← أحدث الأبحاث
🤖 AI

Predicting California Bearing Ratio with Ensemble and Neural Network Models: A Case Study from Turkiye

تُظهر هذه الدراسة أن نموذج الغابة العشوائية (Random Forest)، الذي تم تدريبه على 382 عينة تربة من تركيا، يتنبأ بفعالية بنسبة تحمل كاليفورنيا (CBR) بدقة عالية (R²=0.83)، مما يوفر بديلاً سريعاً وموثوقاً يعتمد على تعلم الآلة للاختبارات المختبرية التقليدية المستهلكة للوقت في الهندسة الجيوتقنية.

المؤلفون الأصليون: Abdullah Hulusi Kökçam, Uğur Dağdeviren, Talas Fikret Kurnaz, Alparslan Serhat Demir, Caner Erden

نُشر 2026-09-07
📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Abdullah Hulusi Kökçam, Uğur Dağdeviren, Talas Fikret Kurnaz, Alparslan Serhat Demir, Caner Erden

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

قبل بناء أي طريق، يجب على المهندسين معرفة ما إذا كانت الأرض الواقعة تحته قوية بما يكفي لتحمل وزن حركة المرور. هذا ليس مجرد تخمين؛ بل هو عملية حسابية تعتمد على مقدار الضغط الذي يمكن للتربة تحمله قبل أن تنهار. ولما يقرب من قرن من الزمان، كانت الطريقة القياسية لقياس هذه القوة هي اختبار يسمى "نسبة تحمل كاليفورنيا" (California Bearing Ratio). في المختبر، يتم دفع مكبس داخل عينة من التربة بسرعة ثابتة وبطيئة. وتتم مقارنة القوة المطلوبة لدفع المكبس إلى الداخل بالقوة اللازمة لدفعه في كتلة قياسية من الحجر المسحوق. والنتيجة هي رقم واحد يخبر المهندسين بمدى جودة أداء تلك التربة كقاعدة للطرق السريعة أو مدارج المطارات. وبينما تعد هذه الطريقة موثوقة، إلا أنها بطيئة ومكلفة، وتتطلب إرسال العينات إلى المختبر، مما قد يؤدي إلى تأخير المشاريع وزيادة التكاليف. ومع تزايد الطلب على بناء أسرع وأكثر كفاءة، بدأ الباحثون يتساءلون عما إذا كان بإمكان الحواسيب تعلم التنبؤ بهذا الرقم بمجرد النظر إلى خصائص أخرى للتربة يسهل قياسها.

وضع فريق من الباحثين في تركيا نصب أعينهم الإجابة على هذا السؤال من خلال تعليم الحواسيب كيفية التعرف على الأنماط الخفية في بيانات التربة. فقد جمعوا مجموعة كبيرة من المعلومات من 382 عينة تربة مختلفة مأخوذة من مناطق متنوعة في جميع أنحاء البلاد. وبالنسبة لكل عينة، كانوا يعرفون بالفعل "نسبة تحمل كاليفورنيا" النهائية من اختبارات مختبرية سابقة. كما كان لديهم قائمة بالخصائص الأخرى لكل عينة، مثل كمية المياه التي يمكن للتربة الاحتفاظ بها، ومدى نعومة أو خشونة الجزيئات، ومدى انكماش أو انتفاخ التربة. وقد عامل الباحثون هذه المعلومات كأنها أحجية، حيث قاموا بتغذية هذه الخصائص المعروفة في اثني عشر برنامجاً حاسوبياً مختلفاً مصمماً لإيجاد علاقات رياضية. وتراوحت هذه البرامج من أشجار اتخاذ القرار البسيطة إلى الشبكات المعقدة التي تحاكي طريقة معالجة الدماغ البشري للمعلومات. وكان الهدف هو معرفة ما إذا كانت الحواسيب تستطيع تعلم القواعد التي تربط السمات الأساسية للتربة بتقييم قوتها النهائي دون رؤية نتائج اختبار القوة الفعلي أثناء تدريبها.

قسم الباحثون بياناتهم إلى مجموعتين. استخدموا معظم العينات لتعليم البرامج الحاسوبية، تاركين لها المجال للتدرب على إجراء التنبؤات وتصحيح أخطائها بنفسها. وحفظوا العينات المتبقية لتعمل كاختبار نهائي، لاختبار البرامج على تربة لم ترها من قبل. ولضمان أن تكون النتائج عادلة وليست مجرد تخمين محظوظ، قاموا بإجراء الاختبارات عدة مرات وضبطوا إعدادات كل برنامج حاسوبي للوصين إلى أفضل أداء ممكن. وبعد إجراء هذه المقارنة الصارمة، برز نوع واحد من البرامج كأكثرها دقة؛ فقد كان طريقة تجميعية تسمى "الغابة العشوائية" (Random Forest)، والتي تعمل من خلال دمج آراء العديد من نماذج اتخاذ القرار الأصغر للوصول إلى استنتاج واحد موثوق. وقد أثبت هذا النموذج أنه الأكثر مهارة في هذه المهمة، حيث تنبأ بقوة التربة في الاختبار النهائي بدرجة عالية من الدقة.

أظهرت النتائج أن نموذج "الغابة العشوائية" يمكنه التنبؤ بقوة التربة بدقة ملحوظة، متفوقاً على النتائج المختبرية الفعلية بشكل أفضل بكثير من البرامج الأحد عشر الأخرى التي تم اختبارها. وعندما نظر الباحثون في الفرق بين ما تنبأ به الحاسوب وما قاسه المختبر فعلياً، وجدوا أن الأخطاء كانت صغيرة ومتوازنة، مما يعني أن النموذج لم يكن يخمن باستمرار بقيمة أعلى أو أقل من الواقع. وبينما كان التنبؤ ببعض الحالات القصوى أكثر صعوبة، إلا أن الأداء العام كان قوياً بما يكفي للإشارة إلى أن هذا النهج قابل للتطبيق. لم تدّع الدراسة أن هذه الطريقة تحل محل الاختبار الفيزيائي تماماً، لكنها أثبتت أن الحاسوب يمكنه تقديم تقدير قريب جداً باستخدام بيانات غالباً ما تكون متاحة بالفعل. ويقدم هذا الاكتشاف مساراً عملياً للمهندسين، مما يشير إلى إمكانية استخدام هذه الأدوات الرقمية لفحص ظروف التربة بسرعة واتخاذ قرارات أسرع وأكثر استنارة خلال المراحل الأولى من تصميم الطرق والأساسات.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →