⚡ electrical engineering

Development of Design-Oriented Bond Strength Equations for FRP Bars Embedded in Concrete Exposed to Elevated Temperatures Using Explainable Machine Learning

本研究は、高温下におけるコンクリート中のFRPバーの付着強度を正確に予測するためにハイブリッドなWOA–ETR機械学習モデルを開発し、SHAP解析を活用して主要な影響因子を特定し、それらの知見に基づいた堅牢で物理的に解釈可能な設計式を導出するものである。

原著者： Gia Toai Truong, Dinh-Nhat Truong, Trong-Phuoc Nguyen, Chinh Van Nguyen, Ngoc Hieu Dinh

公開日 2026-08-20

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Gia Toai Truong, Dinh-Nhat Truong, Trong-Phuoc Nguyen, Chinh Van Nguyen, Ngoc Hieu Dinh

原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

コンクリートは現代のインフラストラクチャの屋台骨ですが、その中に隠された鉄筋は、特に塩分や湿度の高い過酷な環境下では、時間の経過とともに錆びて弱体化する可能性があります。これを解決するために、エンジニアは、強力な繊維をプラスチック樹脂の中に閉じ込めた一種の補強材である、繊維強化ポリマーバーへと目を向けました。これらのバーは錆びず、鉄よりも軽く、電気を通さないため、腐食条件下の橋梁や建物に理想的です。しかし、これらのプラスチックベースのバーには決定的な弱点があります。それは熱に敏感であることです。高温にさらされると、繊維を繋ぎ止めている樹脂が、まるで太陽の下でロウソックスが形を失うように、軟化し劣化してしまうのです。この軟化は、バーと周囲のコンクリートとの間の極めて重要なグリップ、すなわち「付着」を弱めます。もしこの付着が損なわれると、構造物は強度を失う可能性があります。しかし、火災や熱への曝露の後に、どれほどのグリップが残っているのかを正確に予測することは、エンジニアにとって難しいパズルであり続けてきました。

研究チームは、伝統的な工学データと高度なコンピュータ学習を組み合わせることで、このパズルを解こうと試みました。彼らは、ポリマーバーをさまざまな温度（室温から摂氏60隅度まで）に加熱した後、コンクリートブロックから引き抜くという132件の実際の実験からなる膨大なコレクションを集めました。目標は、これらの条件下で付着強度がどの程度になるかを予測する信頼できる方法を見つけることでした。単純な数式に頼るのではなく（それらはしばしば状況の複雑さを見落としてしまいます）、研究者たちは洗練されたコンピュータモデルを使用しました。彼らは、多くの決定木を構築してデータ内のパターンを見つけ出す「エクストラ・ツリー回帰」と呼ばれる手法を用いてこのモデルを訓練し、その後、「ホエー・オプティマイゼーション・アルゴリズム（クジラ最適化アルゴリズム）」を用いてモデルを精緻化しました。この第二のステップは、スマートな検索エンジンのように機能し、モデルの設定を絶えず調整して、ザトウクジラが連携して狩りをする様子を模倣しながら、最も正確な予測結果を見つけ出します。

このコンピュータモデルは極めて正確であることが証明され、テストケースの94.2パーセントにおいて付着強度を正しく予測しました。さらに重要なことに、研究者たちは単に答えを出すだけで説明のない「ブラックボックス」を求めたわけではありません。彼らは特殊なツールを使用してモデルの内部を覗き込み、どの要因が最も重要であるかを理解しようとしました。その結果、バーがさらされた温度が単一の最も重要な要因であり、次にバーの表面の質感、そしてバーがどれだけのコンクリートに覆われているかが続いていることを発見しました。伝統的な工学の知見ではコンクリート自体の強さが強調されることが多いですが、本研究は、これらの特定のバーが高温下にある場合、温度とバーの表面の質感がはるかに決定的な要因であることを示しました。また、モデルは、コンクリートに埋め込まれたバーの長さが、どのように付着の挙動を変化させるかをも明らかにしました。これは、単一の数式ではあらゆる状況を記述できないことを示唆しています。

これらの知見を実世界の設計に役立てるために、研究者たちはコンピュータの洞察を明確で実用的な方程式へと翻訳しました。彼らは、バーがコンクリートに埋まっている長さによって付着の挙動が異なるため、データを「短い」「中間」「長い」という3つの埋め込み長グループに分割する必要があることに気づきました。最も短いバーについては、サンドコーティングされているかリブ状であるかといった、バーの表面の質感に基づいてさらにデータを分類しました。これらの特定のシナリオごとに個別の数式を作成することで、予測値が実際の実験結果とほぼ一致するという、偏りのほとんどない数式を生み出しました。これらの新しい方程式は、複雑な機械学習と実用的な建設安全性の間の溝を埋め、エンジニアに対して、高温に耐えうるより安全な構造物を設計するための透明かつ信頼できるツールを提供します。

技術要約：説明可能な機械学習を用いた、高温下にさらされたコンクリートに埋設されたFRPバーの設計指向型付着強度式の開発

問題提起
繊維強化ポリマー（FRP）バーは、過酷な環境において鉄筋に代わる顕著な耐久性の利点を提供しますが、その適用は有機ポリマー樹脂マトリックス（通常はエポキシまたはビニルエステル）の熱感受性によって制限されています。高温にさらされると、樹脂はガラス転移および熱分解を起こし、FRPバーと周囲のコンクリートとの間の付着を著しく弱めます。既存の経験的関係式は、この温度依存的な付着挙動を記述しようと試みていますが、適用範囲の限定、予測精度の低さ、および曝露温度、表面プロファイル、埋設長、コンクリート特性といった影響パラメータ間の複雑で非線形な相互作用を捉えられないといった課題を抱えています。さらに、既存の機械学習（ML）モデルの多くは「ブラックボックス」として機能しており、工学設計コードへの直接的な統合に必要な物理的な解釈可能性を欠いています。

手法
本研究では、物理的に解釈可能な設計式を開発するために、高度な機械学習と説明可能な人工知能（XAI）を組み合わせた統合フレームワークを提案します。手法は以下の3つの主要なフェーズで進行します。

データベースの編纂と前処理： 既存の文献から、132個の引抜試験供試体の包括的なデータベースを構築しました。データセットには、コンクリート圧縮強度（ $f'_c$ ）、FRPバー径（ $d_b$ ）、被り厚対バー径比（ $c/d_b$ ）、埋設長対バー径比（ $l_e/d_b$ ）、FRPバーの種類（GFRP、BFRP）、表面プロファイル（サンドコート、リブ、ファイバー巻きなど）、および曝露温度（ $T$ ）といった変数が含まれています。カテゴリ変数はエンコードされ、データは正規化されました。
ハイブリッド機械学習モデリング： ハイブリッド型のWhale Optimization Algorithm–Extra Trees Regression（WOA–ETR）モデルを開発しました。メタヒューリスティック最適化アルゴリズムであるWhale Optimization Algorithm（WOA）を用いて、Extra Trees Regression（ETR）モデルのハイパーパラメータを自動的にチューニングしました。モデルは、堅牢性を確保するために、5分割交差検証を用いた10回の独立した実行を用いて訓練および検証されました。性能は、 $R^2$ 、RMSE、MAE、およびMAPEを用いて評価されました。
説明可能性と方程式の導出： MLの「ブラックボックス」的な性質を克服するため、SHapley Additive exPlanations（SHAP）およびPartial Dependence Plots（PDP）を利用して、特徴量の重要性を定量化し、入力変数の限界効果を可視化しました。これらの知見に基づき、データベースを埋設長のレジームおよび表面プロファイルに従って系統的にサブグループに分類しました。その後、これらのサブグループに対して非線形最小二乗回帰を適用し、簡略化された物理的に解釈可能な予測式を導出しました。

主な貢献

ハイブリッドWOA–ETRモデル： 高温下における付着強度の予測において、従来のMLアルゴリズム（RF、BR、GB、XGBoost、およびスタンドアロンのETRを含む）を凌駕する、新しいハイブリッドモデルを開発しました。
説明可能なAIフレームワーク： 付着強度の問題にSHAPおよびPDP解析を適用することで、影響因子の明確な階層を示し、従来の経験式が見落としていた非線形な関係を明らかにしました。
設計指向の式： ML駆動の分類に基づく一連の具体的な予測式を導出しました。単一のグローバルな方程式とは異なり、これらの式は、短・中・長の埋設長レジーム、および特定の表面プロファイルに応じた異なる付着伝達メカニズムを考慮しています。
厳格な検証： モデルの安定性、汎化能力、およびパラメータの不確実性を評価するために、10回の独立した実行、一個抜き交差検証（LOOCV）、およびブートストラップ再サンプリングを含む広範な検証手法を採用しました。

結果

予測性能： WOA–ETRモデルは、テストデータセットに対して $R^2$ が0.942、RMSEが1.536 MPa、MAPEが16.812%という高い精度を達成しました。これは、ベンチマークモデルと比較して優れた安定性と汎化性能を示しています。
特徴量の重要度： SHAP解析により、曝露温度が最も影響力のある要因であり、次いで表面プロファイル、被り厚対バー径比、埋設長比であることが特定されました。特筆すべき点として、この特定の高温環境においては、コンクリート圧縮強度およびバーの種類は相対的な重要度が低いことが示されました。
非線形挙動： PDP解析により、付着強度の低下は温度に対して高度に非線形であり、室温から約350°Cの間で急速に低下した後、曲線がプラトー（停滞）に達することが明らかになりました。同様に、埋設長比は3つの明確な応答領域（安定、遷移、プラトー）を示し、分類アプローチの妥当性を裏付けました。
方程式の精度： 導出された予測式は、実験値と予測値の平均比率が1.02から1.06の範囲にある、ほぼ偏りのない予測を提供しました。導出された式の $R^2$ 値は0.716から0.986の範囲でした。中間および長埋設長の方程式は、極めて高い性能（ $R^2 > 0.96$ ）と低い変動性を示しました。
堅牢性： ブートストラップおよびLOOCV解析により、中間/長埋設長およびサンドコート（SP=5）のリブバーに関する方程式が高いパラメータ安定性を有することが確認されました。他のサブグループ（例：サンドコートバー）の方程式は、サンプルサイズが小さいためパラメータの不確実性が高いものの、許容可能な予測精度を維持していました。

意義と主張
本論文の主な意義は、高精度な「ブラックボックス」機械学習モデルと実用的な工学設計との間の溝を埋めることにあると主張しています。MLを単なる予測ツールとしてではなく、支配的なメカニズムを理解するための発見ツールとして使用することで、本研究は複雑なデータのパターンを簡略化された透明性の高い解析式へと見事に変換することに成功しました。

著者らは、提案されたフレームワークが、限定的な実験条件に依存しがちな既存の経験式や設計コード（ACI 440.1Rなど）に代わる、より適応性が高く正確な選択肢を提供すると主張しています。本研究は、WOA–ETRモデルが強力な予測器として機能する一方で、導出された方程式は、高温下での付着強度を推定するための計算効率が高く、物理的に解釈可能なツールをエンジニアに提供することを強調しています。しかし、著者らは、特定のサブデータセット（特に長埋設長および特定の表面プロファイル）における試験片数の制限により、一部の方程式の信頼性が制約されることを謙虚に認め、これらの定式化を洗練させ適用範囲を広げるためには、さらなる実験データの蓄積が有益であることを示唆しています。

関連論文