Table of Contents

وقد أدى التعلُّم العميق إلى ثورة العديد من المجالات، بما في ذلك الهندسة الجيوتقنية، ومن أكثر التطبيقات واعدة في تقدير خصائص التربة، وهي عوامل حاسمة بالنسبة لمشاريع البناء الآمنة والفعالة، وكثيرا ما تنطوي الأساليب التقليدية على أخذ عينات واسعة واختبار مختبري، يمكن أن يكون مستهلكا للوقت ومكلفة، ويتيح التعلم العميق بديلا أسرع وأكثر دقة عن تحليل مجموعات كبيرة من البيانات للتنبؤ بسلوك التربة.

أهمية تقدير ملكية التربة في الهندسة الجيولوجية التقنية

وتؤثر خصائص التربة، مثل قوة الشرائح، وقابلية التحمل، والقابلية للضغط، وخصائص التضاؤم، تأثيرا مباشرا على تصميم المؤسسات واستقرارها في الأجل الطويل، والمنحدرات، والجداول المحتفظ بها، والألعاب الأرضية، وتسمح التقديرات الدقيقة لهذه الممتلكات للمهندسين بمنع الفشل، وخفض تكاليف التجاوز في القيمة، وتحسين تسلسلات البناء.

اقتناء البيانات وإعداد نماذج التعلم العميق

ويتوقف نجاح أي تطبيق للتعلم العميق على نوعية وحجم وتنوع البيانات التدريبية، وفي الهندسة الجيوتيكية، تشمل مصادر البيانات عادة ما يلي:

  • In situ test results:] SPT blow counts, CPT cone resistance, pore pressure measurements, and shear wave velocity from geophysical surveys.
  • Laboratory test parameters:] Atterberg limits, grain size distribution, moisture content, density, unconfined compressive strength, and consolidate undrained triaxial results.
  • Remoteens and geospatial data:] LiDAR elevation models, multispectral satellite imagery, and ground-penetrating radio profiles.
  • خرائط جيولوجية وسجلات حفر: ] مصافي ثابتة، مستويات المياه الجوفية الملاحظ، وسجلات تاريخية للموقع.

ويتطلب إعداد البيانات معالجة دقيقة للقيم المفقودة، والكشف عن الميزان، والتطبيع، وهندسة المعالم، مثلاً، يمكن تصحيح قيم الجرعة النترونية من أجل الضغط المفرط وكفاءة الطاقة الدوارة قبل استخدامها كمدخلات، وكثيراً ما تدرج الإحداثيات المكانية (الشرق والشمال والارتقاء) كخصائص إضافية تتيح للنموذج تعلم الأنماط المعتمدة على الموقع.

مجموعات البيانات العامة والمنتجة

وتوفر عدة مستودعات مفتوحة بيانات عن اختبار التربة لأغراض البحث، بما في ذلك USGS Geochemical and Geospatial Data] repository and the ] Geoengineer.org soil property database. كما تحتفظ شركات استشارية كثيرة بسجلات لمواقع خاصة بها تُثبت وجود آلاف من نماذج التدريب.

بنية التعلم العميقة لتقدير ممتلكات التربة

ويتعلم نماذج التعلم العميق تلقائياً السمات الهرمية من المدخلات الخام أو المصممة، ويعتمد اختيار الهيكل على طبيعة بيانات المدخلات والممتلكات المستهدفة، كما أن الأسر الثلاث الأكثر استخداماً في التطبيقات الجيولوجية التقنية.

Convolutional Neural Networks (CNNs)

وترمي هذه المنظومات إلى تجهيز بيانات شبيهة بالشبكة مثل الصور أو صفائف الـ2D، وفي الهندسة الجيولوجية، طبقت أجهزة الـ CNN لتصنيف أنواع التربة من الصور المتقاطعة، والتنبؤ بحجم الماشية غير المأخوذة من صور مصورة من طراز CCPTu، وخرائط خصائص التربة من الصور المتعددة الأطياف للاستشعار عن بعد، وتشمل تركيبات نمطية للغطاءات (S-N) التي تُعدُّ على شكل الـّة (D).

Recurrent Neural Networks (RNNs) and Long Short-Term Memory (LSTM)

(أ) أن تكون أجهزة السحب الخاصة في معالجة البيانات المتسلسلة، مما يجعلها مثالية لنموذج خصائص التربة المعتمدة على عمقها، وبما أن سجلات الثقوب وأصوات الاختبارات المحتوية على الاختناق هي أساساً سلسلة من القياسات في أعماق متزايدة، فإن البرمجيات الوطنية المضغوطة يمكن أن تلتقط اتجاهات العمق وتصفح السيارات.

شبكة الظواهر العصبية في أعماق البحار وأجهزة التتبع المتعددة المطالِبين

وبالنسبة للبيانات البرمجية المنظمة، مثل مجموعة من خصائص الفهرس من عينة من التربة - وهي معيار من الـ دي إن إن يعمل جيداً، وتتألف هذه النماذج من طبقة مدخلات، وطبقات مخبأة متعددة، ووظائف تنشيط غير خطية (وحدة الأراضي، صنّف)، وطبقة إنتاج مناسبة للتراجع أو التصنيف، ويمكن أن تقارب أي وظيفة مستمرة نظراً لحجم الأعصاب ومستوياتها الطبيعية، وفي الممارسة العملية، يستخدم المهندسون في كثير من تقنيات الحد الأقصى من وزنها.

الهياكل الأساسية والمتقدمة

فالنهج الأحدث عهداً تجمع بين عدة هياكل، فعلى سبيل المثال، يمكن للشبكة أن تستخرج سمات مكانية من صورة لصورة التربة، بينما تقوم الإدارة الانتقالية بعمليات التسلسل العميق لمقاومة التغلغل، وتُستخدم آليات الاهتمام، المستوحاة من نموذج التحول، بشكل متزايد لترجيح سمات المدخلات بطريقة تكيفية.

التدريب النموذجي، والتقدير، والتقدير غير المستقر

ويشمل التدريب على نموذج للتعلم العميق لتقدير ممتلكات التربة عدة خطوات حاسمة تتجاوز مجرد التقليل إلى أدنى حد من الخسائر في بيانات التدريب.

الخسائر في الوظائف ومقاييس التقييم

وبالنسبة لمهام التراجع، فإن الخطأ المربع أو الخطأ المطلق هو وظائف خسارة مشتركة، لأن خصائص التربة يمكن أن تختلف عن عدة أوامر من الحجم، أو أهداف نقل الأخشاب أو قياسات الأخطاء النسبية (مثلاً، متوسط النسبة المئوية المطلقة، والخطأ في القيمة المضافة) كثيراً ما يفضل، أما بالنسبة لمهام التصنيف (مثل تحديد نوع التربة)، فإن قياسات التقييم الشاملة تعني معايير.

التلقيم عبر الحدود والتصويب المكاني

والبيانات الجيولوجية التقنية ترتبط ارتباطاً مكانياً في جوهرها، ويمكن أن تؤدي عمليات التقسيم التي تجرى على نطاق واسع إلى أداء مفرط في الطموح لأن الآبار القريبة تتقاسم خصائص مماثلة، حيث تقسم البيانات المكانية عبر التوابع الجغرافية أو بواسطة فترات زمنية أعمق، إلى تقدير أكثر واقعية للتعميم النموذجي، مثلاً، فإن الكم الهائل من المقاييس عبر النطاق باستخدام مساحات فضائية (500 ميل مربع) تكفل وجود متغيرات قياسية (مثلة).

التموين وإعادة التوحيد

ويمكن أن يتم اختيار العدد الأمثل من الطبقات، والأعصاب، ومعدل التعلم، وحجم الدفعة، ووظيفة الحفز باستخدام البحث عن الشبكات، والبحث العشوائي، أو التعظيم الأمثل في بايزي، ويحول التوقف المبكر استنادا إلى فقدان المصادقة على المصادقة دون الإفراط في الصبغة، ويمكن زيادة حجم البيانات بصورة مصطنعة، كما ذكر، بالنسبة لمجموعات البيانات الصغيرة (التي تتجاوز 500 عينة)، نقل التعلم من قاعدة بيانات نموذجية مهيأة على قاعدة بيانات واسعة النطاق.

دراسات الحالة والتطبيقات العملية

وقد أظهرت عدة مشاريع في العالم الحقيقي فعالية التعلم العميق لتقدير ممتلكات التربة.

Prediction of Undrained Shear Strength in Softكلايs

مشروع كبير للبنية التحتية في جنوب شرق آسيا يتطلب تحديد وديعة سميكة لتصميم النفق، العينات التقليدية لم تعطي سوى 40 نقطة بيانات عبر مواءمتها على مسافة كيلومترين، وقد تم تدريب شبكة عصبية عميقة على 300 ثقب تاريخي من تشكيلات جيولوجية مماثلة في المنطقة، باستخدام قيم متحركة، ومحتوى رطب، والحدود السائلة، وعمق كمدخلات، وقد تنبؤت نتائج التصميم غير المكثف في النفق واحد مربع

Soil Liquefaction Potential Mapping Using CNNs

استخدم المهندسون في كاليفورنيا جهازاً للفحص بالأشعة السينية لفحص بيانات الأشعة المقطعية لتقدير القدرة على التكتل، وكانت المدخلات شبكة 2D من مقاومة التكتل ونسبة الاحتكاك على العمق، والناتج كان تصنيفاً ثنائياً للسيكات في كل عمق، وقد تم تدريب النموذج على البيانات من زلزال لوما بريتا في عام 1989 وتم التحقق من ذلك في حدث شمالريدج في عام 1994، حيث بلغت نسبة الإجهاد 88 في المائة.

تقدير مدى انتشار الإدمان على المخدرات من الأكواب الفيزيائية

وفي دراسة نموذجية للمياه الجوفية، تم تدريب شبكة للإدارة المستدامة للأراضي على تسلسلات عمق الأوصاف الليثولوجية (التي تُدرج كمتغيرات قطعية) وقيسة مدى القدرة على التصريف الهيدروليكي من اختبارات التعبئة، وقد تم بنجاح التنبؤ بموجزات السلوك لمئات من الثقوب غير المأخوذة عبر طبقة مياه جوفية تبلغ 50 كيلومترا مربعا، مما قلل من تكلفة اختبارات إضافية للمضخات بأكثر من 60 في المائة.

التحديات والحدود

ورغم وعدها، فإن التعلم العميق في الهندسة الجيوتيكية يواجه عدة عقبات يجب الاعتراف بها.

نوعية البيانات وكميتها

فالعديد من مجموعات البيانات الجيولوجية التقنية صغيرة أو غير كاملة، وكثيرا ما تفتقر سجلات الحفر إلى البارامترات الرئيسية، وقد تكون الاختبارات المختبرية قد تكون لها أخطاء منهجية، وتتطلب نماذج التعلم العميق كميات كبيرة من البيانات العالية الجودة لتعميمها؛ ومع عدم كفاية البيانات، فإنها يمكن أن تبالغ في الاستفادة منها أو تنتج توقعات غير موثوقة خارج نطاق التدريب، ويمكن أن تظل مبادرات تبادل البيانات التعاونية (مثل قواعد البيانات على نطاق الصناعة) تخفف من هذه المسائل.

الترجمة الشفوية النموذجية

ويحتاج المهندسون والمنظمون إلى فهم سبب قيام نموذج ما بتنبؤ معين، وغالبا ما تعتبر نماذج التعلم العميق صناديق سوداء، وتُعتبر تقنيات مثل " شروح مضافة " و " ليم " (الشرحات التشخيصية النموذجية القابلة للترجمة الشفوية المحلية) ذات أهمية خاصة، ولكنها لا تستوعب دائما العلاقات السببية المادية، بل تضع نماذج مقوَّمة يمكن تفسيرها أو تُضَعَدَّد في مجالات الفيزياء.

Domain Shift and Spatial Variability

وقد يؤدي نموذج مدرَّب على البيانات من منطقة ما أداء ضعيفا في بيئة جيولوجية مختلفة بسبب التغيرات في تجليات التربة، والتعدين، والإجهاد التاريخي، ويجب على المهندسين أن يقيِّموا بعناية ما إذا كان توزيع البيانات التدريبية يطابق موقع الاختبار، كما أن التقنيات مثل تكييف المجالات عن طريق التدريب على الخصم أو استخدام شبكات الجينيات البيزيئية لقياس عدم التيق الوبائي يمكن أن تساعد على تحديد متى تكون التنبؤات غير موثوقة.

التكامل مع تدفقات العمل التقليدية

ولا تزال معظم الشركات الهندسية تعتمد على الأساليب المحددة أو شبه التجريبية لتقدير ممتلكات التربة، فالانتقال إلى التعلم العميق يتطلب ليس فقط استخدام البرامجيات والمعدات، بل أيضاً تحولاً ثقافياً في كيفية تخطيط وتنفيذ التحقيقات الجيولوجية التقنية، كما أن المشاريع الرائدة التي تقارن التنبؤات العميقة بنتائج الاختبار التقليدية يمكن أن تُسهم في بناء الثقة.

الاتجاهات المستقبلية والاحتياجات البحثية

ويتطور هذا المجال بسرعة، حيث توجد عدة اتجاهات واعدة في الأفق.

تعدد القوى وضغوط البيانات

ويمكن أن تؤدي البيانات المجمعة للمختبرات العالية الجودة، التي تتضمن قياسات كمية منخفضة الجودة في الموقع، إلى تحسين دقة النموذج مع خفض التكاليف، كما يجري استكشاف العمليات المتعددة الشكليات والشبكات العصبية التي تتعلم التباين بين مصادر البيانات، مثلاً باستخدام بيانات الاختبارات المكلورة قصيرة الأجل للتنبؤ بنوع سلوك التربة، ثم معايرة نموذج رفيع المستوى يُنتج عنه عدد قليل من الاختبارات الثلاثية.

شبكات الظواهر العصبية المُطلعة على الفيزياء

وقد وضعت الشرطة الوطنية قوانين مادية (مثل قانون دارسي لتدفق المياه الجوفية، ومعادلة ترزغي) مباشرة في مهمة الخسارة، وهذا يضمن أن التنبؤات تفي بالمعادلة المعروفة لإدارة المياه، وتحسين قدرات الاستقراء، وتقديم نتائج متسقة مادياً، وتشمل التطبيقات المبكرة في التكنولوجيا الجغرافية التنبؤ بمستحضرات التوحيد وعوامل الاستقرار المتخلفة في السلامة.

تصنيف الموقع الحقيقي

ومع ارتفاع أجهزة الحفر الآلية وأجهزة الاستشعار في الوقت الحقيقي، يمكن أن توفر نماذج التعلم العميق تقديرات فورية لممتلكات التربة أثناء التحقيق في الموقع، ويمكن أن يستكمل نموذج مدرَّب على المشاريع السابقة التنبؤات مع وصول بيانات جديدة، مما يتيح للمهندسين تكييف خطة أخذ العينات على ذبابة الطائرة، ويمكن أن يقلل حساب الحفر نفسه من الاحتياجات إلى الاحتياطات ونقل البيانات.

:: صعوبة الظروف المعاكسة

ويمكن أن تؤدي أخطاء المعالم والقياسات إلى تدهور الأداء النموذجي، ويمكن أن يؤدي التدريب على التنوع، حيث يكون النموذج معرضاً لمدخلات متعمدة فاسدة أثناء التدريب، إلى جعل النموذج أكثر قوة، إضافة إلى تجميع الأساليب التي يقلل متوسط التنبؤات من نماذج متعددة من التباين ويحسن الموثوقية.

خاتمة

ومن شأن اتباع أساليب تعلم عميق أن يبشر بالخير تحول تقدير ممتلكات التربة في الهندسة الجيولوجية التقنية، ومن خلال إتاحة تقييمات أسرع وأكثر دقة وفعالية من حيث التكلفة، يمكن لهذه التقنيات أن تحسن سلامة وكفاءة مشاريع البناء في جميع أنحاء العالم، كما أن إدماج الهياكل النموذجية المتقدمة، والتعامل السليم مع البيانات، والتيقن من الكم قد نقل هذه الأساليب من الفضول الأكاديمي إلى الأدوات العملية في مشاريع مختارة، غير أن الاعتماد الواسع النطاق سيتطلب التصدي للتحديات في مجال توافر البيانات، والتفسير النموذجي.