Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

מסגרת למידת מכונה מאורגנת לשכבה אופטימלית בסגנון פרטו לחיזוי קיבולת נשיאה של עמודי יסוד מונחים מנתוני מבחן עומס סטטי

· חזרה לאינדקס

מדוע יסודות חזקים חשובים

כל מבנה — בניין, גשר או טורבינת רוח — נשען בסופו של דבר על מה שמתחתיו. מתחת לפני הקרקע, עמודי בטון ארוכים שנקראים עמודים נושאים את משקל המבנה אל שכבות קרקע או סלע יציבים. אם מהנדסים מעריכים פחות מדי את כמות העומס שהעמודים יכולים לשאת בבטחה, התוצאה עלולה להיות שקיעה, סדיקות ואף כשל. אם מעריכים יותר מדי, הפרויקט נהיה יקר ללא צורך. המחקר הזה בוחן כיצד כלים מודרניים של למידת מכונה יכולים להפוך מבחני שטח שגרתיים לחיזויים מדויקים יותר של חוזק העמודים, וכך לסייע להפוך בנייה לבטוחה וכלכלית יותר.

מכללים פשוטים לתובנות מונחות-נתונים

בדרך-כלל מהנדסים הסתמכו על נוסחאות, ניסויים בקנה מידה קטן וסימולציות מספריות כדי להעריך את קיבולת הנשיאה של עמודים מנופחים. שיטות אלו עובדות באופן סביר, אך מתקשות מול המציאות המסובכת של שכבות קרקע, מי תהום והשפעות ההתקנה. מבחן שטח שנקרא מבחן עומס סטטי נחשב לסטנדרט הזהב: העמוד נלחץ בשלבים בעוד מודד את השקיעה שלו. עם זאת, גישה זו איטית, יקרה וקשה לשכפול במקומות רבים. במקביל, בפרקטיקה הגאוטכנית נאסף לעיתים קרובות נתון פשוט ממבחן החדירה הסטנדרטי (SPT), שנותן מדד גס לעמידות הקרקע בעומק. הרעיון המרכזי במאמר הוא להשתמש בלמידת מכונה כדי לקשר בין תוצאות SPT הנפוצות הללו, יחד עם גיאומטריה של העמוד ופרטי האתר, ישירות לתוצאות מבחן עומס איכותיות.

Figure 1
Figure 1.

בניית מנוע חיזוי חכם יותר

המחברים ריכזו מאגר נתונים של 472 מבחני עומס סטטיים על עמודי חשוף-בתחום מזוין במחשה וייטנאמית שבה תועדו תנאי קרקע מגוונים אך מסמכים באופן שיטתי. לכל מבחן נרשמו קוטר העמוד, עובי של מספר שכבות קרקע, גבהים של הקרקע והעמוד, עומק קצה העמוד וממוצעי ספירות ה-SPT לאורך גזע העמוד ובקצה. הקלטים הללו משקפים הן את גודל העמוד והן את חוזק הקרקע שמסביב — שביחד קובעים כמה עומס העמוד יכול לשאת. המטרה הייתה לאמן מודל אשר, בהינתן קלטים אלה לאתר חדש, יפיק הערכה מהימנה של קיבולת הנשיאה הצירית של העמוד מבלי להזדקק למבחן עומס בקנה מידה מלא.

שילוב מספר שיטות למודל אחד

במקום להסתמך על אלגוריתם יחיד, המחקר משתמש באנסמבל "שכבות": שלושה מודלים של למידת מכונה — יער אקראי, k-שכנים הקרובים ו-Extreme Gradient Boosting — מאומנים במקביל והחיזויים שלהם משולבים באמצעות מודל ברמה השנייה. המטא-מודל מכויל באמצעות חיפוש מולטי-מטרי בהשראת אסטרטגיות אבולוציה, הידוע כאופטימיזציה בפרטו. האופטימיזציה מאזנת בין מטרות מנוגדות: מקסום הדיוק על נתונים לא נראים תוך הימנעות מאוברפיטינג. דרך בדיקות חוזרות וולידציה צולבת בחמש קפלים, השילוב הטוב ביותר השיג מקדם דטרמינציה (מדד למידת התאמה בין תחזיות למציאות) של כ-0.95 על סט המבחן, לצד ירידה משמעותית בשגיאה בהשוואה לכל מודל יחיד.

להביט בתוך הקופסה השחורה

כדי להפוך את המערכת לשימושית בפועל, מהנדסים צריכים להבין מה מניע את החיזויים שלה. לכן המחברים השתמשו בכלי פירוש מודרניים, ובפרט SHAP (Shapley Additive ExPlanations), ניתוח רגישות וסריקות פרמטרים פשוטות. כלים אלה חשפו שקוטר העמוד הוא הגורם המשפיע ביותר בודד, כאשר שינויים בקוטר משנים באופן חזק את הקיבולת החזויה. תכונות הקרקע גם משחקות תפקיד מרכזי: ממוצעי ספירות ה-SPT לאורך גזע העמוד ובקצה בולטים כתרומות עיקריות, ומשקפים את חשיבות החיכוך הצדדי והנשיאה בקצה. עובי השכבות העליונות של הקרקע חשוב אף הוא, בעוד שלחלק מהמשתנים הקשורים לגבהים יש השפעה שולית בלבד. כאשר קלטי המודל משתנים באופן פיזיקלי משמעותי — למשל הגדלת קוטר העמוד או מיקום הקצה בקרקע צפופה יותר — הקיבולות החזויות מגיבות בהתאם לעקרונות גאוטכניים בסיסיים, מה שמרמז שהמודל לומד דפוסים הגיוניים ולא מקריים.

Figure 2
Figure 2.

כיצד זה מסייע לפרויקטים במציאות

על-ידי שילוב זהיר של מספר שיטות למידת מכונה ואופטימיזציה מולטי-מטרית, עבודה זו מספקת כלי חיזוי שהוא גם מדויק וגם ניתן לפירוש. באתרי בעל אותם מאפייני גאולוגיה ונוהלי בדיקה כמו שבמחקר, מהנדסים יוכלו להשתמש בנתוני SPT סטנדרטיים ובפרמטרי תכנון כדי לקבל הערכות אמינות של קיבולת העמוד, לצמצם את מספר מבחני העומס היקרים ולמקד טוב יותר את מרווחי הבטיחות. המחברים מזהירים כי הנתונים שלהם מקורם באזור יחיד וכי השפעות לטווח ארוך וחלק מפרטי ההתקנה אינם מתוארים במלואם, ולכן שיפוט וכיול מקומי נשארים חיוניים. למרות זאת, המסגרת ממחישה כיצד מודלים מונחי נתונים, כאשר מנתחים אותם בשקיפות, יכולים להפוך לשותפים מעשיים בתכנון יסודות במקום לקופסאות שחורות.

ציטוט: Abdellatief, M., ElNemr, A. & Altahrany, A. Pareto-optimized stacked ensemble machine learning framework for predicting bearing capacity of driven piles from static load test data. Sci Rep 16, 11360 (2026). https://doi.org/10.1038/s41598-026-43660-z

מילות מפתח: יסוד בעומק (עומק עמוד), קיבולת נשיאה, הנדסה גאוטכנית, למידת מכונה, מבחן עומס סטטי