Прогноз смещений вершин свай и поверхности грунта вокруг свай на основе алгоритмов машинного обучения

Почему незначительные сдвиги под землей имеют значение

Когда строят новые линии метро или эстакады, в грунт вбивают или вдавливают тысячи глубоких бетонных свай, чтобы поддержать сооружения. Это уплотнение окружающего грунта может сдвигать соседние сваи, дороги, здания и подземные трубопроводы на несколько миллиметров — но даже такие небольшие перемещения способны вызвать трещины в бетоне или деформацию инженерных сетей. Исследование, лежащее в основе этой статьи, изучает, как современные методы машинного обучения могут точнее предсказывать эти подземные сдвиги по сравнению с традиционными формулами, помогая инженерам проектировать более безопасные фундаменты в плотной городской застройке.

Как вдавливание бетона преобразует грунт

В процессе строительства длинные пустотелые бетонные сваи вдавливают в мягкий грунт вместо забивки — распространённый приём в городских проектах, таких как первая линия метро Боготы в Колумбии. По мере вдавливания каждой сваи грунт должен куда-то деваться: он выдавливается в стороны и вверх, оказывая давление на соседние сваи и на поверхность. В тяжёлых случаях это может привести к повреждению свай, выпучиванию дорожного покрытия или разрушению близко расположенных трубопроводов, которые могут проходить всего в нескольких десятках сантиметров. Инженеры давно пользуются упрощёнными теориями, рассматривающими каждую сваю как расклинивающий в грунте цилиндр, чтобы оценить эти эффекты, но такие методы плохо отражают сложную реальность слоистых грунтов, запутанных расположений свай и последовательностей строительных операций.

Обучение компьютеров понимать реакцию грунта

Исследователи обратились к машинному обучению, ветви искусственного интеллекта, в которой компьютеры выявляют закономерности в данных вместо опоры исключительно на вручную записанные уравнения. Они собрали сотни измерений горизонтальных смещений на вершинах свай и на контрольных точках вокруг них в проекте Боготы. Для каждого измерения они также фиксировали набор влияющих факторов: влажность и плотность грунта, его жёсткость, расстояние точки от центра группы свай, угол вокруг группы, а также время, прошедшее с момента окончания вдавливания свай и дачи грунту возможности осесть.

Сравнение разных «обучающих машин»

Были сопоставлены несколько типов алгоритмов. В качестве эталона использовали классическую нейронную сеть с обратным распространением ошибки (BP). Команда затем усилила её с помощью метода AdaBoost, который объединяет множество слабых предсказателей в более точный «комитет», получив модель AdaBoost-BP. Также протестировали глубокие нейронные сети с несколькими скрытыми слоями, случайные леса, собранные из множества деревьев решений, и популярный метод бустинга деревьев XGBoost. Все модели настраивали и проверяли с помощью кросс-валидации — процедуры, которая многократно обучает на части данных и тестирует на остальных, чтобы избежать переобучения. Как для небольших, так и для больших наборов данных, бустинговые и методы глубокого обучения заметно превосходили базовую BP-сеть, причём глубокие нейронные сети особенно хорошо согласовывались с полевыми измерениями.

Что на самом деле управляет движением грунта

Имея точные модели, авторы исследовали, какие факторы важнее всего. С помощью SHAP-анализa — техники, объясняющей вклад каждого входного параметра в предсказание сложных моделей — они обнаружили, что доминирует простая геометрия: горизонтальное расстояние от центра группы свай и направление вокруг неё являются основными факторами смещения. Точки, ближе расположенные к центру, как правило, смещаются сильнее, а характер перемещений меняется по направлениям из-за того, что ряды свай не идеально симметричны. Время после окончания вдавливания также играет важную роль, отражая медленные перестройки и ползучесть грунта. Среди свойств грунта наибольшее влияние оказывают влажность, относительная плотность и угол внутреннего трения (параметр, связанный со сцеплением зерен), в то время как такие параметры, как сцепление и общий удельный вес, влияют меньше.

Новые инструменты для более безопасного подземного строительства

Сравнив предсказания на основе данных с традиционной теорией цилиндрического расширения, авторы показали, что модели машинного обучения, особенно глубокие нейронные сети, могут гораздо точнее прогнозировать горизонтальные смещения на вершинах свай и на поверхности грунта. Для будущих проектов — например, при прокладке дополнительных линий метро — этот подход можно применять на этапе проектирования, чтобы на компьютере проверять разные схемы расположения свай, шаги и последовательности строительно-монтажных работ до начала вмешательства в грунт, снижая риск для близлежащих зданий и коммуникаций. Проще говоря, давая компьютерам возможность учиться напрямую на детальных полевых измерениях, инженеры получают более чёткое представление о реакции грунта, что облегчает сохранение устойчивости и целостности важной городской инфраструктуры.

Цитирование: Li, P., Guo, S., Liang, M. et al. Prediction of the displacements of the pile tops and ground surface around piles based on machine learning algorithms. Sci Rep 16, 6057 (2026). https://doi.org/10.1038/s41598-026-36502-5

Ключевые слова: свайные фундаменты, смещение грунта, машинное обучение, подземная инфраструктура, строительство метро