Denne artikkelen er produsert og finansiert av Sintef - les mer.

Kvikkleireskred starter ofte uten forvarsel, og kan gjøre stor skade, som her i Alta.
Kvikkleireskred starter ofte uten forvarsel, og kan gjøre stor skade, som her i Alta.

Algoritmer lærte overraskende kjapt å kjenne igjen kvikkleire

Det kan være gode nyheter for norsk byggenæring. De fleste kvikkleireskred utløses nemlig av menneskelig påvirkning.

Det skjer med jevne mellomrom: Kvikkleireskred tar med seg hus, dyr og folk. Konsekvensene blir enorme, både menneskelig og materielt. Sist dette var hovedoppslag i nyhetene var i juni, da en rekke hus og hytter forsvant i sjøen i Alta. Heldigvis gikk ingen menneskeliv tapt. Men felles for de aller fleste skredene er at de er menneskeskapt og knyttet til byggeaktivitet.

– Grundig kartlegging av grunnforholdene er en forutsetning for alle byggeprosjekter, og det er spesielt viktig å finne ut om bakken inneholder kvikkleire eller annen sensitiv leire. Ved overbelastning blir nemlig kvikkleira flytende og kan utløse store skred, sier seniorforsker Ivan Depina i Sintef.

Vanlige geologiske prøvemetoder fanger ikke så lett opp kvikkleire. Derfor har forskere ved Sintef og NTNU undersøkt om maskinlæring, en metode innen kunstig intelligens, kan være til hjelp.

Resultatene virker lovende.

Norske byer bygget på kvikkleire

Flere områder i norske byer er bygget på kvikkleire. Blant annet ligger Oslo og Trondheim i områder som i istiden lå under havnivå.

Etter at isen trakk seg tilbake, og jorda hevet seg, for om lag 10 000 år siden, har strømming av vann vasket ut salt og ført til dannelse av kvikkleire.

Skal man bygge noe som helst i et slikt område, må man ta forholdsregler.

– Først og fremst må man sørge for å få god kunnskap om forholdene under bakken, for å beregne hvor mye last grunnen tåler og hvilke stabiliseringstiltak som er nødvendige. På noen steder kan graving eller vekten av en enkelt gravemaskin være nok til å utløse et stort skred, forteller Depina.

Figuren viser hvordan antall CPTu-profiler modellen trenes med, påvirker hvor nøyaktig den identifiserer kvikk- og sensitiv leire. Man får ganske nøyaktige resultater med bare fire, i noen tilfeller tre, CPTu-profiler.
Figuren viser hvordan antall CPTu-profiler modellen trenes med, påvirker hvor nøyaktig den identifiserer kvikk- og sensitiv leire. Man får ganske nøyaktige resultater med bare fire, i noen tilfeller tre, CPTu-profiler.

Dagens metoder er kostbare

Trykksondering med poretrykksregistrering (CPTu) er den mest brukte metoden for grunnundersøkelser. Men den gir ikke alltid pålitelige resultater for kvikkleire og andre sensitive leirer.

CPTu-resultatene må tolkes av en geotekniker og ofte trenger ekspertene laboratorieanalyser av boreprøver i tillegg for å få et sikkert svar.

Det er en kostbar og arbeidskrevende prosess.

– Hvis vi kan automatisere denne prosessen, og i tillegg oppnå mer nøyaktige resultater, vil det være en stor gevinst for byggenæringen i Norge. Bedre verktøy for laboratorie- og feltundersøkelser vil gjøre planlegging av store utbyggingsprosjekter mye enklere og billigere, sier Depina.

Sammen med kollegaer fra NTNU har han trent og testet ulike maskinlæringsalgoritmer med CPTu-data fra to geologiske områder, i tillegg til geologiske data fra Statens vegvesen.

Målet var å utvikle en analysemodell som identifiserer kvikkleira nøyaktig ved hjelp av CPTu-tester.

– Ideen om å bruke maskinlæring fikk vi fra oljeindustrien. De har lenge brukt kunstig intelligens for geologisk kartlegging av havbunnen. Vi ville se om det også fungerer for å identifisere kvikkleire, forteller forskeren.

Figuren viser hvor nøyaktig ulike maskinlæringsmetoder identifiserer kvikkleire og sensitiv leire for fire ulike CPTu. Når algoritmene trenes med lokale data, identifiseres leiren med høy nøyaktighet.
Figuren viser hvor nøyaktig ulike maskinlæringsmetoder identifiserer kvikkleire og sensitiv leire for fire ulike CPTu. Når algoritmene trenes med lokale data, identifiseres leiren med høy nøyaktighet.

Fikk nøyaktige svar med begrenset datamengde

Resultatene var faktisk bedre enn forventet. Når algoritmene ble trent med data fra det samme området som de skulle jobbe med, lærte de raskt å kjenne igjen kvikkleira.

Algoritmene trengte bare å trene på fire CPTu-profiler – i noen tilfeller kun tre – for å gi nøyaktige resultater.

– Men, det er lett å få gode resultater med maskinlæring når modellen er trent med datasett som likner veldig på det den skal jobbe med, innrømmer forskeren.

Målet er en generell analysemodell

– Neste utfordring blir å utvikle en modell som gir pålitelige resultater med helt nye data. Det vil si at den skal identifisere kvikkleire i geologiske forhold den ikke kjenner fra før.

Depina forteller at algoritmene da må trenes med mye større datasett. I tillegg må de ha mange og gode laboratorietester for å forsikre seg om at svarene stemmer med virkeligheten.

Statens vegvesen har geologiske data fra hele Norge, og forskere ved NTNU er i gang med å trene ulike algoritmer med disse dataene.

– Vi håper treningen gir gode resultater innen tre år. Hvis algoritmene lykkes, er vi mye nærmere en ny modell for kartlegging av grunnforhold slik at store, farlige skred kan unngås, sier Depina.

Referanse:

Cristian Godoy mfl.: Application of machine learning to the identification of quick and highly sensitive clays from cone penetration tests, J. Zhejiang Univ. Sci. A, 2020.

Powered by Labrador CMS