Улучшение прогноза несущей способности по концу буронабивных свай с упрочнением данных гауссовским шумом и оптимизированными моделями XGBoost

Строить на скале, а не на догадках

При проектировании мостов и высотных зданий инженеры часто полагаются на глубокие фундаменты, уходящие в прочную скалу. Прочность таких «свай, вбитых в скалу», критична для безопасности и стоимости, но реальную несущую способность по концам трудно измерить напрямую. В этом исследовании показано, как современные методы машинного обучения в сочетании с продуманной генерацией данных могут дать инженерам гораздо более точные оценки того, какую нагрузку эти фундаменты способны безопасно нести — что потенциально позволяет сэкономить на строительстве, не жертвуя надежностью конструкций.

Почему глубокие фундаменты так трудно оценить

Буронабивные сваи в скале — это массивные железобетонные колонны, пробуренные через слабые грунты и задернутые в прочную породу. Теоретически чем тверже порода и качественнее выполнение работ, тем большую нагрузку сможет воспринимать конец сваи. На практике всё сложнее: внизу скважины может скапливаться ил и шлам, форма и шероховатость контактного замка вариабельны, а скрытые пустоты или трещины в породе трудно обнаружить. Из‑за этих неопределенностей проектировщики нередко действуют консервативно и предполагают мало или совсем отсутствующее опирание на конус сваи, что приводит к более длинным и дорогим фундаментам, чем на самом деле требуется.

От простых формул к более умным предсказаниям

Ранее для оценки несущей способности применялись упрощённые формулы или традиционные численные модели. Они обычно учитывают несколько параметров — например, прочность породы на сжатие — и рассматривают массив породы в идеализированном виде. В последние годы исследователи начали применять методы искусственного интеллекта, обучая модели на базах данных испытаний на выдавливание свай, где поведение конуса подробно зарегистрировано. Такие подходы умеют одновременно учитывать множество входных параметров — диаметр сваи, глубины в грунте и породе, показатели качества породы — но они также представляют собой «чёрные ящики» и склонны к переобучению при ограниченном объёме данных.

Кормление алгоритма реальными и синтетическими данными

Авторы опирались на опубликованную выборку из 151 испытания буронабивных свай в скале, в которой регистрировался коэффициент опирания по конусу (показатель того, какую нагрузку выдерживает конец) вместе с восемью описательными признаками. После тщательной очистки данных от выбросов и пропусков оставили 136 реальных свай. Чтобы преодолеть малый объём выборки — частую проблему в геотехнике — они сгенерировали дополнительные «синтетические» записи, добавив к имеющимся данным мягкий случайный гауссовский шум. В результате образовалась большая, статистически согласованная выборка в 460 свай, сохранившая исходные закономерности и одновременно давшая больше разнообразия для обучения моделей машинного обучения.

Обучение и настройка моделей

Команда сосредоточилась на алгоритме Extreme Gradient Boosting (XGBoost), который объединяет множество простых деревьев решений в мощный предсказатель. Чтобы выжать максимум из XGBoost, его сочетали с тремя оптимизаторами, вдохновлёнными природными или поведенческими метафорами — на арифметических правилах, на поведении при коллективной генерации идей и на стратегиях охоты китов. Эти оптимизаторы автоматически настраивали ключевые гиперпараметры — например глубину деревьев и скорость обучения — чтобы найти баланс между подгонкой под известные данные и предотвращением переобучения. Среди вариантов модель XGBoost, настроенная с помощью арифметического оптимизационного алгоритма (XGBoost_AOA), показала наилучшую точность и устойчивость.

Чему модели научились о породе и сваях

Используя только оригинальные 136 свай, оптимизированная модель уже превосходила прежние методы. При обучении на расширенной выборке из 460 свай её точность значительно выросла: ошибки предсказания сократились до долей прежних значений, а соответствие между предсказанными и наблюдаемыми несущими способностями приблизилось к идеальной прямой один к одному. Анализ также показал, какие входы были наиболее значимы. Прочность породы на сжатие и рейтинг горной массы оказались доминирующими предикторами, тогда как диаметр сваи и общий уровень нагрузки также играли значимую роль. Параметры, тесно связанные между собой — например, два разных показателя качества породы — оказались сильно избыточными, что подчёркивает, как перекрывающаяся информация может способствовать переобучению при недостаточной осторожности.

От исследовательского кода к практическому инструменту

Чтобы сделать результаты применимыми вне лаборатории, авторы упаковали свою лучшую модель в удобный компьютерный интерфейс. Инженеры могут ввести базовые параметры сваи и породы и получить мгновенную оценку несущей способности по конусу, а также подтверждающую информацию о проверках модели на независимых кейсах. Хотя подход по‑прежнему зависит от качества и диапазона исходных данных, он демонстрирует, как сочетание машинного обучения, синтетической генерации данных и инструментов интерпретируемости может превратить разрозненные результаты испытаний в практическое средство проектирования — помогая сократить догадки, уменьшить излишнюю консервативность и проектировать более безопасные и экономичные фундаменты.

Цитирование: Khatti, J., Fissha, Y. & Cheepurupalli, N. Improving end-bearing capacity prediction of rock-socketed shafts using Gaussian-augmented optimized extreme gradient boosting models. Sci Rep 16, 7664 (2026). https://doi.org/10.1038/s41598-026-38646-w

Ключевые слова: буронабивные сваи в скале, глубокие фундаменты, машинное обучение, увеличение данных, геотехническая инженерия