تقييم آلي لاستقرار المنحدرات باستخدام طريقة مورغنسترن-برايس المعدّلة وتكامل التعلم الآلي

لماذا تهم سلامة المنحدرات

يمكن للانهيارات الأرضية وانهيار المنحدرات إغلاق الطرق السريعة، وإلحاق أضرار بالمناجم والسدود، وتعريض المجتمعات القريبة للخطر. يحاول المهندسون منع مثل هذه الكوارث عن طريق تقدير مدى قرب المنحدر من الانهيار، لكن الحسابات التفصيلية والمحاكيات الحاسوبية قد تكون بطيئة عندما يجب فحص العديد من حالات التربة والزلازل المحتملة. تقدم هذه الدراسة نظامًا آليًا يمزج طريقة هندسية موثوقة مع تقنيات التعلّم الآلي الحديثة حتى يمكن تقييم سلامة المنحدرات بسرعة وباتساق عبر آلاف السيناريوهات.

جمع المعرفة التقليدية مع أدوات جديدة

يركز المؤلفون على ما يسميه المهندسون «عامل الأمان»، وهو رقم واحد يقارن القوى التي تحاول جعل المنحدر ينزلق مع القوى التي تبقيه ثابتًا. يبدأون من تقنية راسخة تعرف باسم طريقة مورغنسترن–برايس، التي تقسم التل إلى شرائح رأسية كثيرة وتوازن القوى على كل شريحة، بما في ذلك مقاومة التربة ووزن الأرض وضغط المياه والاهتزازات الناتجة عن الزلازل. ونظرًا لأن هذه الطريقة دقيقة وموثوقة على نطاق واسع، فهي تمثل العمود الفقري الفيزيائي للإطار الجديد. يبسط الفريق المعادلات بما يكفي لجعلها فعّالة للاستخدام على نطاق واسع، مع مراعاة تأثيرات مهمة مثل المياه في التربة ومكونات القوى الأفقية والعمودية للزلازل.

بناء عالم افتراضي من المنحدرات

بدلاً من انتظار حالات فشل حقيقية نادرة، أنشأ الباحثون مجموعة بيانات تركيبية ضخمة تضم نحو 100,000 «منحدر» افتراضي. يختلف كل حالة في مكونات أساسية: وزن التربة، ارتفاع الزاوية وميل المنحدر، التماسك والاحتكاك (اللتان تتحكمان في مقاومة القص)، ضغط المياه وشدة الزلازل، إلى جانب عامل يقرب القوى بين الشرائح المجاورة. لكلٍ من هذه المنحدرات الاصطناعية، تحسب طريقة مورغنسترن–برايس المبسطة عامل الأمان. ثم يقوم الفريق بتنقية وتجهيز البيانات، بقص القيم المتطرفة غير الواقعية، وتطبيع النطاقات العددية، وتقسيم المجموعة إلى مجموعات تدريب واختبار. تضمن هذه التحضيرات الدقيقة أن ترى نماذج التعلّم الآلي انتشارًا واقعيًا للمنحدرات المستقرة والحافة وغير المستقرة، وأن تكون الاستنتاجات إحصائيًا سليمة بدلاً من أن تكون أثرًا لبيانات مليئة بالضوضاء.

السماح للبيانات بكشف ما يهم أكثر

بوجود المنحدرات التركيبية، يسأل المؤلفون أي الخصائص تتحكم بقوة في الاستقرار. باستخدام مقاييس أهمية الميزات من نماذج التعلّم الآلي القائمة على الأشجار، يجرون تحليل حساسية عالمي. تتماشى النتائج مع الحدس الهندسي: انحدار المنحدر هو العامل المهيمن بفارق كبير، يليه ارتفاعه والقوة التماسكية للتربة. زاوية الاحتكاك وضغط المياه مهمان أيضًا، لا سيما في الظروف الرطبة أو المشبعة، بينما يكون للمكون العمودي لهزّات الزلزال تأثير ملحوظ لكنه أصغر ضمن النطاق المختبر. المدخلات الأخرى، مثل وزن وحدة التربة وعامل التحجيم الذي يمثل تفاعلات الشرائح، لها تأثيرات نسبية أقل ضمن الحدود المختارة. تقدم هذه النتائج توجيهًا عمليًا: ينبغي للمصممين تكريس معظم الجهد لقياس والتحكم في هندسة المنحدر ومقاومة القص للتربة، وكذلك إدارة المياه التي تقلل هامش الأمان.

تدريب الآلات على تقليد الفيزياء

بعد ذلك، تُدَرَّب تسع خوارزميات مختلفة للتعلّم الآلي للتنبؤ مباشرةً بعامل الأمان من مدخلات المنحدر، مع استخدام الحسابات المستندة إلى الفيزياء كإشارة تعليمية. تشمل هذه الشبكات العصبية، أشجار القرار، الغابات العشوائية، والعديد من أساليب «التقوية» الحديثة التي تجمع العديد من النماذج البسيطة في منصة قوية. تخضع جميع النماذج لعمليات ضبط منهجية وفحوص متقاطعة مع مقاييس أداء متعددة لتجنب الإفراط في التخصيص. أظهرت عدة نماذج أداءً جيدًا جدًا، لكن خوارزمية واحدة، CatBoost، تبرز: على بيانات الاختبار غير المرئية أعادت إنتاج عامل الأمان بدقة قريبة من الكمال، مع بقاء أكثر استقرارًا من النماذج الشجرية الأبسط التي تميل إلى حفظ مجموعة التدريب.

مساعد آلي، لا كرة بلورية

أخيرًا، يجمع المؤلفون العملية بأكملها—من توليد المنحدرات التركيبية وتشغيل حسابات مورغنسترن–برايس إلى تدريب النماذج وتقييمها واختيار أفضل نموذج للتعلّم الآلي—في خط أنابيب قابل لإعادة الاستخدام مبني على بايثون. يمكن لهذا الإطار الآلي تقدير سلامة المنحدرات بسرعة عبر مجموعات هائلة من ظروف التربة والهندسة والمياه والزلازل، ما يجعله مناسبًا لفرز التصاميم، واستكشاف سيناريوهات «ماذا لو»، أو دعم أدوات القرار في الزمن الحقيقي. ومع ذلك، فإن النظام عام بقدر الفرضيات التي يقوم عليها: تُعامل المنحدرات كحالات ثنائية الأبعاد ومصنوعة من تربة متجانسة، ويتعلم التعلم الآلي تقليد طريقة مورغنسترن–برايس، لا التنبؤ بالأداء الميداني الفعلي مباشرةً. لذلك يرى المؤلفون عملهم كأداة سريعة وقابلة للتوسع لدعم اتخاذ القرار تكمل، ولا تحلّ محل، المحاكاة العددية التفصيلية والتحقيقات الخاصة بالموقع.

الاستشهاد: Showkat, M., Ghani, S., Paramasivam, P. et al. Automated slope stability assessment using modified Morgenstern-Price method and machine learning integration. Sci Rep 16, 9952 (2026). https://doi.org/10.1038/s41598-026-38670-w

الكلمات المفتاحية: استقرار المنحدرات, مخاطر الانهيارات الأرضية, الهندسة الجيوتقنية, التعلّم الآلي, مخاطر الزلازل