An LLM-Driven Agentic Framework for Automated Seismic Soil Liquefaction Hazard Assessment Using SPT- and CPT-Based Machine Learning Models

地震の際に地面が揺れるとき、足元の土壌が液体のように振る舞うことがあります。液状化として知られるこの現象は、緩く湿った砂が強度と剛性を失うことで発生し、建物が沈下したり、道路が隆起したり、インフラが崩壊したりする原因となります。これは地震による最も破壊的な力のひとつであり、歴史上の主要な地震において壊滅的な被害をもたらしてきました。コミュニティを守るために、エンジニアは建設を開始する前に、特定の地点の地面がストレス下で液体に変わる可能性があるかどうかを判断しなければなりません。この評価は、地盤を調べるための主に2つの手法に基づいています。一つは、サンプラーを地面に打ち込むのがどれほど困難かを測定する標準貫入試験（SPT）であり、もう一つは、円錐を土壌に押し込み、抵抗を連続的に測定するコーン貫入試験（CPT）です。伝統的に、これらの試験の解釈には、地盤工学エンジニアが手作業でデータを収集し、複雑な計算を行い、どの手法を適用するかを決定する必要があり、このプロセスは時間がかかり、ヒューマンエラーが発生しやすいものでした。

インド、オーストラリア、そして米国の研究チームは、この極めて重要な安全チェックをより迅速かつ身近なものにするために設計された、新しいシステムを開発しました。彼らは、強力なコンピュータ学習モデルと、人間の言語を理解できる高度な人工知能を組み合わせた自動化フレームワークを作成しました。エンジニアにデータを厳格なスプレッドシートの形式に整えさせる代わりに、この新システムでは、自然な英語でサイトの条件を記述することができます。コンピュータはその後、その記述を読み取り、必要な土壌データと地震データを特定し、正しい計算方法を選択して、明確なエンジニアリングレポートを出力します。目的は人間の判断に取って代わることではなく、データの処理やモデルの選択といった重労働を担うスマートなアシスタントとして機能させ、専門家が最終的な安全判断に集中できるようにすることでした。

研究者たちはまず、2つの異なるコンピュータプログラムに液状化を予測する方法を学習させました。一方のプログラムは、標準貫入試験を用いた約2,000件の実世界の事例を用いて学習し、もう一方のプログラムは、コーン貫入試験に関する約500件の事例から学習しました。エクストリーム・グラディエント・ブースティングと呼ばれる手法に基づいて構築されたこれらのプログラムは、液状化につながる土壌密度、地下水位、および地震強度の間の複雑で非線形なパターンを認識することを学習しました。未知のデータを用いてテストを行った際、標準貫入試験に基づいて訓練されたプログラムは、土壌が液状化するか安定した状態を維持するかを96パーセントの確率で正しく特定しました。コーン貫入試験に基づいて訓練されたプログラムは、91パーセントの成功率を達成しました。両方のシステムは非常に信頼性が高いことが証明され、特に標準貫入試験のモデルは、危険な液状化しやすい土壌を見つけ出すことに強みを示しており、これは安全性が重視されるエンジニアリングにおいて極めて重要な特性です。

この研究の真の革新性は、これらの予測ツールを、人間の言語を理解し生成するように設計された大規模言語モデル（LLM）にどのように接続したかにあります。機械学習を地盤工学に利用しようとするこれまでの試みでは、コンピュータモデルは孤立しており、人間がサイトレポートからすべての数値を抽出し、特定の形式でシステムに投入しなければ機能しませんでした。この新しいフレームワークはその障壁を取り除きます。研究者たちは、操作の「脳」として機能するデジタルアシスタントである「エージェント」を構築しました。ユーザーが、土壌の深さ、地面の揺れの強さ、あるいはプローブによって測定された抵抗値などの詳細に触れながら、サイトの自然な記述を入力すると、エージェントはそのテキストを読み取り、関連する数値を抽出し、2つの予測モデルのうちどちらを使用すべきかを判断します。もし記述にコーン抵抗のデータが含まれていれば、リクエストをコーンモデルへとルーティングし、打撃回数（N値）が含まれていれば、貫入試験モデルへと送ります。

このシステムが実世界で機能することを確実にするため、チームはそれぞれ異なるサイト条件を記述した10の異なるシナリオを用いてテストを行いました。あらゆるケースにおいて、エージェントはテキストから必要なパラメータを正しく抽出し、実行すべき正しい予測モデルを選択しました。その後、コンピュータモデルからの生の出力を受け取り、リスクを説明し推奨事項を提示する、構造化されたプロフェッショナルなエンジニアリングレポートへと翻訳しました。このエンドツーエンドのワークフローは、ユーザーがデータサイエンティストである必要なく、未構造の生のフィールドデータと高精度な機械学習予測の間の溝を埋めることが可能であることを示しています。このシステムは、複雑で多段階のエンジニアリング分析を、単純な会話へと変えるものです。

しかし、研究者たちは自らの創造物の限界を定義することにも慎重です。彼らは、このツールは予備的なスクリーニングおよび意思決定支援を目的としたものであり、従来の解析や専門的な判断の最終的な代替品ではないことを強調しています。このシステムは、潜在的なハザードを早期に発見し、初期レビュープロセスを効率化するために設計されていますが、あらゆる独特な地質学的ニュアンスや、サイトの履歴の全容を考慮することはできません。リスクが不明確な境界事例や、入力データが不完全な場合、システムは資格を持つエンジニアによるさらなる調査を推奨するようにプログラムされています。研究の結論として、この自動化フレームドワークは地震ハザード評価のアクセシビリティと効率を大幅に向上させる一方で、エンジニアが建設する構造物の安全に集中できるよう、日常的なデータ業務を担うパートナーとして機能するときに最も効果を発揮すると述べています。