В северных регионах Таиланда, отличающихся сложной геологией и активными системами разломов, часто происходят оползни, угрожающие жизни людей и критически важной инфраструктуре. В 2022 году на шоссе № 1088 в провинции Чиангмай, северный Таиланд, произошёл провал склона.
Когда исследовательская группа под руководством профессора Шинья Инадзуми из Технологического института Шибаура проводила геотехнические исследования, чтобы определить причину обрушения, они столкнулись с критическим ограничением.
Двухмерная визуализация электрического сопротивления охватывала всю площадь склона, но данные из скважин были доступны только вдоль определённых линий исследования, оставляя значительные части участка не охарактеризованными. Этот пробел создавал значительные неопределённости в идентификации границ почвенных слоёв, различении разных геоматериалов и оценке относительной жёсткости почвы в зоне обрушения.
Команда осознала, что, хотя бурение обеспечивает точные данные в определённых точках, его высокая стоимость и временные затраты делают комплексное обследование участка нецелесообразным, особенно в сложных горных условиях.
Прорыв в области машинного обучения
В связи с этим достижения в области машинного обучения открывают новые возможности для распознавания закономерностей в геофизических данных.
Команда представляет прорывную методологию, которая значительно сокращает потребность в дорогостоящем и трудоёмком бурении скважин в геотехнических исследованиях. Их выводы были опубликованы в Journal of Rock Mechanics and Geotechnical Engineering 26 сентября 2025 года.
Сочетание методов
Объединив двухмерную визуализацию электрического сопротивления с машинным обучением, в частности с кластерным анализом k-means, исследование успешно оценило параметры прочности почвы (значения N₆₀) на больших площадях, используя данные всего из четырёх стратегически расположенных скважин.
Ключевое нововведение заключается в разработке надёжного степенного уравнения (R² = 0,9467), которое коррелирует электрическое сопротивление подповерхности с жёсткостью почвы, подтверждённое с высокой точностью (MAE = 3,94, RMSE = 5,21).
Профессор Инадзуми отмечает: «Наш алгоритм машинного обучения успешно классифицировал подповерхностные материалы на три различных уровня компетентности: материалы с низкой компетентностью, такие как рыхлый песок, материалы со средней компетентностью, такие как средне-жёсткая глина, и материалы с высокой компетентностью, такие как жёстко-твёрдая глина».
Преимущества подхода
Предложенный подход значительно сокращает количество необходимых скважин, сохраняя при этом надёжную характеристику подповерхности, а также минимизирует риски нарушения грунта, деградации поверхности и загрязнения грунтовых вод, связанные с обширным бурением.
Кроме того, он предоставляет непрерывную информацию о подповерхности на всей исследуемой территории, а не только в отдельных точках бурения, что позволяет всесторонне выявлять слабые зоны для предотвращения оползней и анализа устойчивости склонов.
Эта интегрированная геофизическая, геотехническая и машинно-обучающая структура предлагает масштабируемое и практичное решение для проектирования фундаментов, оценки устойчивости склонов и планирования инфраструктуры, особенно ценное в сложных условиях, где традиционное бурение затруднено или нецелесообразно.
Профессор Инадзуми подчёркивает потенциальные реальные приложения своей работы: «Дорожные департаменты могут оценить стабильность почвы вдоль дорог и выявить слабые зоны, склонные к обрушению склонов, как это было продемонстрировано в исследовании шоссе № 1088 в северном Таиланде после оползня 2022 года. Строительные компании могут оптимизировать конструкции фундаментов, картируя изменения прочности почвы на строительных площадках, снижая избыточное проектирование в районах с прочным грунтом и обеспечивая адекватную поддержку в более слабых зонах».
Применение в различных сферах
Кроме того, эта работа может позволить государственным учреждениям проводить комплексное картографирование оползневых опасностей в горных районах, выявляя уязвимые склоны для принятия проактивных мер по стабилизации.
Она также может помочь инженерам в оценке путей просачивания и целостности насыпей в существующих плотинах без ущерба для структурной стабильности из-за чрезмерного бурения, а также помочь муниципальным планировщикам в проведении предварительных исследований участков на больших территориях застройки с минимальными затратами, уделяя приоритетное внимание детальному бурению только в критических местах, определённых с помощью исследований сопротивления.
Наконец, агентства по чрезвычайным ситуациям могут создавать региональные карты подповерхностной прочности для оценки устойчивости к разжижению при землетрясениях и планирования устойчивости инфраструктуры благодаря этому исследованию.
В целом, разработка интегрированной структуры, которая может расширить ограниченные данные из скважин на все области исследования, как ожидается, сделает комплексную характеристику подповерхности как осуществимой, так и доступной.
Предоставлено:
Технологический институт Шибаура.