HSSモデルの地域パラメータ決定のための機械学習ベース手法：中国青島のケーススタディ

なぜ都市の掘削にはより賢い道具が必要なのか

地下室、地下鉄駅、地下駐車場のために混雑した都市で深いピットを掘ると、僅か数ミリの予期せぬ地盤変位でも近隣建物にひびを入れたり埋設配管を損傷させたりします。人とインフラを安全に保つため、技術者は掘削に伴う地盤の変形を予測するコンピュータモデルに依存します。本論文は、沿岸都市である中国・青島を事例として、機械学習がどのようにして高度な土質モデルの調整に要する時間と費用を大幅に削減しつつ、実測と驚くほど高精度に整合させられるかを示しています。

技術者が通常どのように地盤の動きを推定するか

現代の建設現場では、多くの場合、有限要素法という数値手法が使われ、地盤や支保構造を多数の小さな要素に分割して荷重変化に伴う各要素の変形を計算します。うまく機能させるには、特に高層ビルや地下埋設物に囲まれた深掘りに対して、地盤挙動の現実的な記述が必要です。広く評価されている選択肢の一つが「ハーデニング土の小ひずみ（Hardening Soil Small‑strain, HSS）」モデルで、応力履歴や極めて小さな変形での剛性変化を捉えます。しかしこのモデルは多くの入力パラメータを必要とし、その一部は場所ごとに大きく変わります。伝統的にはこれらのパラメータは土壌試料を用いた専門的な室内試験から得られますが、これらは高価で時間を要します。その結果、最も精度の高いモデルは日常的なプロジェクトで十分に使われないことが多いのです。

どの土の数値が本当に重要かを見つける

著者らはまず、中国の複数の都市から公表された試験データを精査し、先述の高度な土質モデルのどのパラメータが深掘りの変形を実際に支配しているかを明らかにしました。主要な剛性値をより馴染み深い圧縮係数と比較し、盛土、シルト粘土、中細砂といった一般的な土質についてこれらの比を調べました。日常的な圧縮挙動に関係する二つの剛性指標は圧縮係数とほぼ一対一の比率に近く、ピットの変位に対する感度は低いことが分かりました。一方で、荷重除去時の回復挙動に関連する剛性と極小ひずみでの挙動に関する剛性の二つは地域間で大きくばらつき、予測変位に強い影響を与えました。この洞察により、いくつかのパラメータはほぼ固定とみなせる一方で、局所の変形を支配する少数のパラメータに注力できるようになりました。

ピットの挙動を読み取るニューラルネットを教える

この知見を基に、研究者らは青島の深基礎ピットをトレーニングの舞台としました。現場の地盤は盛土、シルト粘土、中細砂が風化花崗岩上に重なる層構成でした。各土層について感度の高い二つの剛性値の組合せを系統的に設計し、掘削の三次元数値シミュレーションを一連実行しました。各組合せに対して、擁壁の曲げと選定した観測点での地表沈下量を記録しました。これらの入力と出力の対は、因果関係を学習するバックプロパゲーション型ニューラルネットワークの学習データセットを形成しました。学習後、ネットワークは実際の現場で測定された少数の壁および地盤の動きから、それらを生じさせたであろう土の剛性パラメータを迅速に推定できるようになりました。

実際の工事で手法を検証する

この仮想的な「土壌探偵」が信頼に足るかを確認するため、著者らは推定された剛性値を用いて、杭とアンカーで支持された青島の二つの独立した深掘り工事に適用しました。新たに得られたパラメータで数値モデルを構築し、予測された擁壁変位と地表沈下を施工中に収集された現場観測データと比較しました。差異は非常に小さく、平均絶対誤差は典型的に0.5ミリ未満、二乗平均平方根誤差も同程度に小さいものでした。言い換えれば、シミュレーションはピットの観測挙動を、工学的安全確認や設計の精緻化に十分な精度で再現しました。

より安全で経済的な地下建設が意味するもの

非専門家向けの主要なメッセージは、本研究が示すのは、現場での最小限のモニタリングと慎重に設計されたシミュレーション、そしてニューラルネットワークを組み合わせることで、費用のかかる室内試験の繰り返しを多く置き換えられるということです。最も重要な土質特性を絞り込み、機械学習によりそれらを実測変形に合わせて調整することで、技術者は過大な労力なしに高度な地盤モデルを適用できるようになります。青島の典型的な地盤については、感度の高い剛性パラメータと標準的な圧縮指標との間の即利用可能な比率も提示されており、設計者にとって実用的な近道を提供します。より広く見れば、このアプローチは、データ駆動で局所にキャリブレーションされたモデルに基づく地下建設が安全余裕を高めつつ、工事費用と期間を管理するという将来像を示しています。

引用: Yuan, C., Zhang, Q., Feng, H. et al. Machine learning-based method for determining regional parameters of the HSS model: a case study of Qingdao, China. Sci Rep 16, 13124 (2026). https://doi.org/10.1038/s41598-026-43150-2

キーワード: 深掘り, 土質モデリング, 機械学習, ニューラルネットワーク, 地盤変形