Förutsägelse av dukinjiceringens volym med en bayesianskt optimerad stacking-ensemblemodell och SHAP-analys

Varför det är viktigt att förutsäga dold cementarbete

Djupt under dammar och tunnlar injicerar ingenjörer flytande cement i sprickor i berggrunden för att förhindra att vatten läcker igenom. Denna process, kallad injicering eller grouting, är kostsam och svår att se direkt, så arbetare måste uppskatta hur mycket grout som ska pumpas i varje borrhål. Gissar man för lite kan vatten fortfarande sippra igenom; gissar man för mycket slösas pengar, material och tid. Denna studie visar hur moderna dataverktyg kan hjälpa ingenjörer att förutsäga rätt mängd grout mer tillförlitligt innan arbetet påbörjas.

Täta sprickor under stora vattenprojekt

Stora dammar och underjordiska kaviteter är beroende av dukar av härdad grout för att blockera de underjordiska vägar som vatten annars skulle använda för att fly. Arbetare borrar många hål i berget och pumpar in cementslam, men berget under ytan är oregelbundet, med sprickor som varierar i storlek och förbindelser. Eftersom processen är dold och förhållandena varierar från plats till plats har det länge varit en stor utmaning för säker utformning och kostnadskontroll i stora vatten- och vattenkraftsprojekt att förutsäga vilken volym grout varje hål kommer att behöva.

Från tumregler till att lära av data

I årtionden har ingenjörer använt förenklade formler, jämförelser med tidigare projekt eller datorbaserade simuleringar av fluidflöde för att uppskatta groutanvändning. Dessa angreppssätt hjälpte men hade ofta svårt när de ställdes inför komplicerat verkligt berg och brusiga fältmätningar. I denna studie vänder sig författarna istället till maskininlärning, som lär sig mönster direkt från data. De samlade 778 verkliga injiceringsposter från ett stort vattenprojekt i Xinjiang, där varje post beskriver förhållandena vid ett borrhål: dess plats i borrordningen, djup, längd på den behandlade sektionen, hålets bredd, hur lätt vatten flödade genom berget tidigare, startblandningen av vatten och cement samt det tryck som användes vid injiceringen. Det utfall som skulle förutsägas var den faktiska volym grout som pumpades.

Att blanda flera smarta modeller till en

I stället för att förlita sig på en enda algoritm använde teamet en strategi kallad stacking, som låter flera olika prediktionsmodeller samarbeta. Tre datorbaserade modeller som är särskilt bra på att hantera komplexa mönster i tabulära data valdes som första lager. Var och en granskade samma sju indatafaktorer och producerade sin egen uppskattning av injicerad volym. En enkel men noggrant kontrollerad regressionsmodell tog sedan dessa tre uppskattningar och blandade dem till en slutlig prediktion. För att säkerställa att varje modell använde sina interna inställningar så effektivt som möjligt vände sig forskarna till bayesiansk optimering, en metod som systematiskt utforskar och finjusterar många kombinationer av inställningar på ett data-drivet sätt i stället för genom trial-and-error.

Kontroll av noggrannhet och att öppna svart lådan

För att testa sitt tillvägagångssätt jämförde författarna stackingmodellen med dess tre individuella komponentmodeller, både före och efter finjustering. De mätte hur väl förutsägelser matchade verkliga injiceringsvolymer med hjälp av standardiserade felmått. Den stackade modellen med bayesiansk fininställning presterade bäst och förklarade ungefär 92 procent av variationen i injiceringsvolym samtidigt som medelfelen hölls relativt små.

Vad detta betyder för praktisk injicering

Studien slår fast att en noggrant finjusterad, staplad maskininlärningsmodell kan ge mer exakta och stabila förutsägelser av injicerad volym än individuella modeller eller äldre regelbaserade metoder, åtminstone för det undersökta projektet. Genom att kvantifiera vilka förhållanden som betyder mest och hur de samverkar kan angreppssättet hjälpa ingenjörer att planera borr- och pumpstrategier, fördela material och hantera risker mer effektivt i komplexa markförhållanden. Modellens överförbarhet till andra platser kräver visserligen fortsatt testning och anpassning, men den erbjuder en praktisk väg mot datadriven kontroll av denna viktiga men till stor del dolda del av damm- och tunnelbyggen.

Citering: Ma, Y., Yuan, Z., Xiong, B. et al. Curtain grouting volume prediction using a Bayesian-optimized stacking ensemble model with SHAP analysis. Sci Rep 16, 15374 (2026). https://doi.org/10.1038/s41598-026-45538-6

Nyckelord: dukinjicering, förutsägelse av injiceringsvolym, maskininlärning, bayesiansk optimering, SHAP-analys