浸透性地盤上に築かれた異質な土盛りダムの浸透量を説明可能な機械学習で推定する

ダムを通る水の浸透が重要な理由

世界中で多くの地域社会が、飲料水の貯蔵、灌漑、洪水対策のために土のダムに依存しています。しかし、これら一見堅固に見える構造物でも常に漏水しています。少量で制御された滲みは問題ありませんが、過度の見えない浸透はダムやその地盤内部にトンネルを掘り、突然の破壊を引き起こす可能性があります。本論文は、層状の内部を持ち浸透性の地盤上に築かれた、より現実的なダムの場合に特に、現代の機械学習がその見えない流れをより正確かつ迅速に予測するのにどう役立つかを探ります。

地表下でダムはどのように漏るか

土盛りダムは均一な土の塊ではありません。多くの場合、比較的水を通しにくい中央コアが、より多孔質なシェルに挟まれ、さらにそれらは水を通す可能性のある地盤の上に載っています。貯水池の水が上流面に圧力をかけると、その一部はダム体や基礎の下を浸透して通り、流水路は水位、土質、ダム形状によって制御される複雑な経路をたどります。従来の手計算はこの図を大幅に単純化するため、理想化された形状にしか適用できません。有限要素法に基づく詳細な数値シミュレーションの方が良い結果を出しますが、遅く専門的な知識を要するため、迅速な設計チェックや日常的な安全性評価での利用が制約されます。

浸透パターンを認識するようにコンピュータを教育する

著者らは、ダムを通じたおよびダム下の水の流れを計算する信頼できるシミュレーションプログラムで生成した4,374件の浸透シナリオからなる大規模なデジタルライブラリを作成しました。各ケースで、設計者や技術者が測定または設計可能な7つの主要入力を変化させました：天端幅、基礎深さ、貯水位、上流側と下流側の斜面長、基盤の透水性、そしてコアがシェルに比べてどれだけ透水性が低いか。各入力組合せに対してシミュレーションは主要な出力を一つ生成しました：ダム1メートルあたりどれだけの水が漏れるか。この精選されたデータセットが、7つの入力から直接浸透量を予測する複数の機械学習モデルの学習基盤となりました。

最も信頼できる予測エンジンを見つける

チームは、表形式の工学データで広く使われる5つのモデル群を検証しました：単一の決定木、ランダムフォレスト、そして多数の小さな木を強力なアンサンブルに組み合わせる3つの「ブースティング」手法です。モデル設定を勘に頼るのではなく、各試行を実験として扱い、有望な選択肢を絞り込んで過学習を避ける体系的探索戦略であるベイズ最適化を用いました。性能は誤差指標の一連、シミュレーション結果との比較プロット、複数のデータ分割を用いた交差検証で評価しました。明確な勝者はカテゴリカル勾配ブースティング（CGB）モデルで、未見データに対してもシミュレーションされた浸透をほぼ完璧に再現し、単純な木モデル群はこれに及びませんでした。

機械学習のブラックボックスを開く

これらの高度なモデルをダム技術者にとって有用にするには、予測を駆動する要因を説明する必要がありました。著者らはSHAPとして知られる最新の解釈手法を採用し、各入力が各シナリオの出力に対してどれだけの責任を負うかを割り当てました。この解析により、浸透挙動を支配する要因が二つであることが明らかになりました：貯水位の深さと、コアが周囲のシェルに比べてどれだけ密であるか（透水性が低いか）です。より深い水は浸透を強く押し上げ、一方で透水性がはるかに低いコアは浸透を鋭く減少させます。基盤の透水性と基礎深さは二次的な役割を果たし、天端幅はやや安定化する効果があります。検討範囲内では斜面の詳細は比較的重要性が低く、この結果は最も影響力の大きい設計パラメータに注意を集中させるのに役立ちます。

研究モデルから日常的なツールへ

理論と実践のギャップを埋めるため、最も性能の良かったCGBモデルはシンプルなデスクトップアプリケーションに組み込まれました。ユーザーは7つのダムと基礎の特性を入力すると、単一のシナリオでも多数のシナリオでも瞬時に浸透量の推定値を得ることができます。モデルの予測は過去の数値研究およびパキスタンのハブダムの独立した事例研究と一致し、複数の水位にわたって既存の結果の約10パーセント以内に収まっていました。非専門家にとっての持ち帰りは安心できるものです：高忠実度のシミュレーション、先進的な機械学習、そして重要な要因の明確な説明を組み合わせることで、技術者は複雑な土盛りダムを通る漏水量を迅速かつ透明性をもって予測し、その漏水が安全な限度内にあるかを確認できるようになりました。

引用: Sayed Ahmed, M.M., Khursheed, M.Z., Alshameri, B. et al. Estimating seepage in heterogeneous earthfill dams on permeable foundations using explainable machine learning. Sci Rep 16, 12060 (2026). https://doi.org/10.1038/s41598-026-45048-5

キーワード: 土盛りダム, 浸透, 機械学習, ダムの安全性, 地盤工学