التنبؤ المستند إلى البيانات لهبوط أساس السارية الدقيقة على طوف باستخدام التعلم الآلي ومحاكاة مونت كارلو

لماذا تهم الساريات الصغيرة تحت مبانٍ كبيرة

تعتمد المدن الحديثة على الأساسات العميقة لإبقاء المباني مستقرة، حتى عندما تقف على طين لين قد يضغط ويهبط ببطء. يلجأ المهندسون بشكل متزايد إلى ساريات رفيعة جداً، تُسمى الساريات الدقيقة، مدموجة مع طوف خرساني مسطح لحمل الأحمال بأمان حيث تكون المساحة ضيقة أو ظروف الأرض صعبة. تستكشف هذه الدراسة كيف يمكن للبيانات والذكاء الاصطناعي المساعدة في التنبؤ بمقدار هبوط مثل هذه الأطواف المدعمة بالساريات الدقيقة تحت الأحمال، مما يزود المصممين بطريقة أسرع وأكثر موثوقية لتقدير السلامة والأداء على المدى الطويل.

ساريات صغيرة، دعم كبير

يجمع أساس الطوف المدعوم بساريات دقيقة بين بلاطة خرسانية سميكة والعديد من الساريات الرقيقة المدعمة بالفولاذ والمثاقبة عميقاً في الأرض. على الرغم من أن كل سارية لا يزيد قطرها عن بضعة سنتيمترات، فإنها معاً تستطيع دعم مبانٍ كبيرة مع إبقاء الهبوط محدوداً. تكون هذه الحلول مفيدة بشكل خاص في الطين اللين، حيث إن الأساسات السطحية التقليدية قد تغوص كثيراً. يكون سلوك هذا النظام معقداً لأن الطوف وتجمع الساريات والتربة المحيطة تتفاعل جميعها. عوامل مثل طول السارية وتباعدها، وحجم وسمك الطوف، وقوة الطين تؤثر جميعها في كيفية توزيع الحمولة وكمية انضغاط الأرض تحت مستويات إجهاد مختلفة.

بناء قاعدة بيانات اختبار غنية

لدراسة هذا السلوك، جمع المؤلف قاعدة بيانات تضم 480 حالة تجريبية مأخوذة من اختبارات نموذجية مخبرية سابقة وقياسات ميدانية كبيرة النطاق على أطواف مدعمة بساريات دقيقة في تربة لزجة. لكل حالة، تتضمن البيانات هندسة الطوف وحجم وعدد وترتيب الساريات، وقوة الطين، والحمولة المطبقة، إلى جانب الهبوط المقاس. من خلال إبقاء ظروف الطين مسيطراً عليها نسبياً مع تغيير تصميم الأساس، تركز مجموعة البيانات على كيفية تأثير اختيارات التصميم على الأداء. وهذا يجعلها مناسبة لتدريب نماذج حاسوبية قادرة على تعلم الأنماط الدقيقة التي تربط تصميم الأساس، وخواص التربة، والحركة الأرضية الناتجة.

تدريب الآلات على قراءة الأرض

تقارن الدراسة بين ستة أساليب شائعة في التعلم الآلي لمعرفة أيها يتنبأ بشكل أفضل بالهبوط من المدخلات المتاحة. تشمل هذه تقنيات قائمة على الأشجار مثل الغابات العشوائية وطرق التعزيز، وطريقة قائمة على الجوار، وطريقتين قائمتي النواة: الانحدار بدعم المتجهات وانحدار العمليات الغاوسيّة. تُعدل جميع النماذج بعناية باستخدام تحسين بايزي والتحقق المتقاطع لتجنب الاعتماد على مجموعة إعدادات مريحة لكنها مضللة. يُقيَّم أداؤها باستخدام عدة مقاييس خطأ وفحوص بصرية تقارن الهبوطات المتوقعة والمقاسة عبر مستويات حمل مختلفة. على الرغم من أن معظم النماذج تناسب بيانات التدريب جيداً، إلا أن العديد منها يتعثر عند طلب التنبؤ بحالات جديدة تماماً.

لماذا يبرز نموذج واحد

يظهر أن انحدار العمليات الغاوسيّة هو الأداة الأكثر موثوقية في هذه المقارنة. يلتقط العلاقة المنحنية وغير الخطية بين الحمل والهبوط دون الاكتفاء بحفظ النتائج السابقة. على بيانات الاختبار التي لم يرها النموذج سابقاً، يحافظ على دقة عالية مع خطأ وسطي منخفض يقاس بالملليمترات. كما يوفر نطاقات ثقة حول كل تنبؤ، مبيناً مدى التأكد تحت ظروف مختلفة. لاستكشاف ذلك بعمق أكبر، تُغذى الدراسة النموذج بآلاف مجموعات المدخلات المتغيرة قليلاً باستخدام محاكاة مونت كارلو، محاكيةً عدم اليقين الصغير في الأبعاد وقوة التربة. يظل تشتت الهبوطات المتوقعة الناتج ضيقاً، وتتبَّع منحنيات الحمل-الهبوط المتوقعة المتوسطية عن كثب تلك المقاسة في التجارب.

رؤية العوامل الأكثر تأثيراً

بعيداً عن الدقة الخام، تفحص الدراسة كيفية اتخاذ النموذج قراراته باستخدام أداة تفسيرية تسمى SHAP. تُظهر هذه التحليل أن العامل الأكثر تأثيراً هو الحمولة المطبقة نفسها، تليها طول السارية وعرض الطوف، اللتان تتحكمان معاً في كيفية نقل القوى إلى الأرض. يلعب عدد الساريات وتباعدها دوراً أيضاً، لكن بدرجة أقل ضمن النطاق المختبر. تبدو قوة الطين وسمك الطوف أقل بروزاً في الترتيب الإحصائي لأنهما مرتبطان ارتباطاً وثيقاً في البيانات المتاحة، وليس لأن لهما أهمية فيزيائية ضئيلة. بشكل عام، يتماشى ترتيب الميزات المؤثرة جيداً مع الحدس الهندسي الطويل الأمد حول كيفية تصرف الأساسات في الطين اللين.

ما يعنيه ذلك لتصاميم المستقبل

تُظهر العمل أن التعلم الآلي المُعد بعناية، وخاصة انحدار العمليات الغاوسيّة المدمج مع محاكاة مونت كارلو، يمكن أن يوفّر للمهندسين أداة عملية لتوقع مدى هبوط أطواف الساريات الدقيقة تحت أحمال مختلفة مع قياس عدم اليقين في تلك التنبؤات. حتى الآن، تظل النتائج أقوى في ظل ظروف مُسيطر عليها في المختبر وفي الاختبارات الميدانية المختارة، وتدعو الدراسة إلى مزيد من البيانات بالمقياس الكامل ونطاقات تربة أوسع. ومع ذلك، يوضح الإطار كيف يمكن للنماذج المستندة إلى البيانات والمعرفة الجيوتقنية التقليدية أن تعمل معاً لابتكار تصاميم أساسات أكثر أماناً وكفاءة على أراضٍ صعبة.

الاستشهاد: El Gendy, M. Data-driven prediction of micro-piled raft load–settlement using machine learning and Monte Carlo simulation. Sci Rep 16, 16180 (2026). https://doi.org/10.1038/s41598-026-54119-6

الكلمات المفتاحية: أساسات طوف بساريات دقيقة, التعلم الآلي, انحدار العمليات الغاوسيّة, سلوك الحمل-الهبوط, محاكاة مونت كارلو