Back to search

OFFPHD-Offentlig sektor-ph.d.

Tolkning av geotekniske feltundersøkelser ved bruk av maskinlæring

Alternative title: Interpreting geotechnical soil investigations using machine learning

Awarded: NOK 1.7 mill.

Project Manager:

Project Number:

310720

Project Period:

2020 - 2024

Funding received from:

Subject Fields:

Geotechnics describes the behavior of soils and rocks from an engineering perspective. Knowledge about the grounds mechanical properties forms the basis for all geotechnical design. Soil conditions in each project are explored with soil investigations, which include borings with geotechnical drill rigs as well as laboratory tests on soil samples. In 2013 the Geological Survey of Norway launched a national database for soil investigation (known as NADAG), where both the public and private sector could share data from their projects. The initiative was a great success, and in early 2019 the database contained registrations from over 100.000 boreholes in Norway. The Norwegian Public Roads Administration has its own database (GUDB) that is synchronized with NADAG each night. All data from NADAG (including data from GUDB) are freely available for download online. Machine learning is a scientific field with the aim of giving computers the ability to learn and act based on data, with minimal human intervention. The aim of this project is to utilize machine learning to study a large amount of previous soil investigation data to create models that can be used for automatic interpretation of new investigations, by using both simple (decision trees, k nearest neighbors, etc.) and advanced mathematical models (different types of neural networks). The Norwegian Public Roads Administration has conducted a pilot project to investigate the feasibility of using machine learning in geotechnics. We found that a simple machine learning model outperformed conventional methods in identifying the presence of quick clay with data from the cone penetration test (a common soil investigation method). The main goal of this project is to study how machine learning can be used to interpret soil investigation data, as a human would approach the problem. To train models to study the data structure from each test (registered values, changes with depth, sharp transitions, etc.) to first divide the profile into layers, before identifying the soil types and assigning mechanical properties to them.

-

Geoteknikk omhandler hvordan jord og stein kan brukes som byggeteknisk materiale. Kunnskap om grunnens mekaniske egenskaper danner grunnlaget for forebygging mot jordskred samt prosjektering av fundamentering av alle typer konstruksjoner. For å kartlegge stedlige grunnforhold i enkeltprosjekt utføres grunnundersøkelser, dette både i felt- og i laboratoriet. Manglende deling av data om grunnforhold var ett av punktene som ble trukket frem i Stortingsmelding 15 (2011-2012) «Hvordan leve med farene - om flom og skred», og som svar på dette lanserte NGU i 2013 en nasjonal database for grunnundersøkelser (NADAG). Der kunne foretak laste opp sine grunnboringsresultater, som siden ville bli gjort tilgjengelige gratis via webportal. Statens vegvesen driver sin egen grunnundersøkelsesdatabase (GUDB), som synkroniseres med NADAG. Inkludert boringer fra GUDB inneholdt NADAG i Januar 2019 registreringer fra over 100.000 borehull. Statens vegvesen har gjennomført et pilotprosjekt som har vist at en enkel maskinlæringsmodell kan trenes med grunnundersøkelsesdata for å identifisere kvikkleire og sprøbruddmaterialer direkte fra trykksonderingsdata. Dette gir bedre detekteringsnøyaktighet enn bruk av jordartsidentifikasjons-diagrammer som tidligere har vært brukt til dette formålet. Dette prosjektforslaget er en videreføring av pilotprosjektet, der store mengder grunnundersøkelsesdata skal undersøkes ved bruk av maskinlæring med studie av sonderingsdataene alene, samt å knytte registreringer fra ulike sonderingsmetoder til fysiske materialegenskaper i samme posisjon målt i laboratoriet. Hovedmålet er å undersøke muligheter for automatisk tolkning av geotekniske feltforsøk, ved å trene både enkle (beslutningstre, støttevektormaskiner, nærnabometoden, …) og mer avanserte matematiske modeller (diverse varianter av nevrale nettverk) på stor mengde av felt- og laboratorieforsøk.

Funding scheme:

OFFPHD-Offentlig sektor-ph.d.

Funding Sources