Vorhersage der Verschiebungen von Pfahlköpfen und Bodenoberfläche um Pfähle mithilfe von Machine-Learning-Algorithmen

Warum winzige Verschiebungen unter der Erde wichtig sind

Wenn neue U-Bahn-Linien oder Überführungen gebaut werden, werden tausende tiefe Betonpfähle in den Boden gedrückt, um die Bauwerke zu tragen. Dieses Zusammendrücken des umgebenden Bodens kann benachbarte Pfähle, Straßen, Gebäude und vergrabene Leitungen um nur wenige Millimeter verschieben – aber selbst solche kleinen Bewegungen können Beton rissig machen oder Versorgungsleitungen verbiegen. Die Studie hinter diesem Artikel untersucht, wie moderne Machine-Learning-Werkzeuge diese unterirdischen Verschiebungen genauer vorhersagen können als herkömmliche Formeln und Ingenieuren so helfen, sicherere Fundamentlösungen in dicht bebauten Städten zu entwerfen.

Wie das Eintreiben von Betonpfählen den Boden umformt

Während der Bauphase werden lange hohle Betonpfähle in weichen Untergrund gepresst statt eingeschlagen, eine übliche Methode bei innerstädtischen Projekten wie der Metro-Linie 1 in Bogotá, Kolumbien. Wenn jeder Pfahl eingepresst wird, muss sich der Boden irgendwohin bewegen: Er wird seitlich und nach oben verdrängt und drückt auf benachbarte Pfähle und die Bodenoberfläche. In schweren Fällen kann dies zu gebrochenen Pfählen, Hebungen der Fahrbahn oder Schäden an nahe verlaufenden Rohrleitungen führen, die nur wenige zehn Zentimeter entfernt liegen können. Ingenieure verwenden seit Langem vereinfachte Theorien, die jeden Pfahl als sich ausdehnenden Zylinder im Boden behandeln, um diese Effekte abzuschätzen, doch diese Methoden tun sich schwer damit, die komplizierte Realität geschichteter Böden, komplexer Pfahlanordnungen und Bauabläufe zu erfassen.

Computern beibringen, wie der Boden reagiert

Die Forschenden wandten sich dem Machine Learning zu, einem Zweig der künstlichen Intelligenz, bei dem Computer Muster aus Daten erlernen statt sich allein auf von Menschen formulierte Gleichungen zu stützen. Sie sammelten Hunderte Messwerte der horizontalen Verschiebung an Pfahlköpfen und an Überwachungsstellen in deren Umgebung aus dem Projekt in Bogotá. Zu jeder Messung erfassten sie außerdem eine Reihe einflussreicher Faktoren, darunter Feuchte und Lagerungsdichte des Bodens, seine Steifigkeit, den Abstand eines Punktes zum Zentrum der Pfahlgruppe, den Winkel um die Gruppe herum und die Zeit, die seit dem Ende des Pfahleintreibens vergangen war und dem Boden Zeit zum Setzen blieb.

Verschiedene Lernverfahren im Vergleich

Mehrere Algorithmustypen wurden verglichen. Ein klassisches neuronales Netz, bekannt als Backpropagation-(BP-)Netz, diente als Basislinie. Das Team verstärkte es anschließend mit einem Ansatz namens AdaBoost, der viele schwache Prädiktoren zu einem genaueren "Komitee" kombiniert und so ein AdaBoost-BP-Modell ergab. Getestet wurden außerdem tiefe neuronale Netze mit mehreren versteckten Schichten, Random Forests aus vielen Entscheidungsbäumen und ein verbreitetes Gradient-Boosting-Verfahren namens XGBoost. Alle Modelle wurden mittels Cross-Validierung abgestimmt und überprüft, einem Verfahren, das wiederholt auf Teilen der Daten trainiert und auf dem Rest getestet, um Überanpassung zu vermeiden. Sowohl bei kleinen als auch bei großen Datensätzen schnitten die Boosting- und Deep-Learning-Modelle deutlich besser ab als das einfache BP-Netz, wobei tiefe neuronale Netze die Feldmessungen besonders gut nachbildeten.

Was Bodenbewegungen wirklich steuert

Mit genauen Modellen untersuchten die Autorinnen und Autoren, welche Faktoren am wichtigsten sind. Mithilfe der SHAP-Analyse, einer Technik, die komplexe Modelle erklärt, indem jedem Eingang ein Beitrag zur Vorhersage zugewiesen wird, stellten sie fest, dass einfache Geometrie dominiert: der horizontale Abstand zum Zentrum der Pfahlgruppe und die Richtung darum herum sind die stärksten Treiber der Verschiebung. Punkte näher am Zentrum bewegen sich tendenziell stärker, und die Bewegungsmuster variieren richtungsabhängig, weil die Pfahlreihen nicht perfekt symmetrisch sind. Die seit dem Ende des Pfahleintreibens verstrichene Zeit spielt ebenfalls eine große Rolle und spiegelt langsame Nachstellungen und Kriechen des Bodens wider. Unter den Bodeneigenschaften haben Wassergehalt, relative Dichte und Reibungswinkel (ein Maß dafür, wie gut Körner miteinander verrasten) den stärksten Einfluss, während andere Parameter wie Kohäsion und das Gesamtgewicht weniger ins Gewicht fallen.

Neue Werkzeuge für sichereren Untertagebau

Durch den Vergleich ihrer datenbasierten Vorhersagen mit der traditionellen Zylinderexpansions-Theorie zeigten die Autorinnen und Autoren, dass Machine-Learning-Modelle, insbesondere tiefe neuronale Netze, horizontale Verschiebungen an Pfahlköpfen und Bodenoberflächenpunkten deutlich genauer prognostizieren können. Für künftige Projekte – etwa zusätzliche Metro-Linien – könnte der Ansatz in der Entwurfsphase genutzt werden, um verschiedene Pfahlanordnungen, Abstände und Bauabläufe am Rechner zu testen, bevor Boden gestört wird, und so das Risiko für nahe Gebäude und Leitungen zu verringern. Kurz: Indem Computer direkt aus detaillierten Feldmessungen lernen, erhalten Ingenieure ein schärferes Bild davon, wie der Untergrund reagieren wird, was es einfacher macht, lebenswichtige urbane Infrastruktur stabil und intakt zu halten.

Zitation: Li, P., Guo, S., Liang, M. et al. Prediction of the displacements of the pile tops and ground surface around piles based on machine learning algorithms. Sci Rep 16, 6057 (2026). https://doi.org/10.1038/s41598-026-36502-5

Schlüsselwörter: Pfahlgründungen, Bodenverlagerung, Machine Learning, unterirdische Infrastruktur, U-Bahn-Bau