Метод на основе машинного обучения для определения региональных параметров модели HSS: пример города Циндао, Китай

Почему городским котлованам нужны более умные инструменты

Когда инженеры роют глубокие котлованы для подвалов, станций метро или подземных паркингов в плотной городской застройке, даже несколько миллиметров неожиданного движения грунта могут привести к трещинам в соседних зданиях или повреждению подземных коммуникаций. Чтобы обеспечить безопасность людей и инфраструктуры, инженеры используют компьютерные модели, которые предсказывают, как будет деформироваться грунт по мере ведения работ. В этой статье показано, как машинное обучение может существенно сократить время и затраты на калибровку одной из самых продвинутых моделей грунта для прибрежного города в Китае, при этом обеспечивая согласие с полевыми измерениями с впечатляющей точностью.

Как инженеры обычно оценивают смещения грунта

На современных стройплощадках часто применяют метод конечных элементов — численную технику, которая разбивает грунт и опорные конструкции на множество мелких элементов и рассчитывает деформации каждого из них при изменении нагрузок. Для корректной работы такой подход требует реалистичного описания поведения грунта, особенно при глубоких котлованах в окружении высотных зданий и подземных коммуникаций. Широко признанным вариантом является модель «hardening soil small‑strain» (HSS), которая учитывает изменение жесткости грунта с историей напряжений и при очень малых деформациях. Однако эта модель требует множества входных параметров, некоторые из которых сильно различаются в зависимости от района. Традиционно такие параметры получают в результате специализированных лабораторных испытаний грунтовых образцов, что дорого и занимает много времени. В результате наиболее точные модели часто недополучают применения в повседневных проектах.

Какие характеристики грунта действительно важны

Авторы сначала проанализировали публикуемые данные испытаний из нескольких китайских городов, чтобы понять, какие параметры продвинутой модели грунта реально определяют поведение глубокого котлована. Они сравнили ключевые показатели жесткости с более привычной величиной — модулем уплотнения (compression modulus) — и рассмотрели эти соотношения для обычных типов грунтов, таких как обычная насыпь, илистая глина и среднезернистый песок. Две величины жесткости, связанные с обычным упругим сжатием, оказались близкими к соотношению «один к одному» с модулем уплотнения и проявляли низкую чувствительность к перемещениям котлована. Напротив, две другие величины жесткости — одна связанная с возвратным (рековерсивным) поведением при снятии нагрузки и одна связанная с поведением при очень малых деформациях — сильно варьировали между регионами и оказывали существенное влияние на предсказываемые смещения. Это наблюдение позволило авторам считать некоторые параметры практически фиксированными и сосредоточить внимание на нескольких, действительно управляющих локальной деформацией.

Обучение нейронной сети «читать» поведение котлована

Имея эти данные, исследователи использовали глубокий котлован в Циндао в качестве учебной площадки. На участке встречались насыпные грунты, илистая глина и среднезернистый песок, залегающие над выветрелым гранитом. Они систематически задали набор комбинаций параметров для двух чувствительных показателей жесткости в каждом слое и провели серию трёхмерных численных симуляций котлована. Для каждой комбинации фиксировали, как изгибались подпорные стены и как проседала поверхность грунта в выбранных контрольных точках. Эти пары входов и выходов сформировали набор данных для обучения сети с обратным распространением ошибки — простой модели машинного обучения, которая учится связывать причины с эффектами. После обучения сеть могла по нескольким измеренным перемещениям стен и поверхности на реальном объекте быстро восстановить, какие параметры жесткости грунта могли их вызвать.

Проверка метода на реальных строительных проектах

Чтобы оценить надёжность виртуального «детектива грунта», авторы применили восстановленные значения жесткости к двум независимым проектам глубоких котлованов в Циндао, опиравшихся на сваи и анкера. Они построили численные модели с полученными параметрами и сравнили предсказанные прогибы стен и осадки поверхности с данными полевого мониторинга, собранными в ходе строительства. Различия оказались впечатляюще малы: типичные средние абсолютные ошибки были ниже полумиллиметра, а среднеквадратичные ошибки — столь же незначительны. Иными словами, симуляции воспроизводили наблюдаемое поведение котлованов с точностью, более чем достаточной для инженерных проверок безопасности и доработки проектов.

Что это значит для более безопасного и дешёвого подземного строительства

Для неспециалистов главный вывод в том, что исследование показывает: небольшое количество полевых наблюдений в сочетании с тщательно спроектированными симуляциями и нейронной сетью может заменить многие раунды дорогостоящих лабораторных испытаний. Выделив немногие свойства грунта, имеющие решающее значение, и позволив машинному обучению подогнать их под реальные деформации, инженеры получают возможность применять более сложные модели грунта без чрезмерных затрат. Для типичных грунтов Циндао авторы даже предоставляют готовые соотношения между чувствительными показателями жесткости и стандартными мерами сжимаемости, давая проектировщикам практическую подсказку. В более широком смысле подход указывает на будущее, в котором подземное строительство будет опираться на моделирование, калиброванное на местных данных, что повышает запасы прочности и одновременно сокращает затраты и сроки проектов.

Цитирование: Yuan, C., Zhang, Q., Feng, H. et al. Machine learning-based method for determining regional parameters of the HSS model: a case study of Qingdao, China. Sci Rep 16, 13124 (2026). https://doi.org/10.1038/s41598-026-43150-2

Ключевые слова: глубокие котлованы, моделирование грунта, машинное обучение, нейронные сети, деформация грунта