التنبؤ باستقرار المنحدرات عبر التعلم بالنقل TrAdaBoost: دمج الفيزياء والبيانات في إطار مزدوج القيادة

لماذا الحفاظ على سلامة المنحدرات مهم

تطل المنحدرات الشديدة الانحدار على العديد من طرقنا، ومدننا، ومقالعنا. عندما تنهار، يمكن للانهيارات الأرضية أن تطمر المنازل، وتسد طرق النقل، وتسبب خسائر في الأرواح. لدى المهندسين طرق لفحص ما إذا كان المنحدر مرجحًا أن يصمد أم ينهار، لكن هذه الأساليب إما تتطلب أعمال ميدانية مكثفة ومعرفة خبراء أو تعتمد على بيانات سابقة غالبًا ما تكون نادرة. تعرض هذه الدراسة طريقة جديدة للتنبؤ بأي المنحدرات آمنة وأيها محفوف بالمخاطر من خلال مزج المحاكاة الحاسوبية الفيزيائية بالملاحظات الواقعية داخل نظام تعلم واحد.

طريقتان لحكم على المنحدر

تقليديًا، يتم فحص سلامة المنحدر بإحدى طريقتين. تستخدم الأساليب المعتمدة على الفيزياء معادلات من ميكانيكا التربة والصخور لمحاكاة كيف قد يتشوه أو ينزلق المنحدر. هذه الأساليب موثوقة ومؤسَّسة علميًا، لكنها تتطلب مسوحات ميدانية مفصلة وحسابات مكثفة لكل حالة جديدة. في المقابل، تعالج الأساليب المعتمدة على البيانات سلامة المنحدر كمشكلة تعرف على الأنماط: تُزوَّد نماذج التعلم الآلي بحالات سابقة وتتعلم أي تراكيبات من قوة التربة، وزاوية المنحدر، وضغط الماء، وعوامل أخرى عادة ما تؤدي إلى الفشل. يمكن لهذه النماذج أن تكون سريعة بعد تدريبها، لكنها تتعثر عندما يتوفر عدد قليل من حالات الفشل الواقعية، وهو أمر شائع في الممارسة.

الاستفادة من المنحدرات الافتراضية

يتعامل المؤلفون مع مشكلة ندرة البيانات باستخدام التعلم بالنقل، وهي عائلة من التقنيات التي تعيد استخدام المعرفة من بيئة واحدة لمساعدة أخرى. أولاً ينشئون 150 «منحدرًا» افتراضيًا باستخدام محاكاة بالعناصر المحددة، وهي أداة معيارية تحاكي كيف تستجيب التربة والصخور للجاذبية والمياه. كل منحدر محاكى له ستة خصائص أساسية: كثافة التربة، والتماسك، وخشونة الحبيبات، وزاوية المنحدر، وارتفاع المنحدر، ومقدار ضغط الماء الموجود. ثم يجمعون 98 منحدرًا حقيقيًا من دراسات حالة منشورة تشترك في نفس الوصف الستة. تشكل المنحدرات المحاكاة تجمعًا مصدرًا من الأمثلة المتسقة فيزيائيًا، بينما تمثل المنحدرات الحقيقية الحالات المستهدفة التي نهتم بها في النهاية.

تعليم النموذج ما الذي يجب الوثوق به

ليس كل المنحدرات المحاكاة تشبه المواقع الحقيقية، لذا تستخدم الدراسة خوارزمية تعلم بالنقل محددة تُدعى TrAdaBoost لتقرير أي الأمثلة تساعد وأيها تضلل. تبدأ هذه الطريقة بتدريب عدة مصنفات قياسية—آلات الدعم الناقل، والانحدار اللوجستي، وأشجار القرار، والغابات العشوائية—على مزيج من المحاكاة وقسم صغير من الحالات الحقيقية. خلال العديد من جولات التدريب، تزيد الخوارزمية تلقائيًا من تأثير الأمثلة المحاكاة التي تتصرف مثل المنحدرات الحقيقية وتقلل وزن تلك التي لا تفعل ذلك. في الوقت نفسه، تولي اهتمامًا أكبر للمنحدرات الحقيقية التي يخطئ النموذج في تصنيفها، مما يجبر النظام على التعلم من أخطائه وصقل قدرته على التعرف على الحالات غير المستقرة حقًا.

مدى فعالية النهج الجديد

يقارن الباحثون أربع نسخ من هذا المخطط التعلمي بالنقل، كل منها مبني حول مصنف أساسي مختلف. يقيِّمونها على 74 منحدرًا حقيقيًا تم الاحتفاظ بها للاختبار. الأفضل أداء يجمع TrAdaBoost مع مصنف الدعم الناقل. يتنبأ هذا النموذج بشكل صحيح باستقرار المنحدر في ما يقرب من 88 في المئة من الحالات ويبرع بشكل خاص في التقاط المنحدرات الخطرة، حيث يحدد بشكل صحيح حوالي 93 في المئة من الأمثلة غير المستقرة. كما أن درجة ترتيبه العامة، التي توازن بين الضربات والتنبيهات الخاطئة، مرتفعة أيضًا. عند اختباره مقابل طرق سابقة من الأدبيات، بما في ذلك الشبكات العصبية ونماذج التجميع الأخرى المدربة فقط على بيانات ميدانية، تتطابق الإطار المزدوج القيادة الجديد أو يتفوق على دقتها رغم اعتماده على عدد نسبيًا قليل من الحالات الواقعية.

ماذا يعني هذا للسلامة اليومية

من الناحية العملية، تظهر الدراسة أنه يمكن نسج حالات فيزيائية مولدة بالحاسوب والملاحظات الحقيقية النادرة في أداة تعلم واحدة تكون موثوقة وفعالة. من خلال السماح للخوارزمية بنقل المعرفة المحاكاة الأكثر صلة فقط بشكل انتقائي، يمكن للمهندسين بناء أنظمة إنذار مبكر أفضل وتصميم فحوصات للمنحدرات حتى عندما تكون بيانات الميدان محدودة. يؤكد المؤلفون أن إطارهم يمكن توسيعه بإضافة عوامل أكثر، مثل الزلازل أو هطول الأمطار، وتكييفه لمشكلات جيوتقنية أخرى. بالنسبة للقارئ العادي، الخلاصة الرئيسية هي أن الاستخدام الأذكى للمحاكاة والبيانات يمكن أن يساعد في اكتشاف المنحدرات الخطرة مبكرًا وبشكل أكثر دقة، مما يقلل من كل من احتمال الكارثة وتكلفة التعزيز غير الضروري.

الاستشهاد: Ren, M., Xu, X., Dai, F. et al. Slope stability prediction via TrAdaBoost transfer learning: integrating physics and data into a double-driven framework. Sci Rep 16, 11883 (2026). https://doi.org/10.1038/s41598-026-41919-z

الكلمات المفتاحية: التنبؤ بالانهيارات الأرضية, استقرار المنحدر, التعلم بالنقل, الهندسة الجيوتقنية, التعلم الآلي