חיזוי הזזות קצות העומקי והמשטח הקרקעי סביב עמודי יסוד על בסיס אלגוריתמים של למידת מכונה

למה תזוזות זעירות בתת־הקרקע חשובות

כשבונים קווי מטרו חדשים או גשרים עיליים, דוחפים לאדמה אלפי עמודי בטון עמוקים כדי לתמוך במבנים. הדחיסה הזו של הקרקע שמסביב יכולה להזיז עמודים, כבישים, בניינים וצינורות קבורים בסמוך רק במילימטרים ספורים — אך אפילו תנועות קטנות כאלה יכולות לסדוק בטון או לעוות קווי שירות. המחקר שעומד מאחורי מאמר זה חוקר כיצד כלים מודרניים של למידת מכונה יכולים לחזות תזוזות תת־קרקעיות אלה במדויק יותר מנוסחאות מסורתיות, וכך לסייע למהנדסים לתכנן יסודות בטוחים יותר בערים צפופות.

איך דחיפת בטון משנה את מבנה הקרקע

במהלך הבנייה דוחפים עמודי בטון חלולים וארוכים לתוך קרקע רכה במקום להרותם, שיטה מקובלת בפרויקטים עירוניים כגון קו 1 במטרו בבוגוטה, קולומביה. כשדוחפים כל עמוד, הקרקע חייבת לזוז למקום כלשהו: היא נדחסת לצדדים ולמעלה, ולוחצת על עמודים שכנים ועל פני השטח. במקרים חמורים זה עלול לגרום לשבירת עמודים, התנפחות כבישים או נזק לצינורות סמוכים שעשויים להימצא רק כמה עשרות סנטימטרים משם. מהנדסים השתמשו זמן רב בתיאוריות מפושטות המטפלות בכל עמוד כגליל מתרחב בקרקע כדי להעריך השפעות אלה, אך שיטות אלה מתקשות ללכוד את המצב המסובך של קרקעות מרובדות, פריסות עמודים מורכבות ורצפי בנייה.

מלמדים מחשבים לקרוא את תגובת הקרקע

החוקרים פנו ללמידת מכונה, ענף בבינה מלאכותית שבו מחשבים לומדים דפוסים מתוך נתונים במקום להסתמך רק על משוואות כתובות־יד. הם אספו מאות מדידות של הזזה אופקית בקצות העמודים ובנקודות ניטור סביבם מפרויקט בוגוטה. עבור כל מדידה הם גם רישמו סט של גורמים משפיעים, כולל מידת הלחות והצפיפות של הקרקע, החוזק שלה, המרחק מנקודת המדידה למרכז קבוצת העמודים, הזווית סביב הקבוצה שבה היא נמצאת וכמה זמן חלף מאז הפסקת הדחיפה ועד שהקרקע הספיקה להתייצב.

מושיבים מכונות למידה שונות למבחן

השוו מספר סוגי אלגוריתמים. רשת עצבית קלאסית הידועה כרשת שפה לאחור (back‑propagation, BP) שימשה כבסיס. הצוות חיזק אותה באמצעות שיטה הנקראת AdaBoost, המשלבת רבים מנבאים חלשים ל"וועדה" מדויקת יותר, ויצרו מודל AdaBoost‑BP. הם גם בחנו רשתות עצביות עמוקות עם שכבות נסתרות מרובות, יערות אקראיים המורכבים מעצי החלטה רבים, ושיטת עצים מועצמת פופולרית בשם XGBoost. כל המודלים כוונו ונבדקו באמצעות תיקוף צולב (cross‑validation), פרוצדורה שמאמנת שוב ושוב על חלק מהנתונים ובודקת על היתר כדי למנוע התאמה יתרה. הן בערכות נתונים קטנות והן בגדולות, המודלים המועצמים ואלו של הלמידה העמוקה הביצעו בבירור טוב יותר מרשת ה‑BP הבסיסית, כאשר רשתות עצביות עמוקות במיוחד התאימו הרבה יותר לצמוד למדידות מהשטח.

מה באמת שולט בתנועת הקרקע

עם מודלים מדויקים בידי החוקרים בחנו אילו גורמים הם החשובים ביותר. באמצעות ניתוח SHAP, טכניקה שמסבירה מודלים מורכבים על ידי שיוך תרומה לכל קלט לחיזוי, הם מצאו כי הגאומטריה הפשוטה שולטת: המרחק האופקי ממרכז קבוצת העמודים והכיוון סביבו הם הגורמים המובילים להזזה. נקודות הקרובות יותר למרכז נוטות לזוז יותר, ותבניות התנועה משתנות סביב הקשת כיוון ששורות העמודים אינן סימטריות לחלוטין. הזמן שחלף מאז סיום הדחיפה גם משחק תפקיד מרכזי, ומשקף התאמה איטית וזחילה של הקרקע. מבין תכונות הקרקע, תכולת המים, הצפיפות היחסית וזווית החיכוך הפנימית (מדד הקשור לאופן שבו הגרעינים ננעלים זה בזה) משפיעים ביותר, בעוד פרמטרים אחרים כגון דביקות ומשקל יחידה כללי חשובים פחות.

כלים חדשים לבנייה תת־קרקעית בטוחה יותר

בהשוואת התחזיות הנתוני־מונעות שלהם לתיאוריה המסורתית של התרחבות גלילית, המחברים הראו שמודלים של למידת מכונה, ובמיוחד רשתות עצביות עמוקות, יכולים לחזות הזזות אופקיות בקצות העמודים ובנקודות על פני השטח בדיוק רב בהרבה. לפרויקטים עתידיים — כגון קווי מטרו נוספים — הגישה יכולה לשמש במהלך התכנון כדי לבדוק פריסות עמודים שונות, מרווחים ורצפי בנייה על מחשב לפני כל הפרעה לקרקע, ובכך להפחית סיכונים לבניינים ולצינורות סמוכים. בקצרה, על ידי כך שמחשבים לומדים ישירות ממדידות שטח מפורטות, מהנדסים מקבלים תמונה חדה יותר של תגובת הקרקע, מה שמקל על שמירת התשתיות העירוניות החיוניות יציבות ושלמות.

ציטוט: Li, P., Guo, S., Liang, M. et al. Prediction of the displacements of the pile tops and ground surface around piles based on machine learning algorithms. Sci Rep 16, 6057 (2026). https://doi.org/10.1038/s41598-026-36502-5

מילות מפתח: יסודות עמודים, הזזת קרקע, למידת מכונה, תשתיות תת־קרקעיות, בנייה של מטרו