Physics-guided explainable machine learning and uncertainty quantification for predicting unconfined compressive strength of nano shale–quicklime stabilized kaolin clay

私たちの足元の地面は、決して均一ではありません。多くの場所では、土壌は柔らかく、湿っており、動きやすいため、道路や建物、橋梁の基礎としては不適格です。エンジニアたちは、この弱い土壌に石灰やセメントのような安定剤を混合することで解決する方法を古くから知っています。これらの添加剤は化学反応を引き起こして土壌粒子を結合させ、ぐにゃぐにゃとした塊を、荷重に耐えうる強固な材料へと変貌させます。しかし、どの程度の安定剤を使用すべきか、また土が硬化するまでどのくらい待つべきかを正確に判断するのは、時間がかかる高価なプロセスです。それは、ラボで数十種類の異なるバッチを混合し、数週間の養生を待ち、それらを押しつぶして強度を測定するという作業を繰り返す必要があります。新しい種類の土壌が登場したり、レシピに変更が生じたりするたびに、このサイクルを繰り返さなければならず、建設に充てるべき時間と資源を浪費することになります。

研究チームは、精度を損なうことなく、このプロセスを加速させる新しい方法を開発しました。彼らは、過去の実験から学習し、将来の土壌混合物の強度を推測する、高度な予測機能を持つコンピュータモデルを作成しました。しかし、単に生の数値をコンピュータに読み込ませるのではなく、研究者たちはコンピュータに地盤工学エンジニアのように考えるよう教え込みました。彼らは「物理学に基づいた（physics-guided）」特徴量を用いてモデルを構築しました。これは、バインダーが時間とともにどのように相互作用するかや、土壌本来の塑性がどのように変化するかといった、土壌内で実際に起きている物理的・化学的なプロセスを反映した記述子をコンピュータに与えたことを意味します。このアプローチにより、モデルは単に「何が」起きているかだけでなく、「なぜ」そうなるのかという背景を理解することができます。その結果、エンジニアが実験室でテストする価値のある組み合わせと、失敗する可能性が高い組み合わせを迅速かつ確実に判断できるツールが誕生しました。これは、特定の混合物がなぜ良好な性能を示すと予想されるのかという明確な説明も提供します。

研究者たちは、カオリン粘土（一般的な弱い土壌の一種）を、ナノシェール（微細に粉砕された岩石粉末）とクイックライム（酸化カルシウムの反応性の高い形態）という2つの材料で処理する特定の土壌改良に焦点を当てました。彼らは、36種類の異なる混合設計から得られた180個の個別のラボ測定値のデータベースからスタートしました。各設計では、使用されるナノシェールとライムの量、および土壌を養生させた日数が変化します。目標は、標準的な指標である一軸圧縮強度（土壌が破壊される前にどの程度の圧力に耐えられるかを示すもの）を予測することでした。これを行うために、単純な線形方程式から複雑な人工ニューラルネットワーク、高度な決定木モデルに至るまで、いくつかの異なるタイプの機械学習アルゴリズムをテストしました。彼らは、モデルの欠陥を隠してしまう可能性がある一般的な手法である、データをランダムに訓練用とテスト用に分割するという方法はとりませんでした。代わりに、「ネストされたグループ交差検証（nested group cross-validation）」と呼ばれる厳格な手法を用いました。これにより、モデルが一度も見たことのない全く新しい混合設計に対してテストされることが保証され、類似したサンプルの結果を単に暗記してしまい、偽りの精度を生み出してしまうことを防ぎました。

これらのモデルの訓練とテストを行った後、研究者たちは「CatBoost」と呼ばれる特定のアルゴリズムが最も優れた性能を示したことを発見しましたが、それは情報を精査した後でのことでした。当初、彼らは、バインダーの総量や、そのバインダーと養生時間の相互作用など、安定化プロセスの物理学を捉えるように設計された7つのエンジニアリング特徴量をモデルに与えていました。一つずつ特徴量を取り除く慎重なプロセスを通じて、彼らは、ある入力項目が実際には冗長であり、モデルを混乱させていることを発見しました。これを取り除くことで、総バインダー量、ナノシェールと養生日数の相互作用、および土壌の相対的な塑性の尺度を含む、6つの主要な記述子を備えた合理化されたバージョンを作成しました。彼らが「CatBoost-6PG」と名付けたこの洗練されたモデルは、高いレベルの精度を達成し、約151キロパスカルの誤差範囲で土壌混合物の強度を正確に予測しました。この性能は、より単純なモデルよりも大幅に優れており、物理学に基づいた入力を使用しなかったより複雑なモデルをも凌駕していました。

しかし、この研究の真の価値はその透明性にあります。研究者たちは、単に良い予測を得るだけでなく、モデルが実際に何を学習しているのかを理解したいと考えました。SHAP分析と呼ばれる手法を用いて、彼らはどの要因が最も重要であるかをマッピングしました。その結果、モデルが土壌の塑性指数（土壌が粘り気を帯びる前に保持できる水の量を示す指標）を最も重要な因子として正しく特定していることがわかりました。高い塑性は一貫して低い強度予測につながりますが、これは確立された土壌力学と完全に一致しています。また、モデルは時間の経過が極めて重要であることを学習しており、養生期間が長くなるほど土壌が強くなることを示しました。さらに、バインダーと時間の相互作用は、バインダーの量単独よりも重要であることがわかりました。例えば、モデルは、化学反応が起こるのに十分な時間があれば、ナノシェールをより多く添加することが役立つことを示しました。これらの洞察は、モデルが単に統計的なパターンを見つけているのではなく、土壌の安定化における実際の物理的メカニズムを捉えていることを裏付けています。

予測の信頼性を確保するため、チームは各予測の不確実性、つまり起こり得る結果の範囲も定量化しました。彼らは、現実世界の不完全さを模倣するために、ライムの正確な量や養生時間などの入力値がわずかに変化するシナリオを数千回シミュレーションしました。その結果、最大の不確実はモデルの内部計算からではなく、入力材料自体の変動性に起因していることがわかりました。この変動を考慮に入れたとき、モデルは実際のテスト結果のほぼ90パーセントをカバーする予測区間を提供しました。これは、モデルが期待される強さとして特定の数値を示す一方で、その数値が現実にはどの程度変動し得るかという安全マージンも提供していることを意味します。これは、予測の限界を理解することが安全性を左右するエンジニアリングにおいて、極めて重要な機能です。

また、本研究は、エンジニアが土壌の締固め特性や塑性限界に関する詳細なデータをまだ持っていないプロジェクトの非常に初期段階において、このモデルがどの程度有用であるかについても調査しました。彼らは、ナノシェールとライムの量、および養生時間という基本的な混合設計変数のみを使用してモデルをテストしました。限られた情報であってもモデルは概算を行うことはできますが、その精度は大幅に低下しました。この発見は実用的かつ誠実なものです。すなわち、このモデルはラボテストの代替品ではなく、それを導くための強力なツールであるということです。モデルは、テストすべき有望な混合物のリストを絞り込むことで、時間とコストの節約を支援できますが、最も正確な予測を行うためには依然として基礎的な土壌特性に依存しています。

結局のところ、この研究は、生のデータとエンジニアの直感との間の架け橋となるものです。機械学習を物理的プロセスの深い理解と組み合わせることで、研究者たちは正確かつ説明可能なツールを作り上げました。このモデルは土壌を「ブラックボックス」として扱うのではなく、バインダー、時間、そして土壌の特性がどのように相互作用して強度を生み出すのかというルールを学習します。このアプローチにより、エンジニアが有望な混合物を自信を持ってスクリーニングし、最も成功する可能性の高い組み合わせにリソースを集中できる、より効率的な設計プロセスが可能になります。この研究は、人工知能が物理法則によって導かれるとき、複雑なエンジニアリングの課題を解決するための信頼できるパートナーとなり、私たちの日常生活を支える構造物の設計に明晰さと自信をもたらすことができるということを証明しています。