Voorspelling van volume wandinjectie met een Bayesiaans-geoptimaliseerd stacking-ensemblemodel en SHAP-analyse

Waarom het voorspellen van onzichtbaar cementwerk ertoe doet

Diep onder dammen en tunnels injecteren ingenieurs vloeibaar cement in scheuren in de rots om te voorkomen dat water erdoorheen lekt. Dit proces, grouting genoemd, is kostbaar en moeilijk direct waarneembaar, waardoor werkers moeten inschatten hoeveel grout ze per boorgat moeten pompen. Schat je te weinig, dan kan er nog steeds water sijpelen; schat je te veel, dan gaan geld, materiaal en tijd verloren. Deze studie laat zien hoe moderne data-instrumenten ingenieurs kunnen helpen om vóór aanvang van het werk betrouwbaarder de juiste hoeveelheid grout te voorspellen.

Scheuren dichten onder grote waterprojecten

Grote dammen en ondergrondse holten vertrouwen op gordijnen van uitgeharde grout om de ondergrondse wegen te blokkeren die water anders zou gebruiken om te ontsnappen. Werkers boren vele gaten in de rots en pompen cementslurry in, maar de rots onder het oppervlak is onregelmatig, met breuken die variëren in grootte en onderlinge verbinding. Omdat het proces verborgen is en de omstandigheden van plaats tot plaats verschillen, is het voorspellen van het volume grout dat elk gat nodig heeft al lange tijd een grote uitdaging voor veilige ontwerpen en kostenbeheersing in grote water- en waterkrachtprojecten.

Van vuistregels naar leren van data

Gedurende tientallen jaren gebruikten ingenieurs vereenvoudigde formules, vergelijkingen met eerdere projecten of computersimulaties van vloeistofstromen om het groutgebruik te schatten. Deze benaderingen waren nuttig maar hadden vaak moeite met complexe echte rotslagen en ruis in veldmetingen. In deze studie kozen de auteurs daarom voor machine learning, die patronen direct uit data leert. Ze verzamelden 778 echte groutregistraties van een groot waterproject in Xinjiang, elk met de omstandigheden bij een boorgat: de volgorde van boren, diepte, lengte van het behandelde gedeelte, gatbreedte, hoe gemakkelijk water voorafgaand door de rots stroomde, de beginmenging van water en cement, en de druk gebruikt tijdens het injecteren. De uitkomst die voorspeld moest worden was het werkelijke gepompte groutvolume.

Verschillende slimme modellen combineren

In plaats van te vertrouwen op één algoritme gebruikte het team een strategie genaamd stacking, waarmee meerdere verschillende voorspellingsmodellen samen kunnen werken. Drie computermodellen die bijzonder goed zijn in het omgaan met complexe patronen in tabelgegevens werden gekozen als de eerste laag. Elk model bekeek dezelfde zeven invoervariabelen en gaf zijn eigen schatting van het groutvolume. Een eenvoudig maar zorgvuldig gecontroleerd regressiemodel nam vervolgens deze drie schattingen en mengde ze tot een eindvoorspelling. Om ervoor te zorgen dat elk model zijn interne instellingen zo effectief mogelijk gebruikte, zetten de onderzoekers Bayesiaanse optimalisatie in, een methode die op een georganiseerde, datagedreven manier vele combinaties van instellingen onderzoekt en afstemt in plaats van op trial-and-error.

Nauwkeurigheid controleren en de zwarte doos openen

Om hun aanpak te testen, vergeleken de auteurs het stackingmodel met de drie afzonderlijke componentmodellen, zowel voor als na afstemming. Ze maten hoe nauw voorspellingen overeenkwamen met echte groutvolumes met behulp van standaard foutmaten. Het gestackte model met Bayesiaanse afstemming presteerde het best en verklaarde ongeveer 92 procent van de variatie in groutvolume, terwijl de gemiddelde fouten relatief klein bleven.

Wat dit betekent voor grouting in de praktijk

De studie concludeert dat een zorgvuldig afgestemd, gestackt machine-learningmodel nauwkeurigere en stabielere voorspellingen van groutvolume kan geven dan afzonderlijke modellen of oudere regelgebaseerde methoden, althans voor het onderzochte project. Door te kwantificeren welke omstandigheden het meest van belang zijn en hoe ze samenhangen, kan de aanpak ingenieurs helpen bij het plannen van boor- en pompstrategieën, het toewijzen van materialen en het efficiënter beheersen van risico’s in complexe grondomstandigheden. Hoewel het model nog getest en aangepast moet worden voor andere locaties, biedt het een praktische weg naar datagedreven beheersing van dit cruciale maar grotendeels verborgen onderdeel van dam- en tunnelbouw.

Bronvermelding: Ma, Y., Yuan, Z., Xiong, B. et al. Curtain grouting volume prediction using a Bayesian-optimized stacking ensemble model with SHAP analysis. Sci Rep 16, 15374 (2026). https://doi.org/10.1038/s41598-026-45538-6

Trefwoorden: wandinjectie, voorspelling groutvolume, machine learning, Bayesiaanse optimalisatie, SHAP-analyse