Ocena czynników wytrzymałości na ścinanie mieszanek gruntowo‑skalnych w nasypach pod stacje górskie z użyciem uczenia maszynowego

Dlaczego to ma znaczenie dla utrzymania zasilania

Rozwijające się miasta w rejonach górskich potrzebują stacji, które bezpiecznie dostarczają energię, często usytuowanych na wyciętych i zasypanych zboczach. Zamiast sprowadzać idealne materiały budowlane, inżynierowie coraz częściej wykorzystują na miejscu odpady gruntowe składające się z mieszanki gleby i rozdrobnionej skały. Te mieszanki gruntowo‑skalane są tanie i bardziej zrównoważone, ale ich zachowanie pod obciążeniem jest trudne do przewidzenia, co zwiększa ryzyko nierównomiernych osiadań lub wręcz osuwisk pod istotnym sprzętem energetycznym. To badanie pokazuje, jak prosta forma sztucznej inteligencji potrafi przesiać wiele współdziałających właściwości gruntu, aby wskazać te, które mają największe znaczenie dla stabilności takich stacji górskich.

Odzyskany grunt, złożone zachowanie

W stromym terenie budowa poziomej platformy pod stację zwykle wymaga wykopów i zasypów. Aby zredukować koszty i ruch ciężarówek, wykonawcy często ponownie wykorzystują lokalne odpady z gliny, wietrzejącej skały wulkanicznej i odłamków twardszego bazaltu. W rezultacie powstają mieszanki gruntowo‑skalane: niejednorodne, łatwe do zakłócenia materiały, których wytrzymałość zależy od zawartości wody, stopnia zagęszczenia oraz od tego, jak drobny materiał spaja większe kamienie. Ponieważ skład mieszanki może różnić się w różnych miejscach i warstwach, grunt może osiadać nierównomiernie pod ciężkimi transformatorami, zagrażając delikatnym komponentom elektrycznym, które wymagają bardzo małych przemieszczeń.

Od badań laboratoryjnych do modelu uczącego się

Badacze pobrali reprezentatywne materiały z terenu stacji w południowo‑zachodnich Chinach, następnie rozdrobnili, przesiali i zmieszali je, aby uzyskać kontrolowane mieszanki. W laboratorium zagęścili te mieszanki w standardowych próbkach i przeprowadzili badania bezpośredniego ścinania pod różnymi obciążeniami, naśladując warunki w warstwach nasypu. Dla każdej próbki zmierzyli kluczowe właściwości fizyczne: gęstość objętościową na sucho, zawartość wody, wskaźnik porowatości (stosunek pustek), oraz dwa graniczne wskaźniki opisujące, jak mokry może być drobny grunt, zanim zacznie zachowywać się jak masa plastyczna lub płynna. Te pomiary, powiązane z uzyskaną wytrzymałością na ścinanie (rozdzieloną na tarcie wewnętrzne i spójność), stworzyły zbiór danych obejmujący 112 starannie przygotowanych przypadków.

Nauczanie sieci neuronowej o gruncie i skale

Zamiast próbować sprowadzić te zawiłe zależności do prostych wzorów, zespół wytrenował sieć neuronową typu feedforward — podstawowy model uczenia maszynowego, który wyłapuje wzorce bezpośrednio z danych. Model przyjmował pięć zmierzonych właściwości gruntu jako wejścia i uczył się przewidywać dwa wyjścia: spójność mieszanki oraz jej odporność na ścinanie wyrażoną kątem tarcia wewnętrznego. Dostosowali ustawienia sieci i porównali jej wyniki z bardziej tradycyjnymi metodami, takimi jak regresja liniowa, metody najbliższych sąsiadów czy lasy losowe. Przy użyciu powtarzanych walidacji krzyżowych na danych wstrzymanych do testów, sieć neuronowa konsekwentnie dawała dokładne prognozy, dobrze odwzorowując zmierzone wartości wytrzymałości i nieznacznie przewyższając alternatywy na tym umiarkowanie małym zbiorze danych.

Które właściwości gruntu naprawdę się liczą?

Ponieważ uzyskali wiarygodny model, autorzy zbadali, które wejścia najbardziej wpływają na jego przewidywania. Wykorzystali wewnętrzne wagi połączeń sieci jako coś w rodzaju „oceny wpływu” dla każdej właściwości. Zawartość wody okazała się kluczowa, odpowiadając za około jedną czwartą do jednej trzeciej zmienności zarówno spójności, jak i tarcia. Gdy mieszanka jest zbyt mokra, cienkie warstwy wody smarują styki ziaren i osłabiają spoiwa między cząstkami, co gwałtownie obniża wytrzymałość. Granica plastyczności drobnego materiału — zawartość wody, przy której przestaje się zachowywać jak kruchy ciało stałe i zaczyna płynąć — była niemal równie istotna, szczególnie dla tarcia. Gęstość na sucho i stosunek pustek także miały znaczenie, lecz w mniejszym stopniu, głównie przez wpływ na zacinanie się ziaren. Razem wyniki te potwierdzają długotrwałe intuicje geotechniczne, jednocześnie nadając liczbowe znaczenie względnemu wpływowi poszczególnych czynników.

Praktyczne wskazówki dla bezpieczniejszych stacji górskich

Dla inżynierów główne przesłanie jest proste: w nasypach z odzyskanego materiału pod stacjami najbardziej krytyczne jest kontrolowanie wody i plastycznego zachowania drobnej matrycy, bardziej niż innych pojedynczych właściwości. Skupiając badania i kontrole wykonawcze na zawartości wilgoci, granicy plastyczności i płynności oraz jakości zagęszczenia, projektanci mogą lepiej przewidywać, jak grunt przeniesie obciążenie i gdzie ryzyko osiadań jest największe. Choć konkretne liczby pochodzą z jednego regionu w południowo‑zachodnich Chinach, schemat pracy — łączenie ukierunkowanych badań laboratoryjnych z przejrzystą analizą opartą na sieci neuronowej — oferuje powtarzalny plan dla podobnych projektów na całym świecie, zmieniając nieuporządkowane odpady w bardziej przewidywalny materiał fundamentowy.

Cytowanie: Huang, X., Liao, J., Ke, H. et al. Machine learning-based evaluation of shear strength factors in soil-rock mixtures for mountain substation fills. Sci Rep 16, 5775 (2026). https://doi.org/10.1038/s41598-026-36601-3

Słowa kluczowe: mieszanki gruntowo‑skalane, fundamenty stacji górskich, wytrzymałość na ścinanie, zawartość wody, uczenie maszynowe w inżynierii geotechnicznej