Physics-Residual Learning with Few-Shot Calibration for Cross-Geological UCS Prediction: A Model-Agnostic Framework

गहराई में, जहाँ सुरंगें खोदी जाती हैं और नींव डाली जाती है, इंजीनियरों के सामने एक मौलिक प्रश्न होता है: चट्टान कितनी मजबूत है? इसका उत्तर 'यूनिएक्सियल कंप्रेसिव स्ट्रेंथ' (uniaxial compressive strength) नामक एक माप में निहित है, जो एक ऐसी संख्या है जो हमें बताती है कि चट्टान टूटने से पहले कितना दबाव सह सकती है। यह एकल मान विशाल बुनियादी ढांचा परियोजनाओं के लिए सुरक्षा गणनाओं का आधार है। पारंपरिक रूप से, इस संख्या को खोजने के लिए एक विनाशकारी प्रक्रिया की आवश्यकता होती है: चट्टान का एक बेलनाकार हिस्सा ड्रिल करके निकालना, उसे प्रयोगशाला ले जाना और उसे मशीन में कुचलना। यह महंगा और समय लेने वाला है, और अक्सर तब असंभव हो जाता है जब चट्टान इतनी खंडित हो कि उसे बिना तोड़े निकाला न जा सके। दशकों से, वैज्ञानिक इन संकेतों का उपयोग करके इस मजबूती का अनुमान लगाने की कोशिश कर रहे हैं, जैसे कि ध्वनि तरंगें चट्टान के माध्यम से कितनी तेजी से यात्रा करती हैं या यह कितनी सघन है। हाल के वर्षों में, मशीन लर्निंग के रूप में जाने जाने वाले शक्तिशाली कंप्यूटर प्रोग्रामों को इन संकेतों में पैटर्न पहचानने के लिए प्रशिक्षित किया गया है, जो नमूने को बिना तोड़े ही चट्टान की मजबूती का अनुमान लगाने का वादा करते हैं।

हालाँकि, एक छिपे हुए दोष ने इन डिजिटल भविष्यवाणियों को परेशान किया है। अधिकांश कंप्यूटर मॉडल एक विशिष्ट स्थान के डेटा पर प्रशिक्षित होते हैं और फिर एक पूरी तरह से अलग भूगर्भीय सेटिंग में सटीक रूप से काम करने की अपेक्षा की जाती है। ठीक वैसे ही जैसे लंदन के मौसम पर प्रशिक्षित मॉडल मुंबई में मानसून की भविष्यवाणी करने में विफल हो सकता है, ब्राजील की चट्टानों पर प्रशिक्षित मशीन लर्निंग मॉडल अक्सर तुर्की की चट्टानों पर लागू होने पर लड़खड़ा जाता है। भूगर्भीय अंतर बहुत व्यापक हैं, और एक स्थान पर कंप्यूटर ने जो पैटर्न सीखे हैं, वे दूसरे स्थान पर अनुवादित नहीं होते। यह एक खतरनाक अंतर पैदा करता है जहाँ इंजीनियर उन पलों में अपने भविष्यवाणियों पर भरोसा नहीं कर सकते जब उन्हें उनकी सबसे अधिक आवश्यकता होती है: नए, अनछुए क्षेत्रों में।

चीन रेलवे कॉर्पोरेशन के लॉन्ग लॉन्ग द्वारा किया गया एक नया अध्ययन इस समस्या को हल करने के लिए कंप्यूटर के सीखने के तरीके को बदलकर इसे संबोधित करता है। मशीन को शून्य से चट्टान के संकेतों और मजबूती के बीच के पूरे संबंध को याद रखने के लिए कहने के बजाय, शोधकर्ता ने एक ऐसा सिस्टम बनाया जो पहले भौतिकी के एक बुनियादी नियम को लागू करता है। इसे एक कंप्यूटर को प्रकृति के सार्वभौमिक नियमों पर आधारित एक मोटा मानचित्र देने और फिर उसे केवल उन छोटे, स्थानीय सुधारों को सीखने के लिए कहने के रूप में सोचें जो उस मानचित्र को किसी विशिष्ट देश के लिए सटीक बनाने के लिए आवश्यक हैं। कंप्यूटर अब पूरी तस्वीर का अनुमान नहीं लगा रहा है; वह केवल एक ज्ञात आधार रेखा (baseline) को स्थानीय वास्तविकता के अनुरूप ढाल रहा है। यह दृष्टिकोण, जिसे 'फिजिक्स-रेसिड्यूअल लर्निंग' (physics-residual learning) कहा जाता है, सार्वभौमिक सत्य को स्थानीय विशिष्टताओं से अलग करता है, जिससे मॉडल किसी भी नए भूगर्भीय परिदृश्य में सामना करने के लिए बहुत अधिक अनुकूलनीय बन जाता है।

शोधकर्ता ने मलेशिया, तुर्की, ईरान, पुर्तगाल, दक्षिण अफ्रीका और ब्राजील सहित छह देशों के चट्टान डेटा के एक विशाल संग्रह का उपयोग करके इस विचार का परीक्षण किया। लक्ष्य यह देखना था कि क्या पांच देशों के डेटा पर प्रशिक्षित मॉडल छठे देश की चट्टान की मजबूती का सटीक अनुमान लगा सकता है, जिसे 'क्रॉस-जियोलॉजिकल प्रेडिक्शन' (cross-geological prediction) कहा जाता है। परिणामों ने एक आश्चर्यजनक समझौता (trade-off) प्रकट किया। जब मॉडल को बिना किसी स्थानीय डेटा के भविष्यवाणी करने के लिए कहा गया, तो पारंपरिक कंप्यूटर-ओनली दृष्टिकोण वास्तव में थोड़ा बेहतर प्रदर्शन कर गया। हालाँकि, यह प्रारंभिक लाभ एक भ्रम था। जैसे ही मॉडल को अपनी भविष्यवाणियों को समायोजित करने के लिए केवल कुछ स्थानीय नमूनों को देखने की अनुमति दी गई, भौतिकी-आधारित दृष्टिकोण तेजी से आगे निकल गया। पारंपरिक मॉडल अनुकूलित होने में संघर्ष करता है, अक्सर एक या दो नए नमूनों के साथ कम सटीक हो जाता है, जबकि भौतिकी-निर्देशित मॉडल ने अपने मार्ग को ठीक करने के लिए उस छोटे से डेटा का उपयोग उल्लेखनीय गति के साथ किया।

मॉडल कितनी अच्छी तरह अनुकूलित हो सकता है, इसे मापने के लिए, अध्ययन ने 'कैलिब्रेटेबिलिटी इंडेक्स' (Calibratability Index) नामक एक नया मीट्रिक पेश किया। यह संख्या दर्शाती है कि प्रशिक्षण डेटा और नए स्थान के बीच के अंतर को केवल पांच स्थानीय नमूनों का उपयोग करके कितना भरा जा सकता है। भौतिकी-निर्देशित मॉडल इस अंतर के आधे से अधिक हिस्से को भरने में सफल रहा, जिसने 0.511 का स्कोर प्राप्त किया, जबकि पारंपरिक मॉडल केवल लगभग 3क 36 प्रतिशत ही भर सका। यह अंतर महत्वपूर्ण है क्योंकि इसका अर्थ है कि नया तरीका विश्वसनीय होने के लिए बहुत कम महंगे परीक्षणों की आवश्यकता रखता है। अध्ययन में पाया गया कि यदि इंजीनियरों द्वारा यह चुनने के लिए एक स्मार्ट चयन प्रक्रिया का उपयोग किया जाए कि किन कुछ नमूनों का परीक्षण करना है, तो वे विनाशकारी चट्टान-कुचलने वाले परीक्षणों की संख्या को 90 प्रतिशत से अधिक कम कर सकते हैं। दर्जनों नम关注ों के परीक्षण करने के बजाय, एक फील्ड टीम रणनीतिक रूप से चुने गए केवल तीन से पांच कोर चुन सकती है, उनका परीक्षण कर सकती है, और मॉडल को उच्च विश्वास के साथ स्थानीय साइट के अनुरूप वैश्विक भविष्यवाणी को समायोजित करने दे सकती है।

अनुसंधान ने यह भी उजागर किया कि सभी चट्टानें समान नहीं होती हैं, और भविष्यवाणियों में त्रुटियां यादृच्छिक (random) नहीं होती हैं। अध्ययन ने प्रत्येक देश के लिए एक "भूगर्भीय पूर्वाग्रह" (geological bias) की गणना की, जिससे व्यवस्थित अंतर सामने आए जिन्हें मॉडल अब समझ सकता था। उदाहरण के लिए, दक्षिण अफ्रीका की चट्टानें वैश्विक आधार रेखा की तुलना में औसतन 5.6 गुना अधिक मजबूत पाई गईं, जो उनके प्राचीन, स्थिर भूगर्भीय इतिहास का प्रतिबिंब है। इसके विपरीत, तुर्की की चट्टानें काफी कमजोर पाई गईं, जो आधार रेखा की शक्ति का केवल एक तिहाई थीं, जो संभवतः उनकी युवा, अधिक खंडित प्रकृति के कारण हैं। ये निष्कर्ष पुष्टि करते हैं कि भविष्यवाणियों में त्रुटियां केवल शोर (noise) नहीं हैं; वे सार्थक संकेत हैं जो किसी क्षेत्र के वास्तविक भूगर्भीय इतिहास को दर्शाते हैं। इन पैटर्न को समझकर, मॉडल को प्रत्येक परिदृश्य के अद्वितीय चरित्र का सम्मान करने के लिए ट्यून किया जा सकता है।

सबसे व्यावहारिक खोजों में से एक यह थी कि उन कुछ महत्वपूर्ण नमूनों को कैसे चुना जाए। अध्ययन ने रैंडम (यादृच्छिक) रूप से नमूने चुनने बनाम एक ऐसी विधि की तुलना की जो चट्टान के भौतिक गुणों, जैसे घनत्व और तरंग गति में विविधता की तलाश करती है, बिना चट्टान को पहले तोड़े। विविध चयन विधि (diverse selection method) काफी बेहतर साबित हुई, जिसने रैंडम अनुमान की तुलना में भविष्यवाणी की सटीकता में 14 से 17 प्रतिशत का सुधार किया। इसका अर्थ है कि इंजीनियर गैर-आक्रामक उपकरणों का उपयोग करके एक साइट का स्कैन कर सकते हैं, सबसे प्रतिनिधि स्थानों की पहचान कर सकते हैं, और फिर परीक्षण के लिए केवल कुछ ही कोर ले सकते हैं। यह रणनीति सुनिश्चित करती है कि विनाशकारी परीक्षण का छोटा सा हिस्सा वहीं उपयोग किया जाए जहाँ इसकी सबसे अधिक आवश्यकता है, जिससे प्रत्येक नमूने का मूल्य अधिकतम हो सके।

अध्ययन ने यह भी परीक्षण किया कि क्या अधिक जटिल गणितीय युक्तियों को जोड़ने या डेटा से नए फीचर्स बनाने से मदद मिलेगी। यह पता चला कि सरल होना ही बेहतर था। मूल मापों—तरंग गति, घनत्व और चट्टान के प्रकार—ने नए चरों (variables) की किसी भी जटिल इंजीनियरिंग के बराबर या उससे बेहतर प्रदर्शन किया। यह सुझाव देता है कि इस प्रकार की भूगर्भीय समस्याओं के लिए, सबसे शक्तिशाली उपकरण अक्सर सबसे सीधा होता है। शोधकर्ताओं ने पाया कि सीमित डेटा के साथ कंप्यूटर को अधिक जटिल पैटर्न सीखने के लिए मजबूर करने से वास्तव में खराब परिणाम मिले, जो पुष्टि करता है कि भौतिक वास्तविकता पर आधारित एक सीधा दृष्टिकोण अधिक मजबूत है।

अंत में, यह कार्य भू-तकनीकी इंजीनियरिंग (geotechnical engineering) के लिए एक स्पष्ट मार्ग प्रदान करता है। यह प्रदर्शित करता है कि भौतिकी के सार्वभौमिक नियमों को मशीन लर्निंग की पैटर्न-पहचान शक्ति के साथ जोड़कर, हम ऐसे मॉडल बना सकते हैं जो विभिन्न भूगर्भीय दुनियाओं में अच्छी तरह से काम करते हैं। यह पद्धति किसी एक प्रकार के कंप्यूटर एल्गोरिदम पर निर्भर नहीं है; यह कई अलग-अलग लर्निंग टूल्स के साथ काम करती है, जो इसे उद्योग के लिए एक लचीला ढांचा बनाती है। सबसे महत्वपूर्ण बात यह है कि यह साइट जांच की लागत और समय को भारी मात्रा में कम करने का एक सांख्यिकीय रूप से सिद्ध तरीका प्रदान करता है। विनाशकारी परीक्षणों की आवश्यकता को दर्जनों नमूनों से घटाकर केवल कुछ तक कम करके, यह दृष्टिकोण दुनिया के जटिल और विविध परिदृश्यों में तेज़, सुरक्षित और अधिक किफायती इंजीनियरिंग निर्णय लेने की अनुमति देता है।