אומדן היטטבות מתצרוכת נזילת קרקע ליסודות רדודים בעזרת למידת מכונה עם נתונים לא מאוזנים

מדוע קרקע רועדת חשובה לבניינים היומיומיים

כאשר רעידת אדמה חזקה פוגעת, קרקע שנראית מוצקה עלולה להתנהג זמנית כנוזל, ולגרום לבניינים לשקוע, להטות או לסדוק. תופעה זו, הקרויה נידוח (liquefaction), גרמה לנזק לבתים ולתשתיות ברעידות רבות לאחרונה, מטורקיה ועד יפן. מהנדסים יודעים שגם כמה עשרות סנטימטרים של שקיעה לא אחידה יכולים להפוך מבנה ללא בטוח או ללא שמיש. עם זאת, חיזוי כמה יישקע מבנה נתון בהתבסס על נתוני אתר מוגבלים נותר קשה. מחקר זה בוחן כיצד כלי למידת מכונה מודרניים יכולים להפוך היסטוריות מקריות מרעידות אדמה אמיתיות לכלי מעשי לצפייה בנזק הנגרם מנידוח ולהנחיית תכנון בטוח יותר, החלטות ביטוח ובדיקות לאחר אסון.

מדיווחים מפוזרים של מקרים למסד נתונים עולמי של רעידות אדמה

החוקרים התחילו באיסוף מאגר עולמי של 206 מבנים שחוו כשלי קרקע הקשורים לנידוח ברעידות עבר. עבור כל מקרה איגדו מידע פשוט שלרוב זמין בשדה: עוצמת הרעידה באתר, הגובה והרוחב הכוללים של המבנה, העומס שהמבנה מפעיל על יסודיו ותכונות מרכזיות של שכבות הקרקע מתחתיו — בייחוד עד כמה עמוק ממוקמת השכבה הראשונה שנוטה לנידוח וכמה היא עבה. במקום לנסות לחשב שקיעה מדויקת בסנטימטרים, הם קיבצו את התוצאות לארבע דרגות נזק, מהעדר שקיעה נראית ועד שקיעה והטיה נרחבות. "מדד כשלי קרקע" זה ממיר מדידות עמומות מהעולם האמיתי לקטגוריות ברורות שניתן להשתמש בהן לאימון ובחינת מודלי למידת מכונה.

להדריך מחשבים לזהות דפוסים מסוכנים בנתונים לא מאוזנים

רשומות רעידות אדמה אמיתיות רחוקות מלהיות מסודרות: סוגי נזק מסוימים נפוצים בעוד אחרים נדירים, ומשתני הקלט עלולים להכיל ערכים חריגים ורעש. במאגר זה, מקרי נזק חמורים היו שכיחים הרבה יותר ממקרי נזק מתון, ויצרו חוסר איזון חזק שיכול להטעות אלגוריתמים רבים ולגרום להם להתעלם מהמחלקה הנדירה. כדי להתמודד עם זה, המחברים שילבו בצורה שיטתית כמה אסטרטגיות. הם ניקו את הנתונים בעזרת שיטות סינון ערכים חריגים, ואז חקרו שתי גישות משלימות לטיפול באי-האימון: שכפול מלאכותי של מקרים מיעוט (oversampling אקראי) והענקת עלות גבוהה יותר לטעויות במחלקות נדירות (למידה רגישת-עלות). כדי להימנע מתוצאות אופטימיות מדי, כל שלבים אלה נארזו בתוך זרימת עבודה קפדנית "ללא דליפה", שבה נתוני המבחן נשארו מוחשית בלתי נראים במהלך אימון, כיוונון ודגימת-חזר (resampling) של המודלים.

אילו גורמים ומודלים לוכדים היטב את סיכון השקיעה?

נבחנו כמה מודלים נפוצים, כולל יערות אקראיים, שיטות gradient-boosting, רשת עצבית מלאכותית והאנסם הממוצע תחזיות ממספר מודלים. מאחר שדיוק כולל יכול לטשטש ביצועים ירודים על דרגות נזק נדירות אך חשובות, הצוות הדגיש את ה-recall — כמה מהמקרים החמורים באמת המודל מזהה נכון — כמטריקה מרכזית. Gradient Boosting והאנסם של מודלים מבוססי עץ עלו כאופציות האמינות ביותר, במיוחד בשילוב עם oversampling אקראי, טיפול זהיר בערכים חריגים וסף החלטה מכוונן היטב. כדי להבין למה המודלים "מתמקדים", המחברים השתמשו ב-SHAP, כלי שמפרק כל תחזית לתרומות ממאפיינים נפרדים. ניתוח זה הראה שהעומק לשכבה הראשונה שנוטה לנידוח היה הגורם המשפיע ביותר, ואחריו עוצמת הרעידה וגאומטריית היסוד הבסיסית כמו רוחב המבנה. במונחים פשוטים, שכבות רדודות שקל להן להידחות שמתחת ליסודות צרים נקשרו בעקביות לנזק החמור ביותר.

בדיקת הגישה על מקרי מבחן של רעידות אדמה אמיתיות

כדי לבדוק האם שיטותיהם יעבדו מחוץ לדגימת האימון, החוקרים החילו את המודלים הסופיים על ארבעה מקרי מבחן מפורטים מרעידות ידועות, כולל אירוע הלומה פריטה (Loma Prieta) ב-1989 בקליפורניה, רעידת קוקאלי ב-1999 בטורקיה, סידרת קוממוטו ב-2016 ביפן ורעידת קאהראמאנמרש ב-2023 בטורקיה. בדוגמאות אלה, הקלט היחיד היו הערכות פשוטות של עוצמת הרעידה, ממדי ועומסי המבנה, ועומק ועובי שכבות נוטות לנידוח מתוך בדיקות שדה. המודלים התאימו בדרך כלל לחומרת השקיעה שצפו בה, וזיהו נכון גם דרגות נזק קלים וגם נרחבים. במקרה אחד, המודל בחר בכוונה בשגיאה שמרנית והעריך דרגת נזק גבוהה יותר מזו שדווחה. המחברים טוענים שבמצבים בעלי סיכון גבוה כגון חוסן לסיסמאות, תחזיות שמרניות כאלה עדיפות על פני החמצת מבנים שנפגעו קשות.

סיוע מונע על בסיס נתונים לערים בטוחות יותר על קרקעות רכות

עבודה זו אינה מחליפה נוסחאות מבוססות-פיזיקה מסורתיות לחישוב שקיעה, שהן חיוניות כאשר זמינים תוצאות בדיקות קרקע מפורטות. במקום זאת, היא מציעה כלי משלים: דרך שקופה ומונחית-נתונים למיין מבנים לקטגוריות סיכון רחבות באמצעות סט קטן של פרמטרים הנאספים בשגרה. על ידי טיפול זהיר בנתונים לא מאוזנים, הימנעות מהטיות נסתרות בהערכה והבהרת אילו תכונות קרקע ומבנה חשובות ביותר, מסגרת למידת-ההמכונה המוצעת מספקת למהנדסים, מתכננים ומבטחים כלי אזהרה ראשוני מעשי. באזורים הבנויים על קרקע רכה רוויה במים, היא יכולה לסייע לקבוע עדיפויות אילו מבנים עלולים לסבול שקיעה והטיה מסוכנים כאשר רעידת האדמה הגדולה הבאה תתרחש.

ציטוט: Sargin, S., Korkmaz, G., Yildirim, A.K. et al. Estimation of liquefaction-induced settlement of shallow foundation by machine learning with imbalanced data. Sci Rep 16, 11198 (2026). https://doi.org/10.1038/s41598-026-41969-3

מילות מפתח: נידוח קרקע בנוזל, הנדסת רעידות אדמה, למידת מכונה, שקיעת מבנים, סיכון סיסמי