Freeze-thaw Damage Model for Compressive Strength of Flowable Solidified Soil Based on Machine Learning

تخيل أنك تبني قلعة من الرمال، ولكن بدلاً من استخدام الرمل فقط، تقوم بخلطه بغراء خاص وماء لجعله قوياً للغاية. هذا يشبه إلى حد كبير ما يفعله المهندسون مع "التربة المتصلبة الانسيابية". إنهم يأخذون تربة ناعمة وطينية (أحياناً حتى من مخلفات المصانع) ويخلطونها مع مواد رابطة لإنشاء مادة صلبة مثالية لملء الفجوات تحت الطرق أو أساسات المباني. إنها طريقة خضراء وذكية لإعادة استخدام النفايات وبناء هياكل قوية. لكن هناك مشكلة: إذا بنيت هذا في مكان بارد، فإن الطقس يلعب لعبة "التجميد والذوبان" الخبيثة. فعندما يتجمد الماء داخل التربة، فإنه يتمدد مثل البالون، مما يؤدي إلى تشقق المادة من الداخل. وعندما يذوب، تظل الشقوق موجودة. افعل ذلك مراراً وتكراراً، وستتحول قلعتك الرملية القوية إلى كومة من الفتات.

لفترة طويلة، كان التنبؤ بدقة بمدى فقدان هذه التربة لقوتها بعد مئات من دورات التجميد والذوبان يشبه محاولة تخمين حالة الطقس لشهر قادم باستخدام بارومتر فقط. استخدم المهندسون صيغاً قديمة كانت جيدة نوعاً ما، لكنها غالباً ما كانت تخطئ الهدف لأن العلاقة بين مكونات الخليط والضرر هي علاقة فوضوية ومعقدة. وهنا يأتي دور الورقة البحثية التي ستطالعها الآن. فهي تستبدل البارومتر القديم ببلورة سحرية عالية التقنية تسمى "تعلم الآلة" (Machine Learning). فبدلاً من الرياضيات البسيطة، تستخدم خوارزميات حاسوبية تتعلم من التجارب الحقيقية لرصد الأنماط التي قد يغفل عنها البشر. السؤال الكبير هو: هل تستطيع هذه الحواسيب الذكية التنبؤ بدقة بمدى قوة التربة بعد أن ينهكها الطقس البارد، وما هو المكون الأكثر أهمية؟

البلورة الرقمية: التنبؤ بقوة التربة المتجمدة

في هذه الدراسة، قرر فريق من الباحثين من جامعة تشنغتشو وشركاء في هينان، الصين، تعليم الحواسيب كيفية التنبؤ بمصير التربة المتصلبة الانسيابية في الظروف المتجمدة. لم يكتفوا بالتخمين؛ بل أجروا تجربة ضخمة. أخذوا طيناً غرينياً (نوع من التربة) وخلطوه بكميات مختلفة من "المصلد" (الغراء)، و"المادة المضافة" (مادة كيميائية مساعدة)، والماء. صنعوا 50 دفعة مختلفة من هذه التربة، كل منها بوصفة فريدة. ثم أخضعوا مكعبات التربة الصغيرة هذه لدورة قاسية: تجميدها عند -10 درجة مئوية وإذابتها عند 20 درجة مئوية، مع تكرار هذه العملية حتى 50 مرة. وبعد كل جولة من التجميد والذوبان، قاموا بسحق المكعبات لقياس قوتها الانضغاطية.

مع هذا الجبل من البيانات، بنى الباحثون أربعة "أدمغة رقمية" مختلفة (نماذج تعلم آلة) لتعلم قواعد اللعبة:

1. شجرة القرار (DT): تشبه المخطط الانسيابي الذي يطرح أسئلة بسيطة بنعم أو لا.
2. الشبكة العصبية الخلفية (BP): نموذج يحاكي كيفية اتصال الخلايا العصبية البشرية.
3. انحدار متجه الدعم (SVR): طريقة تحاول إيجاد أفضل خط ليتناسب مع نقاط البيانات.
4. XGBoost: فريق متطور من أشجار القرار التي تعمل معاً لتقديم تنبؤ أكثر ذكاءً.

كان الهدف هو معرفة أي "دماغ" يمكنه التنبؤ بقوة التربة بعد تعذيب التجميد والذوبان، بناءً على أربعة مدخلات فقط: كمية الغراء المستخدمة، كمية المادة المساعدة، نسبة الماء إلى التربة، وعدد مرات التجمد.

المواجهة: من حصل على أفضل الدرجات؟

عند اختبار النماذج، كانت النتائج مزيجاً من "الذهول" و"الخطأ".

كان نموذج شجرة القرار (DT) مستعرضاً لعضلاته قليلاً في الفصل الدراسي (مجموعة التدريب). لقد حفظ الإجابات بشكل مثالي، وحصل على درجة تقترب من الكمال. ولكن عندما واجه اختباراً جديداً (مجموعة الاختبار)، انهار تماماً. لقد عانى من "الفرط في التخصيص" (Overfitting)، وهو يشبه الطالب الذي حفظ أسئلة الامتحان التجريبي ولكنه أصيب بالذعر عندما كانت الأسئلة الحقيقية مختلفة قليلاً. كانت تنبؤاته مشتتة، مع درجة دقة منخفضة بلغت 0.79.

أما نماذج الشبكة العصبية الخلفية (BP) و (SVR) فكانا أكثر ثباتاً. لم يحفظا الإجابات بهوس شديد، لذا تعاملا مع الاختبار الجديد بشكل جيد، محققين دقة عالية بلغت 0.98. كانا موثوقين، لكنهما لا يزالان يعانيان من بعض اللحظات المترنحة.

وكان النجم الحقيقي للعرض هو XGBoost. هذا النموذج الجماعي، الذي يجمع حكمة العديد من الأشجار الصغيرة، حقق التوازن المثالي. لم يكتفِ بالحفظ؛ بل فهم الأنماط. حقق دقة اختبار بلغت 0.95، وهي أقل قليلاً من أعلى نموذجين، لكنه جاء مع ميزة كبرى: كان الأكثر استقراراً. عندما نظر الباحثون إلى الأخطاء (مدى ابتعاد التنبؤات عن الواقع)، كانت أخطاء XGBoost صغيرة ومتسقة، بينما كانت أخطاء النماذج الأخرى تتأرجح بشكل جامح. لقد كان "الدماغ الرقمي" الأكثر قوة لهذه المهمة.

المكون السري: ما الذي يهم حقاً؟

بمجرد حصولهم على أفضل نموذج لديهم (XGBoost)، استخدم الباحثون أداة خاصة تسمى SHAP لسؤال الحاسوب: "أي عامل هو الذي يتسبب في كسر التربة؟"

أعطى الحاسوب ترتيباً واضحاً للأهمية:

1. دورات التجميد والذوبان (F-T): كان هذا هو الزعيم بلا منازع. عدد مرات تجميد التربة وإذابتها كان له التأثير الأكبر على قوتها. لقد كان العامل المهيمن.
2. جرعة المصلد (SD): كمية الغراء التي وضعتها كانت ثاني أهم شيء.
3. جرعة المادة المضافة (AD): المادة الكيميائية المساعدة كانت مهمة، ولكن أقل من الغراء.
4. نسبة الماء إلى الصلب (WS): كانت كمية الماء هي الأقل تأثيراً من بين الأربعة، رغم أنها لا تزال تلعب دوراً.

كما أظهر التحليل كيف تعمل هذه العوامل. على سبيل المثال، عدد دورات التجميد والذوبان المرتفع (عدد كبير) يدفع دائماً القوة المتوقعة للأسفل. أما زيادة المصلد (الغراء) فتدفع القوة للأعلى. لكن العلاقة لم تكن دائماً خطاً مستقيماً؛ فأحياناً يكون لوجود الكثير أو القليل من مكون معين تأثيرات مختلفة، وكان نموذج تعلم الآلة ذكياً بما يكفي لالتقاط تلك المنعطفات الدقيقة.

الخلاصة

لا تقول هذه الورقة البحثية فقط "الحواسيب رائعة". بل تثبت أنه بالنسبة للتنبؤ بكيفية بقاء التربة المتصلبة الانسيابية في المناخات الباردة، فإن نموذج تعلم آلة ذكي (تحديداً XGBoost) يتفوق بمراحل على التخمين التقليدي أو الصيغ البسيطة. يمكنه التنبؤ بالضرر بدقة عالية، والأهم من ذلك، أنه يخبر المهندسين بالضبط بالمتغيرات التي يجب مراقبتها.

وجد الباحثون أنه بينما تهم وصفة التربة، فإن عدد دورات التجميد والذوبان هو "الشرير" الرئيسي. ومن خلال استخدام هذا النموذج، يمكن للمهندسين في المناطق الباردة الآن تقدير المدة التي ستستغرقها هياكل التربة الخاصة بهم بسرعة دون الحاجة للانتظار لسنوات لتختبرهم أحوال الطقس الحقيقية. إنها طريقة أسرع وأذكى لبناء طرق وأساسات أكثر أماناً، مما يضمن أن "القلاع الرملية" في المستقبل لن تنهار عندما يأتي الشتاء.