Optymalizowany metodą Pareto złożony system uczenia maszynowego do przewidywania nośności pali wbitych na podstawie danych z testów statycznego obciążenia

Dlaczego solidne fundamenty są ważne

Każdy budynek, most czy turbina wiatrowa opiera się o to, co znajduje się pod nimi. Ukryte pod powierzchnią, długie betonowe słupy zwane palami przenoszą ciężar konstrukcji w głąb do nośnego gruntu lub skały. Jeśli inżynierowie zaniżą wytrzymałość tych pali, może to prowadzić do osiadania, pęknięć, a nawet awarii. Jeśli ją przeszacują, przedsięwzięcia stają się niepotrzebnie kosztowne. W tym badaniu pokazujemy, jak nowoczesne metody uczenia maszynowego mogą przekształcić rutynowe badania terenowe w znacznie dokładniejsze prognozy wytrzymałości pali, co pomaga uczynić budowę bezpieczniejszą i bardziej ekonomiczną.

Od prostych reguł do analiz opartych na danych

Tradycyjnie inżynierowie polegali na wzorach, małoskalowych eksperymentach i symulacjach numerycznych przy szacowaniu nośności pali wbitych. Te metody działają w miarę dobrze, ale mają trudności z rzeczywistością warstwowych gruntów, poziomu wód gruntowych i efektów montażu. Za złoty standard uznaje się test polowy zwany statycznym testem obciążeniowym: pal jest obciążany krok po kroku, a mierzone jest jego osiadanie. Ten sposób jest jednak wolny, kosztowny i trudny do powtórzenia na wielu lokalizacjach. Równocześnie w praktyce geotechnicznej rutynowo zbiera się proste dane z badania sondowania statycznego (SPT), które dają przybliżoną miarę oporu gruntu wraz z głębokością. Głównym pomysłem artykułu jest użycie uczenia maszynowego do powiązania tych powszechnie dostępnych wyników SPT oraz geometrii pala i danych o miejscu z wynikami wysokiej jakości z testów obciążeniowych.

Budowa inteligentniejszego silnika predykcyjnego

Autorzy zebrali bazę danych obejmującą 472 statyczne testy obciążeniowe pali żelbetowych wietnamskiego regionu o zróżnicowanych, ale systematycznie udokumentowanych warunkach gruntowych. Dla każdego testu zanotowano średnicę pala, grubość kilku warstw gruntu, wysokości terenu i korony pala, głębokość do końcówki pala oraz średnie wartości uderzeń z SPT wzdłuż trzonu pala i przy jego końcu. Te wejścia odzwierciedlają zarówno wielkość pala, jak i wytrzymałość otaczającego gruntu, które razem decydują o nośności. Celem było wytrenowanie modelu, który po podaniu takich danych dla nowego miejsca poda wiarygodną ocenę osiowej nośności pala bez potrzeby przeprowadzania pełnoskalowego testu obciążeniowego.

Połączenie kilku umysłów w jeden

Zamiast polegać na jednym algorytmie, badanie wykorzystuje złożony „stackowany” zestaw: trzy różne modele uczenia maszynowego — random forest, k-nearest neighbors oraz extreme gradient boosting — są trenowane równolegle, a ich prognozy łączone przez model drugiego poziomu. Ten meta-model jest strojon y przy pomocy wielokryterialnego przeszukiwania inspirowanego strategiami ewolucyjnymi, znanego jako optymalizacja Pareto. Optymalizacja bilansuje cele konkurencyjne: maksymalizację dokładności na nieznanych danych przy jednoczesnym unikaniu przeuczenia. Dzięki powtarzanym testom i walidacji krzyżowej pięciokrotnej, najlepsze połączenie osiągnęło współczynnik determinacji (miarę zgodności prognoz z rzeczywistością) około 0,95 na zbiorze testowym, wraz ze znaczącym zmniejszeniem błędu w porównaniu z dowolnym pojedynczym modelem.

Wgląd do wnętrza czarnej skrzynki

Aby system był użyteczny w praktyce, inżynierowie muszą rozumieć, co napędza jego przewidywania. Autorzy zastosowali więc nowoczesne narzędzia interpretowalności, szczególnie SHAP (Shapley Additive ExPlanations), analizę wrażliwości oraz proste przeszukiwania parametrów. Narzędzia te ujawniły, że średnica pala jest pojedynczym najbardziej wpływowym czynnikiem — zmiany średnicy silnie przesuwają prognozowaną nośność. Właściwości gruntu również odgrywają kluczową rolę: średnie wartości SPT wzdłuż trzonu pala i przy jego końcu okazują się istotnymi składnikami, co odzwierciedla znaczenie zarówno tarcia bocznego, jak i oparcia końcowego. Istotna jest też grubość górnych warstw gruntu, podczas gdy niektóre zmienne związane z wysokością mają jedynie niewielki wpływ. Gdy wejścia modelu są modyfikowane w sposób fizycznie sensowny — na przykład zwiększając średnicę pala lub umieszczając końcówkę w gęstszym gruncie — prognozowane nośności reagują zgodnie z podstawowymi zasadami geotechniki, co sugeruje, że model uczy sensownych, a nie przypadkowych zależności.

Jak to pomaga w projektach praktycznych

Poprzez ostrożne połączenie kilku podejść uczenia maszynowego i ich optymalizację względem wielu celów, praca dostarcza narzędzie predykcyjne będące równocześnie dokładne i interpretowalne. Dla lokalizacji o podobnej geologii i praktykach badawczych do tych w badaniu, inżynierowie mogliby wykorzystać standardowe dane SPT i parametry projektowe, aby uzyskać wiarygodne oszacowania nośności pali, zmniejszyć liczbę kosztownych testów obciążeniowych i lepiej ukierunkować marginesy bezpieczeństwa. Autorzy zastrzegają, że ich dane pochodzą z jednego regionu oraz że długoterminowe efekty czasowe i niektóre szczegóły montażu nie są w pełni uwzględnione, więc konieczne pozostają osąd fachowy i lokalna kalibracja. Mimo to przedstawione ramy pokazują, że modele oparte na danych, gdy są przejrzyście analizowane, mogą stać się praktycznymi partnerami w projektowaniu fundamentów, a nie nieprzejrzystymi czarnymi skrzynkami.

Cytowanie: Abdellatief, M., ElNemr, A. & Altahrany, A. Pareto-optimized stacked ensemble machine learning framework for predicting bearing capacity of driven piles from static load test data. Sci Rep 16, 11360 (2026). https://doi.org/10.1038/s41598-026-43660-z

Słowa kluczowe: fundamenty palowe, nośność, inżynieria geotechniczna, uczenie maszynowe, test statycznego obciążenia