XGBoost-gebaseerde surrogaattechniek voor systeembetrouwbaarheidsanalyse van funderingen boven holtes met behulp van bootstrapping

Waarom verborgen holtes onder gebouwen ertoe doen

Steden worden steeds vaker gebouwd boven oude mijnen, tunnels en andere ondergrondse holtes. Deze verborgen lege ruimten kunnen de grond langzaam ondermijnen, waardoor gebouwen scheef gaan staan, scheuren krijgen of zelfs instorten. Ingenieurs proberen funderingen zo te ontwerpen dat ze veilig blijven ondanks zulke risico’s, maar traditionele methoden om veiligheid te toetsen onder vele mogelijke omstandigheden kunnen extreem tijdrovend zijn. Deze studie laat zien hoe moderne machine‑learning‑hulpmiddelen die veiligheidstoetsen sneller en realistischer kunnen maken, en zo helpen structuren boven holtes te beschermen.

Funderingen boven onzichtbare grondrisico’s

Een fundering van een gebouw heeft twee hoofdtaak: hij mag niet door de bodem heen breken (draagvermogen) en hij mag niet te veel zakken of kantelen (zetting). Holtes onder het oppervlak — achtergelaten door mijnbouw, tunneling of natuurlijke processen — maken beide taken lastiger. De grond kan verschuiven of inzakken in de holte, waardoor de ondersteuning van de fundering in de loop van de tijd afneemt. Traditioneel ontwerp leunt vaak op een enkele “veiligheidsfactor” die vergelijkt hoe sterk het funderingssysteem lijkt te zijn met hoe sterk het moet zijn. Maar echte bodems variëren van plaats tot plaats en veranderen in de tijd, dus een enkele veiligheidsfactor kan belangrijke risico’s verhullen.

Van zware simulaties naar slimme vervangers

Om deze risico’s goed te onderzoeken zouden ingenieurs idealiter duizenden gedetailleerde computersimulaties draaien die bodemsterkte, holtevorm en andere factoren variëren. In de praktijk is dat te traag. De auteurs creëerden daarom een grote dataset van 272 hoogwaardige simulaties van een strookfundering boven een circulaire holte met een gespecialiseerd geotechnisch programma. Vervolgens trainden ze een machine‑learningmodel genaamd XGBoost om deze simulaties te imiteren en zowel draagvermogen als zetting te voorspellen op basis van invoer zoals bodemgewicht, cohesie, wrijvingshoek, holtediepte en stijfheid. Het surrogaatemodel reproduceerde de gedetailleerde simulaties met hoge nauwkeurigheid, vooral voor het draagvermogen, wat betekent dat het kan dienen als een snelle vervanger voor de duurdere berekeningen.

Zinnig omgaan met rommelige data en onzekerheid

Werkelijke geotechnische gegevens vallen zelden netjes samen met eenvoudige statistische aannames — ze kunnen scheef zijn, meerdere pieken hebben en grote spreiding tonen. De auteurs testten systematisch vele wiskundige transformaties om hun voorspelde draagvermogen- en zettingswaarden dichter bij ideale klokvormige (normale) verdelingen te brengen. Geen enkele transformatie werkte volledig op zichzelf. Ze vonden de beste balans door eerst een logaritmische transformatie toe te passen en daarna een techniek genaamd bootstrapping te gebruiken, die herhaaldelijk opnieuw bemonstert om een empirische verdeling op te bouwen. Deze combinatie stelde hen in staat om onzekerheid robuust te beschrijven zonder de data in een onrealistische vorm te dwingen.

Berekenen van faalkansen nu en in de toekomst

Met het surrogaatemodel en de verbeterde dataverwerking gebruikte het team Monte Carlo-simulatie om te schatten hoe vaak funderingen zouden falen volgens twee criteria: verlies van draagvermogen en overmatige zetting. Ze vonden dat de zettingslimiet kritischer was dan het draagvermogen, en dat de faalkans bijna 30 procent toenam wanneer alleen dat criterium werd beschouwd. Wanneer beide criteria werden gecombineerd in een systeemzicht — waarbij falen optreedt als een van beide wordt overschreden — steeg de totale faalkans nog meer, met meer dan 50 procent vergeleken met alleen naar draagvermogen kijken. De studie onderzocht ook hoe veiligheid in de loop van decennia kan verslechteren door geleidelijk het draagvermogen te verminderen en de verwachte zetting te verhogen. Onder deze veronderstelde trends daalden betrouwbaarheidsindices gestaag en benaderden na ongeveer een eeuw een kans van ongeveer 50/50.

Wat dit betekent voor veiliger bouwwijze

Voor niet‑specialisten is de kernboodschap dat de veiligheid van gebouwen boven ondergrondse holtes niet betrouwbaar kan worden beoordeeld met een enkele veiligheidsfactor of door slechts één faalmechanisme te controleren. Door een goed getraind machine‑learning‑surrogaatemodel te combineren met zorgvuldige statistische behandeling en Monte Carlo‑simulatie, kunnen ingenieurs snel duizenden “wat‑als” scenario’s verkennen en rekening houden met onzekerheden in bodem eigenschappen, holtegeometrie en tijdsafhankelijke veranderingen. Deze aanpak laat zien dat zetting en systeemgedrag het risico kunnen bepalen, zelfs wanneer het draagvermogen op het oog comfortabel lijkt. In praktische termen biedt het raamwerk een snellere, realistischer manier om funderingen te signaleren die op papier veilig lijken maar kwetsbaar kunnen worden naarmate de ondergrond zich ontwikkelt.

Bronvermelding: Shubham , K., Metya, S., Sinha, A.K. et al. XGBoost based surrogate technique for system reliability analysis of foundation over cavity aided with bootstrapping. Sci Rep 16, 7113 (2026). https://doi.org/10.1038/s41598-026-37058-0

Trefwoorden: fundering betrouwbaarheid, ondergrondse holtes, machine learning, Monte Carlo-simulatie, geotechnische engineering