نموذج ذاكرة قصيرة وطويلة لشبكات الأعصاب المتكررة لاكتشاف أخمص الخازوق باستخدام بيانات خام من اختبار سلامة الخازوق

فحوص أذكى للأساسات الخفية

تعتمد العديد من المباني والجسور على أعمدة خرسانية طويلة مدفونة تحت الأرض تُعرف بالخوازيق. وبما أن هذه الخوازيق مدفونة، لا يمكن للمهندسين ببساطة رؤيتها لمعرفة ما إذا كانت قد بُنيت بشكل صحيح أو ما مدى عمقها. تُظهر هذه الدراسة كيف يمكن لنموذج ذكاء اصطناعي أن يقرأ إشارات اهتزاز دقيقة من اختبار المطرقة البسيط ويحدّد تلقائياً أخمص الخازوق — النقطة التي ينتهي عندها داخل التربة — مما يجعل هذه الفحوصات الخفية أسرع وأكثر موثوقية وأقل اعتماداً على حكم الخبراء الفردي.

كيف يستمع المهندسون للأعمدة المدفونة

لفحص الخازوق دون انتشاله، يستخدم المهندسون اختبار سلامة منخفض الإجهاد. ينقر عامل على قمة الخازوق بمطرقة صغيرة بينما يسجّل حساس طريقة اهتزاز الخازوق. يرسل الصدمة موجة إجهاد تسير داخل الخازوق؛ وعندما تلتقي الموجة بتغير — مثل أخمص الخازوق أو عيب — تنعكس إلى الخلف. يحول جهاز محمول هذه الاهتزازات إلى أثر يُسمى انعكاساً رسمياً (reflectogram)، الذي يوضح كيف يتغير الإشارة مع الزمن أو العمق. يدرس المهندسون المتمرسون هذا الأثر جنباً إلى جنب مع معلومات الموقع والمعايير مثل ASTM D5882 وقواعد مستمدة من اليوروكود لتقييم ما إذا كان الخازوق سليماً وأين يقع أخمصه. لكن هذا التفسير قد يكون ذاتياً، ويستغرق وقتاً، ويتأثر بالضوضاء وظروف التربة.

لماذا إدخال التعلّم العميق في المعادلة

في السنوات الأخيرة، جرب الباحثون العديد من أساليب الذكاء الاصطناعي لتحليل بيانات اختبار الخوازيق، من الشبكات العصبية الكلاسيكية إلى طرق تعتمد على الصور ومصنّفات الإشارة. غالباً ما تتطلب هذه الأساليب استخراج ميزات يدوياً من الإشارات المسجلة أو تحويلها إلى صور، وقد تواجه صعوبة في التقاط كيفية تطور الموجات زمنياً على طول الخازوق. ركز مؤلفو هذه الورقة بدلاً من ذلك على نماذج مصممة خصيصاً للتسلسلات: الشبكات العصبية المتكررة ذات الذاكرة طويلة وقصيرة المدى (RNN‑LSTM). تم تصميم هذه الشبكات «لتتذكر» ما سبق في سلسلة زمنية، مما يجعلها مناسبة لتتبع موجة ناتجة عن ضربة مطرقة أثناء تنقلها وانعكاسها وتلاشيها داخل الخازوق.

تحويل ضربات المطرقة الخام إلى بيانات نظيفة

جمع الفريق قاعدة بيانات تضم 500 سجل اختبار منخفض الإجهاد من مشاريع إنشائية في مصر شملت خوازيق خرسانية محفورة بطول يتراوح بين 12 و30 متراً في تربة طبقية. لكل خازوق، كانت لديهم قياسات تسارع خام مع الزمن وانعكاس مرجعي تم رسمه وتفسيره بالبشر في الأصل. قاموا برقمنة هذه المخططات بعناية، وحوّلوا العمق إلى زمن باستخدام سرعات الموجة المعروفة، وموحّدوا المقياس العمودي حتى يمكن مقارنة الإشارات بين الخوازيق المختلفة. وعلى جانب الحساسات الخام، أزالوا الضوضاء ذات التردد العالي بواسطة تنعيم، ومعيّروا الإشارات باستخدام مقياس إحصائي قوي، واستخدموا حشوة ذكية وتغييرات عشوائية صغيرة حتى يتمكن الشبك العصبي من معالجة تسلسلات بأطوال مختلفة دون تشويه نمطها.

تصميم واختبار الشبكة العصبية

تم تجربة تصاميم شبكية متعددة، متباينة في عدد الطبقات و"الخلايا" الافتراضية التي استخدمها النموذج. بحث الباحثون عن توازن: دقة توقع قوية دون انفجار في تكلفة الحوسبة أو ميل لحفظ بيانات التدريب حرفياً. وجدوا أن نموذج LSTM مكوّن من ست طبقات مع 32 وحدة في كل طبقة حقق هذا التوازن. لمساعدة النموذج على تتبع أجزاء إشارة مهمة، أضافوا اختصارات بين الطبقات وآلية انتباه تُمكن الشبكة من التركيز على فترات زمنية رئيسية. بعد التدريب على 400 خازوق والتحقق على 100 حالة غير مرئية، أعاد النموذج النهائي توليد آثار السرعة المولّدة بشرية بدقة إحصائية عالية، مبيناً توافقاً قوياً بين الإشارات المتوقعة والمرقمنة.

من الأرقام إلى قرارات عملية حول الخوازيق

بعيداً عن الإحصاءات، السؤال العملي الرئيسي هو ما إذا كان النموذج يمكنه تحديد موقع أخمص الخازوق بشكل صحيح. فحص الباحثون كل انعكاس متوقع بصرياً وقارنوا موقع الأخمص بالمراجع المرقمنة. إذا كان التطابق ضمن 5 بالمئة، تم تقييمه كـ"جيد"؛ حتى 10 بالمئة، "متوسط"؛ وما بعدها، "ضعيف". ضمن مجموعة التدريب، كانت نحو 90 بالمئة من الخوازيق "جيدة" وفقط 4 بالمئة "ضعيفة". وفي مجموعة التحقق، كانت 84 بالمئة "جيدة" و6 بالمئة "ضعيفة". تشير هذه النتائج إلى أن نظام الذكاء الاصطناعي يمكنه تقليد تفسير الخبراء بدرجة كافية ليكون مفيداً في الاختبارات الروتينية، على الأقل ضمن نطاق أطوال الخوازيق وقوى الخرسانة وأنواع الاختبارات التي تدرب عليها.

ما الذي يعنيه ذلك لمبانٍ أكثر أمناً

بعبارة بسيطة، تُظهر الدراسة أن نموذج تعلّم عميق مصمم جيداً يمكنه أخذ السجل الاهتزازي الخام الناتج عن ضربة مطرقة على خازوق ورسم نفس نوع المنحنى الذي يستخدمه المتخصص لاكتشاف أخمص الخازوق تلقائياً. يقلل هذا من عدد الخطوات اليدوية ومساحة الأخطاء البشرية، مع إبقاء الحكم النهائي حول جودة الخازوق شفافاً ومؤسساً على منحنيات مألوفة. حالياً، ينطبق النموذج فقط على نوع محدد من الحساسات وعلى خوازيق مشابهة لتلك الواردة في الدراسة، لكنه يشير إلى مستقبل تصبح فيه الفحوص الروتينية للأساسات الخفية أسرع وأكثر اتساقاً وأسهل التطبيق في مواقع البناء المزدحمة.

الاستشهاد: Samaan, R.M., Saafan, M.S.A., Mokhtar, A.A. et al. Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test. Sci Rep 16, 6348 (2026). https://doi.org/10.1038/s41598-026-36732-7

الكلمات المفتاحية: اختبار سلامة الخوازيق, التعلّم العميق, شبكة عصبية متكررة, اختبار غير تدميري, الهندسة المدنية