Förbättrad prognos av ändbärande kapacitet för berginfästa pelare med hjälp av Gauss‑förstärkta optimerade Extreme Gradient Boosting‑modeller

Bygga på berg istället för gissningar

När ingenjörer utformar broar och höga byggnader förlitar de sig ofta på djupa fundament som går ner i fast berg. Styrkan hos dessa »berginfästa pelare« är avgörande för säkerhet och kostnad, men deras verkliga kapacitet vid spetsen är svår att mäta direkt. Denna studie visar hur moderna maskininlärningsverktyg, kombinerade med smarta metoder för att generera data, kan ge ingenjörer betydligt skarpare uppskattningar av hur mycket last dessa djupa fundament säkert kan bära — vilket potentiellt sparar byggkostnader samtidigt som strukturerna förblir säkra.

Varför djupa fundament är så svåra att bedöma

Berginfästa pelare är stora betongpelare borrade genom svagare jordlager och förankrade i starkare berg. I teorin gäller: ju hårdare berget och ju bättre utförandet, desto mer vikt kan en pelare bära vid sin spets. I praktiken är förhållandena röriga: slam och borrvätska kan samlas i botten av hålet, sockelns rugghhet och form varierar, och dolda hålrum eller sprickor i berget är svåra att upptäcka. På grund av dessa osäkerheter brukar konstruktörer ofta vara konservativa och anta liten eller ingen avlastning från pelarspetsen, vilket leder till längre och dyrare fundament än vad som kanske är nödvändigt.

Från enkla formler till smartare prognoser

Tidigare metoder för att uppskatta pelarkapacitet har lutat sig mot förenklade ekvationer eller traditionella datorbaserade modeller. Dessa fokuserar vanligtvis på ett fåtal egenskaper — exempelvis bergets tryckhållfasthet — och behandlar bergmassan idealiserat. Under de senaste åren har forskare börjat använda artificiell intelligens för att lära direkt från databaser med lastprov där pelare pressats tills deras beteende blev väl kartlagt. Dessa angreppssätt kan hantera många indata samtidigt, inklusive pelardiameter, djup i jord och berg samt mått på bergkvalitet, men de är också »svarta lådor« som lätt kan överanpassas när datamängderna är begränsade.

Matning av algoritmen med verkliga och syntetiska data

Författarna byggde vidare på en publicerad uppsättning med 151 tester av berginfästa pelare som registrerade ändbärandefaktorn (ett mått på hur mycket last spetsen kan bära) tillsammans med åtta beskrivande egenskaper. Efter noggrann rengöring av data för att ta bort avvikare och luckor behölls 136 verkliga pelare. För att övervinna det lilla provstorleksproblemet — ett vanligt problem inom geoteknik — skapade de sedan ytterligare »syntetiska« data genom att lägga till mild, slumpmässig Gaussisk brus till de befintliga posterna. Detta gav en större, statistiskt konsekvent uppsättning på 460 pelare som bevarade ursprungliga mönster samtidigt som den erbjöd mer variation för träning av maskininlärningsmodeller.

Träning och justering av lärande maskiner

Teamet fokuserade på en algoritm kallad Extreme Gradient Boosting, eller XGBoost, som kombinerar många enkla beslutsträd till en kraftfull prediktor. För att pressa fram bästa prestanda ur XGBoost kombinerade de den med tre naturinspirerade optimeringsscheman baserade på aritmetiska regler, brainstorming‑beteende och valjaktstrategier. Dessa optimerare ställde automatiskt in nyckelparametrar — såsom trädens djup och inlärningshastighet — för att hitta en balans mellan att passa kända data och undvika överanpassning. Bland varianterna framstod XGBoost‑modellen justerad med Arithmetic Optimization Algorithm (XGBoost_AOA) som den mest precisa och stabila.

Vad modellerna lärde sig om berg och pelare

Med endast de ursprungliga 136 pelarna presterade den optimerade modellen redan bättre än tidigare metoder. När den tränades på den utökade uppsättningen med 460 pelare förbättrades noggrannheten dramatiskt: prognosfelen krympte till en bråkdel av sin tidigare storlek, och överensstämmelsen mellan prognostiserad och observerad kapacitet kom mycket nära en idealisk ett‑till‑ett‑linje. Analysen visade också vilka indata som betydde mest. Bergets tryckhållfasthet och ett bergmassabetyg var de dominerande prediktorerna, medan pelardiameter och den totala lastnivån också spelade starka roller. Mått som är nära besläktade, såsom två olika bergkvalitetspoäng, visade sig vara starkt redundanta, vilket belyser hur överlappande information kan uppmuntra överanpassning om den inte hanteras omsorgsfullt.

Från forskningskod till ett praktiskt verktyg

För att göra resultaten användbara utanför laboratoriet paketerade författarna sin bäst presterande modell i ett lättanvänt datorgränssnitt. Ingenjörer kan mata in grundläggande pelar‑ och bergparametrar och omedelbart få en uppskattning av spetskapaciteten, tillsammans med bevis på att modellen har kontrollerats mot oberoende fallhistorier. Även om angreppssättet fortfarande beror på kvaliteten och utbredningen hos de underliggande uppgifterna visar det hur kombinationen av maskininlärning, syntetisk datagenerering och tolkbarhetsverktyg kan förvandla spridda provresultat till ett praktiskt hjälpmedel för dimensionering — vilket hjälper till att minska gissningar, trimma onödig konservatism och utforma säkrare, mer ekonomiska fundament.

Citering: Khatti, J., Fissha, Y. & Cheepurupalli, N. Improving end-bearing capacity prediction of rock-socketed shafts using Gaussian-augmented optimized extreme gradient boosting models. Sci Rep 16, 7664 (2026). https://doi.org/10.1038/s41598-026-38646-w

Nyckelord: berginfästa pelare, djupa fundament, maskininlärning, dataaugmentering, geoteknisk ingenjörskonst