不完全なCPTデータを用いた海上風力発電向けAI強化土質分類

風力発電において海底土が重要な理由

洋上風車は地球上でも最も過酷な環境の一つに設置され、その安定性は波の下に隠れたもの、つまり巨大な基礎を支える海底土に依存します。深海でこれらの土質を調査するには多大な費用がかかり、しばしばデータが不完全になります。そのため設計者は断片的な情報で大きな決断を下さねばならないことが多い。本研究は、限られた試験データから意味のある土質分類を行えるように人工知能（AI）が利用できることを示し、洋上風車の設置をより安全かつ効率的にする手助けをします。

海底試験から土質タイプへ

技術者は一般にコーン貫入試験（CPT）で海底を探査します。これは金属製のコーンを地中に押し込み、先端抵抗、スリーブ摩擦、土粒子間の間隙水圧がどのように変化するかを計測する方法です。これらの測定結果は通常、ロバートソン分類のようなチャートによって解釈され、緩い砂、硬い粘土、あるいはその中間の混合土など、さまざまな土の挙動に結び付けられます。しかし問題は、これらのチャートが完全でノイズのないデータを前提としている点で、船や波、深水条件が現場調査を複雑にする洋上ではその前提が満たされないことが多いのです。

海底条件の仮想ライブラリを構築する

欠落データの問題に対処するため、研究者らはまず現場試験の不足に頼らず、あり得る土質条件の巨大な仮想ライブラリを作成しました。彼らは重要なコーン測定値—先端抵抗、スリーブ摩擦、間隙水圧、地中応力—の現実的な範囲を用いて、20万件以上の合成試験記録を生成しました。これらの記録はロバートソンチャートを用いて土の挙動ゾーンに変換され、各シミュレーション試験には土質の「ラベル」が付与されました。範囲全体を均等にサンプリングするとともに現実的な統計的分布にも配慮することで、この合成ライブラリは非常に軟らかい粘土から密な砂や礫まで幅広くカバーしています。

機械に海底を読み取らせる

この合成ライブラリを使って、チームはコーン試験の入力から直接土の挙動を予測する複数の機械学習モデルを訓練しました。ランダムフォレスト、ニューラルネットワーク、サポートベクタ法、決定木などを試し、各モデルの内部パラメータを慎重に調整しました。その中でランダムフォレストが際立ち、ロバートソンに基づく土質ゾーンとの数値的な適合がほぼ完全に一致し、後に標準的な土質分類に変換した際には92%以上の精度を達成しました。モデル内部の解析では、コーン先端抵抗、スリーブ摩擦、そして有効鉛直応力が最も影響力のある入力であることが示され、これは長年の地盤工学の知見と一致しており、モデルが偶発的なパターンではなく実際の物理に基づく学習をしていることを示唆します。

データ欠落時でも精度を保つ

重要な検証は、機器故障や特定センサー未使用といった現実の洋上調査に見られるような測定値の欠落がある場合でもAIが高い性能を維持できるかどうかでした。研究者らは各入力を系統的に取り除き、不確実な値に置き換えてからモンテカルロ方式でモデルを繰り返し実行し、平均精度の変化を評価しました。最も重要な入力――コーン抵抗、スリーブ摩擦、有効応力――が欠落した場合は精度が大きく低下し、それらの重要性が確認されました。一方で、間隙水圧や総応力のような他のパラメータが欠けている場合でも、モデルはしばしば90%以上の高い精度を維持しました。これは、コーン試験記録の一部が不完全でもフレームワークが有用な土質分類を提供し続けられることを示しています。

実際の洋上風力発電所で手法を検証

仮想データを超えて実用性を示すために、チームは訓練済みのランダムフォレストモデルを台湾とオランダの洋上風力サイトにある99本のボーリングから得られた229,808件の実際のコーン試験記録で検証しました。これらの実測値は訓練には一切使われていません。AIの土質予測は、粒径と可塑性で土を分類する広く用いられる工学的分類と比較され、モデルは92%以上の一致率でこれらの分類に合致しました。既存のいくつかの機械学習手法より良好な成績を示し、繰り返しシミュレーションを行っても予測は狭い95%信頼区間内に収まり、安定して信頼できる振る舞いを示しました。

将来の洋上風力にとっての意義

専門外の方への要点は、本研究が海底を読み解くための賢い支援ツールを提供することです。既存の工学チャートを置き換えるのではなく、データが不完全で不完全な現場においてそれらを拡張するフレームワークです。慎重に設計した合成ライブラリから学習し、大規模な洋上データセットで検証されたことで、この手法は海底土を迅速かつ一貫して分類する実用的な方法を示します。これにより余分な高額試験が減り、より安全な基礎設計を支援し、最終的には各風車の下に何があるかへの確信を高めたうえで、より多くの洋上風力プロジェクトを稼働へと導く助けになります。

引用: Ku, CY., Wu, TY., Liu, CY. et al. AI-enhanced soil classification with incomplete CPT data for offshore wind farm. Sci Rep 16, 10589 (2026). https://doi.org/10.1038/s41598-026-46356-6

キーワード: 洋上風力, 海底土, コーン貫入試験, 機械学習, 基礎設計