אסטמציה של יכולת הנושאת של אדמה היא היבט קריטי של הנדסה גיאוטכנית.התראות גבוהה להבטיח את הבטיחות והיציבות של יסודות עבור מבנים, גשרים, מבנים אחרים.באופן מסורתי, מהנדסים מסתמכים על נוסחאות אמפיריות ובדיקות מעבדה, אשר יכול להיות זמן-consuming ולעתים מחלחלים בשל יכולת הנטועת של תכונות קרקע.

תפקידה של Machine Learning בהנדסת גיאוטכני

אלגוריתמי למידת מכונות מתאימים במיוחד לבעיות גיאו-טכניות מכיוון שהם יכולים מודל יחסים לא ליניאריים בין הפרמטרים הקרקעיים לבין יכולת הנושאת מבלי לדרוש צורה מתמטית מוגדרת מראש.גמישות זו מאפשרת למהנדסים לשלב מגוון רחב של משתנים קלט - כגון סוג אדמה, צפיפות, תוכן לחות, כוח מעודכנים, ודחיסות ספציפית - במודל חיזוי מתמיד של נתונים, על ידי אימון על פני היסטורית ונתונים מעבדה, מודלים של ML כדי ללמוד מצבים שונים, כמו נוסחאות סטנדרטיים יותר מאשר קיבולת הסתברות גבוהה יותר מאשר סימולציה של קיבולת קיבולת מתודולוגיה, לעתים קרובות מתודולוגיה של מתודולוגיה של מתודולוגיה של מתודולוגיה, מתודולוגיה, מתודולוגיה של מתודולוגיה, מתודולוגיה, מתודולוגיה, מתודולוגיה, מתודולוגיה, מתודולוגיה, מתודולוגיה, קיבולת מתודולוגיה, מתודולוגיה, מתודולוגיה, מתודולוגיה, מתודולוגיה של מתודולוגיה, מתודולוגיה של מתודולוגיה, מתודולוגיה, מתודולוגיה, מתודולוגיה של מתודולוגיה, מתודולוגיה, מתודולוגיה, מתודולוגיה, מתודולוגיה, מתודולוגיה, מתודולוגיה, מתודולוגיה, מתודולוגיה קיבולת מתודולוגי

מחקרים מראים כי תחזיות קיבולת נושא מבוססת ML יכולות להפחית את שולי השגיאה ב-20 עד 40% בהשוואה לגישות מסורתיות (FLT טיפוסית:0.comparative StudysFLT:1 שפורסם ב-FLT:2Computers ו- GeotechnicsFLT 3:3)). שיפור זה הוא בעל ערך במיוחד עבור פרויקטים גדולים של תשתיות, שבו אפילו שגיאות קטנות בעיצוב יכול להוביל בעלות משמעותית על פני סיכונים או בטיחות.

סוגים של Machine Learning Algorithms המשמשים

משפחות רבות של אלגוריתמים של ML כבר הוחלו על ידי estimation קיבולת.כל אחת מציעה נקודות חוזק נפרדות בהתאם לנפח הנתונים, מורכבות תכונה וצרכים הפרשיות.

  • (FLT:0) רגרסיה אלגוריתמים: ⁇ 1 (Ker Regression and Support Vector Regression (SVR) הם נקודות התחלה נפוצות. SVR משתמש בפונקציות ליבה כדי למפות נתונים לתוך מרחב גבוה יותר, ללכוד תלות לא ליניארית תוך שמירה על יעילות חישובית.מודלים אלה פלט מתמשך נושאת ערכים ולספק תובנה לחשיבות.
  • (FLT:0) עצים וזרמים אקראיים: אנדרל:1 ; עצי החלטות חלוקת הנתונים על בסיס סף תכונה, יצירת כללים מפרשים.
  • (FLT:0)Neural Networks: מודלים של למידה עמוקה:1, מרשתות להאכיל פשוטות קדימה לאדריכלות מורכבת יותר כמו רשתות עצביות אבולוציוניות (CNN), יכולים ללמוד ייצוגים לא לינאריים מאוד.הם יעילים במיוחד כאשר נתונים גדולים זמינים, אם כי הם דורשים כוונון היפר-פרמטר זהיר והם פחות מפרש מאשר שיטות המבוססות על עץ.
  • (FLT:0)Gradient Boosting Machines (XGBoost, LightGBM): ibph:1 שיטות האנסמבל הללו הפכו פופולריות בשל הדיוק הגבוה שלהם וקבועות מובנה.הם לעתים קרובות מחלחלים אלגוריתמים אחרים על נתונים גיאוטכניים לשוניים שיכולים להתמודד עם סוגי נתונים מעורבים.

בחירת האלגוריתם המתאים תלויה בגודל של הנתונים, רמת הרעש, והסובלנות של המהנדס למורכבות המודל. בפועל, שילוב של אלגוריתמים באמצעות למידה של הרכב מניב לעתים קרובות את התוצאות הטובות ביותר.

היתרונות של שימוש ב- Machine Learning

  • (FLT:0) שיפור הדיוק: מודלים של ML 1FLT 1 , באופן עקבי להשיג שגיאות חיזוי נמוכות יותר בהשוואה לנוסחאות אמפיריות, במיוחד כאשר נתונים ספציפיים לאתר משולבים.
  • (FLT:0) עיבוד יעיל של נתונים גדולים: OVAFLT 1 עם הגידול של מסדי נתונים גיאוטכניים דיגיטליים, ML יכול לנתח אלפי יומני חורב ובדיקות מעבדה תוך דקות - משימה שתקח שבועות באופן ידני.
  • (FLT:0) ,Adaptability לסוגים שונים של אדמה: ⁇ 1 מודלים המאומנים על נתונים גלובליים מגוונים ניתן לתקן היטב לתנאים מקומיים, להפחית את הצורך בבדיקות חדשות נרחבות.
  • (FLT:0)פונטני עבור estimations בזמן אמת:FLT 1 לאחר פרס, מודלים של ML מספקים תחזיות מיידיות במהלך חקירות האתר, ומאפשר קבלת החלטות מהירה.

עם זאת, היתרונות האלה באים עם אחריות.Overfitting נשאר דאגה אם מודלים מאומן על דגימות קטנות או מוטות. אימות ריגרוזי באמצעות נתונים לא נראים חיוני כדי להבטיח אמינות בפועל.בנוסף, מהנדסים חייבים להבין את המגבלות של כל מודל שחור-box ולהשתמש בידע דומיין כדי לפרש תפוקה קריטית.

הכנת נתונים ומודל הדרכה

ההצלחה של מודלים של ML נושא קיבולת מינוף תלויה באיכות וברלוונטיות של נתוני האימון.שלבי מפתח כוללים:

  1. (FLT:0) איסוף נתונים: ⁇ FLT:1 , פרמטרים קרקעיים Gather מבדיקות חדירה סטנדרטיות (SPT), בדיקות חדירות cone חדירות (CPT), בדיקות משולשות מעבדה, ומדידות החלפתיות.
  2. (FLT:0) הנדסה של תכונות: FLT:1 משלב מדידות גלם לתוך חיזוי משמעותי - לדוגמה, ספירות מכות נורמליות, צפיפות יחסית, או יחסי מתח יעילים.
  3. (FLT:0) איסוף ואימות: נתונים חלוקת 1 לאימון (70–80%), אימות (10-15%), ומבחן (10-15%) משתמשים ב- k-fold cross-validation כדי להעריך יציבות מודל.
  4. (FLT:0) בחירה ודימום יתר-פרפרפרפרמטר: קיד 1) השתמש בחיפוש רשת או אופטימיזציה Bayesian כדי למצוא היפרפרמטרים אופטימליים (למשל, מספר עצים, שיעור למידה, עומק רשת).
  5. (FLT:0) אי-וודאותיות הקוונטיות: מודלים של ML:1 ⁇ הם ⁇ סטים; הוספת שכבות טיפות ברשתות עצביות או באמצעות יערות תוקפנות קוונטית יכול לספק מרווחי חיזוי, עוזר מהנדסים להעריך סיכון.

דוגמה לזרימת עבודה באמצעות מדריך הלמידה וה- XGBoost של Python מתוארת ב-FLT:0 (Geotechnical Machine Learning GuideFLT:1 שפורסם על ידי האגודה הבינלאומית ל-Soil Mechanics ו- Geotechnical Engineering.לאחר הנחיות כאלה מבטיחות התאמה מחדש ואמון בתוצאות.

מחקרים ויישומים

מספר קבוצות מחקר הוכיחו את התועלת המעשית של ML עבור הערכת יכולת:

  • (ב) ,0) ,Offshore Wind Farm Funds: FLT:1cio A מחקר ב-FLT:2Ocean EngineeringFLT 3 השתמש במודל יער אקראי מאומן על נתונים CPT מ 50 אתרים בחו"ל, השגת R2 של 0.94 כאשר לחזות יכולת אקסקסיאלית של מונופילס - באופן משמעותי מצמצם שיטות מסורתיות המבוססות על CPT:
  • החוקרים השתמשו ברשת עצבית עמוקה לתוצאות מבחן מעבדה מ-200 דגימות חימר.המודל חזה יכולת נושאת בסופו של דבר בתוך ±5% מהערכים הממדדים, בהשוואה ל- ±20% לנוסחת Skempton.
  • (FLT:0) עיצוב בנקאות של רואד: FLT:1 סוכנות תחבורה השתמש ⁇ להגביר את ההערכה של יכולת הנושא לאורך 10 ק"מ כביש היישור, באמצעות שילוב של לידאר טופוגרפיה, מפות אדמה ונתוני עששת מוגבלים.המודל אפשר ירידה של 30% בנקודות חקירה קרקע יקרות תוך שמירה על ביטחון עיצוב.

דוגמאות אלה מדגישות כי מודלים ML ניתן לפרוס באופן אמין עבור עיצוב סטטי ודינמי כאשר מאומן על נתונים נציג ואומת נגד מדידות עצמאיות.

כיוונים עתידיים ואתגרים

למרות תוצאות מבטיחות, יש להתגבר על מספר אתגרים כדי לשלב ML לתוך תרגול גיאוטכני שגרתי:

  • (FLT:0Data Quality and Standardization:FLT:1Buildsets היסטוריים רבים אינם שלמים או רשומים בפורמטים לא עקביים.הקמה של מסדי נתונים גיאוטכניים פתוחים, סטנדרטיים (כמו FLT:2Geo Transform InitiativeFLT:3) חיוני לאימון מודלים חזקים.
  • (FLT:0)Model Affairability: FLT:1 מודלים Black-box נפגשו לעתים קרובות עם הספקנות על ידי גופים רגולטוריים.טכניקות כמו SHAP (SHapley Additive exPlanations) ופיסות התלות חלקית יכולות לעזור להסביר תחזיות ולבנות אמון.
  • (FLT:0) שילוב של ריקנות מרחבית: קיבולת דאבל 1 (Berph:1) הוא בעל קיבולת רבת-מרחבית תואמים באופן מרחבי.שלב ML עם גיאוסטיסטים (למשל, קרירינג) ושכבות GIS - כגון נתונים רגישים מרחוק, מודלים של גובה דיגיטלי, ומפות אדמה - יכול לשפר תחזיות מרחביות.
  • (FLT:0) שילוב בזמן אמת: FLT:1 Embedding ML לתוך כלי שיט המעידים על שדה (למשל, CPT cones with onboard) יאפשר הערכות יכולות מיידיות במהלך קידוח. Edge ומודלים קלים (למשל, רשתות עצביות קוונטיות) להפוך את זה אפשרי.
  • (FLT:0) קבלת אישור: קודים הנדסיים וסטנדרטים מסתמכים כיום על שיטות הסתברותיות או פשטניות.מחיש כי מודלים של ML עומדים או מעל מטרות אמינות יידרשו שיתוף פעולה בין חוקרים, מתרגלים וועדת קוד.

במבט קדימה, ההיתוך של ML עם מודלים המבוססים על פיזיקה - הנקראים לעתים קרובות רשתות עצביות מדע הפיזיקה (PINNs) - עשוי להציע את הטוב ביותר של שני העולמות: גמישות המונעת על ידי נתונים עם דבקות במשוואות גיאומטריות. גישה זו יכולה להתמודד עם תרחישים נתונים דלילים יותר בחסד לייצר תחזיות עקביות יותר מבחינה גופנית.

מסקנה

אלגוריתמי למידת מכונות מייצגים התקדמות משמעותית בהערכה של יכולת הנושא, המציע דיוק גבוה יותר, הסתגלות ויעילות בהשוואה לשיטות אמפיריות מסורתיות. על ידי ריפוי קפדני של נתונים הכשרה, בחירת אלגוריתמים מתאימים, ואימות תוצאות נגד מדידות שדה, מהנדסים גיאוטכניים יכולים לרתום ML כדי לעצב יסודות בטוחים יותר וכלכליים יותר.