Kazık tepelerinin ve kazık çevresindeki zemin yüzeyinin yer değiştirmelerinin makine öğrenmesi algoritmalarına dayalı olarak tahmini

Yeraltındaki küçük kaymalar neden önemli

Yeni metro hatları veya üstgeçitler inşa edilirken yapıları taşımak için binlerce derin beton kazık zemine itilerek yerleştiriliyor. Bu çevredeki zeminin sıkışması, komşu kazıkları, yolları, binaları ve gömülü boruları sadece birkaç milimetre oynatabilir—ancak böyle küçük hareketler bile betonda çatlaklara veya tesisat hatlarında eğilmeye yol açabilir. Bu makalenin temelini oluşturan çalışma, modern makine öğrenmesi araçlarının bu yeraltı kaymalarını geleneksel formüllerden daha doğru tahmin edebildiğini gösteriyor; bu da mühendislerin kalabalık şehirlerde daha güvenli temeller tasarlamasına yardımcı oluyor.

Beton kazıkların birikmesi zemini nasıl yeniden şekillendirir

İnşaat sırasında, Bogotá’daki Metro Hattı 1 gibi kentsel projelerde yaygın olan bir yöntem olarak uzun, boş beton kazıklar çakmak yerine yumuşak zemine preslenir. Her kazık itildikçe, toprak bir yere gitmek zorundadır: yana ve yukarı doğru sıkışır, komşu kazıklara ve zemin yüzeyine baskı yapar. Ciddi durumlarda bu, kırık kazıklara, yol yükselmesine veya yalnızca birkaç on santimetre uzakta olabilecek boru hatlarına zarar verilmesine yol açabilir. Mühendisler uzun zamandır her kazığı zeminde genişleyen bir silindir gibi ele alan basitleştirilmiş teoriler kullanıyorlar; ancak bu yöntemler katmanlı zeminlerin, karmaşık kazık düzenlerinin ve inşaat sıralarının yarattığı karmaşayı yakalamakta zorlanıyor.

Bilgisayarlara zeminin tepkisini öğretmek

Araştırmacılar, bilgisayarların el yazısı denklemlere yalnızca dayanmak yerine verilerden desenleri öğrendiği yapay zekâ dalı olan makine öğrenmesine yöneldi. Bogotá projesinden kazık tepelerindeki yatay yer değiştirmeler ve çevredeki izleme noktalarından yüzlerce ölçüm topladılar. Her ölçüm için ayrıca zeminin ne kadar ıslak ve yoğun olduğu, ne kadar rijit olduğu, bir noktanın kazık grubunun merkezinden ne kadar uzakta bulunduğu, grubun etrafında hangi açıda yer aldığı ve kazık çakımı durduktan sonra zeminin yerleşmesi için ne kadar zaman geçtiği gibi etkileyici faktörleri kaydettiler.

Farklı öğrenme makinelerini teste sokmak

Birkaç algoritma türü karşılaştırıldı. Geriyayılım (BP) ağı olarak bilinen klasik bir sinir ağı temel olarak kullanıldı. Ekip daha sonra birçok zayıf tahmin ediciyi daha doğru bir “komite”de birleştiren AdaBoost adı verilen bir yaklaşım kullanarak bunu güçlendirdi ve AdaBoost-BP modelini oluşturdu. Ayrıca birden çok gizli katmanı olan derin sinir ağlarını, birçok karar ağacından oluşan rastgele ormanları ve XGBoost adı verilen popüler bir yükseltilmiş ağaç yöntemini test ettiler. Tüm modeller aşırı uyumu önlemek için verinin bir kısmında eğitilip kalan kısmında test edildiği çapraz doğrulama ile ayarlandı ve kontrol edildi. Hem küçük hem de büyük veri setleri için yükseltilmiş ve derin öğrenme modelleri temel BP ağından açıkça daha iyi performans gösterdi; özellikle derin sinir ağları saha ölçümleriyle çok daha yakın eşleşti.

Zemin hareketini gerçekten ne kontrol ediyor

Doğru modeller elde edildikten sonra yazarlar hangi faktörlerin en önemli olduğunu araştırdı. Karmaşık modelleri her girdiye tahmine katkı atayarak açıklayan SHAP analizi kullanılarak, basit geometrinin baskın olduğu bulundu: kazık grubunun merkezinden yatay uzaklık ve etrafındaki yön yer değiştirmeyi en çok etkileyen etkenler. Merkeze daha yakın noktalar genellikle daha fazla hareket etme eğilimindedir ve kazık sıraları mükemmel simetriye sahip olmadığı için hareket desenleri pusula etrafında değişir. Kazık çakımının bitmesinden sonra geçen zaman da önemli bir rol oynar; bu, zeminin yavaş yeniden düzenlenmesi ve sürünmesini yansıtır. Zemin özellikleri arasında su içeriği, göreli yoğunluk ve iç sürtünme açısı (taneciklerin birbirine kilitlenme eğilimiyle ilgili bir ölçü) en güçlü etkiye sahipken, kohezyon ve toplam birim ağırlık gibi diğer parametreler daha az önem taşıdı.

Daha güvenli yeraltı inşaatı için yeni araçlar

Veri odaklı tahminlerini geleneksel silindirik genişleme teorisiyle karşılaştırarak, yazarlar makine öğrenmesi modellerinin, özellikle derin sinir ağlarının, kazık tepelerindeki ve zemin yüzeyindeki yatay yer değiştirmeleri çok daha doğru öngörebildiğini gösterdi. Gelecekteki projeler—örneğin ek metro hatları—için bu yaklaşım tasarım sırasında farklı kazık düzenlerini, aralıklarını ve inşaat sıralarını bilgisayarda test etmek için kullanılabilir; böylece herhangi bir zemin bozulmadan önce komşu binalar ve boru hatları üzerindeki risk azaltılabilir. Kısacası, bilgisayarların ayrıntılı saha ölçümlerinden doğrudan öğrenmesine izin vererek mühendisler, zeminin nasıl tepki vereceğine dair daha keskin bir resim elde ediyor ve hayati kentsel altyapının stabil ve sağlam kalmasını sağlamayı kolaylaştırıyor.

Atıf: Li, P., Guo, S., Liang, M. et al. Prediction of the displacements of the pile tops and ground surface around piles based on machine learning algorithms. Sci Rep 16, 6057 (2026). https://doi.org/10.1038/s41598-026-36502-5

Anahtar kelimeler: kazık temelleri, zemin yer değiştirmesi, makine öğrenmesi, yeraltı altyapısı, metro inşaatı