実験データベースを用いた腐食した鉄筋コンクリート柱のバックボーン曲線予測のためのアンサンブル学習

老朽化したコンクリート柱が重要な理由

私たちが日常的に頼っている多くの橋や建物は、何十年も静かに錆び続ける鉄筋コンクリート柱の上に立っています。除雪用の塩、海塩の飛沫、汚染された空気は、内部に隠れた鉄筋を徐々に侵食し、地震時に負荷がかかるときに支持力を弱める可能性があります。本論文は、大量の試験データと最新の機械学習を用いて、損傷したこれらの柱が強い揺れの際にどのように振る舞うかを予測する新しい手法を示し、補修・強化・交換の判断に資することを目指しています。

錆が強度の物語をどう変えるか

コンクリート柱内部の鉄筋が腐食すると、酸化物は元の金属より体積が大きくなります。この膨張が周囲のコンクリートにひびを生じさせ、最初は細い内部線、やがて目に見える割れやはく離として現れます。同時に、鉄筋自体は断面欠損、強度低下、延性の喪失を受け、コンクリートとの付着も弱くなります。地震のような往復荷重下では、健全な柱は力–変位プロット上で幅広く丸みを帯びたループを描き、大きなエネルギー吸収を示します。これに対して腐食した柱は、より狭くピンチされたループを描き、初期降伏後に強度が急速に低下しやすくなります。これは脆性的で許容の少ない挙動への移行を示し、倒壊リスクを高めます。

散発的な試験から一つの大きな図へ

世界中の研究者が、異なる実験室で様々な寸法、鉄筋配列、材料、腐食レベル、荷重条件を用いて個別の腐食柱を試験してきました。本研究は、こうした200検体を単一の実験データベースにまとめ、柱の形状、鉄筋とコンクリートの強度、軸力、主筋とせん断筋の測定腐食度合いといった現実的な変動範囲を網羅しています。各柱の挙動を幾つかの代表点に単純化する代わりに、著者らはラテラル抵抗が成長・ピーク化・低下する様子を滑らかに包み込む“バックボーン曲線”全体を抽出しました。これらの測定曲線を、あらかじめ決められた式ではなく実験から直接学ぶデータ駆動型モデルの目標（ターゲット）として利用します。

損傷を読み取る機械を教える

研究チームは、複数のアンサンブル学習手法（多数の小さな決定木が投票する手法群）を訓練し、各柱のバックボーンに沿った主要な段階――初期降伏時の強度、最大強度、深刻な損傷後の残留強度――を予測させます。データベースの一部を訓練用に用い、残りをテスト用に保留しておき、ベイズ最適化でモデルを調整することで、個々の検体を暗記することなく一般的なパターンを捉えられるようにしています。試したアプローチの中で、Extreme Gradient Boosting（XGBoost）モデルが最も信頼性が高く、降伏点・ピーク・残留段階それぞれで高い精度を達成し、特に単純化された理想化モデルが見落としがちなピーク後の急激な軟化を再現できる点が重要でした。

どの要素が最も影響するかを可視化する

ブラックボックス予測を超えるために、著者らはゲーム理論から借用したSHAPという手法を適用し、各入力因子が予測強度をどれだけ押し上げるかあるいは押し下げるかを定量化しました。その結果、降伏時やピーク強度においては、せん断スパンや柱の全深さといった基本的な形状・比率や、劣化した鉄筋の強度が最も重要であることが示されました。損傷が進行すると、拘束や破壊モードに関連する特徴がより重要になり、ひび割れ、つぶれ、鉄筋の座屈といった現象が単純な幾何学的要因に代わって支配的になることを反映しています。この種の洞察により、弱点が主に過大な軸力、配筋不備、あるいは深刻な腐食のどれに起因するかを判断でき、より的確な補強方針を導くことができます。

日常の安全にとっての意義

実務的には、本研究は慎重に訓練され、透明性のある機械学習モデルが、測定可能な特性と腐食指標から腐食したコンクリート柱の強度―変形経路全体を信頼して再構成できることを示しています。従来の理想化されたバックボーン式と比べて、新しいアプローチはピーク後の強度低下の速さをより忠実に捉え、特に残留強度が過大評価されがちな高度に腐食したケースでの差が顕著です。これにより、橋梁や建物の所有者は老朽化した支持部材にどれだけの地震予備力が残っているかをより的確に把握し、次の大地震前に補修を優先すべき対象を決める助けとなり、散在する実験結果を現実世界の意思決定に資する強力なツールへと変えます。

引用: Sadeghi, M., Poorahad, P., Shiravand, M.R. et al. Ensemble learning-based prediction of the backbone curve for corroded reinforced concrete columns using experimental database. Sci Rep 16, 9367 (2026). https://doi.org/10.1038/s41598-026-40488-5

キーワード: 鉄筋コンクリートの腐食, 地震時性能, 土木工学における機械学習, バックボーン曲線予測, 老朽化インフラ