Machine learning-gebaseerde methode voor het bepalen van regionale parameters van het HSS‑model: een casestudy van Qingdao, China

Waarom stadsuitgravingen slim gereedschap nodig hebben

Wanneer ingenieurs in drukbevolkte steden diepe kuilen graven voor kelders, metrostations of ondergrondse garages, kan zelfs een paar millimeter onverwachte grondbeweging scheuren in nabijgelegen gebouwen veroorzaken of ondergrondse leidingen beschadigen. Om mensen en infrastructuur te beschermen vertrouwen ingenieurs op computermodellen die voorspellen hoe de grond zal vervormen tijdens de uitgraving. Dit artikel laat zien hoe machine learning de tijd en kosten voor het kalibreren van een van de meest geavanceerde grondmodellen voor een kuststad in China sterk kan reduceren, terwijl het toch met opmerkelijke precisie overeenkomt met metingen uit de praktijk.

Hoe ingenieurs gewoonlijk inschatten hoe de grond zal bewegen

Moderne bouwplaatsen gebruiken vaak de eindige-elementenmethode, een numerieke techniek die de grond en ondersteunende structuren in veel kleine elementen verdeelt en berekent hoe elk element vervormt als de belasting verandert. Om goed te werken heeft deze aanpak een realistische beschrijving van het gedrag van de grond nodig, vooral bij diepe kuilen omgeven door hoogbouw en ondergrondse voorzieningen. Een veelgeprezen optie is het “hardening soil small‑strain” (HSS)-model, dat vastlegt hoe de stijfheid van de grond verandert met spanningsgeschiedenis en bij zeer kleine verplaatsingen. Dit model vereist echter veel invoerparameters, waarvan sommige sterk per locatie variëren. Traditioneel worden deze parameters verkregen uit gespecialiseerde laboratoriumtests op grondmonsters, die zowel duur als tijdrovend zijn. Hierdoor worden de meest nauwkeurige modellen in de praktijk vaak onderbenut.

Uitlezen welke grondgetallen écht belangrijk zijn

De auteurs doorzochten eerst gepubliceerde testgegevens uit meerdere Chinese steden om te begrijpen welke parameters van het geavanceerde grondmodel werkelijk bepalen hoe een diepe uitgraving vervormt. Ze vergeleken belangrijke stijfheidswaarden met een bekender grootheid, de compressiemodulus, en bekeken deze verhoudingen voor veelvoorkomende grondtypes zoals opgebrachte ophooglaag, siltige klei en middel‑fijn zand. Twee stijfheidsmaatregelen die samenhingen met routinematig compressiegedrag bleken dicht bij een één‑op‑één verhouding met de compressiemodulus te liggen en toonden een lage gevoeligheid voor de beweging van de kuil. Daarentegen varieerden twee andere stijfheidsmaatregelen — één gekoppeld aan het terugveren van de grond bij lastverwijdering en één gerelateerd aan het gedrag bij zeer kleine vervormingen — sterk tussen regio’s en hadden ze een sterke invloed op de voorspelde verplaatsingen. Dit inzicht stelde het team in staat sommige parameters als min of meer vast te beschouwen en hun aandacht te richten op de weinige die lokaal de vervorming daadwerkelijk bepalen.

Een neurale netwerk leren het gedrag van de kuil te lezen

Gewapend met deze kennis gebruikten de onderzoekers een diepe funderingskuil in Qingdao als trainingscase. De bodems ter plaatse omvatten ophooglaag, siltige klei en middel‑fijn zand boven verweerde graniet. Ze ontwierpen een systematische reeks parametercombinaties voor de twee gevoelige stijfheidswaarden in elke grondlaag en voerden een reeks driedimensionale computersimulaties van de uitgraving uit. Voor elke combinatie registreerden ze hoeveel de keerwanden doorbogen en hoeveel het maaiveld op geselecteerde meetpunten zakte. Deze gekoppelde inputs en outputs vormden een dataset voor het trainen van een back‑propagation neurale netwerk, een eenvoudig machine learning‑model dat leert oorzaken aan effecten te koppelen. Na training kon het netwerk een paar gemeten wand‑ en grondverplaatsingen van de echte locatie nemen en snel afleiden welke grondstijfheidsparameters die bewegingen waarschijnlijk hadden veroorzaakt.

De methode controleren op echte bouwprojecten

Om te beoordelen of deze virtuele “gronddetective” betrouwbaar was, pasten de auteurs de afgeleide stijfheidswaarden toe op twee onafhankelijke diepe uitgravingen in Qingdao die paal‑ en ankersystemen gebruikten. Ze bouwden numerieke modellen met de nieuw verkregen parameters en vergeleken de voorspelde wandverbuigingen en oppervlakkingszettingen met veldmonitoringsgegevens die tijdens de bouw waren verzameld. De verschillen waren indrukwekkend klein: typische gemiddelde absolute fouten lagen onder een halve millimeter, en de root mean square fouten waren evenzo minimaal. Met andere woorden, de simulaties reproduceerden het waargenomen gedrag van de kuilen met een nauwkeurigheid die ruim toereikend is voor veiligheidscontroles en ontwerpverfijning in de techniek.

Wat dit betekent voor veiliger en goedkoper ondergronds bouwen

Voor niet‑specialisten is de kernboodschap dat de studie laat zien hoe een bescheiden hoeveelheid monitoring op locatie, gecombineerd met zorgvuldig ontworpen simulaties en een neurale netwerk, vele ronden van kostbare laboratoriumtests kan vervangen. Door de weinige grondeigenschappen te isoleren die het meest van belang zijn en machine learning die eigenschappen te laten afstemmen op werkelijke vervormingen, kunnen ingenieurs meer geavanceerde grondmodellen inzetten zonder onbetaalbare inspanning. Voor Qingdao’s typische bodems geven de auteurs zelfs kant‑en‑klare verhoudingen tussen de gevoelige stijfheidsparameters en standaard compressiematen, wat ontwerpers een praktische snelkoppeling biedt. In bredere zin wijst de aanpak op een toekomst waarin ondergronds bouwen wordt gestuurd door data‑gedreven, lokaal gekalibreerde modellen die de veiligheidsmarges verbeteren en tegelijkertijd de kosten en tijdlijnen van projecten beheersbaar houden.

Bronvermelding: Yuan, C., Zhang, Q., Feng, H. et al. Machine learning-based method for determining regional parameters of the HSS model: a case study of Qingdao, China. Sci Rep 16, 13124 (2026). https://doi.org/10.1038/s41598-026-43150-2

Trefwoorden: diepe uitgraving, grondmodellering, machine learning, neurale netwerken, grondvervormingen