Datadriven prediktion av last–sättningsbeteende hos mikropål-rafter med maskininlärning och Monte Carlo-simulering

Varför små pålar under stora byggnader spelar roll

Moderna städer är beroende av djupa grundläggningar för att hålla byggnader stabila, även när de står på mjuk lera som långsamt kan komprimeras och sätta sig. Ingenjörer vänder sig i allt större utsträckning till mycket slanka pålar, kallade mikropålar, i kombination med en plan betongplatta för att trycktåligt bära laster där utrymmet är begränsat eller markförhållandena är svåra. Denna studie undersöker hur data och artificiell intelligens kan hjälpa till att förutsäga hur mycket sådana mikropål-raftar kommer att sjunka under last, vilket ger konstruktörer ett snabbare och mer tillförlitligt sätt att bedöma säkerhet och långtidsprestanda.

Små pålar, stort bärande stöd

En mikropål-raftgrund kombinerar en tjock betongplatta med många tunna, armerade pålar borrade djupt ner i marken. Även om varje påle bara är några centimeter i diameter, kan de tillsammans stödja stora byggnader samtidigt som sättningen hålls liten. De är särskilt användbara i mjuk lera, där traditionella grundläggningar nära markytan skulle sjunka för mycket. Systemets beteende är komplicerat eftersom ramen, de klustrade mikropålarna och den omgivande jorden alla samverkar. Faktorer som pålens längd och avstånd, plattans storlek och tjocklek samt lerans hållfasthet påverkar hur lasten fördelas och hur mycket marken komprimeras vid olika belastningsnivåer.

Att bygga en omfattande testdatabas

För att studera detta beteende sammanställde författaren en databas med 480 experimentella fall hämtade från tidigare laboratorietester och storskaliga fältmätningar på mikropål-raftar i kohesiva jordar. För varje fall innehåller data geometrin hos raften, storlek, antal och arrangemang av mikropålar, lerans hållfasthet och den applicerade lasten, tillsammans med uppmätt sättning. Genom att hålla lerförhållandena relativt kontrollerade samtidigt som grundläggningslayouten varierats fokuserar datasetet på hur konstruktionsval påverkar prestanda. Detta gör det väl lämpat för att träna datorbaserade modeller som kan lära sig subtila samband mellan grundutformning, jordegenskaper och resulterande markrörelser.

Träna maskiner att tolka marken

Studien jämför sex populära maskininlärningsmetoder för att se vilken som bäst förutsäger sättning utifrån de tillgängliga indatat. Dessa inkluderar träd-baserade tekniker som random forests och boosting-metoder, en närme-baserad metod samt två kärnbaserade metoder: supportvektorregering och Gaussisk processregression. Alla modeller finjusteras noggrant med Bayesian optimering och korsvalidering för att undvika beroende av en bekväm men missvisande uppsättning parametrar. Deras prestanda bedöms med flera felmått och visuella kontroller som jämför predicerade och uppmätta sättningar över många olika lastnivåer. Även om de flesta modeller passar träningsdata mycket väl, har många av dem svårt att generalisera till helt nya fall.

Varför en modell utmärker sig

Gaussisk processregression framträder som det mest tillförlitliga verktyget i denna jämförelse. Den fångar det krökta, icke-linjära sambandet mellan last och sättning utan att enbart memorera tidigare resultat. På testdata som modellen aldrig sett tidigare behåller den hög noggrannhet med låg medelfel i millimeter. Den ger också konfidensband kring varje prediktion som visar hur säker modellen är i olika situationer. För att undersöka detta vidare matas modellen med tusentals lätt varierade indata via Monte Carlo-simulering, vilket efterliknar små osäkerheter i dimensioner och jordstyrka. Den resulterande spridningen av predicerade sättningar förblir snäv, och de medelvärdespredicerade last–sättningskurvorna följer mycket väl de som mätts i experimenten.

Vilka faktorer som väger tyngst

Utöver ren noggrannhet analyserar studien hur modellen fattar sina beslut med ett tolkningsverktyg kallat SHAP. Denna analys visar att den mest inflytelserika faktorn är den applicerade lasten själv, följd av pållängd och raftens bredd, som tillsammans styr hur krafter överförs till marken. Antalet och avståndet mellan pålarna spelar också en roll, men i mindre grad inom det testade intervallet. Lerans hållfasthet och raftens tjocklek framstår mindre framträdande i den statistiska rangordningen eftersom de är starkt korrelerade i det tillgängliga materialet, inte för att de saknar fysisk betydelse. Sammantaget överensstämmer rangordningen av inflytelserika egenskaper väl med långvarig ingenjörssyn på hur grundläggningar beter sig i mjuk lera.

Vad detta innebär för framtida utformningar

Arbetet visar att noggrant finjusterad maskininlärning, särskilt Gaussisk processregression i kombination med Monte Carlo-simulering, kan erbjuda ingenjörer ett praktiskt verktyg för att förutsäga hur mikropål-raftar kommer att sätta sig under olika laster samtidigt som osäkerheten i dessa prediktioner kvantifieras. För nu är resultaten starkast inom de kontrollerade förhållandena i laboratorie- och utvalda fälttester, och studien efterlyser fler fullskaliga data och ett bredare spektrum av jordtyper. Ändå visar ramverket hur datadrivna modeller och traditionell geoteknisk förståelse kan samverka för att skapa säkrare och mer effektiva grundlösningar på utmanande mark.

Citering: El Gendy, M. Data-driven prediction of micro-piled raft load–settlement using machine learning and Monte Carlo simulation. Sci Rep 16, 16180 (2026). https://doi.org/10.1038/s41598-026-54119-6

Nyckelord: mikropål-raftgrunder, maskininlärning, Gaussisk processregression, last–sättningsbeteende, Monte Carlo-simulering