ИИ научили оценивать сейсмические повреждения тоннелей на основе 1536 расчётных сценариев

Международная группа исследователей разработала методику предварительной оценки сейсмической устойчивости подземных сооружений, объединяющую конечно-элементное моделирование трещинообразования в горных породах с алгоритмами машинного обучения. Для обучения и проверки системы подготовлена база из 1536 численных сценариев, охватывающих различные инженерно-геологические условия и сейсмические воздействия. На независимой тестовой выборке регрессионная модель достигла среднего коэффициента детерминации R² = 0,979, а классификатор состояния сооружения — точности 96,9%.

Исследование опубликовано 7 октября 2026 года в журнале Scientific Reports. Авторы представляют научные организации Китая, Ирана, Саудовской Аравии и Колумбии.

Работа посвящена прогнозированию поведения подземных выработок при землетрясениях, особенно в условиях перехода между грунтовыми толщами и скальными породами.

Для таких участков характерна неоднородность механических характеристик окружающего массива. Различия жёсткости, прочности и условий распространения сейсмических волн способны приводить к неравномерным деформациям и локальному увеличению усилий в крепи или тоннельной обделке.

Дополнительное значение имеют трещиноватость пород, глубина заложения сооружения, положение уровня подземных вод и характеристики конструктивного усиления.

Поэтому оценка сейсмической безопасности тоннеля требует рассмотрения совместной работы геологической среды и подземной конструкции.

Традиционные методы основаны на численном моделировании отдельных расчётных ситуаций. В сложных задачах при этом приходится учитывать динамическое воздействие, нелинейную реакцию грунтов и пород, образование трещин и перераспределение усилий в крепи.

Проведение большого количества таких расчётов требует значительных вычислительных ресурсов.

Исследователи предложили использовать машинное обучение в качестве дополнительного инструмента, способного быстро воспроизводить зависимости, полученные в предварительно рассчитанной базе сценариев.

При этом искусственный интеллект не заменяет механическую модель, а обучается на результатах её работы.

На первоначальном этапе авторы построили двумерную конечно-элементную модель подземной выработки в программном комплексе Abaqus 2023.

Расчётная область имела размеры 200 × 120 м.

Грунтовый и скальный массив описывался плоскими четырёхузловыми элементами CPE4R. Для представления тоннельной обделки использовались балочные элементы B21, а для отдельных элементов усиления — стержневые элементы T2D2.

Развитие трещин моделировалось с использованием специальных когезионных интерфейсных элементов COH2D4.

Такая постановка позволила исследовать не только общие перемещения массива, но и развитие повреждений в заданных зонах возможного раскрытия трещин.

Перед формированием базы данных авторы проверили чувствительность результатов к размеру конечно-элементной сетки и временному шагу.

Различия по выбранным характеристикам, включая перемещения, изгибающие моменты, протяжённость трещин и радиус пластической зоны, между принятой и более подробной расчётными постановками составляли менее 1%.

После этого исследователи сформировали основной набор численных сценариев.

Он охватывал 16 групп инженерно-геологических условий, 24 записи землетрясений и четыре уровня интенсивности воздействия.

Общее количество сочетаний составило 1536.

Полученные данные использовались для прогнозирования девяти непрерывных расчётных характеристик и одной категориальной оценки устойчивости.

Таким образом, система решала две разные задачи.

Первая заключалась в прогнозе численных параметров реакции подземного сооружения, например деформационных и силовых показателей.

Вторая — в отнесении рассматриваемой ситуации к определённой категории сейсмической устойчивости.

Для проверки качества машинного обучения исследователи специально разделили исходный массив данных.

Обучающая выборка включала 1152 случая. Ещё 192 сценария использовались для проверки и настройки алгоритмов, а 192 — в качестве закрытой тестовой выборки, результаты которой не применялись при подборе модели.

Такое разделение необходимо, чтобы избежать оценки алгоритма только на тех примерах, по которым он уже подбирал свои параметры.

Дополнительно авторы сформировали отдельный набор из 128 расчётных случаев.

В него вошли восемь инженерно-геологических конфигураций и четыре записи землетрясений, идентификаторы которых не пересекались с основной выборкой.

Эта проверка была направлена на оценку способности алгоритмов работать с ранее не встречавшимися сочетаниями условий.

По итогам сравнения для прогноза непрерывных характеристик была выбрана линейная регрессия.

На закрытой тестовой выборке средний коэффициент детерминации составил 0,979.

При проверке с разделением по геотехническим группам среднее значение R² достигло 0,951.

На дополнительном наборе из 128 случаев значения R² находились в диапазоне от 0,921 до 0,960, а среднее составило 0,946.

Полученные показатели свидетельствуют о хорошем согласовании прогнозов алгоритма с результатами численного моделирования в пределах исследованного диапазона параметров.

Однако необходимо учитывать, что эталоном для этой проверки служили результаты расчётов, а не непосредственные измерения разрушений реальных тоннелей при землетрясениях.

Высокое значение R² показывает способность алгоритма воспроизводить зависимости, сформированные расчётной моделью. Оно не означает автоматически такой же точности прогноза для любого действующего сооружения.

Для классификации сейсмической устойчивости исследователи выбрали метод опорных векторов.

На основной закрытой тестовой выборке точность классификации достигла 96,9%.

Однако при проверке на дополнительной выборке, включавшей ранее не встречавшиеся инженерно-геологические и сейсмические условия, точность снизилась до 80,5%.

Этот результат особенно важен для понимания границ применимости метода.

Он показывает, что оценка алгоритма на обычном тестовом наборе может быть более благоприятной, чем при переносе на новые сочетания исходных условий.

При этом площадь под ROC-кривой на дополнительной проверке составила 0,896.

Авторы также оценивали качество вероятностных прогнозов с использованием калибровки.

Для этого были рассчитаны многоклассовая оценка Брайера и ожидаемая ошибка калибровки.

Полученные значения составили соответственно 0,319 и 0,118.

Такая проверка имеет значение в тех случаях, когда система выдаёт не только категорию состояния сооружения, но и вероятность принадлежности к ней.

Вероятностный показатель должен быть согласован с фактической частотой правильных прогнозов в проверяемых сценариях.

В противном случае высокая классификационная точность может сопровождаться чрезмерно уверенными, но недостаточно обоснованными оценками.

Отдельное направление исследования было посвящено анализу влияния исходных параметров.

Авторы применили перестановочный анализ значимости факторов, позволяющий оценивать изменение качества прогноза при нарушении связи между отдельным параметром и расчётным результатом.

Наибольшее влияние в исследованной дополнительной выборке оказал блок характеристик интенсивности сейсмического воздействия.

Следующим по значимости фактором стала глубина залегания подземных вод.

В зависимости от прогнозируемой характеристики существенную роль также играли жёсткость элементов крепи, глубина расположения выработки и плотность трещин в окружающем массиве.

Такой результат подтверждает необходимость рассматривать сейсмическую устойчивость тоннелей как комплексную задачу.

Даже при одинаковой геометрии сооружения изменение гидрогеологических условий и степени нарушенности пород может существенно влиять на его расчётную реакцию.

При этом полученная алгоритмом оценка значимости факторов относится к конкретной базе сценариев и не устанавливает универсальную иерархию опасностей для всех подземных объектов.

Для дополнительной проверки исследователи использовали лабораторные данные о свойствах материалов и опубликованные результаты центрифужных испытаний тоннельных конструкций.

Важно, что наблюдения центрифужного моделирования не включались в обучающую выборку. Они применялись отдельно для качественного сопоставления физической реакции модели.

Тем самым авторы разграничили численную проверку алгоритма и независимые экспериментальные сведения.

Однако прямой натурной верификации точности прогнозов на действующем тоннеле, подвергшемся реальному землетрясению, в опубликованной работе не представлено.

Для практической инженерной геологии исследование интересно прежде всего своей методологией.

Сначала на основе инженерно-геологических характеристик формируется механическая модель. Затем с использованием различных сочетаний условий создаётся база расчётных случаев, по которой обучается сравнительно быстрый прогнозирующий алгоритм.

В результате появляется возможность предварительно оценивать большое количество вариантов без повторного выполнения полного динамического расчёта для каждого из них.

Подобный инструмент может быть полезен на ранних стадиях анализа сейсмических рисков, при выборе участков для более детального моделирования и сравнении альтернативных конструктивных решений.

Однако окончательный проектный расчёт должен учитывать реальные характеристики массива, данные инженерных изысканий и требования нормативной документации.

Главный вывод исследования заключается в том, что машинное обучение способно достаточно точно воспроизводить результаты сложного конечно-элементного анализа в ограниченном диапазоне исходных условий.

Одновременно существенное снижение классификационной точности с 96,9 до 80,5% на дополнительной проверке показывает, насколько важно испытывать такие алгоритмы на новых инженерно-геологических ситуациях.

Поэтому предложенная система представляет интерес как инструмент предварительного сейсмического анализа подземных сооружений, но не как универсальная замена инженерным расчётам и натурным наблюдениям.