Maschinelles Lernen zur Bestimmung regionaler Parameter des HSS-Modells: eine Fallstudie von Qingdao, China

Warum Stadtausgrabungen intelligentere Werkzeuge brauchen

Wenn Ingenieure in dicht bebauten Städten tiefe Gruben für Kellergeschosse, U‑Bahn‑Stationen oder Tiefgaragen ausheben, können bereits wenige Millimeter unerwarteter Bodenbewegungen benachbarte Gebäude zum Riss oder unterirdische Leitungen beschädigen. Um Menschen und Infrastruktur zu schützen, verlassen sich Planer auf Computermodelle, die vorhersagen, wie sich der Boden während der Ausgrabung verformt. Diese Arbeit zeigt, wie maschinelles Lernen die Zeit und Kosten zur Kalibrierung eines der fortschrittlichsten Bodenmodelle für eine Küstenstadt in China erheblich reduzieren kann, während sie dennoch reale Messungen mit bemerkenswerter Genauigkeit nachbildet.

Wie Ingenieure normalerweise vorhersagen, wie sich der Boden bewegt

Moderne Baustellen nutzen häufig die Methode der finiten Elemente, ein numerisches Verfahren, das Boden und Bauwerke in viele kleine Elemente unterteilt und berechnet, wie sich jedes einzelne bei Lastwechseln verformt. Damit diese Methode gut funktioniert, braucht sie eine realistische Beschreibung des Bodenverhaltens, insbesondere bei tiefen Gruben in der Nähe von Hochhäusern und unterirdischen Leitungen. Eine weithin geschätzte Option ist das „Hardening Soil Small‑Strain“‑Modell, das erfasst, wie sich die Steifigkeit des Bodens mit der Belastungsgeschichte und bei sehr kleinen Dehnungen ändert. Dieses Modell erfordert jedoch viele Eingangsparameter, von denen einige stark von Ort zu Ort variieren. Traditionell werden diese Parameter in speziellen Laborversuchen an Bodenproben bestimmt, was sowohl teuer als auch zeitaufwändig ist. Daher werden die genauesten Modelle im Alltag oft nur unzureichend genutzt.

Herausfinden, welche Bodenzahlen wirklich zählen

Die Autoren sichteten zunächst veröffentlichte Versuchsdaten aus mehreren chinesischen Städten, um zu verstehen, welche Parameter des fortgeschrittenen Bodenmodells tatsächlich steuern, wie sich eine tiefe Grube verformt. Sie verglichen Schlüsselsteifigkeiten mit einer bekannteren Größe, dem Kompressionsmodul, und betrachteten diese Verhältnisse für verbreitete Bodentypen wie Auffüllungen, schluffigen Ton und mittel‑feinen Sand. Zwei Steifigkeitsmaße, die mit dem gewöhnlichen Kompressionsverhalten verknüpft sind, lagen nahe einem Eins‑zu‑Eins‑Verhältnis mit dem Kompressionsmodul und zeigten eine geringe Sensitivität gegenüber der Grubenbewegung. Im Gegensatz dazu variierten zwei andere Steifigkeitsmaße – eines, das beschreibt, wie der Boden zurückfedert, wenn Lasten entnommen werden, und eines, das das Verhalten bei sehr kleinen Dehnungen erfasst – stark zwischen Regionen und hatten einen starken Einfluss auf die vorhergesagten Verschiebungen. Diese Erkenntnis erlaubte es dem Team, einige Parameter als nahezu konstant zu behandeln und sich auf die wenigen zu konzentrieren, die die lokale Verformung tatsächlich steuern.

Einem neuronalen Netz beibringen, das Verhalten der Grube zu lesen

Mit diesem Wissen nutzten die Forscher eine tiefe Baugrube in Qingdao als Trainingsfeld. Die Böden vor Ort bestanden aus Auffüllmaterial, schluffigem Ton und mittel‑feinem Sand über verwittertem Granit. Sie entwarfen systematisch Parameterkombinationen für die beiden sensitiven Steifigkeitswerte in jeder Bodenschicht und führten eine Reihe dreidimensionaler Computersimulationen der Ausgrabung durch. Für jede Kombination zeichneten sie auf, wie stark die Verbauwände durchbogen und wie die Bodenoberfläche an ausgewählten Messpunkten absank. Diese gepaarten Ein‑ und Ausgabedaten bildeten einen Datensatz zur Schulung eines Backpropagation‑Neuralnetzes, eines einfachen Modells des maschinellen Lernens, das lernt, Ursachen mit Wirkungen zu verknüpfen. Nach dem Training konnte das Netz wenige gemessene Wand‑ und Bodenbewegungen der realen Baustelle aufnehmen und schnell rückschließen, welche Bodesteifigkeitsparameter sie verursacht haben müssen.

Überprüfung der Methode an realen Bauprojekten

Um zu prüfen, ob dieser virtuelle „Boden‑Detektiv“ vertrauenswürdig ist, wendeten die Autoren die ermittelten Steifigkeitswerte auf zwei unabhängige Tiefbauprojekte in Qingdao an, die Pfahl‑ und Ankerverbau nutzten. Sie erstellten numerische Modelle mit den neu gewonnenen Parametern und verglichen die vorhergesagten Wandverformungen und Oberflächensetzungen mit den während der Bauarbeiten erfassten Feldmessungen. Die Abweichungen waren beeindruckend gering: Typische mittlere absolute Fehler lagen unter einem halben Millimeter, und die quadratischen Mittelwerte (RMSE) waren ebenfalls sehr klein. Anders gesagt, die Simulationen stellten das beobachtete Verhalten der Gruben mit einer Genauigkeit nach, die mehr als ausreichend für ingenieurtechnische Sicherheitsprüfungen und Entwurfsanpassungen ist.

Was das für sichereren und günstigeren Untertagebau bedeutet

Für Nicht‑Fachleute lautet die Kernbotschaft, dass die Studie zeigt, wie eine bescheidene Menge an Baustellenüberwachung kombiniert mit sorgfältig gestalteten Simulationen und einem neuronalen Netz viele aufwändige Laboruntersuchungen ersetzen kann. Indem man die wenigen Bodeneigenschaften isoliert, die am meisten zählen, und maschinelles Lernen verwendet, um sie an reale Verformungen anzupassen, können Ingenieure anspruchsvollere Bodenmodelle ohne unverhältnismäßigen Aufwand einsetzen. Für die typischen Böden in Qingdao liefern die Autoren sogar gebrauchsfertige Verhältnisse zwischen den sensitiven Steifigkeitsparametern und standardisierten Kompressionsgrößen, die Planern eine praktische Abkürzung bieten. Im weiteren Sinne weist der Ansatz in eine Zukunft, in der unterirdische Baumaßnahmen durch datengetriebene, lokal kalibrierte Modelle geleitet werden, die die Sicherheitsreserven verbessern und gleichzeitig Kosten und Zeitpläne im Griff behalten.

Zitation: Yuan, C., Zhang, Q., Feng, H. et al. Machine learning-based method for determining regional parameters of the HSS model: a case study of Qingdao, China. Sci Rep 16, 13124 (2026). https://doi.org/10.1038/s41598-026-43150-2

Schlüsselwörter: Tiefbaugrube, Bodensimulierung, maschinelles Lernen, neuronale Netze, Bodenverformung