Pareto-optimerat staplat ensemble-maskininlärningsramverk för att förutsäga bärförmågan hos pålade pålar utifrån data från statiska lastprov

Varför starka grundkonstruktioner spelar roll

Varje byggnad, bro eller vindkraftverk vilar i slutändan på vad som finns under ytan. Dolda under marken bär långa betongkolumner, kallade pålar, upp vikten från konstruktioner ner till fast mark eller berg. Om ingenjörer underskattar hur stor belastning dessa pålar säkert kan bära kan resultatet bli sättningar, sprickor eller till och med kollaps. Om de överskattar kapaciteten blir projekten onödigt dyra. Den här studien undersöker hur modern maskininlärning kan omvandla rutinmässiga fältprov till betydligt mer precisa uppskattningar av pålars bärförmåga och därigenom bidra till både säkrare och mer ekonomisk byggnation.

Från enkla regler till datadrivna insikter

Traditionellt har ingenjörer förlitat sig på formler, småskaliga experiment och numeriska simuleringar för att uppskatta bärförmågan hos pålar. Dessa metoder fungerar hyfsat, men har svårt att hantera den komplexa verkligheten med lager av jord, grundvatten och installationspåverkan. Ett fälttest som kallas statisk lastprovning anses vara guldstandarden: en påle belastas stegvis medan dess sättning mäts. Detta förfarande är dock långsamt, kostsamt och svår att upprepa på många platser. Samtidigt samlar geoteknisk praxis rutinmässigt in enkla hammarslagdata från standard penetration test (SPT), vilket ger ett grovt mått på jordens motstånd med djupet. Studiens centrala idé är att använda maskininlärning för att länka dessa lättillgängliga SPT-resultat, tillsammans med pålens geometri och platsens detaljer, direkt till högkvalitativa lastprovsresultat.

Att bygga en smartare prediktionmotor

Författarna sammanställde en databas med 472 statiska lastprov på drivna armerade betongpålar i en vietnamesisk provins med varierande men systematiskt dokumenterade jordförhållanden. För varje prov registrerades påldiameter, tjocklek på flera jordskikt, mark- och pålnivåer, djup till pålspetsen samt genomsnittliga SPT-hammarslag längs pålskäftet och vid spetsen. Dessa indata fångar både pålens storlek och den omgivande jordens styrka, som tillsammans styr hur mycket last pålen kan bära. Målet var att träna en modell som, givet dessa indata för en ny plats, skulle ge en tillförlitlig uppskattning av pålens axiella bärförmåga utan behov av ett fullskaligt lastprov.

Att kombinera flera modeller till en

I stället för att förlita sig på en enda algoritm använder studien ett "staplat" ensemble: tre olika maskininlärningsmodeller — random forest, k-nearest neighbors och extreme gradient boosting — tränas parallellt och deras förutsägelser kombineras sedan av en andra nivåns modell. Denna meta-modell justeras med hjälp av en multiobjektiv sökning inspirerad av evolutionära strategier, känd som Pareto-optimering. Optimeringen väger samman konkurrerande mål: att maximera noggrannheten på osedd data samtidigt som överanpassning undviks. Genom upprepade tester och femfaldig korsvalidering uppnådde den bästa kombinationen ett determinationskoefficientvärde (ett mått på hur väl förutsägelser stämmer med verkligheten) på ungefär 0,95 på testdata, tillsammans med avsevärt minskade fel jämfört med någon enskild modell.

Att se in i den svarta lådan

För att göra systemet användbart i praktiken behöver ingenjörer förstå vad som driver dess förutsägelser. Författarna använde därför moderna tolkningsverktyg, särskilt SHAP (Shapley Additive ExPlanations), känslighetsanalys och enkla parametrarörelser. Dessa metoder visade att påldiameter är den enskilt mest inflytelserika faktorn, där förändringar i diameter kraftigt skiftar den förutsagda kapaciteten. Jordegenskaper spelar också en nyckelroll: genomsnittliga SPT-värden längs pålskäftet och vid spetsen framträder som stora bidragsgivare och speglar betydelsen av både sidfriktion och ändbärighet. Tjockleken på de övre jordlagren har också betydelse, medan vissa variabler relaterade till nivåer endast har mindre påverkan. När modellens indata varieras på fysiskt meningsfulla sätt — till exempel ökad påldiameter eller att placera spetsen i tätare jord — svarade de förutsagda kapaciteterna i linje med grundläggande geotekniska principer, vilket tyder på att modellen lär sig rimliga snarare än slumpmässiga mönster.

Hur detta hjälper praktiska projekt

Genom att noggrant blanda flera maskininlärningsmetoder och optimera dem mot flera mål levererar detta arbete ett prediktionsverktyg som är både noggrant och tolkningsbart. För platser med liknande geologi och provningspraxis som de i studien kan ingenjörer använda standard SPT-data och designparametrar för att få tillförlitliga uppskattningar av pålkapacitet, minska antalet kostsamma lastprov och bättre inrikta säkerhetsmarginaler. Författarna varnar för att deras data kommer från en enda region och att långsiktiga tidsberoende effekter och vissa installationsdetaljer inte är fullt fångade, så omdöme och lokal kalibrering är fortsatt nödvändigt. Ändå visar ramverket hur datadrivna modeller, när de analyseras transparent, kan bli praktiska medspelare i grunddesign snarare än ogenomskinliga svarta lådor.

Citering: Abdellatief, M., ElNemr, A. & Altahrany, A. Pareto-optimized stacked ensemble machine learning framework for predicting bearing capacity of driven piles from static load test data. Sci Rep 16, 11360 (2026). https://doi.org/10.1038/s41598-026-43660-z

Nyckelord: pålny grund, bärförmåga, geoteknisk ingenjörskonst, maskininlärning, statisk lastprovning