Beräkning av sättningar orsakade av liquefaktion för grunda grundläggningar med maskininlärning och obalanserade data

Varför skakande mark spelar roll för vanliga byggnader

När en stark jordbävning inträffar kan mark som ser fast ut tillfälligt bete sig som en vätska, vilket får byggnader att sjunka, luta eller spricka. Detta fenomen, kallat liquefaktion, har skadat bostäder och infrastruktur i flera senaste jordbävningar, från Turkiet till Japan. Ingenjörer vet att även några tiotals centimeter ojämn sättning kan göra en byggnad osäker eller oduglig. Ändå är det svårt att förutsäga hur mycket en viss byggnad kommer att sjunka baserat på begränsade platsdata. Denna studie undersöker hur moderna verktyg för maskininlärning kan omvandla spridda fallhistorier från verkliga jordbävningar till ett praktiskt sätt att förutse liquefaktionsrelaterade skador och vägleda säkrare utformning, försäkringsbeslut och efterhandsinspektioner.

Från spridda fallrapporter till en global jordbävningsdatabas

Forskarna började med att sammanställa en världsomspännande databas med 206 byggnader som upplevt markfel orsakade av liquefaktion vid tidigare jordbävningar. För varje fall samlade de enkel information som ofta finns tillgänglig i praktiken: skakningens intensitet på platsen, byggnadens totala höjd och bredd, den belastning byggnaden utövar på sin grund, och viktiga egenskaper hos de underliggande jordlagren—särskilt hur djupt det första liquefierbara lagret ligger under ytan och hur tjockt det är. Istället för att försöka beräkna en exakt sättning i centimeter grupperade de utfallen i fyra skadenivåer, från ingen synlig sättning till omfattande sjunkning och lutning. Detta "markfelindex" omvandlar röriga verkliga mätningar till tydliga kategorier som kan användas för att träna och testa maskininlärningsmodeller.

Att lära datorer att upptäcka farliga mönster i ojämn data

Verkliga jordbävningsdata är långt ifrån prydliga: vissa skadetyper är vanliga medan andra är sällsynta, och indata kan innehålla avvikare och brus. I detta dataset var svåra skador mycket vanligare än måttliga, vilket skapade en stark obalans som kan leda många algoritmer att försumma den sällsyntaste klassen. För att hantera detta kombinerade författarna systematiskt flera strategier. De rensade data med metoder för filtrering av avvikare och prövade sedan två kompletterande tillvägagångssätt för att hantera obalansen: artificiell kopiering av minoritetsfall (random oversampling) och att låta algoritmerna behandla misstag på sällsynta klasser som mer kostsamma (kostnadskänslig inlärning). För att undvika alltför optimistiska resultat inneslöts alla dessa steg i ett strikt "läckagefritt" arbetsflöde, där testdata hölls helt dolda under modellträning, justering och omsampling.

Vilka faktorer och modeller fångar bäst risken för sättning?

Flera allmänt använda modeller testades, bland andra slumpmässiga skogar (random forests), gradientförstärkningsmetoder, ett artificiellt neuralt nätverk och en ensemble som medelvärdesbildar prediktionerna från flera modeller. Eftersom total noggrannhet kan dölja dålig prestanda på sällsynta men viktiga skadenivåer betonade teamet återkallning (recall)—hur många av de verkligt svåra fallen modellen korrekt fångar—som ett nyckelmått. Gradient Boosting och en ensemble av träd-baserade modeller framstod som de mest tillförlitliga alternativen, särskilt i kombination med random oversampling, noggrann behandling av avvikare och fint inställda beslutströsklar. För att förstå vad modellerna "tittade på" använde författarna SHAP, ett verktyg som bryter ner varje prediktion i bidrag från enskilda variabler. Denna analys visade att djupet till det första liquefierbara lagret var den enskilt mest inflytelserika faktorn, följt av skakningsintensitet och grundläggningsgeometri som byggnadens bredd. I enkla termer var grunda, lätt liquefierbara lager under smala grundläggningar konsekvent förknippade med de allvarligaste skadorna.

Test av metoden på verkliga jordbävningsfall

För att kontrollera om deras metoder fungerade utanför träningsurvalet tillämpade forskarna de slutliga modellerna på fyra detaljerade fallstudier från välkända jordbävningar, inklusive Loma Prieta 1989 i Kalifornien, Kocaeli 1999 i Turkiet, Kumamoto-sekvensen 2016 i Japan och Kahramanmaraş-jordbävningen 2023 i Turkiet. I dessa exempel var de enda indata enkla uppskattningar av skakningsintensitet, byggnadens dimensioner och laster samt djup och tjocklek på liquefierbara lager från fältundersökningar. Modellerna överensstämde i allmänhet med den observerade allvarligheten av sättning och identifierade korrekt både mindre och omfattande skadenivåer. I ett fall gjorde modellen medvetet en säkerhetsorienterad felbedömning genom att förutsäga en högre skadeklass än rapporterat. Författarna menar att i höginsatsmiljöer som jordbävningsresiliens är sådana konservativa prediktioner att föredra framför att missa svårt skadade byggnader.

Ett datadrivet hjälpmedel för säkrare städer på mjuk mark

Detta arbete ersätter inte traditionella fysikbaserade formler för sättning, som förblir väsentliga när detaljerade jordprovsresultat finns tillgängliga. Istället erbjuder det ett kompletterande verktyg: ett transparent, datadrivet sätt att sortera byggnader i breda riskkategorier med en liten uppsättning rutinmässigt insamlade parametrar. Genom att noggrant hantera obalanserade data, undvika dolda snedvridningar i utvärdering och avslöja vilka jord- och byggnadsegenskaper som betyder mest, ger det föreslagna maskininlärningsramverket ingenjörer, planerare och försäkringsbolag ett praktiskt varningsstöd. I regioner byggda på mjuk, vattensaturerad mark kan det hjälpa till att prioritera vilka byggnader som mest sannolikt drabbas av farlig sjunkning och lutning när nästa stora jordbävning inträffar.

Citering: Sargin, S., Korkmaz, G., Yildirim, A.K. et al. Estimation of liquefaction-induced settlement of shallow foundation by machine learning with imbalanced data. Sci Rep 16, 11198 (2026). https://doi.org/10.1038/s41598-026-41969-3

Nyckelord: jordlig liquefaktion, jordbävningsteknik, maskininlärning, byggnadsättning, seismisk risk