ガウスノイズで拡張した最適化XGBoostモデルによる岩盤貫入杭の先端支持力予測の改善

推測ではなく岩盤に基づく設計

橋や高層建築を設計する際、設計者はしばしば堅い岩盤まで届く深い基礎に依存します。これらの「岩盤貫入杭」の強さは安全性とコストにとって重要ですが、先端での真の支持力を直接測るのは難しいことが多いです。本研究は、現代の機械学習ツールと巧みなデータ生成手法を組み合わせることで、こうした深礎が安全に負担できる荷重をより鋭く推定できることを示しており、構造の安全性を保ちながら建設コストの節約につながる可能性があります。

深い基礎の判定が難しい理由

岩盤貫入杭は、弱い土層を貫通してより強い岩盤に定着する大型のコンクリート柱です。理論的には、岩盤が硬く施工が良好であれば、杭の先端でより大きな荷重を支持できます。しかし実際には問題が複雑です：孔底に泥やスラリーがたまったり、ソケットの粗さや形状がばらついたり、岩盤内の目に見えない空洞や割れ目が存在したりします。こうした不確実性のために、設計者は先端からの支持をほとんどまたは全く期待しない保守的な仮定を採ることが多く、その結果、必要以上に長く高価な基礎になりがちです。

単純な式から賢い予測へ

従来の杭支持力推定法は、簡略化した方程式や伝統的な数値モデルに頼ることが多く、通常は岩盤の圧縮強度など限られた性質に注目し、岩盤塊体を理想化して扱います。ここ数年、研究者たちは人工知能技術を用いて、杭を押し込んだ負荷試験のデータベースから直接学習する手法を取り入れ始めました。こうしたアプローチは杭径、土中・岩盤中の深さ、岩質の指標など多くの入力を同時に扱えますが、データが限られると過学習しやすい「ブラックボックス」になりがちです。

実データと合成データでアルゴリズムに与える

著者らは、先端支持係数（先端がどれだけ荷重を担えるかの尺度）と8つの記述変数を記録した既発表の151件の岩盤貫入杭試験データを出発点にしました。外れ値や欠損を丁寧に処理した結果、136件の実測杭が残りました。地盤工学でしばしば直面する小サンプルの問題を克服するため、既存データに穏やかなランダムなガウスノイズを加えて追加の“合成”データを作成しました。こうして元のパターンを保ちつつ多様性を増した、統計的に整合する460本の杭データセットを構築しました。

学習機の訓練とパラメータ調整

研究チームは多数の単純な決定木を組み合わせて強力な予測器を作るアルゴリズム、Extreme Gradient Boosting（XGBoost）に注目しました。XGBoostの性能を最大化するため、算術ルール、ブレインストーミング挙動、クジラの捕食戦略に着想を得た3つの自然にヒントを得た最適化手法を併用しました。これらの最適化器は、木の深さや学習率などの重要な設定を自動で調整し、既知データへの適合と過学習回避のバランスを探りました。その中で、算術最適化アルゴリズムで調整したXGBoost（XGBoost_AOA）が最も精度と安定性に優れることが分かりました。

モデルが学んだ岩盤と杭の関係

元の136本だけで訓練しても、最適化されたモデルは従来手法を上回りました。460本の拡張データで訓練すると精度は劇的に向上し、予測誤差は大幅に縮小し、予測値と観測値の一致はほぼ理想的な1対1の線に近づきました。解析はどの入力が重要かも明らかにしました。岩盤の圧縮強度と岩盤塊体評点が主要な予測因子であり、杭径や全体荷重レベルも重要な役割を果たしました。互いに密接に関連する指標（例えば異なる岩質スコア）が高度に冗長であることも分かり、重複情報が適切に扱われないと過学習を助長する点が示されました。

研究コードから実用ツールへ

研究室外でも使えるように、著者らは最も性能の良かったモデルを扱いやすいコンピュータ・インターフェースに組み込みました。技術者は基本的な杭と岩盤のパラメータを入力するだけで、即座に先端支持力の推定値を得られ、独立した事例との照合による検証結果も参照できます。本手法は基礎となるデータの品質と範囲に依存するものの、機械学習・合成データ生成・解釈可能性ツールを組み合わせることで散在する試験結果を実務的な設計支援へ変換し、推測に頼る工程を減らし、不必要な保守性を削減し、より安全で経済的な基礎設計に寄与することを示しています。

引用: Khatti, J., Fissha, Y. & Cheepurupalli, N. Improving end-bearing capacity prediction of rock-socketed shafts using Gaussian-augmented optimized extreme gradient boosting models. Sci Rep 16, 7664 (2026). https://doi.org/10.1038/s41598-026-38646-w

キーワード: 岩盤貫入杭, 深礎, 機械学習, データ拡張, 地盤工学