dc.contributor.advisor | Emdal, Arnfinn | |
dc.contributor.advisor | Juvik, Eivind | |
dc.contributor.author | Kydland, Tellef | |
dc.contributor.author | Skjæret, Pål Harviken | |
dc.date.accessioned | 2019-10-26T14:05:17Z | |
dc.date.available | 2019-10-26T14:05:17Z | |
dc.date.issued | 2019 | |
dc.identifier.uri | http://hdl.handle.net/11250/2624712 | |
dc.description.abstract | I forbindelse med prosjekteringen av Åstfjordbrua i Snillfjord kommune, ville Statens vegvesen
undersøke om det var mulig å etablere en bedre praksis for prosjektering og dimensjonering
av lukkede stålrørspeler i morenemasser. Dette innebar å tolke totalsonderinger
for kartlegging av laginndeling i morenemasser og hvordan dette videre kunne benyttes til å
planlegge ramming av lukkede stålrørspeler.
For kartlegging av laginndelingen i morenen ble det programmert et tolkningsverktøy basert
på maskinlæringsalgoritmen Hidden Markov Models i Python. Ved å trene maskinlæringsalgoritmen
på datagrunnlaget fra to forskjellige rigger, ble hardheten i en totalsondering tolket
basert på verdier for bortid, spyletrykk og matekraft. Maskintolkede sonderingsprofiler samsvarte
godt med borloggene og muliggjorde en enklere visualisering av totalsonderingene.
Ved å tolke totalsonderingsdata med maskinlæring ble forskjeller i sonderingene kartlagt.
For å gi de kartlagte hardhetsvariasjonene fra maskinlæring forskjellige styrkeparametere,
ble GRLWEAP benyttet. Spissmotstanden og sidefriksjonen ble etterregnet ved å kombinere
rammeformelen, rammeprotokoller og PDA-resultater. Hensikten med dette var å gi maskintolkede
lag fra totalsonderinger verdier for Nq og beta, som videre kunne benyttes som input i
GRLWEAP til prosjektering av peler.
Sammenhengen mellom totalsonderinger og peleramming har blitt undersøkt. Dette ble
gjort ved å sammenligne tolket totalsondering fra maskinlæring med nærliggende rammeprotokoller
og PDA-resultater.
Relasjonen mellom det å rotere, spyle og hamre en borstang ned i bakken burde til en viss
grad kunne relateres til rammemotstand når de gjøres i samme grunnforhold. Variasjoner
i grunnforhold og grad av påhengskrefter kan derimot påvirke prosessene forskjellig. Valgt
metodikk for etterregning av jordmotstanden ble derfor lite anvendbar for detaljprosjektering
av pelene i morenen.
Maskintolkede totalsonderinger gir relative målinger, gitt at de gjennomføres likt. For de tolkede
sonderingene som viste markante overganger i hardhet, så det også ut til at det fantes
en relasjon mellom sonderingene, rammemotstanden og sidefriksjonen fra PDA. Dataene
fra Åstfjordbrua gir grunnlag for å hevde at maskinlæring kan brukes til å detektere mulige
harde lag i morenen på en bedre måte enn tidligere.
For fremtidige bruprosjekt i morenemasser bør det gjennomføres prøvepelinger ved hver
bruakse, med tilhørende PDA-tester. Relatert til metoden totalsonderinger, bør det benyttes
lik borerigg for samtlige sonderinger. På denne måten vil man ha et sammenligningsgrunnlag
som kan benyttes til å sjekke relative likheter mellom ulike sonderinger. Ved å bruke maskinlæringsalgoritmer
kan man utnytte totalsonderingsdata bedre, samtidig som at det er
enklere å analysere likheter mellom sonderingene.
For videre arbeid anbefales det å implementere flere parametere i maskinlæringen. Registrering
av hammeregenskaper, spylemengde, belastning og vridningsmoment kan føre til et
bedre tolkningsgrunnlag. Dette innebærer å modifisere og standardisere metoden for totalsondering. | |
dc.description.abstract | In relation to the design of Åstfjordbrua in Snillfjord municipality, the Norwegian Public
Roads Administration wanted to investigate the possibility of establishing a better practice
for design and dimensioning of closed-ended steel piles in moraine ground. This meant interpreting
total soundings for mapping different layers in the moraine, and how this could
be used to predict pile-driving of closed-ended steel piles.
For mapping of different layers in the moraine, an interpretation tool based on the machine
learning algorithm, Hidden Markov Models, was programmed using Python. The hardness
of a total sounding was interpreted based on values for rate of advance, flushing and feed
force. This was done by training the machine learning algorithm on the data basis from two
different drillrigs. Machine-interpreted sounding profiles corresponded well with the drilllogs
and made it easier to visualize the total soundings. By interpreting total sounding-data
with machine learning, differences of hardness in the soundings were mapped.
GRLWEAP was used to assign different strength parameters to the mapped hardness variations,
detected from machine learning. The tip resistance and side friction were found by
combining Janbu driveability formula, the driving-log and PDA results. The purpose of this
was to give machine-interpreted layers from total soundings values for Nq and beta as could
further be used as input in GRLWEAP to design piles.
The relationship between total soundings and pile-driving has been investigated. This was
done by comparing the interpreted total soundings from machine learning with nearby drivinglogs
and PDA results.
The relationship between rotating, flushing andhammering a drill rod into the ground should
to some extent be related to the soil resistance to driving when done in the same ground conditions.
Variations in ground conditions and degree of side friction, on the other hand, can
affect the processes differently. The chosen method for calculating the soil resistance was
therefore not very useful for detailed design of the piles in the moraine.
Total soundings nevertheless provide relative measurements, given that they are carried out
equally. It appeared that there was a relationship between the total soundings, the soil resistance
to driving and the side friction from the PDA.
The data from Åstfjordbrua provide the basis for claiming that machine learning can be used
to detect possible hard layers in the moraine in a better way than before.
For future pile projects in moraine ground it is recommended that it should be carried out
test-piles with PDA-tests for each bridge axis. Related to the method of total soundings, the
same drillrig should be used for all soundings.
For further work it is recommended to implement more parameters in the machine learning
process. Better knowledge of hammer properties, implementation of flowmeter and measuring
of the rotation torque can lead to a better interpretation basis. This involves modifying
and standardizing the method of total soundings. | |
dc.language | nob | |
dc.publisher | NTNU | |
dc.title | Prosjektering av lukkede stålrørspeler i morenemateriale - Med bruk av maskinlæring på totalsonderinger fra Åstfjorden | |
dc.type | Master thesis | |