Dünyanın en yoğun nüfuslu megasitelerinden biri olan Tokyo, büyük deprem tehdidinin her zaman mevcut olduğu oldukça aktif bir sismik bölgede oturuyor. Tokyo’daki sismik olayların en yıkıcı yönlerinden biri, toprak sıvılaşması olarak bilinen jeolojik bir fenomendir. Bu, bir depremden yoğun titreme doymuş, gevşek paketlenmiş toprağın gücünü ve sertliğini geçici olarak kaybetmesine neden olduğunda ve esasen zeminin bir sıvı gibi davranmasına neden olduğunda ortaya çıkar.
Toprak sıvılaşmasının yıkıcı etkileri, 1995 Great Hanshin-Awaji depremi, 2011 Büyük Doğu Japonya depremi ve son 2024 Noto Yarımadası depreminde olduğu gibi birçok kez belgelenmiştir. Bu iyi bilinen tehdide rağmen, toprak sıvılaşma risklerini değerlendirmek için mevcut araçların iyileştirme için önemli bir alanı vardır.
Geleneksel tehlike haritaları tipik olarak basit jeoistatistik yöntemler ve sınırlı sondaj verileri kullanılarak oluşturulur ve 500 metrelik ızgara ölçeklerinde düşük çözünürlüklü sonuçlar üretir. Bu ayrıntı eksikliği, karmaşık yer altı koşulları, kapsamlı geri kazanılmış arazileri ve yumuşak toprak yatakları ile Tokyo gibi bir şehirde özellikle sorunludur. Bu nedenle, toprak katmanlarında ince ölçekli değişiklikleri yakalamak ve doğru risk değerlendirmesi sağlamak için daha sofistike tekniklere ihtiyaç vardır.
Bu zorluğa yanıt olarak, Japonya, Shibaura Teknoloji Enstitüsü’nden Profesör Shinya Inazumi liderliğindeki bir araştırma ekibi, yüksek çözünürlüklü 3D sıvılaşma tehlike haritaları oluşturmak için yeni bir yönteme öncülük ediyor. Dergide yayınlanan çalışmaları Mühendislikte sonuçlarjeoteknik verileri hem jeolojik modelleme hem de sıvılaşma tehlikesi değerlendirmesi için birleşik bir model oluşturmak için jeoteknik verileri yapay sinir ağları (YSA) ile birleştiren bir çerçeve.
Araştırmacılar, Japonya’daki jeoteknik tehlike değerlendirmesi için yapay zekanın (AI) en büyük uygulamalarından biri haline getirerek 13.926 sondaj rekoru olan kapsamlı bir veri kümesi kullandılar. ANN modellerini bu veriler üzerinde eğiterek, ekip 200 metrelik bir ızgaradaki örneksiz yerlerde önemli yer altı özelliklerini doğru bir şekilde tahmin edebildi. Daha spesifik olarak, toprak yoğunluğu ve gücünün önemli ölçümleri olan hem toprak tipini hem de N-değerlerini tahmin etmeye çalıştılar.
Önerilen model, geleneksel yöntemlerden ve diğer karşılaştırılabilir makine öğrenme çerçevelerinden daha iyi performans gösteren N-değerleri ve toprak sınıflandırması için yüksek bir regresyon doğruluğu elde etti. Bu kısmen, YSA’nın veriler içindeki karmaşık, doğrusal olmayan ilişkileri yakalama üstün yeteneğinden kaynaklanıyordu.
Bu öngörülen değerleri kullanarak, ekip daha sonra kent genelinde riski ölçmek için sıvılaşma potansiyel endekslerini hesapladı. Ortaya çıkan tehlike haritası, mevcut resmi haritalardan önemli ölçüde daha yüksek bir ayrıntı seviyesi sergiledi ve geri kazanılmış kıyı bölgelerindeki yüksek riskli alanları ve eşi görülmemiş bir netlik ve hassasiyetle nehir taşkın yataklarını tanımladı. Özellikle, model Koto Ward gibi sıvılaşmaya özellikle duyarlı olan ancak geleneksel haritalarda bu şekilde özetlenemeyecek yerlerde yerelleştirilmiş yüksek riskli bölgeleri başarıyla tanımlayabilir.
Prof. Inazumi, “Çalışmamız sadece Tokyo’daki deprem risk yönetimini geliştirmekle kalmayıp, aynı zamanda dünya çapında benzer coğrafi zorluklarla karşılaşan diğer megasiteler için aktarılabilir bir metodoloji görevi gören sağlam, ölçeklenebilir bir model sunuyor.”
Bu çalışmanın sonuçları, makine öğreniminin kentsel planlama ve inşaat mühendisliğinde nasıl etkili bir şekilde kullanılabileceğini, nerede inşa edileceği, ne tür temellerin kullanılacağı ve toprağın iyileştirme önlemlerine nerede öncelik verileceği konusunda daha bilinçli kararlar sağladığını göstermektedir. Ayrıca, çerçevenin ölçeklenebilirliği, halkın farkındalık kampanyalarına ve felaketin önlenmesine yardımcı olabilecek dinamik ve etkileşimli görselleştirmeler için coğrafi bilgi sistemlerine entegre edilmesini sağlar.
Prof. Inazumi, “Gelişmiş AI tekniklerini jeoteknik verilerle entegre ederek, bu araştırma proaktif risk yönetimi için yeni bir standart belirliyor, daha güvenli, daha sürdürülebilir kentsel gelişmeyi destekliyor ve savunmasız bölgelerdeki milyonlarca insanı korumaya yardımcı oluyor.”
