تُعدّ الركائز الخرسانية من أهم عناصر الأساسات العميقة، إذ تُستخدم لنقل أحمال المنشآت إلى طبقات التربة العميقة القادرة على تحمّلها. ويُعدّ التقدير الدقيق لقدرة تحمل الركائز من المسائل الأساسية في التصميم الجيوتقني، لما له من تأثير مباشر في سلامة المنشآت وكفاءتها الاقتصادية. ومع التطور المتسارع في تقنيات الذكاء الاصطناعي، أصبح التعلم الآلي (Machine Learning) أداة واعدة لتحليل البيانات الجيوتقنية والتنبؤ بقدرة تحمل الركائز، بالاعتماد على نتائج الفحوصات الحقلية والمختبرية والبيانات السابقة. كيف تعمل تقنيات التعلم الآلي؟ تعتمد نماذج التعلم الآلي على تدريب الخوارزميات باستخدام بيانات لركائز منفذة أو مختبرة سابقاً، ثم تتعلم العلاقة بين خصائص التربة والركيزة والحمل الذي يمكن أن تتحمله. ومن أبرز البيانات المستخدمة في بناء هذه النماذج: • خصائص التربة، مثل نوعها ومقاومتها وقيم اختبارات الاختراق القياسي (SPT) أو اختبار الاختراق المخروطي (CPT). • أبعاد الركيزة، مثل القطر والطول وشكل المقطع. • طريقة تنفيذ الركيزة ونوعها. • نتائج اختبارات تحميل الركائز، التي تُستخدم لتدريب النموذج والتحقق من دقة تنبؤاته. ومن الخوارزميات الشائعة في هذا المجال: الغابات العشوائية (Random Forest)، وآلات الدعم الناقل (Support Vector Regression)، والشبكات العصبية الاصطناعية (Artificial Neural Networks). أهمية هذه التقنيات في الهندسة الجيوتقنية تساعد نماذج التعلم الآلي على اكتشاف العلاقات المعقدة بين خصائص التربة وأداء الركائز، وقد توفر تقديرات سريعة لقدرة التحمل، وتدعم مقارنة البدائل التصميمية وتقليل الوقت اللازم للتحليل الأولي. ومع ذلك، تعتمد موثوقية النتائج على جودة البيانات وتنوعها ومدى تمثيلها لظروف الموقع. لذلك ينبغي التحقق من أداء النموذج باستخدام بيانات مستقلة ومقارنته بنتائج الاختبارات الحقلية وطرق التصميم الجيوتقني المعتمدة. ولا يُعدّ التنبؤ الآلي بديلاً عن الحكم الهندسي أو متطلبات الكودات المعتمدة. الخاتمة يمثل توظيف التعلم الآلي في التنبؤ بقدرة تحمل الركائز خطوة مهمة نحو تطوير التصميم الجيوتقني الذكي. ومن خلال دمج البيانات الحقلية مع الخوارزميات الحديثة، يمكن تعزيز دقة التقديرات ودعم اتخاذ القرارات الهندسية، بما يسهم في تصميم أساسات أكثر أماناً وكفاءة واقتصادية.