شبكة هجينة قائمَة على الآلية تجمع Transformer وGRU للتنبؤ بمنحنيات الهسترة لأعمدة الجسور: بحث قابل للتفسير

لماذا تهم فحوصات الجسور الأذكى

تعتمد المجتمعات الحديثة على شبكات واسعة من الجسور للحفاظ على حركة الناس والبضائع. يجب على هذه المنشآت أن تتحمّل بصمت مرور المركبات والرياح، وخاصة الزلازل. يستخدم المهندسون نوعاً خاصاً من المنحنيات، يُدعى منحنى الهسترة، لرصد كيفية انحناء عمود الجسر واستسلامه وتعافيه تحت اهتزاز متكرر. تقليدياً، كان الحصول على هذه المنحنيات يتطلب اختبارات معملية مستهلكة للوقت أو محاكيات حاسوبية مكلفة. يقدم هذا البحث نهجاً جديداً يعتمد على الذكاء الاصطناعي يتنبأ بهذه المنحنيات بسرعة ودقة مع احترام مبادئ فيزيائية أساسية، ما يوفّر خطوة محتملة نحو تصميم ورقابة جسور أكثر أماناً وكفاءة.

رصد تمايل الجسر على الورق

عندما يهز زلزال أو رياح قوية جسراً، لا تتصرف أعمدته كقضبان مرنة مثالية تنثني ثم تعود فوراً إلى شكلها الأصلي. بدلاً من ذلك، يترك كل دورة تحميل أثراً على شكل حلقة على رسم القوة مقابل الإزاحة. تكشف هذه الحلقات الهستيرية كمية الطاقة التي يمكن أن يمتصها العمود، وكيف يتلاشى صلابته مع التضرر، وكم من الإمالة الدائمة قد يحتفظ بها. وبما أن هذا السلوك شديد اللاخطية، فقد اعتمد المهندسون طويلاً على تجارب مفصلة ونماذج رقمية معقّدة لالتقاطه. وعلى الرغم من قوة هذه الأساليب، فهي قد تكون بطيئة ومكلفة، مما يصعّب تحليل عدد كبير من الجسور بسرعة بعد كارثة أو تقييم البنى التحتية المتقادمة على نحو روتيني.

إدخال الفيزياء في التعلم الآلي

أتاح التقدم الحديث في الذكاء الاصطناعي إمكانية تعلم سلوكيات هيكلية معقّدة مباشرة من البيانات. مع ذلك، قد تتصرف النماذج المعتمدة كلياً على البيانات كصناديق سوداء: فقد تُجيد مطابقة النتائج السابقة لكنها تفشل عند التنبؤ بهياكل جديدة أو ظروف تحميل نادرة، وغالباً لا توضح لماذا صدرت نتيجة معيّنة. لمواجهة هذه القيود، صمّم المؤلفون نموذجاً هجيناً يمزج أداة معالجة لغات شائعة، Transformer، مع شبكة للتسلسلات الزمنية تُدعى GRU. والأهم أنهم رتبوا المدخلات والشبكة بحيث تُبنى المبادئ الميكانيكية الأساسية داخلها: يتولى مسار بيانات واحد التفاصيل الهندسية للعمود (مثل نوع المقطع والأبعاد)، وآخر يحمل خصائص المواد، وثالث يحمل أحمال التحميل وأجزاء من حلقات الهسترة السابقة.

كيف "يعمل الانتباه" في النموذج الهجين

داخل النموذج، يقوم آلية انتباه متعددة الرؤوس معدّلة بمهمة الربط بين الهندسة والمواد والأحمال. بدلاً من معاملة كل الأرقام الداخلة على قدم المساواة، يستخدم الشبكة صراحةً الميزات الهندسية كـ "الاستعلام"، وميزات المادة كـ "المفتاح"، وبيانات التحميل والتاريخ كـ "القيمة". تشجّع هذه البنية النموذج على تعلم أنماط تُرجع إلى تفكير ميكانيكي بسيط: شكل وحجم العمود وقوة الخرسانة والحديد تحددان صلابته، بينما تقرر القوى المطبّقة والدورات السابقة كيف تتدهور تلك الصلابة. بعد أن يستخلص الانتباه هذه العلاقات، تتولى طبقة GRU متابعة كيفية تطور استجابة العمود من دورة تحميل إلى التالية، ما يلتقط تأثيرات شبيهة بالتعب عبر الزمن.

التدريب باستخدام العديد من الاختبارات الواقعية

لتعليم النموذج والتحقق من صحته، اعتمد الباحثون على 207 اختبارات دورية لأعمدة خرسانية مسلحة من قاعدة بيانات أداء الهياكل PEER. قاموا بفلترة هذه المجموعة الغنية وإعادة تنظيمها بعناية إلى 15 معلمة مدخلة تغطي الهندسة، وتفاصيل التسليح، وقوى المواد، وسجلات التحميل، والتاريخ من الحلقة السابقة، بالإضافة إلى إزاحة الهدف للحلقة الحالية. أعيد عيننة كل حلقة هستيرية إلى طول مشترك حتى يمكن مقارنة الاختبارات المختلفة بشكل عادل. بعد ذلك، قارنوا الشبكة الهجينة بعدد من البدائل، بما في ذلك GRU العادي، وGRU ثنائي الاتجاه، وGRU قائم على الانتباه، مع ضبط جميع النماذج بنفس إجراء التدريب واستراتيجية التحسين.

الدقة، كفاءة البيانات والرؤى

تفوّق نموذج Transformer‑GRU القائم على الآلية على جميع النماذج المقارنة. بالمقارنة مع أفضل نموذج منافس قائم على الانتباه وGRU، أظهرت تنبؤاته تحسناً معتدلاً لكنه مهمّاً في جودة المطابقة وتقليلاً ملحوظاً في كل من الأخطاء المتوسطة والقصوى. والأهم أنه حافظ على أداء قوي حتى عند تدريبه على أجزاء صغيرة نسبياً من البيانات المتاحة، وهي ميزة رئيسية في مجالات تندر فيها الاختبارات عالية الجودة. كما درس المؤلفون كيفية تراكم أخطاء التنبؤ عند التنبؤ بتسلسل طويل من حلقات الهسترة ووجدوا أن استراتيجية تدريب تحافظ على الترتيب الطبيعي للحلقات تُبقي نمو الخطأ تحت السيطرة. وللاطلاع داخل "الصندوق الأسود"، طبقوا أداة تفسيرية مبنية على نظرية الألعاب تُدعى SHAP. كشف هذا التحليل أن شكل المقطع وخصائص هندسية ومادية أخرى تلعب دوراً أكبر بكثير في النموذج الجديد منه في نموذج GRU العادي، مع استمرار إعطاء وزن مناسب لتاريخ التحميل—سلوك يتطابق عن كثب مع توقعات الهندسة.

ماذا يعني هذا للجسور الواقعية

بشكل مبسّط، يُظهر البحث أن نظام ذكاء اصطناعي مصمّم بعناية يمكنه أن "يفكر" في أعمدة الجسور بطريقة تحاكي مبادئ الميكانيكا الهيكلية الأساسية بدلاً من مجرد حفظ البيانات. من خلال تضمين الهندسة والمواد والأحمال في صميم النموذج، يحصل المؤلفون على تنبؤات سريعة حول كيفية انحناء العمود وتدهوره تحت اهتزاز متكرر، بدقة مناسبة للاستخدام الهندسي ومع أدوات توضح المدخلات الأكثر تأثيراً. قد تساعد مثل هذه النماذج في نهاية المطاف المهندسين على فرز قواعد بيانات كبيرة من الجسور بعد الزلازل، وتخطيط عمليات تقوية أكثر فعالية، وتوسيع هذه الأفكار لتشمل هياكل عمودية مشابهة في المباني والبنى التحتية.

الاستشهاد: Wang, J., Zeng, W. & Zhong, H. A mechanism-based hybrid Transformer-GRU network for bridge pier hysteresis curves prediction: an interpretable research. Sci Rep 16, 4961 (2026). https://doi.org/10.1038/s41598-026-35626-y

الكلمات المفتاحية: أداء الجسور الزلزالي, منحنيات الهسترة, الذكاء الاصطناعي الموجه بالفيزياء, نموذج Transformer-GRU, مراقبة صحة الهياكل