Model rekurencyjnej sieci neuronowej LSTM do wykrywania końca pala przy użyciu surowych danych z testu integralności pala

Inteligentniejsze kontrole ukrytych fundamentów

Wiele budynków i mostów opiera się na długich podziemnych słupach betonowych zwanych palami. Ponieważ pale są zakopane, inżynierowie nie mogą po prostu je obejrzeć, aby sprawdzić, czy zostały poprawnie wykonane ani jak głęboko sięgają. Badanie pokazuje, jak model sztucznej inteligencji potrafi odczytać subtelne sygnały drgań z prostego testu młotkowego i automatycznie określić stopę pala — punkt, w którym kończy się w gruncie — co sprawia, że te ukryte kontrole są szybsze, bardziej wiarygodne i mniej zależne od osądu pojedynczego eksperta.

Jak inżynierowie „słuchają” zakopanych słupów

Aby zbadać pal bez wykopywania go, inżynierowie stosują test integralności o niskim poziomie odkształceń. Pracownik uderza w wierzchołek pala małym młotkiem, podczas gdy czujnik rejestruje, jak pal drga. Uderzenie wysyła falę naprężeniową w dół pala; gdy fala napotka zmianę — taką jak stopa pala lub defekt — odbija się z powrotem. Przenośne urządzenie zamienia te drgania w ślad zwany reflektogramem, który pokazuje, jak sygnał zmienia się w czasie lub w funkcji głębokości. Doświadczone osoby analizują ten ślad wraz z informacjami z miejsca budowy i normami takimi jak ASTM D5882 oraz regułami opartymi na Eurokodzie, aby ocenić, czy pal jest nienaruszony i gdzie znajduje się jego stopa. Interpretacja ta może jednak być subiektywna, czasochłonna i wrażliwa na szum oraz warunki gruntowe.

Dlaczego warto użyć uczenia głębokiego

W ostatnich latach badacze testowali wiele podejść sztucznej inteligencji do analizy danych z testów pali — od klasycznych sieci neuronowych po metody oparte na obrazach i klasyfikatory sygnałów. Te metody często wymagają ręcznego wyodrębniania cech z rejestrowanych sygnałów lub konwersji sygnałów na obrazy i mogą mieć trudności z uchwyceniem, jak fale ewoluują w czasie wzdłuż pala. Autorzy artykułu skupili się zamiast tego na modelach zaprojektowanych specjalnie do sekwencji: rekurencyjnych sieciach neuronowych z pamięcią długotrwałą (LSTM). Sieci te są stworzone, by „pamiętać” wcześniejsze elementy szeregu czasowego, co sprawia, że dobrze nadają się do śledzenia fali wywołanej uderzeniem młotka, gdy przemieszcza się, odbija i zanika w pale.

Przekształcanie surowych uderzeń młotka w czyste dane

Zespół zebrał bazę danych 500 zapisów testów o niskim odkształceniu z egipskich projektów budowlanych obejmujących pale wiercone z betonu o długości 12–30 metrów w gruntach warstwowych. Dla każdego pala posiadali surowe pomiary przyspieszenia w czasie oraz odpowiadający im reflektogram, który pierwotnie został narysowany i zinterpretowany przez ludzi. Dokładnie zdigitalizowali te wykresy, przeliczyli głębokość na czas, wykorzystując znane prędkości fal, i znormalizowali skalę pionową, aby sygnały z różnych pali można było porównać. Po stronie surowych danych czujnikowych wygładzili wysokoczęstotliwościowy szum, wystandaryzowali sygnały za pomocą odpornej skali statystycznej oraz zastosowali sprytne dopasowanie długości i niewielkie losowe modyfikacje, dzięki czemu sieć neuronowa mogła obsługiwać sekwencje o różnej długości bez zniekształcania ich wzorców.

Projektowanie i testowanie sieci neuronowej

Wypróbowano kilka układów sieci, różniących się liczbą warstw i „neuronów” wirtualnych w modelu. Badacze szukali równowagi: wysokiej dokładności predykcji bez gwałtownego wzrostu kosztu obliczeniowego lub tendencji do zapamiętywania danych treningowych. Stwierdzili, że sześciowarstwowy model LSTM z 32 jednostkami w każdej warstwie osiąga to kompromisowe rozwiązanie. Aby pomóc modelowi śledzić istotne fragmenty sygnału, dodali skróty między warstwami oraz mechanizm uwagi, który pozwala sieci skupić się na kluczowych przedziałach czasowych. Trenowany na 400 palach i walidowany na 100 niewidzianych przypadkach, finalny model odtwarzał ślady prędkości wygenerowane przez ludzi z wysoką dokładnością statystyczną, wykazując silną zgodność między przewidywanymi a zdigitalizowanymi sygnałami.

Od liczb do praktycznych decyzji dotyczących pali

Ponad samymi statystykami głównym praktycznym pytaniem jest, czy model potrafi poprawnie oznaczyć stopę pala. Badacze wizualnie sprawdzili każdy przewidywany reflektogram i porównali lokalizację stopy z odniesieniem zdigitalizowanym przez ludzi. Jeśli dopasowanie mieściło się w 5 procentach, ocena była „Dobra”; do 10 procent — „Średnia”; powyżej tego — „Zła”. Dla zestawu treningowego około 90 procent pali oceniono jako „Dobre”, a jedynie 4 procent jako „Złe”. W zestawie walidacyjnym 84 procent było „Dobrych”, a 6 procent „Złych”. Wyniki te sugerują, że system AI potrafi naśladować interpretację eksperta wystarczająco dokładnie, by być użytecznym w codziennych testach, przynajmniej w granicach rozmiarów pali, wytrzymałości betonu i rodzajów testów, na których był trenowany.

Co to oznacza dla bezpieczniejszych konstrukcji

Mówiąc prosto, badanie pokazuje, że dobrze zaprojektowany model uczenia głębokiego może wziąć surowy zapis drgań od uderzenia młotka w pal i automatycznie narysować ten sam rodzaj krzywej, której specjalista używa do zlokalizowania stopy pala. Redukuje to liczbę kroków ręcznych i pole pomyłek ludzkich, jednocześnie zachowując przejrzystość końcowego osądu na podstawie znanych wykresów. Na razie model dotyczy jednego typu czujnika i pali podobnych do tych badanych, ale wskazuje na przyszłość, w której rutynowe kontrole ukrytych fundamentów staną się szybsze, bardziej spójne i łatwiejsze do przeprowadzenia na zapracowanych placach budowy.

Cytowanie: Samaan, R.M., Saafan, M.S.A., Mokhtar, A.A. et al. Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test. Sci Rep 16, 6348 (2026). https://doi.org/10.1038/s41598-026-36732-7

Słowa kluczowe: testy integralności pali, uczenie głębokie, rekurencyjna sieć neuronowa, badania nieniszczące, inżynieria lądowa