Sürüntü kazısı hasar zonu kalınlığını tahmin etmek için yorumlanabilir bir IGWO-MKRVM modeli

Daha güvenli tüneller neden önemli

Mühendisler bir tüneli kayanın içinden açtıklarında, kazı çevredeki zemini bozar. Açıklığın etrafında çatlak ve zayıflamış bir kaya halkası oluşur; buna kazı hasar zonu denir. Bu zarar görmüş halka çok kalınlaşırsa, tünel duvarları deforme olabilir veya çökebilir; bu durum madencileri, altyapıyı ve yakın toplulukları tehdit eder. Burada özetlenen makale, mühendislerin yalnızca sonuçları değil, bunların arkasındaki nedenleri de anlayabilmesi için modern makine öğrenimi ile dikkatli yorumlanabilirliği birleştirerek farklı jeolojik koşullarda bu hasar zonunun ne kadar kalın olacağını tahmin etmenin yeni bir yolunu sunuyor.

Zayıflamış kayanın gizli halkası

Yeraltı galerileri ve tüneller, kazı nedeniyle sıkışmış ve çatlamış kaya tarafından çevrelenir. Bu etkilenen katman, kazı hasar zonu kalınlığı, tüneli güvenli tutmak için ne kadar destek gerektiğini doğrudan belirler. Ancak kalınlık, kayacın ne kadar sağlam olduğu, eklemler ve çatlaklarla ne kadar parçalandığı, yüzeyin altında ne kadar derin olduğu ve tünelin açıklığının ne kadar geniş olduğu gibi birbirine bağlı birkaç faktöre bağlıdır. Bu etkiler güçlü bir şekilde doğrusal olmayan ve saha bazında değişken olduğundan, basit formüller veya hatta gelişmiş simülasyonlar bile doğru, geniş uygulanabilir tahminler veremeyebilir. Yer radarları ve akustik ölçümler gibi geleneksel saha testleri hasar zonunu ölçebilir, ancak bu yöntemler pahalıdır ve rutin olarak uygulaması zordur.

Kayanın dilini okumak için akıllı algoritmalar kullanmak

Bu zorluğun üstesinden gelmek için yazarlar, kömür, altın, fosfat ve kurşun işletmeleri dahil çeşitli maden türlerinden 209 gerçek dünya hasar zonu kalınlığı ölçümü topladı. Her vaka için dört temel girdiyi kaydettiler: kaya kütlesi dayanımı, kaya bloklarının ne kadar kırık olduğunu tanımlayan bir eklem indeksi, tünelin derinliği ve tünel açıklığı. Ardından güçlü bir desen tanıma motoru olan çok çekirdekli relevance vector machine ile gri kurtların avlanma davranışından esinlenilmiş geliştirilmiş bir optimizasyon yöntemini birleştiren bir tahmin modeli kurdular. Optimizasyon aşaması, modelin veri içindeki karmaşık ilişkileri en iyi şekilde yakalarken küçük mühendislik veri setleri için verimli kalmasını sağlayacak şekilde iç ayarlarını optimize ediyor.

Hibrit modelin tahminleri nasıl iyileştirdiği

Yaklaşımın özü, kayanın nasıl tepki verdiğindeki hem geniş eğilimleri hem de ince yerel değişimleri yakalamak için aynı anda birkaç basit matematiksel “mercek” ya da çekirdeğin (kernel) kullanılmasında yatar. Model, düz değişimleri, ani sıçramaları ve gürültülü ölçümleri bir arada ele alabilmek için lineer, radyal ve Laplace çekirdeklerini harmanlar. Geliştirilmiş gri kurt optimizatörü ise olası parametre ayarları alanını daha kapsamlı keşfederek bunu güçlendirir. Rastgele başlangıç noktalarının dikkatle tasarlanması, geniş aramadan ince ayara geçişin doğrusal olmayan bir şekilde yapılması ve zayıf yerel çözümlerde takılmayı önlemek için zıt aday çözümler önerme stratejisi kullanır. Standart kıyas problemleri üzerindeki testler, bu geliştirilmiş optimizatörün diğer modern sürü ve evrimsel algoritmalara kıyasla daha hızlı ve daha güvenilir şekilde yakınsadığını gösteriyor.

Mevcut tahmin araçlarını geride bırakmak

Tünel veri setine uygulandığında, bütünleşik IGWO–MKRVM modeli çok doğru tahminler verdi. Görülmemiş test vakalarında, belirleme katsayısı 0.95’in üzerinde ve hata ölçümleri çok düşük çıktı; bu da modelin tahmin edilen hasar zonu kalınlığının saha ölçümleriyle yakından örtüştüğü anlamına geliyor. Yazarlar, klasik sinir ağları, Gaussian süreç regresyonu, destek vektör tabanlı hibritler ve ayarlanmış bir rastgele orman dahil olmak üzere çeşitli köklü araçlarla karşılaştırdılar. Her durumda, yeni model daha küçük hatalar ve daha kararlı performans göstererek hem güçlü uyum yeteneğini hem de yeni jeolojik koşullara karşı sağlam genelleme yetisini kanıtladı.

Makine öğreniminin kara kutusunu açmak

Mühendislerin güvenlik kararlarını gerekçelendirmesi gerektiğinden, yazarlar modelin yorumlanabilirliğine de odaklandı. Girdi değişkenlerini ortak oyuna katılan “oyuncular” olarak ele alan ve her tahmine ne kadar katkı sağladıklarını hesaplayan modern bir açıklama çerçevesi olan SHAP’i kullandılar. Bu analiz, eklem indeksinin ve tünelin derinliğinin hasar zonu kalınlığının baskın belirleyicileri olduğunu ortaya koydu: yoğun eklemli kaya ve daha derin tüneller genellikle çok daha kalın hasar halkaları üretme eğiliminde. Tünel açıklığı ve kaya dayanımı da önemli, ancak daha az ölçüde—daha geniş açıklıklar hasarı artırırken daha sağlam kaya bunu sınırlama eğiliminde. Yöntem ayrıca bu faktörlerin nasıl etkileştiğini de açığa çıkarıyor; örneğin zayıf, yoğun eklemli kayadaki derin tünellerin özellikle savunmasız olduğunu gösteriyor.

Yeraltı güvenliği için anlamı

Günlük ifadeyle, çalışma mühendisler için bir tünelin çevresindeki kayaya hasarın ne kadar ilerleyeceğini tahmin eden daha akıllı bir hesaplayıcı ve hangi koşulların bu hasarı kötüleştirdiğine dair net bir açıklama sunuyor. Dikkatle ayarlanmış bir öğrenme motorunu şeffaf özellik-önem analiziyle birleştirerek yöntem yalnızca mevcut modellerin önüne geçmekle kalmıyor, aynı zamanda önerilerine güven oluşturuyor. Bu, tasarımcıların yerel jeolojiye uyarlanmış daha güvenli tünel şekilleri, destek sistemleri ve kazı stratejileri seçmesine yardımcı olabilir ve nihayetinde yeraltı çalışmalarda kaya düşmeleri ve çökme riskini azaltabilir.

Atıf: Yang, R., Zhang, G., Ye, Y. et al. An interpretable IGWO-MKRVM model for predicting excavation damaged zone thickness of drift. Sci Rep 16, 13548 (2026). https://doi.org/10.1038/s41598-026-42835-y

Anahtar kelimeler: tünel stabilitesi, kayaç mekaniği, makine öğrenimi, yeraltı madenciliği, geoteknik güvenlik