静的載荷試験データから打込み杭の支持力を予測するパレート最適化スタック型アンサンブル機械学習フレームワーク

強固な基礎が重要な理由

あらゆる建物、橋梁、風力タービンは最終的にその下にある地盤に依存しています。地表下に隠れた長いコンクリート柱である杭が、構造物の荷重をしっかりした土や岩盤まで伝えます。杭の安全に支持できる荷重を過小評価すると、不同沈下やひび割れ、最悪の場合は破壊につながることがあります。一方で過大に見積もれば工事費用が不必要に増えます。本研究は、日常的に行われる現場試験を活用して杭の強度予測をより正確にし、建設をより安全かつ経済的にするために、現代の機械学習がどのように役立つかを探ります。

単純な経験則からデータ駆動の洞察へ

従来、杭の支持力は計算式や小規模実験、数値解析によって推定されてきました。これらの方法は概ね機能しますが、層状土や地下水、施工時の影響といった現実の複雑さには対応しづらい面があります。静的載荷試験は現場での金字塔とされ、杭に段階的に荷重を加えながら沈下量を測定します。しかしこの方法は時間と費用を要し、多地点で繰り返すのが難しいという欠点があります。一方で、地盤実務では標準貫入試験（SPT）によるハンマーブロー数（N値）が日常的に取得され、深さ方向の土の抵抗性を大まかに示します。本論文の中心的アイデアは、広く入手可能なSPT結果と杭の形状や現場情報を機械学習で結びつけ、高品質な載荷試験の結果に直接つなげることです。

より賢い予測エンジンの構築

著者らは、多様だが体系的に記録された地盤条件を持つベトナムのある省で実施された打込み鉄筋コンクリート杭の静的載荷試験472件のデータベースを作成しました。各試験について、杭の直径、複数の土層の厚さ、地表および杭の高さ、杭先端までの深さ、杭軸に沿った平均SPTハンマーブロー数と先端での平均値を記録しました。これらの入力は杭の寸法と周囲地盤の強さの両方を捉えており、杭が支持できる荷重を決定します。目標は、これらの入力を新しい現場に与えるとフルスケールの載荷試験なしで杭の軸方向支持力を信頼できる形で推定するモデルを学習することでした。

複数の知見を一つにまとめる

単一のアルゴリズムに頼る代わりに、本研究は「スタック型」アンサンブルを用います。ランダムフォレスト、k近傍法、極端勾配ブースティングという3つの異なる機械学習モデルを並列に学習させ、それらの予測を第二段階のモデルで統合します。このメタモデルは進化戦略に着想を得た多目的探索、すなわちパレート最適化により調整されます。最適化は未見データでの精度最大化と過学習回避という競合する目標のバランスをとります。反復検証と5分割交差検証を通じて、最良の組み合わせはテストセットで決定係数（予測と実測の一致度を示す指標）約0.95を達成し、単独モデルよりも誤差を大幅に減らしました。

ブラックボックスの中を覗く

実務で使えるシステムにするには、エンジニアが予測の根拠を理解する必要があります。そこで著者らはSHAP（Shapley Additive ExPlanations）をはじめとする現代的な解釈手法、感度解析、単純なパラメータスイープを用いました。その結果、杭径が単一で最も影響力の高い因子であり、径の変化が予測支持力に強い影響を与えることが明らかになりました。土質も重要で、杭軸に沿った平均SPT値および先端での値が主要な寄与因子として現れ、側面摩擦と先端支持の両方の重要性を反映しています。上部土層の厚さも影響を及ぼす一方で、一部の高程に関連する変数はわずかな影響しか示しませんでした。モデルの入力を物理的に意味のある範囲で変化させると（たとえば杭径を増やす、または先端をより密な地盤に置くなど）予測支持力は地盤工学の基本原理に沿った反応を示し、モデルが偶然の相関ではなく妥当なパターンを学習していることを示唆します。

現場プロジェクトへの実用性

複数の機械学習手法を慎重に組み合わせ、複数目標で最適化することで、本研究は高精度かつ解釈可能な予測ツールを提供します。本研究と類似した地質条件や試験慣行を持つ現場では、標準的なSPTデータと設計パラメータを用いて信頼できる杭支持力の推定が可能になり、高価な載荷試験の件数を減らし、安全余裕の設定をより的確に行えます。著者らはデータが単一地域に由来すること、長期的な時間変化や一部の施工詳細が完全には捉えられていないことを注意点として挙げ、判断とローカルでの較正が引き続き重要であると強調します。それでも、このフレームワークは、透明性のあるデータ駆動モデルが不透明なブラックボックスではなく、基礎設計の実務的なパートナーになり得ることを示しています。

引用: Abdellatief, M., ElNemr, A. & Altahrany, A. Pareto-optimized stacked ensemble machine learning framework for predicting bearing capacity of driven piles from static load test data. Sci Rep 16, 11360 (2026). https://doi.org/10.1038/s41598-026-43660-z

キーワード: 杭基礎, 支持力, 地盤工学, 機械学習, 静的載荷試験