Группа иранских исследователей разработала интерпретируемую нейронную сеть прямого распространения (ANN) для прогнозирования несущей способности свай солнечных фотоэлектрических систем при выдергивании. Это решение призвано оптимизировать проектирование фундаментов для крупномасштабных солнечных электростанций, где ветровые нагрузки на модули могут создавать значительные выдергивающие и опрокидывающие силы. Традиционные методы расчета часто оказываются либо излишне консервативными, либо небезопасными из-за сложности учета динамики установки и специфики грунта. Разработанная модель призвана повысить надежность и экономичность таких конструкций, особенно в условиях слабых, рыхлых или неоднородных грунтов, где несущая способность свай может быть недостаточной.
Методология исследования и сбор данных
Для обучения и тестирования нейронной сети исследователи использовали данные 130 экспериментальных полевых испытаний, проведенных на солнечной электростанции в Рафсанджане, центральный Иран. Были установлены и испытаны 130 стальных свай ST52, включающие 79 профилей IPE 140, 31 профиль IPE 160 и 20 профилей IPE 180. Для характеристики грунта было пробурено 30 скважин, а угол внутреннего трения грунта определялся с помощью прямых сдвиговых испытаний.
Сваи забивались гидравлической установкой со скоростью от девяти до десяти ударов в секунду. Скорость погружения рассчитывалась по видеозаписям, отметкам на сваях и времени установки. Во время испытаний на выдергивание тяговое усилие увеличивалось с шагом в 500 кгс, при этом измерялось результирующее смещение сваи. Несущая способность при выдергивании определялась как сила, зафиксированная при смещении на 20 мм, или максимальная сила, достигнутая до этого порога, если свая разрушалась раньше.
Разработка и оценка нейронной сети
Полученные результаты использовались в качестве входных данных для нейронной сети, предназначенной для прогнозирования несущей способности свай при выдергивании. Модель использовала четыре входных параметра: скорость погружения сваи во время установки, длина заделки (L), угол трения грунта и площадь боковой поверхности сваи (A). Обучение и оценка модели проводились с использованием 10-кратной перекрестной проверки, а для предотвращения переобучения применялись методы dropout и ранней остановки.
Нейронная сеть достигла коэффициента детерминации (R²) 0,778, среднеквадратичной ошибки (RMSE) 0,787 тонны и средней абсолютной процентной ошибки (MAPE) 7,63%. Анализ с помощью метода Shapley additive explanations (SHAP) показал, что скорость погружения (49,8%) и угол трения (47,1%) являются доминирующими предикторами, в то время как геометрические параметры (L, A) вносили незначительный вклад. Исследователи подчеркнули необходимость дальнейших исследований с использованием более крупных, многосайтовых наборов данных и дополнительных параметров грунта и установки для подтверждения общности этих относительных вкладов.
Ограничения и доступность модели
Исследователи отметили, что обученная модель ANN, ее параметры нормализации и тестовый набор данных будут доступны по запросу квалифицированным инженерам-геотехникам. Они также подчеркнули, что модель была разработана с использованием данных из одного места и поэтому должна применяться с осторожностью в других условиях. Поскольку все экспериментальные данные получены с одного песчаного участка в Рафсанджане, Иран, модель отражает местные почвенные условия; следовательно, ее прогнозы могут не распространяться на значительно отличающиеся геологические условия, такие как глинистые, суглинистые, гравийные или сильно слоистые грунты.
Исследование под названием «Интерпретируемый подход нейронной сети для прогнозирования несущей способности свай солнечных фотоэлектрических систем по данным установки» было опубликовано в журнале Results in Engineering. В исследовании приняли участие ученые из Исламского университета Азад, Тегеранского университета и Геотехнической компании Zaminrun.
Источник: pv magazine Global
