Korrelationsanalyse zwischen der Kollabierbarkeit des Löss und physikomechanischen Kennwerten in der Longdong-Region sowie Vorhersage des Kollapskoeffizienten mittels maschinellen Lernens

Warum absinkender Boden den Alltag betrifft

In vielen Teilen Nordchinas sind Städte, Straßen und Kanäle auf einem durch Wind abgelagerten Boden aufgebaut, dem Löss. Dieser Boden kann bei Wassereintrag plötzlich kompakt werden, wodurch der Untergrund einsinkt und Gebäude sowie Infrastruktur beschädigt werden. Die hier zusammengefasste Studie untersucht Löss in der Longdong-Region und zeigt, wie einfache Messungen und modernes maschinelles Lernen schnell aufzeigen können, wo der Boden voraussichtlich stabil bleibt und wo er zusammenfallen könnte.

Empfindlicher Boden unter wachsenden Städten

Die Longdong-Region liegt im Kern des Lössplateaus, wo Lösschichten mehrere zehn Meter dick sein können. Während Projekte wie Wasserumleitungen, Schienenwege und Wohnbau in dieser Landschaft zunehmen, müssen Ingenieure einschätzen, wie wahrscheinlich eine Setzung bei Benetzung ist. Traditionelle Tests zur Bestimmung der Kollabierbarkeit erfordern aufwändige Laborarbeiten an vielen Proben und benötigen Zeit. Die Autorinnen und Autoren sammelten 259 Feldmessungen von Baustellen rund um die Stadt Qingyang; jede Aufzeichnung enthält die gemessene Setzung zusammen mit grundlegenden physikalischen Eigenschaften wie Tiefe, Dichte, Porenanteil, Wassergehalt und Kompressionsverhalten.

Einfache Bodenhinweise, die auf Probleme hindeuten

Mithilfe statistischer Analysen untersuchten die Forschenden, wie die gemessene Kollabierbarkeit des Lösses mit einzelnen Bodeneigenschaften zusammenhängt. Sie fanden heraus, dass das Volumen der Hohlräume im Boden, beschrieben durch das „Porenverhältnis“ (void ratio), den stärksten Zusammenhang mit der Setzung aufweist. Auch die Tiefe unter der Oberfläche spielt eine Rolle: flache Schichten unter geringerer Belastung sind lockerer und anfälliger für Kollaps, während tiefere Schichten natürlicherweise dichter sind. Wassergehalt und Kompressionsverhalten spielen sekundäre Rollen. Aus Tausenden von Datenpunkten identifizierten sie praxisnahe Schwellenwerte. In dieser Region zeigt Löss mit relativ wenigen Poren (Porenverhältnis unter 0,960) und einer Verlagerungstiefe größer als 16 Meter in Tests nahezu nie schädliche Setzungen.

Eine schnelle Regel für Bodenprüfungen

Aufbauend auf diesen Erkenntnissen schlug das Team eine schnelle Screening-Regel für Feldingenieure vor. Erfüllt eine Bodenschicht beide Bedingungen — niedriges Porenverhältnis und ausreichende Tiefe —, kann sie mit hoher Wahrscheinlichkeit als nicht kollabierfähig angesehen werden, wodurch der Bedarf an aufwändigen Kollapstests an diesen Stellen deutlich reduziert wird. Beim Abgleich dieser Regel mit dem ursprünglichen Datensatz und einer unabhängigen Stichprobe von 62 neuen Proben aus nahegelegenen Standorten identifizierte die Regel nicht-kollabierfähigen Boden in etwa 98 Prozent der Fälle korrekt. Die wenigen Fehlklassifikationen lagen nahe an der Grenze zwischen „sicher“ und „unsicher“ und spiegeln die natürliche Variabilität des Lösses und der Testbedingungen wider.

Computer das Lesen des Bodens beibringen

Um über einfache Regeln hinauszugehen, trainierten die Forschenden außerdem Computermodelle, um den genauen Kollapswert aus vier Schlüsselmessgrößen vorherzusagen: Tiefe, Porenverhältnis, Wassersättigung und Kompressionsverhalten. Sie verglichen drei verbreitete Methoden des maschinellen Lernens — Random Forests, Extreme Gradient Boosting und Support Vector Machines — sowie eine einfachere Formel mit zwei Parametern. Alle Modelle erfassten die Haupttrends, aber das Gradient-Boosting-Modell hob sich in puncto Genauigkeit und Stabilität hervor: Es stimmte sowohl für Trainings- als auch für Testdaten sehr gut mit den gemessenen Kollapswerten überein und klassifizierte kollabierfähige gegenüber nicht-kollabierfähigen Proben in über 92 Prozent der Fälle korrekt.

Die Vorhersagen durchschaubar machen

Da Ingenieure diesen Vorhersagen vertrauen und sie verstehen müssen, wandten die Autorinnen und Autoren ein Erklärwerkzeug namens SHAP an, um zu sehen, wie jeder Eingabewert die Modellvorhersage beeinflusst. Die Erklärungen bestätigten, dass Porenverhältnis und Tiefe die Vorhersage dominieren: höhere Porenverhältnisse und geringere Tiefen treiben das Modell zu höheren vorhergesagten Setzungen. Wassersättigung und Kompressionskoeffizient haben subtilere, fallweise unterschiedliche Effekte. Die Analyse hob außerdem eine besonders riskante Kombination hervor: Schichten, die flacher als etwa 11 Meter liegen und ein Porenverhältnis über 1,02 aufweisen, sind besonders kollapsgefährdet bei Benetzung.

Was das für das Bauen auf Löss bedeutet

Vereinfacht gesagt zeigt diese Untersuchung, dass eine Handvoll unkomplizierter Bodenmessungen viel darüber aussagt, wie sicher es ist, auf Löss zu bauen. Eine einfache Regel auf Basis von Tiefe und Porenraum kann schnell Schichten markieren, die sehr wahrscheinlich nicht kollabieren, während ein gut getestetes maschinelles Lernmodell bei Bedarf präzisere Risikoabschätzungen liefern kann. Zusammen bieten diese Werkzeuge den Ingenieuren in der Longdong-Region einen schnelleren und transparenteren Weg zur Planung von Gründungen, um kostspielige Überraschungen zu reduzieren und Bauwerke auf einem von Natur aus empfindlichen Untergrund standfest zu errichten.

Zitation: Liu, D., Wang, K., Bian, Y. et al. Correlation analysis between the collapsibility of loess and physicomechanical indices in Longdong region and prediction of the collapsibility coefficient based on machine learning. Sci Rep 16, 15939 (2026). https://doi.org/10.1038/s41598-026-45254-1

Schlüsselwörter: Kollabierbarkeit von Löss, Bodentragverhalten, maschinelles Lernen, Gründungsingenieurwesen, Longdong-Region