Оценка просачивания в неоднородных земляных плотинах на проницаемых основаниях с помощью объяснимого машинного обучения

Почему важно просачивание воды через плотины

Во многих регионах мира сообщества зависят от земляных плотин для хранения питьевой воды, орошения полей и сдерживания паводков. Однако эти кажущиеся монолитными сооружения постоянно пропускают воду. Небольшая, хорошо контролируемая утечка безопасна; чрезмерное скрытое просачивание может проложить каналы внутри тела плотины или её основания и спровоцировать внезапный отказ. В этой работе исследуется, как современные методы машинного обучения могут помочь инженерам точнее и быстрее предсказывать такие скрытые потоки, особенно для более реалистичного случая плотин со слоистой внутренней структурой, возведённых на проницаемом грунте.

Как плотины протекают под поверхностью

Земляные плотины — это не однородные груды грунта. Часто у них есть относительно водонепроницаемое центральное ядро, окружённое более пористыми оболочками, все они опираются на основание, которое само по себе может пропускать воду. Когда вода в водохранилище давит на upstream-откос, часть её просачивается через тело плотины и под её подошву, следуя сложным путям, определяемым глубиной воды, типами грунта и геометрией плотины. Традиционные расчёты вручную так упрощают картину, что работают лишь для идеализированных форм. Подробные компьютерные модели на основе метода конечных элементов дают более точные результаты, но они могут быть медленными и требовать специализированных навыков, что ограничивает их использование при быстрых проверках проектных решений или рутинных обзорах безопасности.

Обучение компьютеров распознавать схемы просачивания

Авторы собрали большую цифровую библиотеку из 4 374 сценариев просачивания, каждый из которых был получен с помощью проверенной программы моделирования, рассчитывающей потоки воды через плотины и под ними. Для каждого случая они варьировали семь ключевых входных параметров, которые инженеры могут измерить или задать: ширину гребня, глубину основания, уровень воды в водохранилище, длины upstream- и downstream-откосов, проницаемость основания и насколько менее проницаемо ядро по сравнению с оболочками. Для каждой комбинации входных параметров симуляция давала один основной выход: сколько воды протекает на метр плотины. Этот курируемый набор данных стал тренировочной базой для нескольких моделей машинного обучения, цель которых — предсказывать просачивание непосредственно по семи входам.

Поиск наиболее надёжного предсказательного двигателя

Исследователи протестировали пять семейств моделей, широко используемых для табличных инженерных данных: одиночные деревья решений, случайные леса и три метода «бустинга», которые объединяют много небольших деревьев в мощный ансамбль. Вместо подбора параметров вслепую они применили байесовскую оптимизацию — систематическую стратегию поиска, которая рассматривает каждую попытку как эксперимент и концентрируется на наиболее перспективных вариантах, избегая переобучения. Производительность оценивалась набором мер ошибки, визуальными сопоставлениями предсказаний с результатами моделирования и перекрёстными проверками с несколькими разбиениями данных. Очевидным победителем оказался категориальный градиентный бустинг (CGB), который воссоздавал смоделированное просачивание с почти идеальной точностью на невидимых данных, в то время как более простые деревья отставали.

Открывая «чёрный ящик» машинного обучения

Чтобы сделать эти сложные модели полезными для инженеров по плотинам, авторам потребовалось объяснить, что лежит в основе их предсказаний. Они использовали современный инструмент интерпретируемости SHAP, который в каждой ситуации распределяет между входами долю ответственности за выход. Этот анализ показал, что поведение просачивания определяется двумя доминирующими факторами: глубиной воды в водохранилище и тем, насколько плотнее (менее проницаемо) ядро по сравнению с окружающими оболочками. Большее погружение воды сильно стимулирует рост просачивания вверх, тогда как значительно менее проницаемое ядро резко сокращает его. Проницаемость основания и глубина основания играют второстепенную роль, а ширина гребня оказывает умеренно стабилизирующий эффект. Детали откосов в изученных пределах имеют относительно небольшое значение, что позволяет сосредоточить внимание на наиболее влиятельных рычагах проектирования.

От исследовательской модели к повседневному инструменту

Чтобы сократить путь от теории к практике, лучшая модель CGB была упакована в простое настольное приложение. Пользователи могут ввести семь свойств плотины и основания и сразу получить оценку просачивания, по одному сценарию или для множества вариантов сразу. Предсказания модели согласовались с предыдущими численными исследованиями и с независимым кейсом — дамбой Хаб в Пакистане, оставаясь примерно в пределах 10 процентов от установленных результатов при разных уровнях воды. Для неспециалистов главный вывод обнадёживает: сочетая высокоточные симуляции, продвинутое машинное обучение и понятные объяснения ключевых факторов, инженеры теперь имеют быстрый и прозрачный способ предсказать, сколько воды будет просачиваться через сложные земляные плотины, и проверить, остаются ли эти утечки в пределах безопасных норм.

Цитирование: 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

Ключевые слова: земляные плотины, просачивание, машинное обучение, безопасность плотин, геотехническая инженерия