Slik endrer kunstig intelligens geoteknikken
NGIs Andreas-Nizar Granitzer mottok den såkalte “Bright Spark Lecture”-prisen på en internasjonal konferanse i Hongkong i mai 2026. Dette er en utmerkelse forbeholdt særlig lovende forskere tidlig i karrieren.
Andreas-Nizar Granitzer holder Bright Spark Lecture på 5ISMLG-konferansen i Hongkong, mai 2026. ( Photo: NGI)
Prisen kommer i kjølvannet av forskning som viser at KI allerede gir målbare resultater i geoteknisk praksis og at bransjen er klar for et reelt skifte.
Granitzer er forsker og prosjektingeniør i NGIs seksjon for fundamentering på land. På 5ISMLG-konferansen (Machine Learning & Big Data in Geoscience) i Hongkong i mai 2026 presenterte han en empirisk gjennomgang av hva som faktisk fungerer innen datasentrert geoteknikk og hva som fortsatt hindrer utbredt bruk i bransjen.
– Teknologien utvikler seg raskt, og mye av den fungerer godt i forskningsmiljøer. Utfordringen er å få den til å fungere i ingeniørers daglige arbeid og skape konkret verdi for kundene, sier Granitzer.
Bred interesse på tvers av generasjoner
Et interessant funn kommer fra GEDIAG-prosjektet, en internasjonal spørreundersøkelse med nærmere 1 000 deltakere fra ulike geofaglige disipliner. Studien, gjennomført med østerrikske kolleger fra geoteknikk og samfunnsvitenskap og publisert i tidsskriftet “Geomechanics and Tunneling”, kartla holdninger til KI og ny teknologi blant geotekniske ingeniører på tvers av aldersgrupper og land.
Funnene utfordret en utbredt antakelse: eldre fagfolk er ikke nødvendigvis skeptiske, og yngre er ikke nødvendigvis entusiastiske. Interessen for KI og datasentrerte metoder er bred og går på tvers av generasjoner.
– Undersøkelsen viser at KI i stor grad oppfattes som et verktøy for å redusere repetitive og arbeidsintensive oppgaver, ikke som en trussel mot jobbsikkerheten, sier Granitzer, som var en av bidragsyterne i studien.
Dette er et viktig signal for et fagfelt der manuell databehandling og tolkning av store mengder overvåkingsdata kan hente mye på pålitelige KI-drevne løsninger. Undersøkelsen viser samtidig at bransjen i stor grad fortsatt ser på KI som et passivt verktøy snarere enn som en aktiv samarbeidspartner i dynamiske situasjoner. Det gjenspeiler et lavere modningsnivå enn i andre fagfelt som beveger seg mot autonome systemer med menneskelig tilsyn.
Fra borkjerner til sensordata
I forskningen sin peker Granitzer på flere prosjekter der datasentrerte metoder har gitt målbare resultater.
Et eksempel er bruk av datamaskinbasert bildeanalyse for å klassifisere jordprøver fra grunnundersøkelser og støtte geotekniske eksperter i vurderingen. Menneskelige vurderinger kan variere avhengig av hvem som undersøker prøven. Bildeanalyse gir derimot konsistente og reproduserbare resultater.
Et annet eksempel kommer fra EU-prosjektet The HuT, ledet av NGIs Luca Piciullo og støttet av Andreas Mathisen, der NGI-forskere har utviklet et agentbasert system som lar ingeniører søke i store, nær-sanntids overvåkningsdatabaser fra virkelige anlegg ved hjelp av naturlig språk. I stedet for å navigere i komplekse tabeller kan en ingeniør stille et direkte spørsmål til sensoranlegget på stedet og få et sporbart svar, inkludert visuelle beskrivelser. Eksempelvis: «Hallo, byggegrop, hvordan går det med deg i dag?»
– Målet er å gjøre informasjon tilgjengelig for dem som faktisk skal ta beslutninger i felt, inkludert kundene våre, forklarer Granitzer.
Byggegropa ved Campus Ullevål i Oslo, der NGI-forskere brukte surrogatmodeller til å vurdere stabiliteten i støttekonstruksjonene.
Surrogatmodeller på Campus Ullevål
Et tredje eksempel kommer fra NGIs Campus Ullevål i Oslo, der det ble gjennomført omfattende utgravninger i kvikkleire.
For å vurdere stabiliteten til støttekonstruksjonene brukte teamet surrogatmodeller: probabilistiske maskinlæringsmodeller trent til å gi raske og pålitelige svar i situasjoner som ellers ville kreve tidkrevende beregninger. Tilnærmingen gjør det mulig å kjøre hundrevis av analyser der tradisjonelle metoder bare tillater noen få.
– Metoden gjorde det mulig å kjøre et stort antall analyser på kort tid og håndtere parameterusikkerhet i inndata på en transparent måte, sier Granitzer.
Tre barrierer som bremser feltet
Til tross for lovende resultater er bruken av datasentrerte metoder fortsatt begrenset i bransjen. Granitzer peker på tre sentrale barrierer: sparsomme data, utilstrekkelig integrering i eksisterende arbeidsprosesser og mangel på tverrfaglig kunnskap.
– Geotekniske data er i sin natur ofte mangelfulle, innsamlet av ulike virksomheter og med varierende standarder. Det gjør dem vanskelige å bruke direkte i datasentrerte løsninger, forklarer Granitzer.
Og selv når datakvalitet og -volum er tilstrekkelige, er det ingen garanti for at systemene samsvarer med hvordan ingeniører faktisk arbeider. Granitzers sentrale budskap er tydelig: teknologi alene er ikke svaret.
– Det som teller, er å ta utgangspunkt i det praktiske problemet og la det styre valget av teknologisk løsning, ikke omvendt, sier han.
Feltet utvikler seg raskt, og Granitzers bidrag i Hongkong er ett av flere tegn på at datasentrert geoteknikk er i ferd med å bevege seg fra et forskningstema til en praktisk ingeniørdisiplin. Hvilke metoder som faktisk vil feste seg i hverdagspraksis, gjenstår å se, men grunnlaget legges nå.
– I stedet for å finne opp hjulet på nytt i hver sin faglige silo, må vi samle tverrfaglig kunnskap, avslutter Granitzer.
