SHAP analizli Bayesiyen-optimize yığma topluluk modeli ile perde grout hacmi tahmini

Gizli çimento işlerinin tahmini neden önemli

Barajların ve tünellerin derinliklerinde mühendisler, suyun sızmasını önlemek için kayadaki çatlaklara sıvı çimento enjekte ederler. Bu işleme grout denir; maliyetli ve doğrudan görülmesi zor olduğu için işçiler her delik için ne kadar grout pompalayacaklarını tahmin etmek zorundadır. Çok az tahmin edilirse su hâlâ sızabilir; fazla tahmin edilirse para, malzeme ve zaman israf olur. Bu çalışma, modern veri araçlarının mühendislerin işe başlamadan önce doğru grout miktarını daha güvenilir biçimde tahmin etmelerine nasıl yardımcı olabileceğini gösteriyor.

Büyük su projelerinin altında çatlakları mühürlemek

Büyük barajlar ve yeraltı mağaraları, suyun kaçacağı yeraltı yollarını engellemek için sertleşmiş grout perdelerine güvenir. İşçiler kayaya birçok delik açıp çimento şerbeti pompalar, ancak yüzeyin altındaki kaya düzensizdir; çatlaklar boyut ve bağlantı açısından değişir. Süreç gizli olduğundan ve koşullar yerden yere değiştiğinden, her deliğin ihtiyaç duyacağı grout hacmini tahmin etmek, büyük su ve hidroelektrik projelerinde güvenli tasarım ve maliyet kontrolü için uzun süredir büyük bir zorluk olmuştur.

Deneysel kurallardan veriden öğrenmeye

On yıllar boyunca mühendisler grout kullanımını tahmin etmek için basitleştirilmiş formüller, geçmiş projelerle karşılaştırmalar veya akışkan dinamiği bilgisayar simülasyonları kullandılar. Bu yaklaşımlar yardımcı oldu ama karmaşık gerçek kaya ve gürültülü saha ölçümleriyle karşılaştıklarında sık sık zorlandılar. Bu çalışmada yazarlar bunun yerine veriden doğrudan desenleri öğrenen makine öğrenmesine yöneldiler. Xinjiang’daki büyük bir su projesinden 778 gerçek grout kaydı topladılar; her kayıt bir sondaj deliğindeki koşulları tanımlıyordu: sondaj sırasındaki konumu, derinliği, işlem gören bölümün uzunluğu, deliğin genişliği, kayadaki önceden suyun kolay akıp akmadığı (permeabilite), başlangıç su-çimento karışımı ve grout sırasında kullanılan basınç. Tahmin edilmek istenen çıktı, pompalanan gerçek grout hacmiydi.

Birkaç akıllı modeli birleştirmek

Tek bir algoritmaya güvenmek yerine ekip, birkaç farklı tahmin modelinin birlikte çalışmasına izin veren yığma (stacking) adlı bir strateji kullandı. Tabular verilerdeki karmaşık desenleri işlemekte özellikle iyi olan üç bilgisayar modeli birinci katman olarak seçildi. Her biri aynı yedi girdi faktörünü inceledi ve kendi grout hacmi tahminini üretti. Ardından bu üç tahmini alıp dikkatle kontrol edilen basit bir regresyon modeli nihai tahmine karıştırdı. Her modelin iç ayarlarını olabildiğince etkili kullanmasını sağlamak için araştırmacılar, deneme-yanılma yerine ayar kombinasyonlarını düzenli ve veri odaklı şekilde keşfeden Bayesyen optimizasyona başvurdular.

Doğruluğu sınamak ve kara kutuyu açmak

Yaklaşımlarını test etmek için yazarlar yığma modeli, üç bileşen modelle karşılaştırdılar, hem ayarlamadan önce hem de sonra. Tahminlerin gerçek grout hacimleriyle ne kadar uyumlu olduğunu standart hata skorlarıyla ölçtüler. Bayesyen ayarlı yığma model en iyi performansı gösterdi; grout hacmindeki değişimin yaklaşık yüzde 92’sini açıkladı ve ortalama hataları nispeten küçük tuttu.

Gerçek dünya grout uygulamaları için ne anlama geliyor

Çalışma, dikkatle ayarlanmış bir yığma makine öğrenmesi modelinin, incelenen proje için bireysel modeller veya eskimiş kural tabanlı yöntemlerden daha doğru ve daha kararlı grout hacmi tahminleri verebileceği sonucuna vardı. Hangi koşulların en çok önem taşıdığını ve bunların nasıl etkileştiğini nicelendirerek, yöntem mühendislerin sondaj ve pompalama stratejilerini planlamalarına, malzemeleri tahsis etmelerine ve karmaşık zemin koşullarında riskleri daha etkin yönetmelerine yardımcı olabilir. Modelin diğer sahalar için test edilmesi ve uyarlanması gerektiği halde, bu görünmeyen ama kritik bölümün veriyle desteklenen kontrolüne yönelik uygulanabilir bir yol sunar.

Atıf: Ma, Y., Yuan, Z., Xiong, B. et al. Curtain grouting volume prediction using a Bayesian-optimized stacking ensemble model with SHAP analysis. Sci Rep 16, 15374 (2026). https://doi.org/10.1038/s41598-026-45538-6

Anahtar kelimeler: perde grout, grout hacmi tahmini, makine öğrenmesi, Bayesyen optimizasyon, SHAP analizi