تحسين التنبؤ بسعة التحمل الطرفية للأعمدة المغروسة في الصخر باستخدام نماذج XGBoost المحسنة المعززة بتوزيع جاوسي

البناء على صخر بدلاً من التخمين

عندما يصمم المهندسون جسوراً ومباني شاهقة، فإنهم غالباً ما يعتمدون على أساسات عميقة تمتد إلى الصخر الصلب. تُعد قوة هذه "الأعمدة المغروسة في الصخر" أساسية للسلامة والتكلفة، إلا أن سعة القاعدة الحقيقية يصعب قياسها مباشرة. تُظهر هذه الدراسة كيف أن أدوات التعلم الآلي الحديثة، مقترنة بحيل ذكية لتوليد البيانات، يمكن أن تزود المهندسين بتقديرات أكثر دقة لمدى الحمولة التي تستطيع هذه الأساسات العميقة تحملها بأمان — مما قد يوفر تكاليف الإنشاء مع الحفاظ على سلامة المنشآت.

لماذا يصعب تقييم الأساسات العميقة

الأعمدة المغروسة في الصخر هي أعمدة خرسانية كبيرة تُحفر عبر تربة أضعف وتُثبت في صخر أقوى. نظرياً، كلما كان الصخر أمتن والبناء أجود، زادت الحمولة التي يمكن للعمود أن يتحملها عند طرفه. عملياً، الأمور معقدة: يمكن أن تتراكم الطين والمحاليل في قاع الحفرة، وتختلف خشونة وشكل التجويف، كما أن الفراغات أو الشقوق الخفية في الصخر يصعب رؤيتها. وبسبب هذه الشكوك، يلجأ المصممون غالباً إلى اتخاذ افتراضات احترازية بعدم اعتماد كثير على دعم طرف العمود، ما يؤدي إلى أساسات أطول وأكثر تكلفة مما قد يكون ضرورياً.

من المعادلات البسيطة إلى التنبؤات الأذكى

كانت الطرق السابقة لتقدير سعة الأعمدة تعتمد على معادلات مبسطة أو نماذج حاسوبية تقليدية. عادة ما تركز هذه الطرق على عدد قليل من الخواص — مثل مقاومة الانضغاط للصخر — وتتعامل مع كتلة الصخر بصورة مثالية. خلال السنوات الأخيرة، بدأ الباحثون باستخدام تقنيات الذكاء الاصطناعي للتعلم مباشرة من قواعد بيانات اختبارات التحميل، حيث دُفعت الأعمدة حتى أُفهم سلوكها جيداً. تتيح هذه الأساليب التعامل مع عدد كبير من المدخلات في آن واحد، بما في ذلك قطر العمود، وعمق التربة والصخر، ومقاييس جودة الصخر، لكنها تظل "صناديق سوداء" معرضة للافراط في التوفيق عندما تكون البيانات محدودة.

تغذية الخوارزمية ببيانات حقيقية وصناعية

استند المؤلفون إلى مجموعة منشورة من 151 اختباراً لأعمدة مغروسة في الصخر سجلت عامل التحمل الطرفي (مقياس لمدى الحمولة التي يمكن أن يتحملها الطرف) إلى جانب ثماني ميزات وصفية. بعد تنظيف البيانات بعناية لإزالة القيم الشاذة والفجوات، احتفظوا بـ136 عموداً حقيقياً. وللتغلب على صغر حجم العينة — وهو مشكلة شائعة في الهندسة الجيوتقنية — أنشأوا بعد ذلك بيانات "صناعية" إضافية عن طريق إضافة ضوضاء عشوائية ضعيفة ذات توزيع غاوسي إلى السجلات الموجودة. أفضى ذلك إلى مجموعة أكبر ومتسقة إحصائياً مكونة من 460 عموداً حافظت على الأنماط الأصلية مع توفير تنوع أكبر لتدريب نماذج تعلم الآلة.

تدريب وضبط آلات التعلم

ركز الفريق على خوارزمية تسمى التعزيز التدرجي المتطرف، أو XGBoost، التي تجمع العديد من أشجار القرار البسيطة في متنبئ قوي. لاستخراج أفضل أداء من XGBoost، دمجوها مع ثلاث مخططات تحسين مستوحاة من الطبيعة تعمل وفق قواعد حسابية وسلوك العصف الذهني واستراتيجيات صيد الحيتان. قامت هذه المحسّنات بضبط الإعدادات الرئيسية تلقائياً — مثل عمق الشجرة ومعدل التعلم — لإيجاد توازن بين ملاءمة البيانات المعروفة وتفادي الإفراط في التوفيق. من بين المتغيرات، برز نموذج XGBoost المضبوط بواسطة خوارزمية التحسين الحسابي (XGBoost_AOA) كالأكثر دقة واستقراراً.

ما تعلمته النماذج عن الصخر والأعمدة

باستخدام 136 عموداً الأصلية فقط، تفوق النموذج المحسن بالفعل على الطرق السابقة. وعند تدريبه على مجموعة الـ460 عموداً الموسعة، تحسنت دقته بشكل كبير: تقلصت أخطاء التنبؤ إلى جزء بسيط من حجمها السابق، واقتربت المطابقة بين السعات المتنبأ بها والملاحظة عملياً من خط واحد‑لواحد مثالي. كما أظهر التحليل المدخلات الأكثر تأثيراً. كانت مقاومة الانضغاط للصخر وتقييم كتلة الصخر من المتنبئات السائدة، في حين لعب قطر العمود ومستوى الحمولة الكلي أدواراً قوية أيضاً. ولوحظ أن مقاييس مرتبطة ارتباطاً وثيقاً، مثل مؤشرين مختلفين لجودة الصخر، كانت زائدة عن الحاجة بدرجة كبيرة، مما يسلط الضوء على أن المعلومات المتداخلة قد تشجع الإفراط في التوفيق إذا لم تُعالج بعناية.

من كود البحث إلى أداة عملية

لجعل النتائج قابلة للاستخدام خارج المختبر، غلف المؤلفون أفضل نموذج أداء لديهم في واجهة حاسوبية سهلة الاستخدام. يمكن للمهندسين إدخال معلمات أساسية للعمود والصخر والحصول فوراً على تقدير لسعة الطرف، إلى جانب أدلة تفيد بأن النموذج تم التحقق منه مقابل سجلات حالة مستقلة. ومع أن النهج لا يزال يعتمد على جودة ونطاق البيانات الأساسية، فإنه يبرهن كيف أن الجمع بين تعلم الآلة، وتوليد البيانات الصناعية، وأدوات القابلية للتفسير يمكن أن يحول نتائج الاختبارات المتفرقة إلى أداة تصميم عملية — تساعد على تقليل التخمين، وتقليص الحذر المفرط غير الضروري، وتصميم أساسات أكثر أماناً واقتصادية.

الاستشهاد: Khatti, J., Fissha, Y. & Cheepurupalli, N. Improving end-bearing capacity prediction of rock-socketed shafts using Gaussian-augmented optimized extreme gradient boosting models. Sci Rep 16, 7664 (2026). https://doi.org/10.1038/s41598-026-38646-w

الكلمات المفتاحية: الأعمدة المغروسة في الصخر, الأساسات العميقة, تعلم الآلة, توليد بيانات, الهندسة الجيوتقنية