KI-Modelle verbessern CBR-Vorhersagen: Random Forest führt in türkischer Studie
In einer wegweisenden Untersuchung aus der Türkei wurden 382 Bodenproben aus unterschiedlichen geoklimatischen Regionen analysiert, um die Belastbarkeit von Untergrundböden mithilfe moderner KI-Methoden vorherzusagen. Der Fokus lag auf dem California Bearing Ratio (CBR), einem entscheidenden Parameter für die Planung von Straßen, Brücken und Fundamenten.
Traditionell erfordert die Bestimmung des CBR auf Laborbasis zeitaufwändige und kostenintensive Eindringtests. Diese Verfahren sind besonders bei großflächigen Projekten oft unpraktisch. Durch den Einsatz von maschinellem Lernen lassen sich die komplexen Zusammenhänge zwischen physikalisch-chemischen Bodenmerkmalen und der Tragfähigkeit deutlich schneller und mit vergleichbarer Genauigkeit modellieren.
Die Forscher testeten zwölf verschiedene ML-Algorithmen – von Entscheidungsbäumen über Gradient Boosting bis hin zu neuronalen Netzen. Der Random‑Forest‑Regressor zeigte die herausragendsten Ergebnisse: ein R²‑Wert von 0,95 im Trainingsdatensatz, 0,76 bei der Validierung und 0,83 im Testdatensatz. Diese Zahlen verdeutlichen die starke nichtlineare Abbildungskapazität des Modells.
Die Ergebnisse deuten darauf hin, dass Random‑Forest‑basierte Vorhersagen ein vielversprechendes Werkzeug für geotechnische Ingenieure darstellen. Durch schnellere und kostengünstigere Analysen können Bauprojekte effizienter geplant und potenzielle Risiken frühzeitig erkannt werden.