層の床、つまり階に配置する場合を例示して説明する。
【0022】
なお、制振装置１１を配置した層より低層側に設置するセンサ１２に代えて、センサ（不図示）を、建物ＢＬの敷地（以下、建物ＢＬの地盤という。）に設置してもよく、制振装置１１を配置した層より低層側の階と建物ＢＬの地盤の双方に設置してもよい。例えば、複数のセンサ１２は、建物ＢＬの複数の階に分かれて配置される。複数のセンサ１２は、建物ＢＬの上層部（高層階）と、中層部（中層階）と、下層部（制振装置１１を配置した層より低層階）又は建物ＢＬの地盤とにそれぞれ設置されてもよい。複数のセンサ１２を配置する層の位置は、建物ＢＬの構造により、建物ＢＬの振動の特徴を検出しやすい位置に配置するとよい。
【0023】
制御部１３は、有線または無線を介して複数の制振装置１１および複数のセンサ１２と通信可能に接続される。制御部１３は、センサ１２からセンサ１２の検出結果を取得する。そして、制御部１３は、センサ１２の検出結果に基づき、制振装置１１に発生させる力の大きさおよびタイミングを計算する。そして、制御部１３は、計算により求められた力の大きさおよびタイミングを示す情報に基づき、制振装置１１を制御する。例えば、制御部１３は、特定の層を挟む２つの床部分に作用する力を調整する。その方法は、建物ＢＬの地盤の振動を示す振動データ、又は建物ＢＬの振動を示す振動データに基づいて、上記の特定の層を挟む２つの床部分に作用する力を調整するものであってもよい。例えば、建物ＢＬの振動の振動データは、後述する制振装置１１を配置した層より低層側（低層側の層）の振動の振動データを含む振動の振動データに基づいて、前記特定の層を挟む２つの床部分に作用する力を調整するものであってもよい。
【0024】
制御部１３は、例えば、制振制御システム１のプロセッサがプログラムを実行することで実現されるソフトウェア機能部である。ただし、制御部１３は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）などのハードウェアによって実現されてもよいし、ソフトウェア機能部とハードウェアとが協働することで実現されてもよい。
【0025】
次に、本実施形態の制振装置１１について説明する。
図２は、実施形態の制振装置１１が設置される建物ＢＬの一部を示す図である。図２に示すように、建物ＢＬは、例えば、建物ＢＬの１フロアを形成する構造材の一部として、第１梁Ｂ１、第２梁Ｂ２、第１柱Ｐ１、第２柱Ｐ２、およびＹ形ブレースＢｒを有する。
図２は、実施形態の制振装置１１が設置される建物ＢＬの一部を示す図である。図２に示すように、建物ＢＬは、例えば、建物ＢＬの１フロアを形成する構造材の一部として、第１梁Ｂ１、第２梁Ｂ２、第１柱Ｐ１、第２柱Ｐ２、およびＹ形ブレースＢｒを有する。
【0026】
第１梁Ｂ１は、略水平方向に延びており、制振装置１１が設置されるフロアの床部Ｆの一部を形成している。第２梁Ｂ２は、第１梁Ｂ１と略平行に配置され、略水平方向に延びており、制振装置１１が設置されるフロアの天井部Ｃの一部を形成している。第１柱Ｐ１および第２柱Ｐ２は、それぞれ略鉛直方向に延びており、第１梁Ｂ１と第２梁Ｂ２とに亘っている。制振装置１１は、例えば、第１梁Ｂ１、第２梁Ｂ２、第１柱Ｐ１、および第２柱Ｐ２により囲まれる空間Ｓに配置される。
【0027】
Ｙ形ブレースＢｒは、第１ブレースＢｒ１、第２ブレースＢｒ２、および連結部Ｂｒ３を有する。第１ブレースＢｒ１の第１端部Ｂｒ１ａは、第２梁Ｂ２と第１柱Ｐ１との結合部に接続されている。第１ブレースＢｒ１の第２端部Ｂｒ１ｂは、第１端部Ｂｒ１ａに対して斜め下方に位置し、空間Ｓの水平方向の略中央部に位置する。同様に、第２ブレースＢｒ２の第１端部Ｂｒ２ａは、第２梁Ｂ２と第２柱Ｐ２との結合部に接続されている。第２ブレースＢｒ２の第２端部Ｂｒ２ｂは、第１端部Ｂｒ２ａに対して斜め下方に位置し、空間Ｓの水平方向の略中央部に位置する。連結部（頂部）Ｂｒ３は、第１ブレースＢｒ１の第２端部Ｂｒ１ｂと第２ブレースＢｒ２の第２端部Ｂｒ２ｂとを連結している。
【0028】
図２に示すように、本実施形態では、制振装置１１は、Ｙ形ブレースＢｒの連結部Ｂｒ３と、第２柱Ｐ２との間に設置されている。制振装置１１は、Ｙ形ブレースＢｒの連結部Ｂｒ３と、第２柱Ｐ２とに対してそれぞれ固定される。本願でいう「ＸＸに対して固定」とは、「ＸＸ」に対して直接に固定される場合に限らず、別の部材を介在させて間接的に固定される場合も含む。言い換えると、「ＸＸに対して固定」とは、「ＸＸに対して相対的に固定」を意味する。Ｙ形ブレースＢｒは、「第１部材」の一例である。第２柱Ｐ２は、「第２部材」の一例である。Ｙ形ブレースＢｒおよび第２柱Ｐ２は、振動発生時に相対変位（相対変形）する部材の組の一例である。なお、制振装置１１が設けられる建物ＢＬの構造は、上記例に限定されない。
【0029】
次に、本実施形態の制振装置１１の構成について説明する。
図３は、実施形態の制振装置１１を示す断面図である。図３に示すように、制振装置１１は、ケース２１、固定部材２２、回転型ダンパー２３、固定機構２４、伝達部２５、およびアクチュエータ２６を備えている。
図３は、実施形態の制振装置１１を示す断面図である。図３に示すように、制振装置１１は、ケース２１、固定部材２２、回転型ダンパー２３、固定機構２４、伝達部２５、およびアクチュエータ２６を備えている。
【0030】
ケース２１は、第１梁Ｂ１によって形成される床部Ｆの上に設置される。ケース２１は、箱状に形成され、回転型ダンパー２３の一部、固定機構２４の第２固定部５２、伝達部２５、およびアクチュエータ２６を収容している。ケース２１は、回転型ダンパー２３が通される開口部２１ａを有する。なお、ケース２１は、必須の構成要素ではなく、省略されてもよい。
【0031】
固定部材（取付部材、連結部材）２２は、ケース２１と第２柱Ｐ２との間に設けられている。固定部材２２は、第２柱Ｐ２（例えば、第２柱Ｐ２の脚部）に対して固定され、振動発生時に第２柱Ｐ２（例えば、第２柱Ｐ２の脚部）と一体に変位する。固定部材２２には、ケース２１、固定機構２４の第２固定部５２、およびアクチュエータ２６が固定される。
【0032】
回転型ダンパー２３は、Ｙ形ブレースＢｒの連結部Ｂｒ３と、固定部材２２との間に配置されている。ここで、回転型ダンパー２３の「軸方向ＡＤ」および「径方向Ｒ」を定義する。軸方向ＡＤは、回転型ダンパー２３の後述する軸部材３６の軸方向（長手方向）である。径方向Ｒは、軸方向ＡＤとは略直交する方向であり、例えば軸部材３６から放射状に離れる方向である。また、以下の説明における「回転」とは、軸方向ＡＤに延びた中心線周りの回転を意味する。
【0033】
本実施形態では、回転型ダンパー２３は、軸方向ＡＤを略水平にして配置されている。回転型ダンパー２３は、ケース２１に設けられた開口部２１ａを通じて、ケース２１の内部からケース２１の外部に突出している。詳しく述べると、回転型ダンパー２３の外筒３１は、軸方向ＡＤの両端部として、第１端部３１ａと、第２端部３１ｂとを有する。第１端部３１ａは、ケース２１の外部において、Ｙ形ブレースＢｒの連結部Ｂｒ３とケース２１の外面との間に位置する。一方で、第２端部３１ｂは、第１端部３１ａとは反対側に位置し、ケース２１の内部に収容されている。
【0034】
例えば、回転型ダンパー２３は、外筒３１の内部に回転体３２を備えており、外筒３１に対する回転体３２の回転による減衰特性を有する。例えば、回転型ダンパー２３は、オイルダンパー、粘性ダンパー、粘弾性ダンパーなどのいずれでもよい。
【0035】
次に、固定機構２４、伝達部２５、およびアクチュエータ２６について説明する。固定機構２４は、回転型ダンパー２３を建物ＢＬに対して固定する。固定機構２４は、第１固定部５１と、第２固定部５２とを含む。
【0036】
第１固定部５１は、外筒３１から突出した軸部材３６の端部に取り付けられる。第１固定部５１は、軸部材３６の前記端部を、Ｙ形ブレースＢｒの連結部Ｂｒ３に対して固定する。言い換えると、第１固定部５１は、Ｙ形ブレースＢｒの連結部Ｂｒ３に対して軸部材３６の軸方向ＡＤの位置（相対位置）を固定する。これにより、振動発生時にＹ形ブレースＢｒの連結部Ｂｒ３が軸方向ＡＤに変位する場合、回転型ダンパー２３の軸部材３６は、Ｙ形ブレースＢｒの連結部Ｂｒ３と一体に軸方向ＡＤに変位する。例えば、回転型ダンパー２３の軸部材３６は、第１固定部５１によって、Ｙ形ブレースＢｒの連結部Ｂｒ３に対して回転しないように固定されている。
【0037】
第２固定部５２は、回転型ダンパー２３の外筒３１の第２端部３１ｂと固定部材２２との間に設けられている。第２固定部５２は、回転型ダンパー２３の外筒３１を、固定部材２２に固定する。言い換えると、第２固定部５２は、回転型ダンパー２３の外筒３１を、固定部材２２を介して例えば建物ＢＬの第２柱Ｐ２の脚部に固定する。すなわち、第２固定部５２は、第２柱Ｐ２の脚部に対して外筒３１の軸方向ＡＤの位置（相対位置）を固定する。これにより、振動発生時に第２柱Ｐ２が軸方向ＡＤに変位する場合、回転型ダンパー２３の外筒３１は、第２柱Ｐ２の脚部と一体に軸方向ＡＤに変位する。ただし、本実施形態の構成は、上記例に限定されない。例えば、第２固定部５２は、直接、または固定部材２２やケース２１などを介して床部Ｆに固定されてもよい。この場合、回転型ダンパー２３の外筒３１は、第２柱Ｐ２と一体に変位することに代えて、床部Ｆと一体に変位してもよい。また、別の例として、回転型ダンパー２３の外筒３１は、第２柱Ｐ２や床部Ｆとは異なる部材と一体に変位してもよい。
【0038】
本実施形態の第２固定部５２は、第２柱Ｐ２に対して回転型ダンパー２３の外筒３１を回転可能に支持する。詳しく述べると、第２固定部５２は、支持軸５６と、回転支持機構５７とを有する。
【0039】
支持軸５６は、回転型ダンパー２３の外筒３１の第２端部３１ｂに固定され、外筒３１と一体に回転可能である。支持軸５６は、軸方向ＡＤに沿って、外筒３１の第２端部３１ｂから固定部材２２に向けて延びている。支持軸５６のなかで固定部材２２の近くに位置する端部は、支持軸５６の直径が大きくなった拡径部５６ａを有する。
【0040】
回転支持機構５７は、固定部材２２に固定されている。回転支持機構５７は、軸受５７ａと、ホルダ５７ｂとを有する。軸受５７ａは、固定部材２２に対して（すなわち第２柱Ｐ２に対して）支持軸５６および外筒３１を回転可能に支持する。
【0041】
以上のような構成により、第２固定部５２は、第２柱Ｐ２（例えば、第２柱Ｐ２の脚部）に対して外筒３１の軸方向ＡＤの位置を固定するとともに、第２柱Ｐ２に対して外筒３１を回転可能に支持する。言い換えると、外筒３１は、第２固定部５２によって、建物ＢＬ、ケース２１、およびアクチュエータ２６に対して回転可能に支持されている。
【0042】
次に、伝達部２５について説明する。
伝達部２５は、アクチュエータ２６と回転型ダンパー２３の外筒３１との間に設けられ、アクチュエータ２６からの動力を回転型ダンパー２３の外筒３１に伝える。伝達部２５は、例えば、外筒３１の外周面に設けられたギアである。伝達部２５は、例えば、外筒３１の外周面に沿う環状に形成され、外筒３１の外周面の全周に亘って設けられている。なお、伝達部２５は、アクチュエータ２６からの動力を回転型ダンパー２３の外筒３１に伝えることができる部材であれば、構成や取付位置などは限定されない。伝達部２５は、外筒３１とは別体に形成されて外筒３１に取り付けられていてもよく、外筒３１と一体に成形されていてもよい。また、伝達部２５は、ギアに限定されず、高摩擦部材（例えばゴム部材）などでもよい。
伝達部２５は、アクチュエータ２６と回転型ダンパー２３の外筒３１との間に設けられ、アクチュエータ２６からの動力を回転型ダンパー２３の外筒３１に伝える。伝達部２５は、例えば、外筒３１の外周面に設けられたギアである。伝達部２５は、例えば、外筒３１の外周面に沿う環状に形成され、外筒３１の外周面の全周に亘って設けられている。なお、伝達部２５は、アクチュエータ２６からの動力を回転型ダンパー２３の外筒３１に伝えることができる部材であれば、構成や取付位置などは限定されない。伝達部２５は、外筒３１とは別体に形成されて外筒３１に取り付けられていてもよく、外筒３１と一体に成形されていてもよい。また、伝達部２５は、ギアに限定されず、高摩擦部材（例えばゴム部材）などでもよい。
【0043】
アクチュエータ２６は、回転型ダンパー２３の外部に設けられている。アクチュエータ２６は、例えば電動アクチュエータであり、モータ（駆動源）６１、減速機６２、およびギア６３を有する。減速機６２は、モータ６１に接続されており、モータ６１から動力が伝達される。ギア６３は、減速機６２に接続されており、減速機６２から動力が伝達される。ギア６３は、回転型ダンパー２３の外筒３１に設けられた伝達部２５に係合している。モータ６１は、減速機６２を介してギア６３を回転させることで、伝達部２５に動力（回転トルク）を作用させる。なお、減速機６２は、必須の構成要素ではなく、省略されてもよい。この場合、モータ６１が直接にギア６３に接続されてもよい。
【0044】
アクチュエータ２６は、伝達部２５に動力を作用させることで、伝達部２５を介して回転型ダンパー２３の外筒３１に動力（回転トルク）を直接に作用させる。これにより、アクチュエータ２６は、建物ＢＬに対して回転型ダンパー２３の外筒３１を回転させる。なお、「回転型ダンパーの外筒に動力を直接に作用させる」とは、回転型ダンパー２３の軸部材３６を介さずに、回転型ダンパー２３の外筒３１に動力を作用させる（軸部材３６を介さずに外筒３１を回転させる）ことを意味する。言い換えると、「回転型ダンパーの外筒に動力を直接に作用させる」とは、外筒３１に対する軸部材３６の位置や移動速度（回転体３２の回転速度）とは関係なく、外筒３１を外部から強制的に回転させることを意味する。
【0045】
アクチュエータ２６は、建物ＢＬに対して外筒３１を回転させることで、回転型ダンパー２３の回転体３２に対して外筒３１を回転させる。これにより、アクチュエータ２６は、外筒３１と回転体３２との間の相対回転速度を変化させ、外筒３１と回転体３２との間に作用する減衰力の大きさや発生タイミングを変化させることで、制振装置１１の減衰特性を変化させる。
【0046】
例えば、アクチュエータ２６は、軸部材３６に入力された外力（例えば、Ｙ形ブレースＢｒと第２柱Ｐ２の脚部（または床部Ｆ）との間の相対変位により軸部材３６に作用する力）によって軸部材３６が移動し、外筒３１に対して回転体３２が第１方向に回転する場合に、回転体３２に対して外筒３１を前記第１方向とは反対の第２方向に回転させる動力を出力することができる。アクチュエータ２６は、第１方向に回転する回転体３２に対してその反対方向に外筒３１を回転させることで、制振装置１１の減衰力を高めることができる。
【0047】
また、アクチュエータ２６は、軸部材３６に入力された外力によって軸部材３６が移動し、外筒３１に対して回転体３２が第１方向に回転する場合に、回転体３２に対して外筒３１を前記第１方向と同じ方向に回転させる動力を出力することができる。アクチュエータ２６は、第１方向に回転する回転体３２に対して同じ方向に外筒３１を回転させることで、制振装置１１の減衰力を小さくするまたはゼロにすることができる。
【0048】
以上説明したような制振装置１１によれば、アクチュエータ２６によって回転型ダンパー２３の外筒３１を回転させることで、制振装置１１の減衰特性を動的に変化させ、建物ＢＬの振動をより効果的に減衰させることができる。例えば、制振装置１１は、建物ＢＬの振動に応じてアクチュエータ２６の出力（モータ６１の回転速度など）を変化させることで、回転型ダンパー２３の外筒３１の回転状態を変化させ、建物ＢＬの振動をより効果的に抑制することができる。
【0049】
次に、本実施形態の制振制御システム１の動作の概要について説明する。図４は、実施形態の制振制御システム１の制御系の構成図である。制振制御システム１は、実空間にある建物ＢＬの制振制御を実施する。
【0050】
制御部１３（図４ではコントローラ１３）は、建物ＢＬを制御対象にして、センサ１２が出力する振動データに基づいた建物ＢＬの状態を示す状態値（状態ｓ）を帰還させるフィードバック制御を実施する。なお、帰還させる状態値は、不図示の遅延要素によって適宜遅延されたものであってよい。この制振制御システム１における制御目標は、外乱が生じても建物ＢＬが振動しないこと、又は外乱により生じた振動を減衰させることである。地震動などは、建物ＢＬに作用する外乱の一例である。
【0051】
このような制御部１３は、センサ１２による振動の検出結果（振動データ）に基づき、制振装置１１のアクチュエータ２６を制御して、回転型ダンパー２３の外筒３１を回転させる。
【0052】
これにより、制振制御システム１は、振動発生時に、Ｙ形ブレースＢｒの連結部Ｂｒ３と第２柱Ｐ２の脚部（または床部Ｆ）との間の相対変位に基づき回転型ダンパー２３の軸部材３６が移動することで回転体３２が回転することに加え、アクチュエータ２６によって外筒３１を追加で回転させることで、回転型ダンパー２３の外筒３１と回転体３２との間に作用する減衰力の大きさや発生タイミングを調整することができる。さらに、これにより、制振制御システム１は、アクティブ方式の制振作用を奏し、パッシブ方式の制振よりも効果的な制振を行うことが可能となる。
【0053】
なお、実施形態の制御部１３は、制御対象である建物ＢＬの振動を模擬する振動シミュレータ１１０を用いて学習処理がなされたニューラルネット１３ＮＮ（第１人工ニューラルネット。以下、単にＮＮという。）を備える。制御部１３のＮＮは、建物ＢＬの各部の動きを表す物理量に基づいて制振装置１１に対する制御量を生成する。建物ＢＬの各部の動きを表す物理量は、例えば、センサ１２の振動データである。このような制御部１３は、センサ１２の振動データに基づいて、ＮＮにより制振装置１１を制御することができる。上記のＮＮの構成例については後述する。
【0054】
なお、制振装置１１に対する制御量は、例えば、回転型ダンパー２３の軸長、軸伸縮速度、軸剛性、軸力の何れかを調整するものであってよい。上記の軸長とは、例えば、回転型ダンパー２３における外筒３１に対する軸部材３６の突出量のことである。軸伸縮速度とは、軸部材３６の移動方向において、外筒３１に対する軸部材３６の相対的な移動速度のことである。軸剛性とは、軸部材３６の軸周りの捩じり剛性のことである。軸力とは、外筒３１に対して軸部材３６が移動する際の抵抗力のことである。このように定められた制振装置１１に対する制御量に基づいて、建物ＢＬにおいて制振装置１１が配置された特定の層を挟む２つの床部分に作用する水平方向の偶力を調整することができる。
【0055】
次に、制御部１３のＮＮの学習について説明する。実施形態の制御部１３のＮＮは、実際の建物ＢＬに適用する前に、学習によって決定された振動制御ルールを獲得する。これにより、制御部１３としての応答特性が調整される。この制御部１３のＮＮの学習は、機械学習器１０による強化学習によって実施される。なお、制御部１３のＮＮは、実際の建物ＢＬに適用された後に、その振動制御ルールを獲得すること、例えば、その応答特性が再調整されることを制限するものではない。
【0056】
【0057】
機械学習器１０（振動解析装置）は、振動解析部１００と、報酬生成部１５０と、学習制御部１７０とを備える。
【0058】
振動解析部１００は、振動シミュレータ１１０と、コントローラ１３０とを備える。
【0059】
振動シミュレータ１１０は、実際の建物ＢＬに代わる仮想建物（仮想建築構造物モデル）の振動をシミュレーションする。実施形態の振動シミュレータ１１０は、仮想アクチュエータ１１１と、仮想センサ１１２と、仮想建物本体１１３とを含む。仮想アクチュエータ１１１と、仮想センサ１１２とは、制振装置１１と、センサ１２とにそれぞれ対応するものであってよい。仮想建物本体１１３は、主に建物ＢＬの構造部材に対応する。
【0060】
仮想アクチュエータ１１１は、制御に応じて仮想建物本体１１３に応力を作用する。仮想建物本体１１３に作用する応力は、少なくとも特定の層を挟む２つの床部分に偶力が作用する場合を含む。振動シミュレータ１１０は、仮想建物本体１１３に、所定の振動データに基づいた外乱と、仮想アクチュエータ１１１による応力とが作用した場合に、仮想建物本体１１３に生じる振動を再現する。
【0061】
仮想センサ１１２は、仮想建物本体１１３における所定の位置の振動を検出する。例えば、振動は、変位、速度、加速度などの大きさと方向とを有する物理量として検出され、時系列の振動データとして記録される。
【0062】
振動シミュレータ１１０は、図６に示す仮想建築構造物モデルを用いた振動シミュレーションを実施する。図６は、実施形態の仮想建築構造物モデルを説明するための図である。図６（ａ）に、地盤に建てられた建物ＢＬの多質点モデルを示す。Ｍ１からＭｍは、第１層から第ｍ層までの各層の質点を示す。外乱としての地震動が地盤側から建物ＢＬの最下層（基礎）に伝わる。
【0063】
図６（ｂ）は、図６（ａ）の多質点モデルを振動モデルとして示したものである。この図６によれば、制振装置１１が、最下層と第１層との間と、第１層と第２層との間とに設けられ、それ以外の層（層間）には設けられていない状態を示す。この場合、最下層と第１層との間に要素ｋ１、ｃ１、ｙ１があり、第１層と第２層との間に要素ｋ２、ｃ２、ｙ２があり、第２層と第３層との間に要素ｋ３がある。記載を省略するが第３層以上も要素ｋ４からｋｍがある。要素ｋ１からｋｍは、ばね定数である。要素ｃ１、ｃ２は減衰係数である。要素ｙ１、ｙ２は、アクチュエータによる制御量である。
【0064】
実施形態の振動シミュレータ１１０は、振動シミュレーションにより上記の多質点モデルを用いて建物ＢＬの振動を再現させる。
【0065】
図５に戻り、コントローラ１３０について説明する。コントローラ１３０は、図１に示す制御部１３をモデル化したものであり、制御部１３のＮＮと同様の構成をモデル化したＮＮ１３１（第２人工ニューラルネット）を備える。
【0066】
振動解析部１００は、振動シミュレータ１１０と、コントローラ１３０とを連系させることにより、実際の制振制御システム１の制御系と同様に、フィードバック制御による仮想建築構造物モデルの制振制御を実施する。
【0067】
報酬生成部１５０は、振動解析部１００による解析結果に基づいた報酬ｒを生成する。
報酬ｒは、強化学習に用いられる。実施形態の報酬生成部１５０は、コントローラ１３０の制御を受けた場合の仮想建築構造物モデルの振動の大きさ（状態ｓ）に基づいて、報酬ｒを生成する。例えば、式（１）に報酬ｒを算出するための関数Ｒ（・）を示す。
報酬ｒは、強化学習に用いられる。実施形態の報酬生成部１５０は、コントローラ１３０の制御を受けた場合の仮想建築構造物モデルの振動の大きさ（状態ｓ）に基づいて、報酬ｒを生成する。例えば、式（１）に報酬ｒを算出するための関数Ｒ（・）を示す。
【0068】
ｒ＝Ｒ（ｓ）＝Ｒ（ｘ ｘ’ ｘ’’） ・・・（１）
【0069】
式（１）において、ｓは状態を示すベクトルである。ｘ、ｘ’、ｘ’’は、振動量を示し、各層の変位、速度、加速度をそれぞれ示すベクトルである。関数Ｒは、状態ｓを変数にとるか、或いは、各層の変位、速度、加速度のうちの一部または全部を変数にとる。このような関数Ｒは、線形又は非線形の演算式として定めることができる。なお、関数Ｒは、複数の演算式の組み合わせにより構成されてもよい。上記の演算式には、行列式、差分方程式などを含めてもよい。
【0070】
例えば、ｘ、ｘ’、ｘ’’のそれぞれの絶対値を加算して負の係数を掛ける関数Ｒを規定する。この関数Ｒ（ｘ ｘ’ ｘ’’）は、各変数の値が小さければ、より大きな値を示すものになる。関数Ｒが、建物ＢＬの振動量が多いほど、又は振動が激しいほど負の値が大きくなる。報酬生成部１５０は、振動の大きさに応じた値の報酬ｒを算出する。報酬ｒの値により、建物ＢＬの振動量が少ない状態、又は振動が緩やかな状態を識別することにより、より好ましい状態に学習できていることを識別できる。
【0071】
なお、関数Ｒは、これに制限されることなく、各係数や、他の形態の演算式を適宜設定してもよい。報酬生成部１５０は、上記の式（１）を用いて報酬ｒを算出する。
【0072】
学習制御部１７０は、後述する更新式及び報酬ｒに基づいて、現在の状態変数（状態ｓ）及び取り得る行動（行動ａ）に対応する行動方策又は行動価値を更新する。
【0073】
例えば、上記の振動解析部１００は、学習制御部１７０から行動方策の指示を受ける。実施形態における行動方策には、ＮＮ１３１の特性情報、シミュレーションに適用する振動波形の種別などが含まれる。ＮＮ１３１の特性情報には、例えば、後述する重みＷなどが含まれる。ＮＮ１３１の特性情報は、強化学習（深層強化学習）によって最適化される。
【0074】
なお、図５に示す機械学習器１０の各構成を下記のように捉えてもよい。振動シミュレータ１１０と報酬生成部１５０とを纏めて「環境１１０Ｅ」とする。学習制御部１７０とコントローラ１３０とを纏めて「エージェント１７０Ａ」とする。「環境１１０Ｅ」と「エージェント１７０Ａ」を含む機械学習器１０は、所謂強化学習の一形態として扱える。
【0075】
次に、実施形態に適用する強化学習アルゴリズムの一例として、Ｑ学習法（Q-learning）とグレディー（ε-greedy）法を適用した場合について説明する。
【0076】
Ｑ学習法は、或る環境状態ｓ（以下、単に状態ｓという。）の下で、行動ａを選択する価値関数Ｑ（ｓk，ａk）（以下、関数Ｑ（ｓ，ａ）と言い、その値をＱ値という。）を学習する方法である。以下、価値関数Ｑ（ｓk，ａk）のことを単に関数Ｑ（ｓ，ａ）と言いう。
【0077】
例えば、或る状態ｓのとき、価値の最も高い行動ａを最適な行動として選択することが要求される。このような状態ｓにおいて行動ａを選択した場合の価値を関数Ｑ（ｓ，ａ）により求まるＱ値で示す。
【0078】
なお、正しい行動ａを選択可能とする程度まで近似できていない関数Ｑ（ｓ，ａ）を用いても、正しいＱ値を得ることができない。そこで、より良い行動ａが選択されたことをよしとする報酬ｒを与える学習を実施することにより、学習制御部１７０は、関数Ｑの適格性を高める。学習制御部１７０は、或る状態ｓの下で行動ａを選択する試行を繰り返すことにより、より良い行動ａが選択できる関数Ｑ（ｓ，ａ）を学習する。
【0079】
行動を行った結果から、短期的な価値を得ることより、将来に渡って得られる報酬の合計が大きくなる（最大化する）ことを目標に最適化された関数Ｑ（ｓ，ａ）を導出する。関数Ｑ（ｓ，ａ）の更新式を式（２）に示す。
【0080】
【数1】
【0081】
ここで、ｓkは時刻ｋにおける環境の状態を表し、ａkは時刻ｋにおける行動を表す。行動ａkにより、状態はｓk+1に変化する。ｒk+1は、その状態の変化により貰える報酬を表している。また、ｍａｘの付いた項は、状態ｓk+1の下でとり得る行動ａを試行した中で最も高いＱ値にγを乗じたものになる。γは割引率であって、０＜γ≦１の範囲の値をとる。αは学習係数であって、０＜α≦１の範囲の値をとる。
【0082】
この式（２）は、行動ａkの結果得られた報酬ｒk+1を元に、状態ｓkにおける行動ａkの評価値であるＱ（ｓk，ａｋ）を更新する一例を表している。
【0083】
上記のように関数Ｑ（ｓ，ａ）を用いた強化学習により、Ｑ値すなわち評価価値が高かった所望の振動制御ルール（応答特性）のＮＮを得ることができる。
【0084】
次に、ε-グレディー法（ε-greedy）についてその概要を説明する。
ある程度学習が進むと、関数Ｑ（ｓ，ａ）の値を最大にする行動ａが、実際に選択すべき行動に近いものになる。ただし、条件により、所望の学習が進行しなくなる場合がある。
ある程度学習が進むと、関数Ｑ（ｓ，ａ）の値を最大にする行動ａが、実際に選択すべき行動に近いものになる。ただし、条件により、所望の学習が進行しなくなる場合がある。
【0085】
そこで、コントローラ１３０は、行動ａを選択するに当たり、関数Ｑ（ｓ，ａ）の値を最大にする行動ａを選ぶだけではなく、ある割合εでランダムな行動を、割合（１－ε）で関数Ｑ（ｓ，ａ）の値が最大になる行動を選択する（ε-greedy法）。これにより、演算の過程で関数Ｑ（ｓ，ａ）が最大になる行動が必ずしも最適な行動とは限らないということを条件に含めて試行することができる。
【0086】
なお、制御部１３の最適化のための処理については、後述する。
【0087】
次に、図７と図８とを参照して、実施形態のＮＮについて説明する。図７は、実施形態のニューロンのモデルを示す模式図である。ＮＮは、例えば図７に示すようなニューロンのモデルを模した演算装置及びメモリ等で構成される。
【0088】
図７に示すように、ニューロンは、複数の入力ｘ（ここでは一例として、入力ｘ１～入力ｘ３）に対する出力ｙを出力するものである。各入力ｘ１～ｘ３には、この入力ｘに対応する重みｗ（ｗ１～ｗ３）が掛けられる。これにより、ニューロンは、次の式により表現される出力ｙを出力する。なお、入力ｘ、出力ｙ、及び重みｗは、全てベクトルである。上記の関係を式（３）に示す。
【0089】
【数2】
【0090】
上記の式（３）において、θはバイアスであり、ｆkは活性化関数である。活性化関数として、シグモイド曲線を模したもの、量子化された離散値を示すものなどを適用してもよい。
【0091】
次に、上述したニューロンを組み合わせたＮＮの一例について、図８を参照して説明する。図８は、実施形態のＮＮを示す模式図である。図８に示すＮＮは、Ｄ１～Ｄ３の３層構造である。Ｄ１が入力層であり、Ｄ２が中間層であり、Ｄ３が出力層である。
【0092】
図８に示すように、ＮＮの左側から複数の入力ｘ（ここでは一例として、入力ｘ１～入力ｘ３）が入力され、右側から結果ｙ（ここでは一例として、結果ｙ１と結果ｙ２）が出力される。
【0093】
具体的には、入力層Ｄ１において、３つのニューロンＮ１１～Ｎ１３が、入力ｘ１～入力ｘ３の各々に対して対応する重みを掛けて総和をとり、活性化関数によって生成したＺ１１～Ｚ１３をそれぞれ出力する。これらの重みは、まとめてＷ１と標記されている。これらのＺ１１～Ｚ１３をまとめて特徴ベクトルＺ１と標記する。特徴ベクトルＺ１は、入力ｘ１～入力ｘ３を要素とする入力ベクトルから導かれた特徴量を示す。
【0094】
中間層Ｄ２において、２つのニューロンＮ２１、Ｎ２２が、特徴ベクトルＺ１の要素であるＺ１１～Ｚ１３の各々に対して対応する重みを掛けて総和をとり、活性化関数によって生成したＺ２１、Ｚ２２をそれぞれ出力する。これらの重みは、まとめてＷ２と標記されている。これらのＺ２１、Ｚ２２をまとめて特徴ベクトルＺ２と標記する。特徴ベクトルＺ２は、特徴ベクトルＺ１から導かれた特徴量を示す。
【0095】
出力層Ｄ３において、２つのニューロンＮ３１、Ｎ３２が、特徴ベクトルＺ２の要素であるＺ２１、Ｚ２２の各々に対して対応する重みを掛けて総和をとり、活性化関数によって生成した結果ｙ１と結果ｙ２をそれぞれ出力する。これらの重みは、まとめてＷ３と標記されている。結果ｙ１と結果ｙ２は、特徴ベクトルＺ１から導かれる。
【0096】
学習段階でＮＮの構成及び重みＷ１～Ｗ３が確定する。確定したＮＮの構成及び重みＷ１～Ｗ３は、実際の建物ＢＬの制振制御システム１の制御部１３のＮＮに適用される。このようなＮＮの層数は、中間層を複数にして、３層以上に増やすことも可能である。
【0097】
コントローラ１３０のＮＮ１３１は、例えば、上記のようなＮＮを含む。ＮＮ１３１は、学習制御部１７０による行動方策の指示に対応付けてＮＮ１３１の重みＷを調整する。ＮＮ１３１は、仮想センサ１１２の測定データに基づいた状態ｓの下で、行動方策に対応する重みＷを用いて行動ａを算出する。つまり、重みＷは、関数（Ｓ，ａ）に関連付けられている。例えば、重みＷは、ルックアップテーブル形式で記憶領域に格納されていてもよい。算出された行動ａは、仮想アクチュエータ１１１に対する制御指令である。
【0098】
コントローラ１３０は、行動方策の指示に従いＮＮ１３１を調整した後、仮想センサ１１２の測定データに基づいた状態ｓの下で仮想アクチュエータ１１１に対する制御指令値を逐次算出する。なお、コントローラ１３０は、ＮＮの結果ｙ１と結果ｙ２の何れかを制御指令値にしてもよく、ＮＮの結果ｙ１と結果ｙ２を組み合わせて導出された値を制御指令値にしてもよい。例えば、コントローラ１３０は、ＮＮの結果ｙ１と結果ｙ２のなかの最大値を制御指令値にする。
【0099】
振動解析部１００において、コントローラ１３０は、振動シミュレータ１１０が出力する状態ｓを帰還させたフィードバック制御系を構成する。この制御系の制御目標は、外乱が生じても仮想建築構造物モデルが振動しないこと、又は外乱により生じた振動を減衰させることである。
【0100】
振動解析部１００は、振動シミュレータ１１０とコントローラ１３０とを連系させて、仮想建築構造物モデルの振動解析シミュレーションを実施して、その結果として仮想センサ１１２の測定データに基づいた状態ｓを出力する。
【0101】
次に、本発明の実施例に係る機械学習器１０の動作について説明する。
【0102】
実施形態の機械学習器１０は、制御部１３を調整する過程で、実際の建物ＢＬを用いた振動解析（強化学習）に代えて、建物ＢＬの仮想建築構造物モデルを用いた数値解析による振動シミュレーション（強化学習）を実施する。
【0103】
これにより、制振制御システム１は、下記のことを可能にする。例えば、制御部１３を最適化するために、実際の建物ＢＬを利用することが困難なことがあっても、振動シミュレーションを利用することによって制振制御システム１を構築できる。また、建物ＢＬの位置に地震波が到来することはまれであり、強化学習を効率よく実施できるほど多くはないが、振動シミュレーションを利用することによって、十分な学習を短い期間で効率よく実施できる。これにより、実際の建物ＢＬに制振制御システム１を適用した当初の段階から、実際に発生した地震に対して適切な制振効果が得られる。更に、建物ＢＬの設計段階などでは対象の建物ＢＬが実在しない場合に、振動シミュレーションを利用することで、将来予定される建物ＢＬの解析も実施できる。
【0104】
実施形態の機械学習器１０において、振動解析部１００は、建物ＢＬをモデル化した仮想建築構造物モデルと、建物ＢＬに対する外乱にあたる振動データ（以下、外乱データという。）とに基づいて、振動シミュレーションにより仮想建築構造物モデルにおける各部の振動を模擬する。これにより、振動解析部１００は、制御部１３の調整に利用するためのデータを生成する。
【0105】
例えば、外乱データによる振動が仮想建物に伝わると仮想建築構造物モデルが搖動する。振動解析部１００は、上記の仮想建築構造物モデルの挙動を再現する。さらに、振動解析部１００は、外乱データが示す振動による仮想建築構造物モデルに加わる応力の他、仮想アクチュエータ１１１が仮想建築構造物モデルに作用させる応力を再現する。振動解析部１００は、実際のセンサ１２に代わって各部の振動に関する振動データを出力する。
【0106】
実施形態の機械学習器１０は、制御部１３の最適化のための強化学習処理を下記の手順で実施する。図９は、実施形態の強化学習処理の手順を示すフローチャートである。
【0107】
ステップＳＡ１１：
振動解析部１００は、建物ＢＬの仮想建築構造物モデルと、制振装置１１の特性と配置位置に関する情報を取得する。
振動解析部１００は、建物ＢＬの仮想建築構造物モデルと、制振装置１１の特性と配置位置に関する情報を取得する。
【0108】
ステップＳＡ１２：
振動解析部１００は、強化学習のための状態ｓ、報酬ｒ、行動ａの初期値を定める。
振動解析部１００は、強化学習のための状態ｓ、報酬ｒ、行動ａの初期値を定める。
【0109】
ステップＳＡ１３：
振動解析部１００は、振動シミュレーションに適用する外乱データを決定する。例えば、外乱データは、エピソード１回分の振動シミュレーションに適用する全ての波形を含む。
振動解析部１００は、振動シミュレーションに適用する外乱データを決定する。例えば、外乱データは、エピソード１回分の振動シミュレーションに適用する全ての波形を含む。
【0110】
ステップＳＡ１４：
学習制御部１７０は、振動解析部１００に対して行動方策を指示して、外乱データに基づいた振動シミュレーションを実施させる。
学習制御部１７０は、振動解析部１００に対して行動方策を指示して、外乱データに基づいた振動シミュレーションを実施させる。
【0111】
ステップＳＡ１５：
振動解析部１００は、上記の行動方策に従い、エピソード中の状態ｓｋに基づいた行動ａｋ＋１を決定し、外乱データに基づいた振動シミュレーションを実施して、その結果である状態ｓｋ＋１を逐次記録する。このステップＳＡ１５の処理は、エピソードの始めから終わりまで遂次実施される。
振動解析部１００は、上記の行動方策に従い、エピソード中の状態ｓｋに基づいた行動ａｋ＋１を決定し、外乱データに基づいた振動シミュレーションを実施して、その結果である状態ｓｋ＋１を逐次記録する。このステップＳＡ１５の処理は、エピソードの始めから終わりまで遂次実施される。
【0112】
ステップＳＡ１６：
報酬生成部１５０は、エピソード１回分の振動シミュレーションの結果である状態ｓｋ＋１に基づいて、報酬ｒｋ＋１を導出する。なお、この報酬ｒｋ＋１の導出は、ステップＳＡ１５の処理を終えた後に実施してもよく、ステップＳＡ１５の処理と並行して実施してもよい。
報酬生成部１５０は、エピソード１回分の振動シミュレーションの結果である状態ｓｋ＋１に基づいて、報酬ｒｋ＋１を導出する。なお、この報酬ｒｋ＋１の導出は、ステップＳＡ１５の処理を終えた後に実施してもよく、ステップＳＡ１５の処理と並行して実施してもよい。
【0113】
ステップＳＡ１７：
学習制御部１７０は、行動ａｋと状態ｓｋ＋１と報酬ｒｋ＋１に基づいて、次の行動方策に対応するＱ値を定めて、それを振動解析部１００に通知する。
学習制御部１７０は、行動ａｋと状態ｓｋ＋１と報酬ｒｋ＋１に基づいて、次の行動方策に対応するＱ値を定めて、それを振動解析部１００に通知する。
【0114】
学習制御部１７０は、上記のステップＳＡ１３からＳＡ１７の処理を、次のエピソードの解析処理として繰り返し、予定回数のエピソードの解析処理を実施する。
【0115】
なお、上記の強化学習（機械学習）に用いる外乱データとしての地震動波形は、当該建物ＢＬの敷地において観測された観測記録を用いてもよく、建物ＢＬから離れた地点において観測された観測記録又は既往波の観測記録を用いてもよい。また、観測ではなく計算により算出された加速度波形でもよい。
【0116】
上記の実施形態によれば、制振制御システム１の制御部１３は、建物ＢＬの振動を模擬する振動シミュレータ１１０を用いて学習処理がなされたＮＮを含む。制御部１３は、建物ＢＬ内の特定の層を挟む２つの床部分に応力調整部が水平方向の偶力として作用する力を、ＮＮの出力に基づいて調整することにより、より簡易な方法で、制御対象の建物の振動を抑制できる。例えば、実施形態の振動シミュレータ１１０は、建物ＢＬの仮想建築構造物モデルの特定の層を挟む２つの床部分に水平方向の偶力を作用させることで、特定の層の変形量を増加させることができ、実際の建物ＢＬに対する制振制御の効果の検証を実際の建物ＢＬを利用することなく容易に実施できる。
【0117】
また、制振制御システム１は、振動シミュレータ１１０を用いた強化学習（深層強化学習）によって、実際の建物ＢＬに適用可能な制御系の振動制御モデルを獲得することにより、制振制御システム１における振動抑制性能を高め、所望の制御状態に対する精度を高めることができる。
【0118】
また、センサ１２によって、制御対象の建物ＢＬの動き（搖動）を検出することができれば、制御部１３のＮＮは、実際の建物ＢＬの動きを表す物理量に基づいて制振装置１１を制御することができる。この場合のセンサ１２の位置は、建物ＢＬの仮想建築構造物モデルに配置した仮想センサ１１２を配置した位置に整合させるとよい。なお、建物ＢＬの動きを表す物理量は、例えば、層間変形角（層間変位）や層の絶対変位、速度、加速度などのように層の変形に関するものの何れかであってよい。また、その物理量として、各フロアの中の複数の位置で検出された物理量の最大値や平均値などを適宜定義してもよい。
【0119】
制振装置１１は、建物ＢＬの特定の層を挟む２つの床部分に、上記の制御により調整された偶力を掛けて、建物ＢＬの振動を抑制することができる。
【0120】
また、実施形態によれば、応答解析を実施することにより状態値（状態ｓ）が生成される。学習制御部１７０は、その状態値（状態ｓ）に基づいた振動制御の度合い（程度）を報酬ｒにした強化学習の実施によって、ＮＮ１３１の特徴情報を決定する。これにより、制御部１３のＮＮの特徴情報が決定される。
【0121】
なお、制御部１３は、強化学習によってＮＮの特徴情報が事前に決定されるが、その特徴情報として、互いに特徴が異なる複数の特徴情報を所定の記憶領域に格納してもよい。このように複数の特徴情報にそれぞれ対応する制御モデルが規定されることよって、制御部１３のＮＮに最適な制御方法を瞬時に選択して適用できる。
【0122】
制振制御システム１は、振動シミュレータ１１０を用いた強化学習（深層強化学習）により、性能と精度の高い制御系の振動制御モデルを獲得する。
【0123】
例えば、仮想建築構造物モデルへの入力である外乱データは、水平２方向と上下１方向との中の一部又は全部の成分を含む加速度データ（地動加速度）であって、時刻歴波形を示すものである。
【0124】
（第１の実施形態の第１変形例）
第１変形例は、第１の実施形態とは異なる強化学習アルゴリズムを適用した事例である。本変形例の制御部１３は、強化学習によって決定された振動制御ルールに基づいて、制御部１３としての応答特性が調整されたものである。以下、強化学習に、方策勾配法を適用した場合について説明する。
第１変形例は、第１の実施形態とは異なる強化学習アルゴリズムを適用した事例である。本変形例の制御部１３は、強化学習によって決定された振動制御ルールに基づいて、制御部１３としての応答特性が調整されたものである。以下、強化学習に、方策勾配法を適用した場合について説明する。
【0125】
方策勾配法は、或る環境の状態ｓの下で、行動ａを選択するための行動方策を最適化することにより、より適した行動を選択できるようにする学習方法である。その行動方策を式（４）に示す方策関数（以下、関数Ｐ（ｓ，ａ）と言う。）で定義する。
【0126】
例えば、学習制御部１７０は、或る状態ｓのときにとった行動ａの確率又は回数に基づいて関数Ｐ（ｓ，ａ）を学習する。例えば、式（４）に示す関数Ｐ（ｓ，ａ）は、状態ｓのときに行動ａをとった回数Ｎ１と、行動ａをとらなかった回数Ｎ２とに基づいて更新される。
【0127】
【数3】
【0128】
上記の式（４）において、α１とα２は、予め定められた定数である。報酬ｒが期待値以上の場合に行動ａが選択されやすく、報酬ｒが期待値を満たさない場合に行動ａが選択されにくくするように、α１とα２の値を定める。
【0129】
学習制御部１７０は、方策に基づいて所定のエピソードの評価を実施する度に、上記の式（４）の関数Ｐ（ｓ，ａ）を更新する。実施形態におけるエピソードとは、建物ＢＬに加わる所定の外乱の種類の全部又は一部を用いた試行を１回実施する処理単位のことである。学習制御部１７０は、その際に、エピソード毎の試行の結果による報酬ｒに基づいて、その振動の大きさが所定値以下の場合に「＋α１」を、その振動の大きさが所定値を超える場合に「－α２」を、関数Ｐ（ｓ，ａ）に加える。
【0130】
なお、学習の結果が局所最適解に留まることを避けるように、上記式（４）に基づき推奨される行動ａとは異なる行動ａ’をランダムに発生させて関数Ｐ（ｓ，ａ）の学習を進めてもよい。
【0131】
上記の式（４）による関数Ｐ（ｓ，ａ）が適宜更新されることによって、ある状態ｓにおいて行動ａを実施するとよいという方策を導く関数が導かれる。
【0132】
ここで導出された関数Ｐ（ｓ，ａ）は、状態ｓの下でとり得る行動ａのなかから適した行動ａｉが選択された場合に、より大きな値になるように決定されている。
【0133】
学習制御部１７０は、ＮＮ１３１に関する行動方策についての学習を、上記の学習手法に従い実施する。上記のように関数Ｐ（ｓ，ａ）を用いた強化学習により決定された振動制御ルールが所望のものになることにより、これと同じ振動制御ルールの制御部１３のＮＮであれば、所望の応答特性を有するものになる。
【0134】
なお、上記の第１の実施形態と上記の第１変形例などに示したように強化学習を用いることで、学習の効率と、学習結果の精度を高めているが、上記の強化学習の手法に限らず、既知のＮＮに対する学習手法を適用してもよい。
【0135】
（第２の実施形態）
第２の実施形態において振動解析部１００による振動シミュレーションのより具体的な一例を示す。振動解析部１００は、仮想建築構造物モデルを駆動して、仮想建築構造物モデルの各部の動きを表す状態値を生成する応答解析を実施する。
第２の実施形態において振動解析部１００による振動シミュレーションのより具体的な一例を示す。振動解析部１００は、仮想建築構造物モデルを駆動して、仮想建築構造物モデルの各部の動きを表す状態値を生成する応答解析を実施する。
【0136】
振動解析部１００は、仮想建築構造物モデルとしての解析モデルを生成するため、この解析モデルを生成する基本モデル（後述する式（５））と、設計図書などにおける解析対象の地盤及び建物の動特性マトリクス（後述する質量、減衰及び剛性各々のマトリクス）を演算するための設計データとを記憶領域から読み出す。この設計データは、例えば、地盤各層毎の物性値（密度、弾性波速度、減衰定数など）や、建物の振動特性を示す各階の定数（質量、剛性、減衰定数など）がある。
【0137】
また、上記解析モデルは、質点系モデルまたは立体骨組モデルとすることができる。この質点系モデルとする場合は、建物の立体骨組弾塑性解析モデル（立体フレームモデル）などから、各階の定数（質量、剛性、減衰定数など）を求めることができる。
質点系モデルの一例としては、せん断多質点系モデルがある。せん断多質点系モデルの地震応答は、以下の式（５）に示す運動方程式を解くことによって求めることができる。
質点系モデルの一例としては、せん断多質点系モデルがある。せん断多質点系モデルの地震応答は、以下の式（５）に示す運動方程式を解くことによって求めることができる。
【0138】
[Ｍ０]{ｘ’’} ＋ [Ｃ０]{ｘ’} ＋ [Ｋ０]{ｘ}＝｛Ｐ｝ ・・・（５）
【0139】
この式（５）において、[Ｍ０]は質量マトリクスであり、[Ｃ０]は減衰マトリクスであり、[Ｋ０]は剛性マトリクスである。また、質量マトリクス[Ｍ０]、減衰マトリクス[Ｃ０]、剛性マトリクス[Ｋ０]の各々のマトリクス要素（以下、単に要素とする）は、要素の列数及び行数がディフォルト値となっている。一般に、地震応答解析における外力｛Ｐ｝は地震動（地動加速度）により各質点に作用する力（慣性力）とする。
【0140】
また、この式（５）において、ｘ’’は質点の相対加速度（地表面に対して平行な方向における加速度）を示し、ｘ’は相対速度、ｘは相対変位を示している。｛ｘ’’｝は地表面に対して垂直方向における解析位置（評価対象位置）である質点の地表面における、各質点の平行方向の加速度を示す列ベクトル（ｍ×１型の行列）である。以下に示すように、式（５）における加速度{ｘ’’}、速度{ｘ’}、変位{ｘ}および外力｛Ｐ｝の各々は、下記式（６）に示す列ベクトルである。以下の式においては、建物の階数を便宜的にｍ階としている。
【0141】
{ｘ’’}=［ｘ１’’ｘ２’’ｘ３’’・・・ｘｍ’’］Ｔ
{ｘ’}=［ｘ１’ｘ２’ｘ３’・・・ｘｍ’］Ｔ
{ｘ}=［ｘ１ ｘ２ ｘ３ ・・・ｘｍ ］Ｔ
{Ｐ}=［Ｐ１ Ｐ２ Ｐ３ ・・・Ｐｍ ］Ｔ
・・・（６）
{ｘ’}=［ｘ１’ｘ２’ｘ３’・・・ｘｍ’］Ｔ
{ｘ}=［ｘ１ ｘ２ ｘ３ ・・・ｘｍ ］Ｔ
{Ｐ}=［Ｐ１ Ｐ２ Ｐ３ ・・・Ｐｍ ］Ｔ
・・・（６）
【0142】
すなわち、式（６）における列ベクトルである相対加速度｛ｘ’’｝は、地表面に対して垂直な方向の解析位置である各質点（例えば、建物の階数に対応）における、地表面に対して平行な方向の加速度を示す列ベクトルである。相対速度｛ｘ’｝は、地表面に対して垂直な方向の解析位置である各質点における、地表面に対して平行な方向の速度を示す列ベクトルである。相対変位｛ｘ｝は、地表面に対して垂直な方向の解析位置である各質点における、地表面に対して平行な方向の変位を示す列ベクトルである。外力｛Ｐ｝は、地表面に対して垂直な方向の解析位置である各質点における、地表面に対して平行な方向に作用する慣性力を示す列ベクトルである。
【0143】
振動解析部１００は、式（６）における質量マトリクス[Ｍ０]、減衰マトリクス[Ｃ０]及び剛性マトリクス[Ｋ０]の各々のディフォルトの次元のマトリクス要素を、建物ＢＬの階数、及び上記設計データからそれぞれ有限要素法などにより算出して求めた次元のマトリクス要素に変更する。
【0144】
また、各マトリクスの要素を予め設計データから算出し、建物ＢＬの階数及び設計データに対応させてデータベース１６に予め書き込んで記憶させておく。そして、振動解析部１００がデータベース１６から、建物ＢＬに対応して各マトリクスの要素を読み出し、このマトリクス各々の要素の次元にあわせて基本モデルを拡張して変更し、建物の解析モデルを生成するようにしても良い。
【0145】
そして、振動解析部１００は、基本モデルにおける質量マトリクス[Ｍ０]、減衰マトリクス[Ｃ０]及び剛性マトリクス[Ｋ０]の各々の要素の次元を建物ＢＬの階数に対応させて変更（拡張して変更）することにより、質量マトリクス[ＭＤ]、減衰マトリクス[ＣＤ]及び剛性マトリクス[ＫＤ]を求め、加速度｛ｘ’’｝、速度｛ｘ’｝、変位｛ｘ｝の列ベクトルを階数に応じてベクトルの要素数を拡張する。そして、振動解析部１００は、この求めた質量マトリクス[ＭＤ]、減衰マトリクス[ＣＤ]及び剛性マトリクス[ＫＤ]と、加速度｛ｘ’’｝、速度｛ｘ’｝、変位｛ｘ｝の列ベクトルとを用いて、式（６）を以下の式（７）に変更し、解析対象の建物ＢＬの解析モデルを生成する。
【0146】
[ＭＤ]{ｘ’’} ＋ [ＣＤ]{ｘ’} ＋ [ＫＤ]{ｘ}＝－[ＭＤ]｛１｝ｙ０’’
・・・（７）
・・・（７）
【0147】
この式（７）において、ｘ’’は質点の相対加速度（地表面に対して平行な方向における加速度）を示し、ｘ’は相対速度、ｘは相対変位を示している。また、ｙ０’’は地震動による加速度（地動加速度）を示しており、式（７）の右辺は地震動により各質点に作用する慣性力を外力として明示的に表している。この加速度{ｘ’’}、速度{ｘ’}、変位{ｘ}は、すでに説明したように、各階を質点とした応答値とした構成である。
【0148】
ここで、第１層にｆ１、第２層にｆ２の大きさの偶力を加える。このとき、第１層の上下階（基礎と質点１）に向きが逆の一対の力（＋ｆ１と－ｆ１）が同時に作用する。同様に、第２層の上下階（質点１と質点２）に向きが逆の一対の力（＋ｆ２と－ｆ２）が同時に作用する。上階側に作用する力の向きを正（＋）とすると、各質点に作用する力｛Ｆ｝は、下記の式（８）ように表される。
【0149】
｛Ｆ｝＝[Ｆ１ Ｆ２ Ｆ３ Ｆ４ ・・・ Ｆｍ]Ｔ
Ｆ１＝ｆ１―ｆ２，Ｆ２＝ｆ２，Ｆ３＝Ｆ４＝・・・＝Ｆｍ＝０
・・・（８）
Ｆ１＝ｆ１―ｆ２，Ｆ２＝ｆ２，Ｆ３＝Ｆ４＝・・・＝Ｆｍ＝０
・・・（８）
【0150】
層間に加えた偶力は、各質点に作用する等価な外力｛Ｆ｝として、運動方程式（５）の右辺に加えることにより考慮することができる。
【0151】
[ＭＤ]{ｘ’’} ＋ [ＣＤ]{ｘ’} ＋ [ＫＤ]{ｘ}＝｛Ｐ｝＋｛Ｆ｝
・・・（９）
・・・（９）
【0152】
仮想アクチュエータ１１１が層間に作用させる力（偶力）を、上記の運動方程式（９）における外力項｛Ｆ｝として適用することで、質点系モデルの地震応答解析において仮想アクチュエータ１１１による制御力を考慮することができる。
【0153】
そして、振動解析部１００は、生成した式（９）の解析モデルを、建物ＢＬに対応させて（建物ＢＬを識別する識別情報に対応させて）、不図示の記憶部に書き込んで記憶させる。
【0154】
振動シミュレータ１１０は、振動解析を行う対象の建物ＢＬに対応する式（９）を記憶部から読み出し、この式（９）に対して想定する地震動による地動加速度ｙ０’’と、建物の層間に配置された仮想アクチュエータ１１１によって作用する外力｛Ｆ｝を用いて、質点としての各階における列ベクトルである加速度{ｘ’’}、速度{ｘ’}、変位{ｘ}の各々の応答値を求める（応答解析を実施する）。
【0155】
すなわち、振動シミュレータ１１０は、細かい時間間隔Δｔ毎に式（９）の運動方程式に地震動により作用する慣性力｛Ｐ｝と仮想アクチュエータ１１１により作用する力｛Ｆ｝を代入することにより、列ベクトルである加速度{ｘ’’}、速度{ｘ’}、変位{ｘ}の各々を算出する。
【0156】
なお、地震動により作用する慣性力｛Ｐ｝と、仮想アクチュエータ１１１により作用する力｛Ｆ｝とを、剛性マトリクス[ＫＤ]を用いた強制変位により規定してもよい。
【0157】
上記の実施形態によれば、制振装置１１によって、建物ＢＬの特定の層の歪を増やす力を再現する振動シミュレーションを可能にする。
【0158】
上記の実施形態によれば、第１の実施形態と同様の効果を奏することの他、仮想建築構造物モデルを駆動して、仮想建築構造物モデルの各部の動きを表す状態値を生成する応答解析を実施することができる。
【0159】
以上、本発明の実施形態について説明したが、制振制御システム１と機械学習器１０は、内部にコンピュータシステムを有している。そして、上述した処理に関する一連の処理の過程は、プログラムの形式でコンピュータ読み取り可能な記憶媒体に記憶されており、このプログラムをコンピュータが読み出して実行することによって、上記処理が行われる。ここで、コンピュータ読み取り可能な記憶媒体とは、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリなどをいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしても良い。また、ここでいう「コンピュータシステム」とは、ＯＳなども含むものとする。
【0160】
以上、本発明の一実施形態について説明したが、本発明の実施形態は上記のものに限定されない。例えば、各実施形態とその変形例に例示した手法は、例示した組合せ以外の組みにしてもよい。また、本発明の実施形態は、上記の実施形態を次のように変形したものとすることができる。
【0161】
例えば、上記の実施形態では、本発明に関連する構成を便宜上、機械学習器１０を、振動解析部１００と、報酬生成部１５０と、学習制御部１７０とに分けて説明した。機械学習器１０の分割を、上記に例示したものと変更してもよく、各機能部同士を一体化してもよい。また、各機能部の一部を、他の機能部に含めてもよい。また、機械学習器１０の一部を振動解析装置としてもよく、例えば、振動シミュレータ１１０が振動解析装置の一例であってもよい。
【0162】
また、制御部１３は、コンピュータシステムであってもよく、その一部または全部がハードウェア機能部であってもよい。
【0163】
また、上記の回転型ダンパー２３は、建物ＢＬの振動エネルギーを熱に変換することにより、振動発生時に減衰力を建物ＢＬに作用させる振動減衰機能と、回転型ダンパー２３の外筒３１から軸部材３６の突出量を能動的に調整する軸長調整機能とを併せ持つものである。これに代えて、回転型ダンパー２３の機能を、振動減衰機能を有するダンパーと、軸長調整機能を有するアクチュエータとに配分してもよい。この場合、そのダンパーとアクチュエータとを直列に配置することで、ダンパーの軸部材の軸長をアクチュエータが代わりに調整することができる。
【符号の説明】
【0164】
１ 制振制御システム１、１０ 機械学習器（振動解析装置）、１１ 制振装置、１２ センサ、１３ 制御部（コントローラ）、１３ＮＮ ニューラルネット（第１人工ニューラルネット）、１００ 振動解析部、１１０ 振動シミュレータ、１１１ 仮想アクチュエータ（仮想応力調整部）、１３０ コントローラ、１３１ ＮＮ（第２人工ニューラルネット）、１５０ 報酬生成部、１７０ 学習制御部、１１０Ｅ 環境、１７０Ａ エージェント
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【手続補正書】
【提出日】2023-01-19
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
制御対象を制御する制御器にモデルを適用するために、
前記制御対象に生じ得る実現象を再現又は模擬するシミュレーションを実施して、前記シミュレーションの結果を前記モデルの強化学習に活用する強化学習処理部
を備える学習装置。
前記制御対象に生じ得る実現象を再現又は模擬するシミュレーションを実施して、前記シミュレーションの結果を前記モデルの強化学習に活用する強化学習処理部
を備える学習装置。
【請求項2】
前記強化学習処理部は、
前記強化学習のための状態情報を前記シミュレーションの結果から生成し、前記状態情報を前記モデルの強化学習に活用する、
請求項１に記載の学習装置。
前記強化学習のための状態情報を前記シミュレーションの結果から生成し、前記状態情報を前記モデルの強化学習に活用する、
請求項１に記載の学習装置。
【請求項3】
前記モデルの特性は、前記モデルに対応付けられる人工ニューラルネットの特性情報によって特徴づけられる、
請求項１に記載の学習装置。
請求項１に記載の学習装置。
【請求項4】
前記モデルの強化学習は、深層強化学習である、
請求項１から請求項３の何れか１項に記載の学習装置。
請求項１から請求項３の何れか１項に記載の学習装置。
【請求項5】
前記強化学習処理部は、
実現象を再現又は模擬するシミュレーションの結果を学習過程の評価に活用して、前記モデルの強化学習を実施する、
請求項１から請求項３の何れか１項に記載の学習装置。
実現象を再現又は模擬するシミュレーションの結果を学習過程の評価に活用して、前記モデルの強化学習を実施する、
請求項１から請求項３の何れか１項に記載の学習装置。
【請求項6】
前記強化学習処理部は、
制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用する前に実施して、前記シミュレーションの結果を前記モデルの強化学習に活用する
請求項１から請求項３の何れか１項に記載の学習装置。
制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用する前に実施して、前記シミュレーションの結果を前記モデルの強化学習に活用する
請求項１から請求項３の何れか１項に記載の学習装置。
【請求項7】
制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用するために実施して、前記シミュレーションの結果を前記モデルの強化学習に活用するステップ
を含む学習方法。
を含む学習方法。
【請求項8】
制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用するために実施して、前記シミュレーションの結果を活用した強化学習によって生成されたモデルを用いる制御部
を備える制御装置。
を備える制御装置。
【請求項9】
制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用するために実施して、前記シミュレーションの結果を活用した強化学習によって生成されるモデルを含み、前記シミュレーションによって前記再現又は前記模擬する対象物の制振制御を実施する制振制御部
を備える建築構造物。
を備える建築構造物。
【請求項10】
制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用するために実施して、前記シミュレーションの結果を活用した強化学習を実施して学習済みモデルを生成するステップ
を含む学習済みモデルの生成方法。
を含む学習済みモデルの生成方法。
【請求項11】
コンピュータに、
制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用するために実施して、前記シミュレーションの結果を活用した強化学習を実施して学習済みモデルを生成するステップ
を実行させるためのプログラム。
制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用するために実施して、前記シミュレーションの結果を活用した強化学習を実施して学習済みモデルを生成するステップ
を実行させるためのプログラム。
【手続補正3】
【補正対象書類名】明細書
【補正対象項目名】０００１
【補正方法】変更
【補正の内容】
【0001】
本発明は、学習装置、学習方法、制御装置、建築構造物、学習済みモデルの生成方法、及びプログラムに関する。
【手続補正4】
【補正対象書類名】明細書
【補正対象項目名】０００２
【補正方法】変更
【補正の内容】
【0002】
制振制御システムにおける制振技術には、パッシブ方式とアクティブ方式が含まれる。アクティブ方式は、対象物に設けられたセンサによる計測値に基づいて、対象物に応力を掛けるアクチュエータを制御して、能動的に対象物の振動を抑制する。建築分野におけるアクティブ方式の制振制御システムとして、制御対象を定常かつ線形のシステムとして扱う制御理論を適用したものが知られている。
人工ニューラルネットなどを含めて構成されるモデルの学習に、測定により検出された結果に基づいたデータなどを用いる場合があった。
人工ニューラルネットなどを含めて構成されるモデルの学習に、測定により検出された結果に基づいたデータなどを用いる場合があった。
【手続補正5】
【補正対象書類名】明細書
【補正対象項目名】０００４
【補正方法】変更
【補正の内容】
【0004】
しかしながら、実際の建築構造物に応力を生じさせる地震動などの実現象は非定常であり、これに対応する解析用のデータを得ることが難しい。モデルの学習には十分な解析用のデータが必要であり、実現象に適応可能なモデルを、人工ニューラルネットなどを含めて構成することが困難な場合があった。
【手続補正6】
【補正対象書類名】明細書
【補正対象項目名】０００５
【補正方法】変更
【補正の内容】
【0005】
本発明が解決しようとする課題は、より簡易な方法でモデルの強化学習を実施できる学習装置、学習方法、制御装置、建築構造物、学習済みモデルの生成方法、及びプログラムを提供することである。
【手続補正7】
【補正対象書類名】明細書
【補正対象項目名】０００６
【補正方法】変更
【補正の内容】
【0006】
本発明の一態様の学習装置は、制御対象を制御する制御器にモデルを適用するために、前記制御対象に生じ得る実現象を再現又は模擬するシミュレーションを実施して、前記シミュレーションの結果を前記モデルの強化学習に活用する強化学習処理部を備える学習装置である。
本発明の一態様の学習装置における前記強化学習処理部は、前記強化学習のための状態情報を前記シミュレーションの結果から生成し、前記状態情報を前記モデルの強化学習に活用する。
本発明の一態様の学習装置における前記モデルの特性は、前記モデルに対応付けられる人工ニューラルネットの特性情報によって特徴づけられる。
本発明の一態様の学習装置における前記モデルの強化学習は、深層強化学習である。
本発明の一態様の学習装置における前記強化学習処理部は、実現象を再現又は模擬するシミュレーションの結果を学習過程の評価に活用して、前記モデルの強化学習を実施する。
本発明の一態様の学習装置における前記強化学習処理部は、制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用する前に実施して、前記シミュレーションの結果を前記モデルの強化学習に活用する。
本発明の一態様は、制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用するために実施して、前記シミュレーションの結果を前記モデルの強化学習に活用するステップを含む学習方法である。
本発明の一態様は、制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用するために実施して、前記シミュレーションの結果を活用した強化学習によって生成されたモデルを用いる制御部を備える制御装置である。
本発明の一態様は、制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用するために実施して、前記シミュレーションの結果を活用した強化学習によって生成されるモデルを含み、前記シミュレーションによって前記再現又は前記模擬する対象物の制振制御を実施する制振制御部を備える建築構造物である。
本発明の一態様は、制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用するために実施して、前記シミュレーションの結果を活用した強化学習を実施して学習済みモデルを生成するステップを含む学習済みモデルの生成方法である。
本発明の一態様は、コンピュータに、制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用するために実施して、前記シミュレーションの結果を活用した強化学習を実施して学習済みモデルを生成するステップを実行させるためのプログラムである。
本発明の一態様に係る制振制御システムは、複数の層を備える建築構造物の振動を模擬する振動シミュレータを用いて学習処理がなされた第１人工ニューラルネット（以下、第１ＮＮという。）を含み、前記複数の層のうちの特定の層を挟む２つの床部分に応力調整部が水平方向の偶力として作用させる力を、前記第１ＮＮにより調整する制御部を備える制振制御システムである。
本発明の一態様の学習装置における前記強化学習処理部は、前記強化学習のための状態情報を前記シミュレーションの結果から生成し、前記状態情報を前記モデルの強化学習に活用する。
本発明の一態様の学習装置における前記モデルの特性は、前記モデルに対応付けられる人工ニューラルネットの特性情報によって特徴づけられる。
本発明の一態様の学習装置における前記モデルの強化学習は、深層強化学習である。
本発明の一態様の学習装置における前記強化学習処理部は、実現象を再現又は模擬するシミュレーションの結果を学習過程の評価に活用して、前記モデルの強化学習を実施する。
本発明の一態様の学習装置における前記強化学習処理部は、制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用する前に実施して、前記シミュレーションの結果を前記モデルの強化学習に活用する。
本発明の一態様は、制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用するために実施して、前記シミュレーションの結果を前記モデルの強化学習に活用するステップを含む学習方法である。
本発明の一態様は、制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用するために実施して、前記シミュレーションの結果を活用した強化学習によって生成されたモデルを用いる制御部を備える制御装置である。
本発明の一態様は、制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用するために実施して、前記シミュレーションの結果を活用した強化学習によって生成されるモデルを含み、前記シミュレーションによって前記再現又は前記模擬する対象物の制振制御を実施する制振制御部を備える建築構造物である。
本発明の一態様は、制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用するために実施して、前記シミュレーションの結果を活用した強化学習を実施して学習済みモデルを生成するステップを含む学習済みモデルの生成方法である。
本発明の一態様は、コンピュータに、制御対象に生じ得る実現象を再現又は模擬するシミュレーションを、前記制御対象を制御する制御器にモデルを適用するために実施して、前記シミュレーションの結果を活用した強化学習を実施して学習済みモデルを生成するステップを実行させるためのプログラムである。
本発明の一態様に係る制振制御システムは、複数の層を備える建築構造物の振動を模擬する振動シミュレータを用いて学習処理がなされた第１人工ニューラルネット（以下、第１ＮＮという。）を含み、前記複数の層のうちの特定の層を挟む２つの床部分に応力調整部が水平方向の偶力として作用させる力を、前記第１ＮＮにより調整する制御部を備える制振制御システムである。
【手続補正8】
【補正対象書類名】明細書
【補正対象項目名】００１３
【補正方法】変更
【補正の内容】
【0013】
本発明によれば、より簡易な方法でモデルの強化学習を実施できる学習装置、学習方法、制御装置、建築構造物、学習済みモデルの生成方法、及びプログラムを提供できる。