מיון קרקע משופר בידי בינה מלאכותית עם נתוני CPT לא שלמים עבור חוות רוח ימית

מדוע קרקעית הים חשובה לאנרגיית רוח

טורבינות רוח ימיות עומדות בחלק מהתנאים הקשים ביותר על כדור הארץ, והיציבות שלהן תלויה במה שמסתתר מתחת לגלים: קרקעית הים שמחזיקה את היסודות הכבדים שלהן. בדיקות קרקע במים עמוקים יקרות ולעתים קרובות לא שלמות, מה שמותיר מהנדסים מקבלים החלטות משמעותיות על בסיס מידע חלקי. המחקר הזה מראה כיצד בינה מלאכותית יכולה להפיק תובנות מנתוני בדיקה מוגבלים כדי למיין את סוגי הקרקעית באופן אמין, ובכך לסייע למעצבים למקם טורבינות רוח ימיות בצורה בטוחה ויעילה יותר.

מבדיקות קרקע לסוגי קרקע

מהנדסים בודקים בדרך כלל את קרקעית הים באמצעות בדיקות חדירת חרוט (CPT), שבהן דוחפים חרוט מתכתי לקרקע תוך מדידת התנגודת של הקרקע, השפשוף לאורך השרוול ושינויי לחץ המים בחללים. מדידות אלה מפורשות בדרך כלל באמצעות תרשימים כמו סיווג רוברטסון, המקשרים דפוסים בקריאות להתנהגויות קרקע שונות—כגון חול רופף, חימר נוקשה או תערובות ביניהם. הבעיה היא שתרשימים אלה מניחים נתונים שלמים ונקיים, מצב הנדיר בעת חקירות ימית שבהן ספינות, גלים ומים עמוקים מסבכים את המדידות.

בניית ספרייה וירטואלית של תנאי קרקעית

כדי להתמודד עם בעיית המידע החסר, החוקרים יצרו תחילה ספרייה וירטואלית עצומה של תנאי קרקע אפשריים במקום להסתמך רק על בדיקות שדה נדירות. הם השתמשו בטווחים ריאליסטיים למדדים מרכזיים של החרוט—התנגדות קצה, חיכוך שרוול, לחץ מי נקבובין ומתחים בקרקע—ליצירת למעלה מ-200,000 רשומות בדיקה סינתטיות. רשומות אלה תורגמו אז לאזורי התנהגות קרקע באמצעות תרשים רוברטסון, כך שלכל בדיקה מדומה הוצמד "תווית" סוג קרקע. על ידי דגימה הן באופן אחיד לאורך הטווחים והן בהתאם לתבניות סטטיסטיות ריאליסטיות, הם הבטיחו שהספרייה הסינתטית מכסה הכל מרקבים רכים מאוד ועד לחולות וחצצים צפופים.

להכשיר מכונות לקריאת קרקעית הים

עם הספרייה הסינתטית בידם, הצוות אימן מספר מודלי למידת מכונה לחזות את התנהגות הקרקע ישירות מתוך קלטי בדיקות החרוט. הם בחנו יערות אקראיים, רשתות נוירונים, שיטות תמיכה וקטורית ועצי החלטה, וכיוונו בקפידה את הפרמטרים הפנימיים של כל מודל. מבינהם בלט מודל היער האקראי, שהתאים את אזורי הקרקע המבוססים על רוברטסון בהתאמה מספרית כמעט מושלמת והשיג יותר מ-92% דיוק כאשר תחזיותיו הומרו לאחר מכן לסיווג קרקע סטנדרטי. הבדיקות הפנימיות של המודל הראו שהתנגדות קצה החרוט, חיכוך השרוול ומתח אנכי אפקטיבי היו הקלטים המכריעים—התאמה להבנה הגיאוטכנית ארוכת השנים ומחזקת שהמודל לומד פיזיקה ממשית ולא דפוסים מקריים.

שמירה על דיוק כשחסרים נתונים

המבחן הקריטי היה האם הבינה תמשיך לתפקד היטב גם כאשר חלק מהמדידות חסרות, כפי שקורה בסקרים ימיים שבהם ציוד נכשלים או שלא משתמשים בחיישנים מסוימים. החוקרים הסירו באופן שיטתי כל קלט בתורו והחליפו אותו בערכים לא ודאיים, ואז הפעילו שוב ושוב את המודל במתודולוגיית מונטה קרלו כדי לראות כיצד הדיוק משתנה בממוצע. כאשר הקלטים החיוניים ביותר—התנגדות חרוט, חיכוך שרוול או מתח אפקטיבי—היו חסרים, הדיוק ירד משמעותית, מה שאישר את חשיבותם. עם זאת, כאשר פרמטרים אחרים כמו לחצי מי נקבובין או מתח כולל היו נעדרים, המודל שמר על דיוק גבוה, לעתים קרובות מעל 90%. זה מראה שהמסגרת יכולה להמשיך לספק סיווגי קרקע שימושיים גם כאשר חלק מרשומת הבדיקה חסר.

הוכחת השיטה בחוות רוח ימיות אמיתיות

כדי לצאת מעבר לנתונים הוירטואליים, הצוות בדק את מודל היער האקראי המאומן על 229,808 רשומות CPT אמיתיות מ-99 בארות אתחול באתרי חוות רוח ימית בטייוואן ובהולנד. אף אחת מהמדידות האמינות הללו לא שומשה לאימון. תחזיות התנהגות הקרקע של הבינה הושוו לסיווגים עצמאיים המבוססים על מערכת הנדסית נפוצה שמקבצת קרקעות לפי גודל גרעינים ופלסטיות. המודל התאימה נכון לסיווגים אלה ביותר מ-92% מהמקרים, והציגה ביצועים טובים יותר ממספר גישות למידת מכונה קיימות. סימולציות חוזרות הראו גם שהתחזיות נופלות בתוך רצועת ביטחון צרה של 95%, מה שמצביע על התנהגות יציבה ואמינה.

מה המשמעות לעתיד רוח ימית

ללא מומחיות מיוחדת, המסר הוא שהמחקר מספק עוזר חכם לקריאת קרקעית הים. במקום להחליף תרשימים הנדסיים מבוססים, מסגרת הבינה המלאכותית מרחיבה אותם למצבים חצי-מציאותיים שבהם הנתונים חסרים או לא מושלמים. על ידי למידה מספרייה סינתטית מתוכננת בקפידה והוכחה על מאגרי נתוני חוף גדולים, השיטה מציעה דרך מעשית למיין במהירות ובעקביות קרקעות קרקעית הים. הדבר יכול להפחית בדיקות נוספות יקרות, לתמוך בעיצוב יסודות בטוח יותר, ולבסוף לסייע להביא יותר פרויקטים של רוח ימית לפעולה עם ביטחון גדול יותר לגבי מה שנמצא מתחת לכל טורבינה.

ציטוט: Ku, CY., Wu, TY., Liu, CY. et al. AI-enhanced soil classification with incomplete CPT data for offshore wind farm. Sci Rep 16, 10589 (2026). https://doi.org/10.1038/s41598-026-46356-6

מילות מפתח: אנרגיית רוח ימית, קרקעית הים, בדיקת חדירת חרוט (CPT), למידת מכונה, תכנון יסודות