Analiza korelacji między podatnością na zapadanie się lessu a wskaźnikami fizykomechanicznymi w regionie Longdong oraz prognoza współczynnika zapadalności za pomocą uczenia maszynowego

Dlaczego zapadanie się gruntu ma znaczenie w codziennym życiu

W wielu częściach północnych Chin miasta, drogi i kanały są budowane na nawianej otoczakami glebie zwanej lensem. Ten rodzaj gleby może nagle się zagęścić po zawilgoceniu, powodując osiadanie terenu i uszkodzenia budynków oraz infrastruktury. Niniejsze podsumowanie dotyczy lessu w regionie Longdong i pokazuje, jak proste pomiary oraz nowoczesne metody uczenia maszynowego mogą szybko wskazać, gdzie grunt prawdopodobnie pozostanie stabilny, a gdzie może się zapadać.

Krucha gleba pod rozwijającymi się miastami

Region Longdong leży w sercu Wyżyny Lessowej, gdzie warstwy lessu mogą osiągać dziesiątki metrów grubości. W miarę jak rosną nowe inwestycje, takie jak prace wodne, linie kolejowe i zabudowa mieszkaniowa, inżynierowie muszą rozumieć, jak prawdopodobne jest osiadanie gleby po jej zawilgoceniu. Tradycyjne badania podatności na zapadanie wymagają starannych prac laboratoryjnych na wielu próbkach i zajmują czas. Autorzy zgromadzili 259 rzeczywistych zapisów z placów budowy wokół miasta Qingyang, z których każdy obejmował zmierzoną zapadalność gleby oraz podstawowe właściwości fizyczne, takie jak głębokość, gęstość, porowatość, zawartość wody i podatność na upakowanie.

Proste wskazówki z gleby sygnalizujące problemy

Wykorzystując analizę statystyczną, badacze zbadali, jak zmierzona zapadalność lessu koreluje z poszczególnymi właściwościami gruntu. Stwierdzili, że ilość pustej przestrzeni w glebie, opisana współczynnikiem porowatości (void ratio), ma najsilniejszy związek z tym, jak bardzo gleba się zapadnie. Ważna jest też głębokość poniżej powierzchni: płytsze warstwy, pod mniejszym naciskiem, są luźniejsze i bardziej podatne na zapadanie, podczas gdy warstwy głębsze są naturalnie bardziej zwarte. Nasycenie wodą i podatność na ściśliwość odgrywają role drugorzędne. Z tysięcy punktów danych wyznaczono praktyczne progi. W badanym rejonie less o stosunkowo niewielkiej porowatości (współczynnik porów poniżej 0,960) i zalegający głębiej niż 16 metrów prawie nigdy nie wykazywał szkodliwej zapadalności w testach.

Szybka zasada do wstępnej oceny gruntu

Bazując na tych ustaleniach, zespół zaproponował szybkie kryterium przesiewowe dla inżynierów terenowych. Jeśli warstwa gleby spełnia oba warunki — niski współczynnik porów i wystarczającą głębokość — można ją traktować jako niepodatną na zapadanie z wysokim zaufaniem, co znacząco zmniejsza potrzebę szczegółowych badań zapadalności w tych miejscach. Po sprawdzeniu tej reguły na oryginalnym zbiorze danych oraz niezależnym zbiorze 62 nowych próbek z pobliskich stanowisk, reguła poprawnie identyfikowała niepodatny grunt w około 98 procentach przypadków. Nieliczne błędnie ocenione próbki miały wartości zapadalności tuż na granicy między „bezpiecznym” a „niebezpiecznym”, co odzwierciedla naturalną zmienność lessu i warunków badania.

Nauczanie komputerów rozumienia gleby

Aby pójść dalej niż proste reguły, badacze wytrenowali także modele komputerowe do przewidywania dokładnej wartości zapadalności na podstawie czterech kluczowych pomiarów: głębokości, współczynnika porów, nasycenia wodą i współczynnika ściśliwości. Porównali trzy popularne metody uczenia maszynowego — lasy losowe, ekstremalne gradientowe wzmacnianie (XGBoost) i maszyny wektorów nośnych — oraz prostszy wzór dwuparametrowy. Wszystkie metody uchwyciły główne zależności, ale model oparty na gradientowym wzmacnianiu wyróżniał się zarówno pod względem dokładności, jak i stabilności, bardzo dobrze dopasowując przewidywane wartości zapadalności do danych treningowych i testowych oraz poprawnie klasyfikując próbki jako podatne lub niepodatne na zapadanie w ponad 92 procentach przypadków.

Otwieranie czarnej skrzynki predykcji

Ponieważ inżynierowie muszą ufać i rozumieć te prognozy, autorzy zastosowali narzędzie wyjaśniające znane jako SHAP, aby zobaczyć, jak każde wejście wpływa na wynik modelu. Wyjaśnienia potwierdziły, że przewagę w prognozie mają współczynnik porów i głębokość: wyższe współczynniki porów i płytsze zaleganie skłaniają model do przewidywania większej zapadalności. Nasycenie wodą i współczynnik ściśliwości mają subtelniejsze, zależne od przypadku efekty. Analiza wyróżniła także szczególnie ryzykowne połączenie: warstwy płytsze niż około 11 metrów z współczynnikiem porów powyżej 1,02 są szczególnie podatne na zapadanie po zawilgoceniu.

Co to oznacza dla budowania na lessie

Mówiąc prosto, badanie pokazuje, że kilka nieskomplikowanych pomiarów gleby może ujawnić wiele na temat bezpieczeństwa budowy na lessie. Prosta reguła oparta na głębokości i przestrzeni porów może szybko wskazać warstwy bardzo mało prawdopodobne do zapadnięcia, podczas gdy dobrze zweryfikowany model uczenia maszynowego może dostarczyć bardziej precyzyjnych ocen ryzyka, gdy zajdzie taka potrzeba. Razem te narzędzia oferują inżynierom w regionie Longdong szybszy i bardziej przejrzysty sposób planowania fundamentów, zmniejszania kosztownych niespodzianek i projektowania konstrukcji, które mogą stać stabilnie na naturalnie kruchej glebie.

Cytowanie: Liu, D., Wang, K., Bian, Y. et al. Correlation analysis between the collapsibility of loess and physicomechanical indices in Longdong region and prediction of the collapsibility coefficient based on machine learning. Sci Rep 16, 15939 (2026). https://doi.org/10.1038/s41598-026-45254-1

Słowa kluczowe: zapadalność lessu, mechanika gruntów, uczenie maszynowe, inżynieria fundamentów, region Longdong