שיפור תחזית קיבולת נשיאת־הקצה של עמודים מעוגני סלע באמצעות מודלים של XGBoost משופרים בהוספת רעש גאוסיאני

לבנות על סלע במקום על השערות

כשמהנדסים מתכננים גשרים ובנייני מגדלים, הם לעתים קרובות מסתמכים על יסודות עמוקים שנמתחים לתוך סלע מוצק. כוחם של ה"עמודים המעוגני סלע" הללו קריטי לבטיחות ולחיסכון בעלויות, אך הקיבולת האמיתית שלהם בקצה קשה למדידה ישירה. במחקר זה מוצג כיצד כלי למידת מכונה מודרניים, בשילוב עם טריקים חכמים ליצירת נתונים, יכולים לספק להנדסאים הערכות חדות הרבה יותר לגבי כמה עומס היסודות העמוקים הללו יכולים לשאת בבטחה — דבר שעשוי לחסוך בעלויות בנייה תוך שמירה על יציבות המבנים.

מדוע קשה להעריך יסודות עמוקים

עמודים מעוגני סלע הם עמודי בטון גדולים שנקדחים דרך קרקע חלשה ומעוגנים לתוך סלע חזק יותר. בתיאוריה, ככל שהסלע קשה יותר והבנייה טובה יותר, כך יוכל העמוד לתמוך ביותר משקל בקצהו. במציאות הדברים מסובכים: בוץ וסילורג' עשויים להצטבר בתחתית החור, החספוס וצורת המושב משתנים, וחסרי־מנעד או סדקים מוסתרים בסלע קשים לגילוי. בגלל אי־ודאויות אלו, המתכננים נוטים לשמור על זהירות קיצונית ולהניח תמיכה מועטה או ללא תמיכה מצד קצה העמוד, מה שמוביל ליסודות ארוכים ויקרים יותר ממה שנדרש בפועל.

מפשט נוסחאות לחיזויים חכמים יותר

שיטות עבר לאמוד קיבולת עמוד התבססו על משוואות מפושטות או מודלים חישוביים מסורתיים. אלה בדרך כלל מתמקדים בכמה תכונות בודדות — כגון חוזק לחיצה של הסלע — ומתייחסים למאגר הסלע באופן אידיאליזרי. בשנים האחרונות החל שימוש בטכניקות בינה מלאכותית הלומדות ישירות ממאגרים של בדיקות עומס, שבהן דחפו עמודים עד שנקבעה התנהגותם. שיטות אלה ידעו לשקלל קלטים רבים בו־זמנית, כולל קוטר העמוד, עומקים בקרקע ובסלע ומדדי איכות הסלע, אך הן גם "תיבות שחורות" שעלולות להיפגע מהתאמת־יתר כאשר הנתונים מוגבלים.

להאכיל את האלגוריתם בנתונים אמיתיים וסינתטיים

המחברים בנו על מערך מפורסם של 151 בדיקות עמודים מעוגני סלע שתיעדו את גורם נשיאת־הקצה (מדד לכמה עומס הקצה יכול לשאת) יחד עם שמונה תכונות תיאוריות. לאחר ניקוי זהיר של הנתונים להסרת חריגים וחסרים, שמרו על 136 עמודים אמיתיים. כדי לגבור על גודל הדגימה הקטן — בעיה שכיחה בהנדסה גאוטכנית — יצרו בהמשך נתונים "סינתטיים" נוספים על ידי הוספת רעש גאוסיאני עדין אקראי לרשומות הקיימות. כך נוצר מאגר גדול יותר ועקבי סטטיסטית של 460 עמודים ששמר על התבניות המקוריות תוך מתן מגוון רחב יותר לאימון מודלים של למידת מכונה.

אימון וכיוונון המכונות הלומדות

הצוות התרכז באלגוריתם שנקרא Extreme Gradient Boosting, או XGBoost, שמאגד עצי החלטה פשוטים רבים למנבא חזק. כדי להפיק ביצועים מיטביים מ‑XGBoost, שילבו אותו עם שלוש שיטות אופטימיזציה בהשראת הטבע המבוססות על חוקים אריתמטיים, התנהגות חשיבתית ודפוסי ציד של לווייתנים. ממטבים אלה כיוונו אוטומטית פרמטרים מרכזיים — כגון עומק העצים וקצב הלמידה — כדי למצוא איזון בין התאמה טובה לנתונים הידועים והימנעות מהתאמת־יתר. בין הווריאנטים, המודל של XGBoost שמכוון על ידי אלגוריתם האופטימיזציה האריתמטית (XGBoost_AOA) בלט כמדויק ויציב ביותר.

מה המודלים למדו על סלע ועמודים

כשאימנו על 136 העמודים המקוריים בלבד, המודל המכוון כבר עלה על שיטות קודמות. כאשר אומן על מאגר מורחב של 460 עמודים, דיוקו השתפר משמעותית: שגיאות החיזוי הצטמצמו לשבר מהן שהיו בעבר, וההתאמה בין הקיבולות החזויות לנמדדות התקרבה מאוד לקו אידיאלי של אחד־על־אחד. הניתוח גם חשף אילו קלטים חשובים ביותר. חוזק לחיצה של הסלע ודירוג מאסע הסלע (rock‑mass rating) היו החזאים הדומיננטיים, בעוד שקוטר העמוד ורמת העומס הכללית גם הם תרמו משמעותית. מדדים שיש להם קורלציה גבוהה זה עם זה, כמו שני ציוני איכות סלע שונים, נמצאו כחוזרים ורדונדנטיים במידה רבה, מה שמראה כיצד מידע חופף עלול לעודד התאמת־יתר אם לא מטפלים בו בקפידה.

מקוד מחקרי לכלי מעשי

כדי להפוך את התוצאות לשימושיות מחוץ למעבדה, עטפו המחברים את המודל הביצועים הטוב ביותר בממשק מחשב נוח לשימוש. מהנדסים יכולים להזין פרמטרים בסיסיים של עמוד וסלע ולקבל הערכה מיידית של קיבולת הקצה, יחד עם ראיות שהמודל נבדק מול היסטוריות מקרה בלתי־תלויות. בעוד שהשיטה עדיין תלויה באיכות ובטווח הנתונים הבסיסיים, היא ממחישה כיצד שילוב של למידת מכונה, יצירת נתונים סינתטיים וכלי פרשנות יכול להפוך תוצאות בדיקה מפוזרות לסיוע תכנוני מעשי — מקטין השערות, חותך שמרנות מיותרת ומאפשר תכנון יסודות בטוח ושכלתי יותר.

ציטוט: Khatti, J., Fissha, Y. & Cheepurupalli, N. Improving end-bearing capacity prediction of rock-socketed shafts using Gaussian-augmented optimized extreme gradient boosting models. Sci Rep 16, 7664 (2026). https://doi.org/10.1038/s41598-026-38646-w

מילות מפתח: עמודים מעוגני סלע, יסודות עמוקים, למידת מכונה, הגדלת מאגרי נתונים, הנדסה גאוטכנית