不均衡データを用いた機械学習による浅い基礎の液状化誘発沈下の推定

日常の建物にとって揺れる地盤が重要な理由

強い地震が発生すると、堅そうに見える地盤が一時的に液体のように振る舞い、建物が沈下したり傾いたりひび割れたりします。液状化と呼ばれるこの現象は、トルコから日本に至る最近の地震で住宅やインフラに被害をもたらしてきました。技術者は、数十センチ程度の不均一な沈下でも建物を使用不能または危険にする可能性があることを知っています。しかし、限られた現地データから特定の建物がどれだけ沈下するかを予測するのは依然として困難です。本研究は、散在する過去の地震事例を現代の機械学習ツールで活用し、液状化に伴う被害を予測して安全な設計、保険判断、災害後の点検を導く実用的な手法を探ります。

散在する事例報告から得た世界的地震データセット

研究者らは、過去の地震で液状化に伴う地盤破壊を受けた206棟の建物を集めた世界的なデータベースをまず構築しました。各事例について、現場で実際によく得られる単純な情報を収集しました：現地の揺れの強さ、建物の高さと幅、基礎にかかる建物の荷重、そして基盤となる土層の主要な特性—特に表面下にある最初の液状化しやすい層の深さとその厚さです。正確なセンチメートル単位の沈下量を算出しようとする代わりに、被害を目に見える沈下がない場合から大規模な沈下・傾斜までの4段階に分類しました。この「地盤破壊指数」は、現実の雑多な測定値を機械学習モデルの訓練・評価に使える明確なカテゴリに変換します。

不均衡なデータから危険なパターンを見抜くためのコンピュータ教育

実際の地震記録は整然とは程遠く、ある種の被害は頻繁に見られる一方で他は稀であり、入力変数には外れ値やノイズが含まれることもあります。本データセットでは、重度の被害事例が中等度のものよりもはるかに多く、アルゴリズムが稀なクラスを見落としやすい強い不均衡が生じていました。これに対処するため、著者らは複数の戦略を体系的に組み合わせました。外れ値除去などでデータを洗練し、続いて不均衡を扱うために二つの補完的アプローチを検討しました：少数クラスを人工的に複製するランダムオーバーサンプリングと、稀なクラスの誤分類をより重く扱うコスト感度学習です。評価が楽観的にならないように、これらの手順はすべて厳格な「リークフリー」ワークフローに組み込まれ、テストデータはモデルの訓練、チューニング、再サンプリングの間に一切見られないようにしました。

沈下リスクを最もよく捉える要因とモデルはどれか？

ランダムフォレスト、勾配ブースティング法、人工ニューラルネットワーク、複数モデルの予測を平均するアンサンブルなど、広く使われる複数のモデルを比較試験しました。全体精度は稀だが重要な被害レベルでの性能の低さを隠し得るため、研究チームはリコール（真に重度である事例のうちモデルが正しく検出した割合）を重要指標として重視しました。勾配ブースティングと木系モデルのアンサンブルが、ランダムオーバーサンプリング、慎重な外れ値処理、閾値の微調整と組み合わせた場合に最も信頼できる選択肢として浮上しました。モデルが何を基に判断しているかを理解するため、著者らは個々の予測を特徴量ごとの寄与に分解するSHAPという手法を用いました。この解析により、最初の液状化しやすい層までの深さが単独で最も影響力の大きい因子であり、次いで揺れの強さや建物幅など基礎の基本的な形状が続くことが示されました。言い換えれば、浅くて液状化しやすい層が狭い基礎の下にある場合に、最も深刻な被害と一貫して関連していました。

実際の地震事例での手法検証

手法が訓練用サンプル外でも有効か確かめるため、研究者らは最終モデルをいくつかの有名な地震の詳細事例に適用しました。対象は1989年のロマ・プリエタ地震（カリフォルニア）、1999年のコジャエリ地震（トルコ）、2016年の熊本地震系列（日本）、および2023年のカフラマンマラシュ地震（トルコ）を含みます。これらの事例で与えた入力は、揺れの強さ、建物寸法と荷重、現地試験から得られた液状化しやすい層の深さと厚さという単純な推定値だけでした。モデルは概ね観測された沈下の深刻度と一致し、軽度および大規模な被害レベルの両方を正しく識別しました。ある事例では、報告よりも高い被害クラスを予測することで安全側に誤ることがありました。著者らは、耐震性のようなリスクの高い場面では、このような保守的な予測の方が、重大な被害を受けた建物を見逃すよりも望ましいと主張しています。

軟弱地盤上のより安全な都市のためのデータ駆動支援

本研究は、詳細な土質試験結果が利用できる場合に不可欠な従来の物理ベースの沈下公式に取って代わるものではありません。むしろ、それを補完する道具を提供します：日常的に得られる少数のパラメータから建物を大まかなリスクカテゴリに分類する、透明性のあるデータ駆動の方法です。不均衡データを慎重に扱い、評価の隠れたバイアスを避け、どの土壌や建物特性が重要かを明らかにすることで、提案された機械学習フレームワークは技術者、計画者、保険者に実用的な早期警告手段を提供します。軟らかく水飽和した地盤に建つ地域では、次の大地震が起きたときにどの建物が危険な沈下・傾斜を受けやすいかの優先順位付けに役立ちます。

引用: Sargin, S., Korkmaz, G., Yildirim, A.K. et al. Estimation of liquefaction-induced settlement of shallow foundation by machine learning with imbalanced data. Sci Rep 16, 11198 (2026). https://doi.org/10.1038/s41598-026-41969-3

キーワード: 土壌液状化, 地震工学, 機械学習, 建物の沈下, 地震リスク