掘削による破損帯厚さを予測する解釈可能なIGWO-MKRVMモデル

なぜより安全なトンネルが重要なのか

技術者が岩盤を掘ってトンネルをつくるとき、掘削は周囲の地盤に影響を与えます。開口部を取り囲むようにひび割れや劣化した岩盤の環が生じ、これを掘削損傷帯（excavation damaged zone）と呼びます。この損傷帯が過度に厚くなると、トンネルの壁が変形したり崩壊したりし、作業者やインフラ、周辺住民に危険を及ぼします。本稿で要約する論文は、現代の機械学習手法と解釈可能性の工夫を組み合わせ、さまざまな地質条件で損傷帯がどれくらいの厚さになるかを予測する新しい手法を提示しています。これにより、技術者は予測結果だけでなく、その裏にある理由も理解できるようになります。

目に見えない劣化した岩盤の環

地下のドリフトやトンネルは、掘削により押し付けられ、破砕された岩盤に囲まれています。この影響を受けた層、すなわち掘削損傷帯の厚さは、トンネルの安全を保つために必要な支保の量を直接左右します。しかしその厚さは、岩盤の強さ、節理や割れ目による破砕度合いを示す関節指標、トンネルの埋設深さ、支間幅など複数の相互作用する要因に依存します。これらの影響は強く非線形で地点ごとに異なるため、単純な式や高度なシミュレーションでも正確かつ広く適用可能な予測を出すのは難しいことが多いです。地中レーダーや音響調査といった従来の現地試験で損傷帯を計測することはできますが、費用が高く日常的に実施するのは困難です。

岩盤を読み解く賢いアルゴリズム

この課題に対処するため、著者らは石炭、金、リン鉱、鉛鉱山などさまざまな種類の鉱山から得た209件の実測による損傷帯厚さデータを収集しました。各ケースについて、岩盤塊の強さ、岩塊の破砕度を表す関節指標、トンネルの深さ、トンネル支間幅という4つの主要な入力を記録しました。次に、強力なパターン認識エンジンであるマルチカーネル関連ベクトルマシン（MKRVM）と、グレイウルフの狩猟行動に着想を得た改良最適化手法を組み合わせた予測モデルを構築しました。最適化ステップはモデルの内部パラメータを調整し、複雑なデータ内の関係を最適に捉えつつ、工学分野で典型的な小規模データセットにも効率的に適合するようにします。

ハイブリッドモデルが予測を改善する仕組み

本手法の要は、複数の単純な数学的「レンズ」（カーネル）を同時に用いて、岩盤の応答に見られる広い傾向と局所的な細かい変動の両方を捉える点にあります。モデルは線形、放射基底、ラプラシアンの各カーネルを混合し、滑らかな変化、急激なシフト、ノイズの多い観測を同時に扱えるようにしています。改良型グレイウルフ最適化（IGWO）は、探索空間をより徹底的に調べることでこれを支えます。慎重に設計されたランダム初期点、広範な探索から微調整への非線形な移行方法、反対候補を提案して局所解への陥りを避ける戦略などを用いています。標準的なベンチマーク問題での試験では、この強化版最適化手法は他のいくつかの最新スウォーム／進化的アルゴリズムよりも速く、かつ確実に収束することが示されています。

既存の予測手法を上回る性能

トンネルのデータセットに適用したところ、統合されたIGWO–MKRVMモデルは非常に高精度な予測を示しました。未知のテストケースに対して決定係数は0.95を超え、誤差指標も非常に小さく、予測された損傷帯厚さが現地観測と良く一致していました。著者らは従来のニューラルネットワーク、ガウス過程回帰、サポートベクターベースのハイブリッド、チューニングしたランダムフォレストなど幅広い既存手法と比較しましたが、すべての場合で新モデルはより小さな誤差と安定した性能を示し、高い適合能力と新しい地質条件への堅牢な一般化力を実証しました。

機械学習のブラックボックスを開く

安全性に関する意思決定は説明責任が求められるため、著者らはモデルの解釈可能性にも重点を置きました。彼らはSHAPと呼ばれる現代的な説明フレームワークを用い、各入力を協力ゲームの「プレーヤー」とみなして各予測への寄与度を算出しました。この解析により、関節指標とトンネルの深さが損傷帯厚さの主な駆動因子であることが明らかになりました。つまり、割れ目の多い岩盤や深いトンネルほど損傷帯が厚くなりやすいということです。支間幅や岩盤強度も影響しますがその程度は小さく、支間が大きいほど損傷は増え、岩盤が強いほど損傷は抑えられる傾向が見られました。さらにこの手法は因子同士の相互作用も明らかにし、例えば弱く非常に破砕された岩盤中の深いトンネルが特に脆弱であることを示します。

地下の安全性に対する意味合い

日常的な観点から本研究は、トンネル周囲の岩盤に損傷がどれだけ広がるかを予測するより賢い計算ツールと、どの条件が損傷を悪化させるかを明確に示す手段を技術者に提供します。精密に調整された学習エンジンと透明性のある特徴重要度解析を組み合わせることで、この手法は既存モデルより優れた性能を発揮するだけでなく、推奨に対する信頼も構築します。これにより設計者は局所の地質に応じたより安全なトンネル断面、支保工、掘削戦略を選択できるようになり、地下構造物での落石や崩壊のリスク低減に寄与します。

引用: Yang, R., Zhang, G., Ye, Y. et al. An interpretable IGWO-MKRVM model for predicting excavation damaged zone thickness of drift. Sci Rep 16, 13548 (2026). https://doi.org/10.1038/s41598-026-42835-y

キーワード: トンネルの安定性, 岩盤力学, 機械学習, 地下採掘, 地盤安全性