高炉スラグ配合コンクリートの機械的強度を探るための教師あり機械学習モデルの予測精度の評価

より賢いコンクリートが重要な理由

コンクリートは都市を形作りますが、それを結び付けるセメントの製造は大量の二酸化炭素を排出します——世界の排出量の約8%に相当します。この足跡を軽くする有望な方法の一つが、通常のセメントの一部を高炉スラグのような工業副産物で置き換えることです。高炉スラグは製鋼プロセスから出るガラス状物質です。問題は、強く耐久性のある低炭素コンクリートの最適な配合を見つけるには通常何か月もの実験が必要になる点です。本研究は、現代の機械学習がその多くの試行錯誤を仮想的に行えることを示し、より環境に優しいコンクリートの設計を加速できることを明らかにしています。

製鋼から生まれるよりクリーンな原料

高炉スラグは鉄鉱石を溶かして粗鋼（ピッグアイアン）を作る際に生じます。この溶融副産物を急冷し微粉末にすると、遅効性のセメントのように振る舞います。コンクリートに混ぜると、セメントの水和で生成する化合物と反応して追加の結合ゲルを作り、内部の細孔を締めます。その利点は三つあります：必要なセメント量が減る（CO₂排出削減）、塩類や酸による化学的攻撃に対する耐性が向上する、そして強度が長期にわたって成長し続けることです。しかし性能は、添加するスラグの量、他の材料との相互作用、養生期間に敏感に依存します。

散在する実験を一つのデータセットにまとめる

研究者らはあらゆる混合比について新たに実験を行う代わりに、スラグ含有コンクリートに関する既存の研究や公開データを精査しました。彼らは合計675件のデータ記録を集め、それぞれがコンクリート配合と測定された圧縮強度（破壊前に耐えられる圧力）を記述しています。追跡された8つの主要な成分と条件は、セメント量、高炉スラグ、フライアッシュ、粗骨材と細骨材、水量、高性能減水剤であるスーパープラスチタイザー、そして養生日数です。すべての値は検証され、共通の単位に標準化され、明らかな誤りは除去され、機械学習モデルが変数を等しく比較できるように再スケーリングされました。

コンクリート強度を予測する機械を訓練する

このデータベースを用いて、チームは混合設計から圧縮強度を予測するために6種類の教師あり機械学習モデルを訓練しました：AdaBoost、単一の決定木、Gradient Boosting、k近傍法（k-NN）、そしてLightGBMとXGBoostという二つの高度なツリー系手法です。データの80%を訓練に、20%を未知の配合に対する性能評価に使用しました。過学習（モデルが過去データを丸暗記して実際には失敗すること）を避けるために、グリッドサーチと交差検証で体系的にモデル設定を調整し、決定係数（R²）や各種誤差統計といった標準的な精度指標で性能を評価しました。

より環境配慮型の配合で強度を左右する要因

最も性能の高かった二つのモデル、LightGBMとXGBoostは、試験データの変動の94%以上を捉え、実験室での強度を高精度で再現しました。これらの“ブラックボックス”モデルを理解可能にするために、著者らはSHAP（各入力が予測にどれだけ寄与したかを割り当てる手法）と部分依存プロットを適用しました。部分依存プロットは他の変数を一定に保ったまま一つの変数を変化させたときに予測強度がどのように変わるかを示します。これらの解析は、養生日数が最も大きな正の影響を持つことを示しました：養生が長いほど一貫して強度が高くなります。次に影響力が大きかったのはスーパープラスチタイザーとセメント含有量で、これらは充填性を高め余分な水を減らすことで強度を向上させます。水量自体は強い負の影響を示しました——多すぎると配合を弱めます。一方で高炉スラグはある程度までは強度を助けますが、一定量を超えると効果が頭打ちになります。

スラグの最適範囲を見つける

モデルをさまざまなスラグ含有量にわたって試したところ、研究者らは最適な置換範囲を特定しました：高炉スラグが総水和材の約30～40%を占めるとき、特に28日以降の養生において圧縮強度が高くなる傾向がありました。スラグ比を大きく押し上げ、特に50%を超えると初期強度の成長が遅れることが多く、これは工事のスケジュールにとって重要になり得ます。多くの小さな研究から抽出されたこれらの洞察は、実務的な指針を提供します：エンジニアは各プロジェクトで徹底的に試験することなく、この中間的なスラグ範囲を目標にして強度、耐久性、炭素削減のバランスを取ることができます。

将来の建築にとっての意義

専門外の読者に向けた要点は明快です：コンピュータは過去のコンクリート実験から十分に学習し、最初の一回の配合を打つ前に強く低炭素な配合を提案できるようになった、ということです。本研究ではLightGBMモデルがXGBoostよりやや正確であることが示されましたが、両者ともどの成分が重要でスラグがどこで効果を発揮するかを示すのに十分な精度と解釈性を持っていました。高速性と透明性のこの組み合わせは、設計者が時間、コスト、材料の浪費を削減しつつ工業副産物をより有効に利用することを可能にします。データセットが増え標準化が進めば、こうしたツールは建設業界が気候影響を縮小しつつ、安全で耐久性のある構造物を提供する助けとなるでしょう。

引用: Sobuz, M.H.R., Majumder, S., Afrin, M.S. et al. Evaluating the predictive accuracy of supervised machine learning models to explore the mechanical strength of blast furnace slag incorporated concrete. Sci Rep 16, 6712 (2026). https://doi.org/10.1038/s41598-026-36437-x

キーワード: 高炉スラグコンクリート, 機械学習, 圧縮強度, 持続可能な建設, セメント代替