AI-verbeterde bodemclassificatie met onvolledige CPT-gegevens voor offshore windparken

Waarom zeebodemgronden belangrijk zijn voor windenergie

Offshore windturbines staan in enkele van de zwaarste omgevingen op aarde, en hun stabiliteit hangt af van wat onder de golven verborgen ligt: de zeebodemgronden die hun zware funderingen op hun plaats houden. Het testen van deze gronden in diep water is duur en vaak incompleet, waardoor ingenieurs grote beslissingen moeten nemen met onvolledige informatie. Deze studie laat zien hoe kunstmatige intelligentie kan helpen beperkte testdata te interpreteren en zeebodemgronden betrouwbaar te classificeren, zodat ontwerpers offshore windturbines veiliger en efficiënter kunnen plaatsen.

Van zeebodemtests naar grondtypen

Ingenieurs onderzoeken de zeebodem vaak met conuspenetratietests, waarbij een metalen conus in de bodem wordt gedrukt en tegelijkertijd wordt gemeten hoe sterk de grond weerstand biedt, hoeveel wrijving langs de huls ontstaat en hoe de waterdruk in de poriën verandert. Deze metingen worden traditioneel geïnterpreteerd met diagrammen zoals de Robertson-classificatie, die patronen in de meetwaarden koppelt aan verschillend grondgedrag, zoals los zand, stijve klei of mengsels daartussen. Het probleem is dat deze diagrammen uitgaan van volledige, schone data, iets wat zelden wordt bereikt wanneer schepen, golven en diep water offshore-onderzoeken compliceren.

Het bouwen van een virtuele bibliotheek van zeebodomstandigheden

Om het probleem van ontbrekende informatie aan te pakken, creëerden de onderzoekers eerst een omvangrijke virtuele bibliotheek van mogelijke bodemomstandigheden in plaats van uitsluitend op schaarse veldtests te vertrouwen. Ze gebruikten realistische reeksen voor belangrijke conusmetingen — puntweerstand, hulswrijving, poriënwaterruimtedruk en spanningen in de grond — om meer dan 200.000 synthetische testrecords te genereren. Deze records werden vervolgens vertaald naar gedragszones van de bodem met behulp van de Robertson-diagram, waardoor elk gesimuleerd testrecord effectief aan een grond "label" werd gekoppeld. Door zowel gelijkmatig over reeksen te bemonsteren als volgens realistische statistische patronen, zorgden zij dat deze synthetische bibliotheek alles besloeg van zeer zachte kleiën tot compacte zanden en grindlagen.

Machines leren de zeebodem te 'lezen'

Met deze synthetische bibliotheek trainde het team verschillende machine-learningmodellen om bodemgedrag direct uit conusmeetwaarden te voorspellen. Ze testten random forests, neurale netwerken, support vector-methoden en beslisboomalgoritmen, en stemden zorgvuldig de interne instellingen van elk model af. De random forest viel hierbij op, met een bijna perfecte numerieke overeenstemming met de Robertson-gebaseerde bodemzones en meer dan 92% nauwkeurigheid toen de voorspellingen later werden omgezet in een standaard grondclassificatie. De interne controles van het model toonden aan dat conuspuntweerstand, hulswrijving en effectieve verticale spanning de meest invloedrijke invoeren waren — wat aansluit bij langjarige geotechnische inzichten en suggereert dat het model echte fysieke relaties leert in plaats van toevallige patronen.

Nauwkeurig blijven wanneer data ontbreken

De cruciale test was of de AI nog steeds goed kon presteren wanneer sommige metingen ontbraken, een situatie die reëel is bij offshore-onderzoeken waar apparatuur faalt of bepaalde sensoren niet worden gebruikt. De onderzoekers verwijderden systematisch elk invoeritem en vervingen het door onzekere waarden, waarna ze het model herhaaldelijk in een Monte Carlo-opzet draaiden om te zien hoe de nauwkeurigheid gemiddeld verschuift. Wanneer de meest kritieke inputs — conusweerstand, hulswrijving of effectieve spanning — ontbraken, daalde de nauwkeurigheid aanzienlijk, wat hun belang bevestigt. Echter, wanneer parameters zoals poriënwaterdrukken of totale spanningen ontbraken, behield het model vaak hoge nauwkeurigheid, veelal boven 90%. Dit toont aan dat het raamwerk nuttige bodemclassificaties kan blijven leveren, zelfs wanneer delen van het conus-testrecord incompleet zijn.

De methode bewijzen in echte offshore windparken

Om verder te gaan dan virtuele data, testte het team hun getrainde random forest-model op 229.808 daadwerkelijke conus-testrecords van 99 boringen op locaties van offshore windparken in Taiwan en Nederland. Geen van deze echte metingen werd gebruikt bij het trainen. De AI-voorspellingen van bodemgedrag werden vergeleken met onafhankelijke classificaties op basis van een veelgebruikt ingenieurssysteem dat bodems groepeert naar korrelgrootte en plasticiteit. Het model kwam in meer dan 92% van de gevallen overeen met deze classificaties en presteerde beter dan verschillende bestaande machine-learningbenaderingen. Herhaalde simulaties lieten ook zien dat de voorspellingen binnen een smalle 95%-betrouwbaarheidsband vielen, wat op stabiel en betrouwbaar gedrag wijst.

Wat dit betekent voor toekomstige offshore wind

Voor niet-specialisten is de kernboodschap dat de studie een slimme assistent levert voor het lezen van de zeebodem. In plaats van gevestigde ingenieursdiagrammen te vervangen, breidt het AI-raamwerk ze uit naar rommelige, reële situaties waarin data onvolledig of imperfect zijn. Door te leren van een zorgvuldig ontworpen synthetische bibliotheek en zich vervolgens te bewijzen op grote offshore-datasets, biedt de methode een praktische manier om snel en consistent zeebodemgronden te classificeren. Dit kan kostbare aanvullende tests verminderen, veiliger funderingsontwerp ondersteunen en uiteindelijk helpen om meer offshore windprojecten met grotere zekerheid over wat onder elke turbine ligt, online te brengen.

Bronvermelding: Ku, CY., Wu, TY., Liu, CY. et al. AI-enhanced soil classification with incomplete CPT data for offshore wind farm. Sci Rep 16, 10589 (2026). https://doi.org/10.1038/s41598-026-46356-6

Trefwoorden: offshore wind, zeebodemgronden, conuspenetratietest, machine learning, funderingontwerp