نهج مختلط من تعلّم الآلة والفيزياء ثلاثية الأبعاد لتقييم أضرار المباني: حالة لاكويلا 2009

لماذا يهم هذا الناس الذين يعيشون في مناطق زلازل

بعد زلزال قوي، السؤال الأكثر إلحاحًا هو أي المباني آمنة لإعادة الدخول وأيها يجب منع الدخول إليها. تقليديًا يتطلب ذلك عمليات تفتيش بطيئة على الأرض ويعتمد على خرائط الهزّ الواسعة التي قد تغفل خصائص محلية من التضاريس وتخطيط المدينة. تركز هذه الدراسة على زلزال لاكويلا المدمر عام 2009 في إيطاليا وتُظهر كيف أن الجمع بين نماذج حاسوبية متقدمة للهزّ والذكاء الاصطناعي يمكن أن يساعد على تحديد أسرع للمباني الأكثر تضررًا والاستعداد بشكل أفضل للزلازل المستقبلية.

نظرة أقرب على مدينة إيطالية

استخدم الباحثون لاكويلا كحالة اختبار واقعية لأن الهزة الرئيسية كانت قوية، ومسجّلة جيدًا، ومدروسة على نطاق واسع، ولأن جيولوجيا المدينة ممسوحة بتفصيل استثنائي. عملوا ببيانات نحو 3000 مبنى التي تم فحص أضرارها بعناية بعد حدث بقوة 6.1 درجة. لكل مبنى، عرفوا ليس فقط مدى الضرر ولكنه أيضاً كيفية بنائه، وحجمه، وتاريخ تشييده، وموقعه بالنسبة للصدع والتضاريس المحلية. تسمح هذه الصورة الغنية لهم باستكشاف العوامل التي تتحكم حقًا في ما إذا كان المبنى ينجو من الزلزال بأضرار طفيفة أو يدفع إلى حافة الانهيار.

محاكاة ما تحت السطح لتحسين تقديرات الهزّ

أدوات تقييم أضرار الزلازل التقليدية غالبًا ما تبدأ من خرائط الهزّ (ShakeMaps)، التي تدمج عددًا محدودًا من أجهزة قياس الأرض مع صيغ مبسطة لتقدير شدة الهزّ عبر منطقة. بدلاً من ذلك، يبني الفريق نموذجًا رقميًا ثلاثي الأبعاد مفصّلًا للقشرة والأحواض الرسوبية حول لاكويلا، إلى عمق يقارب 20 كيلومترًا وبامتداد أفقي نحو 60 كيلومترًا في كل اتجاه. باستخدام حوسبة عالية الأداء ورمز متخصص، يحاكون كيفية انتشار الموجات الزلزالية من الصدع عبر هذا المشهد الجوفي المعقّد. ثم يوسعون هذه المحاكاة لتشمل ترددات الحركة المنخفضة والمرتفعة، منتجين قياسات واقعية لسرعة حركة الأرض وشدّة تسارعها عند آلاف النقاط التي تقع عندها المباني فعليًا.

تعليم «غابة رقمية» للتعرّف على الأضرار

مزوّدين بهذه الصورة المبنية على كل مبنى على حدة للهزّ، يدرب الباحثون نماذج تعلّم آلي — وتحديدًا مجموعات من أشجار القرار المعروفة بالغابات العشوائية — للتنبؤ بمستويات الضرر. لجعل المشكلة أكثر قابلية للإدارة، يعيدون تجميع الدرجات الست الأصلية للضرر إلى فئتين أو ثلاث فئات أوسع، مثل «خفيفة مقابل متوسطة إلى شديدة» أو «خفيفة إلى متوسطة مقابل شديدة». يرى كل نموذج مزيجًا من الميزات المتعلقة بالمبنى (مثل الارتفاع، ومساحة القاعدة، والعمر) وميزات متعلقة بالموقع (مثل البعد عن الصدع وخصائص الأرض المحلية)، إلى جانب مقاييس الهزّ المحاكية أو تلك المستمدة من خرائط الهزّ. كما يتعاملون مع المعلومات المفقودة، مثل سنوات البناء غير المعروفة، باستخدام استراتيجيات تعبئة بيانات دقيقة، ويوازنّون أحجام الفئات غير المتكافئة بأمثلة اصطناعية حتى لا تُهمل الحالات النادرة ولكن الهامة من الأضرار الشديدة.

ما تكشفه النماذج عن المخاطر

تُظهر التحليلات أن أكثر العوامل تأثيرًا في التنبؤ بالضرر هي متوسط مساحة سطح المبنى أو القطعة، وبعده عن الجزء من الصدع حيث حدث الانزلاق الأكبر، وصلابة الأرض المحلية، وبشكل حاسم — مقاييس الهزّ المحسوبة من المحاكاة المعتمدة على الفيزياء. بالمقابل، القيم المماثلة المأخوذة من خرائط الهزّ لا تظهر تقريبًا بين المتغيرات الأعلى أهمية. عندما تعتمد النماذج على الهزّ المحاكى، تصل دقتها إلى نحو 80 في المئة للمشكلات الأبسط ذات الفئتين وتؤدي أداءً متينًا على مجموعة اختبار منفصلة لم تُرَ من قبل. هذا يشير إلى أن التقاط المسار الثلاثي الأبعاد الحقيقي للموجات الزلزالية، بدلاً من تمليسها بصيغ إقليمية واسعة، يمكن أن يحسّن بشكل كبير قدرتنا على التمييز بين المنشآت ذات الأضرار الطفيفة وتلك التي تضررت بشدة.

ماذا يعني هذا لزلازل المستقبل

لغير المتخصصين، الخلاصة الرئيسية هي أن ملاقاة محاكيات حاسوبية واقعية لحركة الأرض الحقيقية مع خوارزميات تعرف على الأنماط عصرية يمكن أن تحوّل قياسات متفرقة وسجلات المباني إلى أداة عملية للاستجابة للأزمات. في زلزال مستقبلي، يمكن لنظام مبني على هذه المبادئ أن يبرز بسرعة الأحياء التي يُحتمل أن تتعرض لأضرار بالغة، موجّهًا عمليات التفتيش، وتخطيط الملاجئ، وإعادة الإعمار الطويلة الأجل. يحذّر المؤلفون من أن نموذجهم الحالي مُعدّ لمنطقة ومخزون مبانٍ محددين، ويجب اختباره وتكييفه قبل استخدامه في أماكن أخرى. ومع ذلك، تشير نتائجهم إلى مستقبل تُساعد فيه التوائم الرقمية التفصيلية لما تحت السطح، جنبًا إلى جنب مع نماذج ذكية معتمدة على البيانات، المجتمعات على فهم وإدارة مخاطر الزلازل بشكل أفضل.

الاستشهاد: Di Michele, F., Pera, D., Mazzieri, I. et al. Combined machine learning - 3D physics based approach for building damage evaluation: the case of L’Aquila 2009. Sci Rep 16, 10919 (2026). https://doi.org/10.1038/s41598-026-45377-5

الكلمات المفتاحية: أضرار الزلازل, تعلّم الآلة, محاكاة تعتمد على الفيزياء, مخاطر المباني, لاكويلا 2009