Metoda oparta na uczeniu maszynowym do wyznaczania parametrów regionalnych modelu HSS: studium przypadku Qingdao, Chiny

Dlaczego miejskie wykopy potrzebują mądrzejszych narzędzi

Gdy inżynierowie kopią głębokie wykopy pod piwnice, stacje metra czy podziemne garaże w zatłoczonych miastach, nawet kilka milimetrów nieoczekiwanego ruchu gruntu może popękać pobliskie budynki lub uszkodzić zakopane rurociągi. Aby chronić ludzi i infrastrukturę, inżynierowie polegają na modelach komputerowych przewidujących, jak grunt będzie się odkształcać podczas prac. Artykuł pokazuje, jak uczenie maszynowe może znacznie skrócić czas i obniżyć koszty dostrajania jednego z zaawansowanych modeli gruntu dla miasta nadmorskiego w Chinach, przy jednoczesnym dopasowaniu do pomiarów z rzeczywistego terenu z imponującą precyzją.

Jak inżynierowie zazwyczaj przewidują ruch gruntu

Współczesne place budowy często wykorzystują metodę elementów skończonych, technikę numeryczną dzielącą grunt i konstrukcje wspierające na wiele drobnych elementów i obliczającą, jak każdy z nich się odkształca przy zmieniających się obciążeniach. Aby ta metoda była skuteczna, potrzebny jest realistyczny opis zachowania gruntu, szczególnie przy głębokich wykopach otoczonych wysokimi budynkami i instalacjami podziemnymi. Powszechnie cenioną opcją jest model „hardening soil small‑strain” (HSS), który oddaje zmiany sztywności gruntu w zależności od historii naprężeń i bardzo małych przemieszczeń. Model ten wymaga jednak wielu parametrów wejściowych, z których niektóre silnie różnią się w zależności od lokalizacji. Tradycyjnie parametry te pozyskuje się z wyspecjalizowanych badań laboratoryjnych próbek gruntu, co jest kosztowne i czasochłonne. W rezultacie najdokładniejsze modele bywają rzadko stosowane w codziennych projektach.

Wydobywanie, które parametry gruntu naprawdę się liczą

Autorzy najpierw przeanalizowali opublikowane dane z badań z kilku chińskich miast, aby zrozumieć, które parametry zaawansowanego modelu gruntu rzeczywiście rządzą odkształceniami głębokiego wykopu. Porównali kluczowe wartości sztywności z bardziej znaną wielkością — modułem odkształcenia przy ściskaniu — i przejrzeli te stosunki dla typowych rodzajów gruntów, takich jak nasypy, ilaste pyły i piaski średnio‑drobne. Dwa miary sztywności związane z rutynowym zachowaniem przy ściskaniu okazały się oscylować blisko stosunku jeden do jednego z modułem ściskania i wykazywały niską wrażliwość na ruch wykopu. W przeciwieństwie do tego, dwie inne miary sztywności — jedna związana z odbudową sprężystości po odciążeniu, druga dotycząca zachowania przy bardzo małych odkształceniach — silnie różniły się między regionami i miały duży wpływ na przewidywane przemieszczenia. Ta obserwacja pozwoliła zespołowi potraktować niektóre parametry jako niemal stałe, koncentrując się na tych nielicznych, które rzeczywiście sterują lokalnymi odkształceniami.

Nauka sieci neuronowej rozpoznawania zachowania wykopu

Wyposażeni w te ustalenia badacze wykorzystali głęboki wykop fundamentowy w Qingdao jako poligon treningowy. Gleby na terenie obejmowały nasyp, ilaste pyły i piaski średnio‑drobne spoczywające nad wietrzejącym granitem. Zaprojektowali systematyczny zbiór kombinacji parametrów dla dwóch wrażliwych wartości sztywności w każdej warstwie gruntowej i uruchomili serię trójwymiarowych symulacji komputerowych wykopu. Dla każdej kombinacji zapisywali, jak bardzo zginają się ściany oporowe i jak osiada powierzchnia gruntu w wybranych punktach monitoringu. Te sparowane dane wejściowe i wyjściowe stworzyły zestaw do trenowania sieci neuronowej z metodą wstecznej propagacji — prostego modelu uczenia maszynowego, który uczy się łączyć przyczyny ze skutkami. Po treningu sieć potrafiła, na podstawie kilku zmierzonych przemieszczeń ścian i powierzchni z rzeczywistej budowy, szybko wywnioskować, które parametry sztywności gruntu musiały je spowodować.

Weryfikacja metody na rzeczywistych projektach budowlanych

Aby sprawdzić, czy ten wirtualny „detektyw gruntu” jest godny zaufania, autorzy zastosowali wywnioskowane wartości sztywności w dwóch niezależnych projektach głębokich wykopów w Qingdao, które stosowały pale i kotwy. Zbudowali modele numeryczne z nowo uzyskanymi parametrami i porównali przewidywane ugięcia ścian oraz osiadania powierzchni z danymi pomiarowymi z placu budowy zebranymi podczas prac. Różnice okazały się imponująco małe: typowe średnie błędy bezwzględne były poniżej pół milimetra, a błędy średniokwadratowe były równie niewielkie. Innymi słowy, symulacje odwzorowały obserwowane zachowanie wykopów z dokładnością wystarczającą do kontroli bezpieczeństwa i dopracowania projektu.

Co to oznacza dla bezpieczniejszej i tańszej budowy pod ziemią

Dla osób spoza specjalności kluczowy przekaz jest taki: badanie pokazuje, że niewielka ilość monitoringu na terenie, połączona z dobrze zaprojektowanymi symulacjami i siecią neuronową, może zastąpić wiele kosztownych badań laboratoryjnych. Poprzez wyizolowanie kilku właściwości gruntu, które mają największe znaczenie, i pozwolenie uczeniu maszynowemu na ich dostrojenie do rzeczywistych odkształceń, inżynierowie mogą stosować bardziej zaawansowane modele gruntowe bez nadmiernego nakładu. Dla typowych gruntów Qingdao autorzy podają nawet gotowe współczynniki między wrażliwymi parametrami sztywności a standardowymi miarami ściskania, dając projektantom praktyczne skróty. Szerzej rzecz biorąc, podejście wskazuje kierunek ku przyszłości, w której budowa podziemna będzie prowadzona przez modele skalibrowane lokalnie na podstawie danych, co poprawi marginesy bezpieczeństwa przy jednoczesnym kontrolowaniu kosztów i harmonogramów projektów.

Cytowanie: Yuan, C., Zhang, Q., Feng, H. et al. Machine learning-based method for determining regional parameters of the HSS model: a case study of Qingdao, China. Sci Rep 16, 13124 (2026). https://doi.org/10.1038/s41598-026-43150-2

Słowa kluczowe: głębokie wykopy, modelowanie gruntu, uczenie maszynowe, sieci neuronowe, odkształcenia gruntu