Constitutieve modellering van granulaire media geïnformeerd door microstructuur onder meerassige belasting: Van de deeltjesschaal naar continuum

Waarom de ondergrond onder turbines ertoe doet

Nu we meer windparken, tunnels en taluds bouwen, vertrouwen we op de ondergrond om wisselende krachten van wind, golven en aardbevingen veilig te dragen. Toch is de bodem onder onze voeten geen homogeen blok; het is een opeenhoping van zandkorrels waarvan vorm en ordening voortdurend veranderen onder druk en rek. Dit artikel legt uit hoe onderzoekers gedetailleerde computersimulaties van individuele korrels combineren met moderne kunstmatige intelligentie om te voorspellen hoe zulke granulaire ondergrond zich gedraagt onder complexe, reële belastingsituaties.

Van losse korrels naar echte constructies

Granulaire materialen zoals zand, mijnslakken en spoorwegballast vertonen verrassend ingewikkeld gedrag. In tegenstelling tot kristallen of metalen bestaat er geen eenvoudige vergelijking die ingenieurs vertelt hoe een hoop korrels reageert als hij gelijktijdig vanuit meerdere richtingen wordt samengedrukt. In de praktijk vertrouwen ontwerpers op laboratoriumtests en empirische formules die mogelijk alleen gelden voor een specifieke locatie of grondsoort. Reële bodems worden echter door zwaartekracht afgezet, gevormd door vorige belastingen en tegelijk in meerdere richtingen belast door wind, golven en seismische trillingen. Een windturbine op een hellende zeebodem bijvoorbeeld ondervindt continu veranderende combinaties van verticale, horizontale en verdraaiende krachten die traditionele tests vaak niet vastleggen.

Ieder korreltje in beweging observeren

Om deze kloof te dichten gebruiken de auteurs de discrete element-methode, een numerieke techniek die elk korreltje als een individueel stijf deeltje behandelt. In hun virtuele laboratorium worden duizenden korrels in een kleine doos gespoten en vervolgens langs drie onafhankelijke richtingen samengedrukt terwijl de computer elk contactkracht en elke kleine herschikking bijhoudt. Het team varieert systematisch sleutelparameters die het gedrag van de bodem bepalen: de beginomgevingsdruk rond de korrels, hoe dicht ze gepakt zijn, de richting van de toegepaste spanningen, de oriëntatie van interne lagen (zogenaamde bedding) en de vormen van de korrels zelf, van bijna bolvormig tot duidelijk verlengd. Over 260 gedetailleerde simulaties observeren ze hoe deze factoren het materiaal stijfter of zwakker maken, het laten krimpen of uitzetten en de interne structuur richtingafhankelijk doen worden.

Hoe korrelvorm en structuur de sterkte veranderen

De simulaties tonen aan dat meerdere vaak over het hoofd geziene kenmerken de sterkte van de ondergrond sterk kunnen beïnvloeden. Bij een hogere gemiddelde omgevingsdruk wordt het virtuele zand stijver en kan het meer schuifspanning dragen voordat het begint te herschikken. Dichtere pakkingen verzetten zich beter tegen schuifbelasting en hebben de neiging uit te zetten, terwijl losse pakkingen comprimeren als korrels nieuwe posities vinden. Het veranderen van de oriëntatie van het spanningspad — gecodeerd door een grootheid die de Lode-hoek wordt genoemd — kan de pieksterkte doen toenemen of afnemen en het evenwicht tussen contractie en dilatatie verschuiven. Evenzo vermindert het draaien van de beddingvlakken van horizontaal naar verticaal de maximale schuifweerstand, wat aangeeft dat de afzettingsgeschiedenis van de bodem van belang is. Zelfs de korrelvorm speelt een significante rol: samenstellingen van meer verlengde korrels verdragen hogere piekspanningen en ondergaan kleinere volumeveranderingen dan samenstellingen van bijna bolvormige korrels die bij dezelfde relatieve dichtheid zijn voorbereid.

Een neuraal netwerk leren denken als bodem

Hoewel deze hogeresolutie-simulaties diepgaand inzicht bieden, zijn ze te rekenintensief om binnen grootschalige ingenieursmodellen van een volledige fundering of talud te draaien. Om deze schaalkloof te overbruggen bouwen de auteurs een deep-learningmodel — een meerlaagse neurale netwerk — dat leert het gesimuleerde bodemgedrag na te bootsen. In plaats van alleen eenvoudige testresultaten te krijgen, ontvangt het netwerk rijke beschrijvingen van de materiaalsituatie: de vormen van de deeltjes, de begindruk en dichtheid, maten voor de interne lagen en de lopende vervormingen in elke richting. Met een zorgvuldig ontworpen trainingsstrategie en een verliesfunctie die de nadruk legt op de initiële, meest kritieke fasen van vervorming, leert het netwerk de drie spanningscomponenten uit te geven die nauw overeenkomen met de simulaties, inclusief subtiele richtingseffecten en veranderingen in langetermijnsterkte.

Van virtuele korrels naar veiliger ontwerpen

Het eindresultaat is een nieuw soort constitutief model — een regel die spanning en vervorming koppelt — dat geïnformeerd is door deeltjesfysica maar even snel draait als een conventionele ingenieursformule. Het kan vastleggen hoe de bodemsterkte afhangt van korrelvorm, gelaagdheid en complexe driedimensionale belading, zonder de noodzaak van tientallen handmatig afgestelde parameters of locatie-specifieke tests. De auteurs voorzien het ingebed raken van dit geleerde model in standaard eindige-elementensoftware, zodat ontwerpers van funderingen voor windturbines, taluds en ondergrondse constructies rekening kunnen houden met realistische meerrichtingbelastingen en evoluerende bodemstructuur. Simpel gezegd laat dit werk zien hoe het observeren van elk korreltje in een virtueel experiment en het destilleren van dat gedrag in een getraind neuraal netwerk kan leiden tot betrouwbaardere en efficiëntere ontwerpen voor de infrastructuur die de energietransitie ondersteunt.

Bronvermelding: Irani, N., Golestaneh, P., Salimi, M. et al. Microstructure-informed constitutive modeling of granular media under multidirectional loading: From particle-scale to continuum. Commun Eng 5, 80 (2026). https://doi.org/10.1038/s44172-026-00652-1

Trefwoorden: granulaire grond, deep learning, funderingen voor windturbines, discrete element-simulaties, meerdimensionale belading