Application of XGBoost Extreme Gradient Boosting Model in the Evaluation of Shallow Gas Hazards in Urban Strata—A Case Study of a Typical Area in LG City

تقبع تحت شوارع العديد من المدن الحديثة طبقة خفية من الغاز الطبيعي، محتجزة في التربة الرخوة المشبعة بالمياه تحت السطح مباشرة. ليس هذا هو الغاز العميق عالي الضغط المستخدم لتزويد المنازل بالطاقة، بل هو خليط من الميثان يتولد بيولوجياً وغالباً ما يكون ضحلاً، ويتراكم في جيوب داخل الرمال والطين. ولأنه يقع قرياً جداً من السطح، يمكن لهذا الغاز أن يبني ضغطاً كبيراً، مما يخلق تهديداً صامتاً لمشاريع البناء، وأنفاق المترو، وحتى أساسات المباني. فعندما يقوم العمال بالحفر في الأرض أو التنقيب من أجل قبو جديد، فإنهم يخاطرون باختراق هذه الجيوب المضغوطة، مما قد يؤدي إلى انهيارات أرضية مفاجئة، أو انفجارات غازية، أو قذف للتربة والمياه. وبالنسبة لمخططي المدن والمهندسين، كان التحدي طويلاً في معرفة مكان وجود هذه الجيوب الخطيرة بدقة قبل البدء في الحفر. تقليدياً، اعتمد التنبؤ بهذه المخاطر بشكل كبير على خبرة الجيولوجيين وتفسير طبقات الصخور المحلية، وهي طريقة تعمل جيداً في بعض الأماكن ولكنها تواجه صعوبة في رصد الأنماط المعقدة والمتغيرة لتراكم الغاز في البيئات الحضرية الكثيفة.

ولمعالجة حالة عدم اليقين هذه، لجأ فريق من الباحثين إلى نهج مختلف، باستخدام أداة تعلم حاسوبية قوية لرسم خرائط المخاطر الخفية في لونغ غانغ، وهي مدينة ساحلية في مقاطعة تشجيانغ بالصين. وبدلاً من الاعتماد فقط على الحدس البشري، قام الفريق بتغذية كمية هائلة من البيانات الجيولوجية في خوارزمية تُعرف باسم "XGBoost"، وهي نوع من نماذج تعلم الآلة المصممة لإيجاد أنماط دقيقة في مجموعات البيانات المعقدة. جمع الباحثون معلومات حول ثمانية ظروف محددة تؤثر على ما إذا كان الغاز سيتراكم ويسبب مشكلات: مدى عمق الغاز، مقدار الضغط الذي يمارسه، عدد الطبقات الغنية بالغاز، كمية الكربون العضوي في التربة، محتوى المياه، مسامية الأرض، مستويات تشبع الغاز، والضغط الإجمالي للتكوين. لقد عاملوا المدينة كشبكة عملاقة، حيث قسموها إلى مربعات صغيرة وصنفوا كل منها بناءً على ما إذا كانت موقعاً معروفاً لانهيار أرضي أو منطقة آمنة. ومن خلال تدريب الحاسوب على التعرف على مجموعة العوامل الموجودة في المواقع الخطرة مقابل المواقع الآمنة، تعلم النموذج التنبؤ بمكان وجود مخاطر مماثلة في أماكن أخرى.

كانت نتائج هذا التدريب الرقمي مذهلة. فقد أثبت النموذج الحاسوبي، بعد ضبطه بدقة باستخدام طريقة متطورة لإيجاد الإعدادات المثالية لحساباته، أنه دقيق للغاية في التمييز بين الأرض الآمنة والمناطق الخطرة. وعند اختباره مقابل بيانات من العالم الحقيقي، حقق النموذج درجة عالية تشير إلى أنه يمكنه الفصل بين المناطق الخطرة والآمنة بشكل موثوق، وهو أفضل بكثير من التخمين العشوائي. وكشف التحليل أن العامل الأكثر حرجاً في التنبؤ بالكارثة كان ببساطة عدد الطبقات الحاملة للغاز الموجودة في التربة؛ فكلما زادت طبقات التربة الغنية بالغاز فوق بعضها البعض، زادت المخاطر. وجاء في المرتبة الثانية مباشرة تشبع الغاز ومسامية الأرض. كما أوضح النموذج كيف تعمل عوامل معينة ضد الخطر، حيث أظهر أن ارتفاع محتوى الكربون العضوي وظروف ضغط معينة يساعدان في الواقع في كبح خطر الانفجار.

باستخدام هذه الرؤى، أنجز الباحثون خريطة تفصيلية لمدينة لونغ غانغ تلون المدينة وفقاً لمستوى خطرها. وأظهرت الخريطة أنه بينما تقع غالبية المدينة في فئة خطر متوسطة، فإن أحياء معينة، لا سيما مجتمعات "دونغ باي" و"شيباي"، تقع في مناطق ذات عرضة عالية للخطر. ويتوافق هذا الاكتشاف بشكل وثيق مع السجلات التاريخية، حيث وقعت جميع الانهيارات الأرضية التي حدثت بالفعل في المنطقة ضمن المناطق التي حددها النموذج كعالية الخطورة. وتثبت الدراسة أن الأدوات القائمة على البيانات يمكنها بنجاح فك رموز الإشارات الجيولوجية المعقدة للغاز الضحل، مما يوفر طريقة أكثر دقة لتحديد مناطق الخطر مقارنة بالطرق التقليدية وحدها. وبينما يعتمد النموذج الحالي على بيانات جيولوجية ثابتة ولا يأخذ في الاعية بعد الأنشطة البشرية الديناميكية أو التفاعلات المتسلسلة التي قد تحفز الانهيار، فإنه يوفر أساساً متيناً للتخطيط المستقبلي للسلامة. ومن خلال تحديد مكان احتمال فشل الأرض، يساعد هذا النهج مدناً مثل لونغ غانغ على الاستعداد للقوى غير المرئية تحت أقدامهم، مما يضمن أن عمليات البناء المستقبلية يمكن أن تمضي قدماً بفهم أوضح للمخاطر الكامنة في الأسفل.