التنبؤ بعامل الأمان في سفوح الطرق المرتفعة باستخدام غابة عشوائية ذات أثر مختلط وتحسين بمستعمرة النحل

لماذا يهم استقرار سدود الطرق

عندما تقود على طريق سريع مبني فوق تل ترابي مرفوع، فأنت تثق أن هذا التل الاصطناعي لن ينهار فجأة. يُقيَّم أمان هذه السدود العالية برقم يُسمى «عامل الأمان»، والذي يقارن القوى التي تُبقي التربة في مكانها مع القوى التي تحاول أن تجعلها تنزلق. تقليدياً، اعتمد المهندسون على حسابات يدوية أو محاكيات حاسوبية مكثفة لتقدير هذا العامل. تُظهر هذه الدراسة كيف يمكن للتعلّم الآلي الحديث أن يجعل تلك التنبؤات أسرع وأكثر موثوقية، مما قد يقلل من مخاطر الانهيارات الكبرى للمنحدرات التي تهدد الناس والممتلكات وشبكات النقل.

بناء آلاف السدود الافتراضية

لتدريب واختبار نماذجهم، أنشأ الباحثون أولاً مجموعة بيانات كبيرة وواقعية باستخدام محاكيات رقمية متقدمة بدلاً من الاعتماد فقط على عدد قليل من دراسات الحالة الحقيقية. نمذجوا سدود طرق بارتفاعات بين 6 و30 متراً مع أشكال منحدر مختلفة، بما في ذلك تصميمات متدرجة تستخدم مقاعد أفقية تُسمى الحواجز (berms) لتحسين الاستقرار. غيّروا خصائص التربة الأساسية—مثل كثافة التربة ومحتوى الماء والمرونة ومقاومة الانزلاق والتماسك—إلى جانب قوة تربة الأساس أسفل السد. لكل واحد من 1,176 سيناريو، حسب برنامج العناصر المنتهية عامل الأمان وبحث عن سطح الانزلاق الأكثر احتمالاً، موفراً «حقيقة مرجعية» موثوقة يمكن مقارنة تنبؤات التعلّم الآلي بها.

من النماذج الكلاسيكية إلى الغابات الأذكى

قارن الفريق بعد ذلك بين ثلاثة أنواع من النماذج المستندة إلى البيانات. الأول كان طريقة الغابة العشوائية المعروفة، التي تجمع بين العديد من أشجار القرار لإنتاج تنبؤات قوية. الثاني، المسمى غابة عشوائية ذات أثر مختلط (Mixed Effects Random Forest)، يوسع هذه الفكرة من خلال احتساب البيانات المجمعة أو «المجموعة» صراحة—وهو الوضع الشائع في العمل الجيوتقني، حيث قد تأتي مجموعات القياسات من نفس الموقع أو نوع التربة أو مرحلة الإنشاء. أخيراً، قدموا نهجاً هجيناً جديداً: غابة عشوائية ذات أثر مختلط محسّنة بخوارزمية مستعمرة النحل (ABC‑MERF). هنا، تضبط خوارزمية تحسين مستوحاة من عمل النحل الباحث عن الطعام العديد من إعدادات الغابة ذات الآثار المختلطة تلقائياً لاستخراج أداء أفضل دون الحاجة لتجارب وخطأ يدوية من المهندس.

تنظيف البيانات واختبار التنبؤات

قبل تدريب النماذج، جهز الباحثون البيانات بعناية. حددوا القيم الشاذة المتطرفة باستخدام طريقة مخطط الصندوق القياسية وحدّوا من قيمها إلى حدود معقولة حتى لا تشوّه القيم النادرة العملية التعليمية. ثم قيسَت كل المدخلات بين 0 و1، وهو ما يناسب مُحسّن مستعمرة النحل ويجعل المتغيرات المختلفة قابلة للمقارنة. قُسّمت البيانات إلى مجموعات تدريب واختبار، واستخدم بروتوكول تقييم صارم عدة مقاييس خطأ، بما في ذلك مدى قرب التنبؤات من عوامل الأمان المحاكية ومدى التباين في البيانات الذي يمكن للنماذج تفسيره. استُخدمت فحوصات إضافية، مثل مخططات البواقي والاختبارات الإحصائية، للتأكد من أن النماذج لم تكن تحفظ بيانات التدريب فحسب بل تتعلم فعلاً الأنماط الأساسية.

ما تعلمته النماذج عن التربة والمنحدرات

أدّت الطُرُق الثلاث جميعها أداءً مميزاً، لكن نموذج ABC‑MERF تصدّر النتائج. فسّر أكثر من 99 بالمائة من التباين في عامل الأمان وحافظ على أخطاء تنبؤ نموذجية بحوالي اثنين بالمائة من نطاق الأمان. وبقدر أهميتها، كان سلوك النموذج منطقياً من الناحية الفيزيائية. أظهرت تحليلات أهمية المتغيرات ومنحنيات الاستجابة أن زاوية الاحتكاك الداخلي لتربة السد وارتفاع السد كانتا العوامل الأكثر تأثيراً، تليهما انحدار المنحدر والتماسك واستخدام الحواجز. زوايا احتكاك أعلى وتماسك أكبر زادا من الاستقرار، بينما خفضت السدود الأعلى والانحدارات الأشد الاستقرار—وهو بالضبط ما تتوقعه ميكانيكا التربة الأساسية. هذا الاتفاق بين النتائج المستندة إلى البيانات والنظرية الهندسية أمر حاسم إذا كان الممارسون سيثقون بأدوات التعلّم الآلي في التصاميم الحساسة للسلامة.

من أداة بحثية إلى مساعد هندسي

تخلص الدراسة إلى أن توليفة مصممة بعناية من الغابات العشوائية ذات الآثار المختلطة وتحسين مستوحى من النحل يمكن أن تقدم تنبؤات دقيقة للغاية وذات مغزى فيزيائي لعامل الأمان لسدود الطرق المرتفعة. للقراء غير المتخصصين، الرسالة الأساسية هي أن المهندسين يمكنهم الآن دمج الاختبار الافتراضي التفصيلي مع التعلّم الآلي المتقدم لفرز العديد من خيارات التصميم بسرعة وتسليط الضوء على التكوينات الخطرة قبل بنائها. وبينما لا تحل هذه النماذج محل الحكم الخبير أو التحقيقات الموقعيّة—وخاصة في حالات الزلازل أو الأمطار الغزيرة—فهي تقدم أداة دعم قرار قوية للمساعدة في الحفاظ على استقرار وسلامة السدود تحت طرقنا طوال عمر خدمتها الطويل.

الاستشهاد: Boufarh, R., Boursas, F., Bakri, M. et al. Factor of safety prediction for high road embankments using mixed effects random forest and bee colony optimization. Sci Rep 16, 6003 (2026). https://doi.org/10.1038/s41598-026-35431-7

الكلمات المفتاحية: استقرار الكُتَل الترابية, سدود الطرق, عامل الأمان, التعلّم الآلي, الهندسة الجيوتقنية