Står du støtt? Algoritmer gjenkjenner kvikkleire
Ida Rambæk, SINTEF
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 som dugg for sol i Alta. Heldigvis gikk ingen menneskeliv tapt. Men felles for de aller fleste skredene, er at de er menneskeskapt og knyttet til byggeaktivitet.
Sensitiv leire
Grundig kartlegging av grunnforholdene er en forutsetning for alle utbygginger, 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.
Men 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 er lovende, og ble nylig vitenskapelig publisert i artikkelen: «Application of machine learning to the identification of quick and highly sensitive clays from cone penetration tests».
Én maskin er nok
Flere områder i norske byer er bygget på kvikkleire. Blant annet ligger Oslo og Trondheim i områder som i istiden lå under havnivå. Da isen trakk seg tilbake og jorda hevet seg, for om lag 10.000 år siden, har strømming av vann vasket ut salt og gitt mer kvikkleire.
Skal man bygge noe som helst i et slikt område, må man ta forholdsregler. Først og fremst må det sørges for 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.
Kostbare metoder
I dag er såkalt trykksondering med poretrykksregistrering (CPTu) 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 man 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 BA-næringen i Norge. Bedre verktøy for laboratorie- og feltundersøkelser vil gjøre planlegging av store utbyggingsprosjekter mye enklere og billigere, sier SINTEF-forskeren.
Fra oljenæringen
Sammen med NTNU har SINTEF 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.
Idéen om å bruke maskinlæring fikk vi fra oljeindustrien, som lenge har brukt kunstig intelligens for geologisk kartlegging av havbunnen. Vi ville se om det også fungerer for å identifisere kvikkleire.
Presise svar
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.
Innen tre år
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. Da må algoritmene trenes med mye større datasett. I tillegg må vi ha mange og gode laboratorietester for å verifisere 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.
