Klasyfikacja gleb dennych wspomagana AI przy niekompletnych danych CPT dla farm wiatrowych na morzu

Dlaczego gleby dna morskiego mają znaczenie dla energetyki wiatrowej

Turbiny wiatrowe na morzu stoją w jednych z najbardziej surowych środowisk na Ziemi, a ich stabilność zależy od tego, co kryje się pod falami: gleb dna morskiego, które podtrzymują masywne fundamenty. Badania tych gleb na głębokiej wodzie są kosztowne i często niekompletne, co zmusza inżynierów do podejmowania dużych decyzji na podstawie niepełnych informacji. Badanie to pokazuje, jak sztuczna inteligencja potrafi uporządkować ograniczone dane pomiarowe, aby wiarygodnie sklasyfikować gleby dennego dna, pomagając projektantom umieszczać turbiny morskie bezpieczniej i wydajniej.

Od badań dna morskiego do typów gleby

Inżynierowie powszechnie badają dno za pomocą pomiarów penetracji stożkiem (CPT), podczas których metalowy stożek wciskany jest w grunt, a jednocześnie mierzy się opór przy końcówce, tarcie połuża stożka oraz zmianę ciśnienia w porach wody gruntowej. Wyniki te tradycyjnie interpretuje się za pomocą wykresów, takich jak klasyfikacja Robertsona, która łączy wzorce odczytów z różnym zachowaniem gruntu — od luźnego piasku, przez sztywne iły, po mieszanki pośrednie. Problem w tym, że te wykresy zakładają kompletne, czyste dane, co rzadko udaje się osiągnąć, gdy statki, fale i duża głębokość komplikują badania morskie.

Budowanie wirtualnej biblioteki warunków dna

Aby poradzić sobie z problemem brakujących informacji, badacze najpierw stworzyli ogromną wirtualną bibliotekę możliwych warunków gruntowych zamiast polegać wyłącznie na nielicznych testach terenowych. Wykorzystali realistyczne zakresy kluczowych pomiarów stożka — oporu końcówki, tarcia połuża, ciśnienia wody porowej i naprężeń w gruncie — aby wygenerować ponad 200 000 syntetycznych rekordów pomiarowych. Rekordy te przetłumaczono następnie na strefy zachowania gruntów przy użyciu wykresu Robertsona, przypisując każdemu symulowanemu testowi etykietę gleby. Próbkując zarówno równomiernie w całych zakresach, jak i zgodnie z realistycznymi wzorcami statystycznymi, zapewnili, że biblioteka syntetyczna obejmuje wszystko, od bardzo miękkich iłów po gęste piaski i żwiry.

Nauka maszyn rozumienia dna morskiego

Z taką wirtualną biblioteką zespół wyszkolił kilka modeli uczenia maszynowego, aby przewidywały zachowanie gruntów bezpośrednio na podstawie danych CPT. Testowali lasy losowe, sieci neuronowe, metody wektorów nośnych oraz drzewa decyzyjne, starannie dostrajając ustawienia każdego modelu. Spośród nich model lasu losowego wyróżnił się, prawie idealnie odwzorowując strefy Robertsona i osiągając ponad 92% dokładności, gdy jego przewidywania przekonwertowano na standardową klasyfikację gruntów. Wewnętrzne oceny modelu wykazały, że opór końcówki stożka, tarcie połuża i efektywne naprężenie pionowe były najbardziej wpływowymi wejściami — zgodnie z długoletnią wiedzą geotechniczną, co sugeruje, że model uczy się rzeczywistej fizyki, a nie mylnych wzorców.

Utrzymanie dokładności przy brakujących danych

Kluczowym testem było sprawdzenie, czy AI wciąż poradzi sobie, gdy niektóre pomiary są nieobecne, naśladując rzeczywiste badania morskie, gdzie sprzęt zawodzi lub niektóre czujniki nie są używane. Badacze systematycznie usuwali po kolei każde wejście i zastępowali je niepewnymi wartościami, a następnie wielokrotnie uruchamiali model metodą Monte Carlo, by zobaczyć, jak średnio zmienia się dokładność. Gdy brakowało najważniejszych wejść — oporu końcówki, tarcia połuża lub efektywnego naprężenia — dokładność znacznie spadała, potwierdzając ich znaczenie. Jednak gdy nie było innych parametrów, takich jak ciśnienia wody porowej czy naprężenia całkowite, model nadal zachowywał wysoką dokładność, często powyżej 90%. Pokazuje to, że ramy metodyczne mogą dalej dostarczać użyteczne klasyfikacje gruntów nawet wtedy, gdy część rejestru CPT jest niekompletna.

Weryfikacja metody na rzeczywistych farmach wiatrowych

Aby wyjść poza dane wirtualne, zespół przetestował wyszkolony model lasu losowego na 229 808 rzeczywistych rekordach CPT z 99 otworów w miejscach farm wiatrowych na morzu na Tajwanie i w Holandii. Żadne z tych rzeczywistych pomiarów nie były użyte w treningu. Prognozy zachowania gruntów przez AI porównano z niezależnymi klasyfikacjami opartymi na powszechnie stosowanym systemie inżynierskim, grupującym gleby według wielkości ziaren i plastyczności. Model poprawnie dopasował te klasyfikacje w ponad 92% przypadków, przewyższając kilka istniejących podejść uczenia maszynowego. Powtarzalne symulacje wykazały też, że przewidywania mieściły się w wąskim 95% przedziale ufności, co wskazuje na stabilne i wiarygodne działanie.

Co to oznacza dla przyszłości energetyki wiatrowej na morzu

Dla osób niebędących specjalistami najważniejsze jest to, że badanie dostarcza inteligentnego asystenta do odczytu dna morskiego. Zamiast zastępować ustalone wykresy inżynierskie, ramy AI rozszerzają ich zastosowanie na nieporządne, rzeczywiste sytuacje, w których dane są niekompletne lub niedoskonałe. Ucząc się na starannie zaprojektowanej bibliotece syntetycznej i następnie sprawdzając się na dużych zbiorach danych z morza, metoda oferuje praktyczny sposób szybkiej i konsekwentnej klasyfikacji gruntów dna. Może to zmniejszyć potrzebę kosztownych dodatkowych badań, wspierać bezpieczniejsze projekty fundamentów i w efekcie przyspieszać realizację większej liczby projektów wiatrowych na morzu z większą pewnością co do tego, co znajduje się pod każdą turbiną.

Cytowanie: Ku, CY., Wu, TY., Liu, CY. et al. AI-enhanced soil classification with incomplete CPT data for offshore wind farm. Sci Rep 16, 10589 (2026). https://doi.org/10.1038/s41598-026-46356-6

Słowa kluczowe: energia wiatrowa na morzu, gleby dna morskiego, badanie penetracyjne stożkiem, uczenie maszynowe, projektowanie fundamentów