サレルノ大学の耐震AI、70ミリ秒で解析も検証範囲は限定的
サレルノ大学の耐震AIは現在、コンクリート建築物の地震時耐力に関する20の指標を約70ミリ秒で推定できる。従来の有限要素法によるプッシュオーバー解析には、建物モデルの構築に必要な作業を除いても約1時間を要する。この速度差は大きな可能性を示す一方、同ネットワークが自動的な耐震安全性検査官になるわけではない。
このモデルは、既存の鉄筋コンクリート造骨組、特に現代的な耐震要件が一般化する以前に建設された建物を対象とする。長短期記憶ネットワーク、畳み込み処理、柱の配置を示すマップを組み合わせ、通常は非線形構造解析から得られる工学パラメータを予測する。
機械学習で耐震性能評価を高速化しようとする試みは初めてではない。先行するニューラルネットワークも、シミュレーションした構造物から建物応答を予測していた。サレルノ大学チームの重要な変更点は、階をまたぐ情報を保持しつつ、不規則な柱配置を表現する方法にある。したがって本質的な比較はAI対エンジニアではなく、迅速な建物群スクリーニング対より時間のかかる建物ごとのシミュレーションである。
サレルノ大学の耐震AI、1時間を70ミリ秒に圧縮
このモデルが変えるのは、エンジニアが構造耐力を推定する速さであり、最終的な耐震補強判断に必要な証拠ではない。
サレルノ大学の研究者は9月18日、2026年にNeural Computing and Applicationsで耐震AI研究を発表した。計算分野の研究はGianni D’Angeloが主導し、Francesco NigroとEnzo Martinelliが構造工学の専門知識を提供した。
同モデルは、構造モデルに水平方向の力を徐々に加える非線形手法であるプッシュオーバー解析の結果を予測する。エンジニアは得られる耐力曲線を用いて、建物が弾性挙動から損傷・変形の段階へどのように移行するかを確認する。
従来のプッシュオーバー解析には、詳細な有限要素モデルが必要となる。このモデルは梁、柱、材料、接合部、荷重、非線形挙動を表現する。研究者の比較では、1回の解析実行に約1時間を要した。モデルの作成・検証にかかる追加作業は、この時間比較には含まれていない。
ニューラルネットワークは20項目の出力を約70ミリ秒で返す。2つの構造限界状態における等価周期、降伏加速度、運動学的延性を予測する。これらの出力は、異なる方向と水平力分布に基づく4種類のプッシュオーバー構成を対象としている。
等価周期は、簡略化された構造システムの振動特性を示す。降伏加速度は、弾性応答からの移行に対応する加速度水準を示す。運動学的延性は、その移行後に残る変形能力を測る。
こうした値は、「安全」「危険」といった一般的なラベルよりもエンジニアにとって有用である。これらは、非線形耐力曲線をより単純な工学的表現へ変換する際に使われる量に対応する。この設計により、同ネットワークは既存の評価ワークフローに組み込まれる可能性を持つ。
この研究は、地震がいつどこで起きるかを予測するものではない。特定の将来の地震動記録をシミュレーションするものでもない。代わりに、既存の鉄筋コンクリート造骨組が、標準化された4種類の非線形静的解析でどのように挙動するかを推定する。
この区別は重要である。70ミリ秒という見出しの速度は、より広い解釈を促しかねない。70ミリ秒の推論は、完全な耐震評価ではない。ネットワークが意味のある結果を出すには、信頼できる寸法、配筋の詳細、材料特性、荷重、柱の特性が依然として必要になる。
また、この比較は必要な入力データがすでに存在する段階から始まっている。古い図面、調査、材料試験、現地検査からその情報を集める作業は、どちらの計算手法よりもはるかに長くかかる可能性がある。多くの古い建物では、プロセッサ時間よりも不完全な文書の方が大きな障害であり続ける。
それでも、対象が1棟から都市全体に変われば、計算は決定的な意味を持つ。1モデルあたり1時間では、数万棟に対して数年分のプロセッサ時間となる。ミリ秒規模の代理モデルがあれば、計画担当者は建物台帳を繰り返し検討し、詳細解析を最優先の建物へ振り向けられる。
したがって、このモデルは解析圧縮システムとして理解するのが最も適切だ。高コストな有限要素シミュレーションが学習例を作り出し、ネットワークはその結果に含まれるパターンを学習した。現在は、学習領域に似た構造物に対して、選択した出力をはるかに高速に再現する。
ここに本稿の中心的な緊張関係がある。従来のシミュレーションは、高い計算コストと引き換えに、追跡可能で建物固有の力学を提供する。サレルノ大学のモデルは卓越した速度を提供するが、それはデータと検証によって定められた境界内に限られる。
都市規模で迅速な耐震評価が重要な理由
差し迫った負担は、限られた解析能力で数千棟の老朽建築物に優先順位を付けなければならない行政機関とエンジニアリングチームにかかっている。
第二次世界大戦後に建てられた多くの鉄筋コンクリート建築物は、主に鉛直荷重を想定して設計された。その詳細仕様は、後年の耐震規定に基づいて設計された構造物と大きく異なる場合がある。脆弱な梁柱接合部、不十分な横方向補強、低い変形能力は、脆弱性を高める可能性がある。
サレルノ大学のデータセットは、この歴史の特定の部分を反映している。研究者は、長方形の平面と当時に関連する材料特性を用い、古いイタリアの建築を代表する構造物を生成した。シミュレーションされた建物は2階建てから5階建てだった。
この範囲は、イタリアの建築ストックと密接に対応している。論文が引用する推計によれば、2階建てはイタリアの鉄筋コンクリート建築物の44％を占める。3階建てはさらに26％を占め、4階建て以上の建物は17％を占める。
これらの数字は、研究者が低層・中層の骨組に注力した理由を説明する。彼らはあらゆるコンクリート構造物のための普遍的モデルを構築しようとしたのではない。イタリア当局にとって大きなスクリーニング課題となる、一般的な建物区分を対象にした。
実務的な価値は、行政機関が検査・耐震補強の資源を配分する必要がある際に明らかになる。政府は、すべての不動産について網羅的な非線形解析を一度に委託することはできない。どの構造物に最も早い段階で注意を向けるべきかを特定する、説明可能な方法が必要になる。
迅速な目視スクリーニングはすでに、多くの地域でこの優先順位付けの役割を担っている。検査員は目視可能な特性や文書上の特性を収集し、簡略化した採点ルールを適用する。これらのシステムは大規模な建物台帳を扱えるが、その結果は非線形解析と同等の構造的詳細を提供しない。
機械学習は、中間層となる可能性を生み出す。基本的な目視チェックリストより多くの工学情報を受け取りながら、1時間規模のシミュレーションを繰り返す必要を避けられる。その出力は、最終的な設計計算を置き換えるとは主張せず、順位付けした建物台帳、シナリオ研究、予備的な確認を支援できる。
スクリーニングと認証の区別は明確に保たなければならない。迅速な推定は、調査対象の建物を抽出できる。しかし、専門家のレビューなしに入居を許可したり、危険な弱点を否定したり、耐震補強設計を決定したりするべきではない。
既存研究は、この大きな方向性を支持している。2022年の迅速ニューラル評価に関する研究では、ボローニャ近郊の建物に基づく928の有限要素モデルで人工ニューラルネットワークを学習させた。全サンプルで0.94、未観測ケースで0.88の決定係数を報告している。
別の2023年の地震応答モデルは、165の鉄筋コンクリート造骨組から得た92,400のデータポイントを使用した。この研究は、最大層間変形角と地震限界状態の耐力を予測しつつ、解析の労力を削減した。
サレルノ大学のモデルは、新たな研究領域を生み出したのではなく、活発な研究分野に加わるものだ。その貢献は、垂直方向と空間的な構造表現を組み合わせ、馴染みのある耐力曲線パラメータを返す点にある。この組み合わせは、より単純な固定ベクトル型モデルでは表現が難しい不規則な配置に対応する。
圧力を受けるのは行政機関だけではない。エンジニアリング会社は、大学、病院、住宅公社、商業用不動産所有者が保有する老朽化ポートフォリオを評価する需要の高まりに直面している。保険会社や融資機関も、集中的な構造リスクへのエクスポージャーに関するより良い情報を必要としている。
高速な解析は作業の順序を変え得る。非線形評価を始める前に小さな標本を選ぶ代わりに、エンジニアははるかに大きな建物台帳全体で耐力を推定できる。その上で、詳細な有限要素解析を、特殊な建物、重要な建物、または脆弱と見られる建物に限定できる。
この手法は感度分析も支援する。計画担当者は、不確実な材料値や柱に関する仮定が建物群の順位にどう影響するかを検討できる。順位が大きく変動する建物は、より良い調査や材料試験の候補となる。
この機会は、1時間の計算をより速い計算に置き換えることだけではない。数千件の予備計算を、計画に影響を与えられるほど手頃なものにすることにある。迅速な耐震評価が制度的に重要になるのは、ここにおいてである。
しかし、推論ステップを拡大すると別のボトルネックが表面化する。すべての建物を、モデルが必要とする表現に変換しなければならない。一貫したデジタル記録、自動化された形状抽出、品質管理がなければ、70ミリ秒の予測の背後に数週間のデータ準備が控えることになる。
マスク誘導型LSTM-CNNがコンクリート骨組を読み取る仕組み
このモデルは、垂直方向の構造シーケンスと水平方向の空間パターンを分離し、その両方の表現を組み合わせることで優位性を得る。
ネットワークは3種類の情報を受け取る。9つのグローバルパラメータが建物全体を記述し、8つのローカルパラメータが各鉄筋コンクリート柱を記述する。別個のマスクは、平面図内における柱の物理的な位置を記録する。
グローバル変数には、幅広い幾何学的特性と材料特性が含まれる。ローカル特徴量には、平面内の両方向における横剛性、塑性せん断耐力、回転能力などの特性が含まれる。これらの入力により、モデルは個々の部材と、それらを含む構造物の双方に関する情報を得る。
平面図は、各辺50メートルの正方形を表す50×50のグリッドになる。1メートル四方の各セルは、その位置に柱があるかどうかを示す。この研究では柱が鉛直方向に整列していると仮定しているため、1つのマスクで全階の配置を表現できる。
このマスクは装飾的な追加要素ではない。畳み込み層に対し、どのグリッド位置に実際の構造要素が存在するかを伝える。また、空白部分やパディング値が物理的情報として誤認されることを防ぐ。
研究者は構造物を50本の並列ブランチに分割する。各ブランチは、建物の高さ方向にわたる柱配置候補の1列を処理する。各階は垂直方向のシーケンスにおける1点となり、再帰型ネットワークはローカルな特性が階をまたいでどのように関連するかを追跡できる。
長短期記憶（LSTM）は、系列全体にわたって関連情報を保持するよう設計された再帰型ニューラルネットワークのアーキテクチャである。ここでの系列は時系列ではなく、鉛直方向の空間的な系列である。各ステップは連続する階に対応する。
50本の各ブランチには、64ユニットのLSTM層が2層積み重ねられている。マスキング層は、系列に利用可能な構造データがない場合のパディング済みエントリーを無視する。これにより、同じアーキテクチャで階数の異なる建物を処理できる。
ブランチの出力は新たな二次元行列として配置される。この行列は柱位置マスクと組み合わされ、2チャネル画像となる。その後、畳み込みニューラルネットワークが柱と構造ブランチ間の空間的関係を探索する。
CNNは畳み込み層を2層使用し、最初は32フィルター、次に64フィルターを用いる。プーリング演算は、顕著なパターンを保持しつつ空間表現を縮小する。得られた特徴量は、建物全体に関する9つのパラメーターと結合される。
全結合層は、この結合表現を20の回帰出力へ変換する。回帰とは、各建物を固定のリスクカテゴリーに分類するのではなく、連続的な数値を予測することを意味する。
このアーキテクチャには8,497,164個の学習可能パラメーターがあり、学習後の容量は約100メガバイトである。学習は150エポック実施され、16ギガバイトのメモリーを備えたIntel i7プロセッサー上で約8時間を要した。
学習サンプルの生成には、はるかに大きな計算負荷が必要だった。研究者らは22,576件の有限要素モデルを作成し、そのプッシュオーバー解析を並列実行した。計算設備には、128個の物理コアを備えたAMD EPYC 7713プロセッサーが使用された。
この関係は、地震AIを理解するうえで不可欠である。ニューラルネットワークは計算力学を不要にするのではない。その計算の大部分をデータセット作成と学習に移し、その恩恵を後続の予測全体に広げる。
学習セットには15,856サンプルが含まれ、6,720サンプルはテスト用に残された。研究者らは学習セットの5％を検証と早期停止のために確保した。テスト評価へのリークを減らすため、スケーリングパラメーターは学習データのみから算出した。
等価周期に対するモデル全体の平均絶対誤差は約0.022秒だった。降伏加速度の平均誤差は、損傷制限状態で毎秒毎秒約0.0139メートル、重大損傷状態で0.0134だった。
平均運動学的延性誤差は、両方の限界状態で約0.014だった。研究者らは、これらの誤差は検証対象領域内での実用的な工学利用に許容できるものだとしている。
研究者らは建物高さ別の性能も検証した。2階建ての集計誤差は1.58で、5階建てでは1.62だった。この類似性は、データセットに含まれる各高さのサンプル数が均等ではなかったため重要である。
アブレーション研究では、ハイブリッド設計に実質的な価値があるかを検証した。完全モデルの平均誤差は、論文の集計比較で1.56だった。マスクを除去すると、この値は9.97に上昇した。
LSTMブランチを除去すると誤差は9.68に増加した。畳み込みコンポーネントの除去では最も大きく悪化し、平均値は14.79に上昇した。これらの結果は、鉛直方向の系列処理、空間処理、マスキングがそれぞれ実質的に寄与していることを示唆する。
研究者らは完全なアーキテクチャを、標準的なディープニューラルネットワーク、一次元CNN、LSTMベースライン、XGBoost、Transformerエンコーダーとも比較した。このモデルは、20の全出力においてCNN、LSTM、Transformerのベースラインを有意に上回った。
平均誤差は1.56で、標準的なディープニューラルネットワークの1.95と比べて低かった。XGBoostは個別の2出力でわずかに優れていたが、その差に統計的有意性はなかった。ハイブリッドモデルは残る18出力で有意に優れていた。
こうした比較により、速度の数値だけの場合よりもメカニズムの説得力が増す。より単純なモデルが同じ精度を達成できるなら、高速なネットワークに大きな価値はない。テスト結果は、建物の空間構造を維持することが、標的変数の大半にわたる予測を改善することを示している。
合成されたイタリアの建物がモデルの限界を規定する
最大の不確実性は推論速度ではなく、シミュレーションされたイタリアの対象領域外にある建物でも性能が維持されるかどうかだ。
22,576件のすべてのサンプルは有限要素シミュレーションから得られた。このモデルは、観測された地震被害を持つ数千棟の実在建物で学習されたものではない。対象値は、特定のモデリングおよび設計パイプラインの出力を再現している。
合成データには重要な利点がある。研究者らは形状や材料を体系的に変化させ、完全なラベルを生成し、被害地震を待つことなく多様な構成を検証できる。また、データセット全体で用いる仮定も制御できる。
しかし、代理モデルは、それを学習させたシミュレーションの盲点を引き継ぐ可能性がある。有限要素表現がある破壊メカニズムを省略している場合、ニューラルネットワークは経験からそのメカニズムを回復できない。学習するのはシミュレーションの写像であり、物理的現実の全体ではない。
古い建物には、理想化されたモデルでは十分に捉えにくい条件も存在する。施工上の逸脱、腐食、記録されていない改修、充填壁、基礎の挙動、不規則な増築、材料劣化はいずれも地震応答に影響し得る。
この研究は、鉛直方向に整列した柱と単一のスラブ方向を持つ長方形平面に焦点を当てた。研究者らは、戦後イタリアに関連する施工慣行の下で重力荷重用に設計された構造をモデル化した。これらは意味のある選択だが、明確な適用範囲の境界も生み出す。
著者らが検証したのは2階から5階の建物である。マスキングにより、ネットワークを再設計せずに、より短いまたは長い系列をソフトウェアが受け入れられる。この技術的な互換性は、1階建てや6階以上の構造物に対する精度を保証するものではない。
論文はこれを今後の研究課題として明示している。より高い建物と低い建物をテストすることは、学習時に表現されていない範囲のケースに対する性能、すなわち分布外一般化を検証することになる。
地理的な移転には、より大きな課題がある。ロサンゼルス、イスタンブール、カトマンズ、東京のコンクリートフレームには、異なる規準、材料、配筋慣行、スパン構成、基礎、改修履歴が反映され得る。イタリアのフレームで学習したモデルが、これらの建物群に対して正確だと想定すべきではない。
イタリア国内であっても、入力データの負担は大きい。各柱について必要な8つの局所パラメーターは、道路レベルの写真や建物の平面形状だけでは得られない。機関には、信頼できる構造記録、工学的推定、またはそれらの値を導出する別の検証済み手法が必要となる。
こうした入力の不確実性は、直接検証に値する。ネットワークは不確実な測定値から精密な数値を返すことができ、その結果、誤解を招く確信の印象を生みかねない。運用ソフトウェアは、もっともらしい入力範囲に応じて出力がどのように変化するかを示すべきである。
それでも、報告された検証は単一の学習・テスト分割より広範である。研究者らは異なるランダムシードで追加の学習を5回繰り返した。その結果得られた誤差間の変動は限定的だったと報告している。
また、層化5分割交差検証も実施した。各分割では、異なる高さの建物の比率が維持された。分割間の変動が小さいことは、結果が一つの有利なデータ分割に左右されたものではないことを示唆する。
この証拠は、生成されたデータセット内での内部的な信頼性を裏付ける。ただし、独立に収集された建物、別の有限要素法上の仮定、あるいは実際の地震からの観測に対する外部検証の代わりにはならない。
過去の研究は、この区別が重要である理由を示している。機械学習モデルは、学習サンプルとテストサンプルが同じシミュレーション過程に由来する場合、強いテスト性能を示すことがある。実際の建設には、その過程が生成しなかった変数、誤差、組み合わせが持ち込まれる。
したがって現時点におけるネットワークの適切な役割は、トリアージと分析的な確認である。エンジニアは、能力パラメーターの桁を推定し、多数の類似構造を比較し、詳細な検討が必要なケースを特定するために利用できる。
建物が設計地震に耐えられるかどうかを、これだけで判断すべきではない。また、目視可能な損傷、重要な用途、ピロティ階の挙動、または不十分な記録が他の懸念を生む場合、低リスク評価を理由に点検を先送りすべきでもない。
主な対比は、迅速なスクリーニングと詳細シミュレーションの間にあり、ソフトウェアと専門家の判断の間ではない。各手法は異なる問いに答える。スクリーニングは、限られた解析上の注意を最初にどこへ向けるべきかを問う。詳細な工学評価は、特定の構造が安全にどこまで耐えられるか、またどのように補強すべきかを問う。
この違いは、調達および規制においても明確に保たれなければならない。「AI地震評価」を導入する機関には、文書化された限界、データ品質要件、不確実性分析、バージョン管理、エスカレーション規則が必要である。レイテンシーの数値だけでは、こうした保護策を提供できない。
都市規模での導入前に必要なこと
University of Salernoのモデルが実用的なスクリーニングツールとなるか、強力な研究成果にとどまるかは、3つのシグナルによって決まる。
第一のシグナルは、実在する建物ポートフォリオに対する独立検証である。信頼できる試験には、既存図面、現地調査による寸法、材料の不確実性、そして元のシミュレーションパイプラインで生成されていない構造物を含めるべきである。
最も有益な比較では、同じ建物に対してネットワークと独立した非線形モデルを実行する。そうすればエンジニアは、平均精度、極端な誤差、順位付けの安定性、異例の構造構成における性能を検証できる。
観測された地震データは、さらに別の層を加える。研究者らは、モデル由来の耐力推定値を、大きな揺れの後に記録された被害パターンと比較できる。このような証拠は、シミュレーションとの一致が現実世界で有用なリスク識別に結び付くかを検証することになる。
外部試験でも報告された性能が維持されれば、建物ポートフォリオのスクリーニングを支持する根拠は大幅に強まる。不規則な建物、改修された建物、劣化した建物で大きな誤差が生じるなら、モデルを責任を持って利用できる範囲は狭まる。
第二のシグナルは、2階から5階のイタリアのフレームを超えた拡張である。アーキテクチャは技術的には異なる系列長を処理できるが、論文はテスト済み範囲外での精度を実証していない。
今後のデータセットには、より高い建物、1階建て構造、非長方形平面、整列していない柱、多様なスラブシステム、追加の材料区分を含めるべきである。また、複数の地震多発地域における規準の変遷と施工慣行も表現すべきだ。
モデルは一つの汎用ネットワークになる必要はない。地域別または建物タイプ別のモデルの方が、安全で検証もしやすい可能性がある。共有アーキテクチャは、個別に管理されたデータセットと較正済みバージョンを支えられる。
追加サンプルと同じくらい文書化も重要になる。利用者には、許容される形状、高さ、材料、構造システム、入力の不確実性を定義した明確な適用範囲の説明が必要である。ソフトウェアは、確信があるように見える予測を返すのではなく、対応していないケースを拒否すべきである。
より広範なモデルが精度を維持すれば、このアプローチは地域の建物インベントリーを支え始める。性能が急激に低下するなら、その価値は慎重に一致させたイタリアの建物分類に集中したままとなる可能性がある。
第三のシグナルは、統制されたエンジニアリングワークフローへの統合である。迅速な推論が実用的な価値を持つのは、チームが信頼できる入力を作成し、出力を解釈し、不確実なケースをエスカレーションできる場合に限られる。
運用システムには、構造化された建物記録と、それをネットワーク入力へ繰り返し変換する仕組みが必要となる。また、各評価時点のモデルバージョン、入力値、不確実性に関する仮定、出力を示す監査ログも求められる。
専門のレビュアーは、予測結果と、その案件が優先された理由の両方を確認できるべきだ。結果は最終的な安全認証ではなく、スクリーニングの根拠として示す必要がある。判断のしきい値に近い建物には、より保守的な扱い、または詳細な解析を適用すべきである。
このモデルは、組み合わせたワークフローも支援できる。従来の有限要素解析結果とネットワークによる推定値を自動比較できるため、大きな乖離があれば、モデリング上の誤り、特異な構造挙動、あるいは適用範囲外の建物である可能性を示せる。
こうしたセカンドオピニオンとしての役割は、自律的なポートフォリオ順位付けよりも早く実現するかもしれない。エンジニアリング企業はすでに、重要プロジェクト向けに詳細なモデルを作成している。高速なサロゲートモデルは、主要な耐力パラメータが想定範囲内にあるかを低コストで確認する手段となり得る。
都市規模での活用には、より強固なデータ基盤が必要だ。公開台帳には住所、建設時期、階数が含まれていることが多い一方で、柱単位の特性は欠けている。こうした差を埋めるには、図面のデジタル化、対象を絞った調査、コンピュータービジョン、または慎重に範囲を限定した推定手法が考えられる。
自動化のレイヤーを追加するたびに、固有の不確実性が生じる。設計図から柱寸法を抽出すること、配筋を推定すること、材料強度を見積もることは、それぞれ個別に検証しなければならない。そうでなければ、下流の予測精度が上流のデータ誤りを覆い隠してしまう可能性がある。
より広い研究分野では、耐震評価の高速化に向けた動きが進んでいる。機械学習モデルは現在、複数種類の構造データから、層間変形、損傷状態、脆弱性、耐力を推定している。Salernoの研究は、階ごとの関係性と平面形状の双方を保持することで、この方向性を前進させた。
したがって、70ミリ秒という結果は重要だが、速度は導入に関する問いの出発点にすぎない。決定的な証拠は、独立した建物、より広範な構造領域、そして不確実性を第一級の出力として扱うワークフローから得られるだろう。
エンジニア、都市計画担当者、建物所有者にとって、次の段階はニューラルネットワークと有限要素解析のどちらかを選ぶことではない。高速な推定が、より深い調査の対象を安全に絞り込める範囲を定義することだ。
University of Salernoの耐震AIは、検証済みの鉄筋コンクリートフレームの範囲内で、それを実現する信頼できる仕組みを提供する。学習規模、比較ベンチマーク、エンジニアリング向け出力により、これは概念実証以上の存在となっている。一方で、合成データと限定的な構造範囲を踏まえれば、慎重な運用も必要である。
外部ポートフォリオでの試験、地理的により広範なデータセット、文書化されたエンジニアリング導入に注目したい。この3つの進展があれば、実際のスクリーニング用途に向けた根拠は強まる。それまでは、機関は70ミリ秒の予測を答えとして扱うべきなのか。それとも、1時間を要するモデルで検討すべき問いを、より速く見極める手段として扱うべきなのか。
