بررسی و مقایسه روش‌های محاسبه ضریب اطمینان پایداری شیب: از روش‌های تعادل حدی و عددی تا تحلیل‌های احتمالاتی و یادگیری ماشین

پایداری شیب یکی از مسائل مهم در مهندسی ژئوتکنیک است که شکست آن می‌تواند خسارات اقتصادی و انسانی قابل توجهی ایجاد کند. هدف اصلی تحلیل پایداری شیب، تعیین ضریب و ارزیابی احتمال وقوع شکست است. در روش‌های سنتی، تحلیل پایداری عمدتا بر پایه روش‌های تعادل حدی و روش‌های عددی مانند روش اجزای محدود انجام می‌شود. با وجود کاربرد گسترده این روش‌ها، فرضیات ساده‌کننده، عدم قطعیت پارامترهای خاک و تغییرپذیری مکانی ویژگی‌های ژئوتکنیکی باعث ایجاد محدودیت در پیش‌بینی رفتار واقعی شیب شده است.

روش‌های تعادل حدی با فرض سطح شکست مشخص و بر اساس تعادل نیروها یا ممان‌ها، ضریب اطمینان را محاسبه می‌کنند. این روش‌ها به دلیل سرعت بالا و سادگی هنوز در پروژه‌های مهندسی بسیار مورد استفاده هستند، اما قادر به بررسی کامل میدان تنش، تغییر شکل خاک و فرآیند واقعی گسیختگی نیستند. در مقابل، روش‌های عددی مانند اجزای محدود با در نظر گرفتن مدل رفتاری مصالح و تغییرات تنش-کرنش، امکان شبیه‌سازی دقیق‌تر رفتار شیب را فراهم می‌کنند. روش کاهش مقاومت برشی در تحلیل‌های عددی، بدون نیاز به فرض اولیه سطح لغزش، فرآیند شکست و ضریب اطمینان بحرانی را تعیین می‌کند.

با این حال، پارامترهای ژئوتکنیکی مانند مقاومت برشی، مدول تغییرشکل و شرایط هیدرولیکی دارای عدم قطعیت ذاتی هستند. بنابراین، استفاده از روش‌های احتمالاتی مانند شبیه‌سازی مونت‌کارلو (Monte Carlo method) و تحلیل قابلیت اعتماد برای ارزیابی احتمال شکست اهمیت زیادی پیدا کرده است. اگرچه این روش‌ها دیدگاه واقع‌بینانه‌تری نسبت به عدم قطعیت ارائه می‌دهند، هزینه محاسباتی بالای آن‌ها در مسائل پیچیده، استفاده گسترده از آن‌ها را محدود کرده است.

در سال‌های اخیر، یادگیری ماشین (Machine Learning, ML) به عنوان رویکردی کارآمد برای توسعه مدل‌های جانشین و پیش‌بینی سریع ضریب اطمینان مورد توجه قرار گرفته است. این روش‌ها با مدل‌سازی روابط غیرخطی پیچیده میان پارامترهای هندسی، مقاومتی و هیدرولیکی شیب، بدون نیاز به تعریف صریح روابط ریاضی، امکان تحلیل سریع و دقیق رفتار شیب را فراهم می‌کنند. در این پژوهش، ضمن بررسی و مقایسه روش‌های مختلف محاسبه ضریب اطمینان پایداری شیب، نقش روش‌های احتمالاتی و الگوریتم‌های یادگیری ماشین در بهبود دقت و کارایی تحلیل پایداری شیب مورد بررسی قرار می‌گیرد.

روش‌های محاسبه ضریب اطمینان و ارزیابی پایداری شیب

تحلیل پایداری شیب یکی از مسائل اصلی در مهندسی ژئوتکنیک است که هدف آن تعیین وضعیت تعادل شیب و محاسبه ضریب اطمینان در برابر گسیختگی است. روش‌های موجود برای ارزیابی پایداری شیب را می‌توان به چهار گروه اصلی شامل روش‌های تجربی (Empirical Methods)، روش تعادل حدی (Limit Equilibrium Method, LEM)، روش اجزای محدود (Finite Element Method, FEM) و سایر روش‌های عددی تقسیم‌بندی کرد.

روش تعادل حدی (Limit Equilibrium Method, LEM)

روش تعادل حدی یکی از رایج‌ترین روش‌ها برای محاسبه ضریب اطمینان شیب است که به دلیل سادگی، سرعت محاسباتی بالا و سابقه طولانی، در بسیاری از پروژه‌های ژئوتکنیکی مورد استفاده قرار می‌گیرد. در این روش، توده لغزشی به بخش‌های مختلف تقسیم شده و تعادل نیروها و ممان‌ها در امتداد یک سطح لغزش فرضی بررسی می‌شود.

روش‌هایی مانند بیشاپ (Bishop) ، جانبو (Janbu)، اسپنسر (Spencer) و مورگنسترن-پرایس (Morgenstern–Price)  از جمله روش‌های متداول تعادل حدی هستند که با فرضیات متفاوت درباره نیروهای بین قطعات، ضریب اطمینان را محاسبه می‌کنند.

با وجود کاربرد گسترده، روش LEM دارای محدودیت‌هایی است. مهم‌ترین محدودیت این روش، نیاز به فرض اولیه درباره شکل سطح لغزش است. همچنین این روش قادر به شبیه‌سازی دقیق توزیع تنش، تغییر شکل خاک، رفتار غیرخطی مصالح و فرآیند تدریجی ایجاد گسیختگی نیست. به همین دلیل، در مسائل پیچیده مانند شیب‌های چندلایه، شرایط بارگذاری پیچیده یا تحلیل‌های دینامیکی، استفاده از روش‌های عددی اهمیت بیشتری پیدا می‌کند.

نتیجه تحلیل پایداری شیب حاصل از روش تعادل حدی با استفاده از روش بیشاپ

روش اجزای محدود (Finite Element Method, FEM)

روش اجزای محدود یکی از قدرتمندترین روش‌های عددی در تحلیل مسائل ژئوتکنیکی است که امکان مدل‌سازی رفتار واقعی خاک، شرایط مرزی پیچیده و اندرکنش بین سازه و خاک را فراهم می‌کند. برخلاف روش تعادل حدی که سطح شکست را از قبل فرض می‌کند، در روش FEM فرآیند ایجاد ناحیه گسیختگی بر اساس تغییرات تنش و کرنش در محیط خاک تعیین می‌شود.

یکی از مزایای اصلی FEM قابلیت استفاده از مدل‌های رفتاری پیشرفته خاک مانند مدل موهر-کلمب (Mohr–Coulomb)، مدل سخت‌شونده (Hardening Soil Model) و مدل سخت‌شونده با کرنش کوچک (Hardening Soil Small Strain Model, HSsmall)  است که امکان شبیه‌سازی دقیق‌تر رفتار مکانیکی خاک را فراهم می‌کند.

نتایج جابجایی شیب به‌دست‌آمده از تحلیل اجزای محدود با استفاده از نرم‌افزار PLAXIS

روش کاهش مقاومت برشی(Strength Reduction Method, SRM)

روش کاهش مقاومت برشی یکی از روش‌های مبتنی بر FEM برای محاسبه ضریب اطمینان است که در سال‌های اخیر کاربرد گسترده‌ای در تحلیل پایداری شیب پیدا کرده است. در این روش، پارامترهای مقاومت برشی خاک شامل چسبندگی و زاویه اصطکاک داخلی به صورت تدریجی کاهش داده می‌شوند تا زمانی که مدل به شرایط ناپایداری برسد.

ضریب کاهش مقاومت در لحظه شکست به عنوان ضریب اطمینان شیب در نظر گرفته می‌شود. مزیت اصلی SRM نسبت به روش‌های تعادل حدی این است که نیازی به تعریف سطح لغزش اولیه ندارد و می‌تواند مسیر شکل‌گیری گسیختگی و مکانیزم واقعی شکست را شبیه‌سازی کند.

با وجود این مزایا، دقت SRM وابسته به انتخاب مدل رفتاری خاک، کیفیت شبکه‌بندی، پارامترهای ورودی و شرایط مرزی است. همچنین اجرای تعداد زیادی تحلیل برای بررسی عدم قطعیت پارامترها می‌تواند زمان‌بر و پرهزینه باشد.

روش‌های احتمالاتی و تحلیل قابلیت اعتماد

در روش‌های سنتی، پارامترهای خاک معمولاً به صورت مقادیر ثابت در نظر گرفته می‌شوند، در حالی که مصالح ژئوتکنیکی به دلیل فرآیندهای زمین‌شناسی، تاریخچه تنش و شرایط محیطی دارای تغییرپذیری ذاتی هستند. پارامترهایی مانند چسبندگی، زاویه اصطکاک داخلی، نفوذپذیری و سطح آب زیرزمینی دارای عدم قطعیت قابل توجهی هستند که می‌تواند بر مقدار واقعی ضریب اطمینان اثر بگذارد.

روش‌های احتمالاتی با درنظرگیری این تغییرپذیری، به جای ارائه یک مقدار قطعی برای FOS، احتمال شکست  یا شاخص قابلیت اعتماد را محاسبه می‌کنند.

یکی از رایج‌ترین روش‌ها در این زمینه، شبیه‌سازی مونت‌کارلو (Monte Carlo Simulation, MCS) است که با تولید تعداد زیادی نمونه تصادفی از پارامترهای ورودی، رفتار احتمالی سیستم را بررسی می‌کند. اگرچه این روش از نظر تئوری قابلیت حل بسیاری از مسائل را دارد، اما در مسائل پیچیده با احتمال شکست پایین، به تعداد بسیار زیادی نمونه و هزینه محاسباتی بالا نیاز دارد.

برای کاهش این هزینه، روش‌های مدل جانشین (Surrogate Model) توسعه یافته‌اند. در این روش‌ها، به جای اجرای مکرر مدل‌های عددی سنگین، یک مدل تقریبی بین پارامترهای ورودی و خروجی ایجاد می‌شود. روش‌های کلاسیک مانند سطح پاسخ (Response Surface Method, RSM) از توابع ریاضی ساده برای این تقریب استفاده می‌کنند، اما در مواجهه با روابط غیرخطی پیچیده خاک، دقت آن‌ها محدود می‌شود.

این محدودیت‌ها باعث شده است که روش‌های یادگیری ماشین (Machine Learning, ML) به عنوان یک ابزار جدید برای ایجاد مدل‌های جانشین دقیق‌تر مورد توجه قرار گیرند. این روش‌ها قادرند روابط پیچیده و غیرخطی میان پارامترهای ژئوتکنیکی و پاسخ سیستم مانند ضریب اطمینان را بدون نیاز به فرضیات اولیه مدل‌سازی کنند.

نسبت استفاده از روش‌های مختلف در تحلیل پایداری شیب LEM: روش تعادل حدی؛ FEM: روش اجزای محدود

کاربرد یادگیری ماشین در ارزیابی پایداری شیب

رشد حجم داده های ژئوتکنیکی و افزایش توان محاسباتی، استفاده از یادگیری ماشین (Machine Learning, ML)  را در تحلیل پایداری شیب گسترش داده است. این روش ها قادرند بدون نیاز به فرض یک رابطه ریاضی مشخص، ارتباط پیچیده و غیرخطی بین پارامترهای ژئوتکنیکی، هندسه شیب و شرایط هیدرولوژیکی را با ضریب اطمینان یا وضعیت پایداری شیب مدل سازی کنند.

در مقایسه با روش های سنتی، مدل های یادگیری ماشین علاوه بر سرعت بالای پیش بینی، توانایی پردازش داده های حجیم، مدل سازی روابط غیرخطی و کاهش هزینه محاسباتی در تحلیل های احتمالاتی را دارند. به همین دلیل، امروزه از آن ها به عنوان مدل های جانشین در کنار روش های عددی مانند روش تعادل حدی و روش اجزای محدود استفاده می شود.

کاربردهای اصلی یادگیری ماشین در پایداری شیب را می توان در دو گروه اصلی شامل پیش بینی ضریب اطمینان و طبقه بندی وضعیت پایداری شیب دسته بندی کرد. علاوه بر این، از این روش ها در برآورد احتمال گسیختگی، تحلیل حساسیت، شناسایی سطح لغزش بحرانی و ارزیابی اثر عوامل محیطی مانند بارندگی و تغییرات سطح آب زیرزمینی نیز استفاده می شود.

مقایسه فرآیند تحلیل قابلیت اطمینان پایداری شیب با روش سنتی و روش مبتنی بر یادگیری ماشین

الگوریتم های پرکاربرد یادگیری ماشین در تحلیل پایداری شیب

الگوریتم های متعددی از یادگیری ماشین برای تحلیل پایداری شیب توسعه یافته اند که هر یک با توجه به ساختار، دقت و توانایی مدل سازی روابط غیرخطی، کاربردهای متفاوتی دارند. انتخاب الگوریتم مناسب به عواملی مانند حجم داده، پیچیدگی مسئله، نوع خروجی (پیش بینی یا طبقه بندی) و هزینه محاسباتی وابسته است.

در میان روش های موجود، شبکه عصبی مصنوعی (Artificial Neural Network, ANN) و ماشین بردار پشتیبان (Support Vector Machine, SVM) بیشترین کاربرد را در مطالعات پایداری شیب داشته اند. علاوه بر این، الگوریتم هایی مانند سیستم استنتاج فازی عصبی تطبیقی (Adaptive Neuro-Fuzzy Inference System, ANFIS)، جنگل تصادفی (Random Forest, RF)، فرآیند گاوسی (Gaussian Process Regression, GPR)، درخت تصمیم (Decision Tree, DT)، تقویت گرادیانی (Gradient Boosting, GB)  و سایر روش های یادگیری گروهی (Ensemble Learning) نیز برای پیش بینی ضریب اطمینان، طبقه بندی پایداری و تحلیل قابلیت اطمینان شیب مورد استفاده قرار گرفته اند.

تعداد سالانه مطالعات انجام‌شده درباره پایداری شیب با استفاده از یادگیری ماشین (ML)، که خط‌چین نشان‌دهنده روند تغییرات است

کاربردهای یادگیری ماشین در مسائل پایداری شیب

یادگیری ماشین در سال های اخیر به یکی از ابزارهای اصلی تحلیل پایداری شیب تبدیل شده است و کاربردهای آن فراتر از پیش بینی ساده ضریب اطمینان است. این روش ها با استفاده از داده های حاصل از مطالعات میدانی، آزمایشگاهی و مدل های عددی، قادر به استخراج الگوهای پیچیده و ارائه پیش بینی های سریع و دقیق هستند.

مهم ترین کاربردهای یادگیری ماشین در پایداری شیب عبارت اند از:

• پیش بینی ضریب اطمینان :توسعه مدل های جانشین برای تخمین سریع FOS به جای اجرای مکرر تحلیل های عددی مانند LEM و FEM
• طبقه بندی وضعیت پایداری شیب : تعیین وضعیت شیب به صورت پایدار، بحرانی یا ناپایدار بر اساس پارامترهای ژئوتکنیکی، هندسی و هیدرولوژیکی.
• برآورد احتمال گسیختگی : ترکیب مدل های یادگیری ماشین با روش های احتمالاتی برای ارزیابی قابلیت اطمینان و تحلیل ریسک شیب.
• تحلیل حساسیت :شناسایی پارامترهای مؤثر بر پایداری شیب، مانند چسبندگی، زاویه اصطکاک داخلی، هندسه شیب و شرایط آب زیرزمینی.
• شناسایی سطح لغزش بحرانی : استفاده از مدل های جانشین برای کاهش زمان جستجوی سطح گسیختگی در تحلیل های عددی.
• پایش و پیش بینی تغییرات زمانی شیب : استفاده از داده های پایش، بارندگی، تغییرات سطح آب زیرزمینی و داده های سنجش از دور برای پیش بینی وقوع ناپایداری و توسعه سیستم های هشدار سریع.

چالش ها و مسیرهای آینده پژوهش

با وجود پیشرفت چشمگیر یادگیری ماشین در تحلیل پایداری شیب، همچنان چالش هایی وجود دارد که نیازمند تحقیقات بیشتر هستند. مهم ترین این چالش ها، محدود بودن داده های باکیفیت، عدم قطعیت در تعیین پارامترهای ژئوتکنیکی، دشواری مدل سازی رفتار هیدرومکانیکی خاک و هزینه بالای تولید داده های آموزشی از طریق تحلیل های عددی است.

از سوی دیگر، بیشتر مطالعات بر مدل های دوبعدی و شرایط ساده شده متمرکز بوده اند، در حالی که رفتار واقعی شیب ها تحت تأثیر تغییرات سه بعدی، ناهمگنی مکانی و شرایط پیچیده زمین شناسی قرار دارد. توسعه مدل های سه بعدی مبتنی بر یادگیری ماشین و استفاده از داده های واقعی پروژه ها می تواند دقت پیش بینی ها را افزایش دهد.

همچنین، تلفیق یادگیری ماشین با داده های پایش برخط، سنجش از دور، تصاویر ماهواره ای، فناوری های GIS و سیستم های هشدار سریع، از مهم ترین مسیرهای آینده این حوزه به شمار می رود. به کارگیری روش های یادگیری عمیق (Deep Learning)، مدل های ترکیبی (Hybrid Models) و الگوریتم های بهینه سازی نیز می تواند به بهبود دقت، قابلیت تعمیم و کاهش عدم قطعیت در تحلیل پایداری شیب کمک کند.

در مجموع، انتظار می رود با افزایش حجم داده های ژئوتکنیکی، پیشرفت فناوری های پایش و توسعه الگوریتم های هوشمند، نقش یادگیری ماشین در تحلیل قابلیت اطمینان، مدیریت ریسک و طراحی ایمن شیب ها بیش از پیش گسترش یابد.

جمع بندی

پایداری شیب به دلیل ناهمگنی مصالح، تغییرپذیری پارامترهای ژئوتکنیکی و وجود عدم قطعیت، یکی از مسائل پیچیده مهندسی ژئوتکنیک محسوب می شود. در سال های اخیر، به کارگیری روش های یادگیری ماشین در کنار روش های کلاسیک تحلیل، امکان پیش بینی سریع تر و دقیق تر ضریب اطمینان، ارزیابی احتمال گسیختگی و طبقه بندی وضعیت پایداری شیب را فراهم کرده است.

اگرچه این روش ها با چالش هایی مانند محدودیت داده های واقعی، تحلیل سه بعدی و تفسیرپذیری مدل ها مواجه هستند، اما توسعه داده های پایش، روش های ترکیبی و افزایش توان محاسباتی، زمینه را برای استفاده گسترده تر از آن ها در تحلیل و مدیریت مخاطرات شیب فراهم خواهد کرد. به طور کلی، یادگیری ماشین به عنوان مکمل روش های سنتی، نقش مهمی در افزایش دقت، سرعت و قابلیت اطمینان ارزیابی های پایداری شیب ایفا می کند.