Due to complex spatial patterns and sparse data, delineating and mapping bedrock levels, groundwater tables and overlaid deposits are essential but difficult tasks in geoengineering applications. The outcomes of predictive geo-engineering models also contain uncertainties. Therefore, formal frameworks are needed for uncertainty quantification (UQ) to assess the reliability of the models and reduce hesitancy in bothcomputations and real-world applications. Modern computing techniques, such as artificial intelligence-based models (AI), provide alternatives to overcome the deficiencies of currently used methods. The objective of the present study is to investigate the feasibility of AI in the prediction of 3D spatial distribution of subsurface bedrock levels and groundwater tables in large areas in Stockholm, Sweden. This study also aims to address the uncertainty quantification challenge in geo-engineering projects by using spatial AI models with a sufficient degree of accuracy. Two datasets from road construction projects (Tvärförbindelsen and E20 Bälinge-Vårgårda) were used for the prediction of bedrock and groundwater surfaces and uncertainty quantifications. From the comparison of the predicted surfaces obtained using the AI and the Ordinary Kriging (OK) geostatistical method, it was found that the AI method more accurately predicted spatial 3D surface and provided more appropriate predictions at any point in the subsurface than the OK method. Three AI uncertainty analysis methods, Monte Carlo Dropout (MCD), Quantile Regression (QR) and Automated Random Deactivating Connective Weights (ARDCW), were tested in this study and then compared with the OK method. These AIuncertainty methods (e.g. MCD and QR) are not extensively used in bedrock and groundwater surface modeling, and ARDCW is a novel, state-of-the-art ensemble method proposed in this study.

På grund av komplexa rumsliga mönster och glesa data är en viktig och svår uppgift i geotekniska tillämpningar att avgränsa och kartlägga berggrundsnivåer, grundvattennivåer och överlagrade jordavlagringar. Resultatet av prediktiva geo-ingenjörsmodeller innehåller också osäkerheter. Därför behövs ramverk för kvantifiering av osäkerheter (UQ) för att kunna bedöma modellernas tillförlitlighet och minska osäkerheten i både beräkningar och verkliga tillämpningar. Moderna beräkningstekniker såsom artificiell intelligensbaserade modeller (AI) är lämpliga alternativ för att övervinna bristerna med för närvarande använda metoder. Syftet med denna studie är att undersöka genomförbarheten med AI för att förutsäga 3D rumsliga fördelningar av berggrundsnivåer och grundvattennivåer för stora områden i Stockholm. Denna studie var också motiverad att ta itu med utmaningen med att kvantifiera osäkerheter i geo-ingenjörsprojekt genom att använda adekvata och noggranna rumsliga AI-modeller. Två uppsättningar av data från projekten Tvärförbindelsen och E20 Bälinge-Vårgårda användes för förutsägelse av berggrundsnivåer och grundvattennivåer och kvantifiering av tillhörande osäkerheter. Från jämförelsen mellan de förutsagda ytorna från AI och den geostatistiska metoden Ordinary Kriging (OK), fann man att AI-metoden kan förutsäga mer korrekta rumsliga 3D-ytor och ge mer lämpliga förutsägelser vid vilken punkt som helst i modellerna. Tre metoder användes för beräkning av osäkerheterna tillhörande AI-analyserna och jämfördes med OK-metoden: Monte Carlo Dropout (MCD), Quantile Regression (QR) och Automated Random Deactivating Connective Weights (ARDCW). Dessa metoder såsom MCD och QR har inte i någon utsträckning använts och ARDCW är en ny föreslagen toppmodern metod som utvecklats i denna studie.