Prediction of spray dust suppression time for blasting dust in tunnel using CFD and Operon symbolic regression
تُظهر هذه الدراسة أن خوارزمية الانحدار الرمزي "Operon" توفر تعبيراً صريحاً عالي الدقة والكفاءة والقابلية للتفسير للتنبؤ بوقت كبح غبار الرش في تفجير الأنفاق، متفوقةً بذلك على مختلف طرق التعلم الآلي والانحدار الأخرى مع تقليل التكاليف الحسابية بشكل كبير.
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 يتم تفجير نفق عبر صخور صلبة، يمتلئ الهواء بسحابة كثيفة وخانقة من الغبار. هذا ليس مجرد إزعاج؛ بل هو خطر جسيم على العمال الذين يجب أن يدخلوا المساحة لمواصلة أعمال البناء. ولتطهير الهواء، يستخدم المهندسون رشاشات مياه عالية الضغط تتحول إلى رذاذ ناعم، مما يلتقط جزيئات الغبار ويزيد من وزنها لتسقط على الأرض. ويكمن التحدي في معرفة المدة الدقيقة التي يجب فيها استمرار تشغيل المياه. فإذا توقف الرش مبكرًا جدًا، سيبقى الغبار الخطير موجودًا، وإذا استمر لفترة طويلة جدًا، فسيتم إهدار وقت ومياه ثمينين. في الماضي، تطلب تحديد المدة المثالية تشغيل الآلاف من عمليات المحاكاة الحاسوبية المعقدة، وهي عملية كانت دقيقة ولكنها بطيئة ومكلفة للغاية.
وضع فريق من الباحثين هدفًا لإيجاد طريقة أسرع للتنبؤ بهذا التوقيت الحرج. ركزوا على نفق سكة حديدية واحد في الصين، حيث الصخور من نوع صلب من الجرانيت المعروف باسم "النيسية الغرانوديوريت" (gneissic granodiorite). وبدلاً من الاعتماد فقط على النماذج الحاسوبية البطيئة، جمعوا بين القياسات الواقعية ونوع جديد من أدوات الاكتشاف الرياضي. هذه الأداة، المعروفة باسم "الانحدار الرمزي" (symbolic regression)، تعمل مثل عالم يمكنه النظر إلى كومة من البيانات وكتابة الجملة الرياضية الدقيقة التي تفسرها، بدلاً من مجرد تخمين رقم ما. وكان الهدف هو إنشاء صيغة بسيطة وواضحة يمكن للمهندسين استخدامها فورًا لمعرفة مدة رش الماء بعد التفجير، مما يضمن سلامة الهواء دون إهدار الموارد.
بدأ الباحثون بمراقبة عملية تفجير حقيقية داخل النفق. وضعوا مستشعرات على طول الأرضية لقياس كيفية تحرك الغبار والوقت الذي يستغرقه ليتلاشى. ووجدوا أن تركيز الغبار ارتفع مرتين، مع وجود انخفاض بينهما، حيث وصل إلى ذروة خطيرة بلغت 2100 ملليغرام لكل متر مكعب. كانت الرياح داخل النفق تتحرك ببطء، بنحو 0.2 متر في الثانية. ولفهم الفيزياء الكامنة وراء ذلك، بنوا نموذجاً حاسوبياً مفصلاً للنفق. قام هذا النموذج بمحاكاة التفاعل بين الهواء، وقطرات الماء، وجزيئات الغبار مع بعضها البعض. واختبروا أحجاماً مختلفة للفوهات، وضغوطاً مختلفة للمياه، وزوايا مختلفة للرش لرؤية كيف يؤثر كل تغيير على الوقت المستغرق حتى يصبح الهواء آمناً.
ولفهم الكم الهائل من البيانات الناتجة عن عمليات المحاكاة هذه، صمم الفريق تجربة منظمة. اختبروا خمسة عوامل مختلفة: حجم الفوهة الأولى، ضغط الفوهة الثانية، زاوية الفوهة الثانية، المسافة بين حلقات الرش، وحجم الهواء الذي يتم ضخه في النفق. أجروا 25 تركيبة مختلفة من هذه الإعدادات. وتبين أن العامل الأكثر أهمية هو حجم الهواء الذي يتم ضخه في النفق، يليه زاوة فوهة الرش. أما المسافة بين حلقات الرش فكانت الأقل تأثيراً. ووجدوا أن أفضل إعداد لنفقهم المحدد يتضمن قطر فوهة يبلغ 1.6 ملم، وضغط رش قدره 5 ميغاباسكال، وزاوية رش 40 درجة، ومسافة تباعد بين الحلقات تبلغ 60 متراً، وإمداد هواء يبلغ 28 متراً مكعباً في الثانية.
ومع الحصول على هذه البيانات، لجأ الباحثون إلى خوارزمية الانحدار الرمزي، وهي طريقة تبحث عن التعبير الرياضي الأفضل لوصف العلاقة بين إعدادات الرش والوقت الذي يستغرقه الغبار ليتلاشى. وقارنوا هذه الطريقة بالعديد من تقنيات التعلم الحاسوبي الشائعة الأخرى، مثل "الغابات العشوائية" (random forests) و"آلات ناقلات الدعم" (support vector machines). وبينما كانت تلك الطرق الأخرى جيدة جداً في حفظ بيانات التدريب، إلا أنها فشلت في التنبؤ بالمواقف الجديدة بدقة، وهي مشكلة تُعرف باسم "الفرط في التخصيص" (overfitting). وقد حققت طريقة الانحدار الرمزي، وتحديداً أداة تسمى "أوبيرون" (Operon)، أفضل أداء؛ حيث وجدت صيغة توازن بين الدقة والبساطة، محققة دقة تنبؤ أعلى بكثير من الطرق الأخرى عند اختبارها على بيانات جديدة.
النتيجة النهائية هي معادلة محددة تتنبأ بزمن كبح الغبار بناءً على إعدادات الرش. لاحظ الباحثون أن المعادلة تحتوي على بعض التذبذبات والتقلبات، وفسروا ذلك بأن الغبار لا يتلاشى بشكل متساوٍ في كل مكان في النفق في آن واحد؛ ففي بعض البقع، يظل الغبار عالقاً في جيوب، بينما في أما_ن أخرى، يتلاشى بسرعة. وتستطيع الصيغة استيعاب هذا النوع من عدم اليقين. وعندما اختبروا أفضل معادلة لديهم، تنبأت بأن الغبار سيتم إزالته في حوالي 459 ثانية في المتوسط للإعداد الأمثل، بينما قد تستغرق الحالة الأسوأ حوالي 710 ثوانٍ. وفي عمليات المحاكاة الخاصة بهم، استقرت قطرات الماء خلال 100 ثانية، واستقرت القطرات الكبيرة بالقرب من منتصف النفق بينما وصل الرذاذ الناعم إلى مسافة أبعد في الخط.
توفر هذه الدراسة أداة عملية لمهندسي الأنفاق. فبدلاً من تشغيل ساعات من عمليات المحاكاة الحاسوبية المعقدة لكل مشروع جديد، يمكنهم الآن استخدام هذه الصيغة لتقدير المدة التي يجب فيها تشغيل رشاشات المياه. ويؤكد الباحثون أن هذا النهج يتجاوز مجرد ملاءمة البيانات ليصل إلى اكتشاف القواعد الأساسية التي تحكم عملية إزالة الغبار. وبينما يعتمد النموذج الحالي على ظروف محددة في نوع معين من أنفاق السكك الحديدية، فإن المنهجية تقدم مساراً نحو تنبؤات أسرع وأكثر موثوقية لبيئات الأنفاق المعقدة في المستقبل. ويظهر هذا العمل أنه من خلال الجمع بين المحاكاة الفيزيائية والاكتشاف الرياضي الذكي، يمكن تحويل مشكلة هندسية بطيئة ومكلفة إلى عملية حسابية سريعة وقابلة للحل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.