Datengetriebene Optimierung und Vorhersage des Drucksondenmoduls mit Response Surface Methodology für intelligentere geotechnische Planung

Warum intelligentere Bodentests wichtig sind

Bevor ein Gebäude, eine Brücke oder eine Straße errichtet wird, müssen Ingenieure wissen, wie stark der Boden dem aufgebrachten Lasten entgegenwirkt. Wird dies unterschätzt, können Fundamente setzen oder versagen; wird es überschätzt, werden Projekte unnötig teuer. Dieser Beitrag untersucht einen modernen, datengetriebenen Weg, die Steifigkeit des Bodens vorherzusagen, basierend auf einem Feldversuch namens Drucksondentest und statistischen Werkzeugen, die deutlich mehr Erkenntnisse aus einer begrenzten Anzahl von Messungen ziehen.

Die Messung, wie der Boden „zurückfedert“

Im Feld lassen Ingenieure häufig eine zylindrische Sonde in ein schmales Bohrloch hinab und blasen sie langsam gegen den umgebenden Boden auf. Indem sie aufzeichnen, wie stark das Sondenvolumen bei einem bestimmten Druckanstieg zunimmt, können sie das Drucksondenmodul Ep berechnen, ein Maß dafür, wie steif der Boden ist. Ep beeinflusst maßgeblich, wie stark Fundamente unter Last zusammengedrückt werden. Traditionelle Methoden zur Abschätzung von Ep stützen sich entweder auf einfache Formeln oder viele Wiederholungsmessungen, beides kann kostspielig, zeitaufwendig und mit Unsicherheiten behaftet sein. Die Autoren fragen, ob eine sorgfältig gestaltete Testreihe zusammen mit moderner Statistik Ep genauer vorhersagen kann bei geringerem Aufwand im Feld.

Weniger Tests, aber intelligentere

Die Studie konzentriert sich auf vier Bodeneigenschaften, von denen bekannt ist, dass sie die Bodensteifigkeit beeinflussen: die Versuchstiefe, die Kohäsion (wie „klebrig“ der Boden ist), der innere Reibungswinkel (wie stark die Körner dem Gleiten widerstehen) und das Volumengewicht (die Masse pro Volumeneinheit). Anstatt jede mögliche Kombination zu testen, verwenden die Forscher einen Ansatz namens Response Surface Methodology. Sie entwerfen 35 gezielte Testszenarien, die diese vier Eigenschaften systematisch über realistische Bereiche variieren. Mit diesem Design erfüllt jeder Versuch eine doppelte Rolle: Er liefert einen direkten Ep-Wert und hilft zusammen mit den anderen, abzubilden, wie Ep über den gesamten Bedingungenraum hinweg variiert.

Muster finden in einer vierdimensionalen Landschaft

Aus den 35 Versuchen bauen die Autoren eine mathematische Oberfläche, die die vier Eingangsgrößen mit Ep verknüpft. Anschließend prüfen sie mit üblichen statistischen Methoden, wie gut diese Oberfläche die Messungen wiedergibt. Das Modell erklärt etwa 96,5 % der beobachteten Variation von Ep, das heißt die vorhergesagten Werte stimmen eng mit den Feldmessungen überein. Die Analyse zeigt, dass zwei Faktoren—Kohäsion und Volumengewicht—das Verhalten dominieren: kohäsivere und dichtere Böden sind tendenziell deutlich steifer. Der Reibungswinkel spielt ebenfalls eine Rolle, jedoch schwächer, während die Tiefe im untersuchten Bereich nur eine bescheidene direkte Wirkung hat. Das Team deckt auch wichtige Wechselwirkungen auf, etwa wie das Volumengewicht in Kombination mit Kohäsion oder Reibungswinkel Ep stark erhöhen oder verringern kann, was zeigt, dass diese Eigenschaften nicht isoliert wirken.

Auf der Suche nach den besten Bodenzuständen

Um dieses Verständnis in praktische Hinweise zu übersetzen, wenden die Forscher eine Optimierungstechnik an, die als Desirability-Funktion bekannt ist. Einfach gesagt lassen sie den Computer innerhalb realistischer Bodenzustände nach Kombinationen suchen, die Ep maximieren und zugleich ingenieurmäßige Grenzen einhalten. Das Ergebnis ist nicht nur ein einzelner perfekter Punkt, sondern eine breite Zone vorteilhafter Kombinationen, in der Ep hoch ist und die Modellvorhersagen zuverlässig sind. Das ist für die Praxis beruhigend: Es bedeutet, dass kleine Variationen der Feldbedingungen weiterhin zu guter Bodenleistung führen und Ingenieure bei der Wahl von Fundamenttiefen oder bei Entscheidungen über Bodenverbesserungen Flexibilität haben, um sichere Steifigkeitswerte zu erreichen.

Was das für reale Fundamente bedeutet

Für Nichtfachleute lautet die Kernbotschaft, dass wir nun verlässlichere Informationen darüber gewinnen können, wie sich der Untergrund unter einem Gebäude verhalten wird, ohne Zeit- oder Kostenaufwand drastisch zu erhöhen. Durch die Kombination eines etablierten Feldtests mit intelligenter Versuchsplanung und statistischer Modellierung zeigt diese Arbeit, wie man die Bodensteifigkeit aus einem relativ kleinen Datensatz vorhersagen und zugleich herausstellen kann, welche Bodeneigenschaften am wichtigsten sind. In der Praxis bedeutet das sicherere Fundamente, gezieltere Standortuntersuchungen und reduzierte Unsicherheit—besonders bei Projekten, bei denen umfassende Tests oder große Datensammlungen nicht möglich sind.

Zitation: Boukhatem, G., Bencheikh, M., Bekkouche, S.R. et al. Data-driven optimization and pressuremeter modulus prediction using response surface methodology for smarter geotechnical design. Sci Rep 16, 5679 (2026). https://doi.org/10.1038/s41598-026-36262-2

Schlüsselwörter: Bodensteifigkeit, Fundamentsplanung, Drucksondentest, statistische Modellierung, geotechnische Optimierung