חיזוי נתונים-מונחה של התיישבות רצפת-עקירה עם מיקרו-עוגנים באמצעות למידת מכונה וסימולציית מונטה קרלו

מדוע עוגנים זעירים מתחת לבניינים גדולים חשובים

ערים מודרניות נסמכות על יסודות עמוקים כדי לשמור על יציבות מבנים, גם כאשר הם מונחים על חרסית רכה שיכולה להתעקם ולהתיישב בהדרגה. מהנדסים פונים יותר ויותר לעוגנים דקים מאוד, הנקראים מיקרו-עוגנים, בשילוב רצפת בטון שטוחה כדי לשאת עומסים בבטחה במקומות בהם המרחב מוגבל או תנאי הקרקע מורכבים. מחקר זה בוחן כיצד נתונים ובינה מלאכותית יכולים לסייע בחיזוי עד כמה רצפות-עוגנים מסוג זה יטמעו תחת עומס, ומעניק למתכננים דרך מהירה ומהימנה יותר להעריך בטיחות וביצוע לטווח הארוך.

עוגנים קטנים, תמיכה גדולה

יסוד רצפת-עוגנים עם מיקרו-עוגנים מחבר שרפסל בטון עבה עם שורות רבות של עוגנים דקים מחוזקים פלדה, המקדחים עמוק לתוך הקרקע. אף על פי שכל עוגן רוחבו רק מספר סנטימטרים, יחד הם מסוגלים לשאת מבנים גדולים תוך שמירה על התיישבות מזערית. הם שימושיים במיוחד בחרסית רכה, שבה יסודות רדודים מסורתיים היו שוקעים יותר מידי. התנהגות המערכת הזאת מורכבת כי הרצפה, אשכול המיקרו-עוגנים והקרקע הסובבת משפיעים זה על זה. גורמים כגון אורך העוגנים ומרחק ביניהם, גודל ועובי הרצפה וחוזק החרסית משפיעים כולם על חלוקת העומס וכמה הקרקע נדחסת ברמות מאמץ שונות.

בניית מאגר ניסויי עשיר

להערכת התנהגות זו אסף המחבר מאגר נתונים של 480 מקרים ניסויים שנלקחו ממבחני מודל מעבדה קודמים וממדידות שדה בקנה מידה גדול על רצפות-עוגנים בקרקעות קוהזיביות. עבור כל מקרה, הנתונים כוללים את הגיאומטריה של הרצפה, גודל, מספר וסידור המיקרו-עוגנים, חוזק החרסית והעומס המופעל, יחד עם מדידת ההתיישבות. על ידי שמירה על תנאי החרסית יחסית מבוקרים תוך שינוי פריסת היסוד, מאגר הנתונים מתמקד כיצד בחירות עיצוביות משפיעות על הביצועים. זאת הופכת אותו למתאים במיוחד לאימון מודלים ממוחשבים היכולים ללמוד דפוסים עדינים המקשרים בין עיצוב היסוד, תכונות הקרקע והתזוזה המתקבלת של הקרקע.

לאמן מכונות לקרוא את הקרקע

המחקר משווה שישה שיטות למידת מכונה פופולריות כדי לבחון איזו מהן חוזה בצורה הטובה ביותר התיישבות מהקלטים הזמינים. אלה כוללים טכניקות מבוססות עצים כמו יערות אקראיים ושיטות בוסטינג, שיטה מבוססת שכנים, ושתי שיטות מבוססות גרעין: רגרסיית מכונת וקטור תמיכה ורגרסיית תהליך גאוסי. כל המודלים מכוונים בקפידה באמצעות אופטימיזציה בייסיאנית ובדיקת צולבות כדי להימנע מהסתמכות על קבוצת הגדרות נוחה אך מטעה. הביצועים שלהם נשפטים באמצעות מספר מדדי שגיאה ובדיקות ויזואליות המשוות בין התיישבויות חזויות ונמדדות על פני רמות עומס שונות. אף על פי שרוב המודלים מתאימים היטב לנתוני האימון, רבים מהם נתקלים בקשיים כאשר נדרשים לחזות מקרים חדשים לחלוטין.

מדוע מודל אחד בולט

רגרסיית תהליך גאוסי מתבררת ככלי האמיתי ביותר בהשוואה זו. היא לוכדת את הקשר העקמומי והלא־ליניארי בין עומס להתיישבות מבלי להעתיק פשוט תוצאות עבר. על נתוני מבחן שהמודל לא ראה מעולם, היא שומרת על דיוק גבוה עם שגיאה ממוצעת נמוכה הנמדדת במילימטרים. היא גם מספקת רצועות ביטחון סביב כל תחזית, המצביעות על רמת הביטחון במצבים שונים. כדי לחקור זאת לעומק, המחקר מזין את המודל עם אלפי קומבינציות קלט משתנות קלות באמצעות סימולציית מונטה קרלו, המדמה אי־וודאויות קטנות בממדים ובחוזק הקרקע. התפוצה המתקבלת של התחזיות נותרת צרה, ועמודי העומס–התיישבות החזויים הממוצעים עוקבים באופן הדוק אחרי אלה שנמדדו בניסויים.

לראות אילו גורמים חשובים ביותר

מעבר לדיוק הגולמי, המחקר בוחן כיצד המודל מקבל את החלטותיו באמצעות כלי לפרשנות הנקרא SHAP. ניתוח זה מראה שהגורם המשפיע ביותר הוא העומס המופעל עצמו, ואחריו אורך העוגן ורוחב הרצפה, שמאזנים יחד כיצד הכוחות מועברים לקרקע. גם מספר העוגנים והמרחק ביניהם משחקים תפקיד, אך במידה פחותה בטווח הנבדק. חוזק החרסית ועובי הרצפה נראים פחות בולטים בדירוג הסטטיסטי מכיוון שהם קשורים באופן הדוק בנתונים הזמינים, ולא מפני שחסרה להם חשיבות פיזיקלית. באופן כללי, דירוג התכונות המשפיעות מסתדר היטב עם האינטואיציה ההנדסית ארוכת השנים לגבי התנהגות יסודות בחרסית רכה.

מה זה אומר לעיצובים העתידיים

העבודה ממחישה כי למידת מכונה מכוונת בקפידה, ובמיוחד רגרסיית תהליך גאוסי בשילוב עם סימולציית מונטה קרלו, יכולה להציע למהנדסים כלי מעשי לחיזוי כיצד רצפות-עוגנים עם מיקרו-עוגנים יתיישבו תחת עומסים שונים תוך כימות אי־הוודאות בתחזיות אלו. נכון לעתה, הממצאים החזקים ביותר חלים במסגרת התנאים המבוקרים של מעבדה ומבחני שדה נבחרים, והמחקר קורא לאיסוף נתונים בקנה מידה מלא וטווחי קרקע רחבים יותר. עם זאת, המסגרת מראה כיצד מודלים מונחי נתונים והבנה גאוטכנית מסורתית יכולים לעבוד ביחד כדי ליצור עיצובים בטוחים ויעילים יותר ליסודות על קרקעות מאתגרות.

ציטוט: El Gendy, M. Data-driven prediction of micro-piled raft load–settlement using machine learning and Monte Carlo simulation. Sci Rep 16, 16180 (2026). https://doi.org/10.1038/s41598-026-54119-6

מילות מפתח: יסודות רצפת-עקירה עם מיקרו-עוגנים, למידת מכונה, רגרסיית תהליך גאוסי, התנהגות עומס–התיישבות, סימולציית מונטה קרלו