建設プロジェクトのリスクは、地上に見えているものだけで決まりません。むしろ大きなリスクは、地盤の中に隠れています。
支持層が想定より深い。軟弱地盤が広がっている。地下水位が高い。過去の埋戻しや旧河道が残っている。掘削中に湧水が出る。斜面が予想以上に不安定になる。トンネル施工で地山条件が急変する。こうした地盤条件の読み違いは、設計変更、工期遅延、追加調査、施工手戻り、事故、コスト増加につながります。
これまで地盤調査では、ボーリング柱状図、N値、土質試験、地形図、地質図、現地踏査、技術者の経験が重要な役割を果たしてきました。これらは今後も不可欠です。しかし、地盤データが増え、遠隔探査、点群、衛星、施工履歴、地下水観測データが使えるようになる中で、地盤を「読む」だけでなく、「予測する」技術が求められています。
そこで注目されているのが、地盤AIです。
地盤AIとは、ボーリング柱状図、土質試験、地形、地下水、地中レーダー、施工履歴、遠隔探査データなどをAIで統合し、地盤条件や土の挙動、施工リスクを予測する技術です。地盤工学分野では、AIの活用領域として、知的な地盤調査、土の挙動予測、設計・施工プロセスの最適化が整理されています。University of Cambridgeも、AIが地盤工学において知的な地盤調査、土の挙動予測、設計・施工プロセスの最適化に活用される可能性を紹介しています。
これからの地盤調査は、紙の柱状図や個別データを読むだけではありません。地上と地下のデータを統合し、地盤リスクを予測モデルとして扱う時代へ進みつつあります。
地盤AIとは何か
地盤AIとは、地盤に関する多様なデータを機械学習や統計モデル、物理モデル、生成AI、地盤デジタルツインと組み合わせ、地盤条件や施工リスクを推定・予測する技術です。
対象となるデータは、ボーリング柱状図や土質試験だけではありません。地形、地質、地下水、地中レーダー、衛星データ、施工記録、点群、地表変位、過去の災害履歴も含まれます。
| データ | 内容 | AIで使う目的 |
|---|---|---|
| ボーリング柱状図 | 土層構成、N値、地下水位、孔口標高 | 支持層深度、軟弱層、地層境界の推定 |
| 土質試験 | 含水比、粒度、密度、一軸圧縮、三軸試験など | 強度、変形、透水性、沈下特性の予測 |
| 地形データ | DEM、等高線、傾斜、谷地形、旧河道 | 地盤リスク、斜面安定、軟弱地盤候補の把握 |
| 地質図・土地履歴 | 地質区分、造成履歴、埋立履歴 | 地盤不均質性、地質リスクの初期評価 |
| 地下水データ | 水位、季節変動、湧水記録 | 掘削・山留め・トンネル施工リスクの予測 |
| 地中レーダー・物理探査 | 埋設物、空洞、反射異常 | 地下異常候補の抽出 |
| 点群・写真 | 地形、法面、構造物、施工状況 | 地上変状と地下リスクの接続 |
| 施工履歴 | 掘削、杭施工、沈下、変位、湧水、補修履歴 | 予測モデルの検証と改善 |
| モニタリング | 沈下計、傾斜計、間隙水圧、GNSS | 施工中の地盤挙動予測とアラート |
AIの役割は、技術者の経験を置き換えることではありません。複数のデータから見落としやすいパターンを見つけ、地盤リスクの候補を示し、設計・施工判断を支援することです。
なぜ地盤調査にAIが必要なのか
地盤は本質的に不確実です。ボーリングは重要な調査ですが、点の情報です。数本のボーリングから、広い現場全体の地盤を推定する必要があります。地層は連続しているように見えても、実際には旧河道、埋戻し、断層、地下水、人工改変によって大きく変化する場合があります。
| 従来の課題 | AIで期待される補完 |
|---|---|
| ボーリング本数が限られる | 周辺データや地形情報から地層の連続性を推定 |
| 技術者の経験差が出やすい | 判断根拠をデータ化し、リスク候補を可視化 |
| 土質試験に時間と費用がかかる | 既存試験データから物性値を予測・補間 |
| 地下水変動を読み切りにくい | 季節変動や施工履歴から湧水リスクを推定 |
| 施工中に条件が変わる | モニタリングデータで予測モデルを更新 |
| 地盤リスクが図面・報告書に分散する | 3D地盤モデルやリスクマップに統合 |
地盤工学におけるAIの研究動向では、AIが土質特性の推定、基礎工学、トンネル、斜面安定など幅広い領域に使われていることが整理されています。Springerのレビューでは、AIの主な応用領域として、材料特性評価、基礎工学、トンネル、斜面安定が挙げられています。
地盤AIは、調査を省略するための技術ではありません。限られた調査データを最大限活用し、どこに追加調査が必要か、どのリスクを重点的に管理すべきかを判断するための技術です。
ボーリング柱状図は“読む資料”から“学習データ”へ
ボーリング柱状図は、地盤調査の中心的な資料です。土層、N値、地下水位、孔口標高、観察記事、試験結果が記録されています。従来は、技術者が柱状図を読み、断面図を作成し、支持層や軟弱層を判断していました。
地盤AIでは、ボーリング柱状図を学習データとして使います。複数地点の柱状図を読み込み、地層境界、N値分布、地下水位、地盤物性を空間的に補間し、3D地盤モデルやリスクマップを作成できます。
日本では、国土交通省、土木研究所、港湾空港技術研究所が共同で運営する国土地盤情報検索サイト「KuniJiban」があり、国土交通省の道路・河川・港湾事業などで得られたボーリング柱状図や土質試験結果を検索・閲覧できます。
| ボーリングデータ項目 | AIでの活用 |
|---|---|
| 土質区分 | 地層分類、軟弱層・砂層・粘土層の推定 |
| N値 | 支持力、締まり具合、地盤変化の推定 |
| 地下水位 | 掘削時湧水、浮力、山留めリスクの評価 |
| 孔口標高 | 3D地盤モデル作成、地層面の補間 |
| 土質試験結果 | 強度、圧密、透水性、沈下予測に利用 |
| 観察記事 | LLMや自然言語処理による地盤リスク抽出 |
重要なのは、柱状図をPDFとして保管するだけではなく、AIが扱える構造化データとして整備することです。土質名、深度、N値、試験結果、地下水位、座標、標高が機械判読できれば、地盤AIの精度と活用範囲が広がります。
AIで予測できる地盤リスク
地盤AIが扱えるテーマは多岐にわたります。支持力、沈下、液状化、斜面安定、掘削時の湧水、トンネル地山、地盤改良効果など、設計・施工判断に直結するリスクが対象になります。
| 予測対象 | 内容 | 活用場面 |
|---|---|---|
| 支持力 | 杭基礎・直接基礎に必要な支持層や地盤強度を推定 | 基礎形式選定、杭長検討 |
| 沈下 | 圧密沈下、即時沈下、不同沈下の可能性を予測 | 建築基礎、盛土、道路、造成 |
| 斜面安定 | 崩壊リスク、すべり面、降雨影響を評価 | 法面、道路、宅地造成、災害対策 |
| 地下水 | 掘削時湧水、地下水位変動、浮力リスクを予測 | 山留め、地下構造物、トンネル |
| トンネル地山 | 地山等級、支保パターン、湧水、変位を予測 | NATM、シールド、山岳トンネル |
| 掘削リスク | 地盤変状、山留め変位、周辺沈下を予測 | 都市土木、地下工事 |
| 液状化 | 砂質土層、地下水位、地震時リスクを推定 | 港湾、埋立地、河川低地 |
| 地盤改良効果 | 改良範囲、強度発現、ばらつきを推定 | 軟弱地盤対策、基礎補強 |
AIは、過去データから経験的な関係を学習できます。たとえば、地形、N値、土質、地下水位、施工条件を組み合わせ、沈下リスクが高い範囲を予測する。斜面の傾斜、地質、降雨、植生、過去崩壊履歴から、崩壊リスク候補を抽出する。こうした使い方が考えられます。
支持力・沈下予測への応用
基礎設計では、支持力と沈下が重要です。地盤が想定より弱い場合、杭長の変更、地盤改良、基礎形式の変更が必要になります。施工後に不同沈下が発生すると、建物や構造物の機能に大きな影響が出ます。
AI地盤モデルでは、ボーリングデータ、土質試験、地形、周辺地盤情報を使い、支持層深度や沈下リスクを推定できます。
| 入力データ | 予測・判断 |
|---|---|
| N値分布 | 支持層深度、杭先端候補 |
| 粘性土層厚 | 圧密沈下リスク |
| 地下水位 | 有効応力、浮力、施工時湧水 |
| 土質試験 | 圧縮性、強度、透水性 |
| 周辺施工履歴 | 過去の沈下・杭施工トラブル |
| 地形・旧地形 | 旧河道、埋立地、谷埋め盛土の可能性 |
AIによる沈下予測の研究では、浅い基礎の沈下推定に最適化アルゴリズムや機械学習モデルを使う取り組みも進んでいます。ScienceDirect掲載の研究では、基礎沈下の推定に知的最適化アルゴリズムを用い、地盤技術者にとって有効な推定ツールになり得ることが示されています。
ただし、AIの予測値をそのまま設計値にするのではなく、地盤工学の理論、設計基準、試験結果、技術者判断と組み合わせることが重要です。
斜面安定・災害リスクへの応用
斜面安定は、地形、地質、地下水、降雨、植生、過去崩壊履歴が複雑に関係します。AIは、広域の斜面リスクをスクリーニングする用途と相性があります。
| データ | AIでの活用 |
|---|---|
| DEM・点群 | 傾斜、曲率、集水地形、崩壊跡の抽出 |
| 地質図 | すべりやすい地層、風化帯の把握 |
| 降雨データ | 降雨強度、累積雨量と崩壊リスクの関係 |
| 植生・土地利用 | 斜面状態、伐採、造成の影響 |
| 過去災害履歴 | 崩壊しやすい条件の学習 |
| 現地計測 | 変位、傾斜、間隙水圧の予測更新 |
AIによる斜面安定評価は、すべての斜面を詳細調査する前に、優先的に見るべき箇所を抽出する用途で有効です。道路、鉄道、造成地、河川沿い、山間部のインフラ維持管理では、広域スクリーニングとして価値があります。
トンネル・地下工事での地盤AI
トンネルや地下工事では、地盤条件の変化が施工リスクに直結します。地山が想定より悪い、湧水が多い、支保が不足する、地表沈下が大きいといった問題は、工期と安全性に大きく影響します。
地盤AIは、調査データ、施工データ、計測データを組み合わせて、地山条件やリスクの変化を予測する用途に使えます。
| 地下工事のリスク | AIで使えるデータ | 予測・活用 |
|---|---|---|
| 地山不良 | ボーリング、地質図、切羽観察 | 地山等級、支保パターンの候補 |
| 湧水 | 地下水位、透水試験、地形 | 湧水量、排水対策 |
| 地表沈下 | 掘削条件、地盤物性、計測データ | 沈下予測、管理値超過リスク |
| 支保変形 | 計測、地山条件、施工方法 | 変位傾向、補強判断 |
| シールド掘進 | 土質、掘進データ、排土量 | 施工トラブルの予兆検知 |
AIを使えば、施工中に得られる計測データをもとに、予測モデルを更新できます。これは、設計段階の静的な地盤モデルから、施工中に更新される動的な地盤リスクモデルへの転換です。
知的な地盤調査：どこを追加調査すべきか
地盤AIの重要な活用領域は、調査計画そのものの最適化です。どこにボーリングを追加すべきか、どの地点で土質試験を増やすべきか、どの範囲を物理探査するべきかを、AIが支援できます。
ScienceDirectに掲載された研究では、深層強化学習を使い、現地地盤調査の試験地点を適応的に決めるフレームワークが提案されています。この研究では、調査地点数を抑えながら地盤特性評価の精度を保つことを目的に、現場固有の観測に応じて次の試験位置を決める考え方が示されています。
| 調査計画の課題 | AIで支援できること |
|---|---|
| ボーリング本数を増やしすぎると高コスト | 不確実性が高い地点を優先的に選ぶ |
| 調査地点が偏る | 地形・地質・既存データから不足範囲を抽出 |
| 施工中に追加調査が必要になる | 計測データから再調査候補を提案 |
| 土質試験の対象を選びにくい | 設計に影響するパラメータを優先して試験 |
| 地下水リスクを見落としやすい | 地形・過去データから湧水候補を抽出 |
つまり、AIは「地盤調査を減らす」ためだけの技術ではありません。限られた予算と時間で、より意味のある調査を行うための意思決定支援です。
LLM・生成AIによる地盤資料の読み取り
地盤調査報告書には、柱状図、土質試験表、地質断面図、写真、観察記事、設計条件、施工上の留意点が含まれます。これらはPDFや画像、表形式で保存されていることが多く、必要な情報を探すだけでも時間がかかります。
近年は、LLMやマルチモーダルAIを使って、地盤調査報告書や柱状図から設計情報を抽出する研究も進んでいます。ScienceDirect掲載の研究では、LLMを活用した地盤調査計画・地盤特性評価のワークフローが提案され、地下地質断面を不確実性付きで自動生成する可能性が示されています。
| LLM活用 | 具体例 |
|---|---|
| 報告書検索 | 「地下水位が高い地点」「軟弱層が厚い区間」を抽出 |
| 柱状図読み取り | 土質、N値、深度、観察記事を構造化 |
| 地盤リスク要約 | 湧水、沈下、支持層、斜面リスクを要約 |
| 設計条件抽出 | 基礎形式、杭長、許容支持力、施工留意点を抽出 |
| 類似案件検索 | 過去の地盤条件・施工トラブルを検索 |
| 報告書作成支援 | 調査結果、リスク、追加調査案を整理 |
ただし、LLMは誤読や誤要約のリスクがあります。地盤資料の読み取りでは、引用元、ページ番号、数値の確認、技術者レビューを必ず組み合わせる必要があります。
地上と地下をつなぐ3Dリスクモデル
地盤AIの実務価値は、地上データと地下データをつなぐことにあります。
地上では、点群、ドローン写真、地形データ、構造物、法面、施工進捗が取得できます。地下では、ボーリング、土質試験、地下水、地中レーダー、物理探査データがあります。これらを別々に扱うのではなく、3D空間で統合すると、地盤リスクをより分かりやすく管理できます。
| データ層 | 内容 | リスク管理での使い方 |
|---|---|---|
| 地表モデル | 点群、DEM、地形、法面 | 崩壊地形、旧河道、造成履歴の把握 |
| 地下モデル | ボーリング、土質、N値、地下水 | 支持層、軟弱層、地下水リスクの可視化 |
| 探査モデル | 地中レーダー、電磁探査、反射異常 | 空洞、埋設物、地下異常候補 |
| 施工モデル | 掘削範囲、山留め、杭、トンネル | 工事中の影響範囲を確認 |
| モニタリング | 沈下、変位、間隙水圧、湧水 | 施工中に予測モデルを更新 |
| リスクマップ | 沈下、支持力、湧水、斜面 | 追加調査・設計変更・施工管理に活用 |
この3Dリスクモデルにより、設計者、施工者、発注者が同じ地盤リスクを共有しやすくなります。地盤リスクは、報告書の文章だけでなく、空間情報として見える化することが重要です。
KPIで見る地盤AIの効果
地盤AIの導入効果は、「AIを使ったかどうか」ではなく、地盤リスク管理がどれだけ改善されたか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 |
|---|---|---|
| 地盤リスク抽出率 | AIが抽出した軟弱層、地下水、空洞、斜面リスク候補の割合 | 見落とし防止 |
| 追加調査的中率 | AIが提案した追加調査地点で有意な情報が得られた割合 | 調査計画の最適化 |
| ボーリング補間精度 | 既知地点を除外した場合の地層・N値予測精度 | モデル信頼性評価 |
| 設計変更件数 | 地盤条件の読み違いによる設計変更件数 | 初期調査・予測精度の改善 |
| 施工中トラブル件数 | 湧水、沈下、掘削不良、支持層不一致などの件数 | 施工リスク低減 |
| 追加調査時間 | 追加調査判断までにかかった時間 | 意思決定の高速化 |
| 報告書確認時間 | 地盤資料から必要情報を抽出する時間 | LLM・データ検索の効果 |
| 3D地盤モデル更新頻度 | 新しい調査・施工データを反映した頻度 | 継続的なリスク管理 |
| 予測と実測の差分 | 沈下、変位、地下水位などの予測誤差 | モデル改善 |
| 発注者説明時間 | 地盤リスクを説明するための資料作成時間 | 3Dモデル・可視化の効果 |
地盤AIでは、予測の当たり外れを記録し、次の案件へ学習させることが重要です。AIモデルは導入して終わりではなく、実測データと施工結果で改善し続ける必要があります。
建設会社・設計者・自治体での活用イメージ
地盤AIは、建設会社だけでなく、設計者、地質調査会社、自治体、インフラ管理者にとっても有効です。
| 関係者 | 活用イメージ |
|---|---|
| 建設会社 | 掘削、基礎、山留め、トンネル施工のリスクを事前に把握 |
| 設計会社 | 支持層、沈下、地下水、斜面安定の検討を効率化 |
| 地質調査会社 | ボーリング計画、土質試験計画、地盤モデル作成を高度化 |
| 自治体 | 造成地、道路、河川、斜面、地下空洞リスクを広域管理 |
| インフラ事業者 | 鉄道、道路、上下水道、トンネル周辺の地盤リスクを監視 |
| 発注者 | 地盤リスクの説明性を高め、追加調査や設計変更を判断 |
| 維持管理会社 | 沈下・変位・地下水変化をモニタリングし予防保全に活用 |
地盤AIは、特定の一社だけで完結する技術ではありません。地盤データ、設計データ、施工データ、維持管理データを関係者で共有できる仕組みが重要になります。
導入時に注意すべきポイント
AI予測を設計判断の代替にしない
地盤AIは、設計者や地盤技術者の判断を置き換えるものではありません。AIの予測は、あくまで意思決定支援です。設計基準、試験結果、現場条件、技術者レビューを組み合わせる必要があります。
データ品質が予測精度を左右する
座標が不正確、土質名が統一されていない、古い柱状図の記載が曖昧、地下水位の測定条件が不明、試験方法が異なる。このようなデータをそのまま使うと、AI予測の信頼性が下がります。
不確実性を必ず表示する
地盤AIでは、「この地層がある」と断定するよりも、「この範囲は不確実性が高い」と示すことが重要です。設計や追加調査では、予測値だけでなく信頼区間や不確実性マップを使うべきです。
地域差を考慮する
同じN値、同じ土質名でも、地域の地質、堆積環境、地下水条件によって挙動は変わります。全国一律モデルではなく、地域特性やプロジェクト条件に合わせたモデル調整が必要です。
調査・施工・維持管理をつなげる
地盤AIは、設計段階だけで使うものではありません。施工中の沈下、変位、湧水、掘削実績をモデルへ戻し、維持管理段階でも更新していくことで価値が高まります。
現場で使える地盤AI導入チェックリスト
- 対象は支持力、沈下、斜面安定、地下水、トンネル、掘削のどれか
- ボーリング柱状図、土質試験、地下水位、孔口標高を構造化しているか
- KuniJibanや自治体の公開地盤情報を参照できるか
- 地形データ、旧地形、土地履歴、地質図を組み合わせているか
- 地中レーダーや物理探査データを地下異常候補として扱うか
- 点群やドローン地形データを地表リスク評価に使うか
- 予測結果に不確実性を表示しているか
- AIが提案した追加調査地点を技術者がレビューする体制があるか
- 施工中の沈下、変位、湧水、掘削実績をモデルに戻すか
- KPIとして追加調査的中率、予測と実測の差分、施工中トラブル件数を管理するか
- 発注者説明用に3D地盤モデルやリスクマップを作成するか
このチェックリストの目的は、AIで地盤を自動判定することではありません。地盤リスクを早く見つけ、追加調査や設計・施工判断をより確実にすることです。
まとめ
地盤調査は、ボーリング柱状図や土質試験を「読む」段階から、複数データを統合して「予測する」段階へ進みつつあります。地盤AIは、ボーリングデータ、土質試験、地形、地下水、地中レーダー、点群、施工履歴を組み合わせ、支持力、沈下、斜面安定、地下水、トンネル、掘削リスクを予測する技術です。
地盤工学分野では、AIの活用領域として、知的な地盤調査、土の挙動予測、設計・施工プロセスの最適化が整理されています。AIは地盤技術者を置き換えるものではなく、地盤リスクの見落としを減らし、追加調査や施工判断を支援するものです。
これから重要になるのは、柱状図や報告書をPDFで保管するだけでなく、AIが扱える構造化データとして整備し、3D地盤モデルやリスクマップへつなげることです。予測結果には不確実性を表示し、施工中の実測データでモデルを更新し続ける必要があります。
地盤リスクは、建設プロジェクトの安全性、工期、コストを左右します。地盤AIは、経験判断を否定する技術ではなく、経験とデータをつなぎ、地下の不確実性をより早く、より分かりやすく管理するための次世代の建設DXです。
