Karışık etkili rastgele orman ve arı kolonisi optimizasyonu kullanılarak yüksek yol dolgu yığılmalarının emniyet katsayısı tahmini

Yol dolgularının stabilitesinin neden önemli olduğu

Yükseltilmiş bir toprak yığını üzerine inşa edilmiş bir otoyolda seyahat ederken, bu insan yapımı tepenin aniden çökmeyeceğine güvenirsiniz. Bu yüksek yol dolgularının güvenliği, toprağı yerinde tutan kuvvetleri kayan kuvvetlerle karşılaştıran “emniyet katsayısı” adlı bir sayı ile değerlendirilir. Geleneksel olarak mühendisler bu katsayıyı tahmin etmek için el hesapları veya kapsamlı bilgisayar simülasyonlarına başvurmuştur. Bu çalışma, modern makine öğreniminin bu tahminleri daha hızlı ve daha güvenilir hale getirebileceğini gösteriyor; bu da insanları, mülkleri ve ulaşım ağlarını tehdit eden yamaç çökmelerinin oluşturduğu felaket riskini azaltabilir.

Binlerce sanal dolgunun inşası

Modeli eğitmek ve test etmek için araştırmacılar önce birkaç gerçek vaka çalışmasına güvenmek yerine gelişmiş sayısal simülasyonlar kullanarak büyük ve gerçekçi bir veri seti oluşturdular. 6 ile 30 metre arasında değişen yüksekliğe sahip yol dolgularını, yatay basamaklar (berm adı verilen) gibi stabiliteyi artıran kademeli tasarımlar dahil olmak üzere çeşitli yamaç şekilleriyle modellediler. Toprak yoğunluğu, su içeriği, rijitlik, kaymaya karşı direnç (içsel sürtünme) ve kohezyon gibi temel toprak özelliklerinin yanı sıra dolgunun altındaki temel zeminin dayanımı da değiştirildi. 1.176 senaryonun her biri için bir sonlu eleman programı emniyet katsayısını hesapladı ve en muhtemel kayma yüzeyini arayarak makine öğrenimi tahminlerinin kıyaslanabileceği güvenilir bir “gerçek zemin” sağladı.

Klasik modellerden daha akıllı ormanlara

Ardından ekip üç tür veri odaklı modeli karşılaştırdı. İlki, birçok karar ağacını birleştirerek sağlam tahminler yapan iyi bilinen Rastgele Orman (Random Forest) yöntemiydi. İkincisi, Karışık Etkili Rastgele Orman (Mixed Effects Random Forest) olarak adlandırılan ve gruplanmış veya “kümeleşmiş” verileri açıkça hesaba katan bir uzantıydı—bu, ölçüm setlerinin aynı saha, toprak türü veya inşaat aşamasından gelme olasılığının yüksek olduğu geoteknik çalışmalarda yaygın bir durumdur. Son olarak, yeni bir melez yaklaşım tanıttılar: Yapay Arı Kolonisi ile optimize edilmiş Karışık Etkili Rastgele Orman (ABC‑MERF). Burada, arıların yiyecek arama davranışını modelleyen bir sürü ilhamlı optimizasyon algoritması, mühendis tarafından deneme‑yanılma ile ayarlama yapmaya gerek kalmadan karışık‑etkili ormanın çok sayıda ayarını otomatik olarak ustalıkla ayarlıyor ve daha iyi performans elde ediyor.

Veriyi temizlemek ve tahminleri test etmek

Modeller eğitilmeden önce araştırmacılar veriyi dikkatle hazırladı. Standart bir kutu grafiği (box‑plot) yöntemi kullanarak aşırı aykırı değerleri belirlediler ve nadir rastlanan uç değerlerin öğrenme sürecini çarpıtmasını önlemek için mantıklı sınırlarda sınırlandırdılar. Tüm girdiler daha sonra 0 ile 1 arasında ölçeklendirildi; bu, arı tabanlı optimizer için uygundu ve farklı değişkenlerin karşılaştırılabilir kalmasını sağladı. Veri eğitim ve test kümelerine ayrıldı ve sıkı bir değerlendirme protokolü, tahminlerin simüle edilmiş emniyet katsayılarına ne kadar yakın olduğu ve modellerin verideki varyasyonun ne kadarını açıklayabildiği gibi birkaç hata ölçüsünü kullandı. Artı kontrol olarak artık grafikleri ve istatistiksel testler gibi ek incelemeler yapılarak modellerin yalnızca eğitim verisini ezberlemediği, gerçekten altta yatan desenleri öğrendiği doğrulandı.

Modellerin toprak ve yamaçlar hakkında öğrendikleri

Üç yaklaşımın tamamı etkileyici performans gösterdi, ancak ABC‑MERF modeli açıkça birinci çıktı. Emniyet katsayısındaki varyasyonun yüzde 99’unun üzerinde bir kısmını açıkladı ve tipik tahmin hatalarını emniyet aralığının yaklaşık yüzde iki civarında tuttu. Aynı derecede önemli olarak, modelin davranışı fiziksel olarak anlamsız değildi. Özellik önem analizleri ve tepki eğrileri, dolgu topraklarının içsel sürtünme açısı ve dolgunun yüksekliğinin en etkili faktörler olduğunu; bunları yamaç eğimi, kohezyon ve berm kullanımının izlediğini gösterdi. Daha yüksek sürtünme açıları ve daha fazla kohezyon stabiliteyi artırırken, daha yüksek dolgular ve daha dik yamaçlar stabiliteyi azaltıyordu—temel zemin mekaniğinin öngördüğüyle tam uyumlu. Veri odaklı sonuçlar ile mühendislik teorisi arasındaki bu uyum, uygulayıcıların güvenlik açısından kritik tasarımlarda makine öğrenimi araçlarına güvenebilmesi için hayati önemdedir.

Araştırma aracından mühendislik asistanına

Çalışma, karışık‑etkili rastgele ormanlarla arı ilhamlı optimizasyonun dikkatle tasarlanmış bir melezinin yüksek yol dolguları için emniyet katsayısının son derece doğru ve fiziksel olarak anlamlı tahminlerini sağlayabileceği sonucuna varıyor. Konuyla ilgili genel okuyucuya iletilmesi gereken temel mesaj şudur: Mühendisler artık ayrıntılı sanal testleri gelişmiş makine öğrenimiyle birleştirerek birçok tasarım seçeneğini hızla tarayabilir ve inşa edilmeden önce riskli konfigürasyonları öne çıkarabilir. Bu tür modeller deprem veya şiddetli yağış gibi durumlarda saha‑özgü incelemelerin veya uzman yargısının yerini almasa da, yollarımızın altındaki dolguların uzun hizmet ömürleri boyunca stabil ve güvenli kalmasına yardımcı olacak güçlü bir karar destek aracı sunarlar.

Atıf: Boufarh, R., Boursas, F., Bakri, M. et al. Factor of safety prediction for high road embankments using mixed effects random forest and bee colony optimization. Sci Rep 16, 6003 (2026). https://doi.org/10.1038/s41598-026-35431-7

Anahtar kelimeler: yamaç stabilitesi, yol dolguları, emniyet katsayısı, makine öğrenimi, geoteknik mühendisliği