Adaptacyjne modelowanie wielozagrożeń przewiduje awarie zapór wywołane opadami: studium przypadku

Dlaczego ma to znaczenie dla osób mieszkających w pobliżu zapór

Na całym świecie wiele dużych zapór jest wciąż w budowie lub jest podwyższanych, by magazynować więcej wody. W tych nieukończonych etapach konstrukcje mogą być zaskakująco kruche, szczególnie w porach intensywnych opadów. W badaniu opisano etiopską zaporę, która doznała poważnych uszkodzeń zbocza zanim kiedykolwiek utrzymała pełny zbiornik, oraz przedstawiono nową metodę prognozowania takich problemów na tygodnie naprzód. Podejście to może pomóc inżynierom przejść od reagowania na pęknięcia i osuwiska dopiero po ich wystąpieniu do zapobiegania im zanim zagrożą ludziom i infrastrukturze poniżej zapory.

Deszcz, miękka podbudowa i wrażliwa konstrukcja

Zapora Megech w północnej Etiopii to zapora ziemno-kamienna, budowana warstwami z gliny i kamieni zamiast z jednolitego betonu. Opóźnienia w finansowaniu i budowie pozostawiły ją częściowo ukończoną przez kilka lat, z dużym otworem nadal pozwalającym rzece przepływać. W takim stanie zapora miała odsłonięte stoki, niekompletne odwodnienie i warstwy nasypu, które nie były jeszcze osłonięte przez pełny zbiornik. Wyjątkowo obfite opady w 2020 i 2021 roku nasyciły konstrukcję od góry i od dołu, przemoczyły rdzeń z gliny i fundament. Wody gromadziły się w zagłębieniach od strony napływu, przeciekały wzdłuż pęknięć i stopniowo osłabiały pas wewnątrz zapory, prowadząc do pęknięć rozciągających, osunięć powierzchniowych, a nawet przesunięcia bloku materiału o głębokości 24 metrów w dół stoku.

Zajrzeć do wnętrza zapory w trzech wymiarach

Aby zrozumieć, dlaczego doszło do tych awarii, badacze najpierw szczegółowo odtworzyli zaporę w komputerze. Połączyli rysunki projektowe, punkty pomiarowe i inspekcje terenowe, aby stworzyć trójwymiarowy model terenu doliny, fundamentu i częściowo ukończonego nasypu. Badania laboratoryjne próbek gliny i skał ujawniły, jak wytrzymałe, gęste lub przepuszczalne były różne strefy. Mapując te właściwości w całej zaporze, zidentyfikowali szczególnie wrażliwy pas, gdzie wysoki udział gliny, kieszenie o większej przepuszczalności i silny potencjał pęcznienia pokrywały się z zaobserwowanymi pęknięciami i osuwiskami. Zaawansowane modele numeryczne symulowały następnie, jak woda opadowa przemieszczała się przez zaporę, jak następował wzrost ciśnienia porowego na głębokości oraz jak wewnętrzne naprężenia zmieniały się w miarę nasycania konstrukcji.

Nauczyć model zarówno fizyki, jak i danych

Tradycyjne symulacje komputerowe zapór mogą być bardzo dokładne, ale zbyt wolne i pracochłonne, by uruchamiać je co tydzień wraz z napływającymi danymi monitorującymi. Narzędzia oparte wyłącznie na danych, takie jak standardowe sieci neuronowe, mogą być szybsze, ale często pomijają leżące u podstaw prawa fizyki i mają trudności, gdy dostępne są tylko kilkuletnie pomiary. Zespół zatem zbudował system hybrydowy, łączący mocne strony obu podejść. Jedna część, oparta na metodzie elementów skończonych, odwzorowuje zachowanie fizyczne zapory w różnych warunkach wodnych, generując mapy naprężeń, odkształceń i wewnętrznego ciśnienia wody. Druga część, rekurencyjna sieć neuronowa zaprojektowana do śledzenia zmian w czasie, uczy się, jak ciśnienie porowe i przemieszczenia rozwijają się tydzień po tygodniu. Trzecia część, prostsza sieć neuronowa, uczy się, jak wytrzymałość gruntu stopniowo maleje wraz z odkształceniem i utrzymującą się wilgocią. Mechanizm „attention” podkreśla poprzednie tygodnie mające największe znaczenie dla nadchodzącej niestabilności, czyniąc prognozy bardziej przejrzystymi dla inżynierów.

Widzieć zagrożenie na tygodnie przed nim

Model hybrydowy był trenowany i testowany na dwóch latach cotygodniowych danych monitorujących z zapory Megech — obejmujących opady, wewnętrzne ciśnienia wodne i przemieszczenia gruntu — wraz z opisami stanu zapory opartymi na fizyce. W porównaniu z popularnymi podejściami uczenia maszynowego, takimi jak maszyny wektorów nośnych, lasy losowe czy samodzielna sieć neuronowa, nowe rozwiązanie przewidywało współczynnik bezpieczeństwa zapory dokładniej i, co istotne, wcześniej. Potrafiło wykryć spadkowy trend stabilności w miarę postępu sezonów ulewnych i wydawało wiarygodne ostrzeżenia do około trzech i pół tygodnia przed osiągnięciem warunków krytycznych. Składnik attention automatycznie wskazał te same okresy, które później inżynierowie rozpoznali w terenie jako najbardziej niebezpieczne, potwierdzając, że model nauczył się znaczących prekursorów, a nie losowych wzorców.

Co to oznacza dla bezpieczeństwa zapór

Mówiąc prosto, badanie pokazuje, że łączenie symulacji opartych na fizyce z nowoczesnymi algorytmami uczenia może przekształcić rozproszone dane monitorujące w system wczesnego ostrzegania przed awariami zapór ziemnych wywołanymi opadami w trakcie budowy. Poprzez odwzorowanie, jak woda stopniowo wnika, jak narasta wewnętrzne ciśnienie i jak grunt stopniowo traci wytrzymałość, ramy te pomagają inżynierom dostrzec ukryte słabości zanim staną się widocznymi pęknięciami i osuwiskami. Choć metoda została zaprezentowana na jednej zaporze, jest zaprojektowana tak, by dała się dostosować do innych projektów, oferując drogę do bardziej proaktywnego, uwzględniającego zmiany klimatu zarządzania bezpieczeństwem zapór w ich najbardziej wrażliwych latach.

Cytowanie: Nasser, M., Assefa, E., Assefa, S.M. et al. Adaptive multihazard modeling predicts rainfall-driven dam failure: a case study. Sci Rep 16, 11012 (2026). https://doi.org/10.1038/s41598-026-36927-y

Słowa kluczowe: bezpieczeństwo zapór, osuwiska wywołane opadami, systemy wczesnego ostrzegania, AI z uwzględnieniem praw fizyki, ziemno-kamienne zapory