Usprawnione prognozowanie tarcia i spójności ulepszonej gruntów niedosyconych z dodatkiem nanostrukturalnych finesów z kamieniołomu (NQF)

Dlaczego silniejsza gleba ma znaczenie dla codziennego życia

Drogi, nasypy i fundamenty budynków opierają się na wytrzymałości gruntu pod nimi. W wielu regionach tropikalnych grunt ten to wrażliwa na wilgoć gleba laterytowa, która może słabnąć po zmoczeniu i wzmacniać się po wyschnięciu, co prowadzi do pęknięć, kolein i kosztownych napraw. Badanie to bada sposoby zwiększenia wytrzymałości i przewidywalności takich gruntów przez dodanie odzyskanych proszków mineralnych, a następnie zastosowanie sztucznej inteligencji do prognozowania zachowania ulepszonego gruntu. Celem jest bezpieczniejsza, trwalsza infrastruktura przy mniejszej liczbie prób i błędów w laboratorium.

Przekształcanie lokalnych odpadów w użyteczne dodatki do gleby

Naukowcy zaczęli od problematycznej gleby laterytowej z południowej Nigerii, sklasyfikowanej jako wysoce plastyczna, z dużą zawartością iłu i umiarkowaną naturalną wytrzymałością na ścinanie. Połączyli tę glebę z dwoma typami drobno zmielonych materiałów, w dużej mierze pochodzących z odpadów. Jeden to „cement hybrydowy” z popiołu łupin ryżu aktywowanego niewielką ilością wapna, a drugi to nanostrukturalne finesy z kamieniołomu powstałe przez mielenie pyłu kamieniołomowego do bardzo drobnych cząstek. Dodatki te zawierają reaktywne tlenki, które mogą wiązać się z minerałami gleby i dzięki swojej małej wielkości wypełniać pory między ziarnami, potencjalnie zwiększając zarówno tarcie, jak i spójność w matrycy gruntowej.

Od pracochłonnych badań do inteligentnych prognoz

Tradycyjnie inżynierowie muszą przeprowadzać czasochłonne i wymagające sprzętu testy ścinania, aby określić dwa kluczowe parametry wytrzymałości gruntu: kąt tarcia i spójność. Zamiast opierać się wyłącznie na takich badaniach, w tym badaniu stworzono bogatą bazę danych eksperymentalnych, a następnie wytrenowano modele komputerowe do przewidywania tych parametrów na podstawie prostszych pomiarów. Zespół wykonał wiele mieszanek laboratoryjnych, modyfikując ilości cementu hybrydowego i nanostrukturalnych finesów z kamieniołomu oraz mierząc jedenaście właściwości wejściowych, takich jak zawartość iłu, plastyczność, gęstość i cechy wilgotnościowe. Jako punkt odniesienia użyto prostej regresji liniowej, a następnie zastosowano trzy bardziej zaawansowane podejścia „inteligentne”: maszyny wektorów nośnych, sieci funkcji bazowych (RBF) oraz wielowarstwowe perceptrony (sieci neuronowe).

Jak maszyny nauczyły się „czytać” grunt

Zbiór danych, składający się ze 121 rekordów, podzielono na większą część do treningu i mniejszą do testów, naśladując sytuację, gdy uczeń najpierw uczy się na przykładach, a potem zdaje egzamin. Każdy model uczył się mapować jedenaście opisów wejściowych gleby na dwa docelowe wyjścia: kąt tarcia i spójność. Wydajność oceniano za pomocą kilku standardowych miar sprawdzających, jak bliskie są prognozy rzeczywistym wynikom testów oraz jak dobrze modele uogólniają się na nieznane dane. Chociaż wszystkie metody radziły sobie dobrze, wyróżniały się podejścia oparte na sieciach neuronowych — zwłaszcza wielowarstwowy perceptron. Ujmowały subtelne, nieliniowe zależności w danych, osiągając bardzo wysoką korelację z mierzoną wytrzymałością i bardzo niskie błędy prognozy zarówno dla tarcia, jak i spójności.

Co naprawdę kontroluje wytrzymałość w ulepszonym gruncie

Aby wyjść poza „czarną skrzynkę” prognoz, autorzy przeprowadzili analizę czułości, która klasyfikuje, które wejścia mają największe znaczenie. Stwierdzili, że masa gruntu niedosyconego była dominującym czynnikiem kontrolującym kąt tarcia, podkreślając, jak zagęszczenie i stan wilgotności determinują wzajemne tarcie i zablokowanie się ziaren. Dla spójności za najbardziej wpływową uznano zawartość iłu, co jest zgodne ze sposobem, w jaki drobne, aktywne iły oraz produkty związujące łączą cząstki. Same dodatki mineralne — cement hybrydowy i nanostrukturalne finesy z kamieniołomu — również wykazały silny pozytywny wpływ, zwłaszcza w powiązaniu z parametrami gęstości i wilgotności. Ten obraz odpowiada mikroskopowym dowodom: nanocząstki i spoiwa z popiołu wypełniają pory, pokrywają ziarna i budują gęstszą, bardziej związana strukturę.

Od kodu badawczego do użytecznego narzędzia projektowego

Aby praca była bezpośrednio użyteczna dla praktyków, zespół osadził najlepiej działającą sieć neuronową w graficznym interfejsie użytkownika. Dzięki temu narzędziu inżynier może wprowadzić podstawowe informacje o glebie i mieszance i natychmiast otrzymać oszacowane wartości kąta tarcia i spójności, zamiast planować nowe serie zaawansowanych testów ścinania. Interfejs został zaprojektowany w oparciu o eksperymentalnie udokumentowane zakresy każdego parametru, ale można go rozszerzyć w miarę pojawiania się nowych danych lub dostosować do innych typów gruntów.

Co to oznacza dla rzeczywistych projektów

Dla laika wniosek jest prosty: badanie pokazuje, że lokalne proszki pochodzące z odpadów mogą znacząco zwiększyć wytrzymałość problematycznych gruntów tropikalnych, a nowoczesne narzędzia uczenia maszynowego potrafią wiarygodnie przewidzieć tę poprawę na podstawie łatwych do zmierzenia właściwości. To połączenie zmniejsza zarówno ślad środowiskowy — poprzez recykling odpadów rolniczych i kamieniołomowych — jak i koszty oraz złożoność badań geotechnicznych. W praktyce oznacza to lepiej poinformowane projektowanie dróg i robót ziemnych, szczególnie w regionach, gdzie zasoby laboratoryjne są ograniczone, a potrzeba odpornej infrastruktury jest duża.

Cytowanie: Kamchoom, V., Van, D.B., Hosseini, S. et al. Enhanced forecasting of friction and cohesion of augmented unsaturated soil with nanostructured quarry fines (NQF) addition. Sci Rep 16, 8899 (2026). https://doi.org/10.1038/s41598-026-43458-z

Słowa kluczowe: gleba niedosycona, uczenie maszynowe, stabilizacja gleby, nanostrukturalne finesy z kamieniołomu, inżynieria geotechniczna