نموذج ميتا محسّن بالتعلم النشط لعملية غاوس لتقدير احتمالية الذيل أحادي الجانب للاستجابة الهيكلية غير الخطية

لماذا تهم حالات الفشل النادرة في الهياكل الكبيرة

تعتمد المدن الحديثة على منشآت هندسية ضخمة—أنفاق المترو، الجسور ذات الامتدادات الطويلة، المنصات البحرية—المصممة لتدوم لعقود. هذه الهياكل تعمل بأمان في الغالب، لكن في حالات نادرة جداً يحدث خطأ ما: تسرب عند وصلة نفق، نمو تشققات في الخرسانة، أو انزلاق مسامير يكفي للسماح بدخول الماء. وبما أن هذه الإخفاقات نادرة ومكلفة في آن واحد، يواجه المهندسون صعوبة في تقدير مدى احتمال حدوثها. تقدم هذه الورقة طريقة جديدة لحساب فرص هذه الأحداث القصوى بدقة أكبر وبوقت حوسبة أقل بكثير، باستخدام خوارزمية تعلم ذكية تسمى التعلم العالمي الحساس للذيل (TS-GL).

رصد الخطر في الأطراف البعيدة

عندما يتحدث المهندسون عن المخاطر، يهتمون غالباً بـ «ذِيُول» منحنى الاحتمال—النهايات الرقيقة التي تمثل نتائج غير مرجحة جداً لكنها خطيرة للغاية. تعمل الأدوات الإحصائية القياسية والمحاكيات الحاسوبية جيداً في منتصف المنحنى، حيث تكون الأحداث شائعة، لكنها تصبح غير فعالة وغير موثوقة في الذِيُول البعيدة. للحصول على عدد كافٍ من حالات الفشل النادرة لدراستها مباشرة، قد يحتاج محاكاة بالقوة الغاشمة إلى ملايين التشغيلات لنموذج هيكلي مكلف، وهو ما قد يستغرق أياماً أو أسابيع. والأسوأ، إذا أخطأ المهندسون في افتراض شكل ذيل التوزيع، فقد يقللون من تقدير تكرار وقوع الأحداث القصوى، مما يعطي إحساساً زائفاً بالأمان.

تعليم نموذج بديل ذكي للتركيز على النهايات الخطرة

لتجاوز هذه القيود، يبني المؤلفون «نموذجاً ميتا» بديلاً سريعاً لمحاكاة عددية ثقيلة، باستخدام تقنية تُدعى عملية غاوس. هذا النموذج البديل يفعل شيئين في آنٍ واحد: يتنبأ بكيفية استجابة الهيكل لمُدخلات مختلفة، ويقدر مقدار عدم اليقين في كل تنبؤ. ثم تقرر استراتيجية التعلم النشط أين تُجرى العينات التالية، مضيفة تشغيلات محاكاة جديدة فقط حيث ستحسن النموذج أكثر. التقدم الرئيسي في TS-GL هو أن هذا البحث متحيز عن قصد نحو جانب واحد من منحنى الاحتمال—الجانب المرتبط بالنتائج الخطرة—بدلاً من إضاعة الجهد على كلا الذِيُولين أو على مناطق آمنة مفهومة بالفعل.

نظرة أكثر حدة على الجانب الخطر

يُدخل TS-GL مخطط وزنٍ جديد «حساس للذيل» ودالة بحث تسأل باستمرار: عند أي مستوى استجابة من المرجح أن يكون النموذج الحالي مخطئاً في الذيل الخطر؟ ثم يضع عينات جديدة قرب ذلك المستوى، حيث تكون المعلومات الإضافية الأكثر أهمية. من خلال تحديث النموذج البديل مراراً وتركيز النقاط في المنطقة الخطرة، يُحسّن TS-GL تقديرات احتمالية الذيل أحادي الجانب—فرصة أن تتجاوز استجابة حرجة عتبة الأمان. يختبر المؤلفون عدة دوال تفعيل رياضية داخل هذا المخطط الوزني ويجدون أنه، رغم اختلاف أشكالها التفصيلية، تأتي المكاسب العامة بشكلٍ أساسي من البحث المركّز أكثر من الاعتماد على دالة محددة.

تطبيق الطريقة على أنفاق المترو

لإظهار أن TS-GL أكثر من فكرة نظرية، يطبقه الباحثون على مشكلة هندسية حقيقية: سلوك التصاق الانزلاق بين مسامير فولاذية والخرسانة في وصلات أنفاق المترو. إذا كان طول الإرساء قصيراً جداً أو تدهورت الوصلة، يمكن أن تنزلق المسامير وتسمح لفواصل مقاطع النفق بالانفصال قليلاً، فاتحة مسارات لتسرب الماء والتشوه. يقارن الفريق TS-GL مع طرق عملية غاوس ذات التعلم النشط السابقة ومع محاكاة مونت كارلو التقليدية. لنفس دقة التنبؤ بذيل توزيع الانزلاق، يحتاج TS-GL إلى نحو ربع عدد تقييمات النموذج المكلفة مقارنة بطريقة تعلم ثنائية الجانب وإلى نحو ثلاثة أوامر من الحجم أقل في إجمالي زمن الحوسبة من المحاكاة بالقوة الغاشمة.

ما الذي يعنيه هذا للسلامة الواقعية

بعبارات بسيطة، يوفر TS-GL للمهندسين عدسة أسرع وأكثر حدة لرصد السلوك النادر لكنه خطر في الهياكل المعقدة. بدلاً من إنفاق معظم جهد الحوسبة على الحالات العادية والمألوفة، يركّز الأسلوب الانتباه تلقائياً على الشريحة الصغيرة من الاحتمالات التي تكمن فيها الإخفاقات. يقدم تقديرات يمكن الوثوق بها لمدى احتمال الانزلاقات أو الإجهادات أو التشوهات القصوى، مع الحفاظ على تكاليف الحوسبة قابلة للإدارة للنماذج الكبيرة وغير الخطية. ومع تراكم بيانات المراقبة من أنفاق أو جسور أو توربينات رياح، يمكن استخدام TS-GL لتحديث تقديرات المخاطر في وقت يقارب الزمن الحقيقي، مما يساعد المشغلين على الانتقال من رد الفعل بعد حدوث الفشل إلى التنبؤ به ومنعه قبل وقوعه.

الاستشهاد: Wang, Y., Huang, Y., Huang, Y. et al. Enhanced active learning Gaussian process metamodel for estimating the one-sided tail probability of nonlinear structural response. Sci Rep 16, 8832 (2026). https://doi.org/10.1038/s41598-026-37630-8

الكلمات المفتاحية: موثوقية هيكلية, حوادث قصوى, عملية غاوس, أنفاق المترو, احتمالية الذيل