Tilbake til søkeresultatene

OFFPHD-Offentlig sektor-ph.d.

Tolkning av geotekniske feltundersøkelser ved bruk av maskinlæring

Alternativ tittel: Interpreting geotechnical soil investigations using machine learning

Tildelt: kr 1,7 mill.

Prosjektnummer:

310720

Prosjektperiode:

2020 - 2024

Midlene er mottatt fra:

Fagområder:

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, som både omfatter sonderboringer utført med geoteknisk borerigg og laboratorieundersøkelser av prøver som tas opp fra jorden. Norges Geologiske Undersøkelse lanserte i 2013 en nasjonal database for grunnundersøkelser (NADAG) der både offentlige etater og privat aktører kunne laste opp data fra sine prosjekt. Dette prosjektet har vært svært vellykket og ved årsskiftet 2018/2019 inneholdt NADAG grunnundersøkelsesdata fra over 100.000 borehull. Statens vegvesen driver egen database (GUDB) som hver dag synkroniseres med NADAG. Alle data i NADAG (og dermed GUDB) er gjort fritt tilgjengelig på internett. Maskinlæring er en tverrfaglig disiplin der datamaskiner settes i stand til å lære av og ta egne beslutninger basert på erfaringsdata. Dette prosjektet skal benytte maskinlæring for å studere store mengder grunnundersøkelsesdata for å lage modell som kan benyttes for automatisk tolkning av nye forsøk, både ved bruk av enkle (beslutningstre, nærnabometoden, o.s.v.) og avanserte matematiske modeller (diverse varianter av nevrale nettverk). Statens vegvesen har gjennomført et pilotprosjekt om bruk av maskinlæring i geoteknikk, der en enkel modell ble funnet å gi bedre detekteringsnøyaktighet for forekomst av kvikkleire ved bruk av data fra trykksondering (en populær undersøkelsesmetode) enn konvensjonelle tolkningsmetoder. Prosjektets hovedmål er å undersøke hvordan maskinlæring kan brukes for å tolke data fra geotekniske feltundersøkelser, slik et menneske ville gjort det. Det vil si å trene modeller til å studere datastrukturen i hele forsøk (måleverdier, helninger mot dybde, skarpe overganger, o.s.v.) for først å bestemme lagdeling, for siden å kunne bedømme jordart og mekaniske egenskaper.

-

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.

Budsjettformål:

OFFPHD-Offentlig sektor-ph.d.

Finansieringskilder