Quality monitoring in vibro ground improvement - A hybrid machine learning approach

This article presents a new approach of quality control to vibro ground improvement techniques based on hybrid machine learning (ML), i.e., a combination of classical analysis and ML techniques. The process is monitored with an instrumented rig equipped with multiple sensors. Key performance indicators (KPIs) are used to identify anomalous foundation columns. As the foundation columns are sub-surface, there is no direct access to ground truth; consequently, unsupervised ML is applied to the recorded time-series data. The risk of not detecting defective elements is reduced by the combination of two independent methods for anomaly detection, KPI- and ML-based classification. The ML is used to gain a deeper process understanding and to detect anomalies which were not considered in the design phase of the KPI. New pre-processing techniques were derived from the insights gained from the ML classifier; this led to a more robust classifier. It is shown how unsupervised ML, using a multi-channel variational autoencoder (VAE) with long short-term memory (LSTM) layers, can be utilized in a knowledge discovery process (KDP).
Qualitätsüberwachung bei der Bodenverbesserung mittels Tiefenrüttelverfahren - Ein Ansatz des hybriden maschinellen Lernens
In diesem Fachbeitrag wird ein neuer Ansatz für die Qualitätskontrolle der Tiefenrüttelverfahren mittels hybriden maschinellen Lernens vorgestellt. Als hybrides maschinelles Lernen wird die Kombination von klassischen analytischen Methoden mit Methoden des maschinellen Lernens beschrieben. Die Prozessüberwachung wird basierend auf einer instrumentierten Rütteltragraupe durchgeführt. Durch Berechnung von Leistungskennzahlen werden Elemente mit abweichenden Qualitätsmerkmalen identifiziert. Unüberwachtes maschinelles Lernen wird auf die aufgenommenen Zeitreihen angewandt, da keine Grundwahrheit für jedes Element ermittelt werden kann. Durch die Kombination zweier unabhängiger Methoden, maschinelles Lernen und Klassifizierung mittels Leistungskennzahlen, wird das Risiko ein fehlerhaftes Element nicht zu erkennen, minimiert. Durch die Klassifizierung basierend auf maschinellem Lernen wird ein tieferes Prozessverständnis erlangt und es werden dadurch Anomalien erkannt, welche bei der Definition von Leistungskennzahlen nicht mit einbezogen wurden. Dadurch konnten neue Datenvorverarbeitungsmethoden abgeleitet werden, welche zu einer robusteren Klassifizierung führen. Es wird gezeigt wie unüberwachtes maschinelles Lernen mittels eines “Variational Autoencoders” mit mehreren Kanälen und “Long-Short-Term Memory” Layern in einem Wissensentdeckungsprozess verwendet werden kann.