XGBoost‑baserad surrogate‑metod för systemtillförlitlighetsanalys av grund över kaviteter stödd av bootstrapping

Varför dolda håligheter under byggnader spelar roll

Städer byggs i allt större utsträckning över gamla gruvor, tunnlar och andra underjordiska håligheter. Dessa dolda tomrum kan gradvis undergräva marken och få byggnader att luta, spricka eller till och med kollapsa. Ingenjörer försöker konstruera grundläggningar som förblir säkra trots sådana risker, men traditionella metoder för att kontrollera säkerhet under många möjliga förhållanden kan vara extremt tidskrävande. Denna studie visar hur moderna maskininlärningsverktyg kan göra dessa säkerhetskontroller snabbare och mer realistiska, vilket hjälper till att skydda konstruktioner byggda ovanpå kaviteter.

Grundläggningar över osäker mark

En byggnads grund måste klara två huvuduppgifter: den får inte bryta igenom marken (bärförmåga), och den får inte sätta sig eller luta för mycket (sättningar). Kaviteter under ytan — kvarlevor efter gruvdrift, tunnling eller naturliga processer — försvårar båda uppgifterna. Mark kan förskjutas eller kollapsa in i tomrummet och minska stödet för grundläggningen över tid. Traditionell projektering förlitar sig ofta på en enda “säkerhetsfaktor” som jämför hur starkt grundsystemet verkar vara med hur starkt det behöver vara. Men verklig mark är varierande och förändras över tid, så en enda säkerhetsfaktor kan dölja viktiga risker.

Från tunga simuleringar till smarta stand‑ins

För att undersöka dessa risker ordentligt skulle ingenjörer i idealfallet köra tusentals detaljerade datorimuleringar som varierar markstyrka, kavitetens form och andra faktorer. I praktiken är detta för långsamt. Författarna skapade istället en stor datamängd av 272 högkvalitativa simuleringar av en remsgrund över en cirkulär kavitet med ett specialiserat geotekniskt program. De tränade sedan en maskininlärningsmodell kallad XGBoost för att återskapa dessa simuleringar och förutse både bärförmåga och sättningar utifrån indata som markens vikt, kohesion, friktionsvinkel, kavitetens djup och styvhet. Surrogatmodellen återgav de detaljerade simuleringarna med hög noggrannhet, särskilt för bärförmågan, vilket innebär att den kan fungera som ett snabbt ersättningsverktyg för de mer kostsamma beräkningarna.

Att förstå röriga data och osäkerhet

Verkliga geotekniska data följer sällan enkla statistiska antaganden — de kan vara snedfördelade, ha flera toppar och uppvisa stor spridning. Författarna testade systematiskt många matematiska transformationer för att få sina förutspådda bärförmåge‑ och sättningsvärden att bete sig mer som idealiska klockformade fördelningar. Ingen transformation fungerade perfekt på egen hand. De fann bäst balans genom att först tillämpa en logaritmisk transformation och därefter använda en teknik kallad bootstrapping, som upprepade gånger omprovar datan för att bygga en empirisk fördelning. Denna kombination tillät dem att beskriva osäkerhet robust utan att tvinga datan in i en orealistisk form.

Beräkning av sannolikheten för kollaps i dag och i framtiden

Medd hjälp av surrogatmodellen och förbättrad datahantering använde teamet Monte Carlo‑simulering för att uppskatta hur ofta grundläggningar skulle falla utanför säkerhetsgränserna enligt två kriterier: förlust av bärförmåga och överdriven sättning. De fann att sättningsgränsen var mer kritisk än bärförmågan och ökade sannolikheten för fel med nästan 30 procent när den betraktades separat. När båda kriterierna kombinerades i en systemsyn — där ett fel inträffar om någon av dem överskrids — steg den totala felrisken ännu mer, med över 50 procent jämfört med att bara betrakta bärförmåga. Studien undersökte också hur säkerheten kan försämras över årtionden genom att gradvis minska bärförmågan och öka förväntad sättning. Under dessa antagna trender sjönk tillförlitlighetsindexen stadigt och närmade sig en myntkastningsnivå av risk efter ungefär ett sekel.

Vad detta betyder för säkrare byggnadsdesign

För icke‑specialister är huvudbudskapet att säkerheten för byggnader över underjordiska kaviteter inte kan bedömas pålitligt med en enda säkerhetsfaktor eller genom att endast kontrollera ett haverisätt. Genom att para ihop en vältränad maskininlärningssurrogat med noggrann statistisk behandling och Monte Carlo‑simulering kan ingenjörer snabbt undersöka tusentals ”tänk om”‑scenarier och ta hänsyn till osäkra markegenskaper, kavitetgeometri och tidsberoende förändringar. Denna metod visar att sättningar och systemnivåbeteende kan styra risken, även när bärförmågan verkar tillfredsställande. I praktiken ger ramverket ett snabbare, mer realistiskt sätt att identifiera grundläggningar som på pappret kan se säkra ut men som kan bli sårbara när marken under dem utvecklas.

Citering: Shubham , K., Metya, S., Sinha, A.K. et al. XGBoost based surrogate technique for system reliability analysis of foundation over cavity aided with bootstrapping. Sci Rep 16, 7113 (2026). https://doi.org/10.1038/s41598-026-37058-0

Nyckelord: grundens tillförlitlighet, underjordiska kaviteter, maskininlärning, Monte Carlo‑simulering, geoteknik