تقنية بديلة قائمة على XGBoost لتحليل موثوقية النظام للأساسات فوق تجاويف بمساعدة التمهيد (bootstrapping)

لماذا تهم الفراغات المخفية تحت المباني

تُبنى المدن بشكل متزايد فوق مناجم قديمة وأنفاق وتجويفات تحت أرضية أخرى. يمكن لهذه الفراغات الخفية أن تقوّض التربة ببطء، مما يتسبب في ميل المباني أو تشققها أو حتى انهيارها. يحاول المهندسون تصميم أساسات تظل آمنة رغم هذه المخاطر، لكن الطرق التقليدية لفحص السلامة عبر العديد من السيناريوهات الممكنة قد تكون مستهلكة جداً للوقت. تُظهر هذه الدراسة كيف يمكن لأدوات تعلم الآلة الحديثة أن تجعل فحوصات السلامة هذه أسرع وأكثر واقعية، مما يساعد على حماية المنشآت المبنية فوق التجاويف.

أساسات فوق مخاطر أرضية غير مرئية

على أساس المبنى أن يقوم بمهامين رئيسيين: ألا يخترق التربة (قدرة التحمل)، وألا يهبط أو ينجرف أكثر من اللازم (الهبوط). التجاويف تحت السطح—التي خلفتها عمليات التعدين أو الحفر أو العمليات الطبيعية—تجعل كلا المهمتين أصعب. قد تتحرك التربة أو تنهار إلى الفراغ، مما يقلل الدعم للأساس مع مرور الوقت. غالباً ما تعتمد التصاميم التقليدية على «عامل أمان» واحد يقارن بين ما يبدو عليه النظام من قوة وما يحتاجه فعلاً. لكن الترب الحقيقية تختلف من موقع لآخر وتتغير مع الزمن، لذا قد يخفي عامل أمان واحد مخاطر مهمة.

من محاكيات مكلفة إلى نماذج بديلة ذكية

لاستكشاف هذه المخاطر بشكل صحيح، من المثالي أن يُجري المهندسون آلاف المحاكاة التفصيلية التي تغير خواص التربة وشكل التجويف وعوامل أخرى. في الواقع، هذا بطيء للغاية. لذلك أنشأ المؤلفون مجموعة بيانات كبيرة مكونة من 272 محاكاة عالية الجودة لأساس شريطي فوق تجاويف دائرية باستخدام برنامج جيوتقني متخصص. ثم دربوا نموذج تعلم آلي يسمى XGBoost ليحاكي هذه المحاكاة، متنبئاً بكل من قدرة التحمل والهبوط من مدخلات مثل وزن التربة والتماسك وزاوية الاحتكاك وعمق التجويف والصلابة. أعاد النموذج البديل إنتاج المحاكاة التفصيلية بدقة عالية، خاصة بالنسبة لقدرة التحمل، مما يجعله بديلاً سريعاً للحسابات المكلفة.

فهم البيانات الفوضوية وعدم اليقين

نادراً ما تتوافق البيانات الجيوتقنية الحقيقية مع الافتراضات الإحصائية البسيطة—فهي قد تكون محرفة، متعددة القمم، وتظهر تبايناً واسعاً. اختبر المؤلفون منهجياً العديد من التحويلات الرياضية لجعل قيم القدرة على التحمل والهبوط المتوقعة تبدو أقرب إلى التوزيع الجرساني المثالي. لم تنجح أي من هذه التحويلات بمفردها تماماً. وجدوا أفضل توازن عبر تطبيق تحويل لوغاريتمي أولاً ثم استخدام تقنية تسمى التمهيد (bootstrapping) التي تعيد أخذ عينات من البيانات مراراً لبناء توزيع تجريبي. سمح هذا الجمع بوصف عدم اليقين بطريقة متينة من دون إجبار البيانات على شكل غير واقعي.

حساب احتمالات الفشل اليوم وفي المستقبل

مع وجود النموذج البديل ومعالجة بيانات محسنة، استخدم الفريق محاكاة مونت كارلو لتقدير مدى تكرار فشل الأساسات وفق معيارين: فقدان قدرة التحمل والهبوط المفرط. وجدوا أن حد الهبوط كان أكثر حسماً من قدرة التحمل، حيث زاد احتمال الفشل بنحو 30 بالمئة عند اعتباره وحده. عندما جُمِعت المعياران في منظور نظامي—حيث يُعتبر النظام فاشلاً إذا انتهك أي منهما—ارتفعت فرصة الفشل الإجمالية أكثر، بأكثر من 50 بالمئة مقارنة بالنظر إلى قدرة التحمل وحدها. استكشفت الدراسة أيضاً كيف قد تتدهور السلامة على مدى عقود عبر تقليل قدرة التحمل تدريجياً وزيادة الهبوط المتوقع. في ظل هذه التوجهات المفترضة، تراجعت مؤشرات الموثوقية بشكل مطرد، مقتربةً من مستوى مخاطرة يقارب رمية العملة بعد نحو قرن.

ما يعنيه ذلك لتصميم مبانٍ أكثر أماناً

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن سلامة المباني الواقعة فوق تجاويف تحت أرضية لا يمكن الحكم عليها بثقة بواسطة عامل أمان واحد أو بفحص وضع فشل واحد فقط. بربط نموذج بديل للتعلم الآلي مدرَّب جيداً مع معالجة إحصائية دقيقة ومحاكاة مونت كارلو، يمكن للمهندسين استكشاف آلاف سيناريوهات «ماذا لو» بسرعة، مع مراعاة خواص التربة غير المؤكدة وشكل التجاويف والتغيرات الزمنية. يكشف هذا النهج أن الهبوط وسلوك النظام الكلي يمكن أن يتحكما في المخاطر، حتى عندما تبدو قدرة التحمل مريحة. عملياً، يوفر الإطار وسيلة أسرع وأكثر واقعية لاكتشاف الأساسات التي قد تبدو آمنة على الورق لكنها قد تصبح عرضة للخطر مع تطور حالة الأرض تحتها.

الاستشهاد: Shubham , K., Metya, S., Sinha, A.K. et al. XGBoost based surrogate technique for system reliability analysis of foundation over cavity aided with bootstrapping. Sci Rep 16, 7113 (2026). https://doi.org/10.1038/s41598-026-37058-0

الكلمات المفتاحية: موثوقية الأساسات, التجاويف تحت الأرض, تعلم الآلة, محاكاة مونت كارلو, الهندسة الجيوتقنية