Prognozowanie osiadania fundamentów z płyty z mikropilotami oparte na danych z wykorzystaniem uczenia maszynowego i symulacji Monte Carlo

Dlaczego cienkie pale pod dużymi budynkami mają znaczenie

Współczesne miasta opierają stabilność zabudowy na głębokich fundamentach, nawet gdy stoją one na miękkiej glinie, która może powoli się ściskać i osiadać. Inżynierowie coraz częściej sięgają po bardzo smukłe pale, zwane mikropalami, w połączeniu z płaską płytą żelbetową, aby bezpiecznie przenosić obciążenia tam, gdzie miejsce jest ograniczone lub warunki gruntowe są trudne. W tym badaniu analizuje się, jak dane i sztuczna inteligencja mogą pomóc przewidzieć, o ile takie fundamenty z płyty i mikropali osiadają pod obciążeniem, oferując projektantom szybszy i bardziej wiarygodny sposób oceny bezpieczeństwa i długoterminowej pracy.

Małe pale, duże wsparcie

Fundament z płyty z mikropalami łączy grubą płytę betonową z wieloma cienkimi, stalowo-zbrojonymi palami wwiercanymi głęboko w grunt. Choć każdy pal ma zaledwie kilka centymetrów średnicy, wspólnie mogą podtrzymać duże obiekty, utrzymując osiadanie na niskim poziomie. Są szczególnie przydatne w miękkiej glinie, gdzie tradycyjne fundamenty płytkie osiadałyby zbyt mocno. Zachowanie tego układu jest złożone, ponieważ płyta, skupisko mikropali i otaczający grunt wzajemnie na siebie oddziałują. Czynniki takie jak długość i rozstaw pali, rozmiar i grubość płyty oraz wytrzymałość gliny wpływają na to, jak obciążenie jest rozdzielane i jak bardzo grunt się spręża przy różnych poziomach naprężenia.

Budowanie obszernej bazy testowej

Aby zbadać to zachowanie, autor zgromadził bazę danych zawierającą 480 przypadków eksperymentalnych pochodzących z wcześniejszych testów modelowych w laboratorium oraz pomiarów polowych w dużej skali dotyczących płyt z mikropalami na gruntach spoistych. Dla każdego przypadku dane obejmują geometrię płyty, rozmiar, liczbę i układ mikropali, wytrzymałość gliny oraz przyłożone obciążenie wraz z zmierzonym osiadaniem. Utrzymując warunki gliny stosunkowo kontrolowane przy jednoczesnym zróżnicowaniu układu fundamentu, zbiór danych koncentruje się na tym, jak wybory projektowe wpływają na zachowanie. Czyni to zestaw odpowiednim do trenowania modeli komputerowych, które mogą wychwycić subtelne zależności łączące projekt fundamentu, własności gruntu i wynikowy ruch gruntu.

Uczenie maszyn do czytania gruntu

Badanie porównuje sześć popularnych metod uczenia maszynowego, aby sprawdzić, która najlepiej przewiduje osiadanie na podstawie dostępnych wejść. Wśród nich znajdują się techniki drzewiaste, takie jak lasy losowe i metody boostingowe, metoda oparta na sąsiedztwie oraz dwie metody oparte na jądrach: regresja wektorów nośnych i regresja procesu Gaussa. Wszystkie modele są starannie strojone przy użyciu optymalizacji bayesowskiej i walidacji krzyżowej, aby uniknąć polegania na wygodnych, lecz mylących ustawieniach. Ich wydajność oceniano za pomocą kilku miar błędu i kontroli wizualnych porównujących wartości przewidywane i zmierzone osiadania przy wielu różnych poziomach obciążenia. Choć większość modeli dobrze dopasowuje się do danych treningowych, wiele z nich ma trudności z przewidywaniem zupełnie nowych przypadków.

Dlaczego jeden model się wyróżnia

Regresja procesu Gaussa wyrasta na najbardziej wiarygodne narzędzie w tym porównaniu. Ujmuje krzywoliniową, nieliniową relację między obciążeniem a osiadaniem, nie popadając w jedynie zapamiętywanie wyników z przeszłości. Na danych testowych, których model nigdy wcześniej nie widział, zachowuje wysoką dokładność z niskim średnim błędem mierzoným w milimetrach. Zapewnia również pasma ufności wokół każdej prognozy, wskazując, jak bardzo jest pewny w różnych warunkach. Aby to pogłębić, badanie wprowadza do modelu tysiące nieznacznie zmienionych kombinacji wejściowych za pomocą symulacji Monte Carlo, naśladując małe niepewności w wymiarach i wytrzymałości gruntu. Uzyskane rozproszenie przewidywanych osiadań pozostaje wąskie, a średnie przewidywane krzywe siła–osiadanie ściśle pokrywają się z tymi zmierzonymi w eksperymentach.

Widzimy, które czynniki mają największe znaczenie

Ponad samą dokładność, badanie analizuje, jak model podejmuje decyzje, wykorzystując narzędzie interpretowalności zwane SHAP. Analiza ta pokazuje, że najbardziej wpływowym czynnikiem jest samo przyłożone obciążenie, następnie długość pali i szerokość płyty, które razem kontrolują, jak siły są przenoszone do gruntu. Liczba i rozstaw pali także odgrywają rolę, choć w mniejszym stopniu w badanym zakresie. Wytrzymałość gliny i grubość płyty wydają się mniej znaczące w statystycznym rankingu, ponieważ są silnie powiązane w dostępnych danych, a nie dlatego, że nie mają fizycznego znaczenia. Ogólnie rzecz biorąc, ranking wpływowych cech dobrze pokrywa się z długoletnią inżynierską intuicją dotyczącą zachowania fundamentów na miękkiej glinie.

Co to oznacza dla przyszłych projektów

Praca pokazuje, że starannie dostrojone uczenie maszynowe, zwłaszcza regresja procesu Gaussa w połączeniu z symulacją Monte Carlo, może dostarczyć inżynierom praktyczne narzędzie do przewidywania, jak płyty z mikropalami będą osiadać pod różnymi obciążeniami, a jednocześnie kwantyfikować niepewność tych przewidywań. Na razie wnioski są najsilniejsze w kontrolowanych warunkach laboratoryjnych i wybranych testach polowych, a autorzy wzywają do pozyskania większej liczby danych pełnoskalowych i szerszych zakresów gruntów. Mimo to ramy pokazują, jak modele oparte na danych i tradycyjne rozumienie geotechniczne mogą współdziałać, tworząc bezpieczniejsze i bardziej efektywne projekty fundamentów na trudnych podłożach.

Cytowanie: El Gendy, M. Data-driven prediction of micro-piled raft load–settlement using machine learning and Monte Carlo simulation. Sci Rep 16, 16180 (2026). https://doi.org/10.1038/s41598-026-54119-6

Słowa kluczowe: fundamenty z płyty i mikropali, uczenie maszynowe, regresja procesu Gaussa, zachowanie siła–osiadanie, symulacja Monte Carlo