Makine öğrenimi ve Monte Carlo simülasyonu ile mikro kazıklı rögarın yük–oturma davranışının veri odaklı tahmini

Neden büyük binaların altındaki küçük kazıklar önemli

Modern kentler, binaları sabit tutmak için derin temel sistemlerine güvenir; özellikle de binalar yavaşça sıkışıp oturabilen yumuşak kil üzerinde yer alıyorsa. Mühendisler, dar alanlarda veya zemin koşullarının zor olduğu durumlarda yükleri güvenle taşımak için giderek çok ince kazıklar—mikrokazıklar—ve düz bir beton rögar kombinasyonuna yöneliyor. Bu çalışma, veri ve yapay zekânın böyle mikro kazıklı rögarların yük altında ne kadar çökeceğini tahmin etmede nasıl yardımcı olabileceğini araştırıyor; tasarımcılara güvenlik ve uzun vadeli performans konusunda daha hızlı ve daha güvenilir bir değerlendirme sağlıyor.

Küçük kazıklar, büyük destek

Mikro kazıklı rögar temeli, kalın bir beton plak ile zemine derinlemesine delinmiş birçok ince, çelik donatılı kazığın birleşiminden oluşur. Her bir kazık yalnızca birkaç santimetre genişliğinde olsa da, birlikte büyük yapıları destekleyebilir ve oturmayı küçük tutabilirler. Geleneksel sığ temellerin çok fazla oturacağı yumuşak kilde özellikle faydalıdırlar. Bu sistemin davranışı karmaşıktır çünkü rögar, kazık kümeleri ve çevre zemin birbirleriyle etkileşir. Kazık uzunluğu ve aralığı, rögar boyutu ve kalınlığı ile kilin dayanımı gibi faktörler, yükün nasıl paylaşıldığını ve farklı gerilme düzeylerinde zeminin ne kadar sıkıştığını etkiler.

Zengin bir deney veritabanı oluşturmak

Bu davranışı incelemek için yazar, kohezyonlu zeminlerdeki mikro kazıklı rögarlarla ilgili önceki laboratuvar model deneyleri ve büyük ölçekli saha ölçümlerinden alınan 480 deneysel vakayı içeren bir veritabanı derledi. Her vaka için veriler rögar geometrisini, mikrokazıkların boyutunu, sayısını ve düzenini, kilin dayanımını ve uygulanan yük ile ölçülen oturmayı içerir. Kil koşullarını nispeten kontrollü tutarken temel düzenini değiştirerek veri seti, tasarım tercihlerinin performansı nasıl etkilediğine odaklanır. Bu, temel tasarım, zemin özellikleri ve ortaya çıkan zemin hareketi arasındaki ince ilişkileri öğrenebilecek bilgisayar modellerini eğitmek için uygun hale getirir.

Yerini "okuyabilen" makineler eğitmek

Çalışma, mevcut girdilerden oturmayı en iyi tahmin eden yöntemi belirlemek için altı popüler makine öğrenimi yöntemini karşılaştırır. Bunlar arasında rastgele ormanlar ve boosting yöntemleri gibi ağaç tabanlı teknikler, komşuluk tabanlı bir yöntem ve destek vektör regresyonu ile Gaussian süreç regresyonu olmak üzere iki çekirdek tabanlı yöntem bulunur. Tüm modeller, yanıltıcı ama kullanışlı görünen ayarlarla aşırıye kaçmamak için Bayesyen optimizasyon ve çapraz doğrulama kullanılarak dikkatle ayarlanır. Performansları, çeşitli hata ölçüleri ve farklı yük seviyelerinde tahmin edilen ile ölçülen oturmaları karşılaştıran görsel kontrollerle değerlendirilir. Çoğu model eğitim verisine çok iyi uyum sağlasa da, çoğu yeni ve tamamen görülmemiş vakaları tahmin etmeye çalışırken sıkıntı yaşar.

Neden bir model öne çıkıyor

Gaussian süreç regresyonu bu karşılaştırmada en güvenilir araç olarak öne çıkar. Yük ile oturma arasındaki eğrisel, doğrusal olmayan ilişkiyi geçmiş sonuçları ezberlemek yerine yakalar. Modelin hiç görmediği test verilerinde bile milimetre düzeyinde düşük ortalama hata ile yüksek doğruluk korur. Ayrıca her tahminin etrafında hangi koşullarda ne kadar emin olduğunu gösteren güven aralıkları sağlar. Bunu daha derinlemesine irdelemek için çalışma, Monte Carlo simülasyonu kullanarak modele binlerce hafifçe değiştirilmiş giriş kombinasyonu verir; bu, boyutlardaki ve zemin dayanımındaki küçük belirsizlikleri taklit eder. Ortaya çıkan tahmini oturmalar dağılımı dar kalır ve ortalama tahmini yük–oturma eğrileri deneylerde ölçülenleri yakından takip eder.

Hangi faktörlerin daha önemli olduğunu görmek

Ham doğruluğun ötesinde, çalışma modelin kararlarını nasıl verdiğini SHAP adlı bir yorumlanabilirlik aracıyla inceler. Bu analiz, en etkili faktörün uygulanan yük olduğunu; bunu kazık uzunluğu ve rögar genişliğinin izlediğini gösterir; bu üçü birlikte kuvvetlerin zemine nasıl aktarıldığını kontrol eder. Kazık sayısı ve aralığı da bir rol oynar, ancak test edilen aralık içinde daha az derecede. Kil dayanımı ve rögar kalınlığı istatistiksel sıralamada daha az belirgin görünse de bunun nedeni veride birbirleriyle sıkı ilişkili olmalarıdır; bu, fiziksel önemlerinin eksikliğini göstermez. Genel olarak etkili özelliklerin sıralaması, yumuşak kilde temellerin nasıl davrandığına dair uzun süredir var olan mühendislik sezgileriyle iyi örtüşür.

Gelecek tasarımlar için ne anlama geliyor

Bu çalışma, özellikle Monte Carlo simülasyonu ile birleştirilmiş dikkatle ayarlanmış makine öğreniminin, mühendislerin mikro kazıklı rögarların farklı yükler altında nasıl oturacağını tahmin etmeleri ve bu tahminlerin belirsizliğini nicelendirilmeleri için pratik bir araç sunabileceğini gösterir. Şimdilik bulgular laboratuvarın kontrollü koşulları ve seçilmiş saha testleri içinde en güçlüdür; çalışma, daha fazla tam ölçekli veri ve daha geniş zemin aralıkları çağrısında bulunur. Yine de çerçeve, veri odaklı modeller ile geleneksel geoteknik anlayışın zor zeminlerde daha güvenli ve daha verimli temel tasarımları oluşturmak için nasıl birlikte çalışabileceğini gösterir.

Atıf: El Gendy, M. Data-driven prediction of micro-piled raft load–settlement using machine learning and Monte Carlo simulation. Sci Rep 16, 16180 (2026). https://doi.org/10.1038/s41598-026-54119-6

Anahtar kelimeler: mikro kazıklı rögar temelleri, makine öğrenimi, Gaussian süreç regresyonu, yük-oturma davranışı, Monte Carlo simülasyonu