人工知能（AI）の技術をシールド工事のトンネル掘進計画に活用する手法を、名古屋工業大学と清水建設が共同で開発しました。AIが試行錯誤を繰り返して学習することで、トンネル線形に応じたシールド機操作などの最適な計画を導き出す方法です。
シールド工事ではトンネル掘進を始める前に事前シミュレーションを行い、シールド機の運転方法と、形状の違う複数のセグメントの割り付け方法について計画します。
特に、曲線部の掘進については曲線半径に応じたシールド機の運転制御を入念に計画しておくことが重要になってきます。
従来では、シールド機の形状やトンネルの曲線に基づいて三角関数を用いた理論計算によって算出していました。しかし今回開発した方法では、AIが自己シミュレーションを繰り返しながら自ら設定した計画値を改善していきます。
AIは与えられた計画線形に対して、自ら設定したシールド機の運転制御、セグメントの割り付けなどの試行条件で模擬掘進を実行。その結果について、トンネル線形に対する掘進軌跡の誤差や、シールド機とセグメント、掘削地山との干渉度などを評価指標として用いて得点化します。
試行中に掘進誤差が許容値を上回ったり、シールド機とセグメントが干渉する可能性が出てきた場合にはその時点で試行終了として、条件を再設定して新たなシミュレーションを実行します。
このような試行を繰り返すことで、どのような条件を選択すれば高得点が獲得できるかをAIが自己学習していきます。得点の上積みができない最高得点に辿り着いた段階での試行条件を最適解として、掘進計画に活用します。
今回の手法開発では、強化学習と呼ばれる機械学習方法、そして遺伝的アルゴリズムと呼ばれる方法を用いました。
セグメント割り付けとは、シールド工法による施工計画であらかじめ定められた「計画線」と呼ばれる曲線に合わせて複数の種類があるセグメントをどのように割り付けるかを解く問題です。
今回の機械学習で用いたシールド現場のデータでは、セグメントの直径がおよそ12mであるに対してズレの許容度はおよそ50mmと非常に制約が厳しく、状態空間が膨大なのに実行可能領域が非常に狭い特徴がありました。
そこで、離散値を扱う制約付き遺伝的アルゴリズム（εDGA）を提案し、実データを用いたセグメント割付実験によって従来の方法と比べると余掘り量のおよそ20%の掘削度量の削減に成功しています。
今後はさらにεDGAを高度化して強化学習と遺伝的アルゴリズムをハイブリッドした新しい学習アルゴリズムを考案して、セグメント割付とシールドマシン制御計画を同時に実行できるシールド掘進計画支援AIを開発するとしています。
