Quantifying Epistemic Uncertainty in Ground Motion Prediction Using Bayesian Neural Networks: Application to Peninsular India
تُطوّر هذه الدراسة نموذجاً لنمذجة حركة الأرض باستخدام الشبكة العصبية البايزية لشبه جزيرة الهند، والذي يفصل ويقيس بفعالية عدم اليقين المعرفي عن التباين العشوائي، مما يثبت أن نشر عدم اليقين المعرفي المعتمد على السيناريو عبر تحليل المخاطر الزلزالية الاحتمالي يؤدي إلى تقديرات لتسارع الطيف أعلى وأكثر دقة بشكل ملحوظ من النهج التقليدي الذي يقتصر على التباين العشوائي فقط، لا سيما لفترات العودة الطويلة في المناطق التي تفتقر إلى البيانات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
عندما تهتز الأرض، فإن عنف الأرض تحت أقدامنا ليس رقماً واحداً يمكن التنبؤ به. إنه حدث معقد وفوضوي يعتمد على حجم الزلزال، ومدى بعده، ونوع التربة التي تستقر عليها الأرض، وعمق الصدع. بالنسبة للمهندسين الذين يصممون المستشفيات والجسور وناطحات السحاب، فإن معرفة قوة هذا الاهتزاز المحتمل هي مسألة حياة أو موت. إنهم يعتمدون على نماذج رياضية للتنبؤ بهذه القوى، ولكن في أجزاء كثيرة من العالم، تكون البيانات اللازمة لبناء هذه النماذج ضئيلة. وفي مناطق مثل شبه جزيرة الهند، حيث الزلازل أقل تكراراً مما هي عليه في أماكن مثل اليابان أو كاليفورنيا، يمتلك العلماء عدداً قليلاً جداً من تسجيلات الاهتزاز الفعلي لدراستها. ويخلق هذا النقص في البيانات نوعاً محدداً من المشاكل: ليس فقط أن النماذج قد تكون خاطئة، بل إن العلماء أنفسهم لا يعرفون مدى خطئها. وهذا ما يسمى بـ "عدم اليقين المعرفي" (epistemic uncertainty)، وهو مقياس للفجوات في المعرفة البشرية. فإذا تظاهر نموذج ما بأنه أكثر يقيناً مما تسمح به البيانات، فقد يؤدي ذلك إلى بناء منشآت إما ضعيفة بشكل خطير أو مبالغ في تصميمها بشكل هدِر.
لقد عالج فريق من الباحثين في المعهد الهندي للتكنولوجيا بمدريد هذه المشكلة من خلال بناء أداة تنبؤ جديدة لشبه جزيرة الهند. وبدلاً من استخدام برنامج حاسوبي قياسي يعطي إجابة واحدة ثابتة، ابتكروا نظاماً يعتمد على الشبكات العصبية البايزية (Bayesian neural networks). فكر في هذا الأمر كدماغ رقمي لا يتعلم فقط مجموعة من القواعد، بل يتعلم فهم حدود معرفته الخاصة. ومن خلال تغذية النظام بآلاف سجلات الزلازل من الهند ومناطق مستقرة أخرى، علم الباحثون النظام التنبؤ بشدة اهتزاز الأرض، بدءاً من الهزة الأولى وصولاً إلى الموجات الطويلة والمتدحرجة التي تليها. والنتيجة هي نموذج لا يقول فقط "سيكون الاهتزاز بهذه القوة"، بل يقول "من المرجح أن يكون الاهتزاز بهذه القوة، وإليك نطاق الاحتمالات التي لا يمكننا استبعادها".
قام الباحثون بتجميع مجموعة ضخمة من البيانات، حيث جمعوا ما يقرب من 40,000 تسجيل من أكثر من 3,000 زلزال. ولأن بيانات الحركة القوية في شبه جزيرة الهند نادرة، فقد اضطروا إلى خلط هذه السجلات المحلية مع بيانات من مناطق قارية مستقرة أخرى، مثل وسط وشرق الولايات المتحدة. وقد خلق هذا مجموعة بيانات غنية ولكن غير متساوية، تهيمن عليها الزلازل الصغيرة وتفتقر إلى الكثير من التسجيلات للأحداث الضخمة والنادرة التي تحدث بعيداً. وقد تعلم النموذج الجديد كيفية التنقل في هذا المشهد غير المتكافئ، والتنبؤ بكيفية تحرك الأرض لمختلف القدر الاعتدالي، والمسافات، وأنواع التربة. وقد نجح في إعادة إنتاج الواقع الفيززي لكيفية تلاشي الاهتزاز مع المسافة وكيفية تضخمه في التربة الرخوة، محققاً مستوى عالياً من الدقة في تنبؤاته.
وما يميز هذا العمل هو كيفية فصله بين نوعين مختلفين من عدم اليقين. الأول هو "التباين العشوائي" (aleatory variability)، وهو الفوضى الطبيعية والعشوائية للزلزال؛ فلا يوجد زلزالان متطابقان تماماً، حتى لو كانا من نفس الحجم والمسافة؛ إذ ستظل الأرض تهتز بشكل مختلف دائماً. والثاني هو "عدم اليقين المعرفي"، وهو عدم اليقين في النموذج نفسه. في هذه الدراسة، وجد الباحثون أن العشوائية الطبيعية للاهتزاز كبيرة جداً، حيث تتراوح الانحرافات المعيارية من 0.76 إلى 0.89 في الوحدات اللوغاريتمية. وفي المقابل، فإن عدم اليقين بشأن تنبؤات النموذج نفسه أصغر بكثير، حيث يتراوح بين حوالي 0.04 و0.11. وهذا يعني أن النموذج واثق جداً في بنيته، لكن العالم الحقيقي يظل مكاناً صاخباً وغير متوقع. والأهم من ذلك، أظهر النموذج أن عدم اليقين هذا ليس متساوياً في كل مكان؛ فهو يزداد كبراً بالنسبة للاهتزازات ذات الدور الطويل، والتي تؤثر على المباني العالية، وفي المناطق التي تندر فيها البيانات، مثل الزلازل الكبيرة جداً البعيدة عن محطات التسجيل.
جاء الاختبار الحقيقي لهذا النهج الجديد عندما طبقه الباحثون على حسابات السلامة في العالم الحقيقي لأربع مدن هندية كبرى: مومباي، تشيناي، بنغالور، وحيدر آباد. لقد أجروا عمليات محاكاة لمعرفة كيف يؤثر إدراج "عدم اليقين حول النموذج" على تقديرات السلامة النهائية. ووجدوا أن الإجابة تعتمد بشدة على المدينة المحددة ونوع المبنى. فبالنسبة لبعض المواقع، أدى تجاهل عدم اليقين في النموذج إلى التقليل من تقدير مخاطر الاهتزازات الكارثية النادرة. أما بالنسبة لمواقع أخرى، فكان الفرق ضئيلاً. وقد أثبتت الدراسة أنه لا يمكنك ببساطة إضافة هامش أمان ثابت للتنبؤ للتعويض عن هذه المجاهيل؛ بدلاً من ذلك، يجب نسج عدم اليقين مباشرة في الحساب، مما يغير النتيجة بشكل مختلف لمبنى قصير في مدينة ما مقابل برج شاهق في مدينة أخرى.
تحقق الباحثون من صحة نموذجهم من خلال مقارنته بالقليل من الزلازل الكبرى التي ضربت شبه جزيرة الهند في التاريخ الحديث، مثل زلزالي كوينا عام 1967 وبوج عام 2001. وقد تطابقت تنبؤات النموذج مع أنماط الاهتزاز المرصودة بشكل جيد، حيث وقعت ضمن نطاق عدم اليقين المتوقع. وهذا يشير إلى أن الأداة قوية بما يكفي لاستخدامها في تصميم بنية تحتية أكثر أماناً في منطقة يصعب فيها الحصول على البيانات. ومن خلال التحديد الكمي الصريح لما لا يعرفونه، قدم الباحثون صورة أكثر صدقاً واكتمالاً للمخاطر الزلزالية. إن عملهم يظهر أنه في غياب البيانات المثالية، فإن أفضل طريقة لحماية مدينة ما ليست في التظاهر بأن البيانات مثالية، بل في بناء نموذج يفهم حدوده الخاصة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.