Datengetriebene Vorhersage der Last-Setzungs-Reaktion von Mikropfahl-Rafts mit maschinellem Lernen und Monte-Carlo-Simulation

Warum winzige Pfähle unter großen Bauten wichtig sind

Moderne Städte verlassen sich auf Tiefgründungen, um Bauten stabil zu halten, auch wenn diese auf weichem Ton stehen, der sich langsam zusammenpressen und setzen kann. Ingenieure greifen zunehmend zu sehr schlanken Pfählen, sogenannten Mikropfählen, kombiniert mit einer flachen Betonplatte (Raft), um Lasten sicher zu tragen, wenn der Platz begrenzt oder die Bodenverhältnisse schwierig sind. Diese Studie untersucht, wie Daten und künstliche Intelligenz dabei helfen können vorherzusagen, wie stark solche mikropfahlgestützten Rafts unter Last einsinken, und liefert Planenden eine schnellere und zuverlässigere Methode zur Abschätzung von Sicherheit und Langzeitverhalten.

Kleine Pfähle, große Unterstützung

Eine Mikropfahl-Raft-Gründung kombiniert eine dicke Betonplatte mit vielen dünnen, stahlbewehrten Pfählen, die tief in den Boden gebohrt werden. Zwar ist jeder Pfahl nur wenige Zentimeter breit, doch gemeinsam können sie große Bauwerke tragen und gleichzeitig die Setzung klein halten. Sie sind besonders nützlich in weichem Ton, wo herkömmliche Flachgründungen zu stark einsinken würden. Das Verhalten dieses Systems ist komplex, weil die Platte, die gruppierten Mikropfähle und der umgebende Boden miteinander interagieren. Faktoren wie Pfahllänge und -abstand, Größe und Dicke der Platte sowie die Festigkeit des Tons beeinflussen, wie die Last verteilt wird und wie stark der Boden unter unterschiedlichen Spannungsniveaus zusammengedrückt wird.

Aufbau einer umfangreichen Testdatenbank

Um dieses Verhalten zu untersuchen, hat der Autor eine Datenbank mit 480 experimentellen Fällen zusammengestellt, die aus früheren Labor-Modellversuchen und großmaßstäblichen Feldmessungen an Mikropfahl-Rafts in kohäsiven Böden stammen. Für jeden Fall enthalten die Daten die Geometrie der Platte, die Größe, Anzahl und Anordnung der Mikropfähle, die Festigkeit des Tons und die angelegte Last sowie die gemessene Setzung. Indem die Tonverhältnisse relativ konstant gehalten und gleichzeitig die Gründungsanordnung variiert wurden, konzentriert sich der Datensatz darauf, wie Konstruktionsentscheidungen die Leistungsfähigkeit beeinflussen. Das macht ihn besonders geeignet zum Training von Computermodellen, die subtile Muster zwischen Gründungsentwurf, Bodeneigenschaften und resultierenden Bodenbewegungen erlernen können.

Maschinen trainieren, den Boden zu lesen

Die Studie vergleicht sechs gängige Methoden des maschinellen Lernens, um zu ermitteln, welche die Setzung am besten aus den verfügbaren Eingangsgrößen vorhersagt. Dazu gehören baumbasierte Techniken wie Random Forests und Boosting-Verfahren, eine nachbarschaftsbasierte Methode sowie zwei kernbasierte Verfahren: Support Vector Regression und Gaussian Process Regression. Alle Modelle werden sorgfältig mithilfe von Bayes-Optimierung und Kreuzvalidierung abgestimmt, um nicht von einer zufälligen, irreführenden Einstellung abzuhängen. Die Leistung wird mit mehreren Fehlermaßen und visuellen Prüfungen bewertet, die vorhergesagte und gemessene Setzungen über viele Laststufen vergleichen. Obwohl die meisten Modelle die Trainingsdaten sehr gut abbilden, tun sich viele schwer, vollständig neue Fälle zuverlässig vorherzusagen.

Warum ein Modell herausragt

Die Gaussian Process Regression erweist sich in diesem Vergleich als das vertrauenswürdigste Werkzeug. Sie erfasst die gekrümmte, nichtlineare Beziehung zwischen Last und Setzung, ohne einfach frühere Ergebnisse auswendig zu lernen. In Testdaten, die das Modell nie gesehen hat, hält es eine hohe Genauigkeit mit geringen mittleren Fehlern im Millimeterbereich. Außerdem liefert es Konfidenzbänder zu jeder Vorhersage, die anzeigen, wie sicher die Vorhersage unter verschiedenen Bedingungen ist. Um dies weiter zu untersuchen, speist die Studie das Modell mit tausenden leicht variierten Eingangskombinationen mittels Monte-Carlo-Simulation, wodurch kleine Unsicherheiten in Abmessungen und Bodenfestigkeiten nachgebildet werden. Die daraus resultierende Verteilung der vorhergesagten Setzungen bleibt eng, und die durchschnittlich vorhergesagten Last-Setzungs-Kurven folgen den in Experimenten gemessenen Kurven sehr gut.

Erkennen, welche Faktoren am wichtigsten sind

Über die reine Genauigkeit hinaus untersucht die Studie, wie das Modell seine Entscheidungen trifft, mithilfe eines Interpretierbarkeitswerkzeugs namens SHAP. Diese Analyse zeigt, dass der einflussreichste Faktor die angelegte Last selbst ist, gefolgt von Pfahllänge und Plattenbreite, die zusammen steuern, wie Kräfte in den Boden übertragen werden. Auch die Anzahl und der Abstand der Pfähle spielen eine Rolle, jedoch in geringerem Maße innerhalb des getesteten Bereichs. Tonfestigkeit und Plattendicke erscheinen in der statistischen Rangfolge weniger prominent, weil sie in den verfügbaren Daten eng miteinander verknüpft sind, nicht weil sie physikalisch unbedeutend wären. Insgesamt stimmt die Reihenfolge der einflussreichsten Merkmale gut mit der langjährigen ingenieurwissenschaftlichen Intuition darüber überein, wie Gründungen in weichem Ton reagieren.

Was das für zukünftige Entwürfe bedeutet

Die Arbeit zeigt, dass sorgfältig abgestimmtes maschinelles Lernen, insbesondere Gaussian Process Regression kombiniert mit Monte-Carlo-Simulation, Ingenieuren ein praktisches Werkzeug bieten kann, um vorherzusagen, wie Mikropfahl-Rafts unter verschiedenen Lasten setzen, und zugleich die Unsicherheit dieser Vorhersagen zu quantifizieren. Gegenwärtig sind die Ergebnisse am aussagekräftigsten innerhalb der kontrollierten Bedingungen der Labor- und ausgewählten Feldtests, und die Studie fordert mehr großmaßstäbliche Daten und ein breiteres Bodenspektrum. Dennoch zeigt das Rahmenkonzept, wie datengetriebene Modelle und traditionelles geotechnisches Wissen zusammenarbeiten können, um sicherere und effizientere Gründungsentwürfe für schwierige Böden zu entwickeln.

Zitation: El Gendy, M. Data-driven prediction of micro-piled raft load–settlement using machine learning and Monte Carlo simulation. Sci Rep 16, 16180 (2026). https://doi.org/10.1038/s41598-026-54119-6

Schlüsselwörter: Mikropfahl-Raft-Gründungen, maschinelles Lernen, Gaussian Process Regression, Last-Setzungsverhalten, Monte-Carlo-Simulation