AI-förbättrad markklassificering med ofullständiga CPT-data för offshorevindpark

Varför havsbottenjordar spelar roll för vindkraft

Havsvindkraftverk står i några av jordens mest hårdföra miljöer, och deras stabilitet beror på vad som ligger dolt under vågorna: havsbottenjordarna som bär upp deras massiva fundament. Att undersöka dessa jordar på djup vatten är dyrt och ofta ofullständigt, vilket tvingar ingenjörer att fatta stora beslut med bristfällig information. Denna studie visar hur artificiell intelligens kan tolka begränsade testdata för att pålitligt klassificera havsbottenjordar och hjälpa konstruktörer att placera offshorevindverk säkrare och mer effektivt.

Från seabedtester till jordtyper

Ingenjörer sonderar vanligtvis havsbotten med konpenetrationstest (cone penetration tests), där en metalstopp pressas ner i marken samtidigt som man mäter hur hårt jorden motstår, hur mycket friktion som utvecklas längs konen och hur poretrycket i jorden förändras. Dessa mätningar tolkas traditionellt med diagram som Robertson-klassificeringen, som kopplar mönster i avläsningarna till olika jordbeteenden, som lös sand, styv lera eller blandningar däremellan. Problemet är att dessa diagram förutsätter kompletta, rena data—något som sällan uppnås när fartyg, vågor och djupt vatten komplicerar offshoreundersökningar.

Bygga ett virtuellt bibliotek över havsbottenförhållanden

För att hantera problemet med saknad information skapade forskarna först ett enormt virtuellt bibliotek av möjliga jordförhållanden i stället för att bara förlita sig på sparsamma fältprov. De använde realistiska intervall för nyckelmätningar från konen—tippmotstånd, mantelfriktion, porevattentryck och spänningar i marken—för att generera mer än 200 000 syntetiska testrapporter. Dessa poster översattes sedan till jordbeteendezoner med hjälp av Robertson-diagrammet, vilket effektivt parade varje simulerat test med en jord ”etikett”. Genom att sampelera både jämnt över intervallen och enligt realistiska statistiska mönster säkerställde de att detta syntetiska bibliotek täckte allt från mycket mjuka leror till täta sand- och gruslager.

Att lära maskiner att läsa havsbotten

Med detta syntetiska bibliotek i handen tränade teamet flera maskininlärningsmodeller för att förutsäga jordbeteende direkt från konens testinmatningar. De testade slumpmässiga skogar (random forests), neurala nätverk, supportvektormetoder och beslutsträd, och finjusterade noggrant varje modells interna inställningar. Bland dem utmärkte sig random forest-modellen, som matchade Robertson-baserade jordzoner med nästan perfekt numerisk överensstämmelse och uppnådde över 92 % noggrannhet när dess förutsägelser senare konverterades till en standard jordklassificering. Modellens interna kontroller visade att konenspetsmotstånd, mantelfriktion och effektiv vertikalspänning var de mest inflytelserika indata—vilket överensstämmer med långvarig geoteknisk förståelse och tyder på att modellen lärde sig verklig fysik snarare än slumpmässiga mönster.

Hålla sig exakt när data saknas

Det avgörande testet var om AI fortfarande kunde prestera bra när vissa mätningar saknades, vilket imiterar verkliga offshoreundersökningar där utrustning kan fallera eller vissa sensorer inte används. Forskarna tog systematiskt bort varje indata i tur och ordning och ersatte den med osäkra värden, och körde sedan modellen upprepade gånger i en Monte Carlo-ansats för att se hur noggrannheten förändrades i genomsnitt. När de mest kritiska indata—konmotstånd, mantelfriktion eller effektiv spänning—saknades sjönk noggrannheten avsevärt, vilket bekräftade deras betydelse. Men när andra parametrar som porevattentryck eller totalspänning saknades behöll modellen ändå hög noggrannhet, ofta över 90 %. Detta visar att ramverket kan fortsätta leverera användbara jordklassificeringar även när delar av konens testrapport är ofullständiga.

Bevisa metoden i verkliga offshorevindparker

För att gå bortom virtuella data testade teamet sin tränade random forest-modell på 229 808 faktiska konprovningsposter från 99 borrhål vid offshorevindparksplatser i Taiwan och Nederländerna. Ingen av dessa verkliga mätningar användes vid träningen. AIns förutsägelser av jordbeteende jämfördes med oberoende klassificeringar baserade på ett allmänt använt ingenjörssystem som grupperar jordar efter kornstorlek och plasticitet. Modellen matchade korrekt dessa klassificeringar i över 92 % av fallen och överträffade flera befintliga maskininlärningsmetoder. Upprepade simuleringar visade också att förutsägelserna föll inom ett snävt 95 % konfidensintervall, vilket indikerar stabilt och pålitligt beteende.

Vad detta betyder för framtidens offshorevind

För icke-specialister är slutsatsen att studien erbjuder en smart assistent för att läsa havsbotten. I stället för att ersätta etablerade ingenjörsdiagram utökar AI-ramverket dem till röriga, verkliga situationer där data är ofullständiga eller ofullkomliga. Genom att lära sig från ett noggrant utformat syntetiskt bibliotek och sedan bevisa sig på stora offshore-dataset erbjuder metoden ett praktiskt sätt att snabbt och konsekvent klassificera seabedjordar. Detta kan minska kostsamma kompletterande undersökningar, stödja säkrare grundläggningsdesigner och i slutändan hjälpa fler offshorevindprojekt att komma online med större trygghet i vad som finns under varje turbin.

Citering: Ku, CY., Wu, TY., Liu, CY. et al. AI-enhanced soil classification with incomplete CPT data for offshore wind farm. Sci Rep 16, 10589 (2026). https://doi.org/10.1038/s41598-026-46356-6

Nyckelord: offshorevind, havsbottenjordar, konpenetrationstest, maskininlärning, grundläggningsdesign