Prognozowanie przemieszczeń wierzchołków pali i powierzchni terenu wokół pali na podstawie algorytmów uczenia maszynowego

Dlaczego drobne przemieszczenia pod ziemią mają znaczenie

Gdy budowane są nowe linie metra lub estakady, w gruncie umieszcza się tysiące głębokich betonowych pali, które podtrzymują konstrukcje. To ściskanie otaczającego gruntu może przesunąć pobliskie pale, drogi, budynki i zakopane rury o zaledwie kilka milimetrów — ale nawet tak niewielkie ruchy mogą powodować pęknięcia betonu czy odkształcenia instalacji. Badanie opisane w tym artykule pokazuje, że nowoczesne narzędzia uczenia maszynowego potrafią przewidywać te podziemne przesunięcia dokładniej niż tradycyjne formuły, pomagając inżynierom projektować bezpieczniejsze fundamenty w zatłoczonych miastach.

Jak wbijanie pali przekształca grunt

Podczas budowy długie, puste betonowe pale są wpychane w miękki grunt zamiast być wbijane, co jest częstą metodą w projektach miejskich, takich jak Linia 1 metra w Bogocie w Kolumbii. W miarę wkręcania każdego pala grunt musi się gdzieś przesunąć: jest ściskany bocznie i ku górze, naciskając na sąsiednie pale i powierzchnię terenu. W skrajnych przypadkach może to prowadzić do złamań pali, podniesień jezdni czy uszkodzeń pobliskich rurociągów, które mogą znajdować się zaledwie kilkadziesiąt centymetrów dalej. Inżynierowie od dawna korzystają z uproszczonych teorii traktujących każdy pal jako rozszerzający się cylinder w gruncie, aby oszacować te efekty, ale metody te mają trudności z odzwierciedleniem złożonej rzeczywistości warstwowych gruntów, skomplikowanych układów pali i sekwencji robót.

Nauczanie komputerów rozumienia reakcji gruntu

Naukowcy zwrócili się ku uczeniu maszynowemu, gałęzi sztucznej inteligencji, w której komputery uczą się wzorców z danych zamiast polegać wyłącznie na ręcznie zapisanych równaniach. Zebrali setki pomiarów przemieszczeń poziomych na wierzchołkach pali i w punktach monitorujących wokół nich z projektu w Bogocie. Dla każdego pomiaru odnotowali też zestaw czynników wpływających, w tym wilgotność i zagęszczenie gruntu, jego sztywność, odległość punktu od środka grupy pali, kąt położenia względem grupy oraz czas, jaki upłynął od zakończenia wbijania pali do ustabilizowania się gruntu.

Testowanie różnych modeli uczących się

Porównano kilka typów algorytmów. Klasyczna sieć neuronowa znana jako sieć z propagacją wsteczną (BP) posłużyła jako punkt odniesienia. Zespół wzmocnił ją następnie podejściem zwanym AdaBoost, które łączy wiele słabych predyktorów w dokładniejszy „komitet”, tworząc model AdaBoost-BP. Testowano też głębokie sieci neuronowe z wieloma warstwami ukrytymi, lasy losowe złożone z wielu drzew decyzyjnych oraz popularną metodę wzmacniania drzew o nazwie XGBoost. Wszystkie modele były strojone i weryfikowane przy użyciu walidacji krzyżowej — procedury, która wielokrotnie trenuje na części danych i testuje na pozostałych, aby uniknąć przeuczenia. Zarówno dla małych, jak i dużych zbiorów danych, modele wzmacniane i głębokiego uczenia znacząco przewyższały podstawową sieć BP, przy czym głębokie sieci neuronowe szczególnie wiernie odwzorowywały pomiary terenowe.

Co naprawdę kontroluje ruch gruntu

Mając dokładne modele, autorzy sprawdzili, które czynniki mają największe znaczenie. Używając analizy SHAP — techniki wyjaśniającej złożone modele przez przypisanie każdemu wejściu wkładu w predykcję — stwierdzili, że dominuje prosta geometria: pozioma odległość od środka grupy pali i kierunek wokół niej są głównymi czynnikami przemieszczeń. Punkty bliżej środka mają tendencję do większych przemieszczń, a schematy ruchu różnią się kierunkowo, ponieważ rzędy pali nie są idealnie symetryczne. Czas od zakończenia wbijania pali również odgrywa znaczącą rolę, odzwierciedlając powolne dostosowania i pełzanie gruntu. Spośród właściwości gruntu najsilniejszy wpływ mają zawartość wody, względna gęstość i kąt tarcia wewnętrznego (miara związana z tym, jak ziarna ze sobą współpracują), podczas gdy inne parametry, takie jak spójność czy jednostkowa waga objętościowa, mają mniejsze znaczenie.

Nowe narzędzia dla bezpieczniejszej budowy podziemnej

Porównując prognozy oparte na danych z tradycyjną teorią rozszerzania cylindrycznego, autorzy wykazali, że modele uczenia maszynowego, zwłaszcza głębokie sieci neuronowe, potrafią przewidywać przemieszczenia poziome na wierzchołkach pali i punktach powierzchni znacznie dokładniej. W przyszłych projektach — na przykład przy budowie kolejnych linii metra — podejście to można zastosować na etapie projektowania do testowania różnych układów pali, rozstawów i sekwencji robót na komputerze, zanim naruszony zostanie grunt, co zmniejszy ryzyko dla pobliskich budynków i rurociągów. Krótko mówiąc, pozwalając komputerom uczyć się bezpośrednio z dokładnych pomiarów terenowych, inżynierowie zyskują wyraźniejszy obraz reakcji gruntu, co ułatwia utrzymanie stabilności i integralności kluczowej infrastruktury miejskiej.

Cytowanie: Li, P., Guo, S., Liang, M. et al. Prediction of the displacements of the pile tops and ground surface around piles based on machine learning algorithms. Sci Rep 16, 6057 (2026). https://doi.org/10.1038/s41598-026-36502-5

Słowa kluczowe: fundamenty palowe, przemieszczenia gruntu, uczenie maszynowe, infrastruktura podziemna, budowa metra