⚡ electrical engineering

Investigation of Full-Process Settlement Behavior and Prediction Models for Long-Short Pile Composite Foundations

Dit artikel stelt een hybride voorspellingsmodel voor dat empirische modellen (Weibull en aangepaste Poisson) integreert met intelligente algoritmen (EMD en LS-SVM) om de "S-vormige" zettingsevolutie nauwkeurig te karakteriseren en de volledige zettingsverloop van samengestelde funderingen van lange en korte palen te voorspellen, zoals gevalideerd door het Seoul Park-project.

Oorspronkelijke auteurs: Yang Liu, Guobo Han, Lihua Zhang, Xuemei Tian, Changjin Zhang, Hongbo Qu, Lili Zhang

Gepubliceerd 2026-08-08

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Yang Liu, Guobo Han, Lihua Zhang, Xuemei Tian, Changjin Zhang, Hongbo Qu, Lili Zhang

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

Stel je voor dat je een gigantisch zandkasteel bouwt op een strand dat langzaam wegzakt. Je wilt niet alleen weten hoe diep het gat nu is; je wilt precies weten hoeveel het morgen, volgende maand en volgend jaar zal wegzakken. Dit is de dagelijkse uitdaging voor ingenieurs die wolkenkrabbers bouwen op zachte grond. Ze gebruiken speciale "samengestelde funderingen", die lijken op een team van lange en korte houten palen die in de modder worden gedreven om het gebouw omhoog te houden. Maar de grond zakt niet zomaar in een rechte lijn; de grond gedraagt zich als een levend wezen, die reageert op het gewicht van het gebouw, de regen en de bouwvakkers op een rommelige, onvoorspelbare manier. Om het gebouw veilig en recht te houden, moeten ingenieurs deze zettingsbeweging perfect kunnen voorspellen. Als ze het fout raden, kan het gebouw scheef gaan staan of barsten. Dit artikel gaat over het vinden van de beste "glazen bol" om precies te voorspellen hoeveel deze speciale funderingen in de loop van de tijd zullen zetten.

De onderzoekers in deze studie, onder leiding van Yang Liu en collega's, pakten het probleem aan van het voorspellen van de "volledige proceszetting" (het totale zinken van begin tot eind) van deze samengestelde palenfunderingen. Ze wisten dat eenvoudige wiskundige formules vaak moeite hebben omdat de beweging van de grond rommelig is en de snelheid in de loop van de tijd verandert. Om dit op te lossen, probeerden ze drie verschillende benaderingen. Eerst gebruikten ze twee klassieke wiskundige vormen, de Weibull-modellen en een Modified Poisson-model. Denk hierbij aan het proberen aan te passen van een gladde, vooraf gemaakte curve op een hobbelig wandelpad. Ze ontdekten dat hoewel deze curves de algemene "S-vorm" van het zinken konden beschrijven (eerst langzaam, dan versnellend, en daarna weer vertragend), ze soms de kleine bulten en deukjes misten die werden veroorzaakt door constructieruis of plotselinge belastingveranderingen. Het Modified Poisson-model was iets beter in het buigen om de curve aan te passen, maar had nog steeds beperkingen.

Om een echt nauwkeurige voorspelling te krijgen, hebben het team een slimmere, hybride methode uitgevonden genaamd EMD-LS-SVM. Ze behandelden de zettingsgegevens als een complex lied vol met verschillende instrumenten die tegelijkertijd spelen. Eerst gebruikten ze een techniek genaamd Empirical Mode Decomposition (EMD) om het "lied" te scheiden in zijn individuele instrumenten: de diepe, langzame basnoten (de langetermijnzinktrend), de middenfrequente melodieën (het gestage bouwen van verdiepingen) en de hoogfrequente, krasachtige ruis (plotselinge schokken door bouwwerkzaamheden). Vervolgens gebruikten ze een krachtig AI-instrument genaamd Least Squares Support Vector Machine (LS-SVM) om de toekomst van elk instrument afzonderlijk te voorspellen. Ten slotte voegden ze deze voorspellingen weer samen.

De resultaten, getest op een echt gebouw genaamd Gebouw B27 in een woonproject in China, lieten zien dat deze nieuwe hybride methode de duidelijke winnaar was. Terwijl de eenvoudige curve-aanpassingsmodellen oké waren, was het hybride model ongelooflijk nauwkeurig. Het voorspelde de uiteindelijke zetting na 600 dagen op -27,5430 mm, met een maximale fout van slechts 0,4760 mm. Dit is een enorme verbetering, waarbij de fout van de oudere modellen met meer dan de helft is verminderd. De studie suggereert dat door het probleem op te splitsen in kleinere, eenvoudigere stukken en deze vervolgens weer in elkaar te zetten, ingenieurs een veel duidelijker beeld kunnen krijgen van hoe de grond zich zal gedragen, wat hen helpt gebouwen veilig en stabiel te houden zonder de giswerkzaamheden.

Technische Samenvatting: Onderzoek naar het volledige proces van zettingsgedrag en voorspellingsmodellen voor lang-kort paalcomposietfunderingen

Probleemstelling
De nauwkeurige voorspelling van de zetting gedurende het volledige proces van lang-kort paalcomposietfunderingen is cruciaal voor het waarborgen van de veiligheid en bruikbaarheid van constructies gebouwd op slappe grond. De huidige voorspellingsmethoden kampen echter met twee primaire beperkingen:

Beperkingen van empirische modellen: Conventionele empirische modellen (bijv. standaard Weibull- en Poisson-modellen) vertrouwen vaak op parameterschattingstechnieken zoals kubische spline-interpolatie of niet-lineaire regressie, die gevoelig zijn voor beginwaarden en steekproefomvang, wat leidt tot een beperkte nauwkeurigheid en robuustheid bij de identificatie van parameters.
Complexiteit van zettingsgedrag: Funderingszetting is een complex, niet-stationair proces dat wordt beïnvloed door toenemende belastingen van de bovenbouw, bodemconsolidatie en de interactie tussen paal en grond. Het vertoont duidelijke niet-lineariteit en multiscale kenmerken. Enkelvoudige empirische modellen hebben moeite om tegelijkertijd de langetermijn evolutietrend en de lokale fluctuaties veroorzaakt door constructiestoringen en omgevingsvariaties te vatten.

Methodologie
De studie stelt een hybride voorspellingskader voor dat empirische statistische modellering integreert met intelligente, op data gebaseerde algoritmen. De methodologie is gestructureerd in drie fasen:

Geoptimaliseerde empirische modellering:
- Weibull-model: Opgesteld om de "S-vormige" zettingsevolutie te karakteriseren. Een optimalisatiegebaseerde methode voor parameteridentificatie is ontwikkend om de som van de kwadratische fouten tussen gemeten en voorspelde waarden te minimaliseren, onderworpen aan een maximale absolute fout van 1 mm.
- Gemodificeerd Poisson-model: Een vormmodificatieparameter ( $c_4$ ) is geïntroduceerd in het conventionele Poisson-model. Deze verbetering vergroot de flexibiliteit van het model om asymmetrische zettingsevolutie en significante variaties in zettingssnelheden te vatten, wat gebruikelijk is in lang-kort paalsystemen als gevolg van stressherverdeling.
Hybride intelligente voorspelling (EMD-LS-SVM):
- Empirical Mode Decomposition (EMD): De ruwe zettingsmonitoringsgegevens worden gedecomposeerd in meerdere Intrinsic Mode Functions (IMFs) en een residucomponent. Dit adaptieve proces scheidt het signaal in verschillende tijdschalen: hoogfrequente componenten (kortstondige fluctuaties/ruis), mediumfrequente componenten (fasegewijze effecten van belasting) en laagfrequente/residucomponenten (langetermijn consolidatietrends).
- Least Squares Support Vector Machine (LS-SVM): Voor elke gedecomposeerde component wordt een onafhankelijk LS-SVM-model geconstrueerd. LS-SVM is gekozen vanwege het vermogen om efficiënt om te gaan met kleine steekproeven en niet-lineaire regressieproblemen door het kwadratische programmeerprobleem te transformeren naar een stelsel van lineaire vergelijkingen.
- Gewogen reconstructie: De uiteindelijke voorspelling wordt gegenereerd door de voorspelde componenten optimaal te reconstrueren met behulp van wegingscoëfficiënten die zijn bepaald door het criterium van de minimale voorspellingsfout.
Technische validatie:
- De modellen werden gevalideerd met veldmonitoringsgegevens van Gebouw B27 in de Seoul Park Residentiële Ontwikkeling (Hebei, China). De fundering maakte gebruik van een Cement Fly-ash Gravel (CFG) lang-kort paalsysteem (lange palen: 21,45 m; korte palen: 11,90 m) in slibhoudende kleigrond.

Belangrijkste Resultaten

Zettingsevolutiepatroon: De volledige zettingsevolutie van de composietfundering volgt een typisch "S-vormig" evolutiepatroon, gekenmerkt door een initiële ontwikkelingsfase, een snelle groeifase (waarin de zettingssnelheid piekt) en een stabiele consolidatiefase.
Prestaties van empirische modellen: Zowel het geoptimaliseerde Weibull- als het gemodificeerde Poisson-model slaagden erin de algemene zettings-trend te vatten met maximale absolute fouten onder de 1,0 mm. Het gemodificeerde Poisson-model vertoonde superieure flexibiliteit en voorspellende prestaties tijdens fasen met snelle veranderingen in de zettingssnelheid dankzij de extra vormparameter.
Multiscale kenmerken: EMD slaagde erin het zettingssignaal te scheiden in afzonderlijke fysieke mechanismen. IMF1 ving kortstondige constructiestoringen op; IMF2 reflecteerde fasegewijze belasting en de interactie tussen paal en grond; en de residucomponent vertegenwoordigde de langetermijn consolidatietrend van de bodem.
Superioriteit van het hybride model: Het gecombineerde EMD-LS-SVM-model presteerde aanzienlijk beter dan de enkelvoudige empirische modellen.
- Het bereikte een maximale absolute fout van 0,4760 mm op 158 dagen, wat een reductie van meer dan 50% betekent vergeleken met de maximale fouten van de empirische modellen.
- Op 128 dagen bereikte het model een fout van 0,0000 mm.
- Het ving zowel de globale evolutietrend als de lokale fluctuaties effectief op, met name tijdens perioden van snelle veranderingen in de zettingssnelheid waar empirische modellen afwijkingen vertoonden.

Betekenis en Claims
Het artikel stelt dat de voorgestelde hybride benadering de beperkingen van traditionele methoden aanpakt door:

Verbetering van parameteridentificatie: Het gebruik van optimalisatie-algoritmen om de nauwkeurigheid en robuustheid van de parameters van empirische modellen te verbeteren.
Decompositie van complexiteit: Het inzetten van EMD om een complexe, niet-stationaire tijdreeks te transformeren naar eenvoudigere, stationaire componenten, waardoor de moeilijkheid van niet-lineaire mapping voor de LS-SVM wordt verminderd.
Verbetering van de voorspellingsnauwkeurigheid: Het bieden van een theoretische basis en technisch referentiekader voor zettingsmonitoring en veiligheidscontrole. De studie stelt dat het EMD-LS-SVM-model een betrouwbaardere oplossing biedt voor de intelligente voorspelling van de zetting van composietfunderingen, in staat om de gekoppelde effecten van constructielast, paal-grondinteractie en tijdsafhankelijke consolidatie te verwerken.

De auteurs concluderen dat hoewel empirische modellen voldoende zijn om algemene trends te vatten, het gecombineerde EMD-LS-SVM-model noodzakelijk is voor precisievoorspellingen in complexe technische omstandigheden waar lokale fluctuaties en multiscale gedragingen significant zijn.

Meer zoals dit