Physics-guided explainable machine learning and uncertainty quantification for predicting unconfined compressive strength of nano shale–quicklime stabilized kaolin clay

إن الأرض تحت أقدامنا نادراً ما تكون متجانسة. ففي أماكن كثيرة، تكون التربة لينة، ورطبة، وعرضة للتحرك، مما يجعلها أساساً ضعيفاً للطرق أو المباني أو الجسور. وقد عرف المهندسون منذ زمن طويل كيفية إصلاح ذلك عن طريق خلط التربة الضعيفة بعوامل تثبيت مثل الجير أو الإسمنت. وتؤدي هذه الإضافات إلى إحداث تفاعلات كيميائية تربط جزيئات التربة معاً، محولةً إياها من كتلة لزجة إلى مادة صلبة قادرة على تحمل الأحمال. ومع ذلك، فإن تحديد كمية المادة المثبتة بدقة ومدة الانتظار حتى تتصلب التربة هي عملية بطيئة ومكلفة؛ فهي تتطلب خلط عشرات الدفعات المختلفة في المختبر، والانتظار لأسابيع حتى تتماسك، ثم سحقها لقياس قوتها. ومع كل نوع جديد من التربة أو كل تغيير في الوصفة، يجب تكرار هذه الدورة، مما يستهلك وقتاً وموارد كان من الممكن استغلالها بشكل أفضل في البناء.

لقد طور فريق من الباحثين طريقة جديدة لتسريع هذه العملية دون التضحية بالدقة. فقد أنشأوا نموذجاً حاسوبياً يعمل كمتنبئ عالي المهارة، يتعلم من التجارب السابقة ليتوقع قوة خلطات التربة المستقبلية. ولكن بدلاً من مجرد تغذية الحاسوب بأرقام خام، علم الباحثين النموذج أن يفكر كمهندس جيوتقني. فقد بنوا النموذج باستخدام سمات "موجهة بالفيزياء"، مما يعني أنهم أعطوا الحاسوب أوصافاً تعكس العمليات الفيزيائية والكيميائية الفعلية التي تحدث في التربة، مثل كيفية تفاعل المادة الرابطة مع الوقت وكيفية تغير اللدونة الطبيعية للتربة. يسمح هذا النهج للنموذج بفهم "السبب" وراء القوة، وليس فقط "ما هي" تلك القوة. والنتي نتيجة لذلك، أصبح لديهم أداة يمكنها فحص خلطات التربة المحتملة بسرعة وموثوقية، مما يساعد المهندسين على تحديد التركيبات التي تستحق الاختبار في المختبر وتلك التي من المرجح أن تفشل، كل ذلك مع تقديم شرح واضح لسبب توقع أداء تركيبة معينة بشكل جيد.

ركز الباحثون على نوع محدد من معالجة التربة يتضمن طين الكاولين، وهو نوع شائع من التربة الضعيفة، المثبت بمادتين: النانو شيل (السيليكا النانوية)، وهي مسحوق صخري مطحون بدقة، والجير الحي، وهو شكل تفاعلي من أكسيد الكالسيوم. بدأوا بقاعدة بيانات تضم 180 قياساً مخبرياً فردياً مأخوذة من 36 تصميماً مختلفاً للخلطات. وقد اختلف كل تصميم في كمية النانو شيل والجير المستخدمين، بالإضافة إلى عدد الأيام التي تُرِكت فيها التربة لتتماسك. كان الهدف هو التنبؤ بقوة الضغط غير المحصور، وهو مقياس قياسي لمدى الضغط الذي يمكن أن تتحمله التربة قبل أن تنكسر. ولتحقيق ذلك، اختبروا عدة أنواع مختلفة من خوارزميات تعلم الآلة، بدءاً من المعادلات الخطية البسيطة وصولاً إلى الشبكات العصبية الاصطناعية المعقدة والنماذج المتقدمة القائمة على الأشجار. ولم يكتفوا ببساطة بتقسيم البيانات إلى مجموعات تدريب واختبار عشوائية، وهو ممارسة شائعة يمكن أن تخفي عيوب النموذج أحياناً، بل استخدموا طريقة صارمة تسمى "التحقق المتقاطع للمجموعات المتداخلة" (nested group cross-validation). وقد ضمن ذلك اختبار النموذج على تصميمات خلطات جديدة تماماً لم يسبق له رؤيتها، مما منع النموذج من مجرد حفظ نتائج عينات مشابهة وإعطاء شعور زائف بالدقة.

بعد تدريب واختبار هذه النماذج، وجد الباحثون أن خوارمازمية محددة تسمى "CatBoost" كانت الأفضل أداءً، ولكن فقط بعد تنقيح المعلومات التي تلقتها. في البداية، زودوا النموذج بسبعة سمات هندسية مصممة لالتقاط فيزياء عملية التثبيت، مثل إجمالي كمية المادة الرابطة المستخدمة وكيفية تفاعل هذه المادة مع وقت التصلب. ومن خلال عملية دقيقة لإزالة السمات واحدة تلو الأخرى، اكتشفوا أن أحد هذه المدخلات كان فائضاً عن الحاجة وكان يربك النموذج. وبإزالته، أنشأوا نسخة مبسطة تحتوي على ستة أوصاف رئيسية تشمل إجمالي محتوى المادة الرابطة، والتفاعل بين النانو شيل وأيام التصلب، ومقياس لنسبة لدونة التربة. حقق هذا النموذج المنقح، الذي أطلقوا عليه اسم "CatBoost-6PG"، مستوى عالياً من الدقة، حيث تنبأ بقوة خلطات التربة بهامش خطأ قدره حوالي 151 كيلوباسكال. كان هذا الأداء أفضل بكثير من النماذج الأبسط، بل وتفوق حتى على النماذج الأكثر تعقيداً التي لم تستخدم هذه المدخلات القائمة على الفيزياء.

تكمن القيمة الحقيقية لهذا العمل، مع ذلك، في شفافيته. فلم يتوقف الباحثون عند الحصول على تنبؤ جيد؛ بل أرادوا فهم ما يتعلمه النموذج بالفعل. وباستخدام تقنية تسمى "تحليل SHAP"، رسموا خريطة توضح العوامل الأكثر أهمية. ووجدوا أن النموذج حدد بشكل صحيح مؤشر اللدونة في التربة — وهو مقياس لمدى كمية الماء التي يمكن للتربة الاحتفاظ بها قبل أن تصبح لزجة — كأكثر العوامل حرجاً. فقد أدت اللدونة العالية باستمرار إلى تنبؤات أقل قوة، وهو ما يتوافق تماماً مع ميكانيكا التربة الراسخة. كما تعلم النموذج أن مرور الوقت كان أمراً حاسماً، حيث تؤدي فترات التصلب الأطول إلى تربة أقوى، وأن التفاعل بين المادة الرابطة والوقت المتاح للتصلب كان أكثر أهمية من كمية المادة الرابطة وحدها. فعلى سبيل المثال، أظهر النموذج أن إضافة المزيد من النانو شيل لا تفيد إلا إذا توفر الوقت الكافي لحدوث التفاعلات الكيميائية. وتؤكد هذه الرؤى أن النموذج لا يجد مجرد أنماط إحصائية، بل يلتقط الآليات الفيزيائية الحقيقية لتثبيت التربة.

ولضمان موثوقية التنبؤات، قام الفريق أيضاً بقياس عدم اليقين، أو نطاق النتائج المحتملة، لكل تنبؤ. فقد قاموا بمحاكاة آلاف السيناريوهات حيث يتم تغيير قيم المدخلات قليلاً، مثل الكمية الدقيقة للجير أو وقت التصلب، لمحاكاة العيوب في العالم الحفتي. ووجدوا أن أكبر مصدر لعدم اليقين جاء من التباين في المواد المدخلة نفسها، وليس من الحسابات الداخلية للنموذج. وعندما أخذوا هذا التباين في الاعتبار، قدم النموذج فترات تنبؤ تغطي ما يقرب من 90 بالمائة من نتائج الاختبار الفعلية. وهذا يعني أنه بينما يعطي النموذج رقماً محدداً للقوة المتوقدة، فإنه يوفر أيضاً هامش أمان، حيث يخبر المهندسين بمدى احتمالية تقلب ذلك الرقم في الواقع. وهذه ميزة حيوية في الهندسة، حيث يعتمد الأمان على فهم حدود التنبؤ.

كما استكشف البحث مدى فائدة النموذج في المراحل المبكرة جداً من المشروع، عندما قد لا يمتلك المهندسون بيانات مفصلة عن خصائص دمج التربة أو حدود اللدونة. فقد اختبروا النموذج باستخدام متغيرات تصميم الخلطة الأساسية فقط: كميات النانو شيل والجير، ووقت التصلب. وبينما كان بإمكان النموذج لا يزال تقديم تقدير تقريبي بهذه المعلومات المحدودة، إلا أن دقته انخفضت بشكل كبير. وهذه النتيجة عملية وصادقة: فالنموذج ليس بديلاً عن الاختبارات المختبرية، بل هو أداة قوية لتوجيهها. يمكنه مساعدة المهندسين في تضييق قائمة الخلطات الواعدة للاختبار، مما يوفر الوقت والمال، لكنه لا يزال يعتمد على الخصائص الأساسية للتربة لتقديم أكثر تنبؤاته دقة.

في نهاية المطاف، يقدم هذا البحث جسراً بين البيانات الخام والحدس الهندسي. فمن خلال الجمع بين تعلم الآلة والفهم العميق للعمليات الفيزيائية الجارية، أنشأ الباحثون أداة تتسم بالدقة والقابلية للتفسير. إنها لا تتعامل مع التربة كصندوق أسود، بل تتعلم قواعد كيفية تفاعل المواد الرابطة والوقت وخصائص التربة لخلق القوة. يسمح هذا النهج بعملية تصميم أكثر كفاءة، حيث يمكن للمهندسين فحص الخلطات بثقة والتركيز على الموارد الموجهة للتركيبات الأكثر احتمالاً للنجاح. ويُظهر هذا العمل أنه عندما يتم توجيه الذكاء الاصطناعي بقوانين الفيزياء، يمكنه أن يصبح شريكاً موثوقاً في حل التحديات الهندسية المعقدة، ويقدم الوضوح والثقة في تصميم الهياكل التي تدعم حياتنا اليومية.