ИИ прогнозирует устойчивость солнечных фотоэлектрических опор к ветровой нагрузке

Аккумулятор FIAMM 12FGL42

Исследователи из Ирана разработали интерпретируемую искусственную нейронную сеть для прогнозирования устойчивости забивных стальных опор, используемых в крупных фотоэлектрических проектах. Модель показала среднюю абсолютную процентную погрешность в 7,63 %, при этом наиболее значимыми факторами оказались глубина погружения сваи и угол внутреннего трения грунта.

Сопротивление подъему свай может быть существенным геотехническим и конструктивным ограничением при строительстве солнечных электростанций промышленного масштаба, особенно если речь идет о забивных стальных сваях, поддерживающих системы с фиксированным углом наклона или следящие системы. Фотоэлектрические установки имеют большую открытую площадь, но относительно небольшой собственный вес, а значит, ветер, воздействующий на модули, может создавать значительные подъемные и опрокидывающие силы. Эти нагрузки должны передаваться через несущую конструкцию на относительно небольшие свайные фундаменты. В слабых, рыхлых, водонасыщенных, нарушенных или неоднородных грунтах сваи могут не обеспечивать достаточную устойчивость ствола, чтобы соответствовать требованиям по сопротивлению подъему.

Таким образом, испытания свай на нагрузку могут быть особенно полезны для крупных фотоэлектрических проектов. Статические испытания на осевое растяжение и выдергивание позволяют определить фактическую зависимость нагрузки от смещения, что дает возможность инженерам-геотехникам и инженерам-строителям оптимизировать длину свай, а не полагаться исключительно на консервативные корреляции.

Учитывая это, группа исследователей из Ирана разработала интерпретируемую искусственную нейронную сеть с прямой связью (ИНС) для прогнозирования несущей способности свай для солнечных электростанций.

«Стремительное распространение наземных солнечных электростанций требует экономичных и надежных свайных фундаментов, способных противостоять подъему под действием ветра, — заявили исследователи. — Однако несущую способность забивных стальных свай для солнечных электростанций сложно спрогнозировать, поскольку традиционные статические формулы плохо учитывают совместное влияние динамики установки и особенностей грунта на конкретном участке, что часто приводит к излишне консервативным или небезопасным конструкциям».

Исследователи обучили и протестировали искусственную нейронную сеть на основе данных 130 экспериментальных полевых испытаний на нагрузку, проведенных на солнечной электростанции в Рафсанджане, центральный Иран. Они установили и протестировали 130 стальных свай ST52, в том числе 79 свай с профилем IPE 140, 31 с профилем IPE 160 и 20 с профилем IPE 180.

Ученые также пробурили 30 скважин поблизости, чтобы изучить грунт, и провели испытания на сдвиг, чтобы определить угол внутреннего трения.

Испытание на выдергивание

Сваи забивались с помощью гидравлической установки, совершающей от 9 до 10 ударов в секунду. Исследователи рассчитывали скорость погружения по видеозаписям, контрольным меткам на сваях и времени установки. Во время испытания на выдергивание они увеличивали тяговое усилие с шагом в 500 кгс и измеряли смещение сваи. Они определили несущую способность как силу, зафиксированную при смещении на 20 мм, или максимальное усилие, которое возникает, если свая разрушается до достижения этого порога.

Затем исследователи использовали полученные результаты в качестве входных данных для искусственной нейронной сети, предназначенной для прогнозирования несущей способности свай. Модель использовала четыре входных параметра: скорость погружения сваи при установке, длину погружения (L), угол внутреннего трения грунта и площадь боковой поверхности сваи (A).

Модель обучалась и оценивалась с помощью 10-кратной перекрестной проверки с применением метода дропаута и ранней остановки для предотвращения переобучения. Коэффициент детерминации (R²) нейронной сети составил 0,778, среднеквадратическая ошибка (RMSE) — 0,787 тонны, а средняя абсолютная процентная ошибка (MAPE) — 7,63 %.

«Интерпретируемость с помощью аддитивных объяснений Шепли (Shapley additive explanations, SHAP) показала, что скорость проникновения (49,8 %) и угол трения (47,1 %) являются доминирующими предикторами, в то время как геометрические параметры (L, A) вносят незначительный вклад», — сообщили исследователи. «Для подтверждения универсальности этих относительных показателей необходимы дальнейшие исследования с использованием более крупных наборов данных, полученных на нескольких участках, а также дополнительных параметров почвы и установки».

По словам исследователей, обученная модель искусственной нейронной сети, ее параметры нормализации и тестовый набор данных будут доступны по запросу квалифицированным инженерам-геотехникам. Они также подчеркнули, что модель была разработана на основе данных из одного региона, поэтому ее следует применять с осторожностью в других местах.

«Поскольку все экспериментальные данные получены на одном песчаном участке в Рафсанджане, Иран, модель по своей сути отражает местные почвенные условия; следовательно, ее результаты могут быть неприменимы к существенно отличающимся геологическим условиям, таким как глинистые, илистые, гравийные или многослоистые почвы», — заявили они.

Исследование «Интерпретируемый подход на основе нейронной сети для прогнозирования несущей способности солнечных фотоэлектрических свай на основе данных об установке» было опубликовано в Results in Engineering. В исследовании приняли участие ученые из иранских Университета Ислама Азад, Тегеранского университета и геотехнической компании Zaminrun.