⚡ electrical engineering

(FEM-ML) Hybrid models to predict the lateral pile cap displacement under quasi-static load

Deze studie stelt een nieuw hybride raamwerk voor dat de eindelementenmethode (FEM) combineert met kunstmatige intelligentie, specifiek gebruikmakend van een door Particle Swarm Optimization getunede Gradient Boosting Regressor en Evolutionary Polynomial Regression, om de laterale verplaatsing van enkelvoudige en gegroepeerde palen onder quasi-statische belastingen nauwkeurig te voorspellen, waardoor de beperkingen van traditionele methoden bij het vastleggen van complexe niet-lineaire bodem-structuurinteracties worden overwonnen.

Oorspronkelijke auteurs: Yossef E. Teleb, Mahmoud S. Hammad, Ahmed M. Ebid, Abdel Salaam Ahmed Mokhtar, Mohamed Gamaleldeen Elsayem

Gepubliceerd 2026-07-03

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yossef E. Teleb, Mahmoud S. Hammad, Ahmed M. Ebid, Abdel Salaam Ahmed Mokhtar, Mohamed Gamaleldeen Elsayem

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Probleem: Voorspellen hoeveel een Gebouw zal Wiegelen

Stel je voor dat je een wolkenkrabber of een brug bouwt. Deze constructies hebben diepe wortels nodig, genaamd palen, om overeind te blijven staan. Soms duwen sterke winden of aardbevingen deze gebouwen zijwaarts. Ingenieurs moeten precies weten hoeveel de bovenkant van het gebouw (de "paalkop") zal wiegelen of verschuiven voordat het gevaarlijk wordt.

Traditioneel hebben ingenieurs twee manieren om dit uit te zoeken:

De "Vuistregel"-methode: Snel en gemakkelijk, maar vaak te simpel. Het is als het weer voorspellen door naar de lucht te kijken; het werkt soms, maar het mist de complexe details.
De "Supercomputer"-methode (FEM): Deze gebruikt krachtige natuurkundige simulaties om elke korrel grond en elke barst in het beton te modelleren. Het is ongelooflijk nauwkeurig, maar het is alsof je een cake probeert te bakken door elk molecuul meel te meten. Het duurt eeuwig en kost veel rekenkracht.

De auteurs van dit paper wilden een "Goldilocks"-oplossing vinden: een methode die zo snel is als de vuistregel, maar zo nauwkeurig als de supercomputer.

De Oplossing: Een Hybride "Chef en Sous-Chef" Team

De onderzoekers creëerden een hybride model dat twee werelden combineert: Finite Element Modeling (FEM) en Artificiële Intelligentie (AI).

Denk hierbij aan een luxe keuken in een restaurant:

De FEM (De Meesterchef): Dit is de expert die de natuurkunde perfect begrijpt. Zij bereiden de "perfecte" maaltijden (simulaties) om precies te begrijpen hoe de grond en het beton reageren. Echter, de Meesterchef is traag en duur om in te huren.
De AI (De Sous-chef): Dit is een snelle leerling. De onderzoekers lieten de Meesterchef 450 verschillende "maaltijden" (simulaties) bereiden met verschillende ingrediënten (soorten grond, paalgrootte, afstand tussen de palen). De AI keek naar deze 450 maaltijden, leerde de patronen herkennen en maakte vervolgens zijn eigen receptenboek aan.

Zodra de AI de patronen heeft geleerd, kan hij het resultaat van een nieuwe maaltijd direct voorspellen, zonder dat de Meesterchef de maaltijd opnieuw hoeft te bereiden.

Hoe Ze Het Deden (Het Recept)

1. De Trainingsfase (Het bereiden van de 450 Maaltijden)
Het team gebruikte een computerprogramma (PLAXIS 3D) om 450 verschillende scenario's te simuleren. Ze veranderden de ingrediënten:

Grond: Zachte klei versus hard zand.
Paalgroepen: Een enkele paal versus een groot rooster van palen (zoals een 2x2 of 6x6 opstelling).
Belastingen: Hoe zwaar het gebouw is en hoe hard de wind duwt.
Betonbarsten: Ze modelleerden specifiek hoe beton barst onder druk, wat het zwakker maakt (zoals een droog takje dat knapt).

2. De Magische Transformatie
De ruwe data van deze simulaties was rommelig, zoals een enorme berg ongesorteerde ingrediënten. Om het voor de AI makkelijk te maken om te leren, veranderden ze de complexe curves van "belasting vs. wiegelen" in twee eenvoudige getallen:

Initiële Stijfheid: Hoe moeilijk het is om de paal te beginnen te bewegen (zoals het duwen van een zware auto vanuit stilstand).
Ultieme Draagkracht: Hoeveel kracht er nodig is om het systeem te breken (zoals het duwen van de auto totdat de banden klappen).

3. Het AI-leertraject (De Sous-chef wordt slim)
Ze voerden deze twee getallen in verschillende soorten AI-"hersenen" om te zien welke het beste leerde:

Lineaire Regressie: Een simpele, rechte lijn-gok (te simpel).
Neurale Netwerken & Support Vector Machines: Complexe "black boxes" die moeilijk te begrijpen zijn.
Gradient Boosting (GBR): Dit bleek de sterstudent te zijn. Het was als een detective die de aanwijzingen één voor één onderzocht en zijn fouten corrigeerde totdat hij het antwoord bijna perfect had.

Het Resultaat: Het AI-model (GBR) was ongelooflijk nauwkeurig. Het voorspelde de wiebel met een correlatie van bijna 99%. Het was zo goed dat het het antwoord in een fractie van een seconde kon voorspellen, terwijl de natuurkundige simulatie uren duurde.

Het Begrijpen van de "Black Box"

Eén probleem met AI is dat het vaak een "black box" is—het geeft een antwoord, maar je weet niet waarom. Ingenieurs vertrouwen zaken die ze niet kunnen verklaren niet.

Om dit op te lossen, gebruikten de onderzoekers een hulpmiddel genaamd SHAP. Denk aan SHAP als een vertaler die het denkproces van de AI uitlegt. Het vertelde hen:

Geometrie is Koning: Het aantal palen en de afstand tussen hen bepaalt het meest hoeveel gewicht de groep kan dragen.
Grond is Koningin: Het type grond (hoe stijf of plakkerig het is) is het belangrijkst voor hoeveel de paal in eerste instantie wiebelt.
Verticale Belasting: Het plaatsen van meer gewicht naar beneden op de paal helpt de paal juist om zijwaartse druk beter te weerstaan (zoals het indrukken van een veer het moeilijker maakt om hem omver te duwen).

De "Magische Formule" (EPR)

Hoewel de AI geweldig was in het voorspellen, wilden de onderzoekers ook een formule die ingenieurs op papier kunnen schrijven. Ze gebruikten een methode genaamd Evolutionary Polynomial Regression (EPR).

Stel je voor dat de AI probeert een gedicht te schrijven. EPR is als een hulpmiddel dat de complexe gedachten van de AI neemt en deze omzet in een eenvoudige, leesbare zin (een wiskundige vergelijking).

Waarom dit belangrijk is: Ingenieurs kunnen nu deze specifieke vergelijking gebruiken om de wiebel van een paalgroep te berekenen zonder een supercomputer of een "black-box" AI nodig te hebben. Het overbrugt de kloof tussen hoogtechnologische AI en traditionele ingenieurswiskunde.

Wat Ze Hebben Ontdekt (De Kernboodschap)

Barsten Doen Er Toe: Voor lange palen is het feit dat beton barst een grote zaak. Als je de barsten negeert, zal je model denken dat de paal stijver is dan hij in werkelijkheid is.
Groepseffect: Palen in een groep gedragen zich niet alleen als individuele palen; ze interageren met elkaar. Als ze te dicht bij elkaar staan, "schaduwen" ze elkaar, waardoor de groep minder efficiënt wordt. De AI leerde precies hoe dit berekend moet worden.
Snelheid vs. Nauwkeurigheid: Het hybride model is het beste van beide werelden. Het geeft de nauwkeurigheid van de trage natuurkundige simulatie, maar draait zo snel als een eenvoudige rekenmachine.

Beperkingen (De Kleine Lettertjes)

De auteurs zijn eerlijk over wat hun model nog niet kan:

Het "Plateau"-probleem: Als de kracht die de paal duwt extreem hoog is (voorbij wat ze gesimuleerd hebben), stopt de AI met nauwkeurig voorspellen en geeft hij alleen nog een vlak antwoord. Het is als een GPS die geen instructies meer geeft zodien je buiten de kaart loopt.
Zachte Grond: Het model is erg goed voor middelmatige tot harde gronden, maar heeft wat meer moeite met zeer zachte, modderige klei.
Realiteit vs. Simulatie: Ze hebben hun model getest tegen echte gegevens (zoals het Cairo Monorail-project) en het werkte goed, maar ze geven toe dat ze meer echte gegevens van verschillende locaties nodig hebben om het perfect te maken.

Kortom, de auteurs hebben een digitale "glazen bol" gebouwd die natuurkundige simulaties gebruikt om een AI te trainen. Deze AI kan nu direct aan ingenieurs vertellen hoeveel een groep betonnen palen zal wiegelen onder een zijwaartse druk, rekening houdend met grondtypen, paalafstand en betonbarsten, en dat alles terwijl het een duidelijke wiskundige formule biedt die ze kunnen vertrouwen.

Technische Samenvatting: (FEM-ML) Hybride Modellen voor het Voorspellen van Laterale Paalkopverplaatsing onder Quasi-statische Belasting

1. Probleemstelling

De nauwkeurige voorspelling van laterale paalkopverplaatsing onder quasi-statische belastingen blijft een aanzienlijke uitdaging in de geotechniek vanwege de complexe, niet-lineaire aard van de interactie tussen bodem en constructie (Soil-Structure Interaction, SSI). Traditionele analytische methoden, zoals de Ultimate Limit State-benaderingen (bijv. Broms) en de methode van de subgrade reactie (bijv. p-y curves), vertrouwen vaak op vereenvoudigingen die er niet in slagen om complexe bodemdeformaties, groepseffecten en de niet-lineaire structurele degradatie van gewapend beton (RC) palen, met name scheurvorming, accuraat te vatten. Daartegenover biedt geavanceerde 3D Eindige Elementen Methode (FEM) een hoge getrouwheid, maar is het computationeel duur en tijdrovend, waardoor het ongeschikt is voor snelle ontwerpitraties. Bovendien lijden bestaande toepassingen van Machine Learning (ML) in dit domein vaak aan een gebrek aan transparantie (het "black-box"-karakter) en een schaarste aan hoogwaardige veldgegevens voor grote diameter palen. Deze studie adresseert de afweging tussen nauwkeurigheid en efficiëntie door een hybride raamwerk voor te stellen dat FEM inzet om synthetische gegevens te genereren voor het trainen van interpreteerbare en nauwkeurige AI-modellen.

2. Methodologie

Het onderzoek maakt gebruik van een vierfasen hybride methodologie die natuurkundige simulatie combineert met datagestuurde modellering:

Fase 1: FEM-ontwikkeling en Validatie

Een robuust 3D numeriek model werd ontwikkeld met behulp van PLAXIS 3D (v24.2).

Constitutieve Modellen: Het Hardening Soil (HS) model simuleerde het gedrag van de bodem, terwijl het Concrete Model (CM) werd gebruikt voor de RC-palen om scheurvorming en de reductie van buigstijfheid expliciet te simuleren. De wapening werd gemodelleerd als ingebedde plaat-elementen met interface-elementen om het hechting-slipgedrag (bond-slip) te simuleren.
Validatie: Het FEM-raamwerk werd getoetst aan drie experimentele belastingstesten op volledige schaal: twee van het Cairo Monorail Project (Palen 60C00 en NCC19) en één van de Kiev Pile Load Test. De inclusie van het CM verbeterde de nauwkeurigheid voor lange palen aanzienlijk vergeleken met Lineair Elastische (LE) modellen, waarbij de fouten binnen een acceptabele technische marge bleven (bijv. -3,71% tot 2,54%).

Fase 2: Parametrische Studie en Synthetische Datageneratie

Na de validatie genereerde een uitgebreide parametrische studie 450 unieke 3D FEM-simulaties die de volgende aspecten besloegen:

Configuraties: Enkele palen en vierkante groepen (2×2, 4×4, 6×6).
Geometrie: Afstand-tot-diameter (S/D) ratio's van 2–8 en Lengte-tot-diameter (L/D) ratio's van 10, 20 en 30.
Bodemprofielen: Zes typen (3 cohesieve kleien, 3 cohesieloze zanden) met gebruik van het HS-model.
Belasting: Quasi-statische laterale belastingen tot 25 mm verplaatsing, met variërende verticale belastingen om de axiale invloed te isoleren.
Datatransformatie: De ruwe last-verplaatsingscurves werden gekoppeld aan een hyperbolische functie om twee fysiek betekenisvolle doelvariabelen te extraheren: Initiële Stijfheid ( $K_{init}$ ) en Ultieme Laterale Capaciteit ( $P_{ult}$ ). Deze doelvariabelen werden logaritmisch getransformeerd om de variantie van de gegevens te normaliseren.

Fase 3: AI-modelontwikkeling

De synthetische dataset werd gesplitst (80/20) in trainings- en testsets voor zand- en kleigronden. Verschillende ML-algoritmen werden getraind om zeven inputkenmerken (afstand, aantal palen, lengte, verticale belasting, Youngs modulus, eenheidsgewicht en afschuifsterkteparameters) te mappen naar de doeloutputs:

Algoritmen: Lineaire Regressie (baseline), Gradient Boosting Regressor (GBR), Support Vector Regression (SVR) en Multi-Layer Perceptron (MLP).
Optimalisatie: Hyperparameters voor niet-lineaire modellen werden afgestemd met behulp van Particle Swarm Optimization (PSO) om de 5-voudige Cross-Validation RMSE te minimaliseren.
Interpreteerbaarheid: Evolutionary Polynomial Regression (EPR) werd toegepast om transparante, symbolische wiskundige vergelijkingen af te leiden. SHAP (SHapley Additive exPlanations) analyse werd toegepast op de best presterende GBR-modellen om de belangrijkheid van kenmerken te kwantificeren.

3. Belangrijkste Resultaten

Modelprestaties

Superioriteit van GBR: Het met PSO getunede GBR-model bereikte de hoogste voorspellende nauwkeurigheid. Voor de stijfheid van klei bereikte het een correlatiecoëfficiënt die de 0,99 benaderde, met een RMSE zo laag als 0,015. Het presteerde consistent beter dan SVR- en MLP-architecturen over alle datasets heen.
EPR-transparantie: De EPR-modellen genereerden succesvol gesloten symbolische vergelijkingen (bijv. Vergelijking 3–6) die de geotechnische inputs relateren aan de reacties van de paal, wat een balans biedt tussen nauwkeurigheid en technische interpreteerbaarheid.

Parametrische Inzichten

Groepseffecten: Het vergroten van het aantal palen verbeterde zowel de initiële stijfheid als de ultieme capaciteit aanzienlijk, waarbij de winst in capaciteit dominanter was in zandgronden.
Afstand: Grotere afstand verminderde het "schaduweffect", wat de capaciteit over het algemeen verhoogde, hoewel de groepsgrootte de primaire bepalende factor was.
Verticale Belasting: Verticale belastingen verhoogden de ultieme laterale capaciteit aanzienlijk (door opsluiting en vertraagde scheurvorming), maar hadden een verwaarloosbaar effect op de initiële elastische stijfheid.
Bodemstijfheid: De elastische modulus van de bodem was de belangrijkste bepalende parameter voor de initiële stijfheid.

Validatie en Beperkingen

Veldvalidatie: Het GBR-model werd gevalideerd tegen een veldgeval (Raj et al., 2024) en vertoonde een hoge correlatie in het initiële elastische bereik ( $y < 0,02$ m). Echter, bij hogere verplaatsingen ( $y > 0,05$ m) had het model de neiging om de ultieme capaciteit te onderschatten, waarschijnlijk door de focus van de trainingsdata op de initiële 0,025 m verplaatsing en de beperkingen van equivalente bodemparameters in gelaagde afzettingen.
Benchmarks: Tegenover klassieke methoden (Broms, LPile) presteerde het GBR-model goed voor de bruikbaarheidsgrenzen (fout ±20%), maar vertoonde een "plateau-effect" voor de ultieme capaciteit in regimes met een hoge capaciteit, een bekend nadeel van boom-gebaseerde ensembles die niet kunnen extrapoleren buiten de maxima van de trainingsdata.

4. Betekenis en Bijdragen

Het artikel stelt dat deze hybride FEM-AI benadering een zeer nauwkeurige, datagestuurde tool biedt die de betrouwbaarheid en efficiëntie van het ontwerp van laterale paalfunderingen bevordert. De belangrijkste bijdragen zijn:

Overbruggen van de Nauwkeurigheid-Efficiëntie Kloof: De studie toont aan dat hybride modellen de rigoureuze nauwkeurigheid van 3D numerieke modellering kunnen bieden in een fractie van de tijd die nodig is voor directe simulatie, waardoor ze geschikt zijn voor voorlopige ontwerpitraties.
Adresseren van het "Black-Box"-probleem: Door EPR en SHAP te integreren, transformeert de studie opake AI-voorspellingen in verklaarbare instrumenten. De SHAP-analyse bevestigde dat de AI fysieke principes heeft geleerd, zoals de dominantie van geometrie in capaciteit en bodemeigenschappen in stijfheid.
Expliciete Modellering van RC-scheurvorming: De validatie benadrukte de kritieke noodzaak om geavanceerde constitutieve modellen (CM) te gebruiken om beton-scheurvorming te vangen, wat de buigstijfheid en de verplaatsing van lange palen aanzienlijk beïnvloedt.
Symbolische Ontwerpvergelijkingen: De via EPR afgeleide vergelijkingen bieden ingenieurs transparante, gesloten vergelijkingen voor het voorspellen van de reacties van paalgroepen, wat directe integratie in ontwerpprocessen faciliteert zonder afhankelijk te zijn van complexe software.

De auteurs concluderen dat hoewel het huidige model een robuust instrument is voor middelharde tot harde gronden onder operationele belastingen, toekomstig werk zich moet richten op het uitbreiden van datasets met diverse veldmetingen, het integreren van complexe meerlagige bodemprofielen, en het verder ontwikkelen van Physics-Informed Neural Networks (PINNs) om grootschalige 3D SSI-problemen effectiever aan te pakken.