Machine learning-gebaseerde beoordeling van schuifsterktefactoren in grond-breuksteenmengsels voor bergtransformatorstationvulling

Waarom dit belangrijk is om het licht aan te houden

Groeiende steden in bergachtige gebieden hebben transformatorstations nodig die elektriciteit veilig kunnen leveren, vaak geplaatst op uitgegraven en opgevulde hellingen. In plaats van perfecte bouwgrond aan te voeren, hergebruiken ingenieurs steeds vaker ter plaatse gevonden ophoogmaterialen bestaande uit gemengde grond en gebroken gesteente. Deze grond–breuksteenmengsels zijn goedkoop en duurzaam, maar hun gedrag onder belasting is moeilijk te voorspellen, wat het risico op ongelijke zetting of zelfs hellingsinstorting onder kritieke elektrische apparatuur vergroot. Deze studie toont hoe een eenvoudige vorm van kunstmatige intelligentie door vele onderlinge grondkenmerken kan lopen om te bepalen welke het belangrijkst zijn voor het stabiel houden van deze bergtransformatorstations.

Gerecyclede ondergrond, complex gedrag

In steil terrein betekent het aanleggen van een vlak platform voor een transformatorstation meestal het insnijden in sommige hellingen en het opvullen van andere. Om kosten en vrachtverkeer te beheersen, hergebruiken aannemers vaak lokaal materiaal bestaande uit klei, verweerde vulkanische gesteenten en fragmenten van harder basalt. Samen vormen deze grond–breuksteenmengsels: lastige, ongelijkmatige materialen waarvan de sterkte afhangt van hoeveel water ze bevatten, hoe dicht ze zijn verdicht en hoe de fijne grond de grotere stenen aan elkaar lijmt. Omdat het mengsel van plaats tot plaats en van laag tot laag kan variëren, kan de ondergrond ongelijkmatig zetten onder zware transformatoren, wat gevoelige elektrische componenten in gevaar brengt die slechts zeer kleine verplaatsingen verdragen.

Van laboratoriumtests naar een leermodel

De onderzoekers verzamelden representatieve materialen van een transformatorstationlocatie in het zuidwesten van China, maakten ze vervolgens fijn, zeefden en mengden ze om gecontroleerde mengsels te creëren. In het laboratorium verdichtten ze deze mengsels tot standaardmonsters en voerden directe schuifproeven uit onder verschillende drukken, waarbij ze de belastingen in de ophooglagen nabootsten. Voor elk monster maten ze belangrijke fysieke eigenschappen: hoe dicht het was in droge staat, hoeveel water het bevatte, hoeveel lege ruimte er tussen de korrels lag (de poriewaarde), en twee eenvoudige grenzen die beschrijven hoe nat de fijne grond kan worden voordat deze zich meer als een pasta of een vloeistof gedraagt. Deze metingen, gecombineerd met de resulterende schuifsterkte (verdeeld in wrijving en cohesie), vormden een dataset van 112 zorgvuldig voorbereide gevallen.

Een neuraal netwerk trainen over grond en steen

In plaats van te proberen deze verwarde relaties in eenvoudige formules te persen, trainde het team een feedforward neuraal netwerk, een basaal machine-learningmodel dat patronen direct uit data leert. Het model nam de vijf gemeten grondkenmerken als inputs en leerde twee outputs te voorspellen: hoeveel het mengsel aan elkaar kleeft (cohesie) en hoeveel het weerstand biedt tegen verschuiven (interne wrijvingshoek). Ze stemden de instellingen van het netwerk af en vergeleken de prestaties met meer traditionele methoden zoals lineaire regressie, k-naaste-buur-methoden en random forests. Met herhaalde kruiscontroles op achtergehouden data gaf het neurale netwerk consequent nauwkeurige voorspellingen, die sterk overeenkwamen met gemeten sterktewaarden en de alternatieven op deze bescheiden dataset licht overtroffen.

Welke grondkenmerken tellen echt?

Toen ze een betrouwbaar model hadden, onderzochten de auteurs welke inputs de voorspellingen aandreven. Ze gebruikten de interne verbindingsgewichten van het netwerk als een soort "invloedscore" voor elke eigenschap. Het vochtgehalte bleek de sterspeler te zijn en verklaarde ruwweg een kwart tot een derde van de variatie in zowel cohesie als wrijving. Wanneer het mengsel te nat wordt, smeren waterfilms de korrelcontacten en verzwakken de bindingen tussen de deeltjes, waardoor de sterkte scherp daalt. De vloeigrens van de fijne grond — het watergehalte waarbij deze stopt met zich als een bros vast materiaal te gedragen en begint te vloeien — was bijna even belangrijk, vooral voor de wrijving. De droge dichtheid en poriewaarde waren ook van belang, maar in mindere mate, voornamelijk doordat ze beïnvloeden hoe strak de deeltjes in elkaar grijpen. Samen bevestigen deze resultaten langlopende geotechnische intuïtie en geven ze cijfers voor het relatieve belang van elke factor.

Praktische adviezen voor veiligere bergtransformatorstations

Voor ingenieurs is de belangrijkste conclusie eenvoudig: bij gerecyclede grond–breuksteenvullingen onder transformatorstations is het beheersen van water en het plastische gedrag van de fijne matrix belangrijker dan eender welke andere enkele eigenschap. Door tests en bouwcontroles te richten op vochtgehalte, plasticiteits- en vloeigrens en verdichtingskwaliteit, kunnen ontwerpers beter voorspellen hoe de ondergrond belastingen zal dragen en waar zettingsrisico’s het grootst zijn. Hoewel de exacte cijfers afkomstig zijn uit één regio in het zuidwesten van China, biedt de werkwijze — het combineren van gerichte laboratoriumtests met een transparante neurale-netwerkanalyse — een herbruikbaar stappenplan voor vergelijkbare projecten wereldwijd, waardoor rommelig ophoogmateriaal een voorspelbaarder funderingsmateriaal wordt.

Bronvermelding: Huang, X., Liao, J., Ke, H. et al. Machine learning-based evaluation of shear strength factors in soil-rock mixtures for mountain substation fills. Sci Rep 16, 5775 (2026). https://doi.org/10.1038/s41598-026-36601-3

Trefwoorden: grond-breuksteenmengsels, funderingen van bergtransformatorstations, schuifsterkte, vochtgehalte, machine learning in geotechnische engineering