An LLM-Driven Agentic Framework for Automated Seismic Soil Liquefaction Hazard Assessment Using SPT- and CPT-Based Machine Learning Models

Wenn der Boden während eines Erdbebens bebt, kann sich der Boden unter unseren Füßen manchmal wie eine Flüssigkeit verhalten. Dieses Phänomen, bekannt als Bodenverflüssigung (Soil Liquefaction), tritt auf, wenn loser, nasser Sand seine Festigkeit und Steifigkeit verliert, was dazu führt, dass Gebäude einsinken, Straßen aufbrechen und die Infrastruktur versagt. Es ist eine der zerstörerischsten Kräfte, die bei seismischen Ereignissen freigesetzt werden, und verantwortlich für katastrophale Schäden bei den großen Beben der Geschichte. Um Gemeinschaften zu schützen, müssen Ingenieure vor Baubeginn feststellen, ob der Boden an einem bestimmten Standort unter Belastung wahrscheinlich flüssig wird. Diese Bewertung stützt sich auf zwei primäre Methoden zur Untersuchung der Erde: den Standard Penetration Test (Standard-Penetrationsversuch), der misst, wie schwer es ist, einen Probennehmer in den Boden zu treiben, und den Cone Penetration Test (Kegelpenetrationsversuch), der einen Kegel durch den Boden drückt, um den Widerstand kontinuierlich zu messen. Traditionell erfordert die Interpretation dieser Tests einen Geotechnik-Ingenieur, der Daten manuell sammelt, komplexe Berechnungen durchführt und entscheidet, welche Methode anzuwenden ist – ein Prozess, der zeitaufwendig und anfällig für menschliche Fehler ist.

Ein Team von Forschern aus Indien, Australien und den USA hat ein neues System entwickelt, das darauf ausgelegt ist, diesen kritischen Sicherheitscheck schneller und zugänglicher zu machen. Sie haben ein automatisiertes Framework geschaffen, das leistungsstarke Lernmodelle für Computer mit einer hochentwickelten künstlichen Intelligenz kombiniert, die in der Lage ist, menschliche Sprache zu verstehen. Anstatt Ingenieure dazu zu zwingen, Daten in starre Tabellenblätter zu formatieren, ermöglicht dieses neue System ihnen, die Bedingungen eines Standorts in einfachem Englisch zu beschreiben. Der Computer liest dann die Beschreibung, identifiziert die notwendigen Boden- und Erdbebendaten, wählt die korrekte Berechnungsmethode aus und liefert einen klaren technischen Bericht. Das Ziel war nicht, das menschliche Urteilsvermögen zu ersetzen, sondern als intelligenter Assistent zu fungieren, der die schwere Arbeit der Datenverarbeitung und Modellwahl übernimmt, damit Experten sich auf die endgültigen Sicherheitsentscheidungen konzentrieren können.

Die Forscher begannen damit, zwei separate Computerprogramme zu lehren, wie man Verflüssigung vorhersagt. Ein Programm wurde anhand von fast 2.000 realen Fällen trainiert, in denen der Standard Penetration Test verwendet wurde, während das andere aus fast 500 Fällen lernte, die den Cone Penetration Test betrafen. Diese Programme, die auf einer Technik namens „Extreme Gradient Boosting“ basieren, lernten, die komplexen, nicht-linearen Muster zwischen Bodendichte, Wasserständen und Erdbebenintensität zu erkennen, die zum Versagen führen. Als sie mit neuen, ungesehenen Daten getestet wurden, identifizierte das Programm, das mit dem Standard Penetration Test trainiert wurde, korrekt, ob der Boden verflüssigen würde oder stabil bliebe, in 96 Prozent der Fälle. Das Programm, das mit dem Cone Penetration Test trainiert wurde, erreichte eine Erfolgsquote von 91 Prozent. Beide Systeme erwiesen sich als hochzuverlässig, wobei das Modell des Standard Penetration Test eine besondere Stärke darin zeigte, gefährliche, verflüssigungsfähige Böden zu erkennen – eine entscheidende Eigenschaft für die sicherheitskritische Technik.

Die wahre Innovation dieser Arbeit liegt darin, wie diese Vorhersagewerkzeuge mit einem Large Language Model (einem großen Sprachmodell) verbunden wurden, einer Art künstlicher Intelligenz, die darauf ausgelegt ist, menschliche Sprache zu verstehen und zu generieren. In früheren Versuchen, maschinelles Lernen in der Geotechnik einzusetzen, waren die Computermodelle isoliert; sie konnten nur funktionieren, wenn ein Mensch zuerst jede einzelne Zahl aus einem Standortbericht extrahierte und sie in einem spezifischen Format in das System einspeiste. Dieses neue Framework entfernt diese Barriere. Die Forscher bauten einen „Agenten“, einen digitalen Assistenten, der als das Gehirn des Betriebs fungiert. Wenn ein Benutzer eine natürliche Beschreibung eines Standorts eingibt – wobei Details wie Bodentiefe, die Kraft der Bodenerschütterung oder der durch eine Sonde gemessene Widerstand erwähnt werden – liest der Agent den Text, extrahiert die relevanten Zahlen und findet heraus, welches der beiden Vorhersagemodelle zu verwenden ist. Wenn die Beschreibung Daten zum Kegelwiderstand enthält, leitet er die Anfrage an das Kegelmodell weiter; wenn sie Schlagzahlen (Blow Counts) enthält, sendet er sie an das Penetrationsversuchs-Modell.

Um sicherzustellen, dass dieses System in der realen Welt funktioniert, testete das Team es mit zehn verschiedenen Szenarien, die jeweils einen einzigartigen Standortzustand beschreiben. In jedem einzelnen Fall extrahierte der Agent die erforderlichen Parameter korrekt aus dem Text und wählte das richtige Vorhersagemodell zur Ausführung aus. Er nahm dann die Rohdaten aus dem Computermodell und übersetzte sie in einen strukturierten, professionellen technischen Bericht, der das Risiko erklärte und Empfehlungen anbot. Dieser End-to-End-Workflow zeigt, dass es möglich ist, die Lücke zwischen rohen, unstrukturierten Felddaten und hochpräzisen maschinellen Lernprognosen zu schließen, ohne dass der Benutzer ein Datenwissenschaftler sein muss. Das System verwandelt eine komplexe, mehrstufige technische Analyse effektiv in ein einfaches Gespräch.

Die Forscher sind jedoch vorsichtig, die Grenzen ihrer Schöpfung zu definieren. Sie betonen, dass dieses Werkzeug als vorläufige Überprüfung und Entscheidungsunterstützung gedacht ist, nicht als endgültiger Ersatz für die traditionelle Analyse oder das professionelle Urteil. Das System ist darauf ausgelegt, potenzielle Gefahren frühzeitig zu erkennen und den ersten Überprüfungsprozess zu rationalisieren, aber es kann nicht jede einzigartige geologische Nuance oder den vollen Umfang der Geschichte eines Standorts berücksichtigen. Für Grenzfälle, in denen das Risiko unklar ist oder die Eingabedaten unvollständig sind, ist das System so programmiert, dass es eine weitere Untersuchung durch einen qualifizierten Ingenieur empfieft. Die Studie kommt zu dem Schluss, dass das automatisierte Framework zwar die Zugänglichkeit und Effizienz der seismischen Gefahrenbewertung erheblich verbessert, am besten jedoch als Partner zur menschlichen Expertise arbeitet, indem es die Routine-Datenarbeit übernimmt, damit sich Ingenieure auf die Sicherheit der Gebäude konzentrieren können, die sie bauen.