Open-Source Hardening Soil Material-Point Integrator and Neural-Network Surrogate for Ho Chi Minh City Soils

हमारे पैरों के नीचे की जमीन को एक ठोस, अपरिवर्तनीय चट्टान के रूप में नहीं, बल्कि एक जीवित, सांस लेते स्पंज के रूप में कल्पना करें जो इस बात पर निर्भर करता है कि आप इसे कितनी जोर से दबाते हैं—यह पिचकता है, खिंचता है और वापस प्रतिरोध करता है। यह भू-तकनीकी इंजीनियरिंग (geotechnical engineering) की दुनिया है, जो यह समझने का विज्ञान है कि जब हम गगनचुंबी इमारतें बनाते हैं, गहरे सबवे टनल खोदते हैं, या विशाल निर्माण स्थल तैयार करते हैं, तो मिट्टी कैसे व्यवहार करती है। यह अनुमान लगाने के लिए कि जमीन भार सहन करेगी या ढह जाएगी, इंजीनियर "कन्स्टिट्यूटिव मॉडल" (constitutive models) का उपयोग करते हैं—जो अनिवार्य रूप से जटिल गणितीय रेसिपी हैं जो कंप्यूटर को बताती हैं कि मिट्टी को तनाव (stress) के प्रति कैसी प्रतिक्रिया देनी चाहिए। सबसे प्रसिद्ध रेसिपी में से एक "हार्डनिंग सॉइल" (Hardening Soil) मॉडल है। इसे मिट्टी के लिए एक परिष्कृत वीडियो गेम फिजिक्स इंजन की तरह समझें: यह जानता है कि मिट्टी को जितना अधिक दबाया जाता है, वह उतनी ही सख्त होती जाती है (जैसे एक स्ट्रेस बॉल) और यह दबाव डालने और दबाव छोड़ने के दौरान अलग-अलग व्यवहार करती है। हालाँकि, वर्षों से, यह शक्तिशाली इंजन महंगे, क्लोज्ड-सोर्स सॉफ्टवेयर के भीतर बंद रहा है, जिससे स्वतंत्र वैज्ञानिकों के लिए इसके अंदर झांकना, गणित की जांच करना या इसे आर्टिफिशियल इंटेलिजेंस जैसी नई तकनीकों के साथ मिलाना कठिन हो गया है। यह शोध पत्र उस दरवाजे को खोलने के लिए आया है, जो इस मिट्टी भौतिकी इंजन का एक मुफ्त, ओपन-सोर्स संस्करण बना रहा है और एक सुपर-स्मार्ट एआई असिस्टेंट को प्रशिक्षित करने के लिए इसका उपयोग कर रहा है जो पलक झपकते ही मिट्टी के व्यवहार की भविष्यवाणी कर सके।

शोधकर्ताओं ने, हो ची मिन्ह सिटी की मिट्टी के साथ काम करते हुए, पायथन (Python), जो एक लोकप्रिय प्रोग्रामिंग भाषा है, का उपयोग करके अपने स्वयं के ओपन-सोर्स 'हार्डनिंग सॉइल' मॉडल का निर्माण करके शुरुआत की। उन्होंने "ड्रेन्ड प्राइमरी लोडिंग" (drained primary loading) नामक एक विशिष्ट प्रकार के मिट्टी के व्यवहार पर ध्यान केंद्रित किया, जो यह देखने जैसा है कि मिट्टी कैसे बैठती है और सख्त होती है जब आप धीरे-धीरे वजन बढ़ाते हैं जबकि पानी को बाहर निकलने देते हैं। उन्होंने केवल कोड नहीं लिखा; उन्होंने इसका कड़ाई से परीक्षण भी किया। पहले, उन्होंने यह जांचा कि क्या उनका कोड आंतरिक रूप से तर्कसंगत है, यह सुनिश्चित करते हुए कि गणित खुद का खंडन न करे। फिर, उन्होंने अपने कंप्यूटर-जनित मिट्टी के कर्व्स (curves) की तुलना स्थानीय मिट्टी के तीन अलग-अलग प्रकारों: सॉफ्ट क्ले (soft clay), मीडियम क्ले (medium clay) और सिल्टी सैंड (silty sand) से लिए गए 274 मापों के वास्तविक दुनिया के डेटा से की। परिणाम अविश्वसनीय रूप से सटीक थे। जब उन्होंने यह अनुमान लगाने की कोशिश की कि विभिन्न दबावों पर मिट्टी कितनी सख्त होगी, तो उनके ओपन-सोर्स मॉडल ने 0.999 के सहसंबंध (correlation) के साथ वास्तविक दुनिया के डेटा से मेल खाया (जहाँ 1.0 एक पूर्ण मिलान है) और औसत त्रुटि 2% से भी कम थी। वास्तव में, उनका आंतरिक गणित इतना सुसंगत था कि त्रुटि 0.1% से भी कम थी, जो यह सिद्ध करता है कि उनकी "डिजिटल मिट्टी" बिल्कुल वैसे ही व्यवहार कर रही थी जैसा कि भौतिकी समीकरणों ने निर्धारित किया था।

एक बार जब उन्होंने अपने ओपन-सोर्स मॉडल को भरोसेमंद साबित कर दिया, तो उन्होंने इसे एक "डेटा जनरेटर" के रूप में उपयोग किया ताकि भू-तकनीकी इंजीनियरिंग की एक बड़ी समस्या को हल किया जा सके: उन्नत एआई मॉडल को प्रशिक्षित करने के लिए वास्तविक दुनिया के मिट्टी के डेटा की कमी है। वास्तविक मिट्टी के परीक्षण महंगे और समय लेने वाले होते हैं। इसलिए, टीम ने व्यापक रेंज की मिट्टी की स्थितियों को कवर करने वाले 20,000 विभिन्न स्ट्रेस-स्ट्रेन कर्व्स (stress-strain curves) का अनुकरण (simulate) करके एक विशाल "क्या-होगा" (what-if) परिदृश्यों की लाइब्रेरी बनाई। फिर उन्होंने इस लाइब्रेरी को एक न्यूरल नेटवर्क में फीड किया—जो पैटर्न पहचानने के लिए डिज़ाइन किया गया एक प्रकार का एआई है। यह एआई, एक "सरोगेट" (surrogate) या जटिल भौतिक मॉडल के तेज़ विकल्प के रूप में कार्य करते हुए, मिट्टी के संपूर्ण स्ट्रेस-स्ट्रेन कर्व की भविष्यवाणी करना सीख गया, और यह सब केवल कुछ इनपुट नंबरों को देखकर संभव हुआ। एआई आश्चर्यजनक रूप से सटीक था, जिसने 0.9999 का सहसंबंध और केवल 1.47 kPa (दबाव की एक बहुत छोटी इकाई) की त्रुटि हासिल की।

यह शोध पत्र स्पष्ट करता है कि यह एक सिमुलेशन-आधारित सफलता की कहानी है, न कि भविष्य के सभी परीक्षणों का विकल्प। लेखक स्पष्ट रूप से कहते हैं कि उनका मॉडल वर्तमान में विशिष्ट लोडिंग स्थितियों (ड्रेन्ड प्राइमरी लोडिंग) तक सीमित है और अभी तक अनलोडिंग, रीलोडिंग, या पूरे टनल नेटवर्क जैसे बड़े वास्तविक निर्माण प्रोजेक्ट्स की पूरी जटिलता को नहीं संभालता है। वे यह भी नोट करते हैं कि हालांकि एआई उस डेटा के भीतर इंटरपोलेट करने में उत्तम है जिस पर इसे प्रशिक्षित किया गया है, लेकिन अभी तक इसका परीक्षण नए, अनदेखे वास्तविक दुनिया के फील्ड डेटा के विरुद्ध नहीं किया गया है। हालाँकि, मुख्य उपलब्धि निर्विवाद है: उन्होंने एक पुनरुत्पादनीय (reproducible), ओपन-सोर्स आधार बनाया है जो पारंपरिक मृदा यांत्रिकी (soil mechanics) और आधुनिक मशीन लर्निंग के बीच के अंतर को पाटता है। यह सिद्ध करके कि एक सत्यापित भौतिक मॉडल एआई के लिए उच्च-गुणवत्ता वाला डेटा उत्पन्न कर सकता है, उन्होंने इंजीनियरों को एक नया टूलकिट प्रदान किया है ताकि वे हमारे शहरों और जमीन के बीच के संबंधों के अधिक तेज़, पारदर्शी और विश्वसनीय विश्लेषण कर सकें।