טכניקת ממלא מקום מבוססת XGBoost לניתוח אמינות של יסוד מעל חלל תת‑קרקעי בסיוע בוטסטרפינג

למה חורים נסתרים מתחת לבניינים חשובים

ערים נבנות יותר ויותר מעל מכרות ישנים, מנהרות וחללים תת‑קרקעיים אחרים. חללים נסתרים אלה עלולים להחליש בהדרגה את הקרקע, לגרום לנטיית בניינים, לסדקים ואפילו לכשל מוחלט. מהנדסים מנסים לתכנן יסודות שישמרו על בטיחות על אף סיכונים כאלה, אך שיטות מסורתיות לבדיקת בטיחות תחת מגוון רב של תנאים אפשריים עלולות לקחת זמן רב מאד. מחקר זה מראה כיצד כלים מודרניים של למידת מכונה יכולים להאיץ את הבדיקות הללו ולהפוך אותן לריאליסטיות יותר, ובכך לסייע בהגנה על מבנים הבנויים מעל חללים תת‑קרקעיים.

יסודות מעל סיכוני קרקע נסתרים

היסוד של בניין חייב לבצע שני תפקידים עיקריים: לא לפרוץ דרך הקרקע (קיבולת נשיאה), ולא לשקוע או להטות מדי (שקיעה). חללים מתחת לפני הקרקע — שנוצרו על ידי כריה, חפירה או תהליכים טבעיים — מקשים על שני התפקידים האלה. הקרקע עלולה להזיז או לקרוס אל תוך החלל, ולהפחית את התמיכה ביסוד לאורך זמן. בתכנון מסורתי מסתמכים לעתים קרובות על "גורם בטיחות" יחיד, שמשווה בין חוזק מערכת היסוד כפי שהוא נראה לבין מה שנדרש. אולם קרקעות משתנות ממקום למקום ובהתאם לזמן, ולכן גורם בטיחות יחיד יכול להסתיר סיכונים משמעותיים.

ממחיש כבד לחלופה חכמה

כדי לחקור סיכונים אלה כראוי, מהנדסים היינו מריצים אלפי סימולציות מפורטות שמשנות את חוזק הקרקע, צורת החלל וגורמים נוספים. בפועל זה איטי מדי. המחברים יצרו במקום זאת מאגר נתונים גדול של 272 סימולציות איכותיות של יסוד פסי מעל חלל עגול באמצעות תוכנה גאוטכנית ייעודית. הם אילפו מודל של למידת מכונה בשם XGBoost לחקות את הסימולציות האלו, ולחזות הן את קיבולת הנשיאה והן את השקיעה מתוך קלטים כגון משקל הקרקע, דביקות, זווית חיכוך, עומק החלל וקשיחות. מודל הממלא מקום שיחזר את הסימולציות המפורטות בדיוק גבוה, במיוחד עבור קיבולת הנשיאה, כלומר הוא יכול לשמש כתחליף מהיר לחישובים היקרים יותר.

להבין נתונים מבולגנים ואי‑וודאות

נתונים גאוטכניים אמיתיים נדירים מיושרים היטב עם הנחות סטטיסטיות פשוטות — הם עלולים להיות מוטים, להכיל פסגות מרובות ולהציג פיזור רחב. המחברים בדקו באופן שיטתי רבות מהטרנספורמציות המתמטיות כדי לגרום לערכי קיבולת הנשיאה והשקיעה החזויים שלהם להתנהג יותר כמו עקומות פעמון אידיאליות. אף אחת מהן לא עבדה באופן מושלם לבדה. הם מצאו את האיזון הטוב ביותר על‑ידי יישום טרנספורמציה לוגריתמית ראשונית ואז שימוש בטכניקה הנקראת בוטסטרפינג, שמדגימה מחדש את הנתונים מספר פעמים כדי לבנות התפלגות אמפירית. השילוב הזה איפשר להם לתאר את חוסר הוודאות באופן חסון מבלי לכפות על הנתונים צורה לא מציאותית.

חישוב סיכוני כשל היום ובעתיד

בעזרת מודל הממלא מקום ועם טיפול משופר בנתונים, הצוות השתמש בדימוי מונטה קרלו כדי לאמוד כמה לעתים יסודות ייכשלו לפי שני קריטריונים: אובדן קיבולת נשיאה ושקיעה מופרזת. הם מצאו כי גבול השקיעה היה כרוך בסיכון חמור יותר מאשר קיבולת הנשיאה, והגדיל את הסתברות הכשל בכמעט 30 אחוז כאשר נבחן לעצמו. כאשר שני הקריטריונים שולבו לתצפית מערכתית — שבה הכשל מתרחש אם אחד מהם מופר — הסיכוי הכולל לכשל גדל אף יותר, ביותר מ‑50 אחוז לעומת התמקדות בקיבולת הנשיאה בלבד. המחקר גם חקר כיצד הבטיחות עלולה להדרדר במשך עשורים על‑ידי הפחתה מתמשכת של קיבולת הנשיאה והגדלה צפויה של השקיעה. תחת מגמות אלו, מדדי האמינות ירדו בהדרגה, והתקרבו לרמת סיכון של 50/50 לאחר כעשור של מאה שנים.

מה משמעות הדבר לתכנון בנייה בטוח יותר

עבור לא‑מומחים, המסר המרכזי הוא כי אי אפשר לשפוט באופן אמין את בטיחותו של מבנה הבנוי מעל חללים תת‑קרקעיים על‑ידי גורם בטיחות יחיד או על‑ידי בדיקה של מצב כשל אחד בלבד. בשילוב מודל ממלא מקום מאומן היטב עם טיפול סטטיסטי זהיר וסימולציית מונטה קרלו, מהנדסים יכולים לחקור במהירות אלפי תרחישי "מה אם", ולחשב אי‑ודאות בחוזקי קרקע, גיאומטריית החללים ושינויים תלויי זמן. גישה זו חושפת ששקיעה והתנהגות ברמת המערכת יכולים לשלוט בסיכון, גם כאשר קיבולת הנשיאה נראית מספקת. במובן מעשי, המסגרת מספקת דרך מהירה וריאליסטית לזהות יסודות שנראים בטוחים על הנייר אך עלולים להפוך לפגיעים כאשר הקרקע מתפתחת מתחתיהם.

ציטוט: Shubham , K., Metya, S., Sinha, A.K. et al. XGBoost based surrogate technique for system reliability analysis of foundation over cavity aided with bootstrapping. Sci Rep 16, 7113 (2026). https://doi.org/10.1038/s41598-026-37058-0

מילות מפתח: אמינות יסוד, חללים תת‑קרקעיים, למידת מכונה, דימוי מונטה קרלו, הנדסה גאוטכנית