TrAdaBoost aktarım öğrenmesiyle yamaç kararlılığı öngörüsü: fizi̇k ve veriyi çift-yonetimli bir çerçevede bütünleştirmek

Yamaçları güvenli tutmanın önemi

Yüksek eğimli yamaçlar pek çok yolun, kasabanın ve madenin üzerinde yer alır. Bu yamaçlar çöktüğünde heyelanlar evleri gömebilir, ulaşım yollarını kapatabilir ve can kayıplarına yol açabilir. Mühendislerin bir yamaçın dayanıp dayanmayacağını kontrol etmek için yöntemleri vardır; ancak bu yaklaşımlar ya yoğun saha çalışması ve uzman bilgisi gerektirir ya da genellikle kıt olan geçmiş verilere dayanır. Bu çalışma, bilgisayar simülasyonlu fiziği gerçek gözlemlerle tek bir öğrenme sisteminde harmanlayarak hangi yamacın güvenli, hangisinin riskli olduğunu tahmin etmenin yeni bir yolunu sunuyor.

Yamaç değerlendirmede iki yaklaşım

Geleneksel olarak yamaç güvenliği iki yoldan biriyle kontrol edilir. Fizik temelli yöntemler, bir yamaçın nasıl deforme olabileceğini veya kayabileceğini simüle etmek için zemin ve kaya mekaniği denklemlerini kullanır. Bunlar güvenilir ve bilimsel temellidir, ancak her yeni vaka için detaylı saha incelemeleri ve yoğun hesaplamalar gerektirir. Buna karşılık veri odaklı yöntemler yamaç güvenliğini bir desen tanıma problemi olarak ele alır: geçmiş vakaları makine öğrenmesi algoritmalarına besleyip hangi toprak dayanımı, yamaç açısı, su basıncı ve diğer etken kombinasyonlarının genellikle çökme ile sonuçlandığını bilgisayara öğretiyorlar. Bu modeller eğitildikten sonra hızlı olabilir, ancak pratikte tipik olarak az sayıda gerçek çökme vakası bulunduğundan zorlanırlar.

Sanal yamaçlardan güç ödünç almak

Yazarlar, aktarım öğrenmesi kullanarak bu veri kıtlığı sorununu ele alıyor; bu teknikler bir ortamdan edinilen bilgiyi başka bir ortama yeniden kullanmayı sağlar. Önce sonlu eleman simülasyonlarıyla 150 “sanal” yamaç oluşturuyorlar; bu, zeminin ve kayanın yerçekimi ve suya nasıl tepki verdiğini taklit eden standart bir araçtır. Her simüle edilmiş yamaç altı temel özelliğe sahip: zeminin yoğunluğu, kohezyon (birlikte tutma yeteneği), tane pürüzlülüğü, yamaç açısı, yamaç yüksekliği ve mevcut su basıncı. Ardından aynı altı tanımlayıcıyı paylaşan yayımlanmış vaka öykülerinden 98 gerçek yamaç topluyorlar. Simüle edilmiş yamaçlar fiziksel olarak tutarlı örneklerin bir kaynak havuzunu oluştururken, gerçek yamaçlar nihayetinde önem verdiğimiz hedef vakalardır.

Modele neye güvenmesi gerektiğini öğretmek

Tüm simüle edilmiş yamaçlar gerçek sahalara benzemeyebilir, bu yüzden çalışma hangi örneklerin yardımcı olduğunu ve hangilerinin yanıltıcı olduğunu belirlemek için TrAdaBoost adlı özel bir aktarım öğrenmesi algoritması kullanıyor. Bu yöntem birkaç standart sınıflandırıcıyı — destek vektör makineleri, lojistik regresyon, karar ağaçları ve rastgele ormanlar — simüle edilmiş örneklerle ve küçük bir gerçek vaka alt kümesi ile karışık olarak eğitmeye başlıyor. Birçok eğitim turu boyunca, gerçek yamaçlar gibi davranan simüle edilmiş vakaların etkisini otomatik olarak artırıyor ve benzemeyenlerin ağırlığını düşürüyor. Aynı zamanda modelin yanlış tahmin ettiği gerçek yamaçlara ekstra dikkat gösteriyor; bu, sistemin hatalarından öğrenmesini sağlıyor ve gerçekten kararsız durumları tanıma yetisini keskinleştiriyor.

Yeni yaklaşımın performansı

Araştırmacılar, bu aktarım öğrenmesi şemasının dört versiyonunu karşılaştırıyor; her biri farklı bir temel sınıflandırıcı etrafında kurulmuş. Bunları test için ayrılmış 74 gerçek yamaç üzerinde değerlendiriyorlar. En iyi performans gösteren, TrAdaBoost ile bir destek vektör sınıflandırıcısını birleştiren model. Bu model vakaların yaklaşık %88’inde yamaç kararlılığını doğru tahmin ediyor ve özellikle tehlikeli yamaçları yakalama konusunda iyi; kararsız örneklerin yaklaşık %93’ünü doğru tespit ediyor. Vuruşlar ve yanlış alarmları dengeleyen genel sıralama puanı da yüksek. Literatürdeki daha önceki yöntemler, alan verileriyle yalnızca eğitilmiş sinir ağları ve diğer toplu modellerle karşılaştırıldığında, yeni çift-yonetimli çerçeve nispeten az sayıda gerçek dünya vakası kullanmasına rağmen doğruluğu tutarlı biçimde yakalıyor veya aşıyor.

Günlük güvenlik açısından anlamı

Pratik anlamda, çalışma bilgisayar tarafından üretilmiş fiziksel vakalar ile seyrek gerçek gözlemlerin güvenilir ve verimli tek bir öğrenme aracında nasıl birleştirilebileceğini gösteriyor. Algoritmanın yalnızca en alakalı simüle edilmiş bilgiyi seçerek aktarmasına izin vererek mühendisler sınırlı saha verisi olsa bile daha iyi erken uyarı sistemleri ve yamaç kontrolleri kurabilirler. Yazarlar, çerçevelerinin deprem veya yağış gibi daha fazla faktör eklenerek genişletilebileceğini ve diğer geoteknik sorunlara uyarlanabileceğini vurguluyor. Bir uzman olmayan için ana çıkarım, simülasyonlar ve verilerin daha akıllı kullanımı sayesinde riskli yamaçların daha erken ve daha doğru şekilde tespit edilmesinin, hem felaket olasılığını azaltabileceği hem de gereksiz güçlendirme maliyetlerini düşürebileceğidir.

Atıf: Ren, M., Xu, X., Dai, F. et al. Slope stability prediction via TrAdaBoost transfer learning: integrating physics and data into a double-driven framework. Sci Rep 16, 11883 (2026). https://doi.org/10.1038/s41598-026-41919-z

Anahtar kelimeler: heyelan tahmini, yamaç kararlılığı, aktarım öğrenmesi, geoteknik mühendisliği, makine öğrenmesi