مقارنة أساليب التعلم الآلي والتعلم العميق في التنبؤ باستجابة الوصلات لوح-عمود تحت الزلازل

لماذا تهم أرضيات أكثر أمانًا أثناء الزلازل

تعتمد العديد من مباني المدن على أرضيات خرسانية مسطحة تستند مباشرة على الأعمدة دون عوارض داعمة عميقة. أثناء الزلزال، يمكن أن تفشل الوصلات حيث يلتقي اللوح بالعمود فجأة، مما يؤدي إلى هبوط الطوابق وانهيار جزئي للمباني. تستكشف هذه الدراسة كيف يمكن للأدوات الحديثة المعتمدة على البيانات أن تساعد المهندسين في التنبؤ بشكل أفضل بسلوك هذه الوصلات الحرجة خلال اهتزازات شديدة، لكي تُصمم المباني أو تُراجع بثقة أكبر.

كيف يمكن أن تفشل وصلات المبنى فجأة

في مباني الألواح المسطحة، يجب على العمود أن ينقل الوزن العمودي وقوى الزلازل الجانبية إلى اللوح الأرضي. إذا تراكمت الإجهادات بكثافة حول العمود، قد يخترق اللوح حول العمود كما يخترق الطابع الورقة. هذا الفشل الهش يترك تحذيرات قليلة وقد يثير انهيارًا تدريجيًا. في الوقت نفسه، يتأرجح المبنى ككل، ويُوصف ذلك بمقياس يسمى نسبة الانحراف، الذي يوضح للمهندسين مدى ميل الهيكل مقارنة بارتفاعه. كل من عزم الطعن المحلي عند الوصلة والانحراف العام يتحكمان بهما عوامل عديدة، بما في ذلك سمك اللوح، وحجم العمود، وكمية التسليح الفولاذي، وقوة الخرسانة، ونمط تحميل الزلزال.

استخدام الاختبارات السابقة والحواسيب كأدوات تعلّم

جمع المؤلفون قاعدة بيانات مكونة من 217 اختبارًا معمليًا موثَّقًا بعناية على وصلات اللوح-العمود تحت تحميل محاكٍ للزلازل. تضمن كل اختبار الأبعاد الهندسية، وقوى المواد، وتفاصيل التسليح، وحمولة الجاذبية المطبقة، ونوع التحميل، والعزم المقاس لنقطة الطعن ونسبة الانحراف عند الفشل. قسّموا هذه المعلومات بعد ذلك إلى مجموعات تدريب واختبار منفصلة، حتى تُقيَّم نماذج الحاسوب على قدرتها في التنبؤ بنتائج لم تُشاهدها سابقًا. قبل النمذجة، نظفت الفريق البيانات، وتعامل مع القيم المفقودة، وقام بتحجيم النطاقات العددية، وفحص كيف يرتبط كل متغير بالفشل باستخدام أدوات عرض مرئية مثل مخططات الصندوق والانتشار.

مقارنة طرق متعددة لتعلّم الحاسوب

لاكتشاف أي التقنيات تعمل أفضل، قارنت الدراسة نطاقًا واسعًا من طرق التعلم الآلي مقابل عدة أساليب للتعلم العميق. ضمّت مجموعة التعلم الآلي صيغًا خطية بسيطة، وإصدارات منتظمة تحاول تجنب الإفراط في التكيف، وطرق أكثر مرونة قائمة على الأشجار مثل الغابات العشوائية، والتعزيز التدرجي، وXGBoost. استخدمت مجموعة التعلم العميق بنى شبكات عصبية تظهر غالبًا في تحليل الصور أو التسلسلات، بما في ذلك الشبكات التلافيفية، والشبكات المتكررة، وشبكات الذاكرة الطويلة والقصيرة (LSTM)، ونموذج هجين جمع بين طبقات تلافيفية ومتكررة. على خلاف مشكلات الصور، أُدخلت هنا هذه الشبكات العميقة جداول منظمة من الأرقام الهندسية أعيد تشكيلها كسلاسل أحادية البُعد.

ما كشفته النماذج عن القوة والانحراف

في التنبؤ بعزم الطعن عند وصلة اللوح-العمود، كانت أفضل النتائج من نصيب نماذج التعلم الآلي المبنية على العديد من أشجار القرار. حقق التعزيز التدرجي أعلى دقة على الاختبارات غير المرئية، يليه عن قرب XGBoost والغابات العشوائية. التقطت هذه النماذج الخلطة المعقدة وغير الخطية من الهندسة والمواد والتحميل التي تحكم قوة الوصلة المحلية. فيما يتعلق بتنبؤ نسبة الانحراف، والتي تعكس تأرجح النظام ككل، تفوّق الغابة العشوائية على النهج الأخرى، رغم أن جميع النماذج وجدت هذه المهمة أصعب وأنتجت تشتتًا أكبر في النتائج. لم تتفوق نماذج التعلم العميق، وخصوصًا النوع الهجين، على طرق الأشجار في هذه المجموعة البيانية الجدولية الصغيرة نسبيًا، وكانت تتطلب جهدًا حسابيًا أكبر بكثير.

ما يعنيه ذلك لتصميم مبانٍ أكثر أمانًا

بالنسبة لغير المتخصص، الرسالة الأساسية أن أدوات التعلم الآلي المختارة بعناية يمكنها بالفعل أن تمنح المهندسين تقديرات أكثر دقة لكيفية وموعد فشل وصلات اللوح-العمود أثناء الزلازل، خاصةً فيما يتعلق بالقوة المحلية للطعن، وإلى حد أقل الانحراف العام. في هذه الدراسة، تفوّق التعلم الآلي التقليدي القائم على الأشجار على شبكات التعلم العميق الأكثر رواجًا للبيانات المتاحة، مقدمًا دقة أفضل بتعقيد أقل. يوصي المؤلفون باستخدام مثل هذه النماذج كمساند للقرار إلى جانب قواعد التصميم الحالية، بدلًا من استبدال الحكم الهندسي. مع قواعد بيانات أكبر وميزات محسّنة، قد تصبح هذه الأساليب المعتمدة على البيانات جزءًا عمليًا من التقييم الزلزالي الروتيني لمباني الألواح المسطحة.

الاستشهاد: El-Mandouh, M.A., Youssef, H., Elborlsy, M.S. et al. Comparing machine learning and deep learning approaches to predicting the seismic response of slab-column connections. Sci Rep 16, 14718 (2026). https://doi.org/10.1038/s41598-026-50962-9

الكلمات المفتاحية: تصميم زلزالي, مباني الألواح المسطحة, التعلم الآلي, قص الطعن (punching shear), نسبة الانحراف