Identification of quick clay using cone penetration tests and machine learning

Abstract

Forekomst av kvikkleire er en viktig del av geoteknisk ingeniørarbeid i Norge. Dens tilstedeværelse påvirker måten grunnundersøkelser, dimensjonering, kontroll og kvalitetssikring blir utført på i et prosjekt.

Identifisering av kvikkleire avhenger av en kombinasjon av feltundersøkelser, prøvetaking og laboratorieundersøkelser, sammen med tolkning av geotekniske ingeniører. Prøvetaking og påfølgende laboratorieundersøkelse er den eneste metoden som gir sikker påvisning av kvikkleire, men på grunn av dens kostnader er det ofte begrenset til bestemte prosjekter og til relativt få dybder. Feltundersøkelsesmetoder som trykksondering kan i mange tilfeller gi en god indikasjon på kvikkleire, men laboratorieundersøkelser er nødvendig for å verifisere forekomsten. In-situ feltundersøkelser gir en rask måte å anskaffe kontinuerlig informasjon om løsmasseprofilet.

Metoder for å klassifisere løsmasser med data fra trykksondering er tradisjonelt sett utført ved tolking av geotekniske ingeniører og klassifiseringsdiagrammer. Disse klassifiseringsdiagrammene har derimot vanskeligheter til å detektere norske kvikkleirer. Nylig foreslåtte metoder som bruker maskinlæring og trykksondering har vist lovende resultater innen detektering av kvikkleire.

Denne avhandlingen vil arbeide videre med å teste ut maskinlæringsalgoritmer til å klassifisere kvikkleire ved trykksondering. Sju algoritmer og tre datasett blir analysert og brukt for trening og testing. NGTS Tiller-Flotten datasettet består av 32 trykksonderinger og virker som standard for måling av ytelse for å teste de ulike algoritmene på samme datasettet. Både prestasjon og tidsbruk vil bli målt for å sammenligne hvilke algoritmer som oppnår best resultat. To nye datasett blir implementert for å analysere hvordan maskinlæringsalgoritmene presterer når de blir trent og testet på ulike datasett. Dataen er inndelt i to klasser, følgende kvikkleire og annet materiale. Visualisering av modellene er utført i to og tre dimensjoner for å forstå hvordan de ulike algoritmene separerer disse to klassene.

Resultatene viser at nevrale nettverk generelt virker bra. Når man legger til et konvolusjonsfilter til nettverket kan modellene bli enda mer generaliserbare. Algoritmer med beslutningstre som arkitekturtype har problemer med å klassifisere kvikkleire når trykksonderingene som blir testet ikke er del av datasettet algoritmen ble trent på. Det virker ikke som "support vector machines" har dette problemet.

Når algoritmene blir trent og testet på samme datasett viser resultatene en nøyaktighet på minimum 97 %. I andre tilfeller varierer resultatene til modellene mer, der spesielt "random forest" og "extreme gradient boost" får størst unøyaktigheter.

Quick clay occurrence is a vital part of the geotechnical engineering field in Norway. Its presence affects the way forward for completion of ground surveys, design engineering, control and quality routines regarding the project work.

Identification of quick clay relies on a combination of field testing, sampling and laboratory testing, together with the interpretation from the geotechnical engineer. Sampling and subsequent laboratory testing is the only unmistakable classification method of quick clay, however due to its expense it is often limited to certain projects and to relatively small depths. Field methods today, such as the cone penetration test, can in many cases give good indication of quick clay, although sampling and laboratory tests are required to verify the occurrences. The in-situ field tests provides a quick way to obtain continuous information about the soil profile.

Techniques of classifying soils with CPTu data are traditionally done through interpretations from geotechnical engineers and classification charts like Robertson's soil behaviour charts and NIFS identification charts. However, these charts have shown to have difficulties in detection of Norwegian quick clays. Newly proposed methods using machine learning on CPTu have shown promising results in detecting quick clay.

This thesis will work further with testing out machine learning algorithms to classify quick clay by CPTu. Seven algorithms and three datasets will be analyzed for training and testing purposes. NGTS Tiller-Flotten dataset consists of 32 CPTus and functions as a benchmark to test the different algorithms on the same dataset. Both performance and training speed will be measured to compare which algorithm achieve the best results. Two new datasets are implemented in order to analyze how the machine learning algorithms performs when trained and tested on different datasets. The data are divided into two classes, respectively quick clay and other material. Visualization of the models are done in two and three dimensions to understand how the algorithms separate the classes.

The results show that neural networks generally works well, and that adding convolutional layers to the network can make for more generalizable models. Algorithms using a decision tree architecture struggle with classifying quick clay when the tested CPTus are not part of the training dataset, while the support vector machines tend to not have this problem.

In the case where the training and testing dataset are the same, all algorithms show accuracy scores of at least 97 \%. In other cases the performances of the models have higher variances, where random forest and extreme gradient boost suffers the most.