Pareto-optimierter gestapelter Ensemble-Maschinenlernrahmen zur Vorhersage der Tragfähigkeit von Rammpfählen aus statischen Belastungsprüfungen

Warum starke Fundamente wichtig sind

Jedes Gebäude, jede Brücke oder jede Windkraftanlage steht und fällt letztlich mit dem Untergrund. Unter der Oberfläche tragen lange Betonpfähle die Lasten von Bauwerken hinab auf festen Boden oder Fels. Wenn Ingenieure die sichere Tragfähigkeit dieser Pfähle unterschätzen, kann das zu Setzungen, Rissen oder gar Versagen führen. Wird sie überschätzt, werden Projekte unnötig teuer. Diese Studie untersucht, wie moderne Verfahren des maschinellen Lernens routinemäßige Vor-Ort-Tests in deutlich genauere Vorhersagen der Pfahltragfähigkeit verwandeln können, um Bauvorhaben sowohl sicherer als auch wirtschaftlicher zu machen.

Von einfachen Regeln zu datengetriebenen Einsichten

Traditionell stützen sich Ingenieure auf Formeln, Laborexperimente im Kleinmaßstab und numerische Simulationen, um die Tragfähigkeit von Rammpfählen abzuschätzen. Diese Methoden funktionieren meist ausreichend, tun sich aber schwer mit der unordentlichen Realität geschichteter Böden, Grundwasserverhältnissen und Einbaueffekten. Als Goldstandard gilt die sogenannte statische Belastungsprüfung: Ein Pfahl wird schrittweise belastet, während seine Setzung gemessen wird. Diese Vorgehensweise ist jedoch zeitaufwendig, kostspielig und an vielen Standorten schwer zu wiederholen. Zugleich werden in der geotechnischen Praxis routinemäßig einfache SPT-Daten (Standard Penetration Test) gewonnen, die einen groben Anhalt für den Widerstand des Bodens in der Tiefe liefern. Die zentrale Idee dieser Arbeit ist, maschinelles Lernen zu nutzen, um diese weit verbreiteten SPT-Ergebnisse zusammen mit Pfahlgeometrie und Standortdaten direkt mit hochwertigen Ergebnissen aus Belastungsprüfungen zu verknüpfen.

Aufbau einer intelligenteren Vorhersagemaschine

Die Autoren stellten eine Datenbank mit 472 statischen Belastungsprüfungen an rammpfählern aus armiertem Beton in einer vietnamesischen Provinz zusammen, deren Bodenverhältnisse zwar variierten, aber systematisch dokumentiert waren. Für jeden Test wurden Pfahldurchmesser, Schichtdicken mehrerer Bodenschichten, Gelände- und Pfahlsohlhöhen, die Tiefe bis zur Pfahlspitze sowie durchschnittliche SPT-Schläge entlang des Pfahlkörpers und an der Spitze erfasst. Diese Eingangsgrößen erfassen sowohl die Größe des Pfahls als auch die Festigkeit des umgebenden Bodens, die gemeinsam die Tragfähigkeit bestimmen. Ziel war es, ein Modell zu trainieren, das bei Eingabe dieser Daten für einen neuen Standort eine verlässliche Schätzung der axialen Tragfähigkeit des Pfahls liefert, ohne dass eine großmaßstäbliche Belastungsprüfung erforderlich ist.

Mehrere Denkweisen zu einer kombinieren

Anstatt sich auf einen einzelnen Algorithmus zu verlassen, verwendet die Studie ein „gestapeltes“ Ensemble: Drei verschiedene Maschinenlernmodelle — Random Forest, k-Nearest Neighbors und Extreme Gradient Boosting — werden parallel trainiert, und ihre Vorhersagen werden anschließend von einem Zweitstufenmodell kombiniert. Dieses Meta-Modell wird mittels einer multiobjektiven Suche abgestimmt, die von evolutionären Strategien inspiriert ist und als Pareto-Optimierung bekannt ist. Die Optimierung balanciert konkurrierende Ziele aus: maximale Genauigkeit auf unbekannten Daten bei gleichzeitiger Vermeidung von Überanpassung. Durch wiederholte Tests und Fünffach-Kreuzvalidierung erzielte die beste Kombination auf dem Testdatensatz einen Bestimmtheitsmaß (ein Maß dafür, wie gut Vorhersagen der Realität entsprechen) von etwa 0,95 sowie deutlich reduzierte Fehler verglichen mit jedem einzelnen Modell.

Blick in die Black Box

Wie das reale Projekte unterstützt

Durch die sorgfältige Kombination mehrerer maschineller Lernansätze und deren Optimierung an mehreren Zielen liefert diese Arbeit ein Vorhersagewerkzeug, das sowohl genau als auch interpretierbar ist. Für Standorte mit ähnlicher Geologie und ähnlichen Prüfpraktiken wie in der Studie könnten Ingenieure Standard-SPT-Daten und Planungsparameter nutzen, um verlässliche Schätzungen der Pfahltragfähigkeit zu erhalten, die Anzahl teurer Belastungsprüfungen zu reduzieren und Sicherheitszonen besser zu steuern. Die Autoren geben zu bedenken, dass ihre Daten aus einer einzigen Region stammen und langfristige zeitliche Effekte sowie einige Einbaudetails nicht vollständig erfasst sind; Urteilsvermögen und lokale Kalibrierung bleiben daher unerlässlich. Nichtsdestotrotz zeigt das Rahmenwerk, wie datengetriebene Modelle, wenn sie transparent analysiert werden, zu praktischen Partnern in der Gründungsplanung werden können statt zu undurchschaubaren Black Boxes.

Zitation: Abdellatief, M., ElNemr, A. & Altahrany, A. Pareto-optimized stacked ensemble machine learning framework for predicting bearing capacity of driven piles from static load test data. Sci Rep 16, 11360 (2026). https://doi.org/10.1038/s41598-026-43660-z

Schlüsselwörter: Pfahlgründung, Tragfähigkeit, Geotechnik, Maschinelles Lernen, statische Belastungsprüfung