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

De grond onder onze voeten is zelden uniform. Op veel plaatsen is de bodem zacht, nat en gevoelig voor verschuivingen, wat het een slechte fundering maakt voor wegen, gebouwen of bruggen. Ingenieurs weten al lang hoe ze dit kunnen oplossen door de zwakke aarde te mengen met stabilisatiemiddelen zoals kalk of cement. Deze additieven veroorzaken chemische reacties die de bodemdeeltjes aan elkaar binden, waardoor een zompige bende verandert in een solide, belastbaar materiaal. Het bepalen van de exacte hoeveelheid stabilisatiemiddel en hoe lang men moet wachten tot de grond uithardt, is echter een traag en kostbaar proces. Het vereist het mengen van tientallen verschillende batches in een laboratorium, waarbij weken moet worden gewacht tot ze uitharden, om ze vervolgens te verbrijzelen om de sterkte te meten. Voor elke nieuwe soort bodem of elke wijziging in het recept moet deze cyclus worden herhaald, wat tijd en middelen consumeert die beter besteed kunnen worden aan het bouwen zelf.

Een team onderzoekers heeft een nieuwe manier ontwikkeld om dit proces te versnellen zonder in te boeten op nauwkeurigheid. Ze hebben een computermodel ontwikkeld dat fungeert als een zeer bekwame voorspeller, die leert van eerdere experimenten om de sterkte van toekomstige bodemmengsels te voorspellen. Maar in plaats van de computer alleen ruwe cijfers te voeren, hebben de onderzoekers het model geleerd om te denken als een geotechnisch ingenieur. Ze bouwden het model met "physics-guided" kenmerken, wat betekent dat ze de computer beschrijvingen gaven die de werkelijke fysieke en chemische processen in de bodem weerspiegelen, zoals de manier waarop de binder interageert met de tijd en hoe de natuurlijke plasticiteit van de bodem verandert. Deze aanpak stelt het model in staat om het "waarom" achter de sterkte te begrijpen, en niet alleen het "wat". Het resultaat is een hulpmiddel dat potentiële bodemmengsels snel en betrouwbaar kan screenen, waardoor ingenieurs kunnen beslissen welke combinaties het lab waard zijn en welke waarschijnlijk zullen falen, terwijl het tegelijkertijd een duidelijke uitleg geeft over waarom een specifiek mengsel naar verwachting goed zal presteren.

De onderzoekers richtten zich op een specifiek type bodembehandeling waarbij kaolienklei, een veelvoorkomende zwakke bodem, wordt gestabiliseerd met twee materialen: nano-schalie, een fijn gemalen gesteentepoeder, en ongebluste kalk, een reactieve vorm van calciumoxide. Ze begonnen met een database van 180 individuele laboratoriummetingen afkomstig van 36 verschillende mengselsontwerpen. Elk ontwerp varieerde in de hoeveelheid gebruikte nano-schalie en kalk, evenals het aantal dagen dat de grond mocht uitharden. Het doel was om de onconfinement compressieve sterkte te voorspellen, een standaardmaatstaf voor hoeveel druk de bodem kan weerstaan voordat deze breekt. Hiervoor testten ze verschillende soorten machine learning-algoritmen, variërend van eenvoudige lineaire vergelijkingen tot complexe kunstmatige neurale netwerken en geavanceerde boom-gebaseerde modellen. Ze verdeelden de data niet simpelweg in willekeurige trainings- en testgroepen, een gangbare praktijk die soms gebreken in een model kan verbergen. In plaats daarvan gebruikten ze een rigoureuze methode genaamd "nested group cross-validation". Dit zorgde ervoor dat het model werd getest op volledig nieuwe mengselsontwerpen die het nog nooit eerder had gezien, wat voorkwam dat het simpelweg de resultaten van vergelijkbare monsters uit het hoofd leerde en een vals gevoel van nauwkeurigheid gaf.

Na het trainen en testen van deze modellen ontdekten de onderzoekers dat een specifiek algoritme genaamd CatBoost het beste presteerde, maar alleen nadat ze de informatie die het model ontving hadden verfijnd. Aanvankelijk gaven ze het model zeven technische kenmerken die ontworpen waren om de fysica van het stabilisatieproces te vangen, zoals de totale hoeveelheid binder gebruikt en hoe die binder interageerde met de uithardingstijd. Door een zorgvuldig proces waarbij kenmerken één voor één werden verwijderd, ontdekten ze dat één van deze inputs eigenlijk redundant was en het model in verwarring bracht. Door deze te verwijderen, creëerden ze een gestroomlijnde versie met zes kernbeschrijvers, die de totale binderinhoud bevatten, de interactie tussen de nano-schalie en de uithardingstijd, en een maatstaf voor de relatieve plasticiteit van de bodem. Dit verfijnde model, dat ze CatBoost-6PG noemden, bereikte een hoog niveau van nauwkeurigheid en voorspelde de sterkte van de bodemmengsels met een foutmarge van ongeveer 151 kilopascal. Deze prestatie was aanzienlijk beter dan die van de eenvoudigere modellen en presteerde zelfs beter dan de complexere modellen die geen gebruik maakten van deze natuurkundige inputs.

De werkelijke waarde van dit werk ligt echter in de transparantie ervan. De onderzoekers stopten niet bij het verkrijgen van een goede voorspelling; ze wilden begrijpen wat het model daadwerkelijk leerde. Met behulp van een techniek genaamd SHAP-analyse brachten ze in kaart welke factoren het belangrijkst waren. Ze ontdekten dat het model correct identificeerde dat de plasticiteitsindex van de bodem – een maatstaf voor hoeveel water de bodem kan vasthouden voordat deze plakkerig wordt – de meest kritische factor was. Een hoge plasticiteit leidde consistent tot lagere sterktevoorspellingen, wat perfect overeenkomt met de gevestigde bodemmechanica. Het model leerde ook dat het verstrijken van de tijd cruciaal was, waarbij langere uithardingstijden leidden tot sterkere grond, en dat de interactie tussen de binder en de tijd die beschikbaar was voor uitharding belangrijker was dan de hoeveelheid binder alleen. Zo toonde het model bijvoorbeeld aan dat het toevoegen van meer nano-schalie alleen hielp als er voldoende tijd was voor de chemische reacties om plaats te vinden. Deze inzichten bevestigen dat het model niet alleen statistische patronen vindt, maar ook de werkelijke fysieke mechanismen van bodemstabilisatie vastlegt.

Om de voorspellingen betrouwbaar te maken, kwantificeerden de onderzoekers ook de onzekerheid, of het bereik van mogelijke uitkomsten, voor elke voorspelling. Ze simuleerden duizenden scenario's waarin de inputwaarden, zoals de exacte hoeveelheid kalk of de uithardingstijd, licht werden gevarieerd om imperfecties uit de echte wereld na te bootsen. Ze ontdekten dat de grootste bron van onzekerheid kwam van de variabiliteit in de inputmaterialen zelf, en niet van de interne berekeningen van het model. Wanneer ze rekening hielden met deze variabiliteit, bood het model een voorspellingsinterval dat bijna 90 procent van de werkelijke testresultaten dekte. Dit betekent dat hoewel het model een specifiek getal geeft voor de verwachte sterkte, het ook een veiligheidsmarge biedt die aangeeft hoeveel dat getal in de realiteit kan fluctueren. Dit is een essentieel kenmerk voor de techniek, waar veiligheid afhangt van het begrijpen van de grenzen van een voorspelling.

De studie onderzocht ook hoe nuttig het model zou zijn in de zeer vroege stadia van een project, wanneer ingenieurs mogelijk nog geen gedetailleerde gegevens hebben over de compacteigenschappen of de plasticiteitsgrenzen van de bodem. Ze testten het model met alleen de basisvariabelen van het mengselontwerp: de hoeveelheden nano-schalie en kalk, en de uithardingstijd. Hoewel het model nog steeds een ruwe schatting kon maken met deze beperkte informatie, nam de nauwkeurigheid aanzienlijk af. Deze bevinding is praktisch en eerlijk: het model is geen vervanging voor laboratoriumtesten, maar een krachtig hulpmiddel om ze te begeleiden. Het kan ingenieurs helpen om de lijst met veelbelovende mengsels die getest moeten worden in te korten, wat tijd en geld bespaart, maar het blijft vertrouwen op de fundamentele bodem eigenschappen om zijn meest nauwkeurige voorspellingen te doen.

Uiteindelijk biedt dit onderzoek een brug tussen ruwe data en de intuïtie van een ingenieur. Door machine learning te combineren met een diep begrip van de fysieke processen die in werking zijn, hebben de onderzoekers een hulpmiddel gecreëerd dat zowel nauwkeurig als verklaarbaar is. Het behandelt de bodem niet als een "black box", maar leert de regels van hoe binders, tijd en bodemeigenschappen interageren om sterkte te creëren. Deze aanpak maakt een efficiënter ontwerpproces mogelijk, waarbij ingenieurs met vertrouwen mengsels kunnen screenen en hun middelen kunnen richten op de combinaties die het meest waarschijnlijk zullen slagen. Het werk laat zien dat wanneer kunstmatige intelligentie wordt geleid door de wetten van de fysica, het een betrouwbare partner kan worden bij het oplossen van complexe technische uitdagingen, waarbij het helderheid en vertrouwen biedt bij het ontwerpen van de structuren die ons dagelijks leven ondersteunen.