Damage prediction of shield tunnel structures driven by numerical simulation and machine learning
تقترح هذه الدراسة إطاراً موثوقاً للتنبؤ بالأضرار لأنفاق الدرع يدمج نموذجاً عددياً عالي الدقة، تم التحقق من صحته مقابل تجارب لكشف عملية فشل ثلاثية المراحل، مع شبكة ذاكرة طويلة قصيرة المدى معززة بخوارزمية تحسين سرب الجسيمات للتنبؤ بدقة بتطور عرض الشقوق تحت ظروف التحميل القصوى.
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
تحت الشوارع الصاخبة للمدن الحديثة، تكمن شبكة واسعة وصامتة من الأنفاق التي تنقل ملايين الأشخاص يومياً. هذه الأنفاق الدرعية، المصممة لتدوم قرناً من الزمان، هندست لتتحمل الضغط الهائل للأرض ووزن المدينة فوقها. ومع ذلك، فهي ليست محصنة ضد قوى الزمن والإجهاد الزاحفة والبطيئة. فعندما يتم دفع النفق إلى ما وراء حدوده، ربما بسبب تحرك مفاجئ في الأرض أو حمل غير متوقع، تبدأ الحلقات الخرسانية التي تشكل جدرانه في التصدع. إن فهم كيفية بدء هذه الشقوق، ونموها، وصولاً إلى الفشل الإنشائي في نهاية المطاف، أمر بالغ الأهمية للحفاظ على سلامة المترو. وقد اعتمد المهندسون لفترة طويلة على الاختبارات الفيزيائية والمحاكاة الحاسوبية المعقدة للتنبؤ بهذه الانهيارات، ولكن سلوك الخرسانة المتصدعة معقد للغاية لدرجة أن أفضل عمليات المحاكاة قد تكافح لالتقاط كل التفاصيل. ولتجسير هذه الفجوة، يتجه الباحثون الآن إلى نهج جديد يجمع بين دقة النمذجة القائمة على الفيزياء وقوة التعرف على الأنماط للذكاء الاصطناعي.
قام فريق من الباحثين من جامعة بيهوا في الصين بتطوير طريقة جديدة للتنبؤ بدقة بمدى تصدع النفق الدرعي تحت الإجهاد الشديد. بدأوا ببناء توأم رقمي عالي التفاصيل لقطاع نفق حقيقي، تم نمذجته بناءً على مشروع في شنغهاي. لم يكن هذا مجرد رسم تخطيطي بسيط؛ بل كان نموذجاً حاسوبياً متطوراً يأخذ في الاعتبار الطريقة المحددة التي تتصرف بها الخرسانة عندما تُسحب بعيداً، ووجود قضبان الفولاذ المخفية داخل الجدران، والوصلات المعقدة حيث تتصل الحلقات الخرسانية. كما أدرج الباحثون تأثير فتحات الصيانة (المانهولات)، التي تخلق نقاط ضعف في الهيكل، والاحتكاك بين البراغي التي تثبت الحلقات معاً. ولضمان موثوقية نموذجهم الرقمي، أجروا اختباراً افتراضياً يحاكي تجربة واقعية حيث تم ضغط قطاع نفق كامل حتى انكسر. طابقت تنبؤات الكمبيوتر التجربة الفيزيائية بشكل شبه مثالي، مما أكد أن النموذج الرقمي يمكنه محاكاة رحلة النفق من الحالة السليمة إلى الحالة المكسورة بدقة.
ومع الحصول على نموذج رقمي موثوق، أجرى الفريق آلاف عمليات المحاكاة لمراقبة فشل النفق بالحركة البطيئة. وقد لاحظ أن الهيكل لا ينهار دفعة واحدة؛ بل يمر بثلاث مراحل متميزة. أولاً، يتصرف النفق مثل زنبرك صلب، ينحني قليلاً ثم يعود إلى شكله الأصلي. ومع زيادة الحمل، تبدأ الخرسانة في تطوير شقوق صغيرة، مما يمثل انتقالاً إلى مرحلة ثانية يكون فيها الضرر موضعياً ويمكن السيطرة عليه. وأخيراً، إذا استمر الضغط في الارتفاع، تتضاعف الشقوق وتنتشر بسرعة، وتبدأ قضبان الفولاذ في الداخل في الانحناء بشكل دائم، ويدخل الهيكل في مرحلة الفشل الكلي. وجد الباحثون أن النفق يمكنه تحمل حمل يصل إلى 420 كيلونيوتن قبل الوصول إلى نقطة الانهيار الحرجة هذه. وفي هذه المرحلة، اتسعت الشقوق على السطح لأكثر من 4 مليمترات، واستسلم حديد التسليح، مما يعني أنه تمدد بما يتجاوز قدرته على الاستعادة.
إن الابتكار الحقيقي في هذه الدراسة يكمن فيما فعله الباحثون بعد ذلك. فبدلاً من الاكتفاء بالمحاكاة فقط، استخدموا البيانات الناتجة عن حالات الفشل الافتراضية لتعليم الكمبيوتر كيفية التنبؤ بالمستقبل. لقد استخدموا نوعاً من الذاء الاصطناعي يُعرف باسم "شبكة الذاكرة الطويلة قصيرة المدى" (Long Short-Term Memory Network)، وهي بارعة بشكل خاص في فهم تسلسل الأحداث عبر الزمن، تماماً كما يتذكر الشخص قصة من خلال استرجاع ترتيب الأحداث. ومع ذلك، فإن هذه الشبكات الحاسوبية لها العديد من الإعدادات التي يجب ضبطها بدقة لتعمل بشكل جيد. ولحل هذه المشكلة، استخدم الفريق خوارزمية "تحسين سرب الجسيمات" (Particle Swarm Optimization)، وهي طريقة مستوحاة من كيفية تجمهر الطيور معاً للعثور على أفضل مصدر للغذاء. بحثت هذه الخوارزمية تلقائياً عن المزيج المثالي من الإعدادات للشبكة العصبية، مما ضمن قدرتها على تعلم الأنماط المعقدة لنمو الشقوق بأكبر قدر من الكفاءة.
كانت النتيجة أداة تنبؤ جديدة يمكنها توقع عرض الشقوق في النفق الدرعي بدقة ملحوظة. وعند اختبارها مقابل بيانات لم ترها من قبل، تفوقت هذه المنظومة الجديدة على العديد من نماذج الذكاء الاصطناعي الشائعة الأخرى. فقد تنبأت بعرض الشق بهامش خطأ قدره 0.1033 مليمتر فقط، وطابقت البيانات الفعلية بدرجة عالية من اليقين. وتوضح الدراسة أنه من خلال الجمع بين القوانين الفيزيائية للهندسة وقوة التعلم للذكاء الآلي، من الممكن إنشاء نظام قوي لمراقبة صحة الأنفاق. ويقدم هذا النهج وسيلة لتحديد المخاطر المحتملة قبل أن تصبح كارثية، مما يوفر للمهندسين دليلاً موثوقاً للحفاظ على سلامة أنظمة النقل تحت الأرض التي تعتمد عليها المدن. وتشير النتائج إلى أن مثل هذا النموذج الهجين يمكن أن يعمل كأداة حيوية للحماية طويلة الأمد للبنية التحتية، محولاً البيانات المعقدة إلى رؤى واضحة وقابلة للتنفيذ للحفاظ على حركة العالم بأمان تحت أقدامنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.