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

Wanneer de grond schudt tijdens een aardbeving, kan de bodem onder onze voeten soms als een vloeistof gaan gedragen. Dit fenomeen, bekend als bodemvloeibaarheid (soil liquefaction), treedt op wanneer los, nat zand zijn sterkte en stijfheid verliest, waardoor gebouwen kunnen wegzakken, wegen kunnen vervormen en infrastructuur kan falen. Het is een van de meest destructieve krachten die vrijkomen bij seismische gebeurtenissen en is verantwoordelijk voor catastrofale schade in de grote aardbevingen uit de geschiedenis. Om gemeenschappen te beschermen, moeten ingenieurs vóór de bouw bepalen of de grond op een specifieke locatie waarschijnlijk in vloeistof verandert onder spanning. Deze beoordeling leunt op twee primaire methoden om de aarde te onderzoeken: de Standard Penetration Test, die meet hoe moeilijk het is om een monster in de grond te drijven, en de Cone Penetration Test, die een kegel door de grond duwt om continu de weerstand te meten. Traditioneel vereist het interpreteren van deze tests dat een geotechnisch ingenieur handmatig gegevens verzamelt, complexe berekeningen uitvoert en beslist welke methode van toepassing is, een proces dat tijdrovend is en gevoelig is voor menselijke fouten.

Een team van onderzoekers uit India, Australië en de Verenigde Staten heeft een nieuw systeem ontwikkeld dat is ontworpen om deze cruciale veiligheidscontrole sneller en toegankelijker te maken. Ze hebben een geautomatiseerd framework gecreëerd dat krachtige computerleermodellen combineert met een geavanceerde kunstmatige intelligentie die menselijke taal kan begrijpen. In plaats van ingenieurs te dwingen gegevens in rigide spreadsheets te formatteren, staat dit nieuwe systeem hen toe om de condities van een locatie in gewoon Engels te beschrijven. De computer leest vervolgens de beschrijving, identificeert de noodzakelijke bodem- en aardbevingsgegevens, kiest de juiste berekeningsmethode en levert een duidelijk technisch rapport. Het doel was niet om het menselijk oordeel te vervangen, maar om te fungeren als een slimme assistent die het zware werk van gegevensverwerking en modelselectie afhandelt, zodat experts zich kunnen concentreren op de uiteindelijke veiligheidsbeslissingen.

De onderzoekers begonnen door twee afzonderlijke computerprogramma's te leren hoe ze bodemvloeibaarheid kunnen voorspellen. Eén programma werd getraind op bijna 2.000 reële gevallen waarbij de Standard Penetration Test werd gebruikt, terwijl het andere leerde van bijna 500 gevallen waarbij de Cone Penetration Test betrokken was. Deze programma's, gebouwd op een techniek genaamd extreme gradient boosting, leerden de complexe, niet-lineaire patronen te herkennen tussen bodemdichtheid, waterstanden en aardbevingsintensiteit die tot falen leiden. Wanneer getest op nieuwe, ongeziene gegevens, identificeerde het programma dat getraind was op de Standard Penetration Test correct of de bodem zou vloeibaar worden of stabiel zou blijven in 96 procent van de gevallen. Het programma dat getraind was op de Cone Penetration Test behaalde een succespercentage van 91 procent. Beide systemen bleken zeer betrouwbaar, waarbij het model voor de Standard Penetration Test een bijzondere kracht toonde in het opsporen van gevaarlijke, vloeibare bodems, een cruciale eigenschap voor de veiligheid in de techniek.

De ware innovatie van dit werk ligt in de manier waarop deze voorspellingsinstrumenten verbonden zijn met een groot taalmodel, een type kunstmatige intelligentie dat ontworpen is om menselijke taal te begrijpen en te genereren. In eerdere pogingen om machine learning voor geotechnische techniek te gebruiken, waren de computermodellen geïsoleerd; ze konden alleen werken als een mens eerst elke cijfer uit een locatieverslag extraheerde en in een specifiek format in het systeem voerde. Dit nieuwe framework verwijdert die barrière. De onderzoekers bouwden een "agent", een digitale assistent die fungeert als het brein van de operatie. Wanneer een gebruiker een natuurlijke beschrijving van een locatie typt — waarbij details worden genoemd zoals bodemdiepte, de kracht van de grondschokken of de weerstand gemeten door een sonde — leest de agent de tekst, haalt de relevante cijfers eruit en bepaalt welk van de twee voorspellingsmodellen gebruikt moet worden. Als de beschrijving gegevens bevat over kegelweerstand, stuurt hij de aanvraag naar het kegelmodel; als het 'blow counts' bevat, stuurt hij het naar het penetratietestmodel.

Om te waarborgen dat dit systeem in de echte wereld werkt, testte het team het met tien verschillende scenario's, die elk een unieke locatieconditie beschreven. In elk geval extraheerde de agent de vereiste parameters correct uit de tekst en koos het juiste voorspellingsmodel om uit te voeren. Vervolgens nam het de ruwe output van het computermodel en vertaalde dit naar een gestructureerd, professioneel technisch rapport dat het risico uitlegde en aanbevelingen deed. Deze end-to-end workflow demonstreert dat het mogelijk is om de kloof te overbruggen tussen ruwe, ongestructureerde veldgegevens en hoogprecisie machine learning-voorspellingen zonder dat de gebruiker een data scientist hoeft te zijn. Het systeem verandert een complexe, meerstaps technische analyse effectief in een eenvoudig gesprek.

De onderzoekers zijn echter voorzichtig met het definiëren van de grenzen van hun creatie. Ze benadrukken dat dit instrument bedoeld is voor voorlopige screening en besluitvormingsondersteuning, en niet als definitieve vervanging voor traditionele analyse of professioneel oordeel. Het systeem is ontworpen om potentiële gevaren vroegtijdig op te merken en het initiële beoordelingsproces te stroomlijnen, maar het kan niet rekening houden met elke unieke geologische nuance of de volledige reikwijdte van de geschiedenis van een locatie. Voor grensgevallen waarbij het risico onduidelijk is, of wanneer de invoergegevens incompleet zijn, is het systeem geprogrammeerd om nadere inspectie door een gekwalificeerd ingenieur aan te bevelen. De studie concludeert dat hoewel het geautomatiseerde framework de toegankelijkheid en efficiëntie van de beoordeling van seismische gevaren aanzienlijk verbetert, het het beste werkt als een partner van menselijke expertise, waarbij het de routinematige gegevensarbeid afhandelt zodat ingenieurs zich kunnen concentreren op de veiligheid van de structuren die zij bouwen.