Estymacja osiadania fundamentów spowodowanego upłynnieniem gruntu przy użyciu uczenia maszynowego dla danych niezrównoważonych

Dlaczego drżący grunt ma znaczenie dla codziennych budynków

Kiedy silne trzęsienie ziemi uderza, grunty wydające się stałe mogą przez krótki czas zachowywać się jak ciecz, powodując zapadanie się, odchylenia lub pęknięcia budynków. Zjawisko to, zwane upłynnieniem, uszkodziło domy i infrastrukturę w wielu ostatnich trzęsieniach, od Turcji po Japonię. Inżynierowie wiedzą, że nawet kilka dziesiątek centymetrów nierównomiernego osiadania może uczynić budynek niebezpiecznym lub nieprzydatnym. Jednak przewidzenie, o ile konkretny budynek się obniży na podstawie ograniczonych danych z terenu, pozostaje trudne. Niniejsze badanie bada, jak nowoczesne narzędzia uczenia maszynowego mogą przekształcić rozproszone relacje z rzeczywistych trzęsień ziemi w praktyczny sposób przewidywania uszkodzeń związanych z upłynnieniem oraz wspierać bezpieczniejszy projekt, decyzje ubezpieczeniowe i kontrole po katastrofie.

Od rozproszonych raportów przypadków do globalnego zbioru danych o trzęsieniach

Badacze zaczęli od zgromadzenia światowej bazy danych obejmującej 206 budynków, które doświadczyły uszkodzeń gruntu związanych z upłynnieniem podczas poprzednich trzęsień ziemi. Dla każdego przypadku zebrali proste informacje, które często są dostępne w praktyce: natężenie drgań na miejscu, całkowitą wysokość i szerokość budynku, nacisk wywierany przez budynek na fundament oraz kluczowe właściwości warstw gruntowych poniżej — w szczególności głębokość pierwszej warstwy podatnej na upłynnienie i jej grubość. Zamiast próbować obliczyć dokładne osiadanie w centymetrach, pogrupowali wyniki w cztery poziomy uszkodzeń, od braku widocznego osiadania po rozległe zapadanie i odchylenia. Taki „indeks uszkodzeń gruntu” zamienia nieuporządkowane pomiary z rzeczywistości w jasne kategorie, które można wykorzystać do trenowania i testowania modeli uczenia maszynowego.

Nauczanie komputerów rozpoznawania niebezpiecznych wzorców w nierównych danych

Rzeczywiste zapisy trzęsień ziemi są dalekie od porządku: niektóre rodzaje uszkodzeń występują często, inne rzadko, a zmienne wejściowe mogą zawierać wartości odstające i szumy. W tym zbiorze danych przypadki poważnych uszkodzeń były znacznie częstsze niż umiarkowane, tworząc silną nierównowagę, która może skłaniać wiele algorytmów do pomijania najrzadszej klasy. Aby temu sprostać, autorzy systematycznie łączyli kilka strategii. Oczyścili dane metodami filtrowania wartości odstających, a następnie przetestowali dwa komplementarne podejścia do radzenia sobie z niezrównoważeniem: sztuczne powielanie przypadków mniejszości (losowe nadpróbkowanie) oraz nakazanie algorytmom, by błędy dotyczące rzadkich klas traktowały jako bardziej kosztowne (uczenie kosztowo-wrażliwe). Aby uniknąć nadmiernie optymistycznych wyników, wszystkie te kroki zostały umieszczone w rygorystycznym procesie „odcięcia przecieków”, w którym dane testowe pozostawały całkowicie niewidoczne podczas trenowania, strojenia i ponownego próbkowania modeli.

Jakie czynniki i modele najlepiej uchwytują ryzyko osiadania?

Przetestowano kilka powszechnie stosowanych modeli, w tym lasy losowe, metody boostingowe typu gradient, sztuczną sieć neuronową oraz zespół modeli uśredniający prognozy kilku modeli. Ponieważ ogólna dokładność może ukrywać słabe wyniki dla rzadkich, lecz istotnych poziomów uszkodzeń, zespół podkreślał recall — ile z rzeczywiście poważnych przypadków model prawidłowo wykrywa — jako kluczową miarę. Gradient Boosting oraz zespół modeli opartych na drzewach okazały się najpewniejszymi opcjami, zwłaszcza w połączeniu z losowym nadpróbkowaniem, starannym traktowaniem wartości odstających i dopracowanymi progami decyzyjnymi. Aby zrozumieć, na co modele „patrzyły”, autorzy użyli SHAP — narzędzia rozkładającego każdą prognozę na wkłady poszczególnych cech. Analiza wykazała, że głębokość do pierwszej warstwy podatnej na upłynnienie była najważniejszym czynnikiem, następnie natężenie drgań i podstawowa geometria fundamentu, jak szerokość budynku. Mówiąc prościej: płytkie, łatwo upłynnialne warstwy pod wąskimi fundamentami były konsekwentnie związane z najpoważniejszymi uszkodzeniami.

Testowanie podejścia na rzeczywistych studiach przypadków trzęsień

Aby sprawdzić, czy ich metody działają poza próbką treningową, badacze zastosowali końcowe modele do czterech szczegółowych studiów przypadków z dobrze znanych trzęsień, w tym zdarzenia Loma Prieta z 1989 r. w Kalifornii, trzęsienia w Kocaeli z 1999 r. w Turcji, sekwencji Kumamoto z 2016 r. w Japonii oraz trzęsienia Kahramanmaraş z 2023 r. w Turcji. W tych przykładach jedynymi wejściami były proste szacunki natężenia drgań, wymiarów i obciążeń budynku oraz głębokości i grubości warstw podatnych na upłynnienie z badań terenowych. Modele na ogół odpowiadały obserwowanej skali uszkodzeń, prawidłowo identyfikując zarówno drobne, jak i rozległe poziomy uszkodzeń. W jednym przypadku model celowo popełnił błąd po stronie ostrożności, przewidując wyższą klasę uszkodzeń niż zgłoszona. Autorzy argumentują, że w sytuacjach o wysokich stawkach, takich jak odporność sejsmiczna, takie konserwatywne prognozy są lepsze niż przeoczenie poważnie uszkodzonych budynków.

Oparte na danych wsparcie dla bezpieczniejszych miast na miękkim gruncie

Ta praca nie zastępuje tradycyjnych wzorów fizycznych do obliczania osiadania, które pozostają niezbędne, gdy dostępne są szczegółowe wyniki badań gruntu. Zamiast tego oferuje narzędzie uzupełniające: przejrzysty, oparty na danych sposób klasyfikowania budynków do szerokich kategorii ryzyka przy użyciu niewielkiego zestawu rutynowo zbieranych parametrów. Poprzez ostrożne traktowanie niezrównoważonych danych, unikanie ukrytych uprzedzeń w ocenie oraz ujawnianie, które cechy gruntu i budynku mają największe znaczenie, proponowane ramy uczenia maszynowego dostarczają inżynierom, planistom i ubezpieczycielom praktycznego narzędzia wczesnego ostrzegania. W regionach zbudowanych na miękkim, nasyconym wodą gruncie może pomóc priorytetyzować budynki najbardziej narażone na niebezpieczne zapadanie i odchylanie się przy następnym silnym trzęsieniu ziemi.

Cytowanie: Sargin, S., Korkmaz, G., Yildirim, A.K. et al. Estimation of liquefaction-induced settlement of shallow foundation by machine learning with imbalanced data. Sci Rep 16, 11198 (2026). https://doi.org/10.1038/s41598-026-41969-3

Słowa kluczowe: upłynnienie gruntu, inżynieria sejsmiczna, uczenie maszynowe, osiadanie budynków, ryzyko sejsmiczne