طريقة تعتمد على التعلم الآلي لتحديد معاملات إقليمية لنموذج HSS: دراسة حالة تشينغداو، الصين

لماذا تحتاج حفريات المدن إلى أدوات أذكى

عندما يحفر المهندسون حفرًا عميقًا لقصور تحتية أو محطات مترو أو مواقف سيارات تحت الأرض في مدن مزدحمة، يمكن لعرض بضع مليمترات من حركة الأرض غير المتوقعة أن يتسبب في تشققات بالمباني المجاورة أو يضر بالأنابيب المدفونة. للحفاظ على سلامة الأشخاص والبنى التحتية، يعتمد المهندسون على نماذج حاسوبية تتوقع كيف ستتشوه التربة أثناء الحفر. تُظهر هذه الورقة كيف يمكن للتعلم الآلي أن يقلص بشكل كبير الوقت والتكلفة اللازمين لمعايرة أحد أكثر نماذج التربة تقدمًا لمدينة ساحلية في الصين، مع المحافظة على تطابق دقيق لقياسات العالم الحقيقي.

كيف يخمن المهندسون عادةً حركة الأرض

تستخدم مواقع البناء الحديثة غالبًا طريقة العناصر المنتهية، وهي تقنية عددية تقسم الأرض والهياكل الداعمة إلى عناصر صغيرة عديدة وتحسب كيفية تشوه كل منها مع تغير الأحمال. لكي تعمل هذه الطريقة جيدًا، تحتاج إلى وصف واقعي لسلوك التربة، لا سيما للحفر العميقة المحصورة بمبانٍ شاهقة ومرافق تحت الأرض. خيار مُحترم على نطاق واسع هو نموذج «التصلب للتربة عند الإجهادات الصغيرة» (HSS)، الذي يلتقط كيفية تغير صلابة التربة مع تاريخ الإجهاد ومع الحركات الصغيرة جدًا. ومع ذلك، يتطلب هذا النموذج معلمات إدخال عديدة، وبعضها يختلف بشدة من مكان لآخر. تقليديًا تُستخرج هذه المعلمات من اختبارات مختبرية متخصصة على عينات التربة، وهي باهظة التكلفة وتستغرق وقتًا طويلاً. ونتيجة لذلك، غالبًا ما تُهمل النماذج الأكثر دقة في المشاريع اليومية.

تحديد أي القيم التربوية مهمة حقًا

بدأ المؤلفون بمراجعة بيانات الاختبارات المنشورة من عدة مدن صينية لفهم أي معاملات نموذج التربة المتقدم تتحكم فعليًا في كيفية تشوه حفرة عميقة. قارنوا قيم الصلابة الرئيسية بكمية أكثر دراية، وهي مُعامل الانضغاط، ونظروا إلى هذه النسب لأنواع التربة الشائعة مثل الردم البسيط والطين الغباري والرمل المتوسط الناعم. تبين أن مقياسين للصلابة مرتبطين بالسلوك الانضغاطي الروتيني يقتربان من نسبة واحد إلى واحد مع مُعامل الانضغاط وأظهرا حساسية منخفضة لحركة الحفرة. بالمقابل، تباين مقياسان آخران للصلابة — أحدهما مرتبط بكيفية ارتداد التربة عند إزالة الأحمال، والآخر مرتبط بسلوكها عند إجهادات صغيرة جدًا — اختلافًا واسعًا بين المناطق وكان لهما تأثير قوي على الإفرازات المتوقعة. سمح هذا الفهم للفريق باعتبار بعض المعلمات شبه ثابتة مع تركيز الانتباه على القلة التي تحكم التشوه المحلي بالفعل.

تعليم شبكة عصبية قراءة سلوك الحفرة

بناءً على هذه المعرفة، استخدم الباحثون حفرة أساس عميقة في تشينغداو كميدان تدريب. شملت تربتها ردمًا بسيطًا وطينًا غباريًا ورملًا متوسطًا ناعمًا يستقر فوق الجرانيت المتحلل. صمموا مجموعة منهجية من تراكيب المعلمات لقيمي الصلابة الحساسين في كل طبقة ترابية وأجروا سلسلة من المحاكيات الحاسوبية ثلاثية الأبعاد للحفر. لكل تركيبة، سجلوا مقدار انحناء جدران الاحتواء وكم استقر سطح الأرض عند نقاط رصد مختارة. شكّلت هذه الأزواج من المدخلات والمخرجات مجموعة بيانات لتدريب شبكة عصبية عكسية الانتشار، وهو نموذج تعلم آلي بسيط يتعلم ربط الأسباب بالنتائج. بعد التدريب، تمكنت الشبكة من أخذ قياسات معدودة لحركة الجدار والأرض من الموقع الحقيقي واستنتاج بسرعة أي قيم لصلابة التربة من المحتمل أن تكون أنتجتها.

التحقق من الطريقة في مشاريع إنشائية حقيقية

لاختبار مدى موثوقية هذا «المحقق الترابي» الافتراضي، طبّق المؤلفون قيم الصلابة المستنتجة على مشروعين مستقلين لحفر عميق في تشينغداو استخدما دعامات على شكل أعمدة ومراسي. بنوا نماذج عددية بالمعلمات الجديدة وقارنوا انحرافات الجدران وترسبات السطح المتوقعة ببيانات المراقبة الحقلية التي جُمعت أثناء البناء. كانت الفروقات صغيرة بشكل مدهش: كان متوسط الخطأ المطلق النموذجي أقل من نصف مليمتر، وكانت قيم خطأ الجذر التربيعي مماثلة الصغر. بعبارة أخرى، أعادت المحاكيات إنتاج سلوك الحفر المشاهد بدقة كافية لفحوصات السلامة الهندسية وتعديل التصميم.

ماذا يعني هذا لبناء تحت الأرض أكثر أمانًا وأقل تكلفة

لغير المتخصصين، الرسالة الأساسية هي أن الدراسة تُظهر كيف يمكن لكمية متواضعة من المراقبة الميدانية، مقترنة بمحاكيات مصممة بعناية وشبكة عصبية، أن تحل محل العديد من جولات الاختبارات المختبرية المكلفة. من خلال عزل القليل من خصائص التربة ذات الأهمية السماح للتعلم الآلي بضبطها لمطابقة التشوهات الحقيقية، يمكن للمهندسين استخدام نماذج أرضية أكثر تطورًا دون جهد مفرط. لترب تشينغداو النموذجية، قدّم المؤلفون حتى نسبًا جاهزة للاستخدام بين معاملات الصلابة الحساسة وقياسات الانضغاط القياسية، مما يمنح المصممين اختصارًا عمليًا. وعلى نطاق أوسع، يشير هذا النهج إلى مستقبل تُوجه فيه أعمال البناء تحت الأرض بنماذج محلية المعايرة ومبنية على البيانات تحسّن هوامش السلامة مع الحفاظ على تكاليف المشروع وجداوله الزمنية تحت السيطرة.

الاستشهاد: Yuan, C., Zhang, Q., Feng, H. et al. Machine learning-based method for determining regional parameters of the HSS model: a case study of Qingdao, China. Sci Rep 16, 13124 (2026). https://doi.org/10.1038/s41598-026-43150-2

الكلمات المفتاحية: الحفر العميق, نمذجة التربة, التعلم الآلي, الشبكات العصبية, تشوهات الأرض