コンクリート配合は、長い間「経験」と「試験」に支えられてきました。セメント、水、細骨材、粗骨材、混和材、混和剤の量を調整し、スランプ、空気量、圧縮強度、養生期間、施工性、コストを確認する。現場やプラントごとの材料特性を踏まえ、技術者が試験練りを繰り返しながら配合を決める。これは、建設材料の品質を守るうえで重要なプロセスです。
しかし、これからのコンクリート配合設計では、従来よりも多くの条件を同時に満たす必要があります。
強度を確保するだけでは不十分です。施工現場で扱いやすいワーカビリティ、早期脱型や早期開放に必要な初期強度、長期耐久性、ひび割れリスク、地域材料の入手性、材料コスト、CO₂排出量、サプライチェーンの安定性まで考える必要があります。特に低炭素建設では、セメント量を減らし、フライアッシュやスラグなどの補助的セメント系材料を活用しながら、必要な強度と施工性を両立させることが求められます。
そこで注目されているのが、AI材料設計です。
Metaは2026年に、コンクリート配合を設計するAIモデル「Bayesian Optimization for Concrete」、通称BOxCreteを公開し、同時に開発に使った基礎データも公開したと発表しました。Meta Engineeringの記事では、BOxCreteが従来モデルよりノイズの多いデータに強く、スランプ予測などの新機能も備えたコンクリート配合設計モデルとして紹介されています。
コンクリート配合は、「経験と試験だけで決める」時代から、「経験・試験・AIを組み合わせて最適化する」時代へ進みつつあります。
AI材料設計とは何か
AI材料設計とは、材料の配合、性能、コスト、環境負荷、施工性に関するデータをAIで分析し、目的に合う材料候補を効率よく探索する考え方です。建設分野では、コンクリート、モルタル、舗装材料、補修材、3Dプリント用材料、低炭素セメント系材料などへの応用が期待されています。
コンクリートの場合、AI材料設計で扱う主な変数は以下のように整理できます。
| 項目 | 具体例 | AIで最適化したい内容 |
|---|---|---|
| 結合材 | セメント、フライアッシュ、スラグ、石灰石微粉末など | 強度、CO₂排出量、コスト、供給安定性のバランス |
| 骨材 | 細骨材、粗骨材、再生骨材、地域骨材 | ワーカビリティ、強度、乾燥収縮、材料入手性 |
| 水 | 水結合材比、単位水量 | 強度、流動性、耐久性、ひび割れリスク |
| 混和剤 | 高性能AE減水剤、遅延剤、促進剤など | スランプ保持、施工性、初期強度、気温対応 |
| 養生条件 | 養生温度、材齢、湿潤条件 | 初期強度、28日強度、長期性能 |
| 施工条件 | 打設方法、ポンプ圧送、気温、湿度、運搬時間 | 現場での扱いやすさ、品質ばらつき |
| 環境指標 | GWP、セメント使用量、輸送距離 | CO₂削減、低炭素認証、調達条件 |
| コスト | 材料費、試験費、施工費 | 性能と価格の最適バランス |
従来の配合設計では、技術者が過去の経験や既存配合をもとに候補を作り、試験練りで検証していました。AI材料設計では、過去の試験データや材料データを学習し、「次に試すべき配合候補」をAIが提案します。
重要なのは、AIが技術者を置き換えるわけではないという点です。AIは、膨大な組み合わせの中から有望な候補を絞り込み、試験回数や開発期間を減らすための支援ツールです。最終的な判断には、材料技術者、施工者、品質管理者、発注者の確認が必要です。
なぜ今、コンクリート配合にAIが必要なのか
コンクリート配合にAIが必要になっている理由は、配合設計が単純な強度設計ではなくなっているからです。
かつては、28日圧縮強度、スランプ、コストを中心に配合を決める場面が多くありました。しかし現在は、以下のような条件を同時に満たす必要があります。
- 所定の28日圧縮強度を満たす
- 初期強度を早く発現させる
- スランプやワーカビリティを確保する
- ポンプ圧送や仕上げに適した施工性を保つ
- セメント使用量を抑えてCO₂排出量を下げる
- 地域で入手可能な材料を使う
- 材料費を抑える
- 季節や気温の違いに対応する
- ひび割れや収縮のリスクを抑える
- 発注者の環境性能要求に対応する
Metaは、コンクリート配合が強度、速度、扱いやすさ、コスト、持続可能性といった競合する要求を同時に満たす必要があり、従来の配合設計は試行錯誤、技術者の直感、蓄積された経験に大きく依存するため、適応に時間とコストがかかると説明しています。
特に低炭素コンクリートでは、配合設計がさらに難しくなります。セメントはコンクリートの強度発現に重要ですが、製造時のCO₂排出が大きい材料です。セメント量を減らし、フライアッシュやスラグなどを活用すれば環境負荷を下げられる可能性がありますが、初期強度、凝結時間、仕上げ性、供給安定性に影響が出る場合があります。
Metaの低炭素コンクリートに関する記事でも、現代の建設では強度やコストだけでなく、持続可能性、養生速度、ワーカビリティ、仕上げ性も最適化する必要があると説明されています。
つまり、AI材料設計は「人の経験が不要になる技術」ではありません。複雑化した配合設計を、経験とデータの両方で支えるための技術です。
BOxCreteが示すAI配合設計の実用化
Metaが公開したBOxCreteは、コンクリート配合設計にAIを使う流れを象徴する事例です。
BOxCreteは、Bayesian Optimization for Concreteの略で、ベイズ最適化を活用したコンクリート配合設計フレームワークです。Metaの発表によると、BOxCreteはコンクリート配合を設計する新しいAIモデルであり、GitHub上でオープンソースとして公開されています。
BOxCreteのGitHubリポジトリでは、モデルとデータが以下の性能予測に使われると説明されています。
| 対象 | 内容 |
|---|---|
| 圧縮強度 | コンクリート・モルタル配合の強度を予測 |
| GWP | 配合に関連する地球温暖化係数を扱う |
| スランプ | ワーカビリティの重要指標であるスランプを予測 |
| 配合材料 | セメント、フライアッシュ、スラグ、細骨材、粗骨材、混和剤、水などを扱う |
GitHubでは、BOxCreteデータが複数の材齢における強度測定、GWP値、複数材料ソースを含む統合データセットであり、モデル学習に使われていると説明されています。
また、BOxCreteに関する論文では、123種類の配合、500件超の強度測定、複数の材齢データを用い、圧縮強度と embodied carbon を多目的最適化するオープンソースの確率モデリング・最適化フレームワークとして紹介されています。
BOxCreteの実務的な意味は、単に「AIが配合を計算する」ことではありません。配合候補をAIが提案し、試験結果を反映し、さらに次の候補を改善するという、実験と学習のサイクルを作れる点にあります。
AI配合設計で最適化できる主な項目
AI材料設計は、コンクリートの性能を一つだけ改善する技術ではありません。強度、施工性、コスト、環境性能を同時に見ながら、最適な妥協点を探す技術です。
| 最適化項目 | 現場での意味 | AI活用のポイント |
|---|---|---|
| 28日圧縮強度 | 構造性能を満たす基本条件 | 必要強度を満たす配合候補を絞り込む |
| 初期強度 | 脱型、早期開放、工程短縮に影響 | 1日、3日、5日などの強度発現を予測 |
| スランプ | 打設しやすさ、ポンプ圧送性、仕上げ性に影響 | 材料配合と混和剤条件からワーカビリティを予測 |
| 養生速度 | 工期、型枠存置期間、次工程開始に影響 | 温度や材齢を踏まえた強度曲線を予測 |
| CO₂排出量 | 低炭素建設、環境認証、発注者要求に影響 | セメント使用量やSCM比率を含めて最適化 |
| 地域材料 | 調達性、輸送距離、コスト、品質ばらつきに影響 | 材料ソースごとの性能差を学習 |
| コスト | 材料費、試験費、施工費に影響 | 性能を満たしながら過剰品質を抑える |
| ひび割れリスク | 耐久性、補修費、品質クレームに影響 | 収縮、初期強度、温度条件を組み合わせて評価 |
| 施工性 | 現場での打設・締固め・仕上げに影響 | 試験データと現場実績を組み合わせて改善 |
Metaの低炭素コンクリート開発では、圧縮強度、養生速度、スランプ、サステナビリティを重要指標として扱い、コンクリート配合を学習・最適化するAIパイプラインを構築したと説明されています。
この考え方は、建設会社や材料メーカーにも応用できます。たとえば、橋梁床版、トンネル覆工、建築スラブ、土木構造物、プレキャスト部材、3Dプリント用モルタルなど、用途ごとに求められる性能を設定し、AIで候補配合を絞り込むことができます。
「強度だけ」ではなく「施工性」まで見る時代へ
コンクリート配合で重要なのは、試験室で強度が出ることだけではありません。現場で打設できること、ポンプで送れること、締固めしやすいこと、仕上げやすいこと、気温や運搬時間に対応できることが必要です。
低炭素配合では、セメント量を減らすほど環境性能は改善しやすくなりますが、初期強度が出にくい、凝結が遅れる、仕上げタイミングが変わる、材料のばらつきが大きくなるといった問題が起こる場合があります。
そのため、AI材料設計では、強度とCO₂だけでなく、現場施工性を含めて最適化する必要があります。
| 現場条件 | 配合設計への影響 | AIで見たいデータ |
|---|---|---|
| 夏季の高温 | スランプロス、凝結時間、ひび割れリスク | 気温、湿度、打設時間、スランプ変化 |
| 冬季の低温 | 初期強度の遅れ、養生期間の延長 | 養生温度、材齢別強度、脱型時期 |
| 長距離運搬 | スランプ低下、品質ばらつき | 出荷時刻、到着時刻、運搬時間、再添加情報 |
| ポンプ圧送 | 閉塞リスク、材料分離 | 粘性、スランプ、骨材粒度、圧送距離 |
| 床スラブ施工 | 仕上げ性、平坦性、ひび割れ | 仕上げ時間、表面品質、収縮傾向 |
| プレキャスト | 早期脱型、寸法安定性 | 初期強度、温度履歴、脱型時刻 |
MetaのRosemountデータセンターの事例では、AIで最適化された配合が、構造性能だけでなく、ワーカビリティや仕上げ性能を確認する追加試験を経て実施工に適用されたと説明されています。
これは、AI材料設計が「計算上の最適配合」を出すだけでは不十分であり、現場条件に耐えられるかを試験・施工で検証する必要があることを示しています。
低炭素建設とAI材料設計
建設分野でAI材料設計が注目される最大の理由の一つが、低炭素化です。
コンクリートは建設に不可欠な材料ですが、セメント製造時のCO₂排出が大きな課題です。Metaは、コンクリート生産が世界のCO₂排出量の約8％を占めるとするWorld Economic Forumの情報を引用し、データセンター建設の embodied carbon 削減において低炭素コンクリートが重要であると説明しています。
低炭素コンクリートでは、以下のような工夫が考えられます。
- セメント使用量を減らす
- スラグやフライアッシュなどのSCMを活用する
- 地域で調達できる材料を使い輸送負荷を下げる
- 必要性能に対して過剰な配合を避ける
- 初期強度と長期強度のバランスを最適化する
- 材料試験の回数を効率化する
- 用途ごとに性能要求を見直す
ただし、低炭素化は単純にセメントを減らせばよいわけではありません。強度発現が遅れれば工期が延びる可能性があります。ワーカビリティが悪ければ施工不良につながります。材料供給が不安定であれば、現場ごとに品質がばらつきます。
AI材料設計は、こうしたトレードオフを整理するために有効です。強度、CO₂、施工性、コストを同時に見ながら、用途に合った配合候補を探すことができます。
建設会社・材料メーカーにとっての実務メリット
AI材料設計は、研究開発だけでなく、建設会社、材料メーカー、生コン工場、プレキャスト工場、発注者にとって実務メリットがあります。
| 立場 | 期待できるメリット |
|---|---|
| 建設会社 | 工期短縮、品質ばらつき低減、低炭素提案、施工リスク低減 |
| 生コン工場 | 試験練りの効率化、材料変更への対応、顧客別配合提案 |
| 材料メーカー | 低炭素材料や混和材の性能提案、新配合の開発短縮 |
| プレキャスト工場 | 早期脱型、寸法安定性、量産品質の最適化 |
| 発注者 | 環境性能、品質、コストを比較しやすい調達基準の整備 |
| 設計者 | 性能規定型の材料選定、構造・環境性能の両立 |
| 施工管理者 | 気象条件や工程に応じた配合選定、品質管理の高度化 |
特に重要なのは、AI材料設計が「標準配合を置き換える」だけではない点です。地域材料、季節条件、現場制約、施工用途に応じて、配合を調整しやすくなります。
たとえば、同じ設計基準強度でも、以下のように配合の優先順位は変わります。
| 用途 | 優先すべき性能 |
|---|---|
| 建築スラブ | 仕上げ性、平坦性、ひび割れ抑制、施工性 |
| 橋梁床版 | 耐久性、強度、塩害抵抗性、収縮抑制 |
| トンネル覆工 | ポンプ圧送性、充填性、初期強度 |
| プレキャスト部材 | 早期脱型、寸法精度、量産安定性 |
| 3Dプリント材料 | 押出性、積層保持性、早期硬化、形状安定性 |
| 災害復旧 | 早期強度、現地施工性、材料調達性 |
AI材料設計は、こうした用途別の要求をデータ化し、配合設計をより柔軟にする可能性があります。
APEX視点：材料から施工品質までデータで見る
APEXのように、ドローン、SLAM、点群、BIM/CIM、AI活用に強みを持つ企業にとって、AI材料設計は「材料開発」だけでなく、「施工品質のデータ管理」と組み合わせることで価値が高まります。
コンクリートの品質は、配合だけで決まりません。打設時の気温、湿度、運搬時間、打込み方法、締固め、養生、施工後の出来形、ひび割れ、沈下、表面状態まで含めて評価する必要があります。
APEX向けには、以下のような連携が考えられます。
| データ | 取得方法 | AI材料設計との連携 |
|---|---|---|
| 配合データ | 生コン工場、試験練り、材料メーカー | 強度・施工性・CO₂の予測モデルに使う |
| 品質試験データ | 圧縮強度試験、スランプ、空気量、温度 | 配合候補の検証とモデル改善に使う |
| 気象データ | 現場センサー、気象API、WBGT計 | 養生、スランプロス、初期強度予測に使う |
| 施工データ | 打設時刻、運搬時間、ポンプ圧送距離、締固め記録 | 現場条件による品質ばらつき分析に使う |
| 点群データ | UAV LiDAR、SLAM、地上レーザー | 出来形、沈下、変形、表面不陸の確認に使う |
| BIM/CIM | 設計モデル、施工モデル、属性情報 | 部位ごとの配合・品質・CO₂を管理する |
| 画像データ | ドローン、定点カメラ、スマホ写真 | ひび割れ、表面状態、施工進捗の確認に使う |
このように、材料配合データと施工データをつなぐことで、「AIで最適化した配合が、実際の現場でどのような品質になったか」を確認できます。
たとえば、低炭素配合を使った床スラブで、点群による平坦性確認、ひび割れ画像解析、強度試験結果、養生温度データを紐づければ、次の配合改善に使えるデータになります。
AI材料設計は、研究室の中だけで完結するものではありません。施工現場で得られるデータとつなげることで、材料から出来形まで一貫した建設DXになります。
KPIで見るAI材料設計の効果
AI材料設計の効果は、「AIを使ったかどうか」ではなく、品質、コスト、環境性能、開発期間、施工性のKPIで評価する必要があります。
| KPI項目 | 内容 | 改善に使えるポイント |
|---|---|---|
| 試験練り回数 | 目標性能に到達するまでの試験回数 | 開発期間と試験コストの削減 |
| 配合開発期間 | 新配合の検討開始から実施工可能になるまでの期間 | 新材料・低炭素材料の導入加速 |
| 28日圧縮強度達成率 | 設計基準強度を満たした配合の割合 | 品質安定性の確認 |
| 初期強度達成時間 | 所定の初期強度に到達するまでの時間 | 脱型、早期開放、工程短縮 |
| スランプ適合率 | 現場到着時に所定スランプを満たした割合 | 施工性、圧送性、仕上げ性の改善 |
| CO₂削減率 | 従来配合と比べたGWP削減率 | 低炭素建設の成果確認 |
| セメント使用量削減率 | 単位セメント量の削減割合 | 環境負荷と材料費の削減 |
| 地域材料利用率 | 地域で調達した材料の割合 | 輸送負荷、調達リスク低減 |
| 材料コスト差 | 従来配合とAI提案配合の材料費差 | 経済性の確認 |
| 品質ばらつき | 強度、スランプ、空気量などのばらつき | プラント・現場品質管理の改善 |
| 出来形適合率 | 点群や出来形計測で設計値を満たした割合 | 材料と施工品質の接続 |
| ひび割れ発生率 | 打設後のひび割れ発生割合 | 配合・養生・施工条件の改善 |
重要なのは、環境性能だけで評価しないことです。CO₂を減らしても、施工性が悪化し、手直しや工期延長が増えれば、現場全体の効率は下がります。AI材料設計では、CO₂、強度、施工性、コストを同時に見る必要があります。
導入時に注意すべきポイント
AIだけで配合を決めない
AIが提案した配合は、あくまで候補です。実施工に使うには、材料試験、強度確認、施工性確認、耐久性確認、発注者承認、規格適合が必要です。
特に公共工事や構造物では、仕様書、JIS、発注者基準、構造設計条件を満たす必要があります。AIの予測値だけで判断するのではなく、試験と専門家レビューを組み合わせるべきです。
データ品質が成果を左右する
AI材料設計は、入力データの品質に大きく依存します。材料名が統一されていない、試験条件が記録されていない、材齢が不明、養生温度が分からない、スランプ試験の条件がばらばら、といった状態では、AIの予測精度は上がりません。
データ項目を統一し、試験結果を構造化して蓄積することが重要です。
地域材料の違いを無視しない
同じ「フライアッシュ」や「スラグ」でも、産地、ロット、季節、品質によって性能は変わります。骨材も地域によって吸水率、粒度、形状、表面性状が異なります。
AI材料設計では、材料の種類だけでなく、材料ソースや品質試験値も記録する必要があります。
施工データまでつなげる
試験室で良い結果が出ても、現場でうまく施工できるとは限りません。運搬時間、気温、ポンプ圧送、打設順序、締固め、養生によって品質は変わります。
AI材料設計を実務で使うなら、配合データと施工データを分けずに管理することが重要です。
低炭素化と工期短縮のトレードオフを確認する
低炭素配合は、初期強度の発現が遅くなる場合があります。工程上、早期脱型や早期開放が必要な場合は、CO₂削減率だけでなく、初期強度と工期への影響を評価する必要があります。
AIは、このトレードオフを可視化するために使うべきです。
現場で使えるAI材料設計チェックリスト
AI材料設計を検討する際は、以下の項目を整理すると実務に落とし込みやすくなります。
- 対象は建築スラブ、土木構造物、プレキャスト、3Dプリント材料、補修材のどれか
- 目標とする圧縮強度、スランプ、空気量、耐久性を定義しているか
- 初期強度と28日強度の両方を管理するか
- CO₂削減率やGWPをKPIに入れるか
- セメント、SCM、骨材、混和剤の材料ソースを記録しているか
- 試験練りデータを構造化して蓄積しているか
- 気温、湿度、養生温度、運搬時間を記録しているか
- 配合データと現場施工データを紐づけているか
- 点群や画像で出来形・表面状態を確認するか
- 発注者基準やJISへの適合を確認するプロセスがあるか
- AI提案配合を人間の専門家がレビューする体制があるか
- 試験結果をAIモデル改善に戻す仕組みがあるか
- 低炭素化、施工性、コストの優先順位を決めているか
- 配合ごとのCO₂、コスト、強度を比較できるダッシュボードがあるか
このチェックリストの目的は、AIを導入すること自体ではありません。材料、試験、施工、出来形をデータでつなぎ、より良い配合と施工品質を継続的に作ることです。
まとめ
AI材料設計は、コンクリート配合を「経験と試験だけ」で決める従来型の方法から、強度、施工性、養生速度、CO₂排出量、地域材料、コストを同時に最適化する建設DXへ進化させる技術です。
Metaが公開したBOxCreteは、AIを活用したコンクリート配合設計が実用段階に近づいていることを示す事例です。BOxCreteは、圧縮強度、GWP、スランプなどを扱い、ベイズ最適化によって配合候補を探索するオープンソースのモデルとして公開されています。
ただし、AIは配合設計の最終判断者ではありません。AIが候補を出し、試験で検証し、現場で施工性を確認し、結果を再びデータとして蓄積する。このサイクルが重要です。
これからの建設材料開発では、コンクリートを「強度だけ」で見るのではなく、ワーカビリティ、初期強度、養生、CO₂、コスト、地域材料、現場条件まで含めて評価する必要があります。KPIとしては、試験練り回数、配合開発期間、強度達成率、スランプ適合率、CO₂削減率、品質ばらつき、出来形適合率を管理することが有効です。
APEXが持つドローン、SLAM、点群、BIM/CIM、施工データ活用の技術とAI材料設計を組み合わせれば、材料から施工品質までを一体で管理できます。配合データ、品質試験データ、気象データ、施工データ、点群による出来形確認をつなげることで、コンクリートは「配合経験」から「AI最適化」へ進化していくでしょう。
