Перед строительством зданий всегда проводят инженерно-геологические изыскания и изучают характеристики грунта. Это необходимо в том числе для того, чтобы избежать излишней осадки грунтового основания фундамента. Сейчас для расчетов используют дорогостоящие методы и более экономичные способы, которые не всегда точны. Разработчики из Пермского Политеха создали нейросеть, которая позволит спрогнозировать осадку грунта без дополнительных исследований.
Разработка была реализована при финансовой поддержке Российского фонда фундаментальных исследований.
В разработке приняли участие молодой ученый Ян Офрихтер и его научный руководитель, профессор кафедры строительного производства и геотехники, доктор технических наук Андрей Пономарев.
— Для прогноза осадки свай в грунте необходимо учесть множество факторов: характеристики грунта, геометрические размеры сваи и способ ее установки. Изыскания проводят с помощью прямых и косвенных методов. Первые требуют финансовых затрат, а вторые — дополнительных расчетов. Поэтому мы использовали другой подход: построили искусственную нейронную сеть и обучили ее выполнять прогноз прямых испытаний по данным более экономичных косвенных, — рассказывает автор проекта, ассистент, младший научный сотрудник кафедры строительного производства и геотехники Пермского Политеха Ян Офрихтер.
Разработка позволит в дальнейшем не проводить дополнительных исследований. Вместо этого нужно будет пополнять существующую базу данных. За счет способности нейросетей обрабатывать сложные зависимости можно использовать результаты различных испытаний в комплексе. Этот подход позволит изучить большее количество параметров грунта и значительно повысить точность прогнозирования.
Чтобы получить результат, нейросеть использует данные прямых испытаний, статического зондирования, вертикальной нагрузки и параметры сваи. Ученые протестировали множество моделей нейронных сетей, чтобы найти наиболее эффективную архитектуру. В результате они получили сеть из 4 скрытых слоев, каждый из которых состоят из 200 нейронов. Машинное обучение исследователи провели с помощью метода обратного распространения ошибки, используя базу данных уже существующих объектов.
Результаты, которые представила нейросеть, оказались на 15-20 % точнее, чем данные осадки по традиционным методикам. По словам ученых, разработка позволила повысить точность прогноза с использованием меньшего количества информации.