استفاده از الگوریتم های یادگیری ماشین برای بهبود برآورد ظرفیت

برآورد ظرفیت تحمل خاک یک جنبه حیاتی از مهندسی ژئوتکنیک است. برآورد دقیق اطمینان از ایمنی و ثبات پایه برای ساختمان ها، پل ها و دیگر ساختارها به طور سنتی، مهندسان به فرمول های تجربی و آزمایش های آزمایشگاهی متکی هستند که می توانند زمان بر و گاهی اوقات به دلیل تنوع ذاتی خواص خاک، از طریق الگوهای یادگیری ماشین گذشته، الگوریتم های یادگیری (ML) به عنوان ابزار پیچیده ای برای افزایش دقت و گاهی اوقات تخریب به دلیل افزایش قابلیت های قدرتمند از قابلیت های قابلیت های بهره برداری، و اثبات می رسند.

نقش یادگیری ماشین در مهندسی ژئوتکنیک

الگوریتم های یادگیری ماشین به ویژه برای مشکلات ژئوتکنیک مناسب هستند زیرا می توانند روابط غیر خطی بین پارامترهای خاک و ظرفیت تحمل را بدون نیاز به یک فرم ریاضی پیش تعریف شده مدل کنند.این انعطاف پذیری به مهندسان اجازه می دهد تا طیف گسترده ای از متغیرهای ورودی را شامل شوند - مانند نوع خاک، چگالی، قدرت رطوبت، و انعطاف پذیری - به یک مدل پیش بینی شده منفرد در زمینه های تاریخی و دقت آماری، می تواند آنها را به روز کند تا شرایط مختلف سایت ML را یاد بگیرند.

تحقیقات نشان می دهد که پیش بینی ظرفیت بر اساس ML می تواند حاشیه خطا را تا 20 تا 40 درصد در مقایسه با رویکردهای سنتی کاهش دهد (یک مطالعه معمولی مقایسه ای مقیاس پذیر که در رایانه و ژئوتکنیک ها منتشر شده است، این بهبود به ویژه برای پروژه های بزرگ زیرساختی که حتی خطاهای کوچک در طراحی و یا خطرات قابل توجه می تواند منجر به امنیت و یا خطرات قابل توجه شود، ارزشمند است.

انواع الگوریتم های یادگیری ماشین استفاده می شود

چندین خانواده از الگوریتم ML برای برآورد ظرفیت استفاده شده اند.هر یک نقاط قوت متمایز را با توجه به حجم داده ها، پیچیدگی ویژگی و نیازهای تفسیر ارائه می دهند.

الگوریتم های بازگشتی: [FLT 1] [FLT 1] تجاوز خطی و پشتیبانی از Vector Regressionion (SVR) نقاط شروع مشترک هستند. SVR از توابع هسته برای نقشه برداری داده های ورودی به فضای بالاتر بعدی، گرفتن وابستگی های غیر خطی در حالی که حفظ بهره وری محاسباتی استفاده می کند.
درختان تصمیم و جنگل های تصادفی: درختان تصمیم تجزیه داده ها بر اساس آستانه ویژگی، ایجاد قوانین قابل تفسیر، جنگل های تصادفی بسیاری از درختان را جمع آوری می کنند تا بیش از حد و بهبود تعمیم آنها در مدیریت طبقه بندی خاک های طبقه بندی و داده های از دست رفته، آنها را عملی برای کاربردهای میدانی که در آن همه پارامترهای اندازه گیری نمی شود.
شبکه های عصبی: مدل های یادگیری عمیق، از شبکه های خوراک به جلو ساده به معماری های پیچیده تر مانند شبکه های عصبی کانولولو (CNNs)، می توانند به طور خاص یاد بگیرند که آنها به خصوص موثر هستند زمانی که داده های بزرگ در دسترس هستند، هر چند آنها نیاز به تنظیم دقیق و کمتر تفسیر از روش های مبتنی بر درخت.
ماشین های تقویت کننده (XGBoost، LightGBM: این روش های گروه به دلیل دقت بالا و منظم سازی ساخته شده محبوب شده اند.

انتخاب الگوریتم مناسب بستگی به اندازه داده ها، سطح صدا و تحمل مهندس برای پیچیدگی مدل دارد.در عمل، ترکیبی از الگوریتم ها از طریق یادگیری گروهی اغلب بهترین نتایج را به دست می آورد.

مزایای استفاده از ماشین یادگیری

دقت بهبود یافته: مدل های ML به طور مداوم به خطاهای پیش بینی پایین تر در مقایسه با فرمول های تجربی، به ویژه هنگامی که داده های خاص سایت ثبت شده است.
پردازش مستقیم مجموعه داده های بزرگ: با رشد پایگاه های داده های ژئوتکنیک دیجیتال، ML می تواند هزاران برش سوراخ و آزمایش های آزمایشگاهی را در عرض چند دقیقه تجزیه و تحلیل کند - یک وظیفه که هفته ها به صورت دستی طول می کشد.
قابلیت بهره برداری از انواع مختلف خاک: مدل های آموزش دیده در مجموعه داده های متنوع جهانی می توانند برای شرایط محلی مناسب باشند، و نیاز به آزمایش های جدید گسترده را کاهش دهند.
] [توافق برای برآورد زمان واقعی: پس از استقرار، مدل های ML پیش بینی های فوری در طول تحقیقات سایت ارائه می دهند، اجازه می دهد تصمیم گیری سریع.

با این حال، این مزایا با مسئولیت ها همراه است.بیش از حد نگرانی است اگر مدل ها در نمونه های کوچک یا پیش زمینه ای آموزش داده شوند.تق. ریگوراتیک با استفاده از داده های دیده شده برای اطمینان از قابلیت اطمینان در عمل ضروری است، مهندسان باید محدودیت های هر مدل جعبه سیاه را درک کنند و از دانش دامنه برای تفسیر خروجی های انتقادی استفاده کنند.

آماده سازی داده ها و آموزش مدل

موفقیت مدل های ظرفیت ML در کیفیت و ارتباط داده های آموزشی بستگی دارد.

جمع آوری داده: پارامترهای خاک را از تست های نفوذ استاندارد (SPT)، تست های نفوذ مخروط (CPT)، تست های سه گانه آزمایشگاهی و متغیرهای هدف (توانایی تحمل) به طور معمول از تست بارگذاری صفحه یا محاسبات به خوبی تثبیت شده مشتق شده است.
مهندسی مواد: اندازه گیری های خام را به پیش بینی های معنی دار ترکیب کنید - به عنوان مثال، شمارش ضربه طبیعی، چگالی نسبی یا نسبت استرس موثر در اینجا حیاتی است؛ از جمله ویژگی های بی ربط می تواند عملکرد را کاهش دهد.
جمع آوری و اعتبار: داده های تقسیم به آموزش (70-80٪)، اعتبار (10 -15٪) و تست مجموعه (10 تا 15٪) استفاده از تقسیم متقابل دوگانه برای ارزیابی ثبات مدل.
انتخاب مدل و تنظیم hyperparameter: استفاده از جستجو شبکه یا بهینه سازی بیزی برای پیدا کردن hyperparameters بهینه (به عنوان مثال، تعداد درختان، میزان یادگیری، عمق شبکه) آموزش و از دست دادن اعتبار برای تشخیص بیش از حد.
اندازه گیری قطعی: مدل های ML تعیین کننده؛ اضافه کردن لایه های کشویی در شبکه های عصبی و یا استفاده از جنگل های رگرسیون quaria می تواند فواصل پیش بینی را فراهم کند، کمک به مهندسان در ارزیابی خطر.

یک مثال گردش کار با استفاده از سیکیت پایتون و XGBoost در راهنمای یادگیری ماشین آلات جغرافیا که توسط جامعه بین المللی مکانیک خاک و مهندسی ژئوتکنیک منتشر شده است، شرح داده می شود.

مطالعات موردی و برنامه های کاربردی

چندین گروه تحقیقاتی، ابزار عملی ML را برای برآورد ظرفیت های تحمل شده نشان داده اند:

بنیاد مزرعه بادی رسمی: مطالعه در مهندسی از یک مدل جنگل تصادفی آموزش داده شده در داده های CPT از 50 سایت های خارج از کشور، دستیابی به R2 از 0.94 در هنگام پیش بینی ظرفیت محوری مونوpiles - نشانه گذاری از روش های سنتی مبتنی بر CPT (Fview:5 مورد:5) استفاده می کند.

بنیادهای کمک رسانی بر روی خاک رس: محققان یک شبکه عصبی عمیق را به نتایج آزمایش آزمایشگاهی از 200 نمونه های رس اعمال کردند.این مدل ظرفیت نهایی را در حدود 5٪ از مقادیر اندازه گیری شده، در مقایسه با ± 20٪ برای فرمول Skempton پیش بینی کرد.

طراحی بانکداری: یک آژانس حمل و نقل از تقویت گرادیان برای برآورد ظرفیت تحمل در امتداد یک تراز بزرگراه 10 کیلومتر استفاده از ترکیبی از توپوگرافی LiDAR، نقشه های خاک و داده های سوراخ محدود استفاده کرد. این مدل باعث کاهش 30٪ در نقاط تحقیقات خاک پر هزینه در حالی که حفظ اعتماد به نفس طراحی شده است.

این مثال ها نشان می دهد که مدل های ML می توانند به طور قابل اعتماد برای طراحی پایه استاتیک و پویا در هنگام آموزش داده های نمایندگی و معتبر در برابر اندازه گیری های مستقل مستقر شوند.

مسیر های آینده و چالش ها

علی رغم نتایج امیدوار کننده، چندین چالش باید برای ادغام ML به روش معمول ژئوتکنیک غلبه کند:

کیفیت و استاندارد سازی داده ها: بسیاری از مجموعه داده های تاریخی ناقص یا ثبت شده در فرمت های متناقض.ایجاد پایگاه های داده باز، استاندارد ژئوتکنیک (مانند طرح توسعه جغرافیایی برای آموزش مدل های قوی ضروری است.

تفسیر مدل: مدل های جعبه سیاه اغلب با شک و تردید توسط بدن های نظارتی مواجه می شوند. تکنیک هایی مانند SHAP (برنامه ریزی افزودنی افزودنی محدود) و طرح های وابستگی جزئی می توانند به توضیح پیش بینی ها و ایجاد اعتماد کمک کنند.

تقسیم بندی تنوع فضایی: ظرفیت اتصال به طور ذاتی فضایی است. ترکیب ML با geostatistics (به عنوان مثال، Kriging) و لایه های GIS - مانند داده های سنجش از راه دور، مدل های ارتقاء دیجیتال و نقشه های خاک - می تواند پیش بینی های فضایی را بهبود بخشد.

ادغام زمان واقعی: ML را به ابزارهای تست زمینه (به عنوان مثال، مخروط های CPT با پردازش هواپیما) اجازه می دهد تا برآورد ظرفیت فوری در طول حفاری. Edge محاسبات و مدل های سبک (به عنوان مثال، شبکه های عصبی اسیدی) این امکان را فراهم کند.

] پذیرش شتاب بخش: کدهای مهندسی و استانداردها در حال حاضر بر روش های قابل تعیین یا ساده آزمایش استوار تکیه می کنند.

با نگاهی به آینده، ترکیب ML با مدل های مبتنی بر فیزیک - که اغلب شبکه های عصبی آگاه فیزیک (PINNs) نامیده می شود - ممکن است بهترین از هر دو جهان را ارائه دهد: انعطاف پذیری مبتنی بر داده با پایبندی به معادلات ژئومکانیکی.این رویکرد می تواند سناریوهای داده پراکنده را به طور ماهرانه ای بیشتر کنترل کند و پیش بینی های سازگارتری تولید کند.

نتیجه گیری

الگوریتم های یادگیری ماشین نشان دهنده پیشرفت قابل توجهی در برآورد ظرفیت تحمل، ارائه دقت بالاتر، سازگاری و بهره وری در مقایسه با روش های تجربی سنتی است.با دقت داده های آموزش، انتخاب الگوریتم های مناسب و معتبر نتایج در برابر اندازه گیری های میدانی، مهندسان ژئوتکنیک می توانند ML را برای طراحی امن تر و اقتصادی تر استفاده کنند.ادامه تحقیقات، به اشتراک گذاری داده ها و همکاری متقابل انضباطی کلیدی برای به دست آوردن راه حل های پیشرفته تر و به عنوان ابزار های کاربردی تر خواهد بود.