Улучшенное прогнозирование трения и сцепления усиленных ненасыщенных грунтов с добавлением наноструктурированных отходов карьеров (NQF)

Почему более прочный грунт важен в повседневной жизни

Дороги, насыпи и фундаменты зданий зависят от прочности грунта под ними. Во многих тропических регионах этот грунт представляет собой влагочувствительную латеритную глину, которая ослабевает при намокании и укрепляется при высыхании, что приводит к трещинам, колееобразованию и дорогостоящему ремонту. В этом исследовании рассматривают, как сделать такие грунты прочнее и предсказуемее за счёт добавления переработанных минеральных порошков и применения искусственного интеллекта для прогнозирования поведения обработанного грунта. Цель — более безопасная и долговечная инфраструктура при меньшем количестве экспериментальных пробы́в в лаборатории.

Превращение местных отходов в полезные добавки для грунта

Исследователи взяли проблемный латеритный грунт из южной Нигерии, классифицированный как сильно пластичный, с высоким содержанием глины и умеренной естественной прочностью на срез. Они смешали этот грунт с двумя типами тонкоизмельчённых материалов, в основном полученных из отходов. Один из них — «гибридный цемент», полученный из золы рисовой шелухи, активированной небольшим количеством извести; другой — наноструктурированные отходы карьера, полученные путём измельчения карьерной пыли до чрезвычайно маленьких частиц. Эти добавки содержат реакционноспособные оксиды, которые могут связываться с минерами грунта и, благодаря своим крошечным размерам, заполнять поры между зернами, потенциально увеличивая как трение, так и сцепление в грунтовой матрице.

От трудоёмких испытаний к интеллектуальным прогнозам

Традиционно инженерам приходится проводить длительные и ресурсоёмкие испытания на срез, чтобы определить два ключевых показателя прочности грунта: угол внутреннего трения и сцепление. Вместо того чтобы опираться только на такие испытания, в исследовании создана обширная экспериментальная база данных, а затем обучены компьютерные модели для прогнозирования этих показателей по более простым измерениям. Команда провела многочисленные лабораторные смеси, варьируя доли гибридного цемента и наноструктурированных отходов карьера и измеряя одиннадцать входных свойств, таких как содержание глины, пластичность, плотность и характеристики влажности. В качестве базовой модели использовали простую линейную регрессию, а затем применили три более продвинутых «интеллектуальных» подхода: машины опорных векторов, сети с радиально-базисными функциями и многослойный персептрон.

Как машины научились «читать» грунт

Набор данных, состоящий из 121 записи, был разделён на большую часть для обучения и меньшую для тестирования, имитируя ситуацию, когда студент сначала изучает примеры, а затем сдаёт экзамен. Каждая модель научилась сопоставлять одиннадцать входных дескрипторов грунта с двумя целевыми выходами: углом трения и сцеплением. Производительность оценивали по нескольким стандартным метрикам, которые проверяют, насколько близки прогнозы к фактическим результатам испытаний и насколько хорошо модели обобщают на невидимые данные. Хотя все методы показали хорошие результаты, подходы на основе нейронных сетей — особенно многослойный персептрон — выделялись. Они улавливали тонкие нелинейные зависимости в данных, достигая очень высокой корреляции с измеренной прочностью и очень низких ошибок прогнозирования как для трения, так и для сцепления.

Что действительно контролирует прочность в обработанном грунте

Чтобы выйти за рамки «чёрного ящика» предсказаний, авторы провели анализ чувствительности, который ранжирует значимость входных параметров. Они обнаружили, что вес ненасыщенного грунта был доминирующим фактором, контролирующим угол трения, подчёркивая, как уплотнение и влагосостояние определяют, как частицы трутся и защёлкиваются друг о друга. Для сцепления наиболее влиятельным оказался процент глины, что согласуется с тем, как тонкие активные глины и цементирующие продукты связывают частицы. Сами минеральные добавки — гибридный цемент и наноструктурированные отходы карьера — также показали сильное положительное влияние, особенно в сочетании с параметрами плотности и влажности. Эта картина соответствует микроскопическим данным: наночастицы и связующие, полученные из золы, заполняют пустоты, покрывают зерна и формируют более плотный, лучше связанный каркас.

От исследовательского кода к практическому инструменту проектирования

Чтобы сделать работу непосредственно полезной для практиков, команда встроила лучшую нейронную сеть в графический пользовательский интерфейс. С этим инструментом инженер может ввести базовые характеристики грунта и состава смеси и мгновенно получить оценочные значения угла трения и сцепления, вместо того чтобы назначать новые серии сложных испытаний на срез. Интерфейс разработан с учётом экспериментально подтверждённых диапазонов каждого параметра, но его можно расширять по мере поступления новых данных или адаптировать к другим типам грунтов.

Что это значит для реальных проектов

Для неспециалиста вывод прост: исследование показывает, что местные порошки из отходов могут существенно повысить прочность проблемных тропических грунтов, а современные методы машинного обучения способны надёжно прогнозировать это улучшение по легкоизмеримым свойствам. Такое сочетание уменьшает экологический след — за счёт переработки сельскохозяйственных и карьерных отходов — а также снижает стоимость и сложность геотехнических испытаний. На практике это означает более обоснованное проектирование дорог и земляных сооружений, особенно в регионах, где лабораторные ресурсы ограничены, а потребность в устойчивой инфраструктуре высока.

Цитирование: Kamchoom, V., Van, D.B., Hosseini, S. et al. Enhanced forecasting of friction and cohesion of augmented unsaturated soil with nanostructured quarry fines (NQF) addition. Sci Rep 16, 8899 (2026). https://doi.org/10.1038/s41598-026-43458-z

Ключевые слова: ненасыщенный грунт, машинное обучение, укрепление грунта, наноструктурированные отходы карьера, геотехническая инженерия