Abstract: Sättningar är en geoteknisk parameter som beskriver jords rörelser i vertikal riktning och har stor inverkan på funktionalitet och beständighet hos infrastrukturprojekt. Därför erhåller kostnadsprediktiv modellering och därmed geoteknisk rumslig kartering en stor potential för beslutsfattare att integrera hållbarhet i tidiga skeden i projekt. Sättningar kan utvärderas med CPTu som en av de vanliga metoderna för undersökningar i svenska jordar. CPTu kan dock endast tillhandahålla vertikal information vid glesa punkter i projektområdet och kan inte utvärdera rumslig fördelning av sättningar mellan punkter. Därför är det en stor utmaning att digitalisera stora mängder CPTn-data (big data) när det gäller rumsliga resultat Dessutom finns ett behov av att kunna presentera en 3D-modell som visar den rumsliga fördelningen av sättningar för olika ingenjörsgrenar och beslutsfattare i olika skeden av byggprocessen. I detta projekt kommer vi att använda artificiell intelligens (AI) för att kunna hantera icke-linjäritet och stora mängder CPTu-data. Med AI kan vi producera mer korrekta och högupplösta rumsliga kartor som beskriver sättningar. Resultaten kommer att underlätta för olika ingenjörsgrenar att tolka och fatta beslut när förstärkningsåtgärder såsom t.ex. pålning och utgrävningar krävs i inledande skeden i projekt. Detta leder sedan till bättre uppskattningar av kostnader och miljöpåverkan för olika föreslagna förstärkningsmetoder. Syftet med detta projekt är att följa FN:s globala agendamål 9 och 11 och den nationella strategin för AI i Sverige för att öka tillämpligheten av CPTu-data i geotekniska tillämpningar med fokus på planering och prediktion av sättningar.Abstract: Settlement is a geoengineering parameter describing soils’ movement in the vertical direction and has a great impact on the functionality and durability on infrastructure projects. Therefore, lower cost predictive modeling and thus subsurface geotechnical site characterization provide a big potential for decision makers to embed sustainability at the early stages in projects. Settlements can be evaluated using CPTu as one of the commonly used subsurface site investigation methods. However, CPTu can only provide vertical subsurface information at sparse points in the project area and suffers from lateral spatial distribution of settlement between points. Therefore, meaningful analyses of big amount of digitized CPTu data in terms of interpretable spatial results is a great challenge for geoengineers. Moreover, presenting a 3D model showing the spatial distribution of soil settlement is required by the clients such as Trafikverket in different stages of the construction process. In this study, we will use artificial intelligence (AI) to handle the concern of nonlinearity and big CPTu data and expect to produce more accurate and high-resolution spatial settlement maps. The results will facilitate the geoengineers to make decisions when soil reinforcement, piling and excavations is required at the early stage of the project. This then leads to better estimation of cost and environmental impacts from comparisons of different suggested reinforcement methods. The objective of this feasibility project follows the FN:s global agenda targets 9 and 11 and the national approach to AI in Sweden to increase the applicability of CPTu data in geoengineering purposes focusing on planning and predicting settlements.