توسعه مدل دوقلوی دیجیتال مبتنی بر یادگیری عمیق برای پیشبینی نشست و ناپایداری در گودبرداریهای عمیق شهری

گودبرداریهای عمیق شهری به دلیل اندرکنش پیچیده خاک سازه ناهمگنی زمین و تاثیرات وابسته به زمان، با ریسک بالای نشست های نامتقارن و ناپایداری دیواره ها همراه است که می تواند خسارات جدی به سازه های مجاور وارد کند [۱-۴]. اگرچه ابزار اصلی پیش بینی رفتار ژئوتکنیکی محسوب می شود وابستگی شدید آن به پارامترهای (FEM) تحلیل اجزاء محدود نامطمئن خاک و فقدان قابلیت به روزرسانی بلادرنگ، دقت پیش بینی را در شرایط اجرایی محدود می سازد [۶-۹]. در سال های اخیر، کاربرد یادگیری ماشین در مسائل ژئوتکنیکی گسترش یافته است [۱۳،۴۲]، اما ادغام نظام مند آن با مفهوم دوقلوی دیجیتال در گودبرداریهای عمیق هنوز توسعه نیافته است [۲۳،۲۷]. این پژوهش یک چارچوب دوقلوی دیجیتال سه لایه شامل مدل لایه فیزیکی (حسگرها)(FEM)، لایه سایبری و لایه هوشمند مبتنی بر شبکه های LSTM و Transformer را به صورت توالی زمانی ارائه می دهد، که داده های اینکلینومتر، مارکر نشست، پیزومتر و پارامترهای ژئومکانیکی [۱۸،۲۰] ارزیابی شده و تفسیرپذیری آن با روش SHAP با معیارهای R۲، RMSE و MAE تحلیل می کند. عملکرد مدل با معیارهای سنتی FEM بررسی گردیده است [۳۲]. نتایج نشان می دهد مدل پیشنهادی نسبت به چارچوب بلادرنگ ریسک ناپایداری را فراهم می کند. چارچوب ارائه شده گامی موثر در تحول دیجیتال ژئوتکنیک شهری و مدیریت هوشمند ریسک گودبرداری محسوب می شود.

کلیدواژه ها:

دو قلوی دیجیتال ، یادگیری عمیق ، گودبرداری عمیق ، شهری ، پیش بینی نشست ، ناپایداری ژئوتکنیکی ، مدیریت ریسک هوشمند