Residual strength of corroded reinforced concrete beams: Experimental, analytical, numerical and machine learning approach

鉄筋コンクリートの梁を、タフなスーパーヒーロー・サンドイッチだと想像してみてください。パンの部分はコンクリートで、その中にある鋼材（鉄筋）は、すべてをしっかりと支える超強力な筋肉です。しかし、時間が経つにつれ、特に塩分を含んだ空気や汚染された空気の中に置かれると、その鋼鉄の筋肉は錆び始めてしまいます。錆びた自転車のチェーンのように、鋼材は細くなり、弱くなっていくため、サンドイッチ全体が重い荷重を支える能力を失ってしまうのです。

この研究は、これら「錆びたサンドイッチ」にどれほどの強さが残っているのかを正確に突き止めるための、大規模な探偵ミッションです。研究者たちは単に推測したわけではありません。彼らは、実地実験、数式、コンピュータ・シシミュレーション、そしてコンピュータにデータから学習させるという、4つの異なる方法を用いてこの謎を解こうとしました。

実地実験：錆びたジム
まず、チームは実際に5本のコンクリート梁を作成しました。それらは「M30」グレードのコンクリートで作られたものと、より強力な「M50」グレードで作られたものがあります。彼らは自然に錆が発生するのを何年も待ったわけではありません。代わりに、梁を塩水に浸し、電気を流すことで錆のプロセスを加速させ、最大16%の腐食レベルを作り出しました。

その後、これらの梁を試験機にかけ、壊れるまで曲げました。結果は劇的でした。腐食していない新鮮なM50コンクリートの梁は、68 kNの力に耐えることができました。しかし、約12%錆びると、その強度は43.71 kNまで低下しました。15%錆びると、わずか38 kNしか持ちませんでした。端的に言えば、錆は深刻なイジメっ子であり、梁の強度の最大**44%**を奪い去ったのです。

数式：ルールブック
次に、チームはIS 456:2000と呼ばれる標準的なルールブックを使って、これらの結果を予測しようと試みました。これは、ケーキがどのように焼き上がるかを予想するためにレシピを使うようなものです。標準的なレシピは、錆の厄介な現実を考慮していなかったため、完全には機能しませんでした。そこで、研究者たちは特別な「回帰」調整（高度な数学的微調整）を用いて、レシピを修正しました。

彼らがこの新しい修正済み数式を使用したところ、予測は驚くほど実際の実験に近く、平均の差はわずか**3.95%**でした。優れた推測ではありましたが、著者らは、このような数式は時として、錆がどのように振る舞うかという細かなディテールを捉えるには単純すぎる場合がある、と指摘しています。

コンピュータ・シミュレーション：バーチャル・ラボ
実際の梁を作ることはコストと時間がかかるため、研究者たちはABAQUSという強力なコンピュータ・プログラムを使用して、梁のデジタルツイン（デジタルの双子）を構築しました。彼らはコンピュータに「錆に合わせて鋼材を細くして」と指示し、仮想の世界で何が起こるかを観察しました。

コンピュータ・シミュレーションは強力な候補となりました。それは、実際のテストと比較して、平均誤差約**6.91%**で破壊点を予測しました。しかし、著者らは、最高のコンピュータ・モデルであっても、鋼材とコンクリートの結合が完璧であると仮定するなど、現実世界の複雑な状況とは異なる簡略化を行っていることを認めています。

機械学習ヒーロー：スーパー・ブレイン
最後に、チームは真打ちが登場しました。機械学習です。彼らは単に自分たちの5本の梁を使っただけでなく、世界中の科学者による201もの異なる梁の実験データを集めました。そして、このデータを4つの異なる「脳」モデル、すなわち線形回帰、人工ニューラルネットワーク（ANN）、XGBoost、およびランダムフォレストに投入しました。

彼らはこれらのデジタル・ブレインに対し、梁の幅、コンクリートの強度、および腐食率に基づいて、梁がどの程度の強度を持つかを予測するよう命じました。

ここで大きな発表があります。ランダムフォレストモデルが明確な勝者となりました。このモデルは、特定の指標で使用された単位における平均誤差わずか0.27で強度を予測し、実世界のデータと最も密接に一致しました。XGBoostモデルも非常に優秀でした。しかし、**人工ニューラルネットワーク（ANN）**は苦戦し、より大きな誤差と一貫性の欠如を示しました。線形回帰モデルはまずまずでしたが、他のモデルが見つけた複雑で非線形なパターンを捉えることはできませんでした。

研究者が、実際にラボで作成した5本の梁に対してこの勝利したランダムフォレスト・モデルをテストしたところ、その精度は驚異的でした。腐食していない梁については予測誤差は約**5.68%であり、錆びた梁の平均誤差は5.81%**でした。

結論
本研究は、実地実験や複雑なコンピュータ・シミュレーションは価値があるものの、時間とコストがかかるものであると結論付けています。ランダムフォレストの機械学習モデルは、錆びた梁にどれだけの強さが残っているかを予測するための、より高速で極めて正確な方法を提供します。それは、数ヶ月ではなく数秒で構造物の健康状態を教えてくれる「水晶玉」のようなものです。

しかし、著者らは、これが他のすべての手法に取って代わる魔法の杖ではないことも慎重に述べています。実験的および数値的な手法は、なぜ物が壊れるのかという「理由」を理解し、モデルを検証するために依然として不可欠です。しかし、多くの構造物の安全性を迅速に評価するためには、この機械学習のアプローチは強力な新しいツールとなります。