Physics-guided explainable machine learning and uncertainty quantification for predicting unconfined compressive strength of nano shale–quicklime stabilized kaolin clay

हमारे पैरों के नीचे की ज़मीन शायद ही कभी एकसमान होती है। कई स्थानों पर, मिट्टी नरम, गीली और हिलने-डुलने के प्रति संवेदनशील होती है, जो इसे सड़कों, इमारतों या पुलों के लिए एक कमजोर आधार बनाती है। इंजीनियर लंबे समय से जानते हैं कि चूना या सीमेंट जैसे स्थिरीकरण एजेंटों (stabilizing agents) को कमजोर मिट्टी में मिलाकर इसे कैसे ठीक किया जा सकता है। ये योजक (additives) रासायनिक प्रतिक्रियाओं को सक्रिय करते हैं जो मिट्टी के कणों को आपस में जोड़ देते हैं, जिससे एक चिपचिपी गंदगी एक ठोस, भार-वहन करने वाली सामग्री में बदल जाती है। हालाँकि, यह पता लगाना कि कितना स्थिरीकारक उपयोग करना है और मिट्टी के सख्त होने के लिए कितनी प्रतीक्षा करनी है, एक धीमी और महंगी प्रक्रिया है। इसके लिए प्रयोगशाला में दर्जनों अलग-अलग बैचों को मिलाना, उन्हें पकने (cure होने) के लिए हफ्तों इंतज़ार करना और फिर उनकी मजबूती मापने के लिए उन्हें कुचलना पड़ता है। मिट्टी के हर नए प्रकार या रेसिपी में हर बदलाव के लिए, इस चक्र को दोहराना पड़ता है, जिसमें ऐसा समय और संसाधन खर्च होते हैं जिनका उपयोग निर्माण में बेहतर तरीके से किया जा सकता था।

शोधकर्ताओं की एक टीम ने इस प्रक्रिया को सटीकता से समझौता किए बिना तेज करने का एक नया तरीका विकसित किया है। उन्होंने एक कंप्यूटर मॉडल बनाया है जो एक अत्यधिक कुशल भविष्यवक्ता के रूप में कार्य करता है, जो भविष्य के मिट्टी के मिश्रणों की ताकत का अनुमान लगाने के लिए पिछले प्रयोगों से सीखता है। लेकिन केवल कंप्यूटर को कच्चे आंकड़े देने के बजाय, शोधकर्ताओं ने इसे एक भू-तकनीकी इंजीनियर (geotechnical engineer) की तरह सोचने के लिए प्रशिक्षित किया। उन्होंने मॉडल को "भौतिकी-निर्देशित" (physics-guided) विशेषताओं के साथ बनाया, जिसका अर्थ है कि उन्होंने कंप्यूटर को ऐसे विवरण दिए जो मिट्टी में होने वाली वास्तविक भौतिक और रासायनिक प्रक्रियाओं को दर्शाते हैं, जैसे कि बाइंडर (binder) समय के साथ कैसे परस्पर क्रिया करता है और मिट्टी की प्राकृतिक प्लास्टिसिटी (plasticity) कैसे बदलती है। यह दृष्टिकोण मॉडल को केवल "क्या" नहीं, बल्कि "क्यों" के पीछे के कारण को समझने की अनुमति देता है। परिणाम स्वरूप, एक ऐसा उपकरण प्राप्त हुआ जो संभावित मिट्टी के मिश्रणों की तेजी से और विश्वसनीय रूप से जांच कर सकता है, जिससे इंजीनियरों को यह तय करने में मदद मिलती है कि कौन से संयोजन प्रयोगशाला में परीक्षण के योग्य हैं और कौन से विफल होने की संभावना रखते हैं, और साथ ही यह भी स्पष्ट करता है कि कोई विशिष्ट मिश्रण अच्छा प्रदर्शन क्यों करेगा।

शोधकर्ताओं ने काओलिन क्ले (kaolin clay) नामक एक विशिष्ट प्रकार के मिट्टी उपचार पर ध्यान केंद्रित किया, जो एक सामान्य कमजोर मिट्टी है, जिसे दो सामग्रियों: नैनो शेल (एक बारीक पिसा हुआ चट्टान पाउडर) और क्विकलाइम (कैल्शियम ऑक्साइड का एक प्रतिक्रियाशील रूप) के साथ स्थिर किया गया है। उन्होंने 36 विभिन्न मिश्रण डिजाइनों से लिए गए 180 व्यक्तिगत प्रयोगशाला मापों के डेटाबेस से शुरुआत की। प्रत्येक डिजाइन में उपयोग किए गए नैनो शेल और लाइम की मात्रा, और मिट्टी को कितने दिनों तक पकने (cure होने) दिया गया, इसमें भिन्नता थी। लक्ष्य अनकन्फाइंड कंप्रेसिव स्ट्रेंथ (unconfined compressive strength) की भविष्यवाणी करना था, जो कि एक मानक माप है कि मिट्टी टूटने से पहले कितना दबाव सह सकती है। इसके लिए, उन्होंने सरल रैखिक समीकरणों से लेकर जटिल आर्टिफिशियल न्यूरल नेटवर्क और उन्नत ट्री-आधारित मॉडलों तक, मशीन लर्निंग एल्गोरिदम के कई विभिन्न प्रकारों का परीक्षण किया। उन्होंने डेटा को केवल यादृच्छिक प्रशिक्षण और परीक्षण समूहों में नहीं बांटा, जो एक सामान्य अभ्यास है जो कभी-कभी मॉडल के दोषों को छिपा सकता है। इसके बजाय, उन्होंने "नेस्टेड ग्रुप क्रॉस-वैलिडेशन" (nested group cross-validation) नामक एक कठोर पद्धति का उपयोग किया। इसने यह सुनिश्चित किया कि मॉडल का परीक्षण पूरी तरह से नए मिश्रण डिजाइनों पर किया जाए जिन्हें उसने पहले कभी नहीं देखा था, जिससे यह सुनिश्चित हुआ कि वह समान नमूनों के परिणामों को केवल याद न कर ले और सटीकता का झूठा आभास न दे।

इन मॉडलों के प्रशिक्षण और परीक्षण के बाद, शोधकर्ताओं ने पाया कि 'कैटबूसट' (CatBoost) नामक एक विशिष्ट एल्गोरिदम सबसे अच्छा प्रदर्शन करता है, लेकिन केवल तभी जब उसे प्राप्त जानकारी को परिष्कृत किया गया हो। प्रारंभ में, उन्होंने मॉडल को सात इंजीनियर फीचर्स दिए जो स्थिरीकरण प्रक्रिया की भौतिकी को पकड़ने के लिए डिज़ाइन किए गए थे, जैसे कि कुल बाइंडर की मात्रा और उसका पकने के समय के साथ संबंध। एक-एक करके फीचर्स को हटाने की सावधानीपूर्वक प्रक्रिया के माध्यम से, उन्होंने पाया कि इनमें से एक इनपुट वास्तव में अनावश्यक था और मॉडल को भ्रमित कर रहा था। इसे हटाकर, उन्होंने एक सुव्यवस्थित संस्करण बनाया जिसमें छह प्रमुख विवरण शामिल थे, जिनमें कुल बाइンドर सामग्री, नैनो शेल और पकने के दिनों के बीच की परस्पर क्रिया, और मिट्टी की सापेक्ष प्लास्टिसिटी का माप शामिल था। इस परिष्कृत मॉडल, जिसे उन्होंने 'कैटबूसट-6पीजी' (CatBoost-6PG) नाम दिया, ने उच्च स्तर की सटीकता प्राप्त की, जिसने लगभग 151 किलोपास्कल के त्रुटि मार्जिन के साथ मिट्टी के मिश्रणों की मजबूती की सही भविष्यवाणी की। यह सरल मॉडलों की तुलना में काफी बेहतर था और उन अधिक जटिल मॉडलों से भी बेहतर था जिन्होंने इन भौतिकी-आधारित इनपुट्स का उपयोग नहीं किया था।

इस कार्य का वास्तविक मूल्य इसकी पारदर्शिता में निहित है। शोधकर्ता केवल एक अच्छी भविष्यवाणी प्राप्त करने तक ही नहीं रुके; वे यह समझना चाहते थे कि मॉडल वास्तव में क्या सीख रहा है। 'शाप विश्लेषण' (SHAP analysis) नामक तकनीक का उपयोग करते हुए, उन्होंने मानचित्रित किया कि कौन से कारक सबसे अधिक महत्वपूर्ण थे। उन्होंने पाया कि मॉडल ने मिट्टी के प्लास्टिसिटी इंडेक्स (plasticity index)—जो कि एक माप है कि मिट्टी चिपचिपी होने से पहले कितना पानी रख सकती है—को सबसे महत्वपूर्ण कारक के रूप में सही ढंग से पहचाना। उच्च प्लास्टिसिटी लगातार कम मजबूती की भविष्यवाणी की ओर ले गई, जो स्थापित मृदा यांत्रिकी (soil mechanics) के साथ पूरी तरह मेल खाती है। मॉडल ने यह भी सीखा कि समय का बीतना अत्यंत महत्वपूर्ण था, जिसमें पकने की लंबी अवधि से मजबूत मिट्टी प्राप्त होती है, और बाइंडर तथा पकने के समय के बीच की परस्पर क्रिया अकेले बाइंडर की मात्रा से अधिक महत्वपूर्ण थी। उदाहरण के लिए, मॉडल ने दिखाया कि नैनो शेल जोड़ने से तभी मदद मिलती है जब रासायनिक प्रतिक्रियाओं के होने के लिए पर्याप्त समय हो। ये अंतर्दृष्टि पुष्टि करती हैं कि मॉडल केवल सांख्यिकीय पैटर्न नहीं खोज रहा है, बल्कि मिट्टी के स्थिरीकरण की वास्तविक भौतिक प्रक्रियाओं को पकड़ रहा है।

भविhetenियों को भरोसेमंद बनाने के लिए, टीम ने अनिश्चितता, या परिणामों की संभावित सीमा को भी मापा। उन्होंने हजारों ऐसे परिदृश्यों का अनुकरण किया जहाँ इनपुट मानों, जैसे कि लाइम की सटीक मात्रा या पकने के समय को, वास्तविक दुनिया की खामियों की नकल करने के लिए थोड़ा बदला गया था। उन्होंने पाया कि अनिश्चितता का सबसे बड़ा स्रोत इनपुट सामग्रियों की परिवर्तनशीलता थी, न कि मॉडल की आंतरिक गणनाएं। जब उन्होंने इस परिवर्तनशीलता को ध्यान में रखा, तो मॉडल ने एक ऐसा भविष्यवाणी अंतराल (prediction interval) प्रदान किया जो लगभग 90 प्रतिशत वास्तविक परीक्षण परिणामों को कवर करता है। इसका अर्थ यह है कि जबकि मॉडल अपेक्षित मजबूती का एक विशिष्ट संख्या प्रदान करता है, यह एक सुरक्षा मार्जिन भी प्रदान करता है, जो इंजीनियरों को बताता है कि वास्तविकता में वह संख्या कितनी बदल सकती है। इंजीनियरिंग में यह एक महत्वपूर्ण विशेषता है, जहाँ सुरक्षा भविष्यवाणी की सीमाओं को समझने पर निर्भर करती है।

अध्ययन ने यह भी पता लगाया कि परियोजना के बहुत शुरुआती चरणों में यह मॉडल कितना उपयोगी होगा, जब इंजीनियरों के पास अभी तक मिट्टी के संकुचन गुणों (compaction properties) या प्लास्टिसिटी सीमाओं का विस्तृत डेटा नहीं होता है। उन्होंने मॉडल का परीक्षण केवल बुनियादी मिश्रण डिजाइन चरों का उपयोग करके किया: नैनो शेल और लाइम की मात्रा, और पकने का समय। हालांकि मॉडल सीमित जानकारी के साथ एक मोटा अनुमान लगा सकता था, लेकिन इसकी सटीकता काफी कम हो गई। यह निष्कर्ष व्यावहारिक और ईमानदार है: मॉडल प्रयोगशाला परीक्षण का विकल्प नहीं है, बल्कि उसका मार्गदर्शन करने वाला एक शक्तिशाली उपकरण है। यह इंजीनियरों को परीक्षण के लिए आशाजनक मिश्रणों की सूची को कम करने में मदद कर सकता है, जिससे समय और धन की बचत होती है, लेकिन सटीक भविष्यवाणियां करने के लिए यह अभी भी मौलिक मिट्टी के गुणों पर निर्भर करता है।

अंततः, यह शोध कच्चे डेटा और इंजीनियरिंग अंतर्दृष्टि के बीच एक सेतु प्रदान करता है। मशीन लर्निंग को भौतिक प्रक्रियाओं की गहरी समझ के साथ जोड़कर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो सटीक और व्याख्या योग्य दोनों है। यह मिट्टी को एक 'ब्लैक बॉक्स' के रूप में नहीं देखता है, बल्कि यह सीखता है कि बाइंडर, समय और मिट्टी के गुण मिलकर मजबूती कैसे बनाते हैं। यह दृष्टिकोण एक अधिक कुशल डिजाइन प्रक्रिया की अनुमति देता है, जहाँ इंजीनियर विश्वास के साथ मिश्रणों की जांच कर सकते हैं और अपने संसाधनों को उन संयोजनों पर केंद्रित कर सकते हैं जिनके सफल होने की सबसे अधिक संभावना है। यह कार्य प्रदर्शित करता है कि जब कृत्रिम बुद्धिमत्ता को भौतिकी के नियमों द्वारा निर्देशित किया जाता है, तो यह जटिल इंजीनियरिंग चुनौतियों को हल करने में एक विश्वसनीय साथी बन सकती है, जो हमारे दैनिक जीवन को सहारा देने वाली संरचनाओं के डिजाइन में स्पष्टता और आत्मविश्वास प्रदान करती है।