SHAP解析を用いたベイズ最適化スタッキングアンサンブルモデルによるカーテングラウト注入量予測

目に見えないセメント作業の予測が重要な理由

ダムやトンネルの深部では、技術者が岩盤の亀裂に液状セメントを注入して水の漏出を防ぎます。これをグラウティングと呼びますが、費用がかかり直接は見えないため、各穿孔でどれだけのグラウトを注入するかを推測する必要があります。少なすぎると水がまだ浸透する恐れがあり、多すぎると資金や資材、時間が浪費されます。本研究は、現代のデータ手法が作業開始前により確実に適切なグラウト量を予測するのに役立つことを示します。

大規模水利事業下の亀裂封鎖

大型ダムや地下空洞では、硬化したグラウトのカーテンが地下の水の抜け道を遮断する役割を担います。作業者は多数の穿孔を行いセメントスラリーを注入しますが、地表下の岩盤は不規則で、亀裂の大きさや連結性が場所ごとに異なります。プロセスは見えにくく条件は場所ごとに変わるため、各穿孔に必要なグラウト量を予測することは、巨大な水利・水力発電プロジェクトの安全設計とコスト管理において長年大きな課題でした。

経験則からデータ学習へ

これまで数十年にわたり、技術者は単純化した式や過去事例との比較、流体挙動の計算シミュレーションなどでグラウト量を推定してきました。これらは有用でしたが、複雑な実際の岩盤やノイズの多い現場測定には対応しきれないことがありました。本研究では、著者らは代わりに機械学習に着目し、データから直接パターンを学習させました。新疆の大規模事業から得られた778件の実際のグラウティング記録を集め、それぞれが穿孔の順序、深さ、処理区間の長さ、孔径、事前の岩盤浸透性、開始時の水セメント比、およびグラウティング時の圧力という七つの条件を記述しています。予測対象は実際に注入されたグラウト量でした。

複数の賢いモデルを組み合わせる

単一のアルゴリズムに頼る代わりに、研究チームはスタッキングと呼ばれる戦略を採用しました。これは複数の異なる予測モデルを協調させる手法です。表形式データの複雑なパターン処理に優れた三つのモデルを第一層として選び、それぞれが同じ七つの入力因子を見て独自のグラウト量推定を生成しました。次に、単純だが慎重に制御された回帰モデルがこれら三つの推定を受け取り最終予測にブレンドしました。各モデルの内部ハイパーパラメータを最適に使うために、著者らはベイズ最適化を用いました。これは試行錯誤ではなく、組織的かつデータ駆動で多数の設定組合せを探索・調整する手法です。

精度検証とブラックボックスの可視化

提案手法を検証するために、著者らはスタッキングモデルを三つの構成モデルそれぞれと比較し、微調整の前後で性能を評価しました。予測が実際のグラウト量とどれだけ近いかは標準的な誤差指標で測定しました。ベイズでチューニングしたスタックモデルが最良の性能を示し、グラウト量のばらつきの約92％を説明しつつ平均誤差を比較的小さく保ちました。

実地のグラウティングにとっての意義

研究は、慎重にチューニングされたスタック型の機械学習モデルが、少なくとも本研究対象のプロジェクトにおいて、個別モデルや従来の経験則ベースの手法よりもより正確で安定したグラウト量予測を提供できると結論付けています。どの条件がどれほど重要で、相互にどのように影響するかを定量化することで、このアプローチは掘削・注入戦略の計画、資材配分、リスク管理の効率化に寄与する可能性があります。モデルは他サイトへの適用にはさらなる検証と適応が必要ですが、ダムやトンネル建設におけるこの重要でほとんど見えない工程をデータに基づいて管理する実用的な道筋を示しています。

引用: Ma, Y., Yuan, Z., Xiong, B. et al. Curtain grouting volume prediction using a Bayesian-optimized stacking ensemble model with SHAP analysis. Sci Rep 16, 15374 (2026). https://doi.org/10.1038/s41598-026-45538-6

キーワード: カーテングラウト, グラウト注入量予測, 機械学習, ベイズ最適化, SHAP解析