ИИ научили пересчитывать прогноз деформаций глубокого котлована по данным мониторинга за секунды

Исследователи разработали AI-версию наблюдательного метода для глубоких котлованов, которая объединяет инженерные изыскания, вероятностное моделирование грунтов и данные мониторинга в едином цикле. По мере разработки котлована система получает новые измерения и автоматически уточняет прогноз деформаций следующих этапов строительства.

Работа опубликована в сентябрьском выпуске Tunnelling and Underground Space Technology. Авторы — Hua-Ming Tian, Yu Wang, Dian-Qing Li и Yong-Jian Huang. Метод проверяли на реальном глубоком котловане в Гуанчжоу.

Обычный расчёт глубокого котлована сталкивается с фундаментальной проблемой: даже детальные инженерно-геологические изыскания дают информацию только в отдельных точках. Между скважинами положение слоёв и параметры грунта приходится интерполировать, а фактическая неоднородность массива становится одним из основных источников неопределённости.

В предложенной системе эту неопределённость не пытаются скрыть одним «расчётным» разрезом. На стадии проектирования машинное обучение строит множество вероятностных вариантов геологического строения и пространственного распределения характеристик грунтов. Для тестового объекта точность восстановления стратиграфии по ограниченному набору исходных данных достигла 86,2%.

В расчёт одновременно закладываются неопределённости, связанные не только с геологией, но и с ограждением котлована и последовательностью производства работ. Полученные варианты пропускают через серию случайных конечно-элементных расчётов.

В результате проектировщик получает не одну линию ожидаемых перемещений, а вероятностный диапазон поведения конструкции на каждой стадии разработки котлована — например, возможные перемещения ограждения, усилия в распорной системе и другие контролируемые параметры.

Главная особенность метода проявляется уже во время строительства. После каждого этапа в систему поступают реальные данные мониторинга. Авторы используют Bayesian dictionary learning — байесовское словарное обучение, которое сопоставляет фактическое поведение объекта с предварительно рассчитанным массивом сценариев.

По ранним измерениям система определяет, какие варианты модели лучше всего соответствуют реальному объекту, и пересчитывает прогноз для следующих стадий котлована.

В тестовом проекте добавление данных мониторинга ранних этапов повысило точность прогнозирования последующих стадий на 24,5–89,5% в зависимости от типа контролируемого параметра. При этом обновление прогноза занимало менее 10 секунд.

Именно скорость здесь принципиальна. Наблюдательный метод предполагает, что проектные решения можно корректировать непосредственно в ходе строительства, если фактическое поведение грунтов и конструкций отличается от прогноза. Однако классический пересчёт сложной геотехнической модели после получения новых измерений может занимать слишком много времени для оперативного решения на площадке.

Предложенная схема фактически превращает мониторинг из системы сигнализации в инструмент постоянной калибровки расчётной модели.

Например, если на ранней стадии фактическое перемещение стены оказывается ближе к верхней границе первоначального прогноза, система не просто фиксирует превышение определённого порога. Она использует эти данные для изменения вероятностного прогноза поведения стены и распорной системы при дальнейшем углублении котлована.

Для глубоких городских котлованов такой подход особенно актуален. Их глубина нередко достигает 20–40 м, а площадь — более 100 тыс. м². При этом рядом могут находиться здания, тоннели метро и насыщенная сеть подземных коммуникаций. Ошибка в прогнозе перемещений ограждения поэтому может переходить в деформации окружающей застройки.

Авторы также обращают внимание на обратную проблему — слишком консервативное проектирование. Из-за неопределённости геологических условий проектировщики могут завышать толщину «стены в грунте», число распорок и другие элементы крепления. Наблюдательный метод позволяет корректировать решения по фактическому поведению массива, но только если расчёт можно достаточно быстро обновлять.

Новая система объединяет этот процесс в замкнутый цикл:

инженерные изыскания → вероятностная геологическая модель → конечно-элементные расчёты → строительство → мониторинг → обновление модели → новый прогноз следующей стадии.

При этом авторы не считают метод полностью автономным. Точность геологической модели всё ещё зависит от качества и репрезентативности исходных изысканий, а перевод результатов SPT в расчётные характеристики грунта основан на эмпирических зависимостях и сам содержит неопределённость.

Тем не менее работа показывает одно из наиболее практических направлений применения ИИ в геотехнике: не замену расчётчика нейросетью, а оперативное уточнение физической модели реального сооружения по фактическим данным мониторинга.