技術研究開発報告 (第23号2025年)

本報では、教師なし機械学習を用いた建築構造物の損傷評価手法について検討した。まず、E-ディフェンスにて実施された3階建て構造物の振動実験に対応する解析モデルを構築し、数値シミュレーション結果と実験結果を比較することで、解析モデルの妥当性を検証した。次に、この解析モデルを基に、損傷位置および損傷レベルを変数とした数値シミュレーションを自動化し、大規模な機械学習用データセットを構築した。最後に、各シミュレーション結果から抽出した1次から3次の固有振動数に対して、ガウス混合モデル（GMM）によるクラスタリングを適用した。その結果、GMMモデルにより損傷の有無および程度を自動的に評価可能であることが示唆された。

キーワード : 機械学習、固有振動数、ガウス混合モデル（GMM）、損傷評価、数値シミュレーション

This paper presents an unsupervised machine learning approach for damage assessment in building structures. A large dataset was created from a verified numerical simulation of a large-scale shaking table experiment (E-Defense). The numerical simulation was automated to generate a large dataset automatically. The variables in each simulated case were location of damage and level of damage. The first three modal frequencies were collected from each case and later input to a Gaussian mixture model (GMM) for clustering. The GMM model was able to create clusters autonomously based on the level of damage and direction in which damage occurred to an extent.

This approach shows the importance and applicability of creating large datasets and utilizing unsupervised learning for damage assessment.

Keywords : Machine learning, Natural frequency, Gaussian mixture model, Damage assessment, Numerical simulation