フォーラムエイトの層別層厚換算法（図解法）

フォーラムエイトさんの「圧密沈下の計算」を触ってみました。

まずはサンプルを読み込んで、設定等の確認。
特に戸惑うような入力条件は見当たらず、一般的な沈下計算の知識があればマニュアルを見なくても計算できます。
計算自体も早いような気がします。

層厚換算法では、どの層の Cv を使うか選択できました。答えは変わりませんが、最下層に固定するより good です。が、層別層厚換算法と層別層厚換算法（図解法）では Cv を選択できません。なぜでしょうか？

サポートに問い合わせると、以下の回答が得られました。
1.層厚換算法： 代表Cvを使って換算層厚を求める。Cv の選択可能。
2.層別層厚換算法： 代表Cvを使って換算層厚を求める。Cv の選択不可。
3.層別層厚換算法（図解法）： 換算前の実際の層厚を使用。Cv は使わない。

１は問題ないでしょう。
2はどの Cv を使うのか説明がありません。デフォルトで最下層ということですので、最下層固定なのでしょうか？
3はそのような仕様、と言われるとそこまでですが、道路土工ー軟弱地盤対策工指針や図解法の出典の計算方法とは異なっています。道路土工通りに計算したい場合には、このソフトの図解法は使用できません（今まで問い合わせはなかったのでしょうか？）

まだ触り始めですので、私の取違いかもしれません。
もう少し触ってみましょう。


********************************
20180312追記
サポートさんから是正がありました。

3.層別層厚換算法（図解法）： 代表Cvを使って換算層厚を求める。Cv の選択不可。

計算書を確認して追えたとのこと。
2.3.では最下部の Cv 固定だそうです。なぜ2.3.だけ選択できない仕様になっているのかは、サポートさんもわからないそうです。
フォーラムエイトさん、大丈夫でしょうか？一気に不安が広がりました。

石灰岩のラミネーション

石灰岩地帯で車を運転していた際、違和感ある露頭が目に映りました。

「あの縞はなんだろう？」と思い、車を降りて近づいて見ると、ラミネーションでした。弱風化するとよくわかります。

最初はドロマイトや砂分の混在を疑って、サンプルを持ち帰り XRD や XRF をかけてみました。が、純粋な石灰岩でした。

日本の文献は引っ掛かりませんでしたが、海外の文献には記載があります。
https://www.researchgate.net/publication/281428253_Neighbours_talking_Late_Neoproterozoic_stratigraphic_and_tectonic_evolution_of_Oman_Pakistan_and_West_India
https://www.researchgate.net/publication/321888876_LITHOLOGY_OF_THE_LOWER_PART_OF_QULQULA_RADIOLARIAN_FORMATION_EARLY_CRETACEOUS_KURDISTAN_REGION_NE_IRAQ

砕屑性石灰岩と呼ぶのでしょうか？粒度で区分した名前がついています。これなら、ラミネーションがあってもおかしくないでしょう。
https://www.researchgate.net/publication/318501031_Indication_of_calcareous_tempestite_inside_the_Qulqula_Group_in_the_Zagros_Suture_Zone_KRI

不勉強なもので、まだまだ知らないことがあります。
わからないことに直面するたびに、学ばせてもらいましょう。

層厚換算法の Cv

DECALTの解説を読んでいて、疑問に思いました。

「換算された層はその最下層の圧密係数を代表圧密係数とし、層厚は次式にて求める。」

なぜ最下層固定なのでしょうか？

富士通エフアイピーさんですから、「道路土工指針では最下層での計算例が掲載されている。だから？最下層で固定した」程度の考えでしょうか？
サポートに聞いてみると、まさにその通りでした。社風でしょうね。

ちなみに、「道路土工-軟弱地盤対策工指針」層別層厚換算法（図解法）の出典では、最上層を使用する例が挙げられています。

稲田ほか「各層の圧密度を考慮した層厚換算法による圧密沈下速度の予測法」土と基礎. 25(9)1977

http://dl.ndl.go.jp/info:ndljp/pid/10429625

コチラ↓は何でもよいと書かれています。

宮原吉秋「講座 施工例からみた土質工学(その6)III.干拓工の土質工学(干拓堤防の沈下計算)(2)」農業土木学会誌第,35巻,第7号,1967
https://www.jstage.jst.go.jp/article/jjsidre1965/35/7/35_7_387/_pdf

Cv'は仮想した圧密係数であり,代表的なものでとってもよいし,計算に便利なようにとって もよい。

式をみると簡単なのですが、t/Tv=D²/Cv'＝（H'/2)²/Cv' に換算層厚の式を代入して展開すれば Cv' が消えます。なので、どのような値を入れても同じ答えになります。ということで、入力にもこだわりはないのでしょう。

	層厚 cm	Cvn cm2/day	Cv', H'n
			50	100	400
層1	100.0	50.0	100.0	141.4	282.8
層2	300.0	100.0	212.1	300.0	600.0
層3	200.0	400.0	70.7	100.0	200.0
換算層厚H'			382.8	541.4	1082.8
排水距離D=H'/2			191.4	270.7	541.4
D2/cv'			732.8	732.8	732.8

Cv の中に透水係数が入っていますので、等価透水係数を出す際の形と似ています。水の流れ（水量のつり合い）を考慮し導出されているのでしょうか？出典を知りたいですね。時間のある時に展開してみましょう。

手元にあるソフトの中では、フォーラムエイト 「圧密沈下の計算」の方が使いやすそうですね。こちらは Cv’を選択できるようです。試してみましょうか。

インプリビットとコア

ボーリング掘削に時間のかかる現場があり、インプリビットの種類による岩盤コア採取状況（品質と速度）の変化を探ってみました。

・マイカイさんのM1クラスで切れる岩を、J1よりさらに硬い岩用で切るとどうなるか？

結果：ちょっとボロになった個所もありますが、特に変わらず。早く切れるわけではないようです（ダイヤがまだしっかり出ていない？）。無駄遣いでした。

・ボトムタイプを通常タイプに変えるとどうなるか？（最初はオペさん、とても嫌がられていました）

結果：倍近く、早く切れた。コアもそれほど変わらず（亀裂が多くても流れないのは、掘削時に割っているのかもしれません）。流れないこと。早く切れることが分かり、その後はオペさんこればかり使用されてました。

今回の岩盤では、たまたまM1クラスの通常タイプが適していたようです。珍しいのかな？


一口にダイヤと呼びますが、各メーカーが様々なタイプ・硬さのビットを用意されています。こちらの会社「センシン」さんが硬さの一覧表を作られています。

http://senshin-bit.sub.jp/matrix01.html
このような中から、オペさんは経験で選んでいらっしゃいます。が、合致するのを見つけるのは大変ですよね。
それでも、試行錯誤しながら良いコアを上げようと尽力されています。ボトムを使わず、独自に穴をあけて調整しながら使われているオペさんもいらっしゃいます。そのこだわりには、脱帽です。

できれば、お客様にも何かの形で感じていただきたい、届けたいものです。

第四次産業革命スキル習得講座

機械学習・深層学習を進める中で、知識不足を感じています。

ある程度は独習できますが、実務で使いこなせるまで知見を備えるのは困難だと思います。
そのような中、これらを「データサイエンス」といった独立した分野ととらえ、カリキュラムを組む大学が増えてきました。ビッグデータを容易に入手でき、それを扱える、あるいは計算できる環境が追いついたからでしょう。企業側からニーズが出てきたため、人材を育てることになったのでしょうね。

経産省もその必要性を認識・バックアップされています。
産業界による AI・データサイエンスに関する社会人向けの講座を認定され始めました。第四次産業革命スキル習得講座と呼ぶようです。
http://www.meti.go.jp/report/whitepaper/data/pdf/20170615001_1.pdf
http://www.meti.go.jp/press/2017/01/20180110001/20180110001.html
AWS や Azure で計算することも前提に、カリキュラムが組まれていますね。来年度に受けてみましょうか。

ツールから入って、それをベースに多様な問題に対処できるデータサイエンティスト？がいれば重宝するでしょう。一方、技術者としては、1つの問題に対し、解決ツールの一つとしてデータサイエンスの知見を備えておくというスタンスでしょう（ 知識がなければ、その利用は選択肢にすら入ってきません）。どこかで重なる領域がないと、話すらできませんので。

幅の狭い計画にならないよう、多様な検討・マネジメントが可能になるよう、常に知見は収集しておきましょう。

深層学習での GPU スペック

数千万件、多要素のビッグデータに対し、H2Oをかけようか？と思い立ちました。

当然、GPU 利用になるでしょう。そこで H2O4GPU での推奨スペックを確認。
案外細かい制約がありました。
https://github.com/h2oai/h2o4gpu/blob/master/README.md

• Nvidia GPU with Compute Capability >= 3.5 
• For advanced features, like handling rows/32 > 2^16 (i.e., rows > 2,097,152) in K-means, need Capability >= 5.2

しかも、Ubuntu。

tensorflow や Caffe でも同様でしょうね。
要求するGPUスペックは高いにもかかわらず、Python3.5、VS 2015 or 2013、CUDA 8.0 or 9.0 等、微妙に過去のVer.の組み合わせを求めていました。比較的新しい GPU を少し古いソフトの組み合わせで動かす、といったような環境を惜しげなく作ることは、プロしかできないでしょうね。汎用的な環境を作ろうとすると、最新ハードは最新ソフトで動かしたいですからね。

ま、逆に考えると、数十万円程度かければ、誰でも簡単にビッグデータからマイニングできる環境を整えることが可能な時代になっている、ということでしょう。遅れぎみですが、しっかりついていきましょう。

Grid Search

Grid Search に関しては、機械学習分野の図書に載っています。

H2O flow にて実装されていないのか？と調べてみると、ありました。
https://github.com/h2oai/h2o-3/blob/master/h2o-docs/src/product/tutorials/random%20hyperparmeter%20search%20and%20roadmap.md

以前より、右端にある「Grid?」のチェックボックスはなんだろう？説明表示の展開？などと思っていたのですが、これが Grid Search 機能の on/of だったのですね。Python で組むなら、H2Oでなくても良いのでは？と考え始めていましたので、危ういところでした。

使ってみると、便利。
Cartesian Grid では、隠れ層、epoch数などの値を複数入力すると、それらの組み合わせでモデルを作成してくれます。計算結果は validation の log loss 順で表示されます。すべての結果も一覧表示できますので、EXCEL にコピペすれば AUC 等でソートできます（flow上でできないのかな？）。

まだ、 Random Search は使っていませんし、作った Grid Model の消し方、結果一覧とモデル番号の対応もわかりません。
ずいぶんと楽になりましたが、もう少し触ってみる必要がありそうです。