生の杭健全性試験データから杭先端を検出するリカレントニューラルネットワーク長短期記憶モデル

地下に隠れた基礎をより賢く検査する

多くの建物や橋は杭と呼ばれる長い地下のコンクリート柱に支えられています。杭は埋設されているため、設計どおりに施工されたか、どの深さまであるかを直接目で確かめることはできません。本研究は、簡単なハンマー試験で得られる微妙な振動信号を人工知能モデルが読み取り、杭が地中で終わる点――杭先端――を自動的に特定できることを示しています。これにより、隠れた基礎検査がより迅速で信頼できるものとなり、個々の専門家の判断に依存しにくくなります。

杭の内部をエンジニアはどう“聴く”か

杭を掘り返さずに調べるために、エンジニアは低ひずみ健全性試験を用います。作業者が杭頂部を小さなハンマーで打撃し、センサーが杭の振動を記録します。その衝撃は応力波を杭内部に伝え、杭先端や欠陥などの変化点に到達すると反射します。携帯型装置はこれらの振動を反射波形（リフレクトグラム）として可視化し、時間または深さに対する信号の変化を示します。熟練した技術者はこの波形と現場情報、ASTM D5882 やユーロコードに基づく規則などを照らし合わせて杭が健全か、先端がどこにあるかを判断しますが、この解釈は主観的になりやすく、時間を要し、雑音や地盤条件に左右されやすいという課題があります。

なぜ深層学習を導入するのか

近年、杭試験データを理解するために古典的なニューラルネットワークから画像ベース手法、信号分類器までさまざまな人工知能アプローチが試されています。これらの多くは記録信号から手作業で特徴を抽出したり、信号を画像に変換したりする必要があり、杭内部で波が時間とともにどのように変化するかを捉えるのに苦労する場合があります。本論文の著者は代わりに系列データに特化したモデル、すなわち長短期記憶（LSTM）を持つリカレントニューラルネットワーク（RNN‑LSTM）に着目しました。これらのネットワークは時系列の前後関係を「記憶」するよう設計されており、ハンマーが生じさせる波が杭内を伝播・反射・減衰する様子を追うのに適しています。

生のハンマー衝撃をクリーンなデータに変える

研究チームは層状土に設置された掘抜きコンクリート杭（長さ12～30メートル）を含む、エジプトの建設現場からの500件の低ひずみ試験記録をデータベース化しました。各杭について時間軸上の生の加速度測定値と、人間が描いて解釈した対応するリフレクトグラムがありました。研究者らはこれらの図を注意深くデジタル化し、既知の波速を用いて深さを時間に換算し、異なる杭の信号を比較できるよう垂直スケールを正規化しました。生センサー信号側では高周波ノイズを平滑化し、ロバストな統計尺度で標準化し、系列長の違いを扱えるようパディングと小さなランダム変動を用いるなどして、ニューラルネットがパターンを歪めずに処理できるよう工夫しました。

ニューラルネットワークの設計と検証

層数や各層のユニット数を変えた複数のネットワーク構成が試されました。研究者らは、予測精度を高めつつ計算コストの爆発や過学習に陥らないバランスを探しました。最終的に各層32ユニットの6層LSTMモデルがこの妥協点を満たすことが分かりました。モデルが重要な信号部分を追跡できるように、層間ショートカットと、ネットワークが鍵となる時間領域に注意を向けられる注意機構（アテンション）も導入しました。400本の杭で学習し、未使用の100本で検証した結果、最終モデルは人手で作成した速度波形を高い統計精度で再現し、予測波形とデジタル化した参照波形の一致が高いことを示しました。

数値から実際の杭判定へ

統計を超えた実務上の主要な問いは、モデルが杭先端を正しくマークできるかどうかです。研究者らは各予測リフレクトグラムを目視で確認し、先端位置をデジタル化された参照と比較しました。参照に対して5パーセント以内の一致は「良好」、10パーセント以内は「可」、それを超えると「不良」と評価しました。学習セットでは約90％が「良好」で「不良」はわずか4％でした。検証セットでは84％が「良好」で6％が「不良」でした。これらの結果は、訓練に用いた杭長、コンクリート強度、試験種別の範囲内において、AIシステムが専門家の解釈を日常の試験で有用な程度に模倣できることを示唆しています。

より安全な構造物に向けての意味

簡潔に言えば、本研究は適切に設計された深層学習モデルが、杭へのハンマー打撃から得られる生の振動記録を取り、専門家が杭先端を見つけるために用いるのと同じ種類の曲線を自動的に描けることを示しています。これにより手作業の工程と人的ミスの余地が減り、最終判断は慣れ親しんだプロットに基づいた説明可能な形で残ります。現在のところモデルは特定のセンサーと本研究の杭に類似した条件に限られますが、隠れた基礎の定期点検が現場でより迅速かつ一貫して行える未来を示唆しています。

引用: Samaan, R.M., Saafan, M.S.A., Mokhtar, A.A. et al. Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test. Sci Rep 16, 6348 (2026). https://doi.org/10.1038/s41598-026-36732-7

キーワード: 杭健全性試験, 深層学習, リカレントニューラルネットワーク, 非破壊検査, 土木工学