إطار تعلم آلي مكدّس مُحسّن بتقنية باريتو للتنبؤ بالسعة الحاملة للأعمدة المدفوعة من بيانات اختبار التحميل الثابت

لماذا تهم الأساسات القوية

كل مبنى أو جسر أو توربينة رياح يعتمد في النهاية على ما تحته. مختبئة تحت السطح، أعمدة خرسانية طويلة تُسمى الركائز تحمل وزن المنشآت إلى طبقات تربة أو صخر صلب. إذا قَلَّل المهندسون من تقدير القدرة الآمنة لهذه الركائز على التحمل، فقد يؤدي ذلك إلى هبوط أرضي، تشققات، أو حتى فشل. وإذا بالغوا في التقدير تصبح المشاريع أكثر تكلفة دون داعٍ. تبحث هذه الدراسة في كيفية استخدام أساليب التعلم الآلي الحديثة لتحويل اختبارات الموقع الروتينية إلى تنبؤات أدق بكثير لقوة الركائز، مما يساعد على جعل البناء أكثر أمانًا واقتصادية.

من القواعد البسيطة إلى الرؤية المعتمدة على البيانات

تقليديًا، اعتمد المهندسون على صيغ وتجارب صغيرة النطاق ومحاكاة عددية لتقدير السعة الحاملة للركائز المدفوعة. تعمل هذه الأساليب بشكل معقول، لكنها تواجه صعوبة مع الواقع المعقّد للتربة ذات الطبقات المتعددة، المياه الجوفية، وتأثيرات التركيب. يُعتبر اختبار ميداني يُعرف باسم اختبار التحميل الثابت المعيار الذهبي: حيث تُحمّل الركيزة تدريجيًا بينما يُقاس هبوطها. إلا أن هذه الطريقة بطيئة ومكلفة ومن الصعب تكرارها في مواقع متعددة. في المقابل، تجمع الممارسات الجيوتقنية عادةً بيانات بسيطة من اختبار الاختراق القياسي (SPT) والتي تعطي مقياسًا تقريبيًا لمقاومة التربة مع العمق. الفكرة المركزية في هذه الورقة هي استخدام التعلم الآلي لربط نتائج SPT المتاحة على نطاق واسع، إلى جانب هندسة الركيزة وبيانات الموقع، مباشرةً بنتائج اختبارات التحميل عالية الجودة.

بناء محرك توقع أذكى

أنشأ المؤلفون قاعدة بيانات تضم 472 اختبار تحميل ثابت على ركائز خرسانية مسلحة مدفوعة في إحدى محافظات فيتنام ذات ظروف تربة متنوعة وموثقة بشكل منهجي. لكل اختبار سجّلوا قطر الركيزة، سماكة عدة طبقات من التربة، ارتفاعات الأرض والركيزة، عمق رأس الركيزة، ومتوسط عدد ضربات المطرقة في اختبار SPT على طول عمود الركيزة وفي نهايتها. تلتقط هذه المدخلات كلًا من حجم الركيزة وقوة التربة المحيطة بها، واللتين تتحكمان معًا في مقدار الحمولة التي تستطيع الركيزة حملها. الهدف كان تدريب نموذج يعطي عند تزويده بهذه المدخلات لموقع جديد تقديرًا موثوقًا للسعة الحاملة المحورية للركيزة دون الحاجة إلى اختبار تحميل كامل النطاق.

دمج عدة عقول في واحد

بدلًا من الاعتماد على خوارزمية واحدة، يستخدم البحث مجموعة مكدّسة: تُدرّب ثلاثة نماذج تعلم آلي مختلفة — الغابة العشوائية، أقرب الجيران k، وتعزيز الانحدار المتطرف (XGBoost) — بالتوازي ثم تُجمَع تنبؤاتها بواسطة نموذج من المستوى الثاني. يُعدّل هذا الميتا-نموذج باستخدام بحث متعدد الأهداف مستوحى من استراتيجيات تطورية، يُعرف بتحسين باريتو. يوازن التحسين بين أهداف متنافسة: تعظيم الدقة على بيانات غير مرئية مع تجنّب الإفراط في التكيّف. من خلال اختبارات متكررة وتقاطع مرجعي بخمسة أجزاء، حقق أفضل تركيب معامل تحديد (مؤشر على مدى مطابقة التنبؤات للواقع) يقارب 0.95 على مجموعة الاختبار، إلى جانب خفض كبير في الخطأ مقارنة بأي نموذج فردي بمفرده.

رؤية داخل الصندوق الأسود

لكي يكون النظام قابلاً للاستخدام عمليًا، يحتاج المهندسون إلى فهم العوامل المؤثرة في تنبؤاته. لذلك استخدم المؤلفون أدوات تفسير حديثة، لا سيما SHAP (تفسيرات شابلية الإضافية)، تحليل الحساسية، ومسوح بسيطة للمعاملات. كشفت هذه الأدوات أن قطر الركيزة هو العامل الأكثر تأثيرًا بمفرده، حيث تؤدي التغيرات في القطر إلى اختلافات كبيرة في السعة المتوقعة. تلعب خصائص التربة دورًا أساسيًا أيضًا: يظهر متوسط عدد ضربات SPT على طول عمود الركيزة وفي الطرف كمساهمين رئيسيين، مما يعكس أهمية كل من احتكاك الجوانب وتحمل النهاية. كما تهم سماكة طبقات التربة العلوية، في حين أن بعض المتغيرات المتعلقة بالارتفاع لها تأثير طفيف فقط. عندما تتغير مدخلات النموذج بطرق ذات معنى فيزيائي — مثل زيادة قطر الركيزة أو وضع الطرف في تربة أكثف — تستجيب السعات المتوقعة بما يتوافق مع المبادئ الجيوتقنية الأساسية، ما يدل على أن النموذج يتعلم أنماطًا معقولة وليست عشوائية.

كيف يساعد هذا مشاريع العالم الحقيقي

بمزاوجة عدة أساليب تعلم آلي بعناية وتحسينها مقابل أهداف متعددة، يقدم هذا العمل أداة تنبؤ دقيقة وقابلة للتفسير. في المواقع ذات الجيولوجيا وممارسات الاختبار المماثلة لتلك في الدراسة، يمكن للمهندسين استخدام بيانات SPT القياسية ومعاملات التصميم للحصول على تقديرات موثوقة لسعة الركيزة، تقليل عدد اختبارات التحميل المكلفة، واستهداف هوامش الأمان بشكل أفضل. يحذر المؤلفون من أن بياناتهم مأخوذة من منطقة واحدة وأن آثار الزمن الطويل وبعض تفاصيل التركيب غير مغطاة بالكامل، لذا تظل الخبرة المهنية والمعايرة المحلية ضرورية. ومع ذلك، يوضح الإطار كيف يمكن للنماذج المعتمدة على البيانات، عند تحليلها بشفافية، أن تصبح شركاء عمليين في تصميم الأساسات بدلًا من أن تكون صناديق سوداء مبهمة.

الاستشهاد: Abdellatief, M., ElNemr, A. & Altahrany, A. Pareto-optimized stacked ensemble machine learning framework for predicting bearing capacity of driven piles from static load test data. Sci Rep 16, 11360 (2026). https://doi.org/10.1038/s41598-026-43660-z

الكلمات المفتاحية: أساس الركائز, السعة الحاملة, الهندسة الجيوتقنية, التعلم الآلي, اختبار التحميل الثابت