1

Машинное обучение и искусственный интеллект могут использоваться в строительстве для прогнозирования несущей способности свай. Ученые Южно-Уральского государственного университета (ЮУрГУ) установили, что прогнозы нейронной сети более точные, а также менее дорогие и времязатратные. Результаты работы опубликованы в высокорейтинговом журнале «Sustainability» (Q1).

В строительстве для поддержки структурных нагрузок на небольшой глубине используется глубокий фундамент. К примеру, с использованием свай структурная нагрузка передается на более высокие несущие пласты: осевая, боковая, подъемная нагрузка увеличивается, а осадок минимизируется.

Несущую способность сваи можно вычислить несколькими эмпирическими методами, некоторые из них недооценивают или переоценивают характеристики сваи, а также являются дорогими и времязатратными. Эксперты считают важным использовать для прогнозирования новые и эффективные вычислительные методы, такие как машинное обучение и искусственный интеллект.

Ученые из Южно-Уральского государственного университета и их иностранные коллеги предложили использовать древовидные методы машинного обучения для определения несущей способности фрикционной сваи. Древовидные модели считаются относительно новыми, их успешное применение освещено в литературе. В отличие от традиционных методов, где для расчета всегда используется эмпирическая формула, точность прогнозов нейронной сети значительно выше.

«Ключевая идея заключается в использовании данных испытаний на месте регистрации участка и данных геологоразведочных работ для прогнозирования фрикционной способности сваи с использованием древовидных методов. Кроме того, мы предложили новую процедуру выбора входных данных модели, которые могут быть использованы другими исследователями в различных областях», – объяснил PhD, старший научный сотрудник кафедры «Градостроительство, инженерные сети и системы» Архитектурно-строительного института ЮУрГУ Даниал Джахед Армагани.

В начале исследования ученые собрали данные испытаний фрикционной сваи на основе фактических измерений и записей на площадке геологоразведочных работ. 130 испытаний было проведено в районе Кепонг, Малайзия. По окончании данные интерпретировали, чтобы гарантировать, что для анализа выбрана только правильная информация.

После этого были разработаны модели машинного обучения (древовидные методы), которые будут использоваться для прогнозирования, применяя интерпретированные данные в качестве входных и выходных. Наиболее важными факторами для оценки способностей сваи были выбраны ее длина и диаметр, высота падения и вес молота, а также значения стандартного испытания на проникновение. Эти данные использовались в качестве входных для модели в различных древовидных методах, например, в дереве решений, случайном лесу и дереве с повышением градиента, для прогнозирования несущей способности фрикционной сваи.

Древовидные методы машинного обучения помогают проще и быстрее оценить способности фрикционной сваи. Результат сопоставим с фактическим измерением на объекте. Методы могут использоваться практически в других проектах для прогнозирования вместимости сваи вместо проведения соответствующих испытаний.

 

Информация и фото предоставлены Управлением медиакоммуникаций и мониторинга ЮУрГУ