Application of XGBoost Extreme Gradient Boosting Model in the Evaluation of Shallow Gas Hazards in Urban Strata—A Case Study of a Typical Area in LG City

Onder de straten van veel moderne steden ligt een verborgen laag aardgas, gevangen in de losse, waterverzadigde bodem net onder het oppervlak. Dit is niet het diepe, onder hoge druk staande gas dat wordt gebruikt om huizen te verwarmen, maar een ondiep, vaak biologisch gegenereerd mengsel van methaan dat zich ophoopt in zakken binnen het zand en de modder. Omdat dit gas zo dicht bij het oppervlak ligt, kan het een aanzienlijke druk opbouwen, wat een stille dreiging vormt voor bouwprojecten, metrotunnels en zelfs de funderingen van gebouwen. Wanneer arbeiders in de grond boren of graven voor een nieuwe kelder, lopen ze het risico deze onder druk staande zakken te doorboren, wat kan leiden tot plotselinge grondinstortingen, gasexplosies of het uitstoten van grond en water. Voor stadsplanners en ingenieurs is de uitdaging al lang geweest om precies te weten waar deze gevaarlijke zakken zich bevinden voordat ze beginnen met graven. Traditioneel steunt het voorspellen van deze gevaren zwaar op de ervaring van geologen en de interpretatie van lokale gesteentelagen, een methode die goed werkt in sommige gebieden, maar moeite heeft met het vastleggen van de complexe, verschuivende patronen van gasaccumulatie in dichtbebouwde stedelijke omgevingen.

Om deze onzekerheid aan te pakken, richtte een team onderzoekers zich op een andere aanpak door een krachtige computergestuurde leertool te gebruiken om de verborgen risico's in Longgang, een kuststad in de provincie Zhejiang, China, in kaart te brengen. In plaats van uitsluitend te vertrouwen op menselijke intuïtie, voedde het team een enorme hoeveelheid geologische gegevens aan een algoritme genaamd XGBoost, een type machine learning-model dat is ontworpen om subtiele patronen in complexe datasets te vinden. De onderzoekers verzamelden informatie over acht specifieke condities die beïnvloeden of gas zich zal ophopen en problemen zal veroorzaken: hoe diep het gas ligt, hoeveel druk het uitoefent, het aantal gasrijke lagen, de hoeveelheid organische koolstof in de bodem, het watergehalte, de porositeit van de grond, de gasverzadigingsniveaus en de algehele druk van de formatie. Ze behandelden de stad als een gigantisch rooster, waarbij ze deze verdeelden in kleine vierkanten en elk vierkant labelden op basis van of het een bekende locatie van grondinstorting was of een veilig gebied. Door de computer te trainen om de combinatie van factoren te herkennen die aanwezig zijn in de gevaarlijke plekken versus de veilige plekken, leerde het model te voorspellen waar soortgelijke gevaren elders zouden kunnen bestaan.

De resultaten van deze digitale training waren opmerkelijk. Het computermodel, dat eenmaal verfijnd was met een geavanceerde methode om de perfecte instellingen voor zijn berekeningen te vinden, bleek zeer accuraat in het onderscheiden van veilige grond en gevarenzones. Wanneer het werd getest tegen real-world data, behaalde het model een hoge score die aangeeft dat het betrouwbaar gevarenbieden van veilige gebieden kan scheiden, veel beter dan willekeurig gokken. De analyse onthulde dat de meest kritieke factor bij het voorspellen van een ramp simpelweg het aantal gashoudende lagen in de bodem was; hoe meer lagen gasrijke grond op elkaar gestapeld liggen, hoe groter het risico. Direct daarna volgden de verzadiging van het gas en de porositeit van de grond. Het model verduidelijkte ook hoe bepaalde factoren tegen het gevaar werken, door aan te tonen dat een hoger gehalte aan organische koolstof en specifieke drukcondities het risico op een eruptie juist helpen te onderdrukken.

Met behulp van deze inzichten genereerden de onderzoekers een gedetailleerde kaart van Longgang die de stad kleurcodeert volgens het risiconiveau. De kaart toonde aan dat hoewel het merendeel van de stad in een categorie met een gemiddeld risico valt, specifieke wijken, met name de gemeenschappen Dongpai en Xipai, in zones met een hoge gevoeligheid liggen. Deze bevinding komt nauw overeen met historische gegevens, aangezien bijna alle grondinstortingen die al in het gebied hebben plaatsgevonden, gebeurden binnen de zones die het model als hoog risico had geïdentificeerd. De studie demonstreert dat datagestuurde tools succesvol de complexe geologische signalen van ondiep gas kunnen ontcijferen, wat een preciezere manier biedt om gevarenzones te identificeren dan traditionele methoden alleen. Hoewel het huidige model steunt op statische geologische gegevens en nog geen rekening houdt met dynamische menselijke activiteiten of kettingreacties die een instorting kunnen triggeren, biedt het een solide fundament voor toekomstige veiligheidsplanning. Door aan te geven waar de grond het meest waarschijnlijk zal falen, helpt deze aanpak steden zoals Longgang om zich voor te bereiden op de onzichtbare krachten onder hun voeten, waardoor toekomstige constructie kan voortgaan met een duidelijker begrip van de risico's onder de grond.