化学組成を用いた機械学習による破砕帯活動性評価; 取り組み事例の紹介

Machine learning for activity evaluation of crush zones using chemical composition; Introduction of examples

島田 耕史   ; 立石 良*

Shimada, Koji; Tateishi, Ryo*

破砕帯の活動性評価では、上載地層法の適用が一般的であるが、地下坑道やボーリングで遭遇する破砕帯はその地表への延長部が不明な場合が多く、別の手法が必要である。開発すべき手法は、専門的判断の助けとなるような、結果が人に依存せず客観的に導き出されるものであり、実施, 普及, 検証を一般的な地質技術者が実行可能である必要がある。この目標に照らして、破砕帯中軸部の断層ガウジの全岩化学組成は魅力的である。活断層と非活断層で断層岩の化学組成に違いがあるか、という問題に対し、化学組成を用いた機械学習(多変量解析)が解決手段になり得ると考え、活動性が既知である断層の断層ガウジの化学組成の文献値を収集し、多変量解析によって活断層と非活断層を判別する一次式の探索を2018年から開始した。花崗岩質岩を対象とした検討結果は、活断層と非活断層の2群を判別率100%で分ける判別式が複数存在することを示している。発表では、過去の検討事例も含め、現在の取り組み状況を紹介する。

We need a method to assess the activity of crush zones alternative to the application of overlying sediments, because the zones encountered in underground tunnels and boring have unknown extensions to the ground surface. The method to be developed is one in which the result is objective and independent of the person, which helps professional judgment. In addition, implementation, dissemination and verification must be executable by a general geological engineer. In light of these goals, the whole-rock chemical composition of the fault gouge along a principal slip zone of the crush zone is attractive. Is there any difference in the chemical composition of fault rocks between active and inactive faults? We thought that the utilization of multivariate analysis could be a solution. Therefore, we collected literature values of the chemical composition of fault gouges for faults with known activities, and began searching for a primary equation that distinguishes active from non-active faults by multivariate analysis in 2018. The results of studies on granitic rocks show that there are multiple discriminants that separate active and non-active faults with a discrimination rate of 100%. In the presentation, we would like to introduce the current status of initiatives, including past case studies.