Введение

Современное строительство предъявляет растущие требования к достоверности, полноте и оперативности данных об инженерно-геологических условиях площадки. Традиционная практика, при которой результаты изысканий представляются преимущественно в виде статичных бумажных отчётов, всё чаще оказывается несовместимой с технологиями информационного моделирования зданий и сооружений (BIM) [2, 6] и с современными численными методами расчёта оснований и фундаментов [7, 8]. В этих условиях возникает необходимость рассматривать инженерно-геологические и геотехнические изыскания не как разовый этап, предшествующий проектированию, а как непрерывный цифровой процесс, обеспечивающий накопление, анализ и актуализацию данных о грунтовых условиях на всех стадиях жизненного цикла объекта.

Цель настоящей работы – обобщить и систематизировать требования к составу, объёму, методам выполнения, обработке и представлению результатов цифровых инженерно-геологических и геотехнических изысканий (далее – ЦИГИ), а также описать подход к формированию цифровых моделей грунтового массива [32] и их интеграции в BIM. Методологической основой работы послужил стандарт организации (см., https://npp-geotek.com/about/sto/), устанавливающий требования к ЦИГИ в цифровом виде, выполняемым при проектировании, строительстве и эксплуатации зданий и сооружений.

Состояние вопроса

Проблематика оптимизации состава и объёма инженерно-геологических изысканий при сохранении достоверности их результатов рассматривается в отечественной и зарубежной литературе на протяжении нескольких десятилетий. Традиционная схема организации изысканий, опирающаяся преимущественно на лабораторные испытания и ограниченный объём полевых работ, не всегда обеспечивает достаточную надёжность исходных данных и нередко приводит к избыточным затратам. В качестве альтернативы предлагается переход от классической схемы «лаборатория – полевые испытания» к схеме «полевые испытания – лаборатория», при которой основным источником информации становятся полевые методы, прежде всего статическое зондирование (CPT, CPTu, SCPT), а лабораторные исследования используются для верификации корреляционных зависимостей [14, 15].

Ключевым критерием обоснования количества и расположения выработок является пространственная изменчивость свойств грунтов, характеризуемая коэффициентом вариации [13]. Идея поэтапного (адаптивного) определения необходимого объёма исследований, при котором получаемые результаты сразу используются для уточнения дальнейшей программы работ, была впервые обоснована в работах В.И. Шейнина [10] и впоследствии развита другими исследователями применительно к системе «основание – фундамент – здание» [30]. В современной практике для этой цели всё чаще применяется моделирование методом Монте-Карло [21, 26, 28].

Существенный вклад в развитие подхода вносят статистические и геостатистические методы. Геостатистический анализ – построение вариограмм и интерполяция методом кригинга – позволяет объективно оценивать пространственную изменчивость отложений и получать математически обоснованные прогнозы расположения скважин и точек зондирования [1]. Для интерполяции значений между выработками используются как метод обратных взвешенных расстояний (IDW), так и кригинг; последний, в отличие от IDW, явно учитывает пространственную корреляцию свойств. Классификация грунтов по данным статического зондирования базируется на диаграммах типа поведения грунта [3, 14], которые целесообразно уточнять по данным контрольных скважин.

Опыт цифрового моделирования инженерно-геологических условий показывает, что плотность сети зондирования существенно влияет на интерпретацию строения разреза: исключение части выработок может приводить к «исчезновению» отдельных литологических слоёв и искажению модели [27]. При этом отмечается, что вопросы цифровизации, использования геостатистических и вероятностных методов, а также интеграции цифровых геотехнических моделей в BIM-системы пока недостаточно отражены в действующих нормативных документах [1]. Это обусловливает необходимость разработки стандартов организации, регламентирующих выполнение цифровых инженерно-геологических и геотехнических изысканий, что и определяет актуальность настоящей работы.

Близкие по постановке исследования активно развиваются и за период 2020–2026 гг. Применительно к вероятностному анализу устойчивости и надёжности грунтовых сооружений ряд авторов сформировал современную методическую базу. S.-H. Jiang с соавторами [18] обобщили достижения в области анализа надёжности и риска склонов в грунтах с пространственной изменчивостью, систематизировав методы случайных полей и предельного равновесия. Развитием этого направления стали работы по эффективным процедурам расчёта вероятности отказа: интегрированная процедура на основе рекурсивного алгоритма FORM с выборкой по значимости [19], а также методы суррогатного моделирования, в которых вычислительно затратный конечно-элементный анализ случайных полей заменяется обученными нейросетевыми моделями для последующего моделирования методом Монте-Карло [20]. Отдельную группу составляют прикладные исследования устойчивости склонов вероятностными методами при ограниченном числе случайных переменных (c, φ) и различных законах их распределения [21], что согласуется с используемым в настоящей работе подходом.

Параллельно развиваются геостатистические методы и методы машинного обучения для интерпретации данных статического зондирования и оптимизации сети наблюдений. Показано, что интерполяция методом кригинга позволяет восстанавливать данные CPT и выполнять классификацию грунтов по диаграммам П.Робертсона в точках, где прямые измерения отсутствуют [22]. Для классификации грунтов по результатам CPT всё чаще применяются алгоритмы машинного обучения – деревья решений, метод опорных векторов, случайный лес и искусственные нейронные сети [23, 24], в том числе при неполных исходных данных. Эти подходы дополняют традиционные геостатистические инструменты и повышают достоверность цифровой модели грунтового массива. Наконец, направление интеграции геотехнических данных в информационную модель сооружения через открытый формат IFC получило развитие в работах по построению трёхмерных моделей грунтового массива и их встраиванию в BIM [25], что подтверждает актуальность рассматриваемого в настоящей работе подхода и его соответствие современным международным тенденциям.

Организация и методы изысканий

ЦИГИ предлагается выполнять как непрерывный цифровой процесс, в котором основным источником информации о строении и свойствах грунтов служат данные полевых и лабораторных испытаний. Решения о составе и объёме работ должны приниматься на основе анализа геотехнической категории объекта и категории сложности инженерно-геологических условий, которые подразделяются на простые, средние и сложные.

До начала работ разрабатывается и утверждается программа изысканий, учитывающая категорию сложности условий. Применяются сертифицированные приборы и оборудование с возможностью автоматического сбора и передачи данных, а также современные методики измерений с привлечением беспилотных летательных аппаратов и сенсоров для мониторинга состояния грунтов.

Полевые методы

Основными полевыми методами изучения свойств грунтов приняты статическое зондирование с измерением сопротивления конуса, бокового трения и порового давления (CPTu), статическое зондирование с регистрацией скоростей сдвиговых волн (SCPT), а также динамическое зондирование (SPT, DP) [29]. Плотность зондирования назначается в зависимости от сложности условий: от одной точки CPTu на 2500 м² для простых условий до одной точки на 800 м² для сложных, при этом расстояние между точками не должно превышать 40 м. Глубина зондирования принимается не менее глубины сжимаемой толщи основания, а минимальная плотность сети должна обеспечивать выявление слабых прослоев и линз мощностью не менее 0,5 м.

Геофизические исследования – многоканальный анализ поверхностных волн (MASW), георадиолокация и электротомография – применяются для предварительного скрининга площадки и подлежат обязательному использованию при планировании сети статического зондирования и буровых скважин. Профили MASW выполняются с шагом не более 20–30 м. Буровые скважины выполняются в объёме, достаточном для калибровки и проверки корреляционных зависимостей зондирования; их количество для одного инженерно-геологического элемента (ИГЭ), как правило, не превышает трёх. Лабораторные испытания используются преимущественно для верификации региональных и корпоративных корреляционных зависимостей [14, 29].

Статистическая и геостатистическая обработка данных

Обработка результатов ЦИГИ выполняется с применением методов математической статистики, геостатистики и машинного обучения. Статистический анализ включает описание характеристик грунтов средними значениями и стандартными отклонениями, а также вычисление коэффициентов вариации для оценки однородности грунтов в соответствии с принятыми методами статистической обработки результатов испытаний [4, 5, 10].

Для оценки пространственной изменчивости параметров грунтов применяется геостатистический анализ: построение экспериментальных вариограмм и их сопоставление с теоретическими моделями, а также интерполяция методом кригинга. Вариограммы позволяют оценить масштаб пространственной изменчивости свойств и определить оптимальную плотность сети измерений [5, 12]. Для каждого расчётного параметра задаются статистические распределения и определяются доверительные интервалы; обязательным является анализ чувствительности результатов расчётов к изменению ключевых параметров – модуля деформации, угла внутреннего трения, сцепления.

Вероятностные расчёты

При расчётах осадок, крена и несущей способности фундаментов объектов первой геотехнической категории и в сложных инженерно-геологических условиях рекомендуется выполнять вероятностный анализ методом Монте-Карло при наличии статистически обоснованных распределений параметров [11, 31]. Минимальное число реализаций в расчётах принимается не менее 1000, а результаты представляются в виде распределений, доверительных интервалов и характеристических значений. Такой подход согласуется с современными представлениями о надёжности геотехнических систем и позволяет количественно учитывать неопределённость исходных данных [9, 11].

Цифровые модели грунтового массива и интеграция в BIM

По результатам ЦИГИ формируются трёхмерная цифровая инженерно-геологическая модель (ЦИГМ) и цифровая геотехническая модель (ЦГМ) с возможностью построения 4D-моделей для оценки изменения свойств грунтов во времени, включая процессы консолидации. ЦИГМ включает инженерно-геологические элементы, поверхности кровли и подошвы слоёв, пространственное распределение расчётных и характеристических параметров, а также точки зондирования, скважины и геофизические профили. ЦГМ дополнительно содержит сведения об оптимальном типе и геометрии фундамента, глубине заложения и нагрузках.

Все цифровые модели должны быть совместимы с форматом обмена данными IFC (IFC4 или IFC4.3) и BIM-платформами, что обеспечивается соблюдением требований стандартов информационного моделирования [1]. Данные ЦИГИ рассматриваются как составная часть BIM-модели объекта и подлежат управлению, актуализации и хранению наравне с архитектурными, конструктивными и инженерными данными. Каждый элемент модели снабжается атрибутами, идентифицирующими источник данных, метод получения параметров и степень их достоверности.

Машинное обучение и искусственный интеллект

Методы машинного обучения (ML) и искусственного интеллекта (ИИ) применяются для анализа больших объёмов данных изысканий: прогнозирования физико-механических характеристик грунтов, классификации грунтов по результатам CPT и SCPT, выявления закономерностей в данных, а также оптимизации расположения точек зондирования и бурения [16, 17, 33]. Используются как обучение с учителем для предсказания параметров грунтов, так и обучение без учителя для классификации по непомеченным данным. Алгоритмы, в том числе нейронные сети, позволяют восстанавливать характеристики грунтов в точках, где прямое измерение невозможно, на основе таких параметров, как сопротивление конуса, боковое трение и поровое давление.

Применение ML- и ИИ-моделей в вероятностных расчётах включает генерацию реализаций для метода Монте-Карло и использование байесовских методов для корректировки прогнозных значений с учётом накопленных данных [16]. Все модели подлежат обязательной верификации на данных, не использовавшихся при обучении; точность оценивается по таким метрикам, как средняя ошибка и коэффициент корреляции.

Структура базы данных изысканий

Для централизованного хранения исходных, обработанных и интерпретированных данных предложена минимальная структура базы данных ИГИ, включающая обязательные сущности: проекты, объекты строительства, пункты наблюдений, полевые и лабораторные исследования, инженерно-геологические элементы, параметры грунтов, геостатистические данные, геотехнические и расчётные модели, BIM/IFC-модели, а также метаданные и версии [34]. Все данные связываются с проектом и объектом строительства, а пункты наблюдений служат базовой сущностью для полевых и лабораторных данных. Такая структура обеспечивает воспроизводимость расчётов, прослеживаемость данных и их повторное использование на последующих стадиях.

Практический пример реализации в среде ТИМГео (Geotek Field)

Практическая реализация изложенного подхода рассмотрена на примере проектирования основания 25-этажного жилого здания повышенного уровня ответственности с плитным фундаментом (размеры в плане 19×34 м, глубина заложения 3 м, давление под подошвой 300 кПа). Цифровое моделирование выполнено в среде технологии информационного моделирования в геологии и геотехнике ТИМГео (программный комплекс Geotek Field, www.geotek-bim.ru), объединяющей данные полевых и лабораторных испытаний грунтов, необходимые для проектирования оснований по предельным состояниям [1, 2].

На первом этапе по сети точек статического зондирования (CPT) и контрольных скважин в Geotek Field была сформирована трёхмерная цифровая инженерно-геологическая модель (ЦИГМ) (рис. 1), а затем – цифровая геотехническая модель (ЦГМ) (рис. 2) грунтового массива с конструкцией фундамента. В разрезе на глубину до 20 м выделено пять инженерно-геологических элементов (ИГЭ) – насыпной грунт и четыре слоя глин различной консистенции четвертичного и мелового возраста. Свойства грунтов между точками зондирования восстанавливались интерполяцией методом обратных взвешенных расстояний (IDW) и кригинга, что позволило построить непрерывные поля распределения удельного веса γ и модуля деформации E по цифровым разрезам.

Возможности комплекса проявились при анализе влияния плотности сети зондирования на достоверность модели. По данным семи выработок CPT был построен детальный разрез (рис. 3), на котором уверенно выделялся слой плотного песка. При исключении из модели части выработок (оставлены три) этот слой в пространстве между точками «исчезал», что приводило к искажению инженерно-геологического разреза. Это наглядно подтверждает, что цифровая 3D-модель является не иллюстрацией, а расчётным инструментом, чувствительным к объёму исходных данных.

Рис. 1. Цифровая инженерно-геологическая модель

Рис. 2. Цифровая геотехническая модель

Рис. 3. Цифровой разрез поля модуля деформации с СРТ выработками

Достаточность объёма изысканий контролировалась по коэффициенту вариации Cov свойств грунтов: при превышении нормативного значения (как правило, 30 %, а для сложных условий и высокой геотехнической категории – до 10 %) назначались дополнительные выработки. В Geotek Field статистическая обработка (среднее, стандартное отклонение, COV, подбор закона распределения) выполнялась в автоматическом режиме непосредственно в процессе зондирования, а оператор получал рекомендацию о достаточности данных или необходимости дополнительной выработки.

Рис. 4 а. Распределение плотности вероятности удельного веса грунта. COV = 3,41%

Рис. 4 б. Распределение плотности вероятности модуля деформации. COV = 19,15%

Реализованный в комплексе режим автоматизированного зондирования с онлайн-обработкой позволил совмещать получение характеристик грунтов с инженерными расчётами. По мере погружения зонда определялись γ, E, угол внутреннего трения φ и удельное сцепление c, после чего методом послойного суммирования по СП 22.13330 рассчитывалась осадка фундамента в рассматриваемой точке, а глубина изысканий определялась автоматически – по достижении глубины сжимаемой толщи и дополнительных 2 м. Аналогично, по данным CPT оценивалась несущая способность сваи по методике СП 24.13330, что одновременно обосновывало необходимую глубину выработок для свайного варианта фундамента.

Сформированные модели экспортировались в формат IFC4 для интеграции в BIM-модель объекта, а исходные и обработанные данные сохранялись в структурированной базе данных [34] с возможностью выгрузки в форматы IFC, DXF и CSV. Рассмотренный пример показывает, что среда ТИМГео обеспечивает реализацию полного цикла цифровых изысканий – от полевого зондирования и статистической обработки до построения 3D/4D-моделей и их передачи в информационную модель сооружения, что соответствует требованиям предлагаемого стандарта.

Практический пример оценки устойчивости склона

Второй пример демонстрирует применение того же цифрового и вероятностного подхода к задаче оценки устойчивости естественного склона. Площадки изысканий показана на рис. 5. Цифровая модель склонового массива (ЦМС) построена в среде Geotek Field по данным статического зондирования (CPT), выполненного на девяти опорных выработках, расположенных вдоль линии расчётного разреза. По параметрам зондирования – удельному сопротивлению под конусом q_c и удельным силам трения f_s – с использованием классификации P.K. Robertson [14] и корреляционных зависимостей определены тип поведения грунта (SBTn) и расчётные характеристики: удельный вес γ, удельное сцепление c и угол внутреннего трения φ. В разрезе выделено четыре вида грунта – супесь, переходящая в пылеватый песок, суглинок, песок и глина.

Рис. 5. Площадка изысканий

Рис. 6. Цифровая 3D инженерно-геологическая модель полем распределения угла внутреннего трения

Для каждого вида грунта выполнена статистическая обработка измеренных значений: удаление случайных выбросов, определение типа распределения и вычисление основных статистик – среднего значения, среднеквадратичного отклонения и коэффициента вариации COV. Полученные на опорных выработках значения приняты в качестве исходных.

Рис. 7. Распределение плотности вероятности удельных сил сцепления. COV = 9,18%

В пространстве между выработками характеристики грунтов восстанавливались интерполяцией методом обратных взвешенных расстояний (IDW) в узлах кубической сетки с шагом 1×1×1 м; всего массив дискретизирован на 434 506 восьмиузловых элементов. Сопоставление статистик, вычисленных только по опорным выработкам и по всей цифровой модели, показало, что при значительном увеличении размера выборки коэффициенты вариации свойств практически не изменились.

Расчёт устойчивости склона в двумерной постановке выполнен двумя подходами [26, 28]. В детерминированном подходе характеристики прочности и удельный вес приняты как средние значения в каждом инженерно-геологическом элементе, определённые по опорным выработкам. В вероятностном подходе те же параметры заданы с учётом пространственной изменчивости, восстановленной методом IDW по всей сетке модели. В обоих случаях критическое значение коэффициента устойчивости и предельные поверхности скольжения определялись методами предельного равновесия Феллениуса, Бишопа, Спенсера, Янбу, Моргенштерна–Прайса, Шахунянца и методом несбалансированных сил. Сравнение методов дало практически совпадающие критические коэффициенты устойчивости, а средние значения коэффициента устойчивости находились в диапазоне примерно от 1,9 до 2,2 [26].

Вероятность отказа p_f  и индекс надёжности β рассчитаны методом Монте-Карло: для каждой реализации случайных полей c, φ и γ выполнялся детерминированный расчёт, а вероятность отказа определялась как доля реализаций с коэффициентом устойчивости менее единицы. Минимально необходимое число реализаций оценивалось из условия N > 100/p_f; устойчивость решения контролировалась по выходу p_f  на стационарное значение при увеличении числа реализаций. Для метода Бишопа получено около 19 000 значений коэффициента устойчивости со средним k ≈ 2,0; при коэффициенте устойчивости, близком к единице, вероятность отказа составила p_f  ≈ 0,008 при индексе надёжности β ≈ 1,8, что по принятой классификации соответствует низкому уровню безопасности склона. Значения p_f  и β, полученные детерминированным и вероятностным подходами, оказались близки, что в рассмотренном случае свидетельствует о незначительном влиянии пространственной изменчивости свойств грунтов на устойчивость склона. Пример показывает, что цифровая модель грунтового массива служит единой основой как для расчёта осадок и несущей способности фундаментов, так и для оценки устойчивости склонов вероятностными методами.

Заключение

Рассмотренный подход позволяет перейти от разрозненных результатов изысканий к единому цифровому процессу, в котором полевые и лабораторные данные, методы геостатистики, вероятностного анализа и машинного обучения, а также трёхмерные модели грунтового массива объединены в общую информационную среду и интегрированы в BIM. Это повышает достоверность исходных данных для геотехнических расчётов, обеспечивает количественный учёт неопределённости и непрерывность данных на стадиях проектирования, строительства и эксплуатации. Предложенные требования не противоречат действующим нормативным документам и уточняют их в части цифровых и вероятностных методов инженерно-геологических изысканий.