要旨 ダム自動監視システムから取得される長期記録には、計測機器の影響または構造挙動の変化に起因する時間的変化が見られる。これらの影響は非定常性をもたらし、予測性能を低下させるとともに、機械学習（ML）に基づく分析の解釈を複雑にする可能性がある。既存手法の多くでは、これらの影響は暗黙的に捉えられ外挿される一方、その特定には十分な注意が払われていない。本研究では、MLに基づく時間分解、解釈可能な人工知能（AI）、変化点検出、および分割時間モデリングを組み合わせ、監視時系列における時間的変化を分析・活用するワークフローを提案する。勾配ブースティング回帰木（GBRT）およびニューラルネットワーク（NN）から、部分依存プロット（PDP）、累積局所効果（ALE）、SHapley Additive exPlanations（SHAP）を通じて時間的寄与を導出し、続いてPELT（Pruned Exact Linear Time）法および二分割法を用いて分析する。特定された時間レジームは、トレンド除去およびハイブリッド予測モデリングに活用される。本手法を、既設コンクリートダムで収集された自動変位計測データに適用した。結果から、複数のシフトおよびトレンド変化が明らかになった。検討した構成のうち、GBRTから導出した時間的寄与にPDPまたはSHAPによる解釈とPELTに基づく変化点検出を組み合わせた手法が、最も頑健な変化点の特定を実現した。特定されたセグメントを組み込んだハイブリッド予測戦略は、長期挙動の解釈可能な表現を提供し、基準トレンドによる残差の解釈を容易にすると同時に、予測性能を向上させた。提案ワークフローは、解釈可能なMLが予測モデルを監視データの時間的変化を調査するためのツールへと転換することを示しており、非定常な監視記録を分析し、予測モデリングと構造ヘルスモニタリングを橋渡しする柔軟なアプローチを提供する。
https://doi.org/10.21203/rs.3.rs-10868198/v1