Нейросеть ученых Пермского Политеха спрогнозирует осадку фундаментов зданий

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.

Результаты исследования молодые ученые опубликовали в журнале Journal of Physics: Conference Series. 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.