מודל רשת עצבית חוזרת עם זיכרון לטווח ארוך לזיהוי קצה העמוד בעזרת נתוני בדיקת יושׁרות עמודים גולמיים

בדיקות חכמות לעוגנים חבויים

מבנים רבים וגשרים נשענים על עמודי בטון ארוכים חבויים בקרקע, המכונים עמודים. מאחר שעמודים אלה קבורים, מהנדסים אינם יכולים פשוט להביט בהם כדי לבדוק האם נבנו כראוי או עד כמה הם מגיעים לעומק. המחקר הזה מראה כיצד מודל בינה מלאכותית יכול לקרוא רמזים עדינים מרעידות שמתקבלות במבחן פטיש פשוט ולזהות באופן אוטומטי את קצה העמוד — הנקודה שבה הוא מסתיים בקרקע — מה שהופך בדיקות חבויות אלה למהירות יותר, אמינות יותר ופחות תלויות בשיפוטו של מומחה יחיד.

איך מהנדסים "שומעים" עמודים קבורים

כדי לבדוק עמוד מבלי לחפור אותו, מהנדסים משתמשים בבדיקת יושׁרות בעוצמה נמוכה. עובד בוקע בראש העמוד עם פטיש קטן בזמן שחיישן מקליט כיצד העמוד רוטט. המכה שולחת גל מאמץ כלפי מטה; כשגל נפגש בשינוי — כמו קצה העמוד או פגם — הוא מוחזר. מכשיר נייד ממיר את הרעידות הללו לעקבה הנקראת רפלקטוגרמה, שמציגה כיצד האות משתנה עם הזמן או העומק. מהנדסים מנוסים בוחנים את העקבה הזו לצד מידע אתר ותקנים כגון ASTM D5882 וכללי היורוקוד כדי לשפוט האם העמוד שלם והיכן נמצא קצו. עם זאת, פרשנות זו עלולה להיות סובייקטיבית, גוזלת זמן ורגישה לרעש ולתנאי קרקע.

מדוע להכניס למידה עמוקה למשוואה

בשנים האחרונות חוקרים ניסו גישות בינה מלאכותית רבות כדי להבין נתוני בדיקות עמודים, מרשתות עצביות קלאסיות ועד שיטות מבוססות תמונה וממיינים אותות. גישות אלה לעיתים דורשות חילוץ תכונות ידני מהאותות המוקלטים או המרתם לתמונות, ועלולות להתקשות בלתפוס כיצד גלים מתפתחים לאורך הזמן בתוך העמוד. המחברים במאמר זה התמקדו במקום זאת במודלים שתוכננו במיוחד לרצפים: רשתות עצביות חוזרות עם זיכרון לטווח ארוך (RNN‑LSTM). רשתות אלה בנויות כדי "לזכור" מה קרה בעבר בסדרת זמן, מה שהופך אותן מתאימות למעקב אחרי גל המועבר על ידי פטיש כשזה נוסע, מוחזר ומדעך בתוך העמוד.

הפיכת מכות פטיש גולמיות לנתונים מטוהרים

הצוות אסף מאגר נתונים של 500 רישומי בדיקות בעוצמה נמוכה מתוך פרויקטים בבנייה במצרים שכללו עמודי בטון מקדוחים באורך 12 עד 30 מטר בשכבות קרקע. עבור כל עמוד היה להם מדידת התאוצה הגולמית לאורך זמן ורפלקטוגרמה מקבילה שנוצרה ופורשה במקור על ידי אנשים. הם דיגיטזו בזהירות את התרשימים הללו, המירו עומק לזמן באמצעות מהירויות גל ידועות ונורמליזו את הסקאלה האנכית כך שאותות מעמודים שונים יהיו ניתנים להשוואה. בצד החיישן הגולמי, הם השיתו רעש תדר גבוה, סטנדרטיזו אותות באמצעות סקאלה סטטיסטית חסינת סטיות, והשתמשו במילוי חכם ושינויים אקראיים קטנים כדי שהרשת הנוירונית תוכל לטפל ברצפים באורכים שונים מבלי לעוות את הדפוסים שלהם.

עיצוב ובחינת הרשת הנוירונית

נוסו מספר תצורות רשת, שבהן שונות מספר השכבות ו"הנוירונים" הווירטואליים במודל. החוקרים חיפשו איזון: דיוק חיזוי גבוה בלי עלייה חדה בעלות חישובית או נטייה לזכור בעל פה את נתוני האימון. הם מצאו שמודל LSTM בן שש שכבות עם 32 יחידות בכל שכבה השיג את הפשרה הזו. כדי לסייע למודל לעקוב אחרי חלקי האות החשובים הוסיפו קיצורי דרך בין שכבות ומנגנון תשומת לב שמאפשר לרשת להתרכז בתקופות זמן מפתח. לאחר אימון על 400 עמודים ואימות על 100 מקרים שלא נראו קודם, המודל הסופי שיחזר עקבות מהירות שנוצרו על ידי בני אדם בדיוק סטטיסטי גבוה, והראה התאמה חזקה בין האות החזוי לאות המודגטז.

מהמספרים להחלטות מעשיות לגבי העמוד

מעבר לסטטיסטיקה, השאלה המעשית העיקרית היא האם המודל מסוגל לסמן נכון את קצה העמוד. החוקרים בדקו ויזואלית כל רפלקטוגרמה חזויה והשוו את מיקום הקצה אל מול ההתייחסות המודגטזת. אם ההתאמה הייתה בתוך 5 אחוזים היא קיבלה דירוג "טוב"; עד 10 אחוזים — "סביר"; ומעבר לכך — "רע". בערכת האימון כ־90 אחוז מהעמודים היו "טובים" ורק 4 אחוז "רעים". בערכת האימות, 84 אחוז היו "טובים" ו־6 אחוז "רעים". תוצאות אלה מרמזות שהמערכת המבוססת על בינה מלאכותית יכולה לחקות פרשנות של מומחה בדייקנות מספקת כדי להיות שימושית בבדיקות יומיומיות, לפחות בטווחי אורכי העמודים, חוזקי הבטון וסוגי הבדיקות שעליהם היא אומנה.

מה המשמעות לכך מבחינת מבנים בטוחים יותר

במילים פשוטות, המחקר מראה שמודל למידה עמוקה מתוכנן היטב יכול לקחת את רישום הרטט הגולמי ממכה בפטיש על עמוד ולצייר באופן אוטומטי את אותו סוג עקומה שחולש היה מצייר כדי לאתר את קצה העמוד. זה מצמצם את מספר הצעדים הידניים ואת שגיאות האנוש, תוך שמירה על שיפוט סופי של איכות העמוד שקוף ומבוסס על תרשימים מוכרים. נכון לעכשיו, המודל חל רק על סוג חיישן מסוים ועל עמודים הדומים לאלה שבמחקר, אבל הוא מצביע לעתיד שבו בדיקות שגרתיות של עוגנים חבויים תהיינה מהירות יותר, עקביות יותר וקלה יותר ליישום באתרי בנייה עמוסים.

ציטוט: Samaan, R.M., Saafan, M.S.A., Mokhtar, A.A. et al. Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test. Sci Rep 16, 6348 (2026). https://doi.org/10.1038/s41598-026-36732-7

מילות מפתח: בדיקות יושׁרות עמודים, למידה עמוקה, רשת עצבית חוזרת, בדיקה בלתי־הרסנית, הנדסה אזרחית