רשת היברידית מבוססת מנגנון Transformer-GRU לחיזוי עקומות היסטרזיס של עמודי גשר: מחקר אינטרפרטבילי

מדוע בדיקות חכמות יותר של גשרים חשובות

חברות מודרניות תלויות ברשתות רחבות של גשרים לשמירה על תנועה זורמת של אנשים וסחורות. מבנים אלה נדרשים להתמודד בשקט עם תנועה, רוח ובמיוחד רעידות אדמה. מהנדסים משתמשים בסוג מיוחד של עקומה, שנקראת עקומת היסטרזיס, כדי לראות כיצד עמוד גשר מתכופף, מפשיט ומתאושש תחת רעידות חוזרות. באופן מסורתי, השגת עקומות אלה דרשה ניסויים מעבדתיים ממושכים או סימולציות ממוחשבות כבדות. המחקר הזה מציג גישה חדשה של בינה מלאכותית החוזה עקומות אלה במהירות ובדיוק, תוך שמירה על עקרונות בסיסיים של פיזיקה, ומציע צעד אפשרי קדימה לעיצוב וניטור גשרים בטוחים ויעילים יותר.

לצפות בתנועת גשר על הנייר

כאשר רעידת אדמה או רוח חזקה מנערים גשר, עמודיו אינם פשוט מתכופפים וקופצים חזרה כמו סרגלים אלסטיים מושלמים. במקום זאת, כל מחזור העמסה משאיר עקבה בצורת לולאה בגרף כוח לעומת הזזה. לולאות היסטרזיס אלה חושפות עד כמה העמוד יכול לספוג אנרגיה, עד כמה הנוקשות שלו דועכת עם נזק, וכמה נטייה פרמננטית עלולה להישאר. מאחר שהתנהגות כזו היא לא‑ליניארית מאוד, מהנדסים לאורך זמן הסתמכו על ניסויים מפורטים ומודלים נומריים מורכבים כדי לתאר אותה. אמנם עוצמתיים, שיטות אלה עלולות להיות איטיות ויקרות, מה שמקשה על ניתוח מהיר של גשרים רבים לאחר אסון או על הערכה שוטפת של תשתיות מזדקנות.

להוסיף פיזיקה ללמידת מכונה

התקדמות אחרונה בבינה מלאכותית אפשרה ללמוד התנהגויות מבניות מסובכות ישירות מהנתונים. עם זאת, מודלים מבוססי‑נתונים בלבד עלולים לפעול כקופסאות שחורות: הם עשויים להתאים היטב לתוצאות עבר אך להיכשל כאשר מתבקשים לחזות מבנים חדשים או תנאי עומס נדירים, ולעתים קרובות אינם מספקים תובנה מדוע ניתנה תחזית מסוימת. כדי להתמודד עם מגבלות אלה, המחברים תכננו מודל היברידי המשלב כלי עיבוד שפה פופולרי — ה‑Transformer — עם רשת סדרות זמן הנקראת GRU. באופן קריטי ארגנו את הקלטים והמתקנים כך שעקרונות מכניקה בסיסיים יהיו מובנים במודל: זרם אחד נושא פרטים גיאומטריים של העמוד (כגון סוג ותמורות החתך), זרם נוסף נושא חוזקי חומרים, וזרם שלישי נושא את העומסים המופעלים וחלקים מהלולאות ההיסטרזיס הקודמות.

כיצד המודל ההיברידי "מעניק תשומת לב"

בתוך המודל, מנגנון תשומת לב מרובה ראשים שעודכן משמש כמתאם בין גיאומטריה, חומרים ועומסים. במקום להתייחס לכל המספרים בקלט באותו האופן, הרשת משתמשת במפורש בתכונות הגיאומטריה כ"שאלה" (query), בתכונות החומר כ"מפתח" (key), ובנתוני העומס וההיסטוריה כ"ערך" (value). מבנה זה מעודד את המודל ללמוד דפוסים שמשקפים חשיבה מכנית פשוטה: צורת וגדלי העמוד וחוזק הבטון והפלדה קובעים את נוקשותו, בעוד הכוחות המופעלים והמחזורים הקודמים קובעים כיצד נוקשות זו דועכת. לאחר שהתשומת לב מזקקת את היחסים האלה, שכבת GRU ממשיכה לעקוב אחרי התפתחות תגובת העמוד ממחזור העמסה אחד למשנהו, ותופסת אפקטים הדומים לעייפות לאורך זמן.

אימון על הרבה בדיקות מהעולם האמיתי

כדי ללמד ולבדוק את המודל, החוקרים השתמשו ב‑207 בדיקות מחזוריות של עמודי בטון מזוין ממאגר הנתונים PEER Structural Performance Database. הם סיננו ומיינו בקפידה את מערך הנתונים העשיר הזה ל‑15 פרמטרי קלט המכסים גיאומטריה, פרטי חיזוק, חוזקי חומרים, רשומות עומס והיסטוריה מהלולאה הקודמת, בנוסף להיסט של היעד להזזה עבור הלולאה הנוכחית. כל לולאת היסטרזיס נמדדה מחדש לאורך משותף כדי שניתן יהיה להשוות בין בדיקות שונות בהוגנות. לאחר מכן הם השוו את הרשת ההיברידית מול מספר חלופות, כולל GRU פשוט, GRU דו‑כיווני ו‑GRU מבוסס תשומת לב, וכיוונו את כל המודלים באמצעות אותו נוהל אימון ואסטרטגיית אופטימיזציה.

דיוק, יעילות נתונים ותובנה

ה‑Transformer‑GRU המבוסס מנגנון עלה על כל המודלים להשוואה. ביחס למתחרה הטוב ביותר מבוסס‑תשומת לב‑GRU, התחזיות שלו הראו שיפור צנוע אך משמעותי במדד התאמה וצמצומים ניכרים בשגיאות הממוצעות והשיא. חשוב מזה, הוא שמר על ביצועים חזקים גם כאשר אומן על חלקים יחסית קטנים של הנתונים הזמינים — יתרון מרכזי בתחומים שבהם ניסויים באיכות גבוהה נדירים. המחברים גם בחנו כיצד שגיאות החיזוי מצטברות בעת חיזוי סדרות ארוכות של לולאות היסטרזיס, ומצאו שאסטרטגיית אימון ששומרת על הסדר הטבעי של הלולאות שומרת על צמיחת השגיאה תחת שליטה. כדי להציץ לתוך ה"קופסה השחורה" הם השתמשו בכלי אינטרפרטביליות מבוסס תורת המשחקים בשם SHAP. ניתוח זה הראה שבמודל החדש צורת החתך ותכונות גיאומטריות וחומריות אחרות משחקות תפקיד גדול יותר מאשר ב‑GRU הפשוט, בעוד שעדיין מייחסים משקל הולם להיסטוריית העומס — התנהגות התואמת את ציפיות ההנדסה.

מה המשמעות עבור גשרים אמיתיים

במלים פשוטות, המחקר מראה שמערכת בינה מלאכותית מתוכננת בקפידה יכולה ללמוד "לחשוב" על עמודי גשר באופן שמדמה עקרונות מכניקה מבניים בסיסיים, במקום רק לשנן נתונים. על‑ידי הטמעת גיאומטריה, חומרים ועומסים בלב המודל, המחברים יכולים לקבל תחזיות מהירות על אופן כיפוף ודהיית העמוד תחת רעידות חוזרות, עם דיוק המתאים לשימוש הנדסי וכלים להבהרת אילו כניסות חשובות ביותר. מודלים כאלה יכולים בסופו של דבר לסייע למהנדסים לסנן מלאי גדול של גשרים אחרי רעידות אדמה, לתכנן חיזוקים ביעילות רבה יותר ולהרחיב רעיונות דומים לעמודים במבנים ותשתיות אחרות.

ציטוט: Wang, J., Zeng, W. & Zhong, H. A mechanism-based hybrid Transformer-GRU network for bridge pier hysteresis curves prediction: an interpretable research. Sci Rep 16, 4961 (2026). https://doi.org/10.1038/s41598-026-35626-y

מילות מפתח: ביצועי גשרים ברעידות אדמה, עקומות היסטרזיס, בינה מלאכותית מודעת פיזיקה, מודל Transformer-GRU, ניטור בריאות מבנית