CC BY
11
УДК 550.8 https://doi.org/10.21440/2307-2091-2021-3-28-33
Определение специфических свойств глинистых пород методами машинного обучения
Дарья Игоревна ВДОВКИНА* Екатерина Вадимовна ПОНОМАРЕВА** Марина Викторовна ПОНОМАРЕВА***
Карагандинский технический университет, Караганда, Казахстан Аннотация
Актуальность работы. Активное развитие строительной отрасли ведет к тому, что охватываются территории, сложенные специфическими грунтами. Увеличиваются этажность и сложность возводимых конструкций. Ограниченные денежные и временные ресурсы требуют более эффективных методов предварительной разведки застраиваемой площадки. В связи с этим повышаются требования к проведению инженерно-геологических исследований. Особого внимания требуют территории, сложенные набухающими грунтами. Набухающие глинистые породы обладают свойством изменять свой объем при увлажнении и тем самым представляют серьезную угрозу для устойчивости конструкций и фундаментов. Измерение характеристик набухания занимает длительный период времени и требует значительных денежных средств. Целью данного исследования является установление взаимосвязи физических характеристик глинистых грунтов, на получение которых затрачиваются минимальные ресурсы, и их относительного набухания с применением методов машинного обучения.
Результаты. В результате исследования было построено три модели относительного набухания следующими методами машинного обучения: Decision tree, Gradient Boosting, Random Forest. Оценка моделей производилась по параметру Mean Squared Error, который измеряет среднее квадратическое отклонение между прогнозируемыми и истинными значениями. В результате оценки данного критерия для построения модели относительного набухания была выбрана модель Random Forest.
Выводы. Наличие прогностической модели относительного набухания позволит сэкономить денежные и временные ресурсы на предварительной стадии инженерно-геологических исследований. Для практического применения модели при инженерно-геологических изысканиях необходимо ее усовершенствование, которое заключается в увеличении количества исследуемых образцов и их характеристик.
Ключевые слова: глинистые породы, монтмориллонитовые глины, набухание, модель Random Forest, четвертичные отложения, неогеновые отложения.
Введение
В настоящее время происходит активное развитие строительной отрасли. Интенсивная городская застройка приводит к тому, что осваиваются территории со сложными геологическими условиями [1]. Одним из важных этапов предпроектных работ при строительстве зданий и сооружений являются инженерно-геологические изыскания. Цель инженерно-геологических исследований -комплексное обследование будущего участка строительства, а именно определение геологического строения территории, мониторинг за подземными водами, определение физических и физико-механических характеристик грунтов, прогнозирование опасных природных и техногенных процессов [2]. Особое внимание следует уделять просадочным и набухающим грунтам, так как основания фундаментов должны проектироваться с учетом этих особенностей. Основания, сложенные набухающими грун-
https://orcid.org/0000-0001 -7931 -9708 [email protected]
https://orcid.org/0000-0003-1322-6773 [email protected]
https://o rcid .org/0000-0001 -8652-9607
тами, должны проектироваться с учетом способности таких грунтов: при повышении влажности увеличиваться в объеме - набухать. При последующем понижении влажности у набухающих грунтов происходит обратный процесс - усадка [3]. Главной особенностью набухающих грунтов является резкое снижение их несущей способности при замачивании [4]. Недооценка набухающих грунтов является причиной повреждения многих промышленных и гражданских сооружений. Такие грунты распространены по всему миру, и многочисленный ущерб, который был получен в результате их набухающих свойств, задокументирован в разных странах, таких как Саудовская Аравия, Германия, Франция, Польша, Италия, Испания, США [5-7]. В том числе такой ущерб был зафиксирован в г. Караганде, Республика Казахстан. В 2012 г. произошло обрушение четырех пятиэтажных секций
восьмисекционного жилого комплекса «Бесоба» [8], поэтому вопросы, рассматриваемые в данной статье, являются весьма важными и актуальными.
Повышение влажности грунта может происходить в результате следующих процессов [9]:
- за счет подъема уровня подземных вод или инфильтрации - увлажнения грунтов производственными или поверхностными водами;
- накопления влаги под сооружениями в ограниченной по глубине зоне вследствие нарушения природных условий испарения при застройке территории (экранирование поверхности).
Определение набухающих свойств глинистых пород в лабораторных условиях является дорогостоящим и требует много времени. В связи с этим является актуальным вывод корреляционных зависимостей параметров набухания грунтов от их физических характеристик [10]. Наличие прогностических моделей для корреляции свойств набухания с физическими характеристиками значительно бы снизили затрачиваемые денежные и временные ресурсы, по крайней мере, на предварительной стадии проектирования [11].
На сегодняшний день были проведены многочисленные исследования и анализ факторов, которые влияют на набухание грунтов. Обобщение результатов исследований по корреляции выбранных параметров представлено в табл. 1 [1, 12-15].
В связи с этим в данном исследовании были приняты попытки определить взаимосвязь относительного набухания глинистых грунтов г. Караганды с их физическими и геологическими характеристиками с применением методов машинного обучения.
Методы исследования
В результате проведения инженерно-геологических изысканий в г. Караганде были отобраны и исследованы в лаборатории 399 проб глинистых пород (глины и суглинки) и получены значения следующих их характеристик: естественная влажность W, влажность на границе текучести WL, влажность на границе раскатывания W^, число пластичности 1р показатель текучести IL, плотность частиц грунта ps, плотность грунта p, плотность скелета pdry,
Таблица 1. Эмпирические зависимости для оценки набухания грунтов
Table 1. Empirical dependencies for assessing soil swelling
№ п/п
Зависимости
1 S = 1,00 + 0,006 (C + IP - W)
2 S = -432,06 + 7,73 C + 0,12 CEC + 0,46 IP + 4,30 Ydry - 1,18 W
3 S = 24,5 (P)-026 (IP-C)126 [F -7,1(P)022 (IP-C)0 78]
4 S = -31,321 + 0,592 C + 0,717 IP - 0,807 CEC - 0,891 W + 2,668 Ydry S = -9,567 + 0,606 C + 0,636 IP - 0,792 W-0,487 Yd + 6,289 I ^
i i i p i ' ' dry ' L
S = -19,856 + 0,595 C + 0,686 IP - 0,769 CEC
5 S = 25,202 + 0,643 WL - 2,089 W t
' ' L ' sat
S = 29,692 + 0,914 IP - 2,089 W t
P sat
Примечание: S - набухание грунта, %; С - содержание глины, %; IP - число пластичности, %; W - природная влажность, %; СЕС - катионообменная емкость, мг-экв; Ydry - объемный вес в сухом состоянии, г/см3; P - давление набухания, кПа; IL - показатель текучести, доли ед.; Wsat - полная влагоемкость, %.
плотность во взвешенном состоянии pb, пористость е, полная влагоемкость W , степень влажности S, отно-
sat r
сительное набухание E . Испытания в лаборатории для определения физических характеристик грунта и относительного набухания проводились согласно стандартам, применяемым на территории Республики Казахстан. Характеристики набухания определяют по результатам испытания образцов в компрессионных приборах при насыщении грунта водой. Для испытаний используют образцы ненарушенного сложения с природной влажностью или образцы нарушенного сложения с заданными значениями плотности и влажности.
Участки работ, где были проведены инженерно-геологические исследования, в орографическом отношении лежат в области водораздельного пространства между реками Нура и Шерубайнура. В целом рельеф представляет собой волнистую равнину, осложненную мелкосо-почником. Глины, вскрытые на исследуемых участках, относятся к неогеновому периоду, суглинки - к четвертичному. Нижнечетвертичные отложения представлены суглинками бурых и зеленовато-серых тонов с прослоями и линзами галечников, песков и супесей. Толща неогеновых осадков залегает на всей территории Центрально-Казахстанского мелко сопочника. Здесь широко развиты зеленые, зеленовато-серые монтмориллонитовые глины с марганцовистыми «картечинами», местами с гипсом и линзами мергеля, которые относятся к аральской свите нижне-среднемиоценового возраста.
Построение прогностической модели относительного набухания осуществлялось с помощью методов машинного обучения, таких как Decision tree (DT), Gradient Boosting (GB), Random Forest (RF). В качестве инструментов создания модели был использован высокоуровневый язык программирования Python посредством дистрибутива Anaconda. В качестве входных данных были использованы следующие параметры: физические характеристики пород, уровень подземных вод и глубина отбора проб, тип грунта. При этом 80 % данных использовались для обучения модели, а 20 % - для валидации построенной модели, согласно теореме Парето. Для отбора параметров, которые имеют наиболее выраженную взаимосвязь с относительным набуханием, был использован метод рекурсивного исключения признаков. Адекватность регрессионных моделей оценивалась показателем Mean Squared Error (MSE), который измеряет среднее квадратическое отклонение между прогнозируемыми и истинными значениями. При стремлении данного показателя к нулю результат считается наилучшим. Также для выбора лучшей модели, помимо среднего значения показателя MSE, использовалась диаграмма размаха показателя MSE, которая визуализирует разницу в распределении данного показателя между тремя моделями.
Результаты
База данных лабораторных исследований состоит из 399 проб глинистых пород, она была составлена в результате проведения инженерно-геологических изысканий в г. Караганде, Казахстан. Глинистые породы представлены суглинками и глинами четвертичного и неогенового периодов соответственно, которые территориально были отобраны на участках, расположенных в пределах г. Караганды.
Для выбора физических характеристик грунтов, которые имеют наиболее выраженную взаимосвязь с относительным набуханием, применялся метод рекурсивного выбора признаков, который отобрал следующие свойства грунтов: W, М, 7р 1Ъ,р5, (рис. 1). Помимо выбранных физических характеристик входными данными послужили:
- тип грунта - суглинок и глина. Литологическое расчленение пород позволяет учитывать генезис и возраст пород;
- уровень подземных вод и глубина отбора проб. Учитывает положение глинистой толщи относительно водоносного горизонта в естественных условиях.
По выбранным входным данным строилась прогностическая модель набухания при помощи трех методов машинного обучения. Оценка моделей осуществлялась с помощью параметра Ы8Б (табл. 2) и диаграммы размаха показателя Ы8Б (рис. 2).
Анализируя диаграмму размаха, которая отображает медиану, квартили, максимальные и минимальные значения, выбросы для всех трех методов, визуально можно
Таблица 2. Результаты обработки данных методами машинного обучения
Table 2. Results of data processing using machine learning methods
Модель Значение MSE
Decision tree 99,50
Random Forest 49,29
Gradient Boosting 53,66
отметить, что метод Random Forest имеет наилучшее распределение значений.
Из табл. 2 видно, что наибольший показатель MSE имеет модель, построенная методом Decision tree, и составляет 99,50, что говорит об отсутствии какой-либо зависимости между исследуемыми параметрами. Наименьшим показателем MSE обладает метод Random Forest и составляет 49,29. Показатель MSE модели, построенной методом Gradient Boosting, составляет 53,66.
Рисунок 1. Выбор признаков для создания математической модели Figure 1. Selection of features for creating a mathematical model
Рисунок 2. Диаграмма размаха показателя MSE: tree - метод Decision tree, random - метод Random Forest, gb - метод Gradient Boosting Figure 2. MSE indicator box plot: tree - Decision tree method, random - Random Forest method, gb - Gradient Boosting method
На рис. 3 представлены результаты прогнозирования набухания методом Random Forest. Синим цветом обозначены измеренные значения, которые были получены посредством лабораторных испытаний, красным цветом - прогнозируемые значения, полученные в результате построения прогностической модели.
Для построения диаграммы были использованы 80 значений относительного набухания глинистых пород (20 % данных, использовавшихся для валидации),
которые были получены в результате построения модели Random Forest.
На диаграмме рассеяния (рис. 4) представлена корреляция между прогнозируемыми и измеренными значениями относительного набухания. Коэффициент детерминации R2 составил 0,41. Коэффициент корреляции R - 0,64. Это говорит о том, что связь между переменными (относительным набуханием и физическими и геологическими характеристиками) является средней.
Рисунок 3. Гистограмма сравнения измеренных и прогнозируемых значений относительного набухания Figure 3. Bar graph comparing measured and predicted values of relative swelling
И qj
20
a 15
ra И to ÜJ 2
«a
&
to
О —
u О Он
С
R = 0,4111
/V
* «•
4
10
15
20
25
30
Измеренные значения
5
0
5
Рисунок 4. Диаграмма рассеяния относительного набухания Figure 4. Scatter diagram of relative swelling
Выводы
В данном исследовании использовались методы машинного обучения для моделирования, нацеленного на предложение нового подхода к предсказанию относительного набухания глинистых пород без проведения лабораторных исследований: относительное набухание £sw оценивалось на основе геологических характеристик (тип пород, залегание грунтов относительно водоносного горизонта, возраст пород) и физических характеристик (W, WL, WP, IP, IL, ps, Sr) для суглинков и глин г. Караганды на основе 399 образцов, полученных в результате проведения инженерно-геологических изысканий.
Сравнение моделей Decision tree, Random Forest, Gradient Boosting основывалось на показателе MSE и диа-
грамме рассеяния. Для прогнозирования относительного набухания был выбран метод Random Forest, так как имеет наименьший показатель MSE и наилучшее распределение на диаграмме рассеяния.
Данное исследование показало, что модель, построенная с помощью метода Random Forest, наиболее эффективна для моделирования относительного набухания глинистых пород по сравнению с моделями, построенными методами Decision tree и Gradient Boosting.
Коэффициент детерминации, который составил 0,41, говорит о том, что возможно применять построенную модель при инженерно-геологических изысканиях для разработки предпроектной документации, но необходимо ее улучшение для использования на рабочей стадии проекта.
ЛИТЕРАТУРА
1. Gawriuczenkow I., Wojcik E. Prediction of swell pressure in Neogene clays from Warsaw, based on the swell index // Geol. Geophys. Environ. 2018. Vol. 44. No. 2. P. 219-229.
2. Stupnik M. I. Research of physical and mechanical properties of argilliferous bearing strata // Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2011. (5). 25-27.
3. Al-Mhaidib A. I. Swelling behaviour of expansive shales from the middle region of Saudi Arabia // Geotech. Geol. Eng. 1998. Vol. 16. No. 4. P. 291-307. https://doi.org/10.1023/A:1008819025348
4. Khan, M. A., Wang, J. X., & Patterson, W. B. A study of the swell-shrink behavior of expansive Moreland clay // International Journal of Geotechnical Engineering. 2019. 13 (3), 205-217. https://doi.org/10.1080/19386362.2017.1351744.
5. Driscoll R. M. C. Subsidence damage to domestic buildings: lessons learned and questions remaining. IHS BRE Press, UK. 2000. 32 p.
6. Butscher C., Scheidler S., Farhadian H., Dresmann H., Huggenberger P. Swelling potential of clay-sulfate rocks in tunneling in complex geological settings and impact of hydraulic measures assessed by 3D groundwater modeling // Eng. Geol. 2017. Vol. 221. P. 143-153. https://doi.org/10.1016/j.enggeo.2017.03.010
7. Акт расследования причин обрушения дома № 7 в микрорайоне Бесоба // HoBocm 2012. URL: http://ekaraganda.kz/?mod=news_ read&id=5678
8. Основания зданий и сооружений: СН РК 5.01-02-2013. Астана: АО «КазНИИСА», 2015. 20 с.
9. Yilmaz, I., Yuksek, G. Prediction of the strength and elasticity modulus of gypsum using multiple regression, ANN, and ANFIS models // International Journal of Rock Mechanics and Mining Sciences. 2009. 46 (4). 803-810. https://doi.org/10.1016/j.ijrmms.2008.09.002
10. Das, S. K., Samui, P., Sabat, A. K., Sitharam, T. G. Prediction of swelling pressure of soil using artificial intelligence techniques // Environmental Earth Sciences. 2010. 61 (2). 393-403. https://doi.org/10.1007/s12665-009-0352-6.
11. Ermias B., Vishal V. Application of Artificial Intelligence for Prediction of Swelling Potential of Clay-Rich Soils // Geotech. Geol. Eng. Springer International Publishing, 2020. Vol. 38. No. 6. P. 6189-6205. https://doi.org/10.1007/s10706-020-01427-x
12. Sabtan A. A. Geotechnical properties of expansive clay shale in Tabuk, Saudi Arabia // J. Asian Earth Sci. 2005. Vol. 25. Issue 5. P. 747-757. https://doi.org/10.1016/jjseaes.2004.07.003
13. Erzin Yu. Artificial neural networks approach for swell pressure versus soil suction behaviour // Can. Geotech. J. 2007. Vol. 44. No. 10. P. 1215-1223. https://doi.org/10.1139/T07-052
14. Zumrawi M. M. E. Prediction of swelling characteristics of expansive soils // Sudan Engineering Society Journal. 2012. Vol. 58. No. 2. P. 55-62.
15. Erzin Yu., Gunes N. The unique relationship between swell percent and swell pressure of compacted clays // Bull. Eng. Geol. Environ. 2013. Vol. 72. No. 1. P. 71-80. https://doi.org/10.1007/s10064-013-0461-z
Статья поступила в редакцию 9 марта 2021 года
УДК 550.8 https://doi.org/10.21440/2307-2091-2021-3-28-33
Determination of the specific properties of clay rocks using machine learning methods
Dar'ya Igorevna VDOVKINA Ekaterina Vadimovna PONOMAREVA Marina Viktorovna PONOMAREVA*
Karaganda Technical University, Karaganda, Kazakhstan Abstract
Relevance. The active development of the construction industry leads to the fact that territories formed by specific soils start to get covered. The number of storeys and the complexity of the structures being built are increasing. Limited financial and time resources require more efficient methods of preliminary exploration of the development site. In this regard, the requirements for engineering and geological research are increasing. Areas with swelling soils require special attention. Swelling clayey rocks have the property of changing their volume when moistened and thus pose a serious threat to the stability of structures and foundations. Measuring swelling characteristics takes a long period of time and is costly.
The purpose of this research is to establish the relationship between the physical characteristics of clay soils, which require minimal resources to obtain, and their relative swelling using machine learning methods. As input data for constructing a model of relative swelling of clay rocks, the physical characteristics of soils were used such as natural moisture, liquid limit moisture, plastic limit moisture, plasticity index, liquidity index, solid particles density, soil density, dry unit weight, buoyant density, soil porosity, total moisture capacity, moisture degree. Results. According to these characteristics, three models of relative swelling were built using the following machine learning methods: Decision tree, Gradient Boosting, Random Forest. The models were evaluated using the Mean Squared Error parameter, which measures the standard deviation between the predicted and true values. As a result of evaluating this criterion, the Random Forest model was chosen to construct a model of relative swelling. Conclusions. The presence of a predictive model of relative swelling will save money and time resources at the preliminary stage of geotechnical research. For the practical application of the model in geotechnical research, it needs improving, which consists in increasing the number of investigated samples and their characteristics.
Keywords: clay rocks, montmorillonite clays, swelling, Random Forest model, Quaternary deposits, Neogene deposits.
REFERENCES
1. Gawriuczenkow I., Wojcik E. 2018, Prediction of swell pressure in Neogene clays from Warsaw, based on the swell index. Geol. Geophys. Environ, vol. 44, no. 2, pp. 219-229. https://doi.org/10.7494/geol.2018.44.2.219
2. Mohamed B., Mekhti D., 2016, Abdelhamid C. A method for predicting the deformation of swelling clay soils and designing shallow foundations that are subjected to uplifting. Acta Geotech. Slov, vol. 13, no. 1, pp. 65-75.
3. Al-Mhaidib A. I. 1998, Swelling behaviour of expansive shales from the middle region of Saudi Arabia. Geotech. Geol. Eng., vol. 16, no. 4, pp. 291-307. https://doi.org/10.1023/A:1008819025348
4. Driscoll R. M. C. 2000, Subsidence damage to domestic buildings: lessons learned and questions remaining. IHS BRE Press, UK. 32 p.
5. Butscher C., Scheidler S., Farhadian H., Dresmann H., Huggenberger P. 2017, Swelling potential of clay-sulfate rocks in tunneling in complex geological settings and impact of hydraulic measures assessed by 3D groundwater modeling. Eng. Geol., vol. 221, pp. 143-153. https://doi.org/10.1016Zj.enggeo.2017.03.010
6. The act of investigation of the causes of the collapse of house no. 7 in the Besoba microdistrict. News, 2012. (In Russ.) URL: http://ekaraganda. kz/?mod=news_read&id=5678
7. Foundations of buildings and structures: Construction norms, Republic of Kazakhstan 5.01-02-2013. Astana: JSC "KazNIISA", 2015. 20 p. (In Russ.)
8. Ermias B., Vishal V. 2020, Application of Artificial Intelligence for Prediction of Swelling Potential of Clay-Rich Soils. Geotech. Geol. Eng. Springer International Publishing, vol. 38, no. 6, pp. 6189-6205. https://doi.org/10.1007/s10706-020-01427-x
9. Sabtan A. A. 2005, Geotechnical properties of expansive clay shale in Tabuk, Saudi Arabia. J. Asian Earth Sci, vol. 25, issue 5, pp. 747-757. https://doi.org/10.1016/jjseaes.2004.07.003
10. Erzin Yu. 2007, Artificial neural networks approach for swell pressure versus soil suction behaviour. Can. Geotech. J., vol. 44, no. 10, pp. 1215-1223. https://doi.org/10.1139/T07-052
11. Zumrawi M. M. E. 2012, Prediction of swelling characteristics of expansive soils. Sudan Engineering Society Journal, vol. 58, no. 2, pp. 55-62.
12. Erzin Yu., Gunes N. 2013, The unique relationship between swell percent and swell pressure of compacted clays. Bull. Eng. Geol. Environ, vol. 72, no. 1, pp. 71-80. https://doi.org/10.1007/s10064-013-0461-z
The article was received on Marth 9, 2021
https://orcid.org/0000-0001 -7931 -9708 [email protected]
https://orcid.org/0000-0003-1322-6773 [email protected]
https://o rcid .org/0000-0001 -8652-9607
