A Comparative Machine Learning (ML) Metaheuristic Framework for Bolt Pitch Optimization under IS 800, Eurocode 3, and AISC

技術要約：IS 800、ユーロコード3、およびAISCに基づくボルトピッチ最適化のための比較機械学習（ML）メタヒューリスティック・フレームワーク

問題提起
鋼構造物のボルト締結部の設計には、構造的安全、材料効率、および施工性の間の極めて重要なバランスが求められる。従来、エンジニアは設計基準（IS 800:2007、ユーロコード3、およびAISC 360-16）で規定された最小および最大許容ピッチ距離に依存している。しかし、これらの基準による制限は、安全性に相応の利点をもたらすことなく材料コストを増大させる、保守的な設計を招く傾向がある。さらに、既存の文献は、単一の設計基準内での最適化を扱うことが多いか、あるいは簡略化されたケーススタディに依存しており、予測モデリングとメタヒューリスティック最適化を複数の国際標準にわたって統合した統一的なフレームワークを欠いている。ボルトの間隔が、どのように破壊モードや材料特性と相互作用し、材料使用量を最小限に抑えつつ安全性を確保する最適な、基準適合設計を生み出すのかという理解には、明確な空白が存在する。

手法
本研究は、データ駆動型の機械学習（ML）とメタヒューリスティック最適化を組み合わせた、最適なボルトピッチ距離を決定するための統合フレームワークを提案する。手法は以下の4つのフェーズで進行する。

1. データ生成： 4,500通りのボルト締結構成からなる包括的な合成データセットを生成した。このデータセットは、IS 800、ユーロコード3、およびAISCの特定の制限と要件から派生している。各基準につき1,500通りの構成を含み、材料特性（降伏強度および極限強度）、幾何学的パラメータ（ボルト径、プレート厚さ、エッジ距離）、荷重条件（せん断、引張、モーメント）、および接続タイプなどの変数を含んでいる。重み付けされた効率指標を設定し、安全性を優先（70%）、材料効率を重視（30%）することで、構成を「最適（Optimal）」または「非最適（Non-Optimal）」に分類した。
2. 機械学習による分類： 6つのMLアルゴリズム（ランダムフォレスト（RF）、XGBoost、サポートベクターマシン（SVM）、ニューラルネットワーク（NN）、勾配ブースティング（GB）、およびロジスティック回帰（LR））を用いて、最適なピッチ分類を予測するための学習を行った。モデルの性能は、精度、ROC AUC、および学習時間に基づいて評価された。特徴量の重要度分析を実施し、影響を与える主要なパラメータを特定した。
3. メタヒューリスティック最適化： 基準の制約を遵守しながら効率指標を最大化する正確なピッチ値を特定するために、遺伝的アルゴリズム（GA）と焼きなまし法（SA）の2つの最適化アルゴリズムを実装した。両アルゴリズムは、効率指標の負の値を最小化するように設定された。
4. 検証および感度分析： 最適化された結果を、最近の研究による実験データと比較して検証し、予測誤差を算出した。さらに、主要なパラメータ（ボルト径、プレート厚さ、ボルト数、せん断荷重、引張荷重）を±30%変化させる感度分析を行い、最適なピッチへの影響を調査した。

主な結果

• 機械学習の性能： ランダムフォレスト分類器が最も効果的なモデルとして浮上し、精度0.923、ROC AUC 0.941を達成した。XGBoostが精度0.917、ROC AUC 0.938でこれに僅かに続いた。特徴量の重要度分析により、ボルト径がピッチ距離に影響を与える最も重要なパラメータであること（重要度値〜0.217）が判明し、次いでせん断荷重、プレート厚さ、およびボルト数であった。
• 最適化の結果： GAとSAは、各基準に対して同一の最適解に収束し、一貫性を示した。実験データに対して検証した際、遺伝的アルゴリズム（GA）は、焼きなまし法（SA）と比較して優れた信頼性と低いエラー率を示した。GAの平均誤差は8.7%であったのに対し、SAは9.3%であった。GAは誤差分布が狭かったが、SAは高い分散と顕著な外れ値を示した。
• 基準別の最適比率： 本研究では、各基準における最適なピッチ対直径（P/D）比を特定した。
  • IS 800: 2.8–3.2
  • ユーロコード 3: 2.5–2.9
  • AISC: 2.9–3.3
• 感度分析の知見： ボルト径、せん断荷重、およびボルト数が、最適なピッチに対して最も大きな影響を与えることが判明した。逆に、プレート厚さと引張荷重は、テストされた範囲内では最小限の影響しか持たなかった。この分析により、提案された最適化フレームワークが異なる設計基準間でも堅牢であることが確認された。

意義および貢献
本論文は、MLベースの分類とメタヒューリスティック最適化を、主要な3つの国際基準に特化したボルト締結部のピッチ設計のために統合することにより、重要な研究上の空白を埋めるものであると主張している。主な貢献は以下の通りである。

1. 統一されたフレームワーク： IS 800、ユーロコード3、およびAISCを横断的に運用でき、単一のシステム内で比較分析および基準固有の最適化を可能にする。
2. 実用的な設計推奨事項： エンジニアに対し、安全性と材料経済性のバランスをとる目標ピッチ値（例：IS 800では3.0d、ユーロコード3では2.7d、AISCでは~3.1d）を提案する、実行可能なガイドラインを提供する。
3. 計算手法の検証： フレームワークを実験データによって検証することで、本研究は、GAを組み合わせた予測MLモデルが、構造的完全性を損なうことなく材料使用量を削減できる、信頼性の高い基準適合設計を生み出せることを実証している。
4. 効率性の向上： 提案されたアプローチは、従来の設計作業に対する体系的な代替案を提供し、設計基準による保守性を軽減し、鋼構造物設計の効率を向上させる可能性がある。

著者らは、本フレームワークは設計プロセスを大幅に改善するものの、今後の課題として、精度と適用性をさらに高めるために、より多くの変数、異なる破壊メカニズム、および複雑な荷重条件を含むようモデルを拡張することを目指すべきであると結論付けている。