Clear Sky Science · de

Vorhersage des Vorhang-Injektionsvolumens mittels eines Bayesian-optimierten Stacking-Ensemble-Modells mit SHAP-Analyse

2026-04-01 · Zurück zur Übersicht

Warum die Vorhersage verdeckter Zementarbeiten wichtig ist

Tief unter Staudämmen und Tunneln injizieren Ingenieure flüssigen Zement in Gesteinsspalten, um zu verhindern, dass Wasser hindurchsickert. Dieser Vorgang, als Injektion oder Verguss bezeichnet, ist kostenintensiv und schwer direkt einsehbar, sodass die Arbeiter abschätzen müssen, wie viel Vergussmasse an jedem Bohrloch gepumpt werden soll. Schätzt man zu niedrig, kann Wasser weiter eindringen; schätzt man zu hoch, werden Geld, Material und Zeit verschwendet. Diese Studie zeigt, wie moderne Datentools Ingenieuren helfen können, die richtige Menge Verguss zuverlässiger vor Beginn der Arbeiten zu prognostizieren.

Risse abdichten bei großen Wasserprojekten

Große Staudämme und unterirdische Kavernen sind auf Vorhangschichten aus erhärtetem Verguss angewiesen, um die unterirdischen Wege zu blockieren, über die Wasser sonst entweichen würde. Arbeiter bohren viele Löcher ins Gestein und pumpen Zementsuspension ein, doch das Gestein unter der Oberfläche ist unregelmäßig, mit Klüften, die in Größe und Verbindung variieren. Da der Vorgang verborgen stattfindet und die Bedingungen von Ort zu Ort unterschiedlich sind, ist die Vorhersage des benötigten Vergussvolumens pro Bohrloch seit langem eine große Herausforderung für eine sichere Planung und Kostenkontrolle bei großen Wasser- und Wasserkraftprojekten.

Von Faustregeln zum Lernen aus Daten

Jahrzehntelang nutzten Ingenieure vereinfachte Formeln, Vergleiche mit früheren Projekten oder Computersimulationen der Strömung, um den Vergussbedarf abzuschätzen. Diese Ansätze halfen, stießen aber oft an ihre Grenzen bei komplexem realem Gestein und verrauschten Felddaten. In dieser Studie wandten sich die Autoren stattdessen dem Machine Learning zu, das Muster direkt aus Daten erlernt. Sie stellten 778 reale Vergussdatensätze aus einem großen Wasserprojekt in Xinjiang zusammen, jeder beschreibt die Bedingungen an einem Bohrloch: seine Position in der Bohrfolge, Tiefe, Länge des behandelten Abschnitts, Bohrlochdurchmesser, die vorherige Durchlässigkeit des Gesteins, das Anfangsverhältnis von Wasser zu Zement und den beim Verguss verwendeten Druck. Zielgröße war das tatsächlich gepumpte Vergussvolumen.

Figure 1. Wie datengesteuerte Modelle die Zementmenge unter Staudämmen vorhersagen, um Wasseraustritte zu kontrollieren und Kosten zu sparen.

Mehrere intelligente Modelle zu einem verschmelzen

Anstatt sich auf einen einzigen Algorithmus zu verlassen, verwendete das Team eine Strategie namens Stacking, die mehrere verschiedene Vorhersagemodelle zusammenarbeiten lässt. Drei Computer-Modelle, die besonders gut mit komplexen Mustern in tabellarischen Daten umgehen können, wurden als erste Schicht gewählt. Jedes prüfte dieselben sieben Eingangsgrößen und lieferte eine eigene Schätzung des Vergussvolumens. Ein einfaches, aber sorgfältig kontrolliertes Regressionsmodell nahm dann diese drei Schätzungen und verschmolz sie zu einer Endvorhersage. Um sicherzustellen, dass jedes Modell seine internen Einstellungen so effektiv wie möglich nutzt, wandten die Forscher bayesianische Optimierung an, eine Methode, die viele Kombinationen von Einstellungen auf organisierte, datengesteuerte Weise erkundet und abstimmt, statt durch Versuch und Irrtum.

Genauigkeit prüfen und die Blackbox öffnen

Um ihren Ansatz zu testen, verglichen die Autoren das Stacking-Modell mit seinen drei einzelnen Komponentenmodellen, sowohl vor als auch nach der Feinabstimmung. Sie maßen, wie eng die Vorhersagen mit den realen Vergussvolumen übereinstimmten, mithilfe gängiger Fehlermetriken. Das gestackte Modell mit bayesianischer Abstimmung erzielte die besten Ergebnisse und erklärte etwa 92 Prozent der Varianz des Vergussvolumens bei relativ geringen durchschnittlichen Fehlern.

Figure 2. Wie kombinierte Machine-Learning-Modelle Fels- und Bohrungsbedingungen in genaue Muster für das Injektionsvolumen überführen.

Um nachzuvollziehen, wie das Modell zu seinen Entscheidungen gelangte, nutzten sie eine Technik namens SHAP, die jedem Eingabefaktor einen Beitrag zu jeder Vorhersage zuweist. Diese Analyse zeigte, dass die ursprüngliche Permeabilität des Gesteins, ein Maß dafür, wie leicht Wasser hindurchfließt, bei weitem der einflussreichste Faktor war; außerdem spielten Bohrfolge, Druck und Tiefe wichtige Rollen.

Was das für die praktische Injektion bedeutet

Die Studie kommt zu dem Schluss, dass ein sorgfältig abgestimmtes, gestacktes Machine-Learning-Modell genauere und stabilere Vorhersagen des Vergussvolumens liefern kann als Einzelmodelle oder ältere regelbasierte Methoden, zumindest für das untersuchte Projekt. Indem quantifiziert wird, welche Bedingungen am wichtigsten sind und wie sie interagieren, kann der Ansatz Ingenieure dabei unterstützen, Bohr- und Pumpstrategien zu planen, Material zuzuweisen und Risiken in komplexen Untergrundverhältnissen effizienter zu managen. Zwar muss das Modell noch für andere Standorte getestet und angepasst werden, doch es bietet einen praktischen Weg zu einer dateninformierten Steuerung dieses entscheidenden, aber weitgehend verborgenen Teils des Damms- und Tunnelbaus.

Zitation: Ma, Y., Yuan, Z., Xiong, B. et al. Curtain grouting volume prediction using a Bayesian-optimized stacking ensemble model with SHAP analysis. Sci Rep 16, 15374 (2026). https://doi.org/10.1038/s41598-026-45538-6

Schlüsselwörter: Vorhanginjektion, Vorhersage des Injektionsvolumens, Machine Learning, Bayesianische Optimierung, SHAP-Analyse