Prediktion av förskjutningar i påltoppar och markytan runt pålar baserat på maskininlärningsalgoritmer

Varför små förskjutningar under marken spelar roll

När nya tunnelbanelinjer eller viadukter byggs trycks tusentals djupa betongpålar ner i marken för att bära upp konstruktionerna. Detta sammanpressande av omgivande jord kan flytta närliggande pålar, vägar, byggnader och nedgrävda ledningar med bara några millimeter – men även sådana små rörelser kan orsaka sprickor i betong eller böja ledningar. Studien bakom denna artikel undersöker hur moderna maskininlärningsverktyg kan förutsäga dessa underjordiska förskjutningar mer exakt än traditionella formler, vilket hjälper ingenjörer att utforma säkrare grundläggningar i trånga stadsområden.

Hur pålning av betong omformar jorden

Under byggnationen pressas långa ihåliga betongpålar ned i mjuk mark istället för att slås i med hammare, en vanlig metod för stadsprojekt som Bogotá Metro Line 1 i Colombia. När varje påle pressas in måste jorden röra sig någonstans: den pressas sidledes och uppåt och trycker på närliggande pålar och markytan. I allvarliga fall kan detta leda till brutna pålar, upphöjningar i vägar eller skador på närliggande ledningar som kan ligga bara några tiotals centimeter bort. Ingenjörer har länge använt förenklade teorier som behandlar varje påle som en expanderande cylinder i jorden för att uppskatta dessa effekter, men dessa metoder har svårt att fånga den komplexa verkligheten med lager av jord, komplicerade pållayouter och byggnadssekvenser.

Lära datorer att läsa markens respons

Forskarna vände sig till maskininlärning, en gren av artificiell intelligens där datorer lär sig mönster från data i stället för att enbart förlita sig på handskrivna ekvationer. De samlade hundratals mätningar av horisontell förskjutning vid påltoppar och vid övervakningspunkter runt dem från Bogotá-projektet. För varje mätning registrerade de också en uppsättning påverkande faktorer, inklusive hur våt och tät jorden var, hur styv den var, hur långt en punkt låg från centrum av pålgruppen, vid vilken vinkel runt gruppen den befann sig, och hur mycket tid som gått sedan pålningen stoppade så att jorden fått tid att sätta sig.

Sätta olika inlärningsmodeller på prov

Flera typer av algoritmer jämfördes. Ett klassiskt neuralt nätverk känt som back-propagation (BP) användes som referens. Teamet förfinade det sedan med en metod kallad AdaBoost, som kombinerar många svaga prediktorer till en mer träffsäker "kommitté", vilket skapade en AdaBoost-BP-modell. De testade också djupa neurala nätverk med flera dolda lager, random forests byggda av många besluts träd, och en populär boostad trädbaserad metod kallad XGBoost. Alla modeller ställdes in och kontrollerades med korsvalidering, en procedur som upprepade gånger tränar på en del av data och testar på resten för att undvika överanpassning. För både små och stora datamängder presterade de boostade och djupa inlärningsmodellerna tydligt bättre än det grundläggande BP-nätverket, där särskilt de djupa neurala nätverken matchade fältmätningarna betydligt närmare.

Vad som verkligen styr markrörelser

Med exakta modeller till hands undersökte författarna vilka faktorer som betydde mest. Med hjälp av SHAP-analys, en teknik som förklarar komplexa modeller genom att tilldela varje indata ett bidrag till prediktionen, fann de att enkel geometri dominerar: det horisontella avståndet från centrum av pålgruppen och riktningen runt den är de främsta drivkrafterna för förskjutning. Punkter närmare centrum tenderar att röra sig mer, och rörelsemönstren varierar runt kompassen eftersom pålraderna inte är helt symmetriska. Tiden sedan pålningen stoppade spelar också en viktig roll och speglar långsam omställning och krypning i jorden. Bland jordegenskaperna har vattenhalt, relativ täthet och friktionsvinkel (ett mått relaterat till hur väl korn låser sig mot varandra) starkast inverkan, medan andra parametrar som kohesion och total volymvikt betyder mindre.

Nya verktyg för säkrare underjordisk byggnation

Genom att jämföra sina datadrivna prediktioner med den traditionella cylindriska expansions-teorin visade författarna att maskininlärningsmodeller, särskilt djupa neurala nätverk, kan förutsäga horisontella förskjutningar vid påltoppar och markytpunkter mycket mer exakt. För framtida projekt – såsom ytterligare tunnelbanelinjer – kan metoden användas under designfasen för att testa olika pållayouter, avstånd och byggsekvenser i datorn innan någon jord störs, vilket minskar risken för närliggande byggnader och ledningar. Kort sagt, genom att låta datorer lära direkt från detaljerade fältmätningar får ingenjörer en skarpare bild av hur marken kommer att reagera, vilket gör det enklare att hålla viktig urban infrastruktur stabil och intakt.

Citering: Li, P., Guo, S., Liang, M. et al. Prediction of the displacements of the pile tops and ground surface around piles based on machine learning algorithms. Sci Rep 16, 6057 (2026). https://doi.org/10.1038/s41598-026-36502-5

Nyckelord: pålningsgrundläggning, jordförskjutning, maskininlärning, underjordisk infrastruktur, tunnelbane- och motorvägsbyggen