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.
– 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, utdyper forsker Ivan Depina i SINTEF.
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 virker 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.
Norske byer er 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. Da 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 at kvikkleire har blitt dannet.
Skal man bygge noe som helst i et slikt område, må man ta forholdsregler.
Kvikkleireskredet i Kråkneset Alta, 03.06.2020. Foto: Anders Bjordal/NVE
– 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 Ivan Depina.
- Les også: Dette skjer ved kvikkleireskred
Dagens metoder er kostbare
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 byggenæringen i Norge. Bedre verktøy for laboratorie- og feltundersøkelser vil gjøre planlegging av store utbyggingsprosjekter mye enklere og billigere, sier SINTEF-forskeren.
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.
– Idéen om å bruke maskinlæring fikk vi fra oljeindustrien, de har lenge benyttet kunstig intelligens for geologisk kartlegging av havbunnen. Vi ville se om det også fungerer for å identifisere kvikkleire, forteller forskeren.
- Les også: Når fast grunn blir suppe
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.
Treffsikker metode: Figuren viser hvor nøyaktig modellen identifiserer kvikkleire, etter hvor mange CPTu-profiler (datasett fra prøver med trykksondering og poretrykksregistrering) den er trent med. Som resultatene viser, er avviket fra fasiten størst når den bare er trent med en profil. Allerede etter trening med tre og fire datasett, blir resultatene homogene og svært lik det som er fasit.
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. 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, forteller Depina.
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, avslutter Depina.
Ulik maskinlæring – nesten likt resultat: Figuren viser hvordan tre ulike maskinlæringsmetoder identifiserer kvikkleire og sensitiv leire ved hjelp av barer fire ulike CPTu-tester (100, 102, 106 og 107). Fasit vises i den første av de fire kolonnene i hver test. Når algoritmene trenes med lokale data, identifiseres leiren med høy nøyaktighet.
