機械学習を用いた波速と共振周波数に対応した動的弾性率からのコンクリートの静的弾性率と圧縮強度の予測

Prediction of Static Modulus and Compressive Strength of Concrete from Dynamic Modulus Associated with Wave Velocity and Resonance Frequency Using Machine Learning Techniques.

• Jong Yil Park
• Sung-Han Sim
• Young Geun Yoon
• Tae Keun Oh

抄録

静弾性係数（）と圧縮強度（）はコンクリートの重要な特性です。を決定する際には、コンクリートコアを集めて破壊試験を行います。しかし，破壊試験には一定の試験許可と大きなサンプルサイズが必要である．そのため、非破壊評価で動的弾性率（）を用いて予測することが好ましいとされています。一般的には、ASTM C215-14に準拠した共振周波数試験やASTM C597M-16に準拠した圧力波（P波）測定が動的弾性率を決定するために使用されます。最近では、変換器の開発により、コンクリート中のせん断波（S波）速度の測定が可能になりました。コンクリート中のせん断波速度を推定するために様々な式が提案されていますが、その結果は実験値とは異なっています。本研究では，P 波速度と S 波速度を実験的に求め，その値を用いてサポートベクターマシン，人工ニューラルネットワーク，アンサンブル，線形回帰の 4 つの機械学習(ML)手法を用いて予測を行った．ML法を用いた場合、古典回帰式や正規回帰式を用いた場合と比較して、それぞれ2.5～5％、7～9％の予測精度の向上が見られました。また，ML法を組み合わせることで，最適な単一変数の結果と比較して，andの予測精度がそれぞれ0.5％，1.5％向上した．

The static elastic modulus () and compressive strength () are critical properties of concrete. When determining and , concrete cores are collected and subjected to destructive tests. However, destructive tests require certain test permissions and large sample sizes. Hence, it is preferable to predict using the dynamic elastic modulus (), through nondestructive evaluations. A resonance frequency test performed according to ASTM C215-14 and a pressure wave (P-wave) measurement conducted according to ASTM C597M-16 are typically used to determine . Recently, developments in transducers have enabled the measurement of a shear wave (S-wave) velocities in concrete. Although various equations have been proposed for estimating and from , their results deviate from experimental values. Thus, it is necessary to obtain a reliable value for accurately predicting and . In this study, values were experimentally obtained from P-wave and S-wave velocities in the longitudinal and transverse modes; and values were predicted using these values through four machine learning (ML) methods: support vector machine, artificial neural networks, ensembles, and linear regression. Using ML, the prediction accuracy of and was improved by 2.5-5% and 7-9%, respectively, compared with the accuracy obtained using classical or normal-regression equations. By combining ML methods, the accuracy of the predicted and was improved by 0.5% and 1.5%, respectively, compared with the optimal single variable results.