التنبؤ بإزاحات رؤوس الركائز وسطح الأرض حول الركائز استنادًا إلى خوارزميات تعلم الآلة

لماذا تهم التحركات الطفيفة تحت الأرض

عند بناء خطوط مترو جديدة أو جسور مرتفعة، يتم دفع آلاف الركائز الخرسانية العميقة في الأرض لحمل المنشآت. هذا الانضغاط للتربة المحيطة قد يدفع الركائز المجاورة والطرق والمباني والأنابيب المدفونة ببضع مليمترات فحسب — لكن حتى مثل هذه الحركات الصغيرة قد تتسبب في تشقق الخرسانة أو انحناء خطوط المرافق. تستكشف الدراسة وراء هذا المقال كيف يمكن لأدوات تعلم الآلة الحديثة التنبؤ بهذه التحركات تحت الأرض بدقة أكبر من الصيغ التقليدية، مما يساعد المهندسين على تصميم أساسات أكثر أمانًا في المدن المكتظة.

كيف يعيد ردم الركائز تشكيل التربة

خلال الإنشاء، تُدفع ركائز خرسانية طويلة ومفرغة إلى التربة اللينة بدلاً من الطرق، وهي طريقة شائعة لمشروعات المدن مثل خط مترو بوغوتا 1 في كولومبيا. مع دفع كل ركيزة، يجب أن تتحرك التربة إلى مكان ما: تُضغط جانبيًا وعموديًا إلى أعلى، وتدفع الركائز المجاورة وسطح الأرض. في الحالات الشديدة قد يؤدي ذلك إلى انكسار ركائز، انتفاخ الطرق، أو تلف أنابيب قريبة قد تكون على بعد عشرات السنتيمترات فقط. لطالما استخدم المهندسون نظريات مبسطة تتعامل مع كل ركيزة كأسطوانة متسعة في التربة لتقدير هذه التأثيرات، لكن تلك الأساليب تواجه صعوبة في التقاط الواقع المعقد للترب الطبقية، وتخطيطات الركائز المعقدة، وتسلسل أعمال الإنشاء.

تعليم الحواسيب قراءة استجابة الأرض

التفت الباحثون إلى تعلم الآلة، وهو فرع من الذكاء الاصطناعي يتعلم فيه الحاسوب الأنماط من البيانات بدلاً من الاعتماد فقط على معادلات مكتوبة يدويًا. جمعوا مئات القياسات للإزاحة الأفقية عند قمم الركائز ونقاط المراقبة المحيطة بها من مشروع بوغوتا. لكل قياس سجَّلوا أيضًا مجموعة من العوامل المؤثرة، بما في ذلك مدى رطوبة وكثافة التربة، صلابتها، المسافة من مركز مجموعة الركائز، الزاوية المحيطة بالمجموعة، وكمية الوقت التي انقضت منذ توقف الردم حتى استقرّت التربة.

اختبار آلات تعلم مختلفة

تمت مقارنة عدة أنواع من الخوارزميات. شكلت شبكة عصبية كلاسيكية معروفة باسم شبكة النقل العكسي (BP) خط الأساس. ثم عزز الفريق هذه الشبكة باستخدام نهج يُدعى AdaBoost، الذي يجمع العديد من المتنبئين الضعفاء في «لجنة» أكثر دقة، فأنشأوا نموذج AdaBoost-BP. كما اختبروا شبكات عصبية عميقة متعددة الطبقات المخفية، وغابات عشوائية مكوَّنة من العديد من أشجار القرار، وطريقة تعزيز شجرية شهيرة تُدعى XGBoost. تم ضبط جميع النماذج وفحصها باستخدام التحقق المتقاطع، وهي إجراء يدرب مرارًا على جزء من البيانات ويختبر على الباقي لتجنب الإفراط في التخصيص. سواءً للبيانات الصغيرة أو الكبيرة، تفوّقت نماذج التعزيز والتعلم العميق بوضوح على شبكة BP الأساسية، حيث طابقت الشبكات العصبية العميقة القياسات الميدانية بشكل أوثق بشكل خاص.

ما الذي يتحكم فعلاً في حركة الأرض

مع توفر نماذج دقيقة، استقصى المؤلفون أي العوامل أهم. باستخدام تحليل SHAP، وهو تقنية تشرح النماذج المعقدة عن طريق إسناد مساهمة لكل مدخل في التنبؤ، وجدوا أن الهندسة البسيطة هي المسيطرة: المسافة الأفقية من مركز مجموعة الركائز والاتجاه حولها هما العاملان الرئيسيان للإزاحة. تميل النقاط الأقرب إلى المركز إلى التحرك أكثر، وتختلف أنماط الحركة حول البوصلة لأن صفوف الركائز ليست متماثلة تمامًا. كما يلعب الزمن منذ توقف الردم دورًا مهمًا، مما يعكس إعادة التعديل البطيئة وزحف التربة. من بين خصائص التربة، يكون لمحتوى الماء والكثافة النسبية وزاوية الاحتكاك الداخلي (مقياس مرتبط بمدى تلاحم الحبيبات) التأثير الأقوى، بينما تهمّ معايير أخرى مثل اللدونة والوزن الحجمي الكلي بدرجة أقل.

أدوات جديدة لبناء تحت أرضي أكثر أمانًا

بمقارنة تنبؤاتهم المستندة إلى البيانات مع نظرية التمدد الأسطواني التقليدية، أظهر المؤلفون أن نماذج تعلم الآلة، وخصوصًا الشبكات العصبية العميقة، قادرة على التنبؤ بالإزاحات الأفقية عند قمم الركائز ونقاط سطح الأرض بدقة أكبر بكثير. للمشروعات المستقبلية — مثل خطوط مترو إضافية — يمكن استخدام هذه المنهجية أثناء التصميم لاختبار تخطيطات الركائز والمسافات بينها وتسلسلات الإنشاء المختلفة على الحاسوب قبل إزعاج أي تربة، مما يقلل الخطر على المباني والأنابيب المجاورة. باختصار، من خلال السماح للحواسيب بالتعلّم مباشرة من قياسات ميدانية مفصّلة، يحصل المهندسون على صورة أوضح لكيفية استجابة الأرض، ما يسهل الحفاظ على استقرار وسلامة البنية التحتية الحضرية الحيوية.

الاستشهاد: Li, P., Guo, S., Liang, M. et al. Prediction of the displacements of the pile tops and ground surface around piles based on machine learning algorithms. Sci Rep 16, 6057 (2026). https://doi.org/10.1038/s41598-026-36502-5

الكلمات المفتاحية: أساسات الركائز, إزاحة التربة, تعلم الآلة, البنية التحتية تحت الأرض, بناء المترو