Verbesserung der Vorhersage der Endlagerkapazität von in Fels verankerten Pfählen mithilfe von gauß-ergänzten, optimierten Extreme-Gradient-Boosting-Modellen

Auf Fels bauen statt zu raten

Wenn Ingenieurinnen und Ingenieure Brücken und Hochhäuser planen, verlassen sie sich oft auf Tiefgründungen, die bis in festen Fels reichen. Die Tragfähigkeit dieser „in Fels verankerten Pfähle“ ist entscheidend für Sicherheit und Kosten, doch ihre tatsächliche Kapazität an der Spitze lässt sich nur schwer direkt messen. Diese Studie zeigt, wie moderne Methoden des maschinellen Lernens kombiniert mit gezielten Datenvermehrungs‑Tricks schärfere Abschätzungen liefern können, wie viel Belastung solche Tiefgründungen sicher tragen können — was Baukosten senken und gleichzeitig die Sicherheit der Bauwerke erhalten kann.

Warum Tiefgründungen so schwer einzuschätzen sind

In Fels verankerte Pfähle sind große Betonpfeiler, die durch schwächere Bodenschichten gebohrt und in stärkerem Fels verankert werden. Theoretisch gilt: je härter der Fels und je besser die Ausführung, desto mehr Last kann ein Pfahl an seiner Spitze aufnehmen. In der Praxis ist es jedoch kompliziert: Schlämme und Bohrspülung können sich am Boden sammeln, die Rauheit und Geometrie der Buchse variieren, und versteckte Hohlräume oder Risse im Fels sind schwer zu erkennen. Wegen dieser Unsicherheiten gehen Planerinnen und Planer oft auf Nummer sicher und rechnen mit wenig bis keiner Unterstützung durch die Pfahlspitze, was zu längeren und teureren Fundamenten führt, als nötig sein könnte.

Von einfachen Formeln zu schlaueren Vorhersagen

Frühere Methoden zur Abschätzung der Pfahlkapazität beruhten auf vereinfachten Gleichungen oder klassischen Rechenmodellen. Diese konzentrieren sich meist auf wenige Eigenschaften — etwa die Druckfestigkeit des Felses — und behandeln den Felskörper idealisiert. In den letzten Jahren haben Forschende begonnen, KI-Techniken zu nutzen, die direkt aus Datenbanken mit Lastversuchen lernen, in denen Pfähle bis zum versagenden Verhalten geprüft wurden. Solche Ansätze können viele Eingangsgrößen gleichzeitig verarbeiten, etwa Pfahldurchmesser, Schichttiefen in Boden und Fels sowie Kennwerte zur Felsqualität, sind aber zugleich „Black Boxes“, die bei begrenzten Daten zu Überanpassung neigen können.

Das Algorithmus füttern — mit realen und synthetischen Daten

Die Autorinnen und Autoren bauten auf einem veröffentlichten Satz von 151 Lastversuchen an in Fels verankerten Pfählen auf, die den Endlagerfaktor (ein Maß dafür, wie viel Last die Spitze tragen kann) zusammen mit acht beschreibenden Merkmalen dokumentierten. Nach sorgfältiger Bereinigung der Daten zur Entfernung von Ausreißern und Lücken blieben 136 reale Pfähle übrig. Um die kleine Stichprobengröße — ein häufiges Problem in der Geotechnik — zu überwinden, erzeugten sie zusätzliche „synthetische“ Datensätze, indem sie den vorhandenen Aufzeichnungen sanftes, zufälliges gaußsches Rauschen hinzufügten. So entstand eine größere, statistisch konsistente Menge von 460 Pfählen, die die ursprünglichen Zusammenhänge bewahrte und zugleich mehr Vielfalt für das Training der Modelle bot.

Training und Feinabstimmung der Lernmaschinen

Das Team konzentrierte sich auf einen Algorithmus namens Extreme Gradient Boosting, kurz XGBoost, der viele einfache Entscheidungsbäume zu einem starken Prädiktor kombiniert. Um aus XGBoost die beste Leistung herauszuholen, kombinierten sie ihn mit drei naturinspirieren Optimierungsschemata, die auf arithmetischen Regeln, kollektiven Brainstorming‑Verhalten und Waljagd‑Strategien basieren. Diese Optimierer stimmten automatisch zentrale Einstellungen — wie Baumtiefe und Lernrate — ab, um ein Gleichgewicht zwischen Anpassung an die bekannten Daten und Vermeidung von Überanpassung zu finden. Unter den Varianten erwies sich das mittels Arithmetic Optimization Algorithm abgestimmte XGBoost-Modell (XGBoost_AOA) als am genauesten und stabilsten.

Was die Modelle über Fels und Pfähle lernten

Bereits mit den ursprünglichen 136 Pfählen übertraf das optimierte Modell frühere Methoden. Nach dem Training mit dem erweiterten Datensatz von 460 Pfählen verbesserte sich die Genauigkeit deutlich: die Vorhersagefehler schrumpften auf einen Bruchteil ihrer früheren Größe, und die Übereinstimmung von prognostizierten und beobachteten Kapazitäten näherte sich einer idealen Eins‑zu‑Eins‑Linie. Die Analyse zeigte zudem, welche Eingangsgrößen am wichtigsten sind. Die Druckfestigkeit des Felses und eine Rock‑Mass‑Rating waren die dominierenden Prädiktoren, während Pfahldurchmesser und das Gesamtniveau der Last ebenfalls starke Rollen spielten. Messgrößen, die eng miteinander verwandt sind, etwa zwei unterschiedliche Felsqualitätswerte, erwiesen sich als stark redundant — ein Hinweis darauf, dass überlappende Informationen Überanpassung begünstigen können, wenn sie nicht sorgfältig behandelt werden.

Vom Forschungscode zum praktischen Werkzeug

Um die Ergebnisse außerhalb des Labors nutzbar zu machen, packten die Autorinnen und Autoren ihr bestes Modell in eine benutzerfreundliche Computeroberfläche. Ingenieurinnen und Ingenieure können grundlegende Pfahl‑ und Felsparameter eingeben und erhalten sofort eine Abschätzung der Spitzenkapazität sowie Nachweise, dass das Modell anhand unabhängiger Fallbeispiele validiert wurde. Obwohl der Ansatz weiterhin von der Qualität und Reichweite der zugrunde liegenden Daten abhängt, zeigt er, wie die Kombination aus maschinellem Lernen, synthetischer Datengenerierung und Interpretierbarkeits‑Werkzeugen verstreute Prüfergebnisse in ein praktisches Planungswerkzeug verwandeln kann — und so dazu beiträgt, Unsicherheiten zu verringern, übermäßige Vorsicht zu trimmen und sicherere, wirtschaftlichere Fundamente zu entwerfen.

Zitation: Khatti, J., Fissha, Y. & Cheepurupalli, N. Improving end-bearing capacity prediction of rock-socketed shafts using Gaussian-augmented optimized extreme gradient boosting models. Sci Rep 16, 7664 (2026). https://doi.org/10.1038/s41598-026-38646-w

Schlüsselwörter: in Fels verankerte Pfähle, Tiefgründungen, Maschinelles Lernen, Datenaugmentation, Geotechnik