Technika zastępcza oparta na XGBoost do analizy niezawodności systemu fundamentu nad pustką wspomagana bootstrapowaniem

Dlaczego ukryte pustki pod budynkami mają znaczenie

Miasta coraz częściej powstają nad starymi kopalniami, tunelami i innymi podziemnymi pustkami. Te ukryte przestrzenie mogą stopniowo osłabiać podłoże, powodując przechyły budynków, pęknięcia lub nawet ich awarie. Inżynierowie starają się projektować fundamenty odporne na takie ryzyka, lecz tradycyjne metody sprawdzania bezpieczeństwa dla wielu możliwych scenariuszy bywają niezwykle czasochłonne. Badanie to pokazuje, jak nowoczesne narzędzia uczenia maszynowego mogą przyspieszyć te kontrole i uczynić je bardziej realistycznymi, pomagając chronić obiekty położone nad pustkami.

Fundamenty nad niewidocznymi zagrożeniami gruntowymi

Fundament budynku ma do wykonania dwie główne funkcje: nie może przebić się przez grunt (nośność) oraz nie może zapaść się lub przechylić zbyt mocno (osiadanie). Pustki pod powierzchnią — powstałe w wyniku eksploatacji górniczej, drążenia tuneli lub procesów naturalnych — utrudniają obie te funkcje. Grunt może przesunąć się lub zapaść do wnęki, zmniejszając w miarę upływu czasu podparcie fundamentu. Tradycyjne projekty często opierają się na pojedynczym „czynniku bezpieczeństwa”, który porównuje pozorną wytrzymałość układu fundamentowego z wymaganym poziomem. Jednak prawdziwe warunki gruntowe różnią się w przestrzeni i zmieniają w czasie, więc pojedynczy współczynnik bezpieczeństwa może ukrywać istotne ryzyko.

Od ciężkich symulacji do inteligentnych zastępników

Aby prawidłowo zbadać te zagrożenia, inżynierowie w idealnej sytuacji przeprowadziliby tysiące szczegółowych symulacji komputerowych zmieniających parametry wytrzymałości gruntu, kształt pustki i inne czynniki. W praktyce jest to zbyt powolne. Autorzy przygotowali zamiast tego duży zbiór danych z 272 wysokiej jakości symulacji fundamentu liniowego nad okrągłą pustką, wykonanych w specjalistycznym programie geotechnicznym. Następnie wytrenowali model uczenia maszynowego XGBoost, aby naśladował te symulacje, przewidując zarówno nośność, jak i osiadanie na podstawie wejść takich jak ciężar objętościowy gruntu, spójność, kąt tarcia, głębokość pustki i sztywność. Model zastępczy odtworzył szczegółowe symulacje z dużą dokładnością, szczególnie dla nośności, co oznacza, że może pełnić rolę szybkiego zamiennika dla droższych obliczeń.

Rozumienie nieporządnych danych i niepewności

Prawdziwe dane geotechniczne rzadko zgadzają się z prostymi założeniami statystycznymi — mogą być skośne, mieć wiele szczytów i dużą rozrzutność. Autorzy systematycznie testowali wiele przekształceń matematycznych, aby przewidywane wartości nośności i osiadania zachowywały się bardziej jak idealne krzywe dzwonowe. Żadne z nich nie działało perfekcyjnie samodzielnie. Najlepszą równowagę uzyskali, najpierw stosując transformację logarytmiczną, a następnie używając techniki zwanej bootstrapowaniem, która wielokrotnie próbuje losowe próbki danych, aby zbudować empiryczny rozkład. To połączenie pozwoliło im opisać niepewność w sposób trwały, bez forsowania danych do nierealistycznego kształtu.

Obliczanie prawdopodobieństwa awarii dzisiaj i w przyszłości

Z modelem zastępczym i ulepszonym traktowaniem danych zespół użył symulacji Monte Carlo, aby oszacować, jak często fundamenty uległyby awarii według dwóch kryteriów: utraty nośności i nadmiernego osiadania. Stwierdzili, że limit osiadania był bardziej krytyczny niż nośność, zwiększając prawdopodobieństwo awarii niemal o 30 procent, gdy oceniano go samodzielnie. Gdy oba kryteria połączono w widok systemowy — gdzie awaria następuje, jeśli któreś z nich jest naruszone — ogólne prawdopodobieństwo awarii wzrosło jeszcze bardziej, o ponad 50 procent w porównaniu z oceną samej nośności. Badanie zbadało również, jak bezpieczeństwo może pogarszać się w ciągu dekad, stopniowo zmniejszając nośność i zwiększając oczekiwane osiadanie. Przy tych założonych trendach wskaźniki niezawodności systematycznie spadały, osiągając poziom zbliżony do rzutu monetą po około stu latach.

Co to oznacza dla bezpieczniejszego projektowania budynków

Dla osób niezwiązanych z branżą kluczowy wniosek jest taki, że bezpieczeństwa budynków nad podziemnymi pustkami nie da się wiarygodnie ocenić za pomocą jednego współczynnika bezpieczeństwa ani przez sprawdzenie tylko jednego trybu awarii. Łącząc dobrze wytrenowany model zastępczy uczenia maszynowego z ostrożnym traktowaniem statystycznym i symulacją Monte Carlo, inżynierowie mogą szybko przeanalizować tysiące scenariuszy „co jeśli”, uwzględniając niepewne własności gruntu, geometrię pustek i zmiany w czasie. Podejście to pokazuje, że to osiadanie i zachowanie systemowe mogą rządzić ryzykiem, nawet gdy nośność wydaje się wystarczająca. W praktyce ramy te dostarczają szybszego, bardziej realistycznego sposobu wykrywania fundamentów, które na papierze wyglądają na bezpieczne, ale mogą stać się wrażliwe, gdy podłoże będzie się zmieniać pod nimi.

Cytowanie: Shubham , K., Metya, S., Sinha, A.K. et al. XGBoost based surrogate technique for system reliability analysis of foundation over cavity aided with bootstrapping. Sci Rep 16, 7113 (2026). https://doi.org/10.1038/s41598-026-37058-0

Słowa kluczowe: niezawodność fundamentu, podziemne pustki, uczenie maszynowe, symulacja Monte Carlo, inżynieria geotechniczna