Адаптивное мультиопасностное моделирование предсказывает разрушение плотины из‑за осадков: тематическое исследование

Почему это важно для людей, живущих рядом с плотинами

Во всём мире многие крупные плотины всё ещё находятся в стадии строительства или поднимаются выше, чтобы увеличить ёмкость. На этих незавершённых этапах сооружения могут быть удивительно уязвимы, особенно в сезоны интенсивных дождей. В этом исследовании рассматривается эфиопская плотина, которая получила серьёзные повреждения склонов ещё до того, как в неё наполнили резервуар, и предложен новый способ прогнозирования таких проблем за несколько недель вперёд. Подход может помочь инженерам перейти от реагирования на трещины и сдвиги после их появления к предотвращению этих явлений до того, как они начнут угрожать людям и инфраструктуре ниже по течению.

Дождь, слабый грунт и уязвимая конструкция

Плотина Мегеч на севере Эфиопии — это земляная плотина из уплотнённого грунта и камня, сооружённая слоями из глины и камней, а не из монолитного бетона. Задержки с финансированием и строительством оставили её частично завершённой в течение нескольких лет, с большим отверстием, по которому река могла протекать. В этом состоянии у плотины были открытые склоны, незавершённая дренажная система и слои насыпи, ещё не защищённые полным резервуаром. Исключительно сильные дожди в 2020 и 2021 годах пропитали конструкцию сверху и снизу, насыщая глинистое ядро и фундамент. Впадины выше по течению заполнились водой, вода просачивалась по трещинам и постепенно ослабляла зону внутри плотины, что привело к образованию натяжных трещин, поверхностных оползней и даже смещению блока материала глубиной 24 метра вниз по склону.

Заглядывая внутрь плотины в трёх измерениях

Чтобы понять, почему произошли эти отказы, исследователи сначала реконструировали плотину в компьютере с высокой детализацией. Они объединили проектные чертежи, точки съёмки и полевые инспекции для создания трёхмерной цифровой модели рельефа долины, фундамента и частично возведённой насыпи. Лабораторные испытания образцов глины и скального материала показали, насколько прочны, плотны или проницаемы разные зоны. Сопоставляя эти свойства по объёму плотины, они выделили особенно уязвимую полосу, где высокий процент глины, карманы повышенной проницаемости и сильная способность к вспучиванию совпадали с зафиксированными трещинами и оползнями. Продвинутые численные модели затем смоделировали, как дождевая вода передвигается по плотине, как в глубине нарастает поровое давление и как внутренние напряжения меняются по мере насыщения конструкции.

Обучение модели на основе физики и данных

Традиционные численные симуляции плотин могут быть очень точными, но они слишком медленны и трудоёмки, чтобы запускать их каждую неделю по мере поступления новых данных мониторинга. Чисто обусловленные данными инструменты, такие как стандартные нейронные сети, могут работать быстрее, но часто упускают фундаментальную физику и испытывают трудности при наличии лишь нескольких лет наблюдений. Поэтому команда создала гибридную систему, объединяющую сильные стороны обоих подходов. Одна часть, основанная на методе конечных элементов, описывает физическое поведение плотины при разных условиях воды, формируя карты напряжений, деформаций и внутреннего водяного давления. Вторая часть — рекуррентная нейросеть, спроектированная для отслеживания изменений во времени — учится тому, как поровое давление и перемещения эволюционируют из недели в неделю. Третья часть, более простая нейросеть, моделирует постепенное снижение прочности грунта по мере деформации и длительной увлажнённости. Механизм «внимания» выделяет прошлые недели, которые наиболее важны для предстоящей нестабильности, делая прогнозы более прозрачными для инженеров.

Предвидение проблем за несколько недель

Гибридная модель была обучена и протестирована на двух годах еженедельных данных мониторинга плотины Мегеч — охватывающих осадки, внутренние водяные давления и перемещения грунта — вместе с физически обоснованными описаниями состояния плотины. По сравнению с распространёнными методами машинного обучения, такими как опорные векторы, случайные леса или автономная нейросеть, новая структура точнее прогнозировала коэффициент устойчивости плотины и, что важно, делала это раньше. Модель могла выявлять нисходящую тенденцию в стабильности по мере наступления сезонов сильных дождей и выдавать надёжные предупреждения примерно за три с лишним недели до достижения критических условий. Компонент внимания автоматически отмечал те же периоды, которые инженеры впоследствии признали в полевых наблюдениях наиболее опасными, подтверждая, что модель выучила значимые предвестники, а не случайные закономерности.

Что это значит для безопасности плотин

Проще говоря, исследование показывает, что сочетание физически обоснованных симуляций с современными алгоритмами обучения может превратить разрозненные данные мониторинга в систему раннего оповещения о дождевых повреждениях земляных плотин в период строительства. Улавливая, как вода постепенно просачивается, как нарастает внутреннее давление и как грунт теряет прочность, эта структура помогает инженерам обнаруживать скрытые слабые места до того, как они проявятся в виде видимых трещин и оползней. Хотя метод продемонстрирован на одной плотине, он разработан с прицелом на адаптацию к другим проектам, предлагая путь к более проактивному, с учётом климата, управлению безопасностью плотин в одни из их наиболее уязвимых лет.

Цитирование: 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

Ключевые слова: безопасность плотин, оползни, вызванные дождями, системы раннего оповещения, физически-информированный ИИ, земляные плотины из грунта и камня