Предсказание осадки микросвайной плиты на основе данных с использованием машинного обучения и моделирования Монте-Карло

Почему тонкие сваи под крупными зданиями имеют значение

Современные города опираются на глубокие фундаменты, чтобы сохранять устойчивость зданий, даже когда они стоят на мягкой глине, которая со временем может сжиматься и давать осадку. Инженеры всё чаще применяют очень тонкие сваи, называемые микросваями, в сочетании с плоской бетонной плитой — чтобы безопасно нести нагрузки в условиях ограниченного пространства или сложного грунта. В этом исследовании рассматривается, как данные и искусственный интеллект могут помочь предсказать, насколько такие микросвайные плиты осядут под нагрузкой, давая проектировщикам более быстрый и надёжный инструмент для оценки безопасности и долговечности.

Малые сваи — большая опора

Фундамент типа микросвайная плита сочетает массивную бетонную плиту с множеством тонких армированных свай, пробуренных глубоко в грунт. Хотя каждая свая имеет диаметр всего в несколько сантиметров, вместе они могут поддерживать крупные здания, при этом ограничивая величину осадки. Такой подход особенно полезен в мягкой глине, где традиционные мелкозаглублённые фундаменты давали бы чрезмерную усадку. Поведение этой системы сложное, поскольку плита, сгруппированные микросваи и окружающий грунт взаимодействуют друг с другом. На распределение нагрузки и степень уплотнения грунта при разных уровнях напряжений влияют длина и шаг свай, размеры и толщина плиты, а также прочность глины.

Создание богатой тестовой базы данных

Чтобы изучить это поведение, автор собрал базу данных из 480 экспериментальных случаев, взятых из лабораторных модельных испытаний и крупномасштабных полевых измерений микросвайных плит в связных грунтах. Для каждого случая в базе указаны геометрия плиты, размеры, количество и расположение микросвай, прочность глины и приложенная нагрузка, а также измеренные значения осадки. Сохраняя условия глины относительно контролируемыми и варьируя планировку фундамента, набор данных фокусируется на том, как проектные решения влияют на работу конструкции. Это делает его пригодным для обучения вычислительных моделей, которые способны выявлять тонкие закономерности между конструкцией фундамента, свойствами грунта и результирующими деформациями.

Обучение машин «читать» грунт

В исследовании сравниваются шесть популярных методов машинного обучения, чтобы определить, какой из них лучше предсказывает осадку по доступным входным данным. Сравниваются методы на основе деревьев — случайные леса и бустинг, метод ближайших соседей и два ядровых метода: регрессия опорных векторов и регрессия гауссовского процесса. Все модели тщательно настраиваются с помощью байесовской оптимизации и кросс-валидации, чтобы избежать опоры на удобный, но вводящий в заблуждение набор параметров. Их качество оценивается по нескольким показателям ошибки и визуальным сопоставлением предсказанных и измеренных осадок при разных уровнях нагрузки. Хотя большинство моделей хорошо описывают данные обучения, многие испытывают затруднения при прогнозировании полностью новых случаев.

Почему одна модель выделяется

Регрессия гауссовского процесса показала себя наиболее надёжной в этом сравнении. Она улавливает криволинейную, нелинейную связь между нагрузкой и осадкой, не ограничиваясь простым запоминанием прошлых данных. На тестовой выборке, невидимой модели при обучении, она сохраняет высокую точность с низкой средней ошибкой, измеряемой в миллиметрах. Кроме того, модель предоставляет интервалы доверия вокруг каждого предсказания, показывая, насколько она уверена при разных условиях. Для более глубокой проверки исследование подаёт в модель тысячи слегка варьированных комбинаций входных параметров методом Монте-Карло, имитируя малые неопределённости в размерах и прочности грунта. Полученное распространение предсказанных осадок остаётся узким, а средние предсказанные кривые «нагрузка—осадка» близко следуют за экспериментальными результатами.

Какие факторы важнее всего

Помимо простой точности, исследование анализирует, как модель принимает решения, с помощью инструмента интерпретируемости SHAP. Этот анализ показывает, что наиболее влиятельным фактором является сама приложенная нагрузка, за которой следуют длина свай и ширина плиты — эти параметры вместе контролируют, как силы передаются в грунт. Количество свай и их шаг также влияют, но в меньшей степени в пределах протестированных значений. Прочность глины и толщина плиты менее заметны в статистическом ранжировании, что объясняется их сильной взаимосвязью в доступных данных, а не отсутствием физической значимости. В целом ранжирование влиятельных признаков хорошо согласуется с давней инженерной интуицией о поведении фундаментов в мягкой глине.

Что это означает для будущих проектов

Работа демонстрирует, что тщательно настроенное машинное обучение, особенно регрессия гауссовского процесса в сочетании с моделированием Монте-Карло, может предоставить инженерам практичный инструмент для прогнозирования осадки микросвайных плит при различных нагрузках и для количественной оценки неопределённости таких прогнозов. Пока что результаты наиболее убедительны в условиях контролируемых лабораторных и выбранных полевых испытаний, и в исследовании подчёркивается необходимость расширения набора данных за счёт полевых испытаний в полный масштаб и более широкого диапазона грунтов. Тем не менее предложенная структура показывает, как модели, основанные на данных, и традиционные геотехнические представления могут сочетаться для создания более безопасных и эффективных решений при проектировании фундаментов на сложных грунтах.

Цитирование: El Gendy, M. Data-driven prediction of micro-piled raft load–settlement using machine learning and Monte Carlo simulation. Sci Rep 16, 16180 (2026). https://doi.org/10.1038/s41598-026-54119-6

Ключевые слова: микросвайные плиты, машинное обучение, регрессия гауссовского процесса, поведение «нагрузка—осадка», моделирование Монте-Карло