Оценка факторов прочности сдвига в грунтово-скальных смесях для насыпей горных подстанций с помощью машинного обучения

Почему это важно для надежного электроснабжения

Растущие города в горных районах нуждаются в подстанциях, которые могут безопасно поставлять электричество, часто размещаемых на вырубленных и засыпанных склонах. Вместо доставки идеально подобранного стройматериала инженеры всё чаще используют местный выемочный материал — смесь грунта и обломков породы. Такие грунтово-скальные смеси дешевы и экологичны, но их поведение под нагрузкой трудно предсказать, что повышает риск неравномерной осадки или даже оползня под важным энергетическим оборудованием. В этом исследовании показано, как простая форма искусственного интеллекта может просеять множество взаимосвязанных свойств грунта и выявить те, которые наиболее важны для устойчивости горных подстанций.

Переработанный грунт — сложное поведение

В крутом рельефе устройство ровной площадки для подстанции обычно требует срезки одного участка и засыпки другого. Чтобы сократить расходы и грузопоток, подрядчики часто повторно используют местный выемочный материал, состоящий из глины, выветрившейся вулканической породы и фрагментов более твердого базальта. В совокупности это образует грунтово-скальные смеси — неровные, неоднородные материалы, прочность которых зависит от содержания воды, степени уплотнения и того, как мелкозернистая матрица «склеивает» крупные частицы. Поскольку смесь может меняться в пространстве и по глубине, основание может оседать неравномерно под тяжёлыми трансформаторами, угрожая чувствительным электрическим компонентам, для которых допустимы лишь очень небольшие перемещения.

От лабораторных испытаний к обучающей модели

Исследователи отобрали репрезентативные материалы на площадке подстанции на юго-западе Китая, затем дробили, просеивали и смешивали их, чтобы получить контролируемые составы. В лаборатории они уплотняли эти смеси в стандартные образцы и проводили прямые сдвиговые испытания при разных нагрузках, имитируя давления в слоях насыпи. Для каждого образца измеряли ключевые физические параметры: сухую плотность, содержание воды, коэффициент пористости (удельный объём пустот) и два простых предельных показателя, описывающих, при какой влажности мелкозернистая фракция переходит к пластическому или жидкоподобному состоянию. Эти измерения в паре с полученной прочностью на сдвиг (разделённой на трение и когезию) составили набор данных из 112 тщательно подготовленных случаев.

Обучение нейронной сети свойствам грунта и скалы

Вместо того чтобы пытаться вписать эти запутанные зависимости в простые формулы, команда обучила прямую (feedforward) нейронную сеть — базовую модель машинного обучения, которая извлекает закономерности непосредственно из данных. Модель принимала на вход пять измеренных свойств грунта и училась предсказывать два выхода: насколько смесь сцепляется (когезия) и насколько она сопротивляется скольжению (угол внутреннего трения). Авторы настраивали параметры сети и сравнивали её работу с более традиционными методами, такими как линейная регрессия, метод ближайших соседей и случайный лес. При многократной перекрёстной проверке на отложенных данных нейронная сеть последовательно давала точные прогнозы, хорошо соответствующие измеренным значениям прочности и небольшим преимуществом перед альтернативами на этом умеренном по размеру наборе данных.

Какие свойства грунта действительно важны?

После того как модель показала надёжные результаты, авторы исследовали её, чтобы понять, какие входы формируют прогнозы. Они использовали внутренние веса сети как своего рода «оценку влияния» для каждого параметра. Наиболее значимым оказался показатель влажности: он объяснял примерно четверть до трети разброса и в когезии, и во фрикционном сопротивлении. При чрезмерной влажности водяные плёнки смазывают контакты между зернами и ослабляют связи между частицами, что резко снижает прочность. Предел пластичности мелкой фракции — содержание воды, при котором материал перестаёт вести себя как хрупкое тело и начинает течь — оказался почти столь же важен, особенно для трения. Сухая плотность и коэффициент пористости также влияли на прочность, но в меньшей степени, главным образом за счёт изменения степени взаимной зацеплённости частиц. В совокупности эти результаты подтверждают давние геотехнические представления и количественно показывают относительную значимость каждого фактора.

Практические рекомендации для более безопасных горных подстанций

Для инженеров главный вывод прост: в засыпках из переработанных грунтово-скальных смесей под подстанциями контроль влажности и пластического поведения мелкой матрицы важнее любого отдельного параметра. Сосредоточив испытания и строительный контроль на содержании влаги, пластическом и жидком пределе и качестве уплотнения, проектировщики смогут лучше предсказать, как грунт воспримет нагрузку и где вероятны риски осадки. Хотя конкретные численные значения получены для региона на юго-западе Китая, сам подход — сочетание целенаправленных лабораторных испытаний и прозрачного анализа с помощью нейронной сети — представляет собой повторимую методику для схожих проектов в других местах, превращая неоднородный выемочный материал в более предсказуемое основание.

Цитирование: Huang, X., Liao, J., Ke, H. et al. Machine learning-based evaluation of shear strength factors in soil-rock mixtures for mountain substation fills. Sci Rep 16, 5775 (2026). https://doi.org/10.1038/s41598-026-36601-3

Ключевые слова: грунтово-скальные смеси, фундаменты горных подстанций, прочность на сдвиг, влажность, машинное обучение в геотехнике