Application of XGBoost Extreme Gradient Boosting Model in the Evaluation of Shallow Gas Hazards in Urban Strata—A Case Study of a Typical Area in LG City

कई आधुनिक शहरों की सड़कों के नीचे प्राकृतिक गैस की एक छिपी हुई परत होती है, जो सतह के ठीक नीचे ढीली, पानी से संतृप्त मिट्टी में फंसी होती है। यह वह गहरा, उच्च-दबाव वाला गैस नहीं है जिसका उपयोग घरों को चलाने के लिए किया जाता है, बल्कि यह मीथेन का एक उथला, अक्सर जैविक रूप से उत्पन्न मिश्रण है जो रेत और कीचड़ के भीतर पॉकेट (पॉकेट) में जमा होता है। क्योंकि यह सतह के बहुत करीब स्थित है, यह गैस महत्वपूर्ण दबाव बना सकती है, जिससे निर्माण परियोजनाओं, सबवे सुरंगों और यहाँ तक कि इमारतों की नींव के लिए एक शांत खतरा पैदा हो जाता है। जब श्रमिक जमीन में ड्रिल करते हैं या नए बेसमेंट के लिए खुदाई करते हैं, तो उन्हें इन दबावयुक्त पॉकेट्स को भेदने का जोखिम होता है, जिससे अचानक जमीन धंसना, गैस विस्फोट, या मिट्टी और पानी का बाहर निकलना जैसी स्थितियां उत्पन्न हो सकती हैं। शहर योजनाकारों और इंजीनियरों के लिए, चुनौती लंबे समय से यह जानने की रही है कि खुदाई शुरू करने से पहले ये खतरनाक पॉकेट्स वास्तव में कहाँ स्थित हैं। पारंपरिक रूप से, इन खतरों की भविष्यवाणी करने के लिए भूगर्भविदों के अनुभव और स्थानीय चट्टानी परतों की व्याख्या पर बहुत अधिक निर्भर किया जाता रहा है, एक ऐसी विधि जो कुछ स्थानों पर अच्छी तरह काम करती है लेकिन घने शहरी वातावरण में गैस संचय के जटिल, बदलते पैटर्न को पकड़ने में संघर्ष करती है।

इस अनिश्चितता से निपटने के लिए, शोधकर्ताओं की एक टीम ने एक अलग दृष्टिकोण अपनाया, जिसमें चीन के झेजियांग प्रांत के एक तटीही शहर, लॉन्गगांग में छिपे जोखिमों का मानचित्रण करने के लिए एक शक्तिशाली कंप्यूटर लर्निंग टूल का उपयोग किया गया। केवल मानवीय अंतर्ज्ञान पर निर्भर रहने के बजाय, टीम ने एक एल्गोरिदम जिसे XGBoost कहा जाता है, में एक विशाल मात्रा में भूवैज्ञानिक डेटा डाला, जो जटिल डेटासेट में सूक्ष्म पैटर्न खोजने के लिए डिज़ाइन किया गया एक प्रकार का मशीन लर्निंग मॉडल है। शोधकर्ताओं ने आठ विशिष्ट स्थितियों पर जानकारी एकत्र की जो यह प्रभावित करती हैं कि क्या गैस जमा होगी और समस्या पैदा करेगी: गैस कितनी गहराई पर स्थित है, यह कितना दबाव डालती है, गैस-समृद्ध परतों की संख्या, मिट्टी में कार्बनिक कार्बन की मात्रा, पानी की मात्रा, जमीन की सरंध्रता (पोरोसिटी), गैस संतृप्ति स्तर, और फॉर्मेशन का समग्र दबाव। उन्होंने शहर को एक विशाल ग्रिड की तरह माना, इसे छोटे वर्गों में विभाजित किया और प्रत्येक को इस आधार पर लेबल किया कि क्या वह जमीन धंसने का ज्ञात स्थल था या एक सुरक्षित क्षेत्र था। कंप्यूटर को उन कारकों के संयोजन को पहचानने के लिए प्रशिक्षित करके जो खतरनाक स्थानों और सुरक्षित स्थानों में मौजूद थे, मॉडल ने सीखा कि अन्य स्थानों पर समान खतरे कहाँ मौजूद हो सकते हैं।

इस डिजिटल प्रशिक्षण के परिणाम आश्चर्यजनक थे। कंप्यूटर मॉडल, जिसे इसकी गणनाओं के लिए सटीक सेटिंग्स खोजने के लिए एक परिष्कृत पद्धति के साथ फाइन-ट्यून किया गया था, सुरक्षित जमीन और खतरनाक क्षेत्रों के बीच अंतर करने में अत्यधिक सटीक साबित हुआ। जब वास्तविक दुनिया के डेटा के विरुद्ध परीक्षण किया गया, तो मॉडल ने एक उच्च स्कोर प्राप्त किया जो यह दर्शाता है कि यह यादृच्छिक अनुमान (रैंडम गेसिंग) की तुलना में बहुत बेहतर तरीके से खतरनाक क्षेत्रों को सुरक्षित क्षेत्रों से अलग कर सकता है। विश्लेषण से पता चला कि आपदा की भविष्यवाणी करने में सबसे महत्वपूर्ण कारक मिट्टी में मौजूद गैस-युक्त परतों की संख्या थी; गैस-समृद्ध मिट्टी की जितनी अधिक परतें एक साथ जुड़ी होंगी, जोखिम उतना ही अधिक होगा। इसके ठीक बाद गैस की संतृप्ति और जमीन की सरंध्रता का स्थान आता है। मॉडल ने यह भी स्पष्ट किया कि कैसे कुछ कारक खतरे के विरुद्ध कार्य करते हैं, यह दिखाते हुए कि उच्च कार्बनिक कार्बन सामग्री और विशिष्ट दबाव स्थितियां वास्तव में विस्फोट के जोखिम को दबाने में मदद करती हैं।

इन अंतर्दृष्टि का उपयोग करते हुए, शोधकर्ताओं ने लॉन्गगांग का एक विस्तृत मानचित्र तैयार किया जिसने शहर को उसके जोखिम स्तर के अनुसार रंग-कोडित किया। मानचित्र ने दिखाया कि जबकि शहर का अधिकांश हिस्सा मध्यम जोखिम की श्रेणी में आता है, विशिष्ट पड़ोस, विशेष रूप से डोंगपाई और सिपाई समुदाय, उच्च संवेदनशीलता वाले क्षेत्रों में स्थित हैं। यह खोज ऐतिहासिक रिकॉर्ड के साथ निकटता से मेल खाती है, क्योंकि क्षेत्र में अब तक हुए लगभग सभी जमीनी धंसाव उन्हीं क्षेत्रों के भीतर हुए थे जिन्हें मॉडल ने उच्च-जोखिम वाले क्षेत्रों के रूप में पहचाना था। यह अध्ययन प्रदर्शित करता है कि डेटा-संचालित उपकरण उथली गैस के जटिल भूवैज्ञानिक संकेतों को सफलतापूर्वक डिकोड कर सकते हैं, जो पारंपरिक तरीकों की तुलना में खतरे वाले क्षेत्रों की पहचान करने का एक अधिक सटीक तरीका प्रदान करते हैं। हालांकि वर्तमान मॉडल स्थिर भूवैज्ञानिक डेटा पर निर्भर करता है और अभी तक उन गतिशील मानवीय गतिविधियों या श्रृंखला प्रतिक्रियाओं (चेन रिएक्शन) को ध्यान में नहीं रखता है जो ढहने को ट्रिगर कर सकती हैं, यह भविष्य की सुरक्षा योजना के लिए एक ठोस आधार प्रदान करता है। यह सटीक रूप से पहचान करके कि जमीन कहाँ विफल होने की सबसे अधिक संभावना है, यह दृष्टिकोण शहरों जैसे लॉन्गगांग को उनके पैरों के नीचे की अदृश्य शक्तियों के लिए तैयार होने में मदद करता है, जिससे यह सुनिश्चित होता है कि भविष्य का निर्माण जोखिमों की स्पष्ट समझ के साथ आगे बढ़ सके।