Abschätzung der Durchsickerung in heterogenen Erdstoffdämmen auf durchlässigen Grundschichten mithilfe erklärbarer maschineller Lernverfahren

Warum Wasser, das durch Dämme sickert, wichtig ist

Weltweit sind viele Gemeinden auf Erddämme angewiesen, um Trinkwasser zu speichern, Felder zu bewässern und Hochwasser zu beherrschen. Doch diese scheinbar massiven Bauwerke sind ständig undicht. Ein kleiner, gut beherrschter Rinnsal ist unproblematisch; zu viel verborgenes Sickerwasser kann Tunnel im Damm oder im Fundament ausspülen und plötzlichen Versagen auslösen. Dieser Beitrag untersucht, wie moderne Verfahren des maschinellen Lernens Ingenieuren helfen können, diesen unsichtbaren Durchfluss genauer und schneller vorherzusagen, insbesondere im realistischeren Fall von Dämmen mit geschichteten Innenaufbauten auf durchlässigem Untergrund.

Wie Dämme unter der Oberfläche lecken

Erdstoffdämme sind keine homogenen Bodenberge. Häufig besitzen sie einen relativ wasserdichten Kern, flankiert von poröseren Schalen, und ruhen auf einem Fundament, das selbst Wasser durchlassen kann. Wenn das Stauwasser gegen die stromaufwärts liegende Böschung drückt, sickert ein Teil durch den Dammkörper und unter seiner Basis hindurch und folgt dabei komplexen Wegen, die von Wasserstand, Bodentypen und Dammgeometrie gesteuert werden. Traditionelle Handrechnungen vereinfachen dieses Bild so stark, dass sie nur für idealisierte Formen brauchbar sind. Detaillierte Computersimulationen auf Basis der Finite-Elemente-Methode sind genauer, können aber langsam sein und Spezialwissen erfordern, was ihren Einsatz bei schnellen Entwurfsprüfungen oder routinemäßigen Sicherheitsüberprüfungen einschränkt.

Computern beibringen, Sickerungsmuster zu erkennen

Die Autoren stellten eine große digitale Bibliothek mit 4.374 Sickerungsszenarien zusammen, von denen jedes von einem anerkannten Simulationsprogramm erzeugt wurde, das den Wasserfluss durch und unter Dämmen berechnet. In jedem Fall variierten sie sieben wichtige Eingangsgrößen, die Ingenieure messen oder entwerfen können: Kronenbreite, Fundationstiefe, Stauwasserstand, die Längen der stromauf- und stromabwärts gerichteten Böschungen, wie leicht Wasser durch das Fundament fließt, und wie viel weniger durchlässig der Kern im Vergleich zu den Schalen ist. Für jede Kombination von Eingaben lieferte die Simulation eine Hauptgröße als Ausgabe: wie viel Wasser pro Meter Damm entweicht. Dieser kuratierte Datensatz wurde zum Trainingsfeld für mehrere Modelle des maschinellen Lernens, die darauf abzielen, die Durchsickerung direkt aus den sieben Eingaben vorherzusagen.

Das verlässlichste Vorhersagemodell finden

Das Team testete fünf Modellfamilien, die im Umgang mit tabellarischen Ingenieursdaten weit verbreitet sind: einzelne Entscheidungsbäume, Random Forests und drei „Boosting“-Methoden, die viele kleine Bäume zu einem leistungsstarken Ensemble verbinden. Anstatt Modellparameter zu raten, nutzten sie Bayessche Optimierung, eine systematische Suchstrategie, die jeden Versuch als Experiment behandelt und sich auf die vielversprechendsten Optionen zubewegt, während Überanpassung vermieden wird. Die Leistung wurde mit einer Reihe von Fehlermaßen, grafischen Vergleichen zwischen Vorhersagen und Simulationsergebnissen sowie Kreuzprüfungen mit mehreren Datenaufteilungen beurteilt. Der klare Sieger war das kategorische Gradient-Boosting-Modell (CGB), das die simulierte Durchsickerung mit nahezu perfekter Genauigkeit auf unbekannten Daten reproduzierte, während einfachere Baumverfahren zurückblieben.

Die Blackbox des maschinellen Lernens öffnen

Um diese ausgefeilten Modelle für Dammingenieure nützlich zu machen, mussten die Autoren erklären, was ihre Vorhersagen antreibt. Sie griffen auf ein modernes Interpretierbarkeitswerkzeug namens SHAP zurück, das jedem Eingang in jedem Szenario einen Anteil an der Verantwortung für die Ausgabe zuweist. Diese Analyse zeigte, dass zwei Faktoren das Sickerungsverhalten dominieren: wie tief das Stauwasser ist und wie viel dichter (weniger durchlässig) der Kern im Vergleich zu den umgebenden Schalen ist. Größeres Wasseraufkommen treibt die Durchsickerung stark nach oben, während ein deutlich weniger durchlässiger Kern sie stark reduziert. Die Durchlässigkeit des Fundaments und die Fundationstiefe spielen eine sekundäre Rolle, und die Kronenbreite hat eine moderat stabilisierende Wirkung. Details der Böschungen sind innerhalb der untersuchten Bereiche relativ unbedeutend, ein Ergebnis, das hilft, die Aufmerksamkeit auf die einflussreichsten Gestaltungshebel zu konzentrieren.

Vom Forschungsmodell zum Alltagswerkzeug

Um die Lücke zwischen Theorie und Praxis zu überbrücken, wurde das leistungsfähigste CGB-Modell in einer einfachen Desktop-Anwendung eingebettet. Anwender können die sieben Damm- und Fundationseigenschaften eingeben und sofort eine Abschätzung der Durchsickerung erhalten, einzeln oder für viele Szenarien auf einmal. Die Modellvorhersagen stimmten sowohl mit früheren numerischen Studien als auch mit einer unabhängigen Fallstudie des Hub-Staudamms in Pakistan überein und lagen über mehrere Wasserstände hinweg in etwa 10 Prozent der etablierten Ergebnisse. Für Nichtfachleute ist die Kernaussage beruhigend: Durch die Kombination hochauflösender Simulationen, fortschrittlicher Verfahren des maschinellen Lernens und klarer Erklärungen der wichtigsten Einflussgrößen haben Ingenieure nun eine schnelle und transparente Möglichkeit, abzuschätzen, wie viel Wasser durch komplexe Erddämme sickert, und zu prüfen, ob diese Lecks innerhalb sicherer Grenzen bleiben.

Zitation: Sayed Ahmed, M.M., Khursheed, M.Z., Alshameri, B. et al. Estimating seepage in heterogeneous earthfill dams on permeable foundations using explainable machine learning. Sci Rep 16, 12060 (2026). https://doi.org/10.1038/s41598-026-45048-5

Schlüsselwörter: Erdstoffdämme, Durchsickerung, maschinelles Lernen, Dämmsicherheit, Geotechnik