نموذج IGWO-MKRVM قابل للتفسير للتنبؤ بسماكة منطقة التلف الناجم عن الحفر في النفق

لماذا تهم الأنفاق الأكثر أمانًا

في كل مرة يقوم فيها المهندسون بحفر نفق عبر الصخر، يتسبب الحفر في إزعاج الصخور المحيطة. تتشكل حلقة من الصخور المتشققة والمُوَهَّنة حول الفتحة، تُعرف بمنطقة التلف الناتج عن الحفر. إذا نمت هذه الحلقة التالفة لتصبح سميكة جدًا، قد تتشوه جدران النفق أو تنهار، مما يهدد العمال والبُنى التحتية والمجتمعات المجاورة. تُعرض الورقة الملخَّصة هنا طريقة جديدة للتنبؤ بمدى سماكة تلك المنطقة التالفة في ظروف جيولوجية مختلفة، باستخدام مزيج من تقنيات تعلم الآلة الحديثة وقابليّة تفسير النتائج حتى يتمكن المهندسون من فهم ليس فقط الإجابات، بل الأسباب الكامنة وراءها.

الحلقة الخفية من الصخر الموهَن

تحاط الممرات والأنفاق تحت الأرض بصخور تم ضغطها وتشققها نتيجة الحفر. تُسيطر هذه الطبقة المتأثرة، سماكة منطقة التلف الناتج عن الحفر، بشكل مباشر على مقدار الدعم المطلوب للحفاظ على سلامة النفق. لكن السماكة تعتمد على عدة عوامل متداخلة: مدى قوة الصخر، ومدى تكسّره بواسطة المفاصل والشقوق، وعمق الموقع تحت السطح، واتساع الفتحة. هذه التأثيرات غير خطية بشدّة وتختلف من موقع لآخر، لذا غالبًا ما تفشل الصيغ البسيطة أو حتى المحاكاة المتقدمة في إعطاء تنبؤات دقيقة وقابلة للتطبيق على نطاق واسع. تقيس الاختبارات الميدانية التقليدية مثل الرادار النافذ للأرض والمسح الصوتي منطقة التلف، لكنها مكلفة ويصعب إجراءها بشكل روتيني.

استخدام خوارزميات ذكية لقراءة الصخر

لمعالجة هذا التحدي، جمع المؤلفون 209 قياسات ميدانية فعلية لسُمك منطقة التلف من أنواع مختلفة من المناجم، بما في ذلك فحم، ذهب، فوسفات، وخام الرصاص. لكل حالة سجلوا أربعة مدخلات رئيسية: قوة كتلة الصخر، مؤشر المفاصل الذي يصف مدى تكسّر كتل الصخر، عمق النفق، واتساع النفق. ثم بنوا نموذجًا للتنبؤ يجمع بين محرك قوي للتعرف على الأنماط يسمى آلة المتجهات ذات الصلة متعددة النواة، وطريقة تحسين محسّنة مستوحاة من سلوك الصيد لدى الذئاب الرمادية. خطوة التحسين تضبط الإعدادات الداخلية للنموذج بحيث يمكنه ملاءمة العلاقات المعقدة في البيانات مع الحفاظ على كفاءة عند التعامل مع مجموعات بيانات هندسية صغيرة.

كيف يُحسّن النموذج الهجين التنبؤات

يكمن جوهر النهج في استخدام عدة «عدسات» رياضية بسيطة، أو نوى، في آن واحد لالتقاط كل من الاتجاهات العامة والتباينات المحلية الدقيقة في استجابة الصخر. يمزج النموذج بين النوى الخطية والشعاعية ولاپلاسيان ليستوعب التغيرات السلسة، والتحولات المفاجئة، والقياسات الصاخبة معًا. يعزّز مُحسّن الذئب الرمادي المطوّر هذا من خلال استكشاف فضاء إعدادات المعاملات الممكنة بشكل أوسع. يستخدم نقاط بداية عشوائية مصممة بعناية، وطريقة لاخطية للانتقال من البحث الواسع إلى الضبط الدقيق، واستراتيجية تقترح حلولًا مرشحة متعاكسة لتجنّب الوقوع في اختيارات محلية ضعيفة. تُظهر الاختبارات على مسائل معيارية أن هذا المحسّن المحسّن يتقارب بشكل أسرع وأكثر موثوقية من عدة خوارزميات سربية وتطورية حديثة أخرى.

التفوّق على أدوات التنبؤ الحالية

عند تطبيقه على مجموعة بيانات الأنفاق، قدّم نموذج IGWO–MKRVM المتكامل تنبؤات دقيقة جدًا. في حالات الاختبار غير المرئية سابقًا، حقق معامل تحديد يتجاوز 0.95 ومقاييس خطأ منخفضة للغاية، مما يعني أن سماكة منطقة التلف المتوقعة طابقت قياسات الحقل عن كثب. قارن المؤلفون نموذجهم مع مجموعة من الأدوات الراسخة، بما في ذلك الشبكات العصبية التقليدية، والانحدار بعمليات غاوسية، والطرائق الهجينة المبنية على الآلة الداعمة، وغابة عشوائية مضبوطة. في كل حالة، أنتج النموذج الجديد أخطاء أصغر وأداء أكثر استقرارًا، مظهرًا قدرة ملائمة قوية وتعميمًا متينًا إلى ظروف جيولوجية جديدة.

فتح الصندوق الأسود لتعلم الآلة

نظرًا لأن المهندسين يجب أن يبرروا قرارات السلامة، ركز المؤلفون أيضًا على جعل النموذج قابلًا للتفسير. استخدموا إطار تفسير حديثًا يُسمى SHAP، الذي يعامل كل مدخل كـ «لاعب» في لعبة تعاونية ويحسب مقدار مساهمته في كل تنبؤ. كشف هذا التحليل أن مؤشر المفاصل وعمق النفق هما المحركان الرئيسيان لسماكة منطقة التلف: الصخور ذات المفاصل الكثيفة والأنفاق الأعمق تميل إلى إنتاج حلقات تالفة أكثر سمكًا. كما أن لاتساع النفق وقوة الصخر أثرًا، لكن بدرجة أقل — فالاتساعات الأكبر تزيد الضرر، بينما الصخر الأقوى يميل إلى احتوائه. تكشف الطريقة أيضًا عن كيفية تداخل هذه العوامل، على سبيل المثال مبينة أن الأنفاق العميقة في صخور ضعيفة ومشكّكة للغاية تكون معرضة بشكل خاص.

ماذا يعني هذا لسلامة الأعمال تحت الأرض

بعبارات بسيطة، تقدّم الدراسة للمهندسين آلة حاسبة أكثر ذكاءً للتنبؤ بمدى امتداد التلف داخل الصخر حول النفق، وشرحًا واضحًا للحالات التي تفاقم هذا التلف. من خلال دمج محرك تعلم مضبوط بعناية مع تحليل شفاف لأهمية المتغيرات، لا يتفوّق الأسلوب على النماذج الحالية فحسب، بل يبني أيضًا ثقة في توصياته. يمكن أن يساعد ذلك المصممين في اختيار أشكال أنفاق أكثر أمانًا وأنظمة دعم واستراتيجيات حفر مُكيَّفة مع الجيولوجيا المحلية، مما يقلل في النهاية من مخاطر سقوط الصخور والانهيارات في الأعمال تحت الأرض.

الاستشهاد: Yang, R., Zhang, G., Ye, Y. et al. An interpretable IGWO-MKRVM model for predicting excavation damaged zone thickness of drift. Sci Rep 16, 13548 (2026). https://doi.org/10.1038/s41598-026-42835-y

الكلمات المفتاحية: استقرار الأنفاق, ميكانيكا الصخور, تعلم الآلة, التعدين تحت الأرض, السلامة الجيوتقنية