Maskininlärningsbaserad utvärdering av skjuvstyrkefaktorer i jord–bergblandningar för påfyllnader vid bergssubstationer

Varför detta är viktigt för att hålla strömmen igång

Städer som växer i bergsområden behöver transformatorstationer som säkert kan leverera el, ofta belägna på utskurna och påfyllda sluttningar. Istället för att köra in perfekt byggjord återanvänder ingenjörer i allt större utsträckning material från platsen bestående av blandad jord och krossat berg. Dessa jord–bergblandningar är billiga och mer hållbara, men deras beteende under belastning är svårt att förutsäga, vilket ökar risken för ojämn sättning eller till och med ras under känslig elektrisk utrustning. Den här studien visar hur en enkel form av artificiell intelligens kan sålla bland många samverkande markegenskaper för att peka ut vilka som är viktigast för att hålla dessa bergssubstationer stabila.

Återvunnet material, komplext beteende

I brant terräng innebär det ofta att göra en plan plattform för en substation att skära in i vissa sluttningar och fylla andra. För att kontrollera kostnader och lastbilstrafik återanvänder entreprenörer ofta lokalt material bestående av lera, vittrade vulkaniska bergarter och fragment av hårdare basalt. Tillsammans bildar detta jord–bergblandningar: svårhanterliga, fläckvisa material vars styrka beror på hur mycket vatten de innehåller, hur tätt de är packade och hur den fina jorden binder ihop de större stenarna. Eftersom blandningen kan variera från plats till plats och mellan lager kan marken sätta sig ojämnt under tunga transformatorer, vilket hotar känsliga elektriska komponenter som kräver mycket små rörelser.

Från laboratorietester till en inlärningsmodell

Forskarna samlade representativa material från en substationsplats i sydvästra Kina, krossade, siktade och blandade dem för att skapa kontrollerade blandningar. I laboratoriet kompakterade de dessa blandningar till standardprover och utförde direkta skjuvtester under olika tryck, för att efterlikna lasterna inom fyllnadslagerna. För varje prov mätte de nyckelfysiska egenskaper: torrdensitet, fukthalt, porförhållande (void ratio) och två enkla gränsvärden som beskriver hur våt den fina jorden kan bli innan den beter sig mer som en pasta eller vätska. Dessa mätningar, tillsammans med den uppmätta skjuvstyrkan (uppdelad i friktion och cohesion), utgjorde en datamängd på 112 noggrant förberedda fall.

Att lära ett neuralt nätverk om jord och berg

I stället för att försöka pressa dessa invecklade samband in i enkla formler tränade teamet ett framåtriktat neuralt nätverk, en grundläggande maskininlärningsmodell som lär sig mönster direkt från data. Modellen tog de fem uppmätta markegenskaperna som indata och lärde sig att förutsäga två utdata: hur mycket blandningen håller ihop (cohesion) och hur mycket den motstår att glida (intern friktionsvinkel). De finjusterade nätverkets inställningar och jämförde dess prestanda med mer traditionella verktyg såsom linjär regression, närmaste granne-metoder och random forest. Genom upprepade korskontroller på undanhållna data gav det neurala nätverket konsekvent noggranna förutsägelser, mycket nära de uppmätta styrkevärdena och med en liten fördel framför alternativen för denna måttliga datamängd.

Vilka markegenskaper betyder egentligen mest?

När de hade en pålitlig modell undersökte författarna vilka indata som drev modellens förutsägelser. De använde nätverkets interna viktförbindelser som en slags "påverkanspoäng" för varje egenskap. Fukthalten framträdde som huvudspelaren och stod för ungefär en fjärdedel till en tredjedel av variationen i både cohesion och friktion. När blandningen blir för våt bildar vattenfilmer smörjande kontakter mellan korn och försvagar bindningarna mellan partiklar, vilket kraftigt minskar styrkan. Det plastiska gränsvärdet för den fina jorden — fukthalten där den slutar bete sig som ett skört fast ämne och börjar flyta — var nästan lika viktigt, särskilt för friktionen. Torrdensitet och porförhållande spelade också roll, men i mindre grad, främst genom att påverka hur tätt partiklarna hakar i varandra. Tillsammans bekräftar dessa resultat långvarig geoteknisk intuition samtidigt som de kvantifierar den relativa betydelsen av varje faktor.

Praktisk vägledning för säkrare bergssubstationer

För ingenjörer är huvudbudskapet enkelt: i återvunna jord–bergfyllnader under substationskonstruktioner är kontroll av vatten och det plastiska beteendet i den fina matrisen viktigare än någon annan enskild egenskap. Genom att fokusera tester och byggkontroller på fukthalt, plastiska och flytgränser samt kompakteringskvalitet kan konstruktörer bättre förutsäga hur marken bär last och var risken för sättning är störst. Även om de exakta siffrorna kommer från en region i sydvästra Kina erbjuder arbetsflödet — som kombinerar riktade labbtester med en transparent neuralt nätverksanalys — en återanvändbar arbetsmetodik för liknande projekt världen över, som förvandlar rörigt överskottsmaterial till ett mer förutsägbart grundläggningsmaterial.

Citering: Huang, X., Liao, J., Ke, H. et al. Machine learning-based evaluation of shear strength factors in soil-rock mixtures for mountain substation fills. Sci Rep 16, 5775 (2026). https://doi.org/10.1038/s41598-026-36601-3

Nyckelord: jord–bergblandningar, grundläggning för bergssubstationer, skjuvstyrka, fukthalt, maskininlärning inom geoteknik