| 要旨 |
本研究では，機械学習方法としてディープニューラルネットワークおよびLightGBMを用いて，ミキサの電力負荷値からフレッシュコンクリートのスランプおよび空気量の予測モデルを作成し，各手法の精度の違いや特徴について検討を行った。実測値と予測値の比較から，スランプと空気量のいずれも機械学習方法によらず学習用データ数の分布による影響を受けており，正解率およびRMSEで評価した予測精度は，ディープニューラルネットワークの方が低い結果であった。一方でLightGBMでは，予測精度は高いものの，学習用データ数の分布により，バイアスが大きくなっていることが確認された。本研究では，機械学習方法としてディープニューラルネットワークおよびLightGBMを用いて，ミキサの電力負荷値からフレッシュコンクリートのスランプおよび空気量の予測モデルを作成し，各手法の精度の違いや特徴について検討を行った。実測値と予測値の比較から，スランプと空気量のいずれも機械学習方法によらず学習用データ数の分布による影響を受けており，正解率およびRMSEで評価した予測精度は，ディープニューラルネットワークの方が低い結果であった。一方でLightGBMでは，予測精度は高いものの，学習用データ数の分布により，バイアスが大きくなっていることが確認された。 |