تقدير هبوط الأساسات الضحلة الناتج عن السائلة باستخدام التعلم الآلي مع بيانات غير متوازنة

لماذا يهم اهتزاز الأرض للمباني اليومية

عندما يضرب زلزال قوي، يمكن للأرض التي تبدو صلبة أن تتصرف مؤقتًا كسائلة، مما يتسبب في غرق المباني أو ميلانها أو تشققها. هذه الظاهرة، المسماة السائلة (liquefaction)، تسببت في أضرار للمنازل والبنى التحتية في زلازل حديثة عديدة، من تركيا إلى اليابان. يعرف المهندسون أن حتى بضعة عشرات السنتيمترات من الهبوط غير المتساوي قد تجعل المبنى غير آمن أو غير صالح للاستخدام. ومع ذلك، لا يزال من الصعب التنبؤ بمقدار غرق مبنى معين اعتمادًا على بيانات الموقع المحدودة. تستكشف هذه الدراسة كيف يمكن لأدوات التعلم الآلي الحديثة أن تحول سجلات الحالات المتفرقة من زلازل حقيقية إلى طريقة عملية لتوقع الأضرار المتعلقة بالسائلة وتوجيه تصميمات أكثر أمانًا وقرارات التأمين وفحوصات ما بعد الكارثة.

من تقارير حالات متفرقة إلى مجموعة بيانات زلازل عالمية

بدأ الباحثون بتجميع قاعدة بيانات عالمية تضم 206 مبانٍ تعرضت لفشل أرضي مرتبط بالسائلة خلال زلازل سابقة. لكل حالة، جمعوا معلومات بسيطة غالبًا ما تكون متاحة في الممارسة العملية: شدة الاهتزاز في الموقع، الارتفاع الكلي وعرض المبنى، الضغط الذي يمارسه المبنى على أساسه، وخصائص رئيسية لطبقات التربة السفلية — خاصة عمق أول طبقة قابلة للتحول إلى سائلة تحت السطح وسمكها. بدلًا من محاولة حساب هبوط دقيق بالسنتيمترات، صنّفوا النتائج إلى أربعة مستويات ضرر، من عدم وجود هبوط مرئي إلى غرق وميلان واسع النطاق. يحول هذا "مؤشر فشل الأرض" القياسات الحقيقية الفوضوية إلى فئات واضحة يمكن استخدامها لتدريب واختبار نماذج التعلم الآلي.

تعليم الحواسيب على كشف أنماط خطرة في بيانات غير متوازنة

سجلات الزلازل الحقيقية بعيدة عن الانتظام: بعض أنواع الضرر شائعة بينما الأخرى نادرة، والمتغيرات المدخلة قد تحتوي على قيم شاذة وضوضاء. في هذه المجموعة، كانت حالات الضرر الشديد أكثر تواترًا بكثير من الحالات المتوسطة، مما خلق اختلالًا قويًا قد يضلل العديد من الخوارزميات فتتجاهل الفئة النادرة. لمواجهة ذلك، جمع المؤلفون منهجيًا عدة استراتيجيات. نظفوا البيانات باستخدام أساليب تصفية القيم الشاذة، ثم استكشفوا نهجين مكمّلين للتعامل مع الاختلال: تكرار الحالات الأقل تمثيلًا (إعادة عيّنة عشوائية مفرطة) وإخطار الخوارزميات بأن الأخطاء على الفئات النادرة أكثر تكلفة (تعلم حسّاس للتكاليف). ولتجنب نتائج متفائلة مبالغًا فيها، جُمعت كل هذه الخطوات ضمن سير عمل صارم "خالي من التسريب"، حيث بقيت بيانات الاختبار غير مرئية تمامًا أثناء تدريب النموذج وضبطه وإعادة العيّنة.

أي العوامل والنماذج تلتقط بشكل أفضل مخاطر الهبوط؟

اختُبرت عدة نماذج مستخدمة على نطاق واسع، بما في ذلك الغابات العشوائية، وطرق التعزيز التدرجي، وشبكة عصبية اصطناعية، وتجميع يجمع توقعات نماذج متعددة. لأن الدقة الإجمالية يمكن أن تُخفي أداءً ضعيفًا على مستويات الضرر النادرة ولكن المهمة، ركز الفريق على الاستدعاء—أي كم من الحالات الشديدة الحقيقية يكتشفها النموذج—كمقياس رئيسي. برزت خوارزميات التعزيز التدرجي وتجميع نماذج الأشجار كخيارات الأكثر موثوقية، خصوصًا عند دمجها مع إعادة العيّنة العشوائية المفرطة، ومعالجة القيم الشاذة بعناية، وضبط عتبات القرار. لفهم ما "تنتبه" إليه النماذج، استخدم المؤلفون SHAP، أداة تفكك كل توقع إلى مساهمات من الميزات الفردية. أظهر هذا التحليل أن عمق أول طبقة قابلة للسائلة كان العامل الأكثر تأثيرًا بمفرده، يليه شدة الاهتزاز والهندسة الأساسية للأساس مثل عرض المبنى. ببساطة، ارتبطت الطبقات الضحلة القابلة للسائلة تحت أساسات ضيقة بشكل ثابت بأشد الأضرار.

اختبار المنهج على دراسات حالة زلزالية حقيقية

للتحقق مما إذا كانت طرقهم تعمل خارج عينة التدريب، طبّق الباحثون النماذج النهائية على أربع دراسات حالة مفصّلة من زلازل معروفة، بما في ذلك حدث لوما برييتا 1989 في كاليفورنيا، وزلزال كوجاييلي 1999 في تركيا، وتسلسل كوماموتو 2016 في اليابان، وزلزال قهرمان مرعش 2023 في تركيا. في هذه الأمثلة، كانت المدخلات الوحيدة تقديرات بسيطة لشدة الاهتزاز وأبعاد المبنى وأحماله وعمق وسمك الطبقات القابلة للسائلة من اختبارات ميدانية. طابقت النماذج عادةً شدة الهبوط الملاحَظة، وحددت بشكل صحيح مستويات الضرر الطفيفة والواسعة على حد سواء. في حالة واحدة، أخطأ النموذج عمدًا في جانب الحيطة بتوقع فئة ضرر أعلى مما ورد في التقرير. يجادل المؤلفون بأن مثل هذه التنبؤات المحافظة مفضّلة في حالات عالية المخاطر مثل المرونة ضد الزلازل، لأنها أفضل من أن تتجاهل المباني المتضررة بشدة.

مساعدة مدفوعة بالبيانات لمدن أكثر أمانًا على أراضٍ رخوة

هذا العمل لا يحل محل الصيغ الفيزيائية التقليدية للهَبُوط، التي تظل ضرورية عندما تتوفر نتائج اختبارات تربة مفصّلة. بدلاً من ذلك، يقدم أداة تكميلية: طريقة شفافة مدفوعة بالبيانات لتصنيف المباني إلى فئات مخاطر واسعة باستخدام مجموعة صغيرة من المعاملات التي تُجمع روتينيًا. من خلال التعامل الحذر مع البيانات غير المتوازنة، وتجنب التحيزات الخفية في التقييم، وكشف أي ميزات التربة والمباني هي الأهم، يوفر إطار التعلم الآلي المقترح للمهندسين والمخططين وشركات التأمين وسيلة إنذار مبكرة عملية. في المناطق المبنية على أراضٍ رخوة مشبعة بالمياه، يمكن أن يساعد في الأولويات لتحديد المباني الأكثر عرضة للغرق والميلان الخطير عندما يضرب الزلزال الكبير التالي.

الاستشهاد: Sargin, S., Korkmaz, G., Yildirim, A.K. et al. Estimation of liquefaction-induced settlement of shallow foundation by machine learning with imbalanced data. Sci Rep 16, 11198 (2026). https://doi.org/10.1038/s41598-026-41969-3

الكلمات المفتاحية: تحول التربة إلى سائلة, هندسة الزلازل, التعلم الآلي, هبوط المباني, مخاطر زلزالية