Data-gedreven voorspelling van draagkracht–zetting van micropiled-raft met machine learning en Monte Carlo-simulatie

Waarom kleine palen onder grote gebouwen ertoe doen

Moderne steden vertrouwen op diepe funderingen om gebouwen stabiel te houden, ook wanneer ze op zachte klei staan die langzaam kan samendrukken en zetten. Ingenieurs grijpen steeds vaker naar zeer slanke palen, micropalen genoemd, gecombineerd met een vlakke betonnen funderingsvloer (raft) om veilig lasten te dragen waar ruimte beperkt is of grondcondities lastig zijn. Deze studie onderzoekt hoe data en kunstmatige intelligentie kunnen helpen voorspellen hoeveel dergelijke micropiled-rafts onder belasting zullen wegzakken, en zo ontwerpers een snellere en betrouwbaardere manier bieden om veiligheid en lange termijn gedrag te beoordelen.

Kleine palen, grote ondersteuning

Een micropiled-raft-fundering combineert een dikke betonnen plaat met vele dunne, gewapende palen die diep in de grond geboord zijn. Hoewel elke paal slechts enkele centimeters breed is, kunnen ze samen grote gebouwen dragen terwijl de zetting beperkt blijft. Ze zijn vooral nuttig in zachte klei, waar traditionele oppervlaktelijke funderingen te veel zouden verzakken. Het gedrag van dit systeem is complex omdat de raft, de geclusterde micropalen en de omliggende grond elkaar beïnvloeden. Factoren zoals paallengte en -afstand, raft-afmetingen en -dikte, en de sterkte van de klei beïnvloeden allemaal hoe de belasting wordt verdeeld en hoeveel de grond samendrukt bij verschillende spanningsniveaus.

Het opbouwen van een rijke testdatabase

Om dit gedrag te bestuderen heeft de auteur een database samengesteld van 480 experimentele gevallen, afgeleid van eerdere laboratoriummodellen en grootschalige veldmetingen op micropiled-rafts in cohesieve gronden. Voor elk geval bevat de dataset de geometrie van de raft, de grootte, het aantal en de rangschikking van micropalen, de sterkte van de klei en de toegepaste belasting, samen met de gemeten zetting. Door de klei-condities relatief gecontroleerd te houden terwijl de funderingslay-out varieert, richt de dataset zich op hoe ontwerpskeuzes de prestaties beïnvloeden. Dit maakt de set goed geschikt om computermodellen te trainen die subtiele patronen kunnen leren die funderingsontwerp, grondkenmerken en resulterende grondverplaatsing verbinden.

Machines trainen om de grond te lezen

De studie vergelijkt zes populaire machine learning-methoden om te zien welke het beste de zetting voorspelt op basis van de beschikbare invoer. Daartoe behoren boomgebaseerde technieken zoals random forests en boosting-methoden, een buurmethode en twee kernelgebaseerde methoden: support vector regression en Gaussian process regression. Alle modellen worden zorgvuldig afgestemd met behulp van Bayesian optimalisatie en cross-validation om te voorkomen dat ze op een handige maar misleidende set instellingen vertrouwen. Hun prestaties worden beoordeeld met verschillende foutmaten en visuele controles die voorspelde en gemeten zettingen vergelijken bij vele verschillende belastingsniveaus. Hoewel de meeste modellen goed passen op de trainingsdata, hebben veel van hen moeite wanneer ze volledig nieuwe gevallen moeten voorspellen.

Waarom één model eruit springt

Gaussian process regression blijkt het meest betrouwbare hulpmiddel in deze vergelijking. Het legt de gekromde, niet-lineaire relatie tussen belasting en zetting vast zonder simpelweg eerdere resultaten te memoriseren. Op testdata die het model nog nooit heeft gezien, behoudt het een hoge nauwkeurigheid met lage gemiddelde fout gemeten in millimeters. Het biedt ook betrouwbaarheidsbanden rond elke voorspelling, die aangeven hoe zeker het model is onder verschillende condities. Om dit verder te onderzoeken, voedt de studie het model met duizenden licht gevarieerde invoercombinaties via Monte Carlo-simulatie, waardoor kleine onzekerheden in afmetingen en grondsterkte worden nagebootst. De resulterende spreiding van voorspelde zettingen blijft smal en de gemiddelde voorspelde draagkracht–zettingscurves volgen nauwgezet de in experimenten gemeten curves.

Zien welke factoren het meest tellen

Buiten de ruwe nauwkeurigheid onderzoekt de studie hoe het model zijn beslissingen neemt met een interpreteerbaarheidstool genaamd SHAP. Deze analyse laat zien dat de meest invloedrijke factor de toegepaste belasting zelf is, gevolgd door paallengte en raft-breedte, die samen bepalen hoe krachten in de grond worden overgedragen. Het aantal en de afstand tussen palen spelen ook een rol, maar in mindere mate binnen het geteste bereik. De klei-sterkte en raft-dikte lijken minder prominent in de statistische rangschikking omdat ze in de beschikbare data sterk aan elkaar gekoppeld zijn, niet omdat ze fysiek onbelangrijk zouden zijn. Over het geheel genomen komt de rangorde van invloedrijke variabelen goed overeen met de lang bestaande werktuigkundige intuïtie over het gedrag van funderingen in zachte klei.

Wat dit betekent voor toekomstige ontwerpen

Het werk toont aan dat zorgvuldig afgestemde machine learning, en met name Gaussian process regression gecombineerd met Monte Carlo-simulatie, ingenieurs een praktisch hulpmiddel kan bieden om te voorspellen hoe micropiled-rafts zullen zetten onder verschillende belastingen, terwijl ook de onzekerheid in die voorspellingen gekwantificeerd wordt. Vooralsnog zijn de bevindingen het sterkst binnen de gecontroleerde condities van laboratorium- en geselecteerde veldtests, en roept de studie op tot meer volledige gegevens op schaal en bredere grondtypen. Desalniettemin laat het kader zien hoe data-gedreven modellen en traditionele geotechnische kennis kunnen samenwerken om veiligere, efficiëntere funderingsontwerpen op uitdagende ondergronden te creëren.

Bronvermelding: El Gendy, M. Data-driven prediction of micro-piled raft load–settlement using machine learning and Monte Carlo simulation. Sci Rep 16, 16180 (2026). https://doi.org/10.1038/s41598-026-54119-6

Trefwoorden: micropiled-raft-funderingen, machine learning, Gaussian process regression, draagkracht-zettingsgedrag, Monte Carlo-simulatie