Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test

Slimmere controles voor verborgen funderingen

Veel gebouwen en bruggen rusten op lange betonnen kolommen onder de grond, paalfunderingen genoemd. Omdat deze palen begraven liggen, kunnen ingenieurs ze niet eenvoudig inspecteren om te zien of ze goed zijn gebouwd of hoe diep ze reiken. Deze studie laat zien hoe een kunstmatig‑intelligentie‑model subtiele trillingssignalen van een eenvoudige hamerproef kan analyseren en automatisch de paaltop of -voet kan lokaliseren — het punt waar de paal in de grond eindigt — waardoor deze verborgen controles sneller, betrouwbaarder en minder afhankelijk van individuele deskundigheid worden.

Hoe ingenieurs naar begraven kolommen luisteren

Om een paal te onderzoeken zonder te graven, gebruiken ingenieurs een lage‑vervormings integriteitstest. Een medewerker slaat met een kleine hamer op de bovenzijde van de paal terwijl een sensor registreert hoe de paal trilt. De klap zendt een spanningsgolf langs de paal; wanneer de golf een verandering tegenkomt — zoals de paalvoet of een defect — kaatst een deel terug. Een draagbaar apparaat zet deze trillingen om in een trace die een reflectogram wordt genoemd en toont hoe het signaal verandert in de tijd of met diepte. Ervaren ingenieurs bestuderen deze trace, samen met locatiegegevens en normen zoals ASTM D5882 en Eurocode‑regels, om te beoordelen of de paal intact is en waar de voet zich bevindt. Die interpretatie kan echter subjectief zijn, tijd kosten en gevoelig zijn voor ruis en bodemomstandigheden.

Waarom deep learning toepassen

De afgelopen jaren hebben onderzoekers verschillende AI‑benaderingen geprobeerd om paaltestgegevens te interpreteren, van klassieke neurale netwerken tot beeldgebaseerde methoden en signaalklassificeerders. Deze methoden vereisen vaak handmatige extractie van kenmerken uit de opgenomen signalen of het omzetten naar afbeeldingen, en hebben soms moeite om vast te leggen hoe golven zich in de tijd langs de paal ontwikkelen. De auteurs van dit artikel richten zich in plaats daarvan op modellen die specifiek voor sequenties zijn ontworpen: recurrente neurale netwerken met long short‑term memory, of RNN‑LSTM. Deze netwerken zijn gebouwd om te "onthouden" wat eraan voorafging in een tijdreeks, waardoor ze goed geschikt zijn om een hamer‑geïnduceerde golf te volgen terwijl deze reist, reflecteert en uitsterft in de paal.

Van ruwe hamerklappen naar schone data

Het team stelde een database samen van 500 lage‑vervormings testregistraties uit Egyptische bouwprojecten met geboord betonnen palen van 12 tot 30 meter lang in gelaagde gronden. Voor elke paal hadden ze ruwe versnellingsmetingen in de tijd en een overeenkomstig reflectogram dat oorspronkelijk door mensen was getekend en geïnterpreteerd. Ze digitaliseerden deze grafieken zorgvuldig, zetten diepte om naar tijd met bekende golfsnelheden en normaliseerden de verticale schaal zodat signalen van verschillende palen vergeleken konden worden. Aan de sensorzijde verwijderden ze hoge‑frequentieruis, standaardiseerden de signalen met een robuuste statistische schaal en gebruikten slimme padding en kleine willekeurige variaties zodat het neurale netwerk met sequenties van verschillende lengtes om kon gaan zonder de patronen te vervormen.

Ontwerp en testen van het neurale netwerk

Er werden verschillende netwerkarchitecturen geprobeerd, waarbij het aantal lagen en virtuele "neuronen" varieerde. De onderzoekers zochten naar een balans: hoge voorspellingsnauwkeurigheid zonder een explosie in rekenkosten of de neiging om de trainingsdata te memoriseren. Ze vonden dat een zes‑laagse LSTM‑model met 32 units per laag dit compromis bereikte. Om het model te helpen belangrijke delen van het signaal te volgen, voegden ze shortcuts tussen lagen en een attention‑mechanisme toe waarmee het netwerk zich op sleutelintervallen in de tijd kon concentreren. Getraind op 400 palen en gevalideerd op 100 niet eerder geziene gevallen, reproduceerde het uiteindelijke model door mensen gegenereerde snelheids‑traces met hoge statistische nauwkeurigheid en toonde sterke overeenstemming tussen voorspelde en gedigitaliseerde signalen.

Van cijfers naar praktische paalbeslissingen

Buiten de statistiek is de belangrijkste praktische vraag of het model de paalvoet correct kan markeren. De onderzoekers inspecteerden elk voorspeld reflectogram visueel en vergeleken de locatie van de voet met de gedigitaliseerde referentie. Als de overeenkomst binnen 5 procent lag, werd deze als "Goed" beoordeeld; tot 10 procent als "Redelijk"; daarboven als "Slecht." Voor de trainingsset was ongeveer 90 procent van de palen "Goed" en slechts 4 procent "Slecht." Op de validatieset was 84 procent "Goed" en 6 procent "Slecht." Deze resultaten suggereren dat het AI‑systeem de interpretatie van deskundigen nauwkeurig genoeg kan nabootsen om nuttig te zijn bij routinetests, althans binnen de reeksen paallengtes, betonsterktes en testtypen waarop het werd getraind.

Wat dit betekent voor veiligere constructies

In eenvoudige bewoordingen toont de studie aan dat een goed ontworpen deep learning‑model het ruwe trillingsrecord van een hamerklap op een paal kan nemen en automatisch hetzelfde soort curve kan tekenen dat een specialist zou gebruiken om de paalvoet te vinden. Dit vermindert het aantal handmatige stappen en de ruimte voor menselijke fouten, terwijl het eindoordeel over paalkwaliteit transparant blijft en gebaseerd is op bekende plots. Vooralsnog geldt het model alleen voor een specifiek type sensor en voor palen die vergelijkbaar zijn met die in de studie, maar het wijst op een toekomst waarin routinematige controles van verborgen funderingen sneller, consistenter en gemakkelijker toepasbaar zijn op drukke bouwplaatsen.

Bronvermelding: Samaan, R.M., Saafan, M.S.A., Mokhtar, A.A. et al. Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test. Sci Rep 16, 6348 (2026). https://doi.org/10.1038/s41598-026-36732-7

Trefwoorden: paalintegriteitstesten, deep learning, recurrent neural network, niet-destructief testen, burgerlijke techniek