AutoML revolutioniert Vorhersage von Bodenverdichtung: XGBoost liefert 89 % Genauigkeit

In der Bauindustrie ist die genaue Bestimmung der optimalen Feuchte (OMC) und der maximalen Trockendichte (MDD) von Böden entscheidend für die Stabilität von Straßen, Deichen und anderen Bauwerken. Traditionell erfordert die Ermittlung dieser Parameter aufwändige Laborversuche, während einfache Regressionsmodelle oft nicht zuverlässig genug sind, wenn verschiedene Bodentypen berücksichtigt werden.

Die vorliegende Studie nutzt einen automatisierten Machine‑Learning‑Ansatz (AutoML), um die Vorhersagegenauigkeit für OMC und MDD zu verbessern. AutoML übernimmt die Auswahl des geeigneten Algorithmus und die Feinabstimmung der Hyperparameter, wodurch die Modellentwicklung beschleunigt und die Ergebnisse konsistenter werden.

Durch umfangreiche Experimente zeigte sich, dass das Extreme Gradient Boosting (XGBoost) den besten Leistungswert erzielt. Auf einem unabhängigen Datensatz erreichte das Modell R‑Quadrat‑Werte von 80,4 % für die Trockendichte und 89,1 % für die optimale Feuchte. Diese Zahlen belegen, dass AutoML in der Lage ist, die Komplexität heterogener Bodendaten zu bewältigen und die Vorhersagekraft signifikant zu steigern.

Die Ergebnisse unterstreichen die Bedeutung vielfältiger Datensätze für die Generalisierung von ML‑Modellen und demonstrieren, wie automatisierte Lernverfahren die Effizienz und Zuverlässigkeit von Bauprojekten erhöhen können. Mit AutoML lassen sich künftig präzisere Bodenverdichtungsparameter vorhersagen, was zu sichereren und kostengünstigeren Bauvorhaben führt.