Physics-guided explainable machine learning and uncertainty quantification for predicting unconfined compressive strength of nano shale–quicklime stabilized kaolin clay

Der Boden unter unseren Füßen ist selten einheitlich. An vielen Stellen ist der Boden weich, feucht und neigt zu Verschiebungen, was ihn zu einem schlechten Fundament für Straßen, Gebäude oder Brücken macht. Ingenieure wissen seit langem, wie man dies behebt, indem man die schwache Erde mit Stabilisierungsmitteln wie Kalk oder Zement mischt. Diese Zusatzstoffe lösen chemische Reaktionen aus, die die Bodenpartikel miteinander verbinden und so das weiche Gemisch in ein festes, belastbares Material verwandeln. Es ist jedoch ein langsamer, teurer Prozess herauszufinden, wie viel Stabilisierungsmittel genau verwendet werden muss und wie lange man warten muss, bis der Boden ausgehärtet ist. Dies erfordert das Anmischen dutzender verschiedener Chargen im Labor, das Warten von Wochen auf deren Aushärtung und das anschließende Zerdrücken, um die Festigkeit zu messen. Für jede neue Art von Boden oder jede Änderung im Rezept muss dieser Zyklus wiederholt werden, was Zeit und Ressourcen verbraucht, die besser für das Bauen eingesetzt werden könnten.

Ein Forschungsteam hat einen neuen Weg entwickelt, um diesen Prozess zu beschleunigen, ohne die Genauigkeit zu opfern. Sie haben ein Computermodell entwickelt, das als hochqualifizierter Prädiktor fungiert und aus vergangenen Experimenten lernt, um die Festigkeit zukünftiger Bodenmischungen vorherzusagen. Aber anstatt den Computer nur mit Rohdaten zu füttern, brachten die Forscher ihm bei, wie ein Geotechniker zu denken. Sie bauten das Modell mit „physikgeleiteten“ Merkmalen auf, was bedeutet, dass sie dem Computer Beschreibungen gaben, die die tatsächlichen physikalischen und chemischen Prozesse im Boden widerspiegeln, wie etwa die Art und Weise, wie der Bindemittelstoff mit der Zeit interagiert und wie sich die natürliche Plastizität des Bodens verändert. Dieser Ansatz ermöglicht es dem Modell, das „Warum“ hinter der Festigkeit zu verstehen, nicht nur das „Was“. Das Ergebnis ist ein Werkzeug, das potenzielle Bodenmischungen schnell und zuverlässig prüfen kann, wodurch Ingenieure entscheiden können, welche Kombinationen es wert sind, im Labor getestet zu werden und welche wahrscheinlich scheitern werden, während es gleichzeitig eine klare Erklärung liefert, warum eine bestimmte Mischung voraussichtlich gut funktionieren wird.

Die Forscher konzentrierten sich auf eine spezifische Art der Bodenbehandlung mit Kaolin-Ton, einem häufigen schwachen Boden, der mit zwei Materialien stabilisiert wurde: Nano-Schiefer, einem fein gemahlenen Gesteinspulver, und Branntkalk, einer reaktiven Form von Calciumoxid. Sie begannen mit einer Datenbank von 180 einzelnen Labormessungen aus 36 verschiedenen Mischungsdesigns. Jedes Design variierte die Menge an verwendetem Nano-Schiefer und Kalk sowie die Anzahl der Tage, die der Boden zur Aushärtung hatte. Das Ziel war es, die einaxiale Druckfestigkeit vorherzusagen, ein Standardmaß dafür, wie viel Druck der Boden aushalten kann, bevor er bricht. Um dies zu erreichen, testeten sie mehrere verschiedene Arten von Algorithmen des maschinellen Lernens, die von einfachen linearen Gleichungen bis hin zu komplexen künstlichen neuronalen Netzen und fortgeschrittenen baumbasierten Modellen reichten. Sie teilten die Daten nicht einfach in zufällige Trainings- und Testgruppen auf – eine gängige Praxis, die manchmal Fehler in einem Modell verbergen kann. Stattdessen verwendeten sie eine rigorose Methode namens verschachtelte Gruppen-Kreuzvalidierung (nested group cross-validation). Dies stellte sicher, dass das Modell an völlig neuen Mischungsdesigns getestet wurde, die es zuvor noch nie gesehen hatte, um zu verhindern, dass es lediglich die Ergebnisse ähnlicher Proben auswendig lernt und eine falsche Genauigkeit vorgaukelt.

Nach dem Training und Testen dieser Modelle stellten die Forscher fest, dass ein spezieller Algorithmus namens CatBoost am besten abschnitt, aber nur, nachdem sie die Informationen, die er erhielt, verfeinert hatten. Ursprünglich gaben sie dem Modell sieben konstruierte Merkmale, die die Physik des Stabilisierungsprozesses erfassen sollten, wie etwa die Gesamtmenge des Bindemittels und wie dieses Bindemittel mit der Zeit der Aushärtung interagierte. Durch einen sorgfältigen Prozess des schrittweisen Entfernens von Merkmalen entdeckten sie, dass einer dieser Eingabewerte tatsächlich redundant war und das Modell verwirrte. Durch das Entfernen dieses Merkmals schufen sie eine optimierte Version mit sechs Schlüssel-Deskriptoren, die den Gesamtbindestoffgehalt, die Interaktion zwischen dem Nano-Schiefer und den Tagen der Aushärtung sowie ein Maß für die relative Plastizität des Bodens enthielten. Dieses verfeinerte Modell, das sie CatBoost-6PG nannten, erreichte ein hohes Maß an Genauigkeit und sagte die Festigkeit der Bodenmischungen mit einer Fehlermarge von etwa 151 Kilopascal korrekt voraus. Diese Leistung war signifikant besser als die der einfacheren Modelle und übertraf sogar die komplexeren Modelle, die keine physikbasierten Eingaben verwendeten.

Der wahre Wert dieser Arbeit liegt jedoch in ihrer Transparenz. Die Forscher hörten nicht bei einer guten Vorhersage auf; sie wollten verstehen, was das Modell tatsächlich lernte. Mithilfe einer Technik namens SHAP-Analyse kartierten sie, welche Faktoren am wichtigsten waren. Sie fanden heraus, dass das Modell korrekt identifizierte, dass der Plastizitätsindex des Bodens – ein Maß dafür, wie viel Wasser der Boden halten kann, bevor er klebrig wird – der kritischste Faktor war. Hohe Plastizität führte konsistent zu niedrigeren Festigkeitsprognosen, was perfekt mit der etablierten Bodenmechanik übereinstimmt. Das Modell lernte auch, dass der Zeitverlauf entscheidend war, wobei längere Aushärtungsperioden zu einem stärkeren Boden führten, und dass die Interaktion zwischen dem Bindemittel und der Zeit der Aushärtung wichtiger war als die Menge des Bindemittels allein. Beispielsweise zeigte das Modell, dass das Hinzufügen von mehr Nano-Schiefer nur dann half, wenn genügend Zeit für die chemischen Reaktionen vorhanden war. Diese Erkenntnisse bestätigen, dass das Modell nicht nur statistische Muster findet, sondern die realen physikalischen Mechanismen der Bodenstabilisierung erfasst.

Um sicherzustellen, dass die Vorhersagen vertrauenswürdig waren, quantifizierte das Team auch die Unsicherheit, also den Bereich der möglichen Ergebnisse, für jede Vorhersage. Sie simulierten tausende von Szenarien, in denen die Eingangswerte, wie die exakte Menge an Kalk oder die Aushärtungszeit, leicht variiert wurden, um reale Unvollkommenheiten nachzuahmen. Sie fanden heraus, dass die größte Quelle der Unsicherheit in der Variabilität der Eingangsmaterialien selbst lag und nicht in den internen Berechnungen des Modells. Wenn sie diese Variabilität berücksichtigten, lieferte das Modell ein Vorhersageintervall, das fast 90 Prozent der tatsächlichen Testergebnisse abdeckte. Das bedeutet, dass das Modell zwar eine spezifische Zahl für die erwartete Festigkeit liefert, aber auch eine Sicherheitsmarge angibt, die dem Ingenieur mitteilt, wie stark dieser Wert in der Realität schwanken könnte. Dies ist ein wesentliches Merkmal für das Ingenieurwesen, in dem Sicherheit von der Kenntnis der Grenzen einer Vorhersage abhängt.

Die Studie untersuchte auch, wie nützlich das Modell in den sehr frühen Stadien eines Projekts wäre, wenn Ingenieure möglicherweise noch keine detaillierten Daten über die Verdichtungseigenschaften oder die Plastizitätsgrenzen des Bodens haben. Sie testeten das Modell unter Verwendung nur der grundlegenden Mischungsdesign-Variablen: die Mengen an Nano-Schiefer und Kalk sowie die Aushärtungszeit. Obwohl das Modell mit diesen begrenzten Informationen immer noch eine grobe Schätzung abgeben konnte, sank seine Genauigkeit erheblich. Dieser Befund ist praktisch und ehrlich: Das Modell ist kein Ersatz für Labortests, sondern ein mächtiges Werkzeug, um diese zu leiten. Es kann Ingenieuren helfen, die Liste der vielversprechendsten Mischungen einzugrenzen, was Zeit und Geld spart, aber es stützt sich für seine genauesten Vorhersagen weiterhin auf die grundlegenden Bodeneigenschaften.

Letztendlich bietet diese Forschung eine Brücke zwischen Rohdaten und ingenieurtechnischer Intuition. Durch die Kombination von maschinellem Lernen mit einem tiefen Verständnis der wirkenden physikalischen Prozesse haben die Forscher ein Werkzeug geschaffen, das sowohl präzise als auch erklärbar ist. Es behandelt den Boden nicht als „Black Box“, sondern lernt die Regeln, wie Bindemittel, Zeit und Bodeneigenschaften interagieren, um Festigkeit zu erzeugen. Dieser Ansatz ermöglicht einen effizienteren Designprozess, bei dem Ingenieure Mischungen mit Zuversicht prüfen und ihre Ressourcen auf die Kombinationen konzentrieren können, die am wahrscheinlichsten erfolgreich sein werden. Die Arbeit zeigt, dass künstliche Intelligenz, wenn sie von den Gesetzen der Physik geleitet wird, ein zuverlässiger Partner bei der Lösung komplexer ingenieurtechnischer Herausforderungen sein kann und Klarheit und Vertrauen bei der Konstruktion der Strukturen bietet, die unser tägliches Leben unterstützen.