Maskininlärningsbaserad metod för att bestämma regionala parametrar i HSS‑modellen: en fallstudie från Qingdao, Kina

Varför stadsgrävningar behöver smartare verktyg

När ingenjörer gräver djupa schakt för källare, tunnelbanestationer eller underjordiska garage i trånga stadsmiljöer kan även några millimeters oväntad markrörelse spräcka intilliggande byggnader eller skada nedgrävda ledningar. För att skydda människor och infrastruktur förlitar sig ingenjörer på datorbaserade modeller som förutser hur marken deformeras vid schaktning. Denna artikel visar hur maskininlärning kan minska tiden och kostnaden för att ställa in en av de mest avancerade jordmodellerna för en kuststad i Kina, samtidigt som den fortfarande matchar verkliga mätningar med anmärkningsvärd precision.

Hur ingenjörer vanligtvis uppskattar hur marken rör sig

Moderna byggarbetsplatser använder ofta ändliga elementmetoden, en numerisk teknik som delar upp marken och stödkonstruktionerna i många små element och beräknar hur varje element deformeras när laster ändras. För att fungera väl kräver denna metod en realistisk beskrivning av jordens beteende, särskilt för djupa schakt omgivna av höga byggnader och underjordiska ledningar. Ett välrenommerat alternativ är "hardening soil small‑strain"‑modellen, som fångar hur jordens styvhet förändras med belastningshistorik och vid mycket små deformationer. Denna modell kräver dock många indata parametrar, och några av dem varierar kraftigt från plats till plats. Traditionellt erhålls dessa parametrar från specialiserade laboratorietester på jordprover, vilket är både dyrt och tidskrävande. Som ett resultat används de mest precisa modellerna ofta inte i vardagliga projekt.

Att hitta vilka jordvärden som verkligen spelar roll

Författarna gick först igenom publicerade testdata från flera kinesiska städer för att förstå vilka parametrar i den avancerade jordmodellen som verkligen styr hur ett djupt schakt deformeras. De jämförde nyckelvärden för styvhet med en mer bekant storhet, kompressionsmodulen, och undersökte dessa kvoter för vanliga jordtyper som påfyllnad, siltig lera och medelfinkornig sand. Två styvhetsmått kopplade till rutinmässigt kompressionsbeteende visade sig ligga nära en‑till‑en‑förhållande med kompressionsmodulen och var svagt känsliga för schaktets rörelse. I kontrast varierade två andra styvhetsmått – ett kopplat till hur jorden återfjädrar när laster avlägsnas, och ett relaterat till beteendet vid mycket små töjningar – kraftigt mellan regioner och hade stark inverkan på förutsagda förskjutningar. Denna insikt gjorde det möjligt för teamet att behandla vissa parametrar som i praktiken fasta medan de fokuserade på de få som verkligen styr lokal deformation.

Att lära ett neuralt nätverk att läsa schaktets beteende

Med denna kunskap använde forskarna ett djupt grundschakt i Qingdao som träningsfält. Platsens jordlager bestod av påfyllnad, siltig lera och medelfinkornig sand ovanpå vittrad granit. De utformade en systematisk uppsättning parameterkombinationer för de två känsliga styvhetsvärdena i varje jordlager och körde en serie tredimensionella datorsimuleringar av schaktet. För varje kombination registrerade de hur mycket stödmurarna buktade och hur markytan satte sig vid utvalda mätpunkter. Dessa parade indata och utdata bildade en datamängd för träning av ett backpropagerings‑neuralt nätverk, en enkel maskininlärningsmodell som lär sig koppla orsaker till effekter. Efter träning kunde nätverket ta några uppmätta vägg‑ och markrörelser från den verkliga platsen och snabbt härleda vilka jordstyvhetsparametrar som sannolikt orsakade dem.

Att kontrollera metoden på riktiga byggprojekt

För att se om denna virtuella "jorddetektiv" var pålitlig applicerade författarna de härledda styvhetsvärdena på två oberoende djupa schaktprojekt i Qingdao som använde pålar och ankare. De byggde numeriska modeller med de nyinhämtade parametrarna och jämförde beräknade murförskjutningar och markytesättningar med fältövervakningsdata insamlade under byggnationen. Skillnaderna var imponerande små: typiska medel absoluta fel var under en halv millimeter, och medelkvadratiska fel var likaledes försumbar. Med andra ord reproducerade simuleringarna det observerade beteendet hos schakten med en noggrannhet som är mer än tillräcklig för ingenjörsmässig säkerhetskontroll och designförfining.

Vad detta betyder för säkrare och billigare underjordiskt byggande

För icke‑specialister är huvudbudskapet att studien visar hur en blygsam mängd platsövervakning, kombinerad med omsorgsfullt utformade simuleringar och ett neuralt nätverk, kan ersätta många omgångar dyra laboratorietester. Genom att isolera de få jordegenskaper som betyder mest och låta maskininlärning anpassa dem för att matcha verkliga deformationer kan ingenjörer använda mer sofistikerade markmodeller utan oproportionerlig arbetsinsats. För Qingdaos typiska jordar tillhandahåller författarna till och med färdiga kvoter mellan de känsliga styvhetsparametrarna och standardiserade kompressionsmått, vilket ger konstruktörer en praktisk genväg. Mer generellt pekar tillvägagångssättet mot en framtid där underjordiskt byggande styrs av datadrivna, lokalt kalibrerade modeller som förbättrar säkerhetsmarginaler samtidigt som projektkostnader och tidplaner hålls under kontroll.

Citering: Yuan, C., Zhang, Q., Feng, H. et al. Machine learning-based method for determining regional parameters of the HSS model: a case study of Qingdao, China. Sci Rep 16, 13124 (2026). https://doi.org/10.1038/s41598-026-43150-2

Nyckelord: djupa schakt, jordmodellering, maskininlärning, neurala nätverk, markdeformation