Schatting van door liquefactie veroorzaakte zetting van ondiepe funderingen met machine learning bij ongebalanceerde gegevens

Waarom trillende grond ertoe doet voor alledaagse gebouwen

Wanneer een krachtige aardbeving toeslaat, kan ogenschijnlijk vaste grond zich kortstondig als een vloeistof gedragen, waardoor gebouwen zakken, scheef komen te staan of barsten. Dit verschijnsel, liquefactie genoemd, heeft woningen en infrastructuur beschadigd bij veel recente aardbevingen, van Turkije tot Japan. Ingenieurs weten dat zelfs enkele tientallen centimeters ongelijkmatige zetting een gebouw onveilig of onbruikbaar kunnen maken. Toch blijft het moeilijk te voorspellen hoeveel een bepaald gebouw zal zakken op basis van beperkte locatiegegevens. Deze studie onderzoekt hoe moderne machine-learningtools verspreide casushistoriën uit echte aardbevingen kunnen omzetten in een praktische methode om schade door liquefactie te anticiperen en zo veiligere ontwerpen, verzekeringsbeslissingen en inspecties na rampen te sturen.

Van verspreide caserapporten naar een wereldwijde aardbevingsdataset

De onderzoekers begonnen met het samenstellen van een wereldwijde database van 206 gebouwen die tijdens eerdere aardbevingen grondfaal door liquefactie hebben ondervonden. Voor elke casus verzamelden ze eenvoudige informatie die in de praktijk vaak beschikbaar is: de intensiteit van de trillingen op de locatie, de totale hoogte en breedte van het gebouw, de druk die het gebouw op de fundering uitoefent, en belangrijke eigenschappen van de onderliggende grondlagen — vooral hoe diep de eerste liquefactiëgevoelige laag onder het oppervlak ligt en hoe dik die is. In plaats van te proberen een exacte zetting in centimeters te berekenen, groepeerden ze de uitkomsten in vier schadelevels, van geen zichtbare zetting tot uitgebreide verzakking en scheefstand. Deze "grondfaalindex" zet rommelige metingen uit de praktijk om in duidelijke categorieën die gebruikt kunnen worden om machine-learningmodellen te trainen en te testen.

Computers leren gevaarlijke patronen in ongelijkmatige gegevens te herkennen

Echte aardbevingsgegevens zijn verre van ordelijk: sommige types schade komen veel voor terwijl andere zeldzaam zijn, en de invoervariabelen kunnen uitschieters en ruis bevatten. In deze dataset kwamen ernstige schadegevallen veel vaker voor dan matige, wat een sterke onbalans creëert die veel algoritmen kan misleiden om de zeldzaamste klasse over het hoofd te zien. Om dit aan te pakken combineerden de auteurs systematisch meerdere strategieën. Ze schonen de gegevens met methoden voor het filteren van uitschieters en verkenden vervolgens twee aanvullende benaderingen om met onbalans om te gaan: het kunstmatig kopiëren van minderheidsgevallen (random oversampling) en het de algoritmen laten behandelen van fouten op zeldzame klassen als kostbaarder (kostgevoelig leren). Om te voorkomen dat de resultaten te optimistisch worden ingeschat, werden al deze stappen ingebed in een strikte "leakage-vrije" workflow, waarbij de testgegevens volledig onzichtbaar bleven tijdens modeltraining, afstemming en resampling.

Welke factoren en modellen vangen het risico op zetting het beste?

Meerdere veelgebruikte modellen werden getest, waaronder random forests, gradient-boostingmethoden, een kunstmatig neuraal netwerk en een ensemble dat de voorspellingen van meerdere modellen gemiddeld. Omdat de algehele nauwkeurigheid slechte prestaties op zeldzame maar belangrijke schadelevels kan verbergen, benadrukte het team recall — hoeveel van de werkelijk ernstige gevallen het model correct signaleert — als een belangrijke maatstaf. Gradient Boosting en een ensemble van boomgebaseerde modellen bleken de meest betrouwbare opties, vooral in combinatie met random oversampling, zorgvuldige uitschieterbehandeling en fijn afgestelde beslissingsdrempels. Om te begrijpen waar de modellen "naar keken", gebruikten de auteurs SHAP, een hulpmiddel dat elke voorspelling uitsplitst in bijdragen van afzonderlijke kenmerken. Deze analyse toonde dat de diepte tot de eerste liquefactiëgevoelige laag de meest invloedrijke factor was, gevolgd door trillingsintensiteit en basisfunderinggeometrie zoals gebouwbreedte. In eenvoudige termen waren ondiepe, gemakkelijk liquefactiëgevoelige lagen onder smalle funderingen consequent geassocieerd met de ernstigste schade.

De aanpak testen op echte casestudies van aardbevingen

Om te controleren of hun methoden buiten de trainingsteekproef zouden werken, pasten de onderzoekers de uiteindelijke modellen toe op vier gedetailleerde casestudies uit bekende aardbevingen, waaronder de Loma Prieta‑beving van 1989 in Californië, de Kocaeli‑aardbeving van 1999 in Turkije, de Kumamoto‑serie van 2016 in Japan en de Kahramanmaraş‑aardbeving van 2023 in Turkije. In deze voorbeelden waren de enige invoerwaarden eenvoudige schattingen van trillingsintensiteit, gebouwafmetingen en -belastingen, en de diepte en dikte van liquefactiëgevoelige lagen uit veldonderzoeken. De modellen kwamen over het algemeen overeen met de waargenomen ernst van de zetting en identificeerden zowel geringe als uitgebreide schadelevels correct. In één geval maakte het model bewust een fout aan de veilige kant door een hogere schadeklasse te voorspellen dan gerapporteerd. De auteurs beargumenteren dat in situaties met hoge inzet, zoals aardbevingsweerbaarheid, zulke conservatieve voorspellingen te verkiezen zijn boven het missen van ernstig beschadigde gebouwen.

Een datagestuurde hulp voor veiligere steden op zachte grond

Dit werk vervangt geen traditionele fysica-gebaseerde formules voor zetting, die onmisbaar blijven wanneer gedetailleerde bodemtestresultaten beschikbaar zijn. In plaats daarvan biedt het een aanvullend instrument: een transparante, datagestuurde manier om gebouwen met een klein aantal routinematig verzamelde parameters in brede risicocategorieën te rangschikken. Door ongebalanceerde gegevens zorgvuldig te behandelen, verborgen bias in evaluatie te vermijden en te onthullen welke bodem- en gebouwkenmerken het meest van belang zijn, biedt het voorgestelde machine-learningkader ingenieurs, planners en verzekeraars een praktisch vroegtijdig waarschuwingshulpmiddel. In regio’s gebouwd op zachte, met water verzadigde grond kan het helpen prioriteren welke gebouwen het meest waarschijnlijk gevaarlijke verzakking en scheefstand zullen ondervinden wanneer de volgende zware aardbeving toeslaat.

Bronvermelding: Sargin, S., Korkmaz, G., Yildirim, A.K. et al. Estimation of liquefaction-induced settlement of shallow foundation by machine learning with imbalanced data. Sci Rep 16, 11198 (2026). https://doi.org/10.1038/s41598-026-41969-3

Trefwoorden: bodemliquefactie, aardbevingsmechanica, machine learning, zetting van gebouwen, seismisch risico