Oszacowanie przesiąku w niejednorodnych nasypowych zaporach na przepuszczalnych podłożach przy użyciu wyjaśnialnego uczenia maszynowego

Dlaczego ma znaczenie woda przesiąkająca przez zapory

Na całym świecie wiele społeczności polega na zaporach ziemnych do magazynowania wody pitnej, nawadniania upraw i ochrony przed powodziami. Jednak te pozornie solidne konstrukcje stale przeciekają. Mały, dobrze kontrolowany strumień jest bezpieczny; zbyt duży ukryty przesiąk może wydrążyć tunele wewnątrz zapory lub jej podłoża i sprowokować nagłą awarię. W artykule przedstawiono, jak nowoczesne techniki uczenia maszynowego mogą pomóc inżynierom przewidywać ten niewidoczny przepływ szybciej i dokładniej, zwłaszcza w bardziej realistycznym przypadku zapór z warstwowym wnętrzem posadowionych na przepuszczalnym gruncie.

Jak zapory przeciekają poniżej powierzchni

Zapory nasypowe nie są jednorodnymi kopcami ziemi. Często mają stosunkowo szczelne centralne jądro otoczone bardziej porowatymi otulinami, wszystkie osadzone na podłożu, które samo w sobie może przepuszczać wodę. Gdy poziom wody w zbiorniku naciska na czoło od strony górnej, część tej wody przesiąka przez korpus zapory i pod jej podstawą, podążając złożonymi ścieżkami kontrolowanymi przez głębokość wody, typy gruntów i geometrię zapory. Tradycyjne obliczenia ręczne tak bardzo upraszczają ten obraz, że działają jedynie dla idealizowanych kształtów. Szczegółowe symulacje komputerowe oparte na metodzie elementów skończonych radzą sobie lepiej, lecz mogą być wolne i wymagać specjalistycznej wiedzy, co ogranicza ich stosowanie w szybkich kontrolach projektów lub rutynowych przeglądach bezpieczeństwa.

Nauczanie komputerów rozpoznawania wzorców przesiąku

Autorzy zebrali dużą cyfrową bibliotekę 4 374 scenariuszy przesiąku, z których każdy został wygenerowany przez zaufany program symulacyjny obliczający przepływ wody przez i pod zaporami. W każdym przypadku zmieniali siedem kluczowych parametrów, które inżynierowie mogą zmierzyć lub zaprojektować: szerokość korony, głębokość podłoża, poziom wody w zbiorniku, długości zboczy od strony górnej i dolnej, jak łatwo woda przepływa przez podłoże oraz o ile mniej przepuszczalne jest jądro w porównaniu z otulinami. Dla każdej kombinacji wejść symulacja dawała jedno główne wyjście: ile wody przecieka na metr długości zapory. Tak skomponowany zbiór danych stał się materiałem treningowym dla kilku modeli uczenia maszynowego mających na celu przewidywanie przesiąku bezpośrednio na podstawie tych siedmiu parametrów.

Wybór najbardziej niezawodnego silnika predykcji

Zespół przetestował pięć rodzin modeli powszechnie używanych dla danych tabelarycznych w inżynierii: pojedyncze drzewa decyzyjne, lasy losowe oraz trzy metody „boostingu”, które łączą wiele małych drzew w potężny zespół. Zamiast zgadywać ustawienia modeli, zastosowali optymalizację bayesowską — systematyczną strategię poszukiwań, która traktuje każdy test jako eksperyment i wyłapuje obiecujące opcje, unikając przeuczenia. Wyniki oceniano za pomocą zestawu miar błędu, wykresów porównujących przewidywania z wynikami symulacji oraz wielokrotnych weryfikacji przy różnych podziałach danych. Wyraźnym zwycięzcą okazał się model kategorialnego gradientowego boostingu (CGB), który odwzorowywał symulowany przesiąk z niemal doskonałą dokładnością na niewidzianych wcześniej danych, podczas gdy prostsze modele drzewiaste pozostawały w tyle.

Otwarcie czarnej skrzynki uczenia maszynowego

Aby te zaawansowane modele były użyteczne dla inżynierów zajmujących się zaporami, autorzy musieli wyjaśnić, co napędza ich przewidywania. Sięgnęli po nowoczesne narzędzie interpretowalności znane jako SHAP, które przypisuje każdemu wejściu udział w odpowiedzialności za wynik w każdym scenariuszu. Analiza pokazała, że dwa czynniki dominują w zachowaniu przesiąku: głębokość wody w zbiorniku i o ile szczelniejsze jest jądro w porównaniu z otulinami. Głębsza woda silnie wypycha przesiąk ku górze, podczas gdy znacznie mniej przepuszczalne jądro zdecydowanie go ogranicza. Przepuszczalność podłoża i jego głębokość odgrywają rolę wtórną, a szerokość korony ma umiarkowany efekt stabilizujący. Szczegóły dotyczące nachyleń mają stosunkowo niewielkie znaczenie w badanych zakresach, co może pomóc skupić uwagę na najbardziej wpływowych dźwigniach projektowych.

Od modelu badawczego do narzędzia codziennego użytku

Aby przekształcić badania w praktyczne narzędzie, najlepszy model CGB został opakowany w prostą aplikację desktopową. Użytkownicy mogą wprowadzać siedem parametrów zapory i podłoża i natychmiast otrzymać oszacowanie przesiąku, pojedynczo lub dla wielu scenariuszy jednocześnie. Przewidywania modelu zgadzały się zarówno z wcześniejszymi badaniami numerycznymi, jak i z niezależnym studium przypadku zapory Hub w Pakistanie, mieszcząc się w granicach około 10 procent ustalonych wyników dla kilku poziomów wody. Dla osób niebędących specjalistami płynie uspokajający wniosek: łącząc symulacje wysokiej wierności, zaawansowane uczenie maszynowe i czytelne wyjaśnienia najważniejszych czynników, inżynierowie mają teraz szybki i przejrzysty sposób przewidywania, ile wody przesiąknie przez złożone zapory ziemne i sprawdzenia, czy te przecieki mieszczą się w bezpiecznych granicach.

Cytowanie: Sayed Ahmed, M.M., Khursheed, M.Z., Alshameri, B. et al. Estimating seepage in heterogeneous earthfill dams on permeable foundations using explainable machine learning. Sci Rep 16, 12060 (2026). https://doi.org/10.1038/s41598-026-45048-5

Słowa kluczowe: zapory ziemne, przesiąk, uczenie maszynowe, bezpieczeństwo zapór, inżynieria geotechniczna