Değiştirilmiş Morgenstern-Price yöntemi ve makine öğrenimi entegrasyonu ile otomatik yamaç kararlılığı değerlendirmesi

Neden daha güvenli yamaçlar önemli?

Heyelanlar ve çöküş gösteren yamaçlar otoyolları kapatabilir, maden ve barajlara zarar verebilir ve çevredeki toplulukları riske atabilir. Mühendisler, bir yamaçın ne kadar yakın olduğunu belirleyerek bu tür felaketleri önlemeye çalışır; ancak çok sayıda olası zemin ve deprem koşulu incelenmesi gerektiğinde ayrıntılı hesaplamalar ve bilgisayar simülasyonları zaman alabilir. Bu çalışma, güvenilir bir mühendislik yöntemini modern makine öğrenimiyle harmanlayan otomatik bir sistem sunar; böylece yamaç güvenliği binlerce senaryo için hızlı ve tutarlı şekilde değerlendirilebilir.

Klasik bilgi birikimini yeni araçlarla bir araya getirmek

Yazarlar, mühendislerin “emniyet katsayısı” diye adlandırdığı, kaymayı tetikleyen kuvvetlerle tutan kuvvetleri karşılaştıran tek bir sayıya odaklanıyor. Başlangıç noktası olarak Morgenstern–Price yöntemi adıyla iyi yerleşmiş bir tekniği alıyorlar; bu yöntem bir tepeyi birçok dikey dilime böler ve her dilimde zemin dayanımı, zeminin ağırlığı, su basıncı ve depremin oluşturduğu sarsıntı dahil olmak üzere kuvvet dengelerini kurar. Bu yöntem hem titiz hem de yaygın şekilde güvenildiği için yeni çerçevenin fiziksel omurgasını oluşturur. Ekip, denklemleri büyük ölçekli kullanım için verimli hale getirecek şekilde yeterince sadeleştirirken, zemindeki su ve yatay ile düşey deprem kuvvetleri gibi önemli etkileri de hesaba katmaya devam eder.

Yamaçların sanal bir dünyasını kurmak

Nadir görülen gerçek dünya başarısızlıklarını beklemek yerine araştırmacılar yaklaşık 100.000 “sanal” yamaçtan oluşan büyük bir sentetik veri seti yarattılar. Her örnek, zemin birimi ağırlığı, yamaç yüksekliği ve eğimi, kohezyon ve sürtünme (kesme dayanımını kontrol eden), su basıncı ve deprem şiddeti gibi ana bileşenleri ve dilimler arası etkileşimleri yaklaşıklayan bir ölçeklendirme faktörünü değiştirir. Bu yapay yamaçların her biri için sadeleştirilmiş Morgenstern–Price yöntemi emniyet katsayısını hesaplar. Ekip daha sonra veriyi temizleyip hazırlar, gerçekçi olmayan uç değerleri kırpar, sayısal aralıkları normalize eder ve koleksiyonu eğitim ve test setlerine böler. Bu özenli hazırlık, makine öğrenimi modellerinin stabil, sınırda ve stabil olmayan yamaçların gerçekçi bir dağılımını görmesini ve çıkarımların gürültülü verinin eserleri değil istatistiksel olarak sağlam olmasını sağlar.

Hangi faktörlerin daha etkili olduğunu veriye bırakarak ortaya çıkarmak

Sentetik yamaçlarla, yazarlar hangi özelliklerin kararlılığı en çok kontrol ettiğini soruyorlar. Ağaç tabanlı makine öğrenimi modellerinden alınan özellik-önemi ölçümlerini kullanarak küresel bir duyarlılık analizi yapıyorlar. Sonuçlar mühendislik sezgisiyle uyumlu: yamaç eğimi açık ara en baskın faktör, onu yamaç yüksekliği ve zeminin kohezyonel dayanımı izliyor. Sürtünme açısı ve su basıncı da özellikle ıslak veya doygun koşullarda önem taşıyor; düşey deprem bileşeni ise test edilen aralıkta fark edilebilir ancak daha küçük bir etki yapıyor. Zemin birim ağırlığı ve dilim etkileşimlerini temsil eden ölçeklendirme faktörü gibi diğer girdiler seçilmiş sınırlar içinde nispeten daha az etkiye sahip. Bu bulgular pratik rehberlik sunuyor: tasarımcılar yamaç geometrisini ve kesme dayanımını ölçmeye ve kontrol etmeye, ayrıca güvenlik marjını erozyona uğratan suyu yönetmeye öncelik vermelidir.

Makineleri fiziği taklit edecek şekilde eğitmek

Sonraki aşamada, dokuz farklı makine öğrenimi algoritması yamaç girdilerinden doğrudan emniyet katsayısını tahmin edecek şekilde eğitiliyor; öğretici sinyal olarak fizik temelli hesaplamalar kullanılıyor. Bunlar arasında yapay sinir ağları, karar ağaçları, rastgele ormanlar ve birçok basit modeli güçlü bir topluluk halinde birleştiren birkaç modern “boosting” yöntemi bulunuyor. Tüm modeller aşırı uyumu önlemek için sistematik ayar ve çapraz doğrulama ile çoklu performans ölçütleriyle test ediliyor. Birçoğu çok iyi performans gösteriyor, ancak CatBoost adlı bir algoritma öne çıkıyor: görülmemiş test verisinde emniyet katsayısını neredeyse kusursuz bir doğrulukla yeniden üretiyor ve eğitim setini ezberleme eğiliminde olan daha basit ağaç modellerine göre daha kararlı kalıyor.

Bir kristal küre değil, otomatik bir yardımcı

Son olarak yazarlar, sentetik yamaçların üretilmesinden Morgenstern–Price hesaplarının yürütülmesine, en iyi makine öğrenimi modelinin eğitimi, değerlendirilmesi ve seçimine kadar tüm süreci yeniden kullanılabilir bir Python tabanlı boru hattına (pipeline) sarıyorlar. Bu otomatik çerçeve, zemin, geometri, su ve deprem koşullarının geniş kombinasyonları boyunca yamaç güvenliğini çok hızlı tahmin edebilir; bu da onu tasarımların elenmesi, "ya şöyle olursa" senaryolarının keşfi veya gerçek zamanlı karar destek araçlarının desteklenmesi için cazip kılar. Ancak sistem, arkasındaki varsayımlar kadar geneldir: yamaçlar iki boyutlu ve tek tip zemin olarak ele alınmıştır ve makine öğrenimi gerçek saha performansını doğrudan tahmin etmek yerine Morgenstern–Price yöntemini taklit etmeyi öğrenir. Bu nedenle yazarlar çalışmalarını ayrıntılı sayısal simülasyonları ve saha-spesifik incelemeleri tamamen ikame etmek yerine tamamlayan, hızlı ve ölçeklenebilir bir karar destek aracı olarak görüyorlar.

Atıf: Showkat, M., Ghani, S., Paramasivam, P. et al. Automated slope stability assessment using modified Morgenstern-Price method and machine learning integration. Sci Rep 16, 9952 (2026). https://doi.org/10.1038/s41598-026-38670-w

Anahtar kelimeler: yamaç kararlılığı, heyelan riski, jeoteknik mühendislik, makine öğrenimi, deprem tehlikeleri