Surrogate-Assisted Multi-Objective Optimization of Stilling Basin Design: Integrating ANN Metamodeling with NSGA-II Using Real Experimental Data

ダムや放流設備を流れ落ちる水は、計り知れない力を運びます。もしその高速の流量が、何の警告もなく河床に衝突すれば、それは執拗なサンドブラスター（砂を吹き付ける装置）のように振る舞い、深い穴を掘り、水をせき止めている構造物そのものを脅かすことになります。この破壊を防ぐために、エンジニアはこれらの構造物の底部に、「減勢水槽（stillness basin）」として知られる特定のプールを建設します。その役割は、水が下流へと続く前に、速度を落とし、そのエネルギーを安全に失わせることです。これは、高速で薄い水の層が、突然、より深く遅いプールへと衝突する「跳水（hydraulic jump）」と呼ばれる、混沌とした攪拌現象を通じて行われます。目標は、その破壊的なエネルギーをできる限り消散させることです。しかし、そこには落とし穴があります。エネルギーを分解するその激しい乱れ自体が、河床を削り取る、すなわち「洗掘（scour）」を引き起こす傾向があるのです。エンジニアたちは長い間、難しいバランス調整に直面してきました。つまり、水の力を止める設計でありながら、基礎を崩壊させるほど深い穴を掘らせないような設計を行うという課題です。

数十年にわたり、これらの水槽の完璧な形状を見つけることは、試行錯誤や研究所での物理モデル、あるいは単一の設計のために数日かかる複雑なコンピュータ・シミュレーションに頼ることを意味していました。しかし、新しい研究は、このパズルを解くためのより速く、よりスマートな方法を提示しています。ノーザン・テクニカル大学とカールスタッド大学の研究者たちは、実世界の実験データと人工知能を組み合わせ、わずか数分で最適な設計を見つけ出す手法を開発しました。何千もの遅いコンピュータ・シミュレーションを実行したり、推測したりする代わりに、彼らは実測値から学習する「デジタル・ブレイン（デジタルの脳）」を訓練しました。そして、このシステムは強力な探索アルゴリズムを用いて、何千もの潜在的な設計を探索し、水のエネルギーを止めることと河床を保護することの間の完璧なトレードオフを迅速に特定しました。

チームはまず、科学者が異なる水槽のセットアップにおける水の挙動をすでにテストした、2つの別々の査読済み研究から高品質なデータを収集することから始めました。彼らは、水深、流速、水槽の長さ、および流れを乱すために水槽内に配置された小さなブロック（バッフル）の高さの特定の組み合わせを表す、80個の明確なデータポイントを収集しました。これらのブロック（バッフル）は、水を分解し、速度を落とすために必要な乱れを作り出すために極めて重要です。研究者たちは、この実データを、人間の脳をモデルにした一種のコンピュータ・プログラムであり、複雑な情報の中のパターンを見つけ出すことに長けた「人工ニューラルネットワーク」に投入しました。彼らは、このデジタル・モデルに対し、水がどれだけのエネルギーを失うか（効率）と、河床がどれだけ深く掘られるか（洗掘深）という2つの事象を予測するように教え込みました。モデルは非常にうまく学習し、新しい設計の結果を95パーセント以上の精度で予測することができました。この精度レベルは、高価な物理試験や遅いコンピュータ・シミュレーションを実行する代わりの信頼できる代替手段となるものです。

デジタル・モデルの訓練が終わると、研究者たちはそれを最適な設計を見つけるという問題へと解き放ちました。彼らはコンピュータに対し、古典的な対立関係を解くよう命じました。それは、「エネルギー損失を最大化すると同時に、穴の掘削を最小限に抑える」という問いです。現実の世界では、これらを同時に達成することはできません。通常、水をより多く失わせようとすれば、より深い穴を掘ることになります。この状況を切り抜けるために、彼らはこのような相反する目標を扱うために特別に設計された「NSGA-II」と呼ばれるアルゴリズムを使用しました。単一の答えを出す代わりに、このアルゴリズムは、それぞれが独自の妥協点を示す123種類の異なる設計のリストを生成しました。エネルギーを止めることには非常に優れているが、やや深い穴を残してしまう設計もあれば、河床には優しいが水の力を止める効果が十分にない設計もありました。この選択肢の集合は「パレート・フロント」と呼ばれ、エンジニアが強制された一つの解決策ではなく、自身の特定のニーズに最も適した設計を選べるような「メニュー」を提供します。

この研究では、ある特定の設計が「最良の妥協案」として特定されました。それは、トレードオフの曲線上でちょうど中間地点に位置する解決策です。この理想的な構成では、水は深さ0.064メートル、速度0.812メートル毎秒で水槽に入ります。水槽自体は約1.004メートルの長さであり、内部のバッフルは0.036メートルの高さです。この特定の構成は、51.10パーセントの水のエネルギーを消散させつつ、洗掘深をわずか0.005メートルに抑えます。また、研究者たちはどの要因が最も重要であるかも発見しました。流入する水の速度が、エネルギー損失の最大の要因であることが分かりました。速度を変えることは、消散されるパワーに多大な影響を与えます。逆に、バッフルの高さは、河床がどれだけ深く掘られるかを制御するための最も決定的な要因でした。これら2つの変数を調整することで、エンジニアは浸食からの安全性か、あるいは最大限のエネルギー低減かのどちらかを優先するように、水槽を微調整することができるのです。

おそらく、この研究の最も重要な発見は、これらの結果が達成されたスピードの速さです。かつて、詳細な計算流体力学シミュレーションを用いてこのような設計を最適化するには、コンピュータの計算時間に数日、あるいは数週間かかることもありました。AIモデルを使用することで、研究者たちは、信頼性を確保するための10回の個別実行を含む、最適化プロセス全体をわずか約25分で完了しました。この劇的な時間の短縮は、エンジニアが計算能力の制限に阻まれることなく、より幅広い可能性を探索し、より優れた解決策を見つけられるようになることを意味します。本研究は、特定の設計結果がテストされた条件の範囲内でのみ有効であると注記していますが、その手法自体は強力な新しいツールです。実世界の実験データとスマートなアルゴリズムを組み合わせることで、複雑な水理学的問題を効率的に解決でき、私たちの川や都市を守る構造物が、精密さと実用性の両方を備えて設計されることを証明しています。