שיטה מבוססת למידת מכונה לקביעת פרמטרים אזוריים של מודל HSS: מחקר מקרה של צ’ינגדאו, סין

מדוע חפירות עירוניות זקוקות לכלים חכמים יותר

כאשר מהנדסים חופרים בורות עמוקים למרתפים, תחנות רכבת תחתית או חניונים תת‑קרקעיים בערים צפופות, אפילו כמה מילימטרים של תזוזת קרקע בלתי צפויה עלולים לגרום לסדקים בבניינים סמוכים או לנזק לצינורות קבורים. כדי לשמור על בטיחות האנשים והתשתיות, מהנדסים מסתמכים על מודלים ממוחשבים שמנבאים כיצד הקרקע תעוות במהלך החפירה. מאמר זה מראה כיצד למידת מכונה יכולה לצמצם באופן חמור את הזמן והעלויות הנדרשים לכוונון אחד המודלים המתקדמים של התנהגות הקרקע עבור עיר חופית בסין, ועדיין להתאים במדויק למדידות בעולם האמיתי.

כיצד מהנדסים נוהגים להעריך את תנועת הקרקע

אתרי בנייה מודרניים משתמשים לעתים קרובות בשיטת האיבר הסופי, טכניקה נומרית החולקת את הקרקע ואת המבנים התומכים לאלמנטים זעירים ומחשבת כיצד כל אחד מעוות כאשר העומסים משתנים. כדי שהשיטה תעבוד היטב נדרשת תיאוריות מדויקות של התנהגות הקרקע, במיוחד בבורות עמוקים מוקפים בנייני רב‑קומות ותשתיות תת‑קרקעיות. אפשרות מוערכת היטב היא מודל “hardening soil small‑strain” (HSS), המייצג כיצד קשיחות הקרקע משתנה עם היסטוריית הלחץ ועם עיוותים זעירים. עם זאת, למודל זה נדרש מספר גדול של פרמטרי קלט, וחלקם משתנים במידה רבה ממקום למקום. באופן מסורתי, מקבלים את הפרמטרים האלה באמצעות ניסויים מעבדתיים ייעודיים על דגימות קרקע, שהם יקרים וגוזלי זמן. כתוצאה מכך, המודלים המדויקים ביותר לעתים קרובות לא ממומשים בפרויקטים שגרתיים.

זיהוי אילו נתוני קרקע אכן חשובים

המחברים תחילה עברו על נתוני ניסוי שפורסמו מכמה ערים סיניות כדי להבין אילו פרמטרים של המודל המתקדם באמת קובעים כיצד בור עמוק יתעוות. הם השוו ערכי קשיחות מרכזיים לכמות מוכרת יותר, מודול הדחיסה, ובחנו את היחסים הללו עבור סוגי קרקע נפוצים כגון מילוי רגיל, חרסית סילטית וחול בינוני‑דק. שני מדדי קשיחות הקשורים להתנהגות דחיסה שגרתית ניבאו יחס קרוב לאחד‑לאחד עם מודול הדחיסה והראו רגישות נמוכה לתנועת הבור. לעומת זאת, שני מדדי קשיחות אחרים — אחד הקשור להתכווצות הקרקע לאחר הסרת עומס, ואחד הקשור להתנהגות במעגלי עיוות זעירים — השתנו רבות בין אזורים והיו בעלי השפעה חזקה על ההעתקות החזויות. תובנה זו אפשרה לצוות להתייחס לחלק מהפרמטרים כאל קבועים במידה רבה תוך מיקוד תשומת הלב במספר מועט של פרמטרים שאכן מכתיבים את העיוות המקומי.

לימוד רשת עצבית “לקרוא” את התנהגות הבור

במלאי ידע זה השתמשו החוקרים בבור יסודות עמוק בצ’ינגדאו כמגרש אימונים. הקרקעות באתר כללו מילוי רגיל, חרסית סילטית וחול בינוני‑דק הנחים על גרניט מתפורר. הם תכננו מערך שיטתי של שילובי פרמטרים עבור שני ערכי הקשיחות הרגישים בכל שכבת קרקע והריצו סדרת סימולציות תלת‑ממדיות של החפירה. עבור כל שילוב הם רשמו עד כמה קירות התמך התעקמו וכמה פני השטח שקעו בנקודות ניטור נבחרות. צמדי הקלט‑פלט האלה יצרו מערך נתונים לאימון רשת עצבית בהחזרת שגיאה (back‑propagation), מודל למידת מכונה פשוט שלמד לקשר סיבות להשפעות. לאחר האימון יכלה הרשת לקבל מספר תנועות מדודות של הקיר והקרקע מהאתר האמיתי ולהסיק במהירות אילו פרמטרי קשיחות קרקע סביר שהם יצרו אותן.

בדיקת השיטה על פרויקטים בנייה אמיתיים

כדי לבחון האם ה"בלש הקרקעות" הווירטואלי מהימן, היישמו המחברים את ערכי הקשיחות שהוסקו על שני פרויקטים עצמתיים עצמאיים בצ’ינגדאו שבהם נעשה שימוש בתמיכות עמודים ועוגנים. הם בנו מודלים נומריים עם הפרמטרים החדשים והשוו את סטיית הקירות והישבויות פני השטח החזויות לנתוני ניטור שדה שנאספו במהלך הבנייה. ההבדלים היו מרשיתם קטנים: שגיאות ממוצעות מוחלטות אופייניות היו מתחת לחצי מילימטר, ושגיאות השורש‑ממוצע הריבועי היו דומות בקוטנן. במילים אחרות, הסימולציות שחזתו את התנהגות הבורות שיחזרו במדויק את ההתנהגות הנצפית ברמה של דיוק העולה על הדרישות לבדיקות בטיחות והמחשת עיצוב.

מה משמעות הדבר לבנייה תת‑קרקעית בטוחה וזולה יותר

עבור קהל שאינו מומחה, המסר המרכזי הוא שהמחקר מראה כיצד כמות צנועה של ניטור אתרי, בשילוב עם סימולציות מתוכננות בקפידה ורשת עצבית, יכולה להחליף סבבי ניסויי מעבדה יקרים רבים. על‑ידי בידוד מספר תכונות קרקע שחושבות כחשובות ביותר ומתן למידת מכונה לכוונן אותן כדי להתאים לעיוותים הממשיים, מהנדסים יכולים להשתמש במודלים קרקעיים מתוחכמים יותר ללא מאמץ יקר מנופח. עבור סוגי הקרקעות הטיפוסיים של צ’ינגדאו, המחברים אף מספקים יחסים מוכנים לשימוש בין פרמטרי הקשיחות הרגישים ומדדי דחיסה סטנדרטיים, מה שמעניק למתכננים קיצור דרך מעשי. באופן רחב יותר, הגישה מצביעה על עתיד שבו בנייה תת‑קרקעית מונחת על ידי מודלים מקוריים ומכוווני‑מקום הנתמכים בנתונים, המשפרים מרווחי בטיחות תוך שמירה על עלויות ולוחות זמנים תחת שליטה.

ציטוט: Yuan, C., Zhang, Q., Feng, H. et al. Machine learning-based method for determining regional parameters of the HSS model: a case study of Qingdao, China. Sci Rep 16, 13124 (2026). https://doi.org/10.1038/s41598-026-43150-2

מילות מפתח: חפירה עמוקה, מודל אדמה, למידת מכונה, רשתות עצביות, עיוות קרקע