Hybridizing ES-MDA with RAGA and WSO: A Comparative Study for Characterizing Hydraulic Conductivity Fields

تعد المياه الجوفية ذلك الخزان غير المرئي القابع تحت أقدامنا، وهي شبكة شاسعة وخفية من المياه تتدفق عبر الصخور والرمال المسامية، وتمد المليارات بمياه الشرب وتدعم النظم البيئية. ولإدارة هذا المورد أو تنظيف التلوث، يجب على العلماء فهم مدى سهولة حركة المياه عبر الأرض، وهي خاصية تُعرف بالموصلية الهيدروليكية. تخيل أنك تحاول التنقل في مدينة حيث الشوارع تتغير باستمرار؛ إذا لم تتمكن من رسم خريطة لتدفق المياه عبر التربة، فلن تتمكن من التنبؤ بمكان انتقال تسرب كيميائي أو مقدار المياه التي يمكن أن ينتجها بئر بأمان. لعقود من الزمن، حاول الباحثون رسم هذه المسارات تحت الأرض عن طريق قياس مستويات المياه في عدد قليل من الآبار، ثم استخدام نماذج رياضية للتخمين فيما عدا ذلك. ومع ذلك، نادراً ما تكون الأرض متجانسة، وغالباً ما تفشل التخمينات البسيطة في استيعاب الواقع المعقد والمتقطع لكيفية حركة المياه تحت الأرض.

ولحل هذا اللغز، لجأ العلماء إلى خوارزميات حاسوبية قوية تعمل مثل محركات البحث لأفضل خريطة ممكنة. تختبر هذه الخوارزميات ملايين السيناريوهات المختلفة لما تحت الأرض، وتقارن النتائج بالقياسات الحقيقية حتى تجد الأنسب منها. ولكن هناك عقبة: غالباً ما تضل هذه الباحثين الرقميين طريقهم. فإذا بدأت بتخمين عشوائي تماماً حول الظروف تحت الأرض، فقد تهدر طاقة حوسبية هائلة في استكشاف سيناريوهات مستحيلة، أو قد تعلق في طريق مسدود محلي، ولا تجد أبداً الخريطة الحقيقية. هذا هو التحدي الذي سعى الباحثون غودونغ تشانغ، وتينغ شو، وديكيانغ ماو، وتشونهوي لو إلى معالجته في دراستهم الأخيرة. لقد طوروا طريقة جديدة لتوجيه محركات البحث هذه، مما يضمن أن تبدأ رحلتها في الحي الصحيح قبل أن تبدأ في البحث عن الموقع الدقيق.

ركز الباحثون على تقنية محددة تسمى "المُنعّم الجماعي مع استيعاب البيانات المتعددة"، أو ES-MDA. فكر في هذه الطريقة كوسيلة لتحسين صورة ضبابية قبل محاولة تحديد الشخص الموجود فيها. فبدلاً من البدء بتخمين جامح، استخدم الفريق أولاً تقنية ES-MDA لاستيعاب بيانات مستويات المياه الحقيقية من آبار المراقبة. لم تحل هذه العملية اللغز بأكمله، لكنها قلصت الاحتمالات بشكل كبير، مما خلق نقطة بداية أكثر وضوحاً وواقعية للخريطة تحت الأرض. ومع الحصول على نقطة البداية المنقحة هذه، سلموا المهمة بعد ذلك إلى خوارزميتين مختلفتين للتحسين: خوارزمية الجينات المتسارعة ذات الترميز الحقيقي (RAGA)، وخوارزمية استراتيجية الحرب (WSO). تعمل هاتان الطريقتان بشكل مختلف؛ إذ تحاكي إحداهما عملية التطور البيولوجي، من خلال الحفاظ على أفضل السمات وخلطها لإنشاء أجيال جديدة، بينما تحاكي الأخرى تكتيكات الحروب القديمة، باستخدام استراتيجيات الهجوم والدفاع لتحريك الجنود نحو هدف ما.

اختبر الفريق هذه الطرق الهجينة الجديدة على طبقة مياه جوفية محاكية، وهي كتلة أرضية تبلغ مساحتها 8,000 وحدة في 8,000 وحدة، مقسمة إلى شبكة من 640,000 خلية صغيرة. لقد أنشأوا خريطة مخفية "حقيقية" لكيفية تحرك المياه عبر هذه الأرض، ثم حاولوا إعادة بناءها باستخدام طرقهم. وعندما تركوا خوارزميات التحسين هذه تبدأ بتخمينات عشوائية، فشلت. كانت الخرائط الناتجة ضبابية وغير دقيقة، وغير قادرة على التقاط مناطق التدفق العالية والمنخفضة المعقدة. ومع ذلك، عندما استخدم الباحثون أولاً تقنية ES-MDA لتنقية التخمين الأولي، تغيرت النتائج بشكل جذري. فقد تمكنت كلتا الطريقتين الهجينتين، اللتين بدأتا الآن بمجتمع أولي أكثر ذكاءً، من إعادة بناء الخريطة المخفية بدقة عالية. ظهرت مناطق الموصلية العالية والمنخفضة بوضوح، مطابقة للهيكل الحقيقي تحت الأرض بشكل شبه مثالي.

كشفت الدراسة عن نقاط قوة متميزة في كل نهج. كانت الطريقة التي تجمع بين ES-MDA وخوارزمية استراتيجية الحرب، والمعروفة باسم ESMDA-WSO، هي الأسرع في الزوج. فقد وصلت إلى الحل بشكل أسرع وحققت نتيجة نهائية أكثر دقة قليلاً، حيث وجدت الخريطة المثلى في خطوات أقل. ومن ناحية أخرى، أثبتت الطريقة التي تستخدم الخوارزمية الجينية، ESMDA-RAGA، أنها اليد الأكثر ثباتاً. فعندما أجرى الباحثون المحاكاة عشر مرات لاختبار الاتساق، أنتجت الخوارزمية الجينية نتائج مستقرة للغاية، مع تباين ضئيل جداً بين عمليات التشغيل. وهذا يشير إلى أنه بينما يكون نهج استراتيجية الحرب أسرع، فإن النهج الجيني أقل عرضة للتذبذب إذا تغيرت الظروف الأولية قليلاً. ومع ذلك، نجحت كلتا الطريقتين في التنبؤ بمستويات المياه في الآبار، مما أثبت أن الخرائط التي أنشأتاها لم تكن مجرد تطابقات بصرية بل تمثيلات دقيقة فيزيائياً لكيفية تحرك المياه بالفعل.

خلص الباحثون إلى أن مفتاح النجاح لم يكن اختراع خوارزمية جديدة، بل تحسين الظروف الأولية للتي استخدموها. فمن خلال استخدام ES-MDA لتقييد عدم اليقين في التخمين الأولي، سمحوا لخوارزميات التحسين بتخطي الوقت الضائع في استكشاف السيناريوهات غير الواقعية والتركيز فوراً على المناطق الأكثر واعدة. وبينما أجريت هذه الدراسة بالكامل داخل محاكاة حاسوبية ولم تُختبر بعد في موقع ميداني حقيقي، فإن النتائج تقدم استراتيجية مقنعة لإدارة المياه الجوفية في المستقبل. ويشير العمل إلى أنه من خلال الجمع بين تقنيات استيعاب البيانات وأدوات التحسين القوية، يمكن للعلماء إنشاء خرائط أكثر موثوقية للعالم الخفي تحت أقدامنا، مما يؤدي إلى قرارات أفضل في حماية وإدارة مواردنا المائية الحيوية.