Pareto-geoptimaliseerd gestapeld ensemble machine learning-raamwerk voor het voorspellen van de draagkracht van rammede palen op basis van statische proefbelastingsgegevens

Waarom sterke funderingen ertoe doen

Elk gebouw, elke brug of windturbine rust uiteindelijk op wat eronder ligt. Verborgen onder het oppervlak dragen lange betonnen kolommen, palen genaamd, het gewicht van constructies naar vaste grond of rots. Als ingenieurs de draagkracht van deze palen onderschatten, kunnen zettingen, scheuren of zelfs instortingen optreden. Als ze die overschatten, worden projecten onnodig duur. Deze studie onderzoekt hoe moderne machine learning routinematige plaatsproeven kan omzetten in veel nauwkeurigere voorspellingen van paalsterkte, en zo bouwen zowel veiliger als economischer kan maken.

Van eenvoudige regels naar datagedreven inzicht

Traditioneel vertrouwen ingenieurs op formules, kleinschalige proeven en numerieke simulaties om de draagkracht van geramde palen te schatten. Deze methoden werken redelijk, maar worstelen met de rommelige realiteit van gelaagde bodems, grondwater en installatiedeffecten. Een veldproef die bekendstaat als de statische proefbelasting wordt als de gouden standaard beschouwd: een paal wordt stapgewijs belast terwijl de zetting wordt gemeten. Deze aanpak is echter traag, kostbaar en moeilijk op meerdere locaties te herhalen. Tegelijkertijd worden in de geotechnische praktijk routinematig eenvoudige hamer-slaggegevens uit de standaard penetratietest (SPT) verzameld, die een ruwe maat geven voor de weerstand van de bodem met diepte. Het centrale idee van dit artikel is machine learning te gebruiken om deze wijdverspreide SPT-resultaten, samen met paalgeometrie en locatiegegevens, direct te koppelen aan hoogwaardige proefbelastinguitkomsten.

Een slimmer voorspellingsmodel bouwen

De auteurs stelden een database samen van 472 statische proefbelastingen op geramde gewapend-betonnen palen in een Vietnamese provincie met gevarieerde maar systematisch gedocumenteerde bodemcondities. Voor elke proef registreerden ze paaldiameter, diktes van verschillende bodemdelen, grond- en paalpeil, diepte tot de paaltip en gemiddelde SPT-hamerslagen langs de paal en bij de tip. Deze invoervariabelen vangen zowel de afmetingen van de paal als de sterkte van de omliggende bodem, die samen bepalen hoeveel belasting de paal kan dragen. Het doel was een model te trainen dat, gegeven deze invoer voor een nieuwe locatie, een betrouwbare schatting van de axiale draagkracht van de paal zou geven zonder dat een volledige proefbelasting nodig is.

Meerdere modellen combineren tot één

In plaats van op één algoritme te leunen, gebruikt de studie een "gestapeld" ensemble: drie verschillende machine learning-modellen—random forest, k-nearest neighbors en extreme gradient boosting—worden parallel getraind en hun voorspellingen worden vervolgens gecombineerd door een model op het tweede niveau. Dit meta-model wordt afgestemd met een meerdoelzoektocht geïnspireerd door evolutionaire strategieën, bekend als Pareto-optimalisatie. De optimalisatie weegt concurrerende doelen af: de nauwkeurigheid op niet eerder geziene data maximaliseren en overfitting vermijden. Via herhaalde tests en vijfvoudige cross-validatie behaalde de beste combinatie een determinatiecoëfficiënt (een maat voor hoe goed voorspellingen overeenkomen met de werkelijkheid) van ongeveer 0,95 op de testset, samen met aanzienlijk verminderde fouten vergeleken met elk individueel model alleen.

Inzicht in de zwarte doos

Om het systeem in de praktijk bruikbaar te maken, moeten ingenieurs begrijpen wat de voorspellingen stuurt. Daarom gebruikten de auteurs moderne interpretatie-instrumenten, in het bijzonder SHAP (Shapley Additive ExPlanations), gevoeligheidsanalyse en eenvoudige parameter-doorlopen. Deze technieken lieten zien dat paaldiameter de meest invloedrijke factor is, waarbij veranderingen in diameter de voorspelde draagkracht sterk verschuiven. Bodemeigenschappen spelen ook een sleutelrol: gemiddelde SPT-aantallen langs de paal en bij de tip blijken grote bijdragers, wat het belang van zowel zijwrijving als puntbelasting weerspiegelt. De dikte van de bovenste bodemlagen is ook van belang, terwijl sommige variabelen gerelateerd aan peil slechts een geringe invloed hebben. Wanneer de modelinvoer op fysisch zinvolle manieren wordt gevarieerd—bijvoorbeeld door de paaldiameter te vergroten of de tip in dichtere grond te plaatsen—reageren de voorspelde draagkrachten in lijn met basisprincipes uit de geotechniek, wat suggereert dat het model zinnige in plaats van willekeurige patronen leert.

Hoe dit helpt bij echte projecten

Door zorgvuldig meerdere machine learning-benaderingen te combineren en deze tegen meerdere doelen te optimaliseren, levert dit werk een voorspellingsinstrument dat zowel nauwkeurig als interpreteerbaar is. Voor locaties met vergelijkbare geologie en testpraktijken als in de studie, kunnen ingenieurs standaard SPT-gegevens en ontwerpparameters gebruiken om betrouwbare schattingen van paaldraagkracht te verkrijgen, het aantal dure proefbelastingen te verminderen en veiligheidsmarges beter te richten. De auteurs waarschuwen dat hun gegevens uit één regio komen en dat langetermijneffecten en sommige installatie-details niet volledig zijn vastgelegd, dus oordeel en lokale kalibratie blijven essentieel. Desalniettemin toont het raamwerk aan hoe datagedreven modellen, wanneer ze transparant worden geanalyseerd, praktische partners in funderingsontwerp kunnen worden in plaats van ondoorzichtige zwarte dozen.

Bronvermelding: Abdellatief, M., ElNemr, A. & Altahrany, A. Pareto-optimized stacked ensemble machine learning framework for predicting bearing capacity of driven piles from static load test data. Sci Rep 16, 11360 (2026). https://doi.org/10.1038/s41598-026-43660-z

Trefwoorden: paalfundering, draagkracht, geotechnische techniek, machine learning, statische proefbelasting