تصنيف التربة المعزز بالذكاء الاصطناعي باستخدام بيانات CPT غير مكتملة لمزارع الرياح البحرية

لماذا تهم تربة قاع البحر لطاقة الرياح

تقف توربينات الرياح البحرية في بعض أقسى البيئات على الأرض، وتعتمد استقراريتها على ما يكمن مخفيًا تحت الأمواج: تربة قاع البحر التي تتحمّل قواعدها الضخمة. فحص هذه الترب في المياه العميقة مكلف وغالبًا ما يكون غير مكتمل، مما يترك للمهندسين اتخاذ قرارات كبيرة بمعلومات متقطعة. تُوضّح هذه الدراسة كيف يمكن للذكاء الاصطناعي تفسير بيانات اختبار محدودة لتصنيف تربة قاع البحر بثقة، مما يساعد المصممين على وضع توربينات الرياح البحرية بشكل أكثر أمانًا وكفاءة.

من اختبارات قاع البحر إلى أنواع التربة

غالبًا ما يستكشف المهندسون قاع البحر باستخدام اختبارات اختراق المخروط، حيث يُدفع مخروط معدني في التربة أثناء قياس مدى مقاومة التربة، وكمية الاحتكاك على سطح الغلاف، وكيف يتغير ضغط المياه المسامية في التربة. تُفسَّر هذه القياسات تقليديًا باستخدام مخططات مثل تصنيف روبيرتسون، الذي يربط أنماط القراءات بسلوكيات تربة مختلفة، مثل الرمال المتراخية أو الطين الصلب أو الخلطات بينهما. المشكلة أن هذه المخططات تفترض وجود بيانات كاملة ونظيفة، وهو أمر نادر التحقيق عندما تعقّد السفن والأمواج والمياه العميقة التحقيقات البحرية.

بناء مكتبة افتراضية لحالات قاع البحر

لمعالجة مشكلة المعلومات المفقودة، أنشأ الباحثون أولًا مكتبة افتراضية ضخمة من حالات التربة المحتملة بدلاً من الاعتماد فقط على اختبارات ميدانية نادرة. استخدموا نطاقات واقعية لقياسات المخروط الأساسية — مقاومة الرأس، احتكاك الغلاف، ضغط المياه المسامية، والإجهادات في الأرض — لتوليد أكثر من 200,000 سجل اختبار اصطناعي. ثم تُرجمت هذه السجلات إلى مناطق سلوكية للتربة باستخدام مخطط روبيرتسون، وبذلك اقترنت كل تجربة محاكاة بـ "تسمية" تربة. من خلال أخذ عينات متساوية عبر النطاقات ووفقًا لأنماط إحصائية واقعية، ضمنت المكتبة الاصطناعية تغطية كل شيء من الطين اللين جدًا إلى الرمال والحصى الكثيف.

تعليم الآلات قراءة قاع البحر

بوجود هذه المكتبة الاصطناعية، درّب الفريق عدة نماذج تعلم آلي للتنبؤ بسلوك التربة مباشرةً من مدخلات اختبار المخروط. اختبروا غابات عشوائية، شبكات عصبية، طرق المتجه الداعم، وأشجار القرار، مع ضبط دقيق لإعدادات كل نموذج. من بينها، تميز نموذج الغابة العشوائية، إذ طابق مناطق التربة المبنية على روبيرتسون بتطابق رقمي شبه كامل وحقق أكثر من 92% دقة عند تحويل توقعاته لاحقًا إلى تصنيف تربوي معياري. أظهرت الفحوص الداخلية للنموذج أن مقاومة رأس المخروط، واحتكاك الغلاف، والإجهاد الرأسي الفعال كانت المدخلات الأكثر تأثيرًا — وهو ما يتوافق مع الفهم الجيوتقني الطويل الأمد ويشير إلى أن النموذج يتعلم فيزياء حقيقية بدلاً من أنماط عشوائية.

الحفاظ على الدقة عند غياب البيانات

الاختبار الحاسم كان ما إذا كان يمكن للذكاء الاصطناعي أن يستمر في الأداء جيدًا عند فقدان بعض القياسات، محاكيًا المسوحات البحرية الحقيقية حيث يفشل بعض الأجهزة أو لا تُستخدم حساسات معينة. أزال الباحثون نظاميًا كل مدخل بدوره واستبدلوه بقيم غير مؤكدة، ثم أداروا النموذج مرارًا بطريقة مونت كارلو ليروا كيف تتغير الدقة في المتوسط. عندما كانت المدخلات الأكثر أهمية — مقاومة المخروط، احتكاك الغلاف، أو الإجهاد الفعال — مفقودة، انخفضت الدقة بشكل ملحوظ، مما أكد أهميتها. ومع ذلك، عندما كانت معلمات أخرى مثل ضغوط المياه المسامية أو الإجهاد الكلي غائبة، احتفظ النموذج بدقة عالية غالبًا فوق 90%. هذا يبيّن أن الإطار يمكنه الاستمرار في تقديم تصنيفات مفيدة للتربة حتى عندما تكون أجزاء من سجل اختبار المخروط غير مكتملة.

إثبات الطريقة في مزارع الرياح البحرية الحقيقية

للانتقال إلى ما وراء البيانات الافتراضية، اختبر الفريق نموذج الغابة العشوائية المدرب على 229,808 سجل اختبار مخروط حقيقي من 99 حفرة مسح في مواقع مزارع رياح بحرية في تايوان وهولندا. لم تُستخدم أي من هذه القياسات الحقيقية في التدريب. قُورنت توقعات سلوك التربة من الذكاء الاصطناعي بتصنيفات مستقلة استنادًا إلى نظام هندسي واسع الاستخدام يجمع الترب حسب حجم الحبيبات واللدونة. طابق النموذج هذه التصنيفات بشكل صحيح في أكثر من 92% من الحالات، متفوقًا على عدة طرق تعلم آلي موجودة. كما أظهرت المحاكاة المتكررة أن التوقعات وقعت ضمن نطاق ثقة ضيق 95%، مما يدل على سلوك مستقر وموثوق.

ماذا يعني هذا لمستقبل الرياح البحرية

بالنسبة لغير المتخصصين، الخلاصة أن الدراسة توفر مساعدًا ذكيًا لقراءة قاع البحر. فبدلًا من استبدال المخططات الهندسية الراسخة، يوسع إطار العمل استخدامها لتشمل الحالات الواقعية غير النظيفة حيث تكون البيانات ناقصة أو غير مثالية. من خلال التعلم من مكتبة اصطناعية مصممة بعناية ثم إثبات كفاءته على مجموعات بيانات بحرية واسعة، يقدم الأسلوب طريقة عملية لتصنيف ترب قاع البحر بسرعة وباتساق. هذا يمكن أن يقلل من الاختبارات الإضافية المكلفة، ويدعم تصميم قواعد أكثر أمانًا، ويساعد في نهاية المطاف على تشغيل المزيد من مشاريع الرياح البحرية بثقة أكبر بما يكمن تحت كل توربينة.

الاستشهاد: Ku, CY., Wu, TY., Liu, CY. et al. AI-enhanced soil classification with incomplete CPT data for offshore wind farm. Sci Rep 16, 10589 (2026). https://doi.org/10.1038/s41598-026-46356-6

الكلمات المفتاحية: الرياح البحرية, تربة قاع البحر, اختبار اختراق المخروط, تعلم الآلة, تصميم الأساسات