ناقشت رسالة ماجستيرفي كلية الهندسة تحليل استقرارية المنحدرات باستخدام تقنيات تعلم الآلة

ناقشت رسالة ماجستير في كلية الهندسة بجامعة ديالى تحليل استقرارية المنحدرات باستخدام تقنيات تعلم الآلة للطالب احمد عدنان ذياب لفته والتي أجريت يوم الخميس الموافق 21/8/2025 الساعة التاسعة صباحاً في قاعة كلية الهندسة بجامعة ديالى
من قبل اللجنة المؤلفة من:
أ.د محمد يوسف فتاح الجامعة التكنولجية/ قسم الهندسة المدنية
/الهندسة المدنية رئيساً
أ.د حسن عبيد عباس /جامعة ديالى/ كلية الهندسة/ ميكانيك تربة وهندسة أسس عضواً
أ.م.د قاسم عدنان مهدي/ جامعة ديالى/ كلية الهندسة/ جيوتكنيك
أ.م.د قتيبه غازي مجيد/ جامعة ديالى/ كلية الهندسة/ هندسة الجيوتكنيك مشرفاً
أ.م.د سعد شوكت سمين/ جامعة ديالى/ كلية الهندسة/ هندسة الموارد المائية
هدف البحث إلى تقييم استقرارية المنحدرات من خلال تطبيق تقنيات تعلم الآلة للتنبؤ بعامل الأمان (FS)، وذلك باستخدام مجموعة بيانات جيوتكنيكية متنوعة تضم أهم العوامل المؤثرة في سلوك المنحدرات.
و اعتمدت على قاعدة بيانات مكونة من (224) حالة واقعية وموثقة لاستقرار المنحدرات مأخوذة من بحوث سابقة، تضمنت ستة متغيرات جيوتكنيكية رئيسية هي: ارتفاع المنحدر (H)، وزاوية الاحتكاك الداخلي (φ)، والتماسك (c)، وزاوية الميل (β)، والوزن النوعي للتربة (γ)، ومعامل ضغط الماء المسامي (ru). تم اختيار هذه المتغيرات كونها الأكثر تأثيراً في تحديد سلوك المنحدرات تحت ظروف التحميل الساكن. ولتحقيق الهدف، جرى بناء خمسة نماذج متدرجة أضيف في كل منها متغير إدخال جديد لتقييم مدى مساهمته في تحسين دقة التنبؤ.
و استخدمت خوارزميات تعلم آلي خاضعة للإشراف، شملت خوارزمية التعزيز المتطرف (XGBoost)، والغابة العشوائية (RF)، وأقرب الجيران (KNN)، وشجرة القرار (DT)، إضافة إلى الشبكة العصبية الاصطناعية (ANN). تمت عملية التدريب والاختبار بالاعتماد على تقسيم البيانات بنسبة (70% تدريب و30% اختبار)، مع استخدام أسلوب التحقق المتقاطع ذي العشرة أضعاف لضمان موثوقية النتائج وتقليل احتمالية فرط التكييف.
أظهرت النتائج أن خوارزمية XGBoost حققت أفضل أداء عبر جميع النماذج، حيث وصلت دقة التنبؤ في النموذج الخامس الذي شمل جميع المتغيرات إلى قيمة (R²=0.90) مع انخفاض قيم كل من (MAE=0.16) و(MSE=0.04). في حين قدمت الغابة العشوائية نتائج قريبة من XGBoost خاصة في النموذج الرابع، بينما أظهرت خوارزميات KNN وDT أداءً متوسطاً. أما الشبكة العصبية الاصطناعية فقد جاءت في المراتب الأخيرة نتيجة حساسيتها لحجم البيانات وتعقيد المتغيرات.
كذلك أظهر تحليل الحساسية أن زاوية الاحتكاك الداخلي (φ) وارتفاع المنحدر (H) يمثلان العاملين الأكثر تأثيراً في استقرار المنحدرات، بينما كان تأثير الوزن النوعي (γ) والتماسك (c) محدوداً نسبياً. وبالمجمل، أكدت النتائج أن دمج تقنيات تعلم الآلة، خصوصاً الخوارزميات المعتمدة على الأشجار المجمعة مثل XGBoost، يوفر وسيلة أكثر دقة وموثوقية لتقدير عامل الأمان مقارنة بالطرق التقليدية. وتفتح هذه الدراسة آفاقاً واسعة لتطبيق هذه الأساليب الحديثة في المشاريع الجيوتكنيكية العملية والتوسع نحو بحوث مستقبلية في مجال الظروف الديناميكية أو المراقبة في الزمن الحقيقي