Correlatieanalyse tussen de inklinkbaarheid van löss en fysisch-mechanische indexen in de Longdong-regio en voorspelling van de inklinkingscoëfficiënt met machine learning

Waarom inzakkende grond van belang is voor het dagelijks leven

In veel delen van Noord-China zijn steden, wegen en kanalen gebouwd op een door de wind afgezet materiaal dat löss wordt genoemd. Deze grond kan plotseling inklinken wanneer ze nat wordt, waardoor de ondergrond zakt en gebouwen en infrastructuur beschadigen. De hier samengevatte studie onderzoekt löss in de Longdong-regio en toont aan hoe eenvoudige metingen en moderne machine learning snel kunnen aangeven waar de grond waarschijnlijk stabiel blijft en waar instorting kan optreden.

Broeikbare bodem onder groeiende steden

De Longdong-regio ligt in het hart van het Löss Plateau, waar lösslagen tientallen meters dik kunnen zijn. Nu nieuwe projecten zoals waterontrekkingswerken, spoorlijnen en woningbouw zich over dit landschap uitbreiden, moeten ingenieurs weten hoe waarschijnlijk het is dat de bodem bij bevochtiging zet of inzak. Traditionele tests voor inklinkbaarheid vereisen zorgvuldig laboratoriumwerk op veel monsters en kosten tijd. De auteurs verzamelden 259 praktijkgerichte testgegevens van bouwplaatsen rond Qingyang City, elk met de gemeten inklinking van de bodem en basisfysische eigenschappen zoals diepte, dichtheid, poriënruimte, vochtgehalte en hoe gemakkelijk de bodem samendrukt.

Eenvoudige bodemkenmerken die gevaar signaleren

Middels statistische analyse onderzochten de onderzoekers hoe de gemeten inklinking van de löss samenhangt met elke bodemparameter. Ze vonden dat de hoeveelheid lege ruimte in de bodem, beschreven met de "poriënverhouding" (void ratio), de sterkste relatie heeft met de mate waarin de bodem zal zakken. De diepte onder het oppervlak speelt ook een rol: ondiepe lagen onder lichtere druk zijn losser en gevoeliger voor inzakking, terwijl diepere lagen van nature compacter zijn. Waterverzadiging en de samendrukbaarheid van de bodem spelen een secundaire rol. Uit duizenden datapoints identificeerden ze praktische drempels. In deze regio toont löss met relatief weinig poriën (poriënverhouding lager dan 0,960) en begraven dieper dan 16 meter bijna nooit schadelijke inklinking in tests.

Een snelle regel voor controle van veilige bodem

Voortbouwend op deze bevindingen stelde het team een snelle screeningsregel voor veldingenieurs voor. Als een bodemlaag aan beide voorwaarden voldoet—lage poriënverhouding en voldoende diepte—kan deze met hoge zekerheid als niet-inklinkbaar worden behandeld, wat de noodzaak voor gedetailleerde inklinkingstests op die plekken sterk vermindert. Bij controle van deze regel tegen de oorspronkelijke dataset en een onafhankelijke set van 62 nieuwe monsters van nabijgelegen locaties, identificeerde de regel niet-inklinkbare grond in ongeveer 98 procent van de gevallen correct. De paar verkeerd beoordeelde monsters hadden inklinkingswaarden precies op de grens tussen "veilig" en "onveilig", wat de natuurlijke variabiliteit in löss en testomstandigheden weerspiegelt.

Computers leren de bodem lezen

Om verder te gaan dan eenvoudige regels trainden de onderzoekers ook computermodellen om de exacte inklinkingswaarde te voorspellen aan de hand van vier belangrijke metingen: diepte, poriënverhouding, waterverzadiging en samendrukgedrag. Ze vergeleken drie populaire machine learning-methoden—random forests, extreme gradient boosting en support vector machines—samen met een eenvoudigere tweeparameterformule. Alle methoden vingen de hoofdtrends, maar het gradient boosting-model stak er uit in zowel nauwkeurigheid als stabiliteit: het kwam zeer nauwkeurig overeen met de gemeten inklinkingswaarden voor zowel trainings- als testdata en classificeerde inklinkbare versus niet-inklinkbare monsters correct in meer dan 92 procent van de gevallen.

De zwarte doos van voorspellingen openen

Aangezien ingenieurs deze voorspellingen moeten vertrouwen en begrijpen, pasten de auteurs een verklaringsinstrument toe dat bekendstaat als SHAP om te zien hoe elke invoer de uitvoer van het model beïnvloedt. De verklaringen bevestigden dat poriënverhouding en diepte de voorspelling domineren, waarbij hogere poriënverhoudingen en ondiepere dieptes het model naar grotere voorspelde inklinking duwen. Waterverzadiging en de compressiecoëfficiënt hebben subtielere effecten die per geval variëren. De analyse wees ook op een bijzonder risicovolle combinatie: lagen ondieper dan ongeveer 11 meter met een poriënverhouding boven 1,02 hebben een grote kans om bij bevochtiging in te zakken.

Wat dit betekent voor bouwen op löss

Simpel gezegd laat dit onderzoek zien dat een handvol eenvoudige bodemmetingen veel kan onthullen over hoe veilig bouwen op löss is. Een simpele regel gebaseerd op diepte en poriënruimte kan snel lagen aanwijzen die zeer onwaarschijnlijk inklinken, terwijl een goed getest machine learning-model meer precieze risicoschattingen kan geven wanneer dat nodig is. Samen bieden deze instrumenten ingenieurs in de Longdong-regio een snellere en transparantere manier om funderingen te plannen, kostbare verrassingen te verminderen en constructies te ontwerpen die stevig kunnen staan op van nature kwetsbare grond.

Bronvermelding: Liu, D., Wang, K., Bian, Y. et al. Correlation analysis between the collapsibility of loess and physicomechanical indices in Longdong region and prediction of the collapsibility coefficient based on machine learning. Sci Rep 16, 15939 (2026). https://doi.org/10.1038/s41598-026-45254-1

Trefwoorden: inklinkbaarheid löss, bodemmechanica, machine learning, funderingstechniek, Longdong-regio