تنبؤ حجم حشو الستار باستخدام نموذج تجميعي محسن بايزياً مع تحليل SHAP

لماذا يهم التنبؤ بأعمال الأسمنت المخفية

على أعماق كبيرة تحت السدود والأنفاق، يحقن المهندسون الأسمنت السائل في الشقوق بالصخور لمنع تسرب المياه. تُعرف هذه العملية باسم الحشو، وهي مكلفة ومن الصعب رؤيتها مباشرة، لذا يجب على العمال تقدير كمية الملاط التي يجب ضخها في كل ثقب حفر. إن خفض التقدير قد يؤدي إلى استمرار تسرب المياه، بينما رفعه قد يهدر المال والمواد والوقت. تُظهر هذه الدراسة كيف يمكن للأدوات الحديثة المعتمدة على البيانات أن تساعد المهندسين على التنبؤ بالكمية الصحيحة من الملاط بشكل أكثر موثوقية قبل بدء الأعمال.

سد الشقوق تحت المشاريع المائية الكبيرة

تعتمد السدود الكبيرة والحجرات تحت الأرض على ستائر من الملاط المتصلب لسد المسارات تحت السطح التي قد تستغلها المياه للهروب. يقوم العمال بحفر العديد من الثقوب في الصخر وضخ محلول الأسمنت، لكن الصخر تحت السطح غير منتظم، مع صدوع تتفاوت في الحجم والاتصال. وبما أن العملية مخفية والظروف تختلف من مكان لآخر، فقد ظل تقدير حجم الملاط الذي يحتاجه كل ثقب تحدياً رئيسياً لتصميم آمن وضبط التكاليف في مشاريع المياه والطاقة الكهرمائية الكبيرة.

من قواعد تقريبية إلى التعلم من البيانات

على مدى عقود، استخدم المهندسون صيغاً مبسطة، أو مقارنات مع مشاريع سابقة، أو محاكاة حاسوبية لتدفق السوائل لتقدير استهلاك الملاط. ساعدت هذه الأساليب لكنها كانت غالباً ما تواجه صعوبة عند مواجهة صخور فعلية معقدة وقياسات ميدانية مضبوطة بضوضاء. في هذه الدراسة، لجأ الباحثون بدلاً من ذلك إلى التعلم الآلي، الذي يتعلّم الأنماط مباشرة من البيانات. جمعوا 778 سجلاً حفر واقعياً من مشروع مائي كبير في شينجيانغ، يصف كل منها ظروف ثقب الحفر: ترتيبه في تسلسل الحفر، العمق، طول المقطع المعالج، عرض الثقب، سهولة تدفق الماء عبر الصخر مسبقاً، خليط البداية من الماء والأسمنت، والضغط المستخدم أثناء الحشو. وكانت النتيجة المطلوب التنبؤ بها هي الحجم الفعلي للملاط المضخوخ.

دمج عدة نماذج ذكية في نموذج واحد

بدلاً من الاعتماد على خوارزمية واحدة، استخدم الفريق استراتيجية تُدعى التجميع المتتالي (stacking)، التي تسمح لعدة نماذج تنبؤية مختلفة بالعمل معاً. اختيرت ثلاث نماذج حاسوبية تتميز بقدرتها على التعامل مع أنماط معقدة في البيانات الجدولية كطبقة أولى. فحص كل نموذج نفس العوامل السبعة المدخلة وأنتج تقديره الخاص لحجم الملاط. ثم أخذ نموذج انحدار بسيط لكن مضبوط بعناية هذه التقديرات الثلاثة ودمجها في تنبؤ نهائي. ولضمان أن كل نموذج يستخدم إعداداته الداخلية بأفضل شكل ممكن، لجأ الباحثون إلى التحسين البايزي، وهو أسلوب يستكشف ويضبط الكثير من تركيبات الإعدادات بطريقة منظمة معتمدة على البيانات بدلاً من التجربة والخطأ.

التحقق من الدقة وفتح الصندوق الأسود

لاختبار منهجهم، قارن المؤلفون نموذج التجميع مع نماذجه المكونة الثلاثة، سواء قبل الضبط أو بعده. قاسوا مدى قرب التنبؤات من أحجام الملاط الحقيقية باستخدام مقاييس الخطأ القياسية. قدم النموذج المجمع مع الضبط البايزي أفضل أداء، حيث فسّر نحو 92 في المئة من التباين في حجم الملاط بينما حافظ على أخطاء متوسطة صغيرة نسبياً.

ماذا يعني هذا لأعمال الحشو في العالم الحقيقي

تخلص الدراسة إلى أن نموذج تعلم آلي مجمّع مضبوط بعناية يمكن أن يوفر تنبؤات أكثر دقة واستقراراً لحجم الملاط مقارنة بالنماذج الفردية أو الطرق القديمة القائمة على القواعد، على الأقل بالنسبة للمشروع الذي درستُه. من خلال تحديد الشروط الأهم وكيفية تفاعلها، يمكن أن يساعد النهج المهندسين على تخطيط استراتيجيات الحفر والضخ، وتوزيع المواد، وإدارة المخاطر بكفاءة أكبر في ظروف أرضية معقدة. وبينما لا يزال النموذج بحاجة إلى اختبار وتكييف لمواقع أخرى، فإنه يقدم مساراً عملياً نحو التحكم المستند إلى البيانات في هذا الجزء الحاسم ولكن إلى حد بعيد غير المرئي من تشييد السدود والأنفاق.

الاستشهاد: Ma, Y., Yuan, Z., Xiong, B. et al. Curtain grouting volume prediction using a Bayesian-optimized stacking ensemble model with SHAP analysis. Sci Rep 16, 15374 (2026). https://doi.org/10.1038/s41598-026-45538-6

الكلمات المفتاحية: حشو الستار, تنبؤ حجم الحشو, التعلم الآلي, التحسين البايزي, تحليل SHAP