3D鋼製シャフトの疲労寿命をノード単位で予測するAIサロゲートモデル「FatigueNet」をASME国際会議で発表

有限要素解析による疲労寿命評価をAI予測で置き換え、40形状の評価を約40分から約15秒に短縮

ゴーデルブロック

2026年9月22日 18時56分

株式会社ゴーデルブロック（本社：東京都新宿区、代表取締役：田中昭雄）は、2026年8月、米国テキサス州ヒューストンで開催された国際会議「IDETC-CIE 2026」において、3D鋼製シャフトの疲労寿命をノード（節点）単位で予測するディープラーニング・サロゲートモデル「FatigueNet」に関する研究成果を発表しました。あわせて、学習に用いた有限要素解析データセットと実装コードを一般公開しました。

セッション情報

本発表は、設計・製造分野におけるAI・機械学習の応用をテーマとするセッション「CIE-25-03: SEIKM Artificial Intelligence and Machine Learning for Design and Manufacturing」において、2026年8月に行われました。論文番号は DETC2026-193892 です。

発表概要

タイトル:

FatigueNet: Deep Learning Surrogate Model for Node-wise Fatigue Life Prediction in 3D Steel Shafts

発表の要点:

段付きシャフトやドッグボーン形状のフィレット部など、形状が不連続になる箇所の疲労評価は、機械部品の構造健全性を保つうえで重要です。有限要素解析（FEA）は高精度な疲労寿命予測を与えますが、計算コストが大きく、設計パラメータを振りながらの最適化やリアルタイムの構造評価には向きません。既存の機械学習サロゲートの多くは疲労寿命を単一のスカラー値として予測するため、複雑形状における3次元的な寿命分布を表現しきれないという課題がありました。

本研究では、3次元の非構造メッシュ上で疲労寿命を直接予測するディープラーニングの枠組みを構築しました。空間座標に加え、法線・局所曲率・不連続部までの距離といったノードごとの幾何特徴量を入力とすることで、空間的な勾配を捉えます。疲労寿命が数桁にわたって変動する点については、対数領域のハイブリッド損失関数を導入して学習を安定化させました。

推論速度では、未学習の40形状に対する予測が約15秒で完了しました。同じ40形状をFEAで解析し直すと1形状あたり約1分、合計約40分を要するため、大幅な短縮となります。亀裂が発生する最小寿命ノードについても、予測値は引張・ねじり・複合のいずれの荷重条件でも実測値の±2倍以内に収まりました。

本手法により、形状全域の疲労寿命を高速に予測でき、従来のFEAに代わる効率的な設計空間探索と大規模な構造評価が可能になります。

公開リソース

本研究で構築した3次元FEAデータセットと実装コードを公開しています。疲労寿命予測に関する機械学習モデルの開発・ベンチマークにそのままご利用いただけます。

データセット: https://huggingface.co/datasets/accelerated-komputing/FatigueNet
コード: https://github.com/AnK-Accelerated-Komputing/FatigueNet

今後の展開

現時点のモデルは単一材料（均質等方性鋼材）と理想化された境界条件を前提としており、表面粗さ・残留応力・微視組織は考慮していません。今後は材料条件の拡張、実験データによるデータ拡張、高サイクル／低サイクル領域を分けた学習などに取り組みます。

研究体制

本研究は、Accelerated Komputing Pvt. Ltd.（ネパール）、株式会社ゴーデルブロック（東京）、カーネギーメロン大学（米国）、トリブバン大学工学研究所（ネパール）による日本・米国・ネパールの国際共同研究チームによって実施されました。

学会について

IDETC-CIE 2026（ASME 2026 International Design Engineering Technical Conferences & Computers and Information in Engineering Conference）は、米国機械学会（ASME）が主催する設計工学・計算情報工学分野の国際会議です。2026年8月23日から26日まで、米国テキサス州ヒューストンの Hilton Americas-Houston で開催されました。