機械学習とモンテカルロシミュレーションを用いたマイクロパイル付きラフトの載荷–沈下のデータ駆動予測

大きな建物の下の細い杭が重要な理由

現代の都市では、軟らかい粘土の上に建物があっても安定を保つために深い基礎が用いられます。粘土は徐々に圧縮されて沈下しやすいため、エンジニアは狭い場所や地盤が厄介な場所で安全に荷重を支えるために、マイクロパイルと呼ばれる非常に細い杭と平板のコンクリートラフトを組み合わせることが増えています。本研究は、そのようなマイクロパイル付きラフトが荷重下でどれだけ沈下するかを、データと人工知能を活用して予測する方法を探り、設計者に対して安全性や長期性能をより迅速かつ信頼性高く評価する手段を提供することを目的としています。

小さな杭、大きな支持力

マイクロパイル付きラフト基礎は、厚いコンクリートスラブと多数の細い鋼製補強杭を深く地中に打ち込んだものを組み合わせた構造です。各杭は数センチしかないものの、集まると大きな建物を支えつつ沈下を小さく抑えることができます。これは、従来の浅い基礎が過度に沈下してしまう軟粘土で特に有効です。このシステムの挙動は複雑で、ラフト、杭群、周辺土が相互に影響し合います。杭の長さや間隔、ラフトの大きさや厚さ、粘土の強度などの要因が、荷重の分担やさまざまな応力レベルでの地盤の圧縮量に影響を与えます。

豊富な試験データベースの構築

この挙動を調べるために、著者は粘性土中のマイクロパイル付きラフトに関する先行の模型試験や大規模な現場計測から抽出した480件の実験ケースのデータベースを作成しました。各ケースには、ラフトの形状、マイクロパイルのサイズ・本数・配列、粘土の強度、印加荷重、ならびに測定された沈下が含まれます。粘土条件を比較的統制しつつ基礎配置を変化させることで、データセットは設計上の選択が性能に与える影響に焦点を当てています。これにより、基礎設計、地盤特性、結果としての地盤変位を結び付ける微妙なパターンを学習できるコンピュータモデルの訓練に適したデータが得られます。

地盤を読み取る機械を訓練する

本研究では、利用可能な入力から沈下を最もよく予測する手法を探るために、6つの一般的な機械学習手法を比較しました。これにはランダムフォレストやブースティング法などの木構造ベースの手法、近傍法、そしてサポートベクター回帰やガウス過程回帰のようなカーネルベースの手法が含まれます。すべてのモデルは、ベイズ最適化と交差検証を用いて慎重にチューニングされ、都合の良いが誤解を招く設定に依存しないようにしています。性能は複数の誤差指標と、異なる荷重レベルにわたる予測値と測定値の比較を行う視覚的チェックで評価されます。多くのモデルは訓練データにはよく適合しますが、まったく新しいケースを予測する際には性能が低下することが少なくありません。

あるモデルが際立つ理由

ガウス過程回帰は、この比較で最も信頼できるツールとして浮かび上がりました。これは、過去の結果を単に記憶するのではなく、載荷と沈下の間の曲線的で非線形な関係を捉えます。モデルが見たことのないテストデータに対しても、ミリ単位での低い平均誤差で高い精度を維持しました。また、各予測に対する信頼区間を提供し、異なる条件下での確かさを示します。さらに掘り下げるために、研究ではモンテカルロシミュレーションを用いて、寸法や地盤強度の小さな不確かさを模擬した数千のわずかに変化した入力組合せをモデルに与えました。その結果得られた予測沈下の分布は狭く保たれ、平均的な予測載荷–沈下曲線は実験で測定された曲線に近く一致しました。

どの要因が重要かを見極める

単なる精度だけでなく、研究はSHAPと呼ばれる解釈性ツールを用いてモデルの判断過程を検討しました。この分析により、最も影響力の大きい要因は印加荷重自体であり、次いで杭長とラフト幅が続くことが示されました。これらは力が地盤に伝わる仕組みを支配します。杭の本数や間隔も寄与しますが、試験範囲内では影響度はやや小さめでした。粘土強度やラフト厚は、利用可能なデータの中で強く相関しているため統計的ランキングでは目立ちにくくなっていますが、それが物理的な重要性の欠如を意味するわけではありません。総じて、影響度のランキングは軟粘土での基礎挙動に関する長年の工学的直感とよく整合しています。

今後の設計への示唆

本研究は、慎重にチューニングされた機械学習、特にガウス過程回帰とモンテカルロシミュレーションの組合せが、マイクロパイル付きラフトが異なる荷重下でどのように沈下するかを予測すると同時に、その予測の不確かさを定量化する実用的なツールをエンジニアに提供し得ることを示しています。現時点では、結果は実験室および選ばれた現場試験の統制された条件内で最も強固であり、より多くの実スケールデータや幅広い地盤条件のデータが求められます。それでも、このフレームワークはデータ駆動モデルと従来の地盤工学的知見が組み合わさることで、厳しい地盤上でより安全かつ効率的な基礎設計を実現できることを示しています。

引用: El Gendy, M. Data-driven prediction of micro-piled raft load–settlement using machine learning and Monte Carlo simulation. Sci Rep 16, 16180 (2026). https://doi.org/10.1038/s41598-026-54119-6

キーワード: マイクロパイル付きラフト基礎, 機械学習, ガウス過程回帰, 載荷–沈下挙動, モンテカルロシミュレーション