Предлагаем вниманию читателей адаптированный перевод подробного обзора «Трансформации в геотехнике с помощью искусственного интеллекта: достижения, проблемы и перспективы», который был подготовлен международной группой исследователей (преимущественно из Великобритании). Основой данной работы явился доклад авторов на Первом симпозиуме по применению искусственного интеллекта в геотехнике, проведенном в мае 2023 года в шотландском городе Глазго, после чего она почти два года дорабатывалась и в январе 2025 года поступила в виде статьи в редакцию журнала Computers and Geotechnics («Компьютеры и геотехника») издательства Elsiever («Элсевир/Эльзевир»»). Этот обзор будет опубликован в указанном журнале в январе 2026 года. Сейчас эта работа находится в открытом доступе по лицензии CC BY 4.0, которая позволяет копировать, распространять, адаптировать, видоизменять ее и создавать новое на ее основе, при указании вида лицензии, типов изменений и ссылки на первоисточник. В данном случае полная ссылка на источник для перевода приведена в конце.
Необходимость в освоении подземного пространства для создания критически важных объектов гражданского строительства неуклонно растет – для размещения коммунальной и транспортной инфраструктуры в городских условиях, для реализации инновационных жилищных и коммерческих решений, а также для поддержки растущей инфраструктуры возобновляемой энергетики, особенно в морской прибрежной зоне. Пожалуй, наиболее перспективным инструментом для соответствующей трансформации геотехники является искусственный интеллект (ИИ) благодаря его способности извлекать знания из данных и обеспечивать кардинальное повышение эффективности, устойчивости, надежности и безопасности работ.
Цель данной статьи – сформировать общее понимание текущего уровня применения искусственного интеллекта в геотехнике и исследовать перспективные направления его развития. Чтобы продемонстрировать достигнутый прогресс в этой сфере, рассматриваются конкретные примеры распространенных вариантов использования ИИ, в том числе для интеллектуальных геотехнических изысканий, прогнозного моделирования поведения грунтов и оптимизации процессов проектирования и строительства. Кроме того, в статье затрагиваются важнейшие исследовательские вопросы, такие как недостаток данных и проблемы интерпретации результатов, а также обсуждаются возможности, которые открываются при внедрении ИИ в геотехнику. И наконец, определяются ключевые технологические перспективы будущих преобразований в отрасли.
Сегодня представляем первую часть перевода, в которой рассказывается о целях и направлениях развития искусственного интеллекта, а также о последних достижениях в разработке наиболее популярных приложений ИИ в геотехнике. Отметим, что в список литературы вошли статьи, на которые были ссылки в этой части.
Интеграция искусственного интеллекта (ИИ) в самые разные сферы деятельности уже стимулирует прогресс в их трансформации. Например, в здравоохранении инструменты диагностики и прогнозные модели на основе ИИ способствуют повышению точности выявления заболеваний и планирования лечения [1]. Применение искусственного интеллекта в экономике и в частности в ее финансовой сфере позволило оптимизировать торговые стратегии, управление рисками и выявление мошеннических действий [2]. Технологии ИИ также используются для создания цифровых двойников крупных строительных объектов, например железнодорожных мостов и путей [3, 4]. В связи с недавним быстрым развитием крупных языковых моделей (программных алгоритмов, анализирующих тексты, понимающих их контексты, обрабатывающих их и генерирующих новые тексты, например ChatGPT [5]) значительный вырос интерес к исследованиям потенциала ИИ для обеспечения кардинального увеличения эффективности и инноваций в геотехнике.
Один из ключевых стимулов внедрения искусственного интеллекта в геотехнику – насущная необходимость в решении все более сложных задач, возникающих как при развитии подземной инфраструктуры [6, 7 и др.], так и при строительстве инфраструктуры морской прибрежной энергетики [8 и др.]. Подповерхностные условия могут быть как очень сложными, так и неопределенными. Точное прогнозирование поведения грунтов – также весьма сложная задача. Традиционные аналитические методы часто не справляются с тонкостями и парадоксами геотехнических данных, что приводит к потенциальным неточностям и неэффективности процессов проектирования и строительства [9]. Однако для более глубокого анализа растущих массивов данных, который позволит создавать более целостные и точные прогнозные модели и повышать эффективность рабочих процессов, могут послужить передовые алгоритмы машинного обучения (МО) и методы, основанные на данных. Важно отметить, что возможности многих подходов МО могут быть, в свою очередь, расширены для учета неопределенностей моделей, что повысит надежность их работы со сложными или неполными данными.
В этой обзорно-концептуальной статье обобщены ключевые возможности, проблемы и необходимость исследований в области применения искусственного интеллекта в геотехнике. Вместо исчерпывающего обзора имеющихся литературных источников рассматриваются отдельные показательные примеры использования ИИ в интеллектуальных инженерных изысканиях, прогнозном моделировании поведения грунтов, а также в оптимизации процессов проектирования и строительства, чтобы подкрепить приведенные аргументы. При этом обсуждение каждого из перспективных направлений основывается на современной доказательной базе.
Развитие ИИ направлено на создание интеллектуальных машин, которые могут имитировать человеческий интеллект. Основная цель при этом – сделать так, чтобы машины могли воспринимать информацию по окружающей среде, рассуждать, извлекать уроки из опыта и принимать обоснованные решения на основе данных и закономерностей [10]. Искусственный интеллект – это широкий термин, охватывающий в том числе машинное обучение, компьютерное зрение и робототехнику (рис. 1).
Рис. 1. Схема направлений (подобластей) искусственного интеллекта
Машинное обучение (machine learning, ML) является фундаментальным элементом разработки интеллектуальных систем и включает создание алгоритмов и/или статистических моделей, позволяющих машинам постепенно улучшать эффективность выполнения конкретных задач при наличии обучающих данных. Оно включает следующие подобласти, каждая из которых сосредоточена на определенных аспектах имитации интеллекта: обучение «с учителем» (контролируемое), обучение «без учителя» (неконтролируемое), обучение с подкреплением (методом «проб и ошибок»), глубокое обучение, а также байесовские методы и обработку естественного языка (однако такая классификация не полностью соответствует рисунку 1 – и редактор адаптированного перевода счел необходимым добавить пояснения. Во-первых, байесовские методы – это скорее не подобласть машинного обучения, а технический подход, который можно применять во всех перечисленных до него подобластях. Поэтому данный подход не обозначен на рисунке 1, хотя иногда его показывают как пересекающийся слой или как уточнения внутри других ветвей. Во-вторых, обработку естественного языка чаще выделяют в виде отдельной ветви искусственного интеллекта, как показано на рисунке 1, хотя в ней активно используются методы машинного обучения для анализа и генерации текстов и речи. – Ред.).
Глубокое обучение (deep learning, DL) представляет собой дополнительную подобласть машинного обучения, направленную на разработку и обучение искусственных нейронных сетей, которые имитируют архитектуру и принципы работы человеческого мозга. Оно использует множество слоев (отсюда в названии и слово «глубокое») взаимосвязанных узлов, или нейронов, для решения более сложных задач, автоматически учась иерархически представлять данные, абстрагировать и извлекать признаки данных на разных уровнях сложности (абстракции).
В процессе обучения с подкреплением (reinforcement learning, RL) обучающийся агент (алгоритм, система) многократно взаимодействует с заданной средой, то есть пробует разные действия, каждый раз получая обратную связь о принятых решениях в виде «штрафа» или «вознаграждения», в результате чего со временем вырабатывает оптимальное поведение.
Обработка естественного языка (natural language processing, NLP) направлена на то, чтобы дать машинам возможность понимать, анализировать и генерировать человеческий язык. Это направление выходит за рамки простого распознавания текста и включает в том числе такие задачи, как анализ тональности (эмоциональной окраски), машинный перевод и ответы на вопросы.
Также популярны варианты машинного обучения, построенные на байесовском подходе, которые используются для учета алеаторных (связанных с природными случайностями и шумом в данных) и эпистемических (обусловленных недостатком знаний) неопределенностей при анализе данных. В геотехнических приложениях они могут учитывать неопределенности, связанные с материалами (включая их пространственную изменчивость и неопределенность свойств) и/или с численными моделями, а также неопределенности, присущие качеству данных и системам измерений [11–13].
Данная работа сосредоточена на последних достижениях в области регрессионных моделей и классификаторов для:
1) инверсии (например, установления связи между полевыми данными и геотехническими параметрами);
2) прогнозирования реакций материалов (например, при устройстве свай, смещениях фундаментов, оползнях);
3) прогнозирования реакций инженерных конструкций (например, для управления тоннелепроходческими комплексами);
4) повышения эффективности детерминированных методов (например, комплексных геомеханических (конститутивных) моделей поведения материалов).
Интеллектуальные инженерные изыскания и моделирование грунтовой среды
При геотехнических изысканиях для построения моделей
грунтовой среды на основе данных широко применяется машинное обучение, чтобы получить информацию, необходимую для проектировании фундаментов и выбора оптимальных мест отбора проб [14–16].
Модели грунтовых условий на основе данных обычно строятся с использованием геотехнической информации, такой как результаты динамического зондирования грунтов пробоотборником (методом SPT) или сплошным наконечником без отбора проб (методом DPT). Это моделирование решает такие две основные задачи прогнозирования, как определение стратиграфического строения подповерхностной среды и пространственная интерполяция (прогнозирование) геотехнических свойств грунтов.
Для определения стратиграфического строения грунтовой среды к настоящему моменту применяются различные методы машинного обучения, такие как:
На рисунке 2 приведены примеры недавних реальных случаев идентификации границ стратиграфических слоев с использованием данных статического зондирования конусом (методом CPT) и динамического зондирования сплошным наконечником без отбора проб (методом DPT). Как показали Сурьясентана с коллегами [29], байесовские методы выявления точек/границ изменений для отдельных признаков (Univariate Bayesian Change Point Detection, BCPD) превосходят многомерные подходы (для нескольких признаков) при выделении стратиграфических слоев по данным CPT. В частности, комбинированный (типологический) индекс поведения грунта Ic обеспечивает более надежное прогнозирование границ, чем совместный анализ сопротивления под конусом Qt и коэффициента трения Fr (отношения сопротивления по боковой поверхности к лобовому). Это, вероятно, связано с эмпирической калибровкой индекса Ic на основе существующих баз данных по классификации грунтов, которые неявно включают априорные знания, подходящие для стратиграфической интерпретации.
Рис. 2. Прогнозирование границ стратиграфических слоев с использованием: а – данных динамического зондирования сплошным наконечником без отбора проб (методом DPT) [21]; б – данных статического зондирования конусом (методом CPT) [28]. Расшифровка аббревиатуры: BCPD – байесовский метод выявления точек изменений для отдельных признаков (Univariate Bayesian Change Point Detection)
Ранее для пространственного прогнозирования геотехнических свойств исследователи применяли такие методы, как: кригинг [30–33]; подходы на основе случайных полей [31]; байесовское сжимающее восстановление разреженных данных [22, 34–36]; множественно-точечная статистика [37]; метод XGBoost (алгоритм градиентного бустинга, использующий ансамбль решающих деревьев) [38]; нейронные сети [39, 40].
Кроме того, в последнее время вырос интерес к комплексному моделированию грунтовоых условий, объединяющему данные из разных источников (результаты геофизических и геотехнических исследований). Объединение данных разных типов направлено на создание более точных и согласованных моделей грунтовой среды, использующих преимущества каждого источника. Методы объединения данных применяются для изучения взаимосвязей между различными источниками и их использования для прогнозирования состояния подповерхностных условий. К этим методам относятся: кокригинг [39, 41]; подходы на основе случайных полей [42]; многомасштабные подходы [43]; байесовский вывод (байесовская вероятностная оценка) [44, 45]; байесовское сжимающее восстановление разреженных данных из разных источников [46, 47]; метод случайного леса (ансамблирования деревьев решений) [48]; нейронные сети [39, 49, 50].
Прогнозное моделирование поведения грунтов
Грунты представляют собой сложные дисперсные материалы со сложным механическим поведением, включая критическое состояние [51, 52], зависимость от начального состояния (например, [53]), дилатансию при нагружении [54–56 и др.], анизотропию [57, 58 и др.], деструктурирование [59–61 и др.], зависимость от траектории напряжений [62 и др.], зависимость от времени [63, 64 и др.] и некоаксиальность напряжений и деформаций [65 и др.]. Это послужило стимулом для разработки ряда комплексных геомеханических (конститутивных) моделей поведения грунтов, предназначенных для учета его зависимости от времени [66, 67 и др.], зависимости от состояния [68, 69 и др.], дилатансии при нагружении [70, 71 и др.], анизотропии
[72–74 и др.], зависимости от траектории напряжений [75 и др.], некоаксиальности напряжений и деформаций [76 и др.] и фазовых переходов [77 и др.].
При традиционном конститутивном моделировании предполагается, что поведение грунта может быть описано математическим уравнением с набором параметров или переменных. Но стремление отразить нестандартные реакции грунтов все время приводит к появлению все более сложных конститутивных моделей с увеличенным количеством материальных параметров. Например, модель SANISAND [78] включает несколько тензоров внутренней структуры грунта и внутренних переменных, которые, хотя и позволяют успешно моделировать сложное поведение материала, значительно усложняют калибровку модели и ограничивают ее интерпретируемость.
С ростом доступности ресурсов искусственного интеллекта в начале 1990-х годов некоторые исследователи начали изучать применение методов ИИ, в частности нейронных сетей, в качестве альтернативы для моделирования поведения материалов [79, 80 и др.]. Эллис с соавторами [81] и Габусси с коллегами [79] стали пионерами в разработке комплексных геомеханических (конститутивных) моделей грунтов на основе нейронных сетей. И вскоре появилось заметное количество конститутивных моделей на основе ИИ
[82–84 и др.]. Развитие такого моделирования вышло за рамки нейронных сетей и включало другие методы ИИ, например эволюционную регрессию [85]. В последние годы исследования в рассматриваемой области перешли к численной реализации этих «интеллектуальных» материальных моделей [86–89 и др.].
Однако эффективность ранних конститутивных моделей на базе ИИ, полностью основанных на данных, была неоднозначной из-за их низкой интерпретируемости и необходимости в больших объемах данных для эффективного обучения. Важно отметить, что такие модели демонстрировали слабую способность к обобщению (экстраполяции): достоверность прогнозов ухудшалась за пределами области признаков, использованных в обучающем наборе данных.
Возрождение в последние годы интереса к использовнию искусственного интеллекта в геотехнике дало новый толчок разработке конститутивных моделей на основе ИИ, причем методы машинного обучения с учетом физических закономерностей [90–92] стали ключевым трендом в моделировании материалов. В недавних исследованиях рассматривалась возможность объединения априорных/базовых знаний, таких как эмпирические зависимости или физические законы, с методами МО для ограничения предсказаний разумными пределами [93–98 и др.]. Несмотря на то что эти разработки значительно улучшили обобщающую способность, такие гибридные модели по-прежнему требуют больших наборов высококачественных данных для достижения эффективности предсказаний, сопоставимой с эффективностью использования традиционных конститутивных моделей.
Эти проблемы стимулировали развитие интерпретируемых подходов в МО, пригодных для обучения на наборах разреженных геотехнических данных [99]. Например, Чжан с соавторами [100] включили в
нейронную сеть на основе априорной информации три различных теоретических подхода – инкрементальную нелинейность, гиперупругость и упругопластичность (например, рис. 3). Для создания моделей поведения реальных грунтов в сочетании с многоуровневой схемой моделирования (с разной точностью) использовались три модели нейронных сетей на основе априорной информации, чтобы максимизировать влияние разреженных высокоточных данных (и, следовательно, снизить зависимость от них). Такой подход обеспечил эффективный, точный и универсальный метод моделирования поведения грунтов. Это продемонстрировало потенциал методов ИИ , учитывающих физические законы (физически информированных), для создания конститутивных моделей грунта.
Рис 3. Процесс моделирования с несколькими/многими уровнями точности, использованный в работе Чжана и др. [99], который включает комбинацию нейронной сети на основе данных и традиционные модели на основе наблюдений (феноменологические)
Оптимизация геотехнического проектирования, строительных процессов и оценки рисков
В современной геотехнике ключевым направлением стала оптимизация геотехнического проектирования и строительных процессов с растущим вниманием к использованию технологий искусственного интеллекта.
Исторически геотехническое проектирование в значительной степени опиралось на ручные расчеты и анализ, эмпирические методы и упрощенные модели [101]. Хотя эти подходы во многих случаях демонстрировали эффективность, их ограничения при решении сложных современных задач становятся все более очевидными.
В сфере фундаментостроения для прогнозирования несущей способности [102–105 и др.] и осадок [106–110 и др.] фундаментов неглубокого заложения применялись различные алгоритмы машинного обучения.
Исследователи также использовали методы ИИ для уточнения различных аспектов проектирования свай, включая:
a) забиваемость свай [111, 112 и др.];
б) сопротивление вертикальной нагрузке [113–117 и др.];
в) сопротивление боковой нагрузке [118–120 и др.];
г) осадки и смещения [121–123 и др.];
д) эффекты для группы свай [124 и др.].
Пример усовершенствования метода проектирования с помощью искусственного интеллекта представлен на рисунке 4 – в данном случае для решения задачи забиваемости сваи, то есть среднего значения глубины ее погружения за один удар молота [112]. На рисунке показана ошибка в прогнозах забиваемости сваи при использовании стандартной для отрасли модели, которую разработали Ольм и Хамре [125], и обобщенной модели, улучшенной с помощью машинного обучения, для случая забивки рабочей сваи в переходных грунтах (смешанного состава) на шельфе. Следует отметить, что ключевым компонентом структуры МО была модель на основе волнового уравнения под названием IMPACT, которая описывает, как энергия удара молота распространяется вдоль сваи и взаимодействует с грунтом, причем ее внутренние параметры не изменялись в процессе обучения. Получившаяся в итоге обновленная обобщенная модель продемонстрировала значительно более высокую точность по сравнению с моделью Ольма и Хамре [125].
Рис. 5. Использование суррогатных моделей на основе искусственного интеллекта для задачи снижения риска камнепадов: а – блок-схема их применения для достижения точности передовых численных моделей при уровне эффективности, необходимом для крупномасштабного территориального планирования; б – пример результатов работы суррогатной модели относительно стандартного порога энергии в 500 кДж [154]
—
Продолжение следует
наверх
Поделиться
Поделиться
Скопировать ссылку
Оформить подписку