HSS modelinin bölgesel parametrelerini belirlemek için makine öğrenimi tabanlı yöntem: Çin, Qingdao örnek olay incelemesi

Kent kazıları neden daha akıllı araçlara ihtiyaç duyar

Mühendisler kalabalık şehirlerde bodrumlar, metro istasyonları veya yeraltı otoparkları için derin çukurlar kazdıklarında, beklenmedik birkaç milimetrelik zemin hareketi bile yakınlardaki binalarda çatlaklara veya gömülü borularda hasara yol açabilir. İnsanları ve altyapıyı güvende tutmak için mühendisler, kazı sırasında zeminin nasıl deformasyona uğrayacağını tahmin eden bilgisayar modellerine güvenir. Bu makale, makine öğreniminin Çin’de bir kıyı kentindeki en gelişmiş zemin modellerinden birinin parametrelerini uyarlamak için gereken zaman ve maliyeti nasıl önemli ölçüde azaltabileceğini, aynı zamanda gerçek dünya ölçümleriyle kayda değer bir doğrulukta uyum sağlayabileceğini gösteriyor.

Mühendisler normalde zeminin nasıl hareket edeceğini nasıl tahmin eder

Modern inşaat sahalarında sıkça kullanılan yöntem, zemini ve destek yapılarını birçok küçük eleman halinde ayıran ve yük değiştikçe her birinin nasıl deformasyona uğradığını hesaplayan sonlu eleman yöntemidir. Bu yaklaşımın iyi çalışabilmesi için zeminin davranışının gerçekçi bir tanımına ihtiyaç vardır; bu özellikle yüksek binalarla ve yeraltı tesisatlarıyla çevrili derin çukurlar için geçerlidir. Geniş çapta kabul gören seçeneklerden biri, gerilme geçmişi ve çok küçük hareketlerde zemin rijitliğinin nasıl değiştiğini yakalayan “hardening soil small-strain” (HSS) modelidir. Ancak bu model birçok giriş parametresi gerektirir ve bunların bazıları yerden yere güçlü biçimde değişir. Geleneksel olarak bu parametreler zemin numuneleri üzerinde yapılan uzmanlaşmış laboratuvar testleriyle elde edilir; bunlar hem pahalı hem de zaman alıcıdır. Sonuç olarak, en doğru modeller günlük projelerde sıkça kullanılmaz.

Hangi zemin değerlerinin gerçekten önemli olduğunu bulmak

Yazarlar önce gelişmiş zemin modelinin hangi parametrelerinin derin bir kazının deformasyonunu gerçekten kontrol ettiğini anlamak için birkaç Çin kentinden yayımlanmış test verilerini incelediler. Ana rijitlik değerlerini daha tanıdık bir nicelik olan sıkışma modülüne karşı karşılaştırdılar ve bu oranları dolgu, silty kil ve orta-ince kum gibi yaygın zemin türleri için incelediler. Rutin sıkışma davranışıyla ilişkili iki rijitlik ölçüsü, sıkışma modülü ile yaklaşık bire bir oran sergiledi ve kazının hareketine düşük duyarlılık gösterdi. Buna karşılık, yükler kaldırıldığında zeminin nasıl geri yayıldığıyla ilişkili bir rijitlik ve çok küçük deformasyonlardaki davranışla ilgili bir diğer rijitlik ölçüsü bölgeler arasında büyük farklılıklar gösterdi ve öngörülen yer değiştirmeler üzerinde güçlü bir etkiye sahipti. Bu bulgu, ekibin bazı parametreleri neredeyse sabit kabul edip yerel deformasyonu gerçekten yöneten az sayıda parametreye odaklanmasına olanak verdi.

Bir sinir ağına kazının davranışını okumayı öğretmek

Bu bilgilerle donanmış olarak araştırmacılar Qingdao’daki derin bir temel çukurunu eğitim sahası olarak kullandılar. Saha zemini dolgu, silty kil ve aşınmış granit üzerinde bulunan orta-ince kum içeriyordu. Her zemin tabakası için iki duyarlı rijitlik değeri için sistematik bir parametre kombinasyon seti tasarladılar ve kazının üç boyutlu bilgisayar simülasyonlarını çalıştırdılar. Her kombinasyon için perde duvarlarının ne kadar eğildiğini ve seçilmiş izleme noktalarındaki zemin yüzeyinin ne kadar oturduğunu kaydettiler. Bu eşleştirilmiş girdi ve çıktılar, nedenleri etkilerle ilişkilendirmeyi öğrenen basit bir makine öğrenimi modeli olan geri yayılımlı (back-propagation) bir sinir ağını eğitmek için veri seti oluşturdu. Eğitimin ardından ağ, gerçek sahadan alınan birkaç ölçülen duvar ve zemin hareketini alıp bunları hızla hangi zemin rijitliği parametrelerinin üretmiş olabileceğini çıkarsayabiliyordu.

Yöntemi gerçek inşaat projelerinde test etmek

Bu sanal “zemin dedektifinin” güvenilir olup olmadığını görmek için yazarlar, çıkarılan rijitlik değerlerini çakıl ve ankraj destekleri kullanan Qingdao’daki iki bağımsız derin kazı projesine uyguladılar. Yeni elde edilen parametrelerle sayısal modeller kurdular ve öngörülen duvar sapmaları ile yüzey oturmalarını inşaat sırasında toplanan saha izleme verileriyle karşılaştırdılar. Farklar etkileyici derecede küçüktü: tipik ortalama mutlak hatalar yarım milimetrenin altındaydı ve karekök ortalama kare hatalar (RMSE) benzer şekilde küçüktü. Başka bir deyişle, simülasyonlar çukurların gözlemlenen davranışını mühendislik güvenlik kontrolleri ve tasarım iyileştirmeleri için fazlasıyla yeterli bir doğrulukla yeniden üretebildi.

Bu, daha güvenli ve daha ucuz yeraltı yapımı için ne anlama geliyor

Uzman olmayanlar için ana mesaj, çalışmanın sınırlı sayıda saha izlemesi, dikkatle tasarlanmış simülasyonlar ve bir sinir ağı ile birçok pahalı laboratuvar test turunun yerini alabileceğini göstermesidir. En çok önem taşıyan birkaç zemin özelliğini izole edip makine öğreniminin bunları gerçek dünya deformasyonlarına göre ayarlamasına izin vererek mühendisler, zahmetli çabalar olmadan daha sofistike zemin modellerini devreye alabilir. Qingdao’nun tipik zeminleri için yazarlar, duyarlı rijitlik parametreleri ile standart sıkışma ölçüleri arasındaki kullanıma hazır oranları bile sunarak tasarımcılara pratik bir kestirme sağlıyorlar. Daha geniş ölçekte bu yaklaşım, yerel olarak kalibre edilmiş veri odaklı modellerle yönlendirilen bir gelecek öngörüyor; bu da güvenlik marjlarını iyileştirirken proje maliyetlerini ve zaman çizelgelerini kontrol altında tutmaya yardımcı olacaktır.

Atıf: Yuan, C., Zhang, Q., Feng, H. et al. Machine learning-based method for determining regional parameters of the HSS model: a case study of Qingdao, China. Sci Rep 16, 13124 (2026). https://doi.org/10.1038/s41598-026-43150-2

Anahtar kelimeler: derin kazı, zemin modelleme, makine öğrenimi, sinir ağları, zemin deformasyonu