Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test

Smartare kontroller av dolda grundkonstruktioner

Många byggnader och broar vilar på långa underjordiska betongpelare kallade pålar. Eftersom dessa pålar är nergrävda kan ingenjörer inte bara titta på dem för att avgöra om de är korrekt utförda eller hur djupt de sträcker sig. Denna studie visar hur en artificiell intelligensmodell kan tolka subtila vibrationssignaler från ett enkelt slagtprov och automatiskt lokalisera pålens tå—the punkt där den slutar i marken—vilket gör dessa dolda kontroller snabbare, mer tillförlitliga och mindre beroende av enskilda experters bedömningar.

Hur ingenjörer ”lyssnar” på nedgrävda pelare

För att undersöka en påle utan att gräva upp den använder ingenjörer ett låg‑slags integritetstest. En operatör knackar på pålens topp med en liten hammare medan en sensor registrerar hur pålen vibrerar. Slaget skickar en spänningsvåg ner i pålen; när vågen möter en förändring—som påltån eller ett fel—reflekteras den tillbaka. En portabel enhet omvandlar dessa vibrationer till ett spår kallat reflektogram, som visar hur signalen förändras över tid eller djup. Erfarna ingenjörer studerar detta spår tillsammans med platsinformation och standarder som ASTM D5882 och Eurokoder för att bedöma om pålen är hel och var dess tå ligger. Men denna tolkning kan vara subjektiv, tidskrävande och känslig för brus och markförhållanden.

Varför ta in djupinlärning

Under de senaste åren har forskare prövat många AI‑metoder för att tolka påltestdata, från klassiska neurala nätverk till bildbaserade metoder och signalklassificerare. Dessa metoder kräver ofta manuell extrahering av kännetecken från inspelade signaler eller konvertering av dem till bilder, och kan ha svårigheter att fånga hur vågor utvecklas över tid längs pålen. Författarna till denna artikel fokuserar istället på modeller som är särskilt avsedda för sekvenser: återkommande neurala nätverk med long short‑term memory, eller RNN‑LSTM. Dessa nätverk är byggda för att ”komma ihåg” vad som föregick i en tidsserie, vilket gör dem väl lämpade att följa en hammarslagsinducerad våg när den färdas, reflekteras och avtar i pålen.

Att omvandla råa hammarslag till ren data

Teamet satte ihop en databas med 500 låg‑slags testregister från egyptiska byggprojekt där borrade betongpålar 12 till 30 meter långa i lager på mark ingick. För varje påle hade de råa accelerationsmätningar över tid och ett motsvarande reflektogram som ursprungligen ritats och tolkats av människor. De digitaliserade dessa diagram noggrant, konverterade djup till tid med kända våghastigheter och normaliserade den vertikala skalan så att signaler från olika pålar kunde jämföras. På den råa sensorsidan jämnade de ut högfrekvent brus, standardiserade signalerna med en robust statistisk skala och använde smart utfyllnad och små slumpmässiga variationer så att det neurala nätverket kunde hantera sekvenser av olika längd utan att störa deras mönster.

Att utforma och testa det neurala nätverket

Flera nätverksarkitekturer provades, med variation i antal lager och virtuella ”neuroner” i modellen. Forskarna sökte en balans: hög prediktionsnoggrannhet utan kraftigt ökade beräkningskostnader eller en tendens att memorera träningsdata. De fann att en sexlager‑LSTM‑modell med 32 enheter i varje lager uppnådde denna kompromiss. För att hjälpa modellen spåra viktiga delar av signalen lade de till genvägar mellan lager och en uppmärksamhetsmekanism som låter nätverket fokusera på nyckelintervall i tiden. Tränad på 400 pålar och validerad på 100 osedda fall reproducerade den slutliga modellen människogenererade hastighetsspår med hög statistisk noggrannhet och visade stark överensstämmelse mellan predicerade och digitaliserade signaler.

Från siffror till praktiska beslut om pålar

Bortom statistiken är den praktiska huvudfrågan om modellen korrekt kan markera påltån. Forskarna inspekterade visuellt varje predicerat reflektogram och jämförde tåpositionen med den digitaliserade referensen. Om matchen låg inom 5 procent bedömdes den som ”Bra”; upp till 10 procent som ”Måttlig”; därutöver som ”Dålig.” För träningsuppsättningen var omkring 90 procent av pålarna ”Bra” och endast 4 procent ”Dåliga.” På valideringsuppsättningen var 84 procent ”Bra” och 6 procent ”Dåliga.” Dessa resultat tyder på att AI‑systemet kan efterlikna experttolkning tillräckligt väl för att vara användbart i vardagliga tester, åtminstone inom de intervall av pållängder, betongstyrkor och testtyper som det tränats på.

Vad det betyder för säkrare konstruktioner

Enkelt uttryckt visar studien att en väl utformad djupinlärningsmodell kan ta det råa vibrationsspåret från ett hammarslag på en påle och automatiskt rita samma typ av kurva som en specialist skulle använda för att hitta påltån. Detta minskar antalet manuella steg och utrymmet för mänskliga fel, samtidigt som den slutliga bedömningen av pålkvalitet hålls transparent och förankrad i bekanta diagram. För närvarande gäller modellen endast en specifik typ av sensor och pålar som liknar dem i studien, men den pekar mot en framtid där rutinmässiga kontroller av dolda grundkonstruktioner blir snabbare, mer konsekventa och lättare att använda på aktiva byggarbetsplatser.

Citering: Samaan, R.M., Saafan, M.S.A., Mokhtar, A.A. et al. Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test. Sci Rep 16, 6348 (2026). https://doi.org/10.1038/s41598-026-36732-7

Nyckelord: pile integrity testing, deep learning, recurrent neural network, non-destructive testing, civil engineering