Förbättrad prognostisering av friktion och kohesion i modifierad otäckt jord med tillsats av nanostrukturerade stenbrottsfiller (NQF)

Varför starkare jord spelar roll i vardagen

Vägar, slänter och byggnadsfundament är beroende av den bärighet marken under dem ger. I många tropiska områden är den marken en fuktkänslig lateritisk lera som försvagas vid blötläggning och åter blir starkare vid uttorkning, vilket leder till sprickor, hjulspår och kostsamma reparationer. Denna studie undersöker hur sådana jordar kan göras starkare och mer förutsägbara genom tillsats av återvunna mineralpulver och därefter använda artificiell intelligens för att förutsäga hur den behandlade jorden kommer att bete sig. Målet är säkrare, mer hållbar infrastruktur med mindre provningsarbete och färre laboratorieexperiment.

Att förvandla lokalt avfall till användbara jordförbättringar

Forskarlaget började med en problematisk lateritisk jord från södra Nigeria, klassad som högplastisk med en betydande lermängd och måttlig naturlig skjuvhållfasthet. De kombinerade denna jord med två typer av fint malda material, till stor del framställda av avfall. Det ena är ett ”hybridcement” gjort av risfoderaska aktiverad med en liten mängd kalk, och det andra är nanostrukturerade stenbrottsfiller framställda genom att mala stenbrottsdamm till extremt små partiklar. Dessa tillsatser innehåller reaktiva oxider som kan binda med jordens mineraler och, tack vare sin mycket lilla storlek, kunna fylla porer mellan korn, vilket potentiellt ökar både friktion och kohesion i jordmatrisen.

Från mödosamma tester till smarta prognoser

Traditionellt måste ingenjörer utföra tidskrävande och utrustningsintensiva skjuvtester för att bestämma två centrala jordhållfasthetsegenskaper: friktionsvinkel och kohesion. Istället för att förlita sig enbart på sådana tester byggde denna studie upp en rik experimentell databas och tränade därefter datorbaserade modeller för att förutsäga dessa egenskaper från enklare mätningar. Teamet genomförde många laboratorieblandningar, varierade mängderna hybridcement och nanostrukturerade filler och mätte elva ingångsegenskaper såsom lermängd, plasticitet, densitet och fuktegenskaper. De använde en enkel linjär regressionsmodell som baseline och tillämpade sedan tre mer avancerade ’intelligenta’ metoder: supportvektormaskiner, radialbaserade funktionsnätverk och multilagers perceptron-neurala nätverk.

Hur maskinerna lärde sig att läsa jorden

Datasatsen, bestående av 121 poster, delades upp i en större del för träning och en mindre del för testning, vilket liknar hur en student först studerar exempel och sedan skriver prov. Varje modell lärde sig att kartlägga de elva indata-beskrivningarna till de två målen: friktionsvinkel och kohesion. Prestanda bedömdes med flera standardmått som kontrollerar hur nära prognoserna ligger verkliga testresultat och hur väl modellerna generaliserar till osedda data. Alla metoder presterade väl, men de nätverksbaserade metoderna—särskilt multilagers perceptron—utmärkte sig. De fångade upp subtila, icke-linjära samband i data och uppnådde mycket hög korrelation med uppmätta hållfastheter samt mycket låga prognosfel för både friktion och kohesion.

Vad som faktiskt styr hållfastheten i den behandlade jorden

För att gå bortom ’black box’-prognoser genomförde författarna en känslighetsanalys som rangordnar vilka indata som har störst betydelse. De fann att vikten av den otäckta jorden var den dominerande faktorn som kontrollerade friktionsvinkeln, vilket betonar hur kompaktering och fuktläge styr hur partiklar gnids och låser mot varandra. För kohesion framträdde lermängd som mest inflytelserik, i linje med hur fina, aktiva leror och cementerande produkter binder samman partiklar. Mineraltillsatserna själva—hybridcement och nanostrukturerade stenbrottsfiller—visade också stark positiv påverkan, särskilt i kombination med densitets- och fuktparametrar. Denna bild stämmer överens med mikroskopiska bevis: nanopartiklar och aska-baserade bindemedel fyller håligheter, överdrar korn och bygger ett tätare, mer sammanbundet skelett.

Från forskningskod till ett användbart designverktyg

För att göra arbetet direkt användbart för praktiker integrerade teamet det bäst presterande neurala nätverket i ett grafiskt användargränssnitt. Med detta verktyg kan en ingenjör mata in grundläggande jord- och blandningsinformation och omedelbart få uppskattade värden på friktion och kohesion, istället för att schemalägga nya omgångar avancerade skjuvtester. Gränssnittet är utformat kring de experimentellt stödda intervallen för varje parameter, men det kan utökas när mer data blir tillgängliga eller anpassas till andra jordtyper.

Vad detta betyder för verkliga projekt

För en icke-specialist är slutsatsen enkel: studien visar att lokalt avfallbaserade pulver kan avsevärt förbättra hållfastheten i problematiska tropiska jordar, och att moderna maskininlärningsverktyg på ett tillförlitligt sätt kan förutsäga denna förbättring från lättmätta egenskaper. Denna kombination minskar både miljöpåverkan—genom återvinning av jordbruks- och stenbrottsavfall—och kostnaderna och komplexiteten i geotekniska provningar. I praktiken innebär det bättre informerade utformningar av vägar och jordbyggnader, särskilt i regioner där laboratorieresurser är begränsade men behovet av motståndskraftig infrastruktur är stort.

Citering: Kamchoom, V., Van, D.B., Hosseini, S. et al. Enhanced forecasting of friction and cohesion of augmented unsaturated soil with nanostructured quarry fines (NQF) addition. Sci Rep 16, 8899 (2026). https://doi.org/10.1038/s41598-026-43458-z

Nyckelord: otäckt jord, maskininlärning, jordstabilisering, nanostrukturerade stenbrottsfiller, geoteknisk teknik