Beräkning av läckage i heterogena jordfyllnadsdammar på permeabla grundlager med förklarbar maskininlärning

Varför vatten som sipprar genom dammar är viktigt

Runt om i världen är många samhällen beroende av jorddammar för att lagra dricksvatten, bevattna grödor och dämpa översvämningar. Ändå läcker dessa till synes solida konstruktioner ständigt. En liten, välkontrollerad dropp är ofarlig; för mycket dold genomströmning kan däremot urholka tunnlar inne i dammen eller dess grund och utlösa ett plötsligt brott. Denna artikel undersöker hur modern maskininlärning kan hjälpa ingenjörer att förutsäga den osynliga flödet mer exakt och snabbare, särskilt för den mer realistiska situationen med dammar som har lagerindelade kärnor byggda på genomsläpplig mark.

Hur dammar läcker under ytan

Jordfyllnadsdammar är inte homogena jordhögar. Ofta har de en relativt vattentät mittkärna flankad av mer porösa skal, alla vilande på en grund som själv kan släppa igenom vatten. När vattennivån i reservoaren trycker mot uppströmsfasen sipprar en del av vattnet genom dammkroppen och under dess fot, och följer komplexa banor styrda av vattendjup, jordtyper och dammens geometri. Traditionella handberäkningar förenklar denna bild så mycket att de bara fungerar för idealiserade former. Detaljerade datorbaserade simuleringar med ändliga element gör ett bättre jobb, men de kan vara långsamma och kräva specialistkompetens, vilket begränsar deras användning i snabba konstruktionskontroller eller rutinmässiga säkerhetsgranskningar.

Lära datorer känna igen läckagemönster

Författarna sammanställde ett stort digitalt bibliotek med 4 374 läckagescenarier, var och en producerad av ett betrott simuleringsprogram som beräknar vattenflöde genom och under dammar. För varje fall varierade de sju nyckelingångar som ingenjörer kan mäta eller utforma: krontjocklek, grunddjup, reservoarens vattennivå, längderna på uppströms- och nedströmsluten, hur lätt vatten rör sig genom grunden och hur mycket mindre genomsläpplig kärnan är jämfört med skalen. För varje kombination av indata producerade simuleringen ett huvudresultat: hur mycket vatten som läcker per meter damm. Denna kurerade datamängd blev träningsunderlag för flera maskininlärningsmodeller som syftar till att förutsäga läckage direkt från de sju variablerna.

Hitta den mest pålitliga prediktorn

Teamet testade fem modellfamiljer som ofta används för tabulära ingenjörsdata: enkla beslutsträd, slumpmässiga skogar och tre "boosting"-metoder som kombinerar många små träd till en kraftfull ensemble. Istället för att gissa modellinställningar använde de bayesisk optimering, en systematisk sökstrategi som betraktar varje försök som ett experiment och koncentrerar sig på de mest lovande alternativen samtidigt som överanpassning undviks. Prestanda bedömdes med en uppsättning felmått, visuella diagram som jämför prediktioner med simuleringsresultat och korskontroller med flera datauppdelningar. En klar vinnare var kategorisk gradientboosting (CGB)-modellen, som återskapade det simulerade läckaget med nästan perfekt noggrannhet på osedda data, medan enklare trädmodeller hamnade efter.

Öppna maskininlärningens svarta låda

För att göra dessa sofistikerade modeller användbara för dammingenjörer behövde författarna förklara vad som styr deras prediktioner. De använde ett modernt tolkningsverktyg känt som SHAP, som tilldelar varje indata en andel av ansvaret för resultatet i varje scenario. Denna analys visade att två faktorer dominerar läckagebeteendet: hur djupt reservoarvattnet är och hur mycket tätare kärnan är jämfört med de omgivande skalen. Djupare vatten trycker starkt på läckaget uppåt, medan en mycket mindre genomsläpplig kärna kraftigt minskar det. Grundens permeabilitet och grunddjup spelar en sekundär roll, och krontjocklek har en måttlig stabiliserande effekt. Lutningsdetaljer spelar relativt liten roll inom de studerade intervallen, ett resultat som kan hjälpa till att fokusera uppmärksamheten på de mest inflytelserika designparametrarna.

Från forskningsmodell till vardagsverktyg

För att överbrygga klyftan mellan teori och praktik kapslades den bäst presterande CGB-modellen in i en enkel skrivbordsapplikation. Användare kan mata in de sju damm- och grundegenskaperna och omedelbart få en uppskattning av läckaget, antingen enstaka eller för många scenarier samtidigt. Modellens prediktioner stämde överens både med tidigare numeriska studier och med en oberoende fallstudie av Pakistans Hub-damm, och höll sig inom ungefär 10 procent av etablerade resultat över flera vattennivåer. För icke-specialister är budskapet lugnande: genom att kombinera högupplösta simuleringar, avancerad maskininlärning och tydliga förklaringar av vad som är viktigast har ingenjörer nu ett snabbt och transparent sätt att förutse hur mycket vatten som kommer att läcka genom komplexa jorddammar och att kontrollera om dessa läckage håller sig inom säkra gränser.

Citering: Sayed Ahmed, M.M., Khursheed, M.Z., Alshameri, B. et al. Estimating seepage in heterogeneous earthfill dams on permeable foundations using explainable machine learning. Sci Rep 16, 12060 (2026). https://doi.org/10.1038/s41598-026-45048-5

Nyckelord: jordfyllnadsdammar, läckage, maskininlärning, damsäkerhet, geoteknisk ingenjörskonst