Automatisierte Beurteilung der Hangstabilität mittels modifizierter Morgenstern-Price-Methode und Integration von Machine Learning

Warum sichere Hänge wichtig sind

Erdrutsche und einstürzende Böschungen können Autobahnen sperren, Bergwerke und Staudämme beschädigen und Anwohner in der Nähe gefährden. Ingenieure versuchen, solche Katastrophen zu verhindern, indem sie abschätzen, wie nahe ein Hang am Versagen ist. Detaillierte Berechnungen und Computersimulationen können jedoch langsam sein, wenn viele mögliche Boden- und Erdbedingungen geprüft werden müssen. Diese Studie stellt ein automatisiertes System vor, das eine bewährte ingenieurwissenschaftliche Methode mit modernen Machine-Learning-Verfahren verbindet, sodass die Hang­sicherheit schnell und konsistent über Tausende von Szenarien bewertet werden kann.

Klassisches Know-how und neue Werkzeuge vereinen

Die Autorinnen und Autoren konzentrieren sich auf den sogenannten Sicherheitsfaktor, eine einzelne Zahl, die die rutschfördernden Kräfte mit den kriech‑ und haltenden Kräften vergleicht. Sie bauen auf einer etablierten Technik auf, der Morgenstern–Price-Methode, die einen Hang in viele vertikale Streifen teilt und die Kräfte auf jedem Streifen ausgleicht – einschließlich Bodenfestigkeit, Gewicht des Bodens, Wasserdruck und Erderschütterungen. Da diese Methode sowohl streng als auch weithin vertraut ist, bildet sie das physikalische Rückgrat des neuen Rahmens. Das Team vereinfacht die Gleichungen gerade soweit, dass sie effizient für großangelegte Anwendungen werden, berücksichtigt dabei aber weiterhin wichtige Effekte wie Wasser im Boden sowie horizontale und vertikale Erdbebenkräfte.

Aufbau einer virtuellen Welt von Hängen

Anstatt auf seltene reale Ausfälle zu warten, erzeugten die Forschenden einen großen synthetischen Datensatz von etwa 100.000 „virtuellen“ Hängen. Jeder Fall variiert zentrale Einflussgrößen: Bodengewicht, Hanghöhe und -neigung, Kohäsion und Reibung (die die Scherfestigkeit steuern), Wasserdruck und Erdbebenintensität sowie ein Faktor, der die Kräfte zwischen benachbarten Streifen annähert. Für jeden dieser künstlichen Hänge berechnet die vereinfachte Morgenstern–Price-Methode einen Sicherheitsfaktor. Das Team bereinigt und bereitet dann die Daten auf, schneidet unrealistische Extreme ab, normalisiert numerische Bereiche und teilt die Sammlung in Trainings- und Testmengen. Diese sorgfältige Vorbereitung stellt sicher, dass die Machine‑Learning‑Modelle eine realistische Verteilung stabiler, kritischer und instabiler Hänge sehen und dass die Schlussfolgerungen statistisch belastbar sind und nicht nur Artefakte verrauschter Daten.

Die Daten zeigen, was am stärksten zählt

Mithilfe der synthetischen Hänge untersuchen die Autorinnen und Autoren, welche Eigenschaften die Stabilität am stärksten steuern. Mit Hilfe von Merkmalswichtigkeitsmaßen aus baumbasierten Machine‑Learning‑Modellen führen sie eine globale Sensitivitätsanalyse durch. Die Ergebnisse stimmen mit ingenieurmäßiger Intuition überein: Die Steilheit des Hangs ist bei weitem der dominierende Faktor, gefolgt von seiner Höhe und der kohäsiven Festigkeit des Bodens. Reibungswinkel und Wasserdruck spielen ebenfalls eine Rolle, besonders bei nassen oder gesättigten Bedingungen, während die vertikale Komponente der Erderschütterung in dem getesteten Bereich eine merkliche, aber kleinere Wirkung zeigt. Andere Eingangsgrößen, wie das spezifische Gewicht des Bodens und der Skalierungsfaktor für Streifen‑Wechselwirkungen, haben innerhalb der gewählten Grenzen einen relativ geringen Einfluss. Diese Erkenntnisse geben praktische Hinweise: Planer sollten den größten Aufwand in die Vermessung und Kontrolle der Geometrie und der Scherfestigkeit eines Hangs sowie in das Wasser‑Management investieren, das den Sicherheitsabstand verringert.

Maschinen so trainieren, dass sie die Physik nachahmen

Im nächsten Schritt werden neun verschiedene Machine‑Learning‑Algorithmen darauf trainiert, den Sicherheitsfaktor direkt aus den Hang‑Eingangsgrößen vorherzusagen, wobei die physikbasierten Berechnungen als Lehrsignal dienen. Dazu gehören neuronale Netze, Entscheidungsbäume, Random Forests und mehrere moderne Boosting‑Verfahren, die viele einfache Modelle zu einem leistungsfähigen Ensemble kombinieren. Alle Modelle werden systematisch abgestimmt und mit mehreren Leistungskennzahlen kreuzvalidiert, um Überanpassung zu vermeiden. Viele liefern sehr gute Ergebnisse, aber ein Algorithmus, CatBoost, sticht hervor: Auf unbe­se­tem Testdatenreihen gibt er den Sicherheitsfaktor mit nahezu perfekter Genauigkeit wieder und bleibt stabiler als einfachere Baum‑Modelle, die dazu neigen, das Training zu memorieren.

Ein automatisierter Helfer, kein Kristallkugel

Abschließend bündeln die Autoren den gesamten Prozess – von der Erzeugung synthetischer Hänge und der Durchführung der Morgenstern–Price‑Berechnungen bis hin zum Training, zur Evaluierung und zur Auswahl des besten Machine‑Learning‑Modells – in eine wiederverwendbare, Python‑basierte Pipeline. Dieses automatisierte Framework kann sehr schnell die Hang­sicherheit über große Kombinationen von Boden, Geometrie, Wasser und Erdbebenbedingungen abschätzen und ist somit attraktiv für Screening von Entwürfen, das Durchspielen von „Was‑wenn“-Szenarien oder die Unterstützung von Echtzeit‑Entscheidungshilfen. Das System ist jedoch nur so allgemein wie die zugrunde liegenden Annahmen: Die Hänge werden als zweidimensional und aus homogenem Boden betrachtet, und das Machine Learning lernt, die Morgenstern–Price‑Methode nachzuahmen, nicht direkt die tatsächliche Feldausführung vorherzusagen. Die Autorinnen und Autoren sehen ihre Arbeit daher als ein schnelles, skalierbares Entscheidungsunterstützungswerkzeug, das detaillierte numerische Simulationen und standortspezifische Untersuchungen ergänzt, aber nicht ersetzt.

Zitation: Showkat, M., Ghani, S., Paramasivam, P. et al. Automated slope stability assessment using modified Morgenstern-Price method and machine learning integration. Sci Rep 16, 9952 (2026). https://doi.org/10.1038/s41598-026-38670-w

Schlüsselwörter: Hangstabilität, Rutschungsrisiko, geotechnisches Ingenieurwesen, Machine Learning, Erdbebenrisiken