Модель рекуррентной нейронной сети с долгой краткосрочной памятью для определения подошвы свай по сырым данным испытания целостности сваи

Умнее проверки скрытых фундаментов

Многие здания и мосты опираются на длинные подземные бетонные колонны — сваи. Поскольку сваи находятся в грунте, инженеры не могут просто осмотреть их, чтобы проверить правильность выполнения работ или глубину заложения. В этом исследовании показано, как модель искусственного интеллекта может распознавать тонкие вибрационные сигналы от простого испытания молотком и автоматически определять подошву сваи — точку, в которой она заканчивается в грунте — делая эти скрытые проверки быстрее, надежнее и менее зависимыми от личного профессионального суждения.

Как инженеры «слушают» заглубленные сваи

Чтобы исследовать сваю без раскопок, инженеры применяют низкоэнергетический тест целостности. Рабочий ударяет по оголовку сваи небольшим молотком, в то время как датчик фиксирует, как вибрирует свая. Удар порождает упругую волну, идущую вниз по свае; когда волна встречает изменение — например подошву сваи или дефект — она отражается обратно. Портативное устройство преобразует эти колебания в запись, называемую отражограммой, которая показывает, как сигнал меняется во времени или с глубиной. Опытные инженеры анализируют эту запись вместе с информацией по участку и нормативами вроде ASTM D5882 и правил на основе Еврокода, чтобы судить о целостности сваи и местоположении ее подошвы. Однако такая интерпретация может быть субъективной, занимать много времени и зависеть от шума и свойств грунта.

Зачем привлекать глубокое обучение

В последние годы исследователи исследовали различные подходы искусственного интеллекта для анализа данных испытаний свай: от классических нейронных сетей до методов на основе изображений и классификаторов сигналов. Эти методы часто требуют ручного выделения признаков из записанных сигналов или преобразования их в изображения и порой плохо улавливают развитие волны во времени вдоль сваи. Авторы статьи вместо этого сосредоточились на моделях, специально предназначенных для последовательностей: рекуррентных нейронных сетях с долгой краткосрочной памятью (RNN‑LSTM). Такие сети «помнят» предшествующие значения во временном ряду, что делает их хорошо подходящими для отслеживания волны от удара молотка по мере ее распространения, отражения и затухания внутри сваи.

Преобразование сырых ударов молотка в чистые данные

Команда собрала базу из 500 записей низкоэнергетических испытаний с египетских строительных объектов, где использовались буронабивные бетонные сваи длиной от 12 до 30 метров в пластовых грунтах. Для каждой сваи были доступны сырые измерения ускорения во времени и соответствующая отражограмма, изначально построенная и интерпретированная человеком. Эти графики аккуратно оцифровали, перевели глубину во время, используя известные скорости распространения волн, и нормировали вертикальную шкалу, чтобы сигналы от разных свай можно было сравнивать. Со стороны сырых данных датчиков удалили высокочастотный шум, стандартизировали сигналы с использованием робастной статистической шкалы и применили умную подкладку и небольшие случайные вариации, чтобы нейронная сеть могла обрабатывать последовательности разной длины, не искажая их характерных моделей.

Проектирование и тестирование нейросети

Испытали несколько архитектур сети, варьируя число слоев и виртуальных «нейронов» в модели. Исследователи искали баланс: высокую точность прогнозов без резкого увеличения вычислительной стоимости и без склонности к запоминанию обучающих данных. Они установили, что шестислойная LSTM‑модель с 32 единицами в каждом слое достигает этого компромисса. Чтобы помочь модели отслеживать важные участки сигнала, добавили переходы между слоями и механизм внимания, позволяющий сети фокусироваться на ключевых временных интервалах. Обученная на 400 сваях и проверенная на 100 невидимых примерах, финальная модель воспроизводила человече-полученные кривые скорости с высокой статистической точностью, демонстрируя сильное соответствие между предсказанными и оцифрованными сигналами.

От чисел к практическим решениям по сваям

Помимо статистики, главный практический вопрос — может ли модель правильно отметить подошву сваи. Исследователи визуально проверяли каждую предсказанную отражограмму и сравнивали местоположение подошвы с оцифрованной эталонной меткой. Если совпадение укладывалось в 5 процентов, результат оценивался как «Хорошо»; до 10 процентов — «Удовлетворительно»; дальше — «Плохо». Для обучающей выборки около 90 процентов свай получили оценку «Хорошо» и только 4 процента — «Плохо». Валидационная выборка показала 84 процента «Хорошо» и 6 процентов «Плохо». Эти результаты указывают на то, что система ИИ может достаточно точно имитировать экспертную интерпретацию, чтобы быть полезной в повседневных испытаниях, по крайней мере в пределах размеров свай, прочностей бетона и типов тестов, на которых она обучалась.

Что это значит для безопасности сооружений

Проще говоря, исследование показывает, что грамотно спроектированная модель глубокого обучения способна принять сырую запись вибрации от удара молотка по свае и автоматически построить тот же тип кривой, который специалист использует для поиска подошвы сваи. Это сокращает количество ручных операций и возможность человеческой ошибки, сохраняя при этом прозрачность окончательного суждения о качестве сваи и опору на знакомые графики. Пока модель применима только к конкретному типу датчика и к сваям, похожим на те, что были в исследовании, но она указывает на будущее, в котором рутинные проверки скрытых фундаментов будут быстрее, более последовательны и проще в применении на загруженных строительных площадках.

Цитирование: Samaan, R.M., Saafan, M.S.A., Mokhtar, A.A. et al. Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test. Sci Rep 16, 6348 (2026). https://doi.org/10.1038/s41598-026-36732-7

Ключевые слова: испытание целостности свай, глубокое обучение, рекуррентная нейронная сеть, неразрушающий контроль, гражданское строительство