ジオポリマーコンクリートの圧縮強度予測における機械学習と深層学習アプローチの比較評価

より環境負荷の少ないコンクリート設計の新しい方法

コンクリートは現代都市の基盤ですが、従来のセメント製造は大量の二酸化炭素を排出します。ジオポリマーコンクリートはよりクリーンな代替手段を提供しますが、硬化後の強度を予測することは依然として技術者にとって難題です。本研究は、機械学習や深層学習を含む現代のデータツールが、過去の数百件の実験データから学習してジオポリマーコンクリート配合の強度を予測し、試験バッチの削減を通じてより環境に配慮した建設を導く可能性を示しています。

より環境に優しいコンクリートを正しく作るのが難しい理由

ジオポリマーコンクリートは、フライアッシュ、スラグ、メタカオリン、シリカフュームなどの工業副産物で従来のセメントの多くを置き換えます。これらの粉体はアルカリ溶液と反応して石のような固体を形成し、標準的なコンクリートと同等かそれ以上の強度を示しながら、炭素排出を約70％程度まで削減できることがあります。しかしこのより環境配慮した配合は繊細で、強度は粉体の種類と量、アルカリ溶液の投与量と濃度、水や化学添加剤の量、砂利や砂の配合、靭性を高めるために加える繊維、養生時間や条件など多くの相互依存する要因に左右されます。これらの成分は複雑で非線形な相互作用を持つため、単純な方程式では新しい配合の強度を正確に予測できません。

全体像を把握するための大規模データセットの構築

この複雑さに対処するため、著者らは19件の公表研究から統合された大規模データベースを構築し、594種類のジオポリマーコンクリート配合を網羅しました。各記録にはフライアッシュ、スラグ、メタカオリン、シリカフューム、砂、砂利、水、アルカリ溶液、超流動剤の量に加え、鋼繊維やポリプロピレン繊維、養生日数などの主要成分が記載されています。チームはデータを慎重に洗練し、重複を除去し、単位や変数名を統一し、完全な情報を含む配合のみを残しました。これにより、比較的低強度から高性能コンクリートまで幅広い強度範囲を含む、多様で一貫性のあるデータセットが得られ、複数の研究室に見られる実際のばらつきを反映しています。

過去の配合から機械に学ばせる

このデータベースを用いて研究者らは一連の予測モデルを訓練しました。古典的な側面では、決定木、ランダムフォレスト、複数の小さなモデルを組み合わせて強力な予測器を作るブースティング手法など、いくつかの機械学習手法を採用しました。深層学習では、異なる深さの2つのニューラルネットワークと、重要な成分に注目するアテンション機構を用いるモダンな表形式モデルTabNetをテストしました。データは80％を学習用、残りの20％をテスト用に分割し、標準的な誤差指標や適合度で各手法が未知データをどれだけ正確に予測できるかを評価しました。

どのモデルがうまく機能し、なぜか

機械学習手法の中で明らかな勝者はCatBoostというブースティング法で、非常に正確な強度予測を示し、全レンジにわたってテストデータに良く一致しました。ほかのブースト型モデルであるXGBoostが僅差で続きました。深層学習ツールではTabNetが最良の性能を示し、トップの機械学習モデルと事実上互角でした。一方、より層の深いニューラルネットワークはデータセットの規模が相対的に小さいためか性能が劣りました。これらの「ブラックボックス」的予測を透明にするため、著者らはSHAPという説明手法を用いて各入力変数の重要度を算出しました。その解析では、スラグ含有量と養生日数が一貫して強度予測を支配しており、次いで他のバインダー成分、アルカリ投与量、骨材量が重要であることが示されました。一方、鋼繊維やプラスチック繊維は亀裂や靭性に強く影響する場合があるものの、圧縮強度に関しては二次的な役割にとどまることが明らかになりました。

将来の建設にとっての意味

簡潔に言えば、本研究はコンピュータが過去の数百のジオポリマー配合から学習し、新しい環境配慮型配合の強度を迅速かつ信頼できる推定を与えられることを示しています。多数の試験円柱を作成して破壊する代わりに、技術者はこれらのモデルを使ってバインダー粉体、活性化液、養生時間の有望な組み合わせを絞り込んでから実験室試験に進むことができます。本研究はまた、強度に最も影響を与える成分に関する実践的な指針を示しており、圧縮強度を向上させるには繊維量の微調整よりもスラグ含有量、活性化剤レベル、養生条件の適正化がはるかに重要であることを強調します。モデルはより大規模で標準化されたデータセットでの検証を要しますが、この枠組みはデータ駆動型で低炭素なコンクリート設計に向けた重要な一歩を示しています。

引用: Ezz, H., Bakr, S.M. Comparative evaluation of machine learning and deep learning approaches for compressive strength prediction of geopolymer concrete. Sci Rep 16, 14652 (2026). https://doi.org/10.1038/s41598-026-50705-w

キーワード: ジオポリマーコンクリート, 機械学習, 深層学習, 圧縮強度予測, 持続可能な建設