技術要約：極限動的荷重に曝されるRC構造物の損傷レベルを予測するための機械学習アルゴリズムの開発

1. 問題提起

テロ攻撃の頻度増加や潜在的な産業事故により、鉄筋コンクリート（RC）構造物は爆発荷重に対してますます脆弱になっています。爆風による損傷を評価するための従来の手法（実験的試験および数値シミュレーション）には、重大な限界があります。実験的解析はコストがかかり、時間がかかり、深刻な安全上のリスクを伴います。一方、数値シミュレーション（例：LS-DYNAを用いた有限要素解析）は詳細な洞察を提供しますが、膨大な計算リソースと専門知識を必要とするため、迅速な予備設計や大規模な脆弱性スクリーニングには実用的ではありません。

RC柱の爆風荷重下における損傷レベルを、より単純かつ高速かつ正確に予測する手法が切実に求められています。本研究は、従来のシミュレーション手法に代わるデータ駆動型の選択肢として、機械学習（ML）アルゴリズムの有効性を調査することで、このギャップに対処します。

2. 研究手法

2.1 データ生成および数値シミュレーション

本研究では、物理的な実験ではなく、数値シミュレーションを通じて生成された包括的なデータセットを利用しました。

• ソフトウェア: LS-DYNAを使用して、爆発荷重下におけるRC柱の動的応答をモデル化しました。
• モデルの詳細: 長さ500×700 mmの断面、高さ4400 mmの矩形RC柱を表し、特定の縦方向および横方向の鉄筋を備えています。
• 材料モデル:
  • コンクリート: 非線形挙動、損傷蓄積、および歪み速度効果を捉えるために、MAT_CONCRETE_DAMAGE_REL3 (MAT 72Rel3) を使用してモデル化しました。
  • 鋼材: MAT_PIECEWISE_LINEAR_PLASTICITY (MAT 24) を使用してモデル化しました。
  • 歪み速度: 爆風イベントに典型的な高歪み速度を考慮するため、CEB-FIBモデルコードに基づく動的増加係数（DIF）をコンクリートと鋼材の両方に適用しました。
• 荷重: 爆風荷重は、ピーク過圧と正圧フェーズの継続時間によって定義される、柱の表面に適用された簡略化された三角形の圧力時間履歴を用いてシミュレートされました。
• 検証: 数値モデルは、BaylotおよびBenvis (2007) の実験データと比較検証され、中央部変位および残留変位において高い一致を示しました。

2.2 損傷評価

損傷指数（$D$）は、柱の残留軸荷重支持能力に基づいて以下のように定義されました。
$$D = 1 - \frac{P_{residual}}{P_d}$$
ここで、$P_{residual}$ は損傷した柱の耐力、$P_d$ は無傷の柱の耐力です。損傷レベルは、低（$0 < D < 0.2$）、中（$0.2 < D < 0.5$）、高（$0.5 < D < 0.8$）、崩壊（$0.8 < D < 1$）の4つのカテゴリーに分類されました。

2.3 機械学習フレームワーク

有限要素モデルから派生したデータセットに対して、5つの異なるMLアルゴリズムを学習およびテストしました。

1. ランダムフォレスト (RF)
2. Light Gradient Boosting Machine (LightGBM)
3. Categorical Boosting (CatBoost)
4. Extreme Gradient Boosting (XGBoost)
5. サポートベクターマシン (SVM)

入力特徴量（10パラメータ）:

• 幾何学的特性: 柱の深さ（$D$）、幅（$w$）、高さ（$H$）。
• 材料特性: コンクリート圧縮強度（$f_c$）、縦方向鉄筋の降伏強度（$f_y$）、横方向鉄筋の降伏強度（$f_{yt}$）、縦方向鉄筋比（$\rho$）、横方向鉄筋比（$\rho_s$）。
• 爆風特性: 爆薬重量（$W$）、無次元距離（$Z$）。

3. 主な貢献

• 比較分析: 本研究は、爆風によるRC柱の損傷予測という、非線形かつ閾値が重要な問題に対して、5つの最先端MLアルゴリズムの厳密な比較を提供します。
• 最適アルゴリズムの特定: この特定の用途において、精度と信頼性の面でRF、XGBoost、LightGBM、SVMを凌駕するCatBoostが優れたモデルであることを特定しました。
• 特徴量の重要度の定量化: 幾何学的、材料的、および爆風パラメータが損傷の深刻度に与える相対的な影響を定量化し、設計最適化のためのデータ駆動型の洞察を提供しました。
• 感度分析: 入力変数（例：爆薬重量、柱の深さ）と結果としての損傷指数の間の非線形関係をマッピングし、構造挙動における決定的な閾値を特定しました。

4. 結果

4.1 モデルの性能

性能は、$R^2$、平均二乗誤差（MSE）、平均絶対誤差（MAE）、説明分散スコア（EVS）、平均絶対パーセント誤差（MAPE）、および平均対数二乗誤差（MSLE）を用いて評価されました。

• CatBoost (ティア1): $R^2$ が 0.7125、MAE が 1,061.09、MAPE が 17.63% という最高性能を達成しました。精度と信頼性の最適なバランスを示しました。
• ランダムフォレスト (ティア2): 良好な性能（$R^2 = 0.6274$）を示し、最も高い安定性（$R^2$ の標準偏差が最小）を示したため、堅牢な代替案となります。
• XGBoost (ティア2): 競争力のある平均精度（$R^2 = 0.6109$）を達成しましたが、高い変動性（標準偏差 0.2313）を示し、データ分割に対する敏感さを示唆しました。
• LightGBM (ティア3): リーフ成長戦略により局所的なパターンに過学習したためか、限定的な性能（$R^2 = 0.5043$）にとどまりました。
• SVM (ティア4): $R^2$ が -0.0170 であり、完全に失敗しました。これは、爆風荷重に固有の複雑な非線形性や不連続な遷移（例：局所的な損傷から崩壊への移行）を捉えることができないことを示しています。

4.2 特徴量の重要度

CatBoostモデルに基づき、入力パラメータを損傷予測への影響度順にランク付けしました。

1. 構造要素の深さ ($D$): 38.45%（支配的な要因）。
2. 爆薬重量: 27.25%。
3. 縦方向鉄筋の降伏強度 ($f_y$): 14.55%。
4. 無次元距離 ($Z$): 6.42%。
5. 横方向鉄筋比 ($\rho_s$): 3.04%。
6. 横方向鉄筋の降伏強度 ($f_{yt}$): 2.71%。
7. コンクリート圧縮強度 ($f_c$): 2.66%。
8. 柱の高さ ($H$): 2.21%。
9. 柱の幅 ($w$): 1.78%.
10. 縦方向鉄筋比 ($\rho$): 0.93%.

4.3 感度と閾値

• 深さ: 550 mm と 650 mm の間に明確な閾値が存在します。深さを 600 mm 以上にしても、損傷軽減の効果は逓減します。
• 爆薬重量: 損傷は爆薬重量に対して対数的に増加し、構造が完全な崩壊に近づくとプラトー（停滞）に達します。
• コンクリート強度: 歪み速度効果（DIF）が静的な強度の差を正規化するため、$f_c$ を 45 MPa 以上に高めても、爆風耐性における追加のメリットは最小限です。
• 横方向鉄筋: 検討された範囲内では、最小限の設計基準を満たしている場合、横方向鉄筋の変動が残留軸荷重容量の指標に与える影響は無視できる程度でした。

5. 意義と主張

本論文は、開発されたMLモデル、特に CatBoost が、爆風荷重下のRC柱の構造損傷および破壊モードを予測するための迅速かつ正確なツールを提供すると主張しています。

• 実用的な有用性: これらのモデルは、適切な安全率を適用することを前提として、予備設計や脆弱性スクリーニングにおいて、計算負荷の高い有限要素シミュレーションに代わるものとなり得ます。
• 設計ガイダンス: 本研究は、データに基づいた具体的な設計推奨事項を提供します：
  • 爆風耐性を高めるためには、コンクリート強度や横方向鉄筋を増やすよりも、柱の深さを大きくすることを優先すること。
  • 歪み速度のメリットを享受するために、高強度縦方向鋼材（$f_y \ge 500$ MPa）を活用すること。
  • 爆風耐性において、45 MPa を大幅に超えるコンクリート強度の指定は避けること（限界的な利得が低いため）。
  • サイト計画時には、主要な防護策として無次元距離（離隔距離）に焦点を当てること。

著者らは、これらのモデルは使用されたパラメータ範囲および数値シミュレーションデータに限定されるものの、効率的でデータ駆動型の耐爆設計に向けた重要な一歩であると結論付けています。本研究は、普遍的な適用性を主張することを明示的に避け、将来の研究には実験データの導入および他の構造部材への拡張が必要であることを示唆しています。