ブートストラップを用いた代理モデル（XGBoost）による空洞上の基礎の系信頼性解析

建物下の見えない空洞が問題になる理由

都市は古い鉱山、トンネル、その他の地下空洞の上にますます建設されています。これらの隠れた空隙は地盤を徐々に弱め、建物の傾きやひび割れ、さらには崩壊を引き起こす可能性があります。技術者はそのようなリスクに対して安全な基礎を設計しようとしますが、多様な条件下で安全性を確認する従来の手法は非常に時間がかかることがあります。本研究は、最新の機械学習ツールがそのような安全性評価をより迅速かつ現実的に行えることを示し、空洞上に建てられた構造物の保護に役立つことを示しています。

見えない地盤リスク上の基礎

建物の基礎には主に二つの役割があります：土を突き抜けない（支持力）こと、そして沈下や過度の傾斜を起こさないこと（許容沈下）。鉱山やトンネル、自然現象により地表下に残された空洞は、これらの両方を難しくします。土壌が空隙に移動・崩壊すると、基礎の支えが時間とともに減少します。従来の設計では、しばしば単一の「安全率」に頼りますが、実際の土質は場所ごとに異なり時間とともに変化するため、単一の安全率では重要なリスクを見落とすことがあります。

重いシミュレーションから賢い代理へ

これらのリスクを適切に検討するには、理想的には土質強度、空洞形状などを変化させた数千の詳細な数値シミュレーションを実行する必要があります。しかし実務ではそれは遅すぎます。著者らは代わりに、円形空洞上の帯状基礎を専門の地盤解析プログラムで高精度にシミュレーションした272件の大規模データセットを作成しました。その後、XGBoostという機械学習モデルを訓練してこれらのシミュレーションを模倣させ、土の自重、粘着力、摩擦角、空洞深さ、剛性などの入力から支持力と沈下の両方を予測しました。代理モデルは特に支持力に関して高い精度で詳細シミュレーションを再現し、より高価な計算に代わる高速な代替手段として機能し得ることを示しました。

ノイズの多いデータと不確実性の扱い方

実際の地盤データは単純な統計的仮定にきれいに従うことは稀で、歪みがあったり複数の山を持ったり、広い散らばりを示したりします。著者らは支持力と沈下の予測値をなるべく正規分布に近づけるため、さまざまな数学的変換を系統的に検討しましたが、単独ではどれも完全ではありませんでした。最良のバランスは、まず対数変換を施し、次にデータを繰り返し再標本化して経験的分布を構築するブートストラップ手法を適用することにより得られました。この組み合わせにより、データを無理に理想形に押し込めることなく不確実性を堅牢に記述できました。

現在と将来の破損確率の算定

代理モデルと改善したデータ処理を用いて、著者らはモンテカルロシミュレーションにより二つの基準——支持力喪失と過度の沈下——で基礎がどの程度の頻度で破損するかを推定しました。結果は、支持力よりも沈下の限界がより重大で、単独で考慮すると破損確率がほぼ30％増加することを示しました。両方の基準を系として統合（どちらか一方が満たされなければ破損とみなす）すると、支持力単独で見る場合と比べて全体の破損確率はさらに増加し、50％以上上昇しました。研究はまた、支持力を徐々に低下させ沈下の期待値を増加させることで数十年にわたる安全性の劣化を模擬しました。これらの仮定的な変化の下では、信頼性指標は着実に低下し、約一世紀でほぼコイントスに近いリスク水準に達しました。

より安全な設計への意味合い

非専門家向けの重要なメッセージは、地下空洞上の建物の安全性は単一の安全率や単一の破壊モードの確認だけでは信頼できない、ということです。よく訓練された機械学習の代理モデルを、慎重な統計処理とモンテカルロシミュレーションと組み合わせることで、技術者は不確実な土質特性、空洞形状、時間変化を考慮に入れた数千の「もしも」シナリオを迅速に検討できます。このアプローチは、支持力が十分に見えても沈下や系としての挙動がリスクを支配し得ることを明らかにします。実務的には、このフレームワークは紙の上では安全に見えるが地盤の変化で脆弱になり得る基礎を迅速かつ現実的に特定する手段を提供します。

引用: Shubham , K., Metya, S., Sinha, A.K. et al. XGBoost based surrogate technique for system reliability analysis of foundation over cavity aided with bootstrapping. Sci Rep 16, 7113 (2026). https://doi.org/10.1038/s41598-026-37058-0

キーワード: 基礎の信頼性, 地下空洞, 機械学習, モンテカルロシミュレーション, 地盤工学