هوش مصنوعی در مهندسی ژئوتکنیک; هم‌افزایی داده، الگوریتم و قضاوت مهندسی در عصر GEO 4.0

مهندسی ژئوتکنیک به دلیل ماهیت پیچیده و ناهمگن خاک و سنگ، بیش از بسیاری از شاخه‌های مهندسی عمران با عدم‌قطعیت (Uncertainty) و تغییرپذیری طبیعی (Variability) سروکار دارد. برخلاف مصالح مهندسی مانند بتن و فولاد، ویژگی‌های مکانیکی زمین حاصل میلیون‌ها سال فرآیندهای زمین‌شناسی است و حتی با انجام مطالعات دقیق نیز شناخت کاملی از شرایط زیرسطحی به دست نمی‌آید. ازاین‌رو، تصمیم‌گیری در پروژه‌های ژئوتکنیکی همواره بر پایه ترکیبی از داده‌های صحرایی و آزمایشگاهی، تحلیل‌های عددی و قضاوت مهندسی انجام می‌شود.

در دهه‌های اخیر، پیشرفت روش‌های عددی و نرم‌افزارهای تخصصی، امکان تحلیل دقیق‌تر رفتار خاک و اندرکنش خاک و سازه را فراهم کرده است. با این حال، افزایش حجم داده‌های ژئوتکنیکی و پیچیدگی مسائل طراحی، استفاده از روش‌های سنتی را با محدودیت‌هایی مواجه کرده است. در چنین شرایطی، هوش مصنوعی (Artificial Intelligence) به‌عنوان ابزاری قدرتمند برای تحلیل داده‌های پیچیده، شناسایی الگوهای پنهان و پشتیبانی از تصمیم‌گیری مهندسی مطرح شده است.

امروزه الگوریتم‌های یادگیری ماشین و یادگیری عمیق در طیف گسترده‌ای از مسائل ژئوتکنیکی، از پیش‌بینی خواص خاک و سنگ، ارزیابی ظرفیت باربری، تحلیل پایداری شیب‌ها و سازه‌های نگهبان، تا پایش عملکرد زیرساخت‌ها و مدیریت ریسک پروژه‌ها به کار گرفته می‌شوند. این تحول هم‌زمان با توسعه فناوری‌هایی مانند حسگرهای هوشمند، اینترنت اشیا (IoT) و دوقلوهای دیجیتال، زمینه شکل‌گیری مفهوم GEO 4.0 را فراهم کرده است؛ پارادایمی که در آن داده، مدل‌های عددی و هوش مصنوعی به‌صورت یکپارچه در خدمت طراحی، اجرا و بهره‌برداری از پروژه‌های ژئوتکنیکی قرار می‌گیرند.

با وجود پیشرفت‌های چشمگیر، هوش مصنوعی جایگزین مهندس ژئوتکنیک نیست. توان اصلی این فناوری در پردازش سریع حجم عظیمی از داده‌ها و ارائه الگوهای قابل اعتماد است، در حالی که تفسیر نتایج، ارزیابی شرایط خاص هر پروژه و مسئولیت نهایی تصمیم‌های مهندسی همچنان بر عهده مهندس طراح است. از این رو، آینده مهندسی ژئوتکنیک نه در رقابت میان انسان و ماشین، بلکه در هم‌افزایی توان محاسباتی الگوریتم‌ها و قضاوت مهندسی تعریف می‌شود.

در این مقاله، روند تکامل هوش مصنوعی در مهندسی ژئوتکنیک، مهم‌ترین الگوریتم‌ها، کاربردهای عملی، فناوری‌های نوظهور، چالش‌ها و چشم‌انداز آینده این فناوری در طراحی و مدیریت پروژه‌های ژئوتکنیکی مورد بررسی قرار می‌گیرد.

سیر تکامل هوش مصنوعی در مهندسی ژئوتکنیک

کاربرد هوش مصنوعی در مهندسی ژئوتکنیک سابقه‌ای بیش از سه دهه دارد. بررسی روند انتشار مقالات علمی نشان می‌دهد که از اواسط دهه ۱۹۸۰ تاکنون، استفاده از روش‌های هوشمند در تحلیل مسائل ژئوتکنیکی رشد چشمگیری داشته و به‌ویژه در دهه اخیر، هم‌زمان با افزایش توان پردازشی رایانه‌ها، دسترسی به داده‌های بزرگ (Big Data) و توسعه الگوریتم‌های یادگیری ماشین، این روند شتاب قابل توجهی یافته است. امروزه هوش مصنوعی به یکی از محورهای اصلی پژوهش و توسعه در ژئوتکنیک تبدیل شده و نقش آن از یک ابزار کمکی در تحلیل داده‌ها، به یک سامانه تصمیم‌یار در فرآیند طراحی و مدیریت پروژه‌ها ارتقا یافته است.

نخستین کاربردهای هوش مصنوعی در ژئوتکنیک بر سیستم‌های خبره (Expert Systems) استوار بود. این سیستم‌ها تلاش می‌کردند دانش و تجربه مهندسان خبره را در قالب مجموعه‌ای از قوانین منطقی ذخیره کرده و برای حل مسائل طراحی و تصمیم‌گیری مورد استفاده قرار دهند. هرچند این روش‌ها در مسائل محدود عملکرد قابل قبولی داشتند، اما وابستگی شدید آن‌ها به قوانین از پیش تعریف‌شده، قابلیت یادگیری محدود و دشواری به‌روزرسانی دانش، استفاده از آن‌ها را در پروژه‌های پیچیده با محدودیت مواجه کرد.

با ورود به قرن بیست و یکم، تمرکز پژوهش‌ها به سمت یادگیری ماشین (Machine Learning) تغییر یافت. برخلاف سیستم‌های خبره، الگوریتم‌های یادگیری ماشین بدون نیاز به تعریف صریح روابط فیزیکی، قادر بودند الگوهای پیچیده میان داده‌های ورودی و خروجی را شناسایی کنند. این ویژگی، کاربرد آن‌ها را در پیش‌بینی پارامترهای ژئومکانیکی، ظرفیت باربری، نشست، پایداری شیب‌ها و سایر مسائل غیرخطی به‌طور چشمگیری افزایش داد.

در میان روش‌های مختلف، شبکه‌های عصبی مصنوعی (Artificial Neural Networks) بیشترین سهم را در پژوهش‌های ژئوتکنیکی به خود اختصاص داده‌اند و نزدیک به نیمی از مطالعات منتشرشده از این الگوریتم بهره گرفته‌اند. پس از آن، روش‌هایی مانند منطق فازی (Fuzzy Logic)، برنامه‌نویسی ژنتیک (Genetic Programming)، ماشین بردار پشتیبان (Support Vector Machine) و در سال‌های اخیر جنگل تصادفی (Random Forest) و XGBoost به دلیل دقت بالا در تحلیل داده‌های پیچیده، جایگاه ویژه‌ای پیدا کرده‌اند.

از نظر حوزه‌های کاربرد، بیشترین پژوهش‌ها بر پیش‌بینی خواص مهندسی خاک و سنگ متمرکز بوده‌اند. با این حال، دامنه استفاده از هوش مصنوعی به‌تدریج گسترش یافته و امروزه طراحی و ارزیابی پی‌ها، تحلیل پایداری شیب‌ها، پیش‌بینی نشست، عملکرد دیوارهای حائل، تونل‌ها، ماشین‌های حفاری مکانیزه (TBM)، رانش زمین و پایش سلامت سازه‌های ژئوتکنیکی را نیز در بر می‌گیرد.

در سال‌های اخیر، روند توسعه هوش مصنوعی از پیش‌بینی صرف فراتر رفته و به سمت سامانه‌های تصمیم‌یار هوشمند حرکت کرده است. این سامانه‌ها علاوه بر تحلیل داده‌ها، قادرند عدم‌قطعیت نتایج را ارزیابی کرده، سناریوهای مختلف طراحی را با یکدیگر مقایسه کنند و با ترکیب داده‌های صحرایی، مدل‌های عددی و الزامات آیین‌نامه‌ای، فرآیند تصمیم‌گیری مهندسی را پشتیبانی کنند. چنین تحولاتی نشان می‌دهد که آینده هوش مصنوعی در ژئوتکنیک تنها به توسعه الگوریتم‌های دقیق‌تر محدود نمی‌شود، بلکه در حرکت به سوی سامانه‌هایی است که بتوانند به‌عنوان دستیار هوشمند مهندس در تمام مراحل چرخه عمر پروژه ایفای نقش کنند.

سیستم‌های تصمیم‌یار هوشمند و گردش کار هوش مصنوعی در مهندسی ژئوتکنیک

کاربرد هوش مصنوعی در مهندسی ژئوتکنیک تنها به پیش‌بینی پارامترهای خاک یا تحلیل داده‌های آزمایشگاهی محدود نمی‌شود. امروزه این فناوری به سمت توسعه سیستم‌های تصمیم‌یار هوشمند (Artificial Decision-Making Systems)  حرکت کرده است؛ سامانه‌هایی که با ترکیب داده‌های میدانی، نتایج آزمایشگاهی، مدل‌های عددی و دانش مهندسی، فرآیند تحلیل و تصمیم‌گیری را تسهیل می‌کنند.

به طور کلی، سیستم‌های تصمیم‌یار هوشمند در ژئوتکنیک را می‌توان در دو گروه اصلی طبقه‌بندی کرد.

سیستم‌های مبتنی بر دانش (Knowledge-Based Systems)

این سامانه‌ها بر پایه دانش و تجربه متخصصان توسعه یافته‌اند و تصمیم‌های خود را بر اساس مجموعه‌ای از قوانین و روابط منطقی اتخاذ می‌کنند. شناخته‌شده‌ترین نمونه این گروه، سیستم‌های خبره (Expert Systems)  هستند که در دهه‌های نخست توسعه هوش مصنوعی، کاربرد گسترده‌ای در انتخاب روش‌های حفاری، طراحی سیستم‌های نگهداری تونل، انتخاب نوع پی و ارزیابی شرایط زمین داشتند.

یکی از مهم‌ترین مزایای این سامانه‌ها، قابلیت ارائه استدلال برای تصمیم‌های اتخاذشده است؛ به عبارت دیگر، کاربر می‌تواند مسیر استنتاج سیستم را مشاهده کرده و دلیل انتخاب هر گزینه را بررسی کند. با این حال، وابستگی به قوانین از پیش تعریف‌شده و محدود بودن توانایی یادگیری، از مهم‌ترین محدودیت‌های این دسته از سیستم‌ها به شمار می‌رود.

سیستم‌های مبتنی بر یادگیری (Learning-Based Systems)

نسل جدید سامانه‌های هوشمند بر پایه الگوریتم‌های یادگیری ماشین و یادگیری عمیق توسعه یافته‌اند. برخلاف سیستم‌های خبره، این مدل‌ها نیازی به تعریف روابط فیزیکی یا قوانین منطقی ندارند و با استفاده از داده‌های آموزشی، الگوهای موجود در رفتار خاک، سنگ و سازه‌های ژئوتکنیکی را استخراج می‌کنند.

این سیستم‌ها در مسائلی مانند پیش‌بینی پارامترهای ژئومکانیکی، ارزیابی ظرفیت باربری، تحلیل پایداری شیب، پیش‌بینی نشست، مدیریت ریسک، پایش سلامت سازه‌ها و هشدار زودهنگام گسیختگی، دقت قابل توجهی از خود نشان داده‌اند. همچنین با دریافت داده‌های جدید، امکان به‌روزرسانی و بهبود عملکرد آن‌ها وجود دارد؛ قابلیتی که آن‌ها را برای پروژه‌های بلندمدت و سامانه‌های پایش هوشمند بسیار مناسب می‌سازد.

گردش کار پیاده‌سازی هوش مصنوعی در پروژه‌های ژئوتکنیکی

موفقیت یک مدل هوش مصنوعی بیش از آنکه به نوع الگوریتم وابسته باشد، به کیفیت داده‌ها و نحوه توسعه مدل بستگی دارد. به همین دلیل، اجرای یک پروژه مبتنی بر هوش مصنوعی معمولاً از یک فرآیند چندمرحله‌ای پیروی می‌کند.

جمع‌آوری داده‌ها نخستین و مهم‌ترین مرحله است. این داده‌ها می‌توانند شامل اطلاعات حاصل از گمانه‌ها، آزمایش‌های صحرایی نظیر CPT و SPT، آزمایش‌های آزمایشگاهی، نتایج ابزار دقیق، داده‌های پایش، تصاویر ماهواره‌ای یا خروجی مدل‌های عددی باشند.

در مرحله بعد، پیش‌پردازش داده‌ها انجام می‌شود. حذف داده‌های پرت، مدیریت داده‌های مفقود، یکسان‌سازی واحدها، نرمال‌سازی داده‌ها و انتخاب ویژگی‌های مؤثر (Feature Engineering) از جمله اقداماتی هستند که تأثیر مستقیمی بر عملکرد مدل خواهند داشت.

پس از آماده‌سازی داده‌ها، مدل مناسب انتخاب و آموزش داده می‌شود. بسته به نوع مسئله، ممکن است از شبکه‌های عصبی، ماشین بردار پشتیبان، جنگل تصادفی، XGBoost  یا سایر الگوریتم‌های یادگیری ماشین استفاده شود. در این مرحله، تنظیم ابرپارامترها (Hyperparameter Tuning) و اعتبارسنجی متقابل (Cross Validation)  نقش مهمی در جلوگیری از بیش‌برازش (Overfitting) و افزایش قابلیت تعمیم مدل دارند.

پس از آموزش، مدل برای پیش‌بینی یا طبقه‌بندی مورد استفاده قرار می‌گیرد. با این حال، خروجی مدل نباید مستقیماً مبنای طراحی قرار گیرد. نتایج باید از نظر سازگاری با رفتار واقعی زمین، ضوابط آیین‌نامه‌ای و تجربه مهندسی مورد ارزیابی قرار گیرند.

در نهایت، قضاوت مهندسی آخرین و مهم‌ترین مرحله این فرآیند است. هوش مصنوعی می‌تواند گزینه‌های مختلف را پیشنهاد دهد، میزان عدم‌قطعیت را برآورد کند و تحلیل‌های پیچیده را در زمانی کوتاه انجام دهد، اما مسئولیت انتخاب راهکار نهایی و پذیرش ریسک‌های طراحی همچنان بر عهده مهندس طراح خواهد بود.

طبقه‌بندی خاک بر اساس نتایج آزمایش CPT با استفاده از هوش مصنوعی

مطالعات موردی؛ کاربرد هوش مصنوعی در پروژه‌های واقعی ژئوتکنیکی

ارزش واقعی هوش مصنوعی زمانی آشکار می‌شود که عملکرد آن در پروژه‌های اجرایی مورد ارزیابی قرار گیرد. در سال‌های اخیر، پژوهشگران و شرکت‌های مهندسی با استفاده از الگوریتم‌های مختلف یادگیری ماشین و سیستم‌های هوشمند، توانسته‌اند بسیاری از مسائل پیچیده ژئوتکنیکی را با دقت و سرعت بیشتری تحلیل کنند. مطالعات موردی زیر، نمونه‌هایی از موفق‌ترین کاربردهای هوش مصنوعی در این حوزه هستند.

انتخاب سیستم نگهداری تونل

یکی از نخستین کاربردهای موفق هوش مصنوعی در ژئوتکنیک، استفاده از سیستم‌های خبره (Expert Systems)  برای انتخاب سیستم نگهداری تونل بود. در پروژه تونل دولایی تویسرکان، یک سیستم تصمیم‌یار بر پایه دانش متخصصان توسعه یافت که با تحلیل هم‌زمان پارامترهایی نظیر کیفیت توده‌سنگ، شرایط زمین‌شناسی، وضعیت آب زیرزمینی، عمر بهره‌برداری و ملاحظات اجرایی، گزینه‌های مختلف نگهداری را ارزیابی می‌کرد.

نتایج این مطالعه نشان داد که سیستم هوشمند، گزینه راک‌بولت همراه با شاتکریت مسلح را به‌عنوان مناسب‌ترین سیستم نگهداری پیشنهاد داده است؛ نتیجه‌ای که با نظر متخصصان پروژه نیز همخوانی داشت. این مطالعه نشان داد که سیستم‌های مبتنی بر دانش می‌توانند در مراحل اولیه طراحی، زمان تصمیم‌گیری را کاهش داده و فرآیند انتخاب گزینه‌های مناسب را نظام‌مندتر کنند.

نقشه زمین‌شناسی محدوده مطالعه (چپ) و نمایی از تونل دولایی همراه با نمایش نشست‌ها و تغییرمکان‌های اندازه‌گیری‌شده (راست) (Haghshenas et al., 2019)

پیش‌بینی عملکرد ماشین حفاری مکانیزه (TBM)

عملکرد ماشین‌های حفاری مکانیزه تحت تأثیر عوامل متعددی از جمله مقاومت سنگ، کیفیت توده‌سنگ، شرایط زمین‌شناسی، نیروی پیشران، گشتاور و فشار جبهه حفاری قرار دارد. پیش‌بینی این رفتار با روابط کلاسیک معمولاً دشوار است.

در یکی از مطالعات انجام‌شده بر روی پروژه‌های تونلی هیمالیا، از الگوریتم‌های XGBoost  و شبکه‌های عصبی مصنوعی (ANN) برای پیش‌بینی نرخ نفوذ TBM و احتمال گیرکردن دستگاه استفاده شد. علاوه بر پیش‌بینی عملکرد، پژوهشگران سامانه‌ای برای هشدار زودهنگام گیرکردن TBM توسعه دادند که می‌توانست پیش از وقوع مشکل، شرایط بحرانی را شناسایی کند.

تحلیل نتایج با استفاده از روش SHAP  نیز نشان داد که عواملی مانند نیروی پیشران، گشتاور حفاری و شاخص کیفیت توده‌سنگ (RMR)، بیشترین تأثیر را بر عملکرد ماشین دارند. این مطالعه نمونه‌ای از تلفیق هوش مصنوعی با تحلیل‌پذیری (Explainable AI) در پروژه‌های ژئوتکنیکی محسوب می‌شود.

(a) تحلیل اهمیت ویژگی‌ها بر پایه میانگین قدر مطلق مقادیر SHAP برای هر متغیر؛ (b) نمودار Beeswarm  با ویژگی‌های مرتب‌شده بر اساس میانگین مقدار SHAP

طبقه‌بندی خاک با استفاده از بینایی ماشین

پیشرفت فناوری بینایی ماشین (Computer Vision) امکان استفاده از تصاویر دیجیتال را برای شناسایی ویژگی‌های خاک فراهم کرده است. در یکی از پژوهش‌های انجام‌شده، بیش از هزار تصویر از نمونه‌های مختلف خاک که با دوربین تلفن همراه تهیه شده بودند، برای آموزش یک شبکه عصبی عمیق مورد استفاده قرار گرفت.

مدل آموزش‌دیده توانست انواع مختلف خاک از جمله رس، ماسه و شن را با دقت قابل قبول طبقه‌بندی کند و در تشخیص نمونه‌های ماسه‌ای عملکرد بسیار مطلوبی داشته باشد. هرچند این روش هنوز جایگزین آزمایش‌های ژئوتکنیکی استاندارد نیست، اما می‌تواند به‌عنوان ابزاری سریع برای ارزیابی اولیه، آموزش و مطالعات میدانی مورد استفاده قرار گیرد.

پیش‌بینی رانش زمین و ارزیابی پایداری شیب

پایداری شیب‌ها یکی از مهم‌ترین مسائل ژئوتکنیکی است که تحت تأثیر عوامل متعددی از جمله زمین‌شناسی، شیب توپوگرافی، بارندگی، پوشش گیاهی و شرایط هیدروژئولوژیکی قرار دارد. مدل‌سازی هم‌زمان این عوامل با روش‌های کلاسیک اغلب دشوار است.

در مطالعه‌ای که در استان فوجیان چین انجام شد، پژوهشگران با استفاده از الگوریتم Random Forest و ۲۶ متغیر ورودی، سامانه‌ای برای پیش‌بینی احتمال وقوع رانش زمین توسعه دادند. این مدل توانست با دقتی نزدیک به ۹۶ درصد، مناطق مستعد ناپایداری را شناسایی کند و قابلیت مناسبی برای استفاده در سامانه‌های هشدار زودهنگام نشان دهد.

این پژوهش نشان داد که هوش مصنوعی می‌تواند علاوه بر تحلیل شرایط موجود، در مدیریت ریسک و کاهش خسارات ناشی از مخاطرات ژئوتکنیکی نیز نقش مؤثری ایفا کند.

مهم‌ترین عوامل مؤثر در وقوع رانش زمین (مانند بارندگی روز جاری و روز قبل با اهمیت ۳۹٫۶٪ و ۱۳٫۵٪، توزیع نقاط تاریخی رانش، بارندگی روزهای قبل، فاصله از خانه‌ها، نوع پوشش گیاهی، تراکم جمعیت، جنس سنگ‌شناسی، شیب و غیره)

نتایج اعتبارسنجی استراتژی هشدار چندکلاسه برای خطر رانش زمین در تاریخ ۵ اوت ۲۰۲۱ با استفاده از سه مدل مختلف: A) مدل جنگل تصادفی (RF)، B)مدل شبکه عصبی کانولوشنال (CNN)، و C) مدل پرسپترون چندلایه (MLP)

فناوری‌های نوظهور و آینده هوش مصنوعی در مهندسی ژئوتکنیک

پیشرفت هوش مصنوعی، همراه با توسعه فناوری‌های دیجیتال، افق‌های جدیدی را در مهندسی ژئوتکنیک ایجاد کرده است. در سال‌های اخیر، فناوری‌هایی مانند دوقلوهای دیجیتال (Digital Twins)، شبکه‌های عصبی فیزیک‌آگاه (PINNs)، پردازش زبان طبیعی (NLP/NEL) و دیجیتال‌سازی داده‌های ژئوتکنیکی به‌عنوان مهم‌ترین روندهای آینده این حوزه مطرح شده‌اند.

دوقلوهای دیجیتال با ایجاد یک مدل مجازی از سازه یا محیط ژئوتکنیکی و به‌روزرسانی آن بر اساس داده‌های ابزار دقیق، امکان پایش مستمر، پیش‌بینی عملکرد و مدیریت ریسک در طول چرخه عمر پروژه را فراهم می‌کنند.

شبکه‌های عصبی فیزیک‌آگاه (PINNs) نیز با ترکیب داده‌های تجربی و قوانین حاکم بر مکانیک خاک، محدودیت مدل‌های داده‌محور را کاهش داده و دقت پیش‌بینی را، به‌ویژه در شرایط کمبود داده، افزایش می‌دهند.

از سوی دیگر، توسعه مدل‌های زبانی امکان تعامل با نرم‌افزارهای مهندسی از طریق زبان طبیعی را فراهم کرده است؛ به‌گونه‌ای که در آینده، بخشی از فرآیند مدل‌سازی، تحلیل و تهیه گزارش می‌تواند به‌صورت هوشمند انجام شود.

همچنین، دیجیتال‌سازی گزارش‌های ژئوتکنیکی و تبدیل داده‌های قدیمی به پایگاه‌های اطلاعاتی ساختاریافته، امکان استفاده مجدد از اطلاعات پروژه‌های گذشته را فراهم کرده و بستر مناسبی برای توسعه سامانه‌های هوشمند ایجاد می‌کند.

این تحولات نشان می‌دهد که آینده مهندسی ژئوتکنیک در چارچوب GEO 4.0  به سمت یکپارچه‌سازی داده‌ها، مدل‌های عددی، سامانه‌های پایش و هوش مصنوعی حرکت می‌کند. با این حال، هوش مصنوعی همچنان ابزاری برای پشتیبانی از تصمیم‌گیری مهندسی خواهد بود و جایگزین قضاوت و مسئولیت حرفه‌ای مهندس نخواهد شد.

چالش‌ها و محدودیت‌های هوش مصنوعی در مهندسی ژئوتکنیک

با وجود پیشرفت‌های چشمگیر، هوش مصنوعی هنوز با محدودیت‌هایی مواجه است که نادیده گرفتن آن‌ها می‌تواند به تصمیم‌های نادرست و حتی مخاطرات اجرایی منجر شود. ازاین‌رو، استفاده از این فناوری باید همواره با درک صحیح از قابلیت‌ها و محدودیت‌های آن همراه باشد.

یکی از مهم‌ترین چالش‌ها، عدم شفافیت مدل‌ها (Black Box) است. بسیاری از الگوریتم‌های یادگیری عمیق، اگرچه دقت بالایی دارند، اما نحوه رسیدن به نتیجه را به‌روشنی بیان نمی‌کنند. به همین دلیل، استفاده از روش‌های هوش مصنوعی قابل توضیح (Explainable AI) مانند SHAP و LIME برای تفسیر نتایج و افزایش اعتمادپذیری مدل‌ها اهمیت زیادی یافته است.

چالش دیگر، ضعف مدل‌ها در برون‌یابی (Extrapolation) است. الگوریتم‌های هوش مصنوعی معمولاً در محدوده داده‌هایی که با آن‌ها آموزش دیده‌اند عملکرد مطلوبی دارند، اما در مواجهه با شرایط جدید یا داده‌های خارج از این محدوده، ممکن است پیش‌بینی‌های نادرستی ارائه دهند. ازاین‌رو، استفاده از آن‌ها در شرایط بحرانی یا نادر باید با احتیاط و همراه با قضاوت مهندسی انجام شود.

در مسائل ژئوتکنیکی، خودهمبستگی فضایی (Spatial Autocorrelation) نیز از اهمیت ویژه‌ای برخوردار است. به دلیل پیوستگی طبیعی محیط زمین، داده‌های نقاط مجاور معمولاً به یکدیگر وابسته‌اند و در صورت نادیده گرفتن این موضوع، ممکن است دقت واقعی مدل بیش از حد برآورد شود.

همچنین، بسیاری از پایگاه‌های داده ژئوتکنیکی با مشکل نامتوازنی داده‌ها (Class Imbalance) روبه‌رو هستند؛ زیرا رخدادهایی مانند گسیختگی شیب یا شکست سازه نسبت به حالت‌های پایدار بسیار کمتر اتفاق می‌افتند. در چنین شرایطی، یک مدل ممکن است از نظر آماری دقت بالایی داشته باشد، اما در شناسایی رخدادهای بحرانی عملکرد مناسبی نداشته باشد.

در مجموع، عملکرد هوش مصنوعی به کیفیت داده‌های ورودی، روش توسعه مدل و نحوه ارزیابی نتایج وابسته است. بنابراین، استفاده مسئولانه از این فناوری مستلزم اعتبارسنجی دقیق، شناخت محدودیت‌های مدل و تفسیر نتایج در کنار تجربه و قضاوت مهندسی است.

آینده مهندسی ژئوتکنیک؛ همکاری انسان و هوش مصنوعی

روند توسعه هوش مصنوعی نشان می‌دهد که آینده مهندسی ژئوتکنیک بر پایه همکاری انسان و ماشین شکل خواهد گرفت، نه جایگزینی مهندس با الگوریتم‌ها. هوش مصنوعی می‌تواند داده‌های گسترده را تحلیل کرده، الگوهای پنهان را شناسایی و تصمیم‌گیری را پشتیبانی کند، اما تفسیر نتایج، ارزیابی شرایط خاص هر پروژه و مسئولیت نهایی طراحی همچنان بر عهده مهندس خواهد بود.

ازاین‌رو، مهندسان آینده علاوه بر دانش مکانیک خاک و روش‌های تحلیل عددی، باید با مفاهیم علم داده، یادگیری ماشین و ارزیابی انتقادی خروجی مدل‌های هوش مصنوعی نیز آشنا باشند.

در نهایت، هوش مصنوعی را باید ابزاری برای ارتقای کیفیت تصمیم‌گیری مهندسی دانست. استفاده صحیح از این فناوری می‌تواند به کاهش عدم‌قطعیت، بهینه‌سازی طراحی و افزایش ایمنی پروژه‌های ژئوتکنیکی کمک کند، اما تنها زمانی قابل اعتماد خواهد بود که نتایج آن در کنار دانش، تجربه و قضاوت مهندسی مورد ارزیابی قرار گیرد.

چارچوب پیشنهادی همکاری انسان و هوش مصنوعی در تصمیم‌گیری مهندسی ژئوتکنیک