Viten

Ny forskning bruker maskinlæring til å finne kvikkleire

  • Cristian Godoy
    geotekniker, Norges vassdrags- og energidirektorat
  • Ivan Depina
    seniorforsker, Sintef
  • Sigurdur Valsson
    senioringeniør, Statens vegvesen

Å påvise forekomsten av kvikkleire kan være vanskelig. Nå kan maskinlæring gjøre jobben lettere. Bildet er fra kvikkleireskredet i Gjerdrum. Foto: Stian Lysberg Solum

I studien var nøyaktigheten til maskinlæringsmodellene betydelig bedre enn metodene som vanligvis brukes i dag.

Viten er Aftenpostens satsing på forskning og vitenskap, der forskere og fagfolk fra hele landet bidrar med artikler.

I Norge skjer det i gjennomsnitt ett kvikkleireskred hvert år. De fleste har store materielle konsekvenser, og dessverre går av og til menneskeliv tapt.

Gjerdrumskredet har fått nasjonal oppmerksomhet på grunn av begge deler. Ti liv gikk tapt på grunn av skredet, flere bygninger ble ødelagt og hundrevis av mennesker måtte evakueres.

Spørsmålet som flere stiller seg: Er det trygt å bo og bygge på kvikkleire?

Det er ikke farlig å bo på kvikkleire så lenge man lar den være i fred og ikke forstyrrer den. Faktisk bor det mer enn 100.000 personer i de over 2300 kartlagte kvikkleiresonene i Norge.

Skredene oppstår når kvikkleiren blir forstyrret. Det skjer enten av naturlige årsaker, som erosjon langs bekkene eller elvene, eller av menneskelig aktivitet, som graving og fylling nær skråninger.

Derfor er det svært viktig å ha en oversikt over kvikkleiresonene med høy risiko i landet og innfri bygningsregelverket. Norges vassdrags- og energidirektorat (NVE) jobber stadig med å kartlegge faresoner. Det er en vanskelig oppgave fordi den både er kostbar og tidkrevende.

Fra venstre: Sigurdur Valsson, senioringeniør i Statens vegvesen; Ivan Depina, seniorforsker i Sintef; Cristian Godoy, overingeniør i Norges vassdrags- og energidirektorat. Foto: Collage: Privat

Mer komplisert

For å finne kvikkleire må man utføre geotekniske sonderinger, som stort sett forteller hvor vanskelig eller lett det er å bore i jordmassene. Slik får man et inntrykk av forekomsten av kvikkleire.

Å påvise forekomsten av kvikkleire er mer komplisert.

Da må man ta prøver fra alle dybdene man forventer at det vil være kvikkleire i. Deretter må man sende prøvene til et laboratorium for å gjennomføre geotekniske analyser, som vanligvis innebærer å måle leirens omrørte skjærefasthet.

Dette måles i pascal og forteller oss hvor mye trykk jorden tåler.

Leirprøver som viser lite omrørt fasthet (mindre enn 0,5 kilopascal), klassifiseres som kvikkleire. (Prøver med mindre enn 2 kilopascal omrørt fasthet heter sprøbruddmateriale og kan også medføre store områdeskred.)

Den følgende filmen viser denne oppførselen:

Nye metoder

Skredulykkene som har rammet landet de siste årene, fremhever behovet for forskning og utvikling av ny kunnskap. Dette kan hjelpe geoteknikere å påvise kvikkleireforekomsten raskere, sikrere og billigere.

Bedre metoder kan fremskyve både kartlegging av nye kvikkleiresoner samt oppdatering av gamle.

Maskinlæring er et eksempel på ny kunnskap. Det vil si at kunstig intelligens bruker statistiske metoder for å la datamaskiner finne mønstre i store datamengder.

I dag brukes maskinlæring i alt fra automatisk føring av kjøretøy til å sortere e-poster.

Nylig har Norges teknisk-naturvitenskapelige universitet (NTNU) og Sintef forsket på bruk av maskinlæring for oppdagelse av kvikkleire.

Lovende tolkningsevne

Forskningen ser på bruk av maskinlæringsalgoritmer til å tolke grunnundersøkelser. Det vil si trykksonderinger med poretrykksregistrering, såkalt CPTu.

Resultatene viste at maskinlæring har en tydelig og lovende tolkningsevne. Når maskinlæringsmodellene ble trent med data fra et område, lærte de raskt å kjenne igjen kvikkleire.

De trengte kun å bruke tre til fire CPTu-sonderinger for å gi nøyaktige resultater. Nøyaktigheten var betydelig bedre sammenlignet med metodene som vanligvis brukes i dag (klassifikasjonsdiagrammer).

Her er fire forskjellige målinger. Til venstre er de faktiske lagene i jorden. De tre til høyre er hver modells tolkning av prøvene. Disse modellene heter: Logistic Regression, Naive Bayes og Hidden Markov Models. Foto: NVE

Figuren viser hvor tre ulike maskinlæringsmodeller tolker fire CPTu-sonderinger for å identifisere kvikkleire. Når metodene trenes med lokale data, detekteres kvikkleire med høy nøyaktighet.

Dessverre utretter ikke maskinlæring mirakler. Ulempen med metoden er at den krever store mengder data.

Jo mer data vi bruker, desto mer nøyaktig vil tolkingen være. Dataene som benyttes, kan kun anvendes lokalt fordi det kreves spesifikke data pr. område.

Én utfordring er derfor å utvikle en modell som kan anvendes på større skala. Da må modellene trenes med mye større datasett. I tillegg må vi ha mange laboratorieprøver for å bekrefte at svarene stemmer med virkeligheten.

CPTu-sonderinger og jordprøver tas av en borerigg som denne. Den undersøker jorden ved å presse ned en trykksonde som måler jordmotstand, sidefriksjon og trykk i vannet. Disse tre parameterne brukes for å tolke forskjellige jordegenskaper. Foto: Multiconsult

Mer data er blitt tilgjengelig

De siste årene har det tilgjengelige datagrunnlaget vokst etter Norges geologiske undersøkelses (NGU) opprettelse av Nasjonal database for grunnundersøkelser (NADAG).

Selv om NADAG bidrar med store mengder informasjon er de som utfører
grunnundersøkelser, fortsatt ikke pålagt å melde inn sine data. Mesteparten kommer fra offentlige etater (spesielt Statens vegvesen).

NTNU har nylig startet opp et nytt forskningsprosjekt med støtte fra Forskningsrådet, NVE, Statens vegvesen og Bane Nor. Der skal doktorgradsstipendiat Sigurdur Valsson benytte maskinlæring sammen med data som er blitt meldt inn i NADAG, til å tolke nye grunnundersøkelser.

Ideen bak er at maskinlæringsalgoritmer kan kjenne igjen mønstre i nye forsøk, med systematisk bruk av tidligere utførte undersøkelser. Slik kan gammel kunnskap og investeringer brukes til å tolke nye grunnundersøkelser.

En slik tilnærming kan virkelig hjelpe med å finne kvikkleire. Derfor er det grunn for optimisme for fremtiden. Men flere må bidra til ny kunnskap om kvikkleire.

Maskinlæring er fremtiden

Maskinlæring har et stort potensial, og fremtiden vil være preget av en stadig vekst i anvendelse og utvikling av slik teknologi. Innenfor geoteknikk forventer vi at maskinlæring skal hjelpe oss å løse problemer som både er vanskelige, kostbare og tidkrevende.

Vi er nå i en innledende fase, og flere aktører som har tatt i bruk maskinlæring, har lovende resultater. Vi håper at flere institusjoner interesserer seg og bestemmer seg for å fortsette med forskning på dette verktøyet.

Vi håper også at mer geoteknisk data blir tilgjengelig fra alle som driver med denne typer undersøkelser, og på den måten bidrar til å forstå kvikkleirefenomenet bedre.

Les også

  1. Evakueringsområder innskrenkes – flere beboere i Gjerdrum kan flytte hjem

  2. Dronebilder av Gjerdrum-skredet viser nye ras i katastrofeområdet

Les mer om

  1. Kvikkleire
  2. Forskning og vitenskap
  3. Leirskredet i Gjerdrum
  4. Ras
  5. maskinlæring
  6. Norges vassdrags- og energidirektorat (NVE)
  7. Sintef