Voorspelling van de verplaatsingen van paalkoppen en grondoppervlak rond palen op basis van machine-learningalgoritmen

Waarom kleine verschuivingen ondergronds ertoe doen

Wanneer nieuwe metrolijnen of fly-overs worden aangelegd, worden duizenden diepe betonnen palen de grond in gedrukt om de constructies te dragen. Dit samendrukken van de omliggende bodem kan nabijgelegen palen, wegen, gebouwen en ondergrondse leidingen slechts enkele millimeters verplaatsen — maar zelfs zulke kleine bewegingen kunnen beton doen scheuren of nutsleidingen doen buigen. De studie achter dit artikel onderzoekt hoe moderne machine-learninginstrumenten deze ondergrondse verschuivingen nauwkeuriger kunnen voorspellen dan traditionele formules, en zo ingenieurs helpen veiligere funderingen te ontwerpen in dichtbebouwde steden.

Hoe het intrillen van beton de bodem hervormt

Tijdens de bouw worden lange holle betonnen palen in zachte grond gedrukt in plaats van geslagen, een gebruikelijke methode bij stedelijke projecten zoals metrolijn 1 in Bogotá, Colombia. Terwijl elke paal wordt ingeklopt, moet de bodem ergens heen: ze wordt zijwaarts en omhoog geduwd, waardoor aangrenzende palen en het grondoppervlak worden belast. In ernstige gevallen kan dit leiden tot gebroken palen, opbolling van wegen of schade aan nabijgelegen leidingen die soms maar enkele tientallen centimeters verwijderd zijn. Ingenieurs gebruiken al lange tijd vereenvoudigde theorieën die elke paal als een uitdijende cilinder in de grond behandelen om deze effecten te schatten, maar die methoden worstelen met de rommelige realiteit van gelaagde bodems, complexe paalindelingen en bouwvolgorden.

Computers leren de reactie van de bodem te lezen

De onderzoekers wendden zich tot machine learning, een tak van kunstmatige intelligentie waarin computers patronen uit data leren in plaats van uitsluitend op handgeschreven vergelijkingen te steunen. Ze verzamelden honderden metingen van horizontale verplaatsing bij paalkoppen en bij meetpunten rondom die palen van het project in Bogotá. Voor elke meting registreerden ze ook een set invloedrijke factoren, waaronder hoe nat en dicht de bodem was, hoe stijf deze was, hoe ver een punt van het midden van de paalgroep lag, onder welke hoek rondom de groep het zich bevond, en hoeveel tijd was verstreken sinds het heien stopte en de bodem de tijd had gehad om te bezinken.

Verschillende leermachines op de proef gesteld

Verschillende typen algoritmen werden vergeleken. Een klassiek neuraal netwerk bekend als een back-propagation (BP) netwerk diende als referentie. Het team versterkte dit vervolgens met een aanpak genaamd AdaBoost, die veel zwakke voorspellers combineert tot een nauwkeuriger "comité", wat een AdaBoost-BP-model opleverde. Ze testten ook diepe neurale netwerken met meerdere verborgen lagen, random forests opgebouwd uit veel beslisbomen, en een populair geboost bomenmethodenpakket genaamd XGBoost. Alle modellen werden afgestemd en gecontroleerd met behulp van cross-validatie, een procedure die herhaaldelijk op een deel van de data traint en op de rest test om overfitting te voorkomen. Zowel voor kleine als grote datasets presteerden de gebooste en deep-learningmodellen duidelijk beter dan het basale BP-netwerk, waarbij diepe neurale netwerken in het bijzonder veel dichter bij de veldmetingen zaten.

Wat de grondbeweging echt bepaalt

Met nauwkeurige modellen in handen onderzochten de auteurs welke factoren het meest relevant waren. Met SHAP-analyse, een techniek die complexe modellen verklaart door elke invoer een bijdrage aan de voorspelling toe te kennen, vonden ze dat eenvoudige geometrie domineert: de horizontale afstand vanaf het midden van de paalgroep en de richting eromheen zijn de belangrijkste drijfveren van verplaatsing. Punten dichter bij het midden bewegen vaker meer, en de bewegingspatronen variëren rond de kompasrichting omdat de rijen palen niet perfect symmetrisch zijn. De tijd sinds het heien stopt speelt ook een grote rol, wat de langzame heraanpassing en kruip van de bodem weerspiegelt. Onder de bodemparameters hebben watergehalte, relatieve dichtheid en interne wrijhoek (een maat die relateert aan hoe goed korrels in elkaar grijpen) de sterkste invloed, terwijl andere parameters zoals cohesie en de totale volumieke massa minder van belang zijn.

Nieuwe instrumenten voor veiliger ondergronds bouwen

Door hun datagedreven voorspellingen te vergelijken met de traditionele theorie van cilindrische expansie, toonden de auteurs aan dat machine-learningmodellen, met name diepe neurale netwerken, horizontale verplaatsingen bij paalkoppen en punten op het grondoppervlak veel nauwkeuriger kunnen voorspellen. Voor toekomstige projecten — zoals extra metrolijnen — kan de aanpak tijdens het ontwerp worden gebruikt om verschillende paalindelingen, afstanden en bouwvolgorden op de computer te testen voordat de bodem wordt verstoord, waardoor het risico voor nabijgelegen gebouwen en leidingen afneemt. Kort gezegd, door computers direct te laten leren van gedetailleerde veldmetingen krijgen ingenieurs een scherper beeld van hoe de grond zal reageren, wat het eenvoudiger maakt vitale stedelijke infrastructuur stabiel en intact te houden.

Bronvermelding: Li, P., Guo, S., Liang, M. et al. Prediction of the displacements of the pile tops and ground surface around piles based on machine learning algorithms. Sci Rep 16, 6057 (2026). https://doi.org/10.1038/s41598-026-36502-5

Trefwoorden: paalfunderingen, bodemverplaatsing, machine learning, ondergrondse infrastructuur, metroconstructie