Japanse ingenieurs hebben met kunstmatige intelligentie een model ontwikkeld om de stabiliteit van de ondergrond beter te voorspellen. Volgens de bedenkers kan de tool voorkomen dat er gebouwd wordt op plekken die gevoelig zijn voor aardbevingen en zelfs kunnen veranderen in zinkgaten.
In aardbevingsgevoelige landen als Japan is een van bedreigingen voor de infrastructuur ‘liquefactie’ of ‘vloeibaarwording’. Bij dat fenomeen zorgen intense trillingen ervoor dat een bodem met veel water zijn sterkte verliest en zich plots gaat gedragen als een vloeistof. Liquefactie kan ertoe leiden dat gebouwen wegzakken in de grond, funderingen scheuren en er grote gaten in wegen ontstaan waarin auto’s, huizen of mensen wegzakken.
Naarmate steden wereldwijd groter worden, is de dreiging van natuurrampen een zorg waar stadsplanners extra rekening mee dienen te houden. Want ook die natuurfenomenen kunnen de trillingen teweegbrengen die liquefactie in gang zetten.
Machine learning
De schade van liquefactie is vaak aanzienlijk. Zo veroorzaakte de Tōhoku-aardbeving in Japan liquefactie waardoor minstens duizend huizen beschadigd raakten. In 2011 resulteerde een aardbeving in Christchurch, Nieuw-Zeeland in liquefactie. Ongeveer tachtig procent van alle nutsvoorzieningen zoals water- en rioleringssystemen werden toen verwoest. In 2024 veroorzaakte de aardbeving in het Japanse Noto liquefactie, en werden 6.700 huizen getroffen.
Wetenschappers Shinya Inazumi en Yuxin Cong van het Shibaura Institute of Technology hebben nu machine-learningmodellen ontwikkeld die voorspellen hoe de bodem zal reageren tijdens aardbevingen. Ze gebruiken geologische gegevens om 3D-kaarten van de bodemlagen te maken. Naast de stabiele gebieden worden ook de gebieden die vatbaarder zijn voor liquefactie aangeduid.
Stabiele infrastructuur
‘Ons onderzoek is een nauwkeurige voorspellingsmethode voor onbekende gebieden, en toont het significante potentieel van machine learning in geotechniek aan’, zegt hoogleraar Ingenieurswetenschappen Shinya Inazumi. ‘Deze verbeterde voorspellingsmodellen maken een veiligere en efficiëntere planning van de infrastructuur mogelijk, wat cruciaal is voor aardbevingsgevoelige regio’s.’
De onderzoekers zijn hoopvol dat hun kaart een waardevol visueel hulpmiddel zal zijn voor burgerlijk ingenieurs bij het identificeren van geschikte bouwlocaties met stabiele bodems. Ze zien hun methode als een belangrijke factor voor de groei van slimme steden en benadrukken het belang van datagestuurde strategieën bij stedelijke ontwikkeling en infrastructuurplanning.
