定常強度非線形加速度応答スペクトルのためのXGBoostベース地震動モデル

実際の建物にとって揺れが重要な理由

地震が建物を完璧に弾性的に保つことはまれで、壁にひびが入ったり、梁が降伏したり、図面以上に変形することがあります。それでも多くのエンジニアが揺れを推定する際に用いる道具の多くは建物が弾性的に振る舞うことを前提としています。本研究は、実際に少し損傷した建物が将来の地震でどの程度揺れるかをデータ駆動で予測する手法を示し、耐震設計や安全性評価、都市のリスク推定を改善する助けとなります。

単純な揺れ図から実際の挙動へ

従来、地震工学では地震や地点に関する基本情報を揺れの指標（例えば最大加速度）に変換する地震動モデルに依拠してきました。これらのモデルは、完全に弾性的な建物が異なる固有周期でどれだけ揺れるかを示す応答スペクトルに用いられます。しかし中程度から強い地震では、多くの建物が弾性範囲を超えます。実際の応答は弾性予測と大きく異なることがあり、弾性スペクトルだけでは被害の評価、改修の計画、現実的な設計規則の設定が難しくなります。

降伏する建物のためのより豊かな揺れの図

このギャップを埋めるため、著者らは非線形加速度応答スペクトルに注目します。これは建物が降伏したときに実際にどれだけ加速度を生じるかを記述します。特に定常強度非線形スペクトル加速度という、構造の非線形変形量を表す強度低減因子を固定したバージョンに焦点を当てています。171件の地震から得られた15,000以上の地震動記録を用い、鉄筋コンクリート挙動を模した多くの理想化された1自由度系構造物の応答をシミュレートしました。これらの仮想建物は広範な固有周期、地盤種類、断層からの距離、地震規模、非線形強度レベルをカバーしています。

地震から学ぶモデルの教育

研究の中心はXGBoostと呼ばれる機械学習手法で、多数の単純な決定木を組み合わせて強力な予測子を作ります。データに固定式の数式を押し付ける代わりに、モデルは地震の規模、距離、地盤条件、建物周期、非線形強度の間にある複雑な関係を学習します。著者らはまた、従来の地震モデルがばらつきを扱う方法を鏡像するように、地震間の差と単一イベント内の差を分離する混合効果フレームワークにモデルを組み込みました。入力の重要度や予測への影響を把握するために、置換重要度やSHAP値などの現代的な機械学習解釈手法も用いています。

この新しい見方で揺れを支配する要因

両方の解釈手法は一貫した図を示します：地震の大きさ、建物の周期、断層までの距離が予測される揺れを主に支配し、非線形強度因子や表層せん断波速度は二次的ではあるが依然として意味のある役割を果たします。より大きな地震や断層に近い地点はより高い非線形加速度をもたらし、周期が長い建物や柔らかい地盤では期待される応答の変化が見られます。モデルは未知データに対して高い精度を示し、シミュレーションされた非線形加速度の分散の92％以上を説明し、残差は規模・距離・地盤条件にわたって体系的なバイアスをほとんど示しません。

馴染みのある設計ツールとの接続

物理的現実性を確認するために、著者らは建物が弾性的に振る舞う特殊ケースでの機械学習予測を、広く使われている従来の地震動式と比較しました。特に典型的な設計周期において、曲線の形状や傾向はよく一致し、新しいアプローチは従来のモデルが扱わない非線形領域にも自然に拡張されます。つまり、エンジニアは粗い補正係数で弾性結果を調整するのではなく、非線形挙動を直接反映するハザード曲線やスペクトルを新しいモデルで作成できます。

より安全な都市への寄与

平易に言えば、本研究は機械学習が地震、地点、建物に関する情報を用いて、実際に少し損傷した建物が将来の地震でどれだけ揺れるかを正確かつ透明に予測できることを示しています。非線形応答指標を直接扱い、どの要因が最も重要かを明確に示すことで、このモデルは性能設計、コード策定、迅速なリスク評価のためのより現実的な基盤を提供しつつ、馴染みのある弾性設計ツールとの整合性も保ちます。

引用: Gong, Y., Zhao, J. XGBoost-based ground motion model for constant-strength inelastic acceleration response spectra. Sci Rep 16, 15653 (2026). https://doi.org/10.1038/s41598-026-46656-x

キーワード: 地震工学, 地震動モデル, 機械学習, 非線形応答スペクトル, 耐震設計