アスファルトコンクリートの破壊パラメータを予測するための物理指導型機械学習統合アプローチ

なぜより良い道路が重要なのか

毎日、何百万ものドライバーが仕事に行き、物資を運び、都市を動かすためにアスファルト道路に依存しています。それでもひび割れや穴は望むよりずっと早く発生し、費用を招き、フラストレーションを生みます。本研究は、従来の試験、コンピュータシミュレーション、最新の機械学習を組み合わせることで、アスファルトがどのようにいつ亀裂を生じるかを予測する新しい方法を探ります。目的は、より長持ちする舗装をより迅速かつ低コストで設計することです。

アスファルトの亀裂は通常どのように研究されるか

アスファルトの破壊を理解するために、技術者はしばしば中央に切り込み（ノッチ）を入れた梁状の試料を用います。これらの「片側縁ノッチ梁」を曲げて亀裂が生じるまで荷重を加え、装置で梁がどれだけの力を負担し、どれだけ変形するかを記録します。これらの測定から、破壊エネルギー—亀裂が進展するまで材料が吸収できるエネルギー量を表す数値—を算出します。こうした試験は信頼性がありますが、時間がかかり、特別な機器を必要とし、取り扱える混合物や温度が限られます。

コンピュータで行う仮想実験の追加

実験室で可能なことを超えるために、著者らは有限要素法という標準的な工学シミュレーション手法を用いてノッチ入りアスファルト梁の詳細なコンピュータモデルを構築しました。実験と同じ形状、荷重条件、温度を再現し、時間依存の弾性（ラバリー）挙動を模倣する現実的なアスファルト特性を使いました。メッシュの細かさを調整することで、過度な計算コストをかけずに力―変位曲線を正確に再現する適切な詳細度を見いだしました。シミュレーション結果はピーク力、剛性、亀裂後の梁の軟化などに関して実験と良く一致し、デジタルモデルが本質的な破壊挙動を捉えていることを確認しました。

機械にパターンを学習させる

次に、チームは機械学習を用いて、容易に測定できる混合物特性とアスファルトの破壊抵抗の関係を結びつけました。彼らは既存のアスファルト混合物データセットを用い、バインダー含有量、空隙率、単位重量、安定度、フロー、典型的な道路温度における剛性といった特性を含めました。モデル化の前に、これらの特性がどの程度関連しているかを確認しました。例えば、剛性の高い混合物は一般に高い荷重を支える傾向がありますが脆く振る舞いやすく、バインダー含有量が多いと混合物は柔らかく伸びやすくなります。単純な線形回帰、Gradient Boosting、AdaBoostという3つの機械学習手法を交差検証で訓練・テストしたところ、剛性や関連する破壊挙動の予測においてはGradient Boostingが最も信頼できる予測を示しました。

ひび割れ抵抗のための近道となる式

予測を物理的に意味のあるものにするため、著者らは破壊エネルギーの代替となる数式を導入しました。コンピュータに数十の入力から直接破壊エネルギーを推定させる代わりに、安定度、フロー、20 ℃での剛性、特徴的な梁の寸法というごく少数の主要量を組み合わせた簡潔な式を提案しました。この式は単位と既知の傾向を尊重しており、一般に安定度と剛性が高いほど亀裂抵抗は増し、フローは混合物がどれだけ変形できるかを反映します。この式を用いて各混合物の「代替」破壊エネルギーを算出し、実測値およびシミュレーション値と比較しました。代替値の平均は実験値と計算値からわずか約2％しか異ならず、この単純で物理に基づく近道が亀裂過程の本質を捉えていることを示しました。

将来の道路にとっての意義

一般の読者向けの主なメッセージは、日常的に得られる少数の測定と慎重に設計された式、さらに機械学習とコンピュータシミュレーションによって、アスファルト混合物がどれだけ亀裂に強いかを推定できるようになったという点です。新しい混合物ごとに複雑な破壊試験を行う代わりに、設計を迅速にスクリーニングし、バインダー含有量や骨材構成を微調整し、実験作業を最も重要な部分に集中させることが可能になります。時間とともに、この種の統合された物理認識型データモデリングは、より耐久性の高い舗装、穴の少ない道路、道路建設・維持管理に投入される資金のより良い価値提供につながる可能性があります。

引用: Elahi, M., Khan, R., Mabood, T. et al. An integrated physics-guided machine learning approach for predicting asphalt concrete fracture parameters. Sci Rep 16, 7938 (2026). https://doi.org/10.1038/s41598-025-32041-7

キーワード: アスファルト破壊, 舗装設計, 機械学習, 有限要素シミュレーション, 代替モデル化