השוואה בין שיטות למידת מכונה ולמידה עמוקה בתחזית תגובת רעידות של חיבורים בין פלטות לעמודים

מדוע רצפות בטוחות יותר ברעידות אדמה חשובות

הרבה מבני עיר מסתמכים על רצפות בטון שטוחות המונחות ישירות על עמודים, ללא קורות תומכות עמוקות. בזמן רעידת אדמה, החיבורים שבהם נפגשות הפלטות והעמודים עלולים להיכשל בפתאומיות, לגרום לנפילת רצפות ולהתמוטטות חלקית של המבנה. מחקר זה בוחן כיצד כלי נתונים מודרניים יכולים לסייע למהנדסים לחזות טוב יותר את התנהגותם של חיבורים קריטיים אלה בזמן רעידות חזקות, כדי שאפשר יהיה לתכנן או לבדוק מבנים בביטחון רב יותר.

כיצד חיבורים בבניין עלולים להיכשל בפתאומיות

בבנייני פלטה שטוחה, העמוד חייב להעביר גם את העומס האנכי וגם את הכוחות הצידיים של רעידת האדמה אל הפלטה. אם המתח מתרכז יתר על המידה סביב העמוד, הפלטה עלולה להיחתך סביב העמוד כמו חותמת דרך נייר. כשל פריך זה כמעט ולא מנבא מראש ועלול לגרום לקריסה מדורגת. יחד עם זאת, המבנה כולו מתנדנד, תופעה המתוארת על ידי מדד הנקרא יחס הסטייה, המתאר למהנדסים כמה המבנה נטה יחסית לגובהו. גם המומנט המקומי של החיתוך במפרק וגם הסטייה הכוללת נשלטים על ידי גורמים רבים, כולל עובי הפלטה, גודל העמוד, כמות הזיון, חוזק הבטון ודפוס העמסת הרעידה.

שימוש במבחנים קודמים ובמחשבים ככלי למידה

המחברים אספו מאגר נתונים הכולל 217 ניסויי מעבדה מתועדים בקפידה על חיבורי פלטה-עמוד תחת העמסת רעידת אדמה מדומה. כל ניסוי כלל ממדים גיאומטריים, חוזקי חומרים, פרטי זיון, עומס כבידה מיושם, סוג העמסה, וכן את המומנט של החיתוך ויחס הסטייה שנמדדו בעת הכישלון. הם חלקו את המידע לערכות אימון ובדיקה נפרדות, כך שמודלים ממוחשבים יובחנו על יכולתם לחזות תוצאות שלא נראו להם קודם. לפני בניית המודלים, הצוות ניקוי את הנתונים, טיפל בערכי חסר, קנה טווחים נומריים ובחן כיצד כל משתנה קשור לכישלון באמצעות כלים ויזואליים כגון תיבות-וקווים (boxplots) ותרשימי פיזור.

השוואת דרכים רבות ללמידת מחשב

כדי לברר אילו טכניקות עובדות הכי טוב, המחקר השווה טווח רחב של שיטות למידת מכונה מול מספר גישות של למידה עמוקה. קבוצת למידת המכונה כללה נוסחאות ליניאריות פשוטות, גרסאות מווסתות המנסות למנוע התאמה יתר, ומערכות עצים גמישות כגון יער אקראי, חיזוק גרדינט ו-XGBoost. קבוצת הלמידה העמוקה השתמשה בארכיטקטורות רשת עצבית המופיעות לעתים קרובות בניתוח תמונה או רצפים, כולל רשתות קונבולוציה, רשתות חוזרות (recurrent), רשתות LSTM ומודל היברידי ששילב שכבות קונבולוציה וחוזרות. שלא כמו בעיות תמונה, כאן הרשתות העמוקות קיבלו טבלאות מובנות של ערכי הנדסה שעוצבו מחדש לסדרות חד-ממדיות.

מה המודלים גילו על חוזק וסטייה

בחיזוי המומנט של החיתוך במפרק פלטה-עמוד, הביצועים הטובים ביותר הושגו על ידי מודלים של למידת מכונה המבוססים על עצי החלטה רבים. חיזוק גרדינט השיג את הדיוק הגבוה ביותר במבחנים שלא נראו קודם, ואחריו בצמידות XGBoost ויער אקראי. מודלים אלה תפסו את התמהיל המורכב והלא-ליניארי של גיאומטריה, חומרים והעמסה אשר שולט בחוזק המפרק המקומי. בחיזוי יחס הסטייה, המשקף כיצד המערכת כולה מתנדנדת, יער אקראי יצא כמתומן ביותר לעומת גישות אחרות, אם כי כל המודלים מצאו שמשימה זו קשה יותר וגרמה לתפוצה רחבה יותר של תוצאות. מודלים של למידה עמוקה, במיוחד הסוג ההיברידי, לא עלו על השיטות המבוססות עצים בסט נתונים קטן ומטבלאי זה ודורשים מאמץ חישובי גדול בהרבה.

מה משמעות הדבר לתכנון בטוח יותר של מבנים

לא מומחה, המסר המרכזי הוא שכלי למידת מכונה הנבחרים בקפידה יכולים כבר לתת למהנדסים הערכות מדויקות יותר לגבי כיצד ומתי חיבורים פלטה-עמוד עלולים להיכשל ברעידות אדמה, במיוחד בחוזק החיתוך המקומי ולצד זה במידה פחותה ביחס הסטייה הכולל. במחקר זה, שיטות למידת מכונה מסורתיות מבוססות עצים עלו על רשתות למידה עמוקה אופנתיות יותר עבור הנתונים הזמינים, והציעו דיוק טוב יותר עם מורכבות נמוכה יותר. המחברים ממליצים להשתמש במודלים אלה ככלי תמיכה בקבלת החלטות לצד כללי תכנון קיימים, ולא להחליף את שיקול הדעת ההנדסי. עם מאגרי נתונים גדולים יותר ותכונות מעודנות, שיטות מונחות נתונים אלה יכולות להפוך לחלק מעשי מהערכת הסיכון הסיסמית השגרתית של בנייני פלטה שטוחה.

ציטוט: El-Mandouh, M.A., Youssef, H., Elborlsy, M.S. et al. Comparing machine learning and deep learning approaches to predicting the seismic response of slab-column connections. Sci Rep 16, 14718 (2026). https://doi.org/10.1038/s41598-026-50962-9

מילות מפתח: תכנון סיסמי, בנייני פלטה שטוחה, למידת מכונה, חיתוך בעירה (punching shear), יחס סטייה