Парето-оптимизированная стекированная ансамблевая система машинного обучения для прогнозирования несущей способности вбиваемых свай по данным статического испытания на загрузку

Почему прочные фундаменты важны

Каждое здание, мост или ветряная турбина в конечном итоге зависит от того, что находится под ними. Скрытые под поверхностью длинные железобетонные колонны — сваи — переносят вес конструкций на более прочные слои грунта или на скалу. Если инженеры недооценивают, какую нагрузку такие сваи могут безопасно нести, это может привести к осадке, трещинам или даже разрушению. При переоценке — проекты становятся неоправданно дорогими. В этом исследовании рассматривается, как современные методы машинного обучения могут превращать рутинные полевые испытания в значительно более точные прогнозы несущей способности свай, помогая сделать строительство и более безопасным, и более экономичным.

От простых правил к анализу на основе данных

Традиционно инженеры опираются на формулы, мелкомасштабные эксперименты и численные модели для оценки несущей способности вбиваемых свай. Эти методы работают достаточно хорошо, но испытывают трудности при учёте сложной реальности с залеганием слоёв, грунтовыми водами и эффектами монтажа. Полевое испытание, известное как статический тест на загрузку, считается эталоном: сваю нагружают поэтапно и измеряют осадку. Однако этот метод медленный, дорогой и его трудно воспроизводить в большом числе точек. В то же время в геотехнической практике рутинно собирают простые данные ударов молотка по стандартному зондированию SPT, которые дают приближённую оценку сопротивления грунта по глубине. Центральная идея статьи — использовать машинное обучение, чтобы напрямую связать широко доступные результаты SPT вместе с геометрией сваи и данными площадки с высококачественными результатами статических испытаний.

Построение более умного предиктора

Авторы собрали базу данных из 472 статических испытаний вбиваемых железобетонных свай в одной вьетнамской провинции с разнообразными, но системно задокументированными грунтовыми условиями. Для каждого испытания фиксировали диаметр сваи, толщины нескольких слоёв грунта, отметки земли и сваи, глубину до кончика сваи и средние значения ударов SPT по стволу и у кончика. Эти входные данные отражают как размеры сваи, так и прочность окружающего грунта, которые вместе определяют, какую нагрузку может нести свая. Целью было обучить модель, которая при заданных входных параметрах для нового участка выдавала бы надёжную оценку осевой несущей способности сваи без необходимости проводить крупномасштабное испытание на загрузку.

Объединение нескольких моделей в одну

Вместо опоры на один алгоритм исследование использует «стекированный» ансамбль: три разные модели машинного обучения — случайный лес (random forest), метод k ближайших соседей и экстремальный градиентный бустинг (XGBoost) — обучаются параллельно, а их прогнозы затем объединяются моделью второго уровня. Эта мета-модель настраивается с помощью многокритериального поиска, вдохновлённого эволюционными стратегиями, известного как Парето-оптимизация. Оптимизация балансирует конкурирующие цели: максимизацию точности на невидимых данных при одновременном избегании переобучения. Через повторное тестирование и пятикратную кросс-валидацию лучшая комбинация достигла коэффициента детерминации (показателя согласованности предсказаний с реальностью) примерно 0,95 на тестовой выборке, а также значительно снизила ошибку по сравнению с любой отдельной моделью.

Заглянуть внутрь «чёрного ящика»

Чтобы система была применима на практике, инженерам важно понимать, что управляет её прогнозами. Поэтому авторы использовали современные инструменты интерпретируемости, в частности SHAP (Shapley Additive ExPlanations), анализ чувствительности и простые переборы параметров. Они показали, что диаметр сваи является наиболее влияющим фактором: изменения диаметра сильно смещают предсказанную несущую способность. Свойства грунта также играют ключевую роль: средние значения SPT по стволу и у кончика выделяются как основные вкладчики, отражая важность как бокового трения, так и опорной несущей способности. Толщина верхних слоёв грунта тоже важна, тогда как некоторые переменные, связанные с отметками, имеют лишь незначительное влияние. Когда входные параметры модели варьируют в физически осмысленных направлениях — например увеличивают диаметр сваи или размещают кончик в более плотном грунте — прогнозируемые значения реагируют в соответствии с базовыми геотехническими принципами, что указывает на то, что модель усваивает разумные, а не случайные закономерности.

Как это помогает реальным проектам

Тщательно сочетая несколько подходов машинного обучения и оптимизируя их под несколько целей, эта работа предоставляет инструмент прогнозирования, который одновременно точен и интерпретируем. Для участков с геологией и практикой испытаний, сходными с исследуемыми, инженеры могут использовать стандартные данные SPT и проектные параметры, чтобы получать надёжные оценки несущей способности свай, сократить число дорогих испытаний на загрузку и лучше нацеливать коэффициенты запаса прочности. Авторы отмечают, что их данные получены в одном регионе и что долгосрочные временные эффекты и некоторые детали монтажа не полностью учтены, поэтому разум и локальная калибровка остаются необходимыми. Тем не менее предложенная методика демонстрирует, как модели, основанные на данных и прозрачно проанализированные, могут стать практичными помощниками в проектировании фундаментов, а не закрытыми «чёрными ящиками».

Цитирование: Abdellatief, M., ElNemr, A. & Altahrany, A. Pareto-optimized stacked ensemble machine learning framework for predicting bearing capacity of driven piles from static load test data. Sci Rep 16, 11360 (2026). https://doi.org/10.1038/s41598-026-43660-z

Ключевые слова: свайный фундамент, несущая способность, геотехническая инженерия, машинное обучение, статическое испытание на загрузку