De neste tiårene skal Norge bygge mye ny vei og jernbane gjennom områder med utfordrende grunnforhold. Dette er store, kostbare prosjekter som krever stor ressursinnsats og dyktige ingeniører. Tradisjonelt kartlegges grunnens egenskaper og dybde til fjell ved prøvetaking utført av beltegående borerigger etterfulgt av geotekniske laboratorieundersøkelser.

– Dette er velprøvde metoder, men både tidkrevende og kostbart. Derfor har vi lenge vært opptatt av å ta i bruk innovative løsninger og ny teknologi som kan effektivisere grunnundersøkelsene og redusere kostnadene, sier Lars Andresen, adm. dir. i NGI.

Raskere og billigere

De siste årene har NGI tatt i bruk to metoder som sammen utgjør et unikt verktøy, og som har potensial til å kartlegge grunnens egenskaper og dybder til fjell på en langt raskere og billigere måte. Den første metoden, AEM (Airborne Electromagnetic Measurements), går ut på å måle grunnens elektriske ledningsevne fra en antenne som henger under et helikopter. Den andre metoden benytter kunstig intelligens til å tolke AEM-signalene slik at man kan finne dybde til fjell, skille mellom lag med sand og leire og finne eventuell kvikkleire.

AEM er en relativt ny metode i Norge. Metoden er tatt i bruk på prosjekter i regi av Statens Vegvesen og Bane NOR for å kartlegge grunnens egenskaper for vei og jernbaneprosjekter, f.eks. ny E16 mellom Nybakk og Slomarka, en rekke InterCity-strekninger og Ringeriksbanen.

– Fordelen er at lange strekninger med flere traséalternativer kan kartlegges ved helikopteroverflyvning i løpet av noen få dager og med lavere klimautslipp, forteller Lars Andresen.

– Utfordringen er at det er krevende å tolke signalene og omgjøre elektrisk ledningsevne til geoteknisk informasjon, f.eks. dybde til fjell. Metoden er dessuten ikke like pålitelig som grunnboringer, så vi må gjøre geotekniske boringer for verifisering og supplement. Men AEM gjør at omfanget av slike boringer reduseres betraktelig og at usikkerheten reduseres, sier Andresen.

Faggruppe for kunstig intelligens

NGI etablerte i 2015 en intern faggruppe for forskning på kunstig intelligens for geotekniske anvendelser. Gruppen ble satt sammen på tvers av fag og avdelinger. Det er denne gruppen som nå har utviklet programvare basert på maskinlæring for tolkning av data som genereres fra AEM-målinger.

Metoden benytter såkalte Artificial Neural Networks (ANN) som er inspirert av måten den menneskelige hjerne er bygd opp på. Lignende teknologi benyttes i dag i datamaskiner til alt fra å identifisere brystkreft med utgangspunkt i mammografibilder til å navngi personer ved hjelp av ansiktsgjenkjenning.

– Helikoptermålingene produserer store mengder data som må tolkes av en ekspert. Tidligere ble denne jobben gjort manuelt og var svært omfattende. Nå benytter vi kunstig intelligens, slik at datamaskinene kan lære å tolke signalene, forklarer prosjektingeniør Asgeir O. K. Lysdahl, i NGIs avdeling for Geokartlegging. Han er også sentral i NGIs faggruppe for kunstig intelligens.

– Datamaskinen lærer hvordan geoteknikeren utfører tolkningen. Ut fra dette kompletterer den modellen for alle områdene geoteknikeren ikke har tolket. Metoden er under utvikling, men vi har allerede brukt den til å kartlegge dybde til fjell på prosjektet Ringeriksbanen.

AEM results Inter city 2015

 
Stort behov for innovasjon

Den norske bygge- og anleggsbransjen har et stort behov for forskning, utvikling og innovasjon. Det trengs nye metoder for å bygge billigere, sikrere og grønnere. På mange områder i ingeniørfagene har kunstig intelligens et stort potensial for å forbedre metoder og også bidra med beslutningstøtte i selve prosjekteringsarbeidet.

– Jeg mener at vi i Norge, med våre sterke miljøer innenfor geofag, ingeniørfag og IKT, har gode muligheter til å ta en ledende internasjonal rolle, sier Lars Andresen. – Det vil ha positive samfunnsøkonomiske ringvirkninger i form av effektiv prosjektgjennomføring, risikoreduksjon og kostnadskutt. Forutsetningene er at vi har byggherrer som etterspør innovative løsninger og at tverrfaglig anvendt forskning og utvikling blir prioritert.

Referanser:

[1] Meld. St. 33 (2016–2017), Nasjonal transportplan 2018–2029

[2] http://onlinelibrary.wiley.com/doi/10.1002/cncr.30245/abstract

[3] http://www.banenor.no/Prosjekter/prosjekter/ringeriksbanenoge16/