(コラム)傾斜水路を薄く流れる水がうろこ状の紋様をみせる理由1
先日、某ダムの点検放流を見る機会があった。
このとき、放流水路を流れていく水が魚のうろこのような紋様をみせており、とても綺麗だった。
一緒に物見遊山をした友人に「これはなんで起こるのか(現象としてどんな説明ができるのか)」を問われ、「いや~、全然わかんないな~」と答えたが、気になって2,3日調べていた。私、一応ドボクの人なので。
↓↓↓参考画像↓↓↓
出典:https://www.jcca.or.jp/files/achievement/photo_contest/kouhyou24.pdf
有識者ネットワーク
有識者ネットワークに照会し、聞いてみたが、ダムの設計の上でトピックになるような事象ではないらしい。
例えば、こうした方が水のエネルギーがより失われるとか、空気と混ざって水質的によい、といった、実用上意味のありそうな現象ではなかったことがわかった。
しかし、実際に美しいので、点検放流の際には、この紋様がよく見えるような流量に設定してあることも多々ある、という情報を得た。
一緒にダムを観に行った人にドヤれそうな知識
いきなり脱線するが、ダムの放流水路の越流部(と呼ぶが、名前がわからん、貯水池から出るところ)がなんともいえない自然な丸みをしてることをご存じか。
ダムじゃなくて堰、いや、たまに浴槽のヘリ部でも似たような丸みになっていることがあるが、この形状にはちゃんと実用上の意味がある。
この曲線は、完全ナップと呼ばれる曲線を再現している。
(昔の教科書だと自由ナップと書いてある。)
歯形ゼキ(先端がとがった板)で流水を止めたときに、セキを乗り越えた水が自然に作る形状だ。
まず、この曲線より水路底が上側に行かないことで流量係数が最大になるねらいがある。自然に流れる水の流れを邪魔せず、より大きな流量を流すことができる。
じゃあ、その曲線より下側にすればいいのかというとそうもいかない。下側にあるということは、自然に作られた水面形と水路底の間に隙間が空くことになる。隙間が空くということは、気体が入るしかないわけだが、越流部に気体が流入するような隙間はない。そうすると、この面に負圧(逆の圧力)が発生する。この負圧はキャビテーションとも呼ばれ、騒音、材料の余計な劣化の原因になる。
したがって、この自然な流れに(ほぼ)ぴったりと水路底を一致させるしかないわけだ。
ダムマニアからしたら常識なのかもしれないが(私はダムマニアではない)、一緒にダムを観に行った人にドヤれそうな知識を用意した。
ネットで読める資料のリンクも用意したので、興味のある人は読んでください。
『ダムの流量係数』
http://library.jsce.or.jp/Image_DB/mag/m_jsce/39-09/39-9-13932.pdf
わからないので考える
参考動画
www.youtube.com
もう一度現象をみてみる。
砂丘に見られる砂紋、風紋のようにもみえるが、違う気もする。
そしてなんとなくこの紋様の下側が遅く、上側の層が遅い下側の層の上を「滑っていっている」ようにも見える。
そうか。通常の水路でも水路の壁や底に面している場所でも速度が遅くなる。
http://www.asahi-net.or.jp/~YM7K-INUE/openchannel1.htm
速度が遅くなってしまう層と、その影響を受けない層がどこかのタイミングで剥離している。そういう現象なんではないだろうか。
王様の式
これはマニング式、「流速公式の王様」と呼ばれている。
なんで王様なのかはわからないが、いろんな水理学の教科書に書いてあるので、その地位は揺るがない。
水路の勾配、断面、水路の材料がわかっていれば、流量を出せるという代物で、もちろん私も仕事でお世話になっている。
材料ごとに水の流れにくさの係数として粗度係数(粗さ、でこぼこさ)があり、これをあらかじめ求めていれば、水路の能力が推測できる、つまり設計ができるわけだ。
ただこれは確か経験式(何かの理論から導かれたわけでない、実験データをプロットして得た式)だった気がする。
なぜ思い出したかというと、水路の材料に依存して流量を出す、という話だったからだ。しかし、マニング式は、ある断面における流量の分布を与えてはくれない。あくまでマクロ視点というか、ざっくりとこれぐらいの粗さの材料を流れる水路の流れやすさはこう、という値を出すものだ。
今考えているのは、場所ごとに流速が一様ではない現象なわけだから、そういったものまで扱える理論が必要だ。
と、ここまで考えて、あ、そうか、そもそもマニング式は等流を前提とした式じゃないか、と思い至った。
流れの分類
水理学の復習の時間になってしまった。
一応、大学で農業工学を習っていたので、授業はとっていたが、日常的に使わないとこんなもんだ。
水理学を初耳の人のためにいうと、流体力学の中でも水に特化した、どっちかというと土木設計のための実用公式を集めたものです。土木の3力(さんりき)とか言われている。
今回の流れは、流量がほぼ一定として、定常流な気もするのだが、そうだとすると、水理学の教科書に載っていてもおかしくはない。
会社の書庫から教科書・公式集を引っ張り出して来たのだが、どうも載っていない。
それに、水理学は基本的に流れを一次元として扱って、実用的な問題を解きやすくするものだ。今回の紋様を明らかにするには、少なくとも流れを2次元で再現できる理論が必要な気がする。
つまり水理学では歯がたたない(実用的な問題として研究され、整理されている現象ではない)可能性が高い・・・。
じゃあ・・・
・・・・
・・・・・
やっぱり・・・
・・・・・・・・・
借りるしかないわけだ・・・・・・・ヤツの力を・・・・・・・・・・・
流体力学のボス・ナビエ–ストークス方程式の・・・力を・・・
もっと知りたい! 熱流体解析の基礎28 第3章 流れ:3.6 流れの基礎方程式|投稿一覧
次週へ続く!!!!!!!!
というわけで大学で学び損ねた流体力学に入門しようと思います。
ちなみに、ナビエーストークス方程式からマニングの式は誘導できるらしいです。
あと、ナビエーストークス方程式の数学的な一般解が存在するかどうかは未解決問題らしいです。ロマンがあるね。
バリアフリーマップの自動生成について考える
バリアフリーマップの自動生成について考えます(唐突)。
バリアフリーマップに求められる情報とは?
国土交通省が策定している歩行空間ネットワークデータを標準例として考えることにします。
https://www.mlit.go.jp/common/001229548.pdf
データ記述上のルールを省略すると、以下の情報が必要です。
(仕様より)
真面目に図面を拾ったり、歩いて情報を集めていくのが確実ですが、今は自動生成について考えます。
イメージ的には、航空写真のような画像データからこんな感じで広範囲を一気に自動生成できるとかっこいいのでは。
基本的には屋外のデータ化について考えていく。
sorabatake.jp
自動生成できると何がいいのかとか
バリアフリーマップのデータが進めば、そのアプリケーション利用により、障害を持つ人、高齢者、全ての人にとってアクセスビリティが増えたり、より良い施策につながっていくだけでなく、防災面の効果も期待できる。
built.itmedia.co.jp
現在公開されている歩行空間ネットワークデータは、東京都を中心に都心部から整備されているようである。また、避難所近辺のデータの整備はあまり進んでいない様子。
歩行空間ネットワークデータ等 - データセット
https://www.geospatial.jp/ckan/dataset/0401
画像データから自動生成
①衛星写真
・おそらく解像度の問題で難しいか? (ASNARO-1でも解像度0.5m)
・道路ネットワークの情報は取れるだろうが、道路の勾配の情報は取れなそう。
・道路ネットワークの情報であれば、地図データの方が良い。
ベクターデータから
②基盤地図情報(国土地理院)他
・道路の外周データがあるので、リンクがつながったネットワークデータをGISデータとして変換するのには、一番良さそう。
・5mデータのDEMと組み合わせれば、大まかな勾配のデータは取れそう。
・経路の構造(歩車道が分離されているか)の情報は取れなそう。
・段差、5m以内の急な勾配の情報は取れなそう。
③Open Street Map
・詳しくないが、おそらく②と同じ状況?
④道路台帳
・道路台帳というものがあり、道路管理者が管理する道路(公的な事業で作られた道路?)であれば作成が義務付けられており、申請を出せば閲覧が可能。
・歩道・車道の別、その道路の幅員、勾配等の情報がある。
・歩行空間ネットワークデータでは5%以上の勾配の情報の登録が必要だが、道路台帳で義務付けらている勾配の情報は8%以上となる。
・道路台帳がもし紙図面管理であれば、機械学習等で情報を抽出するのはチャレンジとして有益かな、とかも思ったが、多くの自治体で電子化されている模様。(一市民がCADデータの複製を受けるのは考えにくいし、資料が電子化されているのであればそれの二次利用は自治体のやるべきタスクのような気がしてしまう・・・)
・港区、横浜市等では公開がされている(Web地図としての情報開示であり、二次利用は難しそう)
道路台帳は近年電子化が進んでおり、総務省自治行政局地域情報政策室が実施した地方自治情報管理概要(平成 25 年 4 月 1 日現在)によれば、都道府県では 72.3%、市町村では53.5%が道路台帳を電子化している。
閲覧の方法としては、各自治体の窓口に出向き、紙媒体を直接閲覧する(インターネット上では閲覧できない)ケースがほとんどである。ただし、最近一部の自治体(横浜市、港区等)で、Web 上での閲覧が可能となっている。
https://aspicjapan.org/information/guideline/pdf/syakai_shihon.pdf
その他・3次元データ等から
⑤MMS(モービルマッピングシステム)での点群データ
・同じ発想の研究がある。
→点群座標データを用いた歩行空間ネットワークの整備に関する基礎的研究
http://www.nilim.go.jp/lab/qbg/ronbun/H23_dobokujyouhouriyou04.pdf
・近年では、国土交通データプラットフォーム、バーチャル静岡など点群データをオープンデータとして公開する例が進むので、方法論の検討の余地がある。
www.moguravr.com
・ただもって、車が入れない(なかなか入らない)歩道等のデータは確認できない。
⑥ドローン等
・点群データからの生成が有効なのであれば、ドローン又はポールカメラで点群データを生成することも考えられる。
・ただ、ドローンだと上空からの影になる部分は取得できないため、欲しい路面情報を撮影する計画を作るのがだるそう。
⑦Googleストリートビュー
・Googleストリートビューで撮影している写真からこれらの情報を取得できないか(といいつつ、あんまり具体の方法論はイメージできていない)
・情報が古い場合がありそう(前の巡回が2年前など)
・MMSと同じく車両が入れない箇所は取得しづらい。
⑧スマートフォンカメラで情報を取得する
・スマートフォンのアプリで情報取得をスムーズに行えるようなアプリケーション。
・データを一気に処理できるという利点は消えるが、確実そう。
・下記のような既に実装されている平面検出アルゴリズムを用いて、路面の画像だけを取得し、機械学習で判別、GPSで位置情報を付加する、とか・・・。
www.youtube.com
techpartner.jp
今日の結論
・②基盤地図で大体の道路ネットワークについては取得しておき、⑧のアプリケーションで賢く情報を補完していく、というのが筋が良さそうか?
・信号の情報取得、GIS化については今日は考えていない・・・。
WBAI「作業記憶モデラソン2020」募集要領を読む。
WBAIのモデラソンがとても面白そうなので資料を読んだ、という記事です。
wba-initiative.org
評価方法
モデルそのもの評価と、応募作品としての評価の2段階があるようです。
汎用性、生物学的妥当性、簡潔さからなるGPS基準に基づいて評価されます。
さらに、以下の条件について、モデルの説明の中でアピールを行ってください、とあります。
(汎用性)ハッカソンのタスクを解くだけでない、より汎用性がある作業記憶のモデルに高い評価が与えられます。
(生物学的妥当性)実際の脳の構造(全脳アーキテクチャ)に合致したモデルに高い評価が与えられます。
(簡潔さ)他の条件が同じであれば、より簡潔なモデルに高い評価が与えられます。
脳型AGIを評価するためのGPS基準について | 全脳アーキテクチャ・イニシアティブ
応募はさらに、実装可能性、新規性(既存のモデルのコピーでないこと)、了解性をもって評価されます。
ハッカソンタスク詳細
モデルには汎用性が求められますが、後続するハッカソンでのタスクを解けることが前提になっているように読めます。
(Delayed)Match-to-sample タスクを用います。
Match-to-sample タスクは複数の図形が同じかどうかを判定するタスクです。
比較対象となる図形には回転や縮小などの操作が加えられることがあります(Invariant Object Identification)。Delayed match-to-sample タスクでは、基準となる図形が画面から消えた後に判定を行う必要があります。
エージェントは、新しいタスクセットを与えられる際に、数件の解答例の提示を受け、どの属性に注目すべきかを学んでタスクを遂行することが求められます(few-shot imitative rule learning)。
エージェントには(ボタンの選択が報酬につながるといったことを学ぶなどの)事前学習が許されます。
エージェントの視覚は(ヒトの視覚のように)中心視と周辺視を持つものとします。すなわち、中心視野は解像度が高く、それ以外の視野は解像度が低くなります。図形の正確なパターン認識を行うためには、視線を動かして当該図形を中心視野で捉える必要があります。こうして複数の図形を比較するには作業記憶が必要になります。
詳細は元の記事へ。
「数件の解答例の提示を受け、どの属性に注目すべきかを学んでタスクを遂行すること」とあることから、ある程度ヒトに近い知能を持つ動物の作業記憶のモデルが求められていることがわかります。
また、「エージェントの視覚は(ヒトの視覚のように)中心視と周辺視を持つものとします。・・・」とあり、観測対象を視点を移動させながら把握する、「能動的な視覚」の機能をモデルは持っていなければいけないことがわかります。
参考:図形知覚における中心視と周辺視の役割 吉田辰夫
https://www.jstage.jst.go.jp/article/jje1965/18/3/18_3_155/_pdf
提出条件・締め切り
以下、一部編集。
・事前に参加モデルを置く GitHub ページを準備する。
・〆切までに応募フォームで指定した GitHub ページに 以下を置く。
・PDF または MarkDown 形式でのモデルの説明(英語のテキスト[〜2000語]およびアーキテクチャ図を含む)
・BIF形式(下記)のデータ
・Creative Commons ライセンスの表示
・〆切:2020年9月30日
BIF形式とは
WBAIでは、全脳アーキテクチャを記述・共有するための形式として information flow diagram の一種である Brain Information Flow Diagram (BIF) を提唱しています。今回のモデラソン参加者にはモデルの BIF(スプレッドシート形式)での提出をお願いします。なお、上記参照アーキテクチャの BIF はこちらになります。
WBAIでは、オントロジー言語の考え方に則った、脳アーキテクチャに特化したBIFという表現形式が提唱されていました。
具体的には、アーキテクチャを構成する要素、例えば海馬など、を回路(circle)として、クラスのように表現し、その間の関係もconectionとして表現するような形式でした。
さらに、「参照アーキテクチャ」、標準となるモデルの表現例がこのBIF形式で公開されています。
WMHackathon2020.bif - Google スプレッドシート
文脈と参考文献
公式ページには、以下のようにあります。
作業記憶の脳内機序ははっきりしたことがわかっていないようですが、以下のようなことがいえるでしょう。
・作業記憶は知覚表象に関わるので、知覚領野(前頭以外の大脳皮質)が関与する。
・作業記憶の内容(過去の知覚内容)と現在の知覚内容は皮質内で区別されなければならない。
・作業記憶は定義上執行機能が関わるので、執行機能に関与するとされる前頭葉が関与する。
・作業記憶には(上記から)前頭葉と知覚領野の間のネットワークが関与する。
・執行機能(前頭葉)は(知覚領野の)作業記憶の保持と終了の制御を行う。
また、参考文献リストとしては以下が挙げられています。
作業記憶についてはこちら:
Shintaro Funahashi: “Working Memory in the Prefrontal Cortex,” Brain Science, 7(5):49.
doi:10.3390/brainsci7050049 (2017)
計算論的神経科学の入門はこちら:
CCNBook: https://github.com/CompCogNeuro/ed4
眼球運動についてはこちら:
Okihide Hikosaka, et al.: “Role of the Basal Ganglia in the Control of Purposive Saccadic Eye Movements,” Physiol Rev, 80(3):953-78. doi:10.1152/physrev.2000.80.3.953 (2000)
まずは、前頭前野と作業記憶のおおよそ語られる仮説を理解します。
前頭前野はヒトをヒトたらしめ,思考や創造性を担う脳の最高中枢であると考えられている。前頭前野は系統発生的にヒトで最もよく発達した脳部位であるとともに,個体発生的には最も遅く成熟する脳部位である。一方老化に伴って最も早く機能低下が起こる部位の一つでもある。この脳部位はワーキングメモリー、反応抑制、行動の切り替え、プラニング、推論などの認知・実行機能を担っている。また、高次な情動・動機づけ機能とそれに基づく意思決定過程も担っている。さらに社会的行動、葛藤の解決や報酬に基づく選択など、多様な機能に関係している。
また、connectuonとして、書くべきものとしては、以下のようなものがありそうです。
前頭前野の高次機能は神経伝達物質のドーパミン、セロトニン、ノルエピネフリン、GABA(ガンマアミノ酪酸)などによって支えられている。これらの物質が欠乏すると、ヒトはワーキングメモリー課題の遂行、プラニング、意思決定や反応抑制の障害を示したり、情動障害を示したりする。
モデラソン説明ページの参考文献にある、「前頭前野のワーキングメモリー」の船橋先生の日本語の論文は、こちらで読むことができました。
内容に関しては同じなのか確かめていないです。
実行機能と前頭連合野の関与 船橋 新太郎 心理学評論 2015年 58 巻 1 号 55-71
DOI https://doi.org/10.24602/sjpr.58.1_55
https://www.jstage.jst.go.jp/article/sjpr/58/1/58_55/_pdf/-char/ja
論文から抜粋すると、以下であり、ワーキングメモリのモデルで実行機能のある程度の説明が可能なこと、二重干渉課題により、2つの課題の遂行の中で限られた神経資源を奪い合うような挙動を示すことが、実行機能の機序を明らかにする手がかりとして使えそうなことが読めます。
また,実行制御機能により,複数の機能系を同時に,そして,円滑に働かせるためには,限られた量の神経資源を,それぞれの機能系の情報処理の必要に応じて配分したり増減したりする,マネージメント機能が不可欠である。この機能は,ワーキングメモリのモデルに含まれている中央実行系の機能と一致し,この機能にも前頭連合野が関わっていることが知られている。二重課題干渉を手がかりに,前頭連合野の限られた神経資源を2つの課題の遂行に必要な情報処理系が取り合う様子が明らかになったものの,このような調整がどのようにしておこなわれるのかは明らかではない。限られた神経資源の使用量を調整する仕組みが前頭連合野のどこかに存在するのか,それとも,そのような特別な仕組みは存在しないのか,明らかではない。ワーキングメモリのモデルの中でも最重要なシステムである中央実行系の働きを可能にする神経メカニズムを明らかにする必要がある。
公式ページでいう執行機能は実行機能とイコールで捉えてよさそうです。
締め切りが30日で資料を読むだけで終わってしまいそうですが、面白そうなので何かのフックが残ればいいと思い、応募のための活動を続けてみます。
最短でYOLOv3を学習させて物体検出させたい人のために(Python, Keras)
仕事で、物体検出を用いた業務発注を行う関係で勉強していたのと、これに応募してみようとして色々やっていて、表題のプログラムが動かせるようになったので一応手順を共有しておきたく。
第2回衛星データ分析コンテスト「Tellus Satellite Challenge」を開催します (METI/経済産業省)
すでに以下の日本語の記事があって、ほぼほぼそれのパクリなのですが、元のgithubなりコードを調べないと解決しない箇所があったのでまとめておきます。
最新の物体検出YOLO v3 (Keras2.2.0+TensorFlow 1.8.0)を独自データで学習できるようにしてみた: EeePCの軌跡
疑問点、指摘などコメントでいただけるとありがたいです。
- 1. YOLOとは?&今回のコード
- 2. 学習させたい画像と対象の位置情報を記述したファイルを用意する
- 3. 事前学習済み重みファイルを用意する
- 4. クラス定義ファイル、アンカー定義ファイルを用意し、train.py内のパスを変更する
- 5. 学習実行&学習結果(学習済みファイル)の取り出し
衛星データサイエンス×インフラデータ活用の可能性(ネタマラソン)
「衛星データサイエンティスト」という言葉を知っていますか?おそらくほとんどの人が聞いたことがないと思います。なぜなら最近、宇宙ビジネス情報サイト「宙畑(そらばたけ)」に掲載された言葉だからです。
インターネットインフラサービスを提供するさくらインターネットは、経済産業省から委託して行っている衛星データプラットフォーム事業「Tellus」の一環として、SIGNATE、RESTECの協力のもと、衛星データ分析技術者養成講座「Tellus Satellite Boot Camp」を開催することを発表しました。
この「宙畑(そらばたけ)」というサイト、とてもわかりやすくて、色々みて勉強していたのですが、衛星データについて無料で提供したり、また利用方法を拡充する取り組みであるTellus (テルース)がオープンすること、また、人工衛星の数自体を増やすビジネスも起こっており、今後利用できるデータの種類や解像度も大きく増えていくことが予想されることなどがあり、飯の種の匂いを感じています。
OneWeb(ワンウェブ)とはいかなる企業か?ソフトバンクが衛星通信事業に出資のワケ |ビジネス+IT
続きを読むインフラデータチャレンジで勉強する② 橋梁点検データを見てみる
OpenCV(Python Bindings)で任意の位置から動画を再生する
職場で、動画データからの物体検出機能等を自らで実装する必要が発生した(というか、職場で趣味的なプログラミング等をしたかったので、機会を捉えてそのように調整した。)
大学院生の頃に戻った気分で、OpenCVをいじっていたのだが、標記のようなことをドンピシャで日本語で書いてあるものがあまりなかった。
ドンピシャではないが、コレくらい。
Pythonでの動画の取り扱い(OpenCVで再生とキャプチャ生成)