Maschinelles Lernen zur Bewertung der Scherfestigkeitsfaktoren von Boden-Gesteins-Gemischen in Auffüllungen für Bergtransformatorstationen

Warum das wichtig ist, um die Stromversorgung zu sichern

Wachsende Städte in Bergregionen benötigen Stationen, die zuverlässig Strom liefern können, oft auf ausgeschnittenen und aufgefüllten Hängen. Statt perfektes Bau­material heranzuschaffen, verwerten Ingenieure zunehmend das vor Ort anfallende Aushubmaterial, das aus gemischtem Boden und gebrochenem Gestein besteht. Diese Boden–Gesteins‑Gemische sind kostengünstig und nachhaltig, aber ihr Verhalten unter Last ist schwer vorhersehbar, wodurch ungleichmäßige Setzungen oder gar Hangversagen unter wichtigen elektrischen Anlagen drohen. Diese Studie zeigt, wie eine einfache Form künstlicher Intelligenz viele wechselwirkende Bodeneigenschaften durchsuchen kann, um herauszufinden, welche davon für die Stabilität solcher Bergstationen am wichtigsten sind.

Recycelter Untergrund, komplexes Verhalten

In steilem Gelände bedeutet das Anlegen einer ebenen Plattform für eine Station meist, an manchen Stellen abzutragen und an anderen aufzufüllen. Um Kosten und Lkw-Verkehr zu begrenzen, verwenden Bauunternehmer häufig lokalen Aushub aus Ton, verwittertem Vulkan­gestein und Fragmenten harten Basalts wieder. Zusammen bilden diese Materialien Boden–Gesteins‑Gemische: unhandliche, heterogene Stoffe, deren Festigkeit davon abhängt, wie viel Wasser sie enthalten, wie dicht sie verdichtet sind und wie der feine Boden die größeren Steine zusammenklebt. Da die Zusammensetzung von Ort zu Ort und von Schicht zu Schicht variieren kann, kann der Untergrund unter schweren Transformatoren unterschiedlich nachgeben und empfindliche elektrische Komponenten gefährden, die nur sehr geringe Bewegungen zulassen.

Von Labortests zum Lernmodell

Die Forschenden sammelten repräsentative Materialien von einer Station im Südwesten Chinas, zerkleinerten, sieben und mischten sie, um kontrollierte Gemische herzustellen. Im Labor verdichteten sie diese Mischungen zu Standardproben und führten Direkt­scher­versuche unter unterschiedlichen Drücken durch, um die Belastungen in den Auffüllschichten nachzuempfinden. Für jede Probe bestimmten sie zentrale physikalische Eigenschaften: die Trockenrohdichte, den Feuchtigkeitsgehalt, das Hohlraumverhältnis zwischen den Körnern sowie zwei einfache Grenzwerte, die beschreiben, wie feucht der feine Boden werden kann, bevor er sich eher wie eine Paste oder eine Flüssigkeit verhält. Diese Messwerte zusammen mit der gemessenen Scherfestigkeit (aufgeteilt in Reibung und Kohäsion) bildeten einen Datensatz von 112 sorgfältig hergestellten Fällen.

Ein neuronales Netz über Boden und Gestein lehren

Statt zu versuchen, diese verschlungenen Beziehungen in einfache Formeln zu pressen, trainierte das Team ein Feedforward‑Neuronales Netz, ein grundlegendes maschinelles Lernmodell, das Muster direkt aus Daten lernt. Das Modell verwendete die fünf gemessenen Bodeneigenschaften als Eingaben und sagte zwei Ausgaben voraus: wie stark die Mischung zusammenhält (Kohäsion) und wie stark sie dem Gleiten widersteht (innerer Reibungswinkel). Sie passten die Netzwerkeinstellungen an und verglichen die Leistung mit traditionelleren Methoden wie linearer Regression, k‑nächste‑Nachbarn und Random Forests. Mit wiederholten Kreuzprüfungen an zurückgehaltenen Daten lieferte das neuronale Netz durchgehend genaue Vorhersagen, stimmte eng mit den gemessenen Festigkeitswerten überein und übertraf die Alternativen bei diesem Datensatz moderater Größe leicht.

Welche Bodeneigenschaften sind wirklich entscheidend?

Sobald sie ein zuverlässiges Modell hatten, untersuchten die Autorinnen und Autoren, welche Eingaben die Vorhersagen am stärksten beeinflussten. Sie nutzten die internen Verbindungsgewichte des Netzes als eine Art „Einfluss‑Score“ für jede Eigenschaft. Der Feuchtigkeitsgehalt erwies sich als Spitzenreiter und erklärte etwa ein Viertel bis ein Drittel der Variation sowohl in Kohäsion als auch in Reibung. Wird die Mischung zu nass, bilden Wasserfilme Schmier­schichten an den Kornerkontaktflächen und schwächen die Bindungen zwischen den Partikeln, wodurch die Festigkeit stark abnimmt. Die Plastizitätsgrenze des Feinanteils — der Feuchtigkeits­gehalt, bei dem er aufhört, sich wie ein spröder Feststoff zu verhalten und zu fließen beginnt — war fast ebenso wichtig, insbesondere für die Reibung. Trockenrohdichte und Hohlraumverhältnis spielten ebenfalls eine Rolle, aber in geringerem Maße, hauptsächlich weil sie beeinflussen, wie eng die Partikel ineinander greifen. Zusammen bestätigen diese Ergebnisse langjährige geotechnische Erfahrung und liefern zugleich quantitative Angaben zur relativen Bedeutung der einzelnen Faktoren.

Praktische Hinweise für sichere Bergstationen

Für Planende ergibt sich eine klare Botschaft: In wiederverwendeten Boden–Gesteins‑Auffüllungen unter Stationen ist die Kontrolle von Wassergehalt und des plastischen Verhaltens der feinen Matrix wichtiger als jede andere einzelne Eigenschaft. Indem Tests und Baukontrollen auf Feuchtigkeitsgehalt, Plastizitäts‑ und Flüssigkeitsgrenzen sowie auf Verdichtungsqualität fokussiert werden, können Ingenieurinnen und Ingenieure besser vorhersagen, wie der Untergrund Lasten trägt und wo Setzungsrisiken am höchsten sind. Zwar stammen die genauen Zahlen aus einer Region im Südwesten Chinas, doch der Arbeitsablauf — gezielte Labortests kombiniert mit einer transparenten Analyse per neuronalen Netz — bietet ein wiederverwendbares Vorgehen für ähnliche Projekte weltweit und macht unregelmäßigen Aushub zu einem berechenbareren Fundamentmaterial.

Zitation: Huang, X., Liao, J., Ke, H. et al. Machine learning-based evaluation of shear strength factors in soil-rock mixtures for mountain substation fills. Sci Rep 16, 5775 (2026). https://doi.org/10.1038/s41598-026-36601-3

Schlüsselwörter: Boden-Gesteins-Gemische, Fundamente von Transformatorstationen in Bergregionen, Scherfestigkeit, Feuchtigkeitsgehalt, Maschinelles Lernen im geotechnischen Ingenieurwesen