Bewertung von Lasso- und Ridge-Modellen zur Vorhersage des Aufquellpotenzials von Böden

Warum der Untergrund unter Gebäuden wichtig ist

Viele Gebäude und Straßen wirken solide, doch der Boden darunter kann unbemerkt quellen und schrumpfen, wenn er Feuchtigkeit aufnimmt oder verliert. Diese versteckten Bewegungen können Wände rissig machen, Fundamente kippen und Leitungen beschädigen, was weltweit Milliarden an Reparaturkosten verursacht. Die hier zusammengefasste Arbeit untersucht, wie moderne Datentools Ingenieure dabei unterstützen können, vorherzusagen, wann und wo Böden wahrscheinlich quellen, damit Häuser, Straßen und andere Bauwerke sicher und stabil geplant werden können.

Böden, die mit Wasser atmen

Nicht alle Böden verhalten sich gleich, wenn sie nass werden. Feinere, tonreiche Böden können Wasser aufnehmen und sich wie ein Schwamm ausdehnen, dann wieder zusammenziehen, wenn sie trocknen. Dieser wiederkehrende Zyklus ist besonders ausgeprägt in ariden und semiariden Regionen, in denen starke Wechsel zwischen nass und trocken häufig sind. Traditionell verlassen sich Ingenieure auf zeitaufwändige Labortests, um Eigenschaften zu messen wie den Tonanteil, die Dichte oder die Konsistenz bei Wasserzugabe. Diese Tests zeigen, ob ein Boden wahrscheinlich hochdrückt und Risse bildet, sind aber teuer, wenn sie für jeden Standort und jedes Projekt durchgeführt werden müssten.

Aus Bodenmessungen werden zuverlässige Vorhersagen

Um den Bedarf an ständigen Labortests zu reduzieren, stellten die Forschenden vier umfangreiche Datensammlungen aus früheren Studien in Asien, Afrika und Europa zusammen. Insgesamt enthielten diese Datensätze 273 Bodenproben und 16 verschiedene Merkmale pro Probe, darunter Ton- und Schluffgehalt, Feuchtigkeitswerte, Dichte und standardisierte Konsistenzmaße. Für jede Probe lag außerdem ein gemessenes „Quellpotenzial“ vor, das angibt, wie stark sich der Boden in einem kontrollierten Test ausdehnte. Die Daten wurden sorgfältig bereinigt und normalisiert, redundante Informationen entfernt und die Proben in Trainings- und Testgruppen aufgeteilt, sodass jede Vorhersagemethode an zuvor ungesehenen Daten bewertet werden konnte.

Alte versus neue Methoden, den Untergrund zu lesen

Der Kern der Studie ist ein Vergleich zwischen einem vertrauten statistischen Verfahren und zwei moderneren Ansätzen. Das traditionelle Werkzeug, die multiple lineare Regression, schätzt das Quellpotenzial als lineare Kombination aller Bodenmessungen. Die neueren Verfahren, Lasso- und Ridge-Regression, verwenden ebenfalls gewichtete Kombinationen derselben Messgrößen, fügen jedoch eine Art „Strafterm“ hinzu, der das Modell davon abhält, sich zu stark auf einzelne Eingaben zu stützen oder zu viele gleichzeitig zu verwenden. In der Praxis kann Lasso unwichtige Eigenschaften automatisch auf null setzen und so die wenigen Bodenmerkmale herausstellen, die das Quellen wirklich antreiben, während Ridge alle Merkmale beibehält, deren Einfluss jedoch abschwächt, wenn sie stark miteinander korrelieren.

Was die Modelle über quellende Böden gelernt haben

Über alle vier Datensätze hinweg lieferten die regularisierten Modelle – Lasso und Ridge – durchweg verlässlichere Vorhersagen als die traditionelle Methode. In den am besten geeigneten Datensätzen folgte Lasso dem gemessenen Quellpotenzial besonders genau, mit nur geringen durchschnittlichen Fehlern und einem hohen Anteil der erklärten natürlichen Variation. Beide modernen Methoden gingen mit verrauschten, überlappenden Bodeneigenschaften deutlich besser um als der ältere lineare Ansatz, der das Quellen oft über- oder unterschätzte, insbesondere bei höheren Werten. Die Analyse bestätigte außerdem, dass Merkmale wie Fließgrenze, Plastizität und Tonanteil die wichtigsten Signale für Quellrisiken sind, während Eigenschaften, die dichtere, weniger poröse Böden kennzeichnen, dieses Risiko tendenziell verringern.

Von Daten zu sichereren Fundamenten

Für Nicht-Spezialisten lautet die Kernaussage, dass bestehende Bodenuntersuchungen jetzt mit datengetriebenen Modellen kombiniert werden können, um schnell Bereiche zu erkennen, in denen der Untergrund wahrscheinlich hebt und Bauwerke rissig werden lässt. Durch den Einsatz von Lasso- und Ridge-Regression können Ingenieure sich auf eine kleinere Menge wirklich wichtiger Bodeneigenschaften konzentrieren und genauere Schätzungen der Quellung erhalten, ohne an jedem Standort alle möglichen Tests durchzuführen. Das ermöglicht es, Fundamente, Fahrbahnen und Erdarbeiten in quellgefährdeten Regionen von vornherein mit geeigneten Schutzmaßnahmen zu planen und so die Wahrscheinlichkeit kostspieliger Schäden im weiteren Lebenszyklus eines Bauwerks zu reduzieren.

Zitation: Bility, M.T., Vora, T., Lakhani, P.N. et al. Assessment of Lasso and Ridge models for soil swelling potential prediction. Sci Rep 16, 11922 (2026). https://doi.org/10.1038/s41598-026-39917-2

Schlüsselwörter: expansiver Boden, Bodenquellung, maschinelles Lernen, Lasso-Regression, geotechnische Ingenieurwissenschaft