KI-gestützte Bodenklassifizierung mit unvollständigen CPT-Daten für Offshore-Windparks

Warum Meeresbodenböden für Windenergie wichtig sind

Offshore-Windturbinen stehen in einigen der rauesten Umgebungen der Erde, und ihre Stabilität hängt davon ab, was sich unter der Wasseroberfläche verbirgt: die Meeresbodenböden, die ihre massiven Fundamente halten. Die Untersuchung dieser Böden in großen Wassertiefen ist teuer und oft unvollständig, sodass Ingenieure mit lückenhaften Informationen wichtige Entscheidungen treffen müssen. Diese Studie zeigt, wie künstliche Intelligenz aus begrenzten Testdaten sinnvolle Bodenklassifikationen ableiten kann, um Planern zu helfen, Offshore-Windturbinen sicherer und effizienter zu platzieren.

Von Seebodentests zu Bodentypen

Ingenieure erkunden den Meeresboden häufig mit Konuspenetrationstests, bei denen ein Metallkonus in den Untergrund gedrückt wird, während gemessen wird, wie stark der Boden dem Widerstand leistet, wie viel Reibung entlang der Hülse entsteht und wie sich der Porenwasserdruck verändert. Diese Messungen werden traditionell mit Diagrammen wie der Robertson-Klassifikation interpretiert, die Muster in den Messwerten mit unterschiedlichem Bodenverhalten verknüpft, etwa lockerem Sand, steifem Ton oder Mischformen dazwischen. Das Problem ist, dass diese Diagramme vollständige, saubere Daten voraussetzen — etwas, das bei Offshore-Untersuchungen, in denen Schiffe, Wellen und große Wassertiefen stören, selten erreicht wird.

Aufbau einer virtuellen Bibliothek von Meeresbodenbedingungen

Um das Problem fehlender Informationen zu lösen, erzeugten die Forscher zunächst eine große virtuelle Bibliothek möglicher Bodenbedingungen, statt sich nur auf knappe Feldtests zu stützen. Sie verwendeten realistische Bereiche für zentrale Konusmessgrößen — Konusspitzenwiderstand, Hülsenreibung, Porenwasserdruck und Spannungen im Boden — und generierten mehr als 200.000 synthetische Testdatensätze. Diese Datensätze wurden dann mithilfe der Robertson-Karte in Bodenverhaltenszonen übersetzt, sodass jeder simulierte Test ein Boden-„Label“ erhielt. Durch gleichmäßiges Sampling über die Bereiche hinweg sowie entsprechend realistischer statistischer Muster stellten sie sicher, dass die synthetische Bibliothek alles von sehr weichen Tonen bis zu dichten Sanden und Kiesen abdeckte.

Maschinen beibringen, den Meeresboden zu lesen

Mit dieser synthetischen Bibliothek trainierte das Team mehrere Modelle des maschinellen Lernens, um das Bodenverhalten direkt aus Konustest-Eingaben vorherzusagen. Sie testeten Random Forests, neuronale Netze, Support-Vektor-Methoden und Entscheidungsbäume und feinabstimmten sorgfältig die internen Einstellungen jedes Modells. Unter ihnen hob sich das Random-Forest-Modell hervor: Es stimmte numerisch nahezu perfekt mit den Robertson-basierten Bodenbereichen überein und erreichte mehr als 92 % Genauigkeit, wenn seine Vorhersagen später in eine Standardbodenklassifikation überführt wurden. Interne Prüfungen des Modells zeigten, dass Konusspitzenwiderstand, Hülsenreibung und effektive Vertikalspannung die einflussreichsten Eingaben waren — im Einklang mit langjährigem geotechnischem Verständnis und ein Hinweis darauf, dass das Modell reale physikalische Zusammenhänge und nicht bloß zufällige Muster lernte.

Genau bleiben, wenn Daten fehlen

Der entscheidende Test war, ob die KI auch bei fehlenden Messungen gute Leistung erbringen kann — eine Situation, die Offshore-Untersuchungen nachahmt, wenn Geräte ausfallen oder bestimmte Sensoren nicht eingesetzt werden. Die Forscher entfernten systematisch nacheinander einzelne Eingaben und ersetzten sie durch unsichere Werte, führten dann wiederholt Monte-Carlo-Simulationen durch, um zu sehen, wie sich die Genauigkeit im Durchschnitt veränderte. Wenn die kritischsten Eingaben — Konuswiderstand, Hülsenreibung oder effektive Spannung — fehlten, sank die Genauigkeit deutlich, was ihre Bedeutung bestätigte. Fehlten hingegen andere Parameter wie Porenwasserdruck oder Gesamtsogspannung, blieb die Modellgenauigkeit oft hoch, häufig über 90 %. Das zeigt, dass das Framework nützliche Bodenklassifikationen liefern kann, auch wenn Teile des Konusprotokolls unvollständig sind.

Methodenprüfung an realen Offshore-Windparks

Um über virtuelle Daten hinauszugehen, testete das Team sein trainiertes Random-Forest-Modell an 229.808 realen Konustestdatensätzen aus 99 Bohrlöchern auf Offshore-Windparkstandorten in Taiwan und den Niederlanden. Keine dieser realen Messungen wurde zum Training verwendet. Die Bodenverhaltensvorhersagen der KI wurden mit unabhängigen Klassifikationen verglichen, die auf einem weit verbreiteten ingenieurtechnischen System beruhen, das Böden nach Korngröße und Plastizität gruppiert. Das Modell stimmte in über 92 % der Fälle mit diesen Klassifikationen überein und übertraf mehrere bestehende maschinelle Lernansätze. Wiederholte Simulationen zeigten außerdem, dass die Vorhersagen innerhalb eines engen 95-%-Konfidenzbereichs lagen, was auf ein stabiles und verlässliches Verhalten hinweist.

Was das für die Zukunft der Offshore-Windenergie bedeutet

Für Nicht-Fachleute lautet die Schlussfolgerung, dass die Studie einen intelligenten Assistenten für das Lesen des Meeresbodens bereitstellt. Anstatt etablierte ingenieurwissenschaftliche Diagramme zu ersetzen, erweitert das KI-Framework deren Anwendung auf unordentliche, reale Situationen, in denen Daten unvollständig oder fehlerhaft sind. Indem es aus einer sorgfältig gestalteten synthetischen Bibliothek lernt und sich anschließend an großen Offshore-Datensätzen bewährt, bietet die Methode einen praktischen Weg, Meeresbodenböden schnell und konsistent zu klassifizieren. Das kann kostspielige Zusatzuntersuchungen reduzieren, sicherere Fundamententwürfe unterstützen und letztlich dazu beitragen, mehr Offshore-Windprojekte mit größerer Zuversicht bezüglich der Beschaffenheit unterhalb jeder Turbine umzusetzen.

Zitation: Ku, CY., Wu, TY., Liu, CY. et al. AI-enhanced soil classification with incomplete CPT data for offshore wind farm. Sci Rep 16, 10589 (2026). https://doi.org/10.1038/s41598-026-46356-6

Schlüsselwörter: Offshore-Wind, Meeresbodenböden, Konuspenetrationstest, Maschinelles Lernen, Fundationsentwurf